Вы находитесь на странице: 1из 19

Aplicao de mtodo e tcnica multivariados para previso de variveis termoambientais e perceptivas

AnAnd SobrAmAniAn Luiz bueno


dA

SiLvA

Antonio Souto Coutinho


UFPB

Resumo
Um ambiente ergonmico ideal para exercer-se atividades bancrias precisa estar termicamente adequado, principalmente segundo a percepo trmica daqueles que realmente promovem a produtividade: os seres humanos. Esta pesquisa possibilitou conhecer-se as caractersticas termoambientais destas atividades e, a partir dos dados coletados, aplicou-se o mtodo da Regresso Linear e a tcnica exploratria Anlise Discriminante para determinar quais variveis trmicas representam melhor a sensao trmica declarada pelo trabalhador. Para isso, determinaram-se as variveis do balano trmico e a sensao trmica de cada trabalhador, baseando-se em normas internacionais. Constatou-se que a temperatura de bulbo seco foi a varivel que representou melhor estas preferncias e, em situao de conforto, S = 0, 23,79oC a temperatura ideal para que estas atividades sejam exercidas com satisfao trmica.

Palavras-chave
Sensao trmica, variveis trmicas, ergonomia, regresso linear, anlise discriminante.

Application of multivariate method and technique for prediction of thermo-environmental and perceptive variables
Abstract
An ergonomically ideal environment for bank services needs to be thermally adequate, mainly according to the thermal perceptions of those responsible for the productivity, namely, human beings. This research has made it possible to recognize the relevant thermo-environmental characteristics of these activities and, based on the collected data, to apply the Linear Regression method and Discriminant Analysis exploratory technique to determine the thermal variables that may best represent the employees reported thermal sensations. For this purpose, the variables of thermal balance and sensation of each worker were determined, based on available international standards. It was found that the dry bulb temperature was the one that better represented these preferences. In the comfort situation, S = 0, 23,79oC was the ideal temperature for these activities to be performed with thermal satisfaction.

Key words
Thermal sensation, thermal variables, ergonomics, linear regression, discriminant analysis.

52

Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

Aplicao de mtodo e tcnica multivariados para previso de variveis termoambientais e perceptivas

INTRODUO
Desde o incio de sua existncia, o ser humano tem procurado se proteger das intempries e buscado as melhores condies de conforto trmico. Partindo da caverna e da fogueira, chegou aos atuais sistemas de ventilao e ar condicionado atuados por controle remoto. Com o tempo, verificou que tinha mais motivao para as tarefas dirias quando o ambiente lhe proporcionava conforto; e assim viu a possibilidade de aumentar a produtividade melhorando as condies de conforto. Todavia, o conforto funo de quatro variveis climticas e duas pessoais que atuam simultaneamente, tornando a pesquisa bastante rdua. Tem-se constatado a necessidade de se estabelecer relaes que possibilitem predizer uma ou mais variveis em termos de outras, ou quando se quer saber a relao entre essas variveis. Por exemplo, as sensaes trmicas declaradas subjetivamente pelos trabalhadores possuem uma forte ou fraca associao com o percentual de insatisfeitos calculados atravs de modelos desenvolvidos em outros pases? Existem uma ou mais variveis do balano trmico que explicariam melhor que as outras a variao da sensao trmica declarada por trabalhadores durante uma jornada de trabalho? A relao entre os valores tericos de sensao trmica e a percentagem de insatisfeitos (ndices da norma 7730/94) pode ser ou no mais representativa do que os correspondentes valores declarados subjetivamente? Um problema de grande importncia no estudo de variveis trmicas que possuem distribuio normal a anlise simultnea entre elas, com a finalidade de averiguar se existe alguma correlao significativa entre as mesmas ou de investigar a possibilidade de se fazer previses a respeito de valores de uma das variveis correlacionadas, com base no conhecimento dos valores das outras. Como se poderia melhor controlar alguma varivel que compe o ambiente de trabalho, entre essas, as de conforto trmico e as que fazem parte do processo produtivo, sem antes fazer um minucioso estudo do grau de relao entre essas variveis? Como descobrir os problemas provenientes da irritabilidade ocular ou do ressecamento da mucosa nasal em profissionais que exercem suas atividades em ambientes informatizados climatizados sem, primeiro, verificar a relao entre a variao da umidade do ar e o tempo da atividade realizada pelos mesmos durante vrias jornadas de trabalho? Assim, se o conhecimento prvio sobre a atividade, as caractersticas do ambiente de trabalho, o tempo de permanncia do homem nesse ambiente, a realizao do planejamento em conjunto de projetos lumnico e trmicos, e se as particularidades do prprio homem podem contribuir para o desenvolvimento de projetos ergonmicos de ambien-

tes de trabalho seguros e produtivos, mtodos e tcnicas multivariados podero auxiliar na previso e determinao de variveis e valores ideais de conforto trmico, como tambm avaliar se estas variveis e estes valores esto de acordo com as preferncias trmicas de trabalhadores, o que contribuiria de maneira significativa para o sucesso de projetos ergonmicos de ambientes de trabalho. Desta forma, este artigo apresenta teoricamente os modelos de regresso linear seguidos da anlise discriminante, com o objetivo de prever, determinar e classificar variveis termoambientais segundo a percepo trmica das pessoas que exercem suas atividades em um centro de processamento de dados do setor bancrio.

CONFORTO TRMICO
Pode-se considerar o homem como um sistema trmico e aplicar a primeira lei da termodinmica para analisar as parcelas de energia trmica envolvidas na interao desse sistema com o ambiente no qual est envolvido. Essas parcelas so: metabolismo, trabalho externo, conveco e evaporao que ocorrem no aparelho respiratrio e na pele, assim como a radiao tambm na pele. Os processos realizados na pele sofrem a influncia da vestimenta utilizada pela pessoa. A interao trmica homemambiente envolve quatro variveis climticas: temperatura, umidade e velocidade do ar e temperatura radiante mdia; e duas pessoais: metabolismo, funo da atividade desenvolvida, e resistncia trmica das vestes. No balano trmico da pessoa o saldo deve ser nulo, pois o positivo implicaria o surgimento de doenas tpicas de ambientes quentes, como tontura e desfalecimento, desidratao, distrbios cutneos, psiconeurose, hipertermia, etc.; por outro lado, o saldo negativo pode provocar os males caractersticos dos ambientes frios: enregelamento dos membros, ulceraes, crises reumticas e respiratrias e at a hipotermia. Todavia, dentro de certos limites, o sistema de termorregulao anula o saldo atravs de mecanismos tais como vasodilatao, vasoconstrio, sudorese e tiritar. Esses mecanismos exigem esforo do organismo, implicando desconforto. Entre os limites das faixas muito frio e muito quente, h um pequeno intervalo que caracteriza o conforto trmico, no qual o esforo do sistema de termorregulao mnimo.

REGRESSO LINEAR
A anlise de regresso consiste em um mtodo de modelagem que avalia a relao entre uma varivel dependente contnua Y e uma ou mais variveis contnuas independentes X1, X2..., Xk. O objetivo da anlise de regresso identificar a funo que descreve, da melhor forma, a relao entre essas
Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

53

Anand Sobramanian; Luiz Bueno da Silva; Antonio Souto Coutinho

variveis para que se possa prever que valor a varivel dependente vai assumir quando forem atribudos valores para a varivel independente (RAGSDALE, 2001). O modelo de regresso linear simples (MRLS) Conforme Charnet et al. (1999), seja Y uma varivel aleatria de interesse, muitas vezes denominada varivel resposta, e X uma varivel aleatria denominada auxiliar ou regressora. O MRLS descreve a varivel Y como uma soma de uma quantidade determinstica e uma quantidade aleatria. A parte determinstica, uma reta em funo de X, representa a informao sobre Y que j se pode esperar, apenas com o conhecimento da varivel X. A parte aleatria, denominada erro, representa os inmeros fatores que, conjuntamente, podem interferir em Y. Assim, pode-se interpretar que o erro provoca uma distoro sobre a parte determinstica de Y. Suponha que erros positivos ou negativos possam ocorrer, mais que isso, e que a varivel erro tenha esperana igual a zero. Suponha, ainda, que a varincia da varivel erro no depende do valor especfico de X. Utilizando-se 0 e 1 para denotar os coeficientes da reta; , a varivel erro; 2, a varincia da varivel erro; e xi, um valor especfico da varivel X, ento o MRLS pode ser expresso como yi

res de mnimos quadrados para 0 e 1 . Verifica-se ento: (3)

(4) Anderson et al. (2002) definem a equao da regresso linear simples estimada da seguinte maneira: (5)

Medidas de Variao na Regresso De acordo com Levine et al. (2000), para examinar como a varivel independente prev bem a varivel dependente em um modelo estatstico, preciso desenvolver diversas medidas de variao. A seguir sero expostas algumas dessas medidas. Obteno da soma dos quadrados mnimos A primeira medida, a Soma Total dos Quadrados, SQT, uma medida de variao dos valores de Yi em torno de sua mdia aritmtica . Em uma anlise de regresso, a soma total dos quadrados pode ser subdividida em variaes explicadas ou Soma dos Quadrados devida Regresso, SQReg, que atribuda relao entre X e Y, e variaes inexplicadas ou a Soma de Quadrados dos Resduos, SQR, que atribuda a outros fatores diferentes da relao entre X e Y. Essas medidas de variao podem ser representadas conforme demonstrao abaixo: Suponha que (6),

= 0 + 1 xi + i

(1)

com 0, 1 e xi constantes; E[i] = 0 ; Var[i] = 2 ; Cov[i, j] = 0, para i j e i, j = 1,...,n. Quando a condio do modelo de probabilidade do erro a normalidade, o modelo de regresso linear simples amostral correspondente adota a equao (4) sujeita s seguintes restries: 0, 1 e xi constantes; i n(0; 2); Cov[i, j] = 0 para i j e i, j = 1,...,n. Estimadores do MRLS Para Magalhes e Lima (2002) a estimao de o e 1 pode ser feita atravs do mtodo dos mnimos quadrados, que consiste em minimizar a soma dos quadrados dos resduos, obtidos atravs da diferena entre valores observados y e valores esperados E(Y | X = x), calculados para cada X = x. Como em geral os pontos no esto perfeitamente alinhados, escolhe-se a melhor reta possvel no sentido de minimizar a Soma de Quadrados SQ(0, 1), dada por:

(7), assim , (8), portanto (9)

(2) O Coeficiente de Determinao Suponha que SQR, SQReg e STQ estejam bem definidas, ento o coeficiente de determinao r2 expresso, segundo Levine et al. (2000) como:

A soluo do sistema de equaes envolvendo as derivadas de SQ(0, 1), em relao a 0 e 1 fornecer os estimado54
Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

Aplicao de mtodo e tcnica multivariados para previso de variveis termoambientais e perceptivas

(10)

entre variveis deve ser linear. Duas variveis poderiam perfeitamente ser relacionadas de uma maneira no-linear, e o coeficiente de correlao linear seria igual a 0, indicando no haver qualquer relao. Teste da falta de ajuste do MRLS Charnet et al. (1999) enfatizam que para testar estatisticamente a falta de ajuste do MRLS, precisa-se de replicaes, ou seja, deve-se ter pelo menos dois valores da varivel resposta para alguns valores da varivel regressora. Suponha que se tenha k valores distintos da varivel regressora X: x1...,xk. Para o valor de xi observa-se ni valores da varivel resposta Y, donde observaes. Neste contexto usa-se a notao yij, sendo o ndice i correspondente ao ndice de xi e o ndice j uma enumerao dos ni valores. Assim, tem-se que

Charnet et al. (1999) ainda esclarecem que o coeficiente de determinao r2 a proporo da variabilidade dos Ys observados explicada pelo modelo considerado em que o valor de r2 pertence ao intervalo [0;1]; e quanto mais prximo de 1, melhor o ajuste do modelo considerado. O coeficiente de correlao De acordo com Magalhes e Lima (2002), o coeficiente de correlao o coeficiente entre a covarincia e o produto dos desvios-padro de X e Y, isto : (11)

. A diviso pelo produto dos desvios-padro, X Y, tem a funo de padronizar a medida e torn-la possvel de ser utilizada para comparaes com outras variveis. Para valores prximos de 1, a correlao considerada forte. Conforme Levine et al. (2000), se uma anlise de correlao est sendo realizada em um conjunto de dados, o coeficiente de correlao da amostra r pode ser calculado atravs da equao (12):

As expresses acima apresentam um estimador natural para Var[Y|x], 2, que no est baseado no MRLS. Por exemplo, se observarmos y11, y12 ,...y1n quando X = x1, um 1 estimador para Var[Y|x] seria dado pela varincia amostral desta amostra, ou seja: (13)

(12)

Pressupostos do MRLS Os quatro principais pressupostos da regresso segundo Levine et al. (2000) so: Normalidade requer que os valores de Y sejam normalmente distribudos para cada valor de X. Enquanto a distribuio dos valores de Yi em torno de cada nvel de X no for extremamente diferente de uma distribuio normal, inferncias sobre a linha de regresso e sobre os coeficientes de regresso no sero seriamente afetadas. Homocedasticidade requer que as variaes em torno da linha de regresso sejam constantes para todos os valores de X. Isto significa que Y varia na mesma proporo, quando X for um valor baixo e quando X for um valor elevado. Independncia de erros requer que o erro (diferena residual entre valores observados e previstos de Y ) deva ser independente para cada valor de X. Linearidade esse pressuposto estabelece que a relao

sendo a mdia amostral de todos os valores observados para X = x1. Pode-se definir outros estimadores atravs das varincias amostrais relativas aos outros valores de X. No entanto melhor combinar as k varincias amostrais utilizando assim toda a amostra. Denota-se o estimador , no qual o subscrito ep significa erro puro, por depender da variao pura e no do MRLS, como

(14)

sendo a mdia amostral dos valores de Y correspondentes a X = xi. No contexto do MRLS tem-se que o estimador de VAR[Y|x] , que depende da adequao do modelo. Atravs da comparao destes dois estimadores de 2, pode-se verificar a adequao do MRLS. Usando a notao acima, a equao do MRLS amostral expressa da seguinte forma:
Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

55

Anand Sobramanian; Luiz Bueno da Silva; Antonio Souto Coutinho

(15) e a Soma de Quadrados dos Resduos dada por: (16) Nota-se que para cada valor distinto xi tem-se apenas um valor yi, no sendo necessrio o segundo ndice. Neste caso a SQR pode ser particionada em duas outras somas de quadrados, conforme demonstrado abaixo: (17) As parcelas da expresso dada na equao (17) tm uma denominao especial: a Soma de quadrados dos Resduos SQR, representando a variao em torno da reta; a soma de quadrados do erro puro SQEp, representando a variao de Y, para X fixo, independente do modelo; a soma de quadrados da falta de ajuste SQFa, representando a falta de ajuste do modelo. Atravs da equao (17), estabelecido que SQR = SQEp + SQFa. Note que a SQR na equao (14) o numerador da expresso para , e a SQEp indica diferenas entre os dois estimadores e, conseqentemente, demonstra evidncias contra a adequao do MRLS. Outra interpretao a de que quanto mais alto for o valor da SQFa pior ser o ajuste do modelo, visto que se o ajuste fosse perfeito seria exatamente igual a , donde SQFa = 0, para i = 1,...,k. Considerando os argumentos acima, pode-se construir um teste para as hipteses: H0 : O MRLS adequado H1 : O MRLS no adequado com base na estatstica a qual, sob hiptese H0, tem distribuio F de Snedecor com (k 2) e (n k) graus de liberdade (Teorema de Cochran). Portanto, rejeita-se a hiptese de o modelo ser adequado se a estatstica do teste for maior que F (a), o quantil (1 a) de F com (k 2) e (n k) graus de k2 nk liberdade, para algum nvel de significncia prefixado. Teste para os parmetros da populao no MRLS De acordo com Levine et al. (2000), pode-se determinar se existe relao significativa entre as variveis X e Y testando se 1 (a verdadeira inclinao) igual a 0. Se essa hiptese
56
Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

for rejeitada, poder-se-ia concluir que h evidncias de uma relao linear. As hipteses nula e alternativa poderiam ser declaradas da seguinte maneira: H0: 1 = 0 (no existe relao) H1: 1 0 (existe relao) A estatstica de teste t igual diferena entre a inclinao da populao dividida pelo erro padro da inclinao, conforme apresentado na equao (18). (18) onde (19)

e SYX o erro padro da estimativa1. Este teste segue uma distribuio t com n 2 graus de liberdade. A hiptese de o modelo ser adequado rejeitada se a estatstica do teste for maior que o t tabelado. Vale salientar que sob a hiptese nula, 1 = 0, de modo que (20) Anlise de Resduos Para Charnet et al. (1999), a anlise de um modelo de regresso linear tem uma relao muito forte com a qualidade do ajuste feito, bem como com a confiabilidade dos testes estatsticos sobre os parmetros do modelo. Nesse sentido, a anlise dos resduos tem uma importncia fundamental na verificao da qualidade dos ajustes de modelos. Basicamente, essa anlise fornece evidncias sobre possveis violaes nas suposies do modelo, tais como a de normalidade e a homocedasticidade, e quando for o caso ainda fornece indcios da falta de ajuste do modelo proposto. Para Levine et al. (2000), o resduo igual ao valor observado Yi menos o valor previsto , isto , (21) Pode-se avaliar a adequao do modelo de regresso ajustado plotando os resduos no eixo vertical e os valores correspondentes aos valores de Xi da varivel independente no eixo horizontal. Se o modelo ajustado for apropriado para os dados, no haver padro aparente de resduos em relao a Xi. No entanto, se o modelo ajustado no for apropriado, existir uma relao entre os valores de Xi e os resduos ei. possvel calcular, tambm, os resduos padronizados e

Aplicao de mtodo e tcnica multivariados para previso de variveis termoambientais e perceptivas

os de Student. Os resduos de Student, expressos na equao (22) so os padronizados, ajustados para a distncia do valor de X mdio, isto , (22)

dos quadrados dos resduos. Quando resduos sucessivos so positivamente autocorrelacionados, o valor de D ir se aproximar de 0. Se os resduos no forem correlacionados, o valor de D estar prximo de 2. O modelo de Regresso Linear Mltipla (MRLM) A anlise de regresso mltipla um estudo de como a varivel dependente y est relacionada com duas ou mais varveis independentes. Pode-se afirmar que o MRLM uma extenso do MRLS. Anderson et al. (2002) descrevem o MRLM da seguinte forma: (24) onde x1, x2,..., xp so constantes, 0, 1, 2,,..., p so parmetros denominados coeficientes de regresso parciais, e os resduos. Atravs da extenso do mtodo dos mnimos quadrados empregado no MRLS, pode-se chegar equao linear da regresso mltipla, isto , (25) O coeficiente de determinao mltipla O coeficiente de determinao R2 pode ser interpretado como a proporo da variabilidade que pode ser estimada pela equao da regresso mltipla. Todavia, quando multiplicado por 100, o coeficiente de determinao mltipla pode ser interpretado como a porcentagem da variabilidade em y que pode ser explicada atravs da equao de regresso. O coeficiente de determinao mltipla ajustado Anderson et al. (2002) observaram que muitos analistas preferem ajustar o R2 para o nmero de variveis independentes, a fim de se evitar superestimar o impacto de adicionar uma varivel independente na quantidade de variao explicada pela equao da regresso estimada. A estatstica R2 pode ser ajustada como: (26) onde n representa o nmero de observaes da amostra, k representa o nmero de variveis independentes no modelo e , o coeficiente de determinao mltipla ajustado (RAGSDALE, 2001). Testando a significncia da relao entre a varivel dependente e as variveis explicativas Como na regresso linear mltipla existe mais de uma
Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

onde

Esses resduos de Student permitem considerar suas magnitudes em unidades que refletem as variaes padronizadas em torno da linha de regresso. 3.8.1 Medindo a autocorrelao Um dos pressupostos do modelo de regresso bsico, j citado anteriormente, a independncia dos resduos. Esse pressuposto geralmente violado quando os dados so coletados ao longo de perodos seqenciais de tempo, uma vez que um resduo, em qualquer ponto no tempo, pode tender a ser idntico a resduos em pontos adjacentes no tempo. Levine et al. (2000) denominam este padro presente nos resduos de autocorrelao. Quando uma substancial correlao se encontra presente em um conjunto de dados, a validade de um modelo de regresso ajustado pode ficar seriamente comprometida. O mtodo mais simples para averiguar se existe autocorrelao em um conjunto de dados plotando os resduos ou os padronizados, em ordem cronolgica. Se o efeito de uma autocorrelao positiva estiver presente, grupos de resduos com o mesmo sinal estaro presentes e um padro aparente ser prontamente detectado. Alm dos grficos de resduos, a autocorrelao tambm pode ser detectada e medida pela utilizao da estatstica de Durbin-Watson. Essa estatstica mede a correlao entre cada resduo e o resduo para o perodo de tempo imediatamente antecedente quele de interesse. Levine et al. (2000) definem a estatstica de Durbin-Watson (D) da seguinte forma:

(23)

onde ei = resduo no perodo de tempo i. Para melhor compreender o que a estatstica de DurbinWatson est mensurando, faz-se necessrio examinar a composio da estatstica D na equao (23). O numerador representa a diferena ao quadrado entre dois resduos sucessivos, somados desde a segunda observao at a n-sima observao. O denominador representa a soma

57

Anand Sobramanian; Luiz Bueno da Silva; Antonio Souto Coutinho

varivel explicativa, as hipteses nula e alternativa podem ser escritas da seguinte forma: H0: 1 = 2 = ... n = 0 (no existe relao linear entre a varivel dependente e as variveis explicativas) H1: Pelo menos um j 0 (pelo menos um coeficiente de regresso no igual a 0) Essa hiptese nula pode ser verificada atravs do teste F. Quando se testa a significncia dos coeficientes de regresso, a medida do erro aleatrio chamada de varincia do erro, de modo que o teste F a frao da varincia decorrente da regresso dividida pela varincia do erro, conforme mostra a equao (27): (27)

(28) onde Sb o erro padro do coeficiente de regresso bk, t k corresponde estatstica t para um distribuio com n P 1 graus de liberdade, sendo P o nmero de variveis dependentes na equao de regresso mltipla. 3.9.5 Multicolinearidade Para Ragsdale (2001), o termo multicolinearidade utilizado para descrever uma situao onde as variveis independentes num dado modelo de regresso esto correlacionadas entre si. Segundo Levine et al. (2000), nessas situaes, variveis colineares no fornecem novas informaes, e torna-se difcil separar o efeito dessas variveis na varivel dependente ou na varivel resposta. Nesses casos, os valores dos coeficientes de regresso para as variveis correlacionadas podem flutuar drasticamente, dependendo se as variveis esto ou no includas no modelo. Um mtodo de mensurao da colinearidade utilizado refere-se ao Fator Inflacionrio da Varincia (FIV) para cada varivel explicativa, o qual definido na forma da equao (29): (29) onde o coeficiente de determinao mltipla da varivel explicativa Xj com todas as outras variveis X, para j = 1, 2, 3....n. Se existirem somente duas variveis explicativas, somente o coeficiente de determinao entre X1 e X2. Se, por exemplo, existissem trs variveis explicativas, ento seria o coeficiente de determinao mltipla de X1 com X 2 e X 3. Se um conjunto de variveis explicativas no for correlacionado, ento FIVj ser igual a 1. Se o conjunto for altamente correlacionado, ento o FIVj poder at exceder a

onde QMReg igual ao Quadrado Mdio devido Regresso, e QMRes o Quadrado Mdio devido variao Residual. A regra de deciso rejeitar H 0 no nvel de significncia a se F > FS(P, n P 1), onde P o nmero de variveis explicativas no modelo de regresso, e F a estatstica de teste, a partir de uma distribuio F com n P 1 graus de liberdade, conforme pode ser visto na Tabela 1. Teste para os parmetros da populao no MRLM Para testar a hiptese de que a inclinao da populao 1 igual a 0, utilizou-se a equao (20)

Por outro lado, esta expresso pode ser escrita de uma forma mais genrica para a regresso mltipla, como

Tabela 1: ANOVA para testar a significncia de um conjunto de coeficientes de regresso em um modelo de regresso mltipla.
Fonte Regresso Erro Total Gl P nP1 n1 Soma doS QuadRadoS SQReg SQR STQ QuadRado da mdia aRitmtica (VaRincia) QMReg = SQReg P F= F

SQR QMRes = n-P-1

QMReg QMRes

Fonte: Levine et al., pgina 591, 2000. 58


Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

Aplicao de mtodo e tcnica multivariados para previso de variveis termoambientais e perceptivas

10. Marquardt apud Levine et al. (2000) sugere que se o FIVj for maior que 10, ento existe demasiada correlao entre a varivel Xj e as outras variveis explicativas. No entanto, outros pesquisadores sugerem um critrio mais conservador, que empregaria alternativas para a regresso dos mnimos quadrados se o FIVj exceder a 5.

4. ANLISE DISCRIMINANTE
Para Ragsdale (2001) a anlise discriminante uma tcnica estatstica que usa a informao disponvel em um grupo de variveis independentes, com distribuio normal, para prever o valor de uma varivel categrica dependente. Justamente pelo fato de a varivel dependente ser categrica, ou discreta, a anlise discriminante se diferencia da regresso. Segundo Malhotra (2001), os objetivos da anlise discriminante so: estabelecer funes discriminantes, ou combinaes lineares das variveis independentes ou prognosticadoras, que melhor discriminem entre as categricas da varivel dependente; verificar se existem diferenas significativas entre os grupos, em termos das variveis prognosticadoras; determinar as variveis preditoras que mais contribuem para as diferenas entre grupos; enquadrar ou classificar os casos a um dos grupos, com base nos valores das variveis preditoras; e avaliar a preciso da classificao. Para Ragsdale (2001), um modelo de anlise discriminante envolve combinaes lineares da seguinte forma:

dor, a razo da soma e quadrados dentro dos grupos para a soma total de quadrados. Se 1, ento as mdias dos grupos no diferem umas das outras; se 0, elas diferem; Mdias de Grupos e desvios padro de grupos so calculados para cada prognosticador e para cada grupo; Coeficientes da funo discriminante padronizada so usados como multiplicadores quando as variveis foram padronizadas para mdia 0 e varincia 1. Correlaes estruturais representam as correlaes simples entre os prognosticadores e a funo discriminante; Matriz de correlao total se os casos so tratados como se proviessem de uma nica amostra, calculando-se ento as correlaes, obtm-se uma matriz de correlao total. Matriz estrutural Correlaes combinadas dentro de grupos entre variveis discriminantes e funes discriminantes cannicas (variveis ordenadas por tamanhos da correlao dentro da funo).

(30)

onde o escore discriminante, b o coeficiente de regresso ou peso discriminante e x a varivel prognosticadora ou independente. As estatsticas associadas anlise discriminante so: Correlao Cannica mede a relao entre a funo discriminante isolada e o conjunto de variveis do grupo; Centride a mdia dos valores dos escores discriminantes de um determinado grupo; Matriz de Classificao aquela que contm o total de casos classificados corretamente e mal classificados; Coeficientes da funo discriminante (no padronizados) so os multiplicadores de variveis, quando as variveis esto nas unidades de medida originais; Escores Discriminantes corresponde aos valores de ; Autovalor a razo da soma de quadrados entre grupos para a mesma soma dentro de grupos. Grandes autovalores implicam funes superiores; Teste F teste de significncia; de Wilks ou estatstica U , para cada prognostica-

A anlise discriminante pode envolver dois grupos ou mais. Para a realizao da mesma, podem-se adotar os seguintes estgios: Formulao do problema O primeiro passo da anlise discriminante formular o problema identificando os objetivos, a varivel dependente e as variveis independentes. A varivel dependente deve consistir de duas ou mais categorias mutuamente excludentes e coletivamente exaustivas. Quando a varivel dependente escalonada em forma de intervalo ou razo, deve ser primeiramente convertida em categorias. As variveis prognosticadoras devem ser selecionadas com base em um modelo terico ou em uma pesquisa prvia. O prximo passo consiste em dividir a amostra em duas partes. Uma delas chamada amostra de anlise, que utilizada para estimar a funo discriminante. A outra denominada amostra de validao, que reservada para validar a funo discriminante. Estimao dos coeficientes da funo discriminante Uma vez identificada a amostra de anlise pode-se estimar os coeficientes da funo discriminante. Existem dois mtodos amplos de abordagem. O mtodo direto consiste em estimar a funo discriminante de modo que todos os prognosticadores sejam includos simultaneamente. Neste caso, todas as variveis independentes so includas, independentemente de seu poder discriminatrio. Este mtodo adequado quando, com base em uma pesquisa prvia ou em um modelo terico, o pesquisador deseja que a discriminao esteja baseada em todos os prognosticadores. Uma abordagem alternativa o mtodo passo a passo. Na anlise discriminante passo a passo, as
Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

59

Anand Sobramanian; Luiz Bueno da Silva; Antonio Souto Coutinho

variveis prognosticadoras so introduzidas seqencialmente, com base em sua capacidade de discriminar entre os grupos. Este mtodo adequado quando o pesquisador deseja selecionar um subconjunto dos prognosticadores para incluso na funo discriminante. Determinao da significncia da funo discriminante Pode-se testar estatisticamente a hiptese nula, de que as mdias de todas as funes discriminantes em todos os grupos sejam iguais. Uma forma de realizao desse teste baseada no de Wilks. Testando-se simultaneamente vrias funes (como o caso da anlise discriminante mltipla), a estatstica de Wilks o produto dos univariados de cada funo. Estima-se o nvel de significncia com base em uma transformao qui-quadrado da estatstica. Interpretao e validao A interpretao dos pesos ou coeficientes da discriminante similar do caso da anlise de regresso mltipla. O valor do coeficiente para um determinado prognosticador depende dos outros prognosticadores includos na funo discriminante. Os sinais dos coeficientes so arbitrrios, mas indicam que valores de varivel resultam em grandes ou pequenos valores da funo associando-os a grupos particulares. Dada a multicolinearidade nas variveis prognosticadoras, no h medida no ambgua da importncia relativa dos prognosticadores na discriminao dos grupos. Com esta precauo em mente, pode-se ter alguma idia da importncia relativa das variveis, examinando a magnitude absoluta dos coeficientes padronizados da funo discriminante. De modo geral, os prognosticadores com coeficientes padronizados relativamente grandes contribuem mais para o poder discriminatrio da funo, em comparao com prognosticadores com coeficientes menores.

normalidade de Bera-Jarque, o qual uma conseqncia do estudo feito por Shenton e Bowman em 1977, que construdo com as expresses para assimetria e curtose, de acordo com a equao (31): (31)

onde: = Assimetria; b2 = Curtose; e 2 = Qui-quadrado. Quando b1 e b2 so grandes, a expresso acima tambm , e, por sua vez, maior que o Qui-quadrado (2) tabelado. Ou seja, se o teste aplicado s variveis coletadas ultrapassar o valor de 5,91, que representa 2 graus de liberdade e uma freqncia de 0,95 na tabela do Qui-quadrado, a amostra relativa varivel testada no obedecer a uma curva normal. c) Construo de modelo de regresso linear. Segundo Tabachnick e Fidel (1989), Levine et al. (2000), Charnet et al. (1999) e Ragsdale (2001), o modelo geral de uma equao linear pode ser expresso como uma varivel dependente (VD) em funo de um conjunto de variveis independentes (VI), ou seja, pode-se expressar o valor esperado da varivel dependente (VD) como funo de vrias variveis regressoras (VI). Desta forma utilizou-se o modelo apresentado na equao (32), a saber: (32) onde: yP = Varivel dependente (S sensao trmica) predita pela varivel de conforto trmico; 0 = Constante de regresso ou intercepto; i = Coeficiente parcial ou parmetro da regresso para a varivel xi; i = Variveis trmicas; = Erro ou resduo devido ao modelo de regresso (estatstico e no-determinstico). d) Avaliao da consistncia da equao e de seus parmetros atravs dos testes t e F. e) Determinao da temperatura de bulbo seco e da velocidade relativa do ar de conforto trmico para os ambientes estudados, segundo a percepo das pessoas. f) Realizao da anlise discriminante, com o intuito de investigar sobre as possveis caractersticas existentes entre as variveis trmicas e as sensaes declaradas pelos trabalhadores, segundo esta classificao: conforto (0), quente (1) e muito quente (2).

METODOLOGIA
Esta metodologia constou do desenvolvimento das seguintes etapas: a) Avaliao das condies climticas em ambientes de trabalho. Utilizaram-se equipamentos do Laboratrio de Anlise do Trabalho (LAT) do Departamento de Engenharia de Produo (DEP) da Universidade Federal da Paraba (UFPB), que atendem s exigncias da Norma ISO-DIS 7726/1996 (Ergonomics of The Thermal Environment Instruments for Measuring Physical Quantities). Questionrios foram distribudos a todas as pessoas participantes da pesquisa, para registrarem as respectivas opinies sobre sensao trmica, tipo de roupa utilizada e dados pessoais, conforme a Norma ISO 10551/1995 (Subjective Judgment Scales). b) Verificao da normalidade das amostras coletadas atravs das medidas de BOX-COX. Trata-se de um teste de
60
Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

Aplicao de mtodo e tcnica multivariados para previso de variveis termoambientais e perceptivas

RESULTADOS E DISCUSSES
Nos ambientes de trabalho estudados realizam-se atividades de operaes bancrias, ou seja, atividade sedentria e vestimentas leves. Durante trs dias foram coletados 5.496 dados inerentes s variveis climticas Icl (resistncia trmica das vestes), M (metabolismo), tbs (temperatura do ar ou de bulbo seco), trm (temperatura radiante mdia), tbu (temperatura de bulbo mido), Var (velocidade relativa do ar), UR (umidade relativa do ar em percentual) e top (temperatura operativa); e S (sensao trmica). Importa ressaltar que as unidades atribudas s variveis Icl e Var so, respectivamente, [clo = 0,155m2.C/W] e [m/s]. A temperatura de bulbo seco e a velocidade relativa do ar, na situao de conforto trmico, foram determinadas a partir da coleta destes dados e levaram-se em considerao os votos das sensaes trmicas fornecidos pelas pessoas nos diversos horrios. Dando seqncia s etapas propostas, verificou-se atravs das medidas de BOX-COX a normalidade das variveis acima, de acordo com a equao (31), conforme pode ser visto na Tabela 2 a seguir. Verificada a normalidade das variveis, BJ < 5,91, aplicaram-se a Regresso Linear Simples e Mltipla e a Anlise Discriminante. Regresso Linear Simples Depois de realizados os devidos testes, elaborou-se um

modelo de Regresso Simples, contendo a sensao trmica (S) como varivel dependente e a temperatura de bulbo seco (tbs) como varivel independente. A Tabela 3 apresenta os resultados da Regresso Linear Simples onde S funo da varivel independente tbs. Os testes F e t mostram a consistncia do modelo para a = 0,005 e a = 0,10 (p-valor = 0,00000), respectivamente. A Figura 1 ilustra a reta de regresso obtida e os valores observados. Observa-se, tambm, que o valor de R2 prximo de 1, donde conclui-se que o modelo consideravelmente explicado pela varivel preditora. Atravs da Figura 2, observa-se o comportamento dos resduos padronizados ao longo das medies. A priori, no se percebe nenhuma espcie de padro dos resduos no grfico abaixo. A estatstica de Durbin-Watson corrobora a afirmao anterior mostrando que no h indcios de autocorrelao entre os resduos, j que o valor desta 1,528, ou seja, maior que o valor crtico ds (para p = 1, n = 30) tabelado, que corresponde a 1,49. Logo, a partir dos valores de B constantes na Tabela 3, o MRLS pode ser expresso como (33) A partir deste modelo, possvel prever que a temperatura de bulbo seco na situao de conforto trmico (S = 0) de 23,29 C.

Tabela 2: Valores experimentais dos coeficientes (Distoro, Curtose e Bera-Jarque) relativos a cada uma das variveis envolvidas na pesquisa.
VaRiVeiS coeFiciente Coef. Distoro Coef. Curtose Bera-Jarque (BJ) Icl -0,79083 1,366008 0,209554 tbs 1,015 -0,4 0,176 tbu 2,408 5,357 1,597 trm 0,7473 0,062 0,1247 Var 2,796 7,964 3,109 UR 3,0206 8,3185 3,3867 top 0,9448 -0,113 0,158 S 0,02 -0,72 0,02

Tabela 3: Resultados da Regresso Linear Simples entre S e tbs.


R 0,9187 R2 0,8440 Beta intercepto tbs 0,918682 0,014648 R2(AjUStAdo) 0,8384 erro Padro de Beta B -10,5531 0,4531 eRRo PadRo 0,3059 erro Padro de B 0,943150 0,036815 F(1,28) 151,4604 t(28) -11,1892 12,3069 p-ValoR 0,0000 p-valor 0,00000 0,00000

Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

61

Anand Sobramanian; Luiz Bueno da Silva; Antonio Souto Coutinho

Regresso Linear Mltipla Baseando-se nos resultados e discusses anteriores, construiu-se apenas um modelo de regresso mltipla. Este teve a sensao trmica (S) como varivel dependente e as

variveis independentes temperatura de bulbo seco (tbs) e velocidade relativa do ar (Var). A varivel Var foi selecionada devido a sua importncia na sensao de conforto trmico do trabalhador.

Figura 1: Reta de regresso entre as temperaturas de bulbo seco e as respectivas sensaes relatadas pelas pessoas.

Figura 2: Grfico dos resduos padronizados em relao s medies feitas ao longo do tempo (MRLS).

62

Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

Aplicao de mtodo e tcnica multivariados para previso de variveis termoambientais e perceptivas

Antes de construir o MRLM verificou-se a correlao entre as variveis independentes. O valor encontrado foi de 0,275961, ou seja, um valor no muito significativo. Concluiu-se, ento, que no h existncia de multicolinearidade entre essas variveis.

Em seguida, construiu-se o MRLM. Os resultados da Regresso Linear Mltipla encontram-se na Tabela 4. O teste F indica que o modelo significativamente explicado pelo conjunto de variveis independentes ao nvel de a = 0,05 (p-valor = 0,00000). No entanto, o teste t mostra

Tabela 4: Resultados da Regresso Linear Mltipla entre S(VD), tbs(VI) e Var (VI).
R 0,92611 R2 0,85767 Beta intercepto tbs Var 0,952285 -0,12177 0,075537 0,075537 R2(AjUStAdo) 0,84713 erro Padro de Beta B -10,8422 0,4696 -1,0822 eRRo PadRo 0,29753 erro Padro de B 0,934691 0,037253 0,671321 F(2,27) 81,35331 t(27) -11,5997 12,6069 -1,6120 p-ValoR 0,0000 p-valor 0,000000 0,000000 0,118584

Figura 3: Superfcie de regresso entre as temperaturas de bulbo seco, velocidades relativas do ar e as respectivas sensaes relatadas pelas pessoas. Modelo S = -10,8422 + 0,4694tbs - 1,0822Var

2,36 2,00 1,67 1,25 0,68 0,32 0,04

27 , 27 00 ,8 28 4 ,0 28 0 ,3 28 0 ,8 6

do B ulbo Seco

Ve lo

erat

ura

24 ,8 24 8 , 24 48 ,0 23 4 ,6 8

Temp

cid ad

0,32

eR

ela

0,21

tiv

0,08 0,09 0,12

ad oA

Sensao

Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

63

Anand Sobramanian; Luiz Bueno da Silva; Antonio Souto Coutinho

que apenas o intercepto e a varivel tbs so significativos ao nvel de a = 0,10. Mas como p-valor > a para varivel Var em 1,8584% e o R2 (ajustado) apresentado na Tabela 4 0,84713, superior ao valor de 0,8384 constante na Tabela 3, preferiu-se incluir a varivel Var no modelo, proporcionando assim uma correlao mltipla maior entre S e o conjunto de variveis tbs e Var. possvel ver na Figura 3 que a sensao trmica (S) do indivduo tende a situao de conforto (S = 0) quando as variveis tbs e Var se aproximam para valores nfimos. Pelo grfico exposto na Figura 4, no possvel identificar claramente evidncias indicando a existncia de autocorrelao entre os resduos. O valor da estatstica de Durbin-Watson encontrado foi 1,679740, isto , superior ao valor crtico tabelado ds (para p = 2, n = 30), elucidando assim a inexistncia de autocorrelao entre os resduos, o que ratifica a permanncia da varivel Var na equao (34). Verificada a significncia e consistncia do modelo e a partir dos valores de B da Tabela 4 tem-se que o mesmo dado pela equao (34) Para averiguar a situao de conforto trmico (S = 0)

atravs da relao encontrada na equao (34) faz-se necessrio fixar o valor de uma das variveis independentes, a fim de se determinar o valor da outra varivel preditora. Sendo assim, adotando-se o valor de tbs na equao (34) como sendo 23,29C, obtido na equao (33) verifica-se que para situao de conforto trmico o valor da varivel Var de 0,0823 m/s. Anlise Discriminante Como visto anteriormente, sabe-se que um modelo de Anlise Discriminante possui uma varivel dependente categrica, isto , discreta. Novamente a varivel dependente em questo a Sensao (S), no entanto esta foi categorizada em trs diferentes grupos2, a saber: 0 Conforto Trmico; 1 Quente; 2 Muito Quente. As variveis independentes so: Temperatura de Bulbo Seco (tbs) e Velocidade Relativa do Ar (Var). Resultados da Anlise Discriminante Os resultados a serem apresentados a seguir foram obtidos atravs dos Softwares STATISTICA e SPSS. Importa ressaltar que ambos apresentaram pequenas diferenas em seus resultados, todavia estas no comprometem a validao dos resultados.

Figura 4: Grfico dos resduos padronizados em relao s medies feitas ao longo do tempo (MRLM).

64

Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

Aplicao de mtodo e tcnica multivariados para previso de variveis termoambientais e perceptivas

Mdias dos Grupos


Grupo 0 1 2 TOTAL tbs 24,50324 26,39000 27,65500 25,57383 Var 0,11294 0,17143 0,10250 0,12450

Desvio Padro dos Grupos


Grupo 0 N = 17 1 N=7 2 N=6 TOTAL N = 30 tbs 0,690156 1,219686 0,687306 1,542996 Var 0,079903 0,111718 0,054749 0,085625

Matriz de Correlao Combinada Dentro de Grupos


tbs tbu Var 1,000 0,447 Var 0,44 1,000

de Wilks e Razo F Univariada Com 2 e 27 Graus de Liberdade


Varivel tbs Var

de Wilks
0,274 0,904

F 35,758 1,434

Significncia 0,000 0,256

Funes Discriminantes Cannicas


Funo 1 2 After Function (Funo aps) 0 1 autovalor 3,213 0,105 Percentagem 96,8 3,2 Qui2 40,749 2,635 Percentagem de variao 96,8 100,00 Graus de liberdade 4 1 correlao cannica 0,873 0,308 p-valor 0,000 0,105

de Wilks
0,215 0,905

Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

65

Anand Sobramanian; Luiz Bueno da Silva; Antonio Souto Coutinho

Coeficientes da Funo Discriminante Cannica Padronizada


Funo 1 tbs Var 1,118 -0,479 Funo 2 -0,023 1,010

Matriz Estrutural
Funo 1 tbs Var 0,905(*) -0,479
(*) Maior correlao absoluta entre cada varivel e qualquer funo discriminante

Funo 2 0,426 1,000(*)

Coeficientes No-Padronizados da Funo Discriminante Cannica


Funo 1 intercepto tbs Var -33,465 1,336 -5,689 Funo 2 -0,769 -0,028 11,981

Centrides dos Grupos


Grupo 0 1 2 Funo 1 -1,365 0,824 2,906 Funo 2 -0,108 0,539 -0,322

Coeficientes das Funes de Classificao


Sensao (S) 0 p = 0,5667 intercepto tbs Var -515,983 42,874 -174,698 1 p = 0,2333 -590,151 45,780 -179,392 2 p = 0,2000 663,122 48,587 -201,561

66

Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

Aplicao de mtodo e tcnica multivariados para previso de variveis termoambientais e perceptivas

Matriz de Classificao
Grupo 0 1 2 Total 0 17 1 0 18 1 0 4 0 4 2 0 2 6 8 Porcentagem de classificaes corretas 100,0% 57,1% 100,0% 90,0%

Matriz de Classificao para Validao Cruzada (*)


Grupo 0 1 2 Total 0 15 2 0 17 1 2 3 1 6 2 0 2 5 6 Porcentagem de classificaes corretas 88,2% 42,9% 83,3% 76,7%

Os resultados apresentam uma anlise discriminante de trs grupos. Aparentemente, os trs grupos so mais separados em termos da varivel tbs do que da outra varivel (Var), conforme observada nas mdias e desvio padro dos grupos. A matriz de correlao combinada dentro dos grupos indica fraca correlao entre os prognosticadores. improvvel que a multicolinearidade venha a constituir um problema. A significncia F univariada indica que, quando os prognosticadores so considerados individualmente, apenas a varivel tbs distingue significativamente a sensao trmica percebida pelos indivduos. Como h trs grupos, estima-se apenas duas funes discriminantes (1 e 2). Os autovalores associados a estas funes so 3,213 e 0,105, com correlao de 0,873 e 0,308, respectivamente. Os quadrados destas correlaes (0,873)2 0,76 e (0,308)2 0,10 indicam que 76% e 10% das varincias na varivel dependente (S) so explicados pelos modelos 1 e 2 respectivamente. Observando os resultados das funes discriminantes cannicas, o valor 0 localizado abaixo da After Function mostra que as duas funes 1 e 2 conjuntamente tornam-se uma funo discriminante significativa (a = 0,05), haja vista que o de Wilks associado a esta funo 0,215, que se transforma em um qui-quadrado 40,749 com 4 graus de liberdade, e p-valor = 0,000. Desta maneira, podese afirmar que a hiptese nula foi rejeitada, o que confirma a discriminao significativa. Porm, ao se remover a pri-

meira funo, constata-se que a segunda funo no exerce influncia significativa para a diferenciao dos grupos (p-valor = 0,105). Os coeficientes padronizados da funo discriminante cannica ilustram um maior coeficiente para a tbs na funo 1, ao passo que na funo 2 o coeficiente da Var possui um valor maior. Atravs da matriz estrutural tambm plausvel chegar a uma concluso semelhante, ou seja, a varivel tbs possui peso maior na funo 1, e a varivel Var, maior peso na funo 2. Os resultados observados na matriz de classificao demonstram que 90% das classificaes entre os grupos 1 e 2 foram realizadas de maneira correta, enquanto que na matriz de classificao para validao cruzada, as classificaes se apresentaram corretas em 76,7% dos casos. De acordo com o diagrama apresentado na Figura 5, nota-se que os grupos de percepo 0 (conforto) e 2 (muito quente) apresentam pontos mais aglomerados, ao contrrio dos pontos do grupo 1 (quente) que se encontram mais dispersos. Isso explica o melhor desempenho no tocante a classificao dos grupos 0 e 2 em relao ao grupo 1.

CONCLUSO
A partir de um estudo baseado em autores da rea mtodos quantitativos, pde-se observar e prever como uma ou mais variveis podem influenciar na variabilidade de outra variProduo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

67

Anand Sobramanian; Luiz Bueno da Silva; Antonio Souto Coutinho

vel. Determinou-se, assim, a temperatura de bulbo seco e a velocidade relativa do ar ideais para um ambiente de trabalho, baseando-se na sensao trmica de cada trabalhador, ou seja, construram-se modelos de Regresso Linear Simples e Mltipla para determinar que varivel trmica poderia estar em conformidade com a situao de conforto trmico (S = 0) das pessoas que realizam atividades de bancos em ambientes climatizados, ou seja, atividade e vestimentas leves e umidade relativa no entorno de 50%. A temperatura de bulbo seco tbs = 23,79C a mais representativa e a ideal para estes ambientes. As particularidades entre as sensaes trmicas declaradas pelas pessoas foram constatadas e, atravs da Anlise Discriminante, construiram-se funes de classificao segundo as preferncias pelo conforto (0), quente (1) e pelo muito quente (2), as quais ratificam a importncia da varivel tbs na discriminao destas preferncias, demonstrando uma maior consistncia do modelo S = 10,5531 + 0,4531 . tbs. Para facilitar a classificao de grupos discriminantes vinculados sensao trmica, a partir de novas coletas de dados termoambientais, apresenta-se, anexo, um script desenvolvido no ambiente MATLAB.

Porm, vale ressaltar que muitos ambientes de trabalho, como os do setor bancrio, esto localizados em regies onde a temperatura externa do ar, em alguns perodos do ano, ultrapassa as temperaturas de projeto recomendadas pelas normas especficas, implicando aumento da temperatura interna, principalmente quando o teto no bem isolado. Alm disso, comum verificar-se aumento eventual no nmero de pessoas e de equipamentos eletrnicos no previsto no projeto. Por outro lado, aberturas eventuais de portas e/ou janelas e, principalmente, os dispositivos de insuflamento do ar podem gerar velocidades tais que causem desconforto trmico. De modo geral, o controle da carga trmica de grande importncia para a sade e segurana do trabalhador, com repercusses na produtividade. O excesso ou o dficit de calor pode causar desconforto s pessoas com implicao na performance em atividades que exigem certa ateno e concentrao. Assim, importante ratificar que o modelo e as funes de classificao supracitadas podero contribuir para o controle do conforto trmico interno, levando em considerao a percepo trmica das pessoas presentes no ambiente de trabalho.

Figura 5: Diagrama de disperso de todos os grupos da funo 1 sobre a funo 2.

68

Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

Aplicao de mtodo e tcnica multivariados para previso de variveis termoambientais e perceptivas

Artigo recebido em 21/12/2005 Aprovado para publicao em 21/08/2006


n

Notas
2. O critrio de discriminao da varivel dependente adotado baseou-se nas caractersticas dos dados coletados.

1. O erro padro da estimativa a medida de variabilidade (desvio padro) em torno da linha de regresso.

Referncias
ISO 9920. Ergonomics of the thermal environment estimation of the thermal insulation and evaporative resistance of a clothing ensemble. International Organization for Standardization, Genebra, 1995. ISO 10551. Ergonomics of the thermal environment assessment of the influence of the thermal environment using subjective judgement scales. International Organization for Standardization, Genebra, 1995. ISO/DIS 7726. Ergonomics of the thermal environment Instruments for measuring physical quantities. International Organization for Standardization, Genebra, 1996. ISO 7243. Hot environments estimation of the heat stress on working man, based on the WBGT-index (wet bulb globe temperature). International Organization for Standardization, Genebra, 1989. ISO 7730. Moderate Thermal Environments Determination of the PMV and PPD indices and specification of the conditions for thermal comfort. International Organization for Standardization, Genebra, 1994. LEVINE, D.M.; BERENSON, M. L.; STEPHAN, D. Estatstica; Teoria e aplicaes. Rio de Janeiro, LTC, 2000. MAGALHES, M; LIMA, A. C. P. Noes de probabilidade e estatstica. 5. ed., So Paulo: Edusp, 2002. MALHOTRA, Naresh K. Pesquisa de marketing uma orientao aplicada. Porto Alegre: Bookman, 3. ed., 2001. NELSON, T. M.; NILSSON, T. H.; HOPKINS, G. W. Termal comfort: advantages and deviations. Atlanta: ASHRAE Transactions, v. 93, n. 1, p. 1039-1054, 1987. RAGSDALE, C.T., Spreadsheet Modeling and Decision Analysis, 3 ed, South-Western College Publishing, Cincinnati, Ohio, 2001. RUAS, A. C. Avaliao de conforto trmico contribuio aplicao prtica das normas internacionais. Dissertao de Mestrado Faculdade de Engenharia Civil, Universidade Estadual de Campinas, Campinas, SP, 1999. SHENTON, L.R.; BOWMAN, K.O. A bivariate model for the distribution of and b2. Journal of the American Statistical Association, v. 72, p. 206-211, 1977. TRIOLA, Mario F. Introduo Estatstica. 7. ed., Rio de Janeiro: LTC, 1999. XAVIER, A. A. de Paula. Condies de conforto trmico para estudantes de 2o Grau na regio de Florianpolis. Dissertao de mestrado. CPGEC da UFSC, Florianpolis, 1999.

ANDERSON, D. R.; SWEENEY, D. J.; & WILLIAMS, T. Statistics for business and economics. 3 ed, South-Western, 2002 ANSI/ASHRAE 55. Thermal environmental conditions for human occupancy. Atlanta, GA 30329, 1992. BEDALE, E. M. The effects of posture and rest in muscular work. UK: Industrial Fatigue Research, 1924. CHARNET, R.; BONVINO, H; FREIRE C. A. L; CHARNET, E. M. R. Anlise de modelos de regresso linear com aplicaes. Campinas, SP: Unicamp, 1999. FANGER, P. O. Thermal comfort analysis and applications in environmental engineering. United States: McGraw-Hill Book Company, 1970. ISO 8996. Ergonomics determination of metabolic heat production. International Organization for Standardization, Genebra, 1990.

Sobre os autores

Anand Sobramanian Universidade Federal da Paraba (UFPB) Engenheiro de Produo Mecnica. Mestrando em Engenharia de Produo End.: Departamento de Engenharia de Produo (DEP) Centro de Tecnologia Campus I Bloco G Cidade Universitria, Castelo Branco, CEP: 58051-970 Joo Pessoa, PB Brasil Caixa Postal: 5045. Tel.: (83) 3216-7685, Fax: (83) 3216-7549 E-mail: anandsubraman@hotmail.com Luiz Bueno da Silva, Dr. Universidade Federal da Paraba (UFPB) Professor Adjunto II End.: Departamento de Engenharia de Produo (DEP) Centro de Tecnologia Campus I Bloco G Cidade Universitria, Castelo Branco, CEP: 58051-970 Joo Pessoa, PB Brasil Caixa Postal: 5045. Tel.: (83) 3216-7685, Fax: (83) 3216-7549 E-mail: bueno@.ct.ufpb.br Antonio Souto Coutinho, Dr. Universidade Federal da Paraba (UFPB) Professor Adjunto IV End.: Departamento de Engenharia de Produo (DEP) Centro de Tecnologia Campus I Bloco G Cidade Universitria, Castelo Branco, CEP: 58051-970 Joo Pessoa, PB Brasil Caixa Postal: 5045. Tel.: (83) 3216-7685, Fax: (83) 3216-7549 E-mail: coutinho@ct.ufpb.br
Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007

69

Anand Sobramanian; Luiz Bueno da Silva; Antonio Souto Coutinho

SCRIPT DESENVOLVIDO NO AMBIENTE MATLAB PARA CLASSIFICAES DE GRUPOS DISCRIMINANTES A PARTIR DE DADOS PROVENINENTES DE NOVAS AMOSTRAS A seguir segue um exemplo de aplicao do script para uma amostra de tamanho n = 6. Vale salientar que os dados de tbs e Var foram aproveitados dos dados existentes da amostra utilizada neste estudo. % Tamanho da Amostra N = 6; % Variaveis Independentes Tbs = [27.10 26.59 24.68 23.58 24.04 24.11]; Var = [0.08 0.34 0.07 0.12 0.11 0.09]; % Funoes de classificao F0 = 42.874*Tbs - 174.698*Var - 515.983; F1 = 45.780*Tbs - 179.392*Var - 590.151; F2 = 48.587*Tbs - 201.561*Var - 663.122; S = []; for i = 1:N F = [F0(i) F1(i) F2(i)]; C = max(F); if F0(i) == C S(i) = 0; elseif F1(i) == C S(i) = 1; else S(i) = 2; end end % Variavel Dependente Sensacao = S Depois de executado o script, se obteve o seguinte resultado: Sensao trmica = 2 1 0 0 0 0

70

Produo, v. 17, n. 1, p. 052-070, Jan./Abr. 2007