Você está na página 1de 221

QUIMIOMETRIA QUIMIOMETRIA

Chamar um especialista em estatstica depois que o experimento foi


feito pode ser o mesmo que pedir a ele para fazer um exame post-
mortem. Talvez ele consiga dizer de que foi que o experimento morreu
R. A. Fisher . . ishe
Prof. Dr. Ademir J. Camargo
http://www.fisica.ueg.br/ademir/
EMENTA EMENTA
Vetores aleatrios;
Distribuio normal multivariada; Distribuio normal multivariada;
Pr-processamento de dados.
Classificao e discriminao. Classificao e discriminao.
Anlise de varincia multivariada.
Planejamento fatorial e superfcie de resposta.
Anlise de Componentes Principais.
Anlise de agrupamento
Mtodos de reconhecimento de padres nas classificaes.
Calibrao multivariada em qumica analtica.
P t i i t i i t d Pacotes quimiomtricos para microcomputadores.
A estatstica multivariada descreve o conjunto de
procedimentos que envolve observaes e anlises de vrias p q
variveis estatsticas ao mesmo tempo. Quando a estatstica
multivariada usada para descrever fenmenos qumicos e
farmacuticos passa a ser chamada de Quimiometria farmacuticos passa a ser chamada de Quimiometria.
O termo quimiometria foi introduzido por Swede Svante Wold O termo quimiometria foi introduzido por Swede Svante Wold
(Suo) e Bruce R. Kowalski (Americano) em 1972
Definio da International chemometrics society ICS,1974
QUIMIOMETRIA a disciplina qumica que usa mtodos
efi io da te atio al c e o et ics society CS, 97
QUIMIOMETRIA a disciplina qumica que usa mtodos
matemticos e estatsticos para:
a) Planejar e relacionar condies timas de experimentos;
b) Extrair o mximo de informaes dos dados qumicos b) Extrair o mximo de informaes dos dados qumicos.
De acordo com essa definio, a quimiometria objetiva: f q j
1. Planejar e otimizar experimentos;
2. Anlise exploratria de dados;
3. Classificao;
4. Calibrao multivariada;
5. Resoluo Multivariada de curvas.
DADOS DADOS
ESTATSTICA MULTIVARIADA
INFORMAO
CONHECIMENTO/ENTENDIMENTO
DECISO
SOFTWARES
1) Matlab (Mathworks);
2) PLS_toolbox (Eigenvector);
3) Unscrambler (Camo);
4) Pirouette (Infometric);
5) SIMCA (Umetric);
6) S i i (S f ) 6) Statistica (Statroft);
7) Octave (Free) http://www.gnu.org/software/octave/
8) Scilab (Free) http://wwwscilab org/ 8) Scilab (Free) http://www.scilab.org/
9) R (Free) http://www.r-project.org/
REVISTAS CIENTFICAS
1) Journal of Chemometrics (Wily);
2) Chemometrics and Intelligent Laboratory Systems (Elsevier) 2) Chemometrics and Intelligent Laboratory Systems (Elsevier).
3) Analytical Chemistry (ACS Publications);
4) Th A l t (RSC P bli hi ) 4) The Analyst (RSC Publishing);
5) Analytical Chemical Acta (Elsevier);
6) Analytical and Bioanalytical Chemistry (Springer);
7) Talanta (Elsevier);
8) Applied Spectroscopy (Society for Applied Spectroscopy);
9) Journal of Near Infrared (NIR Publications); ) f f ( );
10) SAR & QSAR in Environmental Research
LIVROS LIVROS
1 Como Fazer Experimentos (B B Neto I S Scarmino; R 1. Como Fazer Experimentos (B. B. Neto, I. S. Scarmino; R.
E. Bruns);
2. Chemometrics ( M. Otto);
3. Chemometrics: a pratical guide (B. P. Seasholtz);
4. Tutorial PLS_toolbox (Barry M. Wise)
5. Design And Analysis Of Experiments (2004) DOUGLAS
C. MONTGOMERY
ESTATSTICAMULTIVARIADAEMOUTRAS REAS ESTATSTICA MULTIVARIADA EM OUTRAS REAS
1 Quimiometria (Qumica e Farmcia) 1. Quimiometria (Qumica e Farmcia)
2. Psicometria ( Psicologia);
3. Biometria (Biologia);
4. Econometria (Economia)
MODELAGEM DE DADOS RESULTANTES
DE EXPERIMENTOS
1. Modelos mecansticos: o mecanismo por trs do
comportamento do modelo conhecido (por exemplo,
as leis de Newton) um modelo GLOBAL as leis de Newton). um modelo GLOBAL.
2 M d l i h d f 2. Modelos empricos: no se conhece todos os fatores
que influenciam o fenmeno que est sendo estudado.
No vale fora da regio experimentalmente
investigada. um modelo LOCAL
PLANEJAMENTO E OTIMZAO DE
EXPERIMENTOS
O bom planejador de experimento comea com a seguinte
pergunta:
O que desejamos saber quando o experimento terminar?
OBJETIVO TCNICA
PLANEJAMENTO E OTIMZAO DE EXPERIMENTOS
C
O
N
OBJETIVO
Triagem das variveis
TCNICA
Planejamento
N
H
E
C
Triagem das variveis
Avaliar a influncia
j
fracionrio
Planejamentos
C
I
M
das variveis
Construo de
j
fatoriais completos
Modelagem por
E
N
T
modelos empricos
Otimizao
mnimos quadrados
Superfcie de
t Si l
O

Construo de
d l ti
resposta, Simplex
Deduo a partir de
i i i modelos mecanstico princpios gerais
ERROS GROSSEIROS
1. Geralmente so muito altos;
2. A medida deve ser eliminada; 2. A medida deve ser eliminada;
3. A estatstica no se ocupa deles;
4. Exemplo: esquecer de colocar um
indicador em uma soluo.
ERROS SISTEMTICOS
1. Atribudos a causas definidas;
TIPOS DE
ERROS
1. Atribudos a causas definidas;
2. Afetam o resultado sempre na mesma direo;
3. Podem ser corrigidos;
4. Podem ser de mtodos, operacionais, pessoais ou
i t t i instrumentais;
5. Exemplos: balana no tarada, pipeta no aferida,
indicador errado em uma titulao etc.
ERROS ALEATRIOS
1. No possuem valores definidos;
2. No so mensurveis;;
3. Flutuam aleatoriamente entorno de um valor central
(mdia);
4. Devem ser tratados estatsticamente.
Exemplo de erro aleatrio
R lt d d 20 tit l f it l t d i V l d f i 4%
Titulao n
o
Concentrao (%) Titulao n
o
Concentrao (%)
1 3.91 11 3.96
Resultado de 20 titulaes feitas em um lote de vinagre. Valor de referencia 4%.
1 3.91 11 3.96
2 4.01 12 3.85
3 3.61 13 3.67
4 3.83 14 3.83
5 3.75 15 3.77
6 3.91 16 3.51
7 3.82 17 3.85
8 3.70 18 4.04
9 3.50 19 3.74
10 3.77 20 3.97
Observe que os valores parecem flutuar entorno da mdia ao acaso.
Comandos do SCILAB ou MATLAB: digite >> help plot
>> plot(y,ro)
REVISO DEALGEBRALINEAR REVISO DE ALGEBRA LINEAR
Escalar uma quantidade matemtica que pode Escalar uma quantidade matemtica que pode
ser completamente descrita pela sua magnitude.
Exemplo: b=5, temp=40
0
Vetor uma quantidade matemtica que
apresenta uma magnitude e uma direo.
E l Exemplo:
3
4
(
(
b
1
(
=
(
b
| |
2 4 1 = a
4
1
(
=
(
(

b
3
=
(

b
| |
>> a=[2 3 4] ou >> b=[2; 3; 4]
MATRIZ
(
(
2 5 3 6
A [2 5 3 6 7 3 2 1 5 2 0 3]
Comandos do MATLAB
(
=
(
(

7 3 2 1
5 2 0 3
A
>> A=[2 5 3 6;7 3 2 1;5 2 0 3]
MATRIZ TRANSPOSTA (B=A
T
)
(
(
(
=
(
2 7 5
5 3 2
T
A
( )
T
T T
AB = B A
(
(

3 2 0
6 1 3
A
Comandos do MATLAB
>> B=A'
ADO DE MATRIZES
As matrizes devem ter dimenses iguais
Exemplo
1 4 3
(
2 4 1
(
1 4 3
5 4 0
(
=
(

X
2 4 1
2 6 3
(
=
(

Y
1 4 3 2 4 1 3 8 4
5 4 0 2 6 3 7 10 3
( ( (
+ =
( ( (

5 4 0 2 6 3 7 10 3
( ( (

Comandos do MATLAB Comandos do MATLAB
>> C=X+Y
MULTIPLICAO DE MATRIZES
POR ESCALAR
1 4 3
(
1 4 3
5 4 0
(
=
(

X
c=4;

1 4 3 4 16 12
* 4 c
( (
= =
( (
X
5 4 0 20 16 0
( (

Comandos do MATLAB
>> c*X
PRODUTO DE MATRIZES
O nmero de colunas da primeira matriz deve
ser igual ao nmero de linhas da segunda
2 5 1
(
=
(
A
(
(
4 3 5 7
9 5 3 4 B
ser igual ao nmero de linhas da segunda .
2x3
4 5 3
=
(

A
3x4
(
=
(
(

9 5 3 4
5 3 6 7
B
(
2 4
58 34 31 41
76 46 53 69
(
=
(

A* B
2x4

Comandos do MATLAB
>> A*B
MATRIZ IDENTIDADE
I * A= A* I = A
1 0 0 0
0 1 0 0
(
(
0 1 0 0
0 0 1 0
0 0 0 1

(
(
=
(
(

4 4
I
0 0 0 1

Comandos do MATLAB
>> I=eye(4,4)
MATRIZ NULA
A* Nula = Nula
A+ Nula = Nula + A= A A Nula Nula A A
0 0 0 0
(
(
0 0 0 0
0 0 0 0
(
(
(
(
Nula =
0 0 0 0
(

C d d MATLAB Comandos do MATLAB
>> Nula=zeros(4)
MATRIZ DE UNS
1 1 1 1 1
(
1 1 1 1 1
1 1 1 1 1
(
(
(
(
U = 1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
(
(
(
(

U
1 1 1 1 1
(

C d d MATLAB Comandos do MATLAB
>> U=ones(5)
MATRIZ INVERSA
( )
1

=
-1 -1 -1 -1
A* A = A * A= I AB B A
(
(
(
2 1 1
4 1 0 A=
(
(
=
(
0.1250 0.1250 - 0.1250
-0 5000 0 5000 0 5000 C
(
(

4 1 0
-2 2 1
A
=
(
(

-0.5000 0.5000 0.5000
1.2500 - 0.7500 - 0.2500
C
( ( (
( ( (
= =
( ( (
( ( (
2 1 1 0.1250 0.1250 - 0.1250 1 0 0
4 1 0 -0.5000 0.5000 0.5000 0 1 0 A* C
( ( (

-2 2 1 1.2500 - 0.7500 - 0.2500 0 0 1
Comandos do MATLAB
>> C =inv(A)
>> C*A
PROPRIEDADES DAS MATRIZES
( ) ( )
1 A+ B + C = A+ B+ C ;
A, B e 0 so matrizes e so escalares.
( ) ( )

;
2 A+ B = B+ A;
3 0 + A= A+ 0 = A;
( )
( )

3 0 0 ;
4 A+ -A = 0;
5 A+ B = A+ B;
( )
( )
( ) ( )


5 A+ B A+ B;
6 + A= A+ A;
7 A A
( ) ( )
1


7 A= A ;
8 A= A
INDEPENDNCIA LINEAR
Dado um conjunto de vetores
{ }
1 2 3
, , v v v "
dizemos que esses vetores so linearmente q
independentes se a equao
1 1 2 2 3 3 n n
+ + + + = 0 " v v v v
admitir apenas a soluo trivial, i.e.,
1 2 3
0. = = = = = "
1 2 3
0.
n

EXEMPLOS
As matrizes
e
( (
= =
( (

1 0 3 0
2 3 6 9
A B

2 3 6 9
no so linearmente independentes, pois
3 B A 3 = B A.
Os vetores
( ( (
1 0 0
, e
( ( (
( ( (
( ( (
( ( (

1 2 3
1 0 0
e = 0 e = 1 e = 0
0 0 1
( ( (

0 0 1
so L.I.
POSTO OU RANK DE UMA MATRIZ
o nmero de colunas ou linhas linearmente independente
de uma matriz.
EXEMPLOS
( ) ( )
, rank min m n X
O posto da matriz
(
(
1 3 2
(
(
(
(

A = 2 6 9
3 9 8
dois.

Comandos do MATLAB
>> rank(A) ( )
ans = 2
PRODUTO INTERNO
Um produto interno sobre um espao vetorial real V
uma funo que associa a cada par de V a um uma funo que associa a cada par de V a um
nmero real, satisfazendo as seguintes propriedades:
1 2 1 2
) 0 p/ e 0
) p/
i
ii
= =
=
V 0
\
v,v v v,v v
v v v v
1 2 1 2
1 2 3 1 3 2 3
) , , p/
) , , ,
ii
iii

+ = +
\ v v v v
v v v v v v v
1 2 2 1
) , , iv = v v v v
EXEMPLOS
O produto escalar usual de vetores do . Dados
os vetores a e b, definimos o p.i. como
n
\
, p
T
= a,b a b
Se
( (
( (
2 4
e , ento
( (
( (
( (

a = 5 b = 3
1 5
| |
4
3 28

(
(
=
(
T
a b = 2 5 1
| |
3 28.
5
=
(
(

a b 2 5 1
Comandos do MATLAB
>> c=a*b
DETERMINANTES
Seja A uma matriz quadrada. O determinante da
matriz A definido como
( )
1 2 3
!
j 1j 2j 3j nj
det -1 ,
i n
n
I
i
a a a a =

A A = "
i
I o nmero de inverses de cada parcela da soma
P
ji
o operador que gera as permutaes dos dices.
PROPRIEDADES DOS DETERMINANTES
1. Se todos os elementos de uma linha ou coluna for
igual a zero, o determinante ser zero; g , ;
2. detA=detA
T
;
3. Se multiplicarmos uma linha ou coluna por uma
constante k ento o det fica multiplicado por k; constante k, ento o det fica multiplicado por k;
4. Se permutarmos duas linhas ou duas colunas de
uma matriz, ento o determinante da matriz muda
d l de sinal;
5. O determinante de uma matriz que tem duas
linhas ou colunas iguais zero; g
6. Det(AB)=detAdetB.
EXEMPLOS
(
(
1 2 3
2 A
(
=
(
(

A 4 5 6
7 8 0
27. = A

Comandos do MATLAB
>> det(A)
HISTOGRAMA
um grfico de barras em que a rea ou a altura
representa a freqncia da classe. p f q
Rol o conjunto de dados brutos dispostos em
alguma ordem, geralmente crescente.
1 A li d d l l i l i 1. Amplitude do rol= valor mximo valor mnimo;
2. Amplitude da classe = Amplitude do rol/nmero
de classe;;
3. Nmero de classe = raiz quadrada do nmero de
amostra.
Toda anlise estatstica deve comear com um grfico
. .

Freqncia
F R
Nmero total de amostras
=
Intervalo (conc. %) Freqncia
Freqncia
Relativa Relativa
3.500 3.608 2 0.10
6
3.608 3.716 3 0.15
3.716 3.824 5 0.25
6
6
3.824 3.932 6 0.30
3.932 4.040 4 0.20
6
6
3.932 4.040 4 0.20
6
Amplitude da classe = 0.108
>> amp_c=(max(t)-min(t))/5;
>> classe(1)=min(t);
>> for i=1:5
classe(i+1)=classe(i)+amp_c;
end
INTERPRETAO DOS DADOS
DA TABELA DE FREQNCIAS
10% das titulaes tm valores entre 3,500 e 3,608
15% das titulaes tm valores entre 3,608 e 3,716
25%das titulaes tm valores entre 3 616 e 3 824 25% das titulaes tm valores entre 3,616 e 3,824
Portanto, a probabilidade de encontrarmos p
aleatoriamente uma titulao com valor entre 3,500 e
3,608 exatamente 10%. Podemos afirmar isso porque
conhecemos a distribuio exata das freqncias da conhecemos a distribuio exata das freqncias da
populao.
Comandos do MATLAB
(
3.9100
(
(
(
(
(
(
(
4.0100
3.6100
3.8300
>> [n, xout]=hist(t, 5)
n = 2 3 5 6 4 (Freqncia das classes)
xout =3 5540 3 6620 3 7700 3 8780 3 9860
(
(
(
(
(
(
3.7500
3.9100
3.8200
3 7000
xout =3.5540 3.6620 3.7700 3.8780 3.9860
(Centro de cada classe)
(
(
(
(
=
(
(
3.7000
3.5000
3.7700
3 9600
y
Clculo da freqncia relativa:
>> f=(1/20)*n;
>> f
(
(
(
(
(
(
3.9600
3.8500
3.6700
3.8300
>> f
0.1000 0.1500 0.2500 0.3000 0.2000
>> bar(xout,f) (Faz o historgrama)
(
(
(
(
(
(
3.7700
3.5100
3.8500
Para fazer tudo automaticamente
>> hist(y,5)
>> hi tfit( 5)
(
(
(
(

4.0400
3.7400
3.9700
>> histfit(y,5)
POPULAO OU UNIVERSO ESTATSTICO POPULAO OU UNIVERSO ESTATSTICO
o conjunto de todos os elementos ou indivduos sobre os
quais se desenvolve alguma pesquisa. A populao pode ser
finita (nmero de caroos de feijes existente na terra) ou finita (nmero de caroos de feijes existente na terra) ou
infinita (nmero de pesagens de um indivduo).
AMOSTRA
qualquer subconjunto de uma populao. q q j p p
AMOSTRA REPRESENTATIVA
O l lh d 1. Os elementos so escolhidos rigorosamente ao acaso;
2. Todos os elementos tm a mesma chance de serem
escolhidos;
3. Nmero suficiente de elementos, o qual depende da
preciso das estimativas.
TIPOS DE AMOSTRAGEM
1. Amostra Aleatria Simples (AAS): consiste em
enumerar cada elemento da populao e em seguida fazer enumerar cada elemento da populao e em seguida fazer
o sorteio;
2. Amostragem Sistemtica: cria-se uma lei de formao
para a escolha dos elementos;
3. Amostra Por Conglomerado: sorteiam-se regies da
populao e as sorteadas todos os elementos delas faro populao e as sorteadas, todos os elementos delas faro
parte da amostra;
4. Amostragem Estratificada: divide a populao em
sub-populaes que tenham o maior grau de
homogeneidade possvel e retira-se uma amostra de cada
sub-populao. sub populao.
PARMETROS ESTATSTICOS
So nmeros que representam caractersticas de uma populao:
1 Mdia aritmtica: did d t d i t l 1. Mdia aritmtica: uma medida de tendncia central;
2. Varincia: uma medida da disperso dos dados amostrais;
3 D i d 3. Desvio padro etc.
MDIA ARITMTICA
uma medida de tendncia central definida por
di it ti
1
1
N
i
i
x x
N
=

a mdia aritmtica;
o i-simo termo;
i
x
x
1 i
N
=
o nmero total de valores na amostra. N
Comandos do MATLAB
>> media=mean(y) media mean(y)
VARINCIA
uma medida do grau de disperso dos dados em torno da mdia:
( )
2
2 2
1 1
1 1
.
N N
i i
Var populacional d x x
N N
= = =

2
1 1
N N
1 1 i i
N N
= =
( )
2
2 2
1 1
1 1
.
1 1
i i
i i
Var amostral s d x x
N N
= =
= = =


d x x =
a mdia aritmtica;
i i
d x x
x
=
o i-simo termo;
o nmero total de valores na amostra.
i
x
N
Por que usamos N-1 na frmula anterior?
N N N N N
( )
0
N N N N N
i i i i
i i i i i
d x x x x x Nx Nx Nx = = = = =

A amostra tem um grau de liberdade a menos, i.e., cada equao
ti d lib d d d i t t t l retira um grau de liberdade do sistema, o que torna natural a
diviso por N-1.
Comando do MATLAB:
>> variancia = var(y)
DESVIO PADRO
Tambm mede a disperso da amostra em torno da mdia.
Usamos o desvio padro para definir intervalos em torno da p p f
mdia.
2
Populao =
2
Amostra s s =
Comandos do MATLAB
>> std(y)
>> ans =0.1509
DISTRIBUIO ESTATSCA
uma funo que descreve o comportamento de uma
varivel aleatria.
Uma varivel aleatria pode assumir qualquer valor no
universo estatstico e o valor assumido apresenta uma certa
probabilidade de ocorrncia que governada por uma certa probabilidade de ocorrncia que governada por uma certa
distribuio de probabilidade.
DISTRIBUIO CONTNUA DISTRIBUIO CONTNUA
um tipo de distribuio em que a varivel aleatria pode
assumir qualquer valor em um determinado intervalo.
FUNO DENSIDADE DE PROBABILIDADE
uma funo que descreve a distribuio de probabilidade
de uma varivel aleatria continua x.
Exemplo:
Distribuio normal ou gaussiana proposta por Karl F. Gauss
( )
2
x-
1
g p p p
no sculo XIX.
( )
( )
, x
2
-
2
1
f(x) = e
2
( )
f x =Densidade de probabilidade da varivel x;
= Mdia da varivel x;
2
dia da va ivel x;
= Varincia da varivel x.

Uma varivel aleatria x que se distribui normalmente com Uma varivel aleatria x que se distribui normalmente com
mdia e varincia
2
denotada por
( )
2
x N
( )
, . x N
Se
( )
0,1 , x N
t di di t ib i l d ento dizemos que x segue a distribuio normal padro ou
padronizada, i.e., com mdia zero e varincia unitria.
A REA SOB A CURVA NORMAL PADRONIZADA 1
( )
2
2
1
z
f x e

=
( )
2
f x e
x


z

=
68 26% => 1 desvio
Interpretao:
68,26% => 1 desvio
95,44% => 2 desvios
68,26% dos dados esto compreendidos no
intervalo (-, ); i.e., com 1 desvio
95,44% est no intervalo (-2, 2); i.e., 2
d d
99,73% => 3 desvios
desvios padres;
99,73% est no intervalo (-3, 3); i.e., 3
desvios padres.
CARACTERSTICAS DA DISTRIBUIO NORMAL
1. Mximo ocorre em x = (valor mais provvel);
2 P d 2. Pequenos desvios so mais provveis;
3. Simtrica em relao a ;
4. Ponto de inflexo em ;
5. Mudana em causa translao na curva;
x =
5. Mudana em causa translao na curva;
6. Mudana em causa o estreitamento ou alargamento da
curva. curva.
Qual a probabilidade de encontrarmos x com valores Q p
entre a e b?
( )

2
b
b b x
f x dx
1
( )
( )
( )
( )
2

b b x
-
a
2
a a
f
1
P a < x < b = = f x dx e dx
f x dx
( )

-
f
COMO PADRONIZAR VARIVEIS?
Para criar uma nova varivel z com mdia zero e varincia
unitria ou seja padronizada usamos a frmula unitria, ou seja, padronizada usamos a frmula
x
z

=
( )
2
, ; varivel aleatria com distribuio
z
x N

=
( )
( )
0,1 varivel aleatria com distribuio z N =
z representa o afastamento (em unidades de ) da varivel x em
relao a mdia . Isto fica claro se observarmos que

x
z x z

= = +
Exerccio: Padronize os dados da titulao do vinagre.
y z
3.9100 0.7290
4.0100 1.3917
3 6100 1 2592 3.6100 - 1.2592
3.8300 0.1988
3.7500 - 0.3314
3.9100 0.7290
3.8200 0.1325
3.7000 - 0.6627
3.5000 - 1.9882
3.7700 - 0.1988 3.7700 0.1988
3.9600 1.0604
3.8500 0.3314
3.6700 - 0.8615
3 300 0 19 3.8300 0.1988
3.7700 - 0.1988
3.5100 - 1.9219
3.8500 0.3314
4.0400 1.5905
3.7400 - 0.3976
3.9700 1.1266
Comandos do MATLAB para calcula z:
>> m=mean(y); >> m mean(y);
>> s=std(y);
>> for i=1:20
z(i) (y(i) m)/s; z(i)=(y(i)-m)/s;
end
>> plot(z,'o')
3, 8 0
x z
= =
2 2
z
0, 0228 1
=0,1509 1
x z
x


= =
=
z
,
x
EXERCCIO 1
Qual a probabilidade de que o resultado de uma
titulao esteja entre 3,8 (%) e 3,9 (%)?
1. Calcular z
1
para x
1
e z
2
para x
2
usando a frmula 1. Calcular z
1
para x
1
e z
2
para x
2
usando a frmula
x
z

=
1
: 0 0, 6627
2
Resposta z e z = =
2. Consultar a tabela de reas da funo de distribuio normal.

3. Somar as reas das caudas e subtrair de um. A probabilidade


procurada a rea sob a curva entre z
1
=0 e z
2
=0,66
4. Resposta: 24,54% de probabilidade. p , p
EXERCCIO 2
Qual a probabilidade de que uma titulao esteja entre 3,5 e Q p q j
3,92?
EXERCCIO 3
Q l b bilid d d tit l t h Qual a probabilidade de que uma titulao tenha um
valor maior do 3,4?
EXERCCIO 4
Verifique se as 20 titulaes seguem um distribuio normal.
Sugesto: normalize as titulaes e calcule o nmero de valores dentro dos
intervalos
( ) ( ) ( )
intervalos
e veja se as freq. relativas correspondem a 68,26%, 95,44% e 99,73%,
respectivamente.
( ) ( ) ( )
1 ,1 , 2 , 2 3 , 3 e
EXERCCIO 5
Faa o grfico da funo de distribuio normal para os dados
espectivamente.
Faa o grfico da funo de distribuio normal para os dados
da titulao do vinagre.
z f(z)

(
(
Soluo
0.7290 0.3059
1.3917 0.1515
-1.2592 0.1806
0.1988 0.3911

(
(
(
(
(
(
(
. 9 . 9
-0.3314 0.3776
0.7290 0.3059
0.1325 0.3955

(
(
(
(
(
(
-0.6627 0.3203
-1.9882 0.0553
-0.1988 0.3911
1.0604 0.2274

(
(
(
(
(
(
(
1.0604 0.2274
0.3314 0.3776
-0.8615 0.2753
0.1988 0.3911

(
(
(
(
(
(
-0.1988 0.3911
-1.9219 0.0629
0.3314 0.3776
1.5905 0.1126

(
(
(
(
(
(
(
>> for i=1:20
f(i)=(1/sqrt(2*pi))*exp(-z(i)^2/2);
d
1.5905 0.1126
-0.3976 0.3686
1.1266 0.2115

(
(
(
(

end;
>> plot(z,f,'o')
TEOREMADO LIMITE CENTRAL-TLC TEOREMA DO LIMITE CENTRAL -TLC
S fl l i l l i f 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, ento a
sua distribuio tender para a normalidade.
Premissas importantes do TLC: flutuaes independentes e igual importncia. emissas impo tantes do C: flutuaes independentes e igual impo tncia.
EXEMPLOS
1. O peso do feijo depende do grau de desidratao, ao
das pragas, carga gentica etc que tm flutuaes
independentes e apresentam igual importncias Portanto independentes e apresentam igual importncias. Portanto,
o peso dos caroos de feijes se distribui normalmente.
2. O erro final de uma titulao depende da leitura da bureta,
tonalidade final do indicador etc, que so variveis que
flutuam independentemente e apresentam igual
importncia Portanto o erro final na titulao se distribui importncia. Portanto, o erro final na titulao se distribui
normalmente.
3. A mdia dos pontos do lanamento de cinco dados uma p
funo de cinco variveis aleatrias , onde cada uma se
distribui independentemente das outras. Logo, a mdia se
distribui normalmente distribui normalmente.
Sejam x
1
e x
2
variveis aleatrias com parmetros populacionais dados por
COMBINAES LINEARES DE VARIVEIS ALEATRIAS
Sejam x
1
e x
2
va iveis aleat ias com pa met os populacionais dados po
( )
2
1 1
, ( )
2
2 2
,
e
respectivamente.
A combinao linear
1 1 2 2
y a x a x = +
define uma nova varivel aleatria y.
COMBINAES LINEARES DE VARIVEIS ALEATRIAS
Seja y uma varivel aleatria formada pela combinao das variveis
1 1 1 1
| | | |
Seja y uma varivel aleatria formada pela combinao das variveis
aleatrias x
1
e x
2
, i.e.,
( )
1 1 2 2 1 1 2 2
1 1 1 1
y y a x a x a x a x
N N N N
y a x a x
| | | |
= = + = +
| |
\ . \ .
= +

1 1 2 2
y a x a x = +
Concluso: A mdia da combinao linear de variveis aleatria s igual
a combinao linear das mdias.
Varincia de y:
COMBINAES LINEARES DE VARIVEIS ALEATRIAS
( )
2
2
2
1
1
1
y
s y y
N
=


( )
( ) ( )
2
1 1 2 2 1 1 2 2
2
1 1 1 2 2 2
1
1
1
1
a x a x a x a x
N
a x x a x x
N
= +

= + (

( ) ( )
( ) ( ) ( )( )
2 2
2 2
1 1 1 2 2 2 1 2 1 1 2 2
1
1
2
1
1 1 1
N
a x x a x x a a x x x x
N

(
= + +

( ( (

( ) ( ) ( )( )
1 2
2 2
2 2
1 1 1 2 2 2 1 2 1 1 2 2
2 2 2 2 2
1 2
1 1 1
2
1 1 1
2
y x x
a x x a x x a a x x x x
N N N
s a s a s
( ( (
= + +
( ( (


= + +

( )
1 2
1 2 1 2
,
x x
a a s s r x x
1 2
y
( )
( )
( )( )
1 2
1 1 2 2
1 2
1
,
1
onde
x x x x
r x x
N

=

( )
1 2
1 2
1
x x
N s s

Para populaes, temos:
COMBINAES LINEARES DE VARIVEIS ALEATRIAS
a a populaes, temos:
1 1 2 2 y
a a = +
( )
2 2 2 2 2
1 1 2 2 1 2 1 2 1 2
2 ,
y
a a a a x x = + +
Se as variveis se distriburem de modo independe, ento a correlao
entre as variveis zero:
( )
1 2
, 0 x x =
2 2 2 2 2
1 1 2 2 y
a a = +
S h i i i d
COMBINAES LINEARES DE VARIVEIS ALEATRIAS
Se houver vrias variveis, podemos escrever
y a x a x a x a x = + + + =

"
1 1 2 2 p p i i
i
y a x a x a x a x
y a x
= + + + =
=

"
( )
2 2 2 2
2
i i
i
y a x =


( )
2 2 2 2
2 ,
y i i i j i j i j
i j i
s a s a a s s r x x
>
= +

P l i i d bi li d i i
COMBINAES LINEARES DE VARIVEIS ALEATRIAS
Parmetros populacionais de uma combinao linear de variveis
aleatrias:
N
i i
i
y a x =

i i
onde N o nmero de indivduos da populao.
a =

( )
2 2 2 2
2 ,
y i i
y i i i j i j i j
i j i
a
a a a x x


>
= +


( )
2
,
i j i
i i
mdia e varincia populacional da varivel aleatria x
i

>
=
COMBINAES LINEARES DE VARIVEIS ALEATRIAS
Observe que,
1 1 1 1 1
1 2 3
1 1 1 1 1
i N
x x x x x x
N N N N N
= = + + + +

"
A mdia de N ( x
i
) observaes um caso particular de combinao linear,
onde onde
1 2
1
N
a a a
N
= = = = "
N
Suponhamos que sejam retiradas vrias amostras da populao. A mdia das
COMBINAES LINEARES DE VARIVEIS ALEATRIAS
distribuies das mdias amostrais uma combinao linear:
i i
y a x =
i i
i
i
onde a mdia das mdias amostrais e mdia da amostra
y a x
y x

Para amostras representativas, razovel supor que as mdias amostrais se


distribuem com a mdia populacional . Substituindo a
i
por 1/N e
substituindo x
i
por , temos
1 1 1
i i
i
y a x N
N N N
= = = = =

i
p
i
N N N
y =
Concluso: A mdia das mdias amostrais igual a mdia da
populao.
Se a escolha dos elementos das amostras for aleatria, ento o coeficiente de
l ( ) 0 L i i d di
COMBINAES LINEARES DE VARIVEIS ALEATRIAS
correlao zero : r(x
i
,x
j
)=0. Logo, a varincia das mdias
2 2
2
i
y i x
s a s =

Como as observaes so feitas na mesma populao, ento razovel supor


que as mdias se distribuem com a mesma varincia da populao
2
, i.e.,
2 2 2
2
2 2 2 2 2
1 1 1
i
y i x
s a s N
N N N N


| | | | | |
= = = = =
| | |
\ . \ . \ .

2
2
y
s
N

=
2 2
y
onde a varincia das mdias amostrais e a varincia da populao. s
N

Concluso: A varincia das mdias amostrais mais estreita do
que a varincia populacional.
Teorema: Sejam amostras aleatrias de N elementos extrados de uma
populao que se distribui normalmente com mdia e varincia
2
. Ento,
As mdias amostrais distribuem normalmente com a mesma mdia
populacional e varincia
2
/N :
( )
2
, x N N
x
t
N

=
A varivel aleatria t, definida por
s N
1 N
x
t
s N


f p
segue a distribuio t com N-1 graus de liberdade:
( )
2 2 2
1 N s =
A varivel
2
, definida por , segue a distribuio qui-
quadrado tambm com grau de liberdade N-1:
( )
2
2
1
2
1
N
s
N



INTERVALO DE CONFIANA PARA A MDIA POPULACIONAL
Intervalo de confiana um intervalo em torno da mdia amostral que, com
b bilid d di l i l d d i
Como visto, z distribui normalmente com mdia zero e desvio padro um, i.e.,
z N(0,1). Usando a frmula
certa probabilidade, contm a mdia populacional verdadeira.
x
z

=
z N(0,1). Usando a frmula

e trocando x pela mdia amostral e pelo desvio padro amostral


(ver slide 68), temos:
x
N
( )
x -
= z N 0,1
N

N
x -
-z < < z x - z < < x +z
N N N

N N N
INTERVALO DE CONFIANA PARA A MDIA POPULACIONAL
USANDO A DISTRIBUIO Z

x - z < < x +z
N N
A frmula acima pode ser usada para estabelecer um intervalo
para a mdia populacional a partir da mdia amostral z
x
para a mdia populacional a partir da mdia amostral . z
pode ser obtido usando a tabela normal. O problema desta
frmula que precisamos da varincia populacional que no
x
temos.
Em 1908, William Sealy Gosset (pseudnimo student) props a
distribuio da varivel aleatria para estimar a mdia
l i l At l t di idi f l d
( )
x s
populacional . Atualmente, dividimos s por e falamos da
distribuio da varivel
N
x -
t
1 N
t
s N

x
INTERVALO DE CONFIANA PARA A MDIA POPUPACIONAL A
APARTIR DE UMA AMOSTRAGEM
1 N
x -
t
s N

1 1 N N
x -
-t < <t
s N

1 1 N N
s s
x - t < < x +t
N N

1. Usada para estabelecer um intervalo de confiana para a mdia
populacional ; p p
2. A distribuio t simtrica em relao mdia zero;
3. Usada para pequenas amostras (geralmente N<30)
4. Para N>30 a distribuio normal (slide 71) produz resultado similar
distribuio de student.
Distribuio de Student para 1,2,5,10 e graus de liberdade (Wikipedia, acessado
em 13/09/2009)
Curva azul: distribuio normal. Curvas verdes e vermelha distribuio de Student para p
1,2,3,5 e 10 graus de liberdade Observe que a curva normal mais alta e mais estreita do
que a de Student. Mas, a medida que aumenta o grau de liberdade as duas curvas se
assemalham. (Wikipedia, acessado em 13/09/2009) .
EXEMPLO
Os pesos de 7 gros de feijo so: 0.1399 0.2790 0.1988 0.1904 0.1911 0.2186
0.1606. Determine, com 99% de confiana, quantos gros existem em um
quilograma.
Soluo
Intervalo de confiana =99%
Grau de liberdade v=N-1=7-1=6
Procurar na tabela de student o valor de t
6
: linha 6, coluna 0,005
t
6
=3,707
1 1
0 1969 0 0445
N N
s s
x s x - t < < x +t = =
1 1
0 1969 0 0445
0 1969 3 707 0 0445 7 0 1969 3 707 0 0445 7
N N
x . s . x t < < x +t
N N
. . . . . .


< < +
0 1346 0 2593 . . < <
Com 99% de confiana o valor mdio dos gros de feijes situam-se entre
0,1346g e 0,2593. Para encontrarmos quantos gros tm em um quilo, dividimos
1000 0 1346 1000 0 2593 3857 7431 . . < < < <
um quilo pelo peso de um gro:
EXERCCIO
Retire uma amostra de sete titulaes da Tabela do slide 15 e usando a Retire uma amostra de sete titulaes da Tabela do slide 15 e usando a
distribuio de Student estime, com 95% de confiana, um intervalo para a
mdia das titulaes.
DISTRIBUIO QUI-QUADRADO
2
USADA PARA
ESTIMARAVARINCIAPOPULACIONAL
2
A distribuio qui-quadrado usada para calcular a varincia e o desvio
padro populacional. Essa distribuio assimtrica e devemos olhar duas
l t b l d
2
ESTIMAR A VARINCIA POPULACIONAL
colunas na tabela do
2
.
2 2
1 1 N N

( )
2
2
1
2
2 2 2
1
1
N
s
N

( )
( ) ( )
( ) ( )
2 2 2
2 2
1 1
1 1
2 2 2 2
2 2
1
1
1 1
1 1
N N
N N
s
N
N s N
N
s
N





< < < <



( ) ( )
2 2
2
2 2
1 1
1 1
N N
N s N s



< <

COMO OLHAR A TABELA DO


2
?
Por exemplo, para um intervalo de confiana de 95%, com 9 graus
de liberdade, devemos olhar a coluna de 0,025 correspondendo a
cauda direita e a coluna de 0 975 cauda direita que cauda direita e a coluna de 0,975, cauda direita que
corresponde a 0,025 da cauda esquerda, i.e.,
( )
2
2
2
2, 70 19, 0 2, 70 1 19, 0
s
N

< < < <


( ) ( )
2 2
2
1 1 .
s s
N N

< <
( ) ( )
1 1 .
19, 0 2, 70
N N < <
EXERCCIO
1. Os pesos de 7 gros de feijo so: 0.1399 0.2790 0.1988
0.1904 0.1911 0.2186 0.1606. Determine, com 95% de
fi i l
2
d confiana um intervalo para a
2
e o para os gros de
feijo de um quilo.
2. Retire uma amostra de seis titulaes da Tabela do slide 15 e
d di t ib i d hi d d ti 95%d usando a distribuio do chi quadrado estime, com 95% de
confiana, um intervalo para a varincia e o desvio padro
das titulaes
EXERCCIO
O teor de carboidrato de uma glicoprotena foi determinado O teor de carboidrato de uma glicoprotena foi determinado
como sendo: 12.6; 11.9; 13.0; 12.7 e 12.5 de carboidrato por
100g de protena em anlise repetidas.
1 U d di t ib i d St d t l l i t l d 1. Usando a distribuio de Student, calcule os intervalos de
50 e 95% de confiana, para a mdia do teor de
carboidrato.
1
5 12 5 0 4 4
12 5 0 741 0 4 5
N
N ; x , g; s , g; ; x t s N
, , , g


= = = = =
=
2. Calcule o intervalo para a mdia, com 95% de confiana,
para uma situao em que o valor populacional do desvio
d j h id d i l 0 2
12 5 0 741 0 4 5 , , , g
padro seja conhecido como sendo igual a 0,2g.
0 2 95 1 96
0 2
, g; %; z , = =
0 2
12 5 1 96 12 5 0 2
5
,
x z , , , , g
N

= = =
COVARIANA AMOSTRAL DAS VARIVEIS x E y
did d i d d l d i i i d uma medida no padronizada da relao entre duas variveis, i.e., da
tendncia de se desviarem de forma parecida em relao s respectivas mdias
(co-variar = variar junto). A covarincia definida como
( ) ( )( )

N
i i
1
Cov x, y = x - x y - y
N 1
i =1
N - 1
EXEMPLO
Determine a matriz de covarincia da matriz A dada.
1 1 2
(
(
-1 1 2
-2 3 1
4 0 3
A
(
(
=
(
(

( )
10.3333 -4.1667 3.0000
-4.1667 2.3333 -1.5000
3 0000 -1 5000 1 0000
Cov A
(
(
=
(
(

4 0 3
(

3.0000 -1.5000 1.0000
(

Comando do matlab/Octave: >> cov(A)
COEFICIENTE DE CORRELAO AMOSTRAL
did d i d d l d i i uma medida padronizada da relao entre duas variveis.
( ) ( )
| |
| |
N
x x y y
1
( )
( ) ( )
| |
| |
|
|
|
\ .
\ .

N
i i
i =1
x y
x - x y - y
1
r x, y =
N - 1 s s
COEFICIENTE DE CORRELAO POPULACIONAL
( ) ( )
| |
| |

N
x - x y - y
1
COEFICIENTE DE CORRELAO POPULACIONAL
( )
( ) ( )

| |
| |
|
|
|
\ .
\ .

i i
i =1
x y
x x y y
1
x, y =
N s s
Propriedades do coeficiente de correlao Propriedades do coeficiente de correlao
1. ;
| |
1,1 r
2. Variveis estatisticamente independentes tm r igual a zero, a recproca no
verdadeira;
| |
3. Variveis perfeitamente correlacionadas tm r igual a 1 ou -1;
4 O r uma medida da linearidade existente entre duas variveis; 4. O r uma medida da linearidade existente entre duas variveis;
5. O r(x,y) deve ser interpretado com cuidado.
EXEMPLO
Calcule a matriz de correlao da matriz A dada.

-1 1 1
1 2 3
x x x
(
1.0000 -0.8486 -1.0000
(
(
-2 3 2
4 0 -4
A
(
(
=
(
(

( )
-0.8486 1.0000 0.8486
-1.0000 0.8486 1.0000
r A
(
=
(
(


Comando do Matlab/Octave: >> corrcoef(A)
Os volumes (em ml) de sete caroos de feijo so: 0.108; 0.214; 0.143; 0.195;
EXEMPLO
Os volumes (em ml) de sete caroos de feijo so: 0.108; 0.214; 0.143; 0.195;
0.148; 0.144 e 0.174. Os seus respectivos pesos so: 0.1188; 0.2673; 0.1795;
0.2369; 0.1826; 0.1860 e 0.2045. Calcule a covarincia, a correlao e
interprete os resultados. Faa um grfico bidimensional das variveis.
COMO DETERMINAR O TAMANHO DA AMOSTRA?
O teste t nos fornece um intervalo que com certa confiana encontra se a O teste t nos fornece um intervalo que com certa confiana encontra-se a
mdia da populao, i.e.,
L L
( )
N-1 N-1
L L
.......... ............... ................... ............
t s t s
- +



- +
N N

N-1
t s
L

L
N 1
L
N
=
Logo,
Se desejamos uma preciso menor ou igual a L ento fazemos Se desejamos uma preciso menor ou igual a L, ento fazemos
2
t s s
t L N
L
N

| |

|
\ .
= grau de liberdade
s = desvio padro amostral
L
N
\ .
p
L = preciso desejada
O desvio padro amostral s deve ser obtido a partir de uma srie histrica.
EXEMPLO
Determinar o tamanho da amostra de titulao para que a mdia tenha uma ete mina o tamanho da amost a de titulao pa a que a mdia tenha uma
preciso de 0,1% com 95% de confiana. Usar o desvio padro de 0,1509.
Soluo Soluo
Como a desvio padro foi calculado a partir de 20 titulaes, temos 19 graus
de liberdades t
19
=20-1=19. Na tabela de student olhamos a linha 19 e a
coluna 0,025 para termos uma confiana de 95%. , p f
19
2, 093
0 1509
t
s
=
=
2
2
0,1509
2, 0930,1509%
9, 98
0 1%
t s
N
L
s
N

=
|
| |

|
\ .
|
=
|
\ .
0,1%
9, 98
L
N
\ .
\ .

Neste caso podemos tomar N=10 para termos uma preciso de 0,1%
Quando temos a estimativa do desvio padro obtido a partir de uma srie
histrica de tamanho razovel, a diferena entre a distribuio normal e a de ist ica de ta a o azovel, a dife ena ent e a dist ibuio no mal e a de
student pequena e poderemos usar a distribuio normal:
2
z
| |
z
N
L

| |

|
\ .
U l b i d li f d i d i d
EXERCCIO
Um laboratrio de anlise 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%. Estimar o nmero de determinaes
que o analista dever fazer para dar a resposta desejada com 95%de que o analista dever fazer para dar a resposta desejada com 95% de
confiana. Resposta: N>24,01
TABELA DE DADOS PARA O PRXIMO EXERCCIO
C3 C8 C27 C31 L7 L30 L33 PI H-1 H L L+1 EA GAP LogP
A -0.033 -0.073 0.002 0.109 0.941 0 0.944 9.905 -10.149 -9.906 -0.995 -0.854 5.451 4.456 0.995 8.911 -0.5
B -0.096 -0.075 0.138 136 0.951 0 0.937 10.151 -10.196 -10.152 -0.993 -0.665 5.572 4.58 0.993 9.159 -1.02
C -0.096 -0.072 0.138 0.148 0.948 0 0.935 9.738 -10.239 -9.738 -0.872 -0.726 5.305 4.433 0.872 8.866 -1.05
D 0.114 -0.015 -0.204 -0.212 0.957 0.97 0.971 9.503 -10.16 -9.504 -0.951 -0.57 5.227 4.276 0.951 8.553 -0.73
E 0.093 -0.014 -0.181 -0.213 0.953 0.973 0.971 9.046 -9.969 -9.047 -0.97 -0.59 5.008 4.038 0.97 8.077 -0.98
F 0.114 -0.012 -0.203 -0.213 0.952 0.97 0.969 9.622 -9.698 -9.627 -0.842 -0.648 5.234 4.392 0.842 8.785 -0.77
G 0.091 0.001 -0.181 -0.213 0.952 0.973 0.97 9.003 -9.922 -9.003 -1.013 -0.526 5.008 3.995 1.013 7.99 -1.02
H 0.069 0.004 -0.227 -0.24 0.96 0.933 0.975 8.721 -8.928 -8.722 0.153 0.363 4.284 4.437 -0.153 8.875 3.03
J -0.115 -0.028 0.134 0.127 0.987 0 0.943 8.8 -9.461 -8.8 -0.663 0.312 4.731 4.068 0.663 8.137 2.91
K 0.039 0.008 -0.214 -0.214 0.961 0.984 0.981 8.777 -9.058 -8.778 0.067 0.147 4.356 4.422 -0.067 8.845 2.37
L 0.097 0.024 -0.206 -0.241 0.989 0.973 0.97 8.592 -9.291 -8.593 -0.658 0.302 4.625 3.967 0.658 7.935 3.2
M 0.043 0.037 -0.228 -0.237 0.984 0.925 0.978 8.504 -8.77 -8.504 -0.272 0.266 4.388 4.116 0.272 8.232 3.94
N 0.007 0.032 -0.202 -0.241 0.987 0.959 0.978 8.669 -8.698 -8.67 -0.216 0.367 4.443 4.227 0.216 8.454 3.97
O 0.056 0.029 -0.203 -0.214 0.986 0.933 0.98 8.581 -8.798 -8.581 -0.196 0.315 4.388 4.192 0.196 8.385 4.45
P 0.074 0.035 -0.212 -0.211 0.985 0.976 0.981 8.614 -8.817 -8.614 -0.128 0.444 4.371 4.243 0.128 8.486 4.14
Q 0.051 0.035 -0.207 -0.212 0.985 0.973 0.981 8.566 -8.817 -8.566 -0.121 0.366 4.343 4.222 0.121 8.445 4.48
R 0.052 0.033 -0.188 -0.21 0.986 0.979 0.98 8.397 -8.827 -8.398 0.255 0.459 4.071 4.326 -0.255 8.653 4.27
S -0.032 -0.071 0.002 0.148 0.946 0 0.935 9.816 -10.122 -9.817 -0.992 -0.931 5.404 4.412 0.992 8.825 -0.53
T 0.108 -0.276 -0.206 -0.207 0.952 0 0.99 8.326 -9.327 -8.327 -0.417 0.111 4.372 3.955 0.417 7.91 3.49
U 0.082 -0.284 -0.184 -0.2 0.934 0 0.985 8.283 -8.95 -8.283 -0.323 0.065 4.303 3.98 0.323 7.96 3.23
2. Com os dados da Tabela anterior faa: f
i. Um grfico de linhas para as variveis e verifique se existe algum
valor anmalo. Se existir voc dever remov-lo. >> plot(Sauto)
ii. Calcule o valor mdio de cada varivel. Qual varivel tem maior
valor e qual tem menor valor? >> Sbar=mean(S)
iii. Faa um grfico de barras das mdias calculadas no item 2. >>
bar(Sbar)
i C l l i i d d i l f fi d b Q l iv. Calcule a varincia de cada varivel e faa o grfico de barras. Qual
varivel apresenta maior varincia? >> VarS=var(S) >> bar(VarS)
v. Calcule o desvio padro de cada varivel e faa o grfico de barras.
vi Qual varivel apresenta maior desvio padro? vi. Qual varivel apresenta maior desvio padro?
vii. Faa um grfico de barras da varivel 17. Qual amostra apresenta
maior valor? >> bar(S(:,17)
viii. Voc julga necessrio autoescalar as variveis? Por qu?
ix Autoescale as variveis ix. Autoescale as variveis.
>> Sbar=mean(S)
>> stdS=std(S)
>> f j 1 17 >> for j=1:17
for i=1:20
Sauto(i,j)=(S(i,j)-Sbar(j))/stdS(j)
end
end
>> plot(Sauto) plot(Sauto)
x. Calcule as matrizes de covarincia e de correlao.
xi. Verifique se as matrizes so simtricas;
ii Q i i i t l i d iti t xii.Quais variveis esto correlacionadas positivamente;
xiii.Quais variveis esto correlacionadas negativamente;
xiv.Na matriz de correlao, interprete a diagonal principal.
>> CovarS=cov(S)
>> CorreS=corrcoef(S)
COMO FAZER COMPARAO COM UM VALOR DE
REFERNCIA?
Vamos supor que o valor mdio do cido actico exigido pela a legislao seja
de 4%. Suponha que foram feitas trs titulaes e os valores encontrados foram:
3.91; 4.01; 3.61. De acordo com essa anlise, o teor de cido actico na
amostra est de acordo com a legislao a nvel de 95% de confiana?
HIPTESES HIPTESES
H
0
: Hiptese Nula H
1
: Hiptese Alternativa
No existe diferena estatisticamente
significativa entre a mdia da
Os valores so
estaticamente diferentes
significativa entre a mdia da
amostra e o valor de referncia
f
Soluo
( )
1
3.91+ 4.01+3.61 3 843 0 2082 x . % s . % = = =
( )
( )
2
3.9 .0 3.6 3 8 3 0 08
3
4 303
x . % s . %
t . 95% de confiana

=
2 2
3 843 3 843 3 32 4 36
3 3
s s
. t . t . . < < + < <
Como o intervalo contm a mdia, no podemos rejeitar a hiptese nula,
isto , de acordo com nossa anlise, a amostra est dentro da legislao.
EXERCCIO
Um qumico est testando um novo mtodo para determinar ferro. Fazendo Um qumico est testando um novo mtodo pa a dete mina fe o. a endo
quatro anlises num padro certificado, cuja concentrao de referencia
14,3% em massa, 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%?
S l
( )
13 9 0.2 3 185
3
x . ; s= ; t . 95% = =
Soluo
3 3
0 2 0 2
13 9 3 182 13 9 3 182
4 4
13 6 14 2
s s . .
x t x t . . . .
N N
% %

< < + < < +


< < 13 6 14 2 . % . % < <
Como o intervalo no contm o valor de referncia 14.3%, podemos rejeitar a
hiptese nula e concluir que as quatro determinaes no provm de uma hiptese nula e concluir que as quatro determinaes no provm de uma
distribuio com mdia 14.3%. Portanto, a nova metodologia no possui a
exatido necessria.
COMO COMPARAR DUAS MDIAS
A tabela abaixo mostra cinco amostras enviadas por cinco fabricantes diferentes A tabela abaixo mostra cinco amostras enviadas por cinco fabricantes diferentes
para a determinao da concentrao de acido actico usando 2 tcnicas
diferentes: tcnica A e tcnica B.
Amostra Tcnica A Tcnica B d=A-B
1 3 77 3 62 0 15 1 3.77 3.62 0.15
2 3.85 3.69 0.16
3 4 07 4 10 0 03 3 4.07 4.10 -0.03
4 4.83 4.70 0.13
5 5.05 4.89 0.16
4.314 4.200 0.114
x
0.5871 0.5772 0.0814
s
Existe diferena estatisticamente significativa nas mdias
determinadas pelas duas tcnicas? p
Para resolvermos este problema, usaremos o teste t para a diferena de duas
mdias:
Primeiramente, determinamos a varincia e o desvio padro da diferena das
duas amostras:
2 2
2 2 2 2 2 2 2 2
1 1
1 1
A B 1 2
onde y x x
s s
a e a =
| |
+ + + +
|
= =
2 2 2 2 2 2 2 2
1 2
1 1
A B A B
y x x x x
A B A B
s a s a s s s s
N N N N
= + = + = + = +
|
\ .
y
B A
s s
N N
= +
Estamos supondo que as mdias no esto correlacionadas e que
as varincias e provm da mesma populao.
2
A
s
2
B
s
( ) ( )
A B A B
v
x x
t

( ) ( )
1 1
A B
v N N = +
1 1
v
A B
s
N N
+
2
A B
v N N = +
A B
Daqui chegamos ao intervalo de confiana:
( ) ( )
1 1
A B A B v
x x t s
N N
= +
A B
N N
Para fazermos uma estimativa conjunta do desvio padro s, procedemos assim: f j p p
( ) ( )
( ) ( )
2 2
2
1 1
4 0 5871 4 0 5772
0 5822
A A B B
N s N s
, ,
s , %
+
+
= = =
( ) ( )
1 1 4 4
A B
, %
N N + +
No nosso exemplo, temos
0 5822 s . % =
( ) ( )
8
1 1
4 314 4 200 0 5822
5 5
A B
. . t . = +
( ) ( )
( ) ( )
8
5 5
1 1
4 314 4 200 2 306 0 5822
A B
A B
. . . .

= +
( ) ( )
( ) | |
4 314 4 200 2 306 0 5822
5 5
0 114 0 849 0 735 0 963
A B
A B
. . . .
. % . % . %, . %


+
= =
Como o intervalo contm o valor zero, no podemos rejeitar a
hiptese nula, ou seja, no nvel de confiana de 95% no
podemos afirmar que exista diferena nas duas mdias obtidas
pelos dois mtodos. p
COMPARAES EMPARELHADAS
1. Na comparao anterior a origem da amostra pode afetar o resultado
da comparao;
2. A blocagem permite neutralizar essa influncia;
3. Na blocagem, cada amostra considerada como um bloco;
4. Fazemos anlise das diferenas d de cada amostra.
5. Na tabela anterior, fazemos um teste t da quarta coluna, ou seja, f q j
calculamos um intervalo de confiana para as mdias das diferenas. Se
o valor zero estiver dentro do intervalo de confiana, ento no existe
diferena, i.e., a mdia de d pode ser zero dentro da confiana
especificada. Se o valor zero no estiver dentro do intervalo calculado,
ento existe diferena entre as duas tcnicas.
s s
COMPARAES EMPARELHADAS
1 1
d d
N N
s s
d t d t
N N


< < +
4 4
5 5
0 0818 0 0818
d d
s s
d t d t < < +
0 0818 0 0818
0 114 2 776 0 114 2 776
5 5
0 014 0 215
, ,
, , , , < < +
| |
0 014 0 215
0 014 0 215
, ,
, %, , %
< <
Como o valor zero no est no intervalo, podemos afirmar que
existe uma diferena entre as duas tcnicas com nvel de existe uma diferena entre as duas tcnicas com nvel de
confiana de 95%.
MODO ALTERNATIVO PARA A COMPARAO EMPARELHADA
d d d d
s s s s
d t d t t d t < < + < <
1 1 1 1
d d
tabela
d
d
d
N N N N
d
o
d t d t t d t
N N N N
s
d
d


< < +

< <
1 1 1 1 1
tabelad
d
o
N N N N N
d t t
s
t
N N
t t

> > = <
O t tabelado tem que ser maior do que o t estimado para que o intervalo
contenha o zero. As duas tcnicas sero iguais quando =0% ( Hiptese nula),
i.e., o intervalo contm o valor zero. i.e., o intervalo contm o valor zero.
0 114 0
3 13
0 0814 5
d
d
, % %

t ,
s


= = =
0 0814 5
d
,
N
Para que o valor zero esteja no intervalo t tabelado deve ter o valor mnimo de
3 13 O valor tabelado para t (no nvel de confiana de 95%) 2 776 que 3,13. O valor tabelado para t
4
(no nvel de confiana de 95%) 2,776 que
menor do que o valor estimado 3,13. Logo, devemos rejeitar a hiptese nula,
=0%, de que no existe diferena entre as duas tcnicas.
EXERCCIO
Determinao do teor de colesterol em seis amostras de plasmas sanguneos,
did d i dif C d i dif d medidas por duas tcnicas diferentes. Cada amostra possui um teor diferente de
colesterol. O mtodo B apresenta um resultado menor do que o mtodo A em
cinco das seis amostras. Com 95% de confiana, o mtodo B sistematicamente
diferente do mtodo A? diferente do mtodo A?
Tabela . Teor de Colesterol (g/ml)
Amostra Mtodo A Mtodo B Diferena (d)
1 1.46 1.42 0.04
2 2.22 2.38 -0.16
3 2.84 2.67 0.17
4 1.97 1.80 0.17
5 1.13 1.09 0.04
6 2.35 2.25 0.10
Mdia 0.06
Soluo
1 1
5
0 06 0
1 20
0 1225 6
d
, gml / ml gml

t ,
s


= = =
5
0 1225 6
d
s
,
N
Como t
5
= 2,571 maior do que o estimado (1,20), no existe
diferena estatisticamente significante entre as duas tcnicas
l d f d 9 % a nvel de confiana de 95%.
EXERCCIO
O teor de -PbO
2
numa placa de bateria de automvel foi
determinado por espectroscopia de raios-X. Foram registrados
vrios espectros repetidos fazendo se (ou no) correo da 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?
Espectros
Com correo da
l h d b
Sem correo da
l h d b
d Espectros
linha de base linha de base
d
1 16.2 19.0 -2.8
2 16.7 19.8 -3.1
3 17.3 18.5 -1.2
EXERCCIO
rea sob a curva no
perodo de 0-8h
Voluntrio Medic. A Medic. B Diferena
1 12 761 10 983 1 778
A tabela ao lado mostra os resultados
para o teste de bioequivalncia de
um medicamento genrico A em
1 12.761 10.983 1.778
2 10.241 8.211 2.030
3 8.569 9.105 -0.536
4 13.321 12.508 0.813
relao ao medicamento de
referncia B. O teste usado foi a rea
sob curva da concentrao do
di t l
5 11.481 12.114 -0.633
6 14.061 11.520 2.541
7 12.287 11.983 0.304
8 14 696 14 454 0 242
medicamento no plasma sanguneo.
No nvel de confiana de 95%,
verifique se o medicamento A
bioequivalente ao medicamento B
8 14.696 14.454 0.242
9 12.526 11.246 1.280
10 9.060 10.740 -1.680
11 12.329 10.840 1.489
bioequivalente ao medicamento B.
12 13.244 13.818 -0.574
13 7.864 7.156 0.708
14 9.684 12.297 -2.613
15 11 811 12 279 -0 468 15 11.811 12.279 0.468
16 10.109 9.751 0.358
17 10.966 9.895 1.071
18 10.485 15.579 -5.094
19 11 899 9 296 2 603 19 11.899 9.296 2.603
20 13.200 16.163 -2.963
21 12.368 11.838 0.530
COMO COMPARAR DUAS VARINCIAS
1. O teste F usado para comparar duas varincias amostrais;
2. S faz sentido comparar varincias amostrais se forem estimativas de
uma mesma populao; uma mesma populao;
3. usada para distinguir se existe diferena significativa na preciso de
dois conjuntos de dados;
4. Compara-se a razo das varincias entre dois conjuntos de dados de
uma mesma populao:
2 2 2 2 2 2
2 2 2
A B A B
A A A
, v ,v
B B B
s s
F F
s s

=
Por conveno o maior valor
colocado no numerador
5. Quando F
calculado
> F
tabelado
, os dois conjuntos de dados apresentam
varincias com diferenas estatisticamente significativas.
EXEMPLO
Um qumico analtico novato fez 6 determinaes de Ca em calcrio Um qumico analtico novato fez 6 determinaes de Ca em calcrio,
encontrando uma mdia de 35,25% com um desvio de 0,34%. Um qumico
analtico experiente obteve 35,35% com um desvio de 0,25% realizando 5
determinaes. Existe diferena significativa na preciso dos dois analistas, com determinaes. Existe diferena significativa na preciso dos dois analistas, com
95% de confiana?
Soluo
2
6 1 5
0 34
1 85
novato
cal
,
F
= =

`
5 4
2
0 34
1 85
5 1 4
0 25
novato
cal
,
experiente
,
F ,
,


= =
`
= =
)
Valor tabelado F
5,4
= 6,26 (Olhar linha 4, coluna 5)
Como o valor calculado menor do que o tabelado, ento no existe
diferena na preciso, ou seja nos desvios padres.
EXERCCIO
Verifique se as varincias da tabela do slide 94 so estaticamente diferentes.
Soluo
2 2
0 5871 s
2
0 5871 s =
4 4
2 2
0 5871
1 035
0 5772
A
,
B
s ,
F ,
s ,
= = =
2
0 5871
0 5772
A
B
s ,
s ,
=
=
Como o valor tabelado para F
4,4
6,39 que maior que o valor
calculado (1,035 ) ento as varincias no so estatisticamente
diferentes. diferentes.
PLANEJAMENTO DE EXPERIMENTO OU
PLANEJAMENTO FATORIAL PLANEJAMENTO FATORIAL
Tem por objetivo determinar a influncia
dos fatores (variveis independes) sobre a
resposta do experimento
( varivel dependente).
PLANEJAMENTO FATORIAL
1. Cada fator analisado em vrios nveis; . Cada fato analisado em v ios nveis;
2. Nvel o valor (ou classe) que cada fator pode assumir no experimento;
3. Mtodo univariado (ou clssico): estuda um fator de cada vez, os outros
devem ser mantidos constantes. A interao entre os fatores no so
levados em conta;
4. Mtodo multivariado: todos os fatores estudados so variados ao mesmo 4. Mtodo multivariado: todos os fatores estudados so variados ao mesmo
tempo;
5. Efeito sinergtico: efeito de interao positiva, isto , o aumento de um
fator refora o outro; fator refora o outro;
6. Efeito antagnico: efeito de interao negativo.
7 Planejamento fatorial completo: os experimentos so realizados em 7. Planejamento fatorial completo: os experimentos so realizados em
todas as possveis combinaes de nveis dos fatores.
Planejamento fatorial 2
K
um planejamento fatorial de k fatores em dois nveis um planejamento fatorial de k fatores em dois nveis.
Planejamento fatorial completo 2
2
j f p
Planejamento fatorial completo 2
2
. Este tipo de planejamento simples de
executar e pode ser estendido para um planejamento mais sofisticado. til p p p j f
quando desejamos saber a influncia dos fatores na resposta.
EXEMPLO
Estudar a influncia da temperatura e do catalisador no rendimento de uma
EXEMPLO
Estudar a influncia da temperatura e do catalisador no rendimento de uma
reao.
Fatores: temperatura e catalisador
Nveis: T=40 e 60 (dois nveis); catal. Ae catal. B (dois nveis). Nveis: T 40 e 60 (dois nveis); catal. A e catal. B (dois nveis).
Resposta: Rendimento
Planejamento fatorial 2
2
Resultado do planejamento fatorial 2
2
para estudar o efeito da
Matriz de planejamento
Resultado do planejamento fatorial 2 para estudar o efeito da
temperatura e do catalisador sobre o rendimento de uma reao
Exp. Temperatura Catalisador Rendimento (%) Mdia (%)
1 40 - A - 57 61 59
2 60 + A - 92 88 90
3 40 - B + 55 53 54
4 60 + B + 66 70 68 4 60 + B + 66 70 68
Planejamento fatorial 2
2
Clculo dos efeitos principais dos fatores sobre a resposta
(rendimento)
a. Efeito principal da temperatura (T) por definio a mdia dos
efeitos da temperatura nos dois nveis do catalisador. efeitos da temperatura nos dois nveis do catalisador.
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
2 4 1 3
+ -
y y y y 90 68 59 54
= y y = 22 5
2 2 2 2
. %
+ + + +
= = T
Interpretao: o rendimento da reao aumenta 22,5%quando a temperatura
passa do seu nvel inferior (40
0
C) para seu nvel superior (60
0
C).
Planejamento fatorial 2
2
b. Efeito principal do catalizador (C) sobre a resposta por definio a
mdia dos efeitos do catalisador nos dois nveis da temperatura.
( ) ( ) ( ) ( )
68 54 90 59
( ) ( ) ( ) ( )
4 3 2 1
+ -
y y y y 68 54 90 59
= y y = 13 5
2 2 2 2
, %
+ + + +
= = C
Interpretao: o rendimento da reao diminui em mdia 13,5%quando
trocamos o catalisador A pelo catalisador B.
Planejamento fatorial 2
2
Efeito da interao (TC) entre a temperatura e a
concentrao: concentrao:
2 3 1 4
59 68 90 54
2 2 2 2
8 5%
y y y y + + + +
= = TC
TC 8, 5% = TC
Planejamento fatorial 2
2
ESTIMATIVA DO ERRO EXPERIMENTAL
Para que possamos determinar o erro experimental, os ensaios
devem :
i. ser feitos em replicatas. O corrente experimento foi
realizado em duplicata.
ii A ti d t ti ( d d ii. As repeties devem ser autenticas (todas as etapas dos
ensaios devem ser repetidas rigorosamente).
iii Os ensaios devem ser feitos em ordem aleatria iii. Os ensaios devem ser feitos em ordem aleatria
(aleatorizao).
ERRO PADRO ( ) DAS OBSERVAES
Planejamento fatorial 2
2
ERRO PADRO (s) DAS OBSERVAES
Pode ser obtido a partir da varincia das replicatas de cada amostra. Uma Pode ser obtido a partir da varincia das replicatas de cada amostra. Uma
estimativa conjunta ou total da varincia pode ser obtida a partir da
varincia de todas as replicatas, com grau de liberdade apropriado.
Ensaio (i) Varincia (i)
Grau de liberdade
( ) ( )

2
2
s = x x N 1
1
replicatas
N
1 8 1
( ) ( )
j
i j
s = x - x N - 1
1
replicatas
i i
= N
2 8 1
3 2 1
4 8 1
Planejamento fatorial 2
2
Varincia conjunta ou varincia total
a mdia ponderada das varincias dos ensaios pelos
respectivos graus de liberdade. uma estimativa conjunta da
varincia a partir de todas as replicas.
2 2 2 2
2
1 1 2 2 3 3 4 4
Conjunta
1 2 3 4
v s + v s + v s + v s
s =
v + v + v + v
1 2 3 4
2
Conjunta
18 + 18 + 12 + 18
s = = 6,5
1+ 1+ 1+ 1
Erro padro das respostas (rendimento da reao)
2
Conjunta
s = s = 6,5 = 2,55%
Planejamento fatorial 2
2
Clculo do erro padro de um efeito ou fator
Cada efeito a combinao linear de quatro valores :
y
Cada efeito a combinao linear de quatro valores :
( ) ( )

2 4 1 3
y + y y + y
1 1 1 1
T = y y = = y + y y y
i
y
( ) ( )


+ - 2 4 1 3
3 4 1 2
+ 3 4 1 2
T = y - y = - = y + y - y - y
2 2 2 2 2 2
y + y y + y
1 1 1 1
C = y - y = - = y + y - y - y
( ) ( )

+ - 3 4 1 2
1 4 2 3
1 4 2 3
C y y y + y y y
2 2 2 2 2 2
y + y y + y
1 1 1 1
TC = - = y + y - y - y
2 2 2 2 2 2
1 4 2 3
y y y y
2 2 2 2 2 2
Como as mdias dos ensaios se distribuem de maneira independente (repeties
Planejamento fatorial 2
2
autnticas e ordem aleatria) temos que coeficiente de correlao r(x
i
,x
j
) zero.
Alm disso, estamos considerando que as mdias dos ensaisos tem a mesma
varincia populacional das mdias, e a varincia populacional igual a
l b l l ( l d 117) varincia global ou total (slide 117).
Varincia da mdia do efeito temperatura T
( )
2 2 2 2 2
0
2
efeito i i i j i j i j
i j i
s a s a a s s r x , x
>
=
= +


1 2 3 4
2 2 2 2 2 2 2 2 2 2 2
1 2 3 4
2 2 2 2 2 2 2 2
1 2 3 4
i
i
efeito i y y y y y
efeito i y y
s a s a s a s a s a s
s a s a a a a s
= = + + +
(
= = + + +

( ) ( ) ( )
2 2 2
2
1 2 1 2 1 2
i
s

= + +
T
( )
2
2
1 2
1 1 1 1
y
s
(
+

| |
2 2 2
1 1 1 1
4 4 4 4
y y
s s s
| |
= + + + =
|
\ .
T
A i i d di l i i i l i l
Planejamento fatorial 2
2
A varincia das mdias relaciona com a varincia populacional atravs
da equao

2
2
y
=
NN
Usando a estimativa s
2
no lugar de
2
temos
2
6 5
2
2
6 5
3 25
2
Conjunta
efeito
Re plicatas
s
,
s ,
N
= = =
N o nmero de repeties (dois no nosso caso). O erro padro do efeito
com 2 graus de liberdade
2
6 5
1 80
2
Conjunta
efeito
s
,
s s , %
N
= = = =
T
2
f
N
Erro padro da mdia global
Planejamento fatorial 2
2
Erro padro da mdia global
2
6 5
s
2
2
6 5
0 8125
8 8
Conj
y
s
.
s , = = =
2
0 90
y y
s s , % = =
O nmero 8 porque o rendimento calculado a partir de 8 medidas. A
mdia global tambm uma combinao linear de todas as observaes
Planejamento fatorial 2
2
Intervalos de confiana para os valores dos efeitos
Com o erro padro podemos construir um intervalo de confiana para
os valores dos efeitos, usando a distribuio de student:

t s t s ou t s < < + =
efeito efeito efeito
t s t s ou t s

< < + =

l l d f l d d f

valor real de um efeito valor estimado de um efeito = =


onde onde
2 2
2
Conjunta Conjunta Conjunta
efeito efeito
s s s
s s
N N
N
= = =
efeito efeito
Re plicatas Re plicatas
Re plicatas
N N
N
Planejamento fatorial 2
2
Se
efeito

t s

>
Ento, no existe possibilidade de ser igual a zero. Neste caso o valor
calculado para o efeito do fator ser estatisticamente significativo no grau
de confiana usado para obter t

. f p

t s < Se
efeito
t s

<
Ento, existe possibilidade de ser igual a zero. Neste caso o valor
calculado para o efeito do fator ser estatisticamente insignificante
Se
calculado para o efeito do fator ser estatisticamente insignificante.
Planejamento fatorial 2
2
Mdia Global
67 75 0 9 , , %
Interpretao
Efeito principal da
temperatura: T
f l d
67 75 0 9 , , %
22 5 1 8 , , %
Efeito principal do
Catalisador: C
Efeito da interao TC
13 5 1 8 , , %
8 5 1 8%
Efeito da interao TC
8 5 1 8 , , %
4
2 776 1 8 5 0
efeito
t s , , % , % = =
estatisticamente significante, com 95% de confiana, um efeito
cujo valor absoluto for superior a 5,0% . Neste caso, o intervalo no
l l Ob d b l d
4 efeito
incluir o valor zero. Observando a tabela anterior, vemos que todos
so significativos.
Planejamento fatorial 2
2
+14
68 54
B
-5 -22
59 90
A
+31
40 60
Planejamento fatorial 2
2
ALGORITMO PARA O CLCULO DOS EFEITOS
1 Escrever a matriz de planejamento substituindo os valores nmeros 1. Escrever a matriz de planejamento, substituindo os valores nmeros
pelos sinais algbricos de nveis equivalentes:
T C T C
40 A


( (
40 A
60 A
40 B
( (
( (
+
( (
=
( (
40 B
60 B
( (
+
( (
+ +

ALGORITMO PARA O CLCULO DOS EFEITOS
2. Incluir uma coluna com sinais positivos, relativo mdia e outra
coluna cujos sinais so os produtos de T e C.
M T C TC
+ +
(
(
+ +
(
+ +
(
=
(
+ +
(

X
(
+ + + +

X uma matriz chamada de tabela de coeficiente de contraste.
ALGORITMO PARA O CLCULO DOS EFEITOS
3. Incluir a unidade em cada linha de X, para que possamos usar
o MATLAB/OCTAVE
M T C TC M T C TC
1 1 1 1
1 1 1 1

+ +
(
(
1 1 1 1
1 1 1 1
(
+ +
(
(
+ +
(
1 1 1 1
(
+ + + +

ALGORITMO PARA O CLCULO DOS EFEITOS
4. Cada efeito calculado como o produto escalar entre o referente
vetor coluna de X e o vetor das respostas (y) e dividindo o
resultado pelo nmero adequado ( no caso de um planejamento 2
2
dividir por 2 para calcular os efeitos e por 4 para calcular a
mdia).
C
1 59
1 90
X y
1 54

( (
( (

( (
= =
( (
C
y
1 54
1 68
59
( ( +
( (
+

(
(
| |
t t
C C
1
90
1 1 1
C X y = X y = 1 1 1 1 13 50
54 2 2 2
68
k
,

(
(
= + + =
(
(

ALGORITMO PARA O CLCULO DOS EFEITOS
Generalizando para outros planejamentos de 2 nveis
t
E
1
:
1
E
2
k
Clculo dos efeitos

= X y
1
t
M
:
2
1
M ,
2

k
k
Clculo da mdia = X y
onde o nmero de fatores. k
ALGORITMO PARA O CLCULO DOS EFEITOS
Calculando a mdia e todos os efeitos conjuntamente
1 1 1 1 59 271
1 1 1 1 90 45
+ + + +
( ( (
( ( (
1 1 1 1 90 45
1 1 1 1 54 27
1 1 1 1 68 17
t
X Y
( ( (
+ +
( ( (
= =
( ( (
+ +
( ( (
+ +

1 1 1 1 68 17
M 271 4 67 75
T 45 2 22 5
,
,
+ +

( ( (
( ( (

( ( (
T 45 2 22 5
C 27 2 13 5
TC 17 2 8 5
,
,
,

( ( (
= =
( ( (

( ( (


5. Construo do modelo emprico
ALGORITMO PARA O CLCULO DOS EFEITOS
0
M T C TC
b 1 1 1 1

59 + +
( ( (
( ( (
1
2
12
b 1 1 1 1
X b = y =
b 1 1 1 1
b 1 1 1 1
90

54
68
( ( (
+ +
( ( (
=
( ( (
+ +
( ( (
+ + + +
12
-1 -1 -1
b 1 1 1 1
= = = =
68
67.75
11.25
6 75
+ + + +

(
(
(

(
X b y X X b X y b X y
( )
T T T C C C

b b b b
-6.75
-4.25
(
(

y y y
( )
( )
0 1 2 12
T, C 67 75 11 25T- 6, 75C- 4, 25
T, T
C
T C C
T
C

y ,
y b b b b
,
= +
=
+ +
+
| | ( )
T, C 1 0 1 1 1 0 1 1
67 75 11 25 T- 6.75*C- 4.25*T*C
meshgrid : . : , : . :
Z . . *
=
= +
Grfico:
( )
( ) ( )
67 75 5 6.75 C . 5 C . .
mesh T,C,Z
grid on; xlabel ' Temperatura' ; ylabel ' Catalisador' ;
( ) ( )
( ) ( )
g ; p ; y ;
zlabel ' Re d.%' ; title ' Planejamento fatorial'
Resumo do algoritmo para estimar o erro padro dos efeitos
( )
( )
( )
Varincia de cada ensaio replicatas : 1-

2
2
i j
s = x - x N - 1
( )
2
j
i i 2
total
i
Varincia conjunta ou total: 2-
s
s =

j
( )
2
2 1
2
i
2
efeito total
k
Varincia dos efeitos:
1 NE
s 3- = s
NR

| |

|
\ .

E 4-
2
efeito efeito
2
total
rro padro dos efeitos: s s
s

5
=
6
total
mdia
NE efeito
Erro padro da mdia geral
Signific calcular ncia dos efeitos
s
NE NR
t s
5- :
- :
=

NE efeito
feito calcu ento o efeito es lado > , t e t s Se
NE efeito
atisticamente significativo
ento o efeito estatisticamente significativo
d
feito calculad
d l
o < , e s Se t no
=Nmero de experimentos ou ensaios; =Nmero de replicata N s;
= Grau de liber
E
dade
NR
de cada ensaio; Replicata do ensaio; = Nmero de fato
j
. x k res =
EXERCCIO
O d d b i f d i i i l d i Os dados abaixo se referem ao tempo de pega inicial do gesso, isto , o
tempo em que o gesso comea a endurecer depois que o p misturado
com a gua. Os ensaios foram realizados em duplicata e em ordem
aleatria Determine todos os efeitos e seus erros padro interprete os aleatria. Determine todos os efeitos e seus erros padro, interprete os
resultados e construa um modelo.
Fator 1: Granulometria: 100 150 mesh ( ) 150 200 mesh (+) Fator 1: Granulometria: 100-150 mesh (-), 150-200 mesh (+)
Fator 2: gua residual: 6,6% (-), 7,5% (+)
i
Fator 1 Fator 2 Resposta
1 - - 12.33 13.00 12.67 0.224
2 + 10 52 10 57 10 55 0 0013
i
x
2

s
2 + - 10.52 10.57 10.55 0.0013
3 - + 10.33 9.75 10.04 0.168
4 + + 9.00 8.92 8.96 0.0032
Planejamento fatorial 2
3
Seja a influncia de trs fatores sobre o rendimento da reao conforme Seja a influncia de t s fato es sob e o endimento da eao confo me
indicado na tabela abaixo.
Fatores (-) (+)
Fator 1 -Temperatura (
o
C) 40 60
Fator 2 - Catalisador (Tipo) A B Fator 2 - Catalisador (Tipo) A B
Fator 3 Conc. de um reagente (M) 1,0 1,5
Ensaio 1 2 3 Rendimento (%) Mdia Ensaio 1 2 3 Rendimento (%) Mdia
1 - - - 56 52 54,0
2 + - - 85 88 86,5
3 - + - 49 47 48 0 3 - + - 49 47 48,0
4 + + - 64 62 63,0
5 - - + 65 61 63,0
6 + + 92 95 93 5 6 + - + 92 95 93,5
7 - + + 57 60 58,5
8 + + + 70 74 72,0
Planejamento fatorial 2
3
Num planejamento fatorial completo, quantos experimentos ou ensaios
precisamos fazer?
8
3
Nmeros de experimentos = 2 =
Mdia 1 2 3 12 13 23 123
+ - - - + + + - 54.0
y
+ + - - - - + + 86.5
+ - + - - + - + 48.0
+ + + - + - - - 63 0 + + + + 63.0
+ - - + + - - + 63.0
+ + - + - + - - 93.5
+ + + + 58 5 + - + + - - + - 58.5
+ + + + + + + + 72.0
Planejamento fatorial 2
3
1 -1 -1 -1 1 1 1 -1
1 1 1 1 1 1 1 1
M 1 2 3 12 13 23 123
54.0
86 5
( (
( (
1 1 -1 -1 -1 -1 1 1
1 -1 1 -1 -1 1 -1 1
1 1 1 1 1 1 1 1
86.5
48.0
63 0
( (
( (
( (
( (
( (
= X
1 1 1 -1 1 -1 -1 -1
1 -1 -1 1 1 -1 -1 1
1 1 1 1 1 1 1 1
63.0
y=
63.0
93 5
( (
( (
( (
( (
1 1 -1 1 -1 1 -1 -1
1 -1 1 1 -1 -1 1 -1
1 1 1 1 1 1 1 1
93.5
58.5
72 0
( (
( (
( (
( (

1 1 1 1 1 1 1 1 72.0
( (

Cl l d f d d l
Planejamento fatorial 2
3
Clculo dos efeitos principais e da mdia geral
t
E
1
:
1
E
2
k
Efeitos

= X y
t
M
:
2
1
M ,
2

k
onde k o nmero de fatores. Mdia = X y
538.5000 538.5000 8
91.5000 91.5000 4

(
(

(
67,31
22,88
( ( (
( ( (
( ( (
M
1
-55.5000 -55.5000 4
35.5000 35.5000 4
-34 5000 -34 5000 4
(
(

(

(

(

T
X *y =
-13,88
8,88
-8 63
( ( (
( ( (
( ( (
( ( (
=
( ( (
2
3
12 34.5000 34.5000 4
-3.5000 -3.5000 4
3.5000 3.5000 4
(

(

(
(

(
(
8,63
-0,88
0,88
( ( (
( ( (
( ( (
( ( (
( ( (
( ( (
12
13
23
0.5000
(

0.5000 4 -0,13
( ( (

123
Estimativa dos erros dos efeitos e da mdia
Planejamento fatorial 2
3
2
NE NE
2
total i i i
i=1 i=1
1- Varincia Conjunta ou total: s = s

2
18+14, 5+12 +12 +18+14, 5+14, 5+18
1+1+1+1+1+1+1+1
1 1
2
2
total
1 NE
s
| |
= = 5, 2
( )
2
2 1
1 1
5 2
2
2 2
2
efeito total
k
2- Varincia dos efeitos:
1 NE
s = s
N
,
R

| |

|
\
= =
.
1
1 30
2
efeito efeito
3- Erro padro dos efeitos: s s
%
, % = = =
, 30
1,14
8 2
f f
2
total
mdia
4- Erro padro da mdia geral
s
s
N
5
E NR
,2
: % = =

0, 57
8
2 306 1 14
NE efeit efeito o
5- Significncia dos efeitos , , 95% de co : t s t s = = = 2, 63 ( )
%
nfiana
, ento o efeito estatisticamente significativ feito calculado > o Se
S
e 2, 63
% feito calculado ento o efeito estatisticamente significa < , tivo Se e 2, 63 no
Resumo
Planejamento fatorial 2
3
Mdia 63,30,57
Ef it i i i
Resumo
Efeitos principais
1 (Temperatura) 22,91,14
2 (Catalisador) -13,91,14 ( ) , ,
3 (Concentrao) 8,91,14
Interaes
12 8 61 14 12 -8,61,14
13 -0,91,14
23 0,91,14
Os valores em vermelho no so estatisticamente significativos pois so menores do
123 0,11,14
Os valores em vermelho no so estatisticamente significativos, pois so menores do
que 2,63%.
CONSTRUO DO MODELO ESTATISTICO
Planejamento fatorial 2
3
CONSTRUO DO MODELO ESTATISTICO
( ) ( )
1 2 3 0 1 1 2 2 3 3 12 1 2 13 1 3 23 1 2 123 1 2 3 1 2 3

y x , x , x b b x b x b x b x x b x x b x x b x x x x , x , x = + + + + + + + +
0
1
b
67.3
b
11.4
(
(
(
(
(
(
(
(
Os coeficientes b
13
, b
23
e b
123
no so significantes e podem
1
2
3
b
-6.9
b 4.4
b X y
b 4 3

(
(
(
(
(
(
(
= =
(
(
no so significantes e podem
ser omitidos.
12
13
23
b -4.3
-0.4 b
0.4
b
(
(
(
(
(
(
(
(
(
(
23
123
0.1
b
(
(
(
(


( )
1 2 3 1 2 3 1 2
67 3 11 4 6 9 4 4 4 3

y x , x , x , , x , x , x , x x = + +
A tabela abaixo mostra o rendimento da reao de sntese do polipirrol
Planejamento fatorial 2
3
tabela abaixo most a o endimento da eao de sntese do polipi ol
em uma 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.
l l l fl possvel antecipar qual ser a varivel com maior influncia no
rendimento?
Ensaio t C P Rendimento % y
2
s
Ensaio t C P Rendimento %
1 - - - 4.39 4.73 4.56 0.058
2 + - - 6.21 5.75 5.98 0.106
3 - + - 14.51 13.45 13.98 0.562
i
y
i
s
3 .5 3. 5 3.98 0.56
4 + + - 19.57 21.11 20.34 1.186
5 - - + 2.09 1.93 2.01 0.013
6 + - + 3.15 3.39 3.27 0.029
7 - + + 11.77 12.69 12.23 0.423
8 + + + 19.40 17.98 18.69 1.008
Planejamento fatorial 2
4
No experimento anterior vamos incluir um quarto fator, i.e., o PH da
mistura reacional. Neste caso, devemos fazer um planejamento fatorial de
dois nveis e quatro fatores
F t ( ) (+)
dois nveis e quatro fatores.
Fatores (-) (+)
1. Temperatura (
0
C) 40 60
2. Catalisador (tipo) A B
3 Concentrao (M) 1 0 1 5 3. Concentrao (M) 1,0 1,5
4. pH 7,0 6,0
Nmero de ensaios: 2 2 2 2=16
Planejamento fatorial 2
4
Ensaio 1 2 3 4 Resposta y
1 - - - - 54
Nmero de ensaios: 2.2.2.2 16
2 + - - - 85
3 - + - - 49
4 + + - - 62
5 + 64 5 - - + - 64
6 + - + - 94
7 - + + - 56
8 + + + - 70 8 + + + - 70
9 - - - + 52
10 + - - + 87
11 - + - + 499
12 + + - + 64
13 - - + + 64
14 + - + + 94
15 - + + + 58
16 + + + + 73
Planejamento fatorial 2
4
M 1 2 3 4 12 13 14 23 24 34 123 124 134 234 1234 y
+ - - - - + + + + + + - - - - + 54
+ + - - - - - - + + + + + + - - 85
+ - + - - - + + - - + + + - + - 49
+ + + - - + - - - - + - - + + + 62
+ - - + - + - + - + - + - + + - 64
+ + + + + + + + 94 + + - + - - + - - + - - + - + + 94
+ - + + - - - + + - - - + + - + 56
+ + + + - + + - + - - + - - - - 70
+ - - - + + + - + - - - + + + - 52 + - - - + + + - + - - - + + + - 52
+ + - - + - - + + - - + - - + + 87
+ - + - + - + - - + - + - + - + 49
+ + + - + + - + - + - - + - - - 64 6
+ - - + + + - - - - + + + - - + 64
+ + - + + - + + - - + - - + - - 94
+ - + + + - - - + + + - - - + - 58
+ + + + + + + + + + + + + + + + 73
Planejamento fatorial 2
4
M 1 2 3 4 12 13 14 23 24 34 123 124 134 234 1234 y
1 -1 -1 -1 -1 1 1 1 1 1 1 -1 -1 -1 -1 1 54
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 85 1 1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 -1 -1 85
1 -1 1 -1 -1 -1 1 1 -1 -1 1 1 1 -1 1 -1 49
1 1 1 -1 -1 1 -1 -1 -1 -1 1 -1 -1 1 1 1 62
1 -1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 1 -1 64 1 -1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 1 -1 64
1 1 -1 1 -1 -1 1 -1 -1 1 -1 -1 1 -1 1 1 94
1 -1 1 1 -1 -1 -1 1 1 -1 -1 -1 1 1 -1 1 56
1 1 1 1 -1 1 1 -1 1 -1 -1 1 -1 -1 -1 -1 70
1 -1 -1 -1 1 1 1 -1 1 -1 -1 -1 1 1 1 -1 52
1 1 -1 -1 1 -1 -1 1 1 -1 -1 1 -1 -1 1 1 87
1 -1 1 -1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 1 49
1 1 1 -1 1 1 -1 1 -1 1 -1 -1 1 -1 -1 -1 64
1 -1 -1 1 1 1 -1 -1 -1 -1 1 1 1 -1 -1 1 64
1 1 -1 1 1 -1 1 1 -1 -1 1 -1 -1 1 -1 -1 94
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 58 1 -1 1 1 1 -1 -1 -1 1 1 1 -1 -1 -1 1 -1 58
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 73
Como os ensaios no foram feitos em duplicatas temos que usar
Planejamento fatorial 2
4
67.1875
22.8750
(
(
(
(
M
1
(
(
(
(
Como os ensaios no foram feitos em duplicatas, temos que usar
uma outra maneira para determinar o erro experimental.
Consideraremos significativos os EFEITOS PRINCIPAIS e as
INTERAES DE DOIS FATORES. As interaes de trs e
-14.1250

0.8750
8.8750

(
(
(
(
(
2
3
4
(
(
(
(
(
quatro fatores sero consideras como erros ou rudos.
Varincia dos efeitos e erro padro dos efeitos e da mdia:
2 2 2 2 2
-0.6250
0.8750
-8.6250


(
(
(
(
(
=
(
12
13
14
(
(
(
(
(
(
( ) ( ) ( ) ( ) ( )
2 2 2 2 2
2
2
0, 875 0,125 0, 625 0, 375 0, 375
0, 291
5
0, 54
efeito
efeito efeito
s
s s
+ + + +
= =
= =
-0.6250
0.8750
0.3750

=
(
(
(
(
(
23
24
34
(
(
(
(
(
2
total
0
N
, 54
0,184
N 16 1 E R
mdia
s
s =

= =

0.
(
(
(
(
(
(
123
124
134
8750
-0.1250
-0.6250
(
(
(
(
(
(
Estimativa da significncia dos efeitos principais e das
interaes com 5 graus de liberdade
*
e 95% de confiana:
t 2 5710 54 1 39
(
(
(

234
1234
0.3750
0.3750
(
(
(

5 efeito
t s = 2, 5710, 54 = 1, 39
*Usamos 5 valores para calcular s
efeito
67.1875
(
(
0
b
(
MODELO ESTATSTICO
67.1875
11.4375
-7.0625
4.4375
(
(
(
(
(
0
1
2
3
b
b
b
(
(
(
(
(
(
4.4375
0.4375
-4.3125
-0.3125
(
(
(
(
(
(
3
4
12
13
b
b
b
67.1875
(
(
(
(
(
(
(
(
(
(
0
b
0.4375
-0.3125
0.437
(
(
=
(
(
(
(
13
14
23
24
b
b
b
11.4375
-7.0625
4.4375
5
4 312
(
(
(
(

(
(
=
(
(

(
(

(
(

(
1
2
3
b
b
b
(
(
(
(
(
(
(
(
(
(
(
24
34
123
124
b
b
b
-4.3125
0.1875
0.4375
-0.0625
(
(

(

(
(
(
(
12
b
(
(
(
(
(
(
(

124
134
234
1234
b
b
b
b
-0.3125
0.1875
0.1875
(
(
(
(
(

(
1234
b
67.1875+11.4375T-7.0625 +4.4375 -4.3125 y Catal Conc. T Catal =
EXERCCIO
D d f fl f d d Deseja-se estudar os fatores que influenciam a funo de onda no
clculo da freqncia de estiramento do C-H na molcula de CH3F.
Os fatores escolhidos foram: f f
Fatores - + Fatores +
1 Conjuto de base 6-31G 6-311G
2 Funes de polarizao Ausentes Presentes
3 Funes difusas Ausentes Presentes
4 C l l i H F k MP2 4 Correlao eletrnica Hartre-Fock MP2
PLANEJAMENTO FATORIAL 2
4
Ensaio 1 2 3 4 Resposta
1 - - - - 3245,6
2 + - - - 3212 4 2 + 3212,4
3 - + - - 3203,5
4 + + - - 3190,3
5 - - + - 3251,7 ,
6 + - + - 3209,4
7 - + + - 3214,9
8 + + + - 3193,5
9 - - - + 3096,2
10 + - - + 3049,3
11 - + - + 3132,8
12 + + + 3087 6 12 + + - + 3087,6
13 - - + + 3105,0
14 + - + + 3050,4
15 + + + 3143 5 15 - + + + 3143,5
16 + + + + 3093,5
PLANEJAMENTO FATORIAL FRACIONRIO
Tem como objetivo selecionar as variveis mais importantes em
determinado processo com um custo mnimo.
FRAO MEIA
Num planejamento fracionrio meia s realizamos metade dos
ensaios que faramos se fizssemos um planejamento fatorial
l C d h completo. Com isto, economizamos tempo e dinheiro para
fazermos um pr-seleo dos fatores mais importantes.
EXEMPLO
Um pesquisador deseja otimizar um procedimento analtico para determinar
traos de Mo em plantas. O mtodo escolhido foi a ao cataltica do Mo(IV)
sobre a oxidao do on iodeto pelo H
2
O
2
. De todos fatores importantes para
o sinal analtico foram escolhidos pelo pesquisador as concentraes da
H
2
O
2
, H
2
SO
4
, KI em mols/dm
3
e o tempo de reao destas espcies:
Fator (-) (+)
1 [H SO ] 0 016 0 32 1 [H
2
SO
4
] 0,016 0,32
2 [KI] 0,015 0,030
3 [H O ] 0 0020 0 0040 3 [H
2
O
2
] 0,0020 0,0040
4 Tempo (s) 90 130
Resultado do planejamento fatorial 2
4
completo para estudar a
ao cataltica do Mo(IV)
Ensaio 1 2 3 4 Resp*.
1 - - - - 52
2 + 61
ao cataltica do Mo(IV).
2 + - - - 61
3 - + - - 124
4 + + - - 113
5 + 85 5 - - + - 85
6 + - + - 66
7 - + + - 185
8 + + + - 192 8 + + + 192
9 - - - + 98
10 + - - + 86
11 - + - + 201
12 + + - + 194
13 - - + + 122
14 + - + + 139
15 - + + + 289
16 + + + + 286
143.3125
-2.37
109 3750
50
(
(
(
(
M
1
2
(
(
(
(
Ob f 2 3
109.3750
54.3750
67 1250
(
(
(
(
2
3
4
(
(
(
(
Observa-se que apenas os fatores 2, 3
e 4 e as interaes 23 e 24 so
realmente importantes.
-1.1250
2.8750
67.1250
(
(
(
(
(
4
12
13
(
(
(
(
(
p
1.1250
25.6250
(
(
=
(
(
(
14
23
(
(
(
(
(
9.8750
2 6
21.8750 (
(
(
(
24
34
123 250
(
(
(
(
2.6
(
(
(
(
(
123
124
134
250
-2.6250
5.3750
(
(
(
(
( (
(
(

134
234
1234
5.3750
0.1250
-8.8750
(
(
(

Como construir um planejamento fatorial meia, denotado por 2
4-1
?
Procedimento
1.Construir um planejamento completo para os fatores 1, 2 e 3;
2.Atribuir ao fator 4 o produto dos sinais das colunas 1, 2 e 3.
Ensaio M 1 2 3 4 12 13 14 23 24 34 Resp*.
1 + + + + + + + 52 1 + - - - - + + + + + + 52
2 + + - - + - - + + - - 86
3 + - + - + - + - - + - 201
4 + + + + + 113 4 + + + - - + - - - - + 113
5 + - - + + + - - - - + 122
6 + + - + - - + - - + - 66
7 + + + + + 185 7 + - + + - - - + + - - 185
8 + + + + + + + + + + + 286
M
138 8750
(
(
143.3125
-2.3750
(
(
(
M
1
(
(
(
1
M
138.8750
-2.2500
114 7500
l
l
(
(
(
(
(
(
(
(
109.3750
54.3750
(
(
(
(
(
2
3
(
(
(
(
( 2
3
4
114.7500
51.7500
69.7500
l
l
l
(
(
(
(
(
(
(
(
(
(
67.1250
-1.1250
2.8750
(
(
(
(
(
4
12
13
(
(
(
(
(
12 34
Observe que
l l
l l
=
4
12
13
2
8.75
4.7500
00 l
l
(
(
=
(

(

(

(
(
(
1.1250
25.6250
(
(
=
(
(
(
14
23
(
(
(
(
(
13 24
14 23
l l
l l
=
=
14
23
26.7500
26.7

500
l
l
(

(

(

(

(

(
(
(
(
(
21.8750
9.8750
2.6
(
(
(
(
(
24
34
123 250
(
(
(
(
(
No podemos medir
essas interaes com
um planejamento meia,
pois esto confundida . s
24
34
24.7
8.7500
500
l
l

(

(

(

(
(
(
(
(
(
(
(
124
134
-2.6250
5.3750
(
(
(
(
(
(
(
(

234
1234
0.1250
-8.8750
(
(
(

Vamos representar a coluna de sinais por nmeros, por exemplo,
1 l d i i d f 1 A 123 1 representa a coluna de sinais do fator 1. A notao 123
representa a coluna de sinais obtida pela multiplicao das
colunas correspondentes aos trs primeiros fatores. Assim, p p f
4=123
Propriedades:
Identidade: 11=22=33=44=I;
A i i id d 123 (12)3 1(23) (23)1 2(31) Associatividade: 123=(12)3=1(23)=(23)1=2(31)=
A relao 4=123 ou I=1234 chamada de geratriz ou relao
geradora. Com essas relaes podemos prever quais contrastes
estaro confundidos:
Relaes entre os contrastes da meia frao 2
4-1
e os
f i d f i l l 2
4
M di d d efeitos do fatorial completo 2
4
. M a media de todas as
respostas.
1=234 l =l 1+234 1=234 l
1
=l
234
1+234
2=134 l
2
=l
134
2+134
3=124 l =l 3+124 3=124 l
3
=l
124
3+124
4=123 l
4
=l
123
4+123
12=34 l l 12+34 12=34 l
12
=l
34
12+34
13=24 l
13
=l
24
13+24
14 23 l l 14+23 14=23 l
14
=l
23
14+23
I=1234 l
I
M+(1/2)1234
A notao l
12
=l
34
12+34 enfatiza o fato que o contraste l
12
i d f i d f 12 34 N l estima a soma dos efeitos dos fatores 12 e 34. No nosso exemplo
temos que:
12=-1,13
34=9,88
12+34=-1,13+9,88=8,75= l
12
=l
34
=8,75
A RESOLUO de um planejamento fatorial fracionrio igual
ao nmero de fatores usados na menor relao geradora. No
exemplo acima, o fatorial de resoluo IV, pois I=1234 p , f , p
4-1
IV
2
Planejamento fatorial meia de resoluo IV.
IV
2
Exerccio para ser entregue na prxima aula
O quadro abaixo mostra uma tentativa de otimizar uma reao orgnica.
Analise esse planejamento fatorial meia e interprete os resultados Quais Analise esse planejamento fatorial meia e interprete os resultados. Quais
contrastes esto confundidos?
Fator (-) (+) ( ) ( )
1 Temperatura Ambiente Refluxo
2 Base K
2
CO
3
/NaOH K
2
CO
3
3 Solvente CH
2
Cl
2
CH
3
CN 3 Solvente CH
2
Cl
2
CH
3
CN
4 Catalisador Nenhum TEBA
Ensaio M 1 2 3 4 Rendimento Ensaio M 1 2 3 4 Rendimento
1 + - - - - 0
2 + + - - + 70
3 + - + - + 65 3 + + + 65
4 + + + - - 0
5 + - - + + 100
6 + + + 85 6 + + - + - 85
7 + - + + - 50
8 + + + + + 95
RELATIVO AO EXERCCIO ANTERIOR, RESPONDA:
1. Qual a relao geradora?
2. Quais contrastes de dois fatores esto confundidos?
3. Quais contrastes de trs fatores esto confundidos?
4. Os efeitos principais esto confundidos com quem?
5 Que concluses voc tira desses resultados? 5. Que concluses voc tira desses resultados?
5-2
III
2
PLANEJAMENTO FATORIAL FRACIONRIO DE FRAO QUARTA
III
Fator (-) (+)
Anlise de uma frao para o estudo da resposta cataltica do Mo(VI).
5-2
III
2
1 [H
2
SO
4
] 0,016 0,32
2 [KI] 0,015 0,030
3 [H
2
O
2
] 0,0020 0,0040 3 [H
2
O
2
] 0,0020 0,0040
4 Tempo (s) 90 130
5 Fluxo (ml/min) 1,2 3,0
MATRIZ DE CONTRASTES
Ensaio M 1 2 3 4 5 Resposta
1 + - - - - + 52
2 + + + 92 2 + + - - + - 92
3 + - + - + - 198
4 + + + - - + 113
5 + - - + + + 122
6 + + - + - - 76
7 + - + + - - 189 7 189
8 + + + + + + 286
Relaes geradoras Relaes geradoras
4=123 e 5=12 ou I=1234 e I=125
Resoluo 3, pois a menor relao geradora tem 3 fatores.
MODELOS EMPRICOS
So modelos (equaes) que relacionam os fatores com as ( q ) q f
respostas. Os modelos construdos anteriormente foram
feitos considerando apenas dois nveis das variveis feitos considerando apenas dois nveis das variveis.
Embora, levassem em considerao a interao entre as
i i d l id d i i d variveis, o modelo que considera apenas dois nveis pode
no descrever bem a situao. Os modelos que criaremos
agora levaro em conta uma quantidade maior de pontos.
Como exemplo vamos modelar a variao do rendimento da
reao em funo da temperatura, na faixa 40 60
0
C, com o
catalisador A .
Temperatura (
0
C) 40 45 50 55 60
Rendimento (%) 60 70 77 86 91
O primeiro passo fazer um grfico dos dados para ver qual O primeiro passo fazer um grfico dos dados para ver qual
tipo de grfico se ajusta aos dados.
Rendimento da reao em funo da temperatura
Comandos do Matlab/octave
>> plot(x,y,*')
Os dados do grfico se ajustam a uma equao linear, onde cada ponto dado
por

b bT + +
1 0 1 1 1
2 0 1 2 2

y b bT
y b bT

= + +
= + +
0 1

n n n
y b bT = + +
#
0 1 n n n
y
Em notao matricial, temos

1 y T
( ( (
1 1 1
2 2 2
1

1
y T
y T
b

( ( (
( ( (
( ( (
(
( ( (
0
3 3 3
1
4 4 4

1

1
b
y T
b
y T

( ( (
(
( ( (
= +
(
( ( (

( ( (
y = T b +
4 4 4
5 5 5

1
y
y T
( ( (
( ( (

O mtodo mais utilizado para fazer o ajuste o mtodo dos mnimos quadrados
que minimiza os erros. Isso pode ser feito do seguinte modo:
0 1

i i
y b bT = +
( ) ( )
0 1
2 2
2
0 1

i i
i i i i i
y b b
e y y y b bT = =

( )
( )
2
0 1
2 0
i
i i
e
y b bT

= =


( )
( )
0 1
0
2
0
i i
y b b
b
e

( )
( )
0 1
1
2 0
i
i i i
e
T y b bT
b

= =


0 1 i i
nb b T y

+ =


0
2
0 1
i i
i i i i
b T b T T y

+ =


Isolando b
0
na primeira equao e substituindo na segunda,
temos
1
0 1
i i
y b T
b y bT
n


= =


i i
i i
n
T y
T y

( )
1
2
2
i
n
b
T
T

i
T
n


b b T


O sistema abaixo pode ser escrito sob a forma de matriz:
0 1
2
0 1
i i
i i i i
nb b T y
b T b T T y
+ =

+ =



0
2
i i
n T y b
T T T y b

( (
(
=
( (
(




1 i i i i
T T T y b



1
1 T
(
(
Observe que, se
n
1 T
(
(
(

T = # #
ento
2

i i
i i i i
n T y
e
T T T y
( (
= =
( (



t t
T T T y
i i i i
y


ento, =
t t
T T b T y
No nosso caso, temos que
1 1
1 y T
( (
( (
2 2
0
3 3
1
1
y T
b
y T
( (
( (
(
( (
= = =
(
T b y
3 3
1
4 4
1
1
y T
b
y T
( (
(
( (

( (
( (
T b y
5 5
1 y T
( (

= T b y +
A equao
0 1
y b bT = + +
em notao matricial
T b y +
Para encontrarmos a equao de regresso devemos encontrar o vetor de a a encont a mos a equao de eg esso devemos encont a o veto de
regresso b:
T b =
=
t t
T b
T T b T
y
y
( ) ( ) ( )
=
-1 -1
t t t t
T T T T b T T T
y
y
( )
=
-1
t t
I b T T T y
( )
=
-1
t t
b T T T y
Usando este procedimento no nosso exemplo
60
(
(
1 40
(
(
70
77
(
(
(
y =
1 45
1 50
(
(
(
T =
-1.2000
(
(
b =
77
86
(
(
(
(
y
1 50
1 55
(
(
(
(
T
1.5600
(

b
91
(

1 60
(

1 200 1 560T
A equao de regresso

1, 200 1, 560
i
T = +
i
y
Clculo dos valores estimados

1, 200 1, 560
i
T = +
i
y

= T b y
1 40 61.2000
1 45 69.0000
( (
( (
( (
(
1 45 69.0000
-1.2000

1 50 76.8000
1.5600
1 84 6000
( (
(
( (
= =
(
( (

T b y =
1 55 84.6000
1 60 92.4000
( (

( (
( (

Clculo dos resduos e
60 61 2000 1 2000
( ( (
60 61.2000 -1.2000
70 69.0000 1.0000
( ( (
( ( (
( ( (

77 76.8000 0.2000
86 84 6000 1 4000
( ( (
( ( (
= = =
( ( (
( ( (
e y y
86 84.6000 1.4000
91 92.4000 -1.4000
( ( (
( ( (

Reta ajustada por mnimos quadrados aos dados do slide 166 Reta ajustada por mnimos quadrados aos dados do slide 166
O grfico dos erros mostra que os erros se distribuem
l i j ifi j li aleatoriamente, o que justifica o ajuste linear.
EXERCCIO
As matrizes abaixo referem-se a um experimento feito
para se construir um curva de calibrao O vetor c o para se construir um curva de calibrao. O vetor c o
vetor das concentraes e o vetor A a absorbncias.
Ajuste um modelo linear a estes dados.
c= [0.5 0.5 1.0 1.0 1.5 1.5 2.0 2.0 2.5 2.5 3.0 3.0]
A= [0.0937 0.0916 0.1828 0.1865 0.2782 0.2732
0.3776 0.3702 0.4562 0.4505 0.5593 0.5499]
Anlise de varincia do modelo emprico
n
Inicialmente observe que
( )( )
1

0
n
i i i
i
y y y y
=
=

Prova:
0 1 0 1 1
1 1
i i i i
nb b T y b y b T y bT
n n
+ = = =

( ) ( )
0 1

i i
como temos
n n
y b bT
y y bT bT y b T T y y b T T = +
= +
= + = +
( ) ( )
( )( )
1 1 1 1

,
i i i
i i
i
n
i
i
Usando este resultado em temos
y y bT bT y b T T
y y y y
y y b T T = + = + = +

( )( )
1
,
i i
i
i
y y y y
y
=

( )
1 i
b T T y +
( )
( )
( )
1

0
n n
i i i i
y y e b T T = =

y
( )
1 i
b y
( )
( )
( )
1
1
1
0
i
i i
i i i
y y e b
= =

Anlise de varincia do modelo emprico
A anlise de varincia do modelo tem como objetivo avaliar a qualidade do
modelo. O modelo considerado bom quando os resduos so pequenos.
( ) ( ) ( )
( ) ( ) ( )
2
2

i i i i
y y y y y y = +
(

( ) ( ) ( )
( ) ( ) ( )( ) ( )
2
2
2 2 2


2
i i i i
i i i i i i i
y y y y y y
y y y y y y y y y y
= + (

= + +

( ) ( ) ( )
2 2 2
0

i i i i
y y y y y y
=
= +

| | | | | |
| | | | | |
. . . . . .
T R r
S Q em torno da mdia S Q devida regresso S Q residual
SQ SQ SQ
= +
= +
| | | | | |
| | | | | |
T R r
SQ SQ SQ = + A equao
| | | | | |
mostra que a variao total em torno da mdia tem duas partes: uma parte
devida a equao de regresso e a outra devida aos resduos. Quanto maior
for a frao descrita pela regresso menor ser os resduos e melhor ser o for a frao descrita pela regresso menor ser os resduos e melhor ser o
ajuste do modelo. Dividindo a equao anterior por SQ
T
podemos obter um
mtodo para quantificar o modelo:
| | | | | |
| | | | | |
T R r
SQ SQ SQ
SQ SQ SQ = + = +
| | | | | |
| | | | | |
( ) ( ) ( )
2 2 2
2

1 1
T R r
T T T
i i i i i
SQ SQ SQ
SQ SQ SQ
y y y y y y
R
+ +

= + = +

( ) ( ) ( )
2 2 2
1 1
i i i
R
y y y y y y
= + = +


R
2
chamado de coeficiente de determinao do modelo. O valor mximo de
R
2
1 e significa que o modelo de regresso descreve completamente a R 1 e significa que o modelo de regresso descreve completamente a
variao total dos dados em torno da mdia.
( )
( )
2
2

i
i
y y
y y

2
R
( )
i
y y

Quanto mais prximo de 1 for o valor de R


2
melhor ser o
modelo de ajuste.
Cada soma quadrtica est associada a um certo grau de
lib d d liberdade.
Grau de liberdade da SQ
T
: (n-1), onde n representa o nmero
de observaes.
Justificativa:
( )
1 1 1 1 1
0
n n n
i i
y y y y ny ny = = =

( )
i i
i i i
y y y y y y
n n n n n

Esta equao consome um grau de liberdade.
Grau de liberdade da SQ
R
: (p-1), onde p representa o nmero
de parmetros da equao de regresso de parmetros da equao de regresso.
Justificativa:

b b X
b b X
temos
1

.
i 0 i
y =b b X +
Como
1
,
0
b y b X =
temos
1

i 1 i
y = y - b X b X +
( )
( )

i 1 i
y = y +b X X
y y =b X X

( )
i 1 i
y - y =b X X
Elevando ao quadrado e somando sobre todas as observaes,
temos
( )
( )
2
2

2
i 1 i
y - y =b X X

O somatrio
( )
2
i
X X

( )
2

est fixado a priori pela matriz de planejamento. Logo, o valor de


( )
i
( )
i
y - y

fica completamente determinado pelo valor de b


1
, que depende das respostas
obtidas experimentalmente obtidas experimentalmente.
Generalizando, o grau de liberdade da soma quadrtica devido regresso
igual ao nmero de parmetros (no nosso caso dois: b
0
e b
1
) menos um: V
R
=p-1.
O grau de liberdade da soma quadrtica residual
= +
( ) ( )
1 1
Total Regresso residual
r
n p

= +
= +
r
n p =
Resumindo
1 1
T R r
n p n p = = =
MDIAS QUADRTICAS MDIAS QUADRTICAS
As mdias quadrticas so obtidas dividindo as somas quadrticas pelos
respectivos graus de liberdades respectivos graus de liberdades.
Fonte de
variao
Soma quadrtica
Nm. de grau
de liberdade
Mdia quadrtica
variao de liberdade
Regresso
( )
2

i
y - y

( )
2

1 p
( )
1
R R
MQ SQ p =
Resduo
Total
( )
2

i i
y - y

( )
2
i
y - y

n p
1 n
( )
2
r r
MQ SQ n p s = =
( )
i
y y

A MQ
r
fornece uma estimativa para a varincia.
ANOVA para o nosso exemplo
Fonte de
variao
Soma
Quadrtica
Grau de
liberdade
Mdia
Quadrtica
ANOVA para o nosso exemplo
Regresso 608,4 1 608,4
Resduo 6,4 3 2,3
T t l 614 8 4 Total 614,8 4
Coef de determinao do modelo:
2
608, 4
0, 9896
R
SQ
R = = =
Coef. de determinao do modelo:
0, 9896
614, 8
T
R
SQ
Significa que 98,96% da variao total em torno da mdia explicada pela
fi d 1 04% d regresso, ficando apenas 1,04%para os resduos.
A mdia quadrtica residual, MQ
r
, uma boa estimativa da varincia dos
pontos em torno da equao de regresso. No nosso exemplo, temos
2
2,13
r
MQ s = =
CLCULO DAS ESTIMATIVAS DAS INCERTEZAS DOS PARMETROS
Se os erros forem aleatrios, ento
( )
2
0,
i
N
Definio da matriz de covarincia de b
0
e b
1
( )
( ) ( )
0 0 1
, Var b Cov b b
Var
(
=
(
b
( )
( ) ( )
0 1 1
,
Var
Cov b b Var b
=
(

b
A matriz de covarincia de b
0
e b
1
pode ser calculada como
segue:
( )
( )
1
2
Var s

t
X X b
( )
( )
Var s = X X b
No nosso exemplo, temos
( )
10, 2 0, 2 21, 73 0, 43
( (
( )
0, 0, , 73 0, 3
2,13
0, 2 0, 004 0, 43 0, 00852
Var
( (
= =
( (


b
(
( )
( )
( )
0
4, 66

0, 0923
Var b
erro padro
Var b
(
(
(
= =
(
(


b
( )
1
,
Var b


INTERVALO DE CONFIANA PARA OS PARMETROS DA
EQUAO DE REGRESSO EQUAO DE REGRESSO
Os intervalos de confiana para os parmetros so definidos como
segue:
( )
( )
0 0
)
n p
erro padro de a b t b


( )
1 1
)
n p
erro padro de b b t b


No nosso exemplo, temos:
( )
( )
0
1
0
1
) 1, 2 3,182 4, 665 16, 044;13, 644
) 1, 56 3,182 0, 0923 1, 266;1, 854
n p b
n p b
a b t s ou
b b t s ou

=
=
( )
1
1
) , , , , ; ,
n p b
Em a) o intervalo de confiana contm o valor zero. Como nenhum valor ) f
dentro do intervalo mais provvel do que outro, ento existe, no nvel de
confiana de 95% , a probabilidade de que b
0
seja 0 e podemos descart-lo.
Significncia estatstica da regresso
Q d fi i d d f i i Quando os coeficientes da equao de regresso forem iguais a zero, ento
no existe relao entre X e y. Neste caso, a razo MQ
R
/MQ
r
segue a
distribuio F. Logo, podemos testar a significncia estatstica de uma
equao de regresso usando o teste F i e equao de regresso usando o teste F , i.e.,
1
R
p n p
MQ
F
1, p n p
r
MQ

R
MSQ
F
ento a equao estatisticamente
1,
,
R
p n p
r
Q
F
MSQ

> Se
ento a equao estatisticamente
significativa.
No nosso exemplo, temos
1,3
608, 4
285, 6 10,13
2 13
R
MQ
F
MQ
= = > =
2,13
r
MQ
Portanto, nossa equao estatisticamente significativa. Nem todo equao
estatsticamente significativa boa para predio.
Exerccio
Construa um modelo emprico para os dados da tabela abaixo.
T (
0
C) 30 35 40 45 50 55 60 65 70 Temp. (
0
C) 30 35 40 45 50 55 60 65 70
Rend. (%) 24 40 60 70 77 86 91 86 84
Grficos dos dados
Exerccio
Vamos tentar uma regresso linear da forma y = b
0
+ b
1
T Vamos tenta uma eg esso linea da fo ma y b
0
b
1
-7, 333
(
1, 520
inv
(

=
(

b T *T)*T *R =
,

7, 333 1, 520
i i
y T

= +
F d N d Fonte de
variao
Soma quadrtica
Nm. de grau
de liberdade
Mdia quadrtica (MQ)
Regresso 3465,6 (p-1)=1 SQ
R
/(p-1) = 3465,6 Regresso 3465,6 (p 1) 1 SQ
R
/(p 1) 3465,6
Resduo 832,4 (n-p) = 7 SQ
r
/(n-p) = 118,9
Total 4298,0 (n-1) = 8
2
0 8063 3465 6/ 4298 0 R SQ SQ = = =
1,7
0.8063
5, 5
3465.6/ 4298.0
3465.6/118.9 29.14 9
R T
R r
R SQ SQ
SQ SQ F
= = =
= = > =
O grfico dos resduos no mostra uma distribuio normal
Embora o teste F mostra que a equao de regresso estatsticamente
significativa e tem R2=0.80, o grfico dos resduos mostra que os resduos
tm um distribuio no aleatria. Neste caso, devemos tentar um outro
ajuste de curva, como por exemplo uma curva de segundo grau do tipo
0 1 2

i i i
y b bT b T = + +
SUPERFCIE DE RESPOSTA
A superfcie de resposta uma tcnica de otimizao de experimento
baseada em planejamento fatoriais introduzida por G. E. P. Box na dcada
de 50.
A metodologia SUPERFCIE DE RESPOSTA consiste de duas etapas:
1. Modelagem
2. Deslocamento
Exemplo:
Suponhamos que um qumico vem realizando uma reao qumica com 50% Suponhamos que um qumico vem realizando uma reao qumica com 50%
de concentrao de um reagente e com velocidade de agitao de 100 rpm.
Esta reao apresenta rendimento entorno de 68%. Ele j tem conhecimento
que estes dois fatores so importantes nesta reao. No entanto, ele gostaria q f p g
de saber se possvel escolher outros nveis para estes fatores de tal maneira
que o rendimento pudesse melhorar.
0 1 2

i i i
y b bT b T = + +
C i i i l f l j f i l
Modelagem Inicial
Como etapa inicial, vamos fazer um planejamento fatorial com ponto
central, isto , um planejamento de trs nveis para cada fator:
E i C (%) V ( ) (%) Ensaio C (%) V (rmp) x
1
x
2
y(%)
1 45 90 1 1 69
2 55 90 1 1 59 55 90 59
3 45 110 1 1 78
4 55 110 1 1 67
5 50 100 0 0 68
6 50 100 0 0 66
7 50 100 0 0 69
50 100 C V
1 2
50 100

5 10
C V
x x

= =
Codificao das variveis:
Representao grfica do planejamento
0 1 2

i i i
y b bT b T = + +
Construo do modelo emprico
1 1 1 69
1 1 1 59

( (
( (

( (
1 1 1 78
1 1 1 67
( (
( (

( (
= =
( (
X y
1 0 0 68
1 0 0 66
( (
( (
( (
( (
y
1 0 0 69
68 00
( (
( (

(
( )
1
68, 00
5, 25
4 25

(
(

(
(

t t
b = X X X y =
4, 25
(

Construo do modelo emprico
U d l id d l d f
2
2 33 s =
Usando os trs valores repetidos do ponto central, podemos fazer uma
estimativa da varincia das observaes:
2, 33 s =
Com essa varincia, podemos fazer uma estimativa da varincia dos
parmetros da equao: parmetros da equao:
1 7 0 0 0 33 0 0
( (
( )
( )
2
1 7 0 0 0, 33 0 0

0 1 4 0 2, 33 0 0, 58 0
0 0 1 4 0 0 0 58
s
( (
( (
= = =
( (
( (

t
V b X X
0 0 1 4 0 0 0, 58

68 00 5 25 4 0 58 0 7 0 76 25 6 y x x
( (

= +
1 2
68, 00 5, 25 4 0, 58 0 , , 7 0, 76 25 6 y x x = +
Falta de ajuste e erro puro
Q d i f i li d b i i Quando o experimento feito em replicata, podemos obter uma estimativa
do erro aleatrio e, assim, julgar se o modelo bom ou no.
Definies: Definies:
( )
( )
2

j
n
r ij i
i
j
SQ y y =

Soma quadrtica dos resduos no nvel i:


Soma quadrtica residual:
( )
( )
2

j
n
m m
r r ij i
i
i i j
SQ SQ y y = =

Os resduos podem ser decompostos em duas parcelas:
( ) ( )
( )

ij i ij i i i
y y y y y y =
( ) ( )
( )
;

ij i ij i i i
ij
so os valores feitos em replicatas no nvel i
l dit l i
y y y y y y
y
y ;
.


i
i
o valor predito para o nvel i
representa a mdia do nvel i
y
y
Elevando ao quadrado e somando sobre todos os valores de i e j, temos
( ) ( )
( )
2 2
2

j j
n n
m m m
ij i ij i i i
y y y y y y = +

( ) ( )
( )
No depende do modelo
ij i ij i i i
i j i j i
y y y y y y

Soma Quadrtica S.Q. devido S.Q. devida


id l f lt d j t
( ( (
= +
( ( (

residual ao erro puro falta de ajuste
SQ SQ SQ
( ( (

r ep faj
SQ SQ SQ = +
Os resduos podem ser decompostos em duas parcelas:
Graus de liberdades:
r ep faj
SQ SQ SQ = +
( )
( )
. .
. . 1
r
ep i
n g l da SQ j foi visto
g l da SQ n
p
n m
=
= =

( )
( )
( )
. .
. .
ep i
f j
n o nm total de observaes e m o nm de nveis
m p g l da SQ n p n m = =

( )
. .
faj
m p g l da SQ n p n m
Fonte de variao S. Q. G.L. Mdia Quadrtica
2
i
n
m
( )
( )
2
2

1 1
i
i
R i R R
i j
n
m
Regresso SQ y y p MQ SQ p = =

( )
( )
2
2


i
r ij i r r
i j
n
m
Resduos SQ y y n p MQ SQ n p = =

( )
2


faj i i faj faj
i j
Falta de ajuste SQ y y m p MQ SQ m p = =

( )
2
i
n
m
SQ MQ SQ

Erro puro
( )
( )
2

1
i
ep ij i ep ep
i j
n
m
T l
SQ y y n m MQ SQ n m
SQ
= =

( )
( )
% : % : SQ SQ ; -
R T

1
T ij
i j
de variao explicada mxima de variao explicv
Total
SQ SQ SQ
T ep T
el
SQ y y n =

( )
o nmero total de obser n vaes; o nm. de nveis; o nm. de parmetros da eq. m p
Se , ento o modelo bom.
faj
MQ
F <
Se , e to o odelo bo .
, m p n m
ep
F
MQ

<
faj
MQ
F
Se , ento o modelo ruim.
,
faj
m p n m
ep
Q
F
MQ

>
Fonte de variao Soma Quadrtica Nm. Grau de Lib. Mdia Quadrtrica
R 182 50 2 91 25
Anlise da varincia para o modelo
1 2

68 5, 25 4, 25 y x x = +
Regresso 182,50 2 91,25
Resduos 5,50 4 1,38
Falta de ajuste 0,83 2 0,42
Erro Puro 4,67 2 2,34
Total 188,00 6
% de varincia explicada: 97,07
% mxima de variao explicvel: 97,52
Portanto, o modelo est bem ajustado.
Representao grfica
| | ( )
1 0 1 1 1 0 1 1
1 2
x , x meshgrid : . : , : . : =
( )
( ) ( ) ( ) ( ) ( )
1 2
1 2 1 2
68 21 21 5 25 4 25* z * ones , . * x . x
mesh x , x , z ; grid on; xlabel ' x ' ; ylabel ' x ' ; zlabel ' y % ' ;
= +
( ) ( )
1 2
3 title ' Superf . de Resp.' ; plot x , x , y
Curvas de nveis
| | ( )
( )
1 2
1 0 1 1 1 0 1 1
68 21 21 5 25 4 25*
1 2
x , x meshgrid : . : , : . :
z * ones , . * x . x
=
= +
( )
| | ( )
( ) ( ) ( )
1 2
1 2
1 2
c,h contour x , x , z
clabel c,h ; xlabel ' x ' ; ylabel ' x '
=
( ) ( ) ( )
1 2
, ; ; y
Como andar na superfcie na direo de mximo crescimento?
1. Escolhe o coeficiente do fator de maior mdulo (digamos fator i) da . scolhe o coeficiente do fato de maio mdulo (digamos fato i) da
equao usada para construir o modelo;
2. Determinamos os deslocamentos dos outros fatores j atravs de
d l d f d d l
j
j i
i
b
x x
b
=
3. Converta os deslocamentos codificados de volta s variveis originais e
determine os novos nveis dos fatores.
Na nossa equao, devemos ter:
1 2

68, 00 5, 25 4, 25 y x x = +
1 2
2 1 1
4, 25
0, 81
5, 25
y
x x x = =

2 1
0, 81 x x =
A nossa equao mostra que o rendimento aumenta quando x
1
diminui e x
2
aumenta. Portanto, x
1
deve ser negativo. Tomando x
1
= -1, temos
Etapa x
1
x
2
C (%) V (rpm) y (%)
Centro 0 0 00 50 100 0 68 66 69 Centro 0 0,00 50 100,0 68,66,69
Centro + -1 0,81 45 108,1 77
Centro + 2 -2 1,62 40 116,2 86
Centro + 3 -3 2,43 35 124,3 88
Centro + 4 -4 3,24 30 132,4 80
Centro + 5 -5 4,05 25 140,5 70 , ,
50 C
A descodificao das variveis foram realizadas usando as equaes
( )
1 1
50
% =50+5
5
100
C
x C x
V

( )
2 2
100
100 10
10
V
x V rpm x

= = +
Resultados dos ensaios realizados na trajetria de mxima inclinao
A descodificao das variveis foram realizadas usando as equaes
Resultado do novo planejamento 2
2
com ponto central.
Ensaio C (%) V (rmp) x
1
x
2
y(%)
1 30 115 1 1 86
2 40 115 1 1 85 2 40 115 1 1 85
3 30 135 1 1 78
4 40 135 1 1 84 4 40 135 1 1 84
5 35 125 0 0 90
6 35 125 0 0 88
7 35 125 0 0 89
1 2
50 100

C V
x x

= =
Codificao das variveis:
1 2
5 10
f
Modelo linear
1 2

85, 71 1, 2 0, 49 0, 65 0, 65 5 2, 25 y x x = +
F d i S Q d i N G d Lib Mdi Q d i Fonte de variao Soma Quadrtica Nm. Grau de Lib. Mdia Quadrtrica
Regresso 26,50 2 13,25
Resduos 70,93 4 17,73
Falta de ajuste 68,93 2 34,46
Erro Puro 2,00 2 1,00
Total 97 42 6
% de variao explicada: 27,20
% mxima de variao explicvel: 97,95
Total 97,42 6
( )
2,2
95% 34, 46 19, 0
faj
com de confiana
MQ
F
MQ
= > =
,
ep
MQ
Concluso: o modelo linear no descreve satisfatoriamente bem a superfcie
Modelo quadrtico
2 2

y b b x b x b x b x b x x = + + + + +
0 1 1 2 2 11 1 22 2 12 1 2
y b b x b x b x b x b x x = + + + + +
Como temos 6 parmetros na nova equao e apenas 5 ensaios, no podemos Como temos 6 parmetros na nova equao e apenas 5 ensaios, no podemos
determinar os parmetros. A soluo estender o planejamento. Para duas
variveis podemos usar o planejamento em estrela:
Resultado do planejamento em estrela
Ensaio C (%) V (rmp) x
1
x
2
y(%)
1 30 115 1 1 86
2 40 115 1 1 85 2 40 115 1 1 85
3 30 135 1 1 78
4 40 135 1 1 84 4 40 135 1 1 84
5 35 125 0 0 90
6 35 125 0 0 88
7 35 125 0 0 89
8 28 125 2
1/2
0 81
/
9 35 139 0 2
1/2
80
10 42 125 2
1/2
0 86
11 35 111 0 2
1/2
87 11 35 111 0 2 87
1 1 1 1 1 1
(
2 2
0 1 1 2 2 11 1 22 2 12 1 2

y b b x b x b x b x b x x = + + + + +
1 1 1 1 1 1
86
1 1 1 1 1 1
85
1 1 1 1 1 1

(
(
(
(
(
(
(
1 1 1 1 1 1
78
1 1 1 1 1 1
84
(
(

(
(
(
(
(
(
1 0 0 0 0 0
90
1 0 0 0 0 0
88
(
(
(
(
(
(
= =
(
(
X y
1 0 0 0 0 0
89
1 2 0 2 0 0
81
(
(
(
(
(
(

(
(
1 0 2 0 2 0 80
86
1 2 0 2 0 0
(
(
(
(
(
(
(
(
1 2 0 2 0 0
87
1 0 2 0 2 0
(
(
(
(


Modelo Quadrtico
1 2

89 1, 51 2, 36 0, 75 0, 46 0, 46 y x x = +
1 2
2 2
1 2 1 2
0, 54 2, 81 2, 81 1 0, 54 0, , 1 6 7 5
y
x x x x +
F d i S Q d i N G d Lib Mdi Q d i Fonte de variao Soma Quadrtica Nm. Grau de Lib. Mdia Quadrtrica
Regresso 144,15 5 28,83
Resduos 2,76 5 0,55
Falta de ajuste 0,76 3 0,25
Erro Puro 2,00 2 1,00
Total 146 91 10
% de variao explicada: 98,12
% mxima de variao explicvel: 98,64
Total 146,91 10
3,2
0, 25 19,16
faj
MQ
F
MQ
= < =
ep
MQ
Concluso: o modelo quadrtico descreve satisfatoriamente bem a superfcie
Grfico da equao
2 2
1 2 1 2 1 2

89 1, 51 2, 36 2, 81 2, 81 1, 71 y x x x x x x = + +
| | ( ) | | ( )
( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
1 2 1 2 1 2
2 0 1 2 2 0 1 2
89 41 41 1 51 2 36 2 81 2 2 81 2 1 71
1 2
x , x meshgrid : . : , : . :
z * ones , , * x , * x , * x .^ , * x .^ , * x .* x
h id l b l ' C % ' l b l ' V ' l b l ' % '
=
= + +
( ) ( ) ( ) ( ) ( ) ( ) ( )
1 2
mesh x , x , z ; grid on; xlabel ' C % ' ; ylabel ' V rpm ' ; zlabel ' y % ' ;
Curvas de nveis
| | ( )
2 0 1 2 2 0 1 2
1 2
x , x meshgrid : . : , : . : =
| | ( )
( )
| | ( ) ( )
1 2 1 2 1 2
89 41 41 1 51 2 36 2 81 2 2 81 2 1 71 z * ones , , * x , * x , * x .^ , * x .^ , * x .* x
c,h =contour z,20 ; clabel c,h
= + +
Para obter os valores timos de x
1
e x
2
devemos calcular o gradiente da
equao:
2 2
1 2 1 2 1 2
1 2

89 1, 51 2, 36 2, 81 2, 81 1, 71
5, 62 1, 71 1, 51
y x x x x x x
x x
= + +
+ =

1 2
1 2
, , ,
1, 71 5, 62 2, 36
5 62 1 71 1 51
x x
x


( ( (
1
2
5, 62 1, 71 1, 51
1, 71 5, 62 2, 36
0 1553
x
x
x
( ( (
=
( ( (

1
2
0,1553
0, 3727
35
x
x
C
=

( )
1 1
35
% =35+5 =35+5 0,1553 3 =
5
C
x C x

=
125
5.78%
V
( )
2 2
125
125 10
1
121
0
V
x V r rpm pm x

= = +
Exerccio