LEONARDO GALUPPO DALAZEM E AGATHA FRANÇOIS

Questão 01:

Fitted Line Plot

C2 = - 7,252 + 0,5107 C1
100 S 2,12689
R-Sq 98,7%
R-Sq(adj) 98,5%
90

80
C2

70

60

50

40
100 120 140 160 180 200
C1

a) A equação da reta que melhor representa os pontos é:

Y = 0,5107X – 7,252
b) O coeficiente de relação é 0,993, próximo de 1, logo os dados são bem
correlacionados.

c)
O coeficiente de determinação explica 98,7% da variabilidade dos dados experimentais.

Questão 02:
a)

Scatterplot of y vs x
45

40

35

30
y

25

20

15

10

0 1 2 3 4 5 6 7 8
x

b)

Fitted Line Plot

y = 2,857 + 4,726 x
45 S 1,85859
R-Sq 97,8%
40 R-Sq(adj) 97,5%

35

30
y

25

20

15

10

0 1 2 3 4 5 6 7 8
x

c) A partir da observação dos gráficos construídos para a análise das 3 suposições do

modelo estatístico através da análise de resíduos, nota-se que:

1 – Os erros não aparentam ser variáveis aleatórias independentes (resultado

satisfatório.)
Scatterplot of RESI1 vs ordem
3

1
RESI1

-1

-2

-3
0 1 2 3 4 5 6 7 8
ordem
–– 2 – Os erros aparentam não ter variância constante (resultado não satisfatório)

Versus Fits
(response is y)
3

1
Residual

-1

-2

-3
10 15 20 25 30 35 40 45
Fitted Value

3 – Pvalor > a , logo não rejeito Ho (a distribuição dos erros é normal), sendo assim um
resultado satisfatório.

Probability Plot of RESI1

Normal - 95% CI
99
Mean 1,998401E-15
StDev 1,721
95 N 8
AD 0,235
90
P-Value 0,695
80
70
Percent

60
50
40
30
20

10
5

1
-5,0 -2,5 0,0 2,5 5,0 7,5
RESI1

R^2: O coeficiente de determinação explica 97,8% da variabilidade dos dados experimentais.

Conclusão:

Visto que as suposições do modelo estatístico não estão sendo seguidas por estes dados
experimentais, não se pode confiar na análise de variância (ANOVA).
 d) Dado que a equação da reta que melhor representa os pontos é: Y = 2,857 + 4,726X,
quando Y é 25, X é igual a 4,69.

Questão 03:
a) Y = 94,05 – 2,1848X

b) Utilizando o grau de liberdade dos resíduos (9), temos o valor tabelado de F de 5,12
(para 5% de significância). O valor de F citado pela questão é 176,44. Nesse sentido,
como 176,44 > 5,12, tem-se que o valor se encontra da região de rejeição, então
rejeita-se a hipótese nula(B1 = 0). Logo, B1 é diferente de 0.

c) 2011,15/2113,8= 0,95
d) Sim, esse modelo consegue explicar 95% da variabilidade dos dados experimentais.
e) Os erros são variáveis aleatórias independentes.
Os erros têm variância constante.
Os erros têm distribuição normal.

Questão 04:
a)
Scatterplot of C2 vs C1

25,0

22,5
C2

20,0

17,5

15,0
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
C1

b)
Fitted Line Plot
C2 = 14,07 + 12,40 C1
S 0,246066
25,0 R-Sq 99,5%
R-Sq(adj) 99,5%

22,5
 C2
20,0

17,5

15,0
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
C1

c) Testanto as suposições do modelo estatístico, nota-se que:

1 – Erros são variáveis aleatórias independentes, resultado satisfatório.
Scatterplot of RESI1 vs ordem
0,4

0,3

0,2

0,1

0,0
RESI1

-0,1

-0,2

-0,3

-0,4

-0,5
0 2 4 6 8 10 12 14
ordem

2- Os erros possuem variância constante (resultado satisfatório).

Versus Fits
(response is C2)
0,4

0,3

0,2

0,1
Residual

0,0

-0,1

-0,2

-0,3

-0,4

-0,5
15,0 17,5 20,0 22,5 25,0
Fitted Value
 3 – Os erros possuem distribuição normal (resultado satisfatório), uma vez que o
Pvalor >a.

Probability Plot of RESI1

Normal - 95% CI
99
Mean -3,00614E-15
StDev 0,2356
95 N 13
AD 0,265
90
P-Value 0,632
80
70
Percent

60
50
40
30
20

10
5

1
-1,0 -0,5 0,0 0,5 1,0
RESI1

R^2: O coeficiente de determinação explica 99,5% da variabilidade dos dados

experimentais (resultado satisfatório).

Conclusão: As suposições do modelo estatístico assumem os requisitos, tornando a

análise de variâcia (ANOVA), confiável.

Questão 05:

a)

b)
Scatterplot of t/v] vs C3
1200000

1100000

1000000
 t
800000

700000

600000

500000
0,0000 0,0002 0,0004 0,0006 0,0008 0,0010 0,0012
C3

b) y = 589905 + 5,42 * 10^8 * X

y = t/V
x= V

Fitted Line Plot

t/v] = 589905 + 5,42E+08 C3
1200000 S 38627,5
R-Sq 95,3%
1100000 R-Sq(adj) 95,0%

1000000

900000
t/v]

800000

700000

600000

500000
0,0000 0,0002 0,0004 0,0006 0,0008 0,0010 0,0012
C3

d) Comparando a Equação de Filtração a pressão constante, nota-se que :

t ρliq⋅s⋅ℓ⋅μ R m⋅μ
= ⋅V +
V 2
2 A ⋅ΔP A⋅ΔP

1) t/v representa a variável y.

2) tem estrutura de um coeficiente angular.

 3) representa o coeficiente linear.

4) V é a variável X.

e) Sabendo que é o coeficiente linear da equação, temos que esta operação é

igual a 589905, logo R = 1,23012E+11.

f) Sabendo que é o coeficiente angular da equação, temos que esta operação

é igual a 5,42 * 10^8, logo l = 1941946938.

Questão 06:
Aplicando os 3 modelos no excel a cada conjunto de dados a tal temperatura, temos que :

30 C:

30 C - Exponencial
0.35
0.3
0.25
0.2 f(x) = 0.0204536542624716 exp( 2.52982218133689 x )
R² = 0.919974950304544
0.15
0.1
0.05
0
0 0.2 0.4 0.6 0.8 1 1.2

30 C - Logarítmico
0.35
0.3
0.25
0.2
0.15 f(x) = 0.0701146394176171 ln(x) + 0.169269899744971
R² = 0.656644715886004
0.1
0.05
0
0 0.2 0.4 0.6 0.8 1 1.2
 30 C - Polinomial ordem 3
0.35
0.3
f(x) = 1.012203 x³ − 1.155272 x² + 0.478833 x − 0.0141454
0.25 R² = 0.997558119318982
0.2
0.15
0.1
0.05
0
0 0.2 0.4 0.6 0.8 1 1.2

Analisando os 3 modelos de ajuste dos dados, nota-se que o modelo polinomial de

ordem 3, ou Benedetti, possui o maior coeficiente de determinação (0,99), ou seja, é o modelo
que melhor explica a variabilidade dos dados.

40 C:

40 C - Exponencial
0.45
0.4
0.35
0.3
0.25 f(x) = 0.0178535648819663 exp( 2.80346392786493 x )
R² = 0.91506318936331
0.2
0.15
0.1
0.05
0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1
 40 C -Logarítimico
0.45
0.4
0.35
0.3
0.25
f(x) = 0.169747365241053 ln(x) + 0.247835537059242
0.2 R² = 0.513240560912918
0.15
0.1
0.05
0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1

40 c - Polinomial de ordem 3
0.45
0.4
0.35f(x) = 2.96728044 x³ − 4.42917085 x² + 2.09543601 x − 0.23331549
R² = 0.970892445514166
0.3
0.25
0.2
0.15
0.1
0.05
0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1

Analisando os 3 modelos de ajuste dos dados, nota-se que o modelo polinomial de ordem 3,
ou Benedetti, possui o maior coeficiente de determinação (0,9709), ou seja, é o modelo que
melhor explica a variabilidade dos dados.

50 C:

50 C - Exponencial
0.4
0.35
0.3
0.25
0.2 f(x) = 0.0149364291889587 exp( 2.79232938178521 x )
R² = 0.830298387842383
0.15
0.1
0.05
0
0.4 0.5 0.6 0.7 0.8 0.9 1 1.1
 50 C - Logarítmico
0.4
0.35
0.3
0.25
0.2 f(x) = 0.261922733564289 ln(x) + 0.225714453500156
R² = 0.594434896841565
0.15
0.1
0.05
0
0.4 0.5 0.6 0.7 0.8 0.9 1 1.1

50 C - Polinomial de ordem 3
0.4
0.35
0.3 f(x) = 5.48394518 x³ − 10.350452 x² + 6.43206221 x − 1.22586211
0.25 R² = 0.973680622525564

0.2
0.15
0.1
0.05
0
0.4 0.5 0.6 0.7 0.8 0.9 1 1.1

Analisando os 3 modelos de ajuste dos dados, nota-se que o modelo polinomial de ordem 3,
ou Benedetti, possui o maior coeficiente de determinação (0,9737), ou seja, é o modelo que
melhor explica a variabilidade dos dados.

Questão 07:
Ácido Oleico:

Fitted Line Plot

Ln Oleoico = - 5,908 + 2760 1/T
2,2 S 0,0001326
R-Sq 100,0%
2,1 R-Sq(adj) 100,0%

2,0
Ln Oleoico

1,9

1,8

1,7

1,6

1,5

0,00270 0,00275 0,00280 0,00285 0,00290

1/T

Dado que o coeficiente angular é numericamente igual à razão (Ea/R ), temos que 2760 = Ea/R.

Nesse sentido, como R = 8,314 x 10-3kJ.mol-1.K-1 , temos que Ea =22,946.

Acido Palmirico:

Fitted Line Plot

Ln Palmirico = - 6,103 + 2785 1/T
2,1 S 0,0000623
R-Sq 100,0%
2,0 R-Sq(adj) 100,0%

1,9
Ln Palmirico

1,8

1,7

1,6

1,5

1,4

1,3
0,00270 0,00275 0,00280 0,00285 0,00290
1/T
Dado que o coeficiente angular é numericamente igual à razão (Ea/R ), temos que 2785 = Ea/R.

Nesse sentido, como R = 8,314 x 10-3kJ.mol-1.K-1 , temos que Ea =23,154.

Questão 8:

Fitted Line Plot

1/Qe = 0,08555 + 0,6666 1/Ce
3,0 S 0,0147054
R-Sq 100,0%
R-Sq(adj) 100,0%
2,5

2,0
1/Qe

1,5

1,0

0,5

0,0
0 1 2 3 4
1/Ce

Visto que 1/Qmax é o coeficiente linear da Equação da reta, nota-se que

1/Qmax = 0,08555. Logo, tem-se que Qmax = 11,689.

Visto que é igual ao coeficiente angular da Equação da Reta, tem-se que

Kl = 0.1283.
Por fim, é notório que o coeficiente de determinação é igual a 100%, logo a reta explica 100%
da variabilidade do conjunto de dados.