Como Fazer Experimentos 2aed Barros Scarminio Bruns OCR PDF

Bencio de Barros Neto
Ieda Spacino Scarminio

Roy Edward Bruns
COMO FAZER EXPERIMENTOS

PESQUISA E DESENVOLVIMENTO NA
CINCIA E NA INDSTRIA
FICHA CATALOGRFICA ELABORADA PELA

BIBLIOTECA CENTRAL DA UNICAMP
Barros Neto, Bencio de

B278c
Como fazer experimentos: pesquisa e desenvolvimento

na cincia e na indstria I Bencio de Barros Neto, Ieda
Spacino Scarminio, Roy Edward Bruns. -- Campinas, SP :
Editora da Unicamp, 2001.
(Coleo Li vro-Texto)
1. Qumica - Mtodos estatsticos. 2. Planejamento
experimental. 3. Modelos matemticos. 4. Otimizao
matemtica. I Scarminio, Ieda Spacino. 11. Bruns, Roy
Edward. 111. Ttulo.
20. CDD -
ISBN: 85-268-0544-4
540.28
519.5
511.8
519.7
ndices para Catlogo Sistemtico:

1.
2.
3.
4.
Qumica - Mtodos estatsticos

Planejamento experimental
Modelos matemticos
Otimizao matemtica.
540.28
519.5
511.8
519.7
Copyright by Editora da Unicalnp, 2001

Coleo Li vro-Texto
Nenhuma parte desta publicao pode ser gravada, armazenada em sistema eletrnico, fotocopiada,
reproduzida por meios mecnicos ou outros quaisquer sem autorizao prvia do editor.
Secretria executiva
Elisabeth Regina Marchetti
Assessor de produo editorial
Vlademir Jos de Camargo
Preparao e reviso
Benicio de Barros Neto
Supervisora de editorao eletrnica
Silvia Helena P. C. Gonalves
Editorao eletrnica
Rossana Cristina Barbosa
Designer de capa
Benicio de Barros Neto
Arte- final de capa
Adailton Clayton dos Santos
Acompanhamento grfico
Ednilson Tristo
Assessor de informtica
Carlos Leonardo Lamari
Associao Brasileira de
Editoras Universitrias
2001
Editora da Unicamp
Caixa Postal 6074
Cidade Universitria - Baro Geraldo
CEP 13083-970 - Campinas - SP - Brasil
Tel.: (19) 3788-1015 - Tel./Fax: (19) 3788-1100
www.editora.unicamp.br
Sumrio
Prefcio
1
Como a Estatstica pode ajudar
1.1 Em que a Estatstica pode ajudar
1.2 Modelos empricos
1.3 Planejamento e otimizao de experimentos
Quando as coisas funcionam normalmente
2.1 Erros
10
2.1(a) Tipos de erros
2. 2 Populaes, amostras e distribuies

2.2(a) Como descrever as caractersticas da amostra
2.3 A distribuio normal
11
15
18
25
2.3(a) Como calcular probabilidades de ocorrncia
27
2.3(b) Como usar as caudas da distribuio normal padro
31
2.3(c) Porque a distribuio normal to importante?
34
2.3(d) Como calcular um intervalo de confiana para a mdia
36
2.3(e) Como interpretar um intervalo de confiana
38
2.4 Covarincia e correlao
38
2.5 Combinaes lineares de variveis aleatrias
43
2.6 Amostragem aleatria em populaes normais
48
2.7 Aplicando a distribuio normal
56
2.7(a) Como fazer comparaes com um valor de referncia
56
2.7(b) Como determinar o tamanho da amostra
58
2.7(c) Como fazer o controle estatstico de processos
60
2.7(d) Como comparar dois tratamentos
64
Como comparar duas mdias
64
Como fazer comparaes emparelhadas
67
Como comparar duas varincias
69
Sumrio
2A Aplicaes
71
2A.1
De casa para o trabalho
71
2A.2
Bioequivalncia de medicamentos genricos e de marca
77
2A.3
Mais feijes?
80
2A.4
Produtividade de algas marinhas
82
Como variar tudo ao mesmo tempo
83
3.1 Um planejamento fatorial 2 2
85
3.1(a) Clculo dos efeitos
87
3.1(b) Interpretao geomtrica dos efeitos
89
3.1(c) Estimativa do erro experimental
91
3.1(d) Interpretao dos resultados
94
3.1(e) Um algoritmo para o clculo dos efeitos
96
3.1(f) O modelo estatstico
100
105
106
3.2(b) Estimativa do erro
108
3.2(c) Interpretao dos resultados
109
3.2(d) O modelo estatstico
112
113
114
115
3.4 Anlise por meio de grficos normais
117
3.5 Operao evolucionria com fatoriais de dois nveis
123
3.6 Blocagem em planejamentos fatoriais
126
3A Aplicaes
130
3A.1
Hidrlise de resinas
130
3A.2
Voltametria cclica do azul de metileno
131
3A.3
Tempo de reteno em cromatografia lquida
133
3A.4
Separao de gases por adsoro
135
3A.5
Melhorando funes de onda
137
3A.6
Desempenho de eletrodos de Ti!I'i02
140
3A.7
Controlando a espuma
144
3A.8
Desenvolvimento de um detergente
146
Sumrio
Quando as variveis so muitas
149
4.1 Fraes meias de planejamentos fatoriais
150
4.1(a) Como construir uma frao meia
155
4.1(b) Relaes geradoras de fatoriais fracionrios
157
159
4.2 O conceito de resoluo

4.2(a) Fatoriais fracionrio's de resoluo quatro
159
4.2(b) Fatoriais fracionrios de resoluo cinco
161
4.2(c) Variveis inertes e fatoriais embutidos em fraes
163
4.2(d) Fraes meias com resoluo mxima
166
166
4.3 Triagem de variveis

4.3(a) Fatoriais fracionrios de resoluo trs
166
4.3(b) Planejamentos saturados
169
4.3(c) Como construir uma frao de resoluo trs
177
4.3(d) Como construir uma frao 2~V4 a partir de uma frao
177
4.3(e) Planejamentos saturados de Plackett e Burman
179
4.3(f) Tcnicas de Taguchi para engenharia de qualidade
180
4A Aplicaes
21iI4
185
4A.l
Adsoro em slicas organofuncionalizadas
185
4A.2
Termogravimetria do oxalato de clcio
187
4A.3
Anlise cromatogrfica de gases
190
4A.4
Resposta cataltica da Mn-porfirina
191
4A.5
Escoamento de xidos na indstria siderrgica
193
4A.6
Produo de violacena por bactrias
195
4A.7
Cura de uma resina polister
198
Como
constr~ir
modelos empricos
5.1 Um modelo para y
= f(T)
201
201
5.2 Anlise da varincia
212
5.3 Intervalos de confiana
217
5.4 Significncia estatstica da regresso
223
5.5 Um novo modelo para y
= f(T)
224
5.6 Falta de ajuste e erro puro
227
5.7 Correlao e regresso
235
5A Aplicaes
238
Sumrio
5A.1
A flexibilidade do ar
238
5A.2
Calibrao em cromatografia
241
5A.3
Calibrao multivariada
244
5A.4
Intervalo de energias proibidas em semicondutores
245
5A.5
Determinao de um calor de vaporizao
246
5A.6
Outra calibrao
248
Andando na superfcie de resposta
251
6.1 Metodologia de superfcies de resposta
251
6.1(a) Modelagem inicial
252
6.1(b) Como determinar o caminho de mxima inclinao
256
6.1(c) Localizao do ponto timo
261
6.2 A importncia do planejamento inicial
264
6.3 Um experimento com trs fatores e duas respostas
266
6.4 Como tratar problemas com muitas variveis
275
6.5 Planejamentos compostos centrais
280
6A Aplicaes
286
6A.1
Resposta cataltica do Mo(VI)
286
6A.2
Desidratao osmtica de frutas
288
6A.3
Diminuindo o colesterol
291
6A.4
Produo de lacase
294
6A.5
Aumentando o oxignio do ar
296
Como modelar misturas
301
7.1 Misturas de dois componentes
304
7.2 Misturas de trs componentes
309
7.3 Um exemplo: misturas de trs componentes
313
7.4 Modelos cbicos para misturas de trs componentes
317
7.5 Avaliao de modelos
320
7.6 Pseudocomponentes
323
7.7 Outros planejamentos
325
7.8 Misturas com mais de trs componentes
329
7A Aplicaes
333
7A.1
Influncia do solvente na complexao do on Fe(III)
333
7A.2
Resistncia trao de misturas polimricas
335
Sumrio
7A.3
Determinao cataltica de Cr(VI)
339
7A.4
Condutividade de uma blenda polimrica
341
7A.5
No precisa comer para conhecer o pudim
344
Otimizao simplex
349
o simplex bsico
o simplex modificado
350
8.3 O simplex supermodificado
366
8.1
8.2
355
Referncias bibliogrficas
371
Respostas aos exerccios
375
Tabelas
391
ndice Remissivo
399
Prefcio
A utilidade deve ser a principal inteno de qualquer publicao. Onde quer que essa
inteno no aparea claramente, nem os livros nem seus autores tm o menor direito
aprovao da humanidade. Assim escreveu William Smellie no prefcio primeira edio da
Encyclopaedia Britannica, publicada em 1768.
Nosso livro tem a modesta inteno de ser til s pessoas que desejarem - ou
precisarem - fazer experimentos. A edio que voc est lendo uma verso consideravelmente revista, corrigida e ampliada do nosso texto anterior, Planejamento e Otimizao
de Experimentos, que esgotou trs tiragens. Como foram muitas as mudanas que fizemos,
conclumos que seria apropriado mudar tambm o ttulo, para torn-lo uma descrio mais
fiel do contedo e do propsito do livro.
Na preparao desta edio cada sentena foi reconsiderada, com o objetivo de tornar
o texto mais claro. Todos os erros que conseguimos descobrir, ou que os leitores tiveram a
bondade de nos apontar, foram corrigidos. A principal mudana, porm, que vrios novos
assuntos foram includos, enquanto outros tantos passaram a ter um tratamento mais
aprofundado.
Entre as novidades, gostaramos de chamar a ateno para o captulo dedicado
metodologia de superfcies de resposta, e para as sees contendo aplicaes reais das vrias
tcnicas de planejamento e anlise que discutimos no texto principal. Muitos leitores da
primeira edio comentaram conosco que gostariam de ver menos teoria e mais prtica. Os
35 exemplos reais que agora inclumos (quase 80 novas pginas dedicadas a eles, no total)
representam um esforo no sentido de, seno diminuir a teoria, pelo menos temper-la com
bastante prtica. As pessoas que usaram a edio anterior notaro ainda que o projeto
grfico tambm foi modificado, na esperana de tornar a leitura mais agradvel.
Nos 15 anos em que nos dedicamos a tentar ensinar quimiometria - isto , o
emprego de tcnicas estatsticas, matemticas e grficas para resolver problemas qumicos tivemos centenas de alunos e alunas, tanto nas nossas prprias universidades quanto em
outras instituies de ensino e pesquisa, bem como em diversas empresas. Esses estudantes
vinham principalmente das cincias exatas e das engenharias, mas vrias outras profisses
estiveram representadas, da administrao medicina, passando pela biologia, pela farmcia e pela tecnologia de alimentos, para mencionar as primeiras que nos ocorrem agora.
Essa diversidade nos faz acreditar que as tcnicas que apresentamos podem ser aprendidas
e usadas, com maior ou menor esforo, por qualquer profissional que tenha de realizar
experimentos.
Gostaramos de reiterar que a estatstica no faz milagres, e que no pode substituir
de forma alguma o conhecimento tcnico especializado. O que continuamos esperando
xi
Prefcio
demonstrar, com esta nova edio, que um profissional que junte conhecimentos de
planejamento de experimentos e de anlise de dados a uma slida formao tcnica em sua
rea torna-se um profissional mais competente, e por isso mesmo mais competitivo.
Ns mesmos somos qumicos, no estatsticos, e talvez seja isso que diferencie o
nosso livro de outros com um contedo semelhante. Embora no acreditemos que algum
possa dominar as tcnicas de planejamento e anlise de experimentos sem um certo
conhecimento dos fundamentos da Estatstica, neste livro procuramos reduzir a discusso
dessa base ao mnimo que consideramos necessrio, e passar logo para o que interessa problemas de pesquisa e desenvolvimento. Por outro lado, como sabemos que a Estatstica
no costuma figurar entre as disciplinas mais populares na formao de diversas categorias
profissionais, partimos do princpio de que nossos leitores no tm nenhum conhecimento
prvio dessa cincia. Mesmo assim, chegamos mais cedo aos problemas experimentais com
muitas variveis do que os textos mais tradicionais.
Um nmero muito grande de pessoas contribuiu para que este livro se tornasse
realidade. Se na primeira edio a lista j era extensa demais para que citssemos a todos
nominalmente, temos a satisfao de reconhecer que de l para c ela s fez ampliar-se, e
nossa gratido aumentou na mesma proporo. Queremos, porm, agradecer especialmente
queles cujo trabalho permitiu que inclussemos tantas aplicaes na presente edio. Esses
so chamados pelo nome quando discutimos seus respectivos dados.
As universidades em que trabalhamos so muito distantes uma da outra, e a nossa
colaborao tem se beneficiado do apoio da Fapesp, da Faep-Unicamp e do CNPq, pelo que
tambm somos muito gratos.
Por uma coisa somos os nicos responsveis: os defeitos que no conseguimos remediar. Contamos com a ajuda dos leitores para resolver esse problema de otimizao. Nossos
endereos eletrnicos esto a embaixo. Se voc sabe como poderamos melhorar o livro,
ficaremos muitos satisfeitos em ouvir sua opinio.
Campinas, janeiro de 2001.
B. B. Neto (bbn@npd.ufpe.br)
Departamento de Qumica Fundamental
Universidade Federal de Pernambuco
l. S. Scarminio (ieda@gui.uel.br)
Departamento de Qumica
Universidade Estadual de Londrina
R. E. Bruns (brunsigm.unicamp.br)
Departamento de Fsico-Qumica
Instituto de Qumica - Unicamp
XII
1
Como a Estatstica pode ajudar
... Porque ter a mente boa no o bastante; o principal aplic-la bem. As
maiores almas so capazes tanto das maiores virtudes quanto dos maiores
vcios, e aqueles que marcham lentamente podem avanar muito mais, se
seguirem o caminho certo, do que os que correm porm dele se afastam.
Descartes, Discurso sobre o mtodo, parte I.
Este um livro sobre o bom senso. Mais especificamente, sobre o bom senso na realizao de
experimentos e na anlise de seus resultados. No incio do Discurso sobre o mtodo, um
pouco antes da citao acima, Descartes diz que, de todas as coisas no mundo, a mais bem
distribuda o bom senso, porque "todos se acham to abundantemente providos [de bom
senso] que mesmo aqueles mais difceis de se contentar em outros assuntos comumente no
desejam mais bom senso do que j tm" (Descartes, 1637). Se voc acredita nisso (Descartes
obviamente no acreditava), este livro no para voc.
Digamos, porm, que voc esteja de acordo com Descartes - afinal, voc continuou
lendo - e ache que nem tudo que parece bvio to bvio assim. Nesse caso, se voc estiver
envolvido com experimentao, seja na vida acadmica, seja na indstria, seja num
laboratrio de pesquisa ou desenvolvimento, este livro poder lhe ser bastante til. Com ele
voc poder aprender a realizar seus experimentos e tirar suas concluses de forma mais
econmica e eficaz.
Nos captulos seguintes apresentaremos algumas tcnicas relativamente simples e
fceis de empregar. Como o ovo de Colombo, essas tcnicas podero at parecer bvias depois
que voc refletir um pouco sobre elas, mas isso no lhes tira o mrito nem a eficcia. Para
deixar mais claro o que queremos dizer, vamos considerar um exemplo prtico, muito fcil de
encontrar na vida real, principalmente na indstria, onde a relao custo!benefcio sempre
uma questo importante.
Digamos que um qumico deseje obter o rendimento mximo em uma certa reao, e
que essa reao seja controlada por apenas duas variveis: a temperatura e a concentrao
de um determinado reagente. Na nomenclatura que adotaremos neste livro, a propriedade
de interesse, que neste caso o rendimento, chamada de resposta. As variveis que em
princpio influenciam a resposta (isto , a temperatura e a concentrao) so os fatores, e a
Como a Estatstica
funo que descreve essa influncia chamada de superficie de resposta. O objetivo do

pesquisador descobrir quais os valores - os nveis - dos dois fatores que produzem a maior
resposta possvel. Como voc faria para resolver esse problema?
Eis uma sugesto. Para manter as coisas sob controle, fixamos um dos fatores num
certo nvel e variamos o outro at descobrir qual o nvel desse outro fator que produz o maior
rendimento. Variando s um dos fatores estaremos nos assegurando de que qualquer
mudana na resposta ter sido causada pela modificao do nvel desse fator. Depois,
mantendo esse fator no nvel timo encontrado, variamos o nvel do primeiro fator (o que
tinha sido fixado), at descobrir o valor dele que tambm produz um rendimento mximo.
Pronto. O experimento acabou, e descobrimos os valores timos que estvamos procurando,
certo?
Errado! Esse pode ser o senso comum, mas certamente no bom senso. Quase todas
as pessoas a quem perguntamos concordaram que o procedimento que acabamos de
descrever era "o mais lgico", e no entanto existe uma maneira muito mais eficaz de fazer o
experimento. Alis, com esse "senso comum" o rendimento mximo s seria descoberto em
circunstncias muito especiais. Ao contrrio do que se poderia esperar, muito melhor fazer
variar todos os fatores ao mesmo tempo. A razo para isso que as variveis podem se
influenciar mutuamente, e o valor ideal para uma delas pode depender do valor da outra.
Esse comportamento, que chamamos de
intera~o
entre os fatores, um fenmeno que
ocorre com muita freqncia. Raras so as situaes em que dois fatores atuam de forma
realmente independente.
Este apenas um exemplo de como o senso comum pode ser enganoso. Voltaremos a
ele nos captulos seguintes, para um tratamento detalhado. Neste captulo vamos apenas introduzir algumas noes bsicas de modelagem e apresentar sumariamente as tcnicas que
discutiremos ao longo do livro, tentando mostrar a utilidade de cada uma delas na vida real.
1.1
Em que a Estatstica pode ajudar

comum, especialmente em indstrias qumicas, aparecerem problemas em que precisamos
estudar vrias propriedades ao mesmo tempo e estas, por sua vez, so afetadas por um
grande nmero de fatores experimentais. Como investigar os efeitos de todos esses fatores
sobre todas as propriedades, minimizando o trabalho necessrio e o custo dos experimentos?
Como melhorar a qualidade do produto resultante? Que fatores experimentais devemos
controlar para que a qualidade do produto seja assegurada?
As pesquisas realizadas com o objetivo de fornecer respostas a essas perguntas

muitas vezes tomam vrios meses de trabalho de pesquisadores e tcnicos, a um custo
bastante alto em termos de salrios, reagentes, anlises qumicas e testes fsicos. O principal
objetivo deste livro mostrar que o emprego de conhecimentos estatsticos pode ajudar a
responder a essas perguntas de forma racional e econmica. Usando planejamentos
experimentais baseados em princpios estatsticos, os pesquisadores podem extrair do
sistema em estudo o mximo de informao til, fazendo um nmero mnimo de
experimentos.
Os mtodos mais eficazes que podem ser usados por cientistas e engenheiros para
melhorar ou otimizar sistemas, produtos e processos so apresentados nos captulos
seguintes. Esses mtodos so ferramentas poderosas, com as quais vrios objetivos
especficos podem ser alcanados. Podemos fabricar produtos com melhores caractersticas,
diminuir seu tempo de desenvolvimento, aumentar a produtividade de processos, minimizar
a sensibilidade dos produtos s variaes nas condies ambientais, e assim por diante.
Voltando ao nosso exemplo inicial, vejamos algumas questes especficas em que o
planejamento experimental pode ajudar o pesquisador a atingir seus objetivos mais rapidamente e a um custo menor. Digamos que ele j saiba que a temperatura e a concentrao,
bem como o tipo de catalisador, afetam o rendimento. Como seria possvel ajustar os valores
da temperatura e da concentrao para obter uma quantidade maior do produto? Variando
esses fatores, seria possvel maximizar o rendimento? As mudanas nesses valores provocariam mudanas semelhantes nos rendimentos se o catalisador fosse outro? Que experimentos devemos realizar para obter mais informaes sobre o sistema? Como podemos
quantificar a eficincia dos catalisadores para as diferentes combinaes de temperatura e
concentrao? Como os valores dos fatores experimentais podem ser mudados para obtermos
o maior rendimento possvel sem que as propriedades mecnicas do produto final deixem de
satisfazer s suas especificaes? Nos captulos restantes discutiremos tcnicas estatsticas
de planejamento e anlise capazes de nos auxiliar a encontrar respostas confiveis para
todas estas questes.
Os mtodos que veremos independem da natureza do problema a que so aplicados.
Servem para estudar reaes qumicas, sistemas biolgicos, processos mecnicos (entre
muitos outros), e tambm podem varrer todas as possveis escalas de interesse, desde uma
nica reao em bancada at um processo industrial operando em larga escala. O
denominador comum so os princpios estatsticos envolvidos, que so sempre os mesmos.
claro que isso no significa menosprezar o conhecimento tcnico que o especialista j detm
sobre o sistema em estudo. Como j dissemos no prefcio, ele insubstituvel. As ferra-
Come a Estatistica
mentas estatsticas, embora valiosas, so apenas um complemento a esse conhecimento. O

ideal que as duas coisas - conhecimento bsico do problema e estatstica - andem juntas.
1.2 Modelos empricos

Quando se trata de modelar dados resultantes de experimentos ou observaes, importante
fazer a distino entre modelos empricos e modelos mecansticos. Tentaremos esclarecer
essa diferena considerando dois exemplos prticos.
Imaginemos que um astrnomo queira calcular a hora em que vai ocorrer o prximo
eclipse da Lua. Como sabemos, os fatos acumulados ao longo de sculos de observao e
especulao levaram, no final do sculo XVII, a uma teoria que explica perfeitamente os
fenmenos astronmicos no-relativsticos: a mecnica newtoniana. A partir das leis de
Newton possvel deduzir o comportamento dos corpos celestes como uma conseqncia
inevitvel das suas interaes gravitacionais. Este um modelo mecanstioo: com ele
podemos prever as trajetrias dos astros porque sabemos as causas que as provocam, isto
, conhecemos o mecanismo por trs de seu comportamento. O astrnomo s precisa
aplicar a mecnica newtoniana s suas observaes e fazer as dedues necessrias. Ele
no tem, alis, de ficar restrito ao sistema solar: as leis de Newton aplicam-se universalmente. Em outras palavras, a mecnica newtoniana tambm um modelo global.
Agora consideremos uma situao bem diferente e mais prxima de ns. Um qumico
encarregado de projetar uma fbrica piloto baseada numa determinada reao recmdesenvolvida em bancada. Ele sabe que o comportamento dessa reao pode ser
influenciado por muitos fatores: as quantidades iniciais dos reagentes, o pH do meio, o
tempo de reao, a carga de catalisador, a velocidade com que os reagentes so
introduzidos no reator, a presena ou ausncia de luz, e assim por diante. Mesmo que
exista um modelo cintico para a reao em questo, dificilmente ele poder levar em
conta a influncia de todos esses fatores, alm de outros mais que costumam aparecer
quando se muda da escala de laboratrio para a escala piloto. Numa fbrica em larga
escala, ento, que normalmente o objetivo de longo prazo, a situao ainda mais
complexa. Surgem elementos imponderveis, como o nvel de impurezas da matriaprima, a flutuao de fatores ambientais (umidade, por exemplo), a estabilidade do
processo como um todo, e at mesmo o prprio envelhecimento do equipamento. Trata-se
de uma situao muito complicada, para a qual difcil ser otimista quanto possibilidade de se descobrir um modelo mecanstico to abrangente e eficaz como a mecnica
newtoniana. Num caso destes, o pesquisador deve recorrer forosamente a modelos
empricos, isto , modelos que procuram apenas descrever, com base na evidncia
experimental, o comportamento do processo estudado. Isto totalmente diferente de
tentar explicar a partir de umas poucas leis o que est se passando, que o que procura
fazer um modelo mecanstico. Mesmo conseguir descrever, dito assim sem nenhuma
adjetivao, pode ser em muitos casos uma tarefa ambiciosa demais. Na modelagem
emprica j nos damos por satisfeitos se somos capazes de descrever o processo estudado
na regio experimental investigada. Isto quer dizer que modelos empricos so tambm
modelos lomis. Sua utilizao para fazer previses para situaes desconhecidas corre por
conta e risco do usurio.
Para resumir o contedo deste livro numa nica frase, podemos dizer que o seu
objetivo ensinar as tcnicas mais empregadas para desenvolver modelos empricos.
1.3
Planejamento e otimizao de experimentos

As pessoas normalmente se lembram da Estatstica quando se vem diante de grandes
quantidades de informao. Na percepo do chamado senso comum, o emprego de mtodos
estatsticos seria algo semelhante prtica da minerao. 1 Um estatstico seria um tipo de
minerador bem-sucedido, capaz de explorar e processar montanhas de nmeros e delas
extrair valiosas concluses. Como tanta coisa associada ao senso comum, esta tambm uma
impresso falsa, ou no mnimo parcial. A atividade estatstica mais importante no a
anlise de dados, e sim o planejamento dos experimentos em que esses dados devem ser
obtidos. Quando isso no feito da forma apropriada, o resultado muitas vezes uma
montanha de nmeros estreis, da qual estatstico algum conseguiria arrancar quaisquer
concluses.
A essncia de um bom planejamento consiste em projetar um experimento de forma
que ele seja capaz de fornecer exatamente o tipo de informao que procuramos. Para isso
precisamos saber, em primeiro lugar, o que mesmo que estamos procurando. Mais uma
vez, parece bvio, mas no bem assim. Podemos mesmo dizer que um bom experimentador
, antes de tudo, uma pessoa que sabe o que quer. Dependendo do que ele queira, algumas
tcnicas sero mais vantajosas, enquanto outras sero simplesmente incuas. Se voc quer
tornar-se um bom planejador, portanto, comece perguntando a si mesmo:
Alis, o termo data mining est se tornando cada vez mais comum para descrever investigaes
exploratrias em grandes bancos de dados, normalmente de interesse comercial.
Como a Estatstica
O que eu gostaria de fimr sabendo quando o experimento tiver terminado?

Yogi Berra, o astro do beisebol americano, tambm era conhecido por suas tiradas
espirituosas, e s vezes paradoxais. Uma delas se aplica perfeitamente neste contexto: Se

voc no sabe para onde est indo, vai terminar batendo em outro lugar.
Imaginemos um eixo que descreva o progresso de uma investigao experimental,
desde uma situao de praticamente nenhuma informao at a construo de um (hipottico) modelo mecanstico global. Caminhar ao longo desse eixo corresponderia a ir descendo
as linhas da Tabela 1.1, que mostra um sumrio do contedo do livro. Na primeira linha,
numa situao de pouca informao, sequer sabemos quais so as variveis mais importantes para o sistema que estamos estudando. Nosso conhecimento talvez se limite a uma
pequena experincia prtica ou a alguma informao bibliogrfica. Nessas condies, a primeira coisa a fazer realizar uma triagem e descartar as variveis no significativas, para
no perder mais tempo e dinheiro com elas no laboratrio. O uso de planejamentos fatoriais
fracionrios, discutidos no Captulo 4, uma maneira de alcanar esse objetivo. Os planejamentos fracionrios so extremamente econmicos e podem ser usados para estudar dezenas
de fatores de uma s vez.
Tabela 1.1. A evoluo de um estudo emprico. O conhecimento do sistema estudado aumenta medida que percorremos a tabela de cima para baixo.
Objetivo
Tcnica
Captulo
Triagem de variveis
Planejamentos fracionrios
Avaliao da influncia de variveis
Planejamentos fatoriais
completos
Construo de modelos empricos
Modelagem por mnimos

quadrados
5,7
Otimizao
RSM, simplex
6,8
Construo de modelos mecansticos
Deduo a partir de princpios

gerais
Tendo selecionado os fatores importantes, nosso prximo passo seria avaliar

quantitativamente sua influncia sobre a resposta de interesse, bem como as possveis interaes de uns fatores com os outros. Para fazer isso com o mnimo de experimentos, podemos
empregar planejamentos fatoriais completos, que so tratados no Captulo 3. Ultrapassando
essa etapa e desejando obter uma descrio mais detalhada, isto , obter modelos mais
sofisticados, podemos passar a empregar a modelagem por mnimos quadrados, que o
assunto tratado no Captulo 5. Esse provavelmente o captulo mais importante de todos,

porque algumas das tcnicas discutidas em outros captulos nada mais so que casos
particulares da modelagem por mnimos quadrados. Um exemplo o Captulo 7, dedicado
modelagem de misturas. Modelos de misturas tm algumas peculiaridades, mas no fundo
so modelos ajustados pelo mtodo dos mnimos quadrados.
s vezes nosso objetivo principal otimizar nosso sistema, isto , maximizar ou
minimizar algum tipo de resposta. Pode ocorrer que ao mesmo tempo ns tambm tenhamos
de satisfazer determinados critrios. Por exemplo: produzir a mxima quantidade de um
determinado produto, ao menor custo possvel, e sem fugir das especificaes. Nessa situao
uma tcnica conveniente a metodologia de superficies de resposta (RSM), apresentada no
Captulo 6 e tambm baseada na modelagem por mnimos quadrados. Mais adiante, no
Captulo 8, apresentamos uma tcnica de otimizao diferente, o simplex seqencial, em que
o objetivo simplesmente chegar ao ponto timo, dispensando-se a construo de um modelo.
Construir modelos empricos no basta. Precisamos tambm avaliar se eles so
realmente adequados ao sistema que estamos querendo descrever. S ento tem cabimento
procurar extrair concluses desses modelos. Um modelo mal ajustado faz parte da fico
cientfica, no da cincia.
impossvel fazer uma avaliao da qualidade do ajuste de um modelo sem recorrer
a alguns conceitos bsicos de estatstica. Isto no significa, porm, que voc tenha de se
tornar um especialista em estatstica para poder se valer das tcnicas que apresentamos
neste livro. Algumas noes baseadas na famosa distribuio normal so suficientes. Essas
noes so apresentadas no Captulo 2, e so muito importantes para a compreenso e a
aplicao dos mtodos de planejamento e anlise apresentados nos demais captulos. Para
tentar amenizar a costumeira aridez com que so discutidos tais conceitos, baseamos nosso
tratamento na soluo de um problema prtico, de alguma relevncia para a culinria
nacional.
A utilizao de todos os mtodos descritos neste livro praticamente invivel sem a
ajuda de um microcomputador para fazer clculos e grficos. Quando escrevemos a primeira

edio, distribuamos junto com o livro um disquete com vrios programas escritos com essa
finalidade. Hoje a abundncia de programas muito mais sofisticados, vrios dos quais de
domnio pblico, no s para Windows como para Linux, tornou o nosso disquete obsoleto. Se
mesmo assim voc estiver interessado nos tais programas (que so para o sistema DOS),
pode
obt-los
gratuitamente
na
pgina
do
(www.igm.unicamp.br). a partir do link chemkeys.
Instituto
de
Qumica
da
Unicamp
2
Quando as coisas funcionam normalmente
o que leva um pesquisador a fazer experimentos o desejo de encontrar a
soluo de deter-
minados problemas. Escrevemos este livro para mostrar como qualquer pesquisador (ou pesquisadora, naturalmente), aplicando as tcnicas estatsticas apropriadas, pode resolver seus
problemas experimentais de forma mais eficiente. Queremos ensinar ao leitor o que fazer
para tirar o melhor proveito dessas tcnicas, no s na anlise dos resultados experimentais,
mas principalmente no prprio planejamento dos experimentos, antes de fazer qualquer
medio.
Estatstica um termo que, merecidamente ou no, goza de pouca popularidade

entre os qumicos, e entre pesquisadores e engenheiros em geral. Quem ouve falar no
assunto pensa logo num grande volume de dados, valores, percentagens ou tabelas, onde
esto escondidas as concluses que buscamos, e que esperamos que os mtodos estatsticos
nos ajudem a descobrir. Na verdade, analisar os dados apenas uma parte da Estatstica. A
outra parte, to importante quanto - se no mais - planejar os experimentos que
produziro os dados. Muita gente j descobriu, da forma mais dolorosa, que um descuido no
planejamento pode levar um experimento, feito com a melhor das intenes, a terminar em
resultados inteis, dos quais nem a anlise mais sofisticada consegue concluir nada. R. A.
Fisher, o criador de muitas das tcnicas que discutiremos, escreveu uma advertncia eloqente: "Chamar o especialista em estatstica depois que o experimento foi feito pode ser o
mesmo que pedir a ele para fazer um exame post-mortem. Talvez ele consiga dizer de que foi
que o experimento morreu."
Felizmente essa situao desagradvel pode ser evitada. Basta que voc planeje
cuidadosamente a realizao do seu experimento, em todos os detalhes e usando as ferramentas estatsticas apropriadas. Com essa precauo, alm de minimizar os custos operacionais, voc ter a garantia de que os resultados do experimento iro conter informaes
relevantes para a soluo do problema de partida. Com experimentos bem planejados, fica
muito fcil extrair concluses vlidas. A anlise dos resultados passa a ser trivial.
A recproca verdadeira. Um pesquisador que desconhea a metodologia do planejamento experimental corre o risco de chegar a concluses duvidosas. Pior ainda, pode acabar
uu:an:on as coisas funcionam normahnente
realizando experimentos que no levem a concluso alguma, duvidosa ou no, e cujo nico
resultado prtico seja o desperdcio de tempo e dinheiro.
Neste livro apresentaremos vrias tcnicas de planejamento e anlise que, com um
pouco de esforo, podem ser usadas por qualquer pesquisador no seu dia-a-dia. Para discutilas corretamente, precisamos de alguns conceitos de estatstica, todos baseados, em ltima
anlise, na famosa distribuio normal. por isso que resolvemos dar a este captulo o ttulo
que ele tem.
Existem vrios excelentes livros de estatstica, em todos os nveis de dificuldade,
desde o muito elementar at o muito avanado. Muitos so voltados para reas especficas cincias sociais, cincias humanas, cincias da sade e, claro, tambm cincias fsicas e
engenharia. Em geral eles tratam de muitos assuntos importantes do ponto de vista
puramente estatstico, mas no totalmente relevantes para o nosso estudo do planejamento
e da otimizao de experimentos. Como o nosso objetivo chegar o quanto antes s aplicaes prticas, vamos apresentar neste captulo somente os conceitos estatsticos essenciais
para o trabalho do engenheiro ou do pesquisador, seja no laboratrio ou no campo.
Por aborrecida que s vezes parea, a estatstica fundamental para que ns possamos planejar e realizar experimentos de forma eficiente. Para aproveitar todo o potencial
das tcnicas apresentadas no restante do livro, muito importante que voc tenha uma compreenso correta do contedo deste captulo.
2.1 Erros
Para obter dados experimentais confiveis, precisamos executar um procedimento bem definido, com detalhes operacionais que dependem da finalidade do experimento.
Imaginemos que nosso problema experimental seja determinar a concentrao de
cido actico numa amostra de vinagre. O procedimento tradicional para resolv-lo fazer
uma titulao cido-base. Seguindo o mtodo usual, precisamos
(a) preparar a soluo do padro primrio;
(b) us-la para padronizar a soluo de hidrxido de sdio de concentrao
apropriada;
(c) realizar a titulao propriamente dita.
Cada uma dessas etapas, por sua vez, envolver um certo nmero de operaes bsicas,
como pesagens, diluies e leituras de volume.
10
Determinaes como esta fazem parte da rotina dos laboratrios bromatolgicos, que
as usam para verificar se o vinagre est de acordo com o estabelecido pela legislao (4% de
cido actico, no mnimo).
Suponhamos que, ao titular duas amostras de procedncias diferentes, um analista
tenha encontrado 3,80% de cido actico para a amostra A e 4,20% para a amostra B. Isso
quer dizer que ele deve aceitar a segunda amostra, por estar acima do limite, e condenar a
primeira, por conter menos cido que o mnimo determinado por lei?
No sabemos, pelo menos por enquanto. No podemos dar uma resposta justa sem
ter uma estimativa da incerteza associada a esses valores, porque cada uma das operaes
de laboratrio envolvidas na titulao est sujeita a erros, e esses erros todos iro se juntar
para influenciar o resultado final - e portanto nossas concluses - numa extenso que ainda
no temos como avaliar. O resultado insatisfatrio pode no ser culpa da amostra, e sim das
variaes inerentes ao procedimento analtico. O mesmo se pode dizer do resultado aparentemente bom.
Digamos que neste exemplo os erros sejam de tal monta que no tenhamos condies
de obter um resultado final com preciso superior a 0,30%.1 Sendo assim, o verdadeiro valor da concentrao da primeira amostra pode estar entre 3,50% e 4,10%. O valor observado,
3,80%, seria apenas o ponto mdio desse intervalo. O resultado dessa nica titulao no
excluiria a possibilidade de o verdadeiro teor de cido estar acima de 4%, e portanto enquadrar-se na lei. Da mesma forma, a verdadeira concentrao da segunda amostra pode estar
abaixo de 4%. Sem uma indicao da incerteza experimental, os valores 3,80% e 4,20% podem levar a concluses - e talvez a atitudes, como a rejeio do lote de vinagre - no autorizadas pelos fatos.
2.1 (a) Tipos de erro

Todos sabemos que qualquer medida est sempre afetada por erros - so coisas da vida. Se
os erros forem insignificantes, timo. Se no forem, corremos o risco de fazer inferncias
incorretas a partir de nossos resultados experimentais, e possivelmente chegar a uma
resposta falsa para o nosso problema. Para evitar esse final infeliz, precisamos saber como
levar na devida conta os erros experimentais. Isso importante no s na anlise do resulta-
Calma, companheiros qumicos. Sabemos muito bem que esta uma preciso absurda para uma
anlise volumtrica que se preze. O exagero nos erros est sendo cometido no interesse da didtica.
11
do final, mas tambm - e principalmente - no prprio planejamento do experimento, como j

dissemos. No existe anlise que possa salvar um experimento mal planejado.
Suponhamos que na titulao do vinagre nosso qumico se distraia e se esquea de
acrescentar o indicador (fenolftalena, como sabemos, porque o ponto de equivalncia vai cair
em pH bsico). A conseqncia que a viragem no vai ocorrer nunca, no importa quanta
base seja adicionada. Isso evidentemente um erro dos grandes, que os estatsticos caridosamente chamam de grosseiro. Os responsveis pelo experimento costumam usar outros
adjetivos, que no ficam bem num livro de famlia.
A estatstica no se ocupa desses erros. Alis, ainda no foi inventada a cincia
capaz de trat-los. Num caso desses no h o que fazer, exceto aprender a lio e prestar
mais ateno ao que se faz, para no reincidir. Todos cometemos enganos. O experimentador
consciencioso deve fazer o possvel para comet-los cada vez menos.
Imaginemos agora que acabou o estoque de fenolftalena e o qumico decide usar
outro indicador que esteja disponvel. O vermelho de metila, por exemplo. Como a faixa de
viragem do vermelho de metila fica em pH abaixo de sete, o ponto final da titulao vai
ocorrer antes que todo o cido actico tenha sido neutralizado, e com isso o vinagre parecer
ter uma concentrao inferior verdadeira. Se vrias amostras forem tituladas dessa maneira, em todas elas o valor encontrado para a concentrao de cido actico ser inferior ao
valor real, por causa da viragem prematura. Nosso qumico estar cometendo agora somente
erros sistemticos, isto , erros que afetam o resultado sempre na mesma direo, seja para
mais, seja para menos. Usando vermelho de metila ao invs de fenolftalena, sempre obteremos uma concentrao de cido menor que a verdadeira, nunca maior.
fcil imaginar outras fontes de erros sistemticos: o padro primrio pode estar
adulterado, a balana pode estar descalibrada, a pipeta pode ter sido aferida erroneamente,
quem est titulando pode olhar o menisco de um ngulo incorreto, e assim por diante. Cada
um desses fatores exercer individualmente sua influncia sobre o resultado final, fazendo-o
tender para uma certa direo.
Com um pequeno esforo, os erros sistemticos tambm podem ser evitados. Uma
vez que todos os instrumentos estejam funcionando perfeitamente, s seguir risca o procedimento estipulado. Por exemplo, se para voc usar fenolftalena, use fenolftalena mesmo, e ponto final.
Depois de certificar-se de que todos os erros sistemticos foram eliminados, e alm
disso prestando muita ateno no procedimento, nosso persistente qumico decide titular
duas amostras retiradas do mesmo lote de vinagre. Como tudo no processo agora est sob
12
controle, natural esperar que as duas titulaes produzam o mesmo resultado, j que se
trata do mesmo vinagre. Ao comparar os dois valores encontrados, porm, o qumico verifica
que, apesar de bem parecidos, eles no so idnticos. Isso s pode significar que nem tudo
estava realmente controlado. Alguma fonte de erro, ainda que aparentemente pequena,
continua afetando os resultados.
Para investigar esses erros, o qumico resolve ento fazer vrias titulaes em
outras amostras retiradas do mesmo lote. Os resultados obtidos em 20 titulaes so mostrados na Tabela 2.1 e tambm na Figura 2.1.
Examinando os resultados das vinte titulaes repetidas, percebemos que:
Os valores obtidos flutuam, mas tendem a concentrar-se em torno de um certo valor intermedirio.
A flutuao em torno do valor central ocorre aparentemente ao acaso. Sabendo que determinada titulao resultou num valor abaixo da mdia, por exemplo, no conseguimos
prever em que direo se deslocar o valor da prxima titulao, nem de quanto ser o
seu desvio em relao mdia.
Parece que a amostra est mesmo fora da especificao, j que a maioria dos valores
determinados est abaixo de 4%.
Tabela 2.1 Resultados de vinte titulaes feitas no mesmo lote de vinagre.

Titulao n Q
Concentrao (%)
Titulao n Q
Concentrao (%)
3,91
11
3,96
4,01
12
3,85
3,61
13
3,67
3,83
14
3,83
3,75
15
3,77
3,91
16
3,51
3,82
17
3,85
3,70
18
4,04
3,50
19
3,74
10
3,77
20
3,97
13
OUiZU1~dO
as coisas funcionam normairnente
Situaes como esta so corriqueiras nas mais variadas determinaes experimentais. Por mais que a gente tente controlar todas as variveis, algumas fontes de erro sempre
terminam permanecendo. Alm disso, esses erros, que em geral so pequenos, se manifestam de forma aparentemente aleatria, como na segunda concluso acima. Ora alteram o resultado para mais, ora para menos, mas o seu efeito parece se dar ao acaso.
Consideremos a titulao. Mesmo que o procedimento experimental seja rigorosamente obedecido e todas as operaes sejam feitas com todo o cuidado, sempre existiro flutuaes imprevisveis. Uma pequena variao no ngulo de leitura da bureta, uma gotinha
que fica na pipeta, uma tonalidade diferente na viragem, e l vai o resultado se modificar.
Como no conseguimos controlar essas variaes, no podemos saber em que direo o resultado ser alterado. Atuando em conjunto, essas perturbaes provocaro erros que parecem
devidos ao acaso, e por isso so chamados de aleatrios.
4,1
r.
4,0
~
o
()
3,9
3,8
lct'S
<>
'E
3,7
Q)
O
0
()
3,6
()
3,5
3,4
10
15
20
Titulao n-
Figura 2.1 Resultados de vinte titulaes feitas na mesma amostra de

vinagre.
Basta refletir um pouco para ver que impossvel controlar rigidamente todos os
fatores envolvidos num experimento, por mais simples que seja. Conseqentemente, qualquer determinao experimental estar afetada, em maior ou menor grau, por erros aleatrios. Se queremos chegar a concluses sensatas, esses erros precisam ser levados em conta.
por isso, entre outros motivos, que precisamos de estatstica. 2
Erro, neste terceiro sentido, no deve ser entendido como um termo pejorativo, e sim como uma
caracterstica com a qual teremos de conviver.
14
Exerccio 2.1
Pense num experimento simples e procure identificar alguns dos fatores que impedem o seu
resultado de ser obtido rigorosamente sem erro.
2.2 Populaes, amostras e distribuies

o primeiro passo para tratar estatisticamente os erros aleatrios admitir alguma hiptese
sobre sua distribuio. O mais comum, quando se trata de medies, supor que a distribuio dos erros gaussiana ou, como tambm chamada, normal. Nesta seo vamos
discutir em termos prticos essa hiptese e suas importantes conseqncias, partindo do
seguinte problema:
Com quantos gros se faz uma feijoada?
Evidentemente a resposta depende, entre outras coisas, do tamanho da feijoada.

Vamos admitir, de sada, que a nossa receita leva um quilo de feijo. Assim o problema se
transforma em descobrir quantos caroos existem nessa quantidade da leguminosa.
Uma possvel soluo seria contar todos os caroos, um por um. Ela ser descartada
desde j, porque estamos interessados numa abordagem estatstica da questo. Adotaremos
uma soluo alternativa, que descobrir primeiro quanto pesa um caroo, e em seguida
dividir 1.000 g por esse valor. O resultado da diviso dar o nmero de caroos contidos em
um quilo.
Exerccio 2.2
Tente adivinhar quantos caroos existem em um quilo de feijo preto. bvio que este no o
mtodo recomendado para resolver nosso problema (a no ser que voc tenha poderes
parapsicolgicos), mas seu palpite servir para um teste estatstico, mais adiante.
Pesando numa balana analtica um caroo retirado ao acaso de um pacote de feijo

preto, os autores obtiveram o valor 0,1188 g. Pesando um segundo caroo, tambm escolhido
ao acaso, encontraram 0,2673 g. Se todos os caroos fossem iguais ao primeiro, haveria 1.000
g/0,1188 g, ou cerca de 8.418 caroos no quilo de feijo. Se fossem como o segundo, esse nmero cairia para 3.741. Qual desses valores a resposta que procuramos?
Em princpio, nenhum dos dois. Como o peso varia de um caroo para outro, no devemos usar pesos individuais nas nossas contas, e sim o peso mdio do conjunto de todos os
caroos. Para obter o peso mdio, s dividir o peso total do pacote de feijo (1 kg) pelo nmero de caroos que ele contm. Infelizmente isso nos traz de volta estaca zero: para des-
15
UUian:QO as coisas fl.HlCionam normahrH:~nte
cobrir, com esse mtodo, quantos caroos existem em um quilo de feijo, precisamos saber
primeiro... quantos caroos existem em um quilo de feijo.
Se todos os caroos fossem idnticos, o peso mdio seria igual ao peso de um caroo
qualquer. Era s pesar um deles que a questo estaria resolvida. O problema que, como
vimos, o peso varia de caroo para caroo. Mais que isso, varia - vejam s - de modo imprevisvel. Quem poderia adivinhar que, tendo retirado do pacote um caroo com 0,1188 g, a
gente iria encontrar logo depois um outro pesando exatamente 0,2673 g?
Apesar de no sabermos prever qual ser o peso de um caroo extrado ao acaso,
podemos usar o bom senso para estabelecer alguns limites. Por exemplo: o peso no pode ser
inferior a zero, e evidentemente deve ser muito menor que um quilo. Tambm no deve
flutuar muito. Existem caroos maiores e caroos menores, mas s olhar para um pacote de
feijo para ver que a maioria tem mais ou menos o mesmo tamanho. Ou seja, estamos numa
situao parecida com a da titulao. Os valores individuais flutuam, mas flutuam em torno de
um certo valor central. Agora, porm, a variao se deve ao elemento de acaso presente na
escolha dos caroos, e no mais a problemas de medio ou instrumentao.
O conjunto de todos os valores possveis numa dada situao o que se chama em
estatstica de populao. O alvo de qualquer investigao experimental sempre uma
populao. Nosso objetivo, ao coletar e analisar os dados, chegar a concluses sobre ela.
importante definir claramente, em qualquer caso, qual a populao de que

estamos falando. Muitas vezes, por incrvel que parea, nem isto est suficientemente claro
para o pesquisador, que corre ento o risco de estender suas concluses a sistemas mais
amplos do que os realmente estudados pelo experimento. Na nossa abordagem "gravimtrica" do problema dos feijes, por exemplo, a populao o conjunto dos pesos individuais de
todos os caroos do pacote. A resposta que procuramos se refere ao pacote como um todo,
mesmo que os caroos no sejam investigados um por um. E, a menos que a gente introduza
alguma hiptese a mais (como, por exemplo, que o pacote representativo de toda uma colheita), se refere a esse pacote em particular, e s a ele.
Pesando individualmente todos os caroos no pacote, teramos a distribuio exata
dos pesos na populao. Poderamos ento calcular a verdadeira mdia populacional, que seria o peso mdio, correto, de um caroo no pacote. No entanto, se j descartamos a idia de
contar todos os caroos, porque agora iramos pes-los? Evidentemente a soluo no vir
por a.
Ao invs de nos preocuparmos com a verdadeira mdia, que s poderamos descobrir
examinando todos os caroos, tentaremos nos contentar com uma estimativa, calculada a
16
Catutuh12
partir de apenas alguns deles, isto , a partir de uma amostra da populao. Se a amostra
for suficientemente representativa, a mdia amostraI dever ser uma boa aproximao da
mdia populacional, e poderemos us-la para concluir alguma coisa sobre a populao.
Populao: Qualquer coleo de indivduos ou valores, finita ou infinita.
Amostra: Uma parte da populao, normalmente selecionada com o
objetivo de se fazer inferncias sobre a populao.
Exerccio 2.3
No exemplo dos feijes a populao finita: o nmero total de caroos pode ser grande, mas
limitado. O conjunto de todas as concentraes que podem em princpio ser obtidas na
titulao de uma dada amostra constitui uma populao finita ou infinita? (Note a expresso
"em princpio". Imagine que possvel fazer quantas titulaes voc quiser, sem correr o risco
de esgotar os estoques da amostra e dos reagentes.)
Para que a amostra seja uma representao realista, no tendenciosa, da populao

completa, necessrio que seus elementos sejam escolhidos de forma rigorosamente
aleatria. No caso dos feijes, por exemplo, preciso que a chance de um caroo ser pesado
seja exatamente a mesma para todos eles. Depois de escolher um caroo ao acaso e pes-lo,
devemos coloc-lo de volta no pacote e mistur-lo aos outros, para que volte a ter uma
chance igual deles de ser escolhido. Se no tomarmos essa precauo, a populao se modifica medida que os caroos so retirados e a amostra no poder mais representar de forma
fidedigna a populao original. Esta condio muito importante na prtica, porque as
inferncias estatsticas sempre supem que as amostras so representativas da populao.
Por isso, ao realizar um experimento, devemos sempre tomar cuidado para coletar os dados
de modo que a hiptese de aleatoriedade seja, se no rigorosamente, pelo menos aproximadamente obedecida.
,.
Amostra representativa: Apresenta as caractersticas relevantes da populao
na mesma proporo em que elas ocorrem na prpria populao.
:.
Amostra aleatria: Amostra de N valores ou indivduos obtida de tal forma que
todos os possveis conjuntos de N valores na populao tenham

a mesma chance de ser escolhidos.
17
as coisas flH1cionam
norma~mente
2.2 (a) Como descrever as caractersticas da amostra

A Tabela 2.2 mostra os pesos individuais de 140 caroos retirados aleatoriamente de um
pacote contendo um quilo de feijo preto. Examinando com ateno esses dados, podemos
confirmar nossa expectativa de uma flutuao mais ou menos restrita. O maior valor observado 0,3043 g (quinto valor na penltima coluna), o menor 0,1188 g (o primeiro de todos),
e a maioria dos caroos parece ter um peso ao redor de 0,20 g.
Tabela 2.2 Pesos de caroos extrados aleatoriamente de um pacote de 1 kg de feijo preto

(em gramas).
0,1188
0,2673
0,1795
0,2369
0,1826
0,1860
0,2045
0,1795
0,1910
0,1409
0,1733
0,2146
0,1965
0,2326
0,2382
0,2091
0,2660
0,2126
0,2048
0,2058
0,1666
0,2505
0,1823
0,1590
0,1722
0,1462
0,1985
0,1769
0,1810
0,2126
0,1596
0,2504
0,2285
0,3043
0,1683
0,2833
0,2380
0,1930
0,1980
0,1402
0,2060
0,2097
0,2309
0,2458
0,1496
0,1865
0,2087
0,2335
0,2173
0,1746
0,1677
0,2456
0,1828
0,1663
0,1971
0,2341
0,2327
0,2137
0,1793
0,2423
0,2012
0,1968
0,2433
0,2311
0,1902
0,1970
0,1644
0,1935
0,1421
0,1202
0,2459
0,2098
0,1817
0,1736
0,2296
0,2200
0,2025
0,1996
0,1995
0,1732
0,1987
0,2482
0,1708
0,2465
0,2096
0,2054
0,1561
0,1766
0,2620
0,1642
0,2507
0,1814
0,1340
0,2051
0,2455
0,2008
0,1740
0,2089
0,2595
0,1470
0,2674
0,1701
0,2055
0,2215
0,2080
0,1848
0,2184
0,2254
0,1573
0,1696
0,2262
0,1950
0,1965
0,1773
0,1340
0,2237
0,1996
0,1463
0,1917
0,2593
0,1799
0,2585
0,2153
0,2365
0,1629
0,1875
0,2657
0,2666
0,2535
0,1874
0,1869
0,2266
0,2143
0,1399
0,2790
0,1988
0,1904
0,1911
0,2186
0,1606
18
Fica mais fcil interpretar os dados se dividirmos a faixa total dos pesos em intervalos menores e contarmos os caroos situados dentro de cada intervalo. Com os valores
extremos que observamos, a faixa 0,10-0,32 g suficiente para acomodar todos os valores da
Tabela 2.2. Dividindo-a em intervalos de largura igual a 0,02 g e atribuindo cada peso
medido ao intervalo apropriado, obtemos os resultados que aparecem na Tabela 2.3. Percorrendo a coluna do meio, verificamos imediatamente que os intervalos ao redor de 0,20 g so
mesmo os que contm mais caroos.
Dividindo o nmero de caroos em um certo intervalo pelo nmero total de caroos
pesados, obtemos a freqncia relativa correspondente a esse intervalo. No intervalo 0,26 0,28 g, por exemplo, foram observados sete caroos, de um total de 140. A freqncia relativa
portanto 7
140, ou 0,050. Isso significa que 5% dos pesos medidos ficaram entre 0,26 e
0,28 g.
Tabela 2.3 Distribuio dos pesos de 140 caroos extrados aleatoriamente de um pacote de
1 kg de feijo preto.
Intervalo (g)
N de caroos
Freqncia(*)
0,10 - 0,12
0,007
0,12 - 0,14
0,029
0,14 - 0,16
11
0,079
0,16 - 0,18
24
0,171
0,18 - 0,20
32
0,229
0,20 - 0,22
27
0,193
0,22 - 0,24
17
0,121
0,24 - 0,26
15
0,107
0,26 - 0,28
0,050
0,28 - 0,30
0,007
0,30 - 0,32
0,007
Total
140
1,000
(*) Nmero de caroos no intervalo dividido pelo nmero total de caroos, 140.
19
vuanoo as coisas
func~onam norma~mente
As freqncias calculadas para todos os onze intervalos aparecem na ltima coluna

da Tabela 2.3. prefervel analisar a distribuio dos pesos dos caroos em termos de freqncias, porque as distribuies estatsticas tericas so distribuies de freqncias, no
de nmeros absolutos de observaes. Conhecendo as freqncias, podemos determinar as
probabilidades de que certos valores de interesse venham a ser observados. Com essas probabilidades podemos ento testar hipteses sobre a populao, como veremos logo mais.
Exerccio 2.4
Use os dados da Tabela 2.3 para confirmar que 54,3% dos caroos observados tm peso entre
0,18 g e 0,24 g.
Qualquer conjunto de dados fica mais fcil de analisar se for representado graficamente. No grfico tradicional para uma distribuio de freqncias, cada intervalo representado por um retngulo, cuja base coincide com a largura do prprio intervalo e cuja rea
idntica, ou pelo menos proporcional, sua freqncia. A figura geomtrica obtida dessa
forma chamada de histograma Como a soma de todas as freqncias tem de ser igual a um
(isto , a soma de todas as percentagens tem de dar 100%), a rea total do histograma tambm igual a um, quando a rea de cada retngulo for igual freqncia do intervalo correspondente. A Figura 2.2 mostra um histograma das freqncias da Tabela 2.3. Para
0.28
0.24
0.20
tU
'u
c
0.16
cO)
:::J
oO)
Li:
0.12
0.08
0.04 .
0.00
0,11
0,15
0,19
0,23
0,27
0,31
Peso (g)
Figura 2.2 Histograma dos pesos de 140 caroos extrados aleatoriamente de um

pacote de 1 kg de feijo preto. O significado dos smbolos explicado no texto.
20
facilitar a comparao com os dados da tabela, fizemos a altura de cada retngulo, e no a

sua rea, igual freqncia do intervalo. Isso no altera o aspecto geral do histograma, j
que as bases dos retngulos so todas iguais.
As vantagens da representao grfica so evidentes. A concentrao dos pesos
dos caroos em torno do valor 0,20 g percebida imediatamente, assim como o escasseamento progressivo dos dados medida que nos afastamos desse valor, em ambas as direes. Tambm podemos notar uma simetria na distribuio: a parte que fica direita da
regio central mais ou menos a imagem especular da parte que fica esquerda. Essa
caracterstica seria muito difcil de perceber se a representao dos dados se limitasse
Tabela 2.2.
Fica portanto o conselho: quando temos um conjunto de dados para analisar, desenhar um grfico uma das primeiras coisas que devemos fazer. Esta uma regra geral da
estatstica, equivalente ao velho ditado que diz que uma imagem vale mil palavras.
Exerccio 2.5
Construa um histograma para os dados da Tabela 2.1. A literatura em geral recomenda

que o nmero de barras seja aproximadamente igual raiz quadrada do nmero total
de observaes. Como a tabela tem 20 valores, seu histograma deve ter 4 ou 5 barras.
Prefira cinco, que um nmero mpar, e lhe permitir enxergar melhor possveis
simetrias.
histograma da Figura 2.2 uma representao grfica de todos os 140 valores
numricos da nossa amostra. Suas caractersticas bsicas so
a localizao do conjunto de observaes numa certa regio do eixo horizontal;
sua disperso, ou espalhamento, ao longo dessa regio.

Estas caractersticas podem ser representadas numericamente, de forma abreviada,
por vrias grandezas estatsticas. As mais usadas nas cincias fsicas, onde as variveis normalmente assumem valores numa faixa contnua, so a mdia aritmtica e o desvio padro,
respectivamente.
A mdia aritmtim de um conjunto de dados, que uma medida da sua localizao,
ou tendncia central, simplesmente a soma de todos os valores, dividida pelo nmero total
de elementos no conjunto. Este o conceito de mdia que utilizaremos neste livro. Daqui em
diante nos referiremos a ele empregando apenas o termo "mdia", ficando o adjetivo "aritmtica" subentendido.
21
QuandO as coisas funcionam
norma~mente
valor mdio numa amostra costuma ser indicado por uma barra colocada
sobre o smbolo que representa os elementos da amostra. Se usarmos o smbolo x para
x,
Com esse valor3 podemos estimar que o quilo de feijo contm cerca de 1.000 g
representar o peso de um caroo, a mdia no nosso exemplo ser representada por

dada por
x=
_1_ (0,1188 + 0,2673 + ... + 0,1606 )

140
= 0,2024 g.
0,2024 g/caroo
= 4.940
caroos. Essa estimativa, no entanto, foi obtida a partir da obser-
vao de apenas 140 caroos, isto , menos de 3% do total, supondo-se que haja mesmo cerca
de 5.000 caroos no pacote. Por isso, no deve corresponder ao valor exato. Trata-se apenas
de uma mdia amostrai, e no da mdia populacional. Veremos adiante como proceder para
estimar sua incerteza.
MdiaAmostraJ:
1
X = -
(2.1)
LXi
i=l
= i - simo valor
N = Nmero total de
Xi
valores na amostra
Para obter nossa medida do espalhamento das observaes em torno da mdia, que
o desvio padro, primeiro calculamos a diferena, ou desvio, de cada valor individual em relao mdia amostraI:
Em seguida somamos os quadrados de todos os desvios e dividimos o total por N - 1. O

resultado dessas operaes a varincia do conjunto de observaes, representada pelo smbolo
3 O costume calcular a mdia com uma casa decimal a mais que os dados originais. No nosso
exemplo, com quatro algarismos significativos, isso no tem importncia prtica.
22
Varincia anwstral:
1- ~
2
1 ~(
-)2
V(X) =8 2 = ~di = - - k..J Xi- X
N -1
i=l
N -1
(2.2)
i=l
Xi = i - simo valor
= Nmero
total de valores na amostra
x = Mdia amostraI
Note que a varincia uma espcie de mdia dos quadrados dos desvios, s que o
denominador no o nmero total de observaes, N, e sim N -1. Para entender a razo
dessa mudana, devemos lembrar que as observaes originais, obtidas por amostragem
aleatria, eram todas independentes. Mesmo conhecendo os pesos de todos os 139 primeiros
caroos, no teramos como prever exatamente qual seria o peso do prximo caroo, o 140.
Usando a linguagem da Estatstica, dizemos que esse conjunto tem 140 graus de liberdade.
um grupo de 140 valores totalmente independentes, em que um valor individual qualquer
no depende dos valores restantes.

Com os desvios a situao um pouco diferente. Vejamos o que acontece quando
somamos os valores de todos eles (os somatrios todos so feitos de i = 1 at i = N ):
Ldi = L(xi
i
i
-x)=
LXi - LX = LXi
i
i
i
Lembrando que a mdia definida por fi
=~
N
somatrio
-Nx.
Xi ,
podemos substituir o termo N fi pelo
i=l
L Xi , e portanto
i
(2.3)
Ou seja: os 140 desvios no so todos independentes. Se conhecermos 139 deles, o valor

que falta estar automaticamente determinado: aquele que torna o total igual a zero.
A restrio expressada pela Equao 2.3, que vem do clculo da mdia, retira um grau
de liberdade do conjunto de desvios. J que, dos N desvios, s N -1 podem flutuar
aleatoriamente, natural que o denominador na definio da varincia seja N -1, e
no N.
O conceito de grau de liberdade muito importante. Mais tarde veremos exemplos
em que vrias restries como esta so impostas a um determinado conjunto de valores. Se
houver p restries diferentes, o nmero de graus de liberdade se reduzir de N, o total de
23
elementos do conjunto, para v = N - p. Esse ltimo valor que ser usado como denominador, numa mdia quadrtim semelhante Equao 2.2.
x = 0,2024 g, a varincia , de acordo com a Equao 2.2,
Em nossa amostra, onde

S
2 = _1_ [(0,1188 _ 0,2024)2 + (0,2673 _ 0,2024)2

139
+ ... + (0,1606 -0,2024)2]
== 0,0132g
Enquanto a mdia tem as mesmas unidades que as observaes originais, as unidades da

varincia so, pela prpria definio, o quadrado das unidades de partida. Para que as
medidas de disperso e de posio tenham as mesmas unidades, costumamos substituir a
varincia pela sua raiz quadrada, que chamada de desvio padro. No nosso exemplo, o
desvio padro
= ~(O,00132 g2 ) = 0,0363 g .
Desvio padro amostraI:

~~~-~---'~~~~1
S2
~ ~.::: ~~.:.:
..:
= Varincia das
(2.4)
1
observaes na amostra
Exerccio 2.6
Calcule a mdia e o desvio padro dos dez primeiros valores da Tabela 2.2 (de 0,1188 g at
0,1409 g).
o desvio padro geralmente usado para definir intervalos em torno da mdia 4 .

Em nossa amostra de 140 caroos, por exemplo, os limites do intervalo definido por um
desvio padro em torno da mdia so 0,2024 0,0363, ou 0,1661 g e 0,2387 g. A regio
compreendida entre esses dois valores (Figura 2.2) corresponde a 66,6% da rea total
do histograma, o que significa que nela caem dois teros de todos os pesos observados.
J a regio definida por dois desvios padro tem como limites 0,1298 g e 0,2750 g, e
contm 96,8% da rea total. Dentro de certas suposies, que discutiremos adiante,
4 O desvio padro costuma ser calculado com duas casas decimais a mais que os dados de partida.
Aqui tambm no estamos nos importando com esse detalhe.
24
esses intervalos amostrais podem ser utilizados para testar hipteses a respeito da
populao.
Estas contas por extenso foram feitas a bem da didtica. Voc no deve preocupar-se
com a perspectiva de calcular somatrios interminveis para poder determinar mdias e
desvios padro. Qualquer calculadora cientfica j vem da fbrica programada para realizar
todas as operaes necessrias. Alm disso, existem vrios programas para microcomputadores, de fcil acesso, capazes de realizar no s estes como muitos outros clculos estatsticos.
Quanto mais cedo voc aprender a usar um desses programas, melhor. A estatstica lhe
parecer bem mais leve.
Exerccio 2.7
Calcule a mdia e o desvio padro do conjunto de valores da Tabela 2.1 e determine os limites
do intervalo.definido por dois desvios padro em torno da mdia. Compare com o intervalo de
confiana dado no texto para os valores da titulao.
Os valores
x = 0,2024
ge
= 0,0363
g foram obtidos a partir dos 140 pesos indi-
viduais e portanto representam a amostra: so estimativas amostrais. Os valores que nos

interessam, porm, so os parmetros populacionais. Queremos saber quantos caroos
existem em todo o quilo de feijo, no numa pequena amostra.
Os estatsticos costumam empregar smbolos latinos para representar valores amostrais, reservando o alfabeto grego para os parmetros populacionais. Seguindo essa conveno, vamos representar a mdia e o desvio padro populacionais do nosso exemplo pelas
letras gregas J.1 e
0',
respectivamente. O que podemos inferir a respeito desses valores, dis-
pondo apenas dos valores amostrais
e 8?
2.3 A distribuio normal

Suponhamos que os caroos cujos pesos aparecem na Tabela 2.2 sejam separados do resto
do pacote, e passem a ser tratados como uma minipopulao de 140 elementos. J vimos,
na Tabela 2.3, que 5% desses elementos pesam entre 0,26 g e 0,28 g. Isso nos permite
dizer que a probabilidade de retirarmos aleatoriamente um caroo com o peso na faixa
0,26 - 0,28 g exatamente 5%. Temos condies de fazer essa afirmao porque conhecemos a distribuio exata das freqncias dos pesos nessa pequena populao. Poderamos fazer o mesmo com um caroo retirado ao acaso do pacote de um quilo, ou seja, da prpria populao original, se conhecssemos exatamente a distribuio populacional, e no
25
UUiH1:00
as
co~sas
funcionam normzdrnente
somente a amostraI. Infelizmente, para isso seria necessrio pesar todos os caroos, um
por um.
Imagine agora que tivssemos nossa disposio um modelo que fosse adequado
para a distribuio dos pesos de todos os caroos do pacote. Nesse caso, no precisaramos
mais pesar cada caroo para fazer inferncias sobre a populao. Poderamos tirar nossas
concluses do prprio modelo, sem ter de fazer nenhum esforo experimental a mais.
Esta idia - usar um modelo para representar uma dada populao - o tema
central deste livro. Ela estar presente, implcita ou explicitamente, em todas as tcnicas
estatsticas que vamos discutir. Mesmo que em certos casos a gente no diga expressamente
qual o modelo adotado, pelo contexto voc saber do que estamos falando. claro que nossas
inferncias a respeito da populao s podero estar corretas se o modelo escolhido for
vlido. Em qualquer situao, porm, o procedimento que devemos seguir ser sempre o
mesmo:
Postular um modelo para representar os dados extrados da populao na qual estamos

interessados;
Verificar se essa representao satisfatria;
Nesse caso, tirar as concluses apropriadas; caso contrrio, trocar de modelo e tentar
novamente.
Um dos modelos estatsticos mais importantes - talvez o mais importante - a
distribuio normal (ou gaussiana), que o famoso matemtico Karl F. Gauss props no incio
do sculo XIX, para calcular probabilidades de ocorrncia de erros em medies. Tantos
foram - e continuam sendo - os conjuntos de dados que podem ser bem representados pela
distribuio normal, que ela passou a ser considerada o comportamento natural de qualquer
tipo de erro experimental: da o adjetivo normal. Se alguma vez se constatasse que a
distribuio dos erros no seguia uma gaussiana, a culpa era jogada na coleta dos dados.
Depois ficou claro que existem muitas situaes experimentais em que a distribuio normal de fato no " vlida, mas ela permanece sendo um dos modelos fundamentais da
estatstica.
Muitos dos resultados que apresentaremos daqui em diante s so rigorosamente
vlidos quando os dados obedecem distribuio normal. Na prtica, isto no uma restrio muito sria, porque quase todos os testes que veremos continuam eficientes na presena de desvios moderados da normalidade.
26
2.3 (a) Como calcular probabilidades de ocorrncia

Uma distribuio estatstica uma funo que descreve o comportamento de uma varivel
aleatria. Uma varivel aleatria uma grandeza que pode assumir qualquer valor dentro
do conjunto de valores possveis para o sistema a que ela se refere, s que cada valor desses
tem uma certa probabilidade de ocorrncia, governada por uma determinada distribuio de
probabilidades. Se tivermos como descobrir ou estimar qual essa distribuio, poderemos
calcular a probabilidade de ocorrncia de qualquer valor de interesse. Ou seja: teremos uma
modesta bola de cristal estatstica, que poderemos usar para fazer previses. Logo mais
veremos como fazer isso com a distribuio normal.
A distribuio normal uma distribuio oontnua, isto , uma distribuio em que a
varivel pode assumir qualquer valor dentro de um intervalo previamente definido. Para
uma varivel normalmente distribuda, o intervalo (-00 +00), o que significa que ela pode
assumir, pelo menos em princpio, qualquer valor real.
Uma distribuio contnua da varivel x definida pela sua densidade de
probabilidade
f(x), que uma expresso matemtica contendo um certo nmero de
parmetros. Na distribuio normal os parmetros so, por definio, apenas dois: a mdia e
a varincia populacionais (Equao 2.5).
Para indicar que uma varivel aleatria x se distribui normalmente, com mdia J1 e
varincia
(J"2,
empregaremos a notao x ::: N (JI, (J"2 ), onde o sinal ::: pode ser lido como
"distribui-se de acordo com". Se x tiver mdia zero e varincia igual a um, por exemplo,
escreveremos x ~ N
(0,1). Nesse caso, diremos tambm que x segue a distribuio normal
padro (ou padronizada).
Distribuio lrormal:
f(x ) dx -
r:::-
-(x-J1f
-e 20" 2 dx
(2.5)
a...;2n
f(x ) = Densidade de probabilidade da varivel aleatria x

J.1 = Mdia populacional
a 2 = Varincia populacional
27
Quando as coisas funcJonam
norma~mente
A Figura 2.3 mostra a famosa curva em forma de sino que o grfico da densidade
de probabilidade de uma distribuio normal padro,
f(x)= -
_x 2
(2.5a)
Note que a curva perfeitamente simtrica em torno do ponto central, que a

mdia J..l (aqui, igual a zero). O valor da densidade mximo sobre a mdia, e cai
rapidamente quando nos afastamos dela, em ambas as direes. A trs desvios padro
de distncia da mdia, a densidade de probabilidade praticamente reduz-se a zero.
So caractersticas parecidas com as que vimos no histograma dos 140 caroos, na
Figura 2.2.
O produto f(x )dx , por definio, a probabilidade de ocorrncia de um valor da
varivel aleatria no intervalo de largura dx em torno do ponto x. Em termos prticos, isso
significa que, ao extrairmos aleatoriamente da populao um valor de x, as chances de que
esse valor esteja no intervalo de largura infinitesimal que vai de x a x + dx so dadas por
f(x )dx . Para obter probabilidades correspondentes a intervalos finitos, que so os nicos
com sentido fsico, temos de integrar a densidade de probabilidade entre os limites
apropriados. A integral a rea sob a curva f(xJ entre esses limites, o que equivale a dizer
que a Figura 2.3 tambm um histograma. Como a varivel aleatria agora contnua, as
probabilidades passam a ser calculadas por integrais, e no mais por somatrios. Essa
formulao terica torna automaticamente nula a
probabilidade de se observar
exatamente (no sentido matemtico do termo) um determinado valor, j que isso

corresponderia a fazer dx igual a zero. Para uma distribuio contnua, portanto, no faz
diferena se o intervalo de que estamos falando aberto ou fechado. A probabilidade de
que a ::::; x ::::; b igual probabilidade de que a < x < b:
b
P(a < x < b) = P(a : : ; x : : ; b)
= f f( xJdx
a
= Probabilidade de que o valor da varivel aleatria de densidade de
probabilidade f(xJ seja observado no intervalo [a, b].
28
0,6
0,5
0,4
~ 0,3
~
0,2
0,1
0,0
-4
-3
-2
-1
Figura 2.3 Distribuio de freqncias de uma varivel aleatria x ~ N(O, 1).

Note que x o afastamento em relao mdia (que zero), em nmero de
desvios padro.
Como vemos na Figura 2.3, a maior parte da rea sob uma gaussiana est contida no
intervalo definido por um desvio padro em torno da mdia, e praticamente toda ela est
situada entre J1 - 30' e J1 + 3a . Para obter os valores numricos correspondentes a esses
fatos, integramos, entre os limites apropriados, a expresso de f(x) dada pela Equao 2.5:
ji+a
P(u - a < x < J1 + a) =
f f( x )dx
= 0,6826 (isto , 68,26%);
ji-a
ji +3a
P(u - 3a < x < J1 + 3a)
f f( x)dx
= 0,9973 (99,73%).
ji-3a
Calculando integrais semelhantes, podemos obter as probabilidades correspondentes a

quaisquer limites de interesse. Na prtica, felizmente, no precisamos calcular integral
nenhuma, porque podemos consultar na Tabela A.l (pgina 392) os valores das integrais
para vrios intervalos de uma varivel z ~ N
(O, 1 ). Apesar de corresponderem
distribuio padro, com mdia zero e varincia um, esses valores podem ser usados para
fazermos inferncias a respeito de qualquer distribuio normal.
Para explicar como se utiliza a Tabela A.l, precisamos introduzir o conceito de padro~o. Por definio, padronizar uma varivel aleatria x de mdia J1 e varincia
a 2 cons-
truir a partir dela uma nova varivel aleatria z, cujos valores so obtidos subtraindo-se de
cada valor de x a mdia populacional e dividindo-se o resultado pelo desvio padro:
29
Varivel1Wrmal padronizada:
x-J.1
a
(2.6)
x = Varivel aleatria com distribuio Neu, (j2)

z
= Varivel aleatria com distribuio N(O,l)
Para dar um exemplo, vamos admitir que o peso de um caroo de feijo se distribua
normalmente, com J.1 = 0,2024 g e a = 0,0363 g. Com isto estamos fazendo duas suposies
questionveis:
Que os pesos seguem uma distribuio normal;
Que os parmetros populacionais so iguais aos valores que calculamos para a amostra.
Na verdade, estamos tentando descrever os dados experimentais com nosso primeiro modelo.
Chegar a hora de nos perguntarmos se ele adequado. Por enquanto, vamos admitir que
sim.
o peso padronizado ser simplesmente, de acordo com a Equao 2.6,

x - 0,2024g
0,0363g
z =-----
onde x o peso de um caroo. Como o numerador e o denominador tm as mesmas unidades,
z adimensional.
o valor numrico de z
representa o afastamento do valor de x em relao mdia
populacional J.1, medido em desvios padro, o que fica claro quando reescrevemos a Equao
2.6 como x = J.1 + za . Fazendo z = - 2 , por exemplo, temos x
= J.l. - 2a , ou seja, o valor de
x est dois desvios padro abaixo da mdia. No nosso exemplo, o peso do caroo
correspondente a z = - 2 seria x
= 0,2024g - 2 x 0,0363g = 0,1298 g .
Exerccio 2.8
Use os resultados do Exerccio 2.7 para padronizar (no sentido estatstico que acabamos de
ver) o resultado de uma titulao. Que concentrao seria obtida numa titulao cujo
resultado estivesse 2,5 desvios padro acima da mdia?
o efeito da padronizao torna-se evidente quando
utilizamos a definio de varivel
padronizada para substituir x por z, na expresso geral da distribuio normal. Da Equao

30
2.6 temos x = J.1 + z(J , como j vimos, e conseqentemente dx = (J dz . Substituindo estas

duas expresses na Equao 2.5, temos
f(x )dx
-(/l+za-/lf
2(}"2
a dz
(Jv2n
Com a eliminao de J.1 e (J , essa expresso se reduz a
f(z )dz
r;;- e
'\j2n
_Z2
dz ,
onde escrevemos f(z )dz do lado esquerdo, porque a expresso agora uma funo de z, e no
de x. A equao ficou idntica Equao 2.5a. A padronizao simplesmente alterou a escala
e deslocou a origem do eixo da varivel aleatria, transformando a varivel original x, que se
distribua de acordo com N
(Jl, ( 2 ), numa nova varivel z que segue a distribuio padro,
z ::::: N (O, 1 ). Como essa transformao no depende dos valores numricos de J.1 e de (J,
sempre poderemos usar a distribuio normal padro para discutir o comportamento de uma
distribuio normal qualquer.
2.3 (b) Como usar as caudas da distribuio normal padro

A Tabela A.l contm, para valores de z que vo de 0,00 a 3,99, o que se chama de rea da
cauda ( direita) da distribuio normal padro. A primeira coluna d o valor de z at a
primeira casa decimal, enquanto a linha superior da tabela d a segunda casa. Para saber a
rea da cauda correspondente a um certo z temos de procurar na tabela o valor localizado na
interseo da linha e da coluna apropriadas. O valor correspondente a z = 1,96, por exemplo,
est na interseo da linha referente a z = 1,9 com a coluna encabeada por 0,06. Esse
valor, 0,0250, a frao da rea total sob a curva que est localizada direita de z
1,96. Como a curva simtrica em torno da mdia, uma rea idntica est situada
esquerda de z
=-
1,96 na outra metade da gaussiana (Figura 2.4). A soma dessas duas
caudas, a da direita e a da esquerda, d 5% da rea total. Da conclumos que os 95%

restantes esto entre z
=-
1,96 e z = 1,96. Se extrairmos aleatoriamente um valor de z, h
uma chance em cada vinte (5%) de que esse valor fique abaixo de - 1,96, ou acima de 1,96.
Nas outras dezenove vezes a probabilidade de que ele esteja no intervalo [-1,96, 1,96].
Aceitando o modelo normal como uma representao adequada da distribuio populacional dos pesos dos caroos, podemos usar a Tabela A.l, juntamente com os valores dos
31
uu~an~ao
as coisas funcionam normalmente
parmetros amostrais, para responder a questes sobre a probabilidade de ocorrncia de

valores de interesse. Por exemplo:
Qual a probabilidade de um caroo retirado ao acaso pesar entre 0,18 g e 0,25 g?
Em primeiro lugar, precisamos padronizar os valores dos pesos:
z = O,18g - 0,2024g = _ 62
1
00363
'
,
g
= O,25g -
0,2024g
00363
,
g
= 1 31
'
Com isto a pergunta no se refere mais aos pesos, e sim a z. O que queremos saber agora
"qual a probabilidade de z cair no intervalo [-0,62, 1,31 ]?"
0.6
....
0.5
0.4
/"
r",\
:
/
/
\
\
. . \ . :..
\
.......
0.3
0.2 .
/.
.....
0.1
\
.. ...
0.0
-3
-2
.....
.. A ..
..:. ./ .
-4
\
\
.... 1".
-1
.... \.. i .....
Figura 2.4 Intervalo simtrico em torno da mdia, contendo 95% da rea total
sob a curva da distribuio normal padro.
Essa probabilidade corresponde rea situada entre os limites indicados pela seta
na Figura 2.5. Ela a rea total, que um, menos as reas das duas caudas, a que fica
acima de 1,31 e a que fica abaixo de - 0,62. A da direita podemos ler diretamente na Tabela
A.l, procurando o valor correspondente a z = 1,31, que 0,0951. A rea da cauda da

esquerda no pode ser tirada diretamente da tabela, porque ela no contm valores
negativos. No entanto, por causa da simetria da curva, a rea que fica abaixo de - 0,62 tem
de ser igual que est localizada acima de 0,62. Encontramos assim o valor 0,2676.
32
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-4
-3
-1
-2
Figura 2.5 rea correspondente a P(-0,62 < z < 1,31).

Subtraindo da rea total as reas das duas caudas, temos finalmente a probabilidade desejada: (1,0 - 0,0951 - 0,2676) = 0,6373. A resposta nossa questo inicial, portanto,
que 63,73% dos caroos (cerca de dois teros) devem pesar de 0,18 g a 0,25 g. No devemos
nos esquecer, porm, de que essa resposta se baseia na validade de nossas duas suposies: a
de que a distribuio dos pesos dos caroos normal e a de que os parmetros populacionais
so iguais aos valores amostrais.
Exerccio 2.9
(a) Qual a probabilidade de um caroo pesar mais de 0,18 g?

(b) Defina os pesos limites de um intervalo que contenha 95% dos caroos.
(c) Sua resposta para o Exerccio 2.2 pode ser transformada numa estimativa do peso mdio
de um caroo. Com base no que vimos at agora, quais as chances de voc encontrar um
caroo com um peso maior ou igual a esse?
Exerccio 2.10
A rea da cauda esquerda de um ponto chamada de probabilidade cumulativa desse ponto,

e representa a probabilidade de que o valor observado para a varivel aleatria seja no
mximo igual ao valor definido pelo ponto. As probabilidades cumulativas vo ser utilizadas
no prximo captulo, quando fizermos anlises baseadas nos chamados grficos normais. Use
a Tabela A.l para calcular as probabilidades cumulativas dos seguintes valores numa
distribuio normal:
(a) - 00;
(b) J.1;
(c) J.1-
a;
(d) J.1 +
a;
(e) +
00.
Que aspecto deve ter a curva de probabilidades cumulativas de uma distribuio normal?
33
OUiZU1(10
as coisas ftH1Cionam normalmente
histograma da Figura 2.2 tem uma aparncia bastante simtrica. primeira
vista, no d para perceber nele nada que realmente contradiga a hiptese de que a amostra
tenha vindo de uma populao normal.
Uma maneira de testar quantitativamente se essa hiptese adequada comparar
as freqncias observadas com as freqncias previstas pela teoria. Como nossa amostra
consiste em um nmero razovel de observaes (140), podemos imaginar que ela seja uma
boa aproximao da distribuio populacional dos pesos dos caroos de feijo. Se a populaoos pesos de todos os caroos no pacote de 1 kg - se desviar muito da normalidade, devemos
ter condies de descobrir alguma evidncia desse comportamento nas freqncias amostrais. Ou seja, elas devem afastar-se das freqncias previstas pela distribuio normal.
Usando os valores amostrais x = 0,2024 g e s = 0,0363 g para determinar os limites
dos intervalos
[x -
s,
+ s],
[x -
2s,
+ 2s] e
[x -
3s,
+ 3s], verificamos que eles
correspondem, respectivamente, a 66,6%, 96,8% e 100% da rea total do histograma

amostraI. Para uma varivel aleatria realmente normal, os intervalos populacionais
correspondentes,
Lu -
a, /1 + a], [/1 - 20", /1 + 2a] e [/1 - 3a, J1 + 3a], contm 68,3%, 95,4% e
99,7% de todas as observaes. Esses valores esto em tima concordncia com os valores
amostrais. A pior diferena no chega a 2%. A julgar por isso, podemos continuar aceitando
a distribuio normal para descrever nossa amostra. A comparao, porm, subjetiva. No
especificamos de quanto deveria ser a diferena para que passssemos a rejeitar a hiptese
normal.
A discusso de critrios mais objetivos foge ao mbito deste livro. No captulo 5 apresentaremos um teste alternativo, em que precisaremos decidir se determinado grfico suficientemente retilneo. Como teremos de tomar a deciso olhando a disposio dos pontos no
grfico, esse teste tambm encerra sua carga de subjetividade, e desse ponto de vista no
representa um avano em relao ao primeiro.
2.3 (C) Porque a distribuio normal to importante?

Felizmente existe uma boa razo para no nos preocuparmos demais com a ausncia (neste
livro) de um teste rigoroso para verificar se a distribuio normal: as tcnicas estatsticas
que apresentaremos so robustas em relao a desvios da normalidade. Mesmo que a populao de interesse no se distribua normalmente, as tcnicas podem ser usadas, porque continuam aproximadamente vlidas.
34
Essa robustez vem, em ltima anlise, do teorema do limite central, um dos teoremas fundamentais da estatstica, que diz essencialmente o seguinte:
Se a flutuao total numa certa varivel aleatria for o resultado da soma das
flutuaes de muitas variveis independentes e de importncia mais ou menos igual,
a sua distribuio tender para a normalidade, no importa qual seja a natureza das
distribuies das variveis individuais.
o exemplo clssico das implicaes do teorema do limite central o jogo de dados. A

distribuio das probabilidades de observarmos um certo nmero de pontos, jogando um
dado no viciado, mostrada na Figura 2.6(a). Os valores possveis so os inteiros de 1 a 6,
claro, e se o dado for honesto todos eles tm as mesmas chances de ocorrer, levando a uma
distribuio que no tem nada de normal.
Suponhamos agora que sejam jogados cinco dados, ao invs de um, ou que o mesmo
dado seja jogado cinco vezes consecutivas, e a mdia dos cinco valores observados seja calculada. Essa mdia uma funo de cinco variveis aleatrias, cada uma se distribuindo
independentemente das demais, j que o valor observado para um certo dado ou jogada no
afeta os valores observados para os outros. Alm disso, o nmero de pontos de cada dado
contribui com o mesmo peso para o resultado final - nenhuma das cinco observaes mais
importante que as outras quatro. As duas premissas do teorema do limite central, (1) flutuaes independentes e (2) de igual importncia, so portanto satisfeitas, e o resultado aparece na Figura 2.6(b): a distribuio das mdias j se parece com a distribuio normal.
Quando o nmero de observaes que compem o resultado final cresce, a tendncia para a
normalidade torna-se mais pronunciada, como mostra a distribuio da mdia dos pontos de
dez dados [Figura 2.6(c)].
Muitas vezes, o erro final de um valor obtido experimentalmente vem da agregao
de vrios erros individuais mais ou menos independentes, sem que nenhum deles seja dominante. Na titulao, por exemplo, lembramos o erro de leitura na bureta, o erro causado por
uma gota que fica na pipeta, o erro devido a uma tonalidade diferente no ponto final, e assim
por diante. Com os caroos de feijo mais ou menos a mesma coisa: o peso de cada um
depende do grau de desidratao, da ao das pragas, da prpria carga gentica do feijo,
etc. A priori, no temos motivo para imaginar que esses erros - tanto nos feijes quanto na
titulao - sigam distribuies normais, mas tambm no devemos supor que eles sejam
dependentes uns dos outros, ou que um deles seja muito mais importante que os demais. O
teorema do limite central nos diz ento que o erro final se distribuir de forma
aproximadamente normal, e tanto mais normal quanto mais numerosas forem as fontes de
35
Quando as coisas funcionam
norma~mente
erros individuais. Como situaes desse tipo so muito comuns na prtica, podemos nos dar
por satisfeitos com a hiptese normal na maioria dos casos, e deixar para fazer testes mais
sofisticados quando existir muita evidncia em contrrio. Talvez o teorema do limite central
explique o entusiasmo de 8ir Francis Galton, o inventor da regresso linear: "Dificilmente
existir algo to impressionante para a imaginao como a admirvel forma da ordem
csmica expressa pela Lei da Freqncia do Erro (isto , a distribuio normal). Se os gregos
a tivessem conhecido, certamente a teriam personificado e endeusado."
I.
(a) Um dado
(b) Cinco dados
11&_11.. .
11 . .....-...-_
_ _ _ _......
",.........
11.......
(c) Dez dados
Figura 2.6 Distribuio de freqncias para um jogo de dados no viciados.
2.3 (d) Como calcular um intervalo de confiana para a mdia
principal motivo para querermos um modelo a perspectiva de us-lo para fazer infe-
rncias sobre os parmetros populacionais. Esqueamos por um momento que foram pesados
140 caroos. Suponhamos que tenha sido pesado apenas um, escolhido aleatoriamente, e que
o peso encontrado tenha sido 0,1188 g, o primeiro valor da Tabela 2.2. O que esse valor nos
permite dizer a respeito do peso mdio populacional, )1?
Caso a distribuio populacional dos pesos dos caroos seja normal, sabemos que o
intervalo [J.1 - 1,960",
)1
+ 1,960"] deve conter 95% de todas as possveis observaes. Isto quer
36
dizer que a observao avulsa 0,1188 g tem 95% de probabilidade de ter sido feita dentro desse
intervalo. claro que tambm tem 5% de chances de ter cado fora dele. Aceitando o modelo
normal, podemos dizer ento que temos 95% de confiana na dupla desigualdade
J1- 1,960" < 0,1188 g < J1 + 1,960".
Tomando a desigualdade da esquerda e somando 1,96cr aos dois lados, ficamos com
}l,
< 0,1188 g + 1,960".
Subtraindo 1,96cr da desigualdade da direita, temos tambm

0,1188 g - 1,960" < J1.
Combinando as duas, chegamos a um intervalo de 95% de confiana para a mdia populacional:
0,1188 g - 1,960" < 1.1 < 0,1188 g + 1,960".
Para determinar numericamente os limites desse intervalo, s nos falta o valor do desvio
padro populacional. Supondo, por exemplo, que
O"
= 0,0363 g (que realmente, como
sabemos, apenas um valor amostraI), temos

0,0477 g < J.1 < 0,1899 g.
A partir desses valores, e com todas as suposies feitas, podemos dizer que o nmero total
de caroos de feijo no pacote de um quilo deve estar entre 5.266 e 20.964. Mesmo assim,
ainda h 5% de probabilidade de estarmos enganados. No uma preciso muito animadora,
mas afinal o que que a gente esperava? Baseando nossa estimativa no peso de um solitrio
caroo, no poderamos mesmo querer chegar a concluses muito significativas. Logo mais
faremos estimativas a partir de mdias, e veremos que elas so bem mais precisas, o que por
sua vez natural, j que valores mdios so representaes 'mais adequadas da populao
como um todo.
Interoalo de confiana para a mdia populoeio1Wl,

a partir de unw obseroao:
X i - ZO"
< J.1 < Xi + ZO"
J.1
= Mdia populacional
Xi
= Uma observao
(2.7)
Desvio padro populacional

= Ponto da distribuio N(O, 1) correspondendo ao nvel de confiana desejado
O" =
Z
37
Quando as coisas ftHlcjonam normahnente
2.3 (e) Como interpretar um intervalo de confiana

Muitas vezes as pessoas tm a impresso de que, quando determinamos os limites de um
intervalo de confiana, estamos estabelecendo o valor da mdia populacional com uma certa
probabilidade. No bem assim. Ao contrrio do peso de um caroo, a mdia J1 no uma
varivel aleatria. um valor perfeitamente determinado, que poderamos conhecer sem
nenhuma dvida se pudssemos examinar a populao inteira. Para saber a mdia populacional no exemplo dos feijes, bastaria estarmos dispostos a pesar todos os caroos do
pacote. No faz sentido, portanto, atribuir a ela nenhuma probabilidade.
A interpretao formal dos intervalos de confiana a seguinte: se construirmos todos
os possveis intervalos correspondentes a um certo nvel de confiana a, ento a por cento deles
contero a mdia populacional, e os outros (100 - a ) por cento no a contero. Isto significa
que, determinando todos os intervalos de 95% de confiana correspondentes aos pesos
individuais dos caroos no pacote, saberemos que o valor da mdia populacional dever estar
dentro de 95% deles, e fora dos 5% restantes. No saberemos, porm, como distinguir os
intervalos corretos dos incorretos, nem poderemos atribuir probabilidades que diferenciem os
valores contidos num dado intervalo. O ponto mdio do intervalo, em particular, no tem nada
de especial. Dizer que o nmero total de caroos deve estar entre 5.266 e 20.964, por exemplo,
no significa de forma alguma que o seu valor mais provvel seja a mdia desses dois
extremos, 13.115. Nenhum dos valores do intervalo "mais provvel" que os demais.
Exerccio 2.11
Calcule, a partir do peso do segundo caroo na Tabela 2.2, um intervalo de 95% de confiana
para o nmero total de caroos em um quilo de feijo.
2.4 Covarincia e correlao

At agora, para ilustrar o conceito de varivel aleatria, temos usado o peso de um caroo de feijo
extrado ao acaso. Se no fosse pelas dificuldades de medio, poderamos muito bem ter escolhido o
volume do caroo, ao invs do seu peso. Assim como o peso, x, o volume de um caroo - vamos chamlo de y - tambm uma varivel aleatria. Conhecer o volume de um dado caroo no nos d
condies de prever o volume exato do caroo seguinte. Os valores da varivel y so independentes
uns dos outros, da mesma fonna que os valores da varivel x so independentes entre si. Devemos
esperar, portanto, que um histograma dos valores de y apresente a regularidade habitual: uma
distribuio, provavelmente de aparncia gaussiana, em torno de um valor central.
S que agora temos uma novidade. No podemos dizer que o peso e o volume de um
determinado caroo sejam independentes um do outro, porque existe uma relao entre eles,
38
que a densidade do caroo. Encontrando um caroo mais pesado que a mdia, em geral esperamos que o seu volume tambm esteja acima do volume mdio, e vice-versa. Para um dado
caroo, portanto, os desvios dessas duas variveis em relao a suas respectivas mdias
tendem a ser do mesmo sinal algbrico. Dizemos "tendem" porque provvel que a densidade
no seja exatamente a mesma para todos os caroos. Se fosse, no falaramos de tendncia e
sim de certeza, e s teramos de medir uma das variveis para determinar univocamente o
valor da outra, por meio da relao linear volume = massa -:- densidade
5.
Um grfico do volume
contra o peso seria ento uma reta de coeficiente angular igual ao inverso da densidade, como
na Figura 2.7(a). Na prtica, como h vrios motivos para a densidade variar de um caroo
para outro - o grau de desidratao, a ao das pragas, a carga gentica, e por a vai - devemos
esperar que o grfico seja mais parecido com o da Figura 2.7(b), onde a linearidade do conjunto de
pontos est perturbada por uma certa disperso.
(a)
cs>
0.13
......
0.11
:.~~.(9
..
o tP:
oeP
0.09
,o'
C
o'
....
0.07
Cl
0.05
0.10
0.12
0.14
0.16
0.18
0.20
0.24
0.22
0.26
0.28
Peso
(b)
0.16
~
0.14
0.12
: 00
o
.. 0: ..
o
0.10
0.08 .
0.06
0.10
... :0,,
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
Peso
Figura 2.7 (a) Relao perfeitamente linear entre o volume e o peso. (b) Relao
linear entre as duas variveis, acrescida de um erro aleatrio.
Aqui, "massa" e "peso" so considerados sinnimos, como costume na qumica.
39
Podemos observar, na Figura 2.7(b), que altos valores dey tendem a ocorrer ao mesmo
tempo que altos valores de x, e vice-versa. Quando isso acontece, dizemos que as duas variveis
aleatrias apresentam uma certa covarincia, isto , uma tendncia de se desviarem de forma
parecida em relao s respectivas mdias (co-variar =variar junto). Podemos obter uma medida
numrica da covarincia a partir dos desvios
(Xi -x) e (Yi -)7). Ou melhor, a partir de seus
produtos para cada elemento da amostra. Como, neste exemplo, os dois desvios tendem a ter o
mesmo sinal, seja ele positivo ou negativo, os produtos
(Xi -x) (Yi - y) tendero a ser positivos, e
haver tantos mais produtos positivos quanto maior for a covarincia de X e y. O valor numrico
da covarincia por definio a mdia dos produtos dos desvios:
Covarincia anwstral das variveis aleatrias x e y:
(2.8)
(Xi' Yi ) = Valores das observa~ individuais para o elemento i
(X, y) = Mdias amostrais

N = Nmero de elementos na amostra
Note a analogia com a definio de varincia, Equao 2.2. O denominador continua
sendo N -1, porque s N -1 dos N produtos dos desvios so independentes. Note tambm
que Cov (x, x) a prpria varincia de x.
Como o valor da covarincia depende da escala usada para medir x e y, difcil usla como padro para comparar o grau de associao estatstica de diferentes pares de variveis. Por exemplo, se ao invs de caroos de feijo estivssemos investigando laranjas, o
valor numrico da covarincia entre o peso e o volume, medido nas mesmas unidades, seria
muito maior. No entanto, continuaria significando a mesma coisa: uma densidade mais ou
menos constante.
Para eliminar esse problema, aplicamos um fator de escala, dividindo cada desvio
individual pelo desvio padro da varivel correspondente. Obtemos assim uma espcie de
covarincia normalizada, que chamada de ooeficiente de
oorrela~o das
duas variveis
(Equao 2.9). Por causa dessa definio, o coeficiente de correlao de qualquer par de variveis aleatrias fica obrigatoriamente restrito ao intervalo
[-1, + 1]. As correlaes
de dife-
rentes pares de variveis passam a ser medidas na mesma escala (que adimensional, como
se pode deduzir da Equao 2.9) e podem ento ser comparadas diretamente.
40
Coeficiente de correlao cmwstral das variveis aleatrias x e y:
r(x, y)
= _ 1 L [Xi N -1
X)[Yi - Y]
Sx
(2.9)
Sy
(Xi' Yi ) = Valores das observa~ individuais para o elemento i

(X", y) = Mdias amostrais
(s x ' S
y )
N =
Nmero de elementos na amostra
Desvios padro amostrais
Variveis estatisticamente independentes tm coeficiente de correlao igual a zero.

A recproca no verdadeira, porque o coeficiente de correlao uma medida da associao
linear entre duas variveis. Um coeficiente de correlao nulo significa apenas que uma relao linear no est presente. Pode no entanto haver outros tipos de dependncia, que no
sejam refletidos pelo valor numrico do coeficiente de correlao. O Exerccio 2.12 mostra
uma possibilidade.
Exerccio 2.12
Sejam duas variveis y e x, obedecendo equao y = x 2 no intervalo [-a, +a]. (a) Qual o valor
do coeficiente de correlao entre y e x? (No faa contas; faa um grfico da funo e utilize
argumentos geomtricos). (b) Voc pode pensar em outras funes que dem o mesmo
resultado?
Variveis ligadas por uma relao linear perfeita tm coeficiente de correlao igual
a +1, se quando uma cresce a outra tambm cresce, ou igual a -1, se quando uma cresce a
outra diminui. Valores intermedirios representam relaes parcialmente lineares, e o valor
numrico do coeficiente de correlao muito usado em trabalhos cientficos como argumento a favor da existncia de uma relao entre duas variveis. Todo cuidado pouco com
esses argumentos, porque os valores podem ser muito enganosos. s vezes uma simples
olhada em um grfico das variveis o bastante para descartar concluses apressadas,
apoiadas somente no valor numrico do coeficiente de correlao. Voltaremos a esse ponto no
Captulo 5, quando tratarmos da construo de modelos empricos. Por enquanto, como
exemplo - e tambm como advertncia - mostramos na Figura 2.8 os grficos de quatro
conjuntos de pares de valores das variveis X e Y, todos com exatamente o mesmo coeficiente
de correlao, 0,82 (Anscombe, 1973). Se fssemos julgar os dados apenas pelo valor de r,
concluiramos que a relao entre as variveis a mesma nos quatro casos, o que
evidentemente est muito longe de ser verdade.
41
Que concluses voc tiraria dos grficos da Figura 2.8?
(a)
(b)
20
20
15
15
10
>-
O
O
>-
10
<.1
o o
10
15
O
O
20
10
o c
15
20
15
20
(c)
(d)
20
20
15
15
>- 10
>- 10
o o o
o o c-
O
O
o o o
10
15
O
O
20
10
Figura 2.8 Quatro conjuntos de dados com o mesmo coeficiente de correlao,

r = 0,82, mas representando realidades muito diferentes. (Dados de Anscombe, 1973).
Apesar de parecerem triviais para os estudantes de cincias, grficos bidimensionais

como os das Figuras 2.7 e 2.8 so considerados muito importantes para o gerenciamento da
qualidade, pela sua eficincia em revelar padres de associao entre as variveis (o que,
alis, demonstrado pela prpria Figura 2.8). Tanto que nesse contexto recebem o ttulo de
diagramas de disperso, e fazem parte das "sete ferramentas indispensveis para a melhoria
da qualidade", recomendadas pelo guru da qualidade K. Ishikawa (Ishikawa, 1985).6 Na
opinio de Ishikawa, todas as sete ferramentas, que so bastante simples, devem ser aprendidas e usadas por qualquer pessoa que trabalhe na indstria. No temos condies de
tratar de todas elas neste livro, mas achamos que vale a pena voc tambm procurar aprender a us-las. Boas referncias para isso so Vieira (1999), Montgomery (1997) e Oakland e
Followell (1990).
6 As outras seis ferramentas so a folha de verificao, o histograma, o grfico de Pareto, o diagrama

de causa e efeito, o grfico de controle e a estratificao.
42
As mdias e desvios padro usados nas Equaes 2.8 e 2.9 so valores amostrais. s
vezes precisamos medir os desvios em relao a valores populacionais, e substituir
x por
/1 x e
por /1y. Quando isso acontecer, devemos tambm usar N ao invs de N -1, porque as
mdias em relao s quais so calculados os desvios no so mais obtidas a partir dos

valores amostrais. Os desvios no sofrem mais restrio nenhuma, e portanto mantm todos
os N graus de liberdade das observaes originais. Note que mesmo assim a covarincia e o
coeficiente de correlao continuam sendo valores amostrais. A diferena que passaram a
ser calculados em relao a mdias populacionais.
Exerccio 2.13
Os valores abaixo so os volumes, em mililitros, dos caroos cujos pesos aparecem na primeira
linha da Tabela 2.2. Calcule a covarincia e o coeficiente de correlao entre os pesos e os
volumes desses sete caroos.
0,108
0,214
0,143
0,195
0,148
0,144
0,174
2.5 Combinaes lineares de variveis aleatrias

Suponhamos que
Xl
e x2 sejam variveis aleatrias com parmetros populacionais (J1l,ar)
e (J12,a~ ), respectivamente. A expresso
onde
al
e a2 so constantes, uma
<nmbina~o linear
de
Xl
e X2. Ela define uma nova
varivel aleatria, y, cuja distribuio depende das distribuies individuais de
Xl
e X2.
Nesta seo veremos como os parmetros da distribuio de y se relacionam com os parmetros das distribuies de
Xl
e X2.
A partir de N pares de valores (Xl' X2) extrados das respectivas populaes podemos
calcular um conjunto de N valores de y. O valor mdio de y nesse conjunto ser
O somatrio feito sobre todos os N pares de valores; deixamos de incluir o ndice para
simplificar as expresses. Fazendo os somatrios individuais de
43
Xl
e X2 , temos
ou
Ou seja:
A mdia da combinao linear a combinao linear das mdias de cada varivel.
Analogamente, a varincia da combinao linear ser dada por

S
2_ -1- L (y -y-)2
N-1
Usando as Equaes 2.2 e 2.9 podemos reescrever esta ltima expresso como
onde s; e s~ so as varincias e r(xI, X2) o coeficiente de correlao de Xl e x2. O

resultado j no to simples quanto no caso da mdia, e depende, por causa do ltimo
termo, do grau de correlao entre as variveis.
Esses resultados podem ser facilmente estendidos ao caso geral de uma combinao
linear de p variveis,
y
= alxl + a2 x 2 + ... + apx p = Laixi
(2.10)
Teremos ento
~ax
Y-= ~
ll'
(2.11)
44
si
S; = Laf
i
(2.12)
+ 2L LaiajSiSjr(Xi' Xj).
i j>i
Note que esses somatrios so efetuados sobre o nmero p de variveis includas na

combinao linear, e no sobre o nmero de elementos escolhidos para compor a amostra,
que representado pela letra maiscula N. Os somatrios sobre N esto implcitos nos clculos de si' Sj e r(xi, Xj) .
O emprego de letras do alfabeto latino nas Equaes 2.11 e 2.12 revela que essas
expresses se referem a valores amostrais. Desenvolvendo o mesmo argumento a partir de
valores populacionais, obteremos expresses anlogas, dadas pelas Equaes 2.13 e 2.14.
Nelas, seguindo a conveno, utilizamos letras gregas.
Parmetros populacionais de uma oombinao Rear

de variveis aleatrias:
(2.13)
I
=L
a;
ar ar + 2 L
ai aj ai aj P (Xi' X)
.~~_.~_l~. ~j>~i~_~
(2.14)
I.
__
y= LaiXi
i
2
(Pi, a i
)= Mdia e varincia populacionais da varivel aleatria
Xi
As Equaes 2.13 e 2.14 so absolutamente gerais. Podemos aplic-las a qualquer

combinao linear de quaisquer variveis aleatrias.
Um caso particular de grande interesse aquele em que as variveis se distribuem
independentemente umas das outras. Nesse caso, por definio, as correlaes entre todas as
variveis so nulas, e o segundo somatrio da Equao 2.14 se reduz a zero. A varincia da
combinao linear passa a ser dada simplesmente por
(2.15)
45
uuanao as coisas furu.:ionam normaimente
Vejamos agora um caso mais particular ainda: o valor mdio de uma amostra de N
elementos extrados aleatoriamente de uma certa populao. Por exemplo, o peso mdio de
um caroo, numa amostra de dez caroos escolhidos ao acaso em um quilo de feijo. Repetindo um grande nmero de vezes essa amostragem, teremos um conjunto de pesos mdios.
Como ser a distribuio desses valores?
A mdia de N observaes na verdade um caso particular de combinao linear,
com todos os coeficientes na Equao 2.10 iguais a l/N:
_
X=-LXi =-Xl
N i
N
1
1
+-x2 + ... +-xN
N
N
Se a escolha dos elementos for rigorosamente aleatria no haver correlao entre as observaes, de modo que poderemos usar a Equao 2.15 para calcular a varincia. Alm disso,
como estamos supondo que as observaes so feitas sempre na mesma populao, todas elas
se distribuem individualmente com a mesma varincia populacional
tituindo na Equao 2.15
ai
por l/N e
2
(Ji
por
(J2 ,
(J2.
Portanto, subs-
podemos escrever, para a distribuio das
mdias amostrais:
(2.15a)
Este um valor populacional, e se refere distribuio estatstica das mdias de todas as

amostras aleatrias com um certo nmero N de elementos que possam vir a ser extradas da
populao. A varincia dessa distribuio menor que a varincia da distribuio das observaes individuais,
(J2,
por um fator inversamente proporcional ao tamanho da amostra. A
distribuio das mdias portanto mais estreita que a distribuio dos valores individuais, e
ser tanto mais estreita quanto maior for a amostra.
Para obter a mdia da distribuio das mdias amostrais
substituindo
ai
por 1/N e
1
Ji x
= L-
iN
J1
=-
Jii
por
x usamos a Equao 2.13,
Ji :
Li J1 = -N1
N /1.
= J1
(2.13a)
Isto quer dizer que tanto as observaes individuais quanto as mdias amostrais se distribuem em torno mesma mdia Ji. A distribuio das mdias, como vimos, mais estreita. Seu
desvio padro apenas
(J/
Ji.i.
Se as amostras contm 100 observaes cada uma, por
exemplo, esperamos que o histograma de suas mdias tenha um dcimo da largura do histograma dos valores individuais.
46
A Figura 2.9(b) mostra a distribuio dos pesos mdios em 140 amostras aleatrias
de 10 caroos de feijo, extradas da mesma populao que gerou o histograma da Figura
2.2, que aparece de novo na Figura 2.9(a). (A escala ampliada em relao Figura 2.2,
para que possa acomodar os dois histogramas). O estreitamento da distribuio dos pesos
mdios em relao distribuio dos pesos individuais evidente.
(a)
0.40
0.35
0.30
co 0.25
c
u
<O'
::::]
0.20
o-
O'
u:
0.15
0.10
0.05
0.00
0,115
0,155
0,195
0,235
0,275
peso individual (g)
(b)
0.40
0.35
0.30
co 0.25
c
<O'
::::]
0.20
o~
u.. 0.15
0.10
0.05
0.00
0,115
0,155
0,195
0,235
0,275
peso mdio (g)
Figura 2.9 (a) Distribuio dos pesos individuais de 140 caroos de feijo preto. (b)
Distribuio dos pesos mdios de 140 amostras de dez caroos de feijo preto.
J vimos que os valores individuais representados na Figura 2.9(a) tm mdia de

0,2024 g e desvio padro de 0,0363 g. Se esses valores correspondessem a parmetros populacionais, os pesos mdios nas amostras de dez caroos deveriam ter a mesma mdia, mas
um desvio padro de apenas 0,0363/ /lO = 0,0115 g. Os valores que correspondem distribuio das mdias na Figura 2.9(b) so 0,1929 g e 0,0128 g, respectivamente. A concordncia
47
muito boa, especialmente se lembrarmos que estes tambm so valores amostrais, e no

populacionais.
Exerccio 2.14
Qual a varincia da distribuio da diferena
Xl - X2,
onde
Xl
X2
so duas variveis normais
padronizadas e totalmente correlacionadas positivamente, isto , de coeficiente de correlao

igual a I? E se o coeficiente de correlao fosse zero?
2.6 Amostragem aleatria em populaes normais

Na seo anterior chegamos a vrias concluses importantes sem ter de fazer nenhuma
restrio quanto forma da distribuio das observaes. S foi preciso admitir que as
amostras eram aleatrias. Nesta seo vamos impor mais uma condio. Vamos supor que
as amostras sero extradas de populaes normais. Como j vimos, esta uma hiptese
perfeitamente aceitvel em muitas situaes de interesse prtico, por causa do teorema do
limite central. Sob essas duas restries - amostras aleatrias tiradas de populaes
normais - os valores amostrais seguem certas distribuies especficas, que podem ser
usadas para se obter intervalos de confiana. Antes de mostrar como isso pode ser feito,
vamos enunciar, sem demonstrao, as concluses pertinentes. Se voc estiver interessado,
poder encontrar as demonstraes em algum texto de estatstica avanada, como Dudewicz
e Mishra (1985).
Consideremos amostras de N elementos, extradas aleatoriamente de uma populao
normal de mdia /1 e varincia a 2 . Pode-se demonstrar que os valores amostrais,
e s2,
obedecem ao seguinte:
As mdias amostrais
tambm se distribuem normalmente, com a mesma mdia /1,
mas com varincia igual a a 2 / N. [Na seo anterior chegamos a uma concluso
parecida, mas no dissemos nada sobre a forma da distribuio.]
A varivel aleatria t, definida por t
=~
Jii'
segue a distribuio t com N -1 graus de
liberdade.
A varivel aleatria X 2 , definida por X 2
= (N -1)-;-, segue a distribuio qui-quadrado,

a
tambm com N-l graus de liberdade.
48
Distribuio de estimativas amostrais em populaes TWrmais:
(2.16)
(2.17)
(2.18)
XN-l
=Varivel aleatria distribuda de acordo com N(p, 2 )

( X, S = E stimativas amostrais de (JI, a 2 ) obtidas em amostras aleatrias
(J
de N elementos cada uma
= Distribuio t com N-l graus de liberdade

X~-l =Distribuio qui - quadrado com N-l graus de liberdade
t N-}
A partir dessas concluses podemos obter intervalos de confiana, empregando um

raciocnio semelhante ao da Seo 2.3. Para ver como se faz, vamos usar uma amostra de dez
caroos retirados do nosso quilo de feijo.
Suponhamos que os pesos desses caroos sejam os dez primeiros valores da Tabela
2.2. Para essa amostra, j sabemos (se voc resolveu o Exerccio 2.6) que
0,0423 g. Como a mdia
= 0,1887 g e s =
se distribui normalmente (Equao 2.16), ao subtrair a mdia
populacional J1 e dividir o resultado pelo desvio padro da mdia populacional,
a/ Jii ,
teremos uma varivel normal padronizada:

X-J1
ajJii
=Z
'"
()
N 0, 1
(2.19)
Para um intervalo de 95% de confiana o valor de z 1,96, como vimos na Seo 2.3(b). Isso
significa que h 95 chances em 100 de que - 1,96 < z < 1,96, ou de que
49
UUianiOO as
coisas flHlcionam normaimente
X-J.1
- 1,96 < cr/
.JN
< 1,96.
Remanejando os smbolos de modo a isolar a mdia populacional,
j1,
chegamos a duas
desigualdades,
J1 < X + 1,96
lN
que podem ser combinadas numa s:

(2.20)
Para definir numericamente os limites desse intervalo, precisamos do valor do desvio padro
populacional. Vamos admitir mais uma vez que o valor do desvio padro calculado para os
140 caroos uma aproximao aceitvel. Teremos ento
a/.JN = 0,0363 / J1 = 0,0115 g.
Finalmente, lembrando que na nossa amostra eX = 0,1887 g,

0,1887 g - 1,96 x 0,0115 g < J.1 < 0,1887 g + 1,96 x 0,0115 g,
ou
0,1662 g < Jl < 0,2112 g.
A partir desta expresso podemos dizer, com 95% de confiana,7 que o quilo de feijo deve
ter de 4.735 a 6.017 caroos. Lembrando que, a partir do peso de um s caroo (o primeiro
valor da Tabela 2.2), nossa estimativa ia de 5.266 a 20.964, vemos que o novo intervalo bem
melhor. Podemos torn-lo mais preciso ainda, se usarmos uma amostra mais numerosa.
InteroaJo de confiana para a mdia populacioTW1,

a partir da distrihuU;o Trorma/:
(J
(J
x-z-- < J.1 < x+z--
JN
(2.21)
JN
Exerccio 2.15
Considere os 140 valores da Tabela 2.2 como uma nica amostra aleatria numa populao
normal. Admita que o desvio padro calculado a partir deles idntico ao valor populacional. Responda agora: Com quantos gros se faz uma feijoada?
7 No
sentido que discutimos na Seo 2.3(e).
50
Nas determinaes de intervalos de confiana que fizemos at agora tivemos de supor que o valor do desvio padro populacional era conhecido. Apesar disso, s conhecamos
mesmo um valor amostraI, ainda que obtido a partir de uma amostra bastante grande. Veremos agora nos livrar dessa restrio e obter intervalos de confiana sem precisar recorrer a
valores populacionais.
Em 1908 W. S. Gosset, um qumico que trabalhava na cervejaria Guinness e que
usava o pseudnimo Student para assinar seus trabalhos, publicou a deduo da "curva
representando a distribuio de freqncias de uma grandeza z, obtida dividindo-se a distncia entre a mdia amostraI e a mdia populacional pelo desvio padro amostraI" (Pearson
e Wishart, 1943).
As palavras so do prprio Student, que obviamente se refere distribuio da
varivel aleatria (x - )1)/ s. Hoje em dia prefere-se incluir o fator
buio da varivel
/N,
e falar da distri-
,expresso idntica que aparece na Equao 2.19, exceto pela
substituio do desvio padro populacional,
0",
pelo desvio padro amostraI, s. Por causa
dessa mudana, a varivel no segue mais a distribuio normal padronizada, e sim a que
Student deduziu, e que rigorosamente vlida -sempre bom lembrar - para amostras
aleatrias retiradas de uma populao normal. Com ela podemos comparar os desvios
(x -)1) com um desvio padro obtido da prpria amostra,

lacional
siJii , dispensando o valor popu-
IJii . Veremos mais tarde que essa caracterstica da distribuio de Student
O"
muito importante para a avaliao de modelos empricos.

A Equao 2.17 expressa de forma resumida as concluses de Student. A nova
varivel aleatria representada pelo smbolo t N - 1 , e sua distribuio chamada de distribuio t ou distribuio de Student. O ndice N -1 lembra que a forma da distribuio varia com o tamanho da amostra. Na verdade so vrias distribuies diferentes, cada
uma delas correspondendo a um certo nmero de graus de liberdade na determinao do
valor de s.
importante ressaltar, desde j, que o nmero de graus de liberdade na distribuio
de Student se refere obteno do desvio padro, e no ao clculo da mdia. Como veremos

em outros captulos, pode acontecer que a mdia e o desvio padro sejam obtidos a partir de
diferentes conjuntos de observaes. O valor de N, em t N - 1 , no ser ento necessariamente
o mesmo valor de N usado para calcular a mdia, e cuja raiz quadrada aparece no denominador da Equao 2.17.
51
A Tabela A.2, na pgina 393, contm os valores de t para algumas reas da cauda
direita na distribuio de Student. As reas aparecem na parte superior da tabela, em
negrito. A distribuio t tambm simtrica em torno da mdia zero, como a distribuio
normal padro, de modo que s precisamos de um lado da curva.
Na primeira coluna, tambm em negrito, est o nmero de graus de liberdade, v,
com que o desvio padro s estimado. Como na nossa amostra de dez caroos esse nmero
v = N -1 = 9, os valores apropriados encontram-se na nona linha. Para descobrir, por exem-
plo, o valor de t que corresponde a um nvel de 95% de confiana, lemos o valor que se encontra
na interseo da nona linha com a coluna correspondente a 0,025 de rea da cauda. Obtemos
assim t = 2,262.
Na distribuio normal, para o mesmo nvel de confiana, usamos z = 1,96, o que
mostra que a distribuio t mais espalhada, ou seja, os intervalos de confiana obtidos a
partir dela sero mais largos. Isto faz sentido, porque ao usar o valor de s para estimar
(J
es-
tamos cometendo um erro, que evidentemente ser tanto maior quanto menor for a amostra.
Para uma amostra de apenas dois elementos, por exemplo, o valor de t sobe para 12,706, no
mesmo nvel de confiana. Esse resultado quer dizer que, para ter os mesmos 95% de confiana com uma amostra to pequena, precisaremos de um intervalo umas cinco vezes maior
do que no caso da amostra de dez caroos. E isso sem levar em conta a variao na prpria
estimativa do desvio padro.
A recproca verdadeira. Quanto maior for a amostra, mais estreito ser o intervalo.
No limite, com um nmero infinito de graus de liberdade, a distribuio t termina
reduzindo-se distribuio normal padro. Voc pode confirmar esse fato conferindo os
valores que esto na ltima linha da Tabela A.2.
Com a distribuio de Student, portanto, podemos calcular um novo intervalo de confiana usando apenas os valores amostrais (Equao 2.22). Note a semelhana com a Equao 2.21, que se baseia no desvio padro populacional.
InteroaJo de oonfiana para a mdia populacional,
a partir da distribuio de StUlknt:
tN
-1
.Jii
(2.22)
< J1 < X +
52
No nosso exemplo toda a informao vem de uma nica amostra, e portanto o valor
de N dentro da raiz quadrada o mesmo que aparece em t N - 1 . Como j dissemos, esses
valores no tm de ser obrigatoriamente os mesmos. Mais tarde veremos exemplos em que
combinamos informaes de vrias amostras para estimar o desvio padro. Com esse procedimento, o valor de s - e portanto o valor de t N - 1 - vai ter um nmero de graus de liberdade
maior do que o correspondente a uma s amostra. Os intervalos de confiana se tornaro
mais estreitos, e conseqentemente as previses sero mais precisas.
Para 95% de confiana e uma amostra de dez elementos, a Equao 2.22 se
transforma em
x-
2,262
~ < 11 < X + 2,262 ~ .
v10
v 10
Substituindo os valores para os dez caroos,
= 0,1887 g e s = 0,0423 g, chegamos ao
intervalo 0,1584 g < J1 < 0,2190 g, o que corresponde a 4.566 - 6.313 caroos/kg. Como j
espervamos, a incerteza cresceu em relao estimativa anterior, que era baseada na idia
de que o mesmo desvio padro poderia ser tomado como o valor populacional.
Exerccio 2.16
Use os sete valores na ltima linha da Tabela 2.2 e determine a partir deles, com 99% de confiana, com quantos gros se faz uma feijoada.
Exerccio 2.17
Refaa o Exerccio 2.15, usando a distribuio de Student. Admita que o nmero de graus de
liberdade seja 120, para obter valores de t na Tabela A.2. Compare seus resultados com os do
Exerccio 2.15.
Exerccio 2.18
Como voc pode relacionar os nmeros que esto na ltima linha da Tabela A.2 com os
valores da Tabela A.l?
Com o aumento do nmero de graus de liberdade, os valores de t N - 1 convergem, a

princpio rapidamente e depois mais devagar, para os valores da distribuio normal padro.
medida que a amostra cresce, portanto, a diferena entre as duas distribuies vai
perdendo a importncia. Na prtica, s se costuma usar a distribuio t quando o nmero de

graus de liberdade na estimativa do desvio padro inferior a 30. Para amostras maiores, a
Equao 2.21 considerada satisfatria.
53
Quando as coisas funcionam normaimente
Os diversos intervalos de confiana calculados at agora para o peso mdio de um caroo

de feijo, tanto no texto quanto nos exerccios, so comparados graficamente na Figura 2.10, onde
podemos ver o estreitamento do intervalo com o aumento do nmero de caroos na amostra.
Como esse efeito varia com a raiz quadrada de N, aumentar o tamanho da amostra normalmente
deixa de ser interessante a partir de um certo ponto. Por exemplo, para reduzir metade os
intervalos obtidos a partir de 140 caroos, teramos de pesar mais 420 deles (para ter um total de
4 x 140 = 560 caroos). Ser que esse aumento de preciso compensa tanto esforo?
140, N, 95%
H
140,
t, 95%
..-.;
10, N, 95%
1------1
10, t, 95%
7,
t, 99%
1, N, 95%
1, N, 95%
0.0
0.1
0.2
0.3
0.4
Peso mdio (gramas)
Figura 2.10 Intervalos de confiana para o peso mdio de um caroo de

feijo preto. As legendas indicam o nmero de caroos na amostra, a distribuio usada na estimativa, e o nvel de confiana.
Exerccio 2.19
Os dois intervalos de 95% de confiana para o peso mdio calculados a partir de um nico
caroo tm a mesma largura, como mostra a Figura 2.10. J os intervalos para o nmero de
caroos por quilo, obtidos a partir dos mesmos dados, tm larguras muito diferentes. Para o
caroo pesando 0,1188 g o intervalo de 95% de confiana vai de 5.266 a 20.964 caroos. Para o
de 0,2673 g os limites so 2.955 e 5.098, dando a impresso de que essa determinao mais
precisa do que a outra. Isso verdade? Por qu?
54
Partindo da Equao 2.18 e procedendo exatamente da mesma forma, podemos

determinar um intervalo de confiana para o valor da varincia populacional. Daremos um
exemplo com a nossa amostra de dez caroos. Os valores de X2 necessrios esto na Tabela
A.3 (p. 394), cuja leitura idntica da Tabela A.2, com a diferena de que a distribuio
qui-quadrado tem uma forma assimtrica, mais alongada para a direita. Por isso, teremos de
olhar em duas colunas para determinar os limites do intervalo.
Para um intervalo de 95% de confiana, precisaremos dos pontos correspondentes a
0,025 (cauda direita) e 0,975 (tambm de cauda direita, e portanto correspondendo a
0,025 de cauda esquerda, que o que realmente interessa). Com nove graus de liberdade
esses valores so 19,0 e 2,70, respectivamente. Da podemos concluir que h 2,5% de chances
de que X 2 > 19,0 e tambm 2,5% de chances de que X 2 < 2,70. H portanto 95% de probabilidade de X2 estar entre esses dois limites, isto , de que 2,70 < X 2 < 19,0, ou, pela Equao 2.18,
S2
2,70 N-1)-2 <19,0.

(1
Reescrevendo a desigualdade de modo a isolar (12 , temos
S2
s2
19,0
2,70
(N _1)_<(12 N - 1 ) -
Substituindo finalmente N
= 10 e s = 0,0423 g, temos a
expresso 0,0008 g2 < (12 < 0,0060
g2, cuja interpretao semelhante dos outros intervalos que vimos. Devemos lembrar,
porm, que testes de hipteses envolvendo diretamente a varincia no so robustos em
relao a desvios da normalidade, e por isso precisam ser usados com muita cautela. Se for
possvel, melhor substitu-los por testes envolvendo mdias.
Exerccio 2.20
Calcule, a partir dos sete ltimos valores da Tabela 2.2, um intervalo de 99% de confiana
para o desvio padro do peso de um caroo de feijo.
Comparar as varincias de duas populaes muito importante para se avaliar a

qualidade do ajuste de diversos modelos estatsticos. Este um assunto que discutiremos
detalhadamente no Captulo 5, mas vamos aproveitar a oportunidade para apresentar a distribuio estatstica apropriada, que tambm descendente da distribuio normal.
55
{Juan'ClO as coisas funcionam norrnalrnente
Consideremos duas amostras aleatrias, extradas de duas distribuies normais

possivelmente diferentes. A varincia de cada uma delas segue sua prpria distribuio quiquadrado, de modo que, partindo da Equao 2.18, podemos escrever
uma e s~ / a~ : : :
X;2
/V2
para a outra, onde
Pode-se demonstrar que a razo
VI
V2
s; / ar : : X;l /
VI
para
so os respectivos graus de liberdade.
(X;1 I v I)/(X;2 I V2) segue uma distribuio F com
VI
e v2
graus de liberdade. Isto nos permite escrever a expresso
e da tirar
(2.23)
Podemos usar esta ltima expresso para testar hipteses sobre a relao entre varincias
populacionais. Em particular, para testar a possibilidade de que elas sejam idnticas, isto ,
que
(ar I ai)= 1 . Para isso precisaremos da Tabela A.4 (p. 395-398), que apresenta os pon-
tos correspondentes a algumas reas de cauda direita na distribuio F. Esse assunto,

porm, fica para a seo seguinte.
2.7 Aplicando a distribuio normal

Pelos vrios motivos que j discutimos, a distribuio normal descreve bastante bem um
grande nmero de processos reais, e isso nos permite us-la como modelo para resolver vrios problemas de interesse prtico. Nesta ltima seo apresentaremos algumas das
aplicaes mais comuns.
2.7(a) Como fazer comparaes com um valor de referncia

Suponha que estamos encarregados de decidir se o lote de vinagre que discutimos na Seo
2.1 est de acordo com o que a legislao exige, que 4% de cido actico. 8 Para isso, realizamos as trs primeiras titulaes da Tabela 2.1, cujos resultados so 3,91, 4,01 e 3,61%.
Dois desses valores esto abaixo do que deveriam, mas pode ser que isso tenha ocorrido
Vamos admitir inicialmente, para fins de exemplo, que este o valor mdio exigido, e no o valor
mnimo. No Exerccio 2.21 essa restrio ser removida.
56
somente por causa das flutuaes naturais do processo de titulao, e que no haja nada de
errado com o lote.
Se a titulao no est afetada por erros grosseiros nem sistemticos, restam apenas
os erros aleatrios. Ento, de acordo com o teorema do limite central, os valores mdios de
um conjunto de titulaes feitas em um mesmo lote devem seguir a distribuio de Student.
A mdia das trs titulaes,
x :: ! ( 3,91 + 4,01 + 3,61 ) :: 3,843 %

3
deve ser um ponto da distribuio de Student para mdias de trs elementos.

Para chegar a uma concluso sobre o vinagre, precisamos decidir se a evidncia
fornecida pelos trs resultados incompatvel com a hiptese de que eles tenham vindo de
uma populao com mdia
3,843% - t2
Substituindo s
s
.J3
)1
= 4%. Usamos portanto a Equao 2.21, e escrevemos
< J1 < 3,843% + t 2
s
.J3
.
= 0,2082 %, que o desvio padro das trs titulaes, e t 2 = 4,303 (da Tabela
A.2, com 95% de confiana), temos

3,32 % < J1 < 4,36 % .
Concluso: como o intervalo de confiana contm o valor de referncia, 4%, no podemos
afirmar que esse no seja o valor verdadeiro da mdia do lote. (Os especialistas diriam:
no podemos rejeitar a hiptese nula.) Apesar de a mdia das trs amostras estar
abaixo da especificao, os indcios no so suficientes para justificar a rejeio do lote
de vinagre. Esta concluso, porm, est baseada em apenas trs alquotas, ou seja, em
apenas dois graus de liberdade. Para ter mais segurana, precisamos de mais informaes.
Fazemos ento mais cinco titulaes, e obtemos os cinco valores seguintes na Tabela
x = 3,818% e s = 0,1286%. Substituindo estes valores

= 8 e t7 = 2,365, chegamos desigualdade
2.1. Agora temos oito resultados, com

na Equao 2.21, desta vez com N
3,71% < J1 < 3,93% .
O intervalo ficou muito mais estreito, e deixou de incluir o valor de referncia. Podemos dizer ento que existe evidncia, no nvel de 95% de confiana, de que o teor mdio de cido
actico no lote examinado mesmo inferior a 4% (isto , podemos rejeitar a hiptese nula).
57
Na verdade, 4% o teor mnimo de cido actico exigido, e no o teor mdio, mas

adaptar os nossos clculos a esse fato simples. Fazemos o ponto situado trs desvios padro
abaixo da mdia, isto , o ponto acima do qual devem estar 99,87% das observaes, igual a
4%. Depois, s repetir o teste, tomando esse valor como a nova mdia. Admitindo-se que
(J
== 0,15 %, que o desvio padro de todos os valores da Tabela 2.1, a nova mdia de
referncia seria 4 % + 3 x 0,15 % = 4,45 % . Se a mdia populacional for esta, em 99,85% das
amostras o teor de vinagre estar acima de 4%, e portanto dentro da lei.
Exerccio 2.21
Use a nova mdia de referncia para o teor de cido actico, 4,45%, e repita o teste com os trs
ltimos valores da Tabela 2.1.
Exerccio 2.22
Um qumico est testando um novo mtodo para determinar ferro. Fazendo quatro anlises
num padro cuja concentrao verdadeira 14,3%, ele obtm 13,7%, 14,0%, 13,9% e 14,1% de
ferro. Como voc avalia a exatido da nova metodologia, no nvel de 95% de confiana? Ser
que as quatro determinaes vm de uma distribuio com mdia 14,3%?
2.7(b) Como determinar o tamanho da amostra

Acabamos de ver um exemplo prtico de como podemos reduzir a largura do intervalo de
confiana do teste t, aumentando o nmero de valores que compem a amostra. Um argumento parecido nos ajuda a determinar o tamanho da amostra que devemos coletar para
poder detectar uma variao de uma certa magnitude no valor da mdia, ou para estimar o
valor de um parmetro com um certo grau de preciso.
Continuando com a titulao, digamos que nosso objetivo seja obter uma estimativa
da concentrao com preciso de 0,1%. Quantas titulaes repetidas devemos fazer?
Como os intervalos do teste t so dados por
e queremos estimar a concentrao mdia dentro de 0,1 % , precisamos de um nmero N de

titulaes tal que
58
ou
N~ (~]2
lO,l%
Aqui temos um problema. O valor de s deve ser calculado a partir da amostra, e no entanto
no sabemos nem quantas titulaes devem ser feitas. Na prtica, felizmente, esse problema
no to grave quanto parece, porque as medies j realizadas ao longo do tempo podem
fornecer um valor ''histrico'' para s. o que normalmente acontece em procedimentos de
rotina, como controle de qualidade. No nosso exemplo, podemos usar o desvio padro de
todas as titulaes na Tabela 2.1, que s = 0,1509%, e escrever
~(t19 xJ59 %]2
0,1%
Como o desvio padro foi calculado a partir de vinte observaes, o valor de t o

correspondente a 19 graus de liberdade, no importa qual venha a ser o valor de N. Isto
contribui para reduzir ainda mais a largura do intervalo. Substituindo
t19
= 2,093, temos
finalmente
~9,98
Para obter a preciso desejada, portanto, precisamos fazer pelo menos dez titulaes.
Quando temos uma estimativa do desvio padro obtida a partir de uma srie histrica de extenso razovel, a diferena entre a distribuio t e a distribuio normal deixa de
ter importncia. Essa a situao mais comum em laboratrios de anlises, onde todo dia os
mesmos procedimentos so realizados, repetidas vezes. Para estimar o tamanho da amostra,
nesses casos, podemos usar a expresso
(2.24)
onde L a preciso desejada,
(j
o desvio padro e z o ponto da distribuio normal padro
para o nvel de confiana escolhido.
Exerccio 2.23
Um laboratrio de anlises faz determinaes com um desvio padro histrico de 0,5%. Um
cliente envia uma amostra, cuja concentrao ele quer saber com uma preciso de 0,2%. Use
59
a equao 2.24 para estimar quantas determinaes repetidas o analista precisar fazer para
dar a resposta desejada, com 95% de confiana.
Exerccio 2.24
Suponha que queremos determinar um intervalo de 95% de confiana para o peso de um
caroo de feijo, de tal maneira que a diferena entre os valores extremos do intervalo seja
um desvio padro amostraI. Quantos caroos devemos pesar?
2.7(c) Como fazer o controle estatstico de processos

Imagine uma indstria qumica de alguma complexidade como, por exemplo, uma fbrica de
polmeros. Os engenheiros encarregados de projet-la e constru-la tm de garantir que ela
ser capaz de produzir polmeros com as caractersticas desejadas pelos clientes. Para isto,
precisam considerar longamente todas as variveis - que evidentemente no so poucas - e
projetar a planta de modo a mant-las todas sob controle.
Depois de fazer muitos clculos e testes, em laboratrio e em plantas piloto, os tcnicos se do por satisfeitos e a fbrica construda. O processo em larga escala ainda passa
algum tempo sendo ajustado, e ento a operao regular finalmente se inicia. Da em diante,
para certificar-se de que tudo est correndo conforme tinha sido planejado, isto , de que o
processo permanece sob controle, os operadores continuam a acompanhar sistematicamente
as caractersticas do polmero que est sendo produzido.
Uma das principais variveis usadas para controlar a produo de um polmero a
viscosidade. De tempos em tempos, uma amostra do polmero colhida na sada da linha de
produo e enviada ao laboratrio, onde sua viscosidade determinada. Os valores assim
obtidos - ou, mais comumente, mdias deles - so sistematicamente colocados num grfico
em funo do tempo. Se o processo estiver totalmente sob controle, sem erros grosseiros nem
sistemticos, como deve ser a distribuio desses pontos?
Voc adivinhou: uma distribuio normal, para observaes individuais, ou uma distribuio de Student, para mdias. 9 Quando o processo se acha controlado, sua variabilidade
devida apenas aos erros aleatrios, e portanto suas respostas devem seguir a distribuio
normal, ou outra distribuio relacionada com ela. Este o princpio bsico do controle de
qualidade. Mais uma vez, conseqncia do teorema do limite central.
A bem da verdade, se a varivel for contnua. Para outros tipos de varivel as distribuies
apropriadas so outras, que voc pode encontrar nos livros de controle de qualidade.
60
A Figura 2.11 mostra oitenta valores de viscosidade, na ordem em que foram obtidos, a
intervalos regulares durante o processo. As unidades so arbitrrias. Observe que os valores
comportam-se muito bem, distribuindo-se aleatoriamente em torno do valor mdio, 45, com
desvio padro de 1,67. Na Figura 2.12, que mostra o histograma desses valores, vemos que a
sua distribuio bem representada por uma distribuio normal. Essa situao ideal o
sonho de todo engenheiro de produo.
48
Q)
46
"'O
~
"'O
"00
o
u
(J)
:>
44
42
40 ..........
...........
.....a..-.o..........-~
...........~............---a-..........._ _........_ _........_ _............---a-...........~~~ ..................,
20
40
80
60
Amostra
Figura 2.11 Grfico da viscosidade em funo do tempo, para um processo

sob controle.
25
20
(J)
Q)
tO
(,)tI
~
2:
15
Q)
(J)
.o
O
Q)
"'O
10
'::3
lo-"
'/
~\
/
/
V
/
42-43
43-44
\
4445
45-46
46-47
~
47-48
Viscosidade
Figura 2.12 Histograma dos dados da Figura 2.11.
Na prtica, grficos como o da Figura 2.11 - chamados de m.rtas ou mapas de
0011-
trole - so traados ponto a ponto, em tempo real, pelos prprios operadores da linha, e
61
servem como uma ferramenta para detectar problemas que possam estar perturbando o
processo. medida que cada ponto acrescentado, o grfico analisado. Qualquer padro
anmalo, que indique desvios da normalidade, um aviso de que os responsveis devem
tomar as providncias necessrias para fazer o processo voltar ao controle.
grfico de controle mais comum idntico ao da Figura 2.13, com trs linhas
horizontais paralelas que definem as caractersticas do processo quando ele se realiza sem
problemas. A linha central corresponde mdia, que no nosso exemplo J.1 = 45. As outras
duas linhas esto situadas trs desvios padro acima e abaixo da mdia. A linha
correspondente a J.1 + 3a
= 48
o limite superior de oontrole. A linha correspondente a
J.1 - 3a = 42 naturalmente ser o limite inferior de oontrole. Entre esses dois limites, como j
sabemos, devero cair 99,73% de todos os valores individuais observados, se tudo estiver
perfeitamente bem.
A Figura 2.13 mostra um grfico de controle com os limites superior e inferior, mas
com alguns conjuntos de pontos que representam duas das situaes anmalas mais comuns.
Assim que uma situao dessas se apresentar, os tcnicos devem intervir e tomar as medidas necessrias para controlar novamente o processo. Para isso tero de basear-se no
conhecimento tcnico do funcionamento da planta, bem como nas evidncias obtidas a partir
do grfico. Uma mudana de nvel, por exemplo, pode estar associada a uma mudana de
turno, e ser provocada por maneiras diferentes de operar o processo. Uma tendncia pode
significar deteriorao do equipamento, ou contaminao progressiva de um reagente ou
catalisador.
Existem vrias regras prticas para ajudar os operadores a detectar situaes
anmalas. Por exemplo, as seguintes ocorrncias so consideradas sinais de descontrole:
Um ou mais pontos localizados fora dos limites de controle;
Quatro pontos, de cinco sucessivos, situados a mais de um desvio padro da mdia, de

um mesmo lado da linha central;
Seis pontos consecutivos ascendentes ou descendentes;
Nove pontos sucessivos de um mesmo lado da linha central.
Tais regras variam de um autor para outro. Voc poder encontrar muitas outras na
bibliografia recomendada no final desta seo.
62
50
Tendncia
LSC
Mudana de nvel
48
Q)
46
"'O
ctS
"'O
'00
O
u
cn 44
:;
42
40
20
40
60
80
Amostra
Figura 2.13 - Grfico de controle com padres de variao anmalos. LSC e

LIC indicam os limites de controle. A linha central corresponde mdia.
Qualidade sempre definida pela satisfao do cliente. ele que decide quais as
caractersticas que o produto deve apresentar. Um fabricante de pneus, por exemplo, pode
dizer a um fabricante de borracha que s compra seu produto se ele tiver uma viscosidade de
45. Esse o valor nominal da especificao. No entanto, como no realista esperar que
todos os lotes apresentam exatamente esse valor, o fabricante de pneus se dispe a aceitar
uma variao na viscosidade de, digamos, 3 unidades para mais ou para menos. Com esses
valores so definidos os limites de tolerncia da especificao: viscosidade de 42, no mnimo,
e de 48, no mximo.
Uma vez que os limites de tolerncia tenham sido acertados, o fabricante de pneus
estabelece uma inspeo por amostragem dos lotes de borracha que vo sendo recebidos. Os
lotes que carem fora da faixa de tolerncia da viscosidade, 42 - 48, so rejeitados e
devolvidos ao fornecedor. Este, claro, tem o maior interesse em desenvolver um processo
eficiente e estvel, capaz de satisfazer s exigncias do cliente. Acontece que ter o processo
sob controle significa apenas que ele est operando de forma consistente, no que o produto
ir satisfazer obrigatoriamente s especificaes. preciso comparar tambm o comportamento do processo, isto , os parmetros de controle, com os parmetros de especificao. S
assim teremos uma medida da capacidade do processo.
Um dos ndices de capacidade mais usados o Cpk, definido como a menor das duas
fraes
L8E -J1
3(}
J1-LIE
3(}
63
normaiment~~
onde LSE e LIE so os limites superior e inferior de especificao, e
J.1
e a so estimativas con-
fiveis da mdia e do desvio padro do processo. Por exemplo, se o cliente deseja uma borracha
com viscosidade entre 42 e 48, e o processo est operando com
L8E 3a
J.1
J.1'
= 46 e a = 1,6, ento
= 48-46 =042
3xl,6"
J1-LIE = 46 - 42 =0,83 .
3a
3xl,6
Nesse caso teremos
Cpk
= 0,42, que um valor muito ruim. Um valor, alis, que nenhum
cliente aceitaria. Algumas das empresas mais avanadas do mundo, como a Motorola e a
General Electric, j esto estabelecendo
Cpk
igual a 2 como o padro mnimo de qualidade
para seus prprios processos e tambm para os seus fornecedores (Bhote, 1996). Para
atender a essa exigncia, preciso manter o processo perfeitamente centrado no valor
nominal de especificao, e operando com um desvio padro no superior a 1/12 da faixa de
tolerncia. Nessa situao, somente dois valores por bilho cairo fora dos limites de tolerncia. essa meta que est na base do movimento de gerenciamento da qualidade conhecido como Seis Sigma 10 (Breyfogle, 1999).
o que
apresentamos aqui s uma pequena poro, e mesmo assim muito simpli-
ficada, do extenso conjunto de conceitos e tcnicas que constituem o controle estatstico de

processos. No nossa inteno esgotar o assunto, apenas discuti-lo um pouco, como
aplicao da distribuio normal. Um tratamento aprofundado pode ser encontrado em um
dos muitos livros inteiramente dedicados qualidade ou ao controle estatstico de processos.
Para saber mais sobre essas importantes ferramentas voc pode consultar, por exemplo,
Oakland e Followell (1990), Montgomery (1997) ou Vieira (1999).
2.7(d) Como comparar dois tratamentos

Como comparar duas mdias. Dois qumicos, S. Arrhenius e J. Berzelius, foram encarregados de analisar lotes de vinagre enviados por cinco fabricantes diferentes. Cada um
analisou uma amostra de cada lote, e obteve os resultados que aparecem na Tabela 2.4, onde
vemos que a mdia e o desvio padro das determinaes feitas por Berzelius so menores do
que os valores obtidos por Arrhenius. Para avaliar o desempenho de seus dois funcionrios, o
chefe do laboratrio, A. Lavoisier, resolve fazer uma comparao estatstica desses resulta-
10
Porque ser que o movimento tem justamente esse nome?
64
dos. Ser que as variaes significam que existe uma diferena sistemtica entre a tcnica
de um analista e a do outro, ou ser que apareceram somente porque eles analisaram
amostras distintas?
Os dados da Tabela 2.4 so um exemplo do tipo mais simples de experimento. Existe
um fator, a tcnica analtica, e uma resposta, a concentrao obtida. O fator est sendo
considerado em apenas 2 nveis, representados por Arrhenius e Berzelius. Nosso objetivo
descobrir se a resposta afetada pela mudana de nvel do fator.
Podemos resolver o problema estendendo a Equao 2.17 para a diferena de duas
mdias. Comeamos substituindo, no numerador, x por xA - xB e 11 por IlA - J.1B . Para o
denominador, precisamos do desvio padro da diferena entre as duas mdias amostrais.
Generalizando o resultado do Exerccio 2.14 para o caso em que XA e
xB so obtidos
respectivamente a partir de N A e N B observaes independentes, podemos escrever
Admitindo ainda que 8~ e s~ sejam estimativas da mesma varincia populacional, podemos

combin-las numa nica estimativa
-) = 8
V~(-xA -XB
(com mais graus de liberdade) e escrever
2[1--+--1) .
NA
NB
Tabela 2.4 Comparao dos resultados obtidos por dois qumicos titulando amostras de
vinagre de cinco diferentes procedncias. Teores de cido actico em %.
Amostra
= XA
Arrhenius
Berzelius
3,77
3,62
0,15
3,85
3,69
0,16
4,07
4,10
- 0,03
4,83
4,70
0,13
5,05
4,89
0,16
Mdia
4,314
4,200
0,114
Desvio padro
0,5871
0,5772
0,0814
Graus de liberdade
65
- XB
UU1an:oo as coisas funcionam
norma~mente
A expresso do teste t torna-se portanto
(2.25)
e da chegamos ao intervalo de confiana para a diferena entre as duas mdias

populacionais:
(2.26)
Para obter a estimativa conjunta do desvio padro de uma observao, s, fazemos

uma mdia das varincias das duas amostras, ponderadas pelos respectivos graus de
liberdade:
( N A-I) s~ + (N B
1) s~
(NA-I) + (N B -1)
o nmero
(2.27)
de graus de liberdade do teste t, como sabemos, o utilizado para o clculo de s.
Neste exemplo, v = NA + N B
2 = 8. Com os valores numricos apropriados, obtemos da
Equao 2.27 s = 0,5822 %. A estimativa do desvio padro da diferena entre as mdias fica
sendo ento
s
~ N1
+ 1 = 0,5822%
NB
x~~+~
= 0,3682%.
5 5
No nvel de 95% de confiana, temos t 8 = 2,306. Combinando tudo, podemos escrever

/lA -/lB = (4,314%-4,200%) (2,306 xO,3682%).
= 0,114% 0,849%
= [ - 0,735%, 0,963 %]
Concluso: nesse nvel de confiana, no podemos dizer que as mdias dos resultados obtidos
por Arrhenius e Berzelius sejam realmente diferentes.
66
Este teste provavelmente o mais usado de todos os testes estatsticos. muito

valioso quando a diferena sistemtica entre as amostras causada por um nico fator, e o
teste apropriado para comparar duas mdias independentes. Arrhenius e Berzelius, porm,
fizeram as determinaes em amostras de cinco diferentes fabricantes. natural esperar
que essas amostras apresentem diferentes teores de cido actico, e que amostras vindas de
um mesmo fabricante paream mais umas com as outras do que com uma amostra de um
fabricante diferente. S por isso o resultado das anlises j dever variar, mascarando uma
possvel diferena de tcnica analtica. Como estamos interessados na diferena entre os
analistas, precisamos de um mtodo que permita isolar a influncia da variao entre
fabricantes.
Exerccio 2.25
O teor de a-Pb02 numa placa de bateria de automvel foi determinado por espectroscopia de
raios-X. Foram registrados vrios espectros repetidos, fazendo-se (ou no) correo da linha
de base. Os resultados so mostrados abaixo. Existe diferena sistemtica entre os dois modos
de analisar a placa?
% a-Pb02
Espectro
Com correo
Sem correo
16,2
19,0
16,7
19,8
17,3
18,5
Como fazer comparaes emparelhadas. Apesar de termos acabado de fazer a anlise
estatstica incorreta, o experimento para comparar o desempenho de Arrhenius e Berzelius

na verdade foi executado de forma apropriada. Usou-se um procedimento conhecido como
bloatgem, que permite neutralizar a influncia de fatores que no so do nosso interesse.
A blocagem um dos princpios fundamentais da boa tcnica experimental. As dez
amostras da Tabela 2.4 podem ser vistas como cinco blOlnS de duas amostras, que so os
pares vindos de cada fabricante. No presente exemplo, estamos interessados na influncia da
tcnica analtica sobre os resultados da anlise. A procedncia do vinagre tambm afeta o
resultado, mas ela s atrapalha a comparao de interesse. Se simplesmente distribuirmos
aleatoriamente cinco amostras para um dos analistas e cinco para o outro, as diferenas de
resultados entre os dois estaro afetadas tanto pela diferena de procedimento quanto pela
variao na concentrao de cido actico. Os efeitos desses dois fatores estaro confundidos,
67
VU:dHUV
as coisas
fnc~onam norma~mente
e no teremos como separar o efeito de um do efeito do outro. Usando a blocagem, fazemos o

fator de interesse variar apenas dentro de blocos, e com isso exclumos o efeito do outro fator
(o fabricante) das nossas consideraes.
Para se obter os dados da Tabela 2.4, duas amostras foram retiradas de cada lote,
sendo uma dada a Arrhenius e a outra a Berzelius. Cada linha da tabela refere-se portanto a
duas amostras de um mesmo fabricante. Se os resultados das anlises diferirem de forma
sistemtica dentro das linhas, s pode ser por causa de uma diferena na maneira de
realizar a anlise qumica.
Caso no exista diferena de tcnica analtica entre Arrhenius e Berzelius, ento a
mdia das cinco diferenas na ltima coluna da tabela deve ser um ponto da distribuio t
com mdia
igual a zero. Para testar essa hiptese, precisamos do desvio padro da mdia
das variaes di dentro de cada linha:
-5:L
JN --
0,0814%
- 0364 01
J5 -,
-10
Esse valor cerca de dez vezes menor que o desvio padro da diferena entre as mdias
globais de Arrhenius e Berzelius, justamente porque a variao devida aos fabricantes foi
excluda do teste.
o intervalo de confiana para ~ dado por
(2.28)
Usando os valores da tabela (e t 4
= 2,776), obtemos ~ = [0,014%, 0,215%], e conclumos que
existe uma diferena sistemtica entre os resultados dos dois analistas. As anlises feitas
por Berzelius tendem mesmo a apresentar resultados mais baixos que as de Arrhenius, e a
diferena tem 95% de probabilidade de estar entre 0,014% e 0,215%. Note que esse resultado
no nos permite apontar o analista com a melhor tcnica, porque no conhecemos os verdadeiros valores das concentraes. S podemos afirmar que existe evidncia de diferena
sistemtica entre os resultados dos dois.
Um modo alternativo de fazer este teste usar os valores observados nas amostras
para estimar o ponto da distribuio t, e compar-lo com o valor da tabela (na hiptese de
que
= 0%). Fazendo desse jeito, teremos
68
::=
IJ -~ 1= 0,114%-0%
Sd/JN
::=
O,0814/JS
Como este valor superior a t 4
313
'
.
(2.29)
= 2,776 , conclumos que as chances de ele ter ocorrido por
acaso, sem que houvesse diferena de tcnica analtica, so inferiores a 2,5%, e rejeitamos a
hiptese nula, isto , a hiptese de que ~
= O%. Esse procedimento -
o teste de hipteses -
o preferido pela maioria dos estatsticos, e pode ser estendido s outras distribuies. Na
seo seguinte mostramos como testar a hiptese de igualdade de varincias. um teste que
iremos usar, mais tarde, para analisar a qualidade do ajuste de um modelo emprico.
A filosofia do teste de hipteses fcil de entender. O termo que aparece no
denominador da Equao 2.29 um exemplo de erro padro (neste caso, da mdia das
diferenas xA - xB). A estimativa
i o afastamento do valor amostraI em relao ao valor
populacional correspondente hiptese nula, medido em unidades de erro padro. Quanto

maior for esse afastamento, menos chances tem a hiptese nula de ser verdadeira. Intervalos
de confiana sempre podem ser transformados em testes de hipteses, em que o numerador
uma estimativa do parmetro de interesse e o denominador o erro padro correspondente.
Para a diferena entre duas mdias, por exemplo, o erro padro
s~ NA1
+ 1
NB
(Equao
2.26).
Exerccio 2.26
Como seria o teste de hipteses para a comparao de uma mdia com um valor de referncia?
Exerccio 2.27
Refaa o Exerccio 2.25, testando a hiptese nula, em vez de calcular o intervalo de confiana.
Para quanto preciso mudar o nvel de confiana, para que sua concluso se modifique?
Como comparar duas varincias. Para comparar as mdias de duas amostras independentes, combinamos as duas varincias amostrais numa nica estimativa conjunta.
Como a estimativa conjunta tem um nmero de graus de liberdade maior, o intervalo de confiana fica mais estreito e o teste passa a ser mais sensvel, isto , torna-se capaz de detectar
diferenas sistemticas menores. Evidentemente s faz sentido combinar varincias amostrais se elas forem estimativas da mesma varincia populacional. Para que a estimativa
conjunta se justifique, precisamos testar a hiptese nula de que s~ e s~ so estimativas de
69
OUianiOO as
coisas funcionam normahnente
varincias populacionais idnticas,
0-1
= (j~ Isto pode ser feito atravs de um teste F, que
se baseia na Equao 2.23. Com varincias populacionais iguais, a Equao 2.23 torna-se
Agora s precisamos comparar a razo das duas varincias amostrais com o valor tabelado
para a distribuio F, com os graus de liberdade apropriados. Usamos a Tabela A.4 e vemos
que, com 95% de confiana, F 4 ,4
= 6,39 . A razo entre as varincias ter de superar esse
valor, para que a hiptese nula seja rejeitada e a estimativa conjunta no possa ser feita.
Como temos no nosso exemplo
&l/s~) = (0,5871/0,5722J = 1,035,

tudo bem com os nosso clculos.
Note que o menor valor da Tabela A.4 1,000. Isto quer dizer que no teste F o
numerador sempre a maior das duas varincias. Um critrio prtico muito usado, que
dispensa a Tabela A.4, diz que podemos combinar varincias para obter uma estimativa
conjunta sempre que a razo entre a maior varincia e a menor no for superior a quatro.
70
2A Aplicaes
2A.l De casa para o trabalho

Um dos autores deste livro nunca quis aprender a dirigir. 1 Como mora a uns 12 km do trabalho, costuma usar nibus para deslocar-se at l. O percurso total leva pouco mais de uma
hora. Quando o nibus chega nas imediaes da universidade, passa debaixo de uma passarela de travessia de pedestres sobre a movimentada BR-101. Da at o terminal, do outro
lado do campus, existem 16 pontos de parada. Nosso investigador costuma utilizar, para
chegar at o departamento onde trabalha, um dos trs percursos descritos a seguir.
A. Saltar do nibus no primeiro ponto aps a passarela, us-la para cruzar a estrada, e
percorrer um dos lados externos do campus at a entrada que lhe dar acesso ao
departamento. Este o caminho mais deserto e mais sujeito ao sol e, se for o caso,
chuva.
B. Saltar no terceiro ponto aps a passarela, cruzar a BR-101 pelas pistas de rodagem,
e caminhar numa diagonal atravs do campus. Apesar do risco de atropelamento,
este caminho usado por muita gente e tem vrios trechos de sombra.
C. Saltar no ponto final, do outro lado do campus, e fazer um percurso diagonal em
sentido oposto. o caminho mais agradvel, mais seguro e com maior movimento de
pessoas.
A Tabela 2A.1 contm os resultados de 32 ensaios em que foi cronometrado o tempo
transcorrido desde o momento em que o nibus passou sob a passarela at a hora em que o
pesquisador cruzou o porto de entrada do departamento. Os ensaios esto dispostos na ordem em que foram realizados. A ordem no foi aleatorizada, por motivos que discutiremos
mais tarde. O objetivo do experimento era quantificar a diferena de tempo entre os trs
percursos. A Figura 2A.1 mostra todos os tempos registrados, na mesma ordem da tabela.
Um dos tempos da tabela (ensaio 9) foi excludo da anlise, logo de sada. Nesse dia
caiu uma chuva fortssima, que praticamente paralisou a cidade. O pesquisador levou mais
de quatro horas para ir de casa para o trabalho. O valor registrado na tabela, 56,3 minutos
(contados a partir da passarela junto da universidade), evidentemente no tpico dos tem1
BBN, claro. REB americano, e mais fcil um camelo passar pelo fundo de uma agulha do que
um americano viver sem carro. ISS uma jovem profissional me de famlia, e precisa do carro para
conciliar seus afazeres na universidade com a administrao domstica.
71
pos do caminho C. Ele o que se chama, sem qualquer conotao pejorativa, de um ponto
anmalo. A anomalia aqui significa apenas que o valor no pode ser considerado como vindo
da mesma distribuio que produziu os demais pontos, e portanto no faz sentido calcular
nenhuma estimativa com a sua participao. Existem muitos testes para detectar anomalias. Adiante falaremos de dois deles.
Tabela 2A.1 - Dados do experimento.

Ensaio
Sada de casa (h)
Dia da semana
Percurso
Tempo (min)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
10:55
11:20
10:40
11:25
12:50
11:30
11:25
7:35
8:10
7:00
8:10
17:00
15:00
12:30
7:30
12:30
8:15
7:05
12:50
7:35
8:00
9:20
7:15
8:15
8:40
8:40
9:00
10:00
9:10
9:15
11:15
14:30
segunda
quarta
sexta
segunda
sexta
quarta
quarta
tera
segunda
tera
quinta
sexta
quarta
segunda
tera
quarta
sexta
quinta
segunda
tera
quinta
quarta
quinta
sexta
segunda
quarta
sexta
quarta
sexta
quarta
segunda
sexta
C
C
18,3
18,9
10,9
20,7
11,4
22,9
12,1
12,8
56,3
13,3
10,9
13,1
12,7
20,6
18,9
11,0
10,3
13,0
18,6
13,0
10,6
10,4
21,5
10,9
10,9
11,0
19,1
16,1
12,1
18,1
12,2
19,2
B
C
B
C
B
A
C
A
B
A
A
C
C
B
B
A
C
A
B
B
C
B
B
B
C
C
B
C
B
C
Uma anlise estatstica mais ortodoxa provavelmente comearia com um procedimento conhecido como anlise da varincia. Primeiro decidiramos se existe alguma dife-
72
rena de tempo entre os trs percursos. S depois que tentaramos descobrir quais so as
origens e os valores das diferenas. Os autores deste livro, porm, so partidrios do que
poderamos chamar de Escola Yogi Berra de Anlise de Dados. Gostamos muito de outra
frase atribuda a Yogi, que diz assim: "s olhando, voc j observa muita coisa". Quanto
anlise da varincia, trataremos dela no Captulo 5, em outro contexto.
25 r - - - - - - y o - - - - - r - - - - y - - - - - r - - - - , . . . . . - - - - . , . - - - - ,
lo
20
oi
o
!~
.S
o
15
r-"
6u 009
!
o ---l----r--r--l --..--l---r--o Y
5L..-------'----'----'----...I.-.--A...-----""---"
o
5
10
15
20
25
30
35
Ensaio
Figura 2A.l- Tempos do experimento, na ordem em que foram obtidos. O tempo do

ensaio 9 foi excludo (veja texto).
A Figura 2A.2 apresenta os mesmo dados da Figura 2A.l, com uma diferena. Eles
agora esto estratificados, isto , agrupados de acordo com o percurso, o que, alis, uma
das sete ferramentas bsicas da qualidade, como j tivemos oportunidade de mencionar.
No precisamos de estatstica nenhuma para perceber imediatamente que o caminho C o
mais demorado e o que leva menos tempo o caminho B, seguido de perto pelo A. Tambm
fica evidente que a disperso dos valores bem maior no caminho C do que nos outros dois. 2
Uma pessoa que no tenha por representaes grficas o mesmo entusiasmo que ns
poderia argumentar que as mesmas concluses poderiam ser obtidas examinando-se os
valores numricos na prpria tabela, principalmente depois que eles fossem ordenados de
acordo com o percurso. At pode ser verdade, mas daria mais trabalho, e dificilmente a diferena nas disperses ficaria to clara. Alm do mais, a crescente automao dos instrumentos est tornando to fcil produzir tantos dados em to pouco tempo que procedimentos
grficos para filtrar ou concentrar informao esto deixando de ser apenas uma convenincia para tornar-se uma necessidade.
Voc pode descobrir a razo, comparando as descries dos trs percursos.
73
Quando as
co~sas
funcionarn
norrna~mente
Percurso
Figura 2A.2 - Dados do experimento, estratificados de acordo com o percurso.
Pois bem, no h dvida de que os caminhos B e A so os mais rpidos. Ser que a

diferena entre os dois significativa? A resposta est num teste t, semelhante ao que fizemos na Seo 2.7(d). Para realiz-lo, precisamos de alguns dos valores que esto na Tabela
2A.2. Usamos ento a Equao 2.26 e escrevemos
=2,4 (2,11xO,5464xO,4936)=2,40,57 = (1,83, 2,97).
desvio padro 0,5464 uma estimativa agregada, com 17 graus de liberdade, calculada
atravs da Equao 2.27. Como o intervalo (de 95% de confiana) no inclui o valor zero,
podemos concluir que o percurso B leva mesmo menos tempo - entre 1,83 e 2,97 minutos que o percurso A.
Este um excelente momento para enfatizarmos um ponto fundamental: significn-
cia estatstica uma coisa, importncia prtica outra. O resultado de um teste estatstico
nos indica apenas que um certo valor numrico uma manifestao de alguma caracterstica sistemtica do fenmeno que estamos estudando, e no um mero resultado de flutuaes
aleatrias. Se isto ou no importante quem tem de decidir o pesquisador, provavelmente com base em consideraes de outra natureza. No nosso exemplo, os dados nos dizem
que indo pelo caminho B o pesquisador pode chegar mais cedo ao seu destino. Esse percurso,
porm, o mais arriscado, por causa da travessia de uma estrada movimentada. A segunda
74
escolha, o caminho A, quase no tem proteo contra as intempries. Alm disto, a diferena
mdia de tempo entre ele e o caminho C de uns sete minutos apenas. Resultado: a menos
que esteja muito apressado, BBN continua preferindo usar o caminho C, que de longe o
mais confortvel.
Tabela 2A.2 - Estatstica descritiva dos tempos da Tabela 2A.1, excluindo-se o ensaio 9.
Percurso
Ensaios
Mnimo
Mximo
Mdia
Desvio padro
12,7
13,3
12,98
0,2137
13
10,3
12,2
11,13
0,6356
12
16,1
22,9
19,41
1,7799
Vrios outros fatos podem ser percebidos examinado-se mais atentamente os dados
do experimento. Um que salta vista a extraordinria flexibilidade dos horrios do pesquisador. Consideremos, porm, a Figura 2A.3, onde os horrios de sada de casa so mostrados em funo dos dias da semana. s teras e quintas o horrio nunca passa das oito da
manh. Voc pode desconfiar de alguma explicao para esse fato?
A Figura 2A.4 mostra como a escolha do percurso se relaciona com o horrio de
sada. Podemos perceber que o percurso A s foi escolhido quando o pesquisador saiu cedo ou
quando saiu tardinha. A explicao simples: esse caminho o mais exposto, e o sol est
mais fraco nesses horrios. Foi por isso, alis, que os experimentos no foram feitos em
ordem aleatria. O conforto do pesquisador, no mencionado at agora, foi um dos fatores
determinantes na conduo dos experimentos.
17:00
15:
oo----------r------------l-------c;----t-------------r-----------
------8----1--------------1-----~----1-------1---~---9:00
7:00
segunda
tera
quarta
quinta
sexta
Dia da semana
Figura 2A.3 - Horrio de sada, em funo do dia da semana.
75
17:00
norma~mente
o
I
15:00
1
~
11 :30
9:00
:~
7:00
.----8--+----.-----I--.-----1-.----1--.--i-----~-B
Percurso
Figura 2A.4 - Horrio de sada, em funo do percurso.
Voltemos agora ao valor aparentemente anmalo. Muitos testes para detectar anomalias j foram propostos. Um dos mais usados na qumica o teste Q de Dixon, que tambm admite a hiptese de normalidade da distribuio dos valores. Na verdade, existem vrios testes de Dixon, todos baseados em comparaes de diferenas entre o valor suspeito e
os demais valores da amostra. Voc poder obter mais informaes sobre esses testes em
Skoog e West (1996), e em Rorabacher (1991). Aqui vamos nos limitar a responder seguinte pergunta: devemos considerar o tempo de 56,3 minutos obtido no ensaio nmero 9 como
um elemento vindo da mesma distribuio que produziu os outros tempos registrados para o
caminho C?
Para fazer o teste de Dixon apropriado a esta questo, devemos comear calculando
a menor e a maior das diferenas entre o elemento suspeito e os demais valores do conjunto.
Depois fazemos a razo entre a menor diferena e a maior, e comparamos o resultado com
um valor de Q crtico tabelado, que depende do nvel de confiana desejado e do nmero total
de elementos na amostra. Se a razo calculada for superior ao valor da tabela, ento pdemos considerar o valor suspeito como uma anomalia. No nosso exemplo, como s existe um
valor suspeito (o tempo de 56,3 minutos verificado no ensaio 9), usaremos os valores tabelados para o teste de uma cauda. Como os valores extremos dos outros doze tempos do caminho C so 16,1 e 22,9 minutos (Tabela 2A.2), podemos escrever:
Maior diferena
= 56,3 -
16,1
=40,2
Menor diferena = 56,3 - 22,9 = 33,4
76
Razo = 33,4 = 0,831 .

40,2
Valores de Q crtico para n = 13:
0,479 (95% de confiana);
0,579 (99% de confiana)
A razo calculada supera, e muito, os valores tabelados para o teste de Dixon. Esse
resultado mostra, como j desconfivamos, que o ensaio nmero 9 realmente diferente dos
outros. Na verdade, j sabamos que a concluso teria de ser essa, porque as condies
atmosfricas nesse dia eram completamente atpicas.
Outro teste de anomalias muito popular o teste de Gmbbs, que alis o teste recomendado pela International Organization for Standardization (a famosa ISO, sigla que as empresas adoram colocar em seus anncios publicitrios). O teste de Grubbs tambm admite a
distribuio normal e compara a distncia, medida em desvios padro, do valor suspeito em
relao mdia do conjunto de valores. (O valor suspeito includo no clculo da mdia e do
desvio padro). Se essa distncia for maior que um certo limite crtico tabelado, o valor suspeito considerado anmalo. Usando todos os treze tempos obtidos no caminho C, temos
G = IXa
xl = 56,3 - 22,25 = 3 28
10,37
"
que superior ao valor de G tabelado no nvel de 95% de confiana, e portanto a presena de

uma anomalia mais uma vez confirmada. Observe que a incluso do valor anmalo tornou
a mdia - e sobretudo o desvio padro - bem maiores que os valores dados para o caminho C
na Tabela 2A.2.
O estudo das anomalias um assunto vasto e complexo. Barnett e Lewis (1984), por
exemplo, discutem 47 equaes diferentes sugeridas com essa finalidade. O ideal seria pdermos repetir a observao suspeita, para verificar se ela mesmo vlida. Como nem sempre isso vivel, cada vez maior o interesse dos pesquisadores pelo uso de testes no paramtricos, que so menos sensveis a eventuais anomalias.
Para finalizar, uma questo para voc meditar: ser que d para perceber alguma
peculiaridade nos valores numricos dos horrios de sada registrados na Tabela 2A.1?
2A.2 Bioequivalncia de medicamentos genricos e de marca

A Organizao Mundial de Sade vem estimulando a adoo de uma poltica de medica-
mentos genricos como forma de garantir o acesso univer6al sade e racionalizar o uso de
77
medicamentos. Um medicamento genrico uma formulao que, aps o trmino da validade

da patente ou da sua renncia, contm o mesmo princpio ativo, na mesma dose e forma farmacutica de um remdio de referncia, administrado pela mesma via e tem a msma indicao teraputica. importante, para a sade da populao, investigar se existe bioequivalncia entre um medicamento genrico e seu anlogo fabricado sob o privilgio da marca.
Uma das medidas comumente usadas para se testar a bioequivalncia a rea sob a curva
que descreve a variao, em funo do tempo, da concentrao do princpio ativo no sangue.
Tabela 2A.3 - Resultados do teste de bioequivalncia.
Voluntrio
A
Diferena
12.761
10.983
1.778
10.241
8.211
2.030
8.569
9.105
-536
13.321
12.508
813
11.481
12.114
-633
14.061
11.520
2.541
12.287
11.983
304
14.696
14.454
242
12.526
11.246
1.280
10
9.060
10.740
-1.680
11
12.329
10.879
1.450
12
13.244
13.818
-574
13
7.864
7.156
708
14
9.684
12.297
-2.613
15
11.811
12.279
-468
16
10.109
9.751
358
17
10.966
9.895
1.071
18
10.485
15.579
-5.094
19
11.899
9.296
2.603
20
13.200
16.163
-2.963
21
12.368
11.838
530
11.569,6
11.515,0
54,62
1.827,2
2265,7
1.906,3
Mdia
Desvio Padro
(*)
rea sob a curva (*)

B
Da concentrao do princpio ativo no sangue, no perodo O- 8 h.
78
Numa investigao de bioequivalncia envolvendo 21 voluntrios, foi administrado a

cada um deles um medicamento genrico (A) em uma etapa, e o medicamento de referncia
(B), seu presumido equivalente, em outra etapa (Cavalcante, 1999). A ordem de administrao dos medicamentos foi aleatria, e nem os indivduos testados nem os pesquisadores que
forneciam os remdios sabiam qual das duas formulaes estava sendo administrada num
dado momento. Isto conhecido como um teste em duplo rego (do ingls double-blind). Os
valores da rea sob a curva determinados no experimento so reproduzidos na Tabela 2A.3.
Para testar se as duas formulaes so equivalentes, na resposta escolhida para este
exemplo, devemos usar o mesmo procedimento que empregamos na seo 2.7(d), quando
fizemos comparaes emparelhadas das competncias analticas de Arrhenius e Berzelius.
Aplicando a Equao 2.28 aos valores da ltima coluna da Tabela 2A.3, temos
~ = d tu ~ = 54,62 2,0861.~3 = 54,62 867,8 .

vN
21
evidente que o intervalo incluir o valor zero, e que podemos considerar os dois remdios como
bioequivalentes, pelo menos do ponto de vista da rea sob a curva. Existe um ponto, porm, que
merece um comentrio. Quando tratamos os dados de Arrhenius e Berzelius, vimos que o
intervalo da comparao emparelhada era bem mais reduzido, porque eliminvamos a variao
causada pela procedncia da amostra. No presente exemplo, o comportamento dos dados outro.
O desvio padro das diferenas muito semelhante aos desvios padro das mdias dos dois
tratamentos. A Figura 2A.5 nos permite visualizar ao mesmo tempo a mudana dos valores
mdios e a semelhana das disperses. Tambm podemos ver que os pontos parecem desviar-se
um pouco de uma distribuio normal, mas isto no deve ser motivo de muita preocupao
porque, como j dissemos, o teste t bastante robusto em relao a tais desvios.
18000r---------r------r------~-----r--,
a-t_ : .....
, i
ri !
[]
6 ooo
-~
- - _ + -
_ +._
1.- - .
o
-o--13--
-6000
10
20
Voluntrio
Figura 2A.S - reas sob a curva da Tabela 2A.3.
79
........
A
B
DIF
2A.3 Mais feijes?

No melhor esprito da Rothamsted Experimental Station,3 onde R. A. Fisher desenvolveu
alguns de seus trabalhos mais importantes, os autores resolveram dar continuidade s suas
prprias pesquisas agronmicas e mediram os pesos de duas amostras de diferentes tipos de
feijo. Cada amostra continha seis caroos escolhidos aleatoriamente de sua respectiva
populao, um pacote de 1 kg comprado num supermercado. Os pesos obtidos esto na Tabela 2A.4. O feijo carioca parece mais pesado que o roxinho. Ser que essas amostras de
apenas seis elementos so suficientes para nos dar confiana nessa concluso?
Tabela 2A.4 - Pesos de caroos de dois tipos de feijo.
Tipo
Pesos (g)
Carioca
0,2580 0,2607 0,2854 0,2895 0,2712 0,2766
0,27357
0,012779
Roxinho
0,2175 0,2205 0,2260 0,2261 0,2119 0,2146
0,21943
0,005875
A resposta, mais uma vez, est num teste t, idntico ao da comparao dos tempos
no experimento rodovirio, mas vamos aproveitar para fazer um pouco diferente, e testar a
hiptese de que os dois pesos mdios so idnticos, para ver se podemos rejeit-la. Comeamos adaptando a Equao 2.25, que vimos na Seo 2.7(d), hiptese nula de igualdade
das mdias. Escrevemos portanto
Substituindo os valores apropriados e usando como desvio padro o valor obtido a partir da
combinao das varincias das duas amostras, temos
A
(0,27357 - 0,21943)-
t = ---------
0,0099456
ii
0,05414 9429.
0,0057421 '
O valor de t com 10 graus de liberdade 2,228, no nvel de 95% de confiana. Mesmo no

maior nvel de confiana da Tabela A.2, 99,95%, o valor de t apenas 4,587, que ainda
muito inferior estimativa obtida dos pesos dos caroos. Podemos afirmar ento, praticamente com certeza, que o peso mdio do caroo de feijo carioca maior que o peso mdio do
caroo de feijo roxinho.
3
E tambm por falta de uma idia melhor.
80
Capitu~o 2,
o peso mdio dos seis caroos de feijo roxinho, 0,21943 g, parecido com o peso mdio da amostra de 140 caroos de feijo preto que ns discutimos extensivamente neste
captulo (0,2024 g). evidente que no podemos tratar um pacote de feijo preto e um
pacote de feijo roxinho como pertencentes mesma populao, mas ser que no
poderamos considerar que as duas populaes podem ser descritas pelos mesmos
parmetros?
Comearemos testando as varincias, lembrando que o desvio padro da amostra de
feijo preto era 0,0363 g. A razo entre as varincias amostrais dada por
si
s~
o valor
(0,0363)2
= 38,18
(0,005875)2
do ponto correspondente da distribuio F, com 95% de confiana, F 139,5 :::4,38
(fazendo-se uma pequena aproximao, j que a tabela no tem nenhum dado para 139
graus de liberdade). Como o valor calculado para a razo das varincias muito maior, no
podemos supor que as duas populaes tenham a mesma varincia. Isto implica, por sua
vez, que no temos o direito de combinar os dois valores das varincias amostrais para obter
uma estimativa agregada da mesma forma que vnhamos fazendo e ento partir para a
comparao das duas mdias. No existe um teste t exato para este caso, mas podemos usar
um procedimento aproximado, que uma modificao do teste que j usamos vrias vezes
(veja por exemplo Montgomery e Runger, 1999, Captulo 9). A estimativa necessria para o
teste agora dada por
i*
--;::::X=A=-=X=B=2
2
_S_A_ + _s_B_
NA
NB
Substituindo os valores, temos
it~4
= --;::==0,=2=19=4=3=-=0=,2=0=2=4==- = 0,01703 = 4 373
(0,005875)2
(0,0363)2
,---=-----_......:...--+ - - - 6
140
0,003894
'
Este resultado deve ser comparado com o valor da distribuio t com o nmero de graus de
liberdade total, N A + N B
2 , no nvel de confiana desejado. Ele superior at mesmo ao
valor da Tabela A.2 com 99,95% de confiana, t 120 = 3,373 (estamos sendo conservadores em
relao ao nmero de graus de liberdade). Concluso: estamos diante de uma forte evidncia
de que os pesos mdios dos dois tipos de feijo tambm so diferentes.
81
Quando as
co~sas
funcionam normaimente
~--~--~------~---~-----
2A.4 Produtividade de algas marinhas

Agar-agar, um gel preparado a partir das paredes celulares de vrias algas vermelhas,
usado como meio de cultura em laboratrios e tambm como espessante, estabilizante ou
adesivo nas indstrias de alimentos, de cosmticos e de frmacos. Geyer et aI (1990) estudaram como o teor de agar-agar extrado da alga Pterocladia capillacea (Rhodophyceae) variava com a localidade onde as amostras eram colhidas, na costa prxima a Arraial do Cabo,
no Estado do Rio de Janeiro. A Tabela 2A.5 contm resultados obtidos em dois locais, um
com pouca atividade urbana mas com atividade industrial (A), e o outro com muita atividade
urbana, mas sem indstrias (B). Ser que essa diferena de ambiente altera o teor de agaragar extrado?
Tabela 2A.S - Teor de agar-agar de algas marinhas recolhidas em dois locais diferentes.
Local
Amostras
Teor de agar (%)
10
39,75 36,40 33,88 27,85 31,42
33,866
4,9077
37,784
5,4948
34,40 36,62 36,50 38,04 23,80
42,37 45,23 34,14 37,00 29,96

31,82 34,58 42,58 42,38
Primeiro vamos ver se podemos combinar as varincias da forma tradicional. Usando os desvios padro da tabela, temos
s~
sA
= (5,4948
12 = 1,254 .
4,9077 )
Como no nvel de 95% de confiana temos F S ,9 = 3,23, conclumos que podemos fazer a
estimativa agregada da varincia, que nos dar uma estimativa do desvio padro de 5,1923,
com 17 graus de liberdade. Em seguida, usamos a Equao 2.26 para obter um intervalo de
confiana para a diferena entre os dois teores mdios de agar-agar:
= (33,866 - 37,784) 2,110x5,1923xO,4595

=-3,918 5,034.
evidente que o intervalo incluir o valor zero, e portanto no temos evidncia, nesse nvel
de confiana, de que a mudana no tipo de atividade - urbana ou industrial - altere o teor

de agar-agar das algas colhidas nos dois locais.
82
3
Como variar tudo ao mesmo tempo
Um dos problemas mais comuns, para quem faz experimentos, determinar a influncia de
uma ou mais variveis sobre uma outra varivel de interesse. Por exemplo, nosso velho
amigo da titulao, ao estudar uma certa reao qumica, pode querer saber como o
rendimento seria afetado se ele, digamos, variasse a temperatura ou usasse um catalisador
diferente. No linguajar estatstico, dizemos que ele est interessado em descobrir como a
resposta (o rendimento da reao) depende dos fatores temperatura e catalisador. Podemos abordar esse problema como um caso particular da situao mostrada esquematicamente na Figura 3.1. Um certo nmero de fatores, Fl, F2, ..., Fk, atuando sobre o sistema em
estudo, produz as respostas Rl, R2, ..., Rj. O sistema atua como uma funo - desconhecida,
em princpio, seno no precisaramos de experimentos - que opera sobre as variveis de
entrada (os fatores) e produz como sada as respostas observadas. O objetivo da pessoa que
realiza os experimentos descobrir essa funo, ou pelo menos obter uma aproximao
satisfatria para ela. Com esse conhecimento, ela poder entender melhor a natureza da
reao em estudo, e assim escolher as melhores condies de operao do sistema.
No planejamento de qualquer experimento, a primeira coisa que devemos fazer
decidir quais so os fatores e as respostas de interesse. Os fatores, em geral, so as variveis
que o experimentador tem condies de controlar. 1 Podem ser qualitativos, como o tipo de
catalisador, ou quantitativos, como a temperatura. s vezes, num determinado experimento,
sabemos que existem fatores que podem afetar as respostas, mas que no temos condies
de, ou no estamos interessados em, controlar. Um exemplo a procedncia do vinagre, na
comparao entre Arrhenius e Berzelius. Precisamos tomar muito cuidado com fatores desse
tipo, para que o seu efeito no seja confundido com os efeitos de interesse. Uma das tcnicas
que podemos usar para evitar o confundimento a blocagem, como j vimos. Outra muito
importante a aleatorizao, sobre a qual falaremos mais tarde.
1 Muitos engenheiros preferem chamar as alteraes nos fatores de "manipulao", em vez de

"controle". Controle, para eles, o que voc quer fazer com a varivel dependente (isto , a resposta)
quando manipula os fatores. Faz um certo sentido, mas vamos ficar com a nossa terminologia, que a
tradicional na literatura de planejamento de experimentos.

83
Como variar tudo ao mesmo
As respostas so as variveis de sada do sistema, nas quais estamos interessados,

e que sero - ou no - afetadas por modificaes provocadas nos fatores (as tais manipulaes). Tambm podem ser qualitativas ou quantitativas. Dependendo do problema,
podemos ter vrias respostas de interesse, que talvez precisem ser consideradas simultaneamente.
Figura 3.1 Um sistema pode ser representado por uma funo (em princpio
desconhecida) ligando os fatores (variveis de entrada) s respostas (variveis
de sada).
Tendo identificado todos os fatores e respostas, nosso prximo passo definir, com o
mximo de clareza, o objetivo que pretendemos alcanar com os experimentos, para que
ento possamos escolher o planejamento mais apropriado. Por exemplo, nosso qumico pode
estar s querendo saber se trocar o catalisador por um mais barato no vai diminuir o rendimento da reao. Ou ento, pode querer descobrir que temperatura deve ser usada para se
obter o rendimento mximo. Ou ainda, at quando ele pode variar os fatores sem alterar o
rendimento ou a qualidade do produto final, e assim por diante. O planejamento dos experimentos, isto , a especificao detalhada de todas as operaes experimentais que devem ser
realizadas, vai depender do objetivo particular que ele quiser atingir. Objetivos diferentes
precisaro de planejamentos diferentes.
Neste captulo estudaremos planejamentos fatoriais de dois nveis, que so muito
teis em investigaes preliminares, quando queremos saber se determinados fatores tm ou
no influncia sobre a resposta, e no estamos preocupados ainda em descrever muito
rigorosamente essa possvel influncia (Box, Hunter e Hunter, 1978, Captulo 10). So planejamentos muito simples de executar, que depois podem ser ampliados para formar um
planejamento mais sofisticado, se quisermos conhecer melhor a relao entre a resposta e os
fatores importantes.
84
Por outro lado, se estivermos considerando um nmero de fatores relativamente

grande, possvel que alguns deles no tenham influncia significativa sobre a resposta.
Nesse caso, um planejamento completo seria um desperdcio. O melhor seria fazer primeiro
uma triagem, para decidir quais so os fatores que merecem um estudo mais aprofundado.
Para isso poderamos usar um planejamento fatorial incompleto, como o fatorial fraeionrio,
que discutiremos no prximo captulo.
Exerccio 3.1
Pense num experimento, de preferncia numa rea de seu interesse, cuja resposta seja
quantitativa. Que fatores voc gostaria de examinar, para determinar a possvel influncia
deles sobre a resposta? Que fatores poderiam atuar como confundidores? Que fatores
poderiam contribuir para o rudo - isto, , a flutuao aleatria - nas respostas?

Para executar um planejamento fatorial, comeamos especificando os nveis em que cada
fator deve ser estudado, isto , os valores dos fatores (ou as classes, nos casos qualitativos)
que vamos usar para fazer os experimentos. Podemos, por exemplo, querer estudar o efeito
do fator temperatura em quatro nveis, 50C, 60C, 70C e 80C, e o efeito do catalisador em
trs nveis, os catalisadores A, B e C. Para fazer um planejamento fatorial (OIIlpleto,
devemos realizar experimentos em todas as possveis combinaes dos nveis dos fatores.
Cada um desses experimentos, em que o sistema submetido a um conjunto de nveis
definido (por exemplo: temperatura de 60C e catalisador do tipo A), unI ensaio
experimental. Havendo 4 nveis num fator e 3 no outro, como neste exemplo, so neeessrios
4 x 3 = 12 ensaios diferentes, e o planejamento chamado de fatorial 4 x 3. Em geral, se
houver nl nveis do fator 1, n2 do fator 2, ... , e nk do fator k, o planejamento ser um
fatorial nl x n2 x ... x nk . Isso no significa obrigatoriamente que sero realizados apenas
nl x...
x nk experimentos. Este o nmero mnimo necessrio para um planejamento
fatorial completo. Podemos querer estimar o erro experimental a partir de ensaios repetidos,
e nesse caso vamos precisar de mais experimentos.
Para estudar o efeito de qualquer fator sobre uma dada resposta, precisamos faz-lo
variar de nvel (manipul-lo, no ?), e observar o resultado que essa variao produz sobre
a resposta. Como, para isso, precisamos ter o fator em pelo menos dois nveis diferentes,
podemos concluir que o planejamento mais simples de todos aquele em que todos os fatores
so estudados em apenas dois nveis.
85
Como vadartuo ao mesmo
Para k fatores, isto , k variveis controladas pelo experimentador, um planejamento

completo de dois nveis exige a realizao de 2 x 2 x ... x 2 = 2k ensaios diferentes, sendo
chamado por isso de planejamento fatorial 2 k . Nesta seo vamos examinar os efeitos do
aumento da temperatura e da mudana de catalisador sobre o rendimento de uma reao,
para mostrar como fazer um planejamento fatorial 2 2 e como analisar os resultados obtidos.
Com esse exemplo discutiremos uma srie de conceitos fundamentais, que depois poderemos
aplicar a planejamentos envolvendo um nmero qualquer de fatores.
Comeamos escolhendo os nveis: 40C e 60C para a temperatura, e A e B para o
catalisador. Como este apenas um exemplo para fins didticos, o sistema fictcio, e a
escolha dos nveis arbitrria. Na vida real, teramos de nos apoiar no conhecimento
disponvel sobre o nosso sistema e pensar bem antes de determinar quais so os nveis que
devemos escolher.
Para fazer o planejamento 22 , devemos realizar ensaios e registrar as respostas
observadas (os rendimentos, neste caso) em todas as quatro possveis combinaes dos nveis
escolhidos: (40C, A), (40C, B), (60C, A) e (60C, B). A lista dessas combinaes, que
chamada de matriz de planejamento, apresentada na Tabela 3.1, juntamente com os
rendimentos obtidos nos experimentos. Note que todos os ensaios foram feitos em duplicata,
produzindo oito respostas no total. Graas a isto, poderemos estimar o erro experimental de
uma resposta individual. A extenso desse erro importante para decidirmos se existem ou
no efeitos significativos que possamos atribuir ao dos fatores.
Tabela 3.1 Resultados de um planejamento fatorial 2 2 para estudar o efeito da temperatura

e do catalisador sobre o rendimento de uma reao.
Rendimento (%)
Ensaio
Temperatura CC)
Catalisador
Mdia
40
57
61
59
60
92
88
90
40
55
53
54
60
66
70
68
Exerccio 3.2
Alm da temperatura e do catalisador, nos nveis que acabamos de citar, nosso qumico deseja
estudar ao mesmo tempo, por meio de um planejamento fatorial, o efeito de trs valores da
presso: 1, 5 e 10 atm. Quantos ensaios ele ter de realizar, no total?
86

De acordo com a Tabela 3.1, quando usamos o catalisador A e elevamos a temperatura de 40C
para 60C (ensaios 1 e 2), o rendimento mdio passa de 59% para 90%. Ocorre portanto um
aumento de 90 - 59 = 31%. Quando o catalisador do tipo B (ensaios 3 e 4), o rendimento sobe
apenas 68 - 54
= 14%. Isso mostra que o efeito da temperatura, ou seja, o que acontece com o
rendimento da reao quando elevamos a temperatura de 40C para 60C, depende do nvel em
que o catalisador est. O efeito do catalisador, por sua vez, tambm depende do nvel da
temperatura. A 40C (ensaios 1 e 3) a mudana de catalisador diminui o rendimento mdio em
5%. A 60C (ensaios 2 e 4), a reduo passa a ser de 22%. Quando o efeito de uma varivel
depende do nvel de outra, como neste caso, dizemos que as duas variveis interagem, e
podemos calcular o valor do efeito de interao entre elas, como vremos em breve.
O efeito principal da temperatura por definio a mdia dos efeitos da temperatura

nos dois nveis do catalisador. Usando a letra T para representar esse efeito, e sendo
Yi
a-
resposta mdia observada no i-simo ensaio, podemos escrever
T = (Y2 - Yl) + (Y4 - Y3)
(3.1)
(90-59)
= -:.....-_
_ + (68-54)
2
...:..-----:.-_-~
(31) + (14)
=-~-~-.;...
2
= 22,5 %.
Este valor indica que o rendimento da reao sobe 22,5% , em mdia, quando a temperatura passa de seu nvel inferior (40C) para o seu nvel superior (60C). Esta concluso,
porm, est incompleta. Como acabamos de ver, a temperatura e o catalisador interagem, e
no devemos falar do efeito da temperatura sem dizer algo sobre o tipo de catalisador. Precisamos, na verdade, interpretar os efeitos dos dois fatores conjuntamente, para no deixar
dvidas sobre a interao que existe entre eles. Voltaremos a este ponto na Seo 3.1(d).
Nos planejamentos de dois nveis costuma-se identificar os nveis superior e inferior
com os sinais (+) e (-), respectivamente. Usando essa notao, vemos que os ensaios 2 e 4 na
Tabela 3.1 correspondem ao nvel (+) da temperatura, enquanto os ensaios 1 e 3 correspondem ao nvel (-). A atribuio desses sinais tambm pode ser feita para os nveis dos
fatores qualitativos. Em nosso exemplo vamos admitir que o nvel (+) corresponde ao catalisador B. A escolha arbitrria, e no afeta nossas concluses.
87
Como variar tudo ao rnesmo
A Equao 3.1 pode ser reescrita como a diferena entre duas mdias:
(3.1a)
Como
Y2
Y4
pertencem ao nvel (+) e
Yl
Y3
pertencem ao nvel (-) do fator temperatu-
ra, vemos que o efeito principal T a diferena entre a resposta mdia no nvel superior e a
resposta mdia no nvel inferior desse fator:
[
i
i
!
T
=y+ -y_
1
1
!
i
(3.2)
i'
I
L~~_~_.............J
Esta expresso vale para qualquer efeito principal num planejamento fatorial completo de
dois nveis e pode ser considerada como uma definio alternativa de efeito principal.
Para o catalisador, na nossa escolha de sinais, o nvel superior corresponde aos
ensaios 3 e 4 e o inferior aos ensaios 1 e 2. O efeito principal do catalisador ser portanto, de
acordo com a Equao 3.2,
(3.3)
= -13,5 %.
Note que o efeito negativo. Quando trocamos o catalisador A pelo catalisador B o

rendimento cai 13,5% em mdia. Se na escolha de sinais tivssemos invertido as posies e
colocado o catalisador A, ao invs do B, no nvel superior, o efeito calculado teria sido C =
+13,5%. Na prtica, a concluso seria a mesma: h uma diferena entre os rendimentos
obtidos com os dois catalisadores, e os resultados do catalisador B so, em mdia, 13,5%
mais baixos.
Se no houvesse interao, o efeito da temperatura deveria ser o mesmo com qualquer catalisador. J sabemos, porm, que a situao no esta. O efeito da temperatura
+31 % com o catalisador do tipo A, mas cai para +14 % quando usamos o tipo B. Como na ausncia de interao esses dois valores deveriam ser idnticos (a menos do erro experimental),
podemos tomar a diferena entre eles como uma medida da interao entre os fatores T e C.
Na verdade, por uma questo de consistncia com a definio dos outros efeitos (como veremos em breve), a metade da diferena que , por definio, o efeito de intera~o entre os
dois fatores. Usando TxC, ou simplesmente Te, para representar esse efeito, podemos escrever
88
TxC
= Te =
14-31
=- 8,5 %.
2
Note que fazemos a diferena subtraindo o valor do efeito T correspondente ao nvel inferior
do catalisador (que o tipo A, pela nossa conveno de sinais) do valor correspondente ao nvel superior (tipo B), numa ordem anloga da Equao 3.2. Identificando as respostas de acordo com os ensaios em que foram obtidas, podemos escrever
(3.4)
As Equaes 3.1, 3.3 e 3.4 mostram que para calcular qualquer efeito usamos todas as respostas observadas. Cada efeito a diferena de duas mdias. Metade das observaes contribui para uma das mdias, e a metade restante aparece na outra mdia. Esta uma importante caracterstica dos planejamentos fatoriais de dois nveis. As respostas obtidas nunca ficam ciosas.
Exerccio 3.3
Calculamos uma medida da interao entre os fatores T e C a partir da diferena dos
efeitos da temperatura. Algum poderia perguntar porque no fizemos, em vez disso, a
diferena entre os efeitos do catalisador nos dois nveis da temperatura. Mostre,
algebricamente, que as duas medidas so idnticas. Lembre-se de que, pela conveno de
sinais que adotamos, a conta que voc deve fazer [(Efeito do catalisador a 60C) - (Efeito
do catalisador a 40C)], e no o contrrio.
3.1(b) Interpretao geomtrica dos efeitos

Podemos dar uma interpretao geomtrica aos efeitos que acabamos de calcular. Para isto,
representamos o planejamento experimental num sistema cartesiano, com um eixo para
cada fator. Como temos apenas dois fatores, o espao definido por eles um plano.
Escolhendo apropriadamente as escalas dos eixos, podemos colocar os quatro ensaios nos
vrtices de um quadrado (Figura 3.2). Atribuindo sinais algbricos aos ensaios de acordo com
as Equaes 3.1a, 3.3 e 3.4, vemos que os efeitos principais so oontrastes - isto , diferenas
mdias - entre valores situados em arestas opostas e perpendiculares ao eixo do fator
correspondente, como mostram as Figuras 3.2(a) e 3.2(b). O efeito de interao [Figura
3.2(c)], por sua vez, o contraste entre as duas diagonais, considerando-se positiva a
diagonal que liga o ensaio (- -) ao ensaio (++). Foi por isso que
89
divi~imos
por 2, quando
calculamos o efeito TC. Assim ele tambm pode ser interpretado geometricamente como uma
diferena mdia.
(-)
(+)
Temperatura
(a)
"'O
as
.~
ro
10
(-)
(-)
Temperatura
(b)
(+)
"O
co
.5a
(ij
CU
(-)
(-)
(+)
Temperatura
(c)
Figura 3.2 Interpretao geomtrica dos efeitos num planejamento 2 2 Os

efeitos principais so contrastes entre arestas opostas [(a) e (b)]. O efeito de
interao o contraste entre as duas diagonais [(c)].
90
3.1(c) Estimativa do erro experimental

Os ensaios da Tabela 3.1 foram realizados em duplicata, para que pudssemos ter uma
maneira de estimar o erro experimental, e a partir da avaliar a significncia estatstica dos
efeitos. Para isso, preciso que a duplicao seja uma
repeti~o autntim,
isto , a reali-
zao, pela segunda vez, de todas as etapas do ensaio, desde, digamos, a limpeza da vidraria
at a separao e a anlise do produto final. Este ponto extremamente importante. Se ns
fizermos as repeties de forma imprpria, sem incluir a variabilidade total do processo, os
erros vo parecer menores do que na realidade so, e talvez sejamos levados a enxergar
efeitos significativos onde eles na verdade no existem.
Para evitar a ocorrncia de distoro estatstica nos resultados, isto , para impedir
que desvios atpicos sejam obrigatoriamente associados a determinadas combinaes de nveis,
devemos realizar os ensaios em ordem aleatria. Suponhamos, por exemplo, que a reao da
Tabela 3.1 possa ser influenciada pela luz, e que tenhamos de realizar parte dos experimentos
durante o dia, e parte noite. Se escolhermos usar somente o catalisador A durante o dia e o
catalisador B noite, estaremos confundindo o efeito do catalisador com um possvel efeito
devido mudana de luminosidade. Para evitar esse problema, devemos sortear a ordem de
realizao dos ensaios, isto , fazer a
aleatoriza~ de
que falamos no incio do captulo.
A aleatorizao outro princpio experimental extremamente importante, que nos ajuda

a impedir que fatores indesejveis, dos quais no estamos cientes, contaminem os efeitos que
queremos investigar. Se ns sorteamos a ordem de realizao dos ensaios, a probabilidade de um
desses fatores afetar uma resposta a mesma para todas as respostas, e assim sua atuao ficar
diluda. A numerao dos ensaios, como na Tabela 3.1, apenas uma forma conveniente de
identificar as vrias combinaes de nveis, e nada tem a ver com a ordem em que os experimentos so efetivamente realizados. Esta, como acabamos de ver, deve ser aleatria.
importante distinguir a aleatorizao da blomgem, sobre a qual falaremos mais

no final do captulo. Na aleatorizao estamos nos precavendo contra fatores que talvez possam influenciar o resultado, mas dos quais no temos conhecimento. Na blocagem, sabemos
desde o incio que os fatores podem influenciar o rendimento, s que no estamos interessados no efeito deles, e levamos isto em conta na hora de definir o planejamento, de forma a
evitar ou minimizar confundimentos. Assim, por exemplo, se j sabemos que a luminosidade
pode afetar o rendimento da reao, devemos inclu-la como um dos fatores, junto com os
outros usados para definir o planejamento. Se, por algum motivo, esse efeito no for do nosso
interesse, devemos tentar descont-lo fazendo uma blocagem.
91
Outro ponto importante que a realizao das repeties deve refletir a variabilidade do processo em toda a faixa de estudo, e no apenas numa determinada combinao
de nveis. Se no tivermos condies de repetir todos os ensaios, devemos escolher, para as
repeties, ensaios que cubram a maior parte da faixa experimental estudada. Essa precauo pode parecer tola quando se tem apenas quatro ensaios, mas se torna muito importante
quando o nmero de fatores aumenta.
A partir das repeties feitas numa dada combinao de nveis podemos obter uma
estimativa do erro experimental nessa combinao. Por exemplo, os rendimentos observados
no ensaio n 1 foram 57% e 61%. Como so repeties autnticas e realizadas em ordem aleatria, podemos tomar a varincia desse par de valores, que 8, como uma estimativa da
varincia tpica do nosso procedimento experimental. A rigor, uma estimativa referente
combinao de nveis em que os dois resultados foram obtidos - temperatura de 40C e catalisador A. Porm, se admitirmos que a varincia das repeties a mesma em toda a regio investigada, podemos combinar as informaes de todos os ensaios e obter uma estimativa com
mais graus de liberdade. Na prtica, esta suposio costuma funcionar muito bem. De qualquer forma, havendo necessidade, sempre podemos usar um teste F para confirmar a sua
validade.
Cada um dos ensaios foi realizado apenas duas vezes, e por isso fornece uma estimativa da varincia com apenas um grau de liberdade. Para obter uma estimativa conjunta,
com 4 graus de liberdade, ampliamos a Equao 2.27 e calculamos a mdia de todas as estimativas, ponderadas pelos respectivos graus de liberdade. Incluindo as varincias observadas nos outros trs ensaios (8,2 e 8, respectivamente), temos
82
= (lx8)+(lx8)+(1x2)+(lx8) = 8+8+2+8 = 6,5.

4
1+1+1+1
Tirando a raiz quadrada desse valor, obtemos uma estimativa, com quatro graus de liberdade, do desvio padro associado a uma observao, isto , do erro experimental caracterstico - o chamado
eITO
padro - das nossas respostas:
s=~6,5 =2,55%.
Quando o nmero de repeties o mesmo em todos os ensaios, a estimativa da varincia
experimental simplesmente a mdia aritmtica das varincias observadas nos ensaios
individuais, como neste exemplo. No caso geral, se cada ensaio for repetido
ni
vezes e houver
m ensaios diferentes, a estimativa conjunta da varincia experimental ser dada por
92
222
VISI + V2 S 2 +
+ VmS m
S2
VI +V2
= ni -
onde Vi
(3.5)
+Vm
1 o nmero de graus de liberdade de sf , a estimativa da varincia do i-simo
ensaio.
Cada um dos efeitos calculados nas Equaes 3.1-3.4 uma combinao linear de
quatro valores Yi' com coeficientes ai iguais a +1/2 ou -1/2. Por causa da autenticidade das
repeties e da ordem aleatria de realizao dos ensaios, esses valores devem ser estatisticamente independentes. Admitindo tambm que eles tm a mesma varincia populacional
G' , podemos aplicar a Equao 2.15, com af

V( efelto} = (1
A
= 1/4, para calcular a varincia de um efeito:
+ -1 + -1 + -1) (J-2 = G'-2

4
Lembrando ainda que cada valor Yi neste exemplo na verdade a mdia de duas observaes independentes, podemos aplicar novamente a Equao 2.15 e escrever
onde
(J2
lugar de
(J = (J2 /
2,
= 6,5
no
a varincia de uma observao individual. Usando nossa estimativa

(J2 ,
obtemos finalmente uma estimativa, com 4 graus de liberdade, do
S2
eITO
padro
de um efeito no nosso experimento:
s( efeito) ==
~ == 1,80%
V"""2
Uma outra forma de obter o erro padro de um efeito utilizar a Equao 3.2. Como um
efeito um contraste entre duas mdias, isto ,
efeito = Y+
- y- ,
podemos escrever
porque neste caso temos quatro respostas com sinal positivo e as outras quatro com sinal
negativo. Fazendo-se a mudana apropriada nos denominadores, uma expresso semelhante
se aplica a um fatorial de dois nveis qualquer, porque nesses planejamentos um efeito ser
sempre um contraste entre duas mdias, com metade das respostas em cada mdia.
93
Com o erro padro podemos construir intervalos de confiana para os valores dos
efeitos, usando a distribuio de Student:
!
.~
ij - t y x s( efeito) < 11 < ij + t y x s( efeito)
i.
(3.6)
Nesta equao, para no confundir com a notao j empregada para mdias, usamos a letra
grega 11 para representar o verdadeiro valor de um efeito, isto , o valor populacional, e o
acento circunflexo para indicar a estimativa desse valor obtida a partir dos ensaios realizados no experimento. Na prtica, a equao implica que s devemos considerar estatisticamente significativos os efeitos cujas estimativas (obtidas no experimento) forem superiores
em valor absoluto ao produto do erro padro pelo ponto da distribuio de Student, porque
s assim o intervalo de confiana no incluir o valor zero.
Exerccio 3.4
Mostre que para um par de valores numricos
s2
=d 2 /2, onde d a diferena entre os dois valo-
res. Use este resultado e mostre que em um conjunto de N ensaios duplicados (isto , cada ensaio
repetido uma s vez, como na Tabela 3.1) a estimativa conjunta da varincia experimental
3.1(d) Interpretao dos resultados

A Tabela 3.2 contm os resultados da nossa anlise dos dados da Tabela 3.1, e inclui o rendimento mdio global, que tambm uma combinao linear de todas as observaes.
Tabela 3.2 Efeitos calculados para o planejamento fatorial 2 2 da Tabela 3.1. Note que o
erro padro da mdia global a metade do erro padro dos efeitos.
67,75 0,9
Mdia global:
Efeitos principais:
22,5
1,8
-13,5 1,8
Efeito de interao:
- 8,5 1,8
Te
94
Inicialmente, precisamos decidir quais, dos efeitos calculados, so significativamente diferentes de zero, e portanto merecedores de interpretao. De acordo com a Equao 3.6, s
consideraremos estatisticamente significativo, com 95% de confiana, um efeito cujo valor
absoluto for superior a t 4 x s(efeito)
=2,776
x1,8% = 5,0%. Aplicando esse critrio aos
valores da Tabela 3.2, vemos que todos eles so significativos, ou seja, os efeitos existem
msmo. Podemos, portanto, tentar entender o que eles significam na prtica.
Como o efeito de interao significativo, os efeitos principais devem ser interpretados conjuntamente. A melhor forma de fazer isso traar um diagrama contendo as respostas mdias em todas as combinaes de nveis das variveis, como na Figura 3.3. Examinando o diagrama, podemos concluir que:
1.
Elevando a temperatura aumentamos o rendimento da reao, mas esse efeito muito

mais pronunciado com o catalisador A do que com o catalisador B (+31% contra +14%).
2.
Trocando o catalisador A pelo catalisador B diminumos o rendimento da reao, e esse

efeito muito mais significativo a 60C do que a 40C ( -22% contra -5%).
3.
Os maiores rendimentos (90%, em mdia) so obtidos com o catalisador A e com a

temperatura em 60C.
+14
...o
"C
co
.!
...co
"ii
40
60
Tem peratura
Figura 3.3 Diagrama para interpretao dos resultados do planejamento fato-
rial 22 . Os valores nos vrtices do quadrado so as respostas mdias (rendimentos percentuais).
Exerccio 3.5
De acordo com a Tabela 3.2, o erro padro da mdia a metade do erro padro dos efeitos.
Use a Equao 2.15 para mostrar que isto verdade.
95
Como variar tudo zo mesmo
Exerccio 3.6
As observaes abaixo foram feitas em repeties autnticas dos diferentes ensaios. Faa uma
estimativa conjunta do erro experimental associado a essas observaes. Quantos graus de
liberdade tem a estimativa?
Ensaio
Observaes
20
1
2
10
25
23
40
37
12
31
4
53
Mdia
Varincia
22,7
6,33
38,5
4,50
9,3
4,92
31
49
45
49,0
16,00
3.1(e) Um algoritmo para o clculo dos efeitos

Neste exemplo muito simples, calculamos os efeitos a partir de suas definies. Esse procedimento, porm, se torna mais trabalhoso e passvel de erro (humano) medida que o numero
de fatores aumenta. Apresentaremos nesta seo um procedimento alternativo, que nos permitir calcular qualquer efeito sem dificuldade, no importa o tamanho do planejamento.
Comeamos reescrevendo a matriz de planejamento da Tabela 3.1, substituindo os
elementos pelos sinais algbricos que identificam o nvel como superior ou inferior. Assim,
40 e A sero substitudos pelo sinal menos, e 60 e B pelo sinal mais:
40
60
40
B
B
60
+
+
+
Agora acrescentamos a essa matriz uma coluna de sinais positivos - a primeira - e uma
outra cujos sinais so os produtos, elemento a elemento, dos sinais das colunas T e C. Isso
nos d uma matriz 4 x 4, que chamaremos de tabela de ooefici.entes de <Dltraste:
e Te
+
+
+
+
+
+
+
96
Para calcular os efeitos, escolhemos a coluna apropriada, aplicamos seus sinais s respostas
correspondentes, fazemos a soma algbrica e finalmente dividimos o resultado por dois. A
primeira coluna, que s contm sinais positivos, serve para calcular a mdia de todos os
ensaios, e nesse caso obviamente o divisor tem de ser quatro.
Para o efeito do catalisador, por exemplo, precisamos da terceira coluna:
+
Aplicando esses sinais coluna das respostas,
Yl
59
Y2
90
Y3
54
Y4
68
e fazendo o resto das operaes, podemos escrever:
c = -Yl - Y2 + Y3 + Y4
2
-59 - 90 + 54 + 68
=-------2
=-13,50%.
Deixamos para voc a confirmao de que as outras colunas tambm produzem os resultados
corretos.
Incluindo a unidade na tabela de coeficientes de contraste, isto , fazendo
+
+
+
+
+
+
-1
-1
+1
+1
-1
-1
-1
+1
-1
+1
+1
+1
(3.7)
+
podemos calcular todos os efeitos com uma nica equao matricial. Cada efeito ser dado, a
menos de um divisor, pelo produto escalar do seu vetor na matriz de coeficientes de con-
97
traste pelo vetor das respostas. Assim, por exemplo, o efeito do catalisador, que acabamos de
calcular, dado por
59
C=
! [-1 -1 + 1 + 1]
2
90
54
68
=-13,50% .
Tradicionalmente, vetores e matrizes so representados em negrito. Fazendo
-1
-1
Xc =
+1
+1
59
90
y=
54
68
podemos determinar o efeito do catalisador com a equao
(3.8)
onde x~ o vetor linha que obtemos transpondo o vetor coluna Xc . Com esta formulao
concisa (que pode ser estendida a qualquer planejamento fatorial de dois nveis) e a ajuda de
um programa computacional de lgebra linear, calcular os efeitos torna-se muito fcil.
No caso geral de um planejamento de dois nveis com k fatores, onde devemos realizar um total de 2 k ensaios, o divisor ser 2 k - 1 para os efeitos e, claro, 2 k para a mdia.
Se X a matriz completa de coeficientes de contraste, os efeitos sero, a menos dos divisores,
os elementos do produto Xty, que um vetor coluna. No nosso fatorial 2 2 temos
+1
-1
Xty=
-1
+1
+1
+1
-1
-1
+1 +1
-1 +1
+1 +1
-1 +1
59
90
54
68
271
45
-27
-17
Dividindo o primeiro elemento por 4 e os demais por 2, obtemos finalmente
M
T
e
Te
67,75
22,5
-13,5
-8,5
importante observar que as linhas e as colunas da matriz X so ortogonais, isto ,

o produto escalar de duas linhas ou duas colunas quaisquer zero. Consequentemente,
98
quando fazemos o produto Xty e aplicamos os divisores apropriados, obtemos, a partir dos
quatro valores independentes que so os elementos de y, quatro novos valores tambm
independentes - a mdia global, os dois efeitos principais e o efeito de interao.
importante notar, desde j, que estamos usando uma matriz X 4x4 porque estamos
baseando nossos clculos nas quatro respostas mdias, e no nos oito valores individuais. Se
preferssemos, poderamos fazer o clculo usando diretamente as oito respostas. Nesse caso
a matriz X teria dimenses 8x4, e o divisor seria 4, ao invs de 2. O efeito C, por exemplo, seria calculado assim:
57
92
55
66
1
C=-[-1-1 +1 +1-1-1+1+1]
61
4
88
53
70
= -13,50%
Exerccio 3.7
Os dados abaixo foram obtidos num estudo da influncia de dois fatores no tempo de pega
inicial do gesso, isto , o tempo em que o gesso comea a endurecer,depois que o p misturado com a gua (M. F. Pimentel e B. B. Neto, Anais do XXXI Congresso Brasileiro de
Qumica, Recife, 1991). Os ensaios foram realizados em duplicata e em ordem aleatria.
Determine todos os efeitos e seus erros padro. Interprete seus resultados.
Fator 1: Granulometria: 100-150 mesh (-), 150-200 mesh (+)
Fator 2: gua residual: 6,6% (-),7,5% (+)
Resposta: Tempo de pega inicial (min)
Fator 1
Fator 2
1
2
x1
s~
1
12,33
13,00
12,67
0,224
10,52
10,57
10,55
0,0013
10,33
9,75
10,04
0,168
9,00
8,92
8,96
0,0032
Resposta
99
3.1(f) O modelo estatstico

No algoritmo usado para calcular os efeitos, os verdadeiros valores dos nveis dos fatores
foram substitudos por +1 ou -1. Isto corresponde a uma oodifimo das variveis originais,
semelhante que fizemos no captulo anterior, quando padronizamos uma varivel aleatria. Para transformar os valores 40C e 60C, por exemplo, em -1 e +1, basta subtrair de
cada um deles o valor mdio, 50C, e dividir o resultado pela metade da amplitude da variao, que a diferena entre o valor superior e o valor inferior:
40 - 50 = -10 = -1
60 - 40
10
2
60 - 50
60 - 40
= 10 = +1
10
Isto significa, obviamente, colocar a origem do eixo das temperaturas no valor intermedirio,
50C, e definir uma nova escala, em que cada unidade corresponde a 10oe. Da mesma forma,
a codificao far com que a origem do eixo dos catalisadores fique centrada entre os catalisadores A e B, numa espcie de "nvel zero" sem qualquer significado fsico mas que, do
ponto de vista algbrico, pode ser tratado do mesmo modo que a origem das temperaturas. A
transformao est ilustrada na Figura 3.4, onde as variveis temperatura e catalisador
passam a ser chamadas, depois de codificadas, de
Xl
e x2' respectivamente. A resposta
(hipottica) correspondente origem do novo sistema de eixos, no centro geomtrico do

planejamento, , por simetria, a mdia de todas as respostas observadas, 67,75%.
B
O'
a..
--------------4----87
75
"O
co
.~
(ij
co
0--~~
~---~
'
-1
67,75
!
....-+----.
+1
-l-
40
----+------1
0-:;---0
60
Temperatura (OC)
Figura 3.4 Codificao das variveis no planejamento 2 2 A origem do novo sistema est
localizada na mdia de todas as respostas. A unidade em cada eixo a metade da amplitude

de variao do fator correspondente.
100
Com a codificao, cada efeito passa a corresponder sempre variao de duas

unidades do fator correspondente, j que o nvel do fator varia de -1 para +1. Por unidade de
Xl e X2, consequentemente, os efeitos so a metade dos valores que calculamos com as
Equaes 3.1-3.4. Dizer que o efeito da temperatura de 22,50% quando T passa de 40C
para 60C o mesmo que dizer que esse efeito de 11,25% por unidade de Xl. Dividindo por
dois os trs efeitos calculados nas Equaes 3.1-3.4, obtemos os novos valores 11,25% (temperatura) -6,75% (catalisador) e -4,25% (interao).
o modelo estatstico usado para descrever as respostas de um planejamento fatorial

formulado em termos dos efeitos por unidade de variao dos fatores. Para um planejamento 22 , a resposta observada no nvel (xl' x2) considerada como uma varivel aleatria
Y(X1,X2). Essa varivel se distribui em torno de uma certa mdia populacional 11(x1,x2),
com uma certa varincia populacional
(j 2 (
xl' X 2) . Podemos escrever portanto
(3.9)
onde e( Xl' X 2) representa o erro aleatrio com que as respostas flutuam em torno da mdia
populacional definida pelos valores de
X1
X2 .
Quando fizemos em duplicata o ensaio n 1, obtivemos as respostas 57% e 61%. Podemos imaginar esse par de valores como uma amostra - de dois elementos - da populao de
todos os possveis rendimentos observveis com (Xl' X2 ) = (-1,-1). A mdia populacional dos
rendimentos nessa combinao de nveis um certo valor Til
= 11(-1,-1), que no podemos co-
nhecer com perfeita exatido, mas para o qual as duas observaes fornecem a estimativa
)/1 = (57 + 61) + 2 = 59 %. A varincia com que os rendimentos se distribuem em torno de
11(-1,+1) tambm desconhecida, mas pode ser estimada a partir dos ensaios repetidos. Com
os valores 57 e 61 observados para o ensaio n 1, por exemplo, obtivemos a estimativa
si = 8 .
modelo estatstico especifica ainda que os erros aleatrios e( Xl' X2) so distri-
budos independentemente, com mdia zero e com a mesma varincia em todas as combinaes de nveis. Isso, alis, foi o que admitimos quando combinamos todas as nossas
observaes para obter uma estimativa conjunta da varincia. Caso seja necessrio fazer
algum teste do tipo t ou F, seremos obrigados a supor tambm que os erros seguem uma
distribuio normal (Seo 2.6).
Num planejamento 22, nosso modelo postula que a mdia populacional 11( xl' X 2)
representada adequadamente pela expresso
101
onde f30 o valor populacional da mdia de todas as respostas do planejamento, e
f312
f31'
f32 e
so os valores populacionais dos dois efeitos principais e do efeito de interao, por uni-
dade de Xl e X2. Substituindo essa expresso na Equao 3.9, vemos que uma observao
individual feita num ensaio pode ser representada por
(3.10)
onde e(xI,x2) o erro aleatrio associado resposta Y(XI,x2). Esta uma descrio que
vale para os vrtices do planejamento. Do ponto de vista estritamente matemtico, no
devemos interpret-la como uma equao que possa ser extrapolada ou mesmo interpolada,
porque os valores das variveis codificadas, xl e x2' esto restritos, pela prpria definio,
a +1 ou -1. Em muitas aplicaes, no entanto, vamos deixar de lado o rigor matemtico,
seno nossos modelos no teriam muita utilidade prtica.
Para determinar exatamente os valores dos
f31 s , precisaramos realizar um nmero
infinito de experimentos, j que so valores populacionais. Obviamente o que calculamos a

partir dos resultados dos nossos oito experimentos so apenas estimativas desses valores.
Usamos portanto o alfabeto latino e escrevemos
(3.11)
com o acento circunflexo lembrando que no se trata de um valor populacional, e sim de uma
estimativa. Os coeficientes b o , bl
populacionais
b 2 e bl2 so chamados de estimadores dos parmetros
f3o, f31, f32 e f312
A Equao 3.11 tambm pode ser escrita como um produto escalar:
bo
y( X b
X 2)
= [1
Xl
X2
XIX2]
b2
~2
Para o ensaio n 1, por exemplo, teremos
y(-l,-l)= [1 -1 -1
67,75
11,25
=59%,
1]
-6,75
-4,25
102
que a estimativa dada pelo nosso modelo para o rendimento populacional do ensaio n 1.
Ela , como vemos, a mdia dos dois valores observados nesse ensaio: (57 + 61)+ 2 = 59 %. Os
elementos do vetor linha so exatamente os correspondentes ao ensaio n 1, na matriz de
coeficientes de contraste (Equao 3.7). Voc pode verificar facilmente que um clculo
semelhante, usando outras linhas da matriz, pode ser feito para os demais ensaios.
Lembrando que usamos o smbolo X para representar a matriz completa, e empregando b para representar o vetor coluna dos quatro coeficientes da Equao 3.11, podemos
escrever a seguinte equao matricial para o clculo de todas as estimativas:
y=Xb
onde
(3.12)
o vetor coluna contendo as estimativas Y1, ... ,5'4 dadas pelo nosso modelo para os
rendimentos dos quatro ensaios. Como essas estimativas so as prprias mdias observadas,
o vetor
idntico ao vetor y da Equao 3.8.
Usando as matrizes X e b apropriadas, podemos aplicar a Equao 3.12 a qualquer

planejamento fatorial de dois nveis, mas a sua utilidade muito mais ampla. Veremos no
Captulo 5 que podemos aplic-la a qualquer modelo cujos parmetros (isto , os
f3' s ) apare-
am apenas como coeficientes. Isso inclui um nmero enorme de modelos.

Nossa estimativa do rendimento do ensaio n 1
5'1
= 59%, enquanto os valores real-
mente observados nos experimentos individuais foram Y1 = 57% e Y~ = 61%. A previso feita
pelo modelo para o ensaio n 1 deixa portanto os dois resduos Y1 - Y1
Y~ -
= 57 -
59
= -2%
Y = 61-59 = 2%.
Essas diferenas entre os valores observados e os valores previstos aparecem sempre
que empregamos um modelo com um nmero de parmetros inferior ao nmero total de observaes. No nosso caso, conforme mostra a Equao 3.11, a estimativa de uma observao
(a rigor, a estimativa do valor mdio de um ensaio) uma funo de duas variveis independentes,
Xl
x2'
com quatro coeficientes a serem determinados (b o , b1 , b2 e b12 ), que esti-
mam os quatro parmetros do modelo. Os resduos aparecem porque esse modelo ajustado
a oito observaes. Se houvesse apenas quatro observaes, o ajuste teria sido perfeito e os
resduos seriam todos nulos.
importante observar, desde j, que os resduos no so independentes, porque as
equaes usadas para calcular as estimativas dos parmetros eliminam quatro graus de li-
103
berdade das observaes originais. Isso deixa apenas quatro graus de liberdade para o comjunto de oito resduos.
Analisar os resduos fundamental para podermos avaliar o grau de ajuste de um
modelo s observaes. Um resduo individual anormalmente alto, por exemplo, pode significar a presena de uma observao anmala, talvez causada por um erro grosseiro, e pode
lvar concluso de que devemos repetir o ensaio correspondente. Num modelo bem ajustado, o comportamento dos resduos no deve ser incompatvel com o que esperaramos dos
erros aleatrios e(xl,x2) que inclumos na Equao 3.10. Uma anlise dos resduos, porm,
s tem sentido quando o nmero de graus de liberdade do conjunto de resduos relativamente alto. Voltaremos ao assunto no Captulo 5, quando discutirmos o ajuste de modelos
pelo metodo dos mnimos quadrados.
Exerccio 3.8
Se incluirmos os divisores, a matriz para o clculo dos efeitos fica sendo
+1/4
-1/2
A=
-1/2
+1/2
+1/4
+1/2
-1/2
-1/2
+1/4
-1/2
+1/2
-1/2
+1/4
+1/2
+1/2
+1/2
de modo que
+ 1/4 + 1/4 + 1/4 +) / 4

59
-)
/2
+ 1/2
+ 1/2
90
x
Ay =
-1/2 + 1/2 + 1/2
54
67,75
-1/2
-) /2
+) / 2 -1/2 -1/2
+ 1/2
22,5
-13,5
=e,
-8,5
68
onde e o vetor coluna contendo a mdia global e os efeitos originais, antes de serem divididos por dois. Multiplicando esse vetor esquerda pela inversa de A, obtemos de volta as
observaes originais, isto , o vetor y:
A-Ie = A-IAy = 14Y = Y
onde 14 a matriz identidade de dimenso 4. Determine A-I (lembre-se de que as linhas

da matriz de coeficientes de contraste so ortogonais e use o bom senso; no necessrio
nenhum clculo complicado) e confirme que o produto A-I e idntico ao produto Xb da
Equao 3.12. Para entender porque isso ocorre, compare as matrizes A-I e X e os vetores
be e.
104
3.2 Um planejamento fatorial 23

Vamos acrescentar agora, temperatura e ao catalisador, um terceiro fator. Digamos que
seja a concentrao de um reagente, que desejamos estudar nos nveis 1,0 M (-) e 1,5 M
(+). O planejamento fatorial completo passa a ter, portanto, 2 3 = 8 ensaios. Os rendi-
mentos observados nesses ensaios, realizados em ordem aleatria e em duplicata, esto na

Tabela 3.3.
Os ensaios esto dispostos na tabela na chamada ordem padro. Todas as colunas
comeam com o nvel (-) e depois os sinais vo-se alternando. Um a um na primeira coluna,
- + - + ..., depois dois a dois, - - + + ..., e finalmente quatro sinais negativos e quatro po-
sitivos, na terceira coluna. Se houvesse um quarto fator, a coluna correspondente a ele teria
oito sinais menos e em seguida oito sinais mais (o nmero total de ensaios seria dezesseis).
Para um planejamento com k fatores, a ltima coluna teria 2k - 1 sinais negativos e depois 2 k - 1
sinais positivos. Lembrando disso, podemos escrever facilmente a matriz de planejamento de
qualquer fatorial de dois nveis.
Tabela 3.3 Resultados de um planejamento fatorial 2 3 . O nmero entre parnteses depois

do rendimento a ordem de realizao do ensaio.
Fatores
Ensaio
Temperatura (OC)
40
60
2:
Catalisador (tipo)
3:
Concentrao (M)
1,0
1,5
54,0
85 (9)
88 (10)
86,5
49 (11)
47 (15)
48,0
64 (2)
62 (1)
63,0
65 (13)
61 (5)
63,0
92 (6)
95 (16)
93,5
57(14)
60(3)
58,5
70(8)
74(4)
72,0
7
8
Mdia
52 (12)
5
6
Rendimento (%)
56 (7)
(+)
1:
1
2
(-)
105
A partir da matriz de planejamento podemos formar a tabela de coeficientes de contraste do mesmo modo que fizemos para o planejamento 22 , multiplicando os sinais das
colunas apropriadas para obter as colunas correspondendo s interaes. Temos agora, alm
dos trs efeitos principais 1 (temperatura), 2 (catalisador) e 3 (concentrao), trs interaes
de dois fatores, 12, 13 e 23. Tambm temos uma novidade. Como existem trs fatores, o
efeito de interao de dois deles em princpio depende do nvel do terceiro. A interao 12,
por exemplo, ter um certo valor quando o fator 3 estiver no nvel (+), e possivelmente um
outro valor quando ele estiver no nvel (-). Argumentando como fizemos no caso do
planejamento 22 , vamos tomar a metade da diferena entre esses dois valores como uma
medida da interao entre o fator 3 e a interao 12. O argumento simtrico, e esse valor
tambm mede a interao entre 13 e 2 e entre 23 e 1 (Exerccio 3.9). Trata-se, como voc j
deve ter desconfiado, do efeito de interao entre os trs fatores, para o qual vamos usar a
notao 123. Os sinais para calcular esse efeito so obtidos multiplicando-se as trs colunas
1, 2 e 3. Acrescentando finalmente a coluna de sinais positivos para o clculo da mdia,
teremos ao todo 23 = 8 colunas de coeficientes de contraste (Tabela 3.4).
Tabela 3.4 Coeficientes de contraste para um fatorial 23 A ltima coluna contm os valores
mdios dos rendimentos obtidos nos ensaios.
Mdia
+
+
+
+
123
86,5
48,0
63,0
58,5
+
+
63,0
93,5
54,0
+
+
23
+
+
13
+
+
12
72,0

A Tabela 3.4 contm todos os sinais necessrios para o clculo dos efeitos. O divisor 8 para
a mdia e 4 para cada um dos efeitos. Usando os sinais apropriados para fazer a soma algbrica das respostas mdias (que so reproduzidas na ltima coluna da tabela) e aplicando os
106
divisores, calculamos os sete efeitos e a mdia global. Em cada clculo so utilizadas todas
as respostas, como antes.
Todas as colunas de efeitos na Tabela 3.4 tm quatro sinais positivos e quatro sinais
negativos. Isto significa que podemos interpretar qualquer efeito como a diferena entre
duas mdias, cada uma contendo metade das observaes, exatamente como no caso do
planejamento 2 2
Transformando a tabela de coeficientes de contraste em uma matriz X com elementos +1 ou -1, podemos calcular todos os efeitos, a menos dos divisores, fazendo o produto
Xty , onde y o vetor coluna contendo os rendimentos mdios dos ensaios. Obtemos assim
538,50
91,50
-55,50
35,50
-34,50
-3,50
(3.13)
3,50
0,50
Dividindo o primeiro elemento por 8 e os demais por 4 obtemos o vetor dos efeitos (arredondados para a segunda casa decimal):
y
1
2
3
67,31
22,88
-13,88
8,88
12
-8,63
13
23
123
-0,88
0,88
-0,13
Observe que os efeitos aparecem, nas linhas do vetor, na mesma ordem das colunas da
matriz X.
Exerccio 3.9
Em cada um dos dois nveis da varivel 3 existe um planejamento fatorial 2 2 completo para as
variveis 1 e 2. Calcule, a partir dos valores da Tabela 3.3, o efeito de interao 12 nos dois
nveis da varivel 3. Faa a diferena entre os dois valores, divida por dois, e chame o
resultado de interao do fator 3 com a interao 12. Repita todo o processo, partindo dos
valores da interao 23 nos dois nveis do fator 1. Voc ter ento o valor da interao do fator
107
Como vadar tudo ao mesmo
1 com a interao 23. Compare os resultados dos dois casos com o valor da interao 123, dado
no texto.

Como as observaes individuais foram todas realizadas em duplicata, podemos usar o resultado do Exerccio 3.4 para calcular a estimativa conjunta da varincia de uma observao
individual:
onde di a diferena entre as duas observaes correspondentes ao i-simo ensaio. Essa expresso tambm pode ser posta na forma de um produto escalar. Chamando de d o vetor coluna das diferenas entre os ensaios, podemos escrever
Substituindo os valores numricos e fazendo N = 8, obtemos
== 5,2.
Num planejamento fatorial 23 , cada efeito uma combinao linear de oito valores,
com coeficientes 114. Admitindo que esses valores sejam independentes,2 podemos aplicar a
Equao 2.15 para obter uma estimativa da varincia de um efeito. Fazemos agora
a;
1116, para i = 1, 2, ..., 8. Cada um dos oito valores da combinao por sua vez a mdia de
dois outros, porque os ensaios foram feitos em duplicata. Se a varincia de uma observao
individual estimada em 5,2, a varincia da mdia de duas observaes ser 5,2/2.
Juntando tudo, chegamos estimativa
V( efeito) = (-..!- + ... + ~Jx (5,2

16
=( 1~
16
]x(
5;2
J= 1,30 .
o erro padro de um efeito a raiz quadrada desse valor, que aproximadamente 1,14%. O
erro padro do rendimento mdio global ser a metade disso, 0,57%, porque os coeficientes
da combinao linear nesse caso so todos iguais a 1/8, ao invs de 1/4. A Tabela 3.5 mostra
os valores calculados para todos os efeitos e seus erros padro.
2 Para isto - nunca demais insistir - importante aleatorizar os experimentos e fazer repeties
autnticas.
108
Tabela 3.5 Efeitos calculados para o planejamento fatorial 23 da Tabela 3.3 e seus erros
padro (em %).
67,3 0,55
Mdia:
Efeitos principais:
1 (Temperatura)
2 (Catalisador)
3 (Concentrao)
22,9 1,1
-13,9 1,1
8,9 1,1
Interaes de dois fatores:

12
-8,6 1,1
13
- 0,9 1,1
23
0,9 1,1
Interao de trs fatores:

0,1 1,1
123
Exerccio 3.10
Use a Equao 2.15 para calcular a varincia dos efeitos de um fatorial 23 sem repeties,
partindo da Equao 3.2.
3.2(c) Interpretao dos resultados

Analisando os valores da Tabela 3.5, podemos ver que a nica novidade trazida pela
entrada da concentrao no planejamento fatorial mais um efeito principal significativo.
No h evidncia de interao da concentrao com os outros dois fatores. Os efeitos principais da temperatura e do catalisador, bem como da interao 12, so praticamente os
mesmos do planejamento 2 2 , e podem ser interpretados do mesmo modo que antes, a partir
dos valores mdios mostrados na Figura 3.5. O efeito principal da concentrao pode ser
interpretado isoladamente, porque no h interao desse fator com os outros. A interpretao simples:
Quando a concentrao aumentada de 1,0 M para 1,5 M, ocorre um aumento mdio de

cerca de 9% no rendimento, e no h evidncia de que esse aumento dependa dos nveis
das outras variveis, na faixa experimental investigada.
109
+14,25
-1
-1
Temperatura
Figura 3.5 Diagrama para interpretao dos efeitos da temperatura e do

catalisador, no planejamento 23 . Compare com a Figura 3.3.
Exerccio 3.11
Como exerccio num curso de quimiometria, M. R. Vallim e V. F. Juliano analisaram
dados obtidos por um pesquisador numa srie de experimentos de sntese de polipirrol
numa matriz de EPDM. Foram estudados trs fatores: o tempo de reao (t), a concentrao de oxidante (C) e o tamanho da partcula (P). A resposta observada foi o rendimento da reao. Calcule os valores dos efeitos e seus erros padro, usando os dados a
seguir, mas antes examine cuidadosamente o conjunto de valores, levando em conta os sinais da matriz de planejamento. possvel antecipar qual ser a varivel com maior influncia no rendimento?
4,56
0,058
6,21
5,75
5,98
0,106
14,51
13,45
13,98
0,562
19,57
21,11
20,34
1,186
2,09
1,93
2,01
0,013
3,15
3,39
3,27
0,029
11,77
12,69
12,23
0,423
19,40
17,98
18,69
1,008
5
6
7
8
s~l
4,73
xl
4,39
1
2
Rendimento (%)
110
-1
Temperatura
)40----.;
Temperatura
Catalisador
Concentrao
(a)
Temp x Cat
Temp x Cone
Cat x Cone
(b)
Figura 3.6 Interpretao geomtrica dos efeitos num planejamento 23 . Os
efeitos principais so contrastes entre faces opostas (a), e os efeitos de interao so contrastes entre planos diagonais (b).
Os efeitos calculados num fatorial 2 3 tambm podem ser interpretados como contrastes geomtricos. Com trs fatores em vez de dois, a figura bsica ser um cubo, e no mais
um quadrado. Os oito ensaios da matriz de planejamento correspondem aos vrtices do cubo
(Figura 3.6). Os efeitos principais e as interaes de dois fatores so contrastes entre dois
111
planos, que podemos identificar examinando os coeficientes de contraste na Tabela 3.4. Por
exemplo, no clculo do efeito principal do fator 1 (a temperatura), os ensaios 1, 3, 5 e 7 entram com o sinal negativo, e os demais entram com sinal positivo. Podemos ver, na Figura
3.6, que os ensaios negativos esto todos numa das faces do cubo, a que perpendicular ao
eixo do fator 1 e est situada no nvel inferior desse fator. Os outros ensaios esto na face
oposta, que corresponde ao nvel superior. O efeito principal do fator 1 portanto o contraste
entre essas duas faces do cubo, como mostra a Figura 3.6(a). Os outros dois efeitos principais
tambm so contrastes entre faces opostas e perpendiculares ao eixo da varivel correspondente. As interaes de dois fatores, por sua vez, so contrastes entre dois planos diagonais, perpendiculares a um terceiro plano definido pelos eixos das duas variveis envolvidas
na interao, como mostra a Figura 3.6(b).
O ensaio n 8, que corresponde aos nveis (+++), entra no clculo de qualquer efeito
com o sinal positivo, como podemos ver na ltima linha da Tabela 3.4. Isto significa que na
interpretao geomtrica dos efeitos a parte positiva sempre incluir esse ensaio. Voc pode
conferir esse fato na Figura 3.6. Lembrando-se dele, poder fazer corretamente a interpretao geomtrica de qualquer efeito.
Exerccio 3.12
Que concluses voc pode tirar da Figura 3.5?
Exerccio 3.13
Qual a interpretao geomtrica da interao 123 no planejamento fatorial 2 3?
3.2(d) O modelo estatstico

O modelo pode ser construdo por analogia com a Equao 3.10, s que agora as variveis
codificadas so trs:
xl' X2
X3 .
Usando a notao costumeira, escrevemos
(3.14)
Os coeficientes desta equao (os f3's) representam valores populacionais dos efeitos, por
unidade das variveis codificadas. Substituindo os dados da Tabela 3.4 na Equao 3.13 e
dividindo tudo por 8, obtemos as seguintes estimativas para esses coeficientes:
112
bo
~
b2
_ Xty _ b3
b---
=:::::
b12
~3
b23
~23
67,3
11,4
-6,9
4,4
-4,3
-0,4
0,4
0,1
A partir delas podemos calcular uma estimativa de uma observao na combinao

de nveis
(Xl' X2, X3 ) :
Y(Xl,X2,X3)=bo +~Xl
+b2X 2 +bs X 3
~2XIX2
+ ~3XIX3 + b23 X 2X 3
~23XIX2X3
(3.15)
Exerccio 3.14
Nossa anlise dos resultados do planejamento 23 indica que as interaes 13, 23 e 123 podem
ser desprezadas. Exclua da Equao 3.14 os termos correspondentes a essas interaes e faa
estimativas dos rendimentos para os oito ensaios. Calcule as diferenas entre os valores
estimados e os observados, e compare essas diferenas, que so os resduos, com os valores
mdios observados.
3.3 Um planejamento fatorial 24

Vamos acrescentar agora uma quarta varivel ao nosso planejamento: o pH do meio reacional, nos nveis neutro (7) e levemente cido (6). Com isto, o nmero total de ensaios sobe
para 16. Os resultados obtidos nos experimentos, desta vez feitos sem repeties, esto na
Tabela 3.6. Com eles podemos calcular, alm da mdia global, quinze efeitos: quatro efeitos
principais, seis interaes de dois fatores, quatro interaes de trs fatores e uma interao
de quatro fatores.
Tabela 3.6 Resultados de um planejamento fatorial 24 para estudar a influncia de quatro
fatores no rendimento de uma reao.
Fatores
(-)
(+)
1:
Temperatura (OC)
40
60
2:
Catalisador (tipo)
3:
Concentrao (M)
1,0
1,5
4:
pH
7,0
6,0
113
Resposta: Rendimento (%)

Ensaio
1
2
54
85
3
4
49
62
5
6
64
94
56
70
7
8
9
10
52
87
49
64
64
94
58
73
11
12
13
14
15
16
Resposta

Para obter os sinais algbricos necessrios, procedemos da maneira usual, multiplicando,
elemento a elemento, as colunas da matriz de planejamento. Primeiro elas so multiplicadas
duas a duas, depois trs a trs, e finalmente fazemos o produto de todas as quatro colunas. O
conjunto completo aparece na Tabela 3.7. Partindo da matriz X e do vetor y, como fizemos
nos casos anteriores, e aplicando o divisor apropriado (8, neste caso), chegamos aos efeitos
mostrados na Tabela 3.8. Dividindo finalmente esses valores por dois (exceto a mdia),
obtemos estimativas dos coeficientes do modelo estatstico das respostas, que agora ter
dezesseis termos.
114
:3
Tabela 3.7 Coeficientes de contraste para um planejamento fatorial 2 4

M
+
+
+
+
+
+
+
+
+
+
+
+
+
+
1234
234
134
+
+
124
123
+
+
+
+
34
+
+
24
+
+
23
+
+
14
+
+
13
+
+
12
+
+
+
+
+
Exerccio 3.15
Escreva a equao do modelo estatstico correspondente a um planejamento fatorial 24

Desta vez os experimentos no foram repetidos, de modo que no podemos estimar o erro
experimental da forma que vnhamos fazendo. Precisamos de outra sada.
Voc deve ter notado que, medida que o nmero de fatores aumenta, o modelo
matemtico tambm aumenta, incluindo cada vez mais termos. Com dois fatores, tnhamos
apenas dois efeitos principais e uma interao. Com trs, o modelo estendeu-se at incluir
uma interao de trs fatores. Agora, com quatro fatores, o modelo precisa de dezesseis
115
termos, sendo o ltimo deles a interao de quatro fatores. Com k fatores, o modelo completo
teria de continuar at a interao de todos os k fatores, como a expanso de uma funo numa srie de potncias.
Vamos imaginar agora que a superfcie de resposta, isto , a relao entre a resposta
e os fatores na regio que estamos investigando, seja suave o bastante para que pequenas
variaes nos fatores no causem variaes abruptas na resposta. Sendo assim, podemos
esperar que os coeficientes do modelo obedeam a uma certa hierarquia, com os termos de
ordem mais baixa mostrando-se mais importantes que os de ordem mais alta. Voltando ao
nosso exemplo, esperamos que os efeitos principais sejam mais importantes na formulao
do modelo do que, digamos, a interao de quatro fatores. Em geral, podemos esperar que a
importncia de uma interao para um modelo decresa com o nmero de fatores envolvidos
na sua definio. Se no, no poderemos obter um modelo satisfatrio da nossa superfcie de
resposta com um nmero finito de termos.
Tabela 3.8 Efeitos calculados para o planejamento fatorial 2 4

67,188
Mdia:
Efeitos principais:
1 (Temperatura)
22,875
2 (Catalisador)
-14,125
3 (Concentrao)
8,875
4 (pH)
0,875
Interaes de dois fatores:
12
-8,625
13
-0,625
14
0,875
23
-0,625
24
0,875
34
0,375
Interaes de trs fatores:
123
0,875
124
-0,125
134
-0,625
234
0,375
Interao de quatro fatores:
1234
0,375
A Tabela 3.8 mostra claramente que alguns efeitos so bem mais significativos que
outros. Admitindo, tendo em vista os valores dessa tabela, que os efeitos principais e as
interaes de dois fatores bastam para descrever adequadamente a superfcie de resposta,
116
podemos usar os demais efeitos para obter uma estimativa do erro experimental nos valores
dos efeitos. De acordo com essa suposio (que eqivale a dizer que a expanso em srie
pode ser truncada depois dos termos de segunda ordem), as interaes de trs ou mais
fatores na verdade no existem. Os valores determinados para 123, 124, 134, 234 e 1234
na Tabela 3.8, ento, s podem ser atribudos s flutuaes aleatrias inerentes ao nosso
processo, isto , ao "rudo" embutido nos valores das respostas. Elevando cada um deles ao
quadrado, teremos uma estimativa da varincia de um efeito, e a mdia dos cinco valores
nos dar uma estimativa conjunta, com 5 graus de liberdade (porque so cinco valores
independentes).
Temos portanto
V(efeito) = (0,875)2 +( -0,125)2 + ... +(0,375)2
= 0,291.
A raiz quadrada deste valor, s == 0,54, a nossa estimativa para o erro padro de um efeito.
Exerccio 3.16
Interprete os valores da Tabela 3.8, levando em conta a estimativa do erro que acabamos de fazer.
3.4 Anlise por meio de grficos normais

A anlise por meio de grficos normais uma tcnica alternativa para tentarmos distinguir,
nos resultados de um planejamento, os valores que correspondem realmente aos efeitos
daqueles outros valores que so devidos apenas ao rudo. Seu funcionamento se baseia na
noo de probabilidade cumulativa, que foi introduzida no Exerccio 2.10. Precisamos agora
discuti-la mais detalhadamente.
Uma varivel aleatria x distribuda normalmente obedece equao
-(x-pf
f ()
x dx =
1-2
r;:;-:: e 2a dx
a,,2Jr
Como vimos no captulo anterior, a representao grfica desta equao uma curva em
forma de sino, semelhante que aparece na Figura 3.7(a).
Consideremos um valor numrico especfico para a varivel x e chamemos esse valor
de
Xl.
A rea da cauda esquerda dexl [Figura 3.7(a)], o que chamamos de probabilidade
cumulativa (ou probabilidade acumulada) do valor xl. Essa rea, que corresponde probabi-
117
lidade de se observar um valor de x menor ou igual a
Xl'
aumenta continuamente medida
que x se desloca para a direita, tendendo para 1, que o valor da rea total sob a curva da
Figura 3.7(a), quando x tende para +00. Um grfico da probabilidade cumulativa numa distribuio normal uma curva monotonicamente crescente, em forma de 8 3 que vai (de forma
assinttica) de zero esquerda para 1 direita, como mostra a Figura 3.7(b).
0,60
r----'----.--~----------,
1,00
r---------------.----==---~
(a)
(b)
0,45
~
~
0,30
0,15
0,00
-3,50
0,00 "'-~--------~------~-3,50
-1,75
0,00
1,75
3,50
Iooo..-_-=:::O;'---"-_----.J~'""""'"_
-1,75
0,00
_ _- - - . .
1,75
--J
3,50
1,0
r-------,.------.-----......------,
(c)
0,25
0~~,50
-1,75
0,00
1,75
3,50
Figura 3.7 (a) Grfico da densidade de probabilidade numa distribuio normal padronizada. A probabilidade acumulada correspondente a um valor Xl
a rea sob a curva esquerda de Xl. (b) Probabilidade acumulada na escala
cartesiana usual. (c) O grfico da Figura (b), num eixo de probabilidade
normal. Note que a escala da probabilidade acumulada no mais linear. O
ponto correspondente probabilidade acumulada de Xl (0,25) no est no
ponto intermedirio entre 0,0 e 0,5, e sim muito mais prximo de 0,5.
Exerccio 3.17
Suponha que x uma varivel normal padronizada. Quais as probabilidades cumulativas
correspondentes a: (a) Xl = O; (b) Xl = 1; (c) Xl
Isto , uma sigmide.
118
= 1,96?
A curva da Figura 3.7(b) pode ser transformada numa reta, por meio de uma modificao na escala do eixo das ordenadas. Essa modificao consiste em expandir a escala simetricamente em torno do ponto representando 0,5 (isto , 50% de probabilidade acumulada), de modo a "esticar" as duas pontas do S [Figura 3.7(c)]. O procedimento semelhante
ao que se usa para fabricar papel logartmico. A funo y
= log x, que num papel milime-
trado comum representada por uma curva, num papel logartmico passa a ser representada por uma reta. Da mesma forma, se x se distribuir normalmente, o grfico de suas probabilidades acumuladas ser uma sigmide numa escala cartesiana comum, mas passar a
ser uma reta se fizermos a escala vertical correspondente da Figura 3.7(c). Observe que as
probabilidades acumuladas O e 1, que correspondem respectivamente a
-00
e +00 sobre o eixo
das abscissas, a rigor no podem ser representadas nesse grfico, porque a escala finita.
0,60
0,45
~
~
0,30
0,15
0,00
-4
-3
-2
-1
Figura 3.8 Amostragem aleatria de dez elementos numa distribuio normal

padronizada. Cada elemento representa uma regio cuja rea igual a 1110 da
rea total sob a curva.
Consideremos uma amostra aleatria de dez elementos, extrada de uma populao
normal. Para representar essa amostra num grfico normal, a primeira coisa que devemos
fazer colocar seus elementos em ordem crescente. Assim, o primeiro elemento ser o menor
de todos, e o dcimo ser o maior. Usando um ndice para indicar a ordem de cada elemento,
chamaremos o menor deles de
Xl
e o maior de
XIO
Como a amostragem foi aleatria, pode-
mos imaginar que cada um desses dez elementos seja o representante de uma fatia equiva-
119
lente a 10% da rea total da distribuio. O primeiro elemento, que o menor, representaria
os primeiros 10% de cauda esquerda, o segundo representaria a regio entre 10% e 20%, e
assim por diante. Ao dcimo elemento, o maior de todos, caberia a cauda de 10% direita,
isto , a regio indo de 90% a 100% de probabilidade acumulada. Essa concepo est
ilustrada graficamente na Figura 3.8, com a curva de densidade de probabilidade.
O prximo passo associar, a cada ponto, a probabilidade acumulada do centro do
intervalo que ele representa. Assim,
Xl'
que est no intervalo que vai de O a 10%,
corresponderia probabilidade acumulada de 5%,

finalmente
X10
X2
corresponderia a 15%,
X3
a 25%, .... e
seria associado probabilidade de 95%. Num grfico dessas probabilidades
contra os valores
Xl' , X10
numa escala linear, os pontos devem cair aproximadamente
sobre uma curva sigmide, como na Figura 3.9(a). Mudando o eixo para uma escala de
probabilidade normal, esperaremos que os pontos se ajustem razoavelmente a uma reta
[Figura 3.9(b)]. Se essas expectativas no forem confirmadas, desconfiaremos que algo est
errado com as nossas suposies. Isso nos permitir chegar a concluses de grande
importncia prtica, como logo veremos.
1,0
lj
1,0
0,8
'"tj
lj
~
~
~
'.J
lj
0,6
'->
'"tj
0,5
:.c
:.
...c
..o
lj
~ 0,2
0,0
-3
-2
-1
0,0
-3
-2
-1
Figura 3.9 (a) Probabilidades acumuladas para uma amostra de dez elementos,
extrados aleatoriamente de uma populao normal padronizada, numa escala

cartesiana comum. (b) Os mesmos pontos, num grfico de probabilidade normal.
Voltemos agora ao planejamento 2 4 da seo anterior. Imaginemos que nenhum dos
15 efeitos que calculamos exista de fato, isto , que o verdadeiro valor de cada um deles seja
zero. Dentro dessa suposio (mais um exemplo de hiptese nula), os valores numricos que
obtivemos devem refletir apenas os erros aleatrios do nosso processo. Aplicando o teorema
120
do limite central, podemos consider-los como uma amostra aleatria retirada de uma
distribuio aproximadamente normal, com mdia populacional zero.
Tabela 3.9 Correspondncia entre os efeitos calculados para o planejamento 24 e os valores

de probabilidade cumulativa.
Ordem
Efeito
Regio de probabilidade
Ponto
cumulativa (%)
central
-14,125
0-6,67
3,33
-1,838
-8,625
6,67 - 13,33
10,00
-1,282
-0,625
13,33 - 20,00
16,67
-0,9673
-0,625
20,00 - 26,67
23,33
-0,7280
-0,625
26,67 - 33,33
30,00
-0,5244
-0,125
33,33 - 40,00
36,67
-0,3406
0,375
40,00 - 46,67
43,33
-0,1680
0,375
46,67 - 53,33
50,00
0,00
0,375
53,33 - 60,00
56,67
0,1680
10
0,875
60,00 - 66,67
63,33
0,3406
11
0,875
66,67 - 73,33
70,00
0,5244
12
0,875
73,33 - 80,00
76,67
0,7280
13
0,875
80,00 - 86,67
83,33
0,9673
14
8,875
86,67 - 93,33
90,00
1,282
15
22,875
93,33 - 100,00
96,67
1,838
Procedendo como no exemplo dos dez pontos, podemos traar um grfico normal dos
nossos quinze valores e us-lo para testar a hiptese de que os efeitos no existem. Os dados
necessrios para isso esto na Tabela 3.9, onde cada efeito da Tabela 3.8 associado a um
valor de probabilidade acumulada. Para traar o grfico, o mais cmodo usar um dos
muitos programas computacionais de estatstica disponveis. Caso voc no tenha acesso a
um desses programas, pode usar uma escala linear comum, colocando no eixo das abscissas
os valores dos efeitos, mas no eixo das ordenadas os valores correspondentes da distribuio
normal padronizada (Z, na ltima coluna da tabela).
121
o grfico normal dos efeitos est na Figura 3.10. Vemos imediatamente que os pontos centrais se ajustam muito bem a uma reta que cruza a probabilidade acumulada de 50%
praticamente sobre o ponto zero do eixo das abscissas. Faz sentido, portanto, considerar
esses pontos como vindos de uma populao normal de mdia zero. Ou seja: eles representam "efeitos" sem nenhum significado fsico.
O mesmo j no podemos dizer dos outros valores, que esto identificados com os
nmeros dos efeitos que representam. Dificilmente poderamos pensar que esses pontos, to
afastados da reta, pertenam mesma populao que produziu os pontos centrais. Devemos
interpret-los, ento, como efeitos realmente significativos, e tanto mais significativos
quanto mais afastados estiverem da regio central, seja para a direita, seja para a esquerda.
Isto vem confirmar o que voc j descobriu, se resolveu o Exerccio 3.16 e comparou os efeitos
calculados com a estimativa do erro padro: s os efeitos principais 1,2 e 3 e a interao 12
so mesmo significativos.
3r------.....--.---~------.---......---------,
o
....... :1.2.
-1
-2
-3
L....--o.._ _-.....l
-20
-10
__..._ _""""""____'_
tsJ
10
20
"'___'"__'
30
Efeito
Figura 3.10 Grfico normal dos valores da Tabela 3.9. S os efeitos 1, 2, 3 e

12 parecem significativos.
Os grficos normais tambm nos ajudam a avaliar a qualidade de um modelo qualquer, seja ele relacionado com um planejamento fatorial ou no. Um modelo bem ajustado
aos fatos, qualquer que seja a sua natureza, deve ser capaz de representar toda a informao
sistemtica contida nos dados. Os resduos deixados por ele devem representar apenas a
parte aleatria, isto , o rudo embutido nas medies. O aspecto do grfico normal desses
resduos deve ser compatvel com o que esperaramos de uma amostra aleatria extrada de
122
uma distribuio normal de mdia zero. Ou seja, deve aproximar-se de uma reta passando
pelo ponto (x, Z) = (O, O), como na regio central da Figura 3.10. 4
Exerccio 3.18
Utilize os valores de todos os efeitos que caem sobre a reta da Figura 3.10 para calcular uma
estimativa da varincia de um efeito com 11 graus de liberdade. Use um teste F para mostrar
que esta estimativa e a estimativa obtida a partir dos efeitos de terceira e quarta ordem (com
5 graus de liberdade) podem ser consideradas como produzidas pela mesma populao.
3.5 Operao evolucionria com fatoriais de dois nveis

Quando um processo industrial ainda est na fase de desenvolvimento, o normal que os
tcnicos procurem otimiz-lo, fazendo testes e ajustes numa planta piloto. Quando da se
passa produo propriamente dita, porm, as condies so outras. Em primeiro lugar, h
o problema da prpria mudana de escala. O efeito de fatores como agitao, transferncia
de massa, eficincia do destilador etc., varia com o tamanho do equipamento, numa extenso
que difcil prever. Depois, existem os problemas relativos ao dia-a-dia da produo, como
variaes na matria prima ou nas condies de armazenamento, substituio de peas e
mquinas, e at mesmo o envelhecimento do equipamento. Tudo isso contribui para que as
condies timas de produo no sejam as da fbrica piloto, e muito menos as do laboratrio. Se quisermos descobrir quais so essas condies, teremos de partir obrigatoriamente de informaes obtidas no prprio processo de produo em larga escala.
A verdade que consideraes dessa natureza raramente so feitas na prtica. Na
maioria dos casos, a fbrica continua sendo operada dentro dos parmetros estabelecidos na
sua partida, e com isso o processo termina perdendo em eficincia. Esse modo de agir, que
sem dvida o usual, pode ser chamado de operao esttim, para contrastar com a chamada
operao evolucionria (Box, 1957), da qual trataremos nesta seo.
Na operao evolucionria (mais conhecida pela sigla EVOP, de evolutionary
operation), a situao que acabamos de descrever admitida como verdadeira, e as condies

de operao em larga escala so deliberadamente modificadas, com o objetivo de extrair do
processo de fabricao no apenas o produto desejado mas tambm informao sobre como
esse mesmo processo pode ser melhorado. O adjetivo "evolucionrio" foi escolhido de
propsito, para enfatizar que a idia fundamental submeter o ambiente de produo a um
Isto depende, porm, do nmero de graus de liberdade dos resduos. Quanto mais, melhor. No
devemos esperar muita coisa de um grfico normal com poucos graus de liberdade (como, por exemplo,
num fatorial 23), justamente porque os valores no tm muitas opes de distribuir-se aleatoriamente.
123
processo de variao e seleo anlogo ao que, na teoria darwiniana, governa a evoluo das
espcies. Nesta seo nos limitaremos a descrever as caractersticas bsicas da operao
evolucionria. O leitor interessado poder encontrar muito mais informaes nas publicaes
de G. E. P. Box, a quem se deve a concepo e a primeira aplicao industrial da EVOP, feita
em 1954 nas instalaes da Imperial Chemical Industries, na Inglaterra. O livro Evolutio-
nary operation: a statistical method for process improvement (Box e Draper, 1969) particularmente recomendado.
O primeiro passo para realizar a operao evolucionria consiste em introduzir
alguma variao no ambiente operacional, que a pr-condio para que possa haver
evoluo e adaptao do processo. Como a EVOP se aplica a um processo industrial em pleno
funcionamento, qualquer perturbao deve ser feita com muita cautela, para no corrermos
o risco de fabricar um produto insatisfatrio. Nesse sentido, a EVOP muito diferente de um
planejamento experimental feito em laboratrio, onde os fatores podem ser variados
vontade, no importando muito se o produto final prestar ou no. Na operao evolucionria, ao contrrio, o que estamos buscando um ajuste fino. Todo cuidado pouco. As
,perturbaes, alm de suaves, devem ser realizadas de forma cuidadosamente planejada,
para que seja possvel extrair delas alguma informao til.
A forma de variao recomendada por Box um planejamento fatorial de dois nveis em torno das condies usuais de operao, como est ilustrado esquematicamente na
Figura 3.11. O melhor variar somente uns dois ou trs fatores de cada vez, para facilitar
a anlise dos resultados. A extenso das variaes uma questo que deve ser decidida
pelo prprio pessoal da produo, que sempre tem uma idia da margem de segurana do
processo, e pode realizar as variaes necessrias sem correr riscos excessivos.
Como as variaes sero pequenas, o seu efeito pode passar despercebido em meio ao
rudo das respostas, que alis costuma ser muito maior no processo em larga escala do que
no laboratrio. necessrio por isso repetir vrias vezes a operao num dado conjunto de
condies, e considerar o resultado mdio final. As repeties devem ser feitas at que seja
possvel discernir algum padro nos resultados do planejamento. A anlise dos resultados
feita da forma descrita nas sees anteriores, no trazendo portanto qualquer novidade.
Consideremos a situao inicial ilustrada na Figura 3.11(a). Digamos, por exemplo,
que a anlise das respostas tenha mostrado que as condies operacionais do ponto B
produzem resultados mais satisfatrios que todos os demais pontos investigados, e que o pior
de todos os resultados seja o do ponto D. Em termos evolucionrios, diramos que o ponto B
parece o mais apto a sobreviver, e o ponto D o menos apto. Em termos operacionais, a concluso que parece valer a pena alterar as condies de produo da situao inicial, repre124
sentada pelo ponto A, para as do ponto B. Com isso o processo evoluiria na direo A
B,
obedecendo a uma espcie de "seleo natural" dos mais aptos, e passaria a ser operado de
forma mais eficiente.
Condies
mais
favorveis
A--~-----,
Condies
iniciais
o C
Condies
menos
favorveis
(b)
(a)
E B
o .. -
C ------'
(d)
(c)
Figura 3.11 (a) Planejamento fatorial com ponto central, na fase inicial de
uma operao evolucionria. (b), (c), (d): possveis deslocamentos em relao
situao de partida.
Realizado o deslocamento para as condies mais favorveis, o processo passa a ser

operado seguidamente dentro das condies definidas pelo novo planejamento, at que a
anlise dos resultados permita decidir sobre um possvel novo deslocamento. O procedi-
125
mento todo - planejamento, anlise, deslocamento - repetido at que no haja mais

evidncia de que seja possvel melhorar a eficincia do processo dessa maneira. Mesmo
nesse estgio otimizado, as condies de operao devem continuar sendo submetidas a
variaes controladas, porque ningum garante que a situao tima descoberta hoje continue sendo a situao tima daqui a algum tempo. Sendo operado assim, o processo estar sempre em condies de poder evoluir para uma posio mais vantajosa, caso a ocasio
se apresente. A operao evolucionria deve ser encarada como um modo permanente de
operao do processo, e no como um experimento com tempo determinado. O processo
deve estar sendo obrigado, o tempo todo, a fornecer informao sobre si mesmo.
Por uma questo de sigilo industrial, informaes detalhadas sobre exemplos reais
de EVOP so escassas na literatura. Mesmo assim, existem indicaes de que esses resultados tm sido altamente significativos, originando ganhos que podem chegar a milhes de dlares/ano, graas larga escala em que se manifestam as conseqncias das pequenas modificaes nas condies de operao (veja, por exemplo, Box, Hunter e Hunter, 1978, p. 365).
3.6 Blocagem em planejamentos fatoriais

No final do Captulo 2 apresentamos um planejamento para comparar ensaios realizados por
dois qumicos, em amostras de vinagre de vrias procedncias. O objetivo do estudo era
comparar os desempenhos dos analistas, e no a variao entre os fabricantes. Agrupando os
ensaios em cinco blocos de duas amostras, de acordo com o fabricante, conseguimos separar
a varincia devida aos diferentes teores de cido actico da varincia causada pelos erros de
cada analista. Pudemos assim fazer uma anlise estatstica muito mais sensvel do que se
tivssemos nos baseado num planejamento completamente aleatrio.
A blocagem tambm pode ser empregada em planejamentos fatoriais. Imagine que
decidimos realizar um planejamento fatorial 23 , mas no temos matria prima bastante para
fazer todos os 8 ensaios. Para completar o planejamento, precisamos adquirir um novo lote
de material, talvez at de um fornecedor diferente. Isto, claro, introduz mais um possvel
fator de variao, que precisa ser levado em conta para que as concluses da nossa investigao no saiam distorcidas.
Se estivssemos interessados no efeito da origem do material, poderamos inclu-la
como um fator a mais, e transformar o planejamento em um fatorial 2 4 , mas este no o
caso. Sabemos que a origem da matria prima talvez influencie os resultados, mas os fatores
126
que nos interessam so os outros trs. Como devemos fazer, para minimizar o efeito desse
quarto fator indesejvel?
A aleatorizao de todos os ensaios no seria recomendvel, porque poderia confundir os efeitos de interesse com o efeito da mudana de matria prima. Usando uma blocagem,
temos condies de minimizar esse problema.
Suponhamos que cada lote seja suficiente para realizar quatro ensaios, isto , meio
planejamento. Num planejamento 23, o efeito menos importante na hierarquia a interao
123. J que a mudana de lote inevitvel, podemos executar o planejamento de forma a
confundi-la com o efeito 123, distribuindo as amostras dos dois lotes como mostra a Tabela
3.10. As quatro amostras de cada bloco so atribudas aos ensaios de acordo com os sinais
algbricos da interao 123, e a aleatorizao feita dentro dos blocos, e no no planejamento total. Assim, quando calcularmos a interao de trs fatores, saberemos que no resultado estar embutida uma contribuio devida variao de um lote para o outro (que pode
ou no ser significativa). Em compensao, os efeitos principais e as interaes de dois fatores, que em princpio devem ser os mais importantes, estaro livres dessa contaminao.
Podemos entender como isso acontece examinando o clculo de um dos efeitos principais. Por exemplo, o efeito 1 dado por
1=
&2 - Yl)+ &4 - Y3)+ &6 - Y5)+ &8 - Y7)
4
Identificando as respostas conforme o lote, podemos rescrever a equao como
1= (B-A)+(A-B)+(A-B)+(B-A) .
4
Existem duas diferenas associadas variao de lote A
a B
B, e outras duas correspondendo
A. Se houver alguma influncia sistemtica associada mudana de lote, ela ser
anulada no clculo final do efeito. A mesma coisa ocorre para os outros efeitos principais e
para as interaes de dois fatores, e vem da ortogonalidade que existe entre todas as colunas
de sinais, e do fato de ns termos confundido de propsito a interao 123 com o efeito do
lote. Voc pode conferir isso facilmente na Figura 3.12, que mostra a representao geomtrica do planejamento 2 3 , com os ensaios identificados de acordo com o bloco a que
pertencem.
A blocagem pode ser estendida a situaes mais complicadas. Por exemplo, a diviso de um
planejamento 23 em quatro blocos de dois ensaios. O melhor planejamento, nesse caso, teria
duas variveis de bloco, uma correspondendo interao 123, e a outra correspondendo a
uma das interaes de dois fatores. Esta segunda interao, claro, passaria tambm a ser
127
confundida com o efeito de bloco, e a interpretao dos resultados ficaria correspondentemente mais complicada. Box, Hunter e Hunter, 1978 (Captulo 10) e Montgomery,
1997 (Captulo 8) so boas referncias para quem quiser saber mais sobre blocagem. Note
que os ensaios do bloco I e do bloco 11 ocupam os vrtices de dois tetraedros opostos (veja o
Exerccio 3.13).
Tabela 3.10 Planejamento fatorial 23 realizado em dois blocos de quatro ensaios. Os blocos
so escolhidos de acordo com os sinais da interao 123. A ordem de realizao dos
ensaios aleatria dentro de cada bloco.
Ensaio
Bloco
Lote
Ordem
11
4'
11
l'
11
3'
11
2'
123
1
2
3
4
+
+
5
6
+
+
+
X
-1
-1
-1
Figura 3.12 Diviso de um planejamento fatorial 2 3 em dois blocos. A blocagem feita de modo a confundir o efeito de bloco com a interao 123. No
clculo de cada efeito (exceto 123) existem duas diferenas B - A e duas
diferenas A - B, que cancelam o efeito de bloco.
128
Exerccio 3.19
Suponha que o efeito de interao 123 realmente no existe no experimento que estamos
discutindo, e no entanto o valor numrico determinado para ele relativamente alto. Como
podemos interpretar esse valor?
Exerccio 3.20
Um planejamento 23 foi realizado em dois blocos. Os ensaios do segundo bloco foram

executados um ms aps o primeiro, e tiveram uma contribuio, h, causada por erros
sistemticos que estavam ausentes das respostas obtidas no primeiro bloco. Mostre que a
presena dessa diferena sistemtica no segundo bloco no afeta o valor calculado para o
efeito de interao 23.
129
3A Aplicaes
3A.l Hidrlise de resinas

V. X. de Oliveira Jr. realizou um planejamento 23 em duplicata para estudar o efeito de trs fatores (tempo e temperatura de hidrlise, e tipo de catalisador) no grau de substituio numa
resina clorometilada. Seu objetivo era maximizar a resposta. Os dados esto na Tabela 3A.1.
Tabela 3A.l- Dados do experimento.

+
Fatores:
Ensaio
1: Tempo de hidrlise, h
24
48
2: Temperatura, e
130
160
3: Catalisador (*)
TFA
AP
Grau de substituio
0,54
0,530
0,00020
0,57
0,58
0,575
0,00005
0,55
0,54
0.545
0,00005
0,58
0,56
0,570
0,00020
0,47
0,45
0,460
0,00020
0,53
0,56
0,545
0,00045
0,52
0,53
0,525
0,00005
0,54
0,52
0,530
0,00020
3
4
5
6
7
8
+
(*)
Varincia
0,52
1
2
Mdia
TFA = cido trifluoroactico, AP = cido propinico, ambos em HCl12M
Efeitos:
----------------------------1
12
13
23
123
0,040
0,015
-0,040
-0,025
0,005
0,010
-0,015
Das duplicatas, usando o procedimento habitual, calculamos uma varincia agregada de

1,75 x 10-4, que corresponde a um valor de 1,323 x 10-2 para o erro padro de uma resposta.
Neste planejamento, o erro padro de um efeito a metade do erro padro da resposta.!
Multiplicando-o pelo valor do ponto da distribuio de Student com 8 graus de liberdade,
1 Por
qu?
130
chegamos ao intervalo de 95% de confiana para o valor de um efeito: 1,525 x 10-2 . Isto significa que somente os efeitos principais dos fatores 1 (tempo) e 3 (catalisador) e a interao
12 (tempo x temperatura) so significativos, nesse nvel de confiana. Como queremos obter

o maior grau de substituio, devemos fazer a hidrlise em 48h, usando o cido trifluoroactico como catalisador.
A Figura 3A.1 nos ajuda a visualizar todos os resultados do experimento. As respostas obtidas com o TFA (os crculos) so sempre superiores. O efeito do aumento do tempo
sobre a resposta, que mostrado no eixo das abscissas, atenuado quando a reao
realizada na temperatura mais alta, mas as duas maiores respostas foram obtidas com 48h
de reao. Isto indica que deveramos investigar tempos de hidrlise mais longos, talvez numa temperatura intermediria. Insistir no cido propinico como catalisador, porm, dificilmente valeria o esforo.
0,60 ,....--------.--------.-------,
0,55
co
i5
o
~ 0,50
Q)
a:
d
0,45
-o0,40
I--_----J-
Tempo:
24 h
0 AP
....L...---_----l
48 h
TFA
Tempo:
Temperatura: 130
24 h
48 h
Temperatura: 160
Figura 3A.l - Variao da resposta com os nveis dos trs fatores.
3A.2 Voltametria cclica do azul de metileno

As propriedades eletroqumicas do azul de metileno foram investigadas por voltametria
cclica, com o objetivo de determinar as condies experimentais que produzem a melhor
reversibilidade do processo redox, ou seja, que minimizam o valor da diferena de voltagem
(M) nesse processo (Rocha et
al., 1997). Para isso, empregou-se um planejamento fatorial 23 ,
cujos resultados aparecem na Tabela 3A.2.
131
Fatores:
1: Concentrao, moi L-l
0,1
+
0,5
2:pH
3: Slica modificada (tipo)
STM
STPM
Ensaio
~(mV)
106
1
2
98
139
141
+
137
123
119
103
Efeitos:
1
12
13
23
123
-9,0
9,5
-0,5
2,0
-6,0
-28,5
-3,0
Este um resultado curioso. O efeito mais significativo a interao 23 (pH e slica), e no

entanto o efeito principal da slica (3) o menor de todos os valores calculados. Podemos
entender o que ocorre examinando o grfico cbico das respostas (Figura 3A.2). A interao
entre o pH e a slica to forte que, quando o pH est no nvel inferior (face anterior do
cubo), os dois efeitos individuais da slica tendem a aumentar o
~.
Quando o pH est no
nvel superior, ocorre o inverso (face posterior). O efeito principal da slica termina
praticamente se anulando, no porque no exista de fato, mas por ser a mdia desses dois
pares de efeitos contrrios. O comportamento da concentrao (fator 1) mais ortodoxo. Um
aumento da concentrao quase sempre diminui o valor da diferena de voltagem,
o objetivo do experimento era minimizar o valor
de~,
~.
Como
parece que devemos explorar melhor
a regio em torno do ensaio 2 (+ - -), onde temos concentrao de 0,5 mL-l, pH = 4, slica
modificada STM e observamos a menor resposta de todas,
= 98
m V. Estas mesmas
concluses podem ser visualizadas de outra forma na Figura 3A.3. A forte interao
indicada pela mudana da direo da inclinao das retas nos dois grficos.
132
103
+
Figura 3A.2 - Grfico cbico das respostas da Tabela 3A.2.
ia.
150
r------......--------r---~
140
11 30
20
-:
JI/
.
~
" /..... .......
I
..............:
~)
110 ~dc:
.. ...~ . , ) '
..
-<r Concentrao:
100
90
0'
.................... 0 Concentrao: +1
....L-.-_----'
L..--_ _.L.--.
Slica
-1
-1
+1
Slica
-1
pH: -1
+1
pH: +1
Figura 3A.3 - Variao da resposta com os nveis dos trs fatores.
3A.3 Tempo de reteno em cromatografia lquida

Um fatorial completo 23 (Tabela 3A.3) foi usado para investigar como o tempo de reteno de
um pico obtido em um cromatgrafo lquido afetado pela percentagem de etanol, pela
temperatura da coluna e pelo fluxo de gs (Ribeiro et aI., 1999).
133
Como
var~ar tudo
ao mesmo

+
Fatores:
Ensaio
1: Temperatura, C
30
50
2: % etanol (v Iv)
60
70
3: Fluxo (mL min- 1 )
0,1
0,2
Tempo de reteno (min)
49,26
31,27
42,20
26,61
+
23,81
15,07
19,57
12,86
5
6
Efeitos:
12
13
23
123
-12,26
-4,54
-19,51
1,11
4,53
1,32
-0,09
Os efeitos principais dos trs fatores so todos negativos. Os efeitos principais 1 (temperatura) e 3 (fluxo) so os mais importantes, mas mesmo o efeito do lcool, que bem
menor, tambm parece significativo, porque em todas as quatro comparaes de ensaios que
s diferem pelo nvel do lcool
(1~3, 2~4, 5~7
6~8)
o ensaio correspondendo ao nvel
superior tem a resposta mais baixa, como fica evidente na Figura 3A.4. Se o efeito principal
do lcool (-4,54) significativo, ento a interao 13 (4,53) tambm , e precisamos
interpretar os efeitos da temperatura e do fluxo conjuntamente (Fig. 3A.5).
Um aumento do fluxo, seja qual for a temperatura, reduz o tempo mdio de reteno. A
reduo, porm, mais pronunciada no nvel inferior da temperatura (-24 min) do que no
nvel superior (-15 min). Tambm podemos visualizar este mesmo resultado na Figura 3A.4,
pela mudana na inclinao das retas de um grfico para outro. Se o objetivo do experimento
minimizar o tempo de reteno, devemos preferir a regio em torno do ensaio onde a temperatura e o fluxo - e tambm o teor de etanol- esto em seus nveis superiores (50C, 70%
e 0,2 mL min- 1 ). Na Figura 3A.4, esse ensaio representado pelo ltimo quadrado direita.
134
60 ,----.....---------.------,
-o-
Etanol 60%
0-
Etanol 70%
l~ 40
c
Q)
~
Q)
"O
o.
C.
t-
20
.............,
L -_ _..I..--
Fluxo:
~.
-..L--_ _---l
0,1
0,2
Fluxo:
Temperatura: 30
0,1
0,2
Temperatura: 50
Figura 3A.4 - Variao das respostas com os nveis dos trs fatores.
0,2
0,1
21,69
13,97
45 73
28 94
30
50
l-------------------{
1 (Temperatura)
Figura 3A.S - Grfico das respostas mdias em funo dos fatores 1 e 3.
3A.4 Separao de gases por adsoro

No desenvolvimento, em laboratrio, de um processo de enriquecimento de gases por
adsoro, usou-se um planejamento 2 4 para investigar a influncia de quatro fatores sobre
vrias respostas, dentre as quais a produtividade do adsorvente (P). Os dados obtidos esto
na Tabela 3A.4 (Clia F. C. Neves, 2000).
135

+
Fatores:
1: Presso de adsoro, bar
1,40
2,40
2: Presso de dessoro, bar
0,05
0,20
3: Vazo de alimentao, m 3 h- 1
0,10
0,30
30
4: Tempo de adsoro, s
Ensaio
P (mol kg- I ciclo-I)

2,75
1
2
3,15
3
4
2,85
3,55
+
4,65
5,85
5,40
6,30
5
6
7
8
5,95
6,55
5,60
6,75
11,50
13,00
12,50
14,00
9
10
11
12
13
14
15
16
Efeitos:
12
13
14
23
0,994
0,444
4,51
5,17
0,069
0,281
0,194
0,356
24
34
123
124
134
234
1234
0,019
2,03
-0,144
0,069
0,031
0,181
0,0062
136
2r----r--""--~---_r__--_,__--~-.-_r_--__,
04
1
----I--:-~-:--r~~_t___t__.. 3 t-__..
tf..-f.._f-___j._
o ....
_-j
!
_.J. _ .
!
I
I
I
I
I
i
I
I
I
i
>l
,!
----.-----....----Q.-.-.---------.--~ ..-----.-.--------.~--------- ..----..-.~ ...---....------..-~.--.- ..------------~--.----.-.-------- ..
-1
:!
-2
a....-_~"'____
-1
!1
_ _..&.o__..
!i
"""""__
!i
!i
!i
-'----...._~"""___~
--'
Efeito
Figura 3A.6 - Grfico normal dos efeitos.

Agora temos um nmero de efeitos suficientemente grande para fazermos um grfico normal
(Figura 3A.6). Os mais significativos so os efeitos principais do tempo de adsoro e da vazo de alimentao (4 e 3, respectivamente), seguidos a uma certa distncia pela sua interao e pelo efeito principal da presso de adsoro. O fator 2, presso de dessoro, de interesse secundrio, e natural pensarmos em tom-lo como inerte, para ficar com um fatorial em duplicata nos outros trs fatores, do qual poderamos obter uma estimativa do erro
puro. Note, porm, que 15 dos 16 efeitos calculados so positivos, o que no est de acordo
com a hiptese de uma distribuio normal de mdia zero, como seria de se esperar para valores representativos do erro puro. Se examinarmos os oito pares de ensaios que s diferem
pelo nvel do fator 2, constataremos que em sete deles o nvel superior produz uma resposta
ligeiramente mais alta. Concluso: sem dvida o fator 2 menos importante que os outros
trs fatores, mas ele tambm parece atuar no sentido de aumentar a produtividade do adsorvente. Alis, a resposta mais baixa a do primeiro ensaio, e a mais alta a do ltimo. Exatamente o contrrio do que aconteceu na Aplicao 3A.3, onde os efeitos principais eram todos
negativos.
3A.S
Melhorando funes de onda

Obter funes de onda de boa qualidade uma questo fundamental na qumica computacional. Existem vrias maneiras de se tentar melhorar a qualidade de uma funo de onda, e a
137
Como varfar tudo ao mesmo
resposta normalmente depende do problema que est sendo estudado. Funes que se
mostram satisfatrias para calcular determinadas propriedades no so obrigatoriamente
boas para outras propriedades. Nesta aplicao, os pesquisadores estavam interessados em
avaliar como alguns parmetros usados para especificar a funo de onda iriam afetar a
freqncia do estiramento CH determinada a partir dessa funo para a molcula CH3F
(Azevedo et al., 1996). O planejamento escolhido foi um fatorial completo 2 4 , veja Tabela 3A.5
Tabela 3A.S - Dados do experimento.
+
Fatores:
1: Conjunto de base
6-31G
6-311G
2: Funes de polarizao
ausentes
presentes
3: Funes difusas
ausentes
presentes
Hartree-Fock
MP2
4: Correlao eletrnica
Ensaio
1
2
3245,6
3212,4
3
4
3203,5
3190,3
5
6
3251,7
3209,4
3214,9
3193,5
7
8
9
10
3096,2
3049,3
3132,8
3087,6
3105,0
3050,4
3143,5
3093,5
11
12
13
14
15
16
Freqncia
138
:3
Efeitos:
12
13
14
23
-38,35
4,95
5,53
-120,38
5,90
-3,73
-10,83
2,28
24
34
123
124
134
234
1234
34,18
1,10
0,48
-4,33
0,60
-0,60
0,25
2.------.----~---------.--~-.,
,
i~
o
24
-1
-2
____l--__-_+~_
L...-...o
-150
_ o;_+_._
__.__ _._.+ .
---'--_ _..o.-.-"""--""
-100
50
--'--_..o.-.-...._--i-----l
-50
Efeitos

3090,6
Figura 3A.S - Grfico das respostas mdias em funo dos fatores 1, 2 e 4.
139
o grfico normal (Figura 3A.7) mostra claramente que somente os efeitos principais 4
(correlao), 1 (conjunto de base) e a interao 24 (funes de polarizao x correlao) so
significativos. Estamos novamente diante de um caso em que uma interao se mostra
importante sem que um dos efeitos principais correspondentes (o do fator 2, neste caso) seja
significativo. Voc pode descobrir a razo, examinando atentamente o grfico cbico das
respostas em funo dos fatores 1,2 e 4 (Figura 3A.8).
3A.6 Desempenho de eletrodos de Ti/Ti0 2
o planejamento fatorial 25 cujos dados esto na Tabela 3A.6 foi usado para investigar como
cinco fatores influenciavam o desempenho de eletrodos de Titri02 na eletrorreduo do
nitrobenzeno. O desempenho foi quantificado em termos das cargas catdicas medidas (em
mC cm-2 ) durante o processamento dos eletrodos (Ronconi e Pereira, 2001). Os fatores
estudados foram a concentrao do precursor de titnio nas solues precursoras empregadas (1), o nmero de camadas depositadas no eletrodo (2), a temperatura em que o
tratamento trmico foi realizado (3), a concentrao de nitrobenzeno (4) e a velocidade de
varredura do potencial aplicado (5).
+
Fatores:
1: Soluo precursora
1:4:16
1:2:8
2: Nmero de camadas
10
450
525
4: Concentrao de nitrobenzeno, mM
5: Velocidade de varredura, m V
50
200
3: Temperatura, C
Ensaio
2,03
3
4
Desempenho
2,07
1
2
4,71
7,01
1,71
140
6
7
8
2,10
4,36
3,71
7,15
4,87
8,96
12,25
4,28
3,13
9,42
8,68
9
10
11
12
13
14
15
16
1,70
1,39
4,50
5,92
0,73
0,77
3,20
3,08
2,51
1,82
5,60
7,61
1,55
1,05
4,25
4,38
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
141
Como
var~ar tudo
ao mesmo
Efeitos:
12
13
14
0,19
3,67
-1,48
2,41
-2,27
0,76
-0,52
-0,19
15
23
24
25
34
35
45
123
0,05
-0,45
0,68
-0,30
-0,27
-0,02
-1,47
-0,78
124
125
134
135
145
234
235
245
0,40
-0,15
-0,06
0,16
0,18
0,29
-0,22
-0,33
345
1234
1235
1245
1345
2345
12345
0,20
-0,12
0,29
-0,18
-0,01
-0,32
0,10
,
,
n.,0
o
-1
45
fI
J
ou
o ,
o ,,
-2
5
-3
-3
-2
-1
Efeitos
Pelo grfico normal, Figura 3A.9, os valores mais significativos so os efeitos principais
dos fatores 2 a 5 e a interao 45. Parece que podemos considerar o fator 1 como inerte, o
que transforma o planejamento num fatorial 24 em duplicata (Tabela 3A.7).
142
Tabela 3A.7 - Fatorial em duplicata obtido pela eliminao do fator 1.

Ensaio
2,050
0,0008
4,71
7,01
5,860
2,6450
1,71
2,10
1,905
0,0761
4,36
3,71
4,035
0,2113
7,15
4,87
6,010
2,5992
8,96
12,25
10,605
5,4120
4,28
3,13
3,705
0,6613
9,42
8,68
9,050
0,2738
1,70
1,39
1,545
0,0481
4,50
5,92
5,210
1,0082
0,73
0,77
0,750
0,0008
3,20
3,08
3,140
0,0072
2,51
1,82
2,165
0,2380
5,60
7,61
6,605
2,0201
1,55
1,05
1,300
0,1250
4,25
4,38
4,315
0,0084
5
6
7
8
9
10
11
12
13
14
15
16
Varincia
2,03
Mdia
2,07
1
2
Desempenho
A varincia agregada calculada das dezesseis varincias dos ensaios em duplicata

0,9584. A varincia de um efeito qualquer ser 1/8 desse valor,2 que 0,1198. A raiz quadrada deste ltimo valor o erro padro de um efeito. Multiplicando-o por t 16 , chegamos
finalmente ao valor limite para a significncia do valor absoluto de um efeito, 0,734 (95% de
confiana).
Por este resultado, os cinco efeitos apontados pela anlise do grfico normal so
confirmados como significativos. Dois outros, as interaes 12 e 123, ficam praticamente
sobre o limite. As concluses no mudam muito, mas importante reconhecer que neste
tratamento do erro estamos combinando varincias que diferem por at quatro ordens de
grandeza. Na verdade, esse procedimento uma violao da hiptese de normalidade dos
erros que est na base da maioria dos testes estatsticos, e deveramos ter usado alguma
transformao das varincias (em geral, logartmica) antes de procurar determinar valores
2
Por qu?
143
Corno vadar tudo ao mesmo
limite. Para os detalhes, que fogem ao mbito deste livro, uma boa referncia o livro de Wu
e Ramada (2.000), que tambm apresenta outros critrios para determinar quais so os
efeitos significativos.
3A.7 Controlando a espuma

A crescente automao do processo de lavagem de roupas, louas e superfcies em geral vem
exigindo produtos detergentes no s mais eficazes na remoo da sujeira mas
principalmente com baixo poder espumante, devido s altas velocidades de agitao usadas
nas lavagens. Uma das formas de controlar a espuma produzida pelos detergentes
introduzir na formulao agentes tensoativos no inicos, como lcoois graxos EO/PO (isto ,
lcoois etoxilados/propoxilados). Vrias outras propriedades importantes, como ponto de
turvao, tenso superficial, altura dinmica da espuma, detergncia, ponto de fulgor e
temperatura de degradao trmica, tambm costumam ser acompanhadas durante a
preparao de uma mistura detergente. Como tarefa para um curso de quimiometria,
Ricardo Pedro decidiu verificar como o ponto de turvao varia com as unidades de xido de
eteno (EO) e xido de propeno (PO) dos lcoois graxos, usando um fatorial 2 2 com um ensaio
em triplicata no ponto central (Tabela 3A.8).
(*)
Ensaio
Produto(*)
A404
A406
A604
A606
ASOS
AS OS
ASOS
EO
PO
Ponto de turvao,
32,10
40,20
+
+
27,70
34,00
35,00
34,60
35,40
Os dois nmeros no nome do produto indicam as unidades de
Efeitos:
EO
PO
EOxPO
7,2
-5,3
-0,9
144
po e EO, nessa ordem.
Dos trs ensaios repetidos no ponto central, obtemos a estimativa de 0,40 para o erro padro
de uma resposta, que neste caso igual ao erro padro de um efeito. O valor limite para a
significncia do valor absoluto de um efeito ser portanto, com 95% de confiana,
t 2 xs(efeito) = 4,303xO,40
=1,72.
efeito do nmero de unidades de EO, 7,20, e o do nmero de unidades de PO, -5,30, so
bastante significativos.
efeito de interao no significativo. Esses resultados podem ser
visualizados na Figura 3A.10. A ausncia de interao se reflete no quase paralelismo das

duas retas. O ponto de turvao aumenta com o grau de etoxilao e diminui com o grau de
propoxilao, sendo mnimo para o produto A604 (dentre os cinco lcoois avaliados,
obviamente). Como os tensoativos de menor ponto de turvao so tambm os de menor
poder espumante, podemos concluir que esse lcool o que deve fazer menos espuma.
45
~----....------------....-----------.
40
lctS
()ti
ctS
>
35
Q)
"'O
o
"E
o
Q..
30
25
-O- PO
=4
=6
PO
EO
Figura 3A.l0 - Variao da resposta com os nveis dos dois fatores.
Se a superfcie de resposta puder ser representada por um plano, um argumento

geomtrico elementar, ilustrado na Figura 3A.11, nos diz que o valor mdio das respostas no
ponto central deve coincidir (a menos do erro experimental) com o valor mdio das respostas
nos vrtices do planejamento. Se a superfcie for quadrtica, pode-se demonstrar que a
diferena entre essas duas respostas mdias uma medida da curvatura global, que dada
pela soma dos coeficientes dos termos quadrticos x~ e x~ (Box e Draper,1987). Usando os
dados da tabela, temos:
35,00 + 34,60 + 35,40 35 00
P ont o cent ra:I Yc
=
=
,
3
Vrtices: )Iv = 32,10+40,20:27,70+34,00 =33,50
145
Como vadar tudo ao mesrno
Diferena:
~ =
Yv - Yc
= 33,50 - 35,00 = -1,50.
Para decidir se a diferena significativa, precisamos de uma estimativa do seu erro.

Usando o procedimento para determinar a varincia de uma combinao linear descrito na
Seo 2.5, podemos escrever
2
I;;:
- ) VI;;: ) VI;;:) 8
8
78
V V'v-Yc
= V'v + V'c = - + - = -
onde
12'
a varincia de uma resposta. Substituindo o valor que obtivemos acima e
multiplicando o resultado por t 2 , conclumos que o valor limite para a significncia da

diferena 1,31, no nvel de 95% de confiana. Temos portanto evidncia de uma leve
curvatura na superfcie de resposta. Como a resposta mdia no centro superior mdia
das respostas nos vrtices, a superfcie deve ser ligeiramente convexa.
Figura 3A.ll - Superfcie de resposta ajustada aos dados do experimento.
3A.S Desenvolvimento de um detergente

Uma formulao de detergente em p consiste na mistura de diferentes ingredientes, como
tensoativos, polmeros, branqueadores e enzimas. Uma estratgia para desenvolver um
produto mais eficiente trabalhar a partir de uma formulao padro, variando-se de forma
controlada os teores de alguns aditivos. J. T. Bruns, aluna de ps-graduao em enge,nharia
qumica, decidiu usar um planejamento fatorial 23 para avaliar os efeitos da adio de trs
ingredientes sobre o poder de branqueamento e a redeposio da formulao detergente
resultante. Cada experimento foi feito utilizando-se a mesma quantidade de p das diferen-
146
tes formulaes. As lavagens foram feitas em simuladores industriais de lavagem de roupas,

usando peas de tecido que tinham sido submetidos mesma soluo padro de sujeira,
formulada para imitar a sujeira domstica tpica. Os resultados obtidos esto na Tabela 3A.9,
onde a resposta uma densidade tica que mede a intensidade da luz refletida pela roupa
lavada. O objetivo do experimento maximizar essa resposta. Os ingredientes e seus nveis
aparecem codificados, para garantir o sigilo industrial. As normas do laboratrio industrial
onde os testes foram realizados exigem que os ensaios sejam repetidos em grupos de doze.
Tabela 3A.9 - Efeito de diferentes formulaes para um detergente em p.
Formulaes
Resposta
2
4
2,993
76,998
4,285
75,557
3,803
76,928
3,686
81,032
3,725
82,298
2,690
80,848
1,716
82,146
2,496
3
5
7
1
Varincia c
75,719
+
(a)
Ordem cronolgica de execuo de cada grupo de doze ensaios repetidos.
(b)
Respostas mdias de doze ensaios repetidos.
(c)
Varincias dos doze ensaios repetidos.
Efeitos:
Mdia
AB
AC
BC
ABC
78,94
1,30
-0,14
5,28
0,03
-0,02
-0,03
-0,02
Uma das vantagens de realizarmos um nmero to grande de ensaios que podemos

combinar as varincias (que so todas bem parecidas) numa estimativa agregada com 88
graus de liberdade, e assim obter estimativas muito precisas do erro padro dos efeitos. A
combinao das varincias, pelo procedimento habitual, nos leva a um erro padro de 0,364
para um efeito, o que significa que somente poderemos considerar estatisticamente significativos, no nvel de 95% de confiana, os efeitos cujos valores absolutos sejam superiores
a t 88 x 0,364 = 0,724 . Por este critrio, s so significativos os efeitos principais dos aditivos
A e C, de modo que podemos considerar o experimento como um fatorial em duplicata nesses
147
y = 78,94 + 0,65x A + 2,64xc
dois fatores, (veja Tabela 3A.10) com um modelo descrito por
(lem-
brando que os valores coeficientes do modelo so sempre a metade dos valores dos efeitos).
Tabela 3A.l0 - Fatorial em duplicata embutido no fatorial da Tabela 3A.9.
Resposta Mdia
75,64
76,96
80,94
82,22
Como o objetivo do desenvolvimento da formulao maximizar a resposta, basta

acrescentar formulao padro os ingredientes A e C. Em termos de unidades codificadas,
o ingrediente C quatro vezes mais eficiente que o ingrediente A para aumentar a
intensidade refletida. Como veremos no Captulo 6, poderamos usar estes resultados para
determinar um caminho de mxima inclinao e com ele planejar experimentos que provavelmente teriam resultados ainda mais satisfatrios. Devemos lembrar, no entanto, que
existem outras respostas importantes, como o custo da formulao, que tambm precisam
ser levadas em considerao.
A Figura 3A.12 mostra os resultados de todos os 96 ensaios em funo dos nveis dos
aditivos A e C. Se no tivssemos feito esse nmero to grande de repeties, provvel que
efeitos como o aditivo A tivessem passado despercebidos, tendo em vista a varincia relativamente grande que se observa entre ensaios repetidos.
1.:'"
... 1....... '
rl"'I'~~
. ""
e
~
:
. ..
I. I
~.....:
.
,:
.,'
. . ;.J..J;J
l .. '
....l .. ;'
.l
:.:
...... ... ,
.1
................
.
.: :....................
"--';
'j.
.
'.
i"
:'.':J. ..
')'"
Figura 3A.12 - Resposta em funo dos aditivos A e C.
148
4
nmero de ensaios necessrios para se fazer um planejamento fatorial 2k completo au-
menta rapidamente com k, o nmero de fatores investigados. Com sete fatores, por exemplo,
um planejamento completo exigiria nada menos de 2 7
= 128 ensaios. Veremos neste captulo
que, num caso desses, a informao desejada muitas vezes pode ser obtida a partir de um
nmero de ensaios bem menor, correspondente a uma frao do nmero de ensaios do planejamento completo. Isso possvel por dois motivos.
Primeiro, o nmero de interaes de ordem alta aumenta dramaticamente com o
nmero de fatores (Tabela 4.1). Na maioria dos casos, essas interaes tm valores pequenos
e so destitudas de qualquer importncia prtica. Como na expanso em srie de uma
funo, os efeitos principais (isto , de primeira ordem) tendem a ser maiores que as interaes de dois fatores (de segunda ordem), que por sua vez so mais importantes que as
interaes de trs fatores, e assim por diante. Essa tendncia, naturalmente, se acentua
para efeitos de ordem mais alta. Se esses efeitos no so significativos, determinar o seu
valor no motivo bastante para nos levar a fazer todos os ensaios de um planejamento
completo.
Tabela 4.1 Nmero de efeitos principais e de interaes, dado em funo do nmero de

fatores, k. A ordem de uma interao o nmero de fatores envolvidos na sua
definio.
Ordem
k
10
10
15
20
15
21
35
35
21
149
uu:anao as variveis so mtdtas
Em segundo lugar, quando o nmero de fatores aumenta, crescem as chances de que

um ou mais deles no afetem significativamente a resposta, seja por meio de efeitos principais, seja por meio de efeitos de interao. Mais uma vez, se os efeitos dessas variveis no
precisam ser determinados, para que fazer todos os ensaios do fatorial completo?
Por outro lado, em muitas situaes no conhecemos, a priori, a relao completa de
todas as variveis que afetam significativamente a resposta. Para no correr o risco de excluir fatores que podem vir a ser importantes, devemos estudar, nesse estgio, o maior nmero possvel de variveis. Podemos fazer isso sem aumentar o nmero de ensaios, usando
planejamentos fracionrios, ao invs de fatoriais oompletos (Box, Hunter e Hunter, 1978,
Captulo 12). Neste captulo veremos como aplicar essa estratgia, tomando como base, inicialmente, uma investigao realizada em um laboratrio de pesquisa (Eiras, 1991; Andrade,
Eiras e Bruns, 1991). Em seguida apresentaremos um estudo fracionrio executado fora do
laboratrio qumico, para mostrar como podemos fazer uma triagem das variveis usando
um nmero mnimo de ensaios.
4.1 Fraes meias de planejamentos fatoriais

No projeto que vamos discutir nesta seo, os pesquisadores queriam otimizar um procedimento analtico para determinar traos de molibdnio em plantas. Escolheram ento um
mtodo baseado na ao cataltica da espcie Mo(VI) sobre a oxidao do on 1- pelo H202,
feita num sistema de fluxo contnuo monossegmentado. De todos os fatores considerados
importantes para a produo do sinal analtico, quatro foram escolhidas para um estudo
preliminar: as concentraes de H202, H2S04 e KI, e o tempo de reao dessas espcies com o
Mo(VI). A influncia desses fatores sobre a intensidade do sinal analtico foi analisada por
meio de um planejamento fatorial 2 4 completo. A matriz de planejamento dos dezesseis
ensaios est na Tabela 4.2, bem como as intensidades observadas. Os valores dos efeitos
calculados a partir desses resultados so apresentados na Tabela 4.3. Pelo grfico normal
desses valores (Figura 4.1), podemos ver que so significativos os efeitos principais de [KI],
de [H22] e do tempo, e as interaes de [KI] com [H22] e de [KI] com o tempo. A concentrao de cido sulfrico no parece estar envolvida em nenhum efeito importante.
Para executar o planejamento fatorial completo, precisamos fazer dezesseis ensaios.
Digamos que, por economia, os pesquisadores tivessem decidido realizar apenas oito ensaios,
e escolhessem precisamente os que esto assinalados na matriz de planejamento da Tabela
4.2. Nesse caso, eles s teriam obtido as oito respostas reproduzidas na ltima coluna da
Tabela 4.4.
150
Tabela 4.2 Resultados de um planejamento fatorial 2 4 completo, realizado para estudar a

ao cataltica do Mo(VI).
Fator
Ensaio
[H2S4], mol L-l
[KI], mol L-l
[H22], mol L-l
Tempo, s
1
0,32
0,015
0,030
0,0020
0,0040
90
130
61
124
113
5
.I
.I
85
66
185
192
9
.I
10
.I
11
12
(a)
98
86
201
194
122
139
289
286
15
.I
13
14
16
Resposta(a)
52
.I
.I
.I
0,16
Sinal analtico x 1.000
Exerccio 4.1
Use os dados da Tabela 4.2 e confirme que os valores dos efeitos significativos nesse
planejamento so mesmo os que aparecem na Tabela 4.3.
Multiplicando duas a duas as colunas apropriadas na matriz de planejamento, obtemos os sinais necessrios para o clculo dos valores das seis interaes de dois fatores.
Aplicando-os s respostas, chegamos aos valores tambm mostrados na Tabela 4.4, junta-
151
vuanoo as variveis so muitas
mente com os quatro efeitos principais e a mdia global. Todos esses valores (exceto a mdia,
claro) continuam sendo contrastes entre duas metades do conjunto de oito respostas. No
clculo de cada um deles usamos quatro respostas com sinal positivo e quatro com sinal
negativo. No entanto, como os clculos no se referem a um planejamento completo e sim a
uma frao, vamos usar a letra l para representar esses contrastes e assim distingui-los dos
efeitos do captulo anterior.
Tabela 4.3 Anlise do planejamento fatorial 24 para o estudo da resposta cataltica do

Mo(VI). Os valores mais significativos esto sublinhados.
Mdia = 143,31
12 = -1,13
1 =- 2,38
13 = 2,88
= 109,38
3 = 54,38
4 = 67,13
14 = 1,13
= 25,63
24 = 21,88
34 = 9,88
23
123 = 2,63
124 =- 2,63
1234 =- 8,88
134 = 5,38
234 = 0,13
4
....................
3
1
~.
........
_;
...
.......
~
-1
1
f
-2
L...-
-20
--'--
---'--
60
20
-----'
100
Efeito
Figura 4.1 Grfico normal dos valores dos efeitos calculados para o fatorial
completo 24 no estudo da ao cataltica do Mo(VI).
152
Tabela 4.4 Anlise de uma frao meia do planejamento fatorial completo 2 4: um

planejamento fatorial fracionrio 24-1 . Exemplo da resposta cataltica do Mo(VI).
Note que a ordem dos ensaios no a mesma da Tabela 4.2.
Fator
Ensaio
10
11
13
16
[H2S04], mol L-i
0,16
0,32
[KI], mol L-i
0,015
0,030
[H202], mol L-i
0,0020
0,0040
t, s
90
130
13
14
23
24
34
Resp.
52
+
+
12
+
+
113
122
201
+
+
86
Mdia = 138,87
l12 =8,75
II =- 2,25
l13 = 24,75
l3= 51,75
l23 = 26,75
66
+
+
185
286
l4= 69,75
Comparando os valores dos efeitos obtidos com o planejamento completo (Tabela 4.3)
e os contrastes calculados somente com a meia frao (Tabela 4.4), vemos que as estimativas
da mdia e dos efeitos principais so muito parecidas nos dois casos. Isto significa que podemos estimar muito bem a mdia e os efeitos principais usando apenas oito ensaios, ou seja,
com a metade do esforo necessrio para fazer o planejamento completo.
153
Os valores das interaes significativas do fatorial completo tambm esto em boa

concordncia com os valores dos contrastes
l23
l24
calculados na meia frao. Em compen-
sao, as interaes envolvendo o fator 1 so muito superestimadas pelos valores de

e
l14.
l12, l13
Tambm pudera. Seria timo poder reduzir o nmero de ensaios metade sem ter de
pagar nada por isso, mas infelizmente nada de graa.

A explicao a seguinte. Com os oito ensaios da meia frao s podemos estimar
oito grandezas independentes. Depois do clculo da mdia e dos quatro efeitos principais,
restam apenas trs graus de liberdade. Obviamente, esse nmero insuficiente para fornecer estimativas independentes de todas as seis interaes de dois fatores. Voc pode constatar que na verdade
l12
= l34, l13 = l24 e l14 = l23 . Isto ocorre porque na Tabela 4.4 as colu-
nas de sinais para as interaes 12, 13 e 14 so idnticas s colunas correspondentes a 34,

24 e 23, respectivamente.
Apesar disso, a situao ainda pode ser remediada. Se admitirmos que as interaes
envolvendo o fator 1 no so importantes (porque o seu efeito principal desprezvel), ento
concluiremos que
l24
l12
== l13 == l14 == O. Esses novos valores, juntamente com
l23
= 26,75,
= 24,75 e l34 = 8,75 , so estimativas muito boas das interaes de dois fatores calculadas
com as respostas de todos os 16 ensaios.

O planejamento com oito ensaios mostrado na Tabela 4.4 uma frao meia do
fatorial completo da Tabela 4.2. Costuma-se represent-lo com a notao 2 4-1, que a metade
de 2 4 :
Esta notao indica que temos quatro fatores, cada um com dois nveis, mas realizamos apenas oito ensaios. A presena do valor -1 no expoente significa que o fatorial completo
foi dividido por dois. Se ele tivesse sido dividido em quatro partes, o expoente seria 4-2, e
assim por diante.
Exerccio 4.2
Use os sinais da Tabela 4.4 para calcular os contrastes correspondentes s interaes 134 e
1234. J sabemos que no h mais graus de liberdade para isso, e que portanto esses valores
no devem ser independentes dos valores j calculados. Com que outros contrastes eles se
confundem? Voc acha que faz sentido interpretar esses valores como sendo realmente
estimativas dos efeitos 134 e 1234?
154
4.1(a) Como construir uma frao meia

Apresentamos o planejamento fracionrio 24-1 da Tabela 4.4 como um sub-conjunto, misteriosamente escolhido, do fatorial completo. Na verdade ele foi construdo da seguinte maneira:
1.
Construmos um planejamento 2 3 completo para os fatores 1, 2 e 3;
2. Atribumos ao fator 4 os sinais do produto das colunas 1,2 e 3.

A primeira conseqncia desse procedimento que os contrastes 1123 e 14 se tornam
idnticos, j que sero determinados pelos mesmos sinais. Este um resultado semelhante
ao obtido com a blocagem, no Captulo 3. Alm disto, como existem outras relaes de sinais,
envolvendo interaes de dois fatores e tambm interaes de ordem mais alta (Exerccio
4.2), o bom senso nos diz que deve haver outras identidades entre contrastes. Afinal, na
frao meia s temos oito graus de liberdade, enquanto o fatorial completo, com todos os
efeitos, tem dezesseis. Poderamos descobrir as relaes que faltam fazendo todos os
possveis produtos de colunas, mas isso no ser necessrio. Podemos descobri-las facilmente
atravs de uma lgebra muito simples.
Representaremos as colunas de sinais por nmeros (ou produtos de nmeros) em
negrito. Assim, por exemplo, a notao 123 indicar a coluna de sinais obtida com a
multiplicao das colunas correspondentes aos trs primeiros fatores. Essa coluna, como
acabamos de ver, idntica do fator 4. Podemos escrever portanto
(4.1)
4 = 123.
Para obter as relaes entre os diversos contrastes, vamos empregar duas

propriedades da multiplicao das colunas de sinais. A primeira que a multiplicao de
uma coluna por ela mesma, isto , a elevao de todos os seus elementos ao quadrado,
sempre produz uma coluna contendo apenas sinais positivos. Essa nova coluna, por sua vez,
quando aplicada sobre outra qualquer, deixa-a inalterada. Trata-se, em outras palavras, do
elemento identidade da nossa lgebra, e por isso vamos usar a letra I para represent-lo.
Assim, por exemplo, podemos escrever
11 = 22 = 33 = 44 = I.
A segunda propriedade apenas reconhece que a multiplicao das colunas
comutativa e associativa. Por exemplo:
123 = (1)(23) = (23)(1) = (12)(3)
= 321 = (2)(31) =...
Para obter as relaes entre os vrios contrastes, multiplicamos a expresso

definidora do fracionamento, Equao 4.1, por algum produto de colunas e aplicamos as
155
QuandO as varhive~s so muitas
propriedades que acabamos de enunciar. Quando quisermos saber a que equivale determinado contraste, s precisamos dar um jeito de faz-lo aparecer sozinho num dos lados da
Equao 4.1.
Digamos, por exemplo, que queremos saber qual o contraste que tem os mesmos
sinais que l2' Examinando a Equao 4.1, vemos que possvel isolar o fator 2 no lado direito multiplicando 123 pelo produto 13, porque isso transformar em identidades o 1 e o 3
que j se encontram na equao. claro que temos de multiplicar tambm o outro lado, para
que a relao de igualdade permanea:
(13)(4)
= (13)(123) = (11)(33)(2) =(1)(1)(2) = 2.
Do lado esquerdo da equao ficamos agora com o produto 134, e da conclumos que
l134
= l2'
a mesma concluso a que chegamos, de forma mais trabalhosa, no Exerccio 4.2.
N a terminologia estatstica, dizemos que o emprego da frao meia confunde o efeito principal 2 com a interao 134. O valor do contraste calculado, l2 (ou l134), na verdade uma
estimativa da soma dos dois efeitos. Voc pode confirmar que isso verdade, adicionando os
valores dos efeitos 2 e 134 na Tabela 4.3 e comparando o resultado com o valor de l2 na
Tabela 4.4.
Para mostrar que o contraste calculado confunde os dois efeitos e estima a sua soma,
costuma-se empregar a notao
l2 ~ 2
+ 134.
Todas as relaes entre os contrastes calculados na frao meia 2 4-1 e os efeitos obtidos com o
planejamento completo 2 4 (os chamados padres de confundimento) so mostrados na segunda coluna da Tabela 4.5.
Exerccio 4.3
Quantos ensaios tem um planejamento 28-4?
Exerccio 4.4
Escreva por extenso as expresses algbricas para o clculo dos efeitos 2 e 134 no fatorial 24
completo e mostre que o contraste l2 calculado na meia frao realmente corresponde soma
desses dois efeitos.
Exerccio 4.5
Todos os contrastes da Tabela 4.5 representam a soma de dois efeitos, exceto II , que estima a
mdia mais a metade da interao 1234. Por qu?
156
Tabela 4.5 Relaes entre os contrastes da meia frao 24 -1 e os efeitos do fatorial completo
2 4 M a mdia de todas as respostas.
Contrastes da meia frao 2 4- 1
em termos de efeitos do fatorial 24
Relaes entre as colunas de sinais

1 = 234
2= 134
3= 124
4= 123
12 = 34
13 = 24
14 = 23
II
1=1234
-4
M + lh (1234)
4.1(b) Relaes geradoras de fatoriais fracionrios

Nossa frao meia foi obtida a partir da igualdade 4 = 123 (Equao 4.1). A literatura
costuma apresentar essa relao na forma equivalente
(4.2)
1= 1234,
que obtida multiplicando-se os dois lados da equao 4.1 por 4. Nessa forma, onde o
elemento identidade aparece isolado, a expresso conhecida como geratriz (ou
rela~o
geradora) do fatorial fracionrio. Ela suficiente para definir toda a frao meia, porque nos
permite obter todos os sinais da matriz de planejamento. Cada possvel frao de um planejamento completo sempre definida por um certo nmero de relaes geradoras.
Consideremos agora os ensaios restantes da Tabela 4.2, aqueles que no esto marcados e que portanto no foram empregados nos clculos do fatorial fracionrio. Esses oito
ensaios tambm constituem uma metade, isto , uma frao meia, do planejamento completo. Voc pode confirmar facilmente que os sinais do fator 4 nesses ensaios so o contrrio
dos sinais do produto 123. Podemos dizer ento que essa outra frao gerada pela relao
(4.3)
4 = -123,
ou, equivalentemente, que a sua geratriz
1=-1234.
(4.4)
157
t)uanao as variveis so mtdtas
Com um argumento semelhante ao do Exerccio 4.4, podemos mostrar que os

contrastes agora so estimativas da diferena entre dois efeitos do planejamento completo.
Agora, por exemplo, teremos
z; ~ 2 -134.
As relaes entre os novos contrastes (identificados pelo asterisco) e os efeitos do planejamento completo so as mesmas da segunda coluna da Tabela 4.5, s que com sinais
negativos.
Tambm poderamos usar a segunda frao meia, que chamada de frao oomple-
mentar da primeira, para estimar os efeitos do fatorial. Os resultados finais levariam s

mesmas concluses. Com os valores e sinais apropriados, teramos, por exemplo,
Z; = 104,00 ,
tambm em boa concordncia com o valor do efeito principal 2 obtido para o fatorial completo, que 109,38.
Exerccio 4.6
Use os ensaios da frao meia complementar na Tabela 4.2 para calcular os valores dos contrastes Z~: , Z; , e Z: . Compare os resultados com os valores dados na Tabela 4.4 e tambm com
os efeitos principais calculados no planejamento completo.
Se juntarmos as duas fraes meias, teremos de novo o fatorial de partida. Fazendo a

combinao dos contrastes apropriados, podemos recuperar os valores dos efeitos sem nenhum confundimento. Por exemplo, Z2 e Z; envolvem o mesmo par de efeitos, 2 e 134.
Somando-os, teremos
Z2 + Z;
= (2 + 134) + (2 -
134) = 2 + 2 .
o valor do efeito principal ser portanto a metade da soma dos dois contrastes:
2
= 12 +1; = 114,75 +104,00 = 109,38 .

2
Da mesma forma, a interao 134 ser dada pela metade da diferena entre Z2 e Z; :
134 = 12 -1;
= 114,75 -104,00 = 5,38 .

2
158
Exerccio 4.7
Como voc combinaria os valores dos contrastes para obter o efeito de interao 1234? Faa as
contas e compare o resultado com o valor dado na Tabela 4.3.
4.2 O conceito de resoluo

4.2(a) Fatoriais fracionrios de resoluo quatro
A frao 24-1 tem uma caracterstica importante. Seus contrastes no misturam os efeitos
principais com interaes de dois fatores, e sim com interaes de trs fatores, que em
princpio devem ser menos significativas. Se essas interaes forem mesmo desprezveis, os
contrastes devem fornecer timas aproximaes dos efeitos principais calculados no fatorial
completo. Devemos ter, por exemplo, 12 == 1;: == 2. Em geral, esperaremos que li == lt == i.
Como j devamos esperar, precisamos pagar algo por isto. Os contrastes li} (ou 1;;)
so combinaes de pares de interaes de dois fatores, e sua interpretao fica mais difcil.
Consideremos, por exemplo, o valor de 114 na Tabela 4.4, 26,75. Pelos padres de confundimento (Tabela 4.5), esse valor corresponde soma das interaes 14 e 23. Ele deve ser
atribudo principalmente a 14, a 23, ou igualmente s duas?
S com os resultados da Tabela 4.4 no temos como saber, a rigor. No entanto, esses
mesmos resultados indicam que o fator 1 (a concentrao de H2S04) no tem efeito principal
significativo, ao contrrio dos fatores 2 ([KI]) e 3 ([H202]), o que nos inclina a supor que a
interao 23 deve ser, em princpio, mais importante que a interao 14. Conseqentemente,
o valor do contraste 123 (ou 114 ) deve ser uma boa aproximao da interao entre os fatores
Esta hiptese um tanto arriscada, mas nesta investigao especfica ela mostrou-se
vlida. Pelo clculo completo, 23
= 25,63, enquanto o valor de 14 apenas 1,13. Infelizmente,
nem sempre isso funciona. Se num dado experimento s tiverem sido feitos os ensaios
correspondentes a uma meia frao e se for mesmo necessrio distinguir entre duas
interaes de dois fatores, teremos de fazer os oito ensaios restantes para completar o
fatorial. S assim poderemos estimar separadamente os efeitos. 1
1 Em compensao, existem experimentos, como a triagem de um grande nmero de variveis, em que

podemos conviver muito bem com efeitos confundidos. Mais adiante veremos um exemplo.
159
o planejamento 24-1 um exemplo de fatorial fracionrio de resoluo quatro.
Num
fatorial de resoluo quatro os efeitos principais no se misturam com as interaes de dois

fatores mas estas, por sua vez, misturam-se entre si. A notao empregada para representar
a resoluo de um planejamento um ndice em algarismos romanos. Aqui, por exemplo,
4-1
escrevemos 2 IV.
Quem determina a resoluo de um fatorial so as suas relaes geradoras. O

nmero de fatores que compem o termo mais curto presente nessas relaes , por
definio, a
resolu~o
do planejamento. Para definir uma frao meia, basta uma relao
geradora. Em nosso exemplo essa relao (I = 1234) contm quatro fatores, e por isso a
resoluo do fatorial 24 -1 quatro. Na prtica, as resolues mais usadas ficam entre trs e
cinco.
Exerccio 4.8
Os resultados abaixo foram obtidos numa investigao cujo objetivo era a otimizao do rendimento de uma reao orgnica (R. S. Correa Neto, S. M. G. de Barros, M. Penso e D. Landini, Optimization of an Alkylation under PTC Conditions, 5th Brazilian Meeting on Organic
Synthesis, Campinas, 1992).
Fatores
1 (Temperatura)
Refluxo
Ambiente
2 (Base)
fuC03fNaOH
3 (Solvente)
4 (Catalisador)
Ensaio
TEBA
Nenhum
+
+
65
100
85
50
70
o
+
Rendimento( %)
Que concluses voc pode tirar desses resultados?
160
95
4.2(b) Fatoriais fracionrios de resoluo cinco

No estudo do sinal analtico do Mo(VI), na verdade foi investigado mais um fator alm dos
quatro j mencionados: o fluxo atravs do sistema monossegmentado. Os dezesseis ensaios
cujos resultados aparecem na Tabela 4.2 no correspondem realmente a um planejamento
24 , e sim a uma frao meia de um planejamento 25 , que apresentada na Tabela 4.6. Essa
frao foi construda a partir da relao 5 = 1234, ou, o que a mesma coisa, a partir de
(4.5)
1=12345.
Tabela 4.6 Um planejamento fracionrio 2~-1 para o estudo da resposta cataltica do Mo(VI).
Fator
Nvel
+
[H2S04], mol L-I
0,16
0,32
[KI], mol L-I
0,015
0,030
[H202], mol L-I
0,0020
0,0040
t, s
90
130
Fluxo, ml min- I
1,2
3,0
Ordem
[H2S04]
[KI]
[H202]
Fluxo
Resposta
52
5
13
12
4
61
11
3
66
185
10
2
15
86
201
194
122
139
289
9
1
98
8
16
192
+
113
85
6
14
124
161
286
Trata-se portanto de uma frao meia de resoluo cinco, para a qual podemos usar a notao 2~-1 . Os efeitos principais na verdade esto misturados somente com as interaes de
quatro fatores, enquanto as interaes de dois fatores se misturam com as de trs. Todas as
relaes entre os contrastes desse fatorial fracionrio e os efeitos do planejamento completo
esto na Tabela 4.7, juntamente com os valores dos contrastes calculados a partir dos dados
da Tabela 4.6.
Tabela 4.7 Estimativas dos contrastes do fatorial fracionrio 2~-1 e suas relaes com os
efeitos do fatorial completo. Os valores em negrito so os mais significativos.
Relao entre as colunas
Contrastes
Estimativas
1 = 2345
II
1 + 2345
II
=- 2,38
2 = 1345
l2 ~
2 + 1345
l2
= 109,38
3 = 1245
l3 ~
3 + 1245
l3
= 54,38
4 = 1235
l4 ~
4 + 1235
l4
= 67,13
5 = 1234
l5 ~
5 + 1234
l5
=- 8,88
12 = 345
l12 ~
12 + 345
l12
=- 1,13
13 = 245
l13 ~
13 + 245
l13
= 2,88
14 = 235
l14 ~
14 + 235
l14
= 1,13
15 = 234
l15 ~
15 + 234
l15
= 0,13
23 = 145
l23 ~
23 + 145
l23
= 25,63
24 = 135
l24 ~
24 + 135
l24
= 21,88
25 = 134
l25 ~
25 + 134
l25
= 5,38
34 = 125
l34 ~
34 + 125
l34
= 9,88
35 = 124
l35 ~
35 + 124
l35
=- 2,63
45 = 123
l45 ~
45 + 123
l45
= 2,63
1=12345
l] ~
mdia + lh(12345)
l]
= 143,31
Supondo que os efeitos de interao de trs ou mais fatores sejam desprezveis,

podemos concluir que so significativos apenas os efeitos principais dos fatores 2, 3 e 4 ([KI],
[H202] e t, respectivamente) e as interaes 23 e 24. ( possvel que os efeitos 5 e 34 tambm
162
UUianao as variveh; so muitas
No cubo da Figura 4.2, a resposta varia muito mais entre um vrtice e outro do que
dentro de um mesmo vrtice. Os valores mais altos ocorrem quando todos os trs fatores
esto nos seus nveis superiores, isto , na combinao de sinais (2 3 4) = (+ + +). Como o
objetivo do experimento aumentar a sensibilidade do mtodo analtico, podemos concluir
que seria aconselhvel realizar mais ensaios em torno dessa regio.
O aparecimento de fatoriais embutidos em decorrncia da inrcia de determinadas
variveis uma situao que pode ocorrer em qualquer planejamento fatorial. A Figura 4.3
mostra a razo, para o fatorial
21il
com sinais definidos pela relao 3 = 12. Se eliminarmos
o fator 3 desse planejamento, teremos um fatorial completo 2 2 nas variveis 1 e 2. Geometricamente, ao eliminarmos a varivel 3 estamos retirando o seu eixo da figura. O cubo fica
reduzido a um simples quadrado, situado no plano definido pelos fatores 1 e 2, isto , passamos a ter uma projeo do fatorial fracionrio no plano 12. A mesma coisa vale para os
outros eixos. Qualquer que seja a varivel eliminada, teremos um planejamento completo 2 2
nas variveis restantes.
,I
'
1I
J/jt
Figura 4.3 Representao geomtrica dos trs fatoriais completos 2 2 embutidos numa frao 23-1 .
As duas meias fraes dos fatoriais 2 4 e 25 so apresentadas na Tabela 4.8. Se eliminarmos qualquer varivel de uma frao
2jyl, ficaremos
com um planejamento 2 3 completo
nas outras variveis. Se eliminarmos duas variveis, passaremos a ter dois fatoriais 22 completos nas outras duas. No exemplo do Mo(VI), j vimos o que acontece quando duas variveis so retiradas de uma frao 2~-1 . O que aconteceria se eliminssemos trs variveis?
164
165
(JUian:oo as variveis so muitas
4.2(d) Fraes meias com resoluo mxima

Para construir as fraes meias apresentadas at agora, usamos o efeito de interao de ordem mais alta para determinar os sinais da coluna de um dos fatores. No primeiro exemplo,
partimos de um fatorial 2 3 e usamos a interao 123 para definir os nveis da quarta
varivel, por meio da relao I = 1234. Isso nos levou a uma frao de resoluo quatro.
No segundo exemplo, comeamos com um planejamento 2 4 e, atravs da relao I
12345, chegamos a uma frao meia de resoluo cinco. Esse procedimento, usando sempre a
interao de ordem mais alta no fatorial de partida, o mais indicado, embora possamos
escolher qualquer interao para gerar o planejamento fracionrio. Por exemplo, poderamos
definir os sinais da varivel 5 na frao meia 2 5- 1 pela relao 5 = 123. Nesse caso, a relao
geradora passaria a ser I = 1235, e conseqentemente a resoluo cairia para quatro. Como
as meias fraes que estudamos at agora baseiam-se na interao mais alta possvel, elas
so as que tm a resoluo mxima, para o nmero de fatores considerado. por isso que
elas normalmente so as melhores.
Em geral, para construir uma frao 2 k - 1 de resoluo mxima, devemos fazer o
seguinte:
1.
Escrever o planejamento completo para k-1 variveis;
2.
Atribuir varivel restante os sinais da interao 123(kl), ou ento os sinais

exatamente contrrios.
Exerccio 4.11
Construa um planejamento fracionrio 2 5- 1 usando a relao 5 = 124. Determine, nessa frao,
as relaes existentes entre os contrastes correspondentes a um e a dois fatores e os efeitos
calculados num fatorial completo. Voc pode imaginar uma situao em que esse
planejamento fosse prefervel, ao invs do fatorial de resoluo mxima?
4.3 Triagem de variveis

4.3(a) Fatoriais fracionrios de resoluo trs
No exemplo analisado at agora, conclumos que somente trs, das cinco variveis de
partida, afetam significativamente a intensidade do sinal analtico. Como o sistema de anlise em fluxo relativamente complexo, teria sido difcil prever quais seriam as variveis
166
mais importantes. Nesta investigao, na verdade, os pesquisadores no tinham certeza nem

dos valores que deveriam escolher para os dois nveis de cada varivel.
Numa situao destas, em que no sabemos muito sobre o comportamento do sistema estudado, melhor, num primeiro estgio, realizar apenas uma frao do total de
ensaios do fatorial completo. Mais tarde, depois de analisar os resultados dessa frao, podemos decidir se vale a pena fazer os ensaios restantes. Se os resultados indicarem que s
umas poucas variveis so importantes, podemos introduzir novas variveis, ou alterar os
nveis das que j estudamos, para tentar obter melhores respostas. Por outro lado, se os resultados iniciais j se mostram promissores, podemos realizar mais ensaios na mesma regio
e completar o fatorial, ou ento podemos tentar ajustar uma superfcie de resposta (assunto
que abordaremos no Captulo 6).
Quando estamos investigando o efeito de muitas variveis, fazer um planejamento
completo logo de sada nunca uma boa poltica. melhor comear com um planejamento
fracionrio e fazer uma triagem, isto , tentar separar os fatores realmente significativos, que
merecem um estudo mais aprofundado, daqueles que no tm importncia. O planejamento
sempre poder ser completado mais tarde, se os resultados iniciais apontarem nessa direo.
At agora, tratamos apenas de fraes meias, nas quais fazemos metade dos ensaios do
planejamento completo. Dependendo do nmero de fatores, essa frao ainda pode ser grande
demais. Se esse for o caso, nosso prximo passo considerar planejamentos fracionrios contendo apenas um quarto do total de ensaios. Com cinco variveis, como no exemplo do Mo(VI),
o planejamento teria apenas oito ensaios e corresponderia a uma frao 25-2 Para construir sua
matriz, comearamos com um fatorial 23 baseado em trs das cinco variveis. Em seguida,
precisaramos de duas relaes geradoras para definir os nveis das duas variveis restantes.
Para chegar ao planejamento mostrado na Tabela 4.9, partimos das relaes 4 = 123
e5
= 12, o que equivale a fazer I = 1234 e I = 125. Como o menor termo nessas relaes con-
tm trs fatores, o planejamento tem resoluo trs, e sua notao completa 2~ii2 . Evidentemente, esse tipo de planejamento mais econmico. Em compensao, produz contrastes
que misturam efeitos principais com interaes de dois fatores. Isto complica a anlise dos
resultados, mas possvel que alguns desses contrastes apresentem valores pequenos o
suficiente para nos permitir descartar as variveis correspondentes. Como essa possibilidade
sempre existe, fazer uma triagem com um planejamento de baixa resoluo no necessariamente o mau negcio que est parecendo. O pior que poder acontecer, num caso desfavorvel, ns termos de fazer os ensaios que faltam, seja para obter uma frao de maior
resoluo, seja para completar o fatorial.
167
Tabela 4.9 Anlise de uma frao 2~ii? para o estudo da resposta cataltica do Mo(VI), com
resultados parcialmente simulados.
Fator
Nvel
+
1
[H2S04], mol L-l
0,16
0,32
[KI], mol L-l
0,015
0,030
[H202], mol L-l
0,0020
0,0040
t, s
90
130
Fluxo, ml min- 1
1,2
3,0
Sinal
[H2S04]
[KI]
[H202]
Fluxo
(x1000)
52
+
+
+
92*
198*
+
+
Mdia
113
122
76*
189*
= 141,00
l3
= 54,50
II
= 1,50
l4
= 67,00
l2
= 111,00
l5
= 4,50
286
* Resultados simulados, baseados nas respostas apresentadas na Tabela 4.6. Por exemplo, o resultado
92 para o ensaio (+ - - + -) foi obtido fazendo-se uma mdia das respostas 98 e 86, observadas nos
ensaios (--- + -) e (+ - - + +) da Tabela 4.6.
Quatro dos ensaios da Tabela 4.9 so idnticos a ensaios da Tabela 4.6. As respostas
para esses ensaios so portanto as mesmas nas duas tabelas e representam valores reais,
obtidos no laboratrio. Os outros quatro ensaios tm combinaes de nveis para as quais os
experimentos no tinham sido realizados. Suas respostas so valores simulados, obtidos a
partir dos prprios dados experimentais da Tabela 4.6. Os contrastes calculados para as
cinco variveis tambm so mostrados na Tabela 4.9, onde podemos observar que os valores
esto em tima concordncia com as estimativas da mdia e dos efeitos principais deter-
168
minados no planejamento 2~-1 (Tabela 4.7). Analisando os resultados da frao quarta 25-2 ,
obtidos no estgio inicial da investigao, os pesquisadores podem decidir se vo fazer mais
ensaios para chegar at uma frao meia ou mesmo at o fatorial completo 2 5 , se vo
introduzir novas variveis no lugar das variveis 1 e 5 (que parecem no ter muita
influncia sobre a resposta), ou ainda se preferem mudar os nveis das variveis. 2
Exerccio 4.12
Os efeitos confundidos num determinado contraste so determinados pelas relaes geradoras
do fatorial e por todos os seus possveis produtos. Nos planejamentos 24 - 1 e 2 5- 1 s havia uma
relao geradora, e por isso os efeitos eram confundidos dois a dois. No planejamento 25-2 ,
como existem duas relaes geradoras, precisamos considerar trs equaes: as prprias
relaes, I
= 1234 e I = 125, e o seu produto, (1)(1) = I = (1234)(125) = 345. Cada efeito estar
portanto confundido com outros trs. (a) Use estas relaes para mostrar que o efeito principal 1 se confunde com as interaes 25, 234 e 1345; (b) Que interaes esto confundidas
com o efeito principal5?
4.3(b) Planejamentos saturados

Problemas de otimizao envolvendo mais de, digamos, uma meia dzia de fatores no so
muito comuns na vida acadmica. Alm de o pesquisador ter plena liberdade para definir
seus projetos de pesquisa, e conseqentemente poder escolher problemas mais simples,
muito mais fcil controlar as variveis num experimento de bancada. Na indstria, a
situao exatamente oposta. O problema a ser atacado geralmente imposto por
circunstncias alheias vontade do pesquisador, e sua resoluo costuma apresentar
maiores dificuldades, entre as quais a de que no h tempo a perder. por isso que os
planejamentos fracionrios, que permitem uma triagem eficaz de um conjunto de muitas
variveis, so particularmente importantes para laboratrios industriais.
Nos exemplos anteriores, custa de fragmentar - e portanto confundir - um planejamento completo, vnhamos conseguindo estudar cada vez mais fatores com cada vez menos
ensaios. Como no se trata de nenhuma mgica, obviamente isso deve ter um limite. Dado
um certo nmero de ensaios, deve existir um nmero mximo de fatores que podemos estudar com esses ensaios. Quando esse limite alcanado, dizemos que o planejamento est
2 Devemos lembrar que este um exemplo didtico, onde aproveitamos resultados obtidos em outro
planejamento. Numa aplicao real, os pesquisadores tm de realizar de verdade os quatro ensaios
cujas resposta foram simuladas aqui.
169
saturado. Nesta seo vamos usar um planejamento saturado para analisar um estudo
emprico realizado bem longe do laboratrio.

Um dos autores tenista amador3 e resolveu estudar a influncia de vrios fatores
na qualidade de seus saques. Para isso, escolheu sete fatores de interesse e construiu o
planejamento fracionrio mostrado na Tabela 4.10. Os fatores escolhidos foram a tcnica
usada no saque, a freqncia, a hora, o tipo de revestimento, o lado da quadra, o uso (ou no)
de camisa e o tamanho da raquete empregada. O planejamento prev a realizao de oito
ensaios. Com eles podemos estudar no mximo sete fatores, porque um dos graus de
liberdade gasto obrigatoriamente com o clculo da mdia. Como este exatamente o
nmero de variveis selecionadas, temos um planejamento saturado.
Tabela 4.10 Um planejamento fracionrio saturado de oito ensaios, para avaliar como sete
variveis afetam o saque de um tenista amador.
Nvel
Fator
+
chapada
cortada
baixa
alta
dia
noite
Revestimento
saibro
concreto
Lado
direito
esquerdo
Camisa
com
sem
Raquete
mdia
grande
Tcnica
Freqncia
Hora
Equivalncias:
Ensaio
4= 12
3
1
2
+
+
7 = 123
7
66
51
52
42
+
+
Quem ser?
170
54
70
+
+
% acertos
56
+
+
7
8
5
6
6=23
5 = 13
64
Outros fatores, como o vento e a chuva, podem afetar a preciso do saque. Fatores
desse tipo obviamente fogem ao controle do pesquisador, mas foram tomadas precaues
para evitar sua influncia. Quando, na execuo dos experimentos, as condies atmosfricas
se mostraram adversas, os ensaios foram adiados at o tempo melhorar. Cada um dos
ensaios consistiu num total de cem saques. O nmero de saques vlidos em cada ensaio
mostrado na ltima coluna da Tabela 4.10.
O planejamento foi construdo a partir de um fatorial completo para as trs primeiras variveis, usando-se as relaes geradoras I = 124, I = 135, I = 236 e I = 1237 para definir os nveis das quatro variveis restantes. Esse planejamento chamado de saturado porque todas as possveis interaes entre os fatores do planejamento de base, 12, 13,23 e 123,
foram usadas para determinar os nveis das outras variveis. Isso torna impossvel definir
novas variveis cujos nveis no sejam inteiramente coincidentes com os nveis de uma das
que j fazem parte do planejamento. Como o termo mais curto no conjunto das relaes geradoras contm trs fatores, o planejamento de resoluo trs, e sua notao completa 2 }il4
O planejamento
2}ii4
corresponde a 1/16 do planejamento completo 2 7 , e por isso s
produz 23 observaes independentes, que so as respostas dos oito ensaios. Como o

planejamento completo tem, entre mdia e efeitos, 2 7 = 128 parmetros, quando usarmos as
oito observaes para estimar esses parmetros estaremos confundindo em cada contraste
um total de 128/8 = 16 efeitos, que precisamente a razo entre o tamanho do planejamento
completo e o tamanho do fatorial fracionrio. Cada efeito principal estar confundido com
quinze outros efeitos. Destes, a Tabela 4.11 mostra apenas as interaes de dois fatores.
Estamos admitindo por enquanto que os termos de ordem mais alta so desprezveis.
Tabela 4.11 Contrastes calculados na frao 2}li4 , e suas expresses em termos dos efeitos
principais e das interaes binrias de um fatorial completo 2 7
Tcnica:
II
12,25
1 + 24 + 35 + 67
Freqncia:
12
-9,25
2 + 14 + 36 + 57
Hora:
13
1,25
3 + 15 + 26 +- 47
Revestimento:
14
-0,75
4 + 12 + 56 + 37
Lado:
15
6,75
5 + 13 + 46 + 27
Camisa:
16
0,25
6 + 23 + 45 + 17
Raquete:
17
3,75
7 + 34 + 25 + 16
171
Quando as varLve~s so muitas
.~---------------------~-------
Com as respostas da Tabela 4.10, que representam a percentagem de saques acertados em cada ensaio, podemos calcular os valores dos contrastes mostrados na Tabela 4.11.
O valor II = 12,25, por exemplo, o resultado de JA( - 56 + 66 - 51 + 52 - 54 + 70 - 42 + 64).
Os demais so calculados de forma semelhante, com os sinais da coluna apropriada.
Exerccio 4.13
Calcule o valor do contraste correspondente ao efeito principal do lado da quadra, usando os
dados da Tabela 4.10.
Exerccio 4.14
No fatorial 2 7-4 cada efeito principal confundido com quinze interaes. Para descobrir o que
se confunde com o qu, necessrio usar, alm das quatro relaes geradoras, seus seis
produtos binrios, seus quatro produtos ternrios e finalmente o produto de todas elas.
Determine que interaes esto confundidas com o efeito principal que representa o lado da
quadra.
Podemos interpretar facilmente os resultados da Tabela 4.11, se admitirmos que todas as interaes de dois fatores tambm podem ser desprezadas, a exemplo do que fizemos
com as demais interaes. Cada contraste passar ento a representar simplesmente um
efeito principal, ficando evidente que a tcnica e a freqncia so os fatores mais importantes, dos sete estudados nesse planejamento. A mudana do saque chapado para o cortado
resulta num aproveitamento 12,25% maior, enquanto o aumento da freqncia dos saques
piora a preciso em 9,25%. Esses resultados so esperados para jogadores de nvel "mdio",
como o atleta em questo. 4
Dois contrastes da Tabela 4.11, l5 e l7' correspondendo respectivamente ao lado da
quadra e ao tamanho da raquete, tm valores intermedirios. O lado de onde o saque feito
parece ser importante: no lado esquerdo o aproveitamento subiu cerca de 7%. Tendo-se em
vista que o tenista canhoto, tal resultado no de se estranhar. O emprego de uma raquete
maior ajuda a melhorar os acertos em aproximadamente 4%, o que tambm compreensvel.
Os demais fatores (hora, camisa e revestimento da quadra) no parecem ter grande
importncia.
4 Depois que se aprende, na verdade, a batida cortada mais fcil de controlar que a chapada. No caso
do outro fator, realizar os saques a intervalos maiores permite que o jogador se concentre mais, o que
ajuda a melhorar o aproveitamento.
172
Esta anlise, feita por alto, considerou desprezveis todos os efeitos de interao.
Ser que no estamos enganados? Quem sabe se esses efeitos que desprezamos no so os
verdadeiros responsveis pelos altos valores dos contrastes?
s vezes pode acontecer que um determinado contraste apresente um valor alto no
por causa de um efeito principal, mas por causa de uma interao de dois fatores que tambm tm efeitos principais significativos. Consideremos, por exemplo, os fatores 1 e 2, que
individualmente parecem ser importantes. A interao 12 est embutida no contraste 14 ,
cujo valor praticamente nulo. Se a interao 12 fosse significativa, esperaramos um valor
mais alto para o contraste 14 Como isso no aconteceu, conclumos provisoriamente que a
interao no deve ser importante. Um argumento semelhante pode ser aplicado s
interaes 15 e 17, que contribuem para os contrastes 13 e la, respectivamente.
Restam as interaes 25, 27 e 57, que participam de contrastes importantes. A interao 27, por exemplo, entra no contraste 15 , que interpretamos como o efeito principal do
lado da quadra. Se o valor de 27 for significativo, teremos de mudar nossa interpretao de
15 Talvez o lado da quadra no tenha importncia, e o valor 6,75 na verdade indique que o
uso de uma raquete maior permite sacar com maior freqncia sem piorar o ndice de
acertos.
Tabela 4.12 Um planejamento fracionrio saturado de oito ensaios que, junto com a frao
da Tabela 4.10, permite separar o efeito principal do fator 5 das interaes de dois
fatores. Os sinais do fator 5 so opostos aos da Tabela 4.10. Os outros fatores permanecem com os mesmos sinais.
Ensaio
74
50
60
+
54
62
+
+
% acertos
52
173
50
63
Para resolver essa questo, o pesquisador-atleta fez um novo planejamento, construdo de forma a separar (ou, como s vezes se diz, des<XJDfundir) o valor do efeito principal
5 da soma 13 + 46 + 27. Esse planejamento, que apresentado na Tabela 4.12, baseia-se nas
mesmas relaes usadas na Tabela 4.10, com uma exceo. Para o fator 5, que queremos desconfundir, empregamos a relao 5 = - 13, ao invs de 5 = 13. Os dois fatoriais so portanto
idnticos, exceto pelos nveis atribudos ao fator 5, que tm sinais exatamente opostos nas
duas tabelas. essa caracterstica que vai nos permitir isolar o efeito principal 5, combinando os resultados dos dois planejamentos.
Exerccio 4.15
Cada ensaio das Tabelas 4.10 e 4.12 corresponde realizao de saques sob certas condies,
especificadas pelos sinais das respectivas matrizes de planejamento. Descreva a realizao do
ensaio n Q 4 na Tabela 4.10. Qual a diferena, em termos prticos, entre esse ensaio e o ensaio
n Q 4 da Tabela 4.12?
Os valores dos contrastes calculados para a nova frao so mostrados na Tabela

4.13, juntamente com as relaes entre eles e os efeitos do planejamento fatorial completo.
Note que (a) todas as interaes binrias do fator 5 esto com sinal negativo, e (b) todas as
interaes binrias do contraste 15 tambm esto com o sinal negativo. O nico contraste
com valor claramente significativo o que corresponde tcnica de saque (chapada ou
cortada). Os contrastes da freqncia e do tamanho da raquete agora tm valores absolutos
um pouco acima de 4%. Surpreendentemente, o contraste para o uso da camisa um pouco
maior que o contraste referente ao lado da quadra. Talvez esse fenmeno possa ser atribudo
contribuio da interao binria 17.
Tabela 4.13 Contrastes calculados na segunda frao 2 7-4 e suas expresses em termos dos
efeitos principais e das interaes binrias do planejamento completo 2 7
13,25
1 + 24- 35 + 67
Freqncia:
l;
=
=
- 4,75
2 + 14 + 36- 57
Hora:
1*3 =
-1,75
3 -15 + 26 + 47
Revestimento:
z*4 =
-1,75
4 + 12 - 56 + 37
Lado:
z*5 =
2,75
5-13-27 - 46
Camisa:
z*6 =
3,25
6+23-45+ 17
Raquete:
z*7 =
4,25
7 -25 + 34 + 16
Tcnica
lO::
1
174
Para isolar o efeito principal 5, combinamos os dois contrastes em que ele aparece:
5 == Z5 +Z; == 6,75+2,75 ==475.
22'
Da mesma forma,
13 + 46 + 27 =
1 -l*
_5_ _
5
= 2,00 .
Podemos concluir, ento, que o efeito principal do lado da quadra no aproveitamento

do saque quase 5%, ao passo que o efeito combinado das interaes 13, 46 e 27 de 2%.
A Tabela 4.14 mostra as combinaes dos outros contrastes. Voc pode perceber que,
alm de isolar o efeito principal 5, tambm conseguimos isolar todas as interaes binrias
envolvendo esse fator. Os valores absolutos dessas interaes so todos inferiores a 2,25. Se
admitirmos que o valor verdadeiro de todas elas zero, podemos empregar os sete valores da
Tabela 4.14 que s correspondem a interaes de dois fatores para estimar o erro de um
contraste:
o que d um erro padro de 1,42.

Com essa estimativa do erro, podemos finalmente concluir que s os contrastes envolvendo os efeitos principais da tcnica (1), da freqncia (2), do lado da quadra (5) e do
tamanho da raquete (7) tm valores significativos, no nvel de 95% de confiana.
Outras fraes podem ser executadas, caso seja necessrio isolar outros efeitos. No
total, existem dezesseis planejamentos 2
es de sinais nas relaes 4
;ii
diferentes, definidos pelas possveis combina-
= 12, 5 = 13, 6 = 23 e 7 = 123.
Se agora, por exemplo, quisermos saber se o tamanho da raquete (o fator 7) mesmo

importante, podemos realizar um outro planejamento mantendo as trs primeiras relaes
com o sinal positivo e fazendo 7
=-
123. Combinando os resultados desse planejamento com
os da primeira frao, obteremos estimativas isoladas para o efeito principal do tamanho da

raquete e para todas as suas interaes binrias. Essa estratgia de isolamento, contudo,
normalmente aplicada em primeiro lugar aos contrastes com os maiores valores. Neste
exemplo ela deveria ser aplicada ao fator 1, cujos contrastes so II
175
= 12,25
e l~:
= 13,25.
Teramos ento uma melhor estimativa do efeito principal deste que parece ser o fator mais
importante, e tambm estimativas de todas as interaes binrias de que ele participa.
Tabela 4.14 Estimativas do efeito principal do fator 5 e de todas as interaes binrias

envolvendo esse fator.
Contraste
1
II +1;
2
12,25 + 13,25
2
12,75
II -1;
2
12,25 -13,25
2
-0,50
=35
12 +1;
2
-9,25 -4,75
=
2
-7,00
= 2 + 14 + 36
12 -1;
2
-9,25+4,75
2
-2,25
= 57
13 +1;
2
1,25 -1,75
2
-0,25
= 3 + 26 + 47
1,25+1,75
2
1,50
-0,75-1,75
2
-1,25
1 -1=
2
-0,75+1,75
2
0,50
= 56
15 +1;
2
6,75+2,75
2
4,75
=5
1 -1;
2
6,75-2,75
2
2,00
= 13 + 46 + 27
=6+23+17
1 -1;
3
-2
14 +1=
2
4
-=
5
-=
= 1 + 24 + 67
16 +1;
2
0,25+3,25
2
1,75
16 -1;
2
0,25-3,25
2
-1,50
17 +1;
2
3,75+4,25
2
4,00
17 -1;
2
3,75 -4,25
2
- 0,25
176
= 15
= 4 + 12 + 37
=45
= 7 + 34 + 16
=25
4.3(c) Como construir uma frao de resoluo trs

Saturando um planejamento completo 2m , podemos obter planejamentos fracionrios de
resoluo trs para um total de 2m
para m
1 variveis. Para isso temos de utilizar, como vimos
= 3, relaes geradoras obtidas a partir de todas as possveis interaes dos m fatores
de partida. Comeando, por exemplo, com um fatorial 2 4 , devemos empregar estas onze
= 12,6 = 13, 7 = 14,8 = 23, 9 = 24,10 = 34,11 = 123, 12 = 124,13 = 134, 14 = 234
relaes: 5
e 15
= 1234.
A frao resultante ter dezesseis ensaios e com ela ser possvel estudar o
efeito de quinze (2 4 - 1) variveis. Sua notao ser
2}Y/-ll.
mesmo procedimento pode ser facilmente estendido a um nmero qualquer de
fatores de partida. importante observar, porm, que ao usar um planejamento saturado

no estamos condenados a fazer sempre triagens de sete, ou quinze ou, em geral, 2m
fatores. Podemos fazer o estudo com qualquer nmero de fatores, desde que inferior ao
nmero mximo permitido pelo planejamento. As colunas de sinais que no corresponderem
a variveis reais podero ser usadas para calcular uma estimativa do erro padro dos
contrastes.
4.3(d) Como construir uma frao 2~V4 a partir de uma frao
2}ii4
Planejamentos de resoluo quatro so facilmente construdos a partir de planejamentos saturados de resoluo trs. Por exemplo, partindo da nossa primeira frao
2Jii4 , podemos
construir o planejamento 2~V4 mostrado na Tabela 4.15. Para isso, comeamos acrescentando ao planejamento de partida uma coluna para o fator 8, toda de sinais positivos. Como
um planejamento 28 - 4 deve ter dezesseis ensaios, precisamos de mais oito linhas. Para obter
os sinais que faltam, devemos inverter os sinais dos oito primeiros ensaios, linha por linha.
O nono ensaio ser o primeiro com os sinais trocados, o dcimo ser a inverso do segundo, e
assim at o dcimo sexto, que s tem sinais negativos e portanto obtido a partir do oitavo.
Com isto teremos de realizar o dobro de ensaios, mas o trabalho adicional compensado com uma melhora na resoluo. Como o novo planejamento definido pelas relaes
1= 1248, I = 1358, 1= 2368 e 1= 1237, sua resoluo passou a ser quatro.
177
Tabela 4.15 Uma frao de resoluo quatro, 2~4, definida por I

1237.
Ensaio
1
2
+
+
11
12
13
14
15
+
+
+
+
+
+
+
+
10
= 1248 = 1358 = 2368 =
+
+
+
+
+
+
16
Exerccio 4.16
Como se chega s relaes geradoras da Tabela 4.15? Por que elas no se alteram quando os
sinais dos ensaios so trocados, como foi feito para os ensaios 9-16?
Exerccio 4.17
Use as relaes geradoras dadas na Tabela 4.15 e verifique com que interaes de trs fatores
o efeito principall est confundido.
Com resoluo quatro, podemos separar completamente todos os efeitos principais

das interaes de dois fatores, como mostra a Tabela 4.16. Os contrastes correspondentes s
prprias colunas do planejamento estimam os efeitos principais das oito variveis, ao passo
que os contrastes definidos pelo produto de duas colunas estimam combinaes de interaes
de dois fatores. Isto, claro, se desprezarmos as interaes de ordem mais alta.
178
Tabela 4.16 Contrastes da frao 2~4, em funo dos efeitos principais e das interaes
binrias do fatorial completo 2 8 , desprezando-se as interaes de mais de dois fatores.
l7
=1
=2
=3
=4
=5
=6
=7
l8
=8
l1
l2
l3
l4
l5
l6
l12
= 12 + 37 + 48 + 56
l13
= 13 + 27 + 46 + 58
l14
= 14 + 28 + 36 + 57
l15
= 15 + 26 + 38 + 47
l16
= 16 + 25 + 34 + 78
l17
= 17 + 23 + 68 + 45
l18
= 18 + 24 + 35 + 67
4.3(e) Planejamentos saturados de Plackett e Burman

J vimos que, dispondo de condies materiais para realizar 8, 16, 32, ... , 2m ensaios, podemos empregar planejamentos saturados e com eles estudar a influncia de at 7, 15, 31, ... ,
2m
1 fatores. Uma outra classe de planejamentos fracionrios emprega um total de 12, 20,
24,28, ... ensaios para investigar simultaneamente at 11, 19,23,27, ... fatores. Esses planejamentos, propostos por R. L. Plackett e J. P. Burman, permitem estimar todos os k = n - 1
efeitos principais (onde n representa o nmero de ensaios) com varincia mnima (Plackett
e Burman, 1946). A Tabela 4.17 mostra o planejamento Plackett-Burman correspondente
a n = 12.
Os planejamentos Plackett-Burman tm uma caracterstica em comum com os outros

planejamentos fracionrios que estudamos. Os n/2 sinais positivos de qualquer coluna
sempre correspondem, nas demais colunas, a n/4 sinais positivos e n/4 sinais negativos. A
mesma coisa ocorre com os sinais negativos. Em outras palavras, as colunas so todas
ortogonais, e essa simetria permite que os efeitos principais de cada fator sejam determinados individualmente, admitindo-se que os efeitos de interao sejam desprezveis.
Embora num planejamento saturado com n ensaios seja possvel estudar at n - 1
fatores, aconselhvel escolher um nmero menor, para que as colunas no utilizadas faam
o papel de variveis inertes e possam ser empregadas para estimar o erro associado aos
contrastes. No caso dos planejamentos Plackett-Burman, recomenda-se que o nmero de
fatores reais no ultrapasse n - 4. Com o planejamento da Tabela 4.17, por exemplo,
179
Quando as variveis s~o mu~tas
devemos estudar no mximo oito fatores. Os trs graus de liberdade restantes 5 podem ser
usados para estimar os erros nos valores calculados para os efeitos principais.
Uma desvantagem dos planejamentos Plackett-Burman que as relaes entre os
contrastes calculados e os efeitos de um fatorial completo so bastante complexas. Isto torna
muito mais difcil escolher os ensaios adicionais necessrios para desconfundir os efeitos.
Tabela 4.17 Planejamento fracionrio saturado de Plackett e Burman para o estudo de 11

variveis com 12 ensaios.
Ensaio
10
11
12
+
+
+
+
+
+
11
+
+
10
+
+
+
+
+
+
4.3(f) Tcnicas de Taguchi para engenharia da qualidade

No Japo do ps-guerra, Genichi Taguchi, que trabalhava na Nippon Telephone & Telegraph Co., dedicou-se tarefa de ajudar os engenheiros japoneses a desenvolver produtos de
qualidade, apesar das condies bastante desfavorveis que prevaleciam naquela poca:
matria-prima inferior, equipamentos ultrapassados, e ainda por cima falta de pessoal qualificado. Taguchi desenvolveu ento uma abordagem baseada em planejamentos experimentais, feitos com o objetivo de projetar produtos ou processos que
Fossem pouco sensveis a variaes ambientais;
Um grau de liberdade consumido pelo clculo da mdia (primeira coluna da matriz).
180
Fossem pouco sensveis a variaes nos componentes;
Tivessem variao mnima em torno do valor alvo.

Em relao ao pensamento tradicional, o enfoque de Taguchi, que depois tornou-se
bastante popular no Ocidente, trouxe duas novidades:
Qualquer desvio em relao ao valor alvo passou a ser considerado indesejvel, mesmo
que o produto estivesse dentro dos limites de especificao.
Durante o planejamento do produto era recomendvel levar em conta os fatores que

podemos controlar durante o processo de fabricao, e tambm fatores que so difceis ou
impossveis de controlar mas podem afetar a resposta, como pequenas flutuaes nos
componentes, degradao dos equipamentos ou mudanas no modo de o consumidor
utilizar o produto.
Consideremos uma mistura para bolo, fabricada, digamos, com quatro ingredientes:
farinha de trigo, acar, ovos e gordura vegetal. Quando o cozinheiro vai preparar o bolo,
tem de adicionar leite, ajustar a temperatura do forno e controlar o tempo que a massa vai
ficar assando. Esses fatores tambm afetam o resultado final, mas esto fora do alcance do
fabricante, por mais explcitas que sejam as instrues na embalagem.
Aos primeiros fatores, que podem ser controlados durante a fabricao da mistura,
Taguchi chama de parmetros. Os outros so fontes de rudo. Na abordagem de Taguchi,
estes ltimos tambm devem ser includos durante o planejamento e o desenvolvimento do
produto. Para isso ele recomenda o uso de planejamentos fatoriais ortogonais, semelhantes
aos que vimos neste captulo.
Dois tipos de planejamento devem ser construdos: um aITaD.jo intem.o, envolvendo
apenas os parmetros, e um arranjo extem.o baseado nas fontes de rudo. Esses dois arranjos
so ento cruzados, isto , realizam-se ensaios em todas as suas possveis combinaes. Na
mistura para bolo, por exemplo, se considerarmos apenas dois nveis para todos os sete
fatores mencionados, uma abordagem taguchiana poderia resultar no esquema mostrado na
Tabela 4.18.
Para Taguchi, a resposta deve estar to prxima do alvo quanto possvel, mas
tambm deve ser robusta (pouco sensvel) influncia do rudo. Isto significa que devemos
levar em conta no s as respostas dos ensaios no arranjo interno como tambm sua variao
com o rudo. Dois ensaios da tabela, o segundo e o oitavo, produzem respostas mdias
exatamente sobre o alvo (80). No entanto, o segundo ensaio deve ser preferido, porque tem
um desvio padro de apenas 1,83, contra 4,97 do oitavo.
181
Tabela 4.18 Planejamento de Taguchi para o desenvolvimento de uma mistura para bolo.
Um arranjo interno L8 para quatro parmetros (Farinha, Gordura, Acar e Ovos)
cruzado com um arranjo externo L4 para trs fatores ambientais. O significado de
SNT explicado no texto. O valor alvo para y (uma medida de textura) 80.
Tempo/LeitelTemperatura
F
+
+
--+
-+-
+--
+++
SNT
85
96
97
92
92,5
5,45
24,6
82
81
78
79
80
1,83
32,8
75
80
70
73
74,5
4,20
25,0
66
75
83
70
73,5
7,33
20,0
84
91
95
90
90
4,55
25,9
78
72
80
69
74,8
5,12
23,3
86
85
90
91
88
2,94
29,5
86
82
77
75
80
4,97
24,1
Na anlise de Taguchi, na verdade, deveramos escolher o melhor ensaio analisando

uma relao sinal-rudo, escolhida de acordo com o objetivo do experimento. Para este exemplo, em que o objetivo chegar a um determinado valor nominal,6 Taguchi recomenda maximizar a relao
-2
SNT =1010g2"" '

s
cujos valores aparecem na ltima coluna da Tabela 4.18. Por este critrio, o segundo ensaio
tambm seria o escolhido. J o oitavo ensaio, que dos outros sete o nico centrado no valor
alvo, ficaria em antepenltimo lugar, ganhando apenas do quarto e do sexto ensaios. Isto
uma conseqncia da nfase taguchiana na robustez da resposta em relao ao rudo.
tambm uma das razes para as crticas que os mtodos de Taguchi tm sofrido ultimamente.
A estratgia advogada por Taguchi para a melhoria da qualidade intrinsecamente
multivariada, no trazendo grandes novidades do ponto de vista formal. Seus planejamentos

envolvendo dois nveis, por exemplo, tm a mesma estrutura dos planejamentos fatoriais que
discutimos neste captulo e no anterior. Na metodologia taguchiana, como vimos, esses planejamentos devem ser realizados para descobrir a combinao de nveis dos fatores que produz respostas com a menor variao entre repeties e mais prximas do objetivo desejado.
E no maximizar ou minimizar alguma resposta.
182
Taguchi sugere que os experimentos utilizem ensaios de dois nveis, definidos por
planejamentos em redes ortogonais designadas por L4, L8, L12, L16 e L32, onde o nmero
indica o total de ensaios de cada planejamento. A rede L4 um fatorial fracionrio 23-1 , no
qual os nveis da terceira varivel so definidos pela relao geradora I = 123. O
planejamento L8 equivalente ao fatorial 2 7-4 mostrado na Tabela 4.10, s que construdo a
partir das relaes geradoras I = - 124, I = - 135, I = - 236 e I = 1237. Nas matrizes de
planejamento de Taguchi as colunas so dispostas numa ordem diferente da ordem padro
que apresentamos neste livro, mas como qualquer fator pode ser atribudo a qualquer coluna
de sinais, os dois tipos de planejamento so idnticos.
planejamento de Taguchi para doze ensaios, L12, bastante diferente do
planejamento saturado de Plackett e Burman para estudar onze fatores em doze ensaios
(Tabela 4.17). Mesmo assim, os dois planejamentos so ortogonais e devem apresentar os
mesmos resultados, se todos os efeitos de interao forem desprezveis. Caso isso no ocorra,
as interpretaes dos contrastes podem ser diferentes, porque as relaes entre os contrastes
e os efeitos principais e de interao so diferentes para os dois planejamentos. Assim como
nos planejamentos Plackett-Burman, essas relaes so bastante complexas, dificultando o
desconfundimento dos efeitos atravs de uma expanso do planejamento.
Taguchi prope ainda planejamentos com trs ou mais nveis, que podem ser usados
para identificar tendncias no-lineares nas relaes entre as respostas e os fatores, mas
esses planejamentos no so capazes de estimar interaes de dois fatores.
Embora todos louvem a filosofia taguchiana de procurar desenvolver produtos
robustos ao rudo, seus mtodos de planejamento e anlise tm sido muito criticados. Vrios
autores argumentam que os mesmos resultados podem ser obtidos de forma mais eficiente
usando-se outros planejamentos (veja, por exemplo, Myers e Montgomery (1995), Captulo
10). Os planejamentos cruzados de Taguchi levam a um nmero de ensaios muito grande e,
o que talvez seja pior, ignoram as interaes entre os fatores controlados. Na presena de
interaes significativas, a interpretao dos resultados no fica clara, e assim perdemos
uma oportunidade de ficar conhecendo melhor o mecanismo de funcionamento do sistema, o
que seria de grande utilidade em problemas futuros.
Uma alternativa substituir os arranjos de Taguchi por um nico planejamento
fracionrio, em que os fatores de rudo e os fatores controlados sejam tratados da mesma
forma. Por exemplo, ao invs de usar o arranjo cruzado L8xL4 que resulta nos 32 ensaios da
Tabela 4.18, poderamos usar um planejamento 27-3 oombinando todos os sete fatores, que
exigiria apenas dezesseis ensaios e no confundiria efeitos principais com interaes de dois
fatores.
183
ou:an:ao as variveh; so muitas
o uso das relaes sinal-rudo tambm tem sido duramente criticado. Ao combinar y
e
num nico valor numrico, estamos misturando proximidade em relao ao alvo com
flutuao causada pelo rudo, e por isto muitos pesquisadores preferem analisar separadamente os valores das respostas e suas varincias. Vimos a diferena que faz usar ma
abordagem ou a outra, na anlise dos resultados da Tabela 4.18.
Os adeptos da filosofia taguchiana rebatem as crticas argumentando que os mtodos
funcionam. Existem pelo menos duas razes para esse fato. A mais importante, talvez, que
os engenheiros, como Taguchi, aproveitam o conhecimento que j tm do sistema para escolher o planejamento mais apropriado, no que alis fazem muito bem. A combinao da informao tcnica especializada com uma metodologia estatstica (mesmo imperfeita) uma
ferramenta poderosa para resolver problemas de pesquisa ou desenvolvimento. A outra
razo que a metodologia de Taguchi foi aplicada principalmente em indstrias que, no tinham o costume de usar planejamentos multivariados. Estes, como j sabemos, costumam
funcionar melhor do que os mtodos univariados, mesmo no sendo usados da melhor maneira. As indstrias no tardaram a perceber a diferena.
Os mtodos de Taguchi e os outros planejamentos fatoriais que estudamos tm em
comum a idia de fazer estudos multivariados baseados em planejamentos ortogonais. Com
eles, mesmo que o pesquisador no escolha o planejamento ideal, ter mais chances de
sucesso do que se usar os mtodos univariados tradicionais.
184
4A Aplicaes
4A.l Adsoro em slicas organofuncionalizadas

Num experimento preliminar de um estudo que tinha como objetivo estudar a adsoro de
Cu(II) em superfcies de slica organofuncionalizadas (obtidas quando grupos Si-OH na superfcie da slica se ligam a alcoxisilanos), empregou-se o planejamento fracionrio cujos
dados esto a seguir (Cestari, Bruns e Airoldi, 1996).
Tabela 4A.l- Dados do experimento.

+
Fatores:
1: Tipo de slica
Sil-et-1
Sil-et-2
2: Sal
CuCl2
Cu(C2H302)2
3: Solvente
gua
Etanol
100
200
4: Quantidade de slica (mg)

Ensaio
y, moI g-l(X 104)
0,39
1,37
4,66
6,12
6,09
1,68
+
1,74
5
6
2,61
Contrastes:
1=234
2=134
3=124
4=123
12=34
13=24
14=23
-0,09
-0,29
3,58
-0,98
-1,50
-0,92
-0,75
185
3
O
1 1tt1t
I 4
~
F I
I
I
o __-[-Ot-..-I_.._J....t
I
!
:~ _ l- r r r _ ..r
-2
{:>
~-----_
-1
-2
.........- - - - ' - - - - _ - . . . . . . _ - - - - - - - - '

2
4
3
Efeitos
Figura 4A.l- Grfico normal dos efeitos.
2,61
__1
o grfico normal
mostra como o contraste 3 (+3,58) se destaca dos demais. J de-
vamos esperar por esse resultado, porque as quatro ltimas respostas, que correspondem ao
186
nvel superior do fator 3, tm valores maiores do que as quatro primeiras. Mas no s isto.
Os outros contrastes, embora bem menores em valor absoluto, so todos negativos, o que
sugere que eles representam um comportamento sistemtico, e no apenas uma manifestao do erro puro. Esta suspeita confirmada pelo grfico cbico (Fig. 4A.2). Tanto o fator 2
(sal) quanto o fator 4 (quantidade de slica) tendem a diminuir a resposta quando passam do
nvel inferior para o superior. Isto ocorre em trs dos quatro efeitos individuais de ambos os
fatores. As duas excees envolvem o valor da resposta no ensaio (1 2 3 4) = (- - - -), que
muito baixo (0,39). De qualquer forma, a Figura 4A.2 deixa claro que, se quisermos aumentar a quantidade de Cu(ll) adsorvida, devemos no apenas fixar o fator 3 no seu nvel
superior (isto , usar etanol como solvente), mas tambm fixar o fator 4 no seu nvel inferior
- isto , usar menos slica. Nessas condies, o tipo de sal no parece fazer muita diferena.
O segundo contraste mais significativo a interao 34 (=12 = -1,50). Voc consegue
entender por qu, examinado a Figura 4A.2?
4A.2 Termogravimetria do oxalato de clcio

Um planejamento fatorial fracionrio 2~ij2 foi usado para avaliar os efeitos do fluxo de nitrognio, da massa da amostra, da taxa de aquecimento, do tipo de cadinho e da correo da linha de base na decomposio trmica do oxalato de clcio monohidratado, acompanhada por
termogravimetria (Mathias, Scarminio e Bruns, 1999). Uma das respostas estudadas foi o
ponto mdio de um determinado pico no termograma (Tabela 4A.2).

+
Fatores:
1: Fluxo de nitrognio, ml min- 1
30
15
2: Massa da amostra, g
10
10
50
Al20S
Pt
sem
com
3: Taxa de aquecimento,
De min- 1
4: Tipo de cadinho
5: Correo da linha de base
187
Quando as
V'arive~s
so muitas
Ensaio
Ponto mdio,
726,4
695,4
734,7
738,4
780,8
768,9
822,8
856,1
Contrastes:
1
13
23
-1,48
45,13
83,43
2,63
19,98
12,18
19,48
Aqui, como se trata de uma frao quarta, os efeitos esto confundidos quatro a quatro, e a
interpretao dos contrastes fica um pouco mais complexa. Devemos nos lembrar de que os rtulos da tabela acima na verdade significam somas de quatro efeitos. O valor mais significativo, 83,43, na verdade a soma de efeitos 3 + 45 + 124 + 1235. Tambm no podemos
deixar de perceber que sete dos oito contrastes tm valores positivos, e o nico contraste
negativo justamente o menos significativo de todos. Mesmo assim, possvel extrair algumas concluses. Como os contrastes mais significativos so 3, 2, 5 e 23, veja Figura 4A.3, um
grfico cbico das respostas nos fatores 2, 3 e 5 (Figura 4A.4) nos ajudar na interpretao,
que mais simples do que no exemplo anterior. Todos os contrastes individuais agora so
positivos, ao longo dos trs os eixos da figura. Fazendo a ressalva de que estamos falando de
contrastes que na verdade abrigam quatro efeitos, tambm podemos notar evidncia de interao entre os fatores. Por exemplo, quando o fator 2 (massa) est no nvel inferior, o efeito
mdio do fator 3 (taxa de aquecimento) 64,0. Quando o fator 2 passa para o seu nvel superior, isto , quando usamos uma amostra mais pesada, o efeito mdio da taxa de aquecimento sobe para 103,0. Como o fluxo de nitrognio e o tipo de cadinho no afetam a posio do
pico, podemos usar um fluxo menor (15 ml min- I ) e o cadinho de Al203, que muito mais
barato que o cadinho de platina. Efeitos positivos para a massa da amostra e a taxa de
aquecimento j eram esperados pelos pesquisadores, por causa da demora para se alcanar
o equilbrio trmico.
188
Capitu~o
o 3
02
5
~
,..
\"
23
O
iO
-1
-2
-20
20
40
60
80
Efeitos
856,1
189
100
4A.3 Anlise cromatogrfica de gases
monitoramento do desempenho de transformadores eltricos pode ser feito pela anlise
cromatogrfica dos gases dissolvidos no leo mineral que faz parte do sistema isolante. Num
estudo dos efeitos de cinco fatores sobre resultados cromatogrficos para anlise de etileno,
um fatorial fracionrio foi executado por dois alunos (M. M. da Silva Jr. e C. A. G. da
Cmara) como dever de casa num curso de quimiometria (Tabela 4A.3).

+
1: Volume ocupado pela amostra, mL
Fatores:
10
19
50
80
3: Tempo de equilbrio da amostra, mino
20
4: Agitao
sem
com
5: Pressurizao da amostra, psi
11
2. Temperatura da amostra,
Ensaio
1
2
Sinal, ua*
49
21
15
42
2
+
+
25
32
* ua = unidades arbitrrias
Contrastes:
1
13
15
-18,75
-10,25
3,75
15,25
16,75
2,25
8,25
190
Capitu~o
Dos cinco efeitos principais, o do fator 3 (tempo de equilbrio) claramente secundrio.

Quanto aos outros quatro, no podemos descartar a possibilidade de que alguns sejam
devidos principalmente a interaes. Por exemplo, o efeito da agitao (4) est confundido
com a interao entre o volume ocupado e a temperatura (12), enquanto que o efeito da
pressurizao (5) se confunde com a interao entre a temperatura e o tempo (23). Na
verdade, estas foram as relaes usadas para escolher os sinais das colunas 4 e 5 no planejamento. A Figura 4A.5 mostra as respostas em funo dos nveis dos fatores cujos efeitos
principais parecem ser os mais importantes. Percebe-se algum padro,1 mas no devemos
nos esquecer dos confundimentos, e de que o fator 2, que no aparece no grfico, tambm
apresenta um contraste relativamente alto. Como o objetivo deste experimento era
aumentar o sinal analtico, o melhor resultado do fatorial fracionrio tem volume ocupado e
temperatura nos nveis inferiores (10 mL e 50 De), com pressurizao da amostra (5) em 11
psi, sob agitao (4). Como o tempo de equilbrio (3) no tem efeito importante, o menor
tempo poderia ser usado sem prejudicar os resultados.
32
+1
21
(fl
~
......
g;l
E"
..1
~,
~
~
~.
~~'-
~~
,~~~
Figura 4A.S - Respostas da Tabela 4A.3 em funo dos fatores 1,4 e 5.
4A.4 Resposta cataltica da Mn-porfirina

Um planejamento fatorial fracionrio foi realizado por alunos de um curso de quimiometria,
para investigar como a resposta cataltica da Mn-porfirina MnM2-Br PTTP afetada por sete
Qual?
191
fatores. Os resultados obtidos esto na Tabela 4A.4. A resposta a relao entre a quantidade de ciclohexanol produzida na reao catalisada pela porfirina e uma quantidade fixa
de um padro interno previamente adicionado ao meio de reao.

+
Agitao magntica
Ultrassom
Ambiente
3: Tempo, mino
30
90
4: [Catalisador], M
10-4
10-3
5: Razo <t>IO/MnP
90
15
6: Imidazol
Ausente
Presente
7: Solvente
Diclorometano
Acetonitrila
1: Modo de agitao
Fatores:
2: Temperatura,
Ensaio
De
1
2
6
7
8
5,6
3,6
2,9
19,8
19,6
% ciclohexanol
34,3
4,4
+
+
3,85
Contrastes:
1
-7,54
-16,14
0,31
6,91
7,16
0,56
-7,09
Dois fatores, o tempo (3) e a presena de imidazol (6), no parecem ter importncia, o que
transforma o planejamento numa frao 2 5- 2
Quanto aos cinco restantes, dois agem no
sentido de aumentar o teor de ciclohexanol - a concentrao de catalisador e a razo

<t>IO/MnP -, enquanto os outros trs (o modo de agitao, a natureza do solvente e princi-
192
Capitu~o
palmente a temperatura) atuam para diminu-lo. A Figura 4A.5 mostra como os dois principais fatores afetam as respostas. Devemos suspeitar de alguma interao entre eles? Qual
dos outros trs fatores importantes (4, 5 e 7) voc associaria com a diferena entre as
respostas obtidas nos pares de experimentos onde (12) = (--) e (12) = (+ -)?
~~
" 0
t!""l.:........,
Figura 4A.S - Respostas da Tabela 4A.4 em funo dos fatores 1 e 2.
4A.S Escoamento de xidos na indstria siderrgica
o objetivo principal de um projeto de pesquisa executado por alunos de um curso de quimiometria era otimizar um procedimento para diminuir o tempo de escoamento de xidos utilizados na indstria siderrgica. Quatro fatores foram estudados com um planejamento
fatorial fracionrio 24-1 : percentagem de aditivo, tipo de solvente utilizado na homogeneizao, presena (ou no) de catalisador e tempo de permanncia na estufa. Veja Tabela 4A.5.
Fatores:
1: Solvente
Hexano
lcool
2: Aditivo, %
3: Catalisador
sem
com
4: Tempo de estufa, mino
10
193
Ensaio
Tempo, s
1
2
32,5
+
76,0
38,5
35,5
23,0
74,0
26,0
5
6
42,0
Contrastes:
1=234
2=134
3=124
4=123
12=34
13=24
14=23
-15,88
2,88
0,38
22,13
6,63
6,13
-25,13
Os valores calculados para os contrastes parecem no deixar dvida de que s h dois fatores importantes (1 e 4 - solvente e tempo), e que a interao entre eles tambm importante. Tomando os fatores 2 e 3 como inertes, ficaremos com um planejamento fatorial 22
duplicado (Tabela 4A.6), do qual poderemos extrair uma estimativa do erro puro e conseqentemente uma medida da significncia dos efeitos.
Tabela 4A.6 - Planejamento 2 2 em duplicata nos fatores 1 e 4.

1
Mdia
Varincia
32,5
23,0
27,8
45,13
38,5
35,5
37,0
4,5
76,0
74,0
75,0
2,0
26,0
42,0
34,0
128,0
Tempo, s
A varincia agregada dos ensaios em duplicata 44,91. O desvio padro a raiz quadrada deste valor, 6,70. A varincia de um efeito metade disto, 22,45, e portanto o seu erro
padro 4,74. Como a estimativa da varincia agregada tem quatro graus de liberdade, o
intervalo de 95% de confiana dado por
(t 4 x4,74)= (2,776 x4,74)= 13,2 ,
194
Capitu~o
4:
confirmando que apenas trs contrastes so significativos, como a simples inspeo dos valores calculados j havia apontado. A Figura 4A.6 nos permite visualizar o que significam na
prtica os valores calculados. Quando o solvente o hexano, o aumento da permanncia na
estufa eleva bastante a resposta. Quando o lcool, praticamente no faz diferena. O objetivo do experimento era minimizar o valor da resposta - o tempo de escoamento do xido.
Nossa anlise mostra que isto pode ser conseguido de mais de uma maneira, e curioso notar que as duas menores respostas obtidas nos oito experimentos correspondem aos ensaios
7 e 2 , que so diametralmente opostos nos sinais dos fatores 1 e 4. Concluso: o que realmente no devemos fazer, se queremos obter um baixo tempo de escoamento, usar hexano
e deixar o xido na estufa por muito tempo.
80
r-----.------,-------~----_....,.------_,
60
r,,: ..
(lj
+J
C/)
O
CC/)
Q)
a:: 40
1-
-/-
;....
.................
20
'-----------I.....
----'---_ _~_------L_ _~_ _- - J
-o- Hexano
..0..
lcool
10
Tempo de estufa
Figura 4A.6 - Respostas mdias da Tabela 4A.5, em funo dos fatores 1 e 4.
4A.6 Produo de violacena por bactrias

Num projeto de um curso de quimiometria, A. S. Mendes, da CQPBA-UNICAMP, usou um
planejamento fatorial fracionrio 2 15-11 para estudar a produo do pigmento violacena pela
Chromobacterium violaceum. A violacena o pigmento produzido em maior quantidade por

essa bactria, e tem vrias aplicaes famacolgicas, como bactericida, tripanocida, antitumoral e antiviral. Os resultados obtidos esto na Tabela 4A.7.
195
Quando as variin..Hs so muitas
+
Fatores:
Ensaio
1: Fonte de carbono (D-glicose)
0,25%
1%
2: Extrato de levedura
0,1%
0,6%
3: DL Metionina
0,01g!L
0,1g!L
4: Vitamina B12
0,012ng/mL
O,OlfJ-g/mL
5: L-triptfano
0,02%
0,1%
6: Agitao
150 rpm
250 rpm
7: Temperatura
28C
33C
8: pH (Tampo fosfato)
6,8
7,8
9: Peptona bacteriolgica
0,2%
0,8%
10: Inculo ( com 10 hs e ABS = 0,26)
1%
5%
11: ZnS04
0,05mM
O,lmM
1
2
0,19
0,26
+
+
+
+
0,31
0,00
0,24
0,26
0,17
0,14
0,26
196
0,00
0,09
0,26
0,15
+
+
0,14
Resposta
0,39
11
15
16
13
14
10
11
12
9
10
7
8
5
6
3
4
0,31
Contrastes:
-0,99
0,049
0,04
-0,029
0,009
-0,001
0,086
-0,009
10
11
0,119
0,069
-0,039
Como os sinais das colunas 12 - 15 no correspondem a nenhum fator real, podemos usar os
valores dos contrastes calculados a partir delas como estimativas do erro padro de um
efeito (supondo, claro, que todas as interaes sejam desprezveis). Podemos obter uma
estimativa agregada, com quatro graus de liberdade, a partir de
V(efeito)= (0,039f +(0,024)2 +(-0,029)2 + (0,031f =9,75xlO-4 .

4
o erro padro do efeito a raiz quadrada deste valor, 0,031. No nvel de 95% de confiana,
isto corresponde a um intervalo de 2,776 x 0,031 = 0,087, indicando que os efeitos dos
fatores 9 (peptona), 1 (glicose) e 7 (temperatura), nessa ordem, so os mais significativos. O
aumento da concentrao de peptona e da temperatura tende a aumentar a produo de violacena, enquanto o aumento de glicose tende a reduzi-la. Tudo isto fica claro no grfico
cbico das respostas mdias em funo desses trs fatores (Figura 4A.7). Esses trs fatores
seriam os mais fortes candidatos para um estudo mais aprofundado, se a nica resposta de
interesse for a produo de violacena.
0,251
Figura 4A.7 - Respostas mdias da Tabela 4A.6, em funo dos fatores 9,7 e 1.
197
Quando as varive~s so muitas
4A.7 Cura de uma resina polister

A produo industrial de uma resina polister insaturada controlada por vrios fatores,
cujos nveis conferem ao produto determinadas caractersticas importantes para o seu processamento posterior, por empresas que o utilizam como insumo. No processo de cura, adiciona-se um catalisador para acelerar a formao de gel pela resina. O tempo a partir do
qual o gel comea a ser formado, depois da adio do catalisador, uma caracterstica
importante conhecida como tempo de gele
Tabela 4A.S - Dados do experimento. Todos os nveis esto em ppm.
+
Fatores:
1: Hidroquinona (HQ)
190
210
2: Benzoquinona (BQ)
20
30
3: Octanoato de cobre (Cu)
180
360
4: Octanoato de cobalto (Co)
900
1800
5: Dimetilanilina (DMA)
270
540
Ensaio
Ordem
11
12
13
14
16
10
11
10
12
13
15
14
15
16
Tempo de gel (min)
14,02
29,42
26,07
+
+
25,18
+
+
17,03
15,24
33,54
18,30
+
+
12,17
10,57
22,20
10,19
23,52
21,14
17,58
198
13,10
Capittdo 4
Contrastes:
12
13
14
3,48
1,20
1,08
-5,86
-11,18
--0,13
0,38
-0,78
15
23
24
25
34
35
45
-1,01
0,57
-0,49
-0,43
0,10
-0,77
1,40
A. D. Liba e C. E. Luchini, alunos de ps-graduao em engenharia qumica, decidiram investigar (como trabalho para um curso de quimiometria) a influncia das concentraes de cinco aditivos usados no processo de produo da resina sobre o seu tempo de gel.
Para isso usaram o planejamento fracionrio 2 5- 1 cujos dados esto na Tabela 4A.8. O catalisador empregado para produzir o gel foi o perxido de metil-etil-cetona, acrescentado na
proporo constante de 1% da massa de resina.
O grfico normal dos efeitos (Figura 4A.8) muito fcil de interpretar, e mostra que
o tempo de gel totalmente controlado por trs fatores (5
cobalto e 1
= Dimetilanilina, 4 = Octanoato de
= Hidroquinona, nessa ordem de importncia). Os fatores 4 e 5 contribuem para
diminuir o tempo de gel, enquanto o fator 1 tende a aument-lo. No existe nenhuma interao significativa. Isto bom, porque significa que os fatores podem ser variados de forma
independente, conforme a convenincia do usurio. Os valores na escala da direita do grfico
so probabilidades acumuladas correspondentes aos valores de z na escala da esquerda.
3,...-------r-----------r----...------r---------r-----,
I
I
I
--------l-------------t-------"t--~;:-t-_1--
.95
.75
~
.55
.35
-1
.15
I
I
I
-2
------~--+-----------~---/------i--. . .- . --.-_.-.-..~-.-.
I
-3 '---_ _
-10
__
,!
__L__
-5
_ _- - . . . .
Efeitos
m - Interaes + - Efeitos principais

Figura 4A.S - Grfico normal dos efeitos.
199
~----I
.01
Existe um outro ponto interessante que vale a pena mencionar nesta aplicao, e
que serve para nos lembrar de uma questo crucial em qualquer planejamento. Apesar de a
separao entre os nveis dos fatores afetar diretamente a intensidade da resposta, nem
sempre ns temos total liberdade para vari-la. Isto particularmente verdadeiro quando se
trata de um experimento realizado na indstria, onde as caractersticas do processo
costumam impor diversas condies de contorno. Todos os nveis dos fatores neste experimento so concentraes, medidas nas mesma unidades, o que nos permite fazer uma
comparao direta das quantidades usadas nos dezesseis ensaios. Para os trs ltimos
fatores, a concentrao do nvel superior o dobro da concentrao do nvel inferior. O tempo de gel no afetado pelo fator 3, mas os fatores 4 e 5 so justamente os que apresentam
os dois maiores efeitos. O interessante que o efeito significativo restante, o da hidroquinona (1), o que corresponde menor variao de concentrao entre os dois nveis (cerca de
11 %, apenas). Caso fosse possvel variar os nveis de hidroquinona na mesma extenso dos
outros dois fatores importantes (levando-se em considerao, claro, todas possveis restries que acabamos de mencionar), talvez o seu efeito viesse a tornar-se o mais significativo
de todos. A Figura 4A.9 ilustra esta possibilidade, bem como facilita a visualizao dos
resultados do experimento.
12,64
Figura 4A.9 - Respostas mdias da Tabela 4A.8, em funo dos fatores 1,4 e 5.
200
5
Como construir modelos empricos
Nos planejamentos experimentais que vimos nos captulos anteriores, cada fator era estudado em apenas dois nveis. Por causa dessa economia, tivemos de nos contentar com uma
viso limitada da funo que descreve a influncia dos fatores sobre a resposta. Consideremos, por exemplo, a variao do rendimento da reao com a temperatura, que discutimos
no Captulo 3. De acordo com a Tabela 3.1, os rendimentos mdios observados com o catalisador A so 59%, a 40C, e 90%, a 60C. Colocando esses dois pares de valores num grfico
[Figura 5.1(a)], vemos que eles so compatveis com um nmero infinito de funes. No
Captulo 3 fizemos o ajuste das respostas a um modelo com uma parte linear e tambm com
termos de interao, mas no temos nenhuma garantia de que este seja o modelo correto. Se
quisermos esclarecer essa questo, precisaremos obter mais informaes.
Se fizermos, digamos, mais trs medidas em temperaturas intermedirias e verificarmos que o grfico dos cinco pontos fica parecido com o da Figura 5.1(b), a sim, passaremos a ter mais confiana no modelo linear. Um grfico como o da Figura 5.1(c), por outro
lado, ser tomado como uma evidncia de que o modelo linear no apropriado.
Estas consideraes tambm servem para lembrar que os planejamentos de dois
nveis constituem apenas uma etapa inicial na investigao. Para conhecer melhor a superfcie de resposta, teremos de realizar experimentos num maior nmero de nveis.
5.1 Um modelo para y = f( T)

A Tabela 5.1 mostra os rendimentos observados num novo planejamento, no qual fizemos a
reao em cinco temperaturas igualmente espaadas na faixa 40 - 60C, e mantivemos o

catalisador no tipo A. Pelo grfico desses valores (Figura 5.2), um modelo linear parece
mesmo o mais indicado para descrever a variao do rendimento com a temperatura. Lembrando que cada observao afetada por um erro aleatrio, podemos representar esse
modelo por meio da equao
(5.1)
201
onde
Yi
o rendimento correspondente temperatura
determinao experimental do seu valor.
o erro aleatrio associado
fJ! so os parmetros do modelo.
fio e
Ti
?
:
(a)
"
90
y(%) 70
50
50
40
60
T(OC)
(b)
90
y(%) 70
50
50
40
60
T(OC)
(c)
....................-----..---,-, ?
90
"
.','
y(%) 70
50
1
50
40
60
T(OC)
Figura 5.1 (a) Dados dois pontos, podemos passar por eles muitas funes
diferentes. (b) Padro de pontos sugerindo uma funo linear. (c) Padro de
pontos onde um modelo linear no seria adequado.
1 Por conveno, costumamos usar letras minsculas para representar as variveis aleatrias e letras
maisculas para as variveis controladas.
202
Tabela 5.1 Variao do rendimento da reao em funo da temperatura, na faixa 40 60C, com o catalisador A.
Temperatura (OC)
40
45
50
55
60
Rendimento (%)
60
70
77
86
91
100 -------------.----------.-----....--------...----------,
90
80
70
..
0....
...... .. 0 ........
60
50
L..........A.._ _"""--'-
40
35
- - - ' - - _............_......o.--""""-
..........
45
50
55
...a--
60
--..l
65
T ('e)
Figura 5.2 Rendimento da reao em funo da temperatura. Dados da

Tabela 5.1.
Para determinar os valores de
fio
fil
devemos ajustar a Equao 5.1 aos cinco
pares de valores (yi,Ti ) da Tabela 5.1. Isto , temos de resolver um sistema de cinco equaes,
onde cada equao contm um par de valores (yi' Ti)

incgnitas so
fio
fil'
= (rendimento,
temperatura), e cujas
Esse sistema pode ser representado de forma compacta por uma
nica equao matricial,
203
(5.1a)
y= XB +c,
onde
x=
y=
c=
Ys
A equao matricial 5.1a tem a grande vantagem de permanecer vlida em geral,

no importa quantas sejam as observaes ou os parmetros do modelo. Basta ampliar as
matrizes apropriadamente, como veremos mais tarde.
Voc pode verificar, usando uma rgua, que no possvel traar uma reta que passe
ao mesmo tempo por todos os cinco pontos da Figura 5.2. Qualquer reta que decidirmos
escolher deixar resduos em relao a algumas observaes, como est ilustrado, com um
certo exagero, na Figura 5.3. Os resduos podem ser positivos ou negativos, conforme os
rendimentos observados estejam acima ou abaixo da reta escolhida. A melhor reta ser sem
dvida a que passar "mais perto" dos pontos experimentais, j que impossvel passar
exatamente sobre todos eles.
Tl
Figura 5.3 Resduos deixados por um modelo linear. Um resduo uma

diferena entre um valor observado e a sua estimativa de acordo com o
modelo: ei = Yi - Yi .
204
Em termos prticos, "passar mais perto" significa minimizar a distncia global dos
pontos em relao reta, isto , minimizar o comprimento total dos segmentos verticais na
Figura 5.3. A maneira tradicional de conseguirmos esse resultado localizar a reta de tal
maneira que a soma dos quadrados dos resduos seja mnima, razo pela qual esse mtodo
chamado de ajuste por mnimos quadrados. conhecido tambm como anlise de regresso,
termo usado pela primeira vez neste contexto por Sir Francis Galton, um dos pioneiros da
Estatstica, num trabalho de 1885 intitulado Regression toward mediocrity of hereditary
stature .
Ti
Se na temperatura
reta de regresso
Yi
o rendimento observado Yi e o rendimento previsto pela
(veja a Figura 5.3), o resduo deixado pelo modelo

(5.2)
onde
Yi = bo +~Ti , sendo
estimadores de
/30
bo e b1 os coeficientes que definem a localizao da reta, isto , os
/31'
para os quais queremos obter estimativas numricas. Usando
matrizes, podemos escrever
y=Xb
(5.3)
onde y e b so as matrizes contendo respectivamente os valores previstos pelo modelo e os

estimadores dos parmetros:
Y1
y=
Y2
b=[~l
Ys
Como os valores Yi j so conhecidos de antemo, os resduos iro depender apenas

dos valores que escolhermos para bo e b1 . No ajuste por mnimos quadrados, esses valores
so aqueles que tornam o somatrio
Para que o valor de
I,e;
I,e;
o menor possve1. 2
seja mnimo, preciso que suas derivadas em relao a bo
e b1 se anulem (Box, Hunter e Hunter, 1978, Captulo 14; Pimentel e Neto, 1996):
2 Em geral, os somatrios sero realizados sobre o ndice i, de i = 1 at i = n, o nmero total de

observaes. S vamos colocar os ndices embaixo da letra L quando houver necessidade de evitar
confuso.
205
a(Le;) =0
(5.4a)
abo
a(Le;) = O .
(5.4b)
a~
Para tornar a derivao mais geral, vamos representar a varivel independente, que
neste exemplo a temperatura, por X. Teremos assim, para a equao de regresso, a
expresso Yi
= bo + ~Xi. Substituindo na Equao 5.2, elevando ao quadrado e fazendo o
somatrio,obtennos
Derivando e igualando a zero, chegamos s expresses

(5.5a)
(5.5b)
Cortando o fator -2 e desdobrando todos os somatrios, ficamos com um sistema de duas

equaes lineares em bo e b1 , que so as chamadas
equa~ normais:
nbo+~LXi = LYi
(5.6a)
boLXi + b1 LX~
(5.6b)
= LXiYi .
Isolando bo em (5.6a), obtemos
(5.7)
ou
Substituindo a primeira destas expresses em (5.6b), podemos escrever
e da
Isolando b1 , tennos finalmente

206
(5.8)
Esta equao pode ser colocada numa forma mais fcil de lembrar, contendo os resduos em
torno das mdias de X e de y (Exerccio 5.1):
(5.9)
Ou ainda, numa notao mais compacta,

(5.10)
Exerccio 5.1
Desenvolva a Equao 5.9 e mostre que ela equivalente Equao 5.8.
Exerccio 5.2
Mostre que
Exerccio 5.3
Com a notao introduzida na Equao 5.10, como seria representado o desvio padro amosral da varivel y?
Podemos calcular os valores de bo e
resolvendo uma nica equao matricial.
Com os resultados do Exerccio 5.2, as equaes normais (5.6a) e (5.6b) reduzem-se a

(5.11)
como voc pode facilmente comprovar, escrevendo as matrizes por extenso. Para resolver
esta equao, devemos multiplic-la esquerda pela inversa de XtX. Assim isolamos o
vetor b, cujos elementos so os estimadores que procuramos:
207
(5.12)
Esta uma equao muito importante, que vale a pena voc saber de cor. Se ampliarmos as
matrizes X e y adequadamente, teremos a soluo geral para o ajuste de um modelo por
mnimos quadrados, no importa quantas sejam as observaes ou quantos parmetros
sejam necessrios para caracterizar o modelo. Para que a soluo exista, porm, preciso
que
(a) A matriz (XtX
possa ser calculada, isto , preciso que a matriz XtX no seja
singular.
(b) Os modelos sejam lineares nos parmetros, ou seja, eles no podem conter termos como
b5 ou bob1 Esta restrio, no entanto, no to severa quanto parece. Podemos escrever

equaes muito complexas e ainda assim lineares nos parmetros (Exerccio 5.4).
Usando os dados da Tabela 5.1, podemos escrever
60
70
y= 77
86
91
1 40
1 45
1 50 ,
1 55
1 60
e da
XtX _ [ 5
250]
250 12.750
Xt
=[
384]
19.590
Substituindo estas matrizes na Equao 5.11, chegamos ao sistema de equaes lineares
5bo + 250b1 = 384

250bo+12.750~ =19.590
cuja soluo bo = -1,200 e
= 1,560.
Optando pela soluo matricial, teramos
(xtx t
=[ 10,2
- 0,2]
-0,2 0,004
e portanto, de acordo com a Equao 5.12,
208
10,2 - 0,2] [ 384] [-1,200]

b == [ _ 0,2 0,004 x 19590 == 1,560
Com dados mais numerosos ou modelos mais complicados, o ajuste fica
numericamente mais trabalhoso, mas as solues podem ser calculadas facilmente num
microcomputador, ou mesmo numa calculadora cientfica.
A equao Yi
= bo + ~Xi
nos d uma estimativa da resposta obtida quando a varivel
independente assume o valor Xi. Com os valores de bo e b1 que acabamos de obter,

podemos escrever
Yi
= -1,200 + 1,560Xi .
(5.13)
Substituindo os valores de X (as temperaturas), obtemos os rendimentos previstos

(os valores de
y). Com a equao matricial 5.3, podemos calcular todas as previses de uma
s vez:
1 40
61,2
69,0
1 45
-1,200]
y=Xb= 1 50 x
[ 1560
1 55
'
76,8
84,6
9~4
1 60
Estes valores previstos deixam, em relao aos rendimentos efetivamente observados, os

resduos
60
70
e=
y-y =
77
86
91
61,2
69,0
76,8
84,6
92,4
-1,2
1,0
0,2
1,4
-1,4
A Figura 5.4 mostra como a reta ajustada se situa em relao s observaes, confirmando
visualmente que o modelo linear mesmo uma excelente representao para os dados da
Tabela 5.1.
209
Y = -1,20+1,56T
90 .."",." ........'....".,',."."''',:".,..'"."''".., . , . ,,''...... ", . :."'". "..........".. ,."."""." . . ".".".., . , . ,. ,',." . ".."."..
ao
70
60
1 - " " " " " " " " " " " " " ' " ' ' ' ' ' ' ' ' ; ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' ' " " " " " ' ' ' ' ' ; ' ' ' ' ' ' ' ' , , " , , ' , , ' , , " , , ' , . ' . , "
'.
" : " " ' " ' ' ' ' ' ' ' / ' ' '. " " , . " , ... " ' ; , . " . " . " . " '
1 - " " " " " " " " " " " " " " " " " " " " ' : " " " " " " " " " " " " , " " " " " , " " ( l / " " " , , , , , , , , , , , , , , , , , , : , , , , , , , , , , , "..'
~."""
"".,:""";~"
.." .." . " . " . " , " : . " ' ..
,' .. "
. ,/,,,,,,,-:::::,,.,.,., . ,."""""""'"
,'.,.,,
.';...' , , . , , . " . "
, .., ."
",.,
..
. . , . " , . , . ' . ' . ' " .., . . , .... " . , ... , . ' . ' . ' , . , " ' . .
, "."."',.{ ).. ,.."." "..",,",,"..".""."..:. """.""""".""." . ';.".,.".".".".".", . ,., . ,., : ".".".." ,.."".,..: ,.."",..""" . , ,..,.."..,." ..
50 ""--_ _
40
35
-....-..I~--....--...-~
45
""--'-
50
"""---'---.--....--...-....-.-...--a.._"""---'.......----'
60
55
65
T(oC)
Figura 5.4 Reta ajustada por mnimos quadrados aos dados da Tabela 5.1.
Os valores previstos pela reta de regresso so dados pela equao Yi
= bo + ~Xi .
Substituindo nesta expresso o valor de bo dado pela Equao 5.7, temos
(5.14)
ou
Quando Xi
=X
, o segundo termo se anula e ficamos com Yi
=Y . Isto mostra que
A reta ajustada por mnimos quadrados sempre passa pelo ponto mdio das observaes,
isto , o ponto (~y).
Deste fato podemos tambm concluir que
O somatrio de todos os resduos deixados pelo modelo zero:
lei = I (Yi - Yi )
=I[Yi -y-b1 (xi -x)]
=I(Yi -y)-~I(xi -x)
210
j que, como vimos no Captulo 2, a soma dos resduos dos valores de qualquer varivel em
relao sua prpria mdia sempre zero (Equao 2.3). por isso, alis, que precisamos
elevar os resduos ao quadrado, antes de minimizar o seu somatrio.
Exerccio 5.4
Identifique, na lista abaixo, quais so os modelos lineares e quais so os modelos no-lineares
nos parmetros.
(a)
A funo y = bo sen X + b1 cos(b2X)
(b)
A lei de Boyle, p V
(c)
Aequaovirial,
(d)
o modelo para a resposta de uma planejamento fatorial 2k
(e)
Uma lei de velocidade de primeira ordem,
=constante
pV =1+B'P+C'p2+ D'p3+ ...

RT
[A] = [A]oe- kt
Exerccio 5.5
Um procedimento importantssimo na qumica analtica instrumental a calibrao, isto , a
determinao de uma relao quantitativa entre a resposta do aparelho e a concentrao da
espcie que se quer determinar. Normalmente essa relao determinada empregando-se o
ajuste por mnimos quadrados. Considere as matrizes
1
1
1
1
1
1
c=
1
1
1
1
1
1
0,50
0,50
1,00
1,00
1,50
1,50
2,00
2,00
2,50
2,50
3,00
3,00
0,0937
0,0916
0,1828
0,1865
0,2782
0,2732
A=
0,3776
0,3702
0,4562
0,4505
0,5593
0,5499
obtidas num experimento feito para se construir uma curva de calibrao. Os elementos da
segunda coluna da matriz c so concentraes de padres analticos de Ferro (em mg L-I). Os
elementos do vetor A so as absorvncias desses padres, determinadas por espectrometria
de absoro molecular no UV-visvel (M. F. Pimentel, tese de mestrado, UFPE, 1992). Ajuste
um modelo linear a estes dados,
sabendo que
211
(ctct
=[
0,4333
- 0,2000
-0,2000]
0,1143
CtA
= [3,8696] .
8,3790
Exerccio 5.6
ajuste do modelo estatstico para um planejamento fatorial, que discutimos no captulo
anterior, tambm pode ser feito pelo mtodo dos mnimos quadrados, isto , resolvendo-se a
equao matricial b
= (Xtxtxty. Considere a Equao 3.10, correspondente ao fatorial
Definindo a matriz X de acordo com os sinais da tabela de coeficientes de contraste podemos

escrever
x=
1 -1 -1 1
1 1 -1 -1
1 -1 1 -1
1 1 1 1
como vimos na Equao 3.5. Calcule XtX e inverta-a para obter (Xtxt. A inverso no oferece problemas, porque XtX uma matriz diagonal. Use a matriz Xty dada na p. 98 e determine finalmente o vetor b. Compare seus resultados com os valores apresentados na p. 98.
5.2 Anlise da varincia

o
exame dos resduos fundamental, para que possamos avaliar a qualidade do ajuste de
qualquer modelo. Em primeiro lugar, os resduos devem ser pequenos. Se um determinado

modelo deixa resduos considerveis, ele um modelo ruim. No modelo ideal, todas as
previses (ou predies, como algumas pessoas preferem dizer) coincidiriam exatamente com
as respostas observadas, e no haveria resduo nenhum.
mtodo mais usado para se avaliar numericamente a qualidade do ajuste de um
modelo a Anlise da Varincia. Para fazer a anlise da varincia de um modelo,

comeamos com uma decomposio algbrica dos desvios das respostas observadas em
relao resposta mdia global. Como mostra a Figura 5.5, o desvio de uma resposta
individual em relao mdia de todas as respostas observadas,
(Yi - y),
pode ser
decomposto em duas parcelas:

(5.15)
212
A primeira parcela, CYi -
y), representa o desvio da previso feita pelo modelo para o ponto
em questo, Yi , em relao mdia global,
y . A segunda parcela a
diferena entre o valor
observado e o valor previsto. Num modelo bem ajustado, essa segunda diferena deve ser
pequena. Isto equivale a dizer, em termos da Equao 5.15, que o desvio
aproximadamente igual ao desvio CYi -
(Yi - y) deve ser
y). Dizer que os desvios dos valores previstos pelo
modelo so semelhantes aos desvios dos valores observados (ambos em relao mdia y)
outra maneira de dizer que as previses esto em boa concordncia com as observaes.
Yi - - - - _ ... - - - - - - - --
- - - - - - - - --o
Yi-Y
o
o
._._....:I
o
x
x
Figura 5.5 Decomposio do desvio de uma observao em relao mdia
global, (Yi - y), na soma das parcelas (Yi - Yi) e (Yi - y).
prximo passo expressar esta comparao de desvios em termos quantitativos.
Para isto, elevamos a Equao 5.15 ao quadrado e em seguida fazemos o somatrio sobre
todos os pontos:
Pode-se demonstrar (Exerccio 5.7) que o somatrio dos produtos (Yi - Y)(yi zero, e portanto
213
Yi) igual a
(5.16)
Estas somas de quadrados de desvios costumam ser chamadas de somas quadrtims, ou,
abreviadamente, S. Q. Assim, podemos ler a Equao 5.16 como
[S.Q. em torno da mdia] = [S. Q. devida regresso] + [S. Q. residual] .
Numa notao mais compacta, podemos escrever
Quer dizer: uma parte da variao total das observaes Yi em torno da mdia
descrita
pela equao de regresso, e o restante fica por conta dos resduos. Evidentemente, quanto
maior for a frao descrita pela regresso, melhor ser o ajuste do modelo, o que podemos
quantificar por meio da razo
(5.17)
R 2 chamado de ooeficiente de detennina~o do modelo. O valor mximo de R 2 1, e s
ocorrer se no houver resduo nenhum e portanto toda a variao em torno da mdia for
explicada pela regresso. Quanto mais perto de 1 estiver o valor de R 2 , melhor ter sido o
ajuste do modelo s respostas observadas.
Exerccio 5.7
Substitua
Yi =y+l>tI(xi -X)
em
I(Yi -Y)(yi -Yi)
e mostre que esse somatrio igual a
zero.
A cada soma quadrtica est associado um certo nmero de graus de liberdade, que
indica quantos valores independentes envolvendo as n observaes Yl' Y2' ..., Y n so
necessrios para determin-la. Para a soma quadrtica dos n desvios em relao mdia, o
nmero de graus de liberdade
(n -1) e no n, porque a soma dos desvios
L (Yi - y)
nula
e, como vimos no Captulo 2, isto consome um grau de liberdade.

Para chegar ao nmero de graus de liberdade de SQR partimos da Equao 5.14 e
verificamos que a soma quadrtica devida regresso dada por
214
(5.18)
L (xi - X)2
Como as variveis Xi no so aleatrias, o somatrio

matriz de planejamento empregada. O valor de
L (Yi - y)2
determinado por um nico nmero, o valor de bl
est fixado a priori, pela
fica portanto completamente
Este, por sua vez, uma varivel
aleatria, j que depende das respostas obtidas experimentalmente. O valor
ht = 1,56
vale
somente para os dados da Tabela 5.1. Se fizermos uma outra srie de experimentos
idnticos, realizados nas mesmas temperaturas, a presena dos erros experimentais far
com que obtenhamos rendimentos diferentes, com os quais calcularemos um outro valor para
bl
Com esse nico valor, no entanto, um novo valor para o somatrio
L (Yi - y)2
estar
mais uma vez determinado.

Estas consideraes mostram que a soma quadrtica devida regresso tem apenas
um grau de liberdade. Como o nmero de graus de liberdade de SQT
quadrtica residual deve ter
(n -1), a soma
(n - 2) graus de liberdade, para satisfazer Equao 5.16:
(n -1) = 1 + (n - 2) .
lado direito desta equao reflete o fato de que o nosso modelo contm apenas dois
parmetros, f30 e
f3l.
No caso geral de um modelo com p parmetros, o nmero de graus de
liberdade da soma quadrtica residual dado pela diferena entre o nmero de observaes
e o nmero de parmetros estimados, isto ,
vT
= (n -1),
vr = (n - p).
Para que continuemos tendo
o nmero de graus de liberdade da soma quadrtica devida regresso tem de
ser igual ao nmero de parmetros menos um:
VR
= (p -1).
Os resultados desta seo para o caso particular de um modelo com apenas dois parmetros, como no nosso exemplo, esto reunidos na Tabela 5.2, que a chamada Tabela de
Anlise da Varincia (ou simplesmente ANOVA, um acrnimo de Analysis of Variance).
Dividindo as somas quadrticas pelos seus respectivos nmeros de graus de liberdade, obtemos
as chamadas mdias quadrtims (MQ's), que so mostradas na ltima coluna da tabela.
At agora, fizemos apenas uma decomposio algbrica da soma quadrtica total.
Logo veremos que, dentro de certas suposies, podemos dar s mdias quadrticas uma
interpretao estatstica, que vai nos permitir submet-las a testes e utiliz-las para
calcular intervalos de confiana.
215
Tabela 5.2 Tabela de anlise da varincia para o ajuste de um modelo linear com dois
parmetros.
Fonte de variao
Soma Quadrtica
N de g.l.
Mdia Quadrtica
Regresso
L(Yi - y)2
MQR =SQR
Resduos
L(Yi - Yi)2
n-2
Total
L(Yi _y)2
n-1
MQr
= SQr
=8 2
n-2
No nosso exemplo, com as respostas da Tabela 5.1 e as previses dadas pela Equao
5.13, obtemos na ANOVA os valores apresentados na Tabela 5.3. Substituindo na Equao
5.17 os valores calculados para SQR e SQr, temos
R 2 = 608,4 = O9896
614,8
'
o que significa que 98,96% da variao total em torno da mdia explicada pela regresso.
Para os resduos fica apenas 1,04%.
Tabela 5.3 Anlise da varincia para o ajuste de um modelo linear aos dados da Tabela 5.1.
Fonte de variao
Regresso
Resduos
Total
Soma Quadrtica
N de g. l.
Mdia Quadrtica
608,4
608,4
6,4
6,4 + 3 = 2,13
614,8
A soma quadrtica residual, SQr, representa a parte da variao das respostas em

torno da mdia que o modelo no consegue reproduzir. Dividindo-a por
Vr ,
obtemos a mdia
quadrtica residual, que uma estimativa, com n - 2 graus de liberdade, da varincia dos
pontos em torno da equao de regresso, isto , em torno do modelo ajustado. Essa
estimativa pode ser interpretada como uma medida aproximada do erro mdio (quadrtico)
que cometeremos se usarmos a equao de regresso para prever a resposta Yi
correspondente a um dado valor Xi. No nosso exemplo, temos
liberdade, como mostra a penltima linha da Tabela 5.3.
216
= 2,13, com 3 graus de
Exerccio 5.8
Parta da Equao 5.9 e mostre que b1
(x. -X)y~
1
1.
Sxx
5.3 Intervalos de confiana

Ao postular o nosso modelo (Equao 5.1), admitimos que cada observao Yi constituda
de uma parte sistemtica, f30 + f3 1X i , e de uma parte aleatria,
i.
Suponhamos que o
modelo seja correto, isto , que a sua parte sistemtica seja mesmo uma descrio fiel da
relao existente entre as variveis Y e X. Nesse caso, ao fazer um grande nmero de
experimentos repetidos no mesmo valor Xi deveremos observar uma distribuio das
respostas Yi em torno de f30 + f3 1X i . Esse valor, portanto, nada mais que a mdia das
respostas observadas no ponto Xi. Como no existe medida sem erro, as respostas de
experimentos repetidos sempre flutuaro, levando incerteza determinao dos parmetros
e s previses feitas a partir do modelo, mesmo que ele seja o modelo correto. Nesta seo
vamos mostrar como, fazendo algumas suposies sobre o comportamento dos erros
i'
podemos quantificar essa incerteza e determinar intervalos de confiana para todos os

valores estimados.
Se o verdadeiro valor mdio de Yi f30 + f3 1X i
devemos esperar que observaes
repetidas no mesmo ponto Xi se distribuam simetricamente em torno de f30 + f3 1X i
com
desvios positivos sendo to freqentes quanto desvios negativos, de tal maneira que a mdia
dos erros i seja zero. Num dado Xi os erros em Yi se distribuiro com uma certa varincia
CJ?,
que em princpio tambm varia com Xi. Para fazer nossas dedues precisaremos
admitir tambm as hipteses a seguir.

1.
A varincia dos erros constante ao longo de toda a faixa estudada, e igual a um

certo valor
CJ2.
A esta hiptese costuma-se dar o nome de homosoodasticidade das
respostas observadas.
2.
Os erros correspondentes a respostas observadas em valores diferentes da varivel

independente no so correlacionados, isto , Cov( q,l))= O, se i
;1;
j. (Como a nica
parte de Yi que aleatria o erro i' podemos concluir tambm que V (Yi ) =
COV(Yi' Yj)= O, se i;1; j).
217
CJ2
3.
Os erros seguem uma distribuio normal. Na maioria dos experimentos esta uma
boa aproximao, graas ao teorema do limite central (Seo 2.3) e ao esforo que
todo pesquisador faz para eliminar de suas experincias os erros sistemticos.
Estas trs hipteses sobre o comportamento dos erros aleatrios podem ser
resumidas nas expresses
COV(EoE')=O
I., J
(5.19)
'
ou, equivalentemente,
(5.19a)
Com estas suposies podemos finalmente determinar intervalos de confiana para os
resultados do modelo.
J vimos (Exerccio 5.8) que o coeficiente angular da reta de regresso pode ser dado
por
que uma combinao linear das variveis aleatrias Yi , com coeficientes
~ = (xl- X )Yl + ... + (xn -X)Yn .

Sxx
Sxx
Como por hiptese os Yi 's, alm de no serem correlacionados, tm varincia

constante, podemos aplicar a Equao 2.14 e escrever
ou, como
L (xi -X Y=Sxx ,
(5.20)
218
Admitindo agora que o valor de

uma boa estimativa de
(j2,
2
8 ,
a varincia residual em torno da regresso, seja
podemos obter uma estimativa do erro padro de ~ tirando a
raiz quadrada da Equao 5.20 e substituindo a por 8:
erro padro de ~
= ;-
(5.21)
vSxx
Como tambm estamos admitindo que os erros se distribuem normalmente, podemos

usar a distribuio de Student para testar a significncia do valor estimado para b1 .
Seguimos o procedimento discutido no Captulo 2 e definimos intervalos de confiana atravs
de
b1 t n - 2 X (erro padro de
ht) .
(5.22)
Note que o nmero de graus de liberdade do valor de t n -2 , que o nmero de graus de

liberdade da estimativa
e conseqentemente tambm do erro padro.
Com os valores numricos do nosso exemplo, a estimativa do erro padro de
ht
fica
sendo
_8_
~Sxx
= ~2,13 =00923
250
'
,
o que nos leva ao intervalo

1,560 3,182 x 0,0923 = (1,266, 1,854) ,
com 95% de confiana. J que os dois limites so positivos, o valor de b1 que calculamos
significativamente diferente de zero, confirmando a existncia de uma relao linear entre
os rendimentos observados e as temperaturas de reao.
Outros intervalos de confiana so obtidos da mesma maneira. Partindo da
expresso algbrica para bo (Equao 5.7) e seguindo o mesmo procedimento que usamos
para
ht, podemos chegar a

(5.23)
e da expresso para o erro padro de bo :
219
X~
m?
erro padro de b o = s _ _1_

nS xx
(5.24)
erro padro calculado com os dados do nosso exemplo 4,665, o que nos leva ao
intervalo
bo t n - 2 X (erro padro de bo )
(5.25)
= -1,200 3,182 x4,665 = (-16,044,13,644)
Isto significa que h 95% de probabilidade de que o verdadeiro valor do parmetro 130 esteja
entre -16,044 e 13,644. Como estes dois limites tm sinais contrrios, e como nenhum valor
num intervalo de confiana mais provvel do que outro, pode ser que o verdadeiro valor de
130 seja zero. Em outras palavras, o valor bo = -1,200 no estatisticamente significativo, e

portanto no existe evidncia suficiente para mantermos o termo 130 no nosso modelo.
Mesmo assim, o costume mant-lo, para preservar a hierarquia matemtica.
Note que os valores dos erros padro so muito diferentes. O erro padro de bo ,
4,665, cerca de cinqenta vezes maior que o erro padro de b1 , que 0,0923. O motivo
que o erro padro de bo afetado pelo somatrio dos valores de Xi elevados ao quadrado,
como mostra a Equao 5.24. Se tivssemos usado na regresso temperaturas mais prximas
de zero, os dois erros teriam valores mais parecidos.
Exerccio 5.9
Sejam a e c duas combinaes lineares das variveis aleatrias Y i
Exerccio 5.8 e esta ltima expresso para mostrar que a covarincia de
e b1 zero.
Quando construmos um modelo de regresso, nosso objetivo obter uma relao que
nos permita prever a resposta correspondente a um valor qualquer da varivel
independente, que chamaremos de X a . No modelo que estamos adotando, essa relao
dada pela Equao 5.14,
220
onde a estimativa
Ya
uma combinao linear das duas variveis aleatrias y e b1 . Sua
varincia ser dada por (veja a Eq. 2.14)
Como a covarincia de
y e b1 zero (Exerccio 5.9), esta expresso reduz-se a
Substituindo as expresses para a varincia de uma mdia (Eq. 2.15a) e para a varincia de
~
(Equao 5.20), chegamos expresso
(5.26)
Substituindo mais uma vez
(12
finalmente o erro padro da estimativa
erro padro de
Ya
1
8
por
e tirando a raiz quadrada, obtemos
Ya :
(xa-X)2
+ -----------
(5.27)
Sxx
Quando X a = X , o segundo termo dentro da raiz se anula e o erro padro de
Ya
assume seu
valor mnimo. medida que nos afastamos desse ponto, em qualquer direo, o erro vai aumentando. Quanto mais longe estivermos de X a
=X
, mais incertas sero as previses feitas
a partir da regresso.
Como sempre, usamos o erro padro para definir intervalos de confiana em torno do
valor previsto:
Ya tn-2 X (erro padro de Ya) .

A Equao 5.27 mostra que os limites do intervalo variam com a posio ao longo do eixo X.
Geometricamente, eles determinam hiprboles acima e abaixo da reta de regresso.
A Equao 5.27 refere-se ao erro da estimativa da mdia populacional das respostas
no ponto X a . As respostas individuais se distribuem em torno dessa mdia (que
f30 + f3 1X a
com varincia
(12,
como mostra a Equao 5.19a. Se quisermos nos referir
221
previso de uma nica observao realizada no ponto X a , precisamos acrescentar essa

varincia. Assim, podemos escrever
erro padro da previso]

[ de uma observao
=s
+.!+(xa - X)2
n
Sxx
(5.28)
:'
que uma ampliao da Equao 5.27. Para obt-la, somamos
0'2
varincia da previso do
valor mdio.
Da mesma maneira, se estivermos interessados na previso da mdia de q
observaes, teremos
erro padro da previso ] _

-s
[da mdia de q observae:;
(xa _X)2
Sxx
-+-+.....:..-~-~
(5.29)
Assim como nas outras estimativas, podemos determinar intervalos de confiana

com base na distribuio t, o que deixamos a cargo dos leitores interessados. A interpretao
desses intervalos, bem como de todos os outros, deve ser feita em termos anlogos aos que
vimos na Seo 2.3, quando discutimos intervalos para a mdia populacional.
Tambm podemos usar matrizes para expressar o clculo das incertezas nas
estimativas dos parmetros. Para isso, temos de definir primeiro a matriz de oovarinci.a de
bo
e~:
Pode-se demonstrar que esta matriz dada simplesmente por
(5.30)
Esta outra equao muito importante, que se aplica ao ajuste por mnimos quadrados de
qualquer modelo linear nos parmetros, dentro das suposies que fizemos no incio desta
seo. Tambm vale a pena sab-la de cor.
222
Para o nosso exemplo, usamos a matriz

titumos a varincia populacional
= [10,2
(b)
0-
-0,2]X213
-0,2 0,004
'
(XtXr que calculamos na Seo 5.1 e subs-
pela estimativa
= 2,13 :
= [21,73
-0,43]
-0,43 8,52x10-3
Tirando a raiz quadrada dos elementos da diagonal principal, chegamos aos erros padro de
bo
e~.
5.4 Significncia estatstica da regresso

Agora que admitimos que os erros seguem uma distribuio normal, podemos voltar
anlise da varincia e usar as mdias quadrticas para testar se a equao de regresso
estatisticamente significativa. Quando
f3I =
, isto , quando no h relao entre X e y,
pode-se demonstrar que a razo entre as mdias quadrticas MQR e MQr segue uma
distribuio F:
MQR ~F
MQr ~ l,n-2'
(5.31)
onde 1 e n - 2 so os nmeros de graus de liberdade da mdia quadrtica devida regresso

e da mdia quadrtica residual, respectivamente. Como a Equao 5.31 s vale para
f3I =
podemos testar essa hiptese nula usando o valor efetivamente calculado para MQR / MQr ,
bastando para isso compar-lo com o valor tabelado de FI ,n-2, no nvel de confiana
desejado. Se verificarmos que MQR/MQr > F I ,n-2, devemos descartar a possibilidade de que
f3I =
.Teremos ento evidncia estatstica suficiente para nos fazer acreditar na existncia
de uma relao linear entre as variveis y e X, e quanto maior o valor de MQR / MQr ,
melhor.
No nosso exemplo precisamos do valor de FI,s, que pode ser lido na Tabela A.4, na
interseo da coluna
VI =
1 com a linha correspondendo a
V2 =
3. No nvel de 95% de
confiana, o valor procurado 10,13. Nossa regresso ser estatisticamente significativa se
MQR/MQr> 10,13. Caso contrrio, no teremos razo para duvidar que o valor de
f3I
seja
mesmo zero e que portanto no haja relao entre as variveis.

Com os valores da Tabela 5.3 temos MQR/MQr = 608,4/2,13 = 285,6, o que mostra
que a nossa equao altamente significativa. Nem sempre, porm, uma regresso dada
como significativa pelo teste F til para realizar previses. Pode acontecer que a faixa de
223
variao coberta pelos fatores estudados seja pequena demais, fazendo com que o efeito
sobre a resposta fique mascarado pela extenso do erro experimental. Uma regra prtica que
podemos empregar considerar regresso como til para fins de previso se o valor de
MQR/MQr for, pelo menos, de cerca de dez vezes o valor do ponto da distribuio F com o
nmero apropriado de graus de liberdade, no nvel de confiana escolhido [Box e Wetz

(1973),
Box e
Draper(1987)].
Neste
exemplo,
gostaramos
de
ter
um valor de
MQR/MQr superior a 101. Essa condio tambm amplamente satisfeita.
5.5 Um novo modelo para y = f ( T)

Animado com os resultados obtidos at agora, nosso qumico resolve ampliar a faixa de
variao da temperatura e realizar mais quatro ensaios, a 30, 35, 65 e 70C. Os novos
rendimentos observados aparecem na Tabela 5.4, juntamente com os valores obtidos
anteriormente. Usando a Equao 5.12 para ajustar um modelo linear aos nove pares desse
novo conjunto de valores, obtemos
y = -7,33 + 1,52X .
(5.32)
Tabela 5.4 Variao do rendimento da reao em funo da temperatura, na faixa 30 70C, com o catalisador A.
Temperatura (OC)
30
35
40
45
50
55
60
65
70
Rendimento (%)
24
40
60
70
77
86
91
86
84
A Tabela 5.5 mostra a anlise da varincia para este novo ajuste. A percentagem de
variao explicada pelo modelo agora 80,63%. Um valor razoavelmente alto, mas muito
menos impressionante que os 98,96% do exemplo anterior, que se limitava faixa 40 - 60C.
Fonte de variao
Soma Quadrtica
N de g.l.
Mdia Quadrtica
Regresso
3.465,6
3.465,6
Resduos
832,4
118,9
4.298,0
Total
% de variao explicada: 80,63
224
o motivo da piora do ajuste torna-se evidente quando colocamos no mesmo grfico os

nove rendimentos observados e a reta ajustada [Figura 5.6(a)]. Os pontos esto dispostos ao
longo de uma curva, indicando que um modelo linear no serve mais para represent-los.
Essa impresso confirmada pelo grfico dos resduos [Figura 5.6(b)]. Ao invs de se
distriburem de forma aleatria, os resduos sugerem nitidamente um padro geomtrico, no
qual a regio central do grfico concentra os resduos positivos e os resduos negativos
localizam-se nas extremidades.
O valor de MQR/MQr 29,14, enquanto F 1,7 = 5,59, no nvel de 95%. Isto indicaria
que temos uma regresso significativa,3 mas o emprego do teste F pressupe uma distribuio normal dos resduos, e acabamos de ver que este no o nosso caso. S poderamos
usar um teste F se no houvesse evidncia de anormalidade na distribuio dos resduos.
100
20
o
80
-....
--
60
~c:
40
'*'
.9
c:
Q)
o o
10
-....
~
::J
20
Q)
CI:
o o o
o
o --------------------------------
CJ)
Q)
CI:
-10
20
40
60
-20
80
20
o
40
60
Ttc)
T (De)
(a)
(b)
80
Figura 5.6 Ajuste de um modelo linear aos dados da Tabela 5.4. (a) Os valores
observados no esto bem representados por uma reta.
(b)
Conseqentemente, a distribuio dos resduos no aleatria
Como o modelo linear acaba de mostrar-se insatisfatrio, vamos ampli-lo,

acrescentando um termo quadrtico. Tentaremos modelar a influncia da temperatura sobre
o rendimento com a equao
(5.33)
onde Xi representa a temperatura do i-simo nvel. O ajuste deste novo modelo aos valores
observados tambm feito por meio da Equao 5.12, s que as matrizes precisam ser expandidas, para se referirem Equao 5.33 e ao conjunto de dados ampliado. Assim,
passamos a ter
Note que o nmero de graus de liberdade da mdia quadrtica residual mudou, por causa do maior
nmero de pontos.
225
1 Xl X[
1 X 2 X~
x=
1 Xg
X~
B=
[~:J '
alm, claro, de
Yl
y=
Y2
Yg
Substituindo na Equao 5.12 os valores apropriados, obtemos finalmente

_ [-158,24]
b7,99,
-0,065
o que significa que o nosso modelo quadrtico estima os rendimentos por meio da equao
y = -158,24+7,99T -0,065T 2
(5.34)
A Figura 5.7(a) mostra o grfico desta expresso, juntamente com os valores

observados. O ajuste muito melhor do que na Figura 5.6(a), e isto se reflete no grfico dos
novos resduos. Como vemos na Figura 5.7(b), ele no mais incompatvel com uma
distribuio aleatria, e isso nos autoriza a empregar um teste F. Alm disto, os resduos
tambm so bem menores do que os resduos deixados pelo modelo linear.
A anlise da varincia (Tabela 5.6) confirma a superioridade do modelo quadrtico.
O novo modelo reproduz 99,37% da variao total, contra apenas 80,63% do modelo linear. O
valor de MQR/MQr sobe para 471,4 (contra 29,14 no modelo linear). J que a entrada do
parmetro
/32
no modelo transfere um grau de liberdade da mdia quadrtica residual para
a mdia quadrtica devida regresso, o novo valor de MQR / MQr deve ser comparado com
F 2 ,B (que 5,14 no nvel de 95%), e no mais com F l ,7. De toda forma, esses resultados nos
permitem concluir que agora temos um ajuste altamente significativo.

Esta comparao do modelo linear com o modelo quadrtico uma boa ocasio para
lembrar que modelos empricos so modelos locais, isto , modelos aplicveis apenas a uma
determinada regio. Essa caracterstica torna a extrapolao uma atividade bastante
arriscada. Basta observar que o modelo linear mostrou-se perfeitamente satisfatrio para o
nosso primeiro conjunto de valores, mas uma pequena ampliao da faixa de temperaturas
226
tornou necessrio o emprego de um modelo quadrtico, apesar de os dados da Tabela 5.1

estarem todos contidos na Tabela 5.4. Mesmo esse segundo modelo no deve ser extrapolado,
e no precisamos ir muito longe para chegar a essa constatao. Se fizermos, por exemplo, T
= 20C
na Equao 5.34, o que representa apenas dez graus a menos que a temperatura
mais baixa investigada experimentalmente, obteremos
y = -24,44%,
um valor absurdo, j
que no existem rendimentos negativos. Em suma: precisamos desconfiar das extrapolaes.

Elas sempre devem ser testadas com mais experimentos, chamados por isto mesmo de
experimentos oonfirmatrios.
100
r-----..-----..,.-------,
20
r-----.....-----r-----..,
o
80
--...
--'*
.9
60
g o-
c:
Q)
~c:
~
.o.
40
~----O--------()----
o:
20
-20 '----_ _----...J'-----_ _

20
40
0'--------'"""-------'-------'
20
40
60
80
(a)
_ _____'
~'---
60
80
(b)
Figura 5.7 (a) Ajuste de um modelo quadrtico aos dados da Tabela 5.4. A
concordncia bem melhor do que na Figura 5.6(a). (b) No parece haver um
padro na distribuio dos resduos.
Tabela 5.6 ANOVA para o ajuste de um modelo quadrtico aos dados da Tabela 5.4.
Soma Quadrtica
NQ de g. 1.
Mdia Quadrtica
Regresso
4.270,8
2.135,4
Resduos
27,2
4,53
4.298,0
Fonte de variao
Total
5.6 Falta de ajuste e erro puro

At aqui baseamos a avaliao dos nossos modelos na aparncia do grfico dos resduos. Se
no houver nada na distribuio dos resduos que nos faa suspeitar de anormalidade,
consideramos o modelo satisfatrio. um procedimento subjetivo, sem dvida, mas no
227
devemos menosprez-lo por isso, at porque no existe alternativa para ele, se no

dispusermos de alguma medida do erro aleatrio. Alm disto, examinar a distribuio dos
resduos sempre nos ajuda a verificar se no h nada de errado com o modelo, e pode indicar
como melhor-lo, se houver necessidade. Um exame cuidadoso dos grficos dos resduos deve
ser considerado obrigatrio em qualquer situao.
Se o nosso experimento fornecer respostas em duplicata, podemos us-las para obter
uma estimativa do erro aleatrio. Com essa estimativa, teremos um critrio quantitativo
para julgar se o modelo escolhido uma boa representao das observaes, ou se precisamos modific-lo. Para mostrar como isso feito, daremos um exemplo numrico, baseado em
duplicatas dos ensaios realizados na faixa 30 - 70C.
Suponhamos que os ensaios da Tabela 5.4 tenham sido duplicados, e que nossos
dados sejam os dezoito rendimentos mostrados na Tabela 5.7. Para cada valor de X existem
agora dois valores de y diferentes. evidente que, qualquer que seja o modelo escolhido, ele
no poder passar ao mesmo tempo por esses dois valores. Fatalmente haver resduos, que
poderemos atribuir, pelo menos em parte, aos erros aleatrios.
Veremos, nesta seo, que a soma quadrtica residual deixada pelo modelo pode ser
decomposta em duas partes: uma causada pelos erros aleatrios, e a outra devida falta de
ajuste do modelo. Esta segunda parcela pode ser reduzida aperfeioando-se o modelo. A
outra parte, no.
Tabela 5.7 Variao do rendimento da reao em funo da temperatura, na faixa 30 70C, com o catalisador A. Ensaios em duplicata.
Temperatura (OC)
30
35
40
45
50
55
60
65
70
Rendimento (%)
24
40
60
70
77
86
91
86
84
20
43
57
72
80
89
88
89
80
Vamos deixar por um momento nosso exemplo numrico e considerar um caso geral
onde, para cada valor Xi' tenham sido determinadas ni respostas, obtidas em repeties
autnticas. Para identificar as repeties usaremos um segundo ndice, j, de modo que uma
resposta passar a ser representada genericamente por Yij' significando a j-sima resposta
obtida para o i-simo ensaio. O nmero total de respostas em todo o experimento ser igual
soma de todas as repeties: n
= Lni
228
Em cada nvel i o modelo deixar
resduos, um para cada resposta repetida.
ni
Somando os quadrados de todos eles, em todas as repeties e em todos os nveis, obteremos

a soma quadrtica residual nesse nvel. Podemos escrever ento, admitindo que existam m
nveis diferentes da varivel X, as seguintes expresses:
Soma quadrtica dos resduos no nvel i: (SQr
1= i
(Yij -)ti)2 ;
Soma quadrtica residual: SQr
m ni (
m,
= L (SQr)i =L L
i
Yij -
Yi
)2
Cada resduo individual pode ser decomposto algebricamente na diferena de dois

termos:
(5.35)
onde
Yi
a mdia das respostas observadas no nvel i. Elevando ao quadrado esta equao e
somando sobre todas as observaes, teremos do lado esquerdo a soma quadrtica residual,
SQr' como acabamos de ver. Do lado direito ficaremos com as somas quadrticas das duas
parcelas, pois o somatrio dos termos cruzados se anula, a exemplo do que aconteceu na
decomposio da soma quadrtica total (Equao 5.16 e Exerccio 5.7). Podemos escrever ento
(5.36)
primeiro somatrio do lado direito no tem nada a ver com o modelo, e portanto no
depende das estimativas Yi' refletindo apenas a disperso, em cada nvel i, das respostas
repetidas Yij em torno de suas prprias mdias
Yi . Esse termo, que nos dar uma medida do
erro aleatrio, chamado de soma quadrtim devida ao eITO puro (SQep). O segundo somatrio, ao contrrio, depende do modelo, e ser tanto maior quanto mais as estimativas para
um dado nvel, Yi' se desviarem da resposta mdia correspondente,
Yi.
Esse termo fornece
uma medida da falta de ajuste do modelo s respostas observadas, sendo chamado por isso
de soma quadrtim devida falta de ajuste, SQfaj. Com esta terminologia, a Equao 5.36
pode ser lida assim:
Soma qUadrtica] = [ S. Q. devida] + [ S. Q. devida ]

residual
ao erro puro
falta de ajuste
229
ou
(5.36a)
Quando dividirmos essas somas quadrticas pelos seus respectivos nmeros de graus de
liberdade teremos mdias quadrticas, cujos valores iremos comparar para avaliar a falta de
ajuste do modelo.
Em cada nvel i, os resduos
(yij - Yi)
que compem SQep tm
ni -1 graus de
liberdade. Fazendo o somatrio sobre todos os nveis, obteremos o nmero de graus de

liberdade da soma quadrtica devida ao erro puro:
vep = L (ni -1) = (n - m),

onde n o nmero total de observaes e m o nmero de nveis da varivel X.
J vimos que o nmero de graus de liberdade da soma quadrtica residual a
diferena entre o nmero total de valores observados e o nmero de parmetros do modelo,
vr
= (n - p). Subtraindo da os graus de liberdade correspondentes a
SQep teremos o nmero
de graus de liberdade para a falta de ajuste:

V{a}
= (n - p )- (n - m) = (m - p ).
Note que ele dado pela diferena entre o nmero de nveis utilizados para a varivel
independente e o nmero de parmetros do modelo, o que tem uma implicao de grande
importncia prtica. Para termos condies de testar se h falta de ajuste, o nmero de
nveis do nosso planejamento experimental precisa ser maior que o nmero de parmetros
do modelo que estamos querendo ajustar. Para uma reta, por exemplo, que caracterizada
por dois parmetros, precisaramos ter no mnimo trs nveis da varivel representada por
X., para que v{a} no se anulasse. Se tentssemos ajustar uma reta a respostas deter-
minados em apenas dois nveis, ela passaria obrigatoriamente pelas mdias das respostas
em cada nvel. Isso anularia SQ{a} na Equao 5.36a e reduziria a soma quadrtica residual
a uma soma quadrtica de erro puro, tornando impossvel descobrir qualquer falta de ajuste.
Com o desdobramento da soma quadrtica residual nas contribuies da falta de
ajuste e do erro puro, a tabela de anlise da varincia ganha duas novas linhas e transforma-se na verso completa (Tabela 5.8). A mdia quadrtica devida ao erro puro,
230
fi
MQ
ep
= _i----::,J_
(Y -
Yi)2
_
n-m
que no depende do modelo, uma estimativa da varincia
0'2
que postulamos para as
respostas, esteja o modelo bem ajustado ou no. A mdia quadrtica devida falta de ajuste,
tambm estima
0'2
se o modelo for adequado, isto , se no houver falta de ajuste. Caso
contrrio, o valor de MQfaj estimar
0'2
mais a contribuio da falta de ajuste. Podemos
ento usar um teste F da razo MQfaj /MQep para avaliar se o nosso modelo est (ou no
est) bem ajustado s observaes. Valores altos de MQfaj/MQep significaro muita falta de
ajuste, e vice-versa.
Tabela 5.8 Tabela de anlise da varlancia para o ajuste, pelo mtodo dos mlnlmos
quadrados, de um modelo linear nos parmetros. ni = nmero de repeties no nvel
i; m = nmero de nveis distintos da varivel independente; n =L ni = nmero total
de observaes; p = nmero de parmetros do modelo.
Fonte de variao
Soma Quadrtica
Regresso
SQR
= ficYi _y)2
i
Resduos
SQr
Falta de ajuste
(Y -
Yi)2
fi(Yi _yJ2
SQfaj =
SQT
n-p
m-p
m, nj
Total
p-1
SQep =
Mdia Quadrtica
fi
Erro puro
NQ de g.l.
L L (Yij - Yi)2
i
nj
= L L (Yij - y)2
% de variao explicada: SQR
SQT
SQT -SQep
% mxima de variao explicvel: - - - - = - -
SQT
231
n-m
MQ
ep
n -1
= SQep
n-m
Voltamos agora aos dados em duplicata da Tabela 5.7. J sabemos que um modelo
linear inadequado para essa faixa de temperaturas mas vamos ajust-lo assim mesmo,
para mostrar como funciona o teste F para a falta de ajuste. Mais uma vez, comeamos
usando a equao matricial 5.12 para determinar a equao de regresso, tendo o cuidado de
fazer corresponder os valores das matrizes X e y, que agora tero dezoito linhas, ao invs de
nove. Escrevemos ento, a partir da Tabela 5.7,
x=
1
1
1
1
30
30
35
35
y=
1 70
1 70
24
20
40
43
84
80
A reta de regresso determinada a partir destas matrizes dada por
y = -7,42+1,52X .
A Tabela 5.9 mostra a anlise da varincia para o novo ajuste. A percentagem de
variao explicada pela regresso, isto , a razo entre a soma quadrtica devida regresso
e a soma quadrtica total, SQR/SQT = 77,79%. Esse valor, porm, no deve ser comparado
com 100%, por causa da contribuio devida ao erro puro.
Como nenhum modelo pode reproduzir a soma quadrtica do erro puro, o valor
mximo explicvel a diferena entre a soma quadrtica total e SQep. No nosso caso,
SQT -SQep = 8.930,00 - 45,00 = 8.885,00, que corresponde a 8885,00/8930,00 = 99,50% da
soma quadrtica total. A diferena no muito grande, porque a contribuio do erro puro
relativamente pequena, mas com este novo valor que devemos comparar a variao
explicada pela regresso, 77,79%. A inadequao do modelo aparece claramente nos grficos
da Figura 5.8(a). Mais uma vez os resduos se distribuem num padro curvo.
o valor da razo
MQR/MQr 56,03. Comparado com F 1,16 = 4,49 (no nvel de 95%),
este valor indicaria uma regresso significativa, se no fosse pela evidncia de falta de
ajuste, que agora tambm confirmada pelo alto valor de MQfaj /MQep :
MQfaj = 276,94 = 5539
MQep
5,00
"
que muito maior que F7 ,9
= 3,29.
232
Fonte de variao
Soma Quadrtica
N de g. L
Mdia Quadrtica
Regresso
6.946,41
6.946,41
Resduos
1.983,59
16
123,97
F. ajuste
1.938,59
276,94
Erro puro
45,00
5,00
8.930,00
17
Total
% mxima de variao explicvel: 99,50
20 r - - - - - - , - - - - - . . - - - - - - - - ,
8 8
ao
o o o
10
o o o o o
o
o
g o -------------------------------o
o
cr:
20
o
40
60
_201-.._0_ _.L....-
~_~_..L...-_~_'---_~-..I
20
o
-10
ao
20
40
rtc)
. . L . . - - - - . l" ' - - - - - - . . l
60
80
rtc)
(a)
100,..-----.-----.,.-------
20 r - - - - - - . . - - - - - - . . . , . . - - - - - - - - ,
ao
10
o o o
g o ---- -o- - o- - -o- - -Qo - Uo
o o o o
o o
- t::r -0- - - - - - - - --
cr:
20
L..---....L--_ _- ' - -
20
40
-20
20
. l . . -_ _- - - - l
60
-10
_ _. . L . . 40
'----~
ao
- ' - -_ _- - - - l
60
80
(b)
Figura 5.8 (a) Ajuste de um modelo linear aos dados da Tabela 5.7. Os valores
observados no so bem representados pela reta. A distribuio dos resduos
no aleatria. (b) Com um modelo quadrtico a concordncia bem melhor.
Os resduos agora parecem distribuir-se aleatoriamente.
233
J que o modelo linear apresenta falta de ajuste, passamos a ajustar o modelo quadrtico, que dado pela Equao 5.33. Construindo as matrizes apropriadas e substituindoas na Equao 5.12 chegamos a
_ [-172,42]
b8,59,
-0,071
ou
y = -172,42 + 8,59X -
0,071X 2
Os grficos do modelo quadrtico [Figura 5.8(b)] mostram um ajuste muito melhor

do que os do modelo linear, como seria de se esperar. A melhoria confirmada numericamente pelos valores da anlise da varincia (Tabela 5.10). A diferena gritante: o valor
da razo MQR/MQr sobe para 4.435,80/3,89 = 1.140,3, enquanto a razo MQfaj/MQep , que
era 55,39, reduz-se a apenas 0,45, um valor no significativo. No h mais sinal de falta de
ajuste, e podemos determinar os intervalos de confiana para os parmetros do modelo.
Tabela 5.10 Anlise da varincia para o ajuste de um modelo quadrtico aos dados da
Tabela 5.7.
Soma Quadrtica
N de g.l.
Mdia Quadrtica
Regresso
8.871,61
4.435,80
Resduos
58,40
15
3,89
F. ajuste
13,39
2,23
Erro puro
45,00
5,00
8.930,00
17
Fonte de variao
Total

J que no h falta de ajuste, tanto MQfaj quanto MQep estimam
(j2.
Podemos
aproveitar este fato para obter uma estimativa da varincia com um maior nmero de graus
de liberdade, somando SQfaj e SQep e dividindo o total por (vfaj +vep ). Com essa operao,
simplesmente teremos de volta a mdia quadrtica residual, que agora passa a ser uma
estimativa legtima da varincia devida ao erro puro.
234
Substituindo
()2
na Equao 5.30 pelo valor da mdia quadrtica residual,
3,89 ,
chegamos s estimativas das varincias dos parmetros. Da, tirando a raiz quadrada, obtemos
seus erros padro. Com eles podemos escrever o resultado final do nosso ajuste:
y = -172,42+8,59X-O,071X 2
(7,65)
(O,32)
(O,003)
Os valores entre parnteses so os erros padro dos parmetros. Como eles so muito menores do que os valores das estimativas, conclumos que todos os trs parmetros so
estatisticamente significativos. Havendo necessidade de uma anlise mais rigorosa, podemos
fazer um teste t para cada um deles. 4
Exerccio 5.10
Esta uma verso incompleta da tabela de anlise da varincia para o modelo ajustado no
Exerccio 5.5. Complete-a e verifique se o modelo linear satisfatrio, ou se h evidncia de
falta de ajuste.
Soma Quadrtica
NQ de g. 1.
Mdia Quadrtica
Regresso
2,95146 x 10- 1
Resduos
Falta de ajuste
Erro puro
1,09355 x 10-4
Total
2,95425 x 10- 1
11
Fonte de variao
% variao explicada: ?
% mxima de variao explicvel: ?
Exerccio 5.11
o resultado do Exerccio 5.10 deve mostrar que no h evidncia de falta de ajuste no modelo
do Exerccio 5.5. Use a mdia quadrtica residual como uma estimativa da varincia das
observaes e determine os erros padro das estimativas dos coeficientes da equao de
regresso. Eles so estatisticamente significativos no nvel de 95%?
5.7 Correlao e regresso

Muitas vezes, na literatura, os resultados de uma anlise de regresso so discutidos em
termos da correlao da varivel dependente com a varivel independente. A rigor, isso no
Com quantos graus de liberdade?

235
faz sentido, porque a correlao definida para um par de variveis aleatrias, e na

regresso somente a varivel dependente que considerada aleatria. No entanto, se
esquecermos desse detalhe conceitual, existem algumas relaes algbricas entre correlao
e regresso que vale a pena discutir, nem que seja para esclarecer seu verdadeiro significado
e suas limitaes.
Imaginemos que tanto X quanto y sejam variveis aleatrias e que, portanto, seja
apropriado definir um coeficiente de oorrelao entre elas, dado por
r(X, y)= ~--~-~
(2.9)
como vimos na Seo 2.4. Com a notao simplificada que introduzimos na Equao 5.10
(veja tambm o Exerccio 5.3), podemos reescrever esta expresso da seguinte forma:
r(X )=
,y
Sxy
(5.37)
~SxxSyy
N a mesma notao, como j vimos, a estimativa de
/31 dada por

(5.10)
Combinando as duas expresses, obtemos uma relao entre o coeficiente angular da reta de
regresso, ~, e o coeficiente de correlao entre as duas variveis, r(X, y):
~ =r(X,y)i~yy
(5.38)
xx
ou
(5.39)
onde
Sy
Sx
so os desvios padro das variveis y e X, respectivamente. Mesmo assim, b1 e
r(X, y ) continuam tendo significados intrinsecamente diferentes. O coeficiente de

correlao, como sabemos, uma medida da associao linear existente entre as variveis X
e y, ambas supostamente aleatrias. O valor do coeficiente angular
h.t
representa a variao
em y correspondente variao de uma unidade em X, ou seja, a derivada dy /dX .

Para um modelo linear, podemos tambm estabelecer uma relao entre a
percentagem de variao explicada (ou coeficiente de determinao),
236
e o coeficiente de correlao r(X,y). Para isso, usamos a Equao 5.18 e reescrevemos R 2

como
Empregando agora a Equao 5.38 para substituir
bf , chegamos a
ou, simplificando,
(5.40)
Esta igualdade mostra que, quando adotamos o modelo
Yi
= 130 + f31 X i + i' a
percentagem de variao explicada pela regresso tambm uma medida da associao

linear entre X e y. Um erro comum, talvez induzido pela prpria Equao 5.40, interpretar
o valor de R, a raiz quadrada de R 2 com o sinal algbrico apropriado, como o coeficiente de
correlao entre X e y, numa regresso qualquer. Acabamos de ver que isso s vlido para
o ajuste de uma reta. Alm do mais, na modelagem por mnimos quadrados, X nem sequer
uma varivel aleatria. Na verdade, o valor de R pode ser interpretado como um coeficiente
de correlao, mas no entre as variveis X e y. Pode-se demonstrar que em qualquer
circunstncia, para qualquer regresso linear com qualquer nmero de variveis, R o
coeficiente de correlao entre as respostas observadas e os valores previstos pelo modelo
ajustado:
R =r(y,y)
(5.41)
Esta relao legtima, pois tanto os valores observados quanto os valores previstos so
variveis aleatrias. O valor de R, que chamado de ooeficiente de
oorrel~o mltipla,
nunca negativo. Ele o maior valor da correlao que uma combinao linear das variveis
independentes, na forma especificada pelo modelo, pode ter com os valores de y observados.
237
5A Aplicaes
5A.l A flexibilidade do ar
Em 1661, Robert Boyle fez um relato Royal Society em que descrevia sua descoberta da
relao, que depois viria a ser conhecida como a Lei de Boyle,l entre a presso e o volume de
uma dada massa de ar. Os dados originais de Boyle, que foram publicados em 1662, na segunda edio do seu New Experiments Physio-Mechanicall, Touching the 8pring of Air and
its Effects, esto na Tabela 5A.l. Vamos us-los para ajustar alguns modelos polinomiais e
avaliar a qualidade dos ajustes atravs da anlise da varincia e dos grficos dos resduos.
Tabela 5A.l- Dados do experimento de Boyle. As presses esto em atmosferas. As

unidades do volume so arbitrrias.
1,000
1,049
1,097
1,150
1,212
1,270
1,350
1,429
1,517
48
46
44
42
40
38
36
34
32
1,616
1,727
1,865
2,019
2,105
2,199
2,302
2,427
2,545
30
28
26
24
23
22
21
20
19
2,674
2,841
3,017
3,195
3,449
3,702
4,036
18
17
16
15
14
13
12
Os ajustes so feitos da maneira habitual, por mnimos quadrados (Equao 5.12) e

produzem os seguintes resultados:
Modelo ajustado
Linear:
Pi
= 4,125- 0,0742Vi
(0,170)
Quadrtico:
Pi
Cbico:
Pi
(0,014)
166,66
87,68%
651,50
98,34%
3.241,45
99,78%
(0,00023)
= 8,253-0,491Vi + 0,012 V/ -0,000105Vi3

(0,187)
R2
(0,006)
= 6,183- 0,238Vi + 0,00279Vi2

(0,185)
MQR/MQr
(0,022)
(0,0008)
(0,000009)
Ou de Mariotte, como se diz na Frana. O francs E. Mariotte descobriu a mesma relao, indepen-
dentemente de Boyle, e ainda notou que ela s era vlida se a temperatura permanecesse constante.
238
Todos os termos de todos os modelos so significativos, como podemos ver pela pequena
extenso dos seus respectivos erros padro. Embora cada termo adicional retire um grau de
liberdade dos resduos, isto no prejudica os modelos, j que, do ponto de vista da ANOVA,
eles vo progressivamente melhorando. O modelo cbico, por exemplo, tem MQR /MQr
3.214,15, e explica 99,78% da variao total. Por esses nmeros, dificilmente iramos nos
preocupar em achar um modelo melhor. Quando olhamos os grficos dos resduos, porm,
vemos uma outra histria (Figura 5A.1). Embora eles fiquem cada vez menores, evidente
que seu conjunto mantm uma estrutura, que varia conforme a complexidade do modelo.
Para o modelo linear, os resduos tm um padro que se assemelha a uma parbola. Quando
inclumos o termo quadrtico, os novos resduos passam a lembrar uma cbica.
Acrescentando em seguida o termo cbico, eles parecem ser descritos por uma equao do
quarto grau.
o que na verdade estamos fazendo tentar ajustar com uma srie de potncias um
conjunto de dados que pode muito bem ser representado por uma funo mais simples. Como
sabemos da qumica elementar, a Lei de Boyle dada pela expresso pV = k, ou
p
= k (l/V),
onde k uma constante que depende da temperatura e da quantidade de gs. Se
usarmos como varivel independente no o volume e sim o seu inverso, teremos portanto a
expresso de uma reta. A Figura 5A.2 mostra essa reta e os resduos deixados por ela para
os dados de Boyle. A troca da varivel V por ilV , por motivos bvios, um exemplo do que se
conhece como
transforma~olinearizante.
Esta uma lio importante. Antes de pensar em
acrescentar novos termos e complicar um dado modelo, devemos sempre refletir se no

existe alguma transformao das variveis que possa produzir um ajuste mais satisfatrio.
Em qualquer caso, o grfico dos resduos sempre uma tima indicao de como anda a
modelagem.
Do ponto de vista da anlise da varincia, os resultados da transformao tambm
so excelentes. A equao ajustada agora
Pi
1
0,065 + 48,18 - ,
(0,04270)
(0,088)
Vi
com MQR / MQr
= 299.273
R2 = 99,992%.
Ou seja: ficou tudo muito melhor do que com os trs modelos polinomiais ajustados
diretamente no volume. Alm disto, o termo constante deixou de ser estatisticamente
significativo, o que reproduz perfeitamente a lei de Boyle. 2
Voc notou que quando usamos 1/Vos pontos vo ficando mais espaados medida que caminhamos
da esquerda para a direita do grfico? Por que ser?
239
Como construir
mode~os empricos
1,0
-----o--t----i---i------l---------
0,8
Modelo linear
0,6 ------------t--------4---------+----------i---_.-...-.-..-.-.
=*=~f=~-~~:t:=;~t~=
0,4
:s
~
0,2
0,0
-----~3tr--_t---~~-+_i
lo
i
-0,2
Ch.
O O
j
I
-'-'CX)I
I
I
-0,4 ----t----'"'1'-''-'-'-'-'""'"'"1''''"_-_t..-___
-0,6
15
25
35
45
55
Volume
1,0
Modelo quadrtico
-----------r-------1----------r------------r-----------
0,8
0,6
=:==~~I-=:~==J=:~=~:==r:==~=-=~r:~==~=
0,4
0,2
0,0
-0,2
-0,4
-0,6
15
25
35
45
55
Volume
1,0
Modelo cbico
0,8
0,6
0,4
0,2
0,0
O
--r(""()
fL
00 O
()I'"'\
-v(~
-vOOOo
"O
-0,2
-0,4
-0,6
5
15
25
35
45
55
Volume
Figura 5A.l - Grficos dos resduos deixados pelos trs modelos para os dados de Boyle.
240
Capitulo :5
4,5
r-------.....------~----~---_,
:
...................................................."
:'
................ 1.. ..
..--_
5~::::~:.=~~~:::.~~~=:~~:~:::::::.:=j::~:::::.==. :~: . : ~_.~-=~.: : :=~ ~
==-~.~=:~=i:~:~~:::=~:~~:~===~1~=-==:==
l1::
! _
I
1_t..........
0,5
.L-
0,01
""--
0,03
.L.--
----'
0,09
0,07
0,05
l/V
0,8
0,6
_+--_.+-_.. ._~. _.._..+----+
-+-.. _.-i---_..+--.+-_..+_-+.. . _-{_ _._.
O, 4 _ _ _ ..-1-
\ _
\_ _
0, 2
_ ..{
{ __._
{. _
oo
_-+.._+-. __..
_j__j__t
__
t__j__l-_
iI
iI
-O, 2 __+-1.._1_1i_j.._+
-0, 4 --11..1-_11_11
-0,6 L - - _ - - ' - - -_ _I - - _ - . . . I - -_ _. & - - _ - . . . I - -_ _' - - _ - . . . I - - _ - - - - . J

0,07
0,01
0,03
0,05
0,09
l/V
Figura 5A.2 - Dados de Boyle ajustados a um modelo linear no inverso do volume.
5A.2 Calibrao em cromatografia

Para construir uma curva de calibrao, G. M .F. Silva e J. F. Pinto mediram a altura de um
pico cromatogrfico (A) para seis diferentes concentraes de benzatona (C). Para cada
concentrao foram feitas vrias determinaes repetidas, num total de 21 ensaios (Tabela
5A.2). A julgar pelo grfico das alturas contra as concentraes, mostrado na Figura 5A.3,
uma reta seria um bom modelo para esses dados. Fazendo o ajuste por mnimos quadrados,
chegamos equao
=- 0,1906 + 15,3488 C ,
(O,0930)
com R2 = 99,87%.
(O,1244)
Parece uma equao excelente, mas na verdade apresenta falta de ajuste. Usando as
equaes dadas na Tabela 5.8, obtemos MQfaj /MQep = 6,11 , que maior que F 4,15 = 3,06
241
(95% de confiana). Para tentar eliminar a falta de ajuste, acrescentamos ento um termo
quadrtico, e chegamos a um modelo com trs parmetros, dado por
=- 0,0010 + 13,7456 C + 1,2418 C 2

(,694)
(,3116)
com R2 = 99,95%.
(O,2333)
No parece uma melhoria to impressionante, mas examinando os grficos dos

resduos (Figura 5A.4) podemos constatar que o modelo quadrtico de fato superior, e j
no apresenta falta de ajuste. Para ele, alis, MQfaj / MQep
= 0,142,
valor que, por ser
inferior a um, nos dispensa de fazer o teste F. Pelo mesmo motivo, os erros padro que
aparecem na segunda equao foram calculados a partir da mdia quadrtica residual total,
e no da mdia quadrtica devida ao erro puro. Tambm vale a pena observar que o termo
constante, que levemente significativo no modelo linear, deixa de s-lo no modelo
quadrtico. Ou seja, no segundo modelo uma soluo de concentrao zero no deve apresentar pico cromatogrfico nenhum para a benzatona, como obviamente teria de ser.
Tabela 5A.2 - Dados da calibrao cromatogrfica da benzatona.
Altura do pico, em
Concentrao, mgL-l
0,0133
0,1836 0,1787 0,1837 0,1806 0,1861
0,0665
0,9373 0,9177 0,9224
0,3325
4,6227 4,7812 4,6256
0,6650
9,6905 9,9405 9,5754
0,9975
14,7607 15,0113 14,9641
1,3300
21,0033 20,2700 20,5719 20,0915
25 r----.........-
........--------r---..----....--..----.......--__--.,.---.---------,
: :~=:=:I=::1~:~=:~::;:I~:~::I:::=:~:
i ---------------f---~_Jc:-~-~~-------------~---------t------------
5
o
-5
---------:--~-----~------.---+-..- ...--.j.---------+-----.-..----!
!
1
0,0
0,3
L...--_ _......L...-_ _.......Io-_ _- - - - - ' I - -
-0,3
0,6
0,9
1,2
__'
1,5
Concentrao
Figura 5A.3 - Dados da calibrao cromatogrfica da benzatona.
242
Capitulo 5
Modelo linear
5
O,
r.._-..__r--.. . . . . -r...--:.. . .
....::....
---"";:;'0-
0,0 ~---~-0-----+f----8--+!
-0,5
01
<----------------'--"""---''"'"---''--------'--------'"'"---''-.
. .16. . .---------..-......-....22
-2
10
Alturas previstas
1,0
,....--.-----..,....--------,....--.----r----------,
....-----..----~ .............
Modelo quadrtico
o .
O, 5 ____t_1__t___
~~
d!
!
i
i
!
!O
J - - - - - \ : ; 1R- -!+ - - - - - - -o- - 1
o, o I----+v,..."
+l,~~----+------~V!.
O
-0,5
O
O
<--------'--"""---'--------'------------1----------..1
-2
22
10
16
Alturas previstas
Figura 5A.4 - Resduos da calibrao cromatogrfica da benzatona.
Os grficos dos resduos tambm deixam muito claro que a varincia das respostas
cresce com a concentrao, fato que comum em vrios mtodos de anlise instrumental.
Isto viola uma das suposies do ajuste por mnimos quadrados, e normalmente resolvido
fazendo-se uma regresso com dados ponderados por uma transformao estabilizadora da
varincia (veja, por exemplo, Pimentel e Neto, 1996).

importante notar que, dependendo dos erros que estejamos dispostos a tolerar nas
previses feitas a partir da equao de regresso, pode ser que nem a falta de ajuste do
modelo linear nem a heteroscedasticidade das respostas tenham ,qualquer importncia
prtica. De qualquer forma, bom estarmos preparados para tratar desses problemas, se
eles vierem a se revelar prejudiciais para os objetivos de algum experimento.
243
Como
c:onstru~r mode~os empiricos
5A.3 Calibrao multivariada

Num estudo sobre a determinao simultnea de Mn04, Cr20~- e C0 2 +, vrias misturas de
solues padro destas trs espcies qumicas foram preparadas e analisadas por
espectrofotometria uv-visvel, em trs comprimentos de onda diferentes: 530, 440 e 410 nm
(Scarminio et aI., 1993). Os dados relativos ao on permanganato esto na Tabela 5A.3.
Tabela 5A.3 - Calibrao multivariada do on Mn0 4 por espectrofotometria.

Absorvncias
Volume de Mn0 4, mL
Asso
A440
A410
7,50
0,084
0,506
0,602
6,60
0,108
0,479
0,561
5,00
0,149
0,426
0,472
3,40
0,182
0,375
0,385
2,50
0,205
0,342
0,334
1,70
0,159
0,409
0,375
5,00
0,149
0,426
0,472
5,00
0,113
0,488
0,523
4,00
0,149
0,432
0,456
O modelo linear ajustado
V = 2,642-
3,560 A 530 -37,088A440 + 39,636A410 . No podemos
(4,404) (10,256)
(6,347)
(1,845)
testar rigorosamente se existe falta de ajuste, porque no temos medidas repetidas, mas o
grfico dos resduos (Figura 5A.5) est com um bom aspecto (isto , no parece ter estrutura)
e por isto usamos o valor do erro mdio quadrtico residual, MQr, para determinar os erros
padro dos coeficientes do modelo. O modelo linear explica 99,74% da variao total e o valor
de MQR!MQr = 628 bastante alto. Note que, como seria de se esperar, o termo constante
no estatisticamente significativo. Alis, o termo em A530 tambm no, indicando que este
comprimento de onda no ajuda na determinao do on permanganato.
244
Capitulo 5~
Respostas previstas
Figura SA.S - Resduos da calibrao multivariada do on permanganato.
5A.4 Intervalo de energias proibidas em semicondutores

Para se determinar o intervalo de energias proibidas (gap) em um semicondutor, pode-se
usar o fenmeno da variao da condutividade eletrnica (a) em funo da temperatura. A
teoria dos semicondutores indica que o logaritmo da condutividade deve variar linearmente
com o inverso da temperatura. 3 O valor do gap de energia, Eg , dado pelo coeficiente
angular da reta lna contra l/T. A Tabela 5A.4 contm os valores de nove ensaios realizados
em duplicata com um semicondutor intrnseco de germnio, no laboratrio de Fsica
Moderna do Departamento de Fsica da Universidade Estadual de Londrina, sob a
superviso do Prof. J. Scarminio.
Tabela SA.4 - Variao da condutividade de um semicondutor de Ge com a
temperatura.
In(a/Q-1m- 1)
Ensaio
Itr, 10-3 K-l
3,19
2,24
2,29
3,09
2,74
2,81
3,00
3,19
3,22
2,91
3,60
3,61
2,83
3,95
4,01
2,75
4,33
4,33
2,68
4,62
4,62
2,61
4,92
4,93
2,54
5,21
5,21
Duas transformaes linearizantes, no mesmo?

245
mode~os empricos
Como construir
o ajuste de um modelo linear aos dados da tabela resulta na equao

1
lna = 16,708 -4509,9-,
(O,120) (42,2) T
com R2 = 99,86%.
Os dois parmetros so altamente significativos. O termo constante representa o

valor que a condutividade eletrnica teria se no existisse diferena de energia entre o valor
superior da banda de valncia e o valor inferior da banda da conduo do semicondutor. O
grfico dos resduos (Figura 5A.6) mostra evidncia de falta de ajuste, sugerindo que, pelo
menos do ponto de vista estatstico, o modelo poderia ser melhorado se inclussemos um
termo quadrtico. Isto confirmado pelos valores da anlise da varincia, mas devemos
observar que, para simplificar o experimento, os ensaios no foram feitos em ordem
aleatria e sim acompanhando-se uma curva de resfriamento. Com esse procedimento, pode
ser que o erro puro tenha sido subestimado.
~ : : : :::-~~l~::=I:~~=;=~~_:=]~~-~~~:J~~~~:_~
I
I
I
I
o
-0,10
i'-----
L..--
2,0
2,6
. . .f.
i'--_---.J
....I...-_ _...............
3,2
3,8
4,4
5,0
5,6
Resposta estimada
Figura 5A.6 - Resduos do ajuste do modelo lner
=bo + ~ ~
T
aos dados da Tabela 5A.4.
5A.5 Determinao de um calor de vaporizao

Sob certas condies, pode-se demonstrar que a presso de vapor de uma substncia,
Pvap,
se relaciona com a temperatura absoluta em que ela se encontra, T, atravs da equao de

Clausius e Clapeyron,
-b
nPvap -
Ml vap
(1 l
o-~ T )'
Nesta equao, R a constante dos gases perfeitos, bo uma constante que varia de uma
substncia para outra, e MI vap o calor de vaporizao da substncia de interesse,
246
Capituio 5
admitido como constante na faixa de temperaturas estudada. Num experimento para

determinar o calor de vaporizao do tetracloreto de carbono foram realizados os nove
ensaios cujos resultados se encontram na Tabela 5A.5 (Simoni, 1998). Se a equao de
Clausius e Clapeyron for vlida nessas condies, o coeficiente angular de um modelo linear
do logaritmo da presso de vapor em funo de 1fT nos permitir obter o valor do calor de
vaporizao do tetracloreto de carbono.
Tabela SA.S - Variao da presso de vapor do CCl4 com a temperatura.
Ensaio
T(K)
Puap (torr)
273
0,044
283
0,075
293
0,122
303
0,190
313
0,288
323
0,422
333
0,601
343
0,829
353
1,124
o ajuste do modelo In Pvap =bo + ht( ~ ) resulta em

lnpuap
11,20 -3.901,98
(0,00689)
(26,897)
(~),
T
com MQR/MQr
= 21.046
R2
= 99,97%.
Este resultado corresponde a um calor de vaporizao de 32,44 0,22 kJ moi-i. Apesar dos
excelentes valores numricos da Anova, porm, o grfico dos resduos (Figura 5A.7)
apresenta mais uma vez um padro clarssimo, indicando a necessidade de acrescentarmos
um termo quadrtico. Teremos ento o novo ajuste
lnpuap
= 8,00-1.954 (~)-300.311(~)2,
(0,14)
com
(86,1)
MQR/MQr
(13.260)
= 780.369
R2 = 99,9996%.
Fisicamente, a superioridade do modelo quadrtico significa que o calor de vaporizao no

pode ser considerado constante neste exemplo. Usando portanto o modelo quadrtico e
admitindo que a derivada
247
Como constrt.dr
mode~os empricos
d(lnpvap) = -1.954-600.622(~)
d(l/T)
uma estimativa mais realista de - MI vap / R , podemos concluir que o calor de vaporizao
do CCl4 na verdade varia entre 30,39 e 34,54 kJ mol- 1 , no intervalo de temperaturas que
estamos considerando.
0,025
0,015
0,005
-0,005
-0,015
-0,025
-0,035
-3,5
-3,0
-2,5
-2,0
-1,5
-1,0
-0,5
0,0
0,5
Respostas previstas
Quadrtico
-0,035
-3,5
-3,0
-2,5
-2,0
-1,5
-1,0
-0,5
0,0
0,5
Respostas previstas
Figura 5A.7 - Resduos dos dois ajustes dos dados da tabela 5A.5.
5A.6 Outra calibrao

Esta aplicao vamos deixar para voc mesmo fazer. A tabela 5A.6 mostra concentraes de
solues aquosas contendo ons zinco e as respectivas absorvncias obtidas, em triplicata,
num experimento para construir uma curva de calibrao num espectrmetro de absoro
atmica (Lopes, 1999).
248
Capitu~o
(a) Faa um grfico da absorvncia contra a concentrao. Que tipo de modelo esse
grfico sugere?
(b) Ajuste aos dados o modelo sugerido pelo item (a), usando a absorvncia como
varivel dependente. Avalie a qualidade do ajuste por anlise da varincia. Faa
tambm o grfico das absorvncias estimadas pelo modelo contra as absorvncias
observadas. Use esse modelo para prever a concentrao de uma soluo cuja
absorvncia 25,00.
(c) Agora olhe os grficos dos resduos. O modelo pode ser melhorado? Se achar que
pode, ajuste um modelo melhor e compare seus resultados com os do primeiro
modelo. Compare as duas anlises da varincia. Que modelo voc prefere?
(d) Com o tipo de modelo que voc escolheu, faa a calibrao inversa, usando a
concentrao como varivel dependente. Com esse novo modelo, qual deve ser a
concentrao de uma soluo de absorvncia 25,00? Existe muita diferena entre as
previses da calibrao direta e da calibrao inversa?
Tabela 5A.6 - Dados da calibrao do zinco por absoro atmica.

[Zn2+]
Absorvncia
0,000
0,696
0,696
0,706
0,500
7,632
7,688
7,603
1,000
14,804
14,861
14,731
2,000
28,895
29,156
29,322
3,000
43,993
43,574
44,699
249
6
A metodologia de superfcies de resposta (ou RSM, de Response Surface Methodology) uma

tcnica de otimizao baseada em planejamentos fatoriais que foi introduzida por G. E. P.
Box nos anos cinqenta, e que desde ento tem sido usada com grande sucesso na
modelagem de diversos processos industriais. Os textos tradicionais sobre RSM so dirigidos
a um pblico com pouco conhecimento de estatstica e por isso mesmo so um tanto
redundantes, descrevendo em detalhe certas tcnicas que na verdade so casos particulares
de procedimentos mais gerais que j tivemos oportunidade de discutir neste livro. Neste
captulo fugiremos da abordagem costumeira e aproveitaremos os conceitos introduzidos at
agora para apresentar os princpios bsicos da RSM. Os interessados podero encontrar um
tratamento mais completo em Cornell (1990a), Myers e Montgomery (1995) e nos excelentes
livros e artigos de G. E. P. Box e seus colaboradores (Box e Wilson, 1951; Box, 1954; Box e
Youle, 1955; Box e Draper, 1987).
6.1 Metodologia de superfcies de resposta

A metodologia de superfcies de resposta tem duas etapas distintas - modelagem e
deslommento -, que so repetidas tantas vezes quantas forem necessrias, com o objetivo de
atingir uma regio tima da superfcie investigada. A modelagem normalmente feita
ajustando-se modelos simples (em geral, lineares ou quadrticos) a respostas obtidas com
planejamentos fatoriais ou com planejamentos fatoriais ampliados. O deslocamento se d
sempre ao longo do caminho de mxima inclinao de um determinado modelo, que a
trajetria na qual a resposta varia de forma mais pronunciada. Vamos tentar esclarecer
essas noes com um exemplo numrico.
Suponhamos que o nosso amigo qumico esteja investigando o efeito de dois fatores,
concentrao de um reagente e velocidade de agitao, no rendimento de uma determinada
reao. Ele j sabe que o processo vem funcionando h algum tempo com os valores desses
fatores fixados em 50% e 100 rpm, respectivamente, e que os rendimentos mdios obtidos
251
tm ficado em torno de 68%. Agora ele gostaria de saber se no seria possvel melhorar o
rendimento, escolhendo outros nveis para os fatores.
6.1(a) Modelagem inicial
o primeiro passo do qumico, para atacar o problema, investigar a superfcie de resposta

em torno das condies habituais de funcionamento do processo, usando o planejamento
fatorial mostrado na Figura 6.1. Note que o planejamento contm um ponto central, e por
isso varre trs nveis de cada fator, e no apenas dois. Isto nos permitir verificar se h ou
no falta de ajuste para um modelo linear, o que seria impossvel se tivssemos usado
apenas dois nveis. A Tabela 6.1 mostra a matriz de planejamento e os rendimentos
observados experimentalmente em cada combinao de nveis. Ao todo foram realizados sete
ensaios, sendo trs deles repeties no ponto central.
12 o ....---..---------------...---------..------------.
11 o
---<;>-.--.-.----.+..---.-..-.-.-1.. -.-.--.-.-..
--.-..- ..
-.---.---.-. .-L-.. -.----L-.. .--.--.-.L.---..-.--.i
9o
-..-...-.__.-..-...
80 '---
40
+-.-.-.-.---.--~_.-_ . ._-.--.Jr-._--..-.---.-
45
50
___..J,
55
--.J
60
C (%)
Figura 6.1 Planejamento fatorial de dois nveis com ponto central.
Comearemos nossa anlise admitindo que a superfcie de resposta na regio

investigada uma funo linear dos fatores, e que portanto a resposta pode ser estimada
pela equao
(6.1)
onde bo , bl e b2 so estimadores dos parmetros do modelo e
Xl
x2
representam os
fatores codificados. Como vimos no Exerccio 5.4, os valores de bo , bl e b2 podem ser obtidos
pelo mtodo dos mnimos quadrados. Neste caso a matriz X ser dada por
252
Tabela 6.1 Resultados de um planejamento 22 com ponto central.

valores dos dois fatores, codificados pelas equaes
Xl
X2
representam os
u -100
C-50
Xl
=- - e
X 2 - ---
10
Ensaio
C(%)
v (rpm)
Xl
X2
Y (%)
45
90
-1
-1
69
55
90
-1
59
45
110
-1
78
55
110
67
50
100
68
50
100
66
50
100
69
1 -1 -1
x=
1
1 -1
1 -1
1
1
1
1
1
O O
1
O O
1
O O
A primeira coluna corresponde ao termo bo , e as outras duas contm os valores codificados

dos fatores. Obviamente teremos tambm
69
59
78
y= 67
68
66
69
Seguindo o procedimento usual, calculamos
XtX
7 OO]
[O O 4
= O 4 O
Usando a Equao 5.12 temos ento
253
1~ ~ ]X[~~~] = [~::~~]
4
O 1/4
17
(6.2)
4,25
Dos trs ensaios repetidos no ponto central, calculamos
= 2,33
como uma estimativa da
varincia das observaes. Substituindo este valor na Equao 5.30, obtemos uma estimativa da varincia dos elementos do vetor b:
V(b)
= (XtX)-18 2 =
1/7
O
O 1/4
[
O]
O x 2,33
1/4
O O]
[0,33
O 0,58
O
O
O 0,58
Tirando as razes quadradas chegaremos aos erros padro de bo , b1 e b2 . Com eles e com as
estimativas obtidas na Equao 6.2 podemos finalmente escrever a equao do modelo
ajustado:
y = 68,00 - 5,25xl + 4,25x2 .

(O,58)
(O,76)
(6.3)
(O,76)
o tamanho relativamente pequeno dos erros indica que este modelo significativo (para um
tratamento quantitativo, veja os Exerccios 6.2 e 6.4). A anlise da varincia encontra-se na
Tabela 6.2. Como o valor de MQfaj /MQep no estatisticamente significativo (0,42/2,34 =
0,18), no h evidncia de falta de ajuste. Na regio investigada, a superfcie de resposta
descrita satisfatoriamente pela Equao 6.3, que define o plano representado em perspectiva
na Figura 6.2.
Tabela 6.2 Anlise da varincia para o ajuste do modelo

Tabela 6.1.
Fonte de variao
y = bo + ~Xl + b2x2 aos
dados da
Soma quadrtica
N de g.l.
Mdia quadrtica
Regresso
182,50
91,25
Resduos
5,50
1,38
Falta de ajuste
0,83
0,42
Erro puro
4,67
2,34
188,00
Total

254
.....rl
90
.....11 .
j
~
r
.....
80
..~.....
......... ~ ...
.
..... ~. '"
..... ~: :....
r.;.:
"'t'" .. .. :f.
....
.L... +
"i
'<
70
....
60
,~
~:.<:.::::
<0 ?
+~
:t :...
..........
::.:~.:::
: :; :: :.:.:#
:.:..~: .
. . : :
:J.
<0?
,<0?
,",~ ./\~
Figura 6.2 Plano descrito pela Eq. 6.3,
Y = 68,0 -
5,25xl + 4,25x2 .
Exerccio 6.1
Esquecendo o ponto central na Tabela 6.1 e na Figura 6.1, ficamos com um planejamento
fatorial 2 2 , que pode ser analisado pelos mtodos do Captulo 3. Calcule os valores dos efeitos
para esse fatorial e compare com os valores dos coeficientes da Equao 6.3.
Exerccio 6.2
Usando a estimativa
= 2,33, que foi calculada a partir das repeties realizadas no ponto
central da Figura 6.1, calcule os erros padro da mdia de todos os sete ensaios e dos efeitos
calculados no exerccio anterior. Compare seus resultados com os erros determinados para os
coeficientes do modelo ajustado (Equao 6.3).
Exerccio 6.3
Faa uma avaliao da significncia estatstica da Equao 6.3, usando o teste F e os dados da
Tabela 6.2. Em outras palavras, compare o valor de F apropriado com a razo entre a mdia
quadrtica da regresso e a mdia quadrtica residual.
Exerccio 6.4
Use os erros dados para os coeficientes na Equao 6.3 para calcular intervalos de 95% de
confiana para
f3 o , f31 e f32' Eles so todos significativos neste nvel de confiana?
Podemos obter uma representao bidimensional da superfcie modelada desenhando suas curvas de nvel, que so linhas em que a resposta constante. As curvas de nvel de
255
um plano so segmentos de retas. Por exemplo, se fizermos
y = 70
na Equao 6.3 chega-
remos expresso
X2
= 1,24x I + 0,47
que descreve uma reta sobre a qual o valor de
deve ser igual a 70, de acordo com o modelo
ajustado. Fazendo o mesmo para outros valores de
obteremos outras curvas de nvel, que
em conjunto daro uma imagem da superfcie de resposta na regio investigada (Figura 6.3).
Podemos ver claramente, tanto numa figura quanto na outra, que se trata de um plano
inclinado obliquamente em relao aos eixos, e com sentido ascendente indo da direita para
a esquerda. Assim, se desejamos obter maiores rendimentos, devemos deslocar a regio
experimental para menores valores de
e maiores valores de
Xl
indicado pelos sinais dos coeficientes de Xl e
X2
(o que, alis, j est
na Equao 6.3) . O progresso ser mais
X2
rpido se o deslocamento for realizado ao longo de uma trajetria perpendicular s curvas de

nvel, isto , se seguirmos um auninho de mxima inclinao da superfcie ajustada.
1,5
(78)
1,0 ..9~,
0,5
~~
0,0
-0,5
'
I 75
(67)
f_r....
. . . . . ._ ~. . _ _.~. ~. ~
._.- ___I___-!-
-____1::::.
..
-:i::::
70
!_t.._..
~:-~~~t_~-~-; +~:_ -r- __ __--
!
!
i
!
!
__-1-----l-----"1""_ __r--___j-
60
--<r-.._._. _.~. _._. - -+ _.._.+-.- _.+._ _-
-1,0
(69)
-1 ,5
-1,5
I...-.-.
-1,0
-'--_--...Lo.-.L.-
-0,5
......o..----.L---...___..........--L
0,0
0,5
(59)
...o...-.o-......o..--.L.--o-_.........---I
1,0
1,5
Figura 6.3 Curvas de nvel do plano descrito pela Equao 6.3. A linha
tracejada a trajetria de mxima inclinao partindo do ponto central do
planejamento. Os valores entre parnteses so as respostas determinadas
experimentalmente.
6.1(b) Como determinar o caminho de mxima inclinao

O caminho de mxima inclinao saindo do ponto central do planejamento est indicado pela
linha tracejada na Figura 6.3. Ele pode ser determinado algebricamente a partir dos
256
coeficientes do modelo. Para termos a mxima inclinao, devemos fazer deslocamentos ao

longo dos eixos
x2
xl
na proporo b2 /bl
Da Equao 6.3 temos b2/~ = 4,25/(-5,25)= -0,81, o que significa que para cada
unidade recuada no eixo
xl
devemos avanar 0,81 unidades ao longo do eixo
X2.
As
coordenadas de vrios pontos ao longo dessa trajetria esto na Tabela 6.3, tanto nas
variveis codificadas quanto nas unidades reais de concentrao e velocidade de agitao.
Tabela 6.3 Caminho de mxima inclinao para o modelo das Figuras 6.2 e 6.3.
Etapa
Centro
Xl
X2
C(%)
v(rpm)
y (%)
0,00
50
100,0
68,66,69
Centro + ..1
-1
0,81
45
108,1
77
Centro + 2..1
-2
1,62
40
116,2
86
Centro + 3..1
-3
2,43
35
124,3
88
Centro + 4..1
-4
3,24
30
132,4
80
Centro + 5..1
-5
4,05
25
140,5
70
No caso geral, em que temos uma superfcie de resposta determinada por p fatores, o
caminho de mxima inclinao proporcional aos mdulos e aos sinais dos coeficientes do
modelo. Podemos tra-lo facilmente, usando o seguinte procedimento:
1. Escolhemos um dos fatores, digamos i, para servir de base, e mudamos o seu nvel
numa certa extenso, para mais ou para menos, dependendo do sinal de seu
coeficiente e do objetivo do experimento - maximizao ou minimizao da resposta.
Alguns autores recomendam escolher o fator de maior coeficiente, em mdulo, no
modelo ajustado. Tipicamente, o seu deslocamento inicial de uma unidade (na
escala codificada).
2.
Determinamos os deslocamentos dos outros fatores j
*" i , em
unidades codificadas,
atravs de
(6.4)
3.
Convertemos os deslocamentos codificados de volta s unidades originais, e

determinamos os novos nveis dos fatores.
257
Vejamos um exemplo com trs fatores. Num estudo para avaliar a influncia de
alguns nutrientes na produo de quitina pelo fungo Cunninghamella elegans (Andrade et
al., 2000) utilizou-se um planejamento fatorial 23 com os nveis da Tabela 6.4, cujos
resultados se ajustaram ao modelo
(6.5)
onde a resposta y o teor de quitina produzido. Como os coeficientes do modelo so todos
positivos e o objetivo do estudo era maximizar a produo de quitina, devemos aumentar os
nveis de todos os fatores. Partindo do fator
X2
(o de maior coeficiente) teramos, como
deslocamentos para localizar o primeiro ponto ao longo do caminho de mxima inclinao,

Lll:I
2
(+ 1) = +0,4
5
~3 = 2,5 (+ 1)= +0,5 .
=-
Nas unidades verdadeiras, onde o ponto central dado por (G, A, T) = (40, 2, 0,05), isto
corresponde s seguintes condies experimentais:
G=40+(0,4x20)= 48gL-1
A =2+(1x1)= 3gL-1
T =0,05+(0,5xO,03)=0,065mgL-1
Tabela 6.4 Nveis de um planejamento 23 com ponto central, para estudar como o teor de
quitina produzido pelo fungo Cunninghamella elegans varia com as concentraes de
glicose, asparagina e tiamina no meio de cultura.
Nvel
Fator
(Xl)
D-glicose (g L -1)
(X2)
L-asparagina (g L -1)
T (X3)
Tiamina (mg L -1)
-1
+1
20
40
60
0,02
0,05
0,08
Exerccio 6.5
Imagine que, no exemplo da C. e legans , os pesquisadores tenham preferido tomar a

concentrao de glicose como fator de partida para determinar o caminho de mxima
inclinao, com um deslocamento inicial de + 25 g L-l (note que estas so as unidades reais).
Calcule as coordenadas do terceiro ponto ao longo do novo caminho, e use a Equao 6.5 para
fazer uma estimativa do rendimento de quitina nessas condies.
Voltamos agora ao nosso primeiro exemplo. Tendo realizado a modelagem inicial e

determinado o caminho de mxima inclinao, passamos etapa de deslocamento ao longo
desse caminho, e vamos realizando experimentos nas condies especificadas na Tabela 6.3.
258
Com isso obtemos os resultados da ltima coluna da tabela, que tambm esto indicados na
Figura 6.4.
Inicialmente os rendimentos aumentam, mas depois do terceiro ensaio comeam a
diminuir. Podemos interpretar esses resultados imaginando que a superfcie de resposta
como um morro. Pelos valores iniciais, comeamos a nos deslocar ladeira acima, mas depois
do terceiro ensaio j estamos comeando a descer o morro pelo lado oposto.
hora, portanto, de parar com os deslocamentos e examinar a regio que apresentou
melhores rendimentos. Para isso fazemos um novo planejamento, idntico ao primeiro,

porm centrado em torno do melhor ensaio, que o terceiro (35% e cerca de 125 rpm). A
nova matriz de planejamento apresentada na Tabela 6.5, juntamente com as novas
respostas observadas.
~.
140
'.
70
.~.~ ...
'.
80
'-.
130
....... ~
'.
88
,
. . . . .~.<..... 86 1
......,.
110
100
20
~~. . 7 7
-i
.~
25
30
35
40
45
50
C (%)
-5
-4
-3
-2
-1
Xl
Figura 6.4 Resultados dos ensaios realizados na trajetria de mxima

inclinao da Figura 6.3.
259
Andando na superficie de resposta
Tabela 6.5 Resultados de um novo planejamento 2 2 com ponto central. Xl e x2 agora

C-35
representam os valores das variveis codificadas pelas equaes xl = - - - e

5
v-125
x2 =
10
Ensaio
C(%)
v (rpm)
Xl
X2
y(%)
30
115
-1
-1
86
40
115
-1
85
30
135
-1
78
40
135
84
35
125
90
35
125
88
35
125
89
o ajuste de um modelo linear aos dados da Tabela 6.5 resulta na equao

y = 85,71+ 1,25xI (O,49)
(O,65)
(6.6)
2,25x2 ,
(O,65)
onde os erros padro foram calculados a partir de uma estimativa conjunta da varincia,
combinando os ensaios repetidos dos dois planejamentos. Em comparao com os valores dos
coeficientes, os erros so bem mais importantes do que no caso da Equao 6.3, e a
dependncia linear da resposta em relao a xl e X2 j no parece segura.
Exerccio 6.6
Use os erros dos coeficientes na Equao 6.6 para calcular intervalos de 95% de confiana
para
f3o, f31 e f32. Esses parmetros so estatisticamente significativos?
A anlise da varincia (Tabela 6.6) mostra que a situao agora bem diferente. A
percentagem de variao explicada apenas 27,20%, e o valor de MQfaj/MQep subiu para
34,46, que maior que F 2 ,2 (19,0, no nvel de 95% de confiana). Isto quer dizer que, na
regio onde o caminho de mxima inclinao nos levou, o modelo linear j no descreve
satisfatoriamente a superfcie de resposta.
260
Tabela 6.6 Anlise da varincia para o ajuste do modelo

Tabela 6.5.
y = b o + b1Xl + b2X2
aos dados da
Soma quadrtica
N de g.l.
Mdia quadrtica
Regresso
26,50
13,25
Resduos
70,93
17,73
F. ajuste
68,93
34,46
Erro puro
2,00
1,00
Total
97,42
Fonte de variao

6.1(c) Localizao do ponto timo

Como o modelo linear no serve mais, devemos partir para um modelo quadrtico, cuja
expresso geral, para duas variveis,
(6.7)
Este modelo tem seis parmetros, e o nosso planejamento tem apenas cinco "nveis",
isto , cinco diferentes combinaes de valores da concentrao e da velocidade de agitao.
Como no possvel determinar as estimativas quando h mais parmetros do que nveis,
precisamos ampliar o planejamento. A ampliao pode ser feita de vrias maneiras, sendo a
mais comum a construo do chamado planejamento em estrela.
Para fazer
um
planejamento em
estrela,
simplesmente
acrescentamos
ao
planejamento inicial um planejamento idntico, porm girado de 45 graus em relao

orientao de partida. O resultado uma distribuio octogonal, como mostra a Figura 6.5.
Um argumento geomtrico simples nos permite concluir que os novos pontos, assim como os
primeiros, esto a uma distncia de
J2
unidades codificadas do ponto central. Todos eles
esto portanto sobre uma circunferncia de raio
J2. As coordenadas dos pontos em estrela
so dadas nas quatro ltimas linhas da Tabela 6.7.

Realizando ensaios nos quatro novos pontos, nosso qumico obtm os resultados
mostrados no fim da ltima coluna da Tabela 6.7, que tambm contm os valores j
mostrados na Tabela 6.5, completando os dados do planejamento em estrela.
261
-1
-2
J..--
-2
----'-
""""""'-_ _- - - - - '
-1
Figura 6.5 Planejamento em estrela para duas variveis codificadas,

correspondente tabela 6.7.
Tabela 6.7 Resultados do planejamento em estrela obtido com a ampliao do planejamento
da Tabela 6.5. xl e X2 representam os valores das variveis codificadas de acordo
com as expresses da Tabela 6.5.
Ensaio
C(%)
v (rpm)
30
Xl
X2
Y (%)
115
-1
-1
86
40
115
-1
85
30
135
-1
78
40
135
84
35
125
90
35
125
88
35
125
89
28
125
81
35
139
10
42
125
11
35
119
-/2
O
/2
O
262
/2
O
-/2
80
86
87
o vetor yagora ter onze valores, e a matriz X ter dimenses
11x6, com suas seis
colunas correspondendo aos seis termos do modelo quadrtico. Para obter as colunas
referentes a x;, x~ e XlX2, elevamos ao quadrado ou multiplicamos as colunas apropriadas
na matriz de planejamento da Tabela 6.7. Assim, podemos escrever
1
-1
-1
-1
-1
1
1
1
1
1
1
1 -1
1 -1
1
1
X= 1
1
1
1
1
1
-/2
/2
/2
-/2
86
85
78
84
90
y= 88
89
81
80
86
87
Resolvendo as Equaes 5.12 e 5.30, obtemos
y = 89,00+ 1,51xl (,75)
(,46)
2,36x2 - 2,81x; - 2,81x~ + 1,75xlx2 .

(,46)
(,54)
(,54)
(6.8)
(,65 )
Os erros padro foram novamente calculados a partir de uma estimativa conjunta da

varincia, obtida de todos os ensaios repetidos, inclusive os da Tabela 6.1. A nova anlise da
varincia est na Tabela 6.8. O valor de MQfaj/MQep agora apenas 0,25, no havendo
evidncia de falta de ajuste do modelo quadrtico. Isto quer dizer que o valor de 0,55 para a
mdia quadrtica residual total, MQr, tambm poderia ser usado como uma estimativa da
varincia, com cinco graus de liberdade.
A superfcie de resposta e as curvas de nvel correspondentes ao modelo ajustado so
mostradas na Figura 6.6. A regio contm um ponto de mximo, situado aproximadamente
em Xl = 0,15 e X2 = -0,37 , isto , numa concentrao de 36% e numa velocidade de agitao
de 121 rpm. Com estes valores, de acordo com a Equao 6.8, o rendimento da reao deve
ser cerca de 89,6%, o que representa uma melhora de 32% em relao ao valor de partida,
que era 68%.
Como localizamos a regio do mximo, a investigao termina por aqui. Poderia ter
acontecido, no entanto, que a superfcie de resposta ajustada aos dados do segundo
planejamento fosse uma nova ladeira, em vez de um pico (para continuar usando a analogia
topogrfica). Nesse caso, deveramos nos deslocar novamente, seguindo o novo caminho de
mxima inclinao, e repetir todo o processo de modelagem
263
deslocamento
modelagem
... , at atingir a regio procurada. Na prtica no deve haver muitas dessas etapas,
porque o modelo linear vai-se tornando menos eficaz medida que nos aproximamos de um
ponto extremo, onde a curvatura da superfcie evidentemente passar a ter importncia.
Tabela 6.8 Anlise da varlancia para o ajuste do modelo

b22X~ + ~2xlx2 aos dados da Tabela 6.7.
Fonte de variao
y = b o + ~Xl + b 2X 2 + ~lxi
Soma quadrtica
N de g. l.
Mdia quadrtica
Regresso
144,15
28,83
Resduos
2,76
0,55
F. ajuste
0,76
0,25
Erro puro
2,00
1,00
146,91
10
Total
Exerccio 6.7
Use os dados da Tabela 6.8 para calcular um valor que mostre que a Equao 6.8
estatisticamente significativa.
Exerccio 6.8
Uma representao grfica, embora seja sempre conveniente, no necessria para
localizarmos o ponto mximo de uma superfcie de resposta. Isso pode ser feito derivando-se a
equao do modelo em relao a todas as variveis e igualando-se as derivadas a zero. (a) Use
esse procedimento para a Equao 6.8, para confirmar os valores citados no texto. (b) O que
aconteceria se voc tentasse fazer o mesmo com a Equao 6.6? Por qu?
6.2 A importncia do planejamento inicial

Uma questo muito importante na RSM a escolha da faixa inicial de variao dos fatores,
que determinar o tamanho do primeiro planejamento e conseqentemente a escala de
codificao e a velocidade relativa com que os experimentos seguintes se deslocaro ao longo
da superfcie de resposta.
264
(a)
X2
-2
-2
(b)
65
75
l
1 ................0!
-2
~_~""'--"""'"-
-2
80.
i
1.0-
85
-'--
......
~.....a.--'""'-_-"'-
-1
Figura 6.6 (a) Superfcie quadrtica descrita pela Equao 6.7. (b) Suas
curvas de nvel. O rendimento mximo (89,6%) ocorre em Xl = 0,15 e
x2 = -0,37.
Suponhamos, por exemplo, que na Tabela 6.1 tivssemos escolhido para o segundo fator
- a velocidade de agitao - os limites de 95 e 105 rpm (ao invs de 90 e 110). Essa deciso
teria as seguintes conseqncias:
265
1.
O coeficiente de
na Equao 6.3 se reduziria de 4,25 para 2,125, porque a
X2
variao unitria em
X2
agora corresponderia, em unidades reais, a 5 rpm, e no
mais a 10 rpm.
2.
Com este novo coeficiente teramos, na Equao 6.4,

Ax = 2,125 ~ = -O 405Ax .
2
3.
5,25
Conseqentemente, o deslocamento
que equivaleria agora a
~v =
~2
correspondente a
~1
= -1
seria +0,405,
+0,405 x 5 = 0,203 rpm. Ou seja: em termos da
velocidade de agitao, cada deslocamento seria apenas um quarto do deslocamento

do planejamento original.
Quando chegssemos
etapa Centro+5L1,
ainda
estaramos com uma velocidade de 110,1 rpm.

Se, ao contrrio, tivssemos preferido uma escala mais ampliada, evidentemente o
deslocamento passaria a ser mais rpido. No entanto, tambm estaramos correndo riscos.
Dependendo da ampliao, poderamos sair da regio linear da superfcie, ou mesmo cair "do
outro lado do morro" j no primeiro deslocamento, e assim perder a oportunidade de
descobrir a direo do ponto timo.
Como fazer, ento, para determinar a melhor escala? Infelizmente a resposta no
est neste livro, nem em nenhum livro de estatstica, porque depende de cada problema, e
muitas vezes no pode ser conhecida a priori. A mesma deciso, alis, tambm precisa ser
tomada em experimentos univariados. O que podemos dizer que os pesquisadores devem
apoiar-se em todo o conhecimento disponvel sobre o sistema em estudo e procurar escolher
deslocamentos nem to pequenos que no produzam efeitos significativos na resposta, nem
to grandes que varram faixas exageradas dos fatores.
Somos os primeiros a reconhecer que isto mais fcil de falar do que de fazer, mas
serve mais uma vez para lembrar como importante fazer os experimentos de forma
seqencial e iterativa. Caso a anlise dos primeiros resultados nos leve a fazer modificaes
nos planejamentos originais, o prejuzo ser menor se no nos apressarmos em fazer muitos
experimentos logo de sada.
6.3 Um experimento com trs fatores e duas respostas

Na metodologia de superfcies de resposta o nmero de fatores no uma restrio, nem o
nmero de respostas. A R8M pode ser aplicada a qualquer nmero de fatores, assim como
266
pode modelar vrias respostas ao mesmo tempo.1 Esta uma caracterstica importante,
porque muitas vezes um produto ou processo tem de satisfazer mais de um critrio, como,
digamos, apresentar o mximo de rendimento com o mnimo de impurezas, ou ter custo
mnimo porm mantendo os parmetros de qualidade dentro das especificaes. Para
ilustrar essa flexibilidade da RSM, apresentamos nesta seo uma aplicao real, cujo
objetivo era a maximizao simultnea de duas respostas distintas.
R. A. Zoppi, do Instituto de Qumica da Unicamp, realizou uma srie de
experimentos de sntese de polipirrol numa matriz de borracha de EPDM, sob a orientao
dos professores M. A. de Paoli e M. I. Felisberti. Seu objetivo era conseguir um produto que
tivesse ao mesmo tempo propriedades eltricas semelhantes s do polipirrol e propriedades
mecnicas parecidas com as da borracha de EPDM. O polipirrol um polmero condutor mas
muito quebradio, o que prejudica o seu uso em aplicaes de interesse prtico.
Os fatores escolhidos para estudo foram o tempo de reao Ct), a concentrao do
agente oxidante CC) e a granulometria das partculas do oxidante CP). O pesquisador, que
no tinha instruo formal em tcnicas de planejamento de experimentos, decidiu realizar
27 ensaios em quadruplicata, seguindo o planejamento fatorial 33 da Tabela 6.9. Para cada
ensaio foram registrados o rendimento da reao e os valores de vrias propriedades
mecnicas do produto final, entre as quais o Mdulo de Young. As respostas que aparecem
na tabela so as mdias e os desvios padro dos quatro ensaios 2 realizados para cada
combinao de nveis dos fatores, num total de cento e seis ensaios. Observe que o tamanho
das partculas no definido de forma precisa. Os trs nveis representam intervalos
granulomtricos, e no tamanhos especficos.
M. R. Vallim e V. F. Juliano analisaram os dados da Tabela 6.9 como tarefa num
curso de quimiometria, e logo perceberam que, como existem 27 ensaios diferentes,
possvel ajustar a eles uma funo com at 27 parmetros. As funes lineares e quadrticas
de trs variveis so definidas por apenas quatro e dez parmetros, respectivamente. Se as
usarmos para modelar os dados da tabela, ainda teremos muitos graus de liberdade
sobrando para estimar a falta de ajuste.
Os coeficientes do modelo e seus erros padro foram calculados como de costume, por
meio das equaes matriciais 5.12 e 5.30. Para o Mdulo de Young, o emprego do modelo
linear resultou na equao
1 Embora,
como veremos adiante, a anlise possa ficar um tanto complicada.
Em alguns casos, trs.

267
Tabela 6.9 Planejamento 33 para investigar o efeito do tempo de reao (t), da concentrao
de oxidante (C) e da granulometria (P) no rendimento (R) e no Mdulo de Young (M)
do produto de uma sntese de polipirrol numa matriz de borracha de EPDM.
Nvel
t(h)
C (Ppc)
P(mesh)
-1
8
10
>150
16
30
150-100
+1
24
50
100-60
R(%)
M(MPa)
-1
-1
-1
4,55 0,17
0,61 0,07
-1
-1
2,77 0,10
0,57 0,03
-1
-1
2,01 0,08
0,54 0,02
-1
10,75 0,41
0,99 0,10
7,32 0,28
0,86 0,05
6,07 0,23
0,74 0,18
-1
13,98 0,53
2,13 0,24
14,59 0,55
2,13 0,18
12,23 0,46
1,61 0,10
-1
4,57 0,17
0,57 0,02
3,28 0,12
0,50 0,05
2,37 0.09
0,58 0,05
-1
11,24 0,43
0,81 0,12
7,37 0,28
0,98 0,09
7,31 0,28
0,79 0,13
-1
20,02 0,76
2,38 0,48
17,64 0,67
2,07 0,21
16,53 0,63
1,45 0,21
-1
5,98 0,23
0,54 0,06
5,14 0,19
0,45 0,05
3,27 0,12
0,45 0,12
-1
13,17 0,50
0,91 0,13
10,78 0,41
0,84 0,06
9,72 0,37
0,77 0,07
-1
20,34 0,77
2,58 0,18
22,83 0,86
18,69 0,71
2,06 0,21
1,78 0,27
-1
-1
-1
-1
-1
-1
-1
-1
-1
1
1
-1
-1
-1
1
1
1
1
1
1
268
:M: = 1,13 + O,Olt+ 0,74C- 0,15P

(O,03) (O,04)
(O,04)
(6.9)
(O,04)
enquanto o modelo quadrtico produziu
:M: =
0,86 + O,Olt+ 0,74C- 0,16P- 0,02t 2 + 0,44C 2

(O,09) (O,04)
(O,04)
(O,04)
(O,07)
(O,07)
-0,05p2 +O,07tC -O,OltP -0,18CP .

(O,07)
(o,os)
(o,os)
(6.10)
(o,os)
A anlise da varincia para os dois ajustes est na Tabela 6.10. Os valores de MQR/MQr
so 141,5 e 171,4 para os modelos linear e quadrtico, respectivamente. Comparando esses
valores com F 3,102
= 2,71
e F 9,96
= 2,00,
no nvel de 95% de confiana, vemos que os dois
modelos so altamente significativos.
Tabela 6.10 Anlise da varincia para o ajuste de modelos linear e quadrtico aos valores
do Mdulo de Young dados na Tabela 6.9. Os valores para o modelo quadrtico esto
entre parnteses.
Mdia quadrtica
Fonte de variao
Soma quadrtica
Regresso
37,34
(43,23)
(9)
12,45
(4,80)
Resduos
8,44
(2,55)
102
(96)
0,088
(0,028)
F. ajuste
6,76
(0,87)
23
(17)
0,29
(0,051)
Erro puro
Total
N de g.l.
1,68
79
45,78
105
0,023
% de variao explicada: 81,56 (94,43)

Embora no parea haver muita diferena entre os dois modelos, um exame mais
detalhado da Tabela 6.10 mostra que devemos preferir o modelo quadrtico. Enquanto para
o modelo linear a razo MQfaj/MQep igual a 12,61, valor bem superior a F23 ,79
modelo quadrtico tem
F 17,79
MQfaj /MQep
= 2,22,
= 1,67 , o
que est apenas um pouco acima de
= 1,75 .
A diferena entre os modelos fica ainda mais evidente nos grficos dos resduos
(Figura 6.7). Para o modelo linear, o grfico apresenta uma curvatura. Os valores passam de
positivos para negativos e depois se tornam positivos novamente. O mesmo no acontece com
269
o modelo quadrtico, cujos resduos parecem flutuar aleatoriamente em torno do valor zero.
Em ambos os casos, no entanto, a varincia residual parece aumentar com o valor da
resposta, o que pode indicar que os dados so heteroscedsticos.
(a)
1,2
0,8
0,4
o
o
0,0
-0,4
-0,8
0,0
0,5
1,0
1,5
2,0
2,5
Resposta prevista
(b)
0,8
0,4
O
O
O'
0,0
~
-0,4
----..13,0
_0,81..-..---...0...----.....0.-----'-----.......--...........
1,0
1,5
2,0
0,5
0,0
2,5
Resposta prevista
Figura 6.7 (a) Resduos deixados pelo ajuste de um modelo linear aos valores
do mdulo de Young dados na Tabela 6.9. (b) Resduos deixados pelo ajuste de
um modelo quadrtico aos mesmos dados.
A preferncia pelo modelo quadrtico confirmada ainda pelos valores dos coeficientes de C2 e CP na Equao 6.10,0,44 e -0,18. Eles so significativamente superiores aos
seus erros padro (0,07 e 0,05), o que significa que os dois termos devem ser includos no
modelo. Como eles esto ausentes do modelo linear, no devemos estranhar que o grfico dos
resduos na Figura 6.7(a) tenha um comportamento sistemtico.
270
Exerccio 6.9
Use os dados da Tabela 6.10 para calcular uma estimativa do erro experimental com mais de
79 graus de liberdade.
Exerccio 6.10
Sabendo que a estimativa do erro padro foi obtida a partir do valor de MQep na Tabela 6.10,
determine, no nvel de 95% de confiana, quais so os coeficientes estatisticamente significativos na Equao 6.10.
Aps a validao estatstica do modelo, podemos tentar interpretar a Equao 6.10,

para entender melhor o comportamento do Mdulo de Young (e portanto das propriedades
mecnicas) das amostras em questo. Os resultados mostram que o valor do Mdulo de
Young s depende da concentrao do oxidante e do tamanho de suas partculas (Exerccio
6.10). Nenhum dos termos envolvendo o tempo de reao estatisticamente significativo.
Numa primeira aproximao, portanto, podemos eliminar os termos em t, reduzindo o
modelo a
A
M = 0,86 + 0,74C - 0,16P + 0,44C - 0,18CP .
(6.11)
A forma da superfcie de resposta gerada por esta expresso revelada pela Figura 6.8.
Trata-se de uma espcie de vale, situado quase perpendicularmente ao eixo das concentraes.
Na prtica, a utilidade da Equao 6.11 (e da Figura 6.8) nos ajudar a prever que
condies experimentais resultaro num valor de interesse para o Mdulo de Young. A
Tabela 6.11 mostra uma comparao dos valores mdios observados com os valores previstos
pela Equao 6.11. A concordncia muito boa. O erro mdio das previses, em valor
absoluto, apenas 0,06, o que no chega a 40/0 da faixa de variao dos valores da Tabela 6.9.
Isto comprova que quase toda a variao observada nos valores do Mdulo de Young pode
ser explicada pelas mudanas feitas na concentrao e na granulometria do oxidante.
Se nosso objetivo obter um produto com um alto valor de M, a Figura 6.8(b) indica
que devemos usar um nvel de concentrao de cinqenta partes por cem e partculas com
granulometria >150 mesh. Caso o modelo possa ser extrapolado, podemos obter valores
ainda maiores continuando a aumentar a concentrao e a diminuir a granulometria das
partculas. 3 Da mesma forma, para obter pequenos valores do Mdulo de Young devemos
usar uma baixa concentrao de oxidante, cerca de 10 partes por cem. Nesse caso, porm, o
3
Valores em mesh numericamente maiores significam partculas menores, isto , uma granulometria
mais fina.
271
tamanho da partcula no tem importncia. Todos os resultados experimentais obtidos com

10 ppc esto no fundo do vale, onde a granulometria varia sem afetar a resposta.
(a)
....(T1..
.....( ...'1'
.1'.....
...... ~.T
2,5
1,5
: .....
)1 :
0,5
(b)
10
30
50
C (ppc)
Figura 6.8 (a) Superfcie de resposta descrita pela Equao 6.11, que
relaciona o Mdulo de Young com a concentrao e a granulometria do
oxidante. (b) Curvas de nvel para a superfcie do item (a). Os valores entre
parnteses so as respostas mdias observadas.
Como o tempo de reao no alterou o valor do Mdulo de Young, podemos usar
qualquer valor, entre 8 e 24 horas. Se s estivermos interessados nessa resposta, no
272
precisamos nos importar com o tempo. Neste estudo, porm, os pesquisadores tambm
queriam aumentar o rendimento da reao, e fizeram para ele um ajuste semelhante ao que
acabamos de discutir. Da resultou a equao
R = 9,24 + 1,93t + 6,81C -1,4 7P + 1,28C2 + 1,26tC ,

onde somente aparecem os termos estatisticamente significativos. Nesta expresso o tempo
um fator importante. Todos os termos em t tm coeficientes positivos, o que significa que
tempos mais longos produziro maiores rendimentos. Colocando o tempo no seu valor
mximo (24 horas, ou t = + 1), podemos escrever
2
(6.12)
R=11,17+8,07C-1,47P+1,28C .
A superfcie de resposta descrita por esta expresso est representada na Figura 6.9.
Comparando-a com a Figura 6.8 podemos constatar que a regio que produz altos Mdulos
de Young (o canto inferior direito do grfico das curvas de nvel) tambm produz altos
rendimentos. O mesmo paralelismo se observa no fundo do vale: valores de M da ordem de
0,50 MPa correspondem a rendimentos baixos, de cerca de 5%.
Tabela 6.11 Valores previstos pela Equao 6.11 e valores mdios observados para o
Mdulo de Young. O erro mdio absoluto dado por
c
Mobs
-1
-1
-1
-1
0,57
0,51
0,52
0,90
0,89
0,77
2,36
2,09
1,61
0,53
0,55
0,57
1,03
0,87
0,71
2,37
2,03
1,69
1
1
1
1
-1
1
-1
e = (Llel)/ N
= 0,06MPa .
e=Mobs-M
0,04
-0,04
-0,05
-0,13
0,02
0,06
-0,02
0,06
-0,08
Embora o planejamento que acabamos de discutir tenha permitido descrever

adequadamente as superfcies de resposta na regio estudada, poderamos chegar s
mesmas concluses com um planejamento mais econmico. Inicialmente, poderamos fazer
um planejamento fatorial com apenas dois nveis, para sondar o espao definido pelos fatores
e tentar demarcar uma regio para um estudo mais detalhado. Dependendo dos resultados,
poderamos
273
(a) ampliar o planejamento inicial com mais ensaios para transform-lo num planejamento em estrela, ou
(b) deslocar os experimentos para uma regio mais promissora, a ser investigada com
um novo fatorial.
100-60
150-100
>150
10
30
50
c
Figura 6.9 Superfcie de resposta e curvas de nvel para a Equao 6.12, mos-
trando o rendimento aps 24 horas de reao, em funo da concentrao (C) e

da granulometria do oxidante (P).
274
Estas consideraes no desmerecem o estudo que apresentamos nesta seo. Todos

os experimentos foram feitos de acordo com um planejamento sistemtico, que permitiu
caracterizar, com bastante preciso, a influncia dos fatores investigados sobre as respostas
de interesse. Esse modo de proceder indiscutivelmente superior maneira, digamos,
intuitiva que ainda prevalece em muitos laboratrios de pesquisa.
6.4 Como tratar problemas com muitas variveis

No nosso ltimo exemplo, apesar de termos trs fatores a considerar, conseguimos reduzir
nossa anlise a grficos envolvendo apenas dois deles (mais a resposta). Isto nos permitiu
localizar a regio desejada por simples inspeo visual das duas superfcies ajustadas. Se
todos os trs fatores tivessem se mostrado significativos, a visualizao no seria mais
possvel (exigiria quatro dimenses) e precisaramos nos arranjar de outra forma. Tambm
tivemos a sorte de verificar que a regio tima dos nveis dos dois fatores era a mesma para
as duas respostas. Caso no fosse, no poderamos otimiz-las simultaneamente e teramos
de partir para alguma soluo de meio termo. Evidentemente, medida que o nmero de
fatores for aumentando, a anlise tender a se tornar mais complicada. Na prxima seo
falaremos sobre planejamentos apropriados para essas situaes.
Consideremos um problema geral de otimizao, com vrias respostas Yl, Y2,, Y m
para as quais construmos modelos baseados no mesmo conjunto de fatores codificados

Xl' X2'' X n .
Como fazer para descobrir os nveis dos fatores que produziro o conjunto de
respostas mais satisfatrio?

Existem vrias possibilidades. Se o nmero de fatores significativos
xi
permitir a
visualizao dos modelos ajustados, e se o nmero de respostas no for grande demais,

podemos sobrepor as superfcies de resposta e localizar a melhor regio por inspeo visual.
Foi o que fizemos na seo anterior.
Se, por outro lado, o nosso objetivo for maximizar ou minimizar uma dada resposta
mantendo as outras respostas sujeitas a determinadas restries, podemos recorrer aos
mtodos de programao linear -
ou mesmo no linear -
comumente usados nas
engenharias.
Finalmente, se o problema no se enquadrar em uma destas duas categorias,
podemos tentar usar a metodologia de otimizao simultnea proposta por G. C. Derringer e
R. Suich (1980), que pode ser bastante til quando usada com o devido cuidado.
275
Arujando na superfcie de resposta
mtodo de Derringer e Suich se baseia na definio de uma
fun~o
de
desejabilidade para cada resposta, com valores restritos ao intervalo [0,1]. Zero significa um
valor inaceitvel, e um o valor mais desejvel. A natureza da funo depende dos objetivos
do experimento, como logo veremos.
Uma vez que as funes de desejabilidade tenham sido especificadas para todas as
respostas, devemos combin-las numa desejabilidade global, normalmente dada pela mdia
geomtrica das m desejabilidades individuais:
(6.13)
Com este artifcio, a otimizao simultnea das vrias respostas se reduz maximizao de
um nico valor, a desejabilidade global. Nosso problema transforma-se em descobrir os
nveis dos fatores que maximizem o valor de D. Outra vantagem desta definio que o uso
da mdia geomtrica faz com que a desejabilidade global se anule sempre que uma das
respostas tiver um valor inaceitvel, no importa quo satisfatrios sejam os valores das
outras respostas.
A forma da funo de desejabilidade de uma dada resposta depende de como o
problema est formulado. Suponhamos que a resposta tenha um valor alvo timo, digamos
A, situado em algum ponto dentro de uma faixa de aceitao, cujos limites inferior e superior
ns representaremos por LI e LS, respectivamente. Nesse caso, a funo de desejabilidade

da resposta definida por
(Y -LI JS
A-LI
'
~Y ~A
(6.14a)
~y ~LS
(6.14b)
para LI
d=(Y-LS Jt
A-LS
para A
d=O,
para
y fora do intervalo
(LI, LS) .
(6.14c)
Observe que o valor de d est restrito ao intervalo [0,1]. Uma desejabilidade igual a 1 s ser
obtida se a resposta coincidir exatamente com o valor alvo, e tornar os numeradores das
fraes iguais aos respectivos denominadores. medida que o valor de
se afaste do alvo
A, o valor da desejabilidade ir caindo, tornando-se zero quando um dos limites da faixa de
aceitao for alcanado.

A taxa de variao da desejabilidade com a resposta estimada pelo modelo definida
pelos valores dos expoentes s e t. Fazendo-os variar, podemos aceler-la ou retard-la, e
assim atribuir diferentes desejabilidades aos diversos nveis da resposta. Valores altos dos
276
dois expoentes (por exemplo, 10) faro com que a desejabilidade caia rapidamente, tornandose muito baixa a menos que
esteja muito perto do alvo. Valores baixos, por outro lado,
permitiro que a resposta tenha uma variao mais ampla sem que a desejabilidade seja
muito diminuda. A escolha vai depender da prioridade ou da importncia relativa que
resolvermos atribuir a cada resposta. Alm disto, a taxa de queda da desejabilidade no
precisa ser simtrica em torno do alvo. Os valores de
e de t podem ser diferentes. Se, por
exemplo, for mais aceitvel que o valor da resposta fique acima do alvo do que abaixo dele,
devemos escolher t
8. 4
Muitas vezes no temos um valor alvo, e sim um limite unilateral, acima ou abaixo
do qual queremos que a resposta fique. Para tratar desses casos, devemos modificar uma
parte da definio de desejabilidade, fazendo o valor alvo coincidir com um dos extremos e
considerando d
1.
= 1 a partir da. Existem duas possibilidades:
Eliminar a Equao 6.14a e fazer d
=1
para
y ~ LI . Isto
significa que estaremos
plenamente satisfeitos com qualquer valor da resposta abaixo do limite inferior LI.
2.
Se, ao contrrio, nosso objetivo for manter a resposta acima do limite superior LS,
descartamos a Equao 6.14b e fazemos d
=1
para qualquer
y ~ LS
Em alguns problemas de otimizao, no possvel especificar claramente intervalos

de aceitao para algumas respostas. No podemos, portanto, definir a desejabilidade
atravs das Equaes 6.14. A melhor alternativa nesses casos parece ser uma funo
exponencial. Mais detalhes sobre este assunto podem ser encontrados, por exemplo, em Wu e
Hamada (2000).
Mesmo com a interessante metodologia de Derringer e Suich, precisamos ter todo o
cuidado quando tentarmos otimizar simultaneamente vrias respostas. Se nos limitarmos a
aplicar mecanicamente o algoritmo de busca, podemos ser levados a um conjunto de
condies matematicamente 'otimizadas' porm sem viabilidade prtica, talvez porque
algumas condies de contorno tenham sido relaxadas no incio da investigao, ou porque
os expoentes no foram escolhidos da forma mais adequada. s vezes, s percebemos que o
problema est mal formulado quando descobrimos que condies experimentais absurdas
so identificadas como timas pelo software utilizado.
Uma boa estratgia alimentar o algoritmo de otimizao com vrias escolhas
diferentes para os expoentes
e t. Assim chegaremos a vrios conjuntos de condies
Por exemplo, se a resposta for a quantidade de cerveja contida numa garrafa, o fabricante
certamente preferir pecar pelo excesso do que arriscar sua reputao pondo venda garrafas com um
nvel inferior ao normal.

277
otimizadas, dentre os quais poderemos selecionar o que melhor nos convier. A prpria
variedade desses conjuntos j nos dar uma idia da robustez das condies experimentais
sugeridas. Se elas forem relativamente insensveis variao dos expoentes s e t, isso um
bom sinal.
Depois de descobrir um conjunto de condies que maximize a desejabilidade global
D, no podemos deixar de examinar o comportamento individual de cada uma das respostas,
para nos certificarmos de que todas elas esto realmente em regies aceitveis, com todas as
restries satisfeitas. Tambm altamente recomendvel fazer alguns experimentos
confirmatrios nas condies selecionadas e, se possvel, no seu entorno. Experimentos
confirmatrios sempre so uma excelente idia. Quando vrias respostas esto em jogo,
tornam-se praticamente imprescindveis.
Para exemplificar a aplicao do mtodo de Derringer e Suich, vamos adaptar um
pouco o problema de trs fatores e duas respostas que apresentamos na Seo 6.3.
Partiremos dos dados da Tabela 6.9, mas admitiremos inicialmente que estamos
interessados em obter um produto com o valor do mdulo de Young o mais prximo possvel
de 2,0 Mpa, e que tambm queremos um rendimento no muito inferior a 15%. O algoritmo
que utilizamos (Statsoft, 1998) exige a especificao de valores numricos para LI, L8 e A,
alm de s, t e da desejabilidade. Para chegar aos resultados que vamos ver, utilizamos os
valores que esto na Tabela 6.12.
Tabela 6.12 Parmetros utilizados na otimizao simultnea das respostas da sntese de

polipirrol na borracha de EPDM. Os valores entre parnteses so as desejabilidades.
LI
L8
Mdulo de Young (Mpa)
0,5 (O)
2,0 (1)
2,5 (O)
Rendimento (%)
10 (O)
15 (1)
20 (1)
Resposta
Observe que para o mdulo de Young estamos considerando inaceitveis as respostas

que carem abaixo de 0,5 ou acima de 2,5. Como na verdade queramos maximizar esta
propriedade, estamos modificando um pouco o objetivo original, para fins didticos. Alm
disto, os valores altos dos expoentes s e t faro com que a desejabilidade seja muito pequena
se a resposta no estiver muito prxima do valor alvo 2. Para o rendimento, estamos
aceitando valores acima de 10%, mas o desejvel que eles fiquem acima de 15%. Abaixo
disto o valor alto escolhido para o expoente s (5, de novo) far com que a desejabilidade caia
278
logo. As desejabilidades iguais a 1 especificadas tanto para 15% quanto para 20% significam
que qualquer rendimento nessa faixa ser considerado perfeitamente satisfatrio.
A Figura 6.10 mostra os resultados do algoritmo de otimizao. Usamos uma grade
com 20 pontos em cada um dos trs fatores, o que significa que os valores das respostas e
suas correspondentes desejabilidades foram calculados em 20 x 20 x 20 = 8.000 combinaes
de nveis dos fatores. Tanto o mdulo de Young quanto o rendimento foram ajustados com
modelos quadrticos completos.
Os dois grficos da ltima coluna mostram os perfis das desejabilidades das duas
respostas, definidos de acordo com os valores escolhidos para os limites e os expoentes na
Tabela 6.12. Note que para o mdulo de Young a desejabilidade tem um pico bem
pronunciado sobre o valor alvo, como j espervamos. Para o rendimento, temos um patamar
de desejabilidade 1 acima de 15%. As linhas tracejadas verticais sinalizam as condies de
mxima desejabilidade global, que neste exemplo chegou a 0,99, como mostra a ltima linha
de grficos, e obtida com t
= -0,158, C = 0,895 e P =-
0,474. Nessas condies devemos ter
um mdulo de Young igual a 2,00 Mpa e um rendimento de 16,5%, como mostram os valores
assinalados nos respectivos eixos.
Desejabilidade
20
....
~"""''''''"-~115
~A:~I
~"'''T.
ri
10
~.++
....+-
2, oo
..
-.
'
~+~. I ++ ~ I ~ I I I ~ ~1.ll~
.....
.:
..
',
,.
.._ : . .
'
.....;...,;...;...:.. ;...:.... !...':....;...
-1,
1,
-0,158
-1,
1,
0,895
-1,
1,
-0,474
Figura 6.10 Exemplo da aplicao da metodologia de Derringer e Suich para

a otimizao das propriedades do sistema polipirrol - borracha de EPDM.
279
oS
~
]
As curvas mostram como as respostas variam com cada fator, mantidos fixos os
nveis dos outros fatores nos valores especificados. No segundo grfico da primeira coluna,
por exemplo, vemos que o mdulo de Young praticamente no afetado pela variao de t,
como alis j havamos descoberto na Seo 6.3. O fator crucial para a determinao do
ponto timo C, a concentrao de oxidante, que quem apresenta as inclinaes mais
pronunciadas. Essas inclinaes todas so muito instrutivas, porque fornecem uma idia da
margem de manobra que existe em torno das condies timas. O grfico da desejabilidade
global em funo de t mostra que este fator pode variar numa faixa razovel sem prejudicar
muito o valor de D. Por outro lado, qualquer alterao no valor de C provocar uma queda
brusca na desejabilidade. Este fator, portanto, deve ser mantido sob controle mais rigoroso.
Os grficos para o fator P ilustram os problemas que discutimos h pouco. Eles
mostram que o aumento de P tende a diminuir o rendimento e o mdulo de Young, mais ou
menos na mesma proporo. Ocorre, no entanto, que P (a granulometria) uma varivel
categrica, cujos nicos valores possveis, neste experimento, so os trs nveis usados no
planejamento: -1 , O e +1. O valor timo encontrado, P
= -0,474,
no tem qualquer
significado prtico. Dos trs nveis possveis, o menos favorvel sem dvida o valor +1.
Para escolher entre os dois restantes, o pesquisador deve decidir se prefere desviar-se para
cima ou para baixo do ponto timo encontrado (P = -1 ou P = O, respectivamente).
Lembrando que o que queramos mesmo era maximizar as duas respostas, devemos optar
por P = -1. Alis, levando a maximizao totalmente a srio, devemos preferir tambm C =
+1 e t = +1. Esta escolha s no foi feita pelo algoritmo desde o comeo porque resolvemos
especificar para o mdulo de Young um perfil de desejabilidade muito estreito e centrado no
valor 2 MPa.
6.5 Planejamentos compostos centrais

O planejamento em estrela da Figura 6.5 um exemplo de planejamento oomposto central
para dois fatores. Em geral, um planejamento composto central para k fatores, devidamente
codificados como
1.
(Xl' ... , Xk)'
Uma parte chamada de fatorial (ou cbica), contendo um total de

coordenadas
2.
formado de trs partes:
Xi
= -1
ou
Xi
= +1 , para todos os i = 1, ... , k
Uma parte axial (ou em estrela), formada por n ax
nfat
pontos de
= 2k
pontos com todas as
coordenadas nulas exceto uma, que igual a um certo valor a (ou -a);
3.
Um total de
ncentr
ensaios realizados no ponto central, onde, claro,
280
Xl
=... xk = O.
Para realizar um planejamento composto central, precisamos definir como ser cada uma
dessas trs partes. Precisamos decidir quantos e quais sero os pontos cbicos, qual o valor
de
U,
e quantas repeties faremos no ponto central. No planejamento da Tabela 6.7, por
exemplo, temos k = 2. A parte cbica formada pelos quatro primeiros ensaios, a parte em
estrela pelos quatro ltimos (com a
=.J2), e existem trs ensaios repetidos no ponto central.
O caso de trs fatores mostrado na Figura 6.11, onde podemos perceber a origem da
terminologia empregada para as trs partes do planejamento.
Figura 6.11 Planejamento composto central para trs fatores. As bolas cinzas
so a parte cbica - os ensaios de um fatorial 23 As bolas pretas representam
a parte em estrela.
Os pontos cbicos, como voc j deve ter notado, so idnticos aos de um

planejamento fatorial de dois nveis. Na Tabela 6.7 usamos um planejamento fatorial
completo, mas isso no seria estritamente necessrio. Dependendo do nmero de fatores,
poderia nem ser aconselhvel, porque produziria um nmero de ensaios inconvenientemente
grande. O total de nveis distintos num planejamento composto central nfat + 2k + 1. O
modelo quadrtico completo para k fatores dado pela Equao 6.15, que contm
(k + 1) (k + 2) / 2 parmetros. Com dois fatores, temos 6 parmetros. O planejamento da

Tabela 6.7 tem 9 diferentes combinaes de nveis, e a rigor poderamos estimar todos os
parmetros do modelo usando apenas dois pontos cbicos, correspondentes a uma das duas
fraes 22 - 1 . Num planejamento to simples, a economia muito pouca e dificilmente
281
Andando na superffcie de resposta
---~---~-~-~-----~~-----------_.
justificaria a destruio da simetria da poro cbica, mas um procedimento semelhante isto , escolher os pontos cbicos como os de um planejamento fracionrio e no de um
planejamento completo - torna-se cada vez mais indicado medida que o nmero de fatores
aumenta. Do ponto de vista da resoluo, recomendvel usar um fatorial fracionrio de
resoluo V, que nos permitir estimar os efeitos principais e as interaes de dois fatores
com um confundimento relativamente baixo. Se decidirmos usar fraes menores, porm, a
escolha da frao apropriada no trivial. S para dar um exemplo: quando k = 4, a frao
2iiI1
gerada por 1=124 melhor do que a frao 2jyl gerada por 1=1234, por incrvel que
parea. Explicar por que isso acontece est alm do escopo deste livro, mas fica o aviso. Uma
lista das fraes mais adequadas pode ser encontrada em Wu e Hamada (2.000), Captulo 9.
:
:
1
Y=
130 + 'Lf3i x i + 'Lf3ii x i + 'L'Lf3ij X iX j +
i<j j
Ii
I
l
I
(6.15)
o valor de
a costuma ficar entre 1 e
Jk.
Quando a
= Jk , como na tabela 6.7, os
pontos cbicos e os pontos axiais ficam sobre a superfcie de uma (hiper)esfera,5 e o

planejamento chamado de esfrico. Na tabela 6.7, por exemplo, todos os pontos perifricos
esto sobre a mesma circunferncia. No outro extremo, quando a = 1, os pontos axiais se
localizam nos centros das faces do (hiper)cubo definido pela parte cbica do planejamento.
Este tipo de planejamento vantajoso quando o espao experimental cbico, o que ocorre
de forma natural quando os fatores so variados independentemente uns dos outros. Tem
ainda a vantagem de s precisar de trs nveis dos fatores, o que pode ser de grande ajuda no
caso de algum fator ser qualitativo.
Se escolhermos a
= Jk , estaremos colocando os pontos em estrela cada vez mais
distantes do ponto central, medida que o nmero de fatores for crescendo. Essa escolha
deve ser feita - se for feita - com muito cuidado, porque estaremos correndo o risco de deixar
a regio intermediria sem ser investigada. Com nove fatores, por exemplo, a seria igual a 3.
No ficaramos sabendo de nada sobre o comportamento da superfcie de resposta no
intervalo 1- 3 ao longo de cada eixo.
Box e Hunter (1957) propuseram o conceito de rotabilidade6 como critrio para
escolher o valor de a. Um planejamento chamado de rodvel se a varincia de suas
estimativas,
V(Y), s depender da distncia em relao ao ponto central, isto , se a preciso
O prefixo hiper usado aqui para indicar uma figura geomtrica em mais de trs dimenses.
Rotability, em ingls.
282
da resposta prevista for a mesma em todos os pontos situados numa dada (hiper)esfera com
centro no prprio centro do planejamento. A Tabela 6.13 mostra como podemos construir
planejamentos rodveis para trs e quatro fatores.
Tabela 6.13 Parte axial de planejamentos rodveis com trs e quatro fatores. As partes
cbicas so fatoriais completos 23 e 24.
k=4
k=3
xl
X2
Xl
X3
X2
X3
x4
-1,68
-2
1,68
-1,68
-2
1,68
-1,68
-2
1,68
-2
Para um planejamento cuja poro cbica seja um fatorial completo ou um fatorial

fracionrio de resoluo V, pode-se demonstrar que a rotabilidade obtida se fizermos
a = ~nfat . Mesmo que a resoluo no seja exatamente essa, esta expresso serve como guia
para a escolha do valor de a, que de qualquer forma deve ser analisado quanto sua convenincia e praticidade. Se, por exemplo, estivermos interessados em investigar a regio mais
prxima das faces do hipercubo, ento melhor escolher um valor de a menor do que o valor
rodvel. Tambm pode acontecer que o valor de a leve a alguns ensaios inviveis. Nesse caso, precisaremos definir novas condies experimentais para esses ensaios. Finalmente, a rotabilidade depende de como os fatores foram codificados. Em geral, a rotabilidade do planejamento ser destruda se precisarmos fazer transformaes das variveis usando diferentes
escalas. Uma quase rotabilidade parece ser o critrio mais razovel (Wu e Hamada, 2.000).
As repeties no ponto central tm duas finalidades: fornecer uma medida do erro
puro e estabilizar a varincia da resposta prevista. Para estabilizar a varincia, uma regra
prtica fazer de 3 a 5 ensaios repetidos se a estiver prximo de
Jk, e somente um ou dois
a mais se estiver perto de 1. Para obter uma estimativa do erro, j sabemos que quanto mais
repeties, melhor.
283
Uma outra vantagem dos planejamentos compostos centrais que, por serem eles
formados de trs partes distintas, podemos constru-los seqencialmente, conforme a necessidade. Se estivermos numa regio da superfcie de resposta em que a curvatura no seja
importante, ento no precisamos de um modelo quadrtico, e podemos nos dar por satisfeitos somente com a parte cbica do planejamento, com a qual podemos ajustar um modelo linear e em seguida, se for o caso, nos deslocar para uma regio mais interessante da superfcie. Se estivermos em dvida sobre a curvatura, podemos usar os ensaios no ponto central
para testar sua significncia. Finalmente, se a curvatura se revelar significativa, a sim,
podemos completar o planejamento com os pontos axiais. Estaremos, na verdade, fazendo os
ensaios em dois blocos - primeiro o cbico e depois o axial.
Tabela 6.14 Trs planejamentos compostos centrais que podem ser realizados em blocos,
seqencialmente, e que preservam a rotabilidade.
2
nfat
16
16
Nmero de blocos
ncentr,fat (em cada bloco)
Total de pontos por bloco
10
22
n ax
10
ncentr,ax
1,414
2,00
2,00
14
30
33
Nmero de fatores (k)

Parte cbica
Parte axial (em um s bloco)
a
Total de pontos do planejamento
Suponhamos que as respostas do bloco axial contenham um erro sistemtico em relao s respostas obtidas no primeiro bloco. Dentro de certas condies, esse erro no afetar
as estimativas dos coeficientes do modelo, isto , o efeito de bloco no se confundir com os
efeitos dos outros fatores. Para que isso ocorra, preciso que a blocagem do planejamento
seja ortogonal, o que por sua vez depende do valor de a. A blocagem ser ortogonal se
a=
nfat(n ax + ncentr,ax)
2(nfat + ncentr,fat) ,
284
onde
ncentr,fat
ncentr,ax
so os ensaios do ponto central no bloco cbico e no bloco axial, res-
pectivamente (Montgomery, 1997). Em geral, quando fazemos o planejamento em blocos ortogonais estamos ao mesmo tempo sacrificando sua rotabilidade, mas existem alguns planejamentos em que as duas condies so aproximadamente satisfeitas, e outros em que ambas
so exatamente satisfeitas. A Tabela 6.14 mostra trs planejamentos em blocos que tambm
so rodveis.
A metodologia de superfcies de resposta um assunto muito importante e muito

vasto, com livros inteiros - muito mais extensos que este - integralmente dedicados a ele. Se
voc quiser saber mais sobre a RSM, recomendamos os excelentes textos de Box e Draper
(1987), de Myers e Montgomery (1995) e de Goupy (1999).
285
6A Aplicaes
6A.l- Resposta cataltica do Mo(VI)
A oxidao do on iodeto pela gua oxigenada em meio cido,
catalisada por vrios metais em estados de oxidao elevados. Andrade et alo (1991)
resolveram usar esta reao como base de um mtodo para determinar traos de molibdnio
em um sistema de fluxo contnuo monossegmentado, tendo como resposta a intensidade do
sinal espectroscpico do iodo a 350 nm. Na tentativa de maximizar a sensibilidade do mtodo
(isto , maximizar a intensidade do sinal), os pesquisadores usaram o planejamento
composto central cujos dados esto na Tabela 6A.1, onde
Xl
X2
representam valores
codificados das concentraes de H2S04 e KI, respectivamente.
Tabela 6A.l Planejamento para o estudo da resposta cataltica do Mo(VI).

Xl
x2
Resposta
-1
-1
0,373
+1
-1
0,497
-1
+1
0,483
+1
+1
0,615
-1,4
+1,4
0,308
0,555
-1,4
0,465
+1,4
0,628
0,538
0,549
0,536
0,549
0,538
Os modelos linear e quadrtico ajustados aos dados da tabela so os seguintes:
y = 0,510+0,076xl +0, 058x 2'

(0,002)
(0,002)
com
MQfaj/MQep = 90,7;
(0,002)
286
y = 0,542+ 0,076 xl +0,058x2 -0,055x~ +0,003x~ +0,002XIX2'

(0,003)
(0,002)
(0,002)
(0,002)
(0,002)
(0,003)
com MQfaj/MQep =9,6.

Embora este ltimo valor ainda seja maior que F3 4 no nvel de 95% de confiana
(6,59), evidente que o modelo quadrtico muito superior ao linear, como podemos
comprovar pelos grficos das respostas previstas contra as respostas observadas (Figura
6A.l). A melhoria devida inteiramente ao termo quadrtico em xl'
0,7
Linear
0,6
~
.g
.~
~
0,5
~ 0,4
0,3
i
.
.
O
1
r_rrI0.......
-.- - --L ---- -- --.L---.--.--.---.. -~

---j - ------ -.-..- .
. -.- .-. b-.- - .-.--.J..---.. .-.-.~-.-.-.J -.-.-_..--.--- l.---.- -.-.--.--.--.-.QQ-.-..-
. . . . . . .--..I.-.- -
-.-.- - .~ --..-. --.---.-l-.-- -.-.---..
0,3
0,4
0,5
---.-.I-..--.0,6
_..--- .
0,7
Respostas observadas
Quadrtico
0,6
.f._ j.
----r-__-~
-_---r----_---r----___-
!o
!!
_.--.. - i-__---_---l-_----t---------t---------
0,3
0,4
0,5
0,6
0,7
Figura 6A.l - Comparao das previses dos dois modelos com os valores observados.
Para Xl (a concentrao de H2S04) tanto o termo linear quanto o termo quadrtico

so estatisticamente significativos. Para X2 (a concentrao de KI), somente o termo linear
287
significativo. A interao no significativa. Os dois termos lineares tm coeficientes

positivos, indicando que a intensidade do sinal deve aumentar se aumentarmos
entanto, como o modelo tambm tem uma contribuio negativa em
semelhante ao do termo linear, uma variao em
xl
xi,
Xl
x2.
No
e de coeficiente
em qualquer das direes terminar
levando a uma reduo do sinal. Em termos geomtricos, dizemos que a superfcie de

resposta uma cumeeira (Figura 6A.2). Em termos prticos, o sinal dever aumentar se
formos aumentando a concentrao de KI, pelo menos na regio estudada. J para o cido
sulfrico, existe uma regio tima (a cumeeira), fora da qual o sinal tende a diminuir.
0,1 5
....
cn
=
=
~
0,55
0,3 5
Figura 6A.2 - Superfcie de resposta para o modelo quadrtico do sinal do Mo(VI).
6A.2 - Desidratao osmtica de frutas

Um dos principais objetivos das pesquisas em conservao de frutas o desenvolvimento de
produtos com longo prazo de validade l e cujas propriedades sensrias e nutritivas se paream ao mximo com as da fruta in natura. Evidentemente, essas duas caractersticas
aumentam a probabilidade de aceitao do produto pelos consumidores.
A desidratao osmtica uma tcnica que permite reduzir o teor de gua de um
alimento, e conseqentemente aumentar a vida til do produto final. O processo consiste em
colocar a matria prima em contato com uma soluo muito concentrada de um agente
osmtico que seja sensorialmente compatvel com o produto que se deseja obter. Com isto se
Em ingls se diz shelf-life, literalmente vida de prateleira.

288
estabelece um gradiente osmtico que progressivamente vai retirando a gua. Como

trabalho para um curso de quimiometria, P. R. Buchweitz e E. R. Bruno resolveram usar um
planejamento composto central para estudar como a desidratao de pedaos de abacaxi
dependia de trs fatores: o tempo de contato (1), a temperatura do processo (2) e a
concentrao da soluo osmtica (3). A perda de peso relativa ao final de cada ensaio foi
tomada como medida do nvel de desidratao. Os resultados obtidos esto na Tabela 6A.2,
onde
Xl' X2
x3
so valores codificados dos trs fatores.
Tabela 6A.2 Planejamento para o estudo da desidratao osmtica de abacaxi.

Ensaio
xl
X2
x3
Perda de peso, %
-1
-1
-1
47,34
+1
-1
-1
53,00
-1
+1
-1
53,64
+1
+1
-1
54,28
-1
-1
+1
48,85
+1
-1
+1
53,73
-1
+1
+1
55,19
+1
+1
+1
58,31
-1,682
51,90
10
+1,682
57,34
11
-1,682
47,62
12
+1,682
57,35
13
-1,682
50,73
14
+1,682
57,68
15
56,24
16
55,74
17
57,23
18
56,85
19
55,42
Ajustando os modelos linear e quadrtico aos dados da tabela, obtemos as seguintes

equaes:
y = 54,13+ 1,72 xl + 2,55 x2 + 1,43 x3 ,

(0,17)
(0,20)
(0,20)
com
(0,22)
289
MQ(a) / MQep = 8,50 ;
y = 56,32+ 1,72 Xl +2,55x2 + 1,43x3 -0,71x; -1,47 x~ -0,86x~

(0,34)
(0,20)
- 0,85x IX2
(0,27)
(0,20)
(0,20)
(0,20)
(0,20)
<0,20)
+ 0,21x IX3 + 0, 42x 2X3

(0,27)
(0,27)
evidente que o modelo quadrtico apresenta menor falta de ajuste, e portanto
melhor que o modelo linear. Voc poder comprovar, consultando a Tabela do teste F, que na
verdade o modelo quadrtico no apresenta nenhuma evidncia de falta de ajuste, no nvel
de 95% de confiana. Ele explica 95,4% da variao em torno da mdia e tem
MQR/MQr = 20,69, que mais de 6 vezes o valor de
Fg,g
(no mesmo nvel de confiana,
claro), o que quer dizer que a regresso significativa e tambm til para fazer previses,
pelo critrio de Box e Wetz.
Os grficos dos resduos deixados pelos dois modelos (Figura 6A.3) comprovam
visualmente a superioridade do modelo quadrtico. Os coeficientes dos termos lineares so
todos positivos, o que significa que aumentando os nveis de todos os fatores deveremos obter
desidrataes mais intensas. Por outro lado, como os coeficientes dos termos quadrticos so
todos negativos, a prpria elevao do nvel dos fatores tambm tender a diminuir a
desidratao, e na proporo do quadrado da variao. Tudo isto sugere que a regio onde a
desidratao mxima no deve estar muito longe.
O
O
Linear
()
()
O
-2
-4
48
52
56
Valores previstos
290
60
Quadrtico
2
O
CD
O
-Vc
O
O
o
O
-2
-4
52
48
56
60
Valores previstos
Figura 6A.3 - Resduos deixados pelos dois modelos.
6A.3 - Diminuindo o colesterol

No 11 Congresso Brasileiro de Engenharia Qumica foi apresentado um trabalho
sobre o uso da quilaia (um preparado comercial de saponinas obtido de cascas da Quillaja
saponaria Molina) para reduzir o teor de colesterol do leo de manteiga (Brunhara-Salum,

1997). O processo consiste em duas etapas: (a) a agregao do colesterol com micelas das
saponinas em soluo aquosa e (b) a adsoro desses agregados por terra diatomcea.
Quatro fatores foram investigados, visando a otimizao do processo: a concentrao da
soluo de quilaia (1), a quantidade de terra diatomcea usada como adsorvente (2), a
temperatura de contato (3) e o pH (4). O experimento baseou-se no planejamento composto
central cujos dados esto na Tabela 6A.4, j codificados. Os teores residuais de colesterol no
leo foram determinados cromatograficamente, depois da separao das fases por
decantao.
Procedendo da forma habitual, descobrimos que o modelo quadrtico superior ao
linear, no apresenta evidncia de falta de ajuste no nvel de 95% de confiana, e explica
94,3% da variao em torno da mdia. A anlise da varincia mostra que somente os termos
envolvendo a concentrao de quilaia e o pH so significativos, e com isto o modelo se reduz
equao
y = 1,861- O,189xl -
O,083x~ + O,348x4 - O,093x~ + O,176xlx4 .
Os coeficientes mais importantes so os dos dois termos lineares, que tm sinais contrrios - o da
concentrao de quilaia negativo e do pH positivo. Como queremos reduzir o teor de colesterol, esses
291
Andando na
de
termos nos dizem que deveramos elevar a concentrao e usar um pH mais cido, em princpio. No
entanto, como a interao e os termos quadrticos tambm so significativos, devemos tomar um pouco de
cuidado com a interpretao desses resultados.
Tabela 6A.3 Planejamento para o estudo da reduo do colesterol em leo de manteiga.
Ensaio
Xl
X2
X3
X4
Colesterol (mg g)
-1
-1
-1
-1
1,701
+1
-1
-1
-1
1,120
-1
+1
-1
-1
1,607
+1
+1
-1
-1
0,881
-1
-1
+1
-1
1,860
+1
-1
+1
-1
0,965
-1
+1
+1
-1
1,786
+1
+1
+1
-1
0,933
-1
-1
-1
+1
2,131
10
+1
-1
-1
+1
2,072
11
-1
+1
-1
+1
2,095
12
+1
+1
-1
+1
2,002
13
-1
-1
+1
+1
2,101
14
+1
-1
+1
+1
2,055
15
-1
+1
+1
+1
2,017
16
+1
+1
+1
+1
1,972
17
1,763
18
1,840
19
1,935
20
-2
1,713
21
+2
1,089
22
-2
1,643
23
+2
1,601
24
-2
1,691
25
+2
1,648
26
-2
0,675
27
+2
2,049
28
1,783
29
1,983
292
A Figura 6A.4 compara as respostas observadas com os valores previstos pelo modelo
quadrtico. As respostas se dividem em dois grupos, com seis ensaios apresentando teores de
colesterol inferiores a 1,2 mg g, enquanto os demais esto todos acima de 1,6 mg g. Os seis
ensaios com menos colesterol so mostrados novamente na Tabela 6A.4. De fato, todos eles
tm
Xl ~
X4::;
0, mas para o menor valor de todos (o do ensaio 26) trs dos fatores -
entre os quais a concentrao de quilaia - esto nos seus nveis centrais. Diante desses fatos,
voc no acha que seria uma boa idia tentar fazer um ensaio com, digamos,
no prprio ensaio 26, mas tambm Xl
= +2, ou at mesmo
Xl
X4
-2, como
= +1? A Figura 6A.5 mostra que
essa regio no foi investigada neste primeiro planejamento. O plano corresponde a 1,2 mg g
de colesterol, e foi desenhado apenas para destacar a separao entre os dois conjuntos de
respostas.
o
2,0
~O CO
O O
.~
1,6
S
~
1,2
0 0
0,8 0
0,8
1,2
1,6
2,0
Figura 6A.4 - Respostas previstas pelo modelo quadrtico.
Tabela 6A.4 Ensaios que apresentaram teor de colesterol inferior a 1,2 mg g.
Ensaio
Xl
X2
X3
X4
Colesterol (mg g)
+1
-1
-1
-1
1,120
+1
+1
-1
-1
0,881
+1
-1
+1
-1
0,965
+1
+1
+1
-1
0,933
21
+2
1,089
26
-2
0,675
293
2,4
~Ir[T[I ...
2,0
()
~ 1,6
~
~
1,2
~
~
-----,-.'------; 1 '1
0,8
Figura 6A.S - Teor de colesterol observado, em funo da concentrao de qui-
laia e do pR.
6A.4 - Produo de lacase

A lacase, uma polifenol-oxidase com vrias aplicaes industriais, produzida pelo fungo
Botryosphaeria sp induzido por lcool veratrlico. Vasconcelos et alo (2.000) decidiram investigar como a produo dessa enzima dependia do tempo de cultivo e da concentrao do
lcool. Para isso, realizaram o planejamento composto central da Tabela 6A.5, onde a
resposta a atividade enzimtica em U ml- 1 , definida como o nmero de Jlmols de ABTS (um
derivado do cido sulfnico) oxidados por minuto por mL da soluo de enzima, nas condies padro do ensaio enzimtico. Todos os cultivos foram feitos a 28C, sob agitao
constante de 180 rpm.
Tabela 6A.S - Planejamento para o estudo da produo de lacase.
Nveis
Fatores:
1: Concentrao do lcool, mM
28
30
35
40
42
2: Tempo de cultivo, dias
2,5
5,5
-1,41
-1
+1
+1,41
Codificao
294
PPO-I, U ml- 1
Ensaio
1
-1
-1
3,50
-1
-1
3,20
+1
-1
1,17
+1
-1
1,70
-1
+1
4,10
-1
+1
5,40
+1
+1
1,90
+1
+1
2,10
4,80
10
5,00
11
4,70
12
5,20
13
-1,41
5,25
14
-1,41
5,41
15
+1,41
6,00
16
+1,41
3,20
17
+1,41
2,30
18
+1,41
1,60
19
-1,41
0,50
20
-1,41
0,50
Mais uma vez, o modelo quadrtico mostra-se superior ao linear, no apresenta

evidncia de falta de ajuste e explica 84,9% da variao em torno da mdia. O mximo
explicvel 91,2%, porque a contribuio do erro puro relativamente alta. A equao do
modelo ajustado
y =4,93-1,18x1 + 0,97 X2 -O,70x; -1,25x~ -0,21x1x2'

(0,35)
(0,18)
(0,18)
(0,23)
(0,23)
(0,25)
onde todos os termos so significativos, exceto a interao. Como os termos quadrticos tm

o sinal negativo, a concluso aqui semelhante da aplicao anterior: devemos estar
prximos da regio tima. Para obter os melhores rendimentos, devemos - mais ou menos,
por causa das consideraes que acabamos de fazer - utilizar um nvel baixo da
concentrao do lcool veratrlico (cujo termo linear tambm negativo) e um nvel alto do
tempo de cultivo. A Figura 6A.6 mostra as curvas de nvel do modelo quadrtico. O ponto de
295
rendimento mximo localiza-se na parte superior esquerda, onde parece haver uma espcie
de plat.
-$-
" " ' - < . .,
. . "
-1
-2
L--
::~.:.)o--~-::-
-_:
_--:/"-_-{~l/
----1-~~~~__'___~
-2
~_'---~~~----J
-1
Concentrao
Figura 6A.6 - Curvas de nvel para a produo da lacase.
6A.3 - Aumentando o oxignio do ar
Em indstrias qumicas, petroqumicas e correlatas, os processos de separao normalmente

so responsveis por grande parte dos custos de produo. Na separao de misturas
gasosas, processo adsortivos como a PSA (do ingls Pressure Swing Adsorption) esto sendo
muito utilizados por indstrias de pequeno e mdio porte, principalmente porque se
mostram mais eficientes e econmicos do que os mtodos de separao tradicionais. Como
parte de seu projeto de doutorado na FEQ-Unicamp, C. F. C. Neves desenvolveu uma
instalao de separao de gases por PSA para produzir ar enriquecido com oxignio na
faixa 25%-50%, a ser utilizado em processos de combusto e oxidao. Seu estudo baseou-se
num planejamento fatorial 2 4 , realizado em duplicata e acrescido de outros 20 ensaios
situados no interior do hipercubo definido pelos nveis extremos (Neves, 2000). A resposta foi
o teor de oxignio na mistura enriquecida, e os fatores foram as presses de adsoro e de
dessoro (1 e 2), a vazo de alimentao (3) e o tempo de adsoro (4), cujos valores
codificados aparecem na Tabela 6A.6.
296
Tabela 6A.6 - Planejamento para o estudo do aumento do teor de 02 no ar.

Ensaio
xl
X2
% oxignio
X4
'.,
.
....
~3{ .
-1
..
. .. "::: ::.:'.. ::::L:::-:::-: .::.:.:::i
-1
-1
1
8
:':':'9:, , .....
::~lL::,:':
10
::~1:.-:
: .12a .'
....:.:)1.,. :.
-1
-1
-1
-1
-1
: /3.":.. :::
-1
<:" ::lF'::
-1
14
.
'.'
33,8
: : .: : : : :;: :":,)": . :/:.!llQ:~:a:::: .:' . . :.' :.

1
,:..::.. :..;11:.:::..::: '.
4.~,7
":' .:. ':.:;:::::;~:i:::::::.;:: :':::..::.:.: .:.:.:::, :::.:: :::,:~4::;:::'
-1
'"
-1
1
-1
::":::11.: :
. -:: ...
-1
:::':<':::':::::];5.;':::-:":' .:
16
:.::':::::..1('11'.:':':':
18
:;:::::!::'~:;:::19'::"::"::"
20
:' . : . :.:.::2:1::.": . ,::'

22
. :,:2'3::.
24
:.J2:5:.
26
. .::::2:1L :.. ::-.......
28
..
'
1
. '::.. ' :":1'
',
. ...
' .
1
.: ':'<:::>:;'jL,:...::::.. .: .': .:.'
-1
..:...::,::):::11E:: .
-1
::.: :::::J2:1J:::
30
.' .:.Jll':
32
::.;:-:::::::3:3':::.> .
34
.......
27,6
::'::::::::':;:.:::::.::'::::(:.:!:;:::::32:~:8:!;;.::
33,5
'
:..:.::.::;::.3:5'"
36
.
"':::'''::-3'7':'';::'' .::: .
38
........
. :>3:~f::":": . .
40
.'::'. ::':/'41"
42
><4.3.::, .....
44
-)4:f)::" '.
46
::'::4:;7.:'::,::'::':':
48
.::(:,':',.';:::-4:9
50
52
>.;:j5.jl." .'
297
33,4
Comearemos nossa anlise usando os 32 ensaios do planejamento 2 4 como oonjunto

de treinamento para ajustar um modelo. Em seguida, veremos como esse modelo se comporta ao fazer previses para os ensaios restantes, realizados nos nveis intermedirios (o
nosso conjunto de teste).
Ajustando ao conjunto de treinamento um modelo contendo at interaes de trs
fatores, chegamos equao
y = 36,15 + 2,04xl
- 2,61x2 - 5,07x3 - 3,91x4
+ O,26x I X3 + O,23x I X4 + O,95x 2x 3 + O,69x 2x 4 - O,71xIX3X4

onde s so mostrados os termos significativos no nvel de 95% de confiana. A equao no
apresenta falta de ajuste, e explica 99,57% da variao em torno da mdia, sendo 99,73% o
mximo explicvel. O grfico cbico da Figura 6A.7 mostra os valores previstos por esse modelo e o seu significado prtico: para obter o mximo teor de oxignio, devemos colocar a
presso de dessoro, a vazo de alimentao e o tempo de adsoro nos seus nveis
inferiores.
26,2
Figura 6A.7 - Valores previstos pelo modelo ajustado para o teor de oxignio.
Um modelo eficiente deve ser capaz de fazer previses confiveis para o valor da resposta na regio estudada. Os erros de previso, como sabemos, no devem apresentar
comportamento sistemtico e sua extenso deve ser da mesma ordem de grandeza do erro
puro. A Figura 6A.8 compara os resduos deixados pelo ajuste do modelo com os erros de
298
previso das respostas do conjunto de teste. evidente que alguma coisa est faltando.
Embora esteja muito bem ajustado aos ensaios do planejamento 2 4 , nosso modelo comete
erros sistemticos nas previses para os pontos intermedirios. Todos os resduos para o
conjunto de teste so negativos, o que significa que as previses do modelo superestimam as
respostas observadas. 2 A pior previso a do ensaio 35.
-2
-4
-6
16
24
32
40
48
Ensaio
Figura 6A.8 - Erros de previso do modelo, dados pela equao e = y -
y.
Precisamos de um modelo melhor, e o prximo passo, naturalmente, incluir termos

quadrticos. Para termos graus de liberdade suficientes, precisaremos tambm acrescentar
ao conjunto de treinamento ensaios em nveis diferentes de 1. Usando todos os cinqenta e
dois ensaios da tabela para ajustar um modelo quadrtico completo, chegamos equao
y = 33,Ol+2,OOXl -2,56x2 -5,09x3 -3,96x4

+ 1,67X22 + 1,94x 42 - O,21x1X3 + O,98x2X3 + O,69x2X4
'
que ainda apresenta uma certa falta de ajuste, no nvel de 95% de confiana, mas cujas
previses so melhores do que as do modelo anterior, como mostra o novo grfico dos
resduos (Figura 6A.8). O maior resduo acontece novamente no ensaio 35. A presena desse
ponto anmalo no conjunto de treinamento, alis, introduz um certo desvio sistemtico no
modelo, fazendo com que os resduos negativos sejam mais numerosos que os positivos. O
ideal, diante disto, seria realizar novamente o ensaio 35, para verificar se o valor registrado
na tabela no decorrncia de algum erro. Podemos notar tambm que as previses para os
ensaios iniciais (que correspondem a baixos tempos de adsoro) ficaram piores. Conclumos
portanto que o modelo ainda pode ser aperfeioado, e que o sistema em estudo realmente
2
J que o erro de previso , por definio, o valor observado menos o valor previsto.
299
bastante complexo, envolvendo vrias interaes e efeitos no lineares. Ao que tudo indica,
se quisermos uma representao mais adequada teremos de incluir no modelo termos de
ordem mais alta.
2 O
I. ~
+ee.
0t-------;..........------i-----;--.......----;---~~~-+__~;____
..............1lIIl!IIr+_-__;_-__;.._j
..........:
2
-4 ....
...... Treinamento
.Teste
-6
16
24
32
40
48
Ensaio
Figura 6A.9 - Resduos deixados pelo ajuste do modelo quadrtico.
300
7
Os planejamentos experimentais para o estudo de misturas apresentam uma importante

diferena em relao aos planejamentos que discutimos at agora. Num dos planejamentos
do Captulo 3, por exemplo, estudamos a influncia de dois fatores - temperatura e
concentrao - no rendimento de uma reao. Imaginemos que os valores dos nveis dos dois
fatores sejam dobrados. Esperaremos, como conseqncia, que no s o rendimento seja
afetado, como tambm as propriedades do produto final, como, digamos, viscosidade e
densidade tica.
Se o nosso sistema fosse uma mistura, a situao seria um pouco diferente. Se
dobrarmos, por exemplo, as quantidades de todos os ingredientes de uma mistura de bolo,
esperaremos obter apenas um bolo duas vezes maior, porm com o mesmo sabor, a mesma
textura e a mesma cor, porque as propriedades de uma mistura so determinadas pelas
propores de seus ingredientes, e no por valores absolutos.
A soma das propores dos diversos componentes de uma mistura sempre 100%.
Para uma mistura qualquer de q componentes, podemos escrever

q
L = 100% = 1 ,
(7.1)
Xi
i=l
onde
Xi
representa a proporo do i-simo componente. Esta equao retira um grau de
liberdade das propores. Para especificar a composio da mistura, s precisamos fixar as

propores de q -1 componentes. A proporo do ltimo componente ser sempre o que falta
para completar 100%.
Se quisermos modificar as propriedades de uma mistura mudando a sua formulao,
as novas propores tm de continuar obedecendo Equao 7.1. Por causa desta restrio,
as metodologias que discutimos at agora devem ser modificadas, para adaptar-se aos problemas especficos das misturas. Esses mtodos modificados tm encontrado larga aplicao
na cincia, na engenharia, e particularmente na indstria (Cornell, 1990b, 1990c, Goupy
2000).
301
Como m,odelar misturas
Exerccio 7.1
Em vrias indstrias o processo de fabricao consiste apenas em misturar diversos ingredientes, nas propores adequadas para dar um produto final com as caractersticas
desejadas. Voc pode dar exemplos de indstrias desse tipo, de preferncia na sua cidade?
Para uma mistura binria (isto , uma mistura formada por apenas dois componentes) a Equao 7.1 reduz-se a
Xl +X2
esta equao representada pela reta
= 1. No sistema de eixos mostrado na Figura 7.l(a)
x2
= 1- xl . Todas as possveis misturas dos dois com-
ponentes correspondem a pontos localizados sobre essa reta. Se
Xl
x2
no fossem propor-
es e sim fatores independentes como, digamos, temperatura e pH, todo o espao dentro do
quadrado mostrado na Figura 7.l(a) poderia ser investigado experimentalmente. No estudo
de misturas, porm, o espao experimental fica restrito aos pontos da reta, ou seja, torna-se
unidimensional. Fazendo dessa reta o eixo das abscissas, podemos usar um grfico como o da
Figura 7.l(b) para mostrar como diversas propriedades da mistura variam com a sua composio.
(a)
(b)
1,0
1,0
0,8
0,6
0,4
0,2
0,0
0,0
0,2
0,4
0,6
0,8
1,0
0,8
0,6
~':\l
0,4
0,2
0,0
0,0
0,2
0,6
0,4
0,8
1,0
Xl
Figura 7.1 (a) O espao experimental para sistemas com duas variveis
independentes inclui todos os pontos dentro do quadrado. O espao
experimental para misturas de dois componentes est limitado aos pontos
sobre a reta X2 = l-Xl. (b) Curvas representando a variao de duas
propriedades de uma mistura binria com a sua composio. Note que as
escalas de Xl e de x2 esto em sentidos contrrios.
Para sistemas com trs fatores independentes, podemos realizar experimentos correspondentes a qualquer ponto dentro do cubo da Figura 7.2(a). Um estudo da variao do
rendimento de uma reao com
xl
= tempo,
X2
302
= temperatura e
X3
= presso, por exemplo,
seria um caso tpico. Caso o sistema seja uma mistura de trs componentes, porm, ter de
obedecer restrio
xl
+ X2 + X3 = 1, que define um tringulo eqiltero inscrito no cubo,
tambm mostrado na Figura 7.2(a).

(a)
1,0
0,0
0,0
0,5
0,5
1,0 1,0
(b)
(c)
,",'
\\
,',
Figura 7.2 (a) O espao experimental para processos com trs fatores independentes inclui todos os pontos dentro do cubo. O espao experimental para
misturas de trs componentes limita-se aos pontos pertencentes ao tringulo.
(b) Uma superfcie de resposta para todas as possveis misturas dos componentes 1,2 e 3. (c) Suas curvas de nvel.
Todas as composies possveis da mistura ternria so representadas pelos pontos

pertencentes ao tringulo. Os vrtices correspondem aos componentes puros e os lados s
303
Como
mode~ar misturas
misturas binrias, enquanto os pontos situados no interior do tringulo representam as

misturas de trs componentes. A variao de uma dada propriedade com a composio da
mistura pode ser descrita por uma superfcie de resposta desenhada acima do tringulo,
como na Figura 7.2(b). Representando essa superfcie por suas curvas de nvel, obteramos
um diagrama triangular como o da Figura 7.2(c). 1
7.1 Misturas de dois componentes

Em termos gerais, a investigao das propriedades de uma mistura segue o mesmo caminho
que percorremos para sistemas com variveis independentes. Comeamos postulando um
modelo para descrever como as propriedades de interesse variam em funo da composio
da mistura. Depois, fazemos um planejamento experimental, especificando as composies
das misturas a serem estudadas. Finalmente, o modelo ajustado aos resultados experimentais, avaliado e, se for o caso, comparado com modelos alternativos. As duas primeiras
etapas esto estreitamente relacionadas. A forma inicialmente escolhida para o modelo
determinar quais so as composies mais adequadas, do ponto de vista estatstico, para a
obteno de estimativas dos seus parmetros.
o modelo mais simples para uma mistura de dois componentes o modelo aditivo, ou
linear:
(7.2)
onde
Yi
um valor experimental da resposta de interesse,
do modelo e
/30' /31
/32
so os parmetros
representa o erro aleatrio associado determinao do valor de
Yi.
Ajus-
tando o modelo s observaes feitas com essa finalidade, obtemos a expresso

(7.3)
que nos permite estimar a resposta mdia num ponto qualquer de composio
(X1,X2).
Esta
equao, alis, formalmente idntica Equao 6.1. A nica diferena que, como ela se
refere a uma mistura, os fatores
Xl
x2
no so mais variveis independentes. Como
conseqncia, a matriz XtX singular, e no podemos mais usar a Equao 5.12 para estimar os coeficientes do modelo.
1 Se voc j estudou fsico-qumica, deve ter visto grficos parecidos: diagramas de fase para sistemas
ternrios.
304
Poderamos usar diretamente a restrio
xl
+ X2 = 1 para eliminar
Xl
ou
X2
da
expresso do modelo, mas adotaremos uma estratgia diferente, com a qual obteremos
modelos mais fceis de interpretar. Como a soma
Xl +x2
sempre igual a 1, podemos
introduzi-la como coeficiente de bo na Equao 7.3 sem que a igualdade se altere:
Com um pequeno rearranjo, ficamos com

(7.4)
onde bt
= bo + bi . Com este artifcio, o modelo passa a ter apenas dois coeficientes a serem
b; e b; - ao invs dos trs
determinados -
que aparecem na equao original. Para
determin-los, s precisamos de dois ensaios distintos.

Quando
(Xl' X2)
Equao 7.4 reduz-se a
(1, O), isto , quando a 'mistura' contm apenas o componente 1, a
y = ~ = Y1 ,
puro. Da mesma forma, quando
onde
Y1
a resposta observada para o componente 1
(xl' X2)= (0,1), temos y =
b; =
Y2.
Quer dizer: os dois coefi-
cientes do modelo aditivo so as prprias respostas dos respectivos componentes puros. Caso
o modelo seja vlido, poderemos prever as propriedades de uma mistura qualquer sem ter
precisado fazer mistura nenhuma! Essa situao representada geometricamente na Figura
7.3. A superfcie de resposta, que nesse caso unidimensional, simplesmente a reta
ligando
Y1
Y2.
A resposta para uma mistura qualquer ser uma mdia ponderada das
respostas dos componentes puros, tendo como pesos as propores
Xl
X2
presentes na
mistura.
Podemos aumentar a preciso do modelo fazendo repeties dos ensaios com os
componentes puros. Teremos ento ~ =)/1 e
b; = Y2 , onde
postas repetidas. Os erros padro dos valores de
)/1 e
Y2
so as mdias das res-
b; e b; podem ser obtidos diretamente da
expresso que deduzimos para o erro padro da mdia (Seo 2.6):
(7.5)
onde s uma estimativa conjunta do erro padro de uma resposta, obtida a partir das observaes repetidas, ni o nmero de observaes usadas para calcular o valor mdio Yi e
i =1, ..... ,q.
305
Como
mode~ar m~sturas
Embora os resultados obtidos com os componentes puros determinem completamente

o modelo linear, claro que precisamos realizar experimentos com misturas binrias, para
verificar se o modelo mesmo adequado. Pode ser que os efeitos da composio sobre a
resposta sejam mais complicados, e um modelo mais sofisticado seja necessrio.
,..._ _~__ b;2

4
b*1
0,5
0,0
1,0
Figura 7.3 A reta tracejada representa um modelo linear para uma mistura de
dois componentes, y = ZJ;Xl + b;X2 Os coeficientes ZJ; e b; so os valores das
respostas para os componentes 1 e 2 puros. O modelo quadrtico
representado pela curva slida. Alm de incluir os termos do modelo linear, ele
contm um termo que descreve a interao dos dois componentes, ZJ;2XIX2.
Exerccio 7.2
Duas gasolinas, A e B, so misturadas. Quando puras, elas rendem 14 e 6 quilmetros por
litro, respectivamente. (a) Determine a equao do modelo aditivo para o rendimento de uma
mistura qualquer das duas gasolinas. (b) Calcule o rendimento previsto para uma mistura em
partes iguais. (c) Faa o mesmo para uma mistura contendo apenas 30% da gasolina B.
A ampliao mais simples do modelo linear o modelo quadrtico, que definido

pela equao
(7.6)
Esta expresso - igual Equao 6.7 - contm seis parmetros, mas para misturas
binrias esse nmero se reduz, por causa da soma constante das propores dos dois componentes. Substituindo as identidades Xl + x2
= 1,
306
x; = xl (1- X2) e x~
= x2 (1- Xl)' temos
Reunindo os termos em
Xl
X2
ficamos com
e finalmente com
(7.7)
onde bt
= bo +bi +bii
(para i
= 1,2)
e b;'2
= b12 -bll -b22 .
Temos portanto apenas um
coeficiente a mais que no modelo linear. Para obter um planejamento experimental com um
nmero mnimo de ensaios, s precisamos acrescentar, aos dois valores utilizados para
determinar o modelo linear, uma outra medida feita numa mistura binria de composio
qualquer. O bom senso - e tambm a estatstica - sugerem que a mistura mais adequada
aquela que contm os dois componentes em partes iguais (1:1). A resposta observada para
essa mistura, que designaremos Y12 , corresponde a
Substituindo estes valores na Equao 7.7 temos
Y12
t 1t
=b1*( "211 ~*("2 1 bi2*(11

"4) .
(7.8)
Voc pode confirmar que continuamos tendo
b; = Yl e b; = Y2' isto , esses coefi-
cientes so os mesmos do modelo linear. Substituindo estas duas igualdades na Equao 7.8,
obtemos finalmente a expresso do coeficiente que falta, b;2' em termos das trs respostas
observadas:
Como sempre, todos esses clculos podem ser postos em termos de matrizes. A
Equao 7.7, que define o modelo, dada por
307
Como
mode~ar misturas
ou
"" -- Xb* .
Y
Usando para
Xl
x2
os valores correspondentes aos componentes puros e mistura
1: 1, podemos escrever
YI] [1 O
O]
Y2 = O
1
O x [ZJ;]
b; .
[Yl2
1/2 1/2 1/4
ZJ;2
Pr-multiplicando esta equao pela inversa da matriz X obtemos o vetor contendo
os valores dos coeficientes:
ZJ;:]
~;
[b2
=[1O
OO]
[YI]
1 O
Y2
X
-2 -2 4
Yl2
Note que a resposta medida para a mistura binria s afeta o termo de interao b;2.
Os outros dois coeficientes so totalmente determinados pelas observaes feitas nos componentes puros.
Para obter valores mais precisos dos coeficientes do modelo podemos fazer ensaios
repetidos e usar as respostas mdias observadas, exatamente como fizemos no caso do modelo linear. Teremos ento
b*i -Yi
--
Um modelo quadrtico hipottico representado na Figura 7.3 por uma curva slida
situada acima da reta correspondente ao modelo linear. A diferena entre os valores previstos pelos dois modelos depende da composio da mistura. Neste exemplo, o valor dado
pelo modelo quadrtico para a resposta
Yl2
maior que a previso do modelo linear (que a
mdia das respostas dos componentes puros), o que significa que o termo de interao b;2 na
Equao 7.8 positivo. Quando isto acontece dizemos que os dois componentes da mistura
apresentam um efeito sinrgioo, ou interagem sinergicamente. A resposta obtida com os dois
componentes misturados sempre maior do que a simples soma de suas resposta individuais
(devidamente ponderadas pelas respectivas propores). No caso contrrio, quando b;2 < O,
as previses do modelo quadrtico so sempre inferiores s do modelo linear. Dizemos ento
que a interao dos dois componentes antagnim. Um exemplo prtico de interao o
308
aviso que existe, nas bulas de quase todos os remdios, sobre os riscos de us-los em
combinao com certas outras substncias.
Se houver necessidade, podemos construir modelos mais complexos do que o quadratico. s colocar termos de ordem mais alta, e realizar o nmero necessrio de experimentos adicionais. Neste livro, porm, vamos reservar a discusso de modelos mais
extensos para misturas de mais componentes, que normalmente tm maior relevncia
prtica.
Exerccio 7.3
Uma mistura 1:1 das duas gasolinas do Exerccio 7.2 rendeu 12 quilmetros por litro. (a) Determine os coeficientes do modelo quadrtico para uma mistura qualquer dessas duas
gasolinas. A interao entre elas sinrgica ou antagnica? (b) Uma mistura formada de
dois teros de gasolina A e um tero de gasolina B apresentou um rendimento de 13 quilmetros por litro. Este resultado est em boa concordncia com o valor previsto pelo
modelo quadrtico?
Exerccio 7.4
A tabela abaixo contm medidas repetidas da viscosidade de dois vidros fundidos puros e
tambm de uma mistura contendo os dois em partes iguais.
Vidro A
1,41
1,47
Vidro B
1,73
1,68
Vidro A-B (50% - 50%)
1,38
1,34
1,40
* no modelo quadrtico da mistura e seus erros padro.

Determine os valores de bl* , b2* e b12
Admita que a varincia constante para estas repeties e que portanto voc pode combinar
todas as observaes para obter uma estimativa conjunta.
7.2 Misturas de trs componentes

Podemos obter modelos de misturas de trs componentes (ou misturas ternrias) ampliando
os modelos que usamos para misturas binrias. O modelo linear dado por
(7.9)
com a restrio
xl
+ x2 + x3 = 1 .
309
Como modeiar misturas
Substituindo o termo bo por bo(Xl + X2 + X3) e agrupando os termos em Xi, obtemos

(7.10)
sendo bt
= bo + bi , para i = 1,2 e 3.
(a)
(b)
Figura 7.4 (a) Superfcie de resposta de um modelo linear para uma mistura
de trs componentes, com b; > b; > b; . O modelo pode ser determinado usandose somente as respostas medidas para os componentes puros, que
correspondem aos vrtices do tringulo de base. (b) Superfcie de resposta de
um modelo quadrtico de uma mistura de trs componentes, com b; > b; > b; ,
b;2 > O e b;3 = b;3 = o. O modelo quadrtico pode ser determinado usando-se
somente as respostas medidas para os componentes puros e para as misturas
binrias representadas pelos pontos mdios dos trs lados do tringulo.
A interpretao dos coeficientes bt a mesma que no caso de dois componentes.

Quando Xi = 1 (e portanto Xj;t;i = O), a resposta Yi ser igual ao coeficiente bt. Por exemplo,
310
quando
(Xl' X2' X3)
= (1, 0, O),
teremos
Yl
= ~.
Continuamos podendo determinar os coefi-
cientes do modelo linear sem precisar fazer nenhuma mistura. Da mesma forma, podemos
obter estimativas mais precisas utilizando respostas mdias de ensaios repetidos.
Uma superfcie para um modelo linear de trs componentes mostrada na Figura
7.4(a). Neste exemplo a superfcie um plano inclinado, com
b; > b; > b; .
Exerccio 7.5
Como voc interpretaria um modelo aditivo de uma mistura ternria em que os trs
coeficientes tivessem o mesmo valor?
Caso o modelo linear no se mostre satisfatrio, devemos tentar ajustar um modelo

quadrtico, como j vimos. Para misturas de trs componentes, a expresso geral do modelo
quadrtico contm dez termos:
y = b o + ~Xl + b 2X 2 + b 3X 3 + ~lXr + b22X~ + b33X~

+ b 12 X IX2
(7.11)
+ ~3XIX3 + b 23 x 2X 3
expresses anlogas para b22X~ e b33X~ , temos
y =b o (Xl + X2 + X3)+ blXl + b 2 X 2 + b 3 X 3

+ bllXI (1- x2
- X3)+ b 22 X 2 (1- Xl - X3)+ b 33 x 3 (1- Xl - X2)
+bl2 X l x 2 +b13 x IX3 +b23 x 2 X 3
Agrupando os termos, obtemos finalmente
(7.12)
onde b:'l = bo + bl + bII e b~lJ
= b lJ
bII - bJJ.. ' com i
-:f.
Os dez coeficientes da Equao 7.11 ficaram reduzidos a seis. Para determinar seus
valores precisamos de um planejamento experimental contendo pelo menos seis ensaios
distintos. Realizando ensaios com os componentes puros, obtemos os valores dos trs
coeficientes lineares:
Yl =b~l '
(7.13)
para i = 1, 2 e 3, como no modelo linear.
311
Como modelar rnisturas
Para os trs ensaios que faltam, podemos usar as trs possveis misturas binrias
contendo os componentes em partes iguais, onde
y ..
1)
para i, j
*[1) :;:[1) *[1)[1)
= bl 2- + bJ
= 1,2,3 e
- + b 2
1 ) 2- 2 '
(7.14)
i:j:. j , que nada mais que uma extenso da Equao 7.8 para o caso de
trs componentes.
As seis equaes representadas por (7.13) e (7.14) podem ser reunidas numa nica
equao matricial y
Y1
Y2
Y3
Y12
Y13
Y23
= Xb * . Escrevendo-a por extenso, temos
1
O
O
O
O
O
O
O
O
O
O
1
O
O
1
O
O
O
1/2 1/2
O 1/4
O
O
1/2
O
O 1/2
O 1/4
O 1/2 1/2
O
O 1/4
~
X
b;
b;
b;2
~3
b;3
Resolvendo esta equao, obtemos de uma s vez os valores dos seis coeficientes:
b * =X -1 y,
ou
b*1
b;
b;
b*12
b*13
b;3
O O O
O O
1
O 1 O
-2 -2 O 4
-2 O -2 O
O -2 -2 O
1
O
O
O
O
O
O
4
O
O
O
O
O
O
4
Y1
Y2
Y3
Y12
Y13
Y23
Individualmente, os coeficientes so determinados pelo conjunto de equaes

(7.15a)
(7.15b)
(7.15c)
Estas relaes, mais uma vez, so semelhantes s equaes deduzidas para misturas
de dois componentes. Os coeficientes
bt
so as respostas medidas para os componentes puros,
enquanto os valores de b~ so obtidos a partir de ensaios feitos com os componentes i ej puros
312
e com uma mistura binria de i e j na proporo 50% - 50%. O modelo fica completamente
determinado sem que haja necessidade de fazer nenhum experimento com misturas ternrias.
Se desejarmos obter valores mais precisos dos coeficientes, procedemos como antes,
realizando ensaios repetidos em cada composio. Com isso, ao resolvermos as Equaes 7.15
empregaremos respostas mdias, ao invs de valores individuais.
Uma superfcie de resposta para um modelo quadrtico com ~ > b; >
b;3
b;, ~2 > O e
= b;3 = O ilustrada na Figura 7.4(b). Os limites da superfcie situados acima dos lados
do tringulo (e que portanto se referem a misturas binrias) so anlogos s curvas de resposta da Figura 7.3. Como neste exemplo ~3
= b;3 = O, as curvas para as misturas binrias
dos componentes 1 e 3 (e 2 e 3) so retas, mostrando como a resposta para essas misturas

varia linearmente com as propores dos dois componentes envolvidos. J a curva localizada
sobre o lado que representa as misturas binrias dos componentes 1 e 2 semelhante
curva slida da Figura 7.3, porque ~2 > O (isto , os componentes interagem sinergicamente). Para misturas ternrias, que correspondem a pontos no interior do tringulo, a interpretao da superfcie mais complicada. A resposta passa a ser a soma das contribuies
lineares devidas aos componentes puros com as contribuies das misturas binrias.
O planejamento experimental representado pelos seis pontos da Figura 7.4(b)
usado com freqncia suficiente para merecer um nome prprio. Na literatura sobre
misturas ele comumente chamado de planejamento em rede simplex (do ingls simplex
lattice design).
7.3 Um exemplo: misturas de trs componentes

Antes de passar para modelos mais complicados e sistemas com mais componentes, vamos
apresentar uma modelagem de misturas com dados reais, feita em 1991 no laboratrio do
Professor G. Oliveira Neto (Unicamp, Instituto de Qumica).
Alguns substratos biolgicos podem ser analisados com eletrodos seletivos. Uma das
partes crticas desses eletrodos uma membrana, cujas propriedades tm grande influncia
na sensibilidade analtica do eletrodo. O objetivo do estudo era determinar a composio da
membrana que produzisse o maior sinal analtico possvel. Os pesquisadores utilizaram um
planejamento em rede simplex, para o qual mediram as respostas da Tabela 7.1. As
composies das misturas estudadas esto representadas no tringulo da Figura 7.5(a),
juntamente com as respostas mdias obtidas.
313
Como modelar
m~sturas
Tabela 7.1 Estudo de membranas para a fabricao de um eletrodo seletivo. Composio das
misturas e valores dos sinais analticos observados. O sinal a altura do pico, em
centmetros.
Sinal
Yi
s~1
3,2
3,0
3,10
0,020
0,5
0,4
0,45
0,005
0,4
0,3
0,35
0,005
1/2
1,9
1,2
2,0
1,70
0,190
1/2
1/2
3,9
4,4
4,1
4,13
0,063
1/2
1/2
0,3
0,3
0,2
0,27
0,003
Xl
X2
x3
1/2
5
6
Os componentes 1 e 3 puros produziram sinais mdios de 3,10 cm e 0,35 cm,

respectivamente. Para uma mistura (1:1) desses dois componentes, o sinal mdio observado
foi 4,13 cm. Como esse valor muito maior que a mdia das respostas obtidas com os
componentes puros, conclumos que um modelo aditivo no seria apropriado, e passamos
logo para o ajuste de um modelo quadrtico.
Substituindo nas Equaes 7.15 as mdias das respostas observadas para cada
mistura, chegamos aos seguintes valores para os coeficientes do modelo quadrtico:
b; = 3,10
ZJ;2 = -0,30
b; = 0,35
O alto valor do coeficiente ZJ;3 sugere imediatamente uma forte interao sinrgica
entre os componentes 1 e 3. No entanto, manda a boa prtica estatstica que s tentemos
interpretar os resultados depois de ter uma estimativa de sua margem de erro. Como os
ensaios foram repetidos, podemos usar as varincias observadas nas respostas de cada
ensaio (ltima coluna da Tabela 7.1) para obter uma estimativa conjunta da varincia de
uma resposta individual. Da, por meio da Equao 5.30, chegamos a estimativas dos erros
padro dos coeficientes. Com elas podemos finalmente escrever a equao completa do
modelo ajustado:
y = 3,10X1 + 0,45x2+ 0, 35x3- 0,30x1 x 2+ 9, 62x1x 3- 0,52x2X3

( , 17)
( O,l 7)
( , 17)
( , 75)
( , 75)
314
( , 75)
Xl
(3,10)
(1,70)
--'-~?"\~.'."""'.'.:---
(4,13)
\ . . /o'
'\:/f\~~~~;j~~.~:7
(0,45)
x2
(0,27)
(0,35)
xa
(a)
Xl
(3,10)
(0,27)
(0,45)
X2
(0,35)
X3
(b)
Figura 7.5 (a) Planejamento em rede simplex e sinais analticos mdios

observados para as misturas representadas pelos pontos. (b) Curvas de nvel
do modelo quadrtico do sinal analtico, Equao 7.16.
S os coeficientes ZJ; e
tJ;3
tm valores muito superiores aos seus respectivos erros
padro. Podemos adotar, portanto, o modelo simplificado

(7.16)
o modelo nos diz que a presena do componente 1 na mistura leva a sinais analticos
mais intensos. O componente 2 no aparece na equao, e portanto no contribui para
aumentar o sinal, embora possa ser importante para determinar outras propriedades da
membrana. Como j havamos notado, o componente 3 tem uma interao sinrgica com o
315
Como mc.uieiar
m~sturas
componente 1. Isto quer dizer que a presena simultnea dos dois componentes na mistura
produzir sinais mais fortes do que poderamos esperar com um modelo aditivo.
Pela Equao 7.16, o valor mximo do sinal analtico para o tipo de membrana
estudado deve ser 4,2 cm, e deve ser obtido com uma membrana contendo somente os
componentes 1 e 3, na proporo 66% - 34%.
As curvas de nvel correspondentes Equao 7.16 so mostradas na Figura 7.5(b).
Cada curva passa por todas as misturas que teoricamente dariam um sinal com a mesma
altura, especificada pelo valor numrico correspondente. A interpretao dessas curvas
anloga interpretao dos diagramas de fase de sistemas ternrios, estudados na fsicoqumica. Para obter sinais analticos de aproximadamente 4 cm, devemos preparar
membranas contendo duas vezes mais componente 1 do que componente 3.
Exerccio 7.6
Faa um teste t para verificar se os coeficientes da equao completa do modelo quadrtico da

membrana so significativos.
Exerccio 7.7
Use a equao simplificada do modelo quadrtico, (7.16), para determinar, no exemplo da

membrana, a composio da mistura que resultaria no valor mximo do sinal analtico e o
valor desse sinal.
Exerccio 7.8
Num projeto realizado no Centro de Pesquisa da Pirelli, tendo como objetivo a melhoria do
revestimento de cabos eltricos, foram obtidos os resultados mdios mostrados a seguir
(Costa, Hattori, Redondo, Bruns e Scarminio, 1991).
Mistura
Al203
Fe203
C0304
Perda de Massa
Trilhamento
2,84
94,26
5,24
8,95
3,80
11,52
1/2
1/2
1,18
125,00
1/2
1/2
2,18
103,00
1/2
1/2
3,38
10,55
(a) Um alto valor do trilhamento desejvel, pois significa que o cabo resiste por mais tempo
a uma determinada tenso eltrica, sem deixar vazar corrente. Qual dos trs componentes voc colocaria em altos teores, para ter um revestimento com trilhamento alto?
316
(b) Determine as equaes dos modelos quadrticos para ambas as respostas. Seus resultados confirmam sua resposta para o item (a)?
7.4 Modelos cbicos para misturas de trs componentes
o modelo
quadrtico da Equao 7.12 contm, alm dos termos do modelo aditivo, termos
cruzados que descrevem as interaes entre dois componentes, e por isso ele geralmente
consegue reproduzir satisfatoriamente os valores da resposta nos vrtices e nas arestas do
tringulo de concentraes, que representam respectivamente os componente puros e suas
misturas binrias. No devemos estranhar, porm, que efeitos no aditivos envolvendo a
presena simultnea de trs componentes sejam importantes para descrever a resposta de
determinadas misturas ternrias (os pontos no interior do tringulo). Se esse for o caso, o
modelo quadrtico se mostrar insuficiente, e precisaremos acrescentar-lhe termos cbicos.
o modelo cbico completo para uma mistura de trs componentes dado pela equao
3
= bo + ~
~ bx + ~
~ bxxJ + ~
~ ~~
~ ~ bkxx
~~ LJ
LJ
J'Xk
1
i=l
i5j j
(7.17)
i5:j j5:k k
Usando, como de costume, a identidade 1 = Xl +x2 +x3' e fazendo as substituies

apropriadas, podemos chegar expresso
y = ~Xl + b;X2 + b~:X3 + t>;~XIX2 + t>;~XIX3 + b;3 X2X3

+ d;2 XIX2(Xl - X2)+ d;~XIX3 (Xl - X3)+ d;3 X2X3(X2 - X3) .
(7.18)
+ t>;~3XIX2X3
Como esta equao tem dez termos, teramos de fazer no mnimo dez ensaios diferentes para determinar os valores de todos os seus coeficientes. Para muitas situaes prticas isto um exagero. Muitas vezes, basta introduzir um nico termo cbico para que o
modelo passe a descrever satisfatoriamente toda a regio experimental. Eliminando os termos em d~ na Equao 7.18, chegamos expresso do modelo cbiro especial, que possui apenas um termo a mais que o modelo quadrtico, e portanto s precisa de um ensaio adicional:
;-.
...
~~_
~.-.~~~~~--_.~~~~~-~~~------_.~~
I Y =b;x 1 +b;X2 +b;X3

~
L~ ..~ __ .~~.~_. __~~. _~_~ .. ~
.... .._...
~
~~~.~.~~--~~l
+b;~XIX2 +b;3 XIX3 +b;3 X2X3 +b;23 XIX2X3

~..-~ . _~
~.~
~__
(7.19)
planejamento experimental normalmente empregado para determinar os valores
dos coeficientes do modelo cbico especial o chamado rentride simplex, que obtemos
317
acrescentando ao simplex em rede um ponto central correspondendo mistura ternria em

partes iguais,
b;23
(Xl' X2, X3)
= (.!.,.!.,.!. I. O coeficiente do termo cbico dado por

l3 3 3)
= 27Y123 -12 (Y12 + Y13 + Y23 )+ 3 (Yl + Y2 + Y3)
onde Y123 a resposta observada para a mistura ternria (1:1:1). Os demais coeficientes tm
os mesmos valores do modelo quadrtico.
Numa experincia em duplicata usando a mistura (1/3, 1/3, 1/3) para a membrana do
eletrodo seletivo observou-se um sinal mdio de 3,50 cm, resultante de duas observaes
individuais de 3,40 e 3,60 cm. Combinando esse resultado com as respostas j apresentadas
para os componentes puros e as misturas binrias, chegamos ao valor 33,00 para o
coeficiente b;23 , que altamente significativo.
Exerccio 7.9
Suponha que, no experimento das membranas, a resposta observada para a mistura ternria
em partes iguais tivesse sido 2,50 cm (mdia de dois ensaios), ao invs de 3,50 cm. (a) Calcule
* . (b) Usando o valor 0,056 como estimativa da varincia do sinal

o valor do coeficiente b123
analtico, calcule o erro padro do novo valor de b;23. Ele significativo?
Eliminando os termos com coeficientes no significativos, reduzimos a equao para

o modelo cbico especial do sinal analtico das membranas a
(7.20)
Observe que os valores dos termos no-cbicos so os mesmos do modelo quadrtico,
como j dissemos. As curvas de nvel correspondentes a esta expresso so mostradas na Figura 7.6, junto com os resultados experimentais do planejamento centride simplex. Perto
dos lados do tringulo as previses do modelo cbico so muito parecidas com as do modelo
quadrtico, porque uma das trs propores fica prxima de zero, reduzindo a importncia
do termo cbico. Na regio central, por outro lado, as previses dos dois modelos diferem
bastante, porque a o termo cbico passa a ter um valor numrico da mesma ordem de grandeza das outras duas contribuies.
O modelo cbico prev um sinal analtico mximo de 4,2 cm, valor idntico ao prvisto
pelo modelo quadrtico. Para produzir esse sinal a mistura deve ter 62%, 4% e 34% dos componentes 1, 2 e 3, respectivamente. A composio dessa mistura praticamente a msma da
mistura indicada pelo modelo quadrtico (66%,0% e 34%). Na verdade, como mostra a Figura
318
7.6, a regio do ponto timo uma espcie de plat, onde podemos variar as concentraes sem
que a resposta seja muito afetada. Por exemplo, se substituirmos
na Equao 7.20 obteremos
(Xl' X2, X3)
= (0,70,
0,05, 0,25)
y = 4,14 , uma resposta indistinguvel, para todos os efeitos prticos,
do valor matematicamente timo. Esta uma situao interessante, porque nos permite alterar a
composio da mistura de acordo com outros critrios, sem que a desejabilidade da resposta caia.
Por exemplo, se o componente 3 for mais caro que o componente 1, mais vantajoso usar a
ltima mistura do que a mistura correspondente resposta mxima.
Xl
(3,10)
3,3
2,8/"'.-..
.,:'-. (3,50) ---.... :'
24 ....
....... ......
'.~ (1,80)
~
(1,60)
*.. . . . .
1,4
~'-::-"_--;-
0,5 - -_ _'"":'"(0,45)
x2
(0,27)
.:._ _~
.:...-..
(0.35)
x3
Figura 7.6 Planejamento centride simplex, respostas mdias para as

misturas representadas pelos pontos e curvas de nvel do modelo cbico
especial, Equao 7.20. As respostas indicadas com um asterisco foram usadas
para testar a qualidade do ajuste do modelo.
Exerccio 7.10
Qual a previso do modelo quadrtico para a resposta mdia de uma membrana feita dos trs
componentes em partes iguais? Como ela se compara com a previso do modelo cbico
especial?
Exerccio 7.11
o ajuste de um modelo cbico tambm pode ser expressado em termos de matrizes, como o de
qualquer outro modelo. Escreva por extenso a equao matricial que devemos resolver para
obter os valores dos sete coeficientes do modelo cbico especial para o sinal analtico das
membranas.
319
7.5 Avaliao de modelos

Nesta altura temos certeza de que voc no se espantar se dissermos que a construo de
modelos para misturas nada mais que um caso particular do ajuste por mnimos quadrados. O que fizemos na seo anterior, na verdade, foi o mesmo que resolver a Equao
5.12 para um conjunto de dezessete observaes: as quinze que aparecem na Tabela 7.1,
mais as duas observaes feitas no ponto central do tringulo. Para isso utilizamos dois
modelos: o quadrtico, com seis parmetros, e o cbico especial, com sete. A significncia
estatstica desses modelos pode ser avaliada com uma anlise da varincia.
O modelo cbico no pode apresentar falta de ajuste, porque para ele o nmero de
parmetros igual ao nmero de ensaios distintos. No temos, portanto, como fazer uma
comparao direta do grau de ajuste dos dois modelos. Conseqentemente, na anlise da
varincia desdobraremos a variao total em torno da mdia em duas parcelas somente: a da
regresso e a dos resduos. Em outras palavras, a ANOVA neste caso ser semelhante da
Tabela 5.2. Os resultados esto na Tabela 7.2.
Tabela 7.2 Anlise da varincia para o ajuste dos modelos quadrtico e cbico especial aos
dados da Tabela 7.1, acrescidos dos resultados observados para a mistura com
Xl = X2 = X3 = 1/3 (respostas em duplicata com mdia de 3,50 cm), o que eleva o
nmero total de observaes para dezessete. Os valores em parnteses se referem ao
modelo cbico especial.
Soma Quadrtica
N de g.l.
Mdia Quadrtica
Regresso
37,96 (40,06)
5 (6)
7,59 (6,68)
Resduos
2,66 (0,56)
11 (10)
0,24 (0,06)
40,62
16
Fonte de variao
Total
Os valores de MQR/MQr so 31,63 e 111,33 para os modelos quadrtico e cbico

especial, respectivamente. Como j sabemos, eles devem ser comparados com os valores de
F 5 ,11 e F 6 ,lO. No nvel de 990/0 de confiana esses valores so apenas 5,32 e 5,39, o que
mostra que ambos os modelos so altamente significativos. O valor superior para o modelo
cbico indica que ele explica uma percentagem de varincia maior, mas tambm devemos
levar em conta que ele tem um parmetro a mais, e que um modelo com mais parmetros
necessariamente explicar uma soma quadrtica maior.
320
Quando acrescentamos um termo ao modelo, estamos transferindo um grau de

liberdade da soma quadrtica residual para a soma quadrtica da regresso. Para decidir se
isto vale a pena, podemos usar um novo teste F, onde vamos comparar a reduo nos
resduos causada pela ampliao do modelo com a mdia quadrtica residual do modelo mais
extenso. Se o teste no for significativo, porque no valeu a pena introduzir mais
parmetros. Este procedimento no est restrito a misturas - pode ser aplicado a qualquer
modelo ajustado por mnimos quadrados.
Consideremos o caso geral de dois modelos quaisquer, I e ll, onde
tem d par-
metros a mais que I. O modelo I deixa uma soma quadrtica residual SQr,l , que reduzida
a SQr,l1 quando os d termos adicionais so introduzidos. A relao de interesse ser
= (SQr,I -SQr,lI )/ d
(7.21)
MQr,l1
No nosso exemplo, I o modelo quadrtico, II o modelo cbico especial e d
=1.
Teremos simplesmente
F
= SQr,quad -SQr,cub
MQr,cub
onde os ndices quad e cub indicam os modelos quadrtico e cbico especial. Utilizando os
valores da Tabela 7.2 temos
F = 2,66 - 0,56 = 35
0,06
'
Comparando este resultado com
F1,lO
= 10,0 (99% de confiana), podemos concluir
que o modelo cbico especial de fato melhor que o modelo quadrtico, para os dados do
nosso exemplo.
Uma maneira mais segura de testar a qualidade dos dois modelos, e certamente
mais interessante para o pesquisador, determinar novas respostas, para misturas que no
foram usadas na modelagem, e comparar os resultados observados com os valores previstos
por cada modelo. No estudo das membranas foram realizados trs desses ensaios, indicados
321
Como modelar
m~sturas
com asteriscos na Figura 7.6. Nas novas misturas os componentes esto nas propores
(Xl,X2,X3)=
(2/3,1/6,1/6), (1/6,2/3,1/6) e (1/6,1/6,2/3).
Na Tabela 7.3 as previses dos dois modelos so comparadas com as respostas

mdias observadas nos ensaios. Note que as previses s diferem para misturas ternrias,
o que no de surpreender, porque as equaes correspondentes so idnticas, exceto pelo
termo em
xlx2x3.
Como j devamos esperar, o modelo cbico superior. Para as trs
misturas ternrias de teste, o resduo mdio deixado por esse modelo 0,28 (usando
valores absolutos). Para o modelo quadrtico o resduo mdio 0,82 - quase trs vezes
maior.
Tabela 7.3 Estudo de membranas para a fabricao de um eletrodo seletivo. Comparao

entre os sinais analticos observados (Yobs) e os valores previstos pelos modelos quadrtico (y quad) e cbico especial (y cub ) . Os nmeros entre parnteses so os resduos
deixados pelos modelos, e = Yobs - Y .
Mistura
Xl
X2
X3
Yquad
Ycub
Yobs
3,10 (O)
3,10 (O)
3,10
O (0,35)
O (0,35)
0,35
O (0,35)
O (0,35)
0,35
1/2
1/2
1,55 (0,15)
1,55 (0,15)
1,70
1/2
1/2
3,96 (0,17)
3,96 (0,17)
4,13
1/2
1/2
O (0,28)
O (0,28)
0,28
7(a)
1/3
1/3
1/3
2,10 (1,40)
3,33 (0,17)
3,50
8(b)
2/3
1/6
1/6
3,14 (0,86)
3,75 (0,25)
4,00
9(b)
1/6
2/3
1/6
0,79 (0,81)
1,40 (0,20)
1,60
10(b)
1/6
1/6
2/3
1,59 (0,21)
2,20 (-0,40)
1,80
(a) Duplicata com resultados individuais 3,60 e 3,40 cm.

(b) Medidas sem repetio.
Um terceiro modo de comparar a eficincia dos dois modelos realizar uma anlise
da varincia incluindo falta de ajuste, agora que temos, no total, mais ensaios do que
parmetros para todos os modelos. Os resultados dessa anlise esto na Tabela 7.4. A sua
interpretao confirma o que acabamos de discutir e ser deixada como exerccio.
322
Tabela 7.4. Anlise da varincia para o ajuste dos modelos quadrtico e cbico especial aos
valores individuais dos sinais analticos. O nmero de misturas diferentes agora
dez, o que permite testar a falta de ajuste dos dois modelos. Os valores em parnteses so os do modelo cbico especial.
Soma Quadrtica
N de g. l.
Mdia Quadrtica
Regresso
41,81 (43,91)
5 (6)
8,36 (7,32)
Resduos
3,05 (0,95)
14 (13)
0,22 (0,073)
F. ajuste
2,49 (0,39)
4 (3)
0,62 (0,13)
Erro puro
0,56
10
0,056
Total
44,86
19
Fonte de variao
% de variao explicada: 93,20 (97,88)

7.6 Pseudocomponentes
Na prtica, os problemas de otimizao de misturas normalmente requerem a presena de
todos os componentes, para que tenhamos um produto aceitvel. Para produzir a membrana
do eletrodo seletivo, por exemplo, precisamos misturar solues de pirrol, KCI e fuFe(CN)6.
A formao de uma membrana s ocorre se os trs componentes estiverem presentes. Apesar
disso, na nossa discusso utilizamos valores referentes aos componentes puros e s misturas
binrias. Como isso foi possvel, se com essas composies no existe membrana nenhuma?
Na verdade, os 'componentes' 1,2 e 3 cujas propores aparecem na Tabela 7.1 so
pseudocomponentes, isto , misturas dos componentes propriamente ditos.
A experincia mostra que para a membrana se formar preciso que a mistura tenha
pelo menos 10% de cada um dos trs componentes (pirrol, KCI e K4Fe(CN)6). A existncia
desses limites inferiores tambm impe limites superiores para os teores dos componentes. O
mximo que uma mistura pode ter de um dado componente 80%, porque cada um dos
outros dois tem de entrar com pelo menos 10%. Neste exemplo, chamando de
do componente i na mistura, podemos concluir que 0,10
~ Ci ~
Ci
a proporo
0,80 .
Esta situao pode ser generalizada para uma mistura qualquer, em que as propores dos componentes puros tenham de obedecer a limites inferiores no-nulos, que chamaremos de
ai .
Obviamente a soma de todos esses limites tem de ser menor que um, seno
323
a mistura ser impossvel de preparar. Para um caso geral de q componentes, podemos

escrever ento
q
Lai<1,
i=1,2, ... ,q.
(7.22)
i=l
No exemplo da membrana, como todos os limites inferiores so iguais a 0,10, o valor

do somatrio 0,30.
Os teores da mistura em termos de pseudocomponentes, designados por
Xi'
so
dados pela expresso
x. = cl -a
(7.23)
1-
1-L a i
i=l
que uma espcie de codificao. Para o caso da membrana isto corresponde a

x =
C l
0,1
0,7'
(7.24)
i = 1,2,3 .
Assim, por exemplo, o pseudocomponente de composio (1,0,0) na Tabela 7.1 na realidade

corresponde a uma mistura com propores 0,8, 0,1 e 0,1 das solues de pirrol, KCI e
KiFe(CN)6, respectivamente.
Exerccio 7.12
Qual a
composio verdadeira, em termos dos componentes puros, das misturas
correspondentes s quatro ltimas linhas da Tabela 7.3?
Usando a Equao 7.24 na expresso do modelo cbico especial em termos de

pseudocomponentes, Equao 7.20, podemos escrever a resposta como uma funo explcita
das propores das solues de pirrol, KCI e K4Fe(CN)6 na mistura:
y = -0,34+3,43cp irroZ +0,97cKCZ- 1,OOcKFeCN -9,67cp irroZ CKCZ

+ 9 ,98cpirroZc KFeCN - 9,67CKCZc KFeCN + 96,7 4cpirroZc KCZcKFeCN
(7.25)
Alm desta expresso obviamente ter mais termos que a Equao 7.20, a interpretao de seus coeficientes bem mais complicada. As curvas de nvel correspondentes so
mostradas na Figura 7.7. Observe que nessa representao, em termos das concentraes
dos componentes puros e no dos pseudocomponentes, a regio experimental fica limitada ao
324
tringulo interno, de permetro tracejado. Usar a Equao 7.25 para prever os valores das
respostas fora dessa regio seria extrapolar, e j sabemos que isso deve ser feito com a
mxima desconfiana. No nosso exemplo especfico, esses pontos correspondem a misturas
que dificilmente produziriam membranas aceitveis. Note, finalmente, que as superfcies
das Figuras 7.7 e 7.6 so idnticas. A nica diferena a forma de descrever a composio. O
que na Figura 7.6 passa por um componente puro (por exemplo,
mistura ternria
(Cpirrol
= 0,8,
cKCI
Xl
=1), na verdade uma
= cKFeCN = 0,1).
Pirrol
/\
j'" . .
: .'
;'U.,;
2,8~
. . 3,8
...
:.i3:.a
:1'"
....
::
: . .'. 2 4 .~
" , :..
:"
.:.<..
... \
.:
~"
1,4 <>~
0,5::
::- . ~:
(0,1, 0,8, 0,1)

I
~
;
.....
::::,;:.:.:.::::=.;\.
:'
".
~.
.:.~ -. -. ----'~'- . -. -
'.,
_.~'.'.
(0,1, 0,1, 0,8)
\
KCI
Figura 7.7 Curvas de nvel do modelo cbico especial em funo das propores das solues de pirrol, de KCI e de fuFe(CN)6.
7.7 Outros planejamentos

Quando as propores dos componentes devem obedecer a limites inferiores, a regio experimental fica limitada e o problema fica mais fcil de analisar em termos de pseudocomponentes, como acabamos de ver. Em muitas formulaes, a composio da mistura tem de satisfazer no apenas limites inferiores como tambm limites superiores, o que diminui ainda
mais a regio que pode ser estudada e dificulta a escolha dos pontos do planejamento. Nesta
seo vamos apresentar um exemplo desse tipo de problema, tambm estudado no Instituto
de Qumica da Unicamp, no laboratrio da Professora. I. Joekes (Rubo, 1992). Tentaremos
apenas transmitir um pouco da metodologia apropriada. Um tratamento detalhado poder
ser encontrado em livros e artigos mais especializados, como os de Cornell (1990b, 1990c).
325
Como
mode~ar
misturas
o objetivo da investigao era estudar a elongao e o intumescimento, em dioxano,

de filmes polimricos constitudos de poliisobuteno (PIB), polietileno (PE) e cera parafnica
(CE). Por razes tcnicas, as propores desses componentes na mistura tiveram de ficar
restritas aos intervalos
0,50 :::; cpIB
0,10 :::; cCE
:::;
:::;
0,65
0,25 .
Como os limites so todos diferentes, essas desigualdades definem no interior do

tringulo das concentraes um hexgono irregular, mostrado na Figura 7.8(a). Os pontos
pertencentes a esse hexgono representam as misturas que em princpio podem ser estudadas. Com essas especificaes, os pseudocomponentes so definidos pelas expresses
x
-0,50
025
,
CpIB
---.;;....;;:=-----
PIB -
-0,15
025
,
CpE
----.;;;....;~--
PE -
-0,10
025
.
,
CCE
CE
=-..;;...;~--
Para definir o planejamento, precisamos considerar que modelos poderiam ser apropriados para descrever as duas respostas de interesse - a elongao at a ruptura e o intumescimento dos filmes. Normalmente, claro, isso no pode ser determinado antes de
fazermos as experincias. Alm do mais, natural que diferentes respostas sigam diferentes
modelos. Como possvel que a descrio dos resultados venha a requerer um modelo cbico
especial, bom estarmos precavidos e realizarmos pelo menos sete ensaios distintos, para
termos condies de determinar os sete coeficientes desse modelo.
Como em qualquer ajuste por mnimos quadrados, a propagao do erro experimental at os valores dos coeficientes do modelo feita por meio da Equao 5.30, que contm a matriz de planejamento, X. Dependendo do planejamento escolhido, as estimativas
sero mais ou menos afetadas pelos erros experimentais. Em geral os erros nas estimativas
dos coeficientes so menores quando os pontos do planejamento se distribuem uniformemente pela regio estudada. por isso que preferimos utilizar vrtices, posies de meiaaresta e pontos centrides. Neste exemplo dois planejamentos foram considerados inicialmente:
326
a.
Os seis vrtices do hexgono mais o ponto central;
b.
Os pontos mdios das arestas mais o ponto central.

Examinando-se a matriz (XtX)-1 para estas duas possibilidades pode-se constatar
que o primeiro planejamento (pontos 1 - 7 na Figura 7.8(a produz estimativas dos coeficientes 10% - 70% mais precisas que as do segundo planejamento, e por isso ele foi o escolhido para a realizao dos experimentos. Das sete misturas previstas, todas resultaram em
filmes que podiam ser estudados, exceto a mistura nmero 6. No seu lugar foi preparada
ento a mistura 6', de composio definida pelo ponto mdio da aresta 1 - 6.
(a)
6'
~ ~:\:~ : :;~:~".:
.....'"....
:.,:...../:::/ . ,.>i)/ ..
'\>\ \ : : <~\.: ,\
(b)
6'
2
7
Figura 7.8 (a) Tringulo das concentraes de poliisobuteno (PIB), polietileno (PE) e
cera parafnica (CE). A regio estudada determinada pelos limites inferiores e superiores das concentraes desses componentes e resulta no hexgono irregular cujos vrtices esto numerados de 1 a 6. (b) A mesma regio, em termos de pseudocomponentes.
327
Como modelar rnisturas
Pode ser que voc esteja se perguntando como faria para escolher os melhores nveis
de um estudo de misturas com muitos componentes, onde sequer teramos condies de
enxergar a superfcie de resposta. Felizmente essa escolha no precisa ser motivo de preocupao para o pesquisador. Hoje em dia existem vrios programas comerciais de planejamento experimental que usam critrios estatsticos e fazem isso por ns.
Tabela 7.5 Composio dos filmes preparados com misturas PlB-PE-CE, em valores reais
dos componentes (Ci) e em pseudocomponentes (xi), e os valores medidos para a
elongao at a ruptura e para o intumescimento em dioxano. As respostas foram
determinadas em duplicata.
Filme
CpIB
CpE
CCE
XpIB
XPE
xCE
0,650
0,150
0,200
0,600
0,000
0,400
0,600
0,150
0,250
0,400
0,000
0,600
0,500
0,250
0,250
0,000
0,400
0,600
0,500
0,350
0,150
0,000
0,800
0,200
0,550
0,350
0,100
0,200
0,800
0,000
6'
0,650
0,200
0,150
0,600
0,200
0,200
0,575
0,250
0,175
0,300
0,400
0,300
Intumescimento, m 3 kg- 1
Elongao, %
176
177
172
182
137
161
153
111
91
139
134
227
189
165
165
6'
408
394
177
184
303
265
165
165
214
130
114
232
236
(a)
Valor excludo dos clculos, porque o filme formou-se com dificuldade e a elongao medida
no foi considerada digna de confiana.
(a)
A matriz de planejamento, cujos elementos so as propores utilizadas para preparar as vrias misturas, apresentada na Tabela 7.5, tanto em termos dos componentes
puros quanto em termos dos pseudocomponentes. A Figura 7.8(b) mostra a representao
geomtrica do planejamento em termos de pseudocomponentes. Os valores das duas res-
328
postas de interesse foram determinados em duplicata para cada mistura. Desses valores,
que tambm so mostrados na Tabela 7.5, foi obtida uma estimativa conjunta da varincia
experimental, usada para calcular os erros padro das estimativas dos parmetros.
A Equao 5.12 foi empregada para ajustar modelos lineares, quadrticos e cbicos especiais para os valores de cada resposta. A anlise dos resultados levou s seguintes
concluses:
Para a elongao o modelo linear
Yel =479xPIB+176xPE+20xCE
(18)
(12)
(20)
mostrou-se o mais adequado. A superfcie de resposta descrita por essa equao um

plano inclinado, cujas curvas de nvel so mostradas na Figura 7.9(a).
Para o intumescimento o melhor modelo foi o quadrtico, dado por
Yin = 202x PIB + 140xPE + 212xcE + 76xPIBx PE -126x PIBxCE -110xPExcE

(15)
(5)
(14)
(32)
(54)
(34)
e com as curvas de nvel mostradas na Figura 7.9(b).
objetivo final dos pesquisadores era obter um filme que apresentasse ao mesmo
tempo um alto valor da elongao e um baixo valor do intumescimento. De acordo com a

Figura 7.9(a), podemos obter a primeira caracterstica com misturas de composio semelhante do ponto 6'. Por outro lado, para termos baixos valores do intumescimento deveremos preparar misturas prximas do ponto 4, que fica diametralmente oposto. A concluso
clara, ainda que um tanto frustrante. Com esses componentes qumicos, a produo de um
filme com propriedades aceitveis ter de surgir de um meio-termo entre as duas
caractersticas desejadas, a alta elongao e o baixo intumescimento. O mtodo de Derringer
e Suich, que discutimos na Seo 6.4, pode ajudar a encontrar esse meio-termo
7.8 Misturas com mais de trs componentes

Os modelos para misturas contendo mais de trs componentes so simples extenses dos
modelos para trs componentes. Para o caso geral de q componentes, os modelos linear, quadrtico e cbico especial so dados respectivamente por
q
Y=
A
Lb*-xl
l'
i=1
329
q:J-
Y'"
:J-
t)'
i=l
=~
~ b:'x + ~ ~ b:~xx
~~ U
i<j j
'"
q
*
q q:;:
q q q
*
~ b,t x1 + ~~
~ ~ bxx
~ " b1)'k X t'X)'Xk
Y=~
U t ). + "
~ ~~
i=l
i<j j
i<j j<k k
(a)
(b)
Figura 7.9 Curvas de nvel das propriedades dos filmes PIB-PE-CE, em termos de pseudocomponentes. (a) modelo linear para a elongao. (b) modelo
quadrtico para o intumescimento. As caractersticas desejveis so obtidas
com composies semelhantes s da mistura 6' (alta elongao) e da mistura 4
(baixo intumescimento).
Os clculos necessrios para determinar os coeficientes desses modelos so extremamente rpidos, especialmente para quem tem acesso a um microcomputador. Tudo, em ltima anlise, se resume a resolver as Equaes 5.12 e 5.30 com as matrizes apropriadas. A
maior dificuldade a representao grfica dos resultados. Em alguns casos as equaes
podem ser simplificadas, porque se descobre que um componente no importante. Em ou330
tros, podemos visualizar curvas de nvel fazendo cortes transversais em direes apropriadas, mas em geral a representao grfica problemtica, e se complica ainda mais quando
vrias respostas esto em jogo. Do ponto de vista algbrico, porm, os modelos continuam
sendo interpretados da mesma maneira que nos casos envolvendo menos componentes.
Para uma mistura de quatro componentes o modelo quadrtico tem dez termos, cujos
coeficientes podem ser estimados usando-se um planejamento em rede simplex {4,2}, que
mostrado no tetraedro da Figura 7.10(a). Cada face do tetraedro tem um arranjo de pontos
igual ao empregado no ajuste de um modelo quadrtico para misturas de trs componentes.
(a)
(b)
x 1=1
X
l=X 2=X4=113
Figura 7.10 Planejamentos experimentais para o estudo de misturas de quatro
componentes. (a) Planejamento em rede simplex. (b) Planejamento centride

simplex.
331
o nmero total de pontos na rede {4,2} igual ao nmero de termos no modelo quadrtico.
Em geral, para misturas de q componentes, o nmero de ensaios num planejamento em rede
simplex {q ,2} igual ao nmero de termos contidos na expresso do modelo quadrtico. Para
o ajuste de um modelo quadrtico, portanto, esse planejamento o mais econmico.
o modelo cbico especial para misturas de quatro componentes tem quatorze termos,
e seus coeficientes podem ser determinados com o planejamento mostrado na Figura 7.10(b).
Em cada face do tetraedro os pontos agora reproduzem o arranjo correspondente ao
planejamento centride simplex, que usamos para determinar o modelo cbico especial no
problema de trs componentes.
Se quisermos acrescentar ao modelo um termo de quarta ordem,
b1234Xlx2X3x4,
precisaremos fazer pelo menos mais um ensaio, na composio especificada pelo ponto central do tetraedro,
Xl
=X2 =X3 = X4 =.!..

4
Esse ponto indicado com um asterisco na Figura
7.10(b). Em geral, modelos desse tipo, definidos pela expresso
tm um total de 2q-l termos, cujos coeficientes podem ser determinados usando-se os 2q-l
pontos de um planejamento centride simplex, cuja representao geomtrica exigiria um
espao de dimenso q-l.
332
7A Aplicaes
7A.l-lnfluncia do solvente na complexao do on Fe(lll)

Em soluo aquosa, o on Fe(lll) apresenta um comportamento que varia bastante com as
condies do meio, por causa da sua capacidade de formar diferentes complexos e de sua
tendncia a sofrer hidrlise, mesmo em solues cidas. Na presena de ons tiocianato, o
ferro(lll) produz uma soluo de cor vermelha, resultante da mistura de vrios complexos de
Fe(lll) com o on SCN- :
[Fe(H20)6]3+ +nSCN- ~ [Fe(SCN)n(H20)6_J3-n+nH20 .

Para estudar os efeitos do solvente sobre esta reao de complexao, Bruns et aI. (1996)
utilizaram dezesseis misturas ternrias de gua, etanol e acetona, s quais foram
adicionadas quantidades fixas dos ons Fe(lll) e SCN-. As misturas foram preparadas nas
composies especificadas pelo planejamento aproximadamente hexagonal da Tabela 7A.l,
onde as concentraes dos solventes esto representadas em termos de pseudocomponentes,
na ordem gua, etanol e acetona. Como resposta mediu-se a concentrao do complexo,
atravs da absorvncia registrada em 623 nm. Todos os ensaios foram feitos em duplicata.
Tabela 7A.l Planejamento para o estudo da complexao do Fe(lll) com tiocianato.

Absorvncia
Ensaio
16
0,111
0,778
0,111
333
0,682
0,699
Como
mode~ar
misturas
Ajustando aos dados da tabela os modelos linear, quadrtico e cbico especial, chegamos s
seguintes equaes:
y = 0,322 xl +0,754X2 +0,531X3

(0,006)
(0,006)
(0,006)
y = 0,357 xl +0,791X 2 +0,518x3 -0,205x1x2 -0,012x1x3 -0,017 x2x3

(0,008)
(0,008)
(0,006)
(0,029)
(0,029)
(0,029)
y = 0,355 xl + 0,789 x2 +0,516x3 -0,194x1x2 -0,001x1x3 -0,006x2x3 -0,051x1x2X3

(0,011)
(0,011)
(0,011)
(0,047)
(0,047)
(0,047)
(0,168)
Os resultados da anlise da varincia desses trs modelos so dados na Tabela 7A.2. O

modelo linear apresenta falta de ajuste. Os outros dois, no. Isso se deve presena do
termo de interao entre os componentes 1 e 2 (a gua e o lcool), j que as outras duas
interaes binrias no so estatisticamente significativas. O termo cbico tambm no
significativo. Quando o inclumos, retiramos um grau de liberdade da mdia quadrtica de
falta de ajuste, e na verdade terminamos piorando a modelagem, como mostram os valores
da segunda coluna da tabela. Como o planejamento tem 16 diferentes combinaes de
nveis dos fatores, poderamos ajustar modelos contendo ainda mais termos, como o
modelo cbico completo. Fazendo isso, porm, descobriremos que nenhum dos novos
termos significativo.
Tabela 7A.2 ANOVA para os modelos ajustados aos dados da Tabela 7A.1.
R2
Modelo
MQfaj/MQep
Vfaj
vep
Linear
7,45
13
16
2,40
98,6%
Quadrtico
1,70
10
16
2,49
99,6%
Cbico especial
1,87
16
2,54
99,6%
Ffaj,ep
(95%)
Em suma: devemos preferir o modelo quadrtico, cujas curvas de nvel so

mostradas na Figura 7A.1. As absorvncias mais intensas so obtidas na direo do
vrtice inferior direito, que corresponde a misturas mais ricas em etano!. A ausncia de
interaes significativas envolvendo o componente 3 (acetona) se reflete nas curvas de
nveis quase verticais. O grfico das respostas previstas contra as respostas observadas
(Figura 7A.2) confirma visualmente a qualidade do ajuste. Note que as respostas esto
estratificadas em cinco grupos, correspondendo mais ou menos s cinco colunas de pontos
na Figura 7A.1.
334
Figura 7A.l- Curvas de nvel para o modelo quadrtico.
o, 7
.~
I-
0,61-..;..
o, 5 1-
~~
.. ,
,.rn..<
;.......................... ~
0,5
0,6
-"~
;;)
o, 4
:J~
0,4
0,7
Figura 7A.2 - Respostas previstas pelo modelo quadrtico.
7A.2 - Resistncia trao de misturas polimricas

Preparar blendas - isto , misturas - uma das formas que os pesquisadores mais usam
para tentar otimizar as propriedades de produtos polimricos. Entre as principais
propriedades descritas nas patentes desses materiais esto a resistncia ao impacto, a
facilidade de processamento e a resistncia trao. Siqueira et aI. (1993), em um estudo
visando a maximizao da resistncia trao de blendas de polifluoreto de vinilidenila
335
(PVDF), polimetacrilato de metila (PMMA) e poliestireno (PS), obtiveram os resultados da

Tabela 7A.3, onde os 16 primeiros ensaios correspondem a um planejamento centride simplex com 9 repeties, mas nos ensaios 17-20 a proporo PVDF:PS mantida igual a 1,
variando-se apenas o teor de PMMA.
Tabela 7A.3 Planejamento para o estudo de misturas polimricas ternrias.
Ensaio
XpS
XPVDF
Resistncia
(MPa)
0,0
1,0
0,0
20,0
0,5
0,5
0,0
44,8
18
0,475
0,050
0,475
23,5
20
0,400
0,200
0,400
33,6
Procedendo da mesma forma que no exemplo anterior, chegamos aos seguintes modelos
ajustados:
y = 44,25 Xl + 29,68 X2 + 19,65 x3

(5,99)
(4,66)
(5,06)
336
y = 49,72x1 + 20,79x2 + 18,66 x s + 61,77 x1x2

(5,10)
(2,96)
(S,62)
y =51, 09x1 + 21,32x2 + 19,34xS + 36,21x1X2 (4,44)
(2,56)
(S,14)
- 36,89x1xS + 57,89x2XS
(20,22)
(20,45)
(14,S9)
(14,S8)
48,18x1XS + 48, 22x 2XS + 234,99x1X2XS

(1S,29)
(1S,06)
(97,87)
Os resultados das anlises da varincia (Tabela 7A.4) mostram que o modelo linear
insatisfatrio, e que os outros dois modelos no apresentam falta de ajuste. Desta vez, porm, o
modelo cbico especial superior. A variao explicada maior, a razo
MQfaj /MQep
menor,
e o termo cbico significativo. Suas curvas de nvel esto na Figura 7A.3. As maiores
resistncias trao so obtidas perto da base do tringulo, na direo do vrtice esquerdo, o
que corresponde a blendas com predomnio de PVDF e com pouco ou nenhum poliestireno.
Tabela 7A.4 ANOVA para os modelos ajustados aos dados da Tabela 7A.3.
R2
Modelo
MQfaj/MQep
Vfaj
v ep
Linear
9,50
3,23
28,3%
Quadrtico
2,46
3,48
82,0%
Cbico especial
1,44
3,63
87,6%
Ffaj,ep
(95%)
Figura 7A.3 - Curvas de nvel para o modelo cbico especial.
Infelizmente este ajuste ainda est longe de ser satisfatrio, como podemos deduzir a partir
da Figura 7A.4, que apresenta o grfico das respostas previstas contra as respostas observadas. Em primeiro lugar, as previses para trs dos quatro ensaios que no pertencem ao
337
Como
mode~ar
misturas
planejamento simplex (os crculos brancos na Figura 7A.3) esto bastante superestimadas,
indicando que o modelo no est representando muito bem essa regio. Mas o mais
preocupante que os pontos 11 e 12 so ensaios repetidos, e a diferena entre suas respostas
quase a metade da diferena entre os valores extremos de toda a tabela. Como o erro puro
calculado a partir dos ensaios repetidos, essa enorme variao inflaciona MQ ep e termina
fazendo com que um modelo problemtico parea bem ajustado.
50
00
20
O
11
Q)
12
18
17
O
O
20
20
40
30
50
Figura 7A.4 - Resposta previstas pelo modelo cbico especial.

A Figura 7A.5 mostra todas as respostas do planejamento simplex em funo do
nmero do ensaio. Os ensaios 1 e 4 no foram repetidos. Voc percebe algo de estranho nas
respostas dos outros ensaios? Algum valor parece anmalo?
Esta mais uma demonstrao de que sempre devemos fazer uma anlise grfica de
qualquer ajuste. Se s nos basessemos nos valores da ANOVA, dificilmente suspeitaramos
que havia algo errado com a modelagem.
r
!
---a-------+---------~-t_----I---_i----~-----. - :
45
.~
No
35
repeti~os
6 I
----i--------i-------i------i--------t------?-----t-------
~ ------i-------~-------1_-----l-----'------t--.- ._~--5
15
_ _ . L ._ _----I....-_
_--L...-
_ _- . L - ._
...L..__~
___I....__-----'
Ensaio
Figura 7A.S - Respostas nos sete ensaios do planejamento simplex centride.

338
carutu~o
7A.3 - Determinao cataltica de Cr(VI)

Nos planejamentos fatoriais completos devemos realizar ensaios em todas as possveis
combinaes dos nveis escolhidos. s vezes isto inconveniente, porque alguns fatores so
mais trabalhosos de mudar do que outros. Uma alternativa, nesses casos, realizar um
planejamento hierrquico (split-plot), em que os nveis de alguns dos fatores so variados
enquanto os nveis dos outros - os fatores mais difceis de mudar - so mantidos constantes
numa certa combinao. Nesta aplicao, os pesquisadores queriam desenvolver um mtodo
analtico para determinar o on Cr(VI), baseado na catlise da reao da o-dianisidina com
H202, em meio levemente cido. No estudo original (Reis et al., 1998), um sistema controlado
pelas concentraes de trs reagentes (HeI, o-dianisidina e H202) e pela composio do meio
(uma mistura de gua, acetona e N,N-dimetilformamida) foi otimizado empregando-se um
planejamento hierrquico. Na Tabela 7A.5 apresentamos somente os resultados da variao
das propores dos trs solventes, para uma certa combinao fixa das concentraes dos
reagentes. xl' X2 e x3 so os teores, em pseudocomponentes, correspondendo gua, acetona e N,N-dimetilformamida, respectivamente. A resposta a absorvncia, cujo valor
queremos maximizar. Todos os ensaios foram feitos em duplicata.
Tabela 7A.S Planejamento para a determinao cataltica de Cr(VI).

Ensaio
Xl
X2
X3
0,625
0,375
0,000
0,810
0,777
0,000
1,000
0,000
0,279
0,288
0,000
0,000
1,000
0,054
0,046
0,625
0,000
0,375
0,507
0,498
0,313
0,687
0,000
0,474
0,486
0,000
0,500
0,500
0,115
0,077
0,313
0,000
0,687
0,277
0,232
0,313
0,344
0,344
0,409
0,370
0,468
0,266
0,266
0,548
0,492
10
0,156
0,211
0,633
0,192
0,109
Absorvncia
O modelo linear apresenta falta de ajuste. Os modelos quadrtico e cbico especial so

representados pelas expresses
y = 1,036 Xl
(0,091)
+ 0,265 x2 + 0,048x 3 + 0,106x1x2 - 0,555 X1x3 - 0,202x2x3

(0,026)
(0,026)
(0,211)
339
(0,211)
(0,116)
Como
mode~ar rnisturas
y = 1,106 xl + 0,275 x2
(0,095)
+ 0,056 x3 - O,110x1 x 2 - 0,771 x1x3 - 0,304 x2 x 3 + 1,330x1x2X3 ,
(0,025)
(0,025)
(0,235)
(0,235)
(0,124)
(0,782)
onde os coeficientes significativos esto em negrito. Os resultados da anlise da varincia

dos dois modelos so muito parecidos:
= 3,92
Modelo quadrtico:
MQ{a} /MQep
Modelo cbico:
MQ{a} / MQ ep = 3,66 .
= 3,48 )
R2 = 97,8%
( F 3,10 = 3,71 )
R2 = 98,2%
(F 4 ,10
Embora o coeficiente do termo cbico no seja significativo, no nvel de 95% de confiana, o

modelo cbico especial parece ligeiramente superior, a julgar pelos grficos dos resduos
(Figura 7A.6). Suas curvas de nvel esto na Figura 7A.7. As maiores absorvncias so
obtidas perto do vrtice esquerdo, isto , quando a mistura solvente mais rica em gua.
0,08
Quadrtico
O
O
O
~
:s,
0,00
0,04
O
O
()
-0,04
O
-0,08
0,0
0,6
0,4
0,2
0,8
Respostas previstas
0,08
Cbico
()
0,04
O
~
:s,
0,00
O
O
O
O
u
00
O
O
00
-0,04
O
-0,08
0,0
0,2
0,4
0,6
0,8
Respostas previstas
Figura 7A.6 - Resduos deixados pelos dois modelos.
340
Figura 7A.7 - Curvas de nvel para o modelo cbico especial.
7A.4 - Condutividade de uma blenda polimrica

Incorporando a um polmero flexvel uma concentrao de sal relativamente alta, podemos
obter filmes polimricos eletrolticos, que podem ser usados na fabricao de dispositivos
eletroqumicos miniaturizados. Para reduzir o risco de cristalizao e tambm aumentar a
mobilidade segmentacional (o que pode traduzir-se numa maior condutividade), costuma-se
acrescentar mistura um agente plastificante. Quase todos os estudos de otimizao que
constam da literatura baseiam-se em planejamentos univariados, onde a proporo de um
ingrediente - normalmente o sal - mantida constante. Recentemente publicou-se uma
otimizao multivariada de misturas de perclorato de ltio e polixido de etila (POE), tendo
como agente plastificante o carbonato de etileno (Silva et al., 2.000). Os resultados esto na
Tabela 7A.6, onde
Cl' C2
c3
so as propores de polmero, sal e plastificante, respectiva-
mente. Duas respostas foram acompanhadas: a condutividade inica da blenda (em escala
logartmica) e a temperatura de transio vtrea, T*. A Figura 7A.8 mostra a disposio dos
ensaios do planejamento em termos dos verdadeiros teores dos trs componentes e em termos de pseudocomponentes.
341
Como
mode~ar misturas
Tabela 7A.6 Planejamento para as misturas do eletrlito polimrico ternrio.

Ensaio
Log(cond}
T* (oC)
0,75
0,18
0,07
-4,699
-48
0,50
0,29
0,21
-3,523
-67
0,64
0,07
0,29
-4,398
-64
0,66
0,17
0,17
-4,155
-56
10
0,76
0,12
0,12
-5,000
O',:
':'.
..
-51
:::':',
. . :,'
,,",": : ,:,:.':' :'; :,' ",:..ffiI~~~:.:,::::::',:::: : ",: :,:, ;.. ,::~~'O, ... ,'"
12
14
:.:.;.:.;.:;.::.;:.::: ..:.:.;
'.::.,',
0,60
0,25
0,15
-4,155
-71
0,60
0,15
0,25
-3,699
-50
'
, ' : " ::".:,':':
(;I"i~:. . .. ;. .~!Ii~ ; ';
Os valores de T* so temperaturas de transio corrigidas para materiais com

cristalinidade acima de 20%.
Ao ajustar os modelos aos dados da tabela, descobrimos que este sistema bem mais
complexo que os outros que vimos at agora. Todos os modelos mais simples apresentam
falta de ajuste, e s um modelo cbico completo mostra-se satisfatrio, para ambas as
respostas. Em termos dos teores originais, esses modelos so dados pelas equaes abaixo,
onde s aparecem os termos significativos no nvel de 95% de confiana.
342
Clcut:lUO
As variaes explicadas so 99,27% e 93,99%, respectivamente. As curvas de nvel so

mostradas na Figura 7A.9, onde os vrtices representam pseudocomponentes. Se quisermos
obter condutividades mais altas (isto , logaritmos menos negativos) devemos nos deslocar
para o lado direito do grfico, o que corresponde a aumentar a proporo de sal na blenda.
Para aumentar a temperatura de transio, a regio favorvel est do lado oposto. Isto significa que a otimizao simultnea das duas respostas no factvel, e que teremos de nos
contentar com um meio-termo, ou ento sacrificar uma das respostas em proveito da
otimizao da outra.
Plastificante
..
__ __ .
"
i""
Polmero
Sal
Figura 7A.8 - Planejamento da Tabela 7A.6, em termos dos verdadeiros teores e em termos
de pseudocomponentes.
343
Condutividade
Temperatura de transio
Figura 7A.9 - Curvas de nvel para os modelos cbicos completos ajustados aos dados da
Tabela 7A.6.
7A.S - No precisa comer para conhecer o pudim

Os produtos alimentcios industriais so misturas mais ou menos complexas, cujas
propriedades devem ser reconhecidas e apreciadas pelos consumidores. Ao desenvolver um
novo produto, os tcnicos precisam levar em conta suas propriedades qumicas, composicionais, estruturais e texturais, que so determinantes na aceitao do produto pelo mercado. Alm disso, como em qualquer indstria, tm de considerar tambm os aspectos econmicos, que s vezes terminam sendo os que mais pesam na deciso de comercializar (ou no)
o produto desenvolvido.
344
o acar, o amido e o leite em p so os componentes presentes em maior proporo

numa formulao genrica para a preparao de pudins. A proporo de amido um dos
fatores que mais influenciam as propriedades texturais e estruturais do pudim. Braga Neto
(1998) investigou como cinco dessas propriedades eram afetadas pela variao das
propores dos trs ingredientes principais, e obteve os resultados da Tabela 7A. 7. As
unidades foram omitidas, para economizar espao.
Tabela 7A.7 Planejamento para o estudo das formulaes para pudim.

Pseudocomponentes
Ordem
Amido (Xl)
Leite em p (X2 )
Acar (X3)
0,176
0,000
0,824
0,000
0,000
1,000
0,000
0,412
0,588
0,000
0,824
0,176
0,176
0,412
0,412
0,088
0,824
0,088
0,088
0,000
0,912
0,088
0,412
0,500
0,176
0,824
0,000
Fraturabilidade
Coesividade
87,5 82,0 92,0
0,37 0,38 0,37
11,7 11,5 10,5
0,70 0,82 0,97
7,0
8,5
9,5
0,94 0,85 0,89
6,0
7,0
7,0
0,87 1,00 0,96
44,0 45,0 47,5
0,49 0,57 0,50
19,0 23,0 22,0
0,71 0,55 0,69
39,0 45,0 42,5
0,42 0,44 0,47
20,0 22,5 21,5
0,59 0,60 0,63
45,0 51,0 50,0
0,60 0,52 0,51
Os coeficientes dos termos estatisticamente significativos dos modelos ajustados para

as cinco respostas so dados na Tabela 7A.8. O modelo cbico especial o que melhor se
ajusta a todas as propriedades, exceto a coesividade, para a qual o modelo quadrtico sufi-
345
Como
mode~ar misturas
ciente. De todos os modelos ajustados, somente o da firmeza ainda apresenta falta de ajuste,
mas o nmero de nveis do experimento no suficiente para que possamos tentar ajustar
um modelo cbico completo. Os valores dos coeficientes deixam claro que o amido de fato o
componente mais importante, mas seu efeito afetado pelos teores de acar e de leite em
p.
Tabela 7A.S Coeficientes dos termos significativos nos modelos ajustados.

X2
Xl
XIX2
X3
XIX3
X2 X 3
xlx2 x 3
----------
- 478,2
Firmeza
273,8
8,5
11,1
----------
Fraturabilidade
876,6
7,8
10,4
-768,8
- 530,1
----------
- 693,1
0,6
-19,1
-26,1
-1,5
22,6
Adesividade
28,1
Coesividade
10,8
0,9
0,8
-14,5
-15,1
----------
----------
Elasticidade
-19,3
1,9
2,2
27,2
23,6
- 1,6
22,4
A variao na qualidade dos ajustes revelada pelos grficos das respostas previstas
contra as respostas observadas (Figura 7A.10). A firmeza e a fraturabilidade esto bem
modeladas, a adesividade mais ou menos, mas os modelos da coesividade e, principalmente,
da elasticidade deixam a desejar.
50 .... Firmeza
Adesividade
00
00
O
40
S
.:1
~
~Q.
O
30
l
~
.~
CO
~ 1 ~""""""'"'''''''''''''''''''''''''''''''''''/''''''''''''''''''''''''''''''''''''''' ..
..;
..
20
10
0"'----------"--------'---------'
10
20
30
40
50
346
100
,.........-----.-~-.....__,..---___r_~-~___r_---~
Coesividade
Fraturabilidade
lo
80
1
}
60
40
1,0
------i-----t-----t-------i----i
.----.--t---
--------.~----_t-----!
S 0,8
.~
-----l-J---J---.-.L.-
20 . - - - - - ,
---J---I-------L-I!
II
CD
00
II
0,4
O~------'-----'------'------"-----'"
40
60
100
O
20
80
0,4
0,6
2,6
00
O
0,6
0,8
r----~----r------...---_r__--__r_--____,.
I
2,4
~~~~t----.-+_-+_O-!-.--n-!
!i
-_._._ J._
2,2
2, O -_._._ _
-1-
1,8
lo
Imo
_.l--._._ ~ ~_._ _.. . I _._._._. _.91.._
-.L-._-_ ~._
1
_._.
-+-_._._ _..-.1
_.
_._ __..
-o--'-I;-'--'~-----r--i-l-----
--,-----l--l--r--l---i
1,6
1,4 "--_ _....L--_ _- - L - _ _- - "
1,4
1,6
1,8
2,0
2,2
_ ___I.__ _- - - '
2,4
2,6
Figura 7A.l0 - Comparao das respostas previstas com as respostas observadas.
347
1,0
8
Otimizao simplex
Nos mtodos de otimizao que vimos nos captulos anteriores, a resposta do sistema era
expressada como uma funo matemtica dos fatores a serem otimizados, e a otimizao propriamente dita comeava pela obteno de valores numricos para os parmetros dessa
funo. Existe uma outra classe de mtodos que nos permite otimizar um sistema sem que
precisemos conhecer, ou sequer postular, qualquer relao matemtica entre a resposta e as
variveis independentes. Neste captulo estudaremos um desses mtodos, o simplex seqencial, que bastante usado nas engenharias e at recentemente gozou de muita popularidade
entre os qumicos analticos. Os mtodos simplex funcionam bem na presena de erros experimentais e so capazes de otimizar sistemas controlados por um grande nmero de variveis independentes. Alm disso, no exigem o emprego de testes de significncia (como os testes t e F), o que uma vantagem a mais para pesquisadores alrgicos a clculos estatsticos.
Os mtodos simplex, como o prprio nome indica, se baseiam em algoritmos muito
simples, que podem ser facilmente implementados em instrumentos analticos, transformando a otimizao do funcionamento desses aparelhos em um procedimento automtico.
Por outro lado, numa otimizao simplex s podemos passar para a etapa seguinte depois de
conhecer a resposta da etapa imediatamente anterior. Enquanto na metodologia das
superfcies de resposta podamos realizar vrios experimentos ao mesmo tempo para completar um planejamento fatorial, nos mtodos simplex s podemos fazer um experimento de
cada vez (da o termo seqencial). Essa caracterstica faz com que o emprego do simplex seja
mais conveniente em instrumentos de resposta rpida, como os sistemas de fluxo.
Os mtodos simplex tm ainda outras limitaes, que precisamos levar em conta na
hora de escolher um mtodo de otimizao. Em primeiro lugar, eles s podem ser empregados com variveis quantitativas. Fatores qualitativos, como tipo de catalisador ou
presena/ausncia de determinado componente, no podem fazer parte de uma otimizao
simplex, pelas prprias caractersticas do algoritmo. Em segundo lugar, e pelos mesmos
motivos, caso haja dificuldade para controlar os fatores experimentais nas condies indicadas pelo simplex, o sistema no poder ser otimizado por esse mtodo. Finalmente, s temos
condies de otimizar uma resposta de cada vez. Se houver vrias respostas de interesse,
349
Otimizao simpiex.
precisaremos decidir em qual delas a aplicao do simplex ser baseada. Esta ultima
restrio no to grave, porque s vezes podemos contorn-la usando como "resposta" uma
combinao das verdadeiras respostas experimentais, ponderadas de acordo com a sua
importncia relativa para o problema, como na metodologia de Derringer e Suich.
A dcima edio do Webster's Collegiate Dictionary define simplex como 'uma configurao espacial de n dimenses determinada por n+1 pontos num espao de dimenso
igualou maior que n. Nos mtodos de otimizao simplex essa configurao um polgono
(ou o seu equivalente multidimensional) de p + 1 vrtices, onde p o nmero de variveis
independentes que queremos ajustar. Com duas variveis, portanto, o simplex um tringulo. Com trs, um tetraedro. Com quatro ou mais, um hiperpoliedro. O nmero de fatores
define as dimenses em que o simplex se move.
Existem diversos mtodos de otimizao simplex. Neste captulo discutiremos trs
deles, em ordem crescente de complexidade: o simplex bsico, o simplex modificado e o simpIex supermodificado. Os mtodos mais sofisticados conseguem adaptar-se melhor superfcie estudada, mas a construo de cada simplex exige um nmero maior de experimentos.
Apesar disso, o simplex modificado e o supermodificado normalmente conseguem aproximarse do mximo (ou do mnimo, se for o caso) com um nmero total de experimentos menor do
que o que seria necessrio com um simplex bsico. Neste captulo veremos exemplos com
duas ou trs variveis somente, para que possamos acompanhar graficamente a evoluo do
simplex. Trata-se apenas de uma convenincia didtica. A eficincia do simplex, em comparao com mtodos univariados de otimizao, cresce com o nmero de fatores.
8.1 O simplex bsico

Exatamente: voc adivinhou. o mais simples de todos. O simplex sempre uma figura
geomtrica regular, cujas dimenses no variam ao longo do processo de otimizao, e por
isso o mtodo no muito eficiente (Spendley, Hext e Himsworth, 1962; Deming, 1981). Com
dois fatores, o simplex um tringulo eqiltero. Com trs, um tetraedro regular. A Figura
8.1 apresenta graficamente o deslocamento do simplex bsico num problema bidimensional,
em que os fatores so o tempo de reao e a concentrao de um reagente, e a resposta o
rendimento da reao, todos medidos em unidades arbitrrias. Para facilitar a argumentao, estamos admitindo que a superfcie de resposta aproximadamente plana e ascendente do canto inferior esquerdo para o canto superior direito da figura, como mostram as
curvas de nvel. Mais uma vez, isto apenas um recurso didtico. Num problema real,
provvel que no tenhamos nenhum conhecimento prvio sobre a forma da superfcie. At
350
porque, se tivssemos, faramos um negcio mais proveitoso usando a metodologia de

superfcies de resposta ao invs do simplex.
A idia bsica dos mtodos discutidos neste captulo deslocar o simplex sobre a superfcie de resposta de modo a evitar regies de resposta insatisfatria. No presente
exemplo, como obviamente desejamos atingir o rendimento mximo, devemos nos afastar
dos pontos que apresentem baixos rendimentos. Isso feito de acordo com cinco regras.
(a)
(b)
150
150
70
70
100
100
65
65
50
50
60
60
50
100
150
50
100
150
(c)
200
75
150
70
100
65
C
50
60
50
100
150
Figura 8.1 Deslocamento do simplex bsico bidimensional. (a) O simplex
inicial o tringulo ABC. A reflexo do pior vrtice (A) na aresta BC gera o

novo simplex, BCD. (b) A rejeio do vrtice B produz o simplex CDE. (c) Os
sucessivos deslocamentos do simplex resultam num movimento ascendente
sobre a superfcie de resposta.
Regra 1- O primeiro simplex determinado fazendo-se um nmero de experimentos
igual ao nmero de fatores mais um. O tamanho, a posio e a orientao desse simplex
351
Otimizao
shnph~x.
inicial so escolhidos pelo pesquisador, levando em conta a sua experincia e as informaes

disponveis sobre o sistema investigado (Burton e Nickless, 1987). Na Figura 8.1(a) o primeiro simplex definido pelos vrtices A, B e C. Realizando experimentos nas condies
indicadas por esses vrtices e comparando os resultados, verificamos que eles correspondem,
respectivamente, pior, segunda pior e melhor das trs respostas observadas, como voc
pode facilmente constatar, observando a localizao do simplex em relao s curvas de nvel
da superfcie. Essa classificao necessria para que possamos definir a localizao do
segundo simplex, feita de acordo com a regra 2.
Regra 2 - O novo simplex formado rejeitando-se o vrtice correspondente pior
resposta (Na Figura 8.1(a), o vrtice A) e substituindo-o pela sua reflexo na hiperface definida pelos vrtices restantes (B e C). No nosso exemplo bidimensional, onde a hiperface
simplesmente a aresta BC, isso produzir o vrtice D [Figura 8.1(a)], e o novo simplex ser o
tringulo BCD. Na linguagem da geometria descritiva, esse movimento chamado de
rebatimento do tringulo ABC sobre a aresta BC.

A pior resposta do novo simplex (BCD) ocorre no vrtice B, cuja rejeio levar ao simplex CDE [Figura 8.1(b)]. Fazendo isso vrias vezes, obtemos uma espcie de deslocamento em
zigue-zague com uma resultante quase perpendicular s curvas de nvel da superfcie de
resposta, correspondendo aproximadamente ao percurso de mxima inclinao [Figura 8.1(c)].
Para uma superfcie plana, como na Figura 8.1, o simplex, sendo tambm plano,
adapta-se perfeitamente ao relevo e o seu deslocamento se d sem problemas. Havendo curvatura significativa, porm, a aplicao da regra 2 pode levar a uma paralisao do movimento. O simplex TUV na Figura 8.2(a) ilustra esse problema. Ele obtido a partir do simplex STU pela rejeio do vrtice S, que substitudo pelo vrtice V. O vrtice V, porm, acontece de ter a pior das trs respostas do novo simplex TUV. Pela regra 2 ele deve ser descartado, para obtermos o simplex seguinte. Isso nos trar de volta ao vrtice S, fazendo com
que o novo simplex seja idntico ao simplex de partida, o tringulo STU. Nessas condies,
se continuarmos usando a regra 2 manteremos o simplex preso no mesmo local da superfcie
de resposta, oscilando entre os vrtices Se V. Para sair dessa situao, aplicamos a regra 3.
Regra 3 - Quando o vrtice refletido tiver a pior das respostas do novo simplex,
devemos rejeitar o segundo pior vrtice. Aplicando essa regra ao simplex TUV, descartamos o
vrtice T (ao invs do vrtice V) e obtemos o simplex UVW [Figura 8.2(b)]. A partir dele,
voltando a aplicar a regra 2, obtemos os simplexes 1 UWX, WXY e WYZ. Para sair do simplex
Os puristas preferem o plural simplices.
352
WYZ, no entanto, temos de usar novamente a regra 3, j que o vrtice Z, gerado pela reflexo
do vrtice X, o pior dos trs. Rejeitamos portanto o vrtice W e obtemos o simplex "YZA'.
300
300
250
250
83
ao
80
200
T
I
200
- -)tR
75
P
I
JII\
\
I
- -)fN
150
70
L
I
JII\
150
70
-)tM
I
--)tK
100
65
9(\
75
-;0
100
-~ I
65
50
50
O
50
100
150
100
50
150
(b)
(a)
Figura 8.2 (a) O fenmeno do simplex oscilante. A aplicao da regra 2 faz

com que o vrtice S seja substitudo pelo vrtice V, e vice-versa. (b) deslocamento do simplex depois da aplicao da regra 3 ao simplex TUV.
Como nos mtodos simplex no realizamos ensaios em duplicata, no temos uma

estimativa do erro experimental, e por isso no podemos avaliar a preciso das respostas.
Corremos assim o risco de manter no simplex respostas errneas, sejam altas demais, sejam
baixas demais. Num estudo cujo objetivo a maximizao, incluir uma resposta falsamente
baixa, isto , uma resposta que parece mais baixa do que de fato , no tem conseqncias
muito srias. As respostas seguintes provavelmente se mostraro mais altas, e terminaremos descartando o vrtice errado. O perigo est na determinao de uma resposta falsamente alta. As outras respostas talvez no se mostrem mais altas do que ela, e podemos acabar
retendo indevidamente o vrtice errado. Nosso simplex comear ento a girar em torno de
um falso mximo. Se o estudo visar a minimizao, claro que a situao se inverte, e o risco
passa a residir nas respostas falsamente baixas, que podem levar a mnimos fictcios. Para
nos prevenir contra esse tipo de problema que devemos empregar a regra 4.
353
Otimizao simpiex.
---------
Regra 4 - Se um mesmo vrtice tiver sido mantido em p + 1 simplexes [como os

vrtices U e W na Figura8.2(b)], antes de construir o prximo simplex devemos determinar
novamente a resposta correspondente a esse vrtice. Se a primeira resposta tiver sido alta
demais por causa de algum erro experimental, improvvel que esse fenmeno se repita na
segunda determinao. A nova resposta dever ento ser mais baixa, e o vrtice terminar
sendo descartado. Se, ao contrrio, a resposta se mantiver alta, ento provvel que estejamos realmente prximos de um ponto de mximo, e o vrtice ser merecidamente retido.
No percurso mostrado na Figura 8.2(b) devemos, de acordo com esta regra, fazer novos
ensaios nos pontos U e W, para confirmar se as respostas nesses vrtices so to altas
quanto pareceram ser na primeira determinao.
s vezes o mtodo simplex pode especificar para o prximo ensaio condies experimentais impossveis ou muito difceis de executar. Por exemplo, a reflexo do simplex poderia levar a figura para uma regio de concentraes negativas. Ou ento, na otimizao de
um mtodo analtico, para um tempo de reao longo demais para ter utilidade prtica. A
regra 5 nos diz como proceder nesses casos.
Regra 5 - Se o novo vrtice ultrapassar os limites aceitveis para qualquer uma das
variveis que esto sendo ajustadas, devemos atribuir um valor indesejvel resposta nesse
vrtice. A aplicao das regras 2 e 3 far ento o simplex voltar para a regio de valores
aceitveis para a varivel em questo. Mais adiante veremos um exemplo real desse tipo de
comportamento.
A Figura 8.3 mostra o que termina ocorrendo com o simplex bsico quando ele se
aproxima o suficiente do valor procurado. Tendo chegado nas vizinhanas do mximo, que
o valor desejado neste exemplo, o simplex passa a descrever um movimento circular em
torno da resposta mais alta observada (o ponto A:, na Figura 8.3), e da no sai mais. Nesse
estgio no temos mais o que fazer, porque o simplex bsico no pode diminuir de tamanho.
O processo de otimizao deve ser interrompido, e a preciso com que as condies otimizadas so determinadas fica dependendo do tamanho e da localizao do simplex inicial. No
nosso exemplo a resposta mxima um pouco superior a 86. O valor mximo alcanado pelo
simplex fica at bem prximo: cerca de 85,3, nas condies experimentais definidas pelo
vrtice A:, t == 50 e c == 247.
Exerccio 8.1
Na Figura 8.3, quais so os simplexes obtidos pela aplicao da regra 2? Quais decorrem da
regra 3? Precisaramos aplicar a regra 4 a algum vrtice?
354
300 .------..:------.:::------~--------~
EI
DI
250
200
75
c
150
70
100
65
50 "----O
L-.-.-
L...-
50
100
150
t
Figura 8.3 Movimento circular do simplex bsico na vizinhana do mximo. O
vrtice A' retido em todos os simplexes.
8.2 O simplex modificado

No algoritmo modificado (Nelder e Mead, 1965) o simplex pode alterar seu tamanho e sua
forma, e conseqentemente adaptar-se melhor superfcie de resposta. Essa flexibilidade
permite uma determinao mais precisa do ponto timo, porque o simplex pode "encolher"
nas suas proximidades. Alm dessa caracterstica desejvel, o mtodo modificado tambm
pode resultar num nmero de ensaios menor do que o necessrio para a execuo do simplex
bsico, porque o simplex pode "esticar-se" quando estiver longe do ponto procurado e assim
aproximar-se mais rapidamente da regio de interesse.
355
Os possveis movimentos do simplex modificado so ilustrados na Figura 8.4. O

simplex inicial o tringulo BNW. Esta notao j classifica os vrtices de acordo com as
respostas correspondentes. B (de best) o vrtice com a melhor resposta e W (worst) o que
tem a pior. O vrtice N (next to worst) corresponde segunda pior resposta. O primeiro
movimento, partindo do simplex inicial, idntico ao do simplex bsico: uma reflexo do pior
vrtice no centride dos vrtices restantes. Na Figura 8.4, isso corresponde a rebater o ponto
W atravs do ponto mdio do segmento BN, identificado como P. O resultado o ponto
o novo simplex passa a ser BNR. Para decidir se esse simplex ser retido, porm, precisamos
comparar a resposta observada em R com as respostas obtidas no simplex anterior, BNW.
Trs casos so possveis. Para discuti-los, vamos identificar as respostas com as mesmas
letras usadas para rotular os vrtices. Admitiremos tambm, para simplificar a discusso,
que estamos em busca de um mximo.
B
~~-------------
I
I
I
I
I
/L
W) ,/
,
~"
--/----~
I,"'"
Figura 8.4 Possveis movimentos para o simplex modificado. O simplex BNR

obtido a partir do simplex inicial BNW por meio de uma reflexo simples. Os
outros trs correspondem aos seguintes movimentos: expanso (BNS),
contrao (BNU) e contrao com mudana de direo (BNT).
Primeiro caso - R> B. A nova resposta melhor do que todas as respostas do simplex anterior. Isso nos faz supor que o simplex est no caminho certo, e que devemos continuar nossas investigaes na mesma direo. Realizamos ento uma nova determinao no
ponto S, localizado sobre a reta WPR de forma que a distncia PS seja o dobro da distncia PR. Dependendo do valor da resposta no ponto S temos duas possibilidades:
la - S > R A resposta ficou ainda melhor. A expanso valeu a pena, e o novo simplex
passa a ser BNS.
356
1b - S < R O resultado piorou com a expanso. Devemos ficar com o simplex no

expandido, BNR.
Segundo caso - N < R < B. A resposta observada depois da reflexo inferior

melhor resposta do simplex inicial, mas ainda continua superior segunda pior resposta.
Nesse caso no vale a pena expandir nem contrair, e o simplex BNRdeve ser mantido.
Terceiro caso - R < N. A nova resposta menor do que a segunda pior resposta do
simplex de partida. Conclumos que a direo do movimento no est sendo satisfatria, e
que precisamos corrigir o rumo. Temos novamente duas possibilidades:
3a - R < W. Aconteceu o pior: a nova resposta inferior a qualquer uma das

observadas anteriormente. Devemos recuar. O novo simplex passa a ser BNT, sendo T o
ponto mdio do segmento WP. Nesse caso ocorre no apenas uma contrao como tambm
uma mudana no sentido do deslocamento (isto , um recuo propriamente dito).
3b - W < R < N. Embora a nova resposta seja ruim, ainda superior pior das
respostas anteriores. Devemos recuar, mas com moderao. O simplex contrado para uma
posio intermediria entre P e R O novo simplex passa a ser BNU, onde U o ponto
mdio do segmento PR.
Usando geometria analtica elementar, podemos calcular facilmente a localizao
dos diversos vrtices medida que o simplex se movimenta. S precisamos considerar as
coordenadas de cada ponto como componentes de um vetor e aplicar as regras da composio
de vetores. Assim, por exemplo, o vetor que localiza o ponto P a mdia dos vetores B e N:
B+N
P=--.
(S.la)
No nosso exemplo o simplex um tringulo, e por isso o vetor P contm as mdias das
coordenadas de apenas dois vrtices. Se estivssemos otimizando um sistema de trs variveis o simplex seria um tetraedro, e o ponto P seria dado pela mdia dos trs vrtices
situados na face oposta ao pior vrtice, e assim por diante.
Uma reflexo simples (isto , sem expanso nem contrao) gera o ponto ~ dado por
(S.2a)
Caso a reflexo seja feita a partir do segundo pior vrtice, isto , seja resultante da aplicao
da regra 3, s substituir o vrtice W pelo vrtice N:
357
Otimizao shnplex.
(8.2b)
Nesse caso o ponto P tambm mudar, passando a ser dado por

-
p=
B+W
.
2
(8.1b)
Com as Equaes vetoriais 8.1 e 8.2 podemos determinar as coordenadas de todos os pontos
varridos pelo simplex bsico.
Exerccio 8.2
Use a "regra do paralelogramo", da geometria vetorial, para demonstrar que a Equao 8.2a
verdadeira.
Exerccio 8.3
As coordenadas dos vrtices A, B e C na Figura 8.1(a) so dadas respectivamente por (t, C) =
(68, O), (56, 21) e (80, 21). (a) Quais so as coordenadas do ponto D? (b) Quais so as coordenadas do ponto E?
No simplex modificado temos movimentos de expanso e de contrao. Neles o vetor
(P W)
[ou, se for o caso,
(li. N)l
multiplicado por um fator, que o aumenta ou diminui.
N a expanso temos
(8.3)
Para a contrao, teremos
(8.4)
Se alm de contrair o simplex precisarmos mudar sua direo, teremos uma subtrao de
vetores, ao invs de uma adio:
(8.5)
Usando fatores diferentes de 2 e 1/2 podemos variar o tamanho da extenso ou da contrao
do simplex, mas esses valores so os mais comuns. Todas essas equaes podem ser facilmente resolvidas com um programa de lgebra linear, ou mesmo com uma das muitas
planilhas disponveis no mercado.
358
Nas Figuras 8.5 e 8.6 usamos a mesma superfcie de resposta das Figuras 8.1 e 8.2
para mostrar a aplicao do algoritmo modificado. Os valores numricos da concentrao e
do tempo correspondentes aos diversos vrtices esto na Tabela 8.1. Note que o simplex
inicial ABC o mesmo do exemplo do simplex bsico, o que nos permitir comparar melhor a
eficincia dos dois algoritmos.
Tabela 8.1 Coordenadas dos vrtices do simplex modificado bidimensional cujo deslocamento ilustrado nas Figuras 8.5 e 8.6.
Vrtice
Simplex
Cone.
68
56
21
Inicializao
Movimento
Inicializao
ABC
80
21
Inicializao
BCD
68
63
Expanso
CDE
110
84
Expanso
DEF
107
178,5
Expanso
EFG
149
199,5
Reflexo
FGH
137
241,5
Contrao
FGI
132,5
215,25
Contrao e Mudana de direo
FIJ
90,5
194,26
Reflexo
JFK
115,63
200,82
JKL
99,13
216,58
Reflexo
JLM
74,01
210,02
Reflexo
LMN
82,63
232,34
Reflexo
MNO
57,54
225,78
Reflexo
MOP
74,19
225,12
OPQ
57,69
240,88
Reflexo
OQR
41,08
241,54
Reflexo
QRS
41,19
256,64
Reflexo
RST
24,50
257,30
Reflexo
RIU
36,97
253,03
359
Otimizao simplex
o primeiro movimento
uma reflexo, que nos leva ao ponto D'. Como a resposta
nesse ponto superior a todas as respostas do simplex inicial, fazemos uma expanso at o
ponto D, cuja resposta ainda melhor. O novo simplex portanto o tringulo BCD, cujo pior
vrtice o ponto B. Este, refletido, nos leva ao ponto E', e da, por expanso, ao ponto E,
formando o simplex CDE.
Exerccio 8.4
Use as coordenadas do simplex BCD dadas na Tabela 8.1 e calcule os valores do tempo e da
concentrao no ponto E mostrado na Figura 8.5.
200 , . . - - - - - - - - - - - - - - - - - - - - - - - - ,
75
150
70
100
60
50
60
50
100
150
Figura 8.5 Deslocamento do simplex modificado bidimensional numa super-
fcie de resposta plana.
Tanto a Figura 8.1(c) quanto a Figura 8.5 apresentam a situao do simplex depois
de nove experimentos. Na Figura 8.1(c), que mostra a aplicao do simplex bsico, a resposta
no nono ponto (o vrtice I) == 68. J na Figura 8.5, em que foi aplicado o algoritmo modificado, a resposta final (vrtice F) sobe para cerca de 79, porque o simplex modificado foi
"acelerando" a subida, medida que as novas respostas iam-se mostrando melhores que as
360
precedentes. Nessa regio, no entanto, a superfcie de resposta comea a curvar-se, e o

simplex, se prosseguir na mesma direo, terminar passando ao largo do mximo. A Figura
8.6 mostra o que realmente acontece. A passagem DEF
EFG trivial. Desse ltimo
simplex uma reflexo nos levaria ao ponto H', no canto superior direito da figura. A resposta
nesse ponto superior resposta no ponto E, mas menor que a resposta no ponto G, que
o segundo pior vrtice do simplex EFG. O procedimento recomendado nesse caso uma
contrao simples (regra 3b), que produz o simplex FGH. Uma reflexo simples nos leva em
seguida ao ponto I' (embaixo, direita), cuja resposta, no entanto, pior que a pior das
respostas em FGH. Pela regra 3a devemos fazer no apenas uma contrao mas tambm
uma mudana de direo. O resultado o ponto I, e o novo simplex passa a ser FGI.
300r-::----..::---------.:-----------.,----------,
250
""ao
200
75
150
70
100
o
50L..------~-----...L--------...,;::::.-.L-----I
50
100
150
Figura 8.6 Deslocamento do simplex modificado bidimensional numa cumeeira ascendente. Os pontos no includos nos simplexes so os vrtices rejeitados pelas regras do algoritmo.
Exerccio 8.5
Use os dados do simplex FIJ (Tabela 8.1) para calcular os valores do tempo e da concentrao
correspondentes ao vrtice K na Figura 8.6.
361
Exerccio 8.6
Qual o simplex imediatamente posterior ao simplex R8T, na Figura 8.6? Ele o resultado da
aplicao de qual regra?
o ltimo vrtice atingido na Figura 8.6 (o ponto U) est muito prximo do mximo
da superfcie. Caso seja necessria uma maior preciso, pode-se realizar mais experimentos,
que certamente faro o simplex diminuir de tamanho e produziro uma regio mais restrita
ainda nos arredores do mximo. bvio que o simplex no poder reduzir-se a um ponto,
por mais que encolha, e por isso improvvel que o mximo matemtico seja atingido. Para
evitar que a sua busca se prolongue indefinidamente, costuma-se dar por encerrada a investigao quando as diferenas entre as respostas dos vrtices do simplex ficam do mesmo
tamanho do erro experimental.
Para concluir nossa discusso do simplex modificado vamos apresentar um exemplo
com dados reais, obtidos numa tentativa de otimizar a anlise de molibdnio pelo mtodo
baseado na catlise da reao de KI e H202 (Eiras, 1991). A investigao desse mesmo sistema por meio de fatoriais fracionrios foi discutida no Captulo 4. No exemplo que vamos
apresentar agora os pesquisadores estudaram uma outra regio da superfcie de resposta.
As coordenadas dos vrtices de todos os simplexes construdos nessa investigao e os valores das respostas analticas correspondentes so apresentados na Tabela 8.2. Como os
fatores estudados so trs (as concentraes de H2S04, KI e H202), o simplex um tetraedro.
Acompanhar graficamente o seu deslocamento complicado, mas os valores das concentraes correspondentes a cada vrtice so facilmente calculados por meio das Equaes
8.1- 8.5.
o primeiro simplex definido pelos vrtices 1 -
4. Destes, o que apresenta a menor
resposta o vrtice 1. Como estamos querendo aumentar o valor do sinal, esta tambm a
pior resposta, e portanto o vrtice 1 deve ser descartado. Devemos refleti-lo no ponto central
da face oposta, que dado por
(8.6)
P = 1/3 (B + N + I),
onde B e N tm o seu significado usual e I representa o vrtice restante. Substituindo os

valores numricos apropriados podemos escrever
0,3200] [0'3200] [0,3200]} [0'3200]

P = 1/3 0,0400 + 0,0300 + 0,0300 = 0,0333.
{[
0,0040
0,0040
0,0050
0,0043
362
o novo vrtice, R, ser obtido refletindo-se o vrtice 1 (que nesse caso o vrtice W) no ponto
P . Aplicando a Equao 8.2a temos
0,3200] {[0'3200] [0'4200]} [0'2200]

R = 0,0333 + 0,0333 - 0,0300 = 0,0366.
[
~0043
~0043
~0040
~0046
Exerccio 8.7
Calcule as concentraes de H2S04, KI e H202 correspondentes ao vrtice 8, que o resultado

de uma expanso do simplex formado pelos vrtices 2, 3, 5 e 6 na Tabela 8.2.
Exerccio 8.8
Calcule a concentrao de H2S04 no vrtice 15, que obtido por reflexo a partir do simplex
formado pelos vrtices 8, 9, 11 e 14 na Tabela 8.2.
o resultado do Exerccio 8.8 um exemplo de violao dos limites aceitveis para as

condies experimentais. claro que no se pode preparar uma soluo com uma concentrao negativa de cido sulfrico, e portanto no possvel executar um experimento nas
condies especificadas pelo vrtice 15. Assim sendo, atribumos arbitrariamente um valor
ruim para a resposta nesse vrtice. Isso far com que o simplex se afaste dele e retorne
regio experimentalmente permitida.
Exerccio 8.9
Calcule as concentraes de H2S04, KI e H202 correspondentes ao vrtice 16, partindo do simplex formado pelos vrtices 8, 11, 14 e 15 na Tabela 8.2.
Um dos simplexes da Tabela 8.2 foi obtido de uma forma que ainda no discutimos.
O vrtice 20 foi o resultado de uma contrao com mudana de direo. Esta, por sua vez, foi
conseqncia de uma reflexo malsucedida, que havia produzido um ponto experimentalmente invivel (o vrtice 19). Ocorre, no entanto, que o vrtice 20 apresenta uma resposta
pior que as respostas do simplex anterior. Em outras palavras, nem a reflexo nem a contrao na direo oposta tiveram xito. Nessa situao o procedimento indicado uma
drstica contrao do simplex na direo do vrtice que apresenta a melhor resposta. Esse
movimento, que chamado de contrao macia, ilustrado na Figura 8.7 para um simplex
triangular. Nessa figura o vrtice T, que obtido a partir do simplex BNW por meio de
uma contrao com mudana de direo, apresenta uma resposta inferior pior resposta
do simplex anterior, que a do ponto W. Isso sugere que para obter uma resposta otimizada
363
Otimizao shnpiex
Tabela 8.2 Aplicao do simplex modificado otimizao da determinao de Mo(VI) em

funo das concentraes de H202, KI e H2S04. A resposta observada, que deve ser
maximizada, representada por M.
CH2S04
CKI
C H202
0,4200
0,0300
0,0040
0,183
0,3200
0,0400
0,0040
0,314
0,3200
0,0300
0,0050
0,236
0,3200
0,0300
0,0040
0,198
Vrtice
Movimento a Vs. Retidos
3
4
2,3,4
0,2200
0,0366
0,0046
0,253
2,3,5
0,2533
0,0411
0,0051
0,307
2,5,6
0,2089
0,0485
0,0042
0,352
2,5,6
0,1533
0,0578
0,0038
0,372
2,6,8
0,2644
0,0559
0,0039
0,353
10
2,8,9
0,2385
0,0614
0,0027
0,341
11
8,9,10
0,1175
0,0767
0,0029
0,457
12
8,9,10
0,0162
0,0951
0,0024
0,370
13
8,9,11
0,1183
0,0655
0,0044
0,523
14
8,9,11
0,0582
0,0676
0,0052
0,528
15
8,11,14
- 0,0451*
0,0788
0,0041
16
8,11,14
0,1870
0,0617
0,0040
0,426
17
11,14,16
0,0885
0,0795
0,0042
0,542
18
11,14,16
0,0561
0,0903
0,0044
0,595
19
11,14,18
- 0,0325*
0,0948
0,0044
20
21**
CMD
11,14,18
0,1321
0,0699
0,0040
0,421
0,0868
0,0835
0,0037
0,479
22
0,0572
0,0790
0,0048
0,517
23
0,1216
0,0760
0,0042
0,481
24
18,22,23
0,0698
0,0800
0,0052
0,516
25
18,22,24
0,0005
0,0902
0,0054
0,116
26
CMD
18,22,24
0,0913
0,0796
0,0045
0,531
27
18,22,26
0,0666
0,0859
0,0039
0,550
28
18,26,27
0,0855
0,0915
0,0037
0,527
29
18,26,27
0,0784
0,0884
0,0040
0,560
30
18,27,29
0,0427
0,0968
0,0037
0,503
= Expanso;
C = Contrao; CMD
a Movimentos do simplex: R = Reflexo; E
= Contrao
com
Mudana de Direo.
b 01- 04: Vrtices do simplex inicial.
* Como a concentrao do cido negativa, a resposta nesse vrtice foi considerada o pior resultado.
** 21 - 23: Contrao macia mantendo o vrtice 18.
364
devemos investigar melhor a regio do ponto B, o que se pode fazer por meio de uma contrao macia. Nesse tipo de movimento apenas o vrtice com a melhor resposta (B) mantido.
Os demais (N e W, em nosso exemplo) so substitudos por pontos localizados no meio das
arestas que os ligam ao vrtice B. O novo simplex passa a ser ento o tringulo BX'Y'. Na
Tabela 8.2, como o simplex um tetraedro, ser necessrio descartar trs vrtices. O vrtice
18, que o melhor dos quatro, mantido, e os vrtices 11, 14 e 16 so substitudos. O novo
simplex passa a ser formado pelos vrtices 18,21,22 e 23, e a otimizao prossegue.
X'
,,
~,
Y'
T
,
,
,,
,,
,,
,,
,,
N
Figura 8.7 Contrao macia de um simplex triangular. A resposta no ponto
T pior que a resposta no ponto W. O novo simplex BX'Y'.
Exerccio 8.10
Calcule as coordenadas dos vrtices 21, 22 e 23, resultantes de uma contrao macia do
simplex formado pelos vrtices 11, 14, 16 e 18 na Tabela 8.2.
Na continuao do processo de otimizao da Tabela 8.2 podemos notar que o vrtice

18 mantido em todos os simplexes construdos depois da contrao macia. Em outras palavras, o simplex permanece ancorado nesse ponto, e passa a descrever um movimento circular
ao seu redor, indicando que chegamos a uma regio de mximo. Nesse ponto, para melhor
determinar o mximo seria conveniente abandonar o mtodo simplex e mapear a regio em
torno do vrtice 18, empregando a metodologia de superfcies de resposta, que discutimos no
Captulo 5.
365
Otimizao simpiex
8.3 O simplex supermodificado

No algoritmo modificado o simplex inicial BNW pode ser submetido a cinco diferentes operaes: reflexo, expanso, contrao, contrao com mudana de direo e contrao macia.
No simplex supermodificado (Routh, Swartz e Denton, 1977) esse leque de opes ampliado.
As Equaes 8.2 - 8.5, que governam o movimento do simplex modificado, podem ser
consideradas casos especiais de uma s,
(8.7)
onde Y representa o novo vrtice, cuja localizao depende do valor do parmetro a. Quando
a igual a 1, 2, 0,5 e -0,5, o vrtice Y corresponde respectivamente aos vrtices
S, U e T
das Equaes 8.2 - 8.5 e da Figura 8.4. Na seo anterior salientamos que outros valores de
a poderiam ser utilizados, embora estes fossem os mais corriqueiros. O valor ideal, isto ,
aquele que nos leva mais depressa para perto do ponto desejado, depende de vrios fatores,
como a forma da superfcie, o tamanho do simplex e a extenso do erro experimental. No
simplex supermodificado isso levado em considerao e o valor de a estimado de acordo
com as caractersticas da superfcie estudada. O deslocamento do simplex torna-se assim
mais eficiente. Em compensao, a determinao de cada novo simplex requer a realizao
de mais experimentos do que no caso do algoritmo modificado.
Para discutir o algoritmo supermodificado conveniente fazer uma pequena modificao na
Equao 8.7, substituindo o parmetro a por
(J3 - 1). Com isso e um pequeno rearranjo a
equao se torna
(8.8)
Fazendo J3 = 2, 3, 1,5 e 0,5, respectivamente, obtemos os pontos
S, U e T, que podem ser
dispostos ao longo de um eixo, como mostra a Figura 8.8. Para discutir a aplicao do
simplex supermodificado vamos imaginar que as respostas determinadas nos vrtices W e R
se apresentem como na Figura 8.8(a). No mtodo modificado o deslocamento indicado nesse
caso seria uma expanso, que levaria realizao de um experimento no ponto S. Suponhamos agora que a superfcie de resposta nessa regio seja descrita pela curva mostrada na
Figura 8.8(b), que apresenta um mximo entre os pontos W e R bvio, nesse caso, que o
ponto S (isto , um valor de
J3 igual a 3), seria uma escolha infeliz. Um valor de
J3 menor, ao
redor de 1,3, teria produzido a melhor resposta. Estas sbias consideraes, infelizmente, s
podem ser feitas a posteriori, depois que a resposta no ponto S tiver sido determinada, ou
366
ento se conhecermos de antemo a superfcie de resposta, caso em que no precisaramos

mais realizar experimento algum.
Para evitar situaes como a apresentada na Figura S.S(b) o simplex supermodificado estabelece a realizao do novo experimento no no ponto 8, mas no ponto intermedirio P . Com as respostas nos trs pontos W, P e R (correspondentes a
~.
mos ento a resposta a um polinmio do segundo grau em

o valor timo de
A
Popt
~,
= 0,1 e 2) ajusta-
Derivando essa funo obtemos
que dado pela expresso
R w -Rp
+05
'
RR -2R p +R w
(S.9)
onde R w , R p e RR so as respostas determinadas nos pontos W, P e R, respectivamente. O

novo simplex ser formado pelos vrtices B, N e Z, onde
(S.10)
(a)
~o 3
Q.
~
a::
-----------------~
O '----+----+--+-----+--~
W T
fi
U R
r>
(b)
(c)
eu
ctS~4
...
a:
~ + 3
o..
~Q. 3
mcl
0:-
~2
lI:
-----~
.... IN 1
: (3opt
o
w
fi
3
S
o
w
fi
3
S
Figura 8.8 O simplex supermodificado. (a) As respostas observadas em W e R

indicariam uma expanso no simplex modificado. (b) Com essa superfcie de
resposta a expanso no seria o melhor movimento. Um valor de ~ de cerca de
1,3 produziria a maior resposta. (c) Para uma superfcie cncava o vrtice R
mantido.
367
Otimizao shnplex.
Exerccio 8.11
Ajuste a equao R
= af32+
bf3 + c aos pontos cujas coordenadas so (0, R w ), (1, R p ) e (2,
R R ). Derive essa equao em relao a

Popt =
RR -4R p +3R w
2R R -4R p +2R w
p, iguale a derivada a zero e confirme que
Mostre que essa expresso equivalente Equao 8.9.
Aplicando a Equao 8.9 curva mostrada na Figura 8.8(b), onde R w = 2,0, R p = 3,2 e RR
= 3,0, obtemos ~oPt = 1,36 e portanto
Z =1,36P - 0,36W .
A curvatura da superfcie de resposta pode ser determinada comparando-se a
resposta observada no ponto P com a mdia das respostas dos pontos W e R Se por acaso
R p < !(Rw +RR)' a superfcie cncava, como na Figura 8.8(c). Obviamente, num caso
2
destes, no interessante continuarmos investigando a regio situada entre W e R, e o ponto

R mantido como o novo vrtice.
nmero de valores possveis para
Bopt
infinito. Algumas faixas de valores, no
entanto, so inconvenientes. Caso o valor de
Bopt
caia numa dessas faixas, que so ilustra-
das na Figura 8.9, ele descartado e o novo vrtice passa a ser definido pelas regras a
seguir.
1.
Valores de
Bopt
inferiores a -1 ou superiores a 3 representariam extrapolaes do
simplex maiores do que se obteria com o algoritmo modificado, e isso considerado

excessivo. Nesse caso adota-se a expanso (ou contrao) determinada pelo simplex
modificado.
2.
Valores de
~oPt
prximos de zero devem ser evitados, porque resultariam num novo
simplex muito parecido com o original. Normalmente se define uma margem de

segurana,
S 13
' e caso Bopt caia no intervalo (- S 13'
Sf3 ou -sf3 . Tipicamente, o valor de sf3 fica entre
3.
Se o valor de
Bopt
f3) o seu valor substitudo por
e 0,5.
for exatamente igual a 1 o simplex perde uma dimenso. O novo
ponto Z na Equao 8.10 coincide com o ponto P , e a reflexo no pode ser efetuada.
Valores de ~oPt prximos de 1, portanto, tambm devem ser evitados. Se (l-sf3):::;
368
~oPt ~
(1 + S f3)'
o valor de ~oPt substitudo pelo limite mais prximo,
(1- S f3)
ou
~+sf3).
-1
Figura 8.9 Intervalos proibidos para os valores de
~.
Nos casos de violao dos limites experimentais estabelecidos para as variveis

estudadas, a escolha do novo simplex supermodificado mais complicada do que nos outros
algoritmos, porque a resposta no vrtice R (que pode ser impossvel de determinar) necessria para o clculo de
~opt.
O leitor poder descobrir como tratar esse problema em Mor-
gan, Burton e Nickless (1990).

A maior desvantagem do simplex supermodificado que a definio de cada novo
simplex requer um experimento a mais, feito no ponto P. Alguns pesquisadores tm
preferido evitar esse esforo adicional, usando a mdia das respostas em todos os vrtices do
simplex (exceto W) como uma estimativa da resposta em P. Essa variante do algoritmo
supermodificado j foi testada em vrias superfcies de resposta (Brown, 1990).
369
ANDRADE, J.
c.; EIRAS, s. P. e BRUNS, R. E. Study ofthe Mo(VI) catalytic response in the oxidation
of iodide by hydrogen peroxide using a monosegmented continuous flow system. Anal. Chim. Acta
255, 1991,pp. 149-155.
ANDRADE, V. S.; NETO, B. B; SOUZA, W. e CAMPOS-TAKAKI, G. M. A factorial design analysis of
chitin production by Cunninghamella elegans. Cano J. Microbiol. 46, 2000, pp. 5-12.
ANSCOMBE, F. J. Graphs in statistical analysis. Amer. Stat. 27, 1973, pp. 17-21.
AZEVEDO, A. L. M. S.; NETO, B. B.; SCARMINIO, L S.; OLIVEIRA, A. E. e BRUNS, R. E. A
chemometric analysis of ab initio vibrational frequencies and infrared intensities of methyl
fluoride, J. Comp. Chem. 17, 1996, pp. 167-177.
BARNETT, V. e LEWIS, T. Outliers in statistical data, 2nd edition. New York, Wiley, 1984.
BHOTE, K. R. Qualidade de classe mundial. Rio de Janeiro, Qualitymark, 1996.
BOX, G. E. P. The exploration and exploitation of response surfaces: some considerations and
examples. Biometrics 10, 1954, pp. 16-60.
_____. Evolutionary operation: a method for increasing industrial productivity. Appl. Statist. 6,
1957, pp. 3-23.
BOX, G. E. P. e DRAPER, N. R. Evolutionary operation: a statistical method for process improvement.
New York, Wiley, 1969.
_____. Empirical model-building and response surfaces. New York, Wiley, 1987.
BOX, G. E. P.; HUNTER, W. G. e HUNTER, J. S. Statistics for experimenters: an introduction to
design, data analysis and model building. New York, Wiley, 1978.
BOX, G. E. P. e WETZ, J. Criteria for judging adequacy of estimation by an approximate response
function. University ofWisconsin Technical Report 9, 1973.
BOX, G. E. P. e WILSON, K. B. On the experimental attainment of optimum conditions. J. Royal
Statist. Soc. B13, 1951, pp. 1-38.

BOX, G. E. P. e YOULE, P. V. The exploration and exploitation ofresponse surfaces: an example ofthe
link between the fitted surface and the basic mechanism of the system. Biometrics 11, 1955, pp.
287-323.
BRAGA NETO, J. A. Desenvolvimento de produto alimentar assistido por computador: uma
sistematizao interativa pela aplicao combinada de mtodos para planejamento, modelagem,
anlise e otimizao na formulao de pudim. Tese de doutorado, Departamento de Tecnologia de
Alimentos e Medicamentos, Universidade Estadual de Londrina, 1998.
371
BREYFOGLE 111, F. W. Implementing six sigma: smarter solutions using statistical methods. New
York, Wiley, 1998.
BRUNHARA-SALUM, S. S. Otimizao do processo de extrao de colesterol do leo de manteiga
utilizando extrato de Quilaia saponaria. Tese de mestrado, Faculdade de Engenharia Qumica,
Universidade Estadual de Campinas, 1997.
BROWN, S. D. Chemometrics. Anal. Chem. 62, 1990, 84R.
BRUNS, R. E.; ANDRADE, J. C.; REIS, C. e NAKAI, D. Is statisticallack offit a reliable criterion for
chemical complexity? Chemom. Intell. Lab. Systems 19, 1993, pp. 159-166.
BURTON, K. W. C. e NICKLESS, G. Optimization via simplex, part 1. Background, definitions and a
simpIe application. Chemom. Intell. Lab. Systems 1, 1987, pp. 135-149.
CAVALCANTE, R. M. Estudo de bioequivalncia de comprimidos de lamivudina. Dissertao de
mestrado, Departamento de Cincias Farmacuticas, Universidade Federal de Pernambuco, 1999.
CESTARI, A. R.; BRUNS, R. E. e AIROLDI, C. A fractional factorial design applied to
organofunctionalized silicas for adsorption optimization. Colloids and Surfaces A: Physicochem.
Eng. Aspects 117, 1996, pp. 7-13.
CORNELL, J. A. How to apply response surface methodology, em The ASQC basic references in
quality control: statistical techniques. Shapiro, S. S., e Mykytka E. F. (eds.), American Society for
Quality Control, Milwaukee, WI, EUA, 1990a.
_____. Experiments with mixtures: designs, models and the analysis of mixture data, 2nd
edition. New York, Wiley, 1990b.
_____. How to run mixture experiments for product quality, em The ASQC basic references in
quality control: statistical techniques. Shapiro, S. S. e Mykytka, E. F. (eds.), American Society for
Quality Control, Milwaukee, WI, EUA, 1990c.
COSTA, R. A.; HATTORI, R. S.; REDONDO, E. G.; BRUNS, R. E. e SCARMINIO, I. S. Optimization of
EPDM compounds for resistant insulators to electrical tracking. Proceedings of the 3rd
International Conference on Properties and Applications ofDielectric Materials, 1991, pp. 300-304.
DEMING, S. N. Experimental designs: response surfaces, em Chemometrics, mathematics and
statistics in chemistry. Kowalski, B. R. (ed.), Dordrecht, Reidel, 1981.

DERRINGER, G. e SUICH, R. Simultaneous optimization of several response variables. J. Qual.
Technol. 12, 1980, pp. 214-219.
DESCARTES, R. Discours de la mthode de bien conduire sa raison et chercher la vrit dans les
sciences; plus la dioptrique, les mtores et la geomtrie, qui sont des essais de cette mthode.
Leyden, 1637. Existem diversas tradues em portugus, uma das quais publicada na conhecida
coleo Os Pensadores (So Paulo, Abril Cultura!). Os textos citados foram traduzidos pelos
prprios autores.
DUDEWICZ, E. J. e MISHRA, S. N. Modern mathematical statistics. New York, Wiley, 1985.
EIRAS, S. P. Determinao cataltica de molibdnio em plantas usando anlise em fluxo contnuo
monossegmentado com deteco espectrofotomtrica. Tese de doutorado, Instituto de Qumica,
Universidade Estadual de Campinas, 1991.
372
Referncias bibhogrficas
GEYER, A. L. M.; MOREIRA, J. C.; FAIGLE, J. F.; BRUNS, R. E. e CURTIUS, A. J. Local and
temporal variations in essential elements and agar of the marine algae Pterocladia capillacea.
Hydrobiologia 194, 1990, pp 143-148.

GOUPY, J. Plans d'expriences pour surfaces de rponse. Paris, Dunod, 1999.
GOUPY, J. Plans d'xpriences: les mlanges. Paris, Dunod, 2000.
ISHIKAWA, K. What is total quality control? Englewood Cliffs, Prentice-Halll, 1985.
LOPES, L. Separao e pr-concentrao de cdmio, chumbo, cobre, niquel e zinco usando extrao
em fase slida com ditizona e naftaleno coprecipitados, Dissertao de mestrado, Instituto de
Qumica, Universidade Federal de Bahia, 1999.
MATHIAS, A.; SCARMINIO, I. S. e BRUNS, R. E. Planejamento fatorial 23 aplicado decomposio
do oxalato de clcio monohidratado e da celulose usando termogravimetria. 22 Reunio Anual da
Sociedade Brasileira de Qumica, Poos de Caldas, MG, 1999, QA109.

MONTGOMERY, D. C. Design and analysis of experiments, 4th edition. New York, Wiley, 1997.
MONTGOMERY, D. C. Introduction to statistical quality control, 3rd edition. New York, Wiley, 1997.
MONTGOMERY, D. C. e RUNGER, G. C. Applied statistics and probability for engineers, 2nd edition.
MORGAN, E.; BURTON, K. W. C. e NICKLESS, G. Optimization using the super-modified simplex
method. Chemom. Intell. Lab. Systems 8, 1990, pp. 97-107.
MYERS, R. H. e MONTGOMERY, D. C. Response surface methodology: process and product
optimization using designed experiments. New York, Wiley, 1995.
NELDER, J. A. e MEAD, R. A simplex method for function minimization. Computer J. 7, 1965, pp.
308-312.
NEVES, C. F. C. Desenvolvimento de uma instalao de separao de gases por adsoro e modelagem
do processo. Tese de doutorado, Faculdade de Engenharia Qumica, Universidade Estadual de
Campinas, 2000.
OAKLAND, J. S. e FOLLOWELL, R. F. Statistical process controlo Oxford, Butterworth-Heinemann,
1990.
PEARSON, E. S. e WISHART, J. (eds.) Student's collected papers. London, University College,
Biometrika Office, 1943.
PIMENTEL, M. F. e NETO, B. B. Calibrao: uma reviso para qumicos analticos. Qumica Nova 19,
1996, pp. 268-275.
PLACKETT, R. L. e BURMAN, J. P. The design of optimum multifactorial experiments. Biometrika
33, 1946, pp. 305-325, 328-332.
REIS, C.; ANDRADE, J. C.; BRUNS, R. E. e MORAN, R. C. C. P. Application of the split-plot
experimental design for the optimization of a catalytic procedure for the determination of Cr(VI).
Anal. Chim. Acta 369, 1998, pp. 269-279.
373
RIBEIRO, R. L. V.; GRESPAN, C. B.; COLLINS, C. H.; COLLINS, K. E. e BRUNS, R. E. Optimization

through factorial planning of the use of ethanol:water as a mobile phase for reversed phase HPLC,
J. High Resol. Chromatogr. 22, 1999, pp. 52-54.
ROCHA, R. F.; ROSATTO, S. S.; BRUNS, R. E. e KUBOTA, L. T. Factorial design optimization of
redox properties of methylene blue adsorbed on a modified silica gel surface. J. Eleetroanal. Che m.
433, 1997,pp. 73-76.
RONCONI, C. M. e PEREIRA, E. C. Electrocatalytic properties of Titri02 electrodes prepared by the
Pechini method. J. Appl. Eleetroehem., 31,2001, pp. 319-323.
RORABACHER, D. B. Statistical treatment for rejection of deviant values: criticaI values of Dixon's
"Q" parameter and related subrange ratios at the 95% confidence leveI. Anal. Chem. 63, 1991, pp.
139-146.
ROUTH, M. W.; SWARTZ, P. A. e DENTON, M. B. Performance ofthe super modified simplex. Anal.
Chem. 49, 1977, pp. 1422-1428.
RUBO, A. N. Obteno de filmes polimricos por calandragem a partir de poliisobutileno, polietileno e
cera parafnica. Tese de mestrado, Instituto de Qumica, Universidade Estadual de Campinas,
1991.
SCARMINIO, I. S.; CAMARA, C. A. P. da; ANDRADE, S. R. C. e POPPI, R. J. Desenvolvimento de
programas computacionais para anlise da composio qumica de misturas. VII Encontro
Nacional de Qumica Analtica, Rio de Janeiro, R. J.; Livro de resumos, 86 (1993).
SILVA, G. G.; MARZANA, B. E. e BRUNS, R. E. A statistically designed study of ternary electrolyte
polymer material (PEO/LiCI04fethylene carbonate). J. Mater. Sei. 35,2000, pp. 4721-4728.
SIMONI, J. A. Qumica Geral-Manual de Laboratrio, Instituto de Qumica, Universidade Estadual de
Campinas, 1998.
SIQUEIRA, D. F.; BRUNS, R. E. e NUNES, S. P. Optimization of polymer blends using statistical
mixture analysis. Polym. Networks Blends 3, 1993, pp. 63-69.
SKOOG, D. A.; WEST, D. M. e HOLLER, F. J. Fundamentals of analytical ehemistry. Philadelphia,
Saunders College Publishing, 1996.
SPENDLEY, W.; HEXT, G. R. e HIMSWORTH, F. R. Sequential application of simplex designs in
optimization and evolutionary operation. Teehnometrics 4, 1962, pp. 441-461.
STATI8TICA for Windows. StatSoft, Inc. 2300 East 14th Street, Tulsa, OK, 74104, USA, 1998.
VASCONCELOS, A. F.; BARBOSA, A. M.; DEKKER, R. F. H.; SCARMINIO, I. S. e RESENDE, M. I.
Optimization of laccase production by Botryosphaeria sp. in the presence ofveratryl alcohol by the
response-surface method. Proeess Bioehemistry 35, 2000, pp. 1131-1138.
VIEIRA, S. Estatstica para a qualidade. Rio de Janeiro, Campus, 1999.
WU, C. F. J. e HAMADA, M. Experiments: planning, analysis and parameter design optimization.
374
Respostas aos exerccios
Captulo 2
2.1
Ns j fizemos isso. Agora a sua vez.
2.2
Para ns no vale. J sabemos que est por volta de 5.000.
2.3
Infinita. Os valores possveis correspondem a um intervalo (indeterminado) no eIXO dos

nmeros reais.
2.4
Voc tem duas opes: (a) Somar as freqncias dos intervalos correspondentes e (b) Somar os
nmeros de caroos nesses intervalos e dividir pelo nmero total, 140. Os resultados so
54,3% e 54,28%. A diferena devida aos erros de arredondamento.
2.5
Sugerimos intervalos com largura 0,1%.
2.6
x = 0,1887; s = 0,0423.
2.7
x = 3,8; s = 0,15. Os limites so 3,50% e 4,10%. Voc acredita em coincidncia?
2.8
2.9
(a) 73,24%; (b) (0,1313, 0,2735); (c) 52,6%) de probabilidade, admitindo-se 5.000 caroos/kg e
= J1 + Z(J = 3,80 + 2,5 x 0,15 = 4,18 .
interpolando-se entre os valores mais prximos na Tabela A.1.
2.10
(a) O; (b) 50%; (c) 15,87%; (d) 84,13%; (e) 100%. Para o aspecto da curva, veja a Figura 3.7.
2.11
(2.955, 5.098).
2.12
(a) r(x,
y)
= 0,
porque para cada valor positivo de x h um valor de mesmo mdulo, porm
negativo, com a mesma ordenada. Os produtos desses pares
(x, y)
tm o mesmo mdulo, mas
sinais contrrios. Quando eles forem combinados no coeficiente de correlao, se anularo dois
a dois. (b) Qualquer funo par, isto , que satisfaa f(x)
y =x 4
375
= fi-x).
Por exemplo: y
= cos
x,
Respostas aos exerck:ios
= 0,00167; r(x,y) = 0,9864.
2.13
Cov(x,y)
2.14
Aplicando a Equao 2.11, temos (a) s; =sr +s~ +2(1)(-1)SlS2(1)=sr +s~ -2s 1s 2 , (b)
s; =sr +s~ +2(1)(-1)SlS2(0) =sr +s~. Como as varincias so iguais a 1, temos (a) s;
(b)
s;
= 2.
2.15
De 4.798 a 5.092, com 95% de confiana.
2.16
De 3.858 a 7.429.
2.17
(4.796, 5.094). Esses valores so praticamente idnticos aos do Exerccio 2.15, porque o
nmero de graus de liberdade muito grande.
2.18
Os valores da ltima linha da Tabela A.2 so os valores da distribuio normal padronizada

(z) correspondentes s reas de cauda direita 0,4, 0,25, 0,1, 0,05, 0,025, 0,01, 0,005, 0,0025,
0,001 e 0,0005.
2.19
No verdade. Apenas a transformao de peso para nmero de caroos no linear. O peso

entra no denominador, numa frao de numerador constante, o que faz a mesma faixa de
variao de pesos, quando centrada num valor menor, produzir uma maior variao no
nmero de caroos.
2.20
Usando a Equao 2.17, obtemos 0,00064 < 0"2 < 0,01757, e da 0,0253 < O" < 0,1326..
2.21
O intervalo de 95% de confiana 3,527% < J1 < 4,307% . Como ele no inclui o valor 4,45%,
podemos rejeitar a hiptese nula e concluir que o teor de cido no lote inferior ao teor
mnimo exigido.
2.22
O intervalo de confiana 13,65% < J1 < 14,20% , e no inclui o valor verdadeiro, 14,3%. Isto
uma evidncia de que as quatro determinaes no vm de uma distribuio com mdia
14,3%. Em outras palavras, rejeitamos a hiptese nula neste nvel de confiana e conclumos
que a nova metodologia no tem a exatido necessria.
2.23
z: J 1,9~; J
=[
0,5
= 24,01 . Logo, precisamos de pelo menos 25 determinaes.
376
2.24
O intervalo definido por
x [ .iN-} .Como queremos que ele seja igual a x 0,58 , devemos
procurar na Tabela A.2, na coluna correspondente a 95% de confiana, um nmero de caroos

tal que
2.25
.iN
= 0,5 . O valor inteiro mais prximo de satisfazer essa condio
N = 18 (v = 17).
O intervalo de 95% de confiana para a diferena entre as duas mdias (- 3,74, -1,00), no
incluindo o valor zero. Podemos rejeitar a hiptese nula e concluir que existe uma diferena
sistemtica entre os resultados obtidos com a correo e sem a correo da linha de base.
2.26
Usamos a Equao 2.29, substituindo ~ pelo valor de referncia e

desvio padro amostrais. Depois comparamos o valor de
d e
Sd
pela mdia e pelo
i com o valor tabelado, no nvel de
confiana desejado. Se o valor calculado for maior que o tabelado, rejeitaremos a hiptese nula
e concluiremos que a amostra incompatvel com o valor de referncia.
2.27
1-237-01
l'021
= 4,02 . Este valor corresponde aproximadamente ao nvel de 94%.
J3
Captulo 3
3.1
Pense.
3.2
(2 nveis da temperatura) x (2 nveis do catalisador) x (3 nveis da presso) = 12 ensaios.
3.4
Como N -1 = 1 e
d2
d2
x = (Xl + x2 ) , podemos escrever

2
d2
=-+-=-
Como
vl
2'
= v2 =... = vN = 1 , a expresso se reduz a
377
Respostas aos exercicios
= L. d?
. 2N
1,
3.5
Qualquer efeito sempre dado por uma diferena
CY+ - y_), onde cada mdia contm
N
2
observaes. Podemos escrever ento

2
2 _
2 _.
2 _
(}2
(}2
4(}2
eJefeito=eJ (Y+-Y_)=eJ (Y+)+eJ (Y-)=(N/2t(N/2)=N'

2
!!-. Tirando a raiz quadrada, temos finalmente
que quatro vezes a varincia da mdia,

eJefeito =
3.6
2()
JN = 2eJy '
Aplicando a Equao 3.5, obtemos
= 7,99
e portanto s = 2,83, com vT
= 8 graus de
liberdade no total.
3.7
= -1,60, A = -2,11 e GA = 0,52. O erro padro de um efeito 0,22, o que torna a interao
GA no significativa, no nvel de 95%. Os efeitos principais mostram que o tempo de pega
diminui 1,6 minutos quando se usa a granulometria mais fina (150-200 mesh) e tambm
diminui 2,11 minutos quando se aumenta a gua residual para 7,5%.
3.8
1
1
1
1 -- -2
2
2
67,75
1
1
1
1
- -- -2
2
2 x 22,50
A-I e=
1
1
1
-13,50
1 -- -2
2
2
-8,50
1
1
1
1
2
2
2
59
90
54
68
1
67,75
1 -1 -1
1
1 -1 -1
11,25
x
Xb=
1 -1
-6,75
1 -1
-4,25
1
1
1
1
As duas primeiras colunas de A-I e X so idnticas. As outras s diferem pelo fator
59
90
54
68
.!-, que
2
tambm o responsvel pela diferena entre os vetores e e b.
3.9
Nvel (-) do fator 3:
Efeito 12(-) = .!- (54,0 - 86,5 - 48,0 + 63,0)
Nvel (+) do fator 3:
Efeito 12(+) =
.!2
(63,0 - 93,5 - 58,5 + 72,0) = -8,50
Interao do fator 3 com a Interao 12:
Nvel (-) do fator 1:
Efeito 23(-) =
Nvel (+) do fator 1:
Efeito 23(+)
.!2
= .!2
= -8,75
-2 [12(+)
. -12(-)]
. =2 (-8,50 + 8,75) = 0,125
(54,0 - 48,0 - 63,0 + 58,5) = 0,75

(86,5 - 63,0 - 93,5 + 72,0)
378
= 1,0
Interao do fator 1 com a interao 23:
1
-2 [23(+)
. . - 23(-)]
=-21 (1,0 -
0,75)
= 0,125 .
Os valores finais so idnticos ao valor da interao 123 dado no texto.

2
3.10
Vefeito=V(y+-y-)=V(y+)+V(y-)
Para um fatorial 23 sem repeties N
3.11
t = 3,87, C = 12,36, P
= ~/2 + ~/2
= 8 e portanto Vefeito = -8
+- = - .
4
4
2
= -2,17, tC = 2,54, tP = -0,02, CP = 0,47 e tCP = 0,07. O erro padro de
um efeito 0,325. Basta comparar a coluna das respostas com a matriz de planejamento para
perceber que o padro de oscilao das respostas entre trs e quatro dgitos est associado ao
padro de nveis da concentrao.
3.12
As mesmas da Figura 3.3.
3.13
Um contraste entre dois tetraedros.
3.14
y=
1
1
1
1
1
1
1
1
-1
1
-1
1
-1
1
-1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
-1
-1
1
1
1
1
1
-1
-1
1
1
-1
-1
1
1
-1
1
-1
-1
1
-1
1
1-1
67,3
1
1
11,4
-1
1
-6,9
-1 -1
4,4
x
-1
1
-4,3
-1 -1
1-1
1
1
54,1
85,5
48,9
63,1
62,9
94,3
57,7
71,9
y-y =
54,0
86,5
48,0
63,0
63,0
93,5
58,5
72,0
54,1
85,5
48,9
63,1
62,9
94,3
57,7
71,9
-0,1
1,0
-0,9
-0,1
0,1
-0,8
0,8
0,1
Os resduos so muito menores que os valores observados, o que indica que o modelo
simplificado explica a maior parte da varincia das observaes. Este ponto ser retomado no
Captulo 5.
3.16
No nvel de 95% de confiana o valor de t com 5 graus de liberdade 2,571.0 valor limite para
a significncia de um efeito ser portanto 0,54 x 2,571
= 1,39. Apenas os efeitos 1, 2, 3, e
so significativos nesse nvel de confiana.
3.17
3.18
(a) 50%; (b) 84,1%; (c) 97,5%.
IV
.)
\ efelto v=ll
= 3 (- 0,625)2 + (- 0,125)2 + 3 (0,325)2 + 4 (0,8755 )2 = 0425

11
'
379
12
0,425
(Vefeito)V=11
= - - = 1,459 < F11 5 = 4,71 , com 95% de confiana.

0,291
'
. )
(Vefelto
v=5
Logo, as duas estimativas podem ser consideradas da mesma populao.
3.19
Podemos consider-lo como o efeito da mudana do lote de matria prima.
3.20
A interao dada por 23 = .!. 6'1 + Y2 + Y7 + Y8)-.!. 6'3 + Y 4+ Y5 + Y6)' Suponhamos que Tli
4
represente os valores populacionais das respostas Yi . No primeiro bloco temos Yi
= 1,4,6 e
7. No segundo bloco, Yi =1Ji +h, para i
= 2,
= l1i ,
para i
3, 5 e 8. No clculo da interao 23 a
diferena sistemtica h se anular, porque aparecer duas vezes com o sinal positivo (para i =
2ei
= 8), e outras duas com o sinal negativo (i = 3 e i = 5).
Captulo 4
= -1
4.1
Por exemplo: 2
4.2
1
134 = - (-52 - 86 + ... + 286)
4
(-52 - 61 + 124 + ... + 289 + 286)
= 109,38.
= 114,75 = 12
1234 = O dobro da mdia de todas as respostas.

A Tabela 4.5 mostra as relaes implcitas em cada contraste. No uma boa idia interpretar
esses valores como estimativas dos efeitos 134 e 1234, porque eles esto misturados com
efeitos hierarquicamente superiores.
4.3
16.
4.4
4.5
Porque no clculo de 1] o divisor oito, enquanto para os contrastes o divisor quatro.
4.6
li = -2,50;
Efeito i
l~ = 104,0;
13=57,0;
1: =64,5.
= .!(li +lt), para i = 1,2,3 e 4. Por exemplo: 2 = 109,38 = .!(12 +12).

2
380
Respost?s aos exercfcios
~~~~~~-~---~-~-~-~---~~~~~--~--~~~~.
4.7
1234 == I] -I;
4.8
Os padres de confundimento so os mesmos da Tabela 4.5, obtidos a partir de I = 1234. Os
==
138,87 -147,75 == -8,88.
valores calculados para os contrastes so os seguintes:
I]
= 58,13
14 ==48,75
II
= 8,75
112
= 134
==
-18,75
= 48,75
12
= -11,25
13
113
= 124 ==
114
6,25
= 123 = -8,75
Os contrastes correspondentes ao solvente (3) e ao catalisador (4) tm efeitos grandes e

positivos (por coincidncia so iguais). Os maiores rendimentos so obtidos quando esses dois
fatores esto nos seus nveis superiores. O valor de -18,75 provavelmente pode ser atribudo
interao entre os fatores 3 e 4.
4.9
Os efeitos principais esto confundidos com as interaes de quinta ordem. As interaes

binrias se confundem com as interaes de quatro fatores.
4.10
Quando t, [KI] e [H202] esto nos nveis superiores, (a) a resposta no influenciada pela
mudana dos nveis de [H2S04] e do fluxo ou (b) as variaes produzidas pelas mudanas nos
nveis de [H2S04] e do fluxo se cancelam.
4.11
Os primeiros quatro fatores tm os mesmos sinais de um fatorial completo 24 Quando os

primeiros quatro fatores esto colocados na ordem padro os sinais do quinto so, de cima
para baixo, (- + + - - + + - + - - + + - -+) . As relaes geradoras entre os contrastes e os efeitos
so as seguintes:
II
== 1 + 245
12 == 2+145
13 == 3 + 12345
14=4+125
15 == 3+124
112
= 12 +45
113
= 13 + 2345
114 == 14+25
115 == 15 +24
123
= 23 + 1345
124 == 15 +24
125 == 25 + 14
134
= 34 + 1235
135 == 35 + 1234
145 == 12 +45
O efeito principal 3 contaminado por uma interao de quinta ordem, em vez de uma
interao de quarta ordem. Em compensao, os outros quatro efeitos provavelmente so
estimados com menos preciso, j que esto confundidos com interaes de terceira ordem, e
no de quarta como no fatorial de resoluo cinco. As interaes binrias envolvendo o fator 3
esto contaminadas apenas por interaes de quarta ordem. Este fatorial, portanto, privilegia
o fator 3 em detrimento dos demais. A menos que haja um bom motivo para isso, no
recomendamos o seu uso.
381
4.12
(a) s multiplicar o fator 1 pela identidade, I = 1234 = 125 = 345 :

lxI = 234 = 25 = 1345
II = 1+25 +234+1345
(b) A mesma coisa, s que com o fator 5:

5xI = 12345 = 12 = 34
l5 == 5 + 12 + 34 + 12345 .
4.13
1
l5 =-(56-66+51-52-54+70-42+64)=6,75 .
4
4.14
Com algum esforo, voc pode descobrir que l5 == 5 + 13 + 27 + 46 + 126 + 147 + 234 + 367 +
1245 + 1567 + 2356 + 3457 + 12357 + 13456 + 24567 + 123467 .
4.15
A nica diferena o lado da quadra. Na Tabela 4.10 o ensaio nQ 4 significa bater saques
cortados, com alta freqncia, de dia, num piso de concreto, a partir do lado direito, com
camisa e com uma raquete mdia. Na Tabela 4.12 o saque batido do lado esquerdo.
4.16
Multiplicando-se as trs primeiras relaes geradoras do planejamento da Tabela 4.10 pelo

fator 8 que, como corresponde identidade, no as afeta. No entanto, todas elas passam agora
a ter um nmero par de termos (quatro, no caso), de modo que a troca de todos os sinais deixa
o sinal do produto do mesmo jeito.
4.17
II ==1+248+358+237+346+256+678+457.
Captulo 5
5.1
A Equao 5.9 a seguinte:
bt = L (xi ~X)~i y) . Desenvolvendo as expresses temos:

I i-X
Denominador:
Numerador:
I (xi -X)(Yi -y)= I (xiYi -YXi -x Yi +Xy)= IXiYi -yIXi -XIYi + IXy
=LXiYi -(; )LYiLXi -(; )LXi LYi +nXy
=LXiYi -(; )LYiLXi
+(; )LXi LYi = LXi Yi -;(LYi)(LXi).
Colocando as expresses finais de volta na frao, chegamos Equao 5.8:
382
1 Xl
1 X2
. Xl]x'
5.2
=b:~i
LXi]
LX?
1 Xn
. Xl]x
Y1
Y2
[ LYi ]
= LXiYi
Yn
5.3
s2 = L (Yi - y)2 = Syy . Portanto,

n-1
5.4
n-1
= ~ Syy .
n-1
(a) No linear; (b) Linear; (c) Linear; (d) Linear; (e) No linear, mas tirando o logaritmo dos
dois lados ficamos com um modelo linear.
5.6
4
O
XtX=
O
O
O
4
O
O
O
O
4
O
O
O
O
4
1
4
(Xtxt =
O O O
1
O 4
O O
1
O O 4
1
O O O 4
67,75
(XtXr1xty = 11,22
-6,75
-4,25
Os resultados so os valores numricos dos coeficientes da Eq. 3.11.
5.7
L G\ - Y){yi - y) = L [y + b1 (xi -X)- y] [Yi - Yi]= b1 L (xi -X){yi - y)
=~L(xi -X)[Yi - Y-~ (xi -X)]= ~ {L (xi -X)(yi - Y)-~L(xi -xY} = O,

porque os termos entre chaves se anulam pela Equao 5.9.
5.8
383
o segundo somatrio no numerador se anula, porque contm uma soma de resduos em torno
da mdia. Lembrando que o denominador o prprio S xx , podemos escrever finalmente
5.9
pelo mesmo motivo do exerccio anterior.
5.10
Soma Quadrtica
NQ de g.l.
Mdia Quadrtica
Regresso
0,295146
0,295146
Resduos
0,000279
10
0,000028
Falta de ajuste
0,000170
0,000043
Erro puro
0,000109
0,000018
Total
0,295425
11
Fonte de variao
% de varincia explicada = 99,906

% de varincia explicvel = 99,963
MQfi'
_ _a_u =
MQ~
2,39 . No nvel de 95% de confiana, F46

,
= 4,53
Concluso: no parece haver falta de ajuste.
5.11
= 0,000028
erro padro de bo : 0,00348

erro padro de
: 0,00179
Com esses valores e t10
= 2,228
(95% de confiana) o valor de b1 significativo. O de b o , no.
Captulo 6
6.1
Efeito
Xl
(concentrao): -10,5
Efeito X2 (velocidade de agitao): 8,5
384
R.espostas aos exerck:ios
Efeito de interao:
XtX2:
-0,5
Os efeitos principais so o dobro dos coeficientes bl e b2 na regresso, porque bl e b 2

representam mudanas na resposta causadas por variaes unitrias em
dos efeitos as mudanas em
Xl
x2
xl
X2.
No clculo
so de duas unidades, de -1 a +1. O efeito de interao
pequeno em relao aos efeitos principais. Isso j era de se esperar, porque a superfcie bem
representada por um modelo linear.
6.2
Sy = 0,58 ;
V y =0,333
Vefeito =
2,33
Sefeito =
1,53 .
O erro padro da mdia igual ao erro padro de bo , porque bo =Y. O erro padro dos efeitos
o dobro do erro padro de bl e b2 porque, como j vimos no exerccio anterior, os efeitos so
o dobro dos coeficientes.
6.3
MQR
MQr
= 66,4 e F24 = 6,69 no nvel de 95% de confiana. A regresso altamente

'
significativa. Mais uma vez, j devamos esperar por isto, porque todos os coeficientes na
Equao 6.3 so significativos.
6.4
t2 =
4,303 , com de 95% de confiana.
s(bo) = 0,57 x 4,303
= 2,45
s(bt) = s(~) = 0,76 x 4,303 = 3,27.

Os intervalos de confiana a 95% so:
bo : (65,55,70,45);
bt : (-1,98, -8,52); ~ : (0,98,7,52).
Como nenhum destes intervalos contm o zero, todos os coeficientes so significativos no nvel
de confiana escolhido.
6.5
G=115gL- I
6.6
t4 = 2,776 , no nvel de 95% de confiana. Os intervalos so os seguintes:
A=11,4gL- I
T=0,19mgL- I e Y=78,4%.
Para bo : 85,71 2,776 x 0,49,
ou (84,35, 87,07)
1,25 2,776 x 0,65,
ou (+3,05, -0,55)
Para b2 : 2,25 2,776 x 0,65,
ou (-0,45, -4,05)
Para bl
Como o intervalo de bl contm o zero, esse coeficiente no estatisticamente significativo, no

nvel de 95% de confiana. Os outros dois so significativos.
385
Respostas aos exen.:icios
6.7
~~~
6.8
(a) Partindo da Equao 6.8 temos

-
ay
dXI
= 52,2 > F 5 ,5 = 5,05 (95% de confiana).
1,51-5,62xI +1,75x 2 =
ay
= -2,36 + 1,75xI - 5,62x2 = O.

dX2
Resolvendo este sistema de equaes, chegamos aos valores
Xl
= 0,152 (ou seja, uma
concentrao de 35,8%) e x2 = -0,374 (velocidade de agitao de 121,3 rpm).

(b) Com a Equao 6.3, o resultado seria
ay
=-0,525*0 e
dXI
dY
dX2
=4,25*0.
Ou seja: no existem valores extremos para essa funo. Por que ser?
6.9
Como praticamente no h falta de ajuste no modelo quadrtico, podemos tomar a raiz

quadrada da mdia quadrtica residual como uma estimativa do erro padro:
Erro padro = JMQr = ~0,028 = 0,167 MPa.
Esta uma estimativa com 90 graus de liberdade.
6.10
Com
t73
= 1,99 (95% de confiana) e os erros padro dados na Equao 6.10 calculamos
intervalos de confiana que mostram que so significativos o termo constante, os termos

lineares na concentrao e no tamanho das partculas, o termo quadrtico na concentrao e o
termo cruzado envolvendo a concentrao e o tamanho da partcula.
Captulo 7
7.1
Esperamos que sim.
7.2
(a) y=bXA +bXB. Substituindo b =14 e b = 6, temos y=14xA +6xB.
7.3
(b)
y = 14xO,5 +6xO,5 = 10kmL-I .
(c)
y = 14 x 0,7 + 6 x 0,3 = 11,6kmL- I .
(a) b =14,0; b =6,0; bB =4x12-2(14+6)=8,0.

(b) O modelo prev o rendimento
y = (~ )14 + (~ )6 + (~ )(~ )8 = 13,lkmL-1 ,
concordncia com o valor observado.
386
que est em boa
Respostas aos exerccios.
7.4
Coeficientes: b = 1,44; b = 1,71; bB = -0,82. O erro padro de uma observao s = 0,035.

Com ele calculam?s os erros padro dos coeficientes: ~b = ~bB = 0,025 e ~b.B = 0,107.
7.5
Que o valor da resposta no depende da composio da mistura.
7.6
No nvel de 95% de confiana, com tg = 2,262 , o limite de significncia para o valor absoluto
dos
termos
lineares
2,262 x 0,17 = 0,38 , enquanto
dos
termos
quadrticos
2,262 x 0,75 = 1,70. Os termos com ~~ = 3,10 e ~3 = 9,62 so altamente significativos. O

termo linear em
7.7
x2
(b; = 0,45 ) levemente significativo.
Substituindo na Eq. 7.16
X3
por (l-Xl)
chegamos equaoy = 12,62x l -9,62xf.
Derivando-a e igualando a derivada a zero, obtemos Xl = 0,66 . Da, X3 = 0,34 e portanto

Ymax
7.8
(a) Al203. Basta comparar as composies com os valores do trilhamento.

(b)
7.9
= 3,10 x 0,66 + 9,62 x 0,66 x 0,34 = 4,20em.
Yperda de massa = 2,84x l
+ 5, 24x 2 + 3,80X3 -11,44x l X2 - 4,56x l X3 - 4,56x 2X3
(a) ZJ;23 = 6,0. (b) Erro padro de b;23: 5,41. Como esse erro quase igual ao valor do
coeficiente, podemos considerar o termo cbico como no significativo.
7.10
Das equaes 7.16 e 7.20 obtemos
Yquadrtico
= 2,10 em e
Ycbicoespecial
= 3,30 em . A
estimativa do modelo cbico est muito mais prxima do valor observado, 3,50 em.
7.11
b = X- 1y
/ onde
X=
O O O
O O O
O O 1 O O O O
1 1
1
O O O O
2 2
4
1
1
1
- O O O
O 2
2
4
1 1
1
O - O O O
2 2
4
1 1 1 1 1 1 1
- - - - - - 3 3 3 9 9 9 27
e yt = [3,10 0,45 0,35 1,70 4,13 0,27 3,50 ]
7.12
(0,333, 0,333, 0,333);

(0,567, 0,217, 0,217);
387
(0,217, 0,567, 0,217);

(0,217, 0,217, 0,567).
Captulo 8
8.1
Regra 2:
wyz, YA'B', A'C'D'.
Regra 3: YZA', A'B'C', A'D'E', ZA'E';

Regra 4: Nos vrtices Ye A'.
8.3
8.4
Aplicando a Eq. 8.2a, temos

(a)
D =~(B+C)+[~(B+C)-A] =B+C-A = (68,42);
(b)
E = ~(C+D)+[~(C+D)-B] =C+D-B = (92,42).
Usando a Equao 8.3, temos E =.!. (C + D)+ 2 [.!. (C + D)- B] = ~ (C + D)- 2 B. Substituindo
2 2 2
as coordenadas da Tabela 8.1, chegamos a t = 110 e C = 84.
8.5
O ponto K produzido a partir do simplex FIJ por uma contrao com mudana de direo
(Eq. 8.5). Temos portanto K=.!(J+F)-.![.!(J+F)-I]=.!(J+F)+.!.. Com os valores
22242
numricos apropriados, chegamos a t =115,63 e C = 200,82.
8.6
O simplex RIU, produzido por contrao e mudana de direo.
8.7
O simplex de partida o (2,3,5,6), com W=3 e P=.!(2+5+6). A reflexo do vrtice 3

3
produz o vrtice 7. O ponto 8 obtido por expanso, atravs da Eq. 8.3. Os resultados so os
da tabela.
8.8
1~
W = 9 , e -P = "3\8+11
+14 ) . E" s aplicar a Eq. 8.2a para chegar a CH2S04 = -0,045 M .
8.9
CH2S04=0,1870M,CKI=0,0617M eCHO =0,0039M. Use aEq. 8.4, com P=

2 2 3
W=15.
8.10
1
2
21 = - (18 + 11) = (0,0868, 0,0835, 0,0037);
388
8+11+14
8.11
22
= .! (18 + 14) = (0,0572,
0,0790, 0,0048);
23
= .!.. (18 + 16) = (0,1216,
0,0760, 0,0042).
Faa o que o enunciado diz.
389
Tabelas
391
Tabela A.l rea da cauda da distribuio normal

padronizada.
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,0
0,1
0,5000
0,4602
0,4960
0,4562
0,4920
0,4522
0,4880
0,4483
0,4840
0,4443
0,4801
0,4404
0,4761
0,4364
0,4721
0,4325
0,4681
0,4286
0,4641
0,4247
0,2
0,4207
0,4168
0,4129
0,4090
0,4052
0,4013
0,3974
0,3936
0,3897
0,3859
0,3
0,3821
0,3783
0,3745
0,3707
0,3669
0,3632
0,3594
0,3557
0,3520
0,3483
0,4
0,3446
0,3409
0,3372
0,3336
0,3300
0,3264
0,3228
0,3192
0,3156
0,3121
0,3015
0,2981
0,2946
0,2912
0,2877
0,2843
0,2810
0,2776
0,09
0,5
0,3085
0,3050
0,6
0,2743
0,2709
0,2676
0,2643
0,2611
0,2578
0,2546
0,2514
0,2483
0,2451
0,7
0,2420
0,2389
0,2358
0,2327
0,2296
0,2266
0,2236
0,2206
0,2177
0,2148
0,8
0,2119
0,2090
0,2061
0,2033
0,2005
0,1977
0,1949
0,1922
0,1894
0,1867
0,9
0,1841
0,1814
0,1788
0,1762
0,1736
0,1711
0,1685
0,1660
0,1635
0,1611
1,0
0,1587
0,1562
0,1539
0,1515
0,1492
0,1469
0,1446
0,1423
0,1401
0,1379
1,1
0,1357
0,1335
0,1314
0,1292
0,1271
0,1251
0,1230
0,1210
0,1190
0,1170
1,2
0,1151
0,1131
0,1112
0,1093
0,1075
0,1056
0,1038
0,1020
0,1003
0,0985
1,3
0,0968
0,0951
0,0934
0,0918
0,0901
0,0885
0,0869
0,0853
0,0838
0,0823
1,4
0,0808
0,0793
0,0778
0,0764
0,0749
0,0735
0,0721
0,0708
0,0694
0,0681
1,5
0,0668
0,0655
0,0643
0,0630
0,0618
0,0606
0,0594
0,0582
0,0571
0,0559
1,6
0,0548
0,0537
0,0526
0,0516
0,0505
0,0495
0,0485
0,0475
0,0465
0,0455
1,7
0,0446
0,0436
0,0427
0,0418
0,0409
0,0401
0,0392
0,0384
0,0375
0,0367
1,8
0,0359
0,0351
0,0344
0,0336
0,0329
0,0322
0,0314
0,0307
0,0301
0,0294
1,9
0,0287
0,0281
0,0274
0,0268
0,0262
0,0256
0,0250
0,0244
0,0239
0,0233
2,0
0,0228
0,0222
0,0217
0,0212
0,0207
0,0202
0,0197
0,0192
0,0188
0,0183
2,1
0,0179
0,0174
0,0170
0,0166
0,0162
0,0158
0,0154
0,0150
0,0146
0,0143
2,2
0,0139
0,0136
0,0132
0,0129
0,0125
0,0122
0,0119
0,0116
0,0113
0,0110
2,3
0,0107
0,0104
0,0102
0,0099
0,0096
0,0094
0,0091
0,0089
0,0087
0,0084
2,4
0,0082
0,0080
0,0078
0,0075
0,0073
0,0071
0,0069
0,0068
0,0066
0,0064
2,5
0,0062
0,0060
0,0059
0,0057
0,0055
0,0054
0,0052
0,0051
0,0049
0,0048
2,6
0,0047
0,0045
0,0044
0,0043
0,0041
0,0040
0,0039
0,0038
0,0037
0,0036
2,7
0,0035
0,0034
0,0033
0,0032
0,0031
0,0030
0,0029
0,0028
0,0027
0,0026
2,8
0,0026
0,0025
0,0024
0,0023
0,0023
0,0022
0,0021
0,0021
0,0020
0,0019
2,9
0,0019
0,0018
0,0018
0,0017
0,0016
0,0016
0,0015
0,0015
0,0014
0,0014
3,0
0,0013
0,0013
0,0013
0,0012
0,0012
0,0011
0,0011
0,0011
0,0010
0,0010
3,1
0,0010
0,0009
0,0009
0,0009
0,0008
0,0008
0,0008
0,0008
0,0007
0,0007
3,2
0,0007
0,0007
0,0006
0,0006
0,0006
0,0006
0,0006
0,0005
0,0005
0,0005
3,3
0,0005
0,0005
0,0005
0,0004
0,0004
0,0004
0,0004
0,0004
0,0004
0,0003
3,4
0,0003
0,0003
0,0003
0,0003
0,0003
0,0003
0,0003
0,0003
0,0003
0,0002
0,0002
3,5
0,0002
0,0002
0,0002
0,0002
0,0002
0,0002
0,0002
0,0002
0,0002
3,6
0,0002
0,0002
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
3,7
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
3,8
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
3,9
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
Fonte: Box, G. E. P.; Hunter, W. G., e Hunter, J. S., Statistics for experimenters. An introduction to design, data
analysis and model building. Nova York, Wiley, 1978. Reproduzida com autorizao da John Wiley & Sons, Inc.
392
Tabela A.2 Pontos de probabilidade da distribuio t com v graus de liberdade.

rea de probabilidade
v
0,4
0,25
0,1
0,05
0,025
0,01
0,005
0,0025
0,001
0,0005
1
2
0,325
0,289
1,000
0,816
3,078
1,886
6,314
2,920
12,706
4,303
31,821
6,965
63,657
9,925
127,32
14,089
318,31
22,326
636,62
31,598
0,277
0,765
1,638
2,353
3,182
4,541
5,841
7,453
10,213
12,924
0,271
0,741
1,533
2,132
2,776
3,747
4,604
5,598
7,173
8,610
0,267
0,727
1,476
2,015
2,571
3,365
4,032
4,773
5,893
6,869
0,265
0,718
1,440
1,943
2,447
3,143
3,707
4,317
5,208
5,959
0,263
0,711
1,415
1,895
2,365
2,998
3,449
4,029
4,785
5,408
0,262
0,706
1,397
1,860
2,306
2,896
3,355
3,833
4,501
5,041
0,261
0,703
1,383
1,833
2,262
2,821
3,250
3,690
4,297
4,781
10
0,260
0,700
1,372
1,812
2,228
2,764
3,169
3,581
4,144
4,587
11
0,260
0,697
1,363
1,796
2,201
2,718
3,106
3,497
4,025
4,437
12
0,259
0,695
1,356
1,782
2,179
2,681
3,055
3,428
3,930
4,318
13
0,259
0,694
1,350
1,771
2,160
2,650
3,012
3,372
3,852
4,221
14
0,258
0,692
1,345
1,761
2,145
2,624
2,977
3,326
3,787
4,140
15
0,258
0,691
1,341
1,753
2,131
2,602
2,947
3,286
3,733
4,073
16
0,258
0,690
1,337
1,746
2,120
2,583
2,921
3,252
3,686
4,015
17
0,257
0,689
1,333
1,740
2,110
2,567
2,898
3,222
3,646
3,965
18
0,257
0,688
1,330
1,734
2,101
2,552
2,878
3,197
3,610
3,922
2,093
2,539
2,861
3,174
3,579
3,883
19
0,257
0,688
1,328
1,729
20
0,257
0,687
1,325
1,725
2,086
2,528
2,845
3,153
3,552
3,850
21
0,257
0,686
1,323
1,721
2,080
2,518
2,831
3,135
3,527
3,819
22
0,256
0,686
1,321
1,717
2,074
2,508
2,819
3,119
3,505
3,792
23
0,256
0,685
1,319
1,714
2,069
2,500
2,807
3,104
3,485
3,767
2,797
3,091
3,467
3,745
3,725
24
0,256
0,685
1,318
1,711
2,064
2,492
25
0,256
0,684
1,316
1,708
2,060
2,485
2,787
3,078
3,450
26
0,256
0,684
1,315
1,706
2,056
2,479
2,779
3,067
3,435
3,707
27
0,256
0,684
1,314
1,703
2,052
2,473
2,771
3,057
3,421
3,690
28
0,256
0,683
1,313
1,701
2,048
2,467
2,763
3,047
3,408
3,674
29
0,256
0,683
1,311
1,699
2,045
2,462
2,756
3,038
3,396
3,659
30
0,256
0,683
1,310
1,697
2,042
2,457
2,750
3,030
3,385
3,646
0,681
1,303
1,684
2,021
2,423
2,704
2,971
3,307
3,551
40
0,255
60
0,254
0,679
1,296
1,671
2,000
2,390
2,660
2,915
3,232
3,460
120
0,254
0,677
1,289
1,658
1,980
2,358
2,617
2,860
3,160
3,373
0,253
0,674
1,282
1,645
1,960
2,326
2,576
2,807
3,090
3,291
Fonte: Box, G. E. P.; Hunter, W. G., e Hunter, J. S., Statistics for experimenters. An introduction to design, data
analysis and model building. Nova York, Wiley, 1978. Pearson, E. S. e Hartley, H. O. (eds.), Biometrika tables for
statisticians, voI. I, Cambridge University Press (1958). Fisher, R. A. e Yates, F., Statistical tables for Biological,
Agricultural and Medical Research, Longman Group Ltd. (1974) - Tabela lI!. Reproduzida com autorizao da John
Wiley & Sons, Inc; Biometrika Trustees e Longman Group UK Ltd.
393
Tabela A.3 Pontos de probabilidade da

distribuio X2 com v graus de
liberdade.
X2~
rea de probabilidade
v
0,995
0,99
0,975
0,95
0,9
0,75
0,5
0,25
0,1
0,05
0,025
0,01
0,005
0,001
0,016
0,102
0,455
1,32
2,71
3,84
5,02
6,63
7,88
10,8
0,010
0,020
0,051
0,103
0,211
0,575
1,39
2,77
4,61
5,99
7,38
9,21
10,6
13,8
0,072
0,115
0,216
0,352
0,584
1,21
2,37
4,11
6,25
7,81
9,35
11,3
12,8
16,3
0,207
0,297
0,484
0,711
1,06
1,92
3,36
5,39
7,78
9,49
11,1
13,3
14,9
18,5
0,412
0,554
0,831
1,15
1,61
2,67
4,35
6,63
9,24
11,1
12,8
15,1
16,7
20,5
0,676
0,872
1,24
1,64
2,20
3,45
5,35
7,84
10,6
12,6
14,4
16,8
18,5
22,5
0,989
1,24
1,69
2,17
2,83
4,25
6,35
9,04
12,0
14,1
16,0
18,5
20,3
24,3
1,34
1,65
2,18
2,73
3,49
5,07
7,34
10,2
13,4
15,5
17,5
20,1
22,0
26,1
1,73
2,09
2,70
3,33
4,17
5,90
8,34
11,4
14,7
16,9
19,0
21,7
23,6
27,9
10
2,16
2,56
3,25
3,94
4,87
6,74
9,34
12,5
16,0
18,3
20,5
23,2
25,2
29,6
11
2,60
3,05
3,82
4,57
5,58
7,58
10,3
13,7
17,3
19,7
21,9
24,7
26,8
31,3
12
3,07
3,57
4,40
5,23
6,30
8,44
11,3
14,8
18,5
21,0
23,3
26,2
28,3
32,9
13
3,57
4,11
5,01
5,89
7,04
9,30
12,3
16,0
19,8
22,4
24,7
27,7
29,8
34,5
14
4,07
4,66
5,63
6,57
7,79
10,2
13,3
17,1
21,1
23,7
26,1
29,1
31,3
36,1
37,7
15
4,60
5,23
6,26
7,26
8,55
11,0
14,3
18,2
22,3
25,0
27,5
30,6
32,8
16
5,14
5,81
6,91
7,96
9,31
11,9
15,3
19,4
23,5
26,3
28,8
32,0
34,3
39,3
17
5,70
6,41
7,56
8,67
10,1
12,8
16,3
20,5
24,8
27,6
30,2
33,4
35,7
40,8
18
6,26
7,01
8,23
9,39
10,9
13,7
17,3
21,6,
26,0
28,9,
31,5
34,8
37,2
42,3
19
6,84
7,63
8,91
10,1
11,7
14,6
18,3
22,7
27,2
30,1
32,9
36,2,
38,6
43,8
20
7,43
8,26
9,59
10,9
12,4
15,5
19,3
23,8
28,4
31,4
34,2
37,6
40,0
45,3
21
8,03
8,90
10,3
11,6
13,2
16,3
20,3
24,9
29,6
32,7
35,5
38,9
41,4
46,8
22
8,64
9,54
11,0
12,3
14,0
17,2
21,3
26,0
30,8
33,9
36,8
40,3
42,8
48,3
23
9,26
10,2
11,7
13,1
14,8
18,1
22,3
27,1
32,0
35,2
38,1
41,6
44,2
49,7
24
9,89
10,9
12,4
13,8
15,7
19,0
23,3
28,2
33,2
36,4
39,4
43,0
45,6
51,2
25
10,5
11,5
13,1
14,6
16,5
19,9
24,3
29,3
34,4
37,7
40,6
44,3
46,9
52,6
26
11,2
12,2
13,8
15,4
17,3
20,8
25,3
30,4
35,6
38,9
41,9
45,6
48,3
54,1
27
11,8
12,0
14,6
16,2
18,1
21,7
26,3
31,5
36,7
40,1
43,2
47,0
49,6
55,5
28
12,5
13,6
15,3
16,9
18,9
22,7
27,3
32,6
37,9
41,3
44,5
48,3
51,0
56,9
29
13,1
14,3
16,0
17,7
19,8
23,6
28,3
33,7
39,1
42,6
45,7
49,6
52,3
58,3
30
13,8
15,0
16,8
18,5
20,6
24,5
29,3
34,8
40,3
43,8
47,0
50,9
53,7
59,7
Fonte: Box, G. E. P.; Hunter, W. G., e Hunter, J. S., 8tatistics for expe rime nters. An introduction to desi{?n, data
analysis and model buildin{? Nova York, Wiley, 1978. Pearson, E. S. e Hartley, H. O. (eds.), Biometrika tables for
statisticians, voI. I, 3a ed., Cambridge University Press (1966). Reproduzida com autorizao da John Wiley & Sons,
Inc., Biometrika Trustees.
394
Tabela A.4 Pontos de porcentagem da distribuio F, 25%.
10
12
15
20
24
30
40
60
120
00
1
2
3
4
5
6
7
8
9
10
11
12
13
5,83
2,57
2,02
1,81
1,69
1,62
1,57
1,54
1,51
1,49
1,47
1,46
1,45
7,50
3,00
2,28
2,00
1,85
1,76
1,70
1,66
1,62
1,60
1,58
1,56
1,55
8,20
3,15
2,36
2,05
1,88
1,78
1,72
1,67
1,63
1,60
1,58
1,56
1,55
8,58
3,23
2,39
2,06
1,89
1,79
1,72
1,66
1,63
1,59
1,57
1,55
1,53
8,82
3,28
2,41
2,07
1,89
1,79
1,71
1,66
1,62
1,59
1,56
1,54
1,52
8,98
3,31
2,42
2,08
1,89
1,78
1,71
1,65
1,61
1,58
1,55
1,53
1,51
9,10
3,34
2,43
2,08
1,89
1,78
1,70
1,64
1,60
1,57
1,54
1,52
1,50
9,19
3,35
2,44
2,08
1,89
1,78
1,70
1,64
1,60
1,56
1,53
1,51
1,49
9,26
3,37
2,44
2,08
1,89
1,77
1,69
1,63
1,59
1,56
1,53
1,51
1,49
9,32
3,38
2,44
2,08
1,89
1,77
1,69
1,63
1,59
1,55
1,52
1,50
1,48
9,41
3,39
2,45
2,08
1,89
1,77
1,68
1,62
1,58
1,54
1,51
1,49
1,47
9,49
3,41
2,46
2,08
1,89
1,76
1,68
1,62
1,57
1,53
1,50
1,48
1,46
9,58
3,43
2,46
2,08
1,88
1,76
1,67
1,61
1,56
1,52
1,49
1,47
1,45
9,63
3,43
2,46
2,08
1,88
1,75
1,67
1,60
1,56
1,52
1,49
1,46
1,44
9,67
3,44
2,47
2,08
1,88
1,75
1,66
1,60
1,55
1,51
1,48
1,45
1,43
9,71
3,45
2,47
2,08
1,88
1,75
1,66
1,59
1,54
1,51
1,47
1,45
1,42
9,76
3,46
2,47
2,08
1,88
1,74
1,65
1,59
1,54
1,50
1,47
1,44
1,42
9,80
3,47
2,47
2,08
1,88
1,74
1,65
1,58
1,53
1,49
1,46
1,43
1,41
9,85
3,48
2,47
2,08
1,88
1,74
1,65
1,58
1,53
1,48
1,45
1,42
1,40
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
1,44
1,43
1,42
1,42
1,41
1,41
1,40
1,40
1,40
1,39
1,39
1,39
1,38
1,38
1,38
1,38
1,38
1,36
1,35
1,34
1,32
1,53
1,52
1,51
1,51
1,50
1,49
1,49
1,48
1,48
1,47
1,47
1,47
1,46
1,46
1,46
1,45
1,45
1,44
1,42
1,40
1,39
1,53
1,52
1,51
1,50
1,49
1,49
1,48
1,48
1,47
1,47
1,46
1,46
1,45
1,45
1,45
1,45
1,44
1,42
1,41
1,39
1,37
1,52
1,51
1,50
1,49
1,48
1,47
1,47
1,46
1,45
1,45
1,44
1,44
1,44
1,43
1,43
1,43
1,42
1,40
1,38
1,37
1,35
1,51
1,49
1,48
1,47
1,46
1,46
1,45
1,44
1,44
1,43
1,43
1,42
1,42
1,42
1,41
1,41
1,41
1,39
1,37
1,35
1,33
1,50
1,48
1,47
1,46
1,45
1,44
1,44
1,43
1,42
1,42
1,41
1,41
1,41
1,40
1,40
1,40
1,39
1,37
1,35
1,33
1,31
1,49
1,47
1,46
1,45
1,44
1,43
1,43
1,42
1,41
1,41
1,40
1,40
1,39
1,39
1,39
1,38
1,38
1,36
1,33
1,31
1,29
1,48
1,46
1,45
1,44
1,43
1,42
1,42
1,41
1,40
1,40
1,39
1,39
1,38
1,38
1,38
1,37
1,37
1,35
1,32
1,30
1,28
1,47
1,46
1,44
1,43
1,42
1,41
1,41
1,40
1,39
1,39
1,38
1,38
1,37
1,37
1,37
1,36
1,36
1,34
1,31
1,29
1,27
1,46
1,45
1,44
1,43
1,42
1,41
1,40
1,39
1,39
1,38
1,38
1,37
1,37
1,36
1,36
1,35
1,35
1,33
1,30
1,28
1,25
1,45
1,44
1,43
1,41
1,40
1,40
1,39
1,38
1,37
1,37
1,36
1,36
1,35
1,35
1,34
1,34
1,34
1,31
1,29
1,26
1,24
1,44
1,43
1,41
1,40
1,39
1,38
1,37
1,37
1,36
1,35
1,35
1,34
1,34
1,33
1,33
1,32
1,32
1,30
1,27
1,24
1,22
1,43
1,41
1,40
1,39
1,38
1,37
1,36
1,35
1,34
1,34
1,33
1,33
1,32
1,32
1,31
1,31
1,30
1,28
1,25
1,22
1,19
1,42
1,41
1,39
1,38
1,37
1,36
1,35
1,34
1,33
1,33
1,32
1,32
1,31
1,31
1,30
1,30
1,29
1,26
1,24
1,21
1,18
1,41
1,40
1,38
1,37
1,36
1,35
1,34
1,33
1,32
1,32
1,31
1,31
1,30
1,30
1,29
1,29
1,28
1,25
1,22
1,19
1,16
1,41
1,39
1,37
1,36
1,35
1,34
1,33
1,32
1,31
1,31
1,30
1,29
1,29
1,28
1,28
1,27
1,27
1,24
1,21
1,18
1,14
1,40
1,38
1,36
1,35
1,34
1,33
1,32
1,31
1,30
1,30
1,29
1,28
1,28
1,27
1,27
1,26
1,26
1,22
1,19
1,16
1,12
1,39
1,37
1,35
1,34
1,33
1,32
1,31
1,30
1,29
1,28
1,28
1,27
1,26
1,26
1,25
1,25
1,24
1,21
1,17
1,13
1,08
1,38
1,36
1,34
1,33
1,32
1,30
1,29
1,82
1,28
1,27
1,26
1,25
1,25
1,24
1,24
1,23
1,23
1,19
1,15
1,10
1,00
V2
CJ.:l
~
Ot
00
Fonte: Box, G. E. P.; Hunter, W. G., e Hunter, J. S., Statistics for experimenters. An introduction to design, data analysis and modelo Nova York, Wiley, 1978. building.
Merrington, M. and Thompson, C. M., Biometrika 33,73 (1943). Reproduzida com autorizao da John Wiley & Sons, Inc. e Bionletrika Trustees.
Tabela A.4 Pontos de percentagem da distribuio F, 10% (continuao).
10
12
15
20
24
30
40
60
120
00
39,86
8,53
5,54
4,54
4,06
3,78
3,59
3,46
3,36
3,29
3,23
3,18
3,14
3,10
3,07
3,05
3,03
3,01
2,99
2,97
2,96
2,95
2,94
2,93
2,92
2,91
2,90
2,89
2,89
2,88
2,84
2,79
2,75
2,71
49,50
9,00
5,46
4,32
3,78
3,46
3,26
3,11
3,01
2,92
2,86
2,81
2,76
2,73
2,70
2,67
2,64
2,62
2,61
2,59
2,57
2,56
2,55
2,54
2,53
2,52
2,51
2,50
2,50
2,49
2,44
2,39
2,35
2,30
53,59
9,16
5,39
4,19
3,62
3,29
3,07
2,92
2,81
2,73
2,66
2,61
2,56
2,52
2,49
2,46
2,44
2,42
2,40
2,38
2,36
2,35
2,34
2,33
2,32
2,31
2,30
2,29
2,28
2,28
2,23
2,18
2,13
2,08
55,83
9,24
5,34
4,11
3,52
3,18
2,96
2,81
2,69
2,61
2,54
2,48
2,43
2,39
2,36
2,33
2,31
2,29
2,27
2,25
2,23
2,22
2,21
2,19
2,18
2,17
2,17
2,16
2,15
2,14
2,09
2,04
1,99
1,94
57,24
9,29
5,31
4,05
3,45
3,11
2,88
2,73
2,61
2,52
2,45
2,39
2,35
2,31
2,27
2,24
2,22
2,20
2,18
2,16
2,14
2,13
2,11
2,10
2,09
2,08
2,07
2,06
2,06
2,05
2,00
1,95
1,90
1,85
58,20
9,33
5,28
4,01
3,40
3,05
2,83
2,67
2,55
2,46
2,39
2,33
2,28
2,24
2,21
2,18
2,15
2,13
2,11
2,09
2,08
2,06
2,05
2,04
2,02
2,01
2,00
2,00
1,99
1,98
1,93
1,87
1,82
1,77
58,91
9,35
5,27
3,98
3,37
3,01
2,78
2,62
2,51
2,41
2,34
2,28
2,23
2,19
2,16
2,13
2,10
2,08
2,06
2,04
2,02
2,01
1,99
1,98
1,97
1,96
1,95
1,94
1,93
1,93
1,87
1,82
1,77
1,72
59,44
9,37
5,25
3,95
3,34
2,98
2,75
2,59
2,47
2,38
2,30
2,24
2,20
2,15
2,12
2,09
2,06
2,04
2,02
2,00
1,98
1,97
1,95
1,94
1,93
1,92
1,91
1,90
1,89
1,88
1,83
1,77
1,72
1,67
59,86
9,38
5,24
3,94
3,32
2,96
2,72
2,56
2,44
2,35
2,27
2,21
2,16
2,12
2,09
2,06
2,03
2,00
1,98
1,96
1,95
1,93
1,92
1,91
1,89
1,88
1,87
1,87
1,86
1,85
1,79
1,74
1,68
1,63
60,19
9,39
5,23
3,92
3,30
2,94
2,70
2,54
2,42
2,32
2,25
2,19
2,14
2,10
2,06
2,03
2,00
1,98
1,96
1,94
1,92
1,90
1,89
1,88
1,87
1,86
1,85
1,84
1,83
1,82
1,76
1,71
1,65
1,60
60,71
9,41
5,22
3,90
3,27
2,90
2,67
2,50
2,38
2,28
2,21
2,15
2,10
2,05
2,02
1,99
1,96
1,93
1,91
1,89
1,87
1,86
1,84
1,83
1,82
1,81
1,80
1,79
1,78
1,77
1,71
1,66
1,60
1,55
61,22
9,24
5,20
3,87
3,24
2,87
2,63
2,46
2,34
2,24
2,17
2,10
2,05
2,01
1,97
1,94
1,91
1,89
1,86
1,84
1,83
1,81
1,80
1,78
1,77
1,76
1,75
1,74
1,73
1,72
1,66
1,60
1,55
1,49
61,74
9,44
5,18
3,84
3,21
2,84
2,59
2,42
2,30
2,20
2,12
2,06
2,01
1,96
1,92
1,89
1,86
1,84
1,81
1,79
1,78
1,76
1,74
1,73
1,72
1,71
1,70
1,69
1,68
1,67
1,61
1,54
1,48
1,42
62,00
9,45
5,18
3,83
3,19
2,82
2,58
2,40
2,28
2,18
2,10
2,04
1,98
1,94
1,90
1,87
1,84
1,81
1,79
1,77
1,75
1,73
1,72
1,70
1,69
1,68
1,67
1,66
1,65
1,64
1,57
1,51
1,45
1,38
62,26
9,46
5,17
3,82
3,17
2,80
2,56
2,38
2,25
2,16
2,08
2,01
1,96
1,91
1,87
1,84
1,81
1,78
1,76
1,74
1,72
1,70
1,69
1,67
1,66
1,65
1,64
1,63
1,62
1,61
1,54
1,48
1,41
1,34
62,53
9,47
5,16
3,80
3,16
2,78
2,54
2,36
2,23
2,13
2,05
1,99
1,93
1,89
1,85
1,81
1,78
1,75
1,73
1,71
1,69
1,67
1,66
1,64
1,63
1,61
1,60
1,59
1,58
1,57
1,51
1,44
1,37
1,30
62,79
9,47
5,15
3,79
3,14
2,76
2,51
2,34
2,21
2,11
2,03
1,96
1,90
1,86
1,82
1,78
1,75
1,72
1,70
1,68
1,66
1,64
1,62
1,61
1,59
1,58
1,57
1,56
1,55
1,54
1,47
1,40
1,32
1,24
63,06
9,48
5,14
3,78
3,12
2,74
2,49
2,32
2,18
2,08
2,00
1,93
1,88
1,83
1,79
1,75
1,72
1,69
1,67
1,64
1,62
1,60
1,59
1,57
1,56
1,54
1,53
1,52
1,51
1,50
1,42
1,35
1,26
1,17
63,33
9,49
5,13
3,76
3,10
2,72
2,47
2,29
2,16
2,06
1,97
1,90
1,85
1,80
1,76
1,72
1,69
1,66
1,63
1,61
1,59
1,57
1,55
1,53
1,52
1,50
1,49
1,48
1,47
1,46
1,38
1,29
1,19
1,00
V2
C\j
\.O
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
00
Fonte: Box, G. E. P.; Hunter, W. G., e Hunter, J. S., Statistics for experimenters. An introduction to design, data analysis and lnodel. Nova York, Wiley, 1978. building.
Merrington, M. and Thompson, C. M., Biometrika 33, 73 (1943). Reproduzida com autorizao da John Wiley & Sons, Inc. e Biometrika Trustees.
Tabela A.4 Pontos de percentagem da distribuio F, 5% (continuao).
I~
10
12
15
20
24
30
40
60
120
00
161,4
18,51
10,13
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
4,32
4,30
4,28
4,26
4,24
4,23
4,21
4,20
4,18
4,17
4,08
4,00
3,92
3,84
199,5
19,00
9,55
6,94
5,79
5,14
4,74
4,46
4,26
4,10
3,98
3,89
3,81
3,74
3,68
3,63
3,59
3,55
3,52
3,49
3,47
3,44
3,42
3,40
3,39
3,37
3,35
3,34
3,33
3,32
3,23
3,15
3,07
3,00
215,7
19,16
9,28
6,59
5,41
4,76
4,35
4,07
3,86
3,71
3,59
3,49
3,41
3,34
3,29
3,24
3,20
3,16
3,13
3,10
3,07
3,05
3,03
3,01
2,99
2,98
2,96
2,95
2,93
2,92
2,84
2,76
2,68
2,60
224,6
19,25
9,12
6,39
5,19
4,53
4,12
3,84
3,63
3,48
3,36
3,26
3,18
3,11
3,06
3,01
2,96
2,93
2,90
2,87
2,84
2,82
2,80
2,78
2,76
2,74
2,73
2,71
2,70
2,69
2,61
2,53
2,45
2,37
230,2
19,30
9,01
6,26
5,05
4,39
3,97
3,69
3,48
3,33
3,20
3,11
3,03
2,96
2,90
2,85
2,81
2,77
2,74
2,71
2,68
2,66
2,64
2,62
2,60
2,59
2,57
2,56
2,55
2,53
2,45
2,37
2,29
2,21
234,0
19,33
8,94
6,16
4,95
4,28
3,87
3,58
3,37
3,22
3,09
3,00
2,92
2,85
2,79
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,53
2,51
2,49
2,47
2,46
2,45
2,43
2,42
2,34
2,25
2,17
2,10
236,8
19,35
8,89
6,09
4,88
4,21
3,79
3,50
3,29
3,14
3,01
2,91
2,83
2,76
2,71
2,66
2,61
2,58
2,54
2,51
2,49
2,46
2,44
2,42
2,40
2,39
2,37
2,36
2,35
2,33
2,25
2,17
2,09
2,01
238,9
19,37
8,85
6,04
4,82
4,15
3,73
3,44
3,23
3,07
2,95
2,85
2,77
2,70
2,64
2,59
2,55
2,51
2,48
2,45
2,42
2,40
2,37
2,36
2,34
2,32
2,31
2,29
2,28
2,27
2,18
2,10
2,02
1,94
240,5
19,38
8,81
6,00
4,77
4,10
3,68
3,39
3,18
3,02
2,90
2,80
2,71
2,65
2,59
2,54
2,49
2,46
2,42
2,39
2,37
2,34
2,32
2,30
2,28
2,27
2,25
2,24
2,22
2,21
2,12
2,04
1,96
1,88
241,9
19,40
8,79
5,96
4,74
4,06
3,64
3,35
3,14
2,98
2,85
2,75
2,67
2,60
2,54
2,49
2,45
2,41
2,38
2,35
2,32
2,30
2,27
2,25
2,24
2,22
2,20
2,19
2,18
2,16
2,08
1,99
1,91
1,83
243,9
19,41
8,74
5,91
4,68
4,00
3,57
3,28
3,07
2,91
2,79
2,69
2,60
2,53
2,48
2,42
2,38
2,34
2,31
2,28
2,25
2,23
2,20
2,18
2,16
2,15
2,13
2,12
2,10
2,09
2,00
1,92
1,83
1,75
245,9
19,43
8,70
5,86
4,62
3,94
3,51
3,22
3,01
2,85
2,72
2,62
2,53
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,18
2,15
2,13
2,11
2,09
2,07
2,06
2,04
2,03
2,01
1,92
1,84
1,75
1,67
248,0
19,45
8,66
5,80
4,56
3,87
3,44
3,15
2,94
2,77
2,65
2,54
2,46
2,39
2,33
2,28
2,23
2,19
2,16
2,12
2,10
2,07
2,05
2,03
2,01
1,99
1,97
1,96
1,94
1,93
1,84
1,75
1,66
1,57
249,1
19,45
8,64
5,77
4,53
3,84
3,41
3,12
2,90
2,74
2,61
2,51
2,42
2,35
2,29
2,24
2,19
2,15
2,11
2,08
2,05
2,03
2,01
1,98
1,96
1,95
1,93
1,91
1,90
1,89
1,79
1,70
1,61
1,52
250,1
19,46
8,62
5,75
4,50
3,81
3,38
3,08
2,86
2,70
2,57
2,47
2,38
2,31
2,25
2,19
2,15
2,11
2,07
2,04
2,01
1,98
1,96
1,94
1,92
1,90
1,88
1,87
1,85
1,84
1,74
1,65
1,55
1,46
251,1
19,47
8,59
5,72
4,46
3,77
3,34
3,04
2,83
2,66
2,53
2,43
2,34
2,27
2,20
2,15
2,10
2,06
2,03
1,99
1,96
1,94
1,91
1,89
1,87
1,85
1,84
1,82
1,81
1,79
1,69
1,59
1,50
1,39
252,2
19,48
8,57
5,69
4,43
3,74
3,30
3,01
2,79
2,62
2,49
2,38
2,30
2,22
2,16
2,11
2,06
2,02
1,98
1,95
1,92
1,89
1,86
1,84
1,82
1,80
1,79
1,77
1,75
1,74
1,64
1,53
1,43
1,32
253,3
19,49
8,55
5,66
4,40
3,70
3,27
2,97
2,75
2,58
2,45
2,34
2,25
2,18
2,11
2,06
2,01
1,97
1,93
1,90
1,87
1,84
1,81
1,79
1,77
1,75
1,73
1,71
1,70
1,68
1,58
1,47
1,35
1,22
254,3
19,50
8,53
5,63
4,36
3,67
3,23
2,93
2,71
2,54
2,40
2,30
2,21
2,13
2,07
2,01
1,96
1,92
1,88
1,84
1,81
1,78
1,76
1,73
1,71
1,69
1,67
1,65
1,64
1,62
1,51
1,39
1,25
1,00
V2
-J
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
00
Tabela A.4 Pontos de percentagem da distribuio F, 1 % (continuao).
10
12
15
20
24
30
40
60
120
00
4052
98,50
34,12
21,20
16,26
13,75
12,25
11,26
10,56
10,04
9,65
9,33
9,07
8,86
8,68
8,53
8,40
8,29
8,18
8,10
8,02
7,95
7,88
7,82
7,77
7,72
7,68
7,64
7,60
7,56
7,31
7,08
6,85
6,63
4999
99,00
30,82
18,00
13,27
10,92
9,55
8,65
8,02
7,56
7,21
6,93
6,70
6,51
6,36
6,23
6,11
6,01
5,93
5,85
5,78
5,72
5,66
5,61
5,57
5,53
5,49
5,45
5,42
5,39
5,18
4,98
4,79
4,61
5403
99,17
29,46
16,69
12,06
9,78
8,45
7,59
6,99
6,55
6,22
5,95
5,74
5,56
5,42
5,29
5,18
5,09
5,01
4,94
4,87
4,82
4,76
4,72
4,68
4,64
4,60
4,57
4,54
4,51
4,31
4,13
3,95
3,78
5625
99,25
28,71
15,98
11,39
9,15
7,85
7,01
6,42
5,99
5,67
5,41
5,21
5,04
4,89
4,77
4,67
4,58
4,50
4,43
4,37
4,31
4,26
4,22
4,18
4,14
4,11
4,07
4,04
4,02
3,83
3,65
3,48
3,32
5764
99,30
28,24
15,52
10,97
8,75
7,46
6,63
6,06
5,64
5,32
5,06
4,86
4,69
4,56
4,44
4,34
4,25
4,17
4,10
4,04
3,99
3,94
3,90
3,85
3,82
3,78
3,75
3,73
3,70
3,51
3,34
3,17
3,02
5859
99,33
27,91
15,21
10,67
8,47
7,19
6,37
5,80
5,39
5,07
4,82
4,62
4,46
4,32
4,20
4,10
4,01
3,94
3,87
3,81
3,76
3,71
3,67
3,63
3,59
3,56
3,53
3,50
3,47
3,29
3,12
2,96
2,80
5928
99,36
27,67
14,98
10,46
8,26
6,99
6,18
5,61
5,20
4,89
4,64
4,44
4,28
4,14
4,03
3,93
3,84
3,77
3,70
3,64
3,59
3,54
3,50
3,46
3,42
3,39
3,36
3,33
3,30
3,12
2,95
2,79
2,64
5982
99,37
27,49
14,80
10,29
8,10
6,84
6,03
5,47
5,06
4,74
4,50
4,30
4,14
4,00
3,89
3,79
3,71
3,63
3,56
3,51
3,45
3,41
3,36
3,32
3,29
3,26
3,23
3,20
3,17
2,99
2,82
2,66
2,51
6022
99,39
27,35
14,66
10,16
7,98
6,72
5,91
5,35
4,94
4,63
4,39
4,19
4,03
3,89
3,78
3,68
3,60
3,52
3,46
3,40
3,35
3,30
3,26
3,22
3,18
3,15
3,12
3,09
3,07
2,89
2,72
2,56
2,41
6056
99,40
27,23
14,55
10,05
7,87
6,62
5,81
5,26
4,85
4,54
4,30
4,10
3,94
3,80
3,69
3,59
3,51
3,43
3,37
3,31
3,26
3,21
3,17
3,13
3,09
3,06
3,03
3,00
2,98
2,80
2,63
2,47
2,32
6106
99,42
27,05
14,37
9,89
7,72
6,47
5,67
5,11
4,71
4,40
4,16
3,96
3,80
3,67
3,55
3,46
3,37
3,30
3,23
3,17
3,12
3,07
3,03
2,99
2,96
2,93
2,90
2,87
2,84
2,66
2,50
2,34
2,18
6157
99,43
26,87
14,20
9,72
7,56
6,31
5,52
4,96
4,56
4,25
4,01
3,82
3,66
3,52
3,41
3,31
3,23
3,15
3,09
3,03
2,98
2,93
2,89
2,85
2,81
2,78
2,75
2,73
2,70
2,52
2,35
2,19
2,04
6209
99,45
26,69
14,02
9,55
7,40
6,16
5,36
4,81
4,41
4,10
3,86
3,66
3,51
3,37
3,26
3,16
3,08
3,00
2,94
2,88
2,83
2,78
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,37
2,20
2,03
1,88
6235
99,46
26,60
13,93
9,47
7,31
6,07
5,28
4,73
4,33
4,02
3,78
3,59
3,43
3,29
3,18
3,08
3,00
2,92
2,86
2,80
2,75
2,70
2,66
2,62
2,58
2,55
2,52
2,49
2,47
2,29
2,12
1,95
1,79
6261
99,47
26,50
13,84
9,38
7,23
5,99
5,20
4,65
4,25
3,94
3,70
3,51
3,35
3,21
3,10
3,00
2,92
2,84
2,78
2,72
2,67
2,62
2,58
2,54
2,50
2,47
2,44
2,41
2,39
2,20
2,03
1,86
1,70
6287
99,47
26,41
13,75
9,29
7,14
5,91
5,12
4,57
4,17
3,86
3,62
3,43
3,27
3,13
3,02
2,92
2,84
2,76
2,69
2,64
2,58
2,54
2,49
2,45
2,42
2,38
2,35
2,33
2,30
2,11
1,94
1,76
1,59
6313
99,48
26,32
13,65
9,20
7,06
5,82
5,03
4,48
4,08
3,78
3,54
3,34
3,18
3,05
2,93
2,83
2,75
2,67
2,61
2,55
2,50
2,45
2,40
2,36
2,33
2,29
2,26
2,23
2,21
2,02
1,84
1,66
1,47
6339
99,49
26,22
13,56
9,11
6,97
5,74
4,95
4,40
4,00
3,69
3,45
3,25
3,09
2,96
2,84
2,75
2,66
2,58
2,52
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,17
2,14
2,11
1,92
1,73
1,53
1,32
6366
99,50
26,13
13,46
9,02
6,88
5,65
4,86
4,31
3,91
3,60
3,36
3,17
3,00
2,87
2,75
2,65
2,57
2,49
2,42
2,36
2,31
2,26
2,21
2,17
2,13
2,10
2,06
2,03
2,01
1,80
1,60
1,38
1,00
V2
CI,j
co
00
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
00
.,
Indice remissivo
Aleatorizao, 91
Amostra
aleatria, 17
representativa, 17
Anlise
de varincia, 72, 212
resduo, 103-104
ANOVA, 215
rea de cauda, 31
Gaussiana, 15, 26
normal, 15, 26, 48
normal padro, 27
normal padronizada, 27
qui-quadrado, X 2 , 48, 49, 55
t, Student, 48,51-54
Efeito
antagnico, 308
erro padro, 92-94
interao, 87-89
principal, 87
sinrgico, 308
varincia, 93
Ensaio, 85
Equaes normais, 206
Erro
aleatrio, 14
grosseiro, 12
mdio (quadrtico), 216
padro, 69
padro do efeito, 93, 94, 108
puro (quadrtico), 229
sistemtico, 12
Estimador, 102
EVOP, 123-126
Experimentos confirmatrios, 227
Berra, Yogi, 6, 73
Blocagem, 91
fatorial, 126-129
superfcie de resposta, 284-285
Box, G. E. P., 124, 251
Caminho
mxima inclinao, 251, 256
Capacidade do processo, 63
Cartas de controle, 61
Codificao de variveis, 100
Coeficiente
contraste, 96
determinao, 214
correlao, 41, 44, 236-237
correlao amostraI, 41
correlao mltipla, 237
Combinao linear
variveis aleatrias, 43-46
Comparao
valor de referncia, 56-58
Confundimentos
padres, 156
Conjunto
treinamento, 298-300
teste, 298-300
Contrastes, 89
Covarincia, 40
Cumeeira, 288
Falta de ajuste, 229-231

Fatores, 1, 65, 83-84
Faixa de tolerncia, 63
Fatorial
completo, 85, 150-152
2 2 ,86-104
2 3 , 105-113
24 , 113-117
2 k ,86
fracionrio, 150, 153
2 4-1 , 153-158, 165
25-1, 161-163,165
25-2 ,168
2 7-4 , 170-177
2 8-4 ,177-179
embutido, 163-165
frao meia, 155
frao complementar, 158
geratriz, 157
Plackett-Burman, 179-180
Diagramas de disperso, 42
Densidade de probabilidade, 27
Desvio ,22
padro, 24
padro amostraI, 24
Distribuio
contnua, 27
F,56
399
ndice remissh/o
Mtodo de Derringer e Suich, 276-280

Mnimos quadrados, 205
Mistura, 301
modelo
linear, 305, 310
quadrtico, 307, 310, 330
cbico, 317
cbico especial, 317, 318, 329
Modelagem
mnimos quadrados, 6, 205
misturas, 301
Modelos
aditivo, 305, 310
ajuste do, 6, 205
emprico, 4-5
global, 4
linear, 252-256
local, 5
mecanstico, 4
no linear,225, 234-235, 238-240, 242,
247,263,269,287,291,295,298
quadrtico, 225, 234, 238, 242, 247,
263,
269,287,291
relao geradora, 157

saturado, 169-170
sem replicata, 113-117, 121-123
Taguchi, 180-184
triagem, 167
Fisher, R. A., 80
Freqncia relativa, 19
Funo de desejabilidade, 276
Galton, Francis, 36, 205
Gauss, Karl, 26
Geradora, 157
Geratriz, 157
Gosset, W. S., 51
Grficos
probabilidade, 117-120
resduos, 204, 225, 227, 233, 239-241
243,245,248,270
normais, 117-122
Graus de liberdade, 23
Hiptese nula, 57
Histograma, 20
Inclinao mxima, 256-259
Interao
coeficiente, 87-89, 263,306-307
efeito, 87-89
Intervalo de confiana, 36-38, 50, 52-55, 94
efeito, 94
mdia, 52-54
varincia, 55
Ishikawa, K., 42
respostas mltiplas, 266-280, 316, 325

329, 341-347
Nveis, 2, 65
Operao evolucionria, 123-126
Ordem padro, 105
Padronizao, 29
Parmetro populacional, 25
Planejamento
centride simplex, 317-319
composto central, 261, 280-285
estrela, 261, 281, 283
experimental, 3
fatorial 2k , 86
fatorial 33 , 266-275
fatorial completo, 6, 85
fatorial fracionrio, 6, 150
ortogonal, 104
rede simplex, 313
rodvel, 282
Plackett-Burman, 179-180
ponto central, 252, 256, 280
saturado, 169-177
sem replicata, 114-117, 121-123
Taguchi, 180-184
Pseudocomponentes, 323
Polinmio
primeiro grau, 201, 224, 232, 252
segundo grau, 225, 234, 261,263
Limite
inferior de controle, 62
superior de controle, 62
tolerncia, 63
Mapa de controle, 61
Matriz
covarincia, 222
planejamento, 86
Mdia
amostraI, 22
aritmtica, 21
comparao, 64-67
comparao emparelhada, 67-69
Mdia quadrtica, 24, 215
erro puro, 230-231
falta de ajuste, 230-231
regresso, 216, 223, 231
residual, 216, 223, 231
total, 216, 231
400
ndice remissivo
Populao, 16, 17
Probabilidade cumulativa, 33, 117-124
Transformao linearizante, 239

Triagem de fatores, 6, 169
Regresso, 205-237
Relao geradora, 157
Repetio autntica, 91
Resduo, 103
Resoluo, 159-162
Valor nominal, 63
Varincia, 24
anlise, 212-216, 229-231
comparao, 69-70
transformao estabilizadora, 243
Varivel
aleatria, 27
dependente, 83
independente, 83
inerte, 163-164
qualitativa, 83
quantitativa, 83
continua, 83
Resposta, 1, 65, 83-84

Robustez, 34, 181
Rotabilidade, 282
Simplex, 349
bsico, 350
contrao, 358,361
mudana de direo, 361
macia, 364, 365
expanso, 359-360
modificado, 350, 355
oscilante, 352, 353
rebatimento, 352
reflexo,352,359
seqencial, 7, 349
supermodificado, 350, 366
Soma quadrtica, 214
erro puro, 229, 231
falta de ajuste, 229, 231
regresso, 214
residual, 216
total, 216
Student, 51
Superfcie de resposta, 2,7,201,251
anlise, 251-265
Tabela
anlise de varincia, (ANOVA), 215,
216, 229-231
qui-quadrado,394
F,395-398
Gaussiana, 392
Normal, 392
T,393
Taguchi, G., 180
tcnicas, 181-184
Tcnicas estatsticas robustas, 34
Teorema do limite central, 35
Teste
duplo cego, 79
Grubbs, 77
falta de ajuste, 231
hipteses, 69
Q de Dixon, 76
valores anmolos,76-77
401

Como Fazer Experimentos 2aed Barros Scarminio Bruns OCR PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Você também pode gostar

Como Fazer Experimentos 2aed Barros Scarminio Bruns OCR PDF

Enviado por

Dados do documento

Título original

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

Como Fazer Experimentos 2aed Barros Scarminio Bruns OCR PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Bencio de Barros Neto

Ieda Spacino Scarminio

COMO FAZER EXPERIMENTOS

FICHA CATALOGRFICA ELABORADA PELA

Barros Neto, Bencio de

Como fazer experimentos: pesquisa e desenvolvimento

ndices para Catlogo Sistemtico:

Qumica - Mtodos estatsticos

Copyright by Editora da Unicalnp, 2001

Como a Estatstica pode ajudar

1.1 Em que a Estatstica pode ajudar

1.2 Modelos empricos

1.3 Planejamento e otimizao de experimentos

Quando as coisas funcionam normalmente

2.1(a) Tipos de erros

2. 2 Populaes, amostras e distribuies

2.3 A distribuio normal

2.3(a) Como calcular probabilidades de ocorrncia

2.3(b) Como usar as caudas da distribuio normal padro

2.3(c) Porque a distribuio normal to importante?

2.3(d) Como calcular um intervalo de confiana para a mdia

2.3(e) Como interpretar um intervalo de confiana

2.4 Covarincia e correlao

2.5 Combinaes lineares de variveis aleatrias

2.6 Amostragem aleatria em populaes normais

2.7 Aplicando a distribuio normal

2.7(a) Como fazer comparaes com um valor de referncia

2.7(b) Como determinar o tamanho da amostra

2.7(c) Como fazer o controle estatstico de processos

2.7(d) Como comparar dois tratamentos

Como comparar duas mdias

Como fazer comparaes emparelhadas

Como comparar duas varincias

De casa para o trabalho

Bioequivalncia de medicamentos genricos e de marca

Produtividade de algas marinhas

Como variar tudo ao mesmo tempo

3.1 Um planejamento fatorial 2 2

3.1(a) Clculo dos efeitos

3.1(b) Interpretao geomtrica dos efeitos

3.1(c) Estimativa do erro experimental

3.1(d) Interpretao dos resultados

3.1(e) Um algoritmo para o clculo dos efeitos

3.1(f) O modelo estatstico

3.2 Um planejamento fatorial 2 3

3.2(a) Clculo dos efeitos

3.2(b) Estimativa do erro

3.2(c) Interpretao dos resultados

3.2(d) O modelo estatstico

3.3 Um planejamento fatorial 2 4

3.3(a) Clculo dos efeitos

3.3(b) Estimativa do erro

3.4 Anlise por meio de grficos normais

3.5 Operao evolucionria com fatoriais de dois nveis

3.6 Blocagem em planejamentos fatoriais

Voltametria cclica do azul de metileno

Tempo de reteno em cromatografia lquida

Separao de gases por adsoro