Escolar Documentos
Profissional Documentos
Cultura Documentos
INSTITUTO DE TECNOLOGIA
FACULDADE DE ENGENHARIA QUÍMICA
Disciplina: ESTATÍSTICA APLICADA À ENGENHARIA QUÍMICA
ESTATÍSTICA DESCRITIVA
1. CONCEITOS
1.1 Estatística
É a ciência que se preocupa com coleta, análise, interpretação e apresentação dos
dados, permitindo-nos a obtenção de conclusões válidas a partir destes dados, bem como
a tomada de decisões razoáveis baseadas nessas conclusões.
1.2 População
É todo conjunto que possui alguma característica em comum entre todos os seus
elementos componente, limitados no tempo e no espaço.
1.3 Censo
É a coleta das informações de todas as “N” unidades da população.
1.4 Amostra
É um subconjunto, uma parte selecionada da totalidade de observações
abrangidas pela população da qual se quer inferir alguma coisa.
Amostra Aleatória: onde cada unidade da população tem a mesma chance de ser
incluída na amostra.
UNIVERSIDADE FEDERAL DO PARÁ
INSTITUTO DE TECNOLOGIA
FACULDADE DE ENGENHARIA QUÍMICA
Disciplina: ESTATÍSTICA APLICADA À ENGENHARIA QUÍMICA
ESTATÍSTICA DESCRITIVA
(continuação)
5. DISTRIBUIÇÃO DE FREQUÊNCIAS
ΔT = X máximo − X mínimo
Se n ≥ 25, utiliza-se k≅ n
Obs. sempre arredondar o valor de K para um número inteiro, seguindo as regras de
arredondamento.
k ≅ 1+3,3Log10 (n)
n Kprático KSturges
25 5 6
50 7 7
100 10 8
300 17 9
400 20 10
500 22 10
800 28 11
1000 32 11
2000 45 12
3000 55 12
4000 63 13
5000 71 13
Pelo exame do gráfico comparativo entre os dois métodos (Figura 1), verifica-se um
comportamento exponencial da curva representativa do método prático, em função do
número de observações, a partir de n = 100.
1
80
70
60
Número de classes (K)
50
40
30
20
10
0
K prático
0 1000 2000 3000 4000 5000
K Sturges
Número de observações (n)
ΔT
h=
k
5) Construção das classes:
..............................................................................................................................................
ka Classe → Limite Inferior = Limite Superior da (k-1)a Classe
2
Limite Superior = Limite Inferior da ka Classe + Valor do Intervalo de
classe
Convenção:
|----- Inclui à esquerda e exclui à direita
-----| Exclui à esquerda e inclui à direita
----- Exclui ambos
|-----| Inclui ambos
F1 = f 1
F2 = f1 + f 2
...
Fk = f 1 + f 2 + ... + f k
fr = ∑f f i
3
Fr1 = f r1
Fr2 = f r1 + f r2
...
Frk = f r1 + f r 2 + ... + f rk
iv) Ponto médio de classe (Xi): é a média aritmética calculada entre o limite inferior
(li) e o superior (ls) da classe. É o valor em estatística que representa os valores
da variável dentro da classe.
X i = (l +2l )
i s
4
1.5 Variável
É o conjunto de resultados possíveis de um fenômeno (resposta), ou ainda são as
propriedades (características) dos elementos da população que se pretende conhecer.
Exemplos:
a) Presença ou ausência de catalisador em uma reação química;
b) Aderência de uma cola (nenhuma, parcial, total);
c) Solubilidade de um composto químico (insolúvel, parcialmente solúvel, solúvel);
d) Presença ou ausência de agitação em um reator.
São numéricas. Podem ser ditas Discretas, quando obtidas por meio de contagem ou
Contínuas quando obtidas por meio de medições.
Exemplos:
a) Número de passos em um processo de fabricação;
b) Temperatura de secagem;
c) Número de estágios em uma coluna de absorção gasosa;
d) Viscosidade cinemática do glicerol em função da temperatura.
1.6 Parâmetro: valor singular que existe na população e que serve para caracterizá-la. Em
geral, é representado por letra grega.
Exemplos: média populacional ( µ ) e variância populacional ( σ 2)
1
massa de óleo obtido
R= 100
massa total de sementes
2. ARREDONDAMENTO DE NÚMEROS
2
n
∑(f
i =1
i × xi )
3.1.2. Média Aritmética de dados tabelados: X = n
∑f
i =1
i
Se os valores forem distribuídos em classes o Xi será o ponto médio de cada classe, .fi =
n
freqüência simples e a ∑f
i =1
i = n (número total de informações).
! Se n for par, o conjunto terá dois valores centrais, neste caso, a mediana será igual
à média aritmética dos valores centrais, cujas posições são dadas por:
P1 = n / 2 e P2 = (n / 2) + 1
∑ fi
n
i =1 − F aa
• Calcula-se o valor da mediana por: Me = l i + ×h
2
fi
3
onde:
li = Limite inferior da classe da mediana;
Faa = Freqüência acumulada anterior da classe da Me;
fi = Freqüência simples da classe da mediana;
h = Intervalo de classe.
3.3 Moda (Mo): é o valor que mais aparece num conjunto de informações ou o de maior
freqüência em uma tabela. A moda pode não ser única ou não existir.
3.3.1. Moda de valores brutos: basta observar o valor que mais aparece no conjunto.
Exemplo: 3 ; 3 ; 6 ; 8 ; 10 ; 10; 10; 11; 11; 12 → Mo = 10.
a) Moda Bruta: é ponto médio da classe de maior frequência simples (classe modal).
f Mo − f ant
b) Moda pelo processo de Czuber → Mo = l i + ×h
Mo
2 f − (f ant + f )
post
onde:
4.1 Desvio médio: é a média dos valores absolutos dos desvios dos dados a partir de um
valor de tendência central.
n
∑ ( xi − x )
4.1.1 - Desvio médio de valores brutos: DM = i = 1 ,
n
Onde X é a média aritmética e n é o total de informações.
4
n
4.1.2 - Desvio médio de valores tabelados: ∑ [ ( xi − x ) . f i ]
n
DM = i = 1 , onde : ∑ f =n
n i
∑ f i =1
i
i =1
4.2. Variância: é a média quadrática das somas dos desvios em relação à média
aritmética. O símbolo ⇒ S2 (amostra) ou σ2 (população)
n 2
∑ ( xi − x )
4.2.1- Variância para dados brutos: S2 = i =1
n −1
Ou ainda:
"
(∑ &)
∑ &" –
!" = *
*− 1
A variância amostral para dados brutos também pode ser calculada pela
fórmula alternativa:
2
n∑ x 2 − (∑ x ) 2
s =
n −1
n
∑ [ fi × ( x − x ) ]
2
i
4.2.2- Variância para dados tabelados: S2 = i = 1
n −1
5
4.4 Coeficiente de variação: é uma medida estatística que serve para avaliar a
homogeneidade dos dados. É o grau de concentração dos valores observados em torno
da média aritmética. Pode ser interpretado como uma medida de variabilidade relativa, útil
para comparar a variabilidade de observações com diferentes unidades de medida, pois o
CV é adimensional.
4.4 Coeficiente de variação: é uma medida estatística que serve para avaliar a
homogeneidade dos dados. É o grau de concentração dos valores observados em torno
da média aritmética. Pode ser interpretado como uma medida de variabilidade relativa, útil
para comparar a variabilidade de observações com diferentes unidades de medida, pois o
CV é adimensional.
!
-. = 100
/0
Baixo: ≤10%
Médio: (10%, 20%]
Alto: (20%, 30%]
Muito Alto: >30%
4.5 Erro padrão da média: o erro padrão da média, epm, é uma das medidas mais usadas
para expressar a variabilidade. Pode ser calculado por meio da expressão:
s2
epm =
n
ou na forma:
s
epm =
n
6
EXERCÍCIOS
a) a nota média ;
b) a mediana;
c) a moda;
d) a amplitude da distribuição;
e) a variância;
f) o desvio padrão;
g) o desvio médio;
h) o coeficiente de variação;
i) o erro padrão da média.
7
UNIVERSIDADE FEDERAL DO PARÁ
INSTITUTO DE TECNOLOGIA
FACULDADE DE ENGENHARIA QUÍMICA
Disciplina: ESTATÍSTICA APLICADA À ENGENHARIA QUÍMICA
ESTATÍSTICA DESCRITIVA
(continuação)
5. DISTRIBUIÇÃO DE FREQUÊNCIAS
ΔT = X máximo − X mínimo
Se n ≥ 25, utiliza-se k≅ n
Obs. sempre arredondar o valor de K para um número inteiro, seguindo as regras de
arredondamento.
k ≅ 1+3,3Log10 (n)
n Kprático KSturges
25 5 6
50 7 7
100 10 8
300 17 9
400 20 10
500 22 10
800 28 11
1000 32 11
2000 45 12
3000 55 12
4000 63 13
5000 71 13
Pelo exame do gráfico comparativo entre os dois métodos (Figura 1), verifica-se um
comportamento exponencial da curva representativa do método prático, em função do
número de observações, a partir de n = 100.
1
80
70
60
Número de classes (K)
50
40
30
20
10
0
K prático
0 1000 2000 3000 4000 5000
K Sturges
Número de observações (n)
ΔT
h=
k
5) Construção das classes:
..............................................................................................................................................
ka Classe → Limite Inferior = Limite Superior da (k-1)a Classe
2
Limite Superior = Limite Inferior da ka Classe + Valor do Intervalo de
classe
Convenção:
|----- Inclui à esquerda e exclui à direita
-----| Exclui à esquerda e inclui à direita
----- Exclui ambos
|-----| Inclui ambos
F1 = f 1
F2 = f1 + f 2
...
Fk = f 1 + f 2 + ... + f k
fr = ∑f f i
3
Fr1 = f r1
Fr2 = f r1 + f r2
...
Frk = f r1 + f r 2 + ... + f rk
iv) Ponto médio de classe (Xi): é a média aritmética calculada entre o limite inferior
(li) e o superior (ls) da classe. É o valor em estatística que representa os valores
da variável dentro da classe.
X i = (l +2l )
i s
4
UNIVERSIDADE FEDERAL DO PARÁ
INSTITUTO DE TECNOLOGIA
FACULDADE DE ENGENHARIA QUÍMICA
ESTATÍSTICA APLICADA À ENGENHARIA QUÍMICA
' 0 ⁄*( 0
!"#$ = , -".-/$ para: (-∞ < x < + ∞)
(√*+
Uma distribuição normal pode ter qualquer média e qualquer desvio-padrão. Esses
dois parâmetros, µ e σ, determinam completamente o aspecto da curva normal. A média
dá a localização do eixo de simetria e o desvio-padrão descreve quanto os dados se
espalham em torno da média (Figura 2):
Figura 2. Curvas normais. Note que as curvas A e B têm a mesma média, enquanto as
curvas B e C têm o mesmo desvio-padrão.
Existem infinitas distribuições normais, cada uma com sua própria média e desvio-
padrão. A distribuição com média zero e desvio-padrão 1 é chamada de distribuição
normal padrão.
34567 − 9é;<4 #−
2= =
;,=3<6 >4;7ã6 !
A função de densidade probabilidade de z é dada pela equação:
' 0 ⁄*
!"2$ = , -" para: (-∞ < z < + ∞)
√*+
Exemplo:
Solução:
# - $%%
X: duração da bateria (µ = 600 dias; σ = 100 dias) → 2 = '%%
312 − 600
2= = −2,88
100
Se X1, X2, X3, ........, Xn for uma amostra aleatória de tamanho n, retirada de uma
população com média µ e variância σ2, e se -. for a média da amostra, então a forma
limite da distribuição de
-. −
/= !
√0
Exemplo:
Uma companhia eletrônica fabrica resistores que têm uma resistência média de
100 Ω e um desvio-padrão de 10 Ω. Encontre a probabilidade de uma amostra aleatória
de n = 25 resistores ter uma resistência média menor que 95 Ω.
Solução:
! 10
!#. = = =2
√0 √25
Padronizando-se o ponto -. = 95 Ω encontra-se:
95 − 100
/= = −2,5
2
Desse modo, tem-se que a probabilidade desejada é:
P (-. < 95) = P(Z < -2,5) = P(Z > 2,5) = 0,0062
! 5−0
!#. = 4
√0 5 − 1
Exemplo:
Tem-se uma população de 5.000 alunos de uma faculdade. Sabe-se que a altura
média dos alunos é de 175 cm e o desvio padrão, 5 cm. Retira-se uma amostra sem
reposição de tamanho n = 100. Quais serão os valores de !#. com e sem a correção?
( 8-6 9 9.%%%-'%%
!#. = 7 = 7 = 0,495024
√6 8-' √'% 9.%%%-'
Sem a correção:
! 5
!#. = = = 0,50
√0 10
Quando se tira uma amostra grande de uma população de tamanho muito maior
que o da amostra, pelo menos o dobro, é indiferente usar a correção para populações
finitas, pois o erro será muito pequeno, como o do exemplo acima.
Exercício:
1. INFERÊNCIA ESTATÍSTICA
2. INTERVALOS DE CONFIANÇA - IC
2.1 Introdução
Nível de confiança zc
90% 1,645
95% 1,960
99% 2,575
Passos:
Em palavras Em símbolos
− n
∑ x
1. Obter as estatísticas amostrais n e x − i =1 i
x=
n
2. Se conhecido, especificar σ. Caso contrário, se n − 2
n≥30, determinar o desvio padrão amostral, s e usa- ∑ i x
x −
lo como uma estimativa de σ. s= i = 1
n−1
3. Determinar o valor crítico zc que corresponde ao zc =f(c)
nível de confiança estipulado. (usar tabela normal padrão)
σ
4. Determinar o erro máximo da estimativa, E. E = zc
n
5. Determinar os extremos, esquerdo e direito, para − −
formar o Intervalo de Confiança. x -E ≤ µ ≤ x +E
2.5 Exercício 1:
Passos:
Em palavras Em símbolos
n
− i∑
x
i
−
x = =1
1. Identificar as estatísticas amostrais x e s. n
n − 2
∑ x i − x
s= i = 1
n−1
2. Identifique os graus de liberdade, g.l., o nível de
g.l. = n-1
confiança, c, e o valor crítico, tc
3. Identificar o valor crítico tc em função do nível de tc =f(g.l.,c)
confiança estipulado e dos graus de liberdade. (usar tabela da distribuição t
de Student)
s
4. Determinar o erro máximo da estimativa, E. E = tc
n
5. Determinar os extremos, esquerdo e direito, para − −
formar o Intervalo de Confiança. x -E ≤ µ ≤ x +E
2.7 Exercício 2:
3.1 Definições
Uma hipótese nula, H0, é uma hipótese estatística que contém uma
afirmação de igualdade, tal como: ≤, = ou ≥.
Um erro do tipo I ocorre se a hipótese nula for rejeitada quando ela for
realmente verdadeira.
Um erro do tipo II ocorre se a hipótese nula não for rejeitada quando ela for
realmente falsa.
Passos:
H0 : µ = 800 kg/ha.
H1 : µ ≠ 800 kg/ha.
A região de rejeição é dada pelos valores |t| > 2, 306; a região de aceitação
compreende os valores (inclusive) entre -2,306 e 2,306, isto é, |t| ≤ 2, 306. A Figura
1 mostra as regiões de aceitação e de rejeição da hipótese. Observe nessa figura
como o teste é bilateral, que o nível de significância está dividido em duas partes:
(0,05/2), ou seja, 0,025 na cauda do lado esquerdo e 0,025 na cauda do lado direito
Com os valores da amostra vamos calcular
3.4.1 Introdução
x1 − x 2 − Δ
Estatística do teste: Z=
σ 12 σ 22
+
n1 n2
Hipóteses alternativas:
µ1 - µ2 ≠ ∆
µ1 - µ2 > ∆
µ1 - µ2 < ∆
ou na forma:
µ1 ≠ µ2
µ1 > µ2
µ1 < µ2
Desejamos testar:
H0: µ1 = µ2
H1: µ1 ≠ µ2
2(n1 − 1) s12 + ( n2 − 1) s 22
Sp =
n1 + n 2 − 2
Hipóteses alternativas:
µ1 ≠ µ2
µ1 > µ2
µ1 < µ2
x1 − x2 − Δ
t* =
s12 s22
+
n1 n2
Definições:
Símbolo Descrição
n Número de pares de dados
Diferenças entre as entradas para um par de dados:
d d = x1 - x2
Passos:
!" = ! % − !'
() = !" = 0
(+ = !" > 0
Seja di = xi - yi (i = 1,2,.......,10)
Pessoa xi yi di d i2
A 120 116 4 16
B 104 102 2 4
C 93 90 3 9
D 87 83 4 16
E 85 86 -1 1
F 98 97 1 1
G 102 98 4 16
H 106 108 -2 4
I 88 82 6 36
J 90 85 5 25
Σ - - 26 128
3
1 26
-̅ = 1 -2 = = 2,6
0 10
24+
n(Σd 2 ) − (Σd ) 2
Sd =
n(n − 1)
A estatística do teste é:
Como tcalc > t tab, rejeita-se H0, isto é, com 95% de confiança, conclui-se que é
significativa a queda de peso das pessoas pelo uso da dieta do grupo.
UNIVERSIDADE FEDERAL DO PARÁ
INSTITUTO DE TECNOLOGIA
FACULDADE DE ENGENHARIA QUÍMICA
ESTATÍSTICA APLICADA À ENGENHARIA QUÍMICA
CORRELAÇÃO E REGRESSÃO
INTRODUÇÃO
A primeira parcela .)0' − )+) representa o desvio da previsão feita pelo modelo para
o ponto em questão )0' em relação à média global )+. A segunda parcela é a diferença
entre o valor observado e o valor previsto (ou predito). Em um modelo bem ajustado aos
pontos experimentais, essa segunda parcela (resíduos) deve ser pequena.
2.)' − )+)3 = 2.)0' − )+)3 + 2 2.)0' − )+) .)' − )0' ) + 2.)' − )0' )3
Pode-se demonstrar que o somatório dos produtos ∑.)0' − )+) .)' − )0' ) é igual a
zero, e, portanto:
Ou ainda:
SQT = SQR + SQE
A expressão acima denota que uma parte da variação total das observações )' em
torno da média )+ é descrita pela equação de regressão, e o restante fica por conta dos
resíduos. Quanto maior for a fração descrita pela regressão, melhor será o ajuste do
modelo. Isso se quantifica por meio do coeficiente de determinação múltipla, R2.
9:; 9:>
83 = = 1−
9:< 9:<
Soma Quadrática residual = Soma Quadrática devida ao erro puro + Soma Quadrática
devida à falta de ajuste
5 34
9:>
Resíduos 9:> = 2 2.)'# − )0)3 7 − / 6:> =
7−/
' #
5 34
Falta de 9:!"#
9:!"# = 2 2.)0' − )+' )3 8 − / 6:!"# =
ajuste 8−/
' #
5 34
9:?
Erro puro 9:? = 2 2.)'# − )+' )3 7 − 8 6:? =
7−8
' #
5 34
Onde:
7# : número de repetições no nível j;
7: número total de observações (7 = 97# );
8: número de níveis distintos da variável independente;
/: número de parâmetros do modelo.
(PARTE A)
NOTAÇÃO
FORMULAÇÃO
a) Graus de liberdade:
! De tratamentos: k – 1
! Do total: n – 1 (! = # × %)
! Do resíduo: (n – 1) - (k – 1) = n - k
(∑ *),
&=
!
c) Soma de quadrados total:
-./ = 0 * , − &
EXEMPLO
A B C D
25 31 22 33
26 25 26 29
20 28 28 31
23 27 25 34
21 24 29 28
Soma: 115 135 130 155
Média: 23 27 26 31
Solução:
A) Graus de Liberdade:
De tratamento: k – 1 = 4 – 1 = 3
Do total: n – 1 = 20 – 1 = 19
Do resíduo: n – k = 20 – 4 = 16
B) Valor de C:
(25 + 26 + ⋯ + 28), (535),
&= = = 14.311,25
20 20
G) QMR = 112 / 16 = 7
H) F = 54,58 / 7 ≈ 7,80
Hipóteses:
OBJETIVO
INTRODUÇÃO
Informação
(Fatos e Dados)
Coleta de Informação
Processamento da
Informação
Disposição da
Informação
Conhecimento
Nesta fase, identifica-se a existência de um problema que pode ser estudado (ou
resolvido) através de experimentação. A partir daí, as idéias são organizadas de forma a
se explicitar o que se conhece e o que se pretende conhecer com o experimento. Não é
tarefa simples, exige cooperação de todas as partes envolvidas: projeto, fabricação,
qualidade, marketing, gerencia, funcionários da fábrica.
c) Planejamento do Experimento
Esta fase envolve a:
Métodos estatísticos são usados para analisar os dados de modo a garantir que as
conclusões sejam objetivas e fundamentadas, já que estes métodos adicionam
objetividade ao processo de tomada de decisão.
Os métodos estatísticos, quando aplicados adequadamente, nos permite medir o
erro provável de uma conclusão com um certo grau de confiança.
f) Conclusões e Recomendações
• Experimentos comparativos;
• Experimentos fatoriais;
• Análise de regressão;
• Superfície de resposta;
• “EVOP” (Operação evolucionária).
UNIVERSIDADE FEDERAL DO PARÁ
FACULDADE DE ENGENHARIA QUÍMICA
ESTATÍSTICA APLICADA À ENGENHARIA QUÍMICA
k k k-1 k
(2)
y k = b ko + ∑ b ki x i + ∑ b kii x 2i + ∑ ∑ b kij x i x j + e
i =1 i =1 i =1 j= i +1
onde bko, bki, bkii e bkij representam os coeficientes de regressão constantes e xi, (i = 1, 2, ...., k), são
as variáveis independentes codificadas, relacionadas linearmente a ξi conforme Equação 3,
ξi − ξio (3)
xi =
di
na qual ξi é o valor real da variável de entrada em unidades originais, ξio o valor central (média entre
os valores do nível baixo e do nível alto da variável original ξi) em unidades originais, e di representa
a metade diferença entre os valores dos níveis baixo e alto de ξi. O termo e constitui-se num
componente de erro aleatório.
Os projetos compostos, os quais consistem de projetos fatoriais completos ou de uma fração
do projeto fatorial, são detalhados em BOX e DRAPER (1987) e em KHURI e CORNELL (1996).
As formas mais freqüentes das superfícies de resposta, dadas por modelos polinomiais de
segunda ordem, estão ilustrados em BOX, HUNTER e HUNTER (1978).
O projeto de engenharia e a eficiente operação dos equipamentos e do processo de secagem
são geralmente baseados em experimentos em planta piloto com o material em estudo, numa certa
faixa de condições operacionais.
No método clássico de experimentos, os parâmetros (variáveis independentes) de um
processo de secagem são variados um de cada vez, mantendo-se os demais constantes, sendo a
correspondente resposta (variável dependente) estimada por um método de medidas adequado.
Essa abordagem apresenta a desvantagem de requerer grande número de ensaios experimentais
no caso de experimentos multivariados, além de apresentar limitações nas conclusões, em
conseqüência dos efeitos e de possíveis interações de vários parâmetros.
O planejamento estatístico de experimentos e a análise de variância proporcionam um
vantajoso método para avaliação dos efeitos e interações das variáveis operacionais mais
importantes no processamento industrial de vários materiais. A metodologia de superfícies de
resposta é comumente empregada na análise de dados experimentais, resultando na otimização do
processo.
As técnicas de planejamento fatorial e metodologia de superfícies de resposta têm sido
empregadas para a otimizar a operação de secagem, minimizando o número de experimentos, em
sua maioria trabalhosos e dispendiosos, permitindo a otimização do processo e melhorando a
qualidade dos produtos finais.
Um bom exemplo de projeto de primeira ordem é o projeto fatorial completo em dois níveis.
O projeto fatorial consiste em realizar uma série experimental em que cada ensaio foi obtido a partir
de todas as combinações possíveis de um número fixo de níveis para cada variável de entrada
estudada (fatores).
k k k (4)
ŷ = b o + ∑ b x + ∑ b x 2 + ∑ b x x
i=1 i i i=1 ii i i≠ j=1 ij i j
K 2 3 4 5 6 7 8
λ 0,7844 0,8385 0,8704 0,8918 0,9070 0,9184 0,9274
Consiste de;
• Um projeto fatorial completo (ou fracionário), 2k, onde os níveis são codificados de –1
e +1. É chamada de porção fatorial do projeto.
• Um número de corridas no ponto central, nc (nc≥1).
• Dois pontos axiais no eixo de cada variável de projeto a uma distância α do centro do
projeto. É chamada de porção axial do projeto.
Matriz de planejamento
Ordem X1 X2 Resposta
1 -1 -1 Y1
2 1 -1 Y2
3 -1 1 Y3
4 1 1 Y4
5 -1,41 0 Y5
6 1,41 0 Y6
7 0 -1,41 Y7
8 0 1,41 Y8
9 0 0 Y9
10 0 0 Y10
11 0 0 Y11
12 0 0 Y12
13 0 0 Y13
Planejamento Composto Central – parte fatorial e axial graficamente
EFEITOS ESTIMADOS
EQUAÇÃO DE REGRESSÃO
Tg − 60 (6)
x1 =
20
t − 300 (7)
x2 =
60
G − 77 ,4 (8)
x3 =
30,6
2,0
1,5
1,0
0,5
X2
0,0
-0,5
-1,0 16
14
12
-1,5 10
8
6
-2,0
4
-2,0 -1,5 -1,0 -0,5 0,0 0,5 1,0 1,5 2,0
2
X1
A Figura 2-A representa a distribuição dos resíduos em função dos valores preditos pelo
modelo proposto e mostra a ausência de um comportamento tendencioso, indicando que o modelo
matemático descreve adequadamente os dados experimentais, não havendo, portanto, qualquer
inconsistência entre estes e os valores calculados. Da mesma forma, a distribuição aleatória dos
resíduos em função dos valores observados experimentalmente para a resposta Xf, vista na Figura
2-B, indica que os mesmos são independentes. A Figura 2-C mostra que os resíduos seguem uma
distribuição de probabilidade normal, o que está de acordo com os pressupostos estatísticos, que
devem ser obedecidos para que o modelo de regressão tenha qualidade na previsão dos valores da
resposta.
0,8
0,6
0,4
0,2
Resíduos
0,0
-0,2
-0,4
-0,6
-0,8
4 6 8 10 12 14 16 18 20
Valores Preditos
0,8
0,6
0,4
0,2
Resíduos
0,0
-0,2
-0,4
-0,6
-0,8
4 6 8 10 12 14 16 18 20
Valores Observados
2,5
,99
2,0
,95
1,5
1,0
-1,0 ,15
-1,5
,05
-2,0
,01
-2,5
-3,0
-0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8
Resíduos
onde:
t − 120 (11)
B=
60
G − 0,8 (12)
E=
0,2
Na Tabela 9 estão indicadas as estimativas dos coeficientes das variáveis e seus limites
inferiores e superiores.
A análise de variância para a regressão encontra-se na Tabela 10, onde se observa que o
coeficiente R2 é igual a 0,83996, indicando que o modelo proposto descreve satisfatoriamente as
relações entre as variáveis, explicando cerca de 84% das variabilidades experimentais em torno do
rendimento médio. Este resultado pode ser considerado relativamente bom, em se tratando de
experimentos envolvendo produtos naturais, os quais envolvem parâmetros de difícil controle e
avaliação.
72
Rendimento
62
52
42 2.3
1.3
0.3
32
-1.7 -0.7 E
-0.7 0.3 -1.7
1.3 2.3
B
2.3
45
48.5
1.3 52
55.5
59
E 0.3
62.5
66
-0.7
-1.7
-1.7 -0.7 0.3 1.3 2.3
Figura 5: Curvas de níveis para a variável de resposta rendimento
5.7
3.7
1.7
Resíduos
-0.3
-2.3
-4.3
47 52 57 62 67 72
Valores Preditos
75
Valores Observados
65
55
45
45 55 65 75 85
Valores Preditos
O modelo proposto apresenta um bom ajuste aos dados experimentais para a resposta
(rendimento), dentro da faixa das condições estudadas, conforme indicam as estatísticas contidas na
Tabela 10.
Observa-se que os resíduos para a variável de resposta, indicados na Figura 6 não possuem
padrão de comportamento, estando distribuídos aleatoriamente, mostrando que a forma da equação
do modelo é adequada para a descrição do comportamento dos dados experimentais, conforme
evidenciado na comparação entre os valores experimentais e preditos (Figura 7).
Com relação a variável I (espessura do isolamento) e sua interação I2, os valores encontrados
para este efeito indicam que a mesma não apresenta significância estatística, o que é evidenciado
pela análise dos dados da Tabela 8.
O valor do teste F para a regressão, indicado na Tabela 10, evidencia que a regressão para o
modelo proposto é estatisticamente significativa, existindo, portanto, uma relação entre as variáveis.
Isto se comprova através da comparação entre os valores de F, calculados (Tabela 10) e tabelados
em função dos graus de liberdade para a regressão e o erro. O valor de F calculado é 7,49778 que
é maior do que valor tabelado (F7,10 = 3,14), ao nível de 95% de confiança. Estes resultados indicam
que o modelo consegue reproduzir adequadamente os dados experimentais devido a boa regressão
apresentada.
Cabe ressaltar que o modelo desenvolvido é empírico e não pode ser extrapolado além dos
limites dos valores das variáveis utilizadas. Contudo, a Equação 13 pode permitir o cálculo das
condições necessárias para se obter um rendimento desejado em equipamentos de extração
convencional em pequena escala utilizando solventes orgânicos líquidos. Partindo das observações
do processo em escala de laboratório, modelos similares podem ser desenvolvidos para o processo
em escala industrial.
REFERÊNCIAS
FUNÇÃO DESEJABILIDADE
Y ˆ −L
s
i ˆ ≤M
Li ≤ Y
M − L i
d= t
(4)
L s − Y
ˆ
ˆ ≤L
M≤ Y
L s − M
s
ˆ >L
0 Y s
Análise da função desejabilidade
1,
4,9215 4,92
Rend
0,
2,87
0,
0,82
-1,000
95,000
1,
73,79
Dill
69,149 0,
63,07
0,
52,35
45,000
,99236
Desejabilidade
Global
REFERÊNCIAS