Escolar Documentos
Profissional Documentos
Cultura Documentos
Como Fazer Experimentos 2aed Barros Scarminio Bruns OCR PDF
Como Fazer Experimentos 2aed Barros Scarminio Bruns OCR PDF
ISBN: 85-268-0544-4
540.28
519.5
511.8
519.7
540.28
519.5
511.8
519.7
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
2.1 Erros
10
11
15
18
25
27
31
34
36
38
38
43
48
56
56
58
60
64
64
67
69
Sumrio
2A Aplicaes
71
2A.1
71
2A.2
77
2A.3
Mais feijes?
80
2A.4
82
83
85
87
89
91
94
96
100
105
106
108
109
112
113
114
115
117
123
126
3A Aplicaes
130
3A.1
Hidrlise de resinas
130
3A.2
131
3A.3
133
3A.4
135
3A.5
137
3A.6
140
3A.7
Controlando a espuma
144
3A.8
Desenvolvimento de um detergente
146
Sumrio
149
150
155
157
159
159
161
163
166
166
166
169
177
177
179
180
4A Aplicaes
21iI4
185
4A.l
185
4A.2
187
4A.3
190
4A.4
191
4A.5
193
4A.6
195
4A.7
198
Como
constr~ir
modelos empricos
= f(T)
201
201
212
217
223
= f(T)
224
227
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
245
5A.5
246
5A.6
Outra calibrao
248
251
251
252
256
261
264
266
275
280
6A Aplicaes
286
6A.1
286
6A.2
288
6A.3
Diminuindo o colesterol
291
6A.4
Produo de lacase
294
6A.5
Aumentando o oxignio do ar
296
301
304
309
313
317
320
7.6 Pseudocomponentes
323
325
329
7A Aplicaes
333
7A.1
333
7A.2
335
Sumrio
7A.3
339
7A.4
341
7A.5
344
Otimizao simplex
349
o simplex bsico
o simplex modificado
350
366
8.1
8.2
355
Referncias bibliogrficas
371
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.
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
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
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
Come a Estatistica
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
Alis, o termo data mining est se tornando cada vez mais comum para descrever investigaes
Como a Estatstica
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
Planejamentos fatoriais
completos
5,7
Otimizao
RSM, simplex
6,8
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
obt-los
gratuitamente
na
pgina
do
Instituto
de
Qumica
da
Unicamp
2
Quando as coisas funcionam normalmente
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.
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.
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
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%.
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
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-
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.
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.
15
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.
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.
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.)
,.
:.
17
as coisas flH1cionam
norma~mente
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
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)
20
Exerccio 2.5
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
norma~mente
valor mdio numa amostra costuma ser indicado por uma barra colocada
x,
Com esse valor3 podemos estimar que o quilo de feijo contm cerca de 1.000 g
x=
= 0,2024 g.
0,2024 g/caroo
= 4.940
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:
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
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
-x)=
LXi - LX = LXi
i
i
i
=~
N
somatrio
-Nx.
Xi ,
i=l
L Xi , e portanto
i
(2.3)
23
elementos do conjunto, para v = N - p. Esse ltimo valor que ser usado como denominador, numa mdia quadrtim semelhante Equao 2.2.
= ~(O,00132 g2 ) = 0,0363 g .
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).
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
0',
e 8?
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:
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
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
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
Distribuio lrormal:
f(x ) dx -
r:::-
-(x-J1f
-e 20" 2 dx
(2.5)
a...;2n
a 2 = Varincia populacional
27
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)
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
= f f( xJdx
a
28
0,6
0,5
0,4
~ 0,3
~
0,2
0,1
0,0
-4
-3
-2
-1
f f( x )dx
ji-a
ji +3a
f f( x)dx
= 0,9973 (99,73%).
ji-3a
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)
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 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.
z =-----
z adimensional.
o valor numrico de z
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
x est dois desvios padro abaixo da mdia. No nosso exemplo, o peso do caroo
correspondente a z = - 2 seria x
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?
f(x )dx
-(/l+za-/lf
2(}"2
a dz
(Jv2n
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
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.
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
=-
=-
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
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
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
32
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-4
-3
-1
-2
Exerccio 2.9
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
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
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,
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.
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.
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
11&_11.. .
11 . .....-...-_
_ _ _ _......
",.........
11.......
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
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,
O"
J.1
= Mdia populacional
Xi
= Uma observao
(2.7)
O" =
Z
37
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.
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
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
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:
(2.8)
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
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
r(x, y)
= _ 1 L [Xi N -1
X)[Yi - Y]
Sx
(2.9)
Sy
(s x ' S
y )
N =
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
(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
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
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
Xl
onde
al
e a2 so constantes, uma
<nmbina~o linear
de
Xl
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:
2_ -1- L (y -y-)2
N-1
Usando as Equaes 2.2 e 2.9 podemos reescrever esta ltima expresso como
(2.10)
Teremos ento
~ax
Y-= ~
ll'
(2.11)
44
si
S; = Laf
i
(2.12)
+ 2L LaiajSiSjr(Xi' Xj).
i j>i
(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
Xi
(2.15)
45
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-
mdias amostrais:
(2.15a)
(J2,
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
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.
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
(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
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.
47
Exerccio 2.14
Qual a varincia da distribuio da diferena
Xl - X2,
onde
Xl
X2
e s2,
obedecem ao seguinte:
As mdias amostrais
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.]
=~
Jii'
liberdade.
48
(2.16)
(2.17)
(2.18)
XN-l
(J
t N-}
= 0,1887 g e s =
a/ Jii ,
'"
()
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
X-J.1
- 1,96 < cr/
.JN
< 1,96.
j1,
chegamos a duas
desigualdades,
J1 < X + 1,96
lN
(J
(J
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
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-
0",
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
O"
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.
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
v10
v 10
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?
53
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
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
s2
19,0
2,70
(N _1)_<(12 N - 1 ) -
Substituindo finalmente N
= 10 e s = 0,0423 g, temos a
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.
55
X;2
/V2
VI
V2
s; / ar : : X;l /
VI
para
VI
e v2
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-
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,
Substituindo s
s
.J3
)1
s
.J3
.
= 0,2082 %, que o desvio padro das trs titulaes, e t 2 = 4,303 (da Tabela
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
== 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%?
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
0,1%
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)
(j
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?
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..........-~
20
40
80
60
Amostra
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
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
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:
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
L8E -J1
3(}
J1-LIE
3(}
63
normaiment~~
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
Cpk
cliente aceitaria. Algumas das empresas mais avanadas do mundo, como a Motorola e a
General Electric, j esto estabelecendo
Cpk
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
10
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
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
norma~mente
(2.25)
(2.26)
( N A-I) s~ + (N B
1) s~
(NA-I) + (N B -1)
o nmero
(2.27)
Neste exemplo, v = NA + N B
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
Concluso: nesse nvel de confiana, no podemos dizer que as mdias dos resultados obtidos
por Arrhenius e Berzelius sejam realmente diferentes.
66
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
67
VU:dHUV
as coisas
fnc~onam norma~mente
igual a zero. Para testar essa hiptese, precisamos do desvio padro da mdia
-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.
(2.28)
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
68
::=
IJ -~ 1= 0,114%-0%
Sd/JN
::=
O,0814/JS
313
'
.
(2.29)
acaso, sem que houvesse diferena de tcnica analtica, so inferiores a 2,5%, e rejeitamos a
hiptese nula, isto , a hiptese de que ~
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
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
0-1
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
valor, para que a hiptese nula seja rejeitada e a estimativa conjunta no possa ser feita.
Como temos no nosso exemplo
70
2A Aplicaes
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.
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
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.
73
Quando as
co~sas
funcionarn
norrna~mente
Percurso
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
75
17:00
norma~mente
o
I
15:00
1
~
11 :30
9:00
:~
7:00
.----8--+----.-----I--.-----1-.----1--.--i-----~-B
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
76
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
"
mentos genricos como forma de garantir o acesso univer6al sade e racionalizar o uso de
77
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
(*)
78
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
79
........
A
B
DIF
Tipo
Pesos (g)
Carioca
0,27357
0,012779
Roxinho
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 '
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
(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
it~4
(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
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
~--~--~------~---~-----
Amostras
10
33,866
4,9077
37,784
5,4948
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:
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.
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
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?
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
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
= 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.
Yi
a-
(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
A Equao 3.1 pode ser reescrita como a diferena entre duas mdias:
(3.1a)
Como
Y2
Y4
Yl
Y3
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 %.
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.
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)
90
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
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
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
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
92
222
VISI + V2 S 2 +
+ VmS m
S2
VI +V2
= ni -
onde Vi
(3.5)
+Vm
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
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
S2
eITO
padro
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:
!
.~
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
s2
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
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
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.
2.
3.
+14
...o
"C
co
.!
...co
"ii
40
60
Tem peratura
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
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
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
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% .
-1
-1
Xc =
+1
+1
59
90
y=
54
68
(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
M
T
e
Te
67,75
22,5
-13,5
-8,5
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
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
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
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).
(j 2 (
(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
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
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
bo
y( X b
X 2)
= [1
Xl
X2
XIX2]
b2
~2
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
f3' s ) apare-
5'1
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'
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
+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
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
104
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.
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
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
1 com a interao 23. Compare os resultados dos dois casos com o valor da interao 123, dado
no texto.
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
== 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
=( 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
-8,6 1,1
13
- 0,9 1,1
23
0,9 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.
109
+14,25
-1
-1
Temperatura
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?
xl' X2
X3 .
(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
(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.
Fatores
(-)
(+)
1:
Temperatura (OC)
40
60
2:
Catalisador (tipo)
3:
Concentrao (M)
1,0
1,5
4:
pH
7,0
6,0
113
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
114
:3
+
+
+
+
+
+
+
+
+
+
+
+
+
+
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
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.
Mdia:
Efeitos principais:
1 (Temperatura)
22,875
2 (Catalisador)
-14,125
3 (Concentrao)
8,875
4 (pH)
0,875
12
-8,625
13
-0,625
14
0,875
23
-0,625
24
0,875
34
0,375
123
0,875
124
-0,125
134
-0,625
234
0,375
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.
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.
cumulativa (ou probabilidade acumulada) do valor xl. Essa rea, que corresponde probabi-
117
Xl'
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
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
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
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
Xl
e o maior de
XIO
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'
X10
X2
corresponderia a 15%,
X3
a 25%, .... e
contra os valores
Xl' , X10
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,
120
do limite central, podemos consider-los como uma amostra aleatria retirada de uma
distribuio aproximadamente normal, com mdia populacional zero.
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
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.
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.
125
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=
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
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
129
3A Aplicaes
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
Efeitos:
----------------------------1
12
13
23
123
0,040
0,015
-0,040
-0,025
0,005
0,010
-0,015
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
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
131
Fatores:
0,1
+
0,5
2:pH
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
~.
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
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
+
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
133
Como
var~ar tudo
ao mesmo
Fatores:
Ensaio
1: Temperatura, C
30
50
2: % etanol (v Iv)
60
70
0,1
0,2
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
6~8)
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)
135
Fatores:
1,40
2,40
0,05
0,20
3: Vazo de alimentao, m 3 h- 1
0,10
0,30
30
4: Tempo de adsoro, s
Ensaio
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
,!
-1
:!
-2
a....-_~"'____
-1
!1
_ _..&.o__..
!i
"""""__
!i
!i
!i
-'----...._~"""___~
--'
Efeito
3A.S
137
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
+
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
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).
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
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
Por qu?
143
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.
(*)
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
Efeitos:
EO
PO
EOxPO
7,2
-5,3
-0,9
144
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.
bastante significativos.
~----....------------....-----------.
40
lctS
()ti
ctS
>
35
Q)
"'O
o
"E
o
Q..
30
25
-O- PO
=4
=6
PO
EO
145
Diferena:
~ =
Yv - Yc
I;;:
- ) VI;;: ) VI;;:) 8
8
78
V V'v-Yc
= V'v + V'c = - + - = -
onde
12'
146
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)
(b)
(c)
Efeitos:
Mdia
AB
AC
BC
ABC
78,94
1,30
-0,14
5,28
0,03
-0,02
-0,03
-0,02
147
(lem-
brando que os valores coeficientes do modelo so sempre a metade dos valores dos efeitos).
Resposta Mdia
75,64
76,96
80,94
82,22
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.:'"
rl"'I'~~
. ""
e
~
:
. ..
I. I
~.....:
.
,:
.,'
. . ;.J..J;J
l .. '
....l .. ;'
.l
:.:
...... ... ,
.1
................
.
.: :....................
"--';
'j.
.
'.
i"
:'.':J. ..
')'"
148
4
Quando as variveis so muitas
menta rapidamente com k, o nmero de fatores investigados. Com sete fatores, por exemplo,
um planejamento completo exigiria nada menos de 2 7
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.
10
10
15
20
15
21
35
35
21
149
Tabela 4.4.
150
Ensaio
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
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
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.
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
Ensaio
10
11
13
16
0,16
0,32
0,015
0,030
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
l23
l24
l14.
l12, l13
Tambm pudera. Seria timo poder reduzir o nmero de ensaios metade sem ter de
l12
= l34, l13 = l24 e l14 = l23 . Isto ocorre porque na Tabela 4.4 as colu-
l12
l23
= 26,75,
= 24,75 e l34 = 8,75 , so estimativas muito boas das interaes de dois fatores calculadas
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 = 123.
155
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)
Do lado esquerdo da equao ficamos agora com o produto 134, e da conclumos que
l134
= l2'
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
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
II
1=1234
-4
M + lh (1234)
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
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-
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.
Z2 + Z;
= (2 + 134) + (2 -
134) = 2 + 2 .
o valor do efeito principal ser portanto a metade da soma dos dois contrastes:
2
Da mesma forma, a interao 134 ser dada pela metade da diferena entre Z2 e Z; :
134 = 12 -1;
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.
Esta hiptese um tanto arriscada, mas nesta investigao especfica ela mostrou-se
vlida. Pelo clculo completo, 23
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
159
Num
resolu~o
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( %)
160
95
1=12345.
Tabela 4.6 Um planejamento fracionrio 2~-1 para o estudo da resposta cataltica do Mo(VI).
Fator
Nvel
+
0,16
0,32
0,015
0,030
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
162
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
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
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
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.
2.
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?
166
= 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
0,16
0,32
0,015
0,030
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?
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
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
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
.~---------------------~-------
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?
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 .
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:
;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.
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
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
2}Y/-ll.
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.
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
1
2
+
+
11
12
13
14
15
+
+
+
+
+
+
+
+
10
+
+
+
+
+
+
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.
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
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.
179
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.
10
11
12
+
+
+
+
+
+
11
+
+
10
+
+
+
+
+
+
180
Qualquer desvio em relao ao valor alvo passou a ser considerado indesejvel, mesmo
que o produto estivesse dentro dos limites de especificao.
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
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 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
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
Fatores:
1: Tipo de slica
Sil-et-1
Sil-et-2
2: Sal
CuCl2
Cu(C2H302)2
3: Solvente
gua
Etanol
100
200
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
Efeitos
2,61
__1
o grfico normal
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?
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
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).
Fatores:
10
19
50
80
20
4: Agitao
sem
com
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
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
~,
~
~
~.
~~'-
~~
,~~~
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
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.:........,
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.
Tabela 4A.S - Dados do experimento.
Fatores:
1: Solvente
Hexano
lcool
2: Aditivo, %
3: Catalisador
sem
com
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.
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
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.....
-o- Hexano
..0..
lcool
10
Tempo de estufa
Figura 4A.6 - Respostas mdias da Tabela 4A.5, em funo dos fatores 1 e 4.
195
+
Fatores:
Ensaio
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%
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
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
+
Fatores:
1: Hidroquinona (HQ)
190
210
2: Benzoquinona (BQ)
20
30
180
360
900
1800
5: Dimetilanilina (DMA)
270
540
Ensaio
Ordem
11
12
13
14
16
10
11
10
12
13
15
14
15
16
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
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
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.
201
onde
Yi
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)
fio
fil
pares de valores (yi,Ti ) da Tabela 5.1. Isto , temos de resolver um sistema de cinco equaes,
fio
fil'
= (rendimento,
temperatura), e cujas
203
(5.1a)
y= XB +c,
onde
x=
y=
c=
Ys
Tl
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
onde
Yi = bo +~Ti , sendo
estimadores de
/30
/31'
y=Xb
(5.3)
y=
Y2
b=[~l
Ys
I,e;
I,e;
o menor possve1. 2
e b1 se anulem (Box, Hunter e Hunter, 1978, Captulo 14; Pimentel e Neto, 1996):
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
somatrio,obtennos
(5.5b)
equa~ normais:
nbo+~LXi = LYi
(5.6a)
boLXi + b1 LX~
(5.6b)
= LXiYi .
(5.7)
ou
Substituindo a primeira destas expresses em (5.6b), podemos escrever
e da
(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)
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?
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
singular.
(b) Os modelos sejam lineares nos parmetros, ou seja, eles no podem conter termos como
86
91
1 40
1 45
1 50 ,
1 55
1 60
e da
XtX _ [ 5
250]
250 12.750
Xt
=[
384]
19.590
= 1,560.
(xtx t
=[ 10,2
- 0,2]
-0,2 0,004
208
= bo + ~Xi
Yi
= -1,200 + 1,560Xi .
(5.13)
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
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 .
(5.14)
ou
Quando Xi
=X
A reta ajustada por mnimos quadrados sempre passa pelo ponto mdio das observaes,
isto , o ponto (~y).
lei = I (Yi - Yi )
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)
(b)
A lei de Boyle, p V
(c)
Aequaovirial,
(d)
(e)
=constante
[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
anterior, tambm pode ser feito pelo mtodo dos mnimos quadrados, isto , resolvendo-se a
equao matricial b
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.
exame dos resduos fundamental, para que possamos avaliar a qualidade do ajuste de
(Yi - y),
pode ser
212
y . A segunda parcela a
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 -
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).
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)
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
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
L (Yi - y)
nula
214
(5.18)
L (xi - X)2
L (Yi - y)2
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
L (Yi - y)2
estar
(n -1), a soma
(n -1) = 1 + (n - 2) .
lado direito desta equao reflete o fato de que o nosso modelo contm apenas dois
parmetros, f30 e
f3l.
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).
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
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
Exerccio 5.8
(x. -X)y~
1
1.
Sxx
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'
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
CJ2.
respostas observadas.
2.
;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
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
Sxx
ou, como
L (xi -X Y=Sxx ,
(5.20)
218
(j2,
2
8 ,
erro padro de ~
= ;-
(5.21)
vSxx
ht) .
(5.22)
ht
fica
sendo
_8_
~Sxx
= ~2,13 =00923
250
'
,
219
X~
m?
(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)
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
Exerccio 5.9
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
Como a covarincia de
Substituindo as expresses para a varincia de uma mdia (Eq. 2.15a) e para a varincia de
~
(5.26)
(12
erro padro de
Ya
1
8
por
Ya :
(xa-X)2
+ -----------
(5.27)
Sxx
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
a partir da regresso.
Como sempre, usamos o erro padro para definir intervalos de confiana em torno do
valor previsto:
com varincia
(12,
221
=s
+.!+(xa - X)2
n
Sxx
(5.28)
:'
0'2
varincia da previso do
valor mdio.
Da mesma maneira, se estivermos interessados na previso da mdia de q
observaes, teremos
(xa _X)2
Sxx
-+-+.....:..-~-~
(5.29)
e~:
(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
= [10,2
(b)
0-
-0,2]X213
-0,2 0,004
'
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~.
f3I =
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)
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 =
V2 =
3. No nvel de 95% de
MQR/MQr> 10,13. Caso contrrio, no teremos razo para duvidar que o valor de
f3I
seja
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
Box e
Draper(1987)].
Neste
exemplo,
gostaramos
de
ter
um valor de
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.
Tabela 5.5 Anlise da varincia para o ajuste de um modelo linear aos dados da Tabela 5.4.
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
224
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
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
y = -158,24+7,99T -0,065T 2
(5.34)
/32
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
226
= 20C
na Equao 5.34, o que representa apenas dez graus a menos que a temperatura
y = -24,44%,
um valor absurdo, j
r-----..-----..,.-------,
20
r-----.....-----r-----..,
o
80
--...
--'*
.9
60
g o-
c:
Q)
~c:
~
.o.
40
~----O--------()----
o:
20
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
227
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
ni
1= i
(Yij -)ti)2 ;
m ni (
m,
= L (SQr)i =L L
i
Yij -
Yi
)2
Yi
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
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.
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:
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)
ni -1 graus de
= (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
0'2
respostas, esteja o modelo bem ajustado ou no. A mdia quadrtica devida falta de ajuste,
tambm estima
0'2
0'2
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
SQT
SQT -SQep
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
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
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
"
= 3,29.
232
Tabela 5.9 Anlise da varincia para o ajuste de um modelo linear aos dados da Tabela 5.7.
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
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
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
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
(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
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: ?
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%?
(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
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
h.t
representa a variao
236
bf , chegamos a
ou, simplificando,
(5.40)
Yi
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.
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
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)
R2
(0,006)
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),
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.
1
0,065 + 48,18 - ,
(0,04270)
(0,088)
Vi
= 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
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.. ..
..--_
==-~.~=:~=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
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
l/V
=- 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
(,3116)
com R2 = 99,95%.
(O,2333)
= 0,142,
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.
Altura do pico, em
Concentrao, mgL-l
0,0133
0,0665
0,3325
0,6650
0,9975
1,3300
25 r----.........-
........--------r---..----....--..----.......--__--.,.---.---------,
: :~=:=:I=::1~:~=:~::;:I~:~::I:::=:~:
i ---------------f---~_Jc:-~-~~-------------~---------t------------
5
o
-5
---------:--~-----~------.---+-..- ...--.j.---------+-----.-..----!
!
1
0,0
0,3
-0,3
0,6
0,9
1,2
__'
1,5
Concentrao
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
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
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
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
V = 2,642-
(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
temperatura.
In(a/Q-1m- 1)
Ensaio
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
mode~os empricos
Como construir
com R2 = 99,86%.
~ : : : :::-~~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
=bo + ~ ~
T
Pvap,
-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
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
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%.
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.
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?
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
Andando na superfcie de resposta
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.
11 o
---<;>-.--.-.----.+..---.-..-.-.-1.. -.-.--.-.-..
--.-..- ..
9o
-..-...-.__.-..-...
80 '---
40
+-.-.-.-.---.--~_.-_ . ._-.--.Jr-._--..-.---.-
45
50
___..J,
55
--.J
60
C (%)
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
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
XtX
7 OO]
[O O 4
= O 4 O
253
1~ ~ ]X[~~~] = [~::~~]
4
O 1/4
17
(6.2)
4,25
= 2,33
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:
(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.
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?
,",~ ./\~
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
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
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
y = 70
remos expresso
X2
= 1,24x I + 0,47
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
X2
X2
0,5
~~
0,0
-0,5
'
I 75
(67)
f_r....
. . . . . ._ ~. . _ _.~. ~. ~
._.- ___I___-!-
-____1::::.
..
-:i::::
70
!_t.._..
!
!
i
!
!
__-1-----l-----"1""_ __r--___j-
60
-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.
256
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
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.
*" i , em
unidades codificadas,
atravs de
(6.4)
3.
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
2
(+ 1) = +0,4
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)
-1
+1
20
40
60
0,02
0,05
0,08
Exerccio 6.5
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
~.
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
259
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,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
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
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
um
planejamento em
estrela,
simplesmente
acrescentamos
ao
J2
261
-1
-2
J..--
-2
----'-
""""""'-_ _- - - - - '
-1
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
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
(,46)
(,54)
(,54)
(6.8)
(,65 )
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.
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?
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
X2
variao unitria em
X2
mais a 10 rpm.
2.
3.
5,25
Conseqentemente, o deslocamento
que equivaleria agora a
~v =
~2
correspondente a
~1
= -1
seria +0,405,
Quando chegssemos
etapa Centro+5L1,
ainda
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,
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
(O,04)
(6.9)
(O,04)
:M: =
(O,04)
(O,04)
(O,07)
(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,
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
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
= 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.
(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
.....( ...'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
(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
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
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-
274
Como fazer para descobrir os nveis dos fatores que produziro o conjunto de
xi
permitir a
ou mesmo no linear -
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
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
(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
276
dois expoentes (por exemplo, 10) faro com que a desejabilidade caia rapidamente, tornandose muito baixa a menos que
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
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
para
y ~ LI . Isto
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
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
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.
LI
L8
0,5 (O)
2,0 (1)
2,5 (O)
Rendimento (%)
10 (O)
15 (1)
20 (1)
Resposta
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 =-
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
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.
2.
Xi
= -1
ou
Xi
nfat
pontos de
= 2k
coordenadas nulas exceto uma, que igual a um certo valor a (ou -a);
3.
Um total de
ncentr
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,
exemplo, temos k = 2. A parte cbica formada pelos quatro primeiros ensaios, a parte em
estrela pelos quatro ltimos (com a
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.
281
---~---~-~-~-----~~-----------_.
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=
i<j j
Ii
I
l
I
(6.15)
o valor de
Jk.
Quando a
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,
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
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
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
10
22
n ax
10
ncentr,ax
1,414
2,00
2,00
14
30
33
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
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.
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
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
(0,002)
com
MQfaj/MQep = 90,7;
(0,002)
286
(0,002)
(0,002)
(0,002)
(0,002)
(0,003)
0,7
Linear
0,6
~
.g
.~
~
0,5
~ 0,4
0,3
i
.
.
O
1
r_rrI0.......
. . . . . . .--..I.-.- -
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
Respostas observadas
Figura 6A.l - Comparao das previses dos dois modelos com os valores observados.
287
xl
xi,
Xl
x2.
No
e de coeficiente
0,1 5
....
cn
=
=
~
0,55
0,3 5
Xl' X2
x3
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
(0,20)
(0,20)
com
(0,22)
289
(0,20)
- 0,85x IX2
(0,27)
(0,20)
(0,20)
(0,20)
(0,20)
<0,20)
(0,27)
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
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
y = 1,861- O,189xl -
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.
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
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
Respostas observadas
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
laia e do pR.
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.
Nveis
Fatores:
1: Concentrao do lcool, mM
28
30
35
40
42
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
(0,18)
(0,18)
(0,23)
(0,23)
(0,25)
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
296
xl
X2
% oxignio
X4
'.,
.
....
~3{ .
-1
..
-1
-1
1
8
:':':'9:, , .....
::~lL::,:':
10
::~1:.-:
: .12a .'
....:.:)1.,. :.
-1
-1
-1
-1
-1
: /3.":.. :::
-1
<:" ::lF'::
-1
14
.
'.'
33,8
4.~,7
-1
'"
-1
1
-1
::":::11.: :
. -:: ...
-1
:::':<':::':::::];5.;':::-:":' .:
16
:.::':::::..1('11'.:':':':
18
:;:::::!::'~:;:::19'::"::"::"
20
'
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
y = 36,15 + 2,04xl
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
y.
'
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
300
7
Como modelar misturas
L = 100% = 1 ,
(7.1)
Xi
i=l
onde
Xi
301
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
x2
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
seria um caso tpico. Caso o sistema seja uma mistura de trs componentes, porm, ter de
obedecer restrio
xl
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.
303
Como
mode~ar misturas
o modelo mais simples para uma mistura de dois componentes o modelo aditivo, ou
linear:
(7.2)
onde
Yi
do modelo e
/30' /31
/32
so os parmetros
Yi.
Ajus-
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
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
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
= bo + bi . Com este artifcio, o modelo passa a ter apenas dois coeficientes a serem
determinados -
(Xl' X2)
y = ~ = Y1 ,
onde
Y1
b; =
Y2.
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
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
)/1 e
Y2
(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
305
Como
mode~ar m~sturas
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.
= 1,
306
x; = xl (1- X2) e x~
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
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
Y12
t 1t
(7.8)
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
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
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
1,38
1,34
1,40
(7.9)
com a restrio
xl
+ x2 + x3 = 1 .
309
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.
310
quando
= (1, 0, O),
teremos
Yl
= ~.
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?
(7.11)
+ ~3XIX3 + b 23 x 2X 3
(7.12)
= b lJ
-: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)
311
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
= 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
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
bt
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
lattice design).
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
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:
( 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)
S os coeficientes ZJ; e
tJ;3
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
Exerccio 7.7
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)?
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
(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:
;-.
...
~~_
~.-.~~~~~--_.~~~~~-~~~------_.~~
.... .._...
~
~~~.~.~~--~~l
~.~
~__
(7.19)
dos coeficientes do modelo cbico especial o chamado rentride simplex, que obtemos
317
b;23
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
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
= (0,70,
0,05, 0,25)
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
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
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
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
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
=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
'
F1,lO
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)=
xlx2x3.
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.
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
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
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
Lai<1,
(7.22)
i=l
Xi'
so
x. = cl -a
(7.23)
1-
1-L a i
i=l
C l
0,1
0,7'
(7.24)
i = 1,2,3 .
Exerccio 7.12
Qual a
(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
= cKFeCN = 0,1).
Pirrol
/\
j'" . .
: .'
;'U.,;
2,8~
. . 3,8
...
:.i3:.a
:1'"
....
::
: . .'. 2 4 .~
" , :..
:"
.:.<..
... \
.:
~"
1,4 <>~
0,5::
::- . ~:
~
;
.....
::::,;:.:.:.::::=.;\.
:'
".
~.
.:.~ -. -. ----'~'- . -. -
'.,
_.~'.'.
(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.
ser encontrado em livros e artigos mais especializados, como os de Cornell (1990b, 1990c).
325
Como
mode~ar
misturas
:::;
:::;
0,65
0,25 .
-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.
b.
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
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:
Yel =479xPIB+176xPE+20xCE
(18)
(12)
(20)
(5)
(14)
(32)
(54)
(34)
objetivo final dos pesquisadores era obter um filme que apresentasse ao mesmo
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
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
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
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:
(0,006)
(0,006)
(0,008)
(0,006)
(0,029)
(0,029)
(0,029)
(0,011)
(0,011)
(0,047)
(0,047)
(0,047)
(0,168)
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%)
334
o, 7
.~
I-
0,61-..;..
o, 5 1-
~~
.. ,
,.rn..<
;.......................... ~
0,5
0,6
-"~
;;)
o, 4
:J~
0,4
0,7
Respostas observadas
335
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:
(4,66)
(5,06)
336
(2,96)
(S,62)
(2,56)
(S,14)
- 36,89x1xS + 57,89x2XS
(20,22)
(20,45)
(14,S9)
(14,S8)
(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%)
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
Respostas observadas
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
carutu~o
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.
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
y = 1,036 Xl
(0,091)
(0,026)
(0,211)
339
(0,211)
(0,116)
Como
mode~ar rnisturas
y = 1,106 xl + 0,275 x2
(0,095)
(0,025)
(0,025)
(0,235)
(0,235)
(0,124)
(0,782)
= 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
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
340
Cl' C2
c3
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
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
'
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
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.
344
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
7,0
8,5
9,5
6,0
7,0
7,0
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.
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
Respostas observadas
Respostas observadas
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
Respostas observadas
2,6
00
O
0,6
0,8
Respostas observadas
r----~----r------...---_r__--__r_--____,.
I
2,4
~~~~t----.-+_-+_O-!-.--n-!
!i
-_._._ J._
2,2
2, O -_._._ _
-1-
1,8
lo
Imo
-.L-._-_ ~._
1
_._.
-+-_._._ _..-.1
_.
_._ __..
-o--'-I;-'--'~-----r--i-l-----
--,-----l--l--r--l---i
1,6
1,4
1,6
1,8
2,0
2,2
_ ___I.__ _- - - '
2,4
2,6
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.
(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
igual ao nmero de fatores mais um. O tamanho, a posio e a orientao desse simplex
351
Otimizao
shnph~x.
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
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
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)
353
Otimizao simpiex.
---------
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.
355
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,"'"
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
356
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:
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)
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?
(P W)
(li. N)l
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
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
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
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
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.
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),
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
~0043
~0040
~0046
Exerccio 8.7
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.
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
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
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
= 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.
365
Otimizao simpiex
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
equao se torna
(8.8)
Fazendo J3 = 2, 3, 1,5 e 0,5, respectivamente, obtemos os pontos
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 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
Popt
~,
= 0,1 e 2) ajusta-
R w -Rp
+05
'
RR -2R p +R w
(S.9)
~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
367
Otimizao shnplex.
Exerccio 8.11
Ajuste a equao R
= af32+
RR -4R p +3R w
2R R -4R p +2R w
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
Bopt
Bopt
das na Figura 8.9, ele descartado e o novo vrtice passa a ser definido pelas regras a
seguir.
1.
Valores de
Bopt
Valores de
~oPt
S 13
3.
Se o valor de
Bopt
e 0,5.
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)'
(1- S f3)
ou
~+sf3).
-1
~.
~opt.
369
Referncias bibliogrficas
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
371
Referncias bibliogrficas
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
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.
373
Referncias bibliogrficas
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.
New York, Wiley, 2000.
374
Captulo 2
2.1
2.2
2.3
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
2.6
x = 0,1887; s = 0,0423.
2.7
2.8
2.9
(a) 73,24%; (b) (0,1313, 0,2735); (c) 52,6%) de probabilidade, admitindo-se 5.000 caroos/kg e
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,
(x, y)
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,
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
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
0,001 e 0,0005.
2.19
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
376
2.24
2.25
.iN
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
d e
Sd
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
3.4
Como N -1 = 1 e
d2
d2
d2
=-+-=-
Como
vl
2'
377
= L. d?
. 2N
1,
3.5
N
2
2 _
2 _.
2 _
(}2
(}2
4(}2
3.6
2()
JN = 2eJy '
= 7,99
= 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
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
59
90
54
68
.!-, que
2
3.9
Efeito 12(+) =
.!2
Efeito 23(-) =
Efeito 23(+)
.!2
= .!2
= -8,75
-2 [12(+)
. -12(-)]
. =2 (-8,50 + 8,75) = 0,125
378
= 1,0
1
-2 [23(+)
. . - 23(-)]
=-21 (1,0 -
0,75)
= 0,125 .
3.10
Vefeito=V(y+-y-)=V(y+)+V(y-)
3.11
t = 3,87, C = 12,36, P
= ~/2 + ~/2
= 8 e portanto Vefeito = -8
+- = - .
4
4
2
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
3.13
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
3.17
3.18
IV
.)
\ efelto v=ll
'
379
12
0,425
(Vefeito)V=11
. )
(Vefelto
v=5
3.19
3.20
A interao dada por 23 = .!. 6'1 + Y2 + Y7 + Y8)-.!. 6'3 + Y 4+ Y5 + Y6)' Suponhamos que Tli
4
= 1,4,6 e
= 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
Captulo 4
= -1
4.1
Por exemplo: 2
4.2
1
134 = - (-52 - 86 + ... + 286)
4
= 109,38.
= 114,75 = 12
4.3
16.
4.4
4.5
4.6
li = -2,50;
Efeito i
l~ = 104,0;
13=57,0;
1: =64,5.
380
~~~~~~-~---~-~-~-~---~~~~~--~--~~~~.
4.7
1234 == I] -I;
4.8
==
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
4.9
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
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
II = 1+25 +234+1345
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
4.17
II ==1+248+358+237+346+256+678+457.
Captulo 5
5.1
Denominador:
Numerador:
I (xi -X)(Yi -y)= I (xiYi -YXi -x Yi +Xy)= IXiYi -yIXi -XIYi + IXy
=LXiYi -(; )LYiLXi -(; )LXi LYi +nXy
=LXiYi -(; )LYiLXi
382
1 Xl
1 X2
. Xl]x'
5.2
=b:~i
LXi]
LX?
1 Xn
. Xl]x
Y1
Y2
[ LYi ]
= LXiYi
Yn
5.3
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
5.7
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
MQfi'
_ _a_u =
MQ~
= 4,53
5.11
= 0,000028
: 0,00179
= 2,228
Captulo 6
6.1
Efeito
Xl
(concentrao): -10,5
384
Efeito de interao:
XtX2:
-0,5
Xl
x2
xl
X2.
No clculo
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
significativa. Mais uma vez, j devamos esperar por isto, porque todos os coeficientes na
Equao 6.3 so significativos.
6.4
t2 =
= 2,45
Como nenhum destes intervalos contm o zero, todos os coeficientes so significativos no nvel
de confiana escolhido.
6.5
G=115gL- I
6.6
A=11,4gL- I
T=0,19mgL- I e Y=78,4%.
ou (84,35, 87,07)
ou (+3,05, -0,55)
ou (-0,45, -4,05)
Para bl
385
6.7
~~~
6.8
ay
dXI
1,51-5,62xI +1,75x 2 =
ay
Xl
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
6.10
Com
t73
Captulo 7
7.1
7.2
7.3
(b)
(c)
386
7.4
7.5
7.6
No nvel de 95% de confiana, com tg = 2,262 , o limite de significncia para o valor absoluto
dos
termos
lineares
dos
termos
quadrticos
7.7
x2
X3
por (l-Xl)
7.8
7.9
(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
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
7.12
387
Captulo 8
8.1
Regra 2:
8.3
8.4
(b)
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
8.7
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
W=15.
8.10
1
2
388
8+11+14
8.11
22
0,0790, 0,0048);
23
0,0760, 0,0042).
389
Tabelas
391
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
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
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
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.
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.
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
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
Diagramas de disperso, 42
Densidade de probabilidade, 27
Desvio ,22
padro, 24
padro amostraI, 24
Distribuio
contnua, 27
F,56
399
ndice remissh/o
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
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
401