FACULDADE DE ENGENHARIA

DEPARTAMENTO DE ENGENHARIA QUÍMICA

CURSO DE LICENCIATURA EM ENGENHARIA QUÍMICA
MODELAÇÃO DE PROCESSOS QUÍMICO-TECNOÓGICOS
EXAME NORMAL – GUIA DE CORRECÇÃO

DATA DA REALIZAÇÃO: 15/10/2020 (período da Covid-19)

DURAÇÃO: 120 minutos
Docente: Prof. Doutor Afonso Macheca, Eng.

(Cotação: 2 valores)
1.0 Um teste laboratorial é utilizado para o diagnóstico da Covid-19. Para os indivíduos
infectados o teste fornece um resultado positivo em 99.5% dos casos. Para os indivíduos
sãos o teste fornece um resultado positivo (falso alarme) em 5%. Sabe-se que apenas 1% da
população (aproximadamente) está infectada pela Covid-19. Um indivíduo submete-se a
esse teste e obtém o resultado positivo. Qual é a probabilidade de ele estar doente?
Considere os seguíntes eventos: D = indivíduo estar infectado e T = testar positivo
Resolução
Sejam os eventos:
D = indivíduo estar doente
T = testar positivo
Portanto, a probabilidade de um indivíduo estar doente quando tenha acusado positivo é a
probabilidade P(D/T), e a mesma é obtida através da aplicação do Teorema de Bayes.
P(T / D) P( D) P(T / D) P( D)
P( D / T )  
P(T ) P(T / D) P( D)  P(T / D) P( D)

Do enunciado temos:
P(T/D) = 0.995
 
P(D) = 0.01  P D  0.99

P(T / D)  0.05
0.995 * 0.01
Portanto, P( D / T )   0.167
0.995 * 0.01  0.05 * 0.99
(Cotação: 5 valores)
2.0 Para testar o efeito de um novo fertilizante sobre o peso (em gramas) de batatas, foram
escolhidos dois canteiros de terreno de áreas iguais. Aplicou-se o novo fertilizante num dos
canteiros e no restante canteiro o fertilizante antigo. Todas as outras condições (fertilidade
do solo, a exposição ao sol, etc.) foram mantidas iguais. Se a tabela a seguir apresenta os
pesos de 10 batatas escolhidas aleatoriamente de cada um dos canteiros, faça um teste para
um nível de confiança de 5% para ver se o peso médio é ou não influenciado pelo novo
fertilizante usado.
Ensaios Fertilizante antigo Fertilizante novo
1 101 103
2 105 110
3 100 98.0
4 103 102
5 106 103
6 105 107
7 102 100
8 104 103
9 103 105
10 99.0 106

Resolução
Formulação das hipóteses respectivas:
H0: μ1=μ2 (o peso médio das batatas é influenciado pelo novo fertilizante)
H1: μ1≠μ2 (o peso médio das batatas não influenciado pelo novo fertilizante)
Verificação da homogeneidade dos resultados para cada amostra:
Valores médios:
X 1  102.8

X 2  103.7
Desvio padrão para cada amostra:
S1  0.2.2998
S2  0.4657
Valores duvidosos para cada amostra:
Consideremos
X1d= 99
X2d= 110
Aplicando o critério R tem-se:
Hipóteses respectivas
H0: o resultado duvidoso pertence ao conjunto geral
H1: o valor duvidoso não pertence ao conjunto geral e deve ser rejeitado

X 1d  X 1 99  102.8
R1c    1.742
n1  1 10  1
S1 2.299
n1 10

X 2d  X 2 110  103.7
R2c    1.9161
n2  1 10  1
S2 3.4657
n2 10
Para α = 0.05 teM-SE R0.05,8 = 2.41. Para os dois grupos os valores duvidosos pertencem
aos seus respectivos conjuntos gerais uma vez que os valores RC (calculados) são menores
que o Rt (tabelado) e por isso não devem ser rejeitados.
Comparação das variâncias – Teste de Fischer
H0: Variâncias homogéneas
H1: Variâncias não homogéneas
S12
FC   2.27
S22
Ftab = F0.05,9,9 = 3.18
FC < Ft  variâncias homogéneas
Comparação das médias – Teste t student
f1S12  f 2 S22
SC2   8.649
f1  f 2

102.8  103.7
tC   0.68
1 1
2.94 
10 10
t , f  t0.05,18  2.11

t C  t t , aceita-se H0, ou seja, o peso médio das batatas é sim influenciado pelo novo
fertilizante.

(Cotação: 4 valores)
3.0 Uma fábrica de cervejas produz três tipos de produtos, 2M e Laurentina Preta e
Laurentina Premmium. Se um cliente comprou 2M, há 80% de chances de na próxima
compra ele vir a comprar novamente 2M e15% de comprar Laurentina Preta. Se um cliente
comprou Laurentina Premmium, há 75% de chances de na próxima compra ele vir a
comprar Laurentina Premmium, 20% de comprar 2M e 5% de comprar Laurentina Preta.
Se um cliente comprou Laurentina Preta há 20% de chances de na próxima compra ele vir
a comprar 2M e 75% de voltar a comprar a Laurentina Preta.
a) Desenhe o respectivo diagama de transição.
b) Se actualmente o cliente é comprador de Laurentina Premmium, qual é
aprobabilidade de nas duas próximas vezes ele vir a comprar 2M?
c) Se actualmente o cliente é comprador de 2M, qual é aprobabilidade de nas três
próximas vezes ele vir a comprar Laurentina Preta?
Resolução
Estados possíveis do sistema:
Estado 1: Comprar 2M
Estado 2: Comprar Laurentina Preta
Estado 3: Comprar Laurentina Premmium
Matriz de transição em uma etapa:
0.80 0.15 0.05
P1  0.20 0.75 0.05
0.20 0.05 0.75

a) Diagrama de transição

0.75

0.05
0.20 2
0.05
0.80 0.15
0.05
1 3 0.75
0.20

0.680 0.235 0.085

b) P 1
( 2)
 0.320 0.595 0.085
0.320 0.105 0.575
Se actualmente o cliente é comprador de Laurentina Premmium, a probabilidade de nas
duas próximas vezes ele vir a comprar 2M é 32%.

0.6080 0.2875 0.1095

c) P1
( 3)
 0.3920 0.4985 0.1095
0.3920 0.1555 0.4525
Se actualmente o cliente é comprador de 2M, a probabilidade de nas três próximas vezes
ele vir a comprar Laurentina Preta é de 28.3%

(Cotação: 7 valores)
4.0 Com o propósito de estudar a influência da viscosidade, pressão e caudal mássico do
reagente numa certa área de variação dessas variáveis sobre a qualidade dum certo produto,
foram efectuadas experiências cujos resultados são indicados na tabela:

Ensaios Viscosidade Pressão Caudal Y1 Y2 Y3

1 4 8 3 2011.8 2012.7 2010.5
2 6 8 3 2432.6 2431.9 2435.0
3 4 10 3 2349.0 2346.8 2347.2
4 6 10 3 2393.1 2391.2 2389.6
5 4 8 5 2454.3 2451.4 2452.3
6 6 8 5 2880.3 2884.2 2884.6
7 4 10 5 2499.7 2497.1 2496.2
8 6 10 5 2630.9 2628.1 2631.7

Usando o método modificado dos mínimos quadrados, desenvolva um modelo de primeira

ordem para o processo, verifique a sua adequação e avalie o papel das variáveis.
Resolução

Ensaios X1 X2 X3 Yj Se2 Z1 Z2 Z3 Vj
1 4 8 3 2011.7 1.22 -0.20 -0.11 -0.25 -0.181
2 6 8 3 2433.2 2.64 0.20 -0.11 -0.25 -0.009
3 4 10 3 2347.7 1.37 -0.20 0.11 -0.25 -0.044
4 6 10 3 2391.3 3.07 0.20 0.11 -0.25 -0.026
5 4 8 5 2452.7 2.20 -0.20 -0.11 0.25 -0.001
6 6 8 5 2883.0 5.64 0.20 -0.11 0.25 0.174
7 4 10 5 2497.7 3.30 -0.20 0.11 0.25 0.017
8 6 10 5 2630.2 3.57 0.20 0.11 0.25 0.071
Onde:
X1 – Viscosidade
X2 – Pressão
X3 – Caudal
Verificação da homogeneidade das variâncias
2
S máx 5.64
GC  8
  0.244
S 2 23.08
e
i 1
Para α = 0.05, m = 8 e f = R-1 = 3-1 = 2 temos
Gtab=Gα,f,m=G0.05,2,8= 0.520
GC < Gtab  variâncias homogéneas
Proposta do modelo usando o método modificado
V = β1Z1 + β2Z2 + β3Z3
Determinação dos parâmetros do modelo
Transformação das variáveis independentes e de saida para novas variáveis
X0  X0 11 1 8 40 1 8 72
Z0 j    0 , X1   X1j   5, X 2   X 2 j  9
X0 1 m j 1 8 8 j 1 8
1 8 32 1 8 X ij  X i
X3   X2j   4, Y   Y j  2455.9 , Z ij 
8 j 1 8 8 j 1 Xi
Yj  Y
Vj 
Y
Determinação da matriz de informação usando as variáveis transformadas.
c11 c12 c13
C  c 21 c 22 c 23
c31 c32 c33
8 8 8
c11   Z1 j * Z1 j  0.32 , c22   Z 2 j * Z 2 j  0.10 , c33   Z 3 j * Z 3 j  0.50
j 1 j 1 j 1
8 8 8
c12  c21   Z1 j * Z 2 j  0 , c13  c31   Z1 j * Z 3 j  0 , c23  c32   Z 2 j * Z 3 j  0
j 1 j 1 j 1

Portanto, a matriz de informação será:

0.32 0 0
C 0 0.10 0
0 0 0.5
m 8 8
Di   Z ij * V j  D1   Z1 j * V j  0.0838 , D2   Z 2 j * V j  0.00385 e
j 1 j 1 j 1
8
D3   Z 3 j * V j  0.13025
j 1

Determinação dos parâmetros modificados do modelo

D 0.0838 D 0.00385 D 0.13025
1  1   0.262 ,  2  2   0.0385 e  3  3   0.261
c11 0.32 c22 0.1 c33 0.5
Modelo com parâmetros modificados
X1  X1 X2  X2
V  1 Z 1   2 Z 2  1 *  2 *
X1 X2
 Y Y Y Y X  X1 X  X2 X  X3
Mas V    1 * 1  2 * 2  3 3 e
Y Y X1 X2 X3

X1  X1 X2  X2 X3  X3
Y  1 * Y  2 *Y  3 *Y Y
X1 X2 X3
Para X 1  5 , X 2  9 , X 2  4 , Y  2455.9 , 1  0.262 ,  2  0.0385 e  3  0.261 ,
teremos:
Y = 1076.3 + 128.5X1 + 10.8X2 + 159.98X3

que representa a equação do modelo procurada.

Verificação da adequação do modelo

Cálculo da dispersão média:
1 m 1 8
S e   S ej2   S ej2  2.88
2

m j 1 8 j 1
Cálculo da dispersão entre valores calculados e valores experimentais:
R m
S R2   (Y j  Y j , cal ) 2 , f1 = m-n-1 = 8-3-1 = 4 e f2 = m(R-1) = 8(3-1) = 16
f1 j 1
Da equação do modelo teremos o seguínte:
Ensaios Yj,cal (Y j  Y j ,cal ) 2
1 2156.64 21017.27
2 2413.64 381.2907
3 2178.24 28705.4
4 2435.24 1930.724
5 2476.60 572.8044
6 2733.60 22330.32
7 2498.20 0.284444
8 2755.20 15616.67
Σ - 90554.75
3
S R2  * 90554.75  67916.1
4
Aplicação do teste de Fischer
S R2 67916.1
FC  2
  23581.97 , Ftab=Fα,f1,f2=F0.05,4,16= 3.175
Se 2.88

FC > Ftab  o modelo não é adequado.

Se o modelo não é adequado então não tem como fazer a avaliação do papel das variáveis

(Cotação: 2 valores)
5.0 Pretende-se saber a dependência da resistência de ligas de aço com o teor óptimo de
Carbono, Níquel, Crómio e Manganês. Os níveis básicos e os intervalos de variação são
dados na tabela abaixo:
Carbono, ppm Níquel, ppm Crómio, ppm Manganês, ppm
Zi0 0.0100 0.025 0.125 0.0150
ΔZio 0.0020 0.005 0.075 0.0050
Zi1 0.0120 0.030 0.200 0.0200
Zi2 0.0080 0.020 0.050 0.0100

a) Construir o plano estatístico de ensaios de 1a ordem com os valores reais das

variáveis (Zi).

b) Construir o plano estatístico de ensaios de 1a ordem com os valores codificados das

variáveis (Xi).

a) Seja:
Z1 – teor óptimo de Carbono em ppm
Z2 – teor óptimo de Níquel em ppm
Z3 – teor óptimo de Crómio em ppm
Z4 – teor óptimo de Manganês em ppm
Assim, o respectivo plano estatístico será:

Ni Z1 Z2 Z3 Z4
1 0.012 0.030 0.200 0.020
2 0.008 0.030 0.200 0.020
3 0.012 0.020 0.200 0.020
4 0.008 0.020 0.200 0.020
5 0.012 0.030 0.050 0.020
6 0.008 0.030 0.050 0.020
7 0.012 0.020 0.050 0.020
8 0.008 0.020 0.050 0.020
9 0.012 0.030 0.200 0.010
10 0.008 0.030 0.200 0.010
11 0.012 0.020 0.200 0.010
12 0.008 0.020 0.200 0.010
13 0.012 0.030 0.050 0.010
14 0.008 0.030 0.050 0.010
15 0.012 0.020 0.050 0.010
16 0.008 0.020 0.050 0.010

b) Seja:
x1 – teor óptimo de Carbono em ppm
x2 – teor óptimo de Níquel em ppm
x3 – teor óptimo de Crómio em ppm
x4 – teor óptimo de Manganês em ppm
Assim, o respectivo plano estatístico será:

Ni x1 x2 x3 x4
1 +1 +1 +1 +1
2 -1 +1 +1 +1
3 +1 -1 +1 +1
4 -1 -1 +1 +1
5 +1 +1 -1 +1
6 -1 +1 -1 +1
7 +1 -1 -1 +1
8 -1 -1 -1 +1
9 +1 +1 +1 -1
10 -1 +1 +1 -1
11 +1 -1 +1 -1
12 -1 -1 +1 -1
13 +1 +1 -1 -1
14 -1 +1 -1 -1
15 +1 -1 -1 -1
16 -1 -1 -1 -1