CAPÍTULO 4

REGRESSÃO LINEAR
¾ Etapas de Construção de um Modelo Empírico
¾ Método Clássico dos Mínimos Quadrados
¾ Modificação do Método Clássico dos Mínimos Quadrados
¾ Planeamento Estatístico de Ensaios
¾ Exercícios Propostos

64
4. REGRESSÃO LINEAR
A investigação experimental de qualquer sistema dá em geral os resultados dos
ensaios sob a forma duma tabela de variáveis de comando e de entrada e das
correspondentes variáveis de saída. Uma das aplicações mais usuais dos modelos
matemáticos é a descrição de uma vasta gama de dados experimentais. Quando
obtemos uma vasta gama de dados experimentais sob várias condições e encontrar um
modelo matemático que melhor se ajusta aos dados, estamos basicamente a fazer o
tratamento da informação. No lugar de centenas de valores discretos de dados, que
poderia ser pesado de usar, temos expressões matemáticas (modelos) que geram
quaisquer valores experimentais da forma como desejamos.
Portanto, o processo de procurar construir um modelo matemático que melhor se
ajusta aos dados experimentais, chama-se Regressão de Dados. Neste sub capítulo
será abordada a técnica de estimação dos parâmetros de modelos empíricos lineares,
daí o nome Regressão Linear.
Na essência, o que temos são dados experimentais a partir de medições de uma
resposta (variáveis de saída) para vários valores das variáveis de entrada (factores)
que influenciam o sistema.

4.1. Etapas de Construção de um Modelo Empírico

¾ Escolha do modelo;
¾ Recolha de dados experimentais;
¾ Estimação dos parâmetros do modelo;
¾ Verificação da adequação do modelo (regressão de dados);
¾ Aplicação dos resultados.
O que se faz na etapa da escolha do modelo é identificar um modelo com uma
funcionalidade apropriada. Os modelos podem ser escolhidos baseados em:
- Conhecimento prévio sobre o comportamento do sistema;
- Conhecimento prévio dos dados experimentais;
O modelo escolhido deve ser o mais simples possível.

Na etapa de estimação dos parâmetros do modelo consiste em procurar obter um valor

ou valores de parâmetros do modelo que faz o modelo coincidir com os dados
experimentais (dentro de um erro aceitável que poderemos atribuir ao erro

65
experimental ou variabilidade). Essa tarefa tem vários propósitos usuais:

• Tratar os dados habilmente, compilando toda a informação numa simples

expressão matemática. Isso pode ser usado em qualquer altura para reaver ou
recuperar um dado específico;
• Pode-se usar o modelo para predizer qualquer variável de saída (resposta)
dentro do intervalo de valores das variáveis de entrada que foram usados na
geração do modelo;
• Pode-se testar hipóteses acerca do funcionamento interno do sistema. Se uma
hipótese particular significar um particular modelo ou funcionamento e se o
funcionamento for verificado no modelo talvez a hipótese seja correcta, se isso
não se verificar certamente que rejeitar-se-á a hipótese;
• Pode-se usar o modelo com procedimentos matemáticos ou estatísticos para
identificar combinações óptimas dos valores das variáveis de entrada com
vista a obter uma melhor resposta.

4.2. Método dos Mínimos Quadrados

A técnica mais comum para encontrar o grupo de parâmetros que dão melhor
adequação entre um modelo e o grupo de dados experimentais (adequação do modelo,
ou regressão de dados) é o método dos mínimos quadrados. É um método que
permite estimar os parâmetros com mínimo erro.
O uso do método dos mínimos quadrados exige que se satisfaçam as seguintes
condições:
ƒ As variáveis de comando e de entrada, aqui designadas por variáveis
independentes não devem ser aleatórias e a sua precisão deve ser alta e maior
que a das variáveis de estado ou funções de resposta;
ƒ Cada uma das variáveis independentes não deve ser uma combinação linear
das outras;
ƒ O intervalo entre valores vizinhos das variáveis independentes não deve ser
menor ou igual aos erros das suas medições;
ƒ Os valores da função de resposta devem ser medidos independentemente;
ƒ Na área de investigação, isto é, no intervalo indicado das variáveis
independentes α i ≤ xi ≤ γ i as variâncias dos valores da função de resposta
devem ser homogéneas.

66
Depois da realização das experiências os resultados escrevem-se sob forma de tabela:

Nº de
x0 x1 x2 ...xn y1 y2 ...yR yj Se
ensaio

1 1 Se1

2 1 Se2

... 1 ...

m 1 Sem

em que:
xo - é uma variável que toma sempre o valor 1;
x1, x2, ...., xn - são as variáveis independentes;
y1,y2, ...., yR - são os valores da função de resposta dos ensaios paralelos;
−
y j - valores médios aritméticos da função de resposta dos ensaios paralelos;

S e21 , S e22 ,...., S em

2
- são variâncias dos valores da função de resposta.

4.2.1. Sequência do método dos mínimos quadrados

Passo 0 – construção da tabela;
Passo 1 – cálculo dos valores médios dos ensaios paralelos ( y j );

Passo 2 – determinação das variâncias;

Passo 3 – verificação da homogeneidade das variâncias pelo critério G;
Passo 4 – escolha de uma função que se adapte aos dados experimentais y = f(xi) de
forma que o erro seja mínimo.

Fórmula do erro:
m 2
⎡ ^
⎤
E = ∑ ⎢Y j − Y j ( X ij )⎥ (i =1, 2, 3, …, n)
j =1 ⎣ ⎦

onde: Y j - são os valores experimentais médios da função de resposta.

^
Y ( xi , j ) - são valores calculados da função de resposta.

67
Genericamente, a função escolhida pode ser apresentada pela forma:
Y = f(x0, x1, x2, …, xn, b0,b1, b2, ..., bn)
em que x1, x2,....,xn são as variáveis independentes e b0, b1, b2,...,bn são os parâmetros
desconhecidos. Os parâmetros desconhecidos determinam-se a partir da condição
∂E
=0 ( i = 0,1,2,...., n)
∂bi
Se a função for linear, teremos: Y =b0x0 +b1x1 +b2x2 +…+bnxn

Passo 5 - Avaliação dos parâmetros desconhecidos do modelo

Exemplo 1: modelo com uma variável independente.
y = b0 x0 + b1 x1

Avaliação do erro
A avaliação do erro obtém-se achando a diferença entre os valores experimentais e os
previstos pelo modelo, tal que:

( )
m
E = ∑ y j − b0 x0 j − b1 x1 j
2

j =1

Achando as derivadas parciais em relação às variáveis independentes bem como os

parâmetros do modelo (estes são também tratados como variáveis), tem-se:

∂E ⎛ m m m ⎞
= 2⎜⎜ ∑ y j x0 j − b0 ∑ x0 j x0 j − b1 ∑ x1 j x0 j ⎟⎟ = 0
∂b0 ⎝ j =1 j =1 j =1 ⎠
∂E ⎛ m m ⎞
= 2⎜⎜ ∑ y j x1 j − b0 ∑ x0 j x1 j − b1 ∑ x1 j x1 j ⎟⎟ = 0
∂b1 ⎝ j =1 j =1 ⎠
Anulando as derivadas parciais e resolvendo o sistema de equações, os parâmetros
podem ser determinados:
⎧ m m m

⎪ 0∑ 0j 0j
b x x + b 1∑ 1j 0 j
x x = ∑ y j x0 j
⎪ j =1 j =1 j =1
⎨ m m m
⎪b
⎪⎩ 0 ∑ 1∑ 1j 1j ∑
x x
0 j 1j + b x x = y j x1 j
j =1 j =1 j =1

Consideremos:

68
 m
C 00 = ∑ x0 j .x0 j
j =1
m
C 01 = C10 = ∑ x0, j .x1, j
j =1
m
C11 = ∑ x1, j .x1, j
j =1
m
D0 = ∑ x 0 , j . y j
j =1

D1 = ∑ x1, j . y j

O sistema de equações poderá ser reescrito como:

⎧C00 .b0 + C01b1 = D0
⎨
⎩C10 .b01 + C11.b1 = D1

Para mais do que uma variável independente, temos:

n
Y = ∑ bi xi = b0 x0 + b1 x1 + b2 x2 + ... + bn xn
i =0

Assim, o erro é avaliado pela seguinte expressão

2
m
⎛ n
⎞
E = ∑ ⎜ y j − ∑ bi x ji ⎟
j =1 ⎝ i =0 ⎠
Derivando o erro em relação aos parâmetros bi, e anulando as derivadas, obtém-se o
seguinte sistema de equações:
⎧C00b0 + C01b1 + ... + C0 nbn = D0
⎪C b + C b + ... + C b = D
⎪ 10 0 11 1 1n n 1
⎨
⎪....
⎪⎩Cn 0b0 + Cn1b1 + ... + Cnnbn = Dn

onde
m
C ik = C ki = ∑ xij .x kj
j =1
m
Di = ∑ y j xij , (i, k = 0, 1, 2,...,n)
j =1
m
C ii = ∑ xij
2

j =1

Consideremos a matriz dos valores xij e a correspondente matriz transposta:

69
 x01 x11 ... x n1
x02 x12 ... x n 2
X =
... ... ... ...
x0 m x1m ... x nm
x01 x02 ... xom
x11 x12 ... x1m
X* =
... ... ... ...
x n1 xn 2 ... x nm

O produto das matrizes X e X*, é a matriz dos valores C, conhecida como matriz de
informação:
C 00 C 01 ... C 0 n
C10 C11 ... C1n
C = X .X * =
... ... ... ...
Cn0 C n1 ... C nn

consideremos também o vector Y, dos valores de yj:

y1
y2
Y=
...
ym

O produto do vector Y e a matriz transposta, dá-nos o vector dos termos

independentes D:
D0
D1
D = Y .X * =
...
Dn

O sistema de equações que permite determinar os parâmetros do modelo pode ser

representado da seguinte forma:
B *C = D
em que B é o vector dos parâmetros do modelo, C a matriz de informação e D o
vector dos termos independentes.
Assim, os parâmetros do modelo podem ser obtidos:

70
 b0
D b1
B= =
C ...
bn

Passo 6: verificação da adequação do modelo

TÉCNICA 1 – Quando não temos ensaios paralelos
a) Cálculo da variância dos valores experimentais da variável dependente em relação
ao seu valor médio aritmético:

S R2 0 =
1 m
∑
f 2 j =1
( 2
yj − y ,) f2 = m-1

b) Cálculo da dispersão entre os valores calculados e os valores experimentais

correspondentes:

SR =
2 1 m
∑ (y j − ycal )2 , f1 = m-n-1
f1 j =1
c) Aplicação do teste de Fischer (critério F)
S R2
Fα , f1 , f 2 = 2 , Se Fcal < Ft → modelo matemático é válido
SR0

TÉCNICA 2 – Quando se dispõe de dispersões de valores experimentais.

a) Cálculo da dispersão média:
1 m
∑
2 2
Se = Se j , f2 = m(R-1)
m j =1
b) Cálculo da dispersão entre valores calculados e experimentais:
R m
S R2 = ∑
f 1 j =1
( y j − y j ,cal ) 2 , f1 = m-n-1

c) Aplicação do teste de Fischer

S R2
Fα , f1 , f 2 = 2
,
Se
se Fcal < Ft, o modelo é adequado.

PASSO 7. Verificação do papel das variáveis

71
Para a verificação do papel das variáveis utiliza-se o critério t de Student.
bi bi
t iα , f 1 = = ,
S (bi ) Se aii

em que
f1 = m(R-1)
bi = parâmetro correspondente à variável xi
S2(bi) – variância do parâmetro bi
Se – desvio padrão dos valores experimentais
aii – elemento diagonal da matriz de co-variação.
A matriz de co-variação é a matriz inversa da matriz de informação:
C00 C01 ... C0 n
C10 C11 ... C1n
C= , matriz de informação
... ... ... ...
Cn 0 Cn1 ... Cnn

a00 a01 ... a0 n

a10 a11 ... a1n
A = C −1 = , matriz de co-variação
... ... ... ...
an 0 a1n ... ann

Se tcal < ttab, significa que a variável não é significativa e então elimina-se, devendo se
reavaliar o modelo sem a influência desse parâmetro ou variável.

Intervalo de Confiança dos Coeficientes da Função de Resposta Estimada

Os coeficientes do modelo e a função de resposta, são variáveis aleatórias estimadas
das amostras. Assim, também é possível estimar o intervalo que deverá conter os
valores que seriam estimados do conjunto geral (população). Para tal usa-se a
distribuição t:
Sb0 ≤ β 0 ≤ b0 '+t
´ ´
b0 − t α α S b0
1− 1−
2 2

b1 − t α Sb1 ≤ β1 ≤ b1 + t α Sb1
1− 1−
2 2
∧ ∧
Y−t α S∧ ≤ η ≤ Y + t α S∧
1− Y 1− Y
2 2

m
com graus de liberdade f = ∑ Ri − 2
i =1

72
 S −2
S =
2
b0 m
Y

∑R
i =1
i

S −2
S =
2
b1 m
Y

∑ R ( x − x)
i =1
i i
2

m Ri
⎛ ∧
⎞
∑∑ ⎜⎝ Y
i =1 j =1
ij − Yi ⎟
⎠
SY2 = m

∑R − 2
i =1
i

para o caso em que não há ensaios paralelos

⎡ 2⎤
( )
m

⎢ ∑ Y x − x ⎥
( )
m 2 m i i
1 ⎛ ∧
⎞ 1
∑ ⎜ i i ⎟⎠ m − 2 ⎢∑
2
SY2 = Y − Y = ⎢ Y − Y − i =1
⎥
( )
i
m − 2 i =1 ⎝ m

∑ xi − x ⎥
2
i =1
⎢⎣ i =1
⎥⎦

Nota: É necessário que o modelo seja adequado (critério F) para que as duas últimas
equações sejam válidas.

Exemplo de cálculo 4.1. Usando o método dos mínimos quadrados determinar a

equação que se adapte aos seguintes dados experimentais, verificar a sua
adequação, bem como o papel das variáveis:

Tabela 4.1
Ni X0 X1 Y1 Y2
1 1 1 5 4.5
2 1 2 7 7.5
3 1 3 9 9.5
4 1 4 11.25 10.75
5 1 5 13 13

Resolução
Passo 0: Construção da tabela: (já está dada);
Passo 1: Cálculo dos valores médios dos ensaios paralelos
Y1 + Y2 5 + 4.5
Exemplo: para Ni=1 temos Y1 = = = 4.75
2 2
Usando essa fórmula, calculamos o resto dos valores e colocamos na coluna 1 da

73
tabela 4.2.
Passo 2: Determinação das variâncias
(Y1 − Y1 ) 2 + (Y1 − Y2 ) 2 (4.75 − 5) 2 + (4.75 − 4.5) 2
Se21 = = = 0.125
n −1 2 −1

Æ Se1= 0.35
Usando essa fórmula, calculamos o resto dos valores de Se e colocamos na coluna 2
da tabela 4.2.
Tabela 4.2
Yj Se

4.75 0.35
7.25 0.35
9.25 0.35
11.0 0.35
13 0

Passo 3: Verificação da homogeneidade das variâncias usando o critério G, uma vez

que temos mais de duas variâncias.
2
S máx
GC = 5
= 0.25
∑S
i =1
2
e

Gt=Gα,ƒ,m
f = R-1, onde: R – é o número de ensaios paralelos
Neste exercício R = 2
f = 2-1 = 1
Para α = 0.05 temos da tabela, G0.05,1,5 = 0.841
GC < Gt Æ variâncias homogéneas

Passo 4: Proposta do modelo, ou seja, escolha de uma função que se adapte aos dados
experimentais Y=f(x).
Y = b0X0 + b1X1

Passo 5: Avaliação dos parâmetros desconhecidos

74
 ⎧C00b0 + C01b1 = D0
⎨
⎩ C10b0 + C11b1 = D1
5
C 00 = ∑ X 0 j . X 0 j = 5
j =1

5
C10 = C 01 = ∑ X 1 j X 0 j = 15
j =1

5
C11 = ∑ X 1 j X 1 j = 55
j =1

5
D0 = ∑ X 0 j Y j = 45.25
j =1

5
D1 = ∑ X 1 j Y j = 156
j =1

O sistema de equações que permite determinar os parâmetros do modelo pode ser

representado da seguinte forma:
⎧C00b0 + C01b1 = D0 ⎧5b + 15b1 = 45.25
⎨ ⇒⎨ 0 ; (1)
⎩ C10b0 + C11b1 = D1 ⎩ 15b0 + 55b1 = 156
B*C=D Æ B=D/C
Portanto:
515 b0 45.25
B*C=D Æ =
15 55 b1 156.0

Usando a regra de Cramer por exemplo, para a resolução do sistema (1) teremos:
b0 = 2.975

b1 = 2.025
Dai que o modelo proposto é:

Y = b0X0 + b1X1 = 2.975X0 + 2.025X1 (2)

Passo 6: Verificação da adequação do modelo.

Aqui vamos usar a técnica 2 uma vez que estamos na situação em que dispomos de
dispersões de valores experimentais, ou seja, dispomos de ensaios paralelos.
Cálculo da dispersão média:

75
 1 m 2
S e2 = ∑ S ej = 0.098 Æ Se = 0.313
m j =1
f2= m(R-1) = 5(2-1) =5

Cálculo da dispersão entre valores calculados e valores experimentais:

R m
S R2 = ∑
f1 j =1
(Y j − Y jcal ) 2 ; f1=m-n-1; (3)

em que n é o número de variáveis independentes (Xi) e neste exemplo n = 1.

Portanto f1=5-1-1=3
Na equação (3), Yjcal serão os valores calculados a partir da equação do modelo
encontrado ( equação (2)).
Portanto, da equação (2) temos:
Y1cal= b0X0 + b1X1 = 2.975*1 + 2.025*1 = 5 Æ (Y1 − Y1cal ) 2 = 0.0625
Y2cal = 2.975*1 + 2.025*2 = 7.025 Æ 0.0506
Y3cal = 2.975*1 + 2.025*3 = 9.05 Æ 0.040
Y4cal = 2.975*1 + 2.025*4 = 11.075 Æ 0.00563
Y5cal = 2.975*1 + 2.025*5 = 13.10 Æ 0.0100
5
Æ ∑ (Y
j =1
j _ Y jcal ) 2 = 0.1687

SR2 = 2/3 * 0.1687 = 0.1125

Aplicação do teste de Fischer

Fα , f 1, f 2 = Ftat = F0.05,3,5 = 5.41

S R2 0.1125
Fcal = = = 1.15
S 2
e
0.098

Como se pode ver, Fcal<Ftab e logo, o modelo é adequado.

Passo 7: Verificação do papel das variáveis (neste caso é de uma variável)

Matriz de informação:
C 00 C 01 5 15
C= =
C10 C11 15 55

Determinante da matriz de informação

76
∆C = C = 50

Co-factor da matriz C é:
C11 − C10 55 − 15
C cof = =
− C 01 C 00 − 15 5

Matriz de co-variação – é a matriz inversa da matriz de informação

a 00 a 01 1 .1 − 0 .3
A= = C −1 ==
a10 a11 − 0 .3 0 .1

a00 = 1.1
a11 = 0.1
b1 2.025
t b1,cal = = = 20.46
S e a11 0.313 0.1

ttab=ti,α,f1=t0,0.05,5=t1,0.05,5=2.57
f1 = m(R-1) = 5(2-1) = 5

Vemos que tb1,cal > ttab, o que concluímos que a variável em causa é significativa, e
por isso o modelo permanece o mesmo do passo 6.

Y = 2.975X0 + 2.025X1
Para X0 = 1 teremos finalmente:
Y = 2.975 + 2.025X1

Exemplo de cálculo 4.2. Pretende-se construir um modelo de primeira ordem, por

isso foram realizados ensaios. A fim de se obter o desvio padrão foram feitas
medições paralelas em cada ensaio. Os resultados obtidos são dados na tabela
abaixo 4.3.

Tabela 4.3.
Ni X0 X1 Y1 Y2
1 1 5 53 51
2 1 7 43 41
3 1 -3.5 114 118
4 1 1.5 79 82
5 1 -2 104 101
6 1 10 20 20

77
Construir o modelo de primeira ordem, verifique a sua adequação e bem como o papel
das variáveis.

Resolução:
Passo 0: Tabela de dados experimentais (já está dada)

Passo 1: Cálculo dos valores médios dos ensaios paralelos.

Os valores médios estão calculados e colocados na coluna 1 da tabela 8.2.4.

Passo 2: Determinação das variâncias

As variâncias foram calculadas e colocadas na coluna 2 da tabela 8.2.4.

Passo 3: Verificação da homogeneidade das variâncias.

2
S emáx
GC = m
; para S2emáx = 8 e m=6 temos:
∑S
i =1
2
e

GC = 8/21 = 0.381
Gtab=Gα,f,m
f =R-1 =2-1=1
Æ Gtab=G0.05,1,6 = 0.781
Portanto GC<Gtab Æ Variâncias são homogéneas

Passo 4: Proposta do modelo

⎧C b + C 01b1 = D0
Y = b0X0 + b1X1 e daí temos: ⎨ 00 0 (1)
⎩C10 b0 + C11b1 = D1
Passo 5: Determinação dos parâmetros desconhecidos
6
C 00 = ∑ X 0 j * X 0 j = 6
i =1

6
C 01 = C10 = ∑ X 1 j * X 0 j = 18
i =1

6
C11 = ∑ X 1 j * X 1 j = 190.5
i =1

78
 6
D0 = ∑ X 0 * Y j = 413
i =1

6
D1 = ∑ X 1 j * Y j = 263.75
i =1

Da equação (1) temos:

⎧ 6b0 + 18b1 = 413
⎨ (2)
⎩18b0 + 190.5b1 = 263.75

c 00 c01 6 18
Matriz de informação C= =
c10 c11 18 190.5

413 b0
D= e B= ?
263.75 b1

Resolvendo o sistema de equações (2) encontramos b0=90.27 e b1= - 7.145

Portanto a equação do modelo será:

Y = 90.27X0 – 7.145X1

Passo 6: Verificação da adequação do modelo.

Cálculo da dispersão média
1 m 2
∑ S ej = 3.5
2
Se =
m j =1
Cálculo da dispersão entre valores calculados e experimentais
R m
S R2 = ∑
f1 j =1
(Y j − Y jcal ) 2

Os valores de Yjcal e do termo (Y j − Y jcal ) 2 podem ser vistos na nas colunas 3 e 4

respectivamente da tabela 8.2.4.

6

∑ (Y
j =1
j − Y jcal ) 2 = 6.50 + 3.30 + 0.518 + 0.903 + 4.24 + 1.39 = 16.58

f1=m-n-1=6-1-1=4
2
S R2 = *16.58 = 8.29
4
Tabela 4.4

79
 Yj S e2 Y jcal (Y j − Y jcal ) 2
52 2 54.55 6.50
42 2 40.26 3.30
116 8 115.28 0.518
80.5 4.5 79.55 0.903
102.5 4.5 104.56 4.24
20 0 18.82 1.39

Aplicação do teste de Fischer

S R2 8.29
FC = 2
= = 2.37
Se 3.5

Ftab=Fα,f1,f2
f1=4 e f2=m(R-1)=6(2-1)=6
Æ Ftab=F0.05,4,6=4.53
FC<Ftab Æ o modelo é adequado

Passo 7: Verificação do papel das variáveis

6 18
Matriz de informação C =
18 190.5

a 00 a 01 0.233 − 0.022
C −1 = =
a10 a11 − 0.022 0.0073

b1 − 7.145
t1,cal = 2
= = 44.69
Se a11 1.87 0.0073

tiα,f1 onde f1=m(R-1)=6(2-1)=6

t0,0.05,6=t1,0.05,6=2.45
Conforme se pode ver, t1,cal=44.69 é maior que ttab=2.45 o que significa que a variável
é significativa.

O modelo final para X0 constante e igual a 1 será:

Y = 90.27 – 7.145X1

80
4.3. Modificação do Método Clássico dos Mínimos Quadrados
Nalgumas vezes torna-se complicado e trabalhoso elaborar modelos matemáticos com
matrizes de informação muito grandes, principalmente no acto da verificação da
adequação e na verificação do papel das variáveis desses modelos. O objectivo do
método modificado dos mínimos quadrados é de simplificar a matriz de informação
com base na transformação das variáveis reais em novas variáveis reduzidas (xij Æ zij
e yj Æ Vj) e na realização de um ensaio extra (caso seja necessário) de tal modo que
os termos não diagonais cik e cki da matriz de informação sejam nulos.

4.3.1. Sequência do método modificado dos mínimos quadrados.

Passo 0: Tabela dos resultados experimentais;
Passo 1: Cálculo dos valores médios de ensaios paralelos y j ;

Passo 2: Cálculo das variâncias S ej2 ;

Passo 3: Verificação da homogeneidade das variâncias S ej2 ;

Passo 4: Escolha do modelo (y = b0 + bixi);

Passo 5: Determinação dos parâmetros do modelo
a) Transformação das variáveis de entrada (variáveis independentes) e variáveis
de saída em variáveis novas.
xij − xi 1 m
Z ij =
xi
; onde: xi = ∑ xij
m j =1

yj − y 1 m
Vj =
y
; onde: y= ∑ yj
m j =1
m – número de ensaios
b) Determinação da matriz de informação usando variáveis transformadas.
m m
cii = ∑ Z ij2 ; cik = c ki = ∑ Z ij * Z kj
j =1 j =1

m
Di = ∑ Z ij * V j
j =1

c) Seja o modelo: y = b0 + bixi

Novo modelo com variáveis transformadas: V = β i * Z i
Consideremos um modelo com duas variáveis independentes
y = b0 + b1x1 + b2x2 ; (modelo com variáveis reais)

81
 V = β1 Z1 + β 2 Z 2 ; (modelo com variáveis transformadas)

c11 c 21
Matriz de informação: C =
c12 22

d) Realização do ensaio extra de forma que os termos não diagonais cik = cki
sejam nulos.
d.1) Determinação de Zi,j+1
d.2) Correcção da matriz de informação
c11| 0 D1| c11| 0 β1 D|
C= ; D= e C= = 1|
0 |
c 22 D2| 0 |
c 22 β 2 D2
e) Determinação dos parâmetros modificados do modelo
D1| D2|
β1 = e β2 =
c11| |
c 22

xij − xi
Como vimos na alínea a) Z ij = Æ xi = Z i xi + xi
xi
Portanto,
y = β i xi = β i ( Z i xi + xi )

Passo 6: Verificação da adequação do modelo usando as técnicas já conhecidas

Passo 7: Verificação do papel das variáveis usando as técnicas já conhecidas.

Exemplo 4.3. Usando o método modificado dos mínimos quadrados construir o

modelo de primeira ordem, verificar a sua adequação do exercício de cálculo 4.2.

Tabela 4.5
Ni X0 X1 Y1 Y2
1 1 5 53 51
2 1 7 43 41
3 1 -3.5 114 118
4 1 1.5 79 82
5 1 -2 104 101
6 1 10 20 20

Resolução
Passo 0: Tabela de dados experimentais (já está dada).

82
Os valores médios dos ensaios paralelos (passo 1), variâncias (passo 2) podem ser
vistos na tabela 4.6.
Passo 3: Verificação da homogeneidade das variâncias.
2
S emáx
GC = m
; para S2emáx = 8 e m=6 temos:
∑S
i =1
2
e

GC = 8/21 = 0.381

Gtab=Gα,f,m

f =R-1 =2-1=1
Æ Gtab=G0.05,1,6 = 0.781

Portanto GC<Gtab Æ Variâncias são homogéneas

Passo 4: Proposta do modelo usando variáveis não transformadas

⎧C00b0 + C01b1 = D0
Y = b0X0 + b1X1 Æ ⎨
⎩ C10b0 + C11b1 = D1

Passo 5: Determinação dos parâmetros do modelo

Transformação das variáveis independentes e das variáveis de saída para novas
variáveis
X ij − X i 1 m Yj − Y 1 m
Z ij =
Xi
; onde X i = ∑ X ij e
m j =1
Vj =
Y
; onde Y = ∑ Y j = 68.83
m j =1

X0=1 (constante) e X 0 =
∑X 0
=
6
=1 Æ Z0 j =
X 0 − X1
=
1−1
=0
6 6 X1 1

Aqui Y j é o valor médio dos ensaios paralelos

5 + 7 − 3.5 + 1.5 − 2 + 10
X1 = = 3.0
6
X 11 − X 1 5−3
Z 11 = = = 0.67 ; Z 14 = −0.5
X1 3

X 12 − 3 7 − 3
Z 12 = = = 1.33 ; Z 15 = −1.67
3 3

83
 X 13 − 3 − 3.5 − 3
Z 13 = = = −2.17 ; Z 16 = 2.33
3 3
Y1 − Y 52 − 68.83
V1 = = = −0.245
Y 68.83

Y2 − 68.83 42 − 68.83
V2 = = = −0.390
68.83 68.83
Y3 − 68.83 116 − 68.83
V3 = = = 0.685
68.83 68.83
V4=0.169
V5=0.489
V6= - 0.709

Determinação da matriz de informação usando variáveis transformadas.

Zij – variável independente
Vj – variável de saída
Conforme se pode ver, neste exercício temos apenas uma variável independente que é
z1j, portanto teremos apenas c11.
m m 6
C ii = ∑ Z ij * Z ij = ∑ Z ij2 Æ C11 = ∑ Z 12j = 15.395
j =1 j =1 j =1

m
Di = ∑ Z ij * V j Æ D1 = −4.722
j =1

D1 − 4.722
Mas C11 β 1 = D1 Æ β 1 = = = −0.307
C11 15.395
Proposta do modelo (usando variáveis independentes transformadas – neste caso só
temos uma).
Modelo antigo (a partir do passo 4)
Y = b0 + b1X1
Passagem do modelo usando os novos parâmetros:
X1 − X1 Y −Y
V1 = β1*Z1 mas Z1 = e V =
X1 Y

Y −Y X − X1 ⎛ X − X1 ⎞
Æ = β1 1 e portanto, Y = β 1 Y ⎜⎜ 1 ⎟ +Y
⎟ (*)
Y X1 ⎝ X 1 ⎠

84
 ⎧ Y = 68.83
⎪
para ⎨β 1 = −0.307 e substituindo esses valores na equação (*) teremos a seguinte
⎪ X = 3.0
⎩ 1
equação do modelo:
Y = 90.27 – 7.145X1

Passo 6: Verificação da adequação do modelo.

Cálculo da dispersão média
1 m 2
∑ S ej = 3.5
2
Se =
m j =1
Cálculo da dispersão entre valores calculados e experimentais
R m
S R2 = ∑
f 1 j =1
(Y j − Y jcal ) 2

Da equação do modelo temos:

Y1cal= 90.27X0-7.145X1=90.27*1-7.145*5=54.55
Y2cal=40.26, Y3cal=115.28, Y4cal=79.55, Y5cal=104.56, Y6cal=18.82
Os valores do termo (Y1 − Y1cal ) 2 podem ser vistos na tabela 4.3.2.

Tabela 4.6.
Yj S e2 Y jcal (Y j − Y jcal ) 2
52 2 54.55 6.50
42 2 40.26 3.30
116 8 115.28 0.518
80.5 4.5 79.55 0.903
102.5 4.5 104.56 4.24
20 0 18.82 1.39

∑ (Y
j =1
j − Y jcal ) 2 = 6.50 + 3.30 + 0.518 + 0.903 + 4.24 + 1.39 = 16.58

f1=m-n-1=6-1-1=4
2
S R2 = *16.58 = 8.29
4
Aplicação do teste de Fischer

85
 S R2 8.29
FC = 2
= = 2.37
Se 3.5

Ftab=Fα,f1,f2
f1=4 e f2=m(R-1)=6(2-1)=6
Æ Ftab=F0.05,4,6=4.53
FC<Ftab Æ o modelo é adequado

Passo 7: Verificação do papel das variáveis

A verificação do papel das variáveis pode ser feita usando-se a matriz de informação
que foi determinada usando variáveis não modificadas (Xi), ou então usando a matriz
que foi determinada usando variáveis modificadas (Zi).
Mas para o actual exercício não nos é possível verificar o papel das variáveis usando a
matriz obtida com base nas variáveis modificadas porque não temos uma matriz
diagonal.
Do modelo temos:
b0 = 90.27
b1 = -7.145
6 18
Matriz de informação C =
18 190.5

c11 − c10 190.5 − 18

Co-factor da matriz C: C = =
− c 01 c00 − 18 6

Matriz inversa de C é:
a 00 a 01 0.233 − 0.022
C −1 = =
a10 a11 − 0.022 0.0073

b1 − 7.145
t1,cal = 2
= = 44.69
Se a11 1.87 0.0073

tiα,f1 onde f1 = m(R-1) = 6(2-1) =6

t0,0.05,6 = t1,0.05, 6= 2.45
Conforme se pode ver, t1,cal=44.69 é maior que ttab=2.45 o que significa que a variável
em estudo é significativa.
O modelo final para X0 constante e igual a 1será:

86
 Y = 90.27 – 7.145X1

Exemplo de cálculo 4.4. O estudo de um processo permitiu a obtenção dos

seguintes resultados na Tabela 4.7. Usando o método modificado de mínimos
quadrados, elabore o correspondente modelo matemático de 1a ordem, verifique a
sua adequação e faça a análise do papel das variáveis.

Tabela 4.7
Ni X0 X1 X2 Yj
1 1 0 0 -25
2 1 0 1 -16
3 1 0 2 -9
4 1 0 3 -4
5 1 1 1 3
6 1 1 2 10
7 1 1 3 15
8 1 2 2 27

Resolução:
Neste exercício não temos ensaios paralelos, portanto, vamos começar logo pelo
passo 4.
Passo 4: Proposta do modelo usando o método modificado
V = β1Z1 + β2Z2

Passo 5: Determinação dos parâmetros do modelo

Transformação das variáveis independentes e de saída para novas variáveis
X0 − X0 1−1
Z0 j = = =0
X0 1

1 8 5
X1 = ∑
m j =1
X 1 j = = 0.625
8

1 8 14
X2 = ∑
8 j =1
X2j =
8
= 1.75

1 8
Y= ∑ Y j = 0.125
8 j =1

87
 X 11 − X 1 0 − 0.625 X 12 − 0.625
Z 11 = = = −1 ; Z 12 = = −1
X1 0.625 0.625

Os outros valores poderão ser vistos na tabela 4.8.

X 21 − X 2 0 − 1.75 X − 1.75 1 − 1.75
Z 21 = = = −1 ; Z 22 = 22 = = −0.429
X2 1.75 1.75 1.75

Os outros valores poderão ser vistos na tabela 4.8.

Yj − Y
V =
Y
− 25 − 0.125 − 16 − 0.125
V1 = = −201 ; V2 = = −129
0.125 0.125
Os outros valores poderão ser vistos na tabela 4.3.4.

b) Determinação da matriz de informação usando as variáveis transformadas.

Aqui temos duas variáveis independentes que são Z1 e Z2, então a matriz de
informação terá os seguintes elementos:
c11 c12
C=
c 21 c 22
8
c11 = ∑ Z 1 j * Z 1 j = 9.92
j =1

8
c12 = c 21 = ∑ Z 1 j * Z 2 j = 1.1434
j =1

8
c 22 = ∑ Z 2 j * Z 2 j = 2.449
j =1

9.92 1.1434
portanto, a matriz de informação será: C =
1.1434 2.449
m
Di = ∑ Z ij * V j
j =1

8
D1 = ∑ Z 1 j * V j = 1041.6
j =1

8
D2 = ∑ Z 2 j * V j = 339.481
j =1

Como se pode ver, aqui não temos uma matriz diagonal (c12 = c21 ≠ 0), portanto,
temos de realizar um ensaio extra.

88
Para Y9 = 1.743 , pode-se calcular V9

Y9 − Y 1.743 − 0.125
V9 = = = 12.94
Y 0.125
c) Realização do ensaio extra (constitui o 9o ensaio na tabela 4.8). Conforme dissemos
anteriormente, este ensaio é feito de tal forma que os termos cik=cki da matriz de
informação sejam nulos.
c'12 = c'21= 0 = c12 + Z1,9 * Z2,9 = 0 (aqui Z1,9 e Z2,9 representam Zi,m+1)
Z1,9 * Z2.9 = - c12 = -1.1434 (aqui procuramos um produto Z1,9*Z2,9 que nos dá -
1.1434)
Portanto, se Z1,9 = 1.1434, então Z2,9 = -1

Nota: Os valores de Z1,9 e Z2,9 escolhidos devem estar dentro dos intervalos
respectivos.
X 1,9 − X 1
Mas Z 1,9 = Æ X 1,9 = Z 1,9 * X 1 + X 1 = 1.1434 * 0.625 + 0.625 = 1.34
X1

X 2,9 = Z 2,9 * X 2 + X 2 = −1 *1.75 + 1.75 = 0

Tabela 4.8
Ni X0 X1 X2 Yj Z1 Z2 Vj

1 1 0 0 -25 -1 -1 -201
2 1 0 1 -16 -1 -0.429 -129
3 1 0 2 -9 -1 0.143 -73
4 1 0 3 -4 -1 0.714 -33
5 1 1 1 3 0.6 -0.429 23
6 1 1 2 10 0.6 0.143 79
7 1 1 3 15 0.6 0.714 119
8 1 2 2 27 2.2 0.143 215
9(m+1) 1 1.34 0 1.743 1.1434 -1 12.94

d) Determinação dos parâmetros da nova matriz de informação.

Depois da realização do ensaio extra temos que calcular os novos elementos para a
nova matriz de informação C' que inclui o ensaio extra ou seja, voltamos a fazer
correcção dos elementos c11 e c22 e onde passaremos a ter c'11 e c'22.

89
 c11' 0
C' = '
0 c 22
9 8
Mas c11' = ∑ Z 12j = ∑ Z 12j + Z 22,9 = c11 + Z 12,9 = 9.92 + 1.1434 2 =11.227
j =1 j =1

9 8
'
c 22 = ∑ Z 22 j = ∑ Z 22 j + Z 22,9 = c 22 + Z 22 j = 2.449 + (−1) 2 =3.449
j =1 j =1

11.227 0
Então C ' =
0 3.449

e) Determinação dos parâmetros modificados do modelo

9 8
D1' = ∑ Z 1 j * V j =∑ Z 1 j * V = D1 + Z 1,9 * V9 = 1041.6 + 1.1434 * 12.94 = 1056.4
j =1 j =1

9 8
D2' = ∑ Z 2 j * V j = ∑ Z 2 j * V j = D2 + Z 2,9 * V9 = 339.481 + (−1) * 12.94 = 326.54
j =1 j =1

D1' 1056.4 D2' 326.5

β1 = = = 94.1 e β 2 = = = 94.7
c11' 11.227 '
c 22 3.449
Modelo com parâmetros modificados
X1 − X1 X2 − X2
V = β1 Z1 + β 2 Z 2 = β1 * + β2 *
X1 X2

Y −Y Y −Y X − X1 X − X2
Mas V = Æ = β1 * 1 + β2 * 2 e
Y Y X1 X2

X1 − X1 X2 − X2
Y = β1 * Y + β2 *Y +Y
X1 X2

⎧ X 1 = 0.625
⎪
Para ⎨ X 2 = 1.75 teremos:
⎪ Y = 0.125
⎩
Y = -23.48 + 18.82X1 + 6.78X2

que é a equação do modelo procurada.

Passo 6: Verificação da adequação do modelo

90
Hipótese: Não temos ensaios paralelos e por isso mesmo vamos usar a técnica 1.
a) Cálculo da variância dos valores experimentais da variável dependente em relação
ao seu valor médio aritmético:
9
1
S R2 0 =
f2
∑ (Y
j =1
j − Y ) 2 , f2 = m-1 = 9-1 = 8

Aqui Y j = Y j , onde Y j são os valores médios da tabela acima (porque as vezes no

lugar de aparecer Y j aparece Y j e Y é valor médio dos valores de Y j .

1 9
Y= ∑ Y j = 0.305
9 j =1
Tabela 4.9
Ni Y Yj (Y j − Y ) 2 Y j ,cal (Y j ,cal − Y j ) 2
1 0.305 -25
640.343 -23.48 2.3104
2 0.305 -16 265.853 -16.7 0.49
3 0.305 -9 86.58303 -9.92 0.8464
4 0.305 -4 18.53303 -3.14 0.7396
5 0.305 3 7.263025 2.12 0.7744
6 0.305 10 93.99303 8.9 1.21
7 0.305 15 215.943 15.68 0.4624
8 0.305 27 712.623 27.72 0.5184
9 0.305 1.743
2.067844 1.7388 1.76E-05
9
1
Da tabela 4.9 temos ∑ (Y
j =1
j − Y ) 2 = 2043.202 Æ S R2 0 =
9
* 2043.202 = 227.02

b) Cálculo da dispersão entre os valores calculados e os valores experimentais

correspondentes:
Da tabela 4.9 temos
9
1 9 1
∑ (Y j ,cal − Y j ) 2 = 5.0412 Æ S R2 =
j =1
∑
f 1 j =1
(Y j ,cal − Y j ) 2 = * 5.0412 = 0.84
6
f1 = m-n-1=9-2-1= 6
c) Aplicação do teste de Fischer:
S R2 0.84
FC = 2
= = 0.0037
S R 0 227.02

Ftab = F0.05, 6,8 = 3.50

Portanto, FC<Ftab Æ modelo é adequado

Passo 7: Verificação do papel das variáveis

91
 c11 c12 9.92 1.1434
Matriz de informação C = =
c 21 c 22 1.1434 2.449

2.449 − 1.1434
Co-factor da matriz C ou matriz transposta C * =
− 1.1434 9.92

a11 a12 0.107 0.0497

Matriz inversa C −1 = =
a 21 a 22 0.0497 0.431

b1 = 18.82
b2 = 6.78
a11 = 0.107
a22 = 0.431
SR0 = √227.02=15.1
b1 18.82
t1,cal = = = 3.81
S R 0 a11 15.1 0.107

b2 6.78
t 2,cal = = = 0.684
S R 0 a 22 15.1 0.431

t tab = t i ,α , f 1 = t1,0.05,6 = 2.45

Dos cálculos acima vemos que t2,cal<ttab Æ a variável X2 não é significativa, deve-se
eliminar. E assim sendo, o novo modelo será:
Y = -23.48 + 18.82X1

4.4. Planeamento Estatístico de Ensaios

Planeamento estatístico de ensaios é uma metodologia de experimentação eficiente,
isto é, que permite com um número mínimo de experiências obter os modelos mais
adequados. O uso do planeamento estatístico de ensaios permite ainda ao investigador
eliminar as desvantagens do método clássico de regressão linear.

Um plano (experiências/ensaio) factorial é um programa experimental em que são

usadas todas as combinações possíveis dos factores. Isto é, realizam-se ensaios em
todas as combinações dos valores das variáveis de comando.
Para plano factorial de nível L e dimensão n necessita de Ln experiências.
Por exemplo, um plano factorial de dois níveis de um modelo bidimensional requer 4

92
experiências (22). Um plano factorial de três níveis de um modelo bidimensional
requer 9 experiências (32). Um plano factorial de dois níveis de um modelo
tridimensional requer 8 experiências (23).
Dimensão refere-se ao número de coordenadas necessário para representar a função
de resposta, excluindo a coordenada função resposta.
Ordem de um modelo refere-se ao grau do polinómio usado.
Factor denomina-se qualquer variável experimental que é deliberadamente alterada
de experiência em experiência.

Número de níveis corresponde ao número de pontos experimentais em que uma

variável será fixada durante a experiência.
Um plano ortogonal é aquele em que o arranjo das variáveis independentes é tal que
para todos os pares j, k, sendo j≠k:
m
C jk = ∑ xik xij = 0
i =1

Planos rotacionais são aqueles em que as variâncias nas extremidades do plano são
constantes. Existem dois tipos de planos rotacionais:
• Planos rotacionais uniformes
• Planos rotacionais ortogonais.

A essência do planeamento estatístico de ensaios consiste na realização de

experiências para certos valores das variáveis independentes definidas de acordo com
um plano especialmente estabelecido.

4.4.1. Planeamento Estatístico de Ensaios para Modelos de 1a Ordem

Box e Wilson, nas suas investigações chegaram a conclusão de que era possível
determinar o número mínimo de ensaios para a construção de modelos de 1a ordem,
usando a equação
Ni = 2n
onde:
n – número de variáveis independentes
Ni – número total de ensaios necessários
Antes da realização de qualquer planeamento estatístico de ensaios é preciso

93
determinar a área de variação das variáveis independentes. A determinação da área de
variação das variáveis independentes consiste no estabelecimento dos valores limites
de variação de cada variável, nomeadamente o limite superior, Zi,1 e o limite inferior,
Zi,2.

4.4.1.1. Construção de um Plano Estatístico de Ensaios para Modelos de 1a

Ordem
Passos a seguir:
1) Determinação dos níveis das variáveis
- determinação do nível superior zi1 (z – variável real)
- determinação do nível inferior zi2 (i – número da variável)

2) Determinação do nível básico

1
Z i ,0 = ( Z i ,1 + Z i , 2 )
2
3) Determinação do intervalo de variação das variáveis independentes
1
∆i = ( Z i ,1 − Z i , 2 )
2
Com os valores obtidos constrói-se uma tabela de valores reais das variáveis
independentes:
z1 z2 z3 ... zn
zi0 z10 z20 z30 ... zn0
∆i ∆1 ∆2 ∆3 ... ∆n
zi1 z11 z21 z31 ... zn1
zi2 z12 z22 z32 ... zn2

4) Transformação de zi em xi segundo o código:

zi xi
zi1 +1
zi2 -1
zi0 0

5) Codificação das variáveis independentes

94
Qualquer valor da variável de código pode ser calculado de acordo com a relação:
1
X i, j = ( Z i , j − Z i ,0 )
∆i
Para a passagem inversa (descodificação) temos a seguinte relação:
Z i , j = Z i ,0 + ∆i X i , j

6) Construção de um plano de ensaios que envolva todas as combinações dos valores

limites de cada variável independente. Desta maneira, o número total de experiências
para n variáveis independentes é igual a:
Ni =2n
No geral Ni= 2n para plano factorial de dois níveis.

Exemplo de cálculo:
Plano estatístico de ensaios para um modelo de primeira ordem de um processo com
duas variáveis independentes:

No de X0 X1 X2 Y
ensaio
1 +1 +1 +1 Y1
2 +1 -1 +1 Y2
3 +1 +1 -1 Y3
4 +1 -1 -1 Y4

7) Verificação da homogeneidade das variáveis a partir do critério G.

8) Escolha do modelo de primeira ordem.
9) Determinação dos parâmetros do modelo
m 0 0 D0
0 m 0 D1
0 0 m D2
m
C ii = ∑ xii2 = m
i =1

m
C jk = ∑ xik xij = 0 ; j≠k (plano ortogonal)
i =1

95
 m

∑X i, j Y j
1 m D
∑
j =1
bi = m
= X i, j Y j = i (i = 0, 1, 2,...,n)
m j =1 m
∑X
j =1
i
2

Assim,
D0 D1 D2
b0 = ; b1 = ; b2 =
m m m

10) Verificação da adequação de modelo obtido

11) Avaliação do papel das variáveis
bi bi
t α , f1 = = −
≤ t tab
S (bi ) −1
Se m
onde, f1 é o número de graus de liberdade.
m −1 0 0
−1
*
(X X ) = 0 m −1 0
0 0 m −1
m
m −1 = aii = (∑ X i2, j ) −1
j =1

Uma das vantagens do uso de planos estatísticos de ensaios é de permitirem calcular

os efeitos da interacção das variáveis independentes. Os efeitos da interacção das
variáveis independentes caracterizam a sua interligação, isto é, a correlação doutra
variável independente com a função de resposta. No caso de um sistema com duas
variáveis independentes tem-se um efeito de interacção das variáveis independentes,
designadamente b12 X1X2 e o modelo matemático toma a forma:

Y= b0X0 + b1X1 +b2X2 + b12 X1X2

Para sistemas com três variáveis independentes obtém-se:

Y= b0X0 + b1X1 +b2X2 + b12 X1X2 + b13 X1X3 + b23 X2X3+ b123X1X2X3

Na prática tomam-se em conta os efeitos de interacção entre duas variáveis, pois a

elas é possível muitas vezes atribuir um certo sentido e eliminam-se as interacções de
mais variáveis.

96
Os parâmetros que geralmente são representados por bik, como por exemplo, b12 e b13,
são calculados pela fórmula que se segue:
m

∑X
j =1
i, j X k, j Y j

bik =
m
O teste estatístico e a avaliação do papel dos efeitos de interacções é o mesmo.

Exemplo de cálculo 4.5. Com o fim de construir um modelo de primeira ordem de

um processo com três variáveis independentes e uma variável estável foi
construído um plano estatístico de 1a ordem e realizados os ensaios. Para cada
ensaio foram feitas três medições paralelas e os resultados obtidos são dados nas
seguintes tabelas:

Tabela 4.10 - Valores reais das variáveis independentes

Característica Variáveis independentes

Z1 Z2 Z3
Nível básico, zi,0 3.2 6.3 10.2
Intervalo da variação, ∆i 0.8 1.5 2.0
Nível superior, zi,1 4.0 7.8 12.2
Nível inferior, zi,2 2.4 4.8 8.2

Tabela 4.11 – Plano estatístico de primeira ordem

Ni X0 X1 X2 X3 Y1 Y2 Y3
1 1 1 1 1 68.15 66.5 65.9
2 1 -1 1 1 68.9 65.9 66.5
3 1 1 -1 1 61.15 61.4 58.3
4 1 -1 -1 1 62.12 61.5 58.6
5 1 1 1 -1 72 65.85 70.35
6 1 -1 1 -1 71.1 68.4 72.3
7 1 1 -1 -1 64.9 65 61.8
8 1 -1 -1 -1 61.4 58.8 61.9

Resolução
A tabela 4.11 constrói-se com base na informação do enunciado que diz que foram
feitas três medições paralelas o que significa ter Y1, Y2 e Y3 e é um processo com três
variáveis independentes o que significa ter X1, X2, e X3.

97
Número mínimo (total ou necessário) de ensaios Ni=2n, onde n - é o número de
variáveis independentes.
Neste exercício temos n=3 Æ Ni = 23 = 8

Verificação da homogeneidade das variâncias

Os valores médios dos ensaios paralelos e as variâncias foram calculados usando as
fórmulas usuais e podem ser vistos na tabela 4.12.
Tabela 4.12
Yj S e2
66.85 1.358
67.1 2.52
60.28 2.966
60.74 3.531
69.4 10.13
70.6 3.99
63.9 3.31
60.7 2.77

2
S emáx 10.13
Critério G: GC = 8
= = 0.331
30.57
∑S
i =1
2
e

Gtab = Gα,f,m
f=R-1=3-1=2 Æ Gtab=G0.05,2,8=0.520

Portanto Gc<Gtab Æ variâncias são homogéneas.

Proposta do modelo
Para n=3 temos:
Y = b0X0 + b1X1 + b2X2 + b3X3 (modelo codificado)

a) Matriz de informação
c 00 c 01 c 02 c 03
c10 c11 c12 c13
C=
c 20 c 21 c 22 c 23
c30 c31 c32 c33

98
Determinação dos parâmetros desconhecidos
8
c00 = ∑ X 02 j = 8
j =1

8
c11 = ∑ X 12j = 8
j =1

8
c 22 = ∑ X 22 j = 8
j =1

8
c33 = ∑ X 32j = 8
j =1

c01 = c10 = c02 = c 20 = c03 = c30 = c12 = c 21 = c13 = c31 = c 23 = c32 = 0

8 0 0 0
0 8 0 0
C=
0 0 8 0
0 0 0 8
8
D0 = ∑ X 0 j * Y j =519.57
j =1

8
D1 = ∑ X 1 * Y j = 1.2933
j =1

8
D2 = ∑ X 2 * Y j = 28.327
j =1

8
D3 = ∑ X 3 * Y j = −9.6267
j =1

D0 519.57
b0 = = = 64.95
c00 8

D1 1.2933
b1 = = = 0.1617
c11 8

D2 28.327
b2 = = = 3.541
c 22 8

D3 − 9.6267
b3 = = = −1.203
c33 8
Portanto, o modelo codificado será (para X0=1, constante):

Y = 64.95 + 0.1617X1 + 3.541X2 – 1.203X3

99
Modelo descodificado
Z ij − Z i 0
Sabe-se que X ij =
∆i

Z 1 − 3 .2 Z 2 − 6 .3 Z 3 − 10.3
X1 = , X2 = e X3 =
0 .8 1 .5 2.0
Substituindo na equação do modelo codificado teremos:
( Z 1 − 3 .2 ) ( Z − 6.3) ( Z − 10.3)
Y ( Z i ) = 64.95 + 0.161 + 3.54 2 − 1.203 3
0 .8 1 .5 2 .0

Y(Zi) = 55.63 + 0.201Z1 + 2.36Z2 + 0.602Z3

e) Verificação da adequação do modelo.

e.1) Determinação da dispersão média dos ensaios.
1 8 2 30.577
∑ S ej = 8 = 3.822
2
Se =
8 j =1
e.2) Determinação da dispersão entre os valores calculados e experimentais.
A partir da equação do modelo teremos os seguintes valores calculados:
R m
S R2 = ∑ (Y j − Y j ,cal ) 2 , R = 3 e f1 = m-n-1 = 8-3-1 = 4
f 1 j =1

Y1,cal = 67.45 Æ (Y1,cal − Y1 ) 2 = 0.3596

Y2,cal = 67.13 Æ (Y2,cal − Y2 ) 2 = 0.000692

Y3,cal = 60.37 Æ (Y3,cal − Y3 ) 2 = 0.007118

Y4,cal = 60.04 Æ (Y4,cal − Y4 ) 2 = 0.4840

Y5,cal = 69.86 Æ (Y5,cal − Y5 ) 2 = 0.2077

Y6,cal = 59.53 Æ (Y6,cal − Y6 ) 2 = 1.140

Y7,cal = 62.77 Æ (Y7 ,cal − Y7 ) 2 = 1.2686

Y8,cal = 62.45 Æ (Y8,cal – Y8)2 = 3.0636

8
3
∑ (Y
i =1
j , cal − Y j ) 2 = 6.531 Æ S R2 =
4
* 6.531 = 4.898

100
e.3) Aplicação do teste de Fischer
f2 = m(R-1) = 8(3-1) = 16

S R2 4.898
FC = 2
= = 1.282
Se 3.822

Da tabela temos:
Ftab= Fα , f 1, f 2 = F0.05, 4,16 = 3.114

Portanto, FC < Ftab Æ modelo é adequado.

f) Verificação do papel das variáveis

Matriz de informação
8 0 0 0 1/ 8 0 0 0
0 8 0 0 0 1/ 8 0 0
C= Æ C −1 =
0 0 8 0 0 0 1/ 8 0
0 0 0 8 0 0 0 1/ 8

0.1617
t1,cal = = 0.23414.75
1.95 1 / 8
3.541
t 2,cal = = 5.130
1.95 1 / 8
− 1.203
t 3,cal = = 1.743
1.95 1 / 8

f1 = m(R-1) = 8(3-1) = 16
ttab = tα,f1= t0.05,16 ≈ 2.16.
Portanto, t1,cal e t3.cal são menores que ttab Æ as variáveis X1 e X3 não são
significativas, devem ser eliminadas:
Assim, a nova equação do modelo fica escrita da seguinte forma:
Y = 64.95 + 3.541X2

4.4.2. Planeamento Estatístico de Ensaios para Modelos de 2a Ordem

Quando o modelo de 1a ordem não é adequado, a descrição matemática da zona de

101
operação óptima pode ser feita pelo ajustamento do modelo de segunda ordem.
Modelos de 2a ordem são expressões matemáticas sob a forma de polinómios de
segunda ordem.
O planeamento estatístico de ensaios para a construção de modelos de segunda ordem
é um problema mais complexo quando comparado com o planeamento estatísticos
para a construção de modelos matemáticos de primeira ordem e exige um maior
número de ensaios, de tal modo que para sistemas com 4 variáveis independentes já se
torna inaceitável a sua aplicação.

Dada a preocupação e importância de se ter um número reduzido de ensaios, Box e

Wilson propuseram reduzir o número total de ensaios para:
N =mc + 2n + m0
Onde:
n - é o número de variáveis independentes;
mc - é o número de ensaios para a construção do modelo matemático de primeira
ordem e é igual a 2n;
m0 - é o número de ensaios no ponto central e depende do tipo do plano usado.

Os plano estatístico de ensaios para modelos de segunda ordem pode ser construídos a
partir dos planos de primeira ordem adicionando-se dois ensaios para cada variável
independente nos pontos com coordenadas +α, e –α, para uma dada variável e 0 para
as restantes variáveis, e m0 ensaios no centro do plano com coordenadas 0 para todas
variáveis de código.
Exemplo: Construção de modelo de 2a ordem com 2 e 3 variáveis independentes.

Y= b0X0 + b1X1 +b2X2 + b12 X1X2 + b11X12 +b22 X22 e

Y= b0X0 + b1X1 +b2X2 + b3X3 + b12 X1X2 + b13X1X3 + b23 X2X3 + b11X12 +b22 X22 +
+b33X32
Para os planos estatísticos ortogonais, α e m0 estão relacionados pela expressão:
α n + 2n α 2 − 2n −1 (n + 0.5m0 ) = 0
Escolhe-se o número de ensaios para obter o desvio padrão da função de resposta com
o fim de fazer o teste estatístico.

102
Características de um plano de 2a ordem obtido directamente:
1
Z i ,0 = ( Z i ,1 + Z i , 2 )
2
1
∆i = ( Z i ,1 − Z i , 2 )
2α
Valores reais das variáveis independentes
zi
Intervalo de variação , ∆i ∆i
Nível superior, +α zi,1
Nível de +1 zi,0+∆i
Nível básico zi,0
Nível de -1 zi,0-∆i
Nível inferior, -α zi,2
NB: Para modelos de 2 ordem que se obtêm da composição do plano estatístico de 1a
a

ordem, os níveis superior +α e inferior -α, determinam-se respectivamente da seguinte

forma;
Z i , +α = Z i , 0 + α∆ i

Z i , −α = Z i , 0 − α ∆ i

enquanto que ∆i e zi, são os mesmos calculados para o plano de primeira ordem.

Determinação dos parâmetros do modelo

N n N
b0 = D ∑ Yj + E ∑∑ X i2, j Y j
j =1 i =1 j =1

N
bi = e −1 ∑ X i , j Y j
j =1

N
bik = mc−1 ∑ X i , j X k , j Y j
j =1

Os valores de D, E, F e G estimam-se por fórmulas apropriadas que são

D = 2α 4 H −1[ f + (n − 1)mc ]

E = −2 H −1eα 4
e = mc + 2α 2

[
F = H −1 Hf + (n − 2) Nmc − (n − 1)e 2 ]

103
G = H −1 (e 2 − Nmc )

[
H = 2α 4 Nf + (n − 1) Mmc − ne 2 ]
f = mc + 2α 4
Contudo, os dos planos mais usados encontram-se tabelados no apêndice B.

Exemplo de cálculo 4.6.

Construiu-se um plano estatístico de ensaios para um modelo de 1a ordem com 3
variáveis independentes: Z1 = 160oC – 140 oC, Z2 = 28 kg/m3 – 22 kg/m3 e Z3 =
12h – 8h.
Consideremos que chegou-se a conclusão de que o modelo de 1a ordem não é
adequado e é no entanto necessário a construção de um modelo de 2a ordem.
Consideremos ainda que teremos um ensaio no ponto central (m0=1). Encontrar o
referido modelo e fazer a verificação da sua adequação.

Tabela 4.13
Ensaio X1 X2 X3 Z1 Z2 Z3
1 +1 +1 +1 160 28 12
2 -1 +1 +1 140 28 12
3 +1 -1 +1 160 22 12
4 -1 -1 +1 140 22 12
5 +1 +1 -1 160 28 8
6 -1 +1 -1 140 28 8
7 +1 -1 -1 160 22 8
8 -1 -1 -1 140 22 8

Resolução
A partir dos dados do enunciado pode-se construir a seguinte tabela:

N = mc + 2n + m0 = 23 + 2.3 + 1 =15

Tabela 4.14
Ensaio X0 X1 X2 X3 Yj
1 1 +1 +1 +1 80.3
2 1 -1 +1 +1 87.0
3 1 +1 -1 +1 90.0
4 1 -1 -1 +1 82.3
5 1 +1 +1 -1 88.6

104
 6 1 -1 +1 -1 89.6
7 1 +1 -1 -1 84.3
8 1 -1 -1 -1 74.0
9 1 +α 0 0 88.1
10 1 -α 0 0 79.4
11 1 0 +α 0 83.3
12 1 0 -α 0 76.5
13 1 0 0 +α 87.2
14 1 0 0 -α 77.1
15 1 0 0 0 85.8

A partir dos intervalos de variação das variáveis acima dados pode-se construir a
tabela de valores reais das variáveis independentes.

Tabela 4.15.
Z1 Z2 Z3
Zio 150 25 10
∆i 10 3 2
Zi1 160 28 12
Zi2 140 22 8

O valor de α calcula-se como:

αn + 2n α2 – 2n-1(n+0.5m0) = 0
e resolvendo a equação obtêm-se:
α = 1.215

Da tabela de características (apêndice B) para o plano estatístico em estudo (plano

ortogonal) e para N = 15, mc = 8, m0 = 1 e n = 3 temos:

D = 0.4328
E = -0.1672
e = 10.952
F = 0.2292
G=0

Determinação dos parâmetros do modelo

15

∑Y
j =1
j = 1253.5
15

∑X
j =1
2
1j * Y j = 923.37
15

∑X
j =1
2
2j * Y j = 912
15

∑X
j =1
2
3j * Y j = 918.64
15

∑X
j =1
1j * Y j = 20.87
15

∑X
j =1
2j * Y j = 23.16

105
15

∑X
j =1
3j * Y j = 15.37
15

∑X
j =1
1j * X 2 j * X 3 j * Y j = − 3 .1
3 15 15 15 15

∑∑ X ij2 * Y j = ∑ X 12j * Y j + ∑ X 22 j * Y j + ∑ X 32j Y =923.37 + 912 + 918.64 = 2754

i =1 j =1 j =1 J =1 j =1
15 3 15
b0 = D ∑ Y j + E ∑∑ X ij2 * Y j = 0.4328 * 1253.5 − 0.1672 * 2754 = 82.05
j =1 i =1 j =1
15 −1

b1 = e * ∑ X 1 j * Y j = 10.952 * 20.87 = 1.91

−1

j =1
15
b2 = e −1 * ∑ X 2 j * Y j = 10.952 −1 * 23.16 = 2.11
j =1
15
b3 = e −1 * ∑ X 3 j * Y j = 10.952 −1 * 15.37 = 1.40
j =1
15
b12 = mc−1 * ∑ X 1 j * X 2 j * Y j = 8 −1 * (−25.7) = −3.21
j =1
15
b13 = mc−1 * ∑ X 1 j * X 3 j * Y j = 8 −1 * (−8.3) = −1.04
j =1
15
b23 = mc−1 * ∑ X 2 j * X 3 j * Y j = 8 −1 * (−24.9) = −3.11
j =1
15 3 15 15
b11 = ( F − G )∑ X 12j * Y j + G ∑∑ X ij2 * Y j + E ∑ Y j =
j =1 i =1 j =1 j =1

= (0.2292 − 0) * 923.37 + 0 * 2754 − 0.1672 *1253.5 = 2.05

15 3 15 15
b22 = ( F − G )∑ X 22 j * Y j + G ∑∑ X ij2 * Y j + E ∑ Y j =
j =1 i =1 j =1 j =1

= (0.2292 − 0) * 912 + 0 − 0.1672 *1253.5 = −0.555

15 3 15 15
b33 = ( F − G )∑ X 32j * Y j + G ∑∑ X ij2 * Y j + E ∑ Y j =
j =1 i =1 j =1 j =1

= (0.2292 − 0) * 918.64 + 0 − 0.1672 *1253.5 = 0.967

Portanto, o modelo de 2a será:

Y = 82.05X0 + 1.91X1 + 2.11X2 + 1.40X3 – 3.21X1X2 – 1.04X1X3 – 3.11X2X3 +

+2.05X12 -0.555X22 + 0.967X32

Verificação da adequação do modelo

Cálculo da variância dos valores experimentais da variável dependente em relação ao

106
seu valor médio aritmético.

Os valores de Ycal, o termo (Yj- Y )2 e o termo (Yj-Ycql)2 estão calculados e podem ser
vistos na tabela 4.16.

Tabela 4.16
Ni Yj Yj,cal (Yj- Y )2 (Yj-Ycql)2
1 80.3 82.572 10.6929 5.161984
2 87 87.252 11.7649 0.063504
3 90 90.992 41.3449 0.984064
4 82.3 82.832 1.6129 0.283024
5 88.6 88.072 25.3009 0.278784
6 89.6 88.592 36.3609 1.016064
7 84.3 84.052 0.5329 0.061504
8 74.0 71.732 91.5849 5.143824
9 88.1 87.39691 20.5209 0.494334
10 79.4 82.75561 17.3889 11.26013
11 83.3 83.79435 0.0729 0.244377
12 76.5 78.66705 49.9849 4.696085
13 87.2 85.17851 13.1769 4.086424
14 77.1 81.77651 41.8609 21.86974
15 85.8 82.05 4.9729 14.0625
Méd=83.57 Σ1257.715 Σ367.1735 Σ69.70634

1 15 15
Da tabela 4.16 temos: Y= ∑ Y j = 83.57 ,
15 j =1
∑ (Y
j =1
j − Y ) 2 = 367.17 e

1
S R2 0 = * 367.17 = 26.23
14

Cálculo da dispersão entre os valores calculados e os valores experimentais

correspondentes:
15
Da tabela 4.16 temos: ∑ (Y
j =1
j ,cal − Y j ) 2 = 69.71 Æ

1 15 1
S R2 = ∑
f 1 j =1
(Y j ,cal − Y j ) 2 = * 69.71 = 6.34
11
f1 = m-n-1=15-3-1=11

Aplicação do teste de Fischer:

S R2 6.34
FC = 2 = = 0.242
S R 0 26.23

Ftab = F0.05,11,14 = 2.56

Portanto, FC<Ftab Æ modelo é adequado

107
 Exemplo de cálculo 4.7.
Investiga-se a influência da temperatura de uma mistura reaccional e tempo de
processamento sobre o rendimento de um produto. O nível básico para a
temperatura é T0 = 443 K e tempo de processamento t0 = 5 horas. O intervalo de
variação ∆T = 5K e ∆t = 1hora. Para a obtenção do modelo fez-se inicialmente
ensaios para um plano de 1a ordem, obtendo-se os seguintes resultados.

Tabela 4.17
Ni X1 X2 Yj
1 +1 +1 67
2 -1 +1 57
3 +1 -1 79
4 -1 -1 55

Os valores de Y j são valores médios de três ensaios paralelos com uma variância
2
média S e = 3.7 . Consideremos que chegou-se a conclusão de que os modelos de 1a
ordem para os planos dados não são adequados e é no entanto necessária a construção
de modelos de 2a ordem. Por isso completou-se este plano de ensaios num plano de 2a
ordem e foram feitos os seguintes ensaios e respectivos resultados:
Tabela 4.18
Ni X1 X2 Yj Yj Yj
5 +α 0 73 73 73
6 -α 0 49 49 49
7 0 +α 64.5 64.5 64.5
8 0 -α 71.2 71.2 71.2
PO PRU PRO
9 0 0 68 68 68
10 0 0 67 67 67
11 0 0 66 66 66
12 0 0 0 67.3 67.3
13 0 0 0 66.7 66.7
14 0 0 0 0 67.5
15 0 0 0 0 67.0
16 0 0 0 0 66.5
Encontrar os referidos modelos para todos os planos e fazer a verificação da

108
adequação.

Resolução (plano ortogonal)

N = mc + 2n + m0 = 2n + 2n + m0
Onde n – é o número de variáveis independentes (X1 e X2)
Da tabela das características principais para alguns planos ortogonais (PO) para N=11
e n=2 teremos:
mc = 4, m0 = 3, α = 1.148, D = 0.3011, -E = 0.1742, e = 6.634,
F = 0. 2883 e G = 0
Proposta do modelo
Y = b0X0 + b1X1 + b2X2 + b12X1X2 + b11X12 + b22X22
Determinação dos parâmetros do modelo
N =11

∑Y
j =1
j = 715.7

11

∑X
j =1
2
1j * Y j = 417.12

11

∑X
j =1
2
2j * Y j = 435.84

11

∑X
j =1
1j * Y j = 62.26

11

∑X
j =1
2j * Y j = −16.69

11

∑X
j =1
1j * X 2 j * Y j = −15

2 11 11 11

∑∑ X ij2 * Y j = ∑ X 12j * Y j + ∑ X 22 j * Y j =417.12 + 435.84 = 852.96

i =1 j =1 j =1 J =1

11 n = 2 11
b0 = D ∑ Y j + E ∑∑ X ij2 * Y j = 0.3011 * 715.7 − 0.1742 * (417.12 + 435.84) = 66.91
j =1 i =1 j =1

11 −1

b1 = e * ∑ X 1 j * Y j = 6.634 * 62.26 = 9.38

−1

j =1

11
b2 = e −1 * ∑ X 2 j * Y j = 6.634 −1 * (−16.69) = −2.52
j =1

109
 11
b12 = mc−1 * ∑ X 1 j * X 2 j * Y j = 4 −1 * (−15) = −3.75
j =1

11 2 11 11
b11 = ( F − G )∑ X 12j * Y j + G ∑∑ X ij2 * Y j + E ∑ Y j =
j =1 i =1 j = 2 j =1

= (0.2883 − 0) * 417.12 + 0 * 857.76 − 0.1742 * 715.7 = −4.42

11 2 11 11
b22 = ( F − G )∑ X 22 j * Y j + G ∑∑ X ij2 * Y j + E ∑ Y j =
j =1 i =1 j =1 j =1

= (0.2883 − 0) * 435.84 − 0.1742 * 715.7 = 0.978

Portanto o modelo para o plano ortogonal será:

Y = 66.91 + 9.38X1 – 2.52X2 – 3.75X1X2 – 4.42X12 + 0.98X22

Verificação da adequação do modelo

Temos ensaios paralelos, por isso vamos usar a técnica 2.
2
Determinação da dispersão média (já foi dada e é S e = 3.7 )

Cálculo da dispersão entre valores calculados e experimentais

R 9
S R2 = ∑
f 1 j =1
(Y j − Y j ,cal ) 2 ; f1 = m-n-1=9-2-1=6 e R=3

∑ (Y
j =1
j , cal − Y j ) 2 = 8.028

3
Æ S R2 = * 8.028 = 4.014
6
Aplicação do teste Fischer
S R2 4.014
FC = 2
= = 1.085
Se 3.7

Ftab= Fα,f1,f2 = F0.05,6,18 = 2.91

f2 = m(R-1) =9(3-1)=18
Vemos que FC<Ftab Æ o modelo é adequado.

Resolução (plano rotacional uniforme-PRU)

N = mc + 2n + m0 = 2n + 2n + m0

110
Onde n – é o número de variáveis independentes (X1 e X2)
Da tabela das características principais para alguns planos rotacionais uniformes PRU
de N=13 e n=2 teremos:
mc = 4, m0 = 5, α = 1.414, D = 0.2000, -E = 0.1000, e = 8.000,
F = 0. 1437 e G = 0.0187

Proposta do modelo
Y = b0X0 + b1X1 + b2X2 + b12X1X2 + b11X12 + b22X22

Determinação dos parâmetros do modelo

N =13

∑Y
j =1
j = 849.7

13

∑X
j =1
2
1j * Y j = 500.93

13

∑X
j =1
2
2j * Y j = 528.32

13

∑X
j =1
1j * Y j = 68.94

13

∑X
j =1
2j * Y j = −18.47

13

∑X
j =1
1j * X 2 j * Y j = −15

2 13 13 13

∑∑ X ij2 * Y j = ∑ X 12j * Y j + ∑ X 22 j * Y j =500.93 + 528.32 = 1029.25

i =1 j =1 j =1 J =1

13 n = 2 13
b0 = D ∑ Y j + E ∑∑ X ij2 * Y j = 0.2000 * 849.7 − 0.1000 * (1029.25) = 67.02
j =1 i =1 j =1

13 −1

b1 = e * ∑ X 1 j * Y j = 8 * 68.94 = 8.62
−1

j =1

13
b2 = e −1 * ∑ X 2 j * Y j = 8 −1 * (−18.47) = −2.31
j =1

13
b12 = mc−1 * ∑ X 1 j * X 2 j * Y j = 4 −1 * (−15) = −3.75
j =1

111
 13 2 13 13
b11 = ( F − G )∑ X 12j * Y j + G ∑∑ X ij2 * Y j + E ∑ Y j =
j =1 i =1 j = 2 j =1

= (0.1437 − 0.0187) * 500.93 + 0.0187 *1029.25 − 0.1 * 849.7 = −3.11

13 2 13 13
b22 = ( F − G )∑ X 22 j * Y j + G ∑∑ X ij2 * Y j + E ∑ Y j =
j =1 i =1 j =1 j =1

= (0.1437 − 0.0187) * 528.32 + 0.0187 *1029.25 − 0.1 * 849.7 = 0.32

Portanto o modelo para o plano ortogonal será:

Y = 67.02 + 8.62X1 – 2.31X2 – 3.75X1X2 - 3.11X12 + 0.32X22

Verificação da adequação do modelo

2
Determinação da dispersão média (já foi dada e é S e = 3.7 )

Cálculo da dispersão entre valores calculados e experimentais

R 9
S R2 = ∑
f 1 j =1
(Y j − Y j ,cal ) 2 ; f1 = m-n-1=9-2-1=6 e R=5

∑ (Y
j =1
j ,cal − Y j ) 2 = 0.32

5
Æ S R2 = * 0.32 = 0.27
6
Aplicação do teste Fischer
S R2 0.27
FC = 2
= = 0.073
Se 3.7

Ftab= Fα,f1,f2 = F0.05,6,36 = 2.10

f2 = m(R-1) =9(5-1)=36
Vemos que FC<Ftab Æ o modelo é adequado.

Resolução (plano rotacional ortogonal)

N = mc + 2n + m0 = 2n + 2n + m0
Onde n – é o número de variáveis independentes (X1 e X2)
Da tabela das características principais para alguns planos rotacionais ortogonais PRO
de N=16 e n=2 teremos:
mc = 4, m0 = 8, α = 1.414, D = 0.1250, -E = 0.0625, e = 8.000,
F = 0. 1251 e G = 0

112
Proposta do modelo
Y = b0X0 + b1X1 + b2X2 + b12X1X2 + b11X12 + b22X22
Determinação dos parâmetros do modelo
N =16

∑Y
j =1
j = 1050.7

16

∑X
j =1
2
1j * Y j = 500.93

16

∑X
j =1
2
2j * Y j = 528.32

16

∑X
j =1
1j * Y j = 68.94

16

∑X
j =1
2j * Y j = −18.47

16

∑X
j =1
1j * X 2 j * Y j = −15

2 16 16 16

∑∑ X ij2 * Y j = ∑ X 12j * Y j + ∑ X 22 j * Y j =500.93 + 528.32 = 1029.25

i =1 j =1 j =1 J =1

16 n = 2 16
b0 = D ∑ Y j + E ∑∑ X ij2 * Y j = 0.1250 * 1050.7 − 0.0625 * 1029.25 = 67.01
j =1 i =1 j =1

16 −1

b1 = e −1 * ∑ X 1 j * Y j = 8 * 68.94 = 8.62
j =1

16
b2 = e −1 * ∑ X 2 j * Y j = 8 −1 * (−18.47) = −2.31
j =1

16
b12 = mc−1 * ∑ X 1 j * X 2 j * Y j = 4 −1 * (−15) = −3.75
j =1

16 2 16 16
b11 = ( F − G )∑ X 12j * Y j + G ∑∑ X ij2 * Y j + E ∑ Y j =
j =1 i =1 j = 2 j =1

= (0.1250 − 0) * 500.93 − 0.0625 * 1050.7 = −3.05

16 2 16 16
b22 = ( F − G )∑ X 22 j * Y j + G ∑∑ X ij2 * Y j + E ∑ Y j =
j =1 i =1 j =1 j =1

= (0.125 − 0) * 528.32 − 0.0625 *1050.7 = 0.37

Portanto o modelo para o plano ortogonal será:

113
Y = 67.01 + 8.62X1 – 2.31X2 – 3.75X1X2 – 3.05X12 + 0.37X22

Verificação da adequação do modelo

2
Determinação da dispersão média (já foi dada e é S e = 3.7 )

Cálculo da dispersão entre valores calculados e experimentais

R 9
S R2 = ∑
f 1 j =1
(Y j − Y j ,cal ) 2 ; f1 = m-n-1=9-2-1=6 e R=8

∑ (Y
j =1
j , cal − Y j ) 2 = 0.2285

8
Æ S R2 = * 0.2285 = 0.305
6
Aplicação do teste Fischer
S R2 0.305
FC = 2
= = 0.082
Se 3.7

Ftab= Fα,f1,f2 = F0.05,6,56 = 2.10

f2 = m(R-1) =9(8-1)=56
Vemos que FC<Ftab Æ o modelo é adequado.

4.5. Exercícios Propostos

1. Em que difere o método modificado dos mínimos quadrados do método
clássico dos mínimos quadrados?
2. Quais são as vantagens e desvantagens decorrentes da utilização do método
modificado dos mínimos quadrados e do planeamento estatístico dos ensaios?
3. Em que consiste o planeamento estatístico de ensaios e quais as vantagens e
desvantagens da sua utilização?
4. Reduza o sistema de equações que possibilita a obtenção dos parâmetros
desconhecidos utilizando o método dos mínimos quadrados para a obtenção
duma equação de 1a ordem do tipo:
Y = b0.X0 + b1.X1 + b2.X2

5. Elabore um plano estatístico de ensaios para a obtenção de um modelo de 1a

ordem e diga para que valores das variáveis reais, se realiza o 5o ensaio.
6. Considere que a resposta de uma experiência é dada por:

114
 Y = 2 + 3X1 - 2X2 + X3
Usando um projecto experimental a dois níveis elabore a tabela de respostas deste
sistema.

7. Determine se é possível aplicar o método dos mínimos quadrados para a

determinação dos parâmetros das equações:
a) Y = b0 + e (1−b1*x1 ) + e − b2 * cos x 22

8. As saídas de um sistema Y para variações de entrada X1 são as seguintes:

I 1 2 3 4 5
X1i 1 2 3 4 5
Yi 5 17 24 33 41

a) Obtenha um modelo matemático para o sistema

b) Obrigue o modelo a satisfazer à condição Y = 33 para X1=4.

9. Pretende-se construir um modelo matemático dum processo com duas

variáveis independentes. Para isso realizaram-se 6 ensaios com 3 medições
paralelas em cada ensaio obtendo-se os seguintes resultados:
Ensaio X1 X2 Y1 Y2 Y3
1 5 20 115 117 116
2 45 10 105 103 104
3 20 6 59 60 61
4 10 9 64 66 62
5 25 12 95.5 96 94.5
6 15 3 39 40 41

Construa um modelo para o sistema e analise o papel dos parâmetros

desconhecidos.

10. Um investigador estudou a resposta de um reactor químico a mudanças no

tempo de residência e a temperatura. Os valores obtidos são apresentados de
seguida:
Ensaio T(oC) t(min) Yi

115
 1 160 60 60.3
2 150 50 54.3
3 150 70 60.3
4 170 50 62.2
5 170 70 68.0
6 160 60 62.3
7 150 50 56.5
8 150 70 61.7
9 170 50 64.6
10 170 70 66.8

Determine os parâmetros do modelo matemático de 1a ordem para este sistema.

11. O estudo de um processo permitiu obter os seguintes resultados experimentais:

Ensaio X1
1 0
2 1
3 2
4 3
5 0
X2 Yi
0 10
1 17
1 22
2 27
2 14

a) Elabore o correspondente modelo matemático de 1a ordem e verifique a sua

adequação.
b) Determine o valor das coordenadas do ensaio extra se quisesse utilizar o
método modificado dos mínimos quadrados.

12. Elabore um modelo matemático para os seguintes dados experimentais:

Ensaio X1 X2 Yi
1 5 20 116
2 45 10 104
3 20 6 60
4 10 9 64
5 25 12 96
6 15 13 90

116
13. Usando o método modificado dos mínimos quadrados elabore um modelo
matemático de 1a ordem para os dados experimentais do problema no 12.

117