TRABALHO DE MODELAGEM

ESTATÍSTICA E PLANEJAMENTO DE
EXPERIMENTOS

ALUNO: VÍCTOR MITLETON HERRERA, matrícula

11821EQU020
PROFESSOR: EDMILSON RODRIGUES PINTO
DISCIPLINA: Estatística
Modelagem estatística:

Modelagem estatística é a aplicação de técnicas baseadas em

equações matemáticas para investigar a relação entre variáveis de um
conjunto de dados, comumente contemplando algum elemento
probabilístico.

Geralmente objetiva fazer inferência de um parâmetro a partir de

uma amostra utilizando: métodos matemáticos, amostras, testes de
hipóteses, métodos de estimação, intervalos de confianças na maioria das
vezes controlando um nível de confiança.

Alguns Modelos de Modelagem: Regressão Linear e não Linear,

Séries Temporais, Componente Principais (PCA), Análise de Sobrevivência,
Análise de variância e de Covariância, Métodos Bayesianos de Estatística
Espacial, etc..
I - Planejamento experimental:
O planejamento experimental consiste em projetar um
experimento de forma que ele forneça exatamente o tipo de
informação que se deseja. Para isso precisa saber,
primeiramente, o que é mesmo que está se procurando. Pode-se
dizer que um bom experimentador é, antes de tudo, uma pessoa
que sabe o que quer. Dependendo do que ele queira, algumas
técnicas serão mais vantajosas, enquanto outras serão
simplesmente inócuas.
Para se tornar um bom experimentador, o
experimentador precisa se questionar sobre: o que ele gostaria
de ficar sabendo quando o experimento estivesse finalizado.
II - Experimento fatorial:
Um experimento fatorial consiste em um tipo de experimento
planejado que permite observar os efeitos que vários fatores podem
ter sobre uma resposta. Ao conduzir uma experiência, variando os
níveis de todos os fatores, ao mesmo tempo, em vez de um de cada
vez permite estudar as interações entre os fatores.
Nesse método, se estuda mais de dois fatores ao invés de
estudar um de cada vez. Em um experimento fatorial, todas as
possíveis combinações dos níveis dos fatores são testadas. Por
exemplo, se temos um fator A com dois níveis e um fator B com
três níveis, teremos 2 x 3 = 6 combinações a serem testadas.
 Um exemplo de experimento fatorial na área de Engenharia Química é
o seguinte:
Foi utilizado como substrato caldo de cana, que é irrigada com vinhaça e
rotineiramente utilizado na Destilaria Japungu, Santa Rita – PB, para a produção
de etanol. Para isso fez-se uso de vários fatores, como: Brix do caldo in natura
e do mostro, açúcares redutores totais (ART), nitrogênio totais, fósforo, com
a finalidade de se chegar a melhor forma de se produzir etanol.

No final do experimento chegou-se à conclusão de que as fontes de

nutrientes nitrogênio e fósforo, na resposta rendimento e produtividade, na faixa
estudada, só demonstraram efeito significativo de 1ª ordem, na variável fósforo,
mostrando que o caldo de cana da variedade CB 453 já possui quantidades
suficientes do nutriente nitrogênio para que ocorra uma boa fermentação. O
modelo matemático probabilístico e empírico foi validado para a variável
resposta produtividade e não para o rendimento e os teores alcoólicos obtidos
nas fermentações não foram suficientes para causar inibição celular.
III – Análise fatorial:

A análise fatorial é um método estatístico multivariado cujo objetivo é

agrupar p variáveis aleatórias, X1, ..., Xp, em grupos formados por variáveis
fortemente correlacionadas. Tais grupos constituem os chamados fatores ou
variáveis latentes. Os fatores são variáveis aleatórias não observáveis,
preferencialmente em número inferior ao das variáveis originais.
Este método requer a normalidade conjunta de F e de ε. Tendo em conta as
hipóteses consideradas para modelo ortogonal, X − µ = ΛF + ε, apresentado na
secção 3.1, tem-se X − µ ∼ Np(0,ΛΛT + Ψ). Prova-se também que a
distribuição conjunta de X e F é Nm+p(0, ΣT) onde:
 Além disso, verifica-se que a distribuição condicional de F dado X = x,
F|x, é normal multivariada com vetor média e matriz de variâncias-covariâncias
dados, respetivamente, por:

De acordo com este método os scores fatoriais são obtidos encontrando

estimativas dos coeficientes na regressão multivariada dos fatores nas variáveis, ou
seja, estimativas de Λ T (ΛΛT + Ψ)−1 . Desta forma, tomando como verdadeiras as
estimativas de Λ e Ψ obtidas pelo método da máxima verossimilhança, os scores
fatoriais para o j-ésimo indivíduo da amostra são as m componentes do vetor:
 Um exemplo de análise fatorial na área de Engenharia Química é o
seguinte:
Com o aumento das atividades industriais, há de forma direta, um
aumento na geração de resíduos, e, em vista dessa realidade, cresce a
necessidade do controle e tratamento dos mesmos, almejando o
desenvolvimento sustentável. As indústrias de laticínios são importantes
produtoras e, também, geradoras de resíduos – efluentes líquidos, que por sua
vez, possuem elevada carga orgânica, sendo considerados materiais altamente
poluidores. Diante disso, estudos vêm sendo elaborados visando o tratamento
desses rejeitos de forma eficiente e economicamente viável.

Dentre eles, os Processos Oxidativos Avançados (POAs) são uma das

principais tendências em tratamento de efluentes, em especial o emprego da
reação de Fenton. Esta reação acontece por meio do ataque de peróxido de
hidrogênio (H2O2) à matéria orgânica na presença de sais de ferro, que atuam
como catalisadores. Essa tem sido aplicada em sua forma homogênea, porém
apresenta uma desvantagem: a geração de lama.
 Uma alternativa viável às desvantagens do emprego desta forma é a
reação em fase heterogênea que possibilita reutilizar o material em outras
reações. Esses sistemas utilizam como fonte de ferro catalisadores sólidos,
que, em combinação com peróxido de hidrogênio, promovem a oxidação da
matéria orgânica.

Neste trabalho, foi analisada a aplicação do minério de ferro, a

hematita (Fe2O3), como catalisador na reação de Fenton. Os experimentos
para estudo deste sistema foram realizados em batelada, de acordo com um
planejamento fatorial estatístico (23 ), que avaliou a influência de três
variáveis (pH, concentração inicial de hematita e de peróxido de hidrogênio).
A eficiência deste processo foi comparada ao processo homogêneo.

Por meio da análise estatística, verificou-se que, nenhuma das

variáveis escolhidas como independentes teve significância na resposta
obtida nos experimentos dentro dos valores dos limites das variáveis citadas
em estudo.
 Para o planejamento, as condições mais favoráveis para redução de
DQO (em torno de 65,0%), após 90 minutos de reação foram: pH 3.0,
[Hematita] 1,0 g/L e [H2O2] 50 g/L, (DQO inicial 52 g/L).
Um delineamento composto central rotacional foi realizado mantendo a
variável [Hematita] constante (1,0 g/L) e observou uma melhor redução da
DQO (em torno de 80,0%), após 90 minutos de reação, nos valores de [H2O2]
40 g/L e pH 2,5, indicando um ponto melhor para o emprego deste tipo de
reação para este efluente.

III – Análise de Variância:

Análise de variância é uma técnica estatística que avalia afirmações
sobre as médias de populações. Esta análise visa, verificar se há uma diferença
significativa entre as médias e se os fatores influenciam em alguma variável
dependente.
Objetivo da Análise de Variância:

A análise de variância compara médias de diferentes populações com o

objetivo de verificar se essas populações possuem médias iguais ou não. Desse jeito,
a análise de variância possibilita que vários grupos sejam comparados ao mesmo
tempo.
Ou seja, a análise de variância é utilizada quando se quer decidir se as
diferenças amostrais observadas são reais (provocadas por diferenças significativas
nas populações observadas) ou casuais (provocadas pela mera variabilidade
amostral). Pode se concluir que, essa análise parte do pressuposto que o acaso só
produz pequenos desvios, as grandes diferenças são geradas por causas reais.
Um exemplo de análise de variância na área de Engenharia Química é o
seguinte:
Nos dias de hoje, existe uma demanda crescente de asfaltos modificados no
Brasil, isso faz com que a pesquisa de novas alternativas de materiais poliméricos
que satisfaçam os requisitos de desempenho e viabilidade financeira seja necessária.
 A partir deste contexto se encaixa este trabalho, que apresenta um
estudo sobre os efeitos da modificação de dois tipos de asfaltos brasileiros
(CAP 50/70 e CAP 30/45) pela adição do terpolímero de etileno-acrilato de
metila-metacrilato de glicidila (EMGMA) e ácido polifosfórico (PPA).
As formulações de asfaltos modificados foram definidas utilizando-se
um planejamento experimental e a análise fatorial foi realizada para estudar
os efeitos e interações dos fatores nas variáveis de resposta.
As amostras foram caracterizadas pelos ensaios tradicionais (ponto de
amolecimento, penetração, recuperação elástica e viscosidade rotacional) e
por ensaios reológicos, incluindo-se os ensaios de fluência e recuperação sob
tensão múltipla (MSCR).
A partir dos ensaios tradicionais observou-se uma melhoria
significativa nas propriedades elásticas do asfalto modificado em relação aos
materiais originais.
 Os ensaios reológicos evidenciaram a melhoria no comportamento dos
asfaltos base e o ensaio de MSCR apresentou menores valores de compliância não-
recuperáveis e maiores percentuais de recuperação para as amostras modificadas, o
que evidencia a melhoria na resistência à deformação permanente em misturas
asfálticas.
A análise de espectroscopia no infravermelho por Transformada de Fourier
(FTIR) foi realizada para a investigação das interações envolvidas entre os asfaltos
CAP, EMGMA e o PPA. Observou-se o desaparecimento de banda relacionada
com os grupos epoxídicos do EMGMA, sugerindo uma reação dos mesmos com os
grupos carboxílicos contidos na fração asfalteno, formando uma rede polimérica
tridimensional que explica a melhoria das características apresentadas.
Com a avaliação estatística dos efeitos foi possível concluir que o polímero
EMGMA tem maior influência nas respostas estudadas, porém concluiu-se que o
PPA também exerce influência significativa nas propriedades, além de existir
interação significativa entre os fatores, concluindo-se que o PPA tem o papel de um
comodificador no processo, sendo proposto um mecanismo de reação combinada
entre o CAP, o EMGMA e o PPA.
Bibliografia:
• https://pt.slideshare.net/MarcusEstanislao/tabela-diferenas-e-convergncias-
entre-estatstica-e-machine-learning
• BARROS NETO, B., SCARMÍNIO, I. S., E BRUNS, R.E. Como fazer
experimentos. 2ª. Edição. Bookman, 2001.
• CARPINETTI, LUIZ C. R. Planejamento e análise de experimentos
• http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0100-
40422008000500024
• https://estudogeral.sib.uc.pt/bitstream/10316/33696/1/Analise%20fatorial_Fra
nciscoCarvalho.pdf
• https://www.ufsj.edu.br/portal2-repositorio/File/ppgeq/Dissertacao.pdf
• https://pt.wikipedia.org/wiki/An%C3%A1lise_de_vari%C3%A2ncia
• http://repositorio.unicamp.br/handle/REPOSIP/321503