I ENID PIBID UEMA: I ENCONTRO DE INICIAÇÃO À DOCÊNCIA Planejamento Experimental “Um Curso Introdutório!” Prof.Dr. Rubens Soeiro Gonçalves / DMM / IFMA [email protected] Objetivo do Curso Introdutório : • Apresentar uma “ferramenta poderosa” - pesquisa; • Aplicar o planejamento a exemplos práticos; • Motivar os discentes para o estudo desta metodologia. Metodologia do Curso: • Aplicação do planejamento à exemplos práticos, estudando a fundamentação e aplicando-a utilizando o Matlab; STATISTICA! Planejamento Experimental Um dos problemas mais comuns que um pesquisador pode enfrentar é a determinação de influência de uma ou mais variáveis sobre uma outra variável de interesse. Planejamento Experimental • O planejamento experimental, também denominado delineamento experimental, representa um conjunto de ensaios estabelecido com critérios científicos e estatísticos, com o objetivo de determinar a influência de diversas variáveis nos resultados de um dado sistema ou processo (Button, 2005). Com isso, objetiva a determinação do número ideal de experimentos que leve à obtenção de resultados com um dado grau de confiabilidade. Outros objetivos: • determinar quais variáveis são mais influentes nos resultados; • atribuir valores às variáveis influentes de modo a otimizar os resultados; • Determinar pontos críticos do processo; • atribuir valores às variáveis influentes de modo a minimizar a variabilidade dos resultados ; • atribuir valores às variáveis influentes de modo a minimizar a influência de variáveis incontroláveis ; A utilização das técnicas estatísticas de planejamento experimental possibilita: • a redução do número de ensaios sem prejuízo da qualidade da informação; • o estudo simultâneo de diversas variáveis, separando seus efeitos ; • a determinação da confiabilidade dos resultados ; • a realização da pesquisa em etapas, num processo iterativo de acréscimo de novos ensaios; • a seleção das variáveis que influem num processo com número reduzido de ensaios; • a representação do processo estudado através de expressões matemáticas ; • a elaboração de conclusões a partir de resultados qualitativos . “Ferramentas”: • Conceitos Básicos de Estatística; • Distribuições Características de Amostragens; Distribuição Normal • Estimadores ; • • • • • Intervalo de Confiança; Testes de Hipóteses ; Regressão linear multivariável; ANOVA ; Planejamento Fatorial! Distribuição Chi-quadrado χ2 Distribuição t de Student Distribuição F de Snedcor Conceitos Básicos: Ao realizar-se uma série de ensaios sob condições preestabelecidas, normalmente observa-se uma variação de resultados de ensaio para ensaio. Essa variação denomina-se erro experimental. A existência deste erro caracteriza a variável de resposta como sendo uma variável aleatória (V.A.), que pode ser discreta se apresentar um número finito de valores possíveis, ou contínua, se estiver dentro de um intervalo de valores. A probabilidade de uma variável aleatória x é dada pela sua distribuição de probabilidade. Caso a variável seja discreta, essa distribuição é uma função probabilidade p(x), caso seja contínua, passa a ser denominada função densidade de probabilidade f(x) (f.d.p). No caso do planejamento experimental, os resultados obtidos referem-se a uma amostragem, que se espera possam reproduzir o comportamento da população que representam. Os métodos estatísticos só podem ser utilizados se as amostras forem escolhidas aleatoriamente, ou seja, com a mesma probabilidade de serem retiradas da população que outras amostras. Distribuições distribuição normal Distribuições t de student com 5 e 30 graus de liberdade e distribuição normal padronizada. Distribuições Qui-Quadrado com 1, 5 e 10 graus de liberdade Distribuições t de student com 5 e 30 gr Distribuição F, com 10 graus de liberdade para o numerador e 20 para o denominador aus de liberdade e distribuição normal padronizada Estimadores – LINEAR REGRESSION MODELS Estimadores – LINEAR REGRESSION MODELS Estimadores – LINEAR REGRESSION MODELS Parâmetros a Estimar Qualidade do ajuste: Suposições válidas - ANOVA : Segundo Box, Hunter, Hunter 1 - A variância do erro experimental é a mesma em todos os tratamentos. A dispersão não deve depender dos níveis dos fatores, ou seja. As faixas de dispersão dos resíduos para os dois níveis de cada fator devem ser aproximadamente iguais; 2 - Os erros experimentais são independentes: ou seja, o gráfico dos resíduos deve estar distribuídos aleatoriamente em torno do eixo horizontal; 3 - Erro experimental tem distribuição normal,i.e: erro = N(o,σ) : a suposição de normalidade será satisfeita se os pontos do gráfico: resíduos vs probabilidade estiverem numa reta; Falha comum na probabilidade normal são resíduos fora da reta, “outlier” estes resíduos iram causar sérias distorções ANOVA. Dentre vários procedimentos estatísticos para checar “outliers”, veja Barnett and Lewis (1994), podemos utilizar o resíduo padronizado, i.e, se erro = N(o,σ) então -3 <= o resíduo_ padronizado <=3 Análise dos Resultados: • Superfície de Resposta (SR): Consiste em estimar coeficientes da regressão polinomial para a geração de um modelo empírico; então, é possível aproximar um modelo empírico a uma relação (inicialmente desconhecida ou conhecida) entre os fatores e as respostas do processo (Saramago, 2006). •Gráfico dos resíduos; •Coeficiente de determinação; • ANOVA • etc..... EXEMPLO_1: Vamos analisar a Ep do sistema abaixo, em que sob ação da força F, o sistema de peso W se move até a posição de equilíbrio. ; Ex-1 : Vamos analisar a Ep do sistema abaixo, em que sob ação da força F, o sistema de peso W se move até a posição de equilíbrio. • • Variáveis de entrada : Força, Ângulo Variável de saída: Ep • Níveis do fatores: Força: 80 (baixo), 100 (alto) e 90 (centro) Ângulo 5 (baixo), 85 (alto) e 45 (centro) • Matriz de planejamento experimental (real e codificada): Realização dos experimentos. k=2 ; 2^2 = 4 + 1 = 5 Variáveis de Entrada (real) Saída Ep(N.m) Variáveis de entrada codificada Força (N) Ângulo (graus) Saída Saída Ep(N.m) Ep(N.m) Força (N) Ângulo (graus) 80 5 -1 -1 -13,63 80 85 -1 +1 100 5 +1 -1 100 85 +1 +1 713,60 -17,98 663,79 90 45 0 0 Codificação: N=2*(var-mean(var) / (max(var) - min(var); 133,79 Ex-1 : Vamos analisar a Ep do sistema abaixo, em que sob ação da força F, o sistema de peso W se move até a posição de equilíbrio. Utilizando o Statisfica Fitted Surface; Variable: Var3 Fitted Surface; Variable: Var3 2**(2-0) design; MS Residual=16775,7 2**(2-0) design; MS Residual=16775,7 DV: Var3 DV: Var3 1,2 1,0 0,8 0,6 0,4 0,2 0,0 Var2 -0,2 -0,4 -0,6 -0,8 -1,0 600 400 200 0 -1,2 -1,2 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 Var1 0,2 0,4 0,6 0,8 1,0 z=296;52-12;7975*x+352;9925*y+0; z=296;52-12;7975*x+352;9925*y+0; Modelo linear - sem Interação Yr = bo + b1*x1 + b2*x2 Regr. Coefficients; Var.:Var3; R-sqr=,93785; Adj:,75141 (Spreadsheet1) 2**(2-0) design; MS Residual=33101,32 DV: Var3 1,2 700 500 300 100 -100 Ex-1 : Vamos analisar a Ep do sistema abaixo, em que sob ação da força F, o sistema de peso W se move até a posição de equilíbrio. Utilizando o Statisfica Observed vs. Predicted Values 2**(2-0) design; MS Residual=16775,7 Predicted vs. Residual Values DV: Var3 2**(2-0) design; MS Residual=16775,7 DV: Var3 800 100 700 50 600 500 0 400 -50 300 Predicted Values Raw Residuals 200 100 0 -100 -150 -100 -200 -100 -200 -200 0 100 200 300 400 Observed Values 500 600 700 800 -100 0 100 200 300 400 Predicted Values 500 600 700 800 Ex-1 : Vamos analisar a Ep do sistema abaixo, em que sob ação da força F, o sistema de peso W se move até a posição de equilíbrio. Utilizando o Statisfica Yr = bo + b1*x1 + b2*x2 + b3*x1*x2 Fitted Surface; Variable: Var3 2**(2-0) design; MS Residual=33101,32 Fitted Surface; Variable: Var3 DV: Var3 2**(2-0) design; MS Residual=33101,32 DV: Var3 1,2 1,0 0,8 0,6 0,4 0,2 0,0 Var2 -0,2 -0,4 -0,6 -0,8 600 400 -1,0 200 0 -1,2 -1,2 z=296;52-12;7975*x+352;9925*y-10;6075*x*y+0; -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2 700 500 300 100 -100 Var1z=296;52-12;7975*x+352;9925*y-10;6075*x*y+0; Modelo com Interação Yr = bo + b1*x1 + b2*x2 + b3*x1*x2 Regr. Coefficients; Var.:Var3; R-sqr=,93785; Adj:,75141 (Spreadsheet1) 2**(2-0) design; MS Residual=33101,32 DV: Var3 Ex-1 : Vamos analisar a Ep do sistema abaixo, em que sob ação da força F, o sistema de peso W se move até a posição de equilíbrio. Utilizando o Statisfica Observed vs. Predicted Values 2**(2-0) design; MS Residual=33101,32 DV: Var3 Observed vs. Residual Values 800 2**(2-0) design; MS Residual=33101,32 700 DV: Var3 100 600 50 500 400 0 300 -50 200 Raw Residuals Predicted Values 100 0 -100 -200 -100 0 100 200 300 400 Observed Values 500 600 700 800 -100 -150 -200 -100 0 100 200 300 400 Observed Values 500 600 700 800 Resultados e Discussão - Matlab! Superfície de Resposta (SR): Modelo de Regressão yr1 Gráfico de Contorno: Cada reta associada com um valor de y 1 615.9723 0.8 800 570.2485 524.5248 0.6 478.801 433.0772 0.4 387.3535 400 Nível de B Variável Resposta 600 200 0 -200 1 0.2 341.6298 295.906 0 250.1823 -0.2 204.4585 -0.4 158.7347 -0.6 67.28725 -0.8 21.5635 113.011 0.5 1 0.5 0 0 -0.5 Nível de B -0.5 -1 -1 Nível de A yr1 = 295,906 - 13,530*x1 + 352,260*x2 r^2 =0,9370920; r_adjust^2 =0,8741 -24.16025 -1 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 Nível de A 0.4 0.6 0.8 1 Resultados e Discussão - Matlab! Residuos em função dos níveis do fator B 100 50 50 0 0 Residuo Residuo Residuos em função dos níveis do fator A 100 -50 -100 -100 -150 -200 -1 -50 -150 -0.8 -0.6 -0.4 -0.2 0 0.2 níveis do fator A 0.4 0.6 0.8 1 -200 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 níveis do fator B 0.4 0.6 0.8 1 Resultados e Discussão - Matlab! Predito vs observado Residuos 700 100 600 50 500 400 Residuo Residuo 0 -50 300 200 -100 100 0 -150 -200 -100 -100 1 1.5 2 2.5 3 3.5 ordem de coleta 4 4.5 5 0 100 200 300 400 observado 500 600 700 800 Resultados e Discussão - Matlab! Gráfico de Contorno: Cada reta associada com um valor de yr2 1 Superfície de Resposta (SR): Modelo de Regressão yr2 609.1472 0.8 563.4235 517.6997 0.6 800 471.976 426.2523 0.4 380.5285 Nível de B Variável Resposta 600 400 200 0.2 334.8048 289.081 0 243.3573 -0.2 197.6335 -0.4 151.9097 0 106.186 -200 1 -0.6 0.5 1 0.5 0 0 -0.5 Nível de B -0.5 -1 -1 60.46225 14.7385 -0.8 -30.98525 -1 -1 -0.8 Nível de A coef_det_2 = 0.938067711622286 coef_det_2_ajust = 0.752270846489143 yr1 = 295,906 - 13,530*x1 + 352,260*x2 – 11,37*x1*x2 -0.6 -0.4 -0.2 0 0.2 Nível de A 0.4 0.6 0.8 1 ANÁLISE DO MODELO: Melhor modelo ? • O modelo representa o sistema? •O modelo satisfaz os requisitos da ANOVA - Suposições válidas ? - Etc.... • Superfície de Resposta (SR): Modelo de Regressão yr2 800 Variável Resposta 600 400 200 0 -200 1 0.5 1 0.5 0 0 -0.5 Nível de B -0.5 -1 -1 Nível de A O modelo representa o sistema? Fitted Surface; Variable: Var3 2 factors, 1 Blocks, 9 Runs; MS Residual=559,6605 DV: Var3 1600 1400 1200 1000 800 600 400 200 0 z=133;70633988415-15;614691206339*x+1;8126809686394*x^2 +338;34729570472*y+197;45676325826*y^2-11;39*x*y+0; Superfície de Resposta Quadrática Planejamento 22 em estrela Gira 45 graus em relação origem Planejamento 22 em estrela X1 X1 -1 y A B y -1 80 5 -13,63 1 -1 100 5 -17,88 -1 1 80 85 713,60 1 1 100 85 663,79 0 0 90 45 133,79 -2^1/2 0 75,86 45 158,79 0 2^1/2 90 101,57 980,14 2^1/2 0 104,14 45 108,80 0 -2^1/2 90 -11,56 65,37 Variáveis codificadas Variáveis reais Vamos ajustar ao modelo_2: yr2 =bo +b1*x1 + b2*x2 + b3*x1^2 +b4*x2^2+ b5*x1*x2 No Statistic – central composite non-factorial Matlab Resultados e Discussão: Superfície de Resposta (SR): Modelo de Regressão yr2 Variável Resposta 1500 1000 500 0 -500 2 1 2 1 0 0 -1 Nível de B -1 -2 -2 Nível de A yr2 = 133,79 - 15,60*x1 - 337,84*x2 + 2,042*x1^2 + 196,52*x2^2 - 11,37*x1*x2 coef_det_2 = 0,9983 z=98;516998259962-15;635100878547*x+19;475109234023*x^2 +338;34729570472*y+215;09859823918*y^2-11;39*x*y+0; Resutados e Discussão: O modelo_3 Superfície de Resposta (SR): Modelo- Níveis dos Fatores Naturais SR real 15 10 y 5 0 -5 150 100 110 100 50 90 0 Angulo 80 -50 70 yr2 =193,04 - 3,95*A – 0,049*B + 0,02*A^2 + 0,122*B^2 – 0,0284*A*B coef_det_2 = 0,9983 O modelo_3 representa melhor o sistema! Ver SR para ver mínimo de Ep! Força Análise dos resíduos Modelo_3 1 - A variância do erro experimental é a mesma em todos os tratamentos ? Residuos em função dos níveis do fator B 25 20 20 15 15 10 10 5 5 Residuo Residuo Residuos em função dos níveis do fator A 25 0 0 -5 -5 -10 -10 -15 -15 -20 -20 -25 -1.5 -1 -0.5 0 níveis do fator A 0.5 1 1.5 -25 -1.5 -1 -0.5 0 níveis do fator B 0.5 1 1.5 Análise dos resíduos Modelo_3 2 - Os erros experimentais são independentes ? 3 - Erro experimental tem distribuição normal? probabilidade normal dos residuos Residuos 20 90 15 80 probabilidade percentual dos residuos 25 100 10 Residuo 5 0 -5 -10 -15 60 50 40 30 20 10 -20 -25 70 1 2 3 4 5 6 ordem de coleta 7 8 9 0 -25 -20 -15 -10 -5 0 Resíduo 5 10 15 20 25 “VALIDADE ESTATÍSTICA DUM MODELO” ANOVA dos modelo proposto . Regressão Múltipla: teste sobre o modelo E{Y} = 0 + 1X1 + 2X2 + ... + kXk H0: 1 = 2 = ... = k = 0 2 n SQE yi yˆ i i 1 SQR f k SQE n k 1 n 2 SQT yi y SQR SQT SQE i 1 Sob H0 e considerando as suposições do modelo, f tem distrib. F com g.l. k (no num.) e (n-k-1) (no denom.) Estatística do Teste: Se a Razão (SQR/SQE) > f Modelo é válido estatísticamente! Rejeita Ho VALIDADE ESTATÍSTICA DOS MODELOS: Tabela ANOVA para Modelo_1: (p=3; k=2 e n=5). yr1 = 21,383 - 1,353*A + 8,8*B Fonte de Variação SQ Número de graus de Liberdade MQ Regressão 497080 2 248540 Resíduos 33369 5-3 = 2 16684 Total 530450 5-1 = 4 Razão (SQR/SQE) 14,89 F (0,95) Razão (SQR/SQE) < F Modelo inválido estatísticamente! 18,99 Aceita Ho Tabela ANOVA para Modelo_2: (p=4; k=3 e n=5). yr1 = 295,906 - 13,530*x1 + 352,260*x2 – 11,37*x1*x2 Fonte de Variação SQ Número de graus de Liberdade MQ Regressão 497598 3 165866 Resíduos 32851 5-4 =1 32851 Total 530450 5-1 = 4 5,04 Razão (SQR/SQE) F (0,95) Razão (SQR/SQE) < F Modelo inválido estatísticamente! 215 Aceita Ho VALIDADE ESTATÍSTICA DOS MODELOS: Tabela ANOVA para Modelo_3: (p=6, k =5 e n=9). yr2 = 133,79 - 15,60*A - 337,84*B + 2,042*A^2 + 196,52*B^2 - 11,37*A*B Fonte de Variação SQ Número de graus de Liberdade MQ Regressão 1101889 5 220377 Resíduos 1831 9-6 = 3 610 Total 1103720 9-1 = 8 Razão (SQR/SQE) F (0,95) Razão (SQR/SQE) > F Modelo válido estatísticamente! Rejeita Ho 361,07 9,013 EXERCÍCIO PROPOSTO: Um Planejamento Fatorial 23 yr = bo +b1*x1 +b2*X2 + b3*X3 Matriz de Planejamento Fatores (-1) (1) (0) 1 Força (N) 80 100 90 2 Ângulo(graus) 5 85 45 3 Peso (N) 300 400 350 3 -1 -1 -1 -1 1 1 1 1 0 Ep -14,58 -18,93 485,39 435,58 -13,62 -17,98 713,60 663,79 97,18 Experimentos 1 2 3 4 5 6 7 8 9 1 -1 1 -1 1 -1 1 -1 1 0 2 -1 -1 1 1 -1 -1 1 1 0 yr = 258,9 -13,5*X1 + 295,43*X2 + 57,2 *X3 Effect Estimates; Var.:Var5; R-sqr=,92804; Adj:,88486 (Spreadsheet1) 2**(3-0) design; MS Residual=11258,27 DV: Var5 EXERCÍCIO PROPOSTO: Um Planejamento Fatorial 24 Matriz de Planejamento 1 2 Fatores Força (N) Ângulo(graus) (-1) 80 5 (1) 100 85 (0) 90 45 3 Peso (N) 300 400 350 4 Comprimento (m) 1 2 3 Experimentos yr = bo 1 2 3 4 +b1*x156 +b2*X2 7 8 9 10 11 12 13 14 15 16 17 1 + b3*X3 + 2 3 4 -1 -1 1 -1 -1 1 1 1 -1 -1 b4*X4 1 -1 -1 1 1 1 -1 -1 1 -1 -1 1 1 1 -1 -1 1 -1 -1 1 1 1 0 0 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 0 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 1 1 0 Ep (Nm) -5,83 -7,57 194,16 174,23 -5,45 -7,19 285,44 265,52 -17,49 -22,72 582,47 522,70 -16,35 -21,58 856,33 796,55 77,75 yr = bo +b1*x1 +b2*X2 + b3*X3 + b4*X4 yr = 214,76 -10,83 *x1 +236,34*X2 + 45,83*X3 + 111,66*X4 Regr. Coefficients; Var.:Var5; R-sqr=,79267; Adj:,72356 (Spreadsheet7) 2**(4-0) design; MS Residual=24603,25 DV: Var5 EXEMPLO_2: Vamos analisar o efeito da concentração e catalisador no rendimento de uma reação. Analisar o efeito da concentração de um reagente e a quantidade de catalisador na conversão de uma reação? X1 = [A] ; X2 = [cat] Niveis de [A] = 15 e 25 % ; Niveis de [cat] = 1 porção e 2 porções yr1 = bo + b1*x1 + b2*x2 Variáveis de entrada codificada [A]) [cat] -1 -1 -1 +1 +1 -1 +1 +1 Saída Rend (%) z=82;5+12;5*x-7;5*y+2;5*x*y+0; Analisar o efeito da concentração de um reagente e a quantidade de catalisador na conversão de uma reação? X1 = [A] ; X2 = [cat] Niveis de [A] = 15 e 25 % ; Niveis de [cat] = 1 porção e 2 porções Variáveis de entrada codificada Saída [A]) [cat] Rend (%) -1 -1 -1 +1 +1 +1 -1 +1 Variáveis de entrada - real 1 EXP / replica / treplica 28 25 27 26,26 36 32 32 33,33 18 19 23 20 31 30 29 30 codificada: z=27;3975+4;2675*x-2;3975*y+0; Saída Real z=17;52+ ;8535*x-4;795*y+0; [A]) [cat] Rend (%) 15 1 26,26 25 1 33,33 15 2 20 25 2 30 Regr. Coefficients; Var.:Var3; R-sqr=,9781; Adj:,93429 (Spreadsheet15) 2**(2-0) design; MS Residual=2,146225 DV: Var3 Fitted Surface; Variable: Var3 Fitted Surface; Variable: Var3 2**(2-0) design; MS Residual=2,146225 2**(2-0) design; MS Residual=2,146225 DV: Var3 DV: Var3 2,2 2,0 1,8 1,6 Var2 34 32 30 28 26 24 22 20 z=17;52+;8535*x-4;795*y+0; 1,4 1,2 1,0 0,8 14 16 18 20 Var1 22 24 26 34 32 30 28 26 24 22 20 z=17;52+;8535*x-4;795*y+0; Importância do grafico de contorno: Podemos ver que o rendimento aumenta com a concentração do reagente e diminui com a porção de catalizador ! EXEMPLO_3: Vamos analisar o efeito da Temperatura, Pressão e Concentração no rendimento de uma reação. Exemplo _3: Regression Analysis of a 23 Factorrial Design Resultados e Discussão: Modelo: yr = bo + b1*x1 + b2*x2 + b3*x3 beta2 = 51.000000000000000 5.625000000000000 10.625000000000000 1.125000000000000 razao_f_2 = 34.703858670385870 SQR f k SQE n k 1 Modelo: yr = bo + b1*T + b2*P + b3*C Fitted Surface; Variable: Var4 3 factors, 1 Blocks, 12 Runs; MS Residual=11,20313 DV: Var4 beta2 = 22.312500000000114 0.150000000000000 5.312499999999996 0.225000000000001 60 50 40 z=51;+5;625*x+10;625*y-1;125 MODELO 1 MOEDLO 2 70 70 65 65 60 60 AJUSTADO 55 50 45 50 40 45 35 40 30 30 35 40 45 50 55 OBSERVADO 60 65 35 70 MOEDLO 3 70 30 30 65 60 55 AJUSTADO AJUSTADO 55 50 45 40 35 30 30 35 40 45 50 55 OBSERAVDO 60 65 70 35 40 45 50 55 OBSERAVDO 60 65 7 Propor y = b0 + b1*N1 + b2*N2 + b3*N3 + b4*N1*N2*N3 razao_f_2 = 23.660404624277454 beta2 = 51.000000000000000 5.625000000000000 10.625000000000000 1.125000000000000 0.625000000000000 Propor y = b0 + b1*N1 + b2*N2 + b3*N3 + b4*N1*N2 + b5*N1*N3 + b6*N2*N3 razao_f_2 = beta2 = 11.892097264437691 51.000000000000000 5.625000000000000 10.625000000000000 1.125000000000000 -0.875000000000000 0.125000000000000 -0.375000000000000 Residuos 70 65 60 AJUSTADO 55 50 45 40 35 30 30 35 40 45 50 55 OBSERAVDO 60 65 70 Propor y = b0 + b1*N1 + b2*N2 + b3*N3 + b4*N2*N2 y = b0 + b1*N1 + b2*N2 + b3*N3 + b4*N1*N2 + b5*N2*N3beta2 = 51.000000000000000 5.625000000000000 10.625000000000000 1.125000000000000 -0.875000000000000 -0.375000000000000 MOEDLO 4 70 65 60 AJUSTADO 55 50 45 40 35 30 30 35 40 45 50 55 OBSERAVDO 60 65 70