You are on page 1of 14

O MÉTODO DE BOOTSTRAP PARA O ESTUDO DE DADOS DE FADIGA DOS MATERIAIS

Mariano MARTINEZ-ESPINOSA1 Vera Lúcia Martins SANDANIELO1 Francisco LOUZADA-NETO2
RESUMO: O termo Bootstrap se refere, em geral, a uma técnica ou método de simulação, que objetiva a obtenção de intervalos de confiança para as estimativas dos parâmetros de interesse, por reamostragem do conjunto de dados original. A técnica Bootstrap pode especificamente ser utilizada quando são considerados modelos de regressão polinomiais. Um caso especial desses modelos é obtido quando os valores das variáveis independentes são codificados, ao se utilizar um planejamento fatorial. Neste caso, as variáveis independentes podem ser ortogonalizadas, possibilitando estimativas dos parâmetros mais exatas. O objetivo deste trabalho é o uso da técnica Bootstrap residual e de pares em dados experimentais de resistência à fadiga em corpos de prova de madeira, obtidos no Laboratório de Madeiras e de Estruturas de Madeira (LaMEM) – EESC – USP – Brasil , para verificar a adequação do modelo polinomial ortogonal múltiplo com distribuição normal, no estudo da resistência à fadiga em corpos de prova de madeira e estimar os parâmetros deste modelo em diferentes situações experimentais, utilizando simulações. Os resultados das simulações pelos métodos de Bootstrap mostram que esta técnica pode ser utilizada para o objetivo deste trabalho. PALAVRAS CHAVE: Bootstrap; resistência à fadiga; madeira; modelo polinomial ortogonal múltiplo da distribuição normal.

1 Introdução O procedimento Bootstrap é uma técnica de reamostragem, bastante utilizada em diferentes situações estatísticas. A base da técnica é a obtenção de um “novo” conjunto de dados, por reamostragem do conjunto de dados original (Efron e Tibishirani, 1993). Neste trabalho os métodos de reamostragem são utilizados especificamente para modelos de regressão, pois, pelo método de Bootstrap, podemos reexaminar uma análise de regressão já feita, comparando os resultados obtidos sob certas circunstancias assumidas (Draper e Smith, 1998). Observe que, um ponto importante da técnica Bootstrap não é somente avaliar as estimativas dos parâmetros, mas também obter boas estimativas dos erros padrão da distribuição gerada pelas estimativas dos parâmetros nas iterações de reamostragem
1

Departamento de Estatística, Instituto de Ciências Exatas e da Terra, Universidade Federal de Mato Grosso - UFMT, CEP 78060-900 Cuiabá, MT, Brasil. E-mail: marianom@cpd.ufmt.br / veluma@cpd.ufmt.br 2 Departamento de Estatística, Universidade Federal de São Carlos - UFSCar, Caixa Postal 676, CEP 13565-905, São Carlos, SP, Brasil. E-mail: dfln@power.ufscar.br Rev. Mat. Estat., São Paulo, v.24, n.2, p.37-50, 2006 37

em particular justificado por várias causas. o tempo e custo em geral são elevados. 1998). no estudo da fadiga de madeira e derivados pode ser encontrado em Martinez e Calil (2000 e 2003). considerando que para a realização dos ensaios. Estat. o objetivo deste trabalho é o uso da técnica Bootstrap para verificar a adequação do modelo polinomial ortogonal múltiplo com distribuição normal.37-55. em diferentes situações experimentais. pode aproximar a função verdadeira. podemos obter estimativas mais precisas dos parâmetros dos modelos de regressão. Isto pode ser avaliado no ajuste de situações de estimação lineares e não lineares. no estudo da resistência à fadiga em corpos de prova de madeira. é. Um caso particular de aplicação de modelos de regressão polinomial. Materiais e métodos são apresentados na Seção 4. Na Seção 6 desenvolvemos a análise dos dados. um polinômio de primeiro ou segundo grau pode adequadamente representar a verdadeira função (Box e Draper. dos erros padrões e intervalos de confiança. podemos freqüentemente supor que. São Paulo. onde as seguintes propriedades usualmente se cumprem (Box e Draper. dada pela seguinte expressão (Martínez e Calil.. o procedimento Bootstrap para o modelo de regressão múltipla. O uso do método Bootstrap no estudo da resistência à fadiga em corpos de prova de madeira. Na Seção 2 apresentamos o modelo polinomial ortogonal múltiplo com distribuição normal. Portanto. considerando um planejamento de experimento com três níveis e k fatores.1 Definição do modelo Uma expressão polinomial de grau d pode ser considerada como uma expansão em ~c serie de Taylor de uma função teórica verdadeira básica ( f ( X ) ) truncada depois do termo de ordem d . os modelos de segunda ordem são os mais utilizados (Martínez. v. Na prática. Além disso. melhor será a possível aproximação com uma função polinomial de um dado grau. p. 2001) e sua forma geral. b) Quanto menor é a região sobre a qual a aproximação é feita. Portanto.(Lepage e Billard. 1992). tais como em modelos de regressão polinomiais (Draper e Smith. 2006 . 2 Polinômio ortogonal múltiplo da distribuição normal 2. Estes modelos são utilizados em dados obtidos por meio de um planejamento estatístico de experimentos. n. 2000): Yi = a 0 + k i =1 a i x ic + k i =1 a ii x i2 c + k −1 k i =1 j = 2 a ij x ic x cj + ε ic . Mat. brevemente. sendo a principal a verificação do comportamento do modelo polinomial ortogonal múltiplo com distribuição normal. 1987). Os resultados experimentais são apresentados na Seção 5. em diversas situações experimentais. ou mais fechada da séie de Taylor. sobre regiões limitadas. i< j (1) 38 Rev.24. Na Seção 3 descrevemos.2. pelo uso do método de Bootstrap residual e Bootstrap de pares. 1987): a) A ordem mais alta da função aproximada.

x1c . (3) As variáveis xip e xiq são chamadas ortogonais uma em relação a outra se xip xiq = 0 . a ij ( i = 1. Rev. a i ( i = 1. . xk são as variáveis independentes codificadas das variáveis * * * . aii ( i = 1. c i . c .2. é apresentada na Seção 4. 1996). São Paulo. j = 1. k ). Neste caso os valores das variáveis que formam a matriz X c . para p ≠ q (Khuri e Cornell. X c é uma matriz n × p codificada. são os parâmetros desconhecidos a serem estimados por meio dos dados. com média zero e variância constante. . sendo assim a equação (1) pode ser escrita como: ~ ~c ~ (2) Y = X cθ + ε . Portanto.2. pode ser representada da seguinte maneira (Martínez. y2 . k ). com n linhas as quais ~ representam os n ensaios experimentais e p = (k + 1)(k + 2) / 2 colunas. n. 2006 39 . podem ser ortogonalizados com facilidade (Box e Draper. . 2. k . k ). v. 1987). p × 1 de parâmetros desconhecidos e ~ 1 2 n ~ onde Y = ( y1 . em forma geral.2 Ortogonalização do modelo Um planejamento fatorial foi considerado para o modelo da equação (2). yn )' . que influem na resposta Yi . 2001): 1 x11 x12 X = 1 x21 x22 1 xn1 xn 2 x1 p x2 p xnp . . e para este propósito os valores das variáveis independentes foram codificados. em forma prática. Para estimar os parâmetros do modelo dado na equação (1) é preferível utilizar a notação matricial.2. A matriz X c ortogonalizada. Estat. A codificação das variáveis independentes. εc .37-50. ε c )' . em problemas de fadiga.2. utilizando a matriz dada pela equação (3). o modelo dado pela equação (2) pode ser escrito como: ~ ~ ~ (4) Y = Xθ + ε . e ε é o erro aleatório (resíduo). representa o logaritmo de números de ciclos c até a falha ( ln( N ) ). x2 . x2 . Mat. onde a letra c minúscula representa o resíduo do modelo com as variáveis independentes codificadas. geralmente denotadas por x1 na área de planejamento de experimentos.2. . xk originais.. . dada pelo modelo da equação (2). θ é um vetor ε c = (ε c .24. e a justificativa teórica da codificação das variáveis independentes num planejamento de experimento pode ser encontrada em Martínez (2001). pois esta facilita os cálculos. que é o modelo polinomial ortogonal múltiplo da distribuição normal.onde a resposta Yi . Os parâmetros a 0 . p. onde ~ ε é o erro aleatório do modelo com distribuição normal.

n. porém ~ ~ uma das causas principais é que a matriz X ' X é uma matriz diagonal. São Paulo. considerando que temos 6 parâmetros a serem estimados. A validade dessas suposições pode ser verificada por meio de gráficos. evita a possibilidade de problemas de correlação entre as variáveis independentes deste modelo. neste caso. p. verificar se são cumpridas as suposições de igualdade de variância. sempre devem ser consideradas réplicas ( p * ). cada linha da matriz ortogonalizada apresentada em (6).A ortogonalidade usada na aplicação estatística é justificada por várias razões. é repetida p* vezes (Martinez e Calil. de normalidade e de independência. em estudos experimentais de engenharia. ϕ2 ) . Com esta análise. onde os parâmetros do modelo são obtidos pelo método dos mínimos quadrados. química e outras áreas de pesquisa. é possível verificar. (6) 1 −1 1 1 1 −1 No entanto. o que facilita a obtenção das estimativas dos parâmetros.37-55. ao menos três níveis de cada variável precisam ser usados. Para este caso a matriz ortogonalizada X . Outra vantagem é que se pode facilmente decompor a soma de quadrados da regressão em componentes com apenas um grau de liberdade. n e εi ~ N (0. Esta suposição será válida se a dispersão dos resíduos é aleatoriamente distribuída em torno do zero. 40 Rev. v. isto é. Para avaliar a suposição de igualdade de variância. desde que o modelo conta com termos quadráticos em ambas as variáveis. sem réplicas é dada por: 1 −1 −1 1 1 1 0 −1− 2 1 1 0 1 1 −1 1 1 −1 1 −1 0 1− 2 0 X = 1 0 0−2−2 1 1 0 1−2 1 0 1− 2 1 1 1 1 1 1 0 0 0 1 . Uma das ferramentas mais importantes para a verificação da adequação de um modelo de regressão é a análise dos resíduos. Um caso especial do modelo dado pela equação (4). 1987). Além disso. 2003).. Observe que nesta situação são necessários no mínimo 7 valores. Mat. 2001): 2 Yi = θ 0 + θ 1 x1i + θ 2 x 2i + θ 3 x12i + θ 4 x 2 i + θ 5 x1i x 2 i + ε i .2. 2006 .2. do modelo polinomial ortogonal dado pela equação (4) e. . cada uma das quais correspondendo a quantidade de variação de Y explicada por um dado fator (Khuri e Cornell. além disso. se as suposições sobre os resíduos ( ε i ) dos modelos dados pelas expressão (4) e (5) são satisfeitas. 1996 e Box e Draper. Estat. em geral é traçado o gráfico dos resíduos contra os valores ajustados. o que corresponde a no mínimo 9 valores para a utilização do modelo dado pela equação (5). física. (5) para i = 1. para k = 2 variáveis independentes é o modelo quadrático dado por (Martinez.24.

d) Ajustar um modelo de regressão. (7) ~ onde ~ ε BR são os resíduos obtidos no passo (b) e A é um vetor de parâmetros desconhecidos. geralmente utilizando o gráfico dos resíduos contra o tempo (ordem de coleta dos dados). e) Repetir os passos (a). * * (8) ~ ~ ˆ para obter a estimativa de A * ( A * ). (b). v.. dos resíduos ~ ε (a). Ambos os métodos são apresentados a seguir. A suposição de independência também pode ser analisada por um gráfico. Geralmente o número de iterações R é fixado em 999 (Martínez. tais como a média Bootstrap residual (média BR) e desvio padrão Bootstrap residual (desvio padrão BR) de cada um dos vetores Rev. ~ c) Gerar os novos valores de Y pela seguinte equação: ~ ~ Y BR = XA + ~ ε BR . sendo o gráfico de probabilidade normal bastante utilizado. 1998). utilizando o seguinte modelo: ~ ~ Y BR = XA * + ~ ε BR . Detalhes desses gráficos podem ser encontrados em Martínez (2001). 3 Procedimento de reamostragem para modelos de regressão Dois métodos de reamostragem que podem ser utilizados em modelos de regressão são: o Bootstrap residual e Bootstrap de pares (Draper e Smith. R vezes.2. Mat. (c) e (d). Se os resíduos estiverem distribuídos de forma aleatória em torno do tempo (eixo horizontal). p. Outras técnicas podem ser encontradas nos livros de estatística e de regressão. ~ Então depois de R reamostragem. pelo método dos mínimos quadrados. n.24.37-50. 2006 41 . n resíduos ( ~ ε ˆ obtidos no passo b) Selecionar uma amostra aleatória de tamanho n . a suposição de independência será válida.A verificação da distribuição normal dos resíduos. se considera que a suposição de normalidade é válida se os pontos do gráfico estiverem localizados aproximadamente ao longo de uma reta. 2001).1 a) Bootstrap residual (BR) Os passos principais deste método são os seguintes: Ajustar um modelo de regressão considerando os dados da amostra original e obter os ˆ ). Neste gráfico. obtém-se a distribuição empírica de A * e todas as estatísticas empíricas relacionadas a ela. São Paulo. estimados no passo (a). com probabilidade 1 / n para cada resíduo selecionado ( ~ ε BR ). 3. Estat. como Draper e Smith (1998). também pode ser feita por meio de gráficos. utilizando reamostragem com reposição.

considerando o seguinte modelo: ~ ~ Y BP = X BP A ** + ~ ε bb . com probabilidade ~ BP BP 1 / n para cada par.*)% de confiança para A * . xi' ) originais. ≤ AR e usar A * ( R +1) (α * / 2) e A * ( R +1) (1−α * / 2) respectivamente ~ como limites inferior e superior do intervalo 100(1.24. Além disso. obtém-se a ~ distribuição empírica de A ** e todas as estatísticas empíricas relacionadas a ela. 2001). onde Yi é a i-ésima observação e x i' é a i-ésima linha da matriz X. (9) c) De maneira semelhante ao método BR . Os passos principais deste método são: a) Reamostrar com reposição n pares dos valores originais (Yi .~ estimados. São Paulo. v.. R vezes ( R = 999 ). 42 Rev. Além disso. podemos obter um intervalo de confiança percentil Bootstrap de pares ~ ~ ~ ˆ ** ˆ ** ~ ˆ ** (intervalo percentil BP ) para A ** pela ordenação de A1 ≤ A2 ≤ . 2006 .. Mat. são dados a seguir: • Espécies de madeira: Pinus Caribea variedade Hondurensis (Pinus caribea var.. xi' ) . 2001). considerando a teoria assintótica (Martínez. pelo método de Bootstrap. Um intervalo de confiança assintótico ~ para A ** pode ser obtido de maneira usual.2 Bootstrap de pares (BP) O BP é realizado por reamostragem dos pares originais de valores (Yi . Um intervalo de confiança assintótico para A * pode ser obtido de maneira usual considerando a teoria assintótica (Martínez. ≤ AR e usar ~ ~ ˆ ˆ A * ( R +1)(α / 2 ) e A * ( R +1)(1− α / 2 ) respectivamente como limites inferior e superior do intervalo ~ 100(1.. Estat. * * 4 Materiais e métodos Os aspectos relacionados aos materiais e métodos utilizados no desenvolvimento deste trabalho. n.37-55. ~ ~ ˆ para obter a estimativa de A ** ( A ** ). 3. podemos obter um ~ intervalo de confiança percentil Bootstrap residual (intervalo percentil BR) para A * pela ~ ~ ~ ~ ˆ ˆ ˆ* ~ ˆ * ˆ * ordenação de A1 ≤ A2 ≤ .*)% de confiança para A ** . hondurenses). tais como a média Bootstrap de pares (média BP ) e desvio padrão Bootstrap de pares (desvio padrão BP ) de cada um dos vetores estimados. X i ). depois de R reamostragens. para verificar a adequação do modelo polinomial ortogonal múltiplo da distribuição normal. Repetir os passos (a) e (b)..2. obtendo ( Yi . p. b) Ajustar um modelo de regressão pelo método dos mínimos quadrados.

2000). de 1. cada um testado com três níveis. Os níveis para cada fator. os níveis de tensão. = 75 . onde –1. Freqüência ( f ) em HZ xic x1* * x2 -1 60 1 0 75 5 1 90 9 Rev. e o nível mínimo da tensão ( σ min ) foi de 10% do máximo ( 0. São Paulo.10 σ max ). assim como os códigos para cada nível são dados na Tabela 1.37-50. • Planejamento do experimento: um planejamento composto central ortogonal foi utilizado para o estudar o número total de ciclos até a falha. 2006 43 . 0 e 1 são códigos obtidos pelas seguintes equações (Martínez e Calil. para os corpos de prova. Brasil. Estat. Os ensaios estáticos para os corpos de prova de madeira seguiram as recomendações dadas na NBR 7190/97 e Macedo (1996). máximos para os carregamentos cíclicos foram de 90%.24. s1 3 3 Tabela 1 . N (variável resposta). Mat. p. considerando 3 diferentes freqüências. estimados nos ensaios estáticos dos corpos de prova gêmeos. Calil e Sales. • Dimensão e confecção dos corpos de prova: para determinação da resistência à fadiga em madeira. 2 . selecionando aleatoriamente 54 corpos de prova da espécie considerada (Martínez.• Método de amostragem: o método de amostragem utilizado na retirada dos corpos de prova foi o aleatório simples. n. considerando-se seis réplicas (Macedo. Tensão ( S ) em %.Número de ciclos. O procedimento e os resultados dos ensaios estáticos utilizados são parte do trabalho de Macedo (1996) sobre ensaios estáticos de tração paralela em madeira. v. x2 = = 5 . na tração. 75% e 60% da resistência de ruptura do material ( f t 0 ). foram utilizados corpos de prova com as dimensões estabelecidas em Macêdo (1996 e 2000) e adotados pela NBR 7. 1996) e usando combinações de dois fatores (tensão e freqüência). Desta maneira. 2000): x1c = x1* = * * * − x2 x2 x1 − x1* c = x . • Execução dos ensaios: os ensaios estáticos e cíclicos foram realizados na máquina universal de ensaios DARTEC M1000/RC do Laboratório de Madeiras e de Estruturas de Madeira (LaMEM) da EESC – USP. 5 e 9 HZ .190/97.. Nos ensaios cíclicos foram utilizados ciclos de tensões flutuantes de forma senoidal.2. sob três níveis de tensões e três tipos de freqüências Código dos níveis. * * s1 s2 onde: 60 + 75 + 90 1+ 5 + 9 * * * = 75 − 60 = 15 e s 2 = 5 −1 = 4 . Os dados obtidos dos ensaios estáticos dos corpos de prova gêmeos foram utilizados para estabelecer os níveis de tensão máxima e mínima para os ensaios de fadiga na tração.

Brasil (Martinez. a transformação logarítmica ( y = ln( N ) ) foi a mais adequada. Neste caso. conforme indicado na Seção 2.5 Resultados A Tabela 2 apresenta os resultados experimentais considerando a notação dada na Tabela 1.Dados de resistência à fadiga em corpos de prova de madeira sem emendas. em corpos de prova. Os dados representam os números de ciclos correspondentes à vida à fadiga ( N ) nos corpos de prova de madeira sem emendas. 6 são as réplicas.2.24. para a espécie considerada.. São Paulo. pode-se concluir que o modelo dado pela Expressão (5) não é adequado. Assim. se inicia com a verificação da adequação do modelo dado pela Expressão (5). indicando um aumento da variância. 2004). no qual pode ser observado que os pontos não estão localizados ao longo de uma reta. sem emendas para as espécies e adesivos considerados. deve ser feita uma transformação dos dados. para os números de ciclos correspondentes à vida da madeira sob fadiga. foi utilizado um gráfico de resíduos contra os valores estimados. Portanto. com os fatores tensão ( S ) e freqüência ( f ). para ver se é possível estabilizá-la. para a espécie de Pinus Caribea variedade Hondurensis. 6 Análise dos dados A análise dos dados. sendo necessário fazer uma transformação nos dados da variável resposta. Mat. 2006 . realizando uma análise dos resíduos deste modelo. Tabela 2 . o que indica que os resíduos do modelo não seguem uma distribuição normal. Este gráfico é apresentado na Figura 1. A Figura 2 ilustra este gráfico. da análise dos resíduos. Para verificar a distribuição normal. utilizamos um gráfico de escores normais. p. . obtidos no LaMEM (Martinez. e mostra que eles apresentam forma de funil. Louzada e Calil. Calil e Sales. e portanto. v. para verificar a igualdade de variância. Estat.37-55. isto é. n. Os dados foram realizados no Laboratório de Madeiras e de Estruturas de Madeira (LaMEM) da EESC-USP. 2004) Ensaio (i) 1 2 3 4 5 6 7 8 9 * N i1 211480 93432 91 900005 360056 187 793417 150375 103 Número de ciclos até a falha ( N ) Ni 2 Ni3 Ni 4 430899 204017 229270 118610 178388 66818 57 21 139 703389 1794615 1149067 124050 309413 163539 417 348 617 1106942 1814582 1264336 241314 454026 264474 325 649 619 Ni5 252510 72917 113 1382568 253120 584 1330109 297954 669 Fatores S Ni 6 400197 60 87134 75 87 90 791034 60 219832 75 381 90 1016584 60 373929 75 925 90 f 1 1 1 5 5 5 9 9 9 Nota: N ip para p * = 1. 44 Rev.2.

n.24. Da Figura 3 pode-se concluir que a variância é constante.2. Neste trabalho. Porém. Figura 2 . freqüência 9 e tensão de 90). com N = 103 . com N = 21 . Mat. ou que indica que os resíduos seguem uma distribuição normal aproximada. a menos dos valores destacados anteriormente na Figura 3. porém não considerados problemáticos para a utilização do modelo proposto dado pela Expressão (5). isto é. O gráfico dos resíduos contra valores estimados e o gráfico dos resíduos contra os escores normais do novo modelo (modelo com os dados transformados) são apresentados nas Figuras 3 e 4. primeira réplica do nono ensaio. Rev. p. Na Figura 4.96 × s ) . (0 ± 1. e correspondem aos valores dos resíduos que não pertencem ao intervalo de confiança 95%. freqüência 1 e tensão de 90. Estat. os valores dos resíduos considerados pequenos ou grandes são destacados com um quadrado.Gráfico dos resíduos contra os valores estimados. para os dados da Tabela 2.. observa-se também a presença de dois valores com resíduos pequenos (terceira réplica do terceiro ensaio. 2006 45 . v.37-50. para os dados da Tabela 2.Figura 1 . respectivamente.Gráfico dos resíduos contra os escores normais. se observa um comportamento aproximadamente linear. São Paulo. onde s é o desvio padrão amostral.

189 x 22 c + 0. dado por: c ˆ = 10. 46 Rev. um modelo polinomial ortogonal múltiplo da distribuição normal dado pela Expressão (5). para os dados da Tabela 2 (transformados). tem um desvio padrão amostral de 0.2. Figura 4 . valor da razão t ( to ) e numero de observações ( n ). Figura 3 . n.Gráfico dos resíduos contra os escores normais para os dados da Tabela 2 (transformados). com os dados do N transformados e os valores dos fatores codificados para os dados da Tabela 2.Gráfico dos resíduos contra os valores estimados.001x1c + 0. com seus respectivos desvios padrões (DP). v. São Paulo. ajustamos. Este novo modelo ajustado..Assim. Estat. p.37-55.4851 e um coeficiente de determinação de 98.091x1c x 2c .24. na Tabela 3 apresentam-se os coeficientes das variáveis independentes. Além destes valores. (10) onde x1c representa a tensão e x2c a freqüência.344 − 4.723x 2 y − 0.885 x12 c − 0.4% ).4% ( R 2 = 98. Mat. 2006 .

04667 0. podendo assim estimar os parâmetros deste modelo em diferentes situações experimentais. Cabe destacar que. O efeito da interação c entre a S e a freqüência ( x1c x 2 ) não é significativa.984 2 s = 0.24. tanto para o método BR como para o método BP. no número total de ciclos até a falha. R 2 e para os dados do modelo ajustado da Expressão (10) Variável Constante x1c c x2 s.37-50.Coeficientes de regressão das variáveis independentes.92 x x 2c 1 2c 2 c 2 x x c 1 0. p. Observe que.3445 -4.72 -49. Tabela 3 . Para avaliar o comportamento do modelo polinomial ortogonal múltiplo da distribuição normal dado pela Expressão (5). observa-se que os efeitos lineares ( x1c ) e quadráticos ( x12 c ) da S no logaritmo do número total de ciclos até a falha ( ln( N ) ) são altamente significativos nos níveis usuais.Da análise da Tabelas 3. São Paulo. considerando a teoria assintótica (AS).04667 0. n . t o . pois foi utilizado um planejamento fatorial com 9 réplicas e os valores da matriz de planejamento ortogonalizados. Também a Tabela 5 mostra os intervalos de confiança 90% percentil obtidos pelos métodos de BR (PBR) e BP (PBP) Rev. isto é.2.4851 Uma vez que o modelo ajustado. é adequado.0660 0. Uma importante justificativa dessas simulações é o tempo e custo elevado da realização dos ensaios de fadiga.08084 0.09901 to 156. expressão (10).06 0.88545 -0. observe que a f também tem efeito linear ( x2c ) e quadrático significativo. não existe interação entre os dois fatores. todas de tamanho 54. uma vez tendo um conjunto de dados original obtido experimentalmente. A Tabela 4 apresenta os estimadores de mínimos quadrados (EMQ).08084 0. Ele permite estimar o número de ciclos em função da S e da f para os dados obtidos. pelos métodos de BR e BP.18929 DP 0. estão sumarizados nas Tabelas 4 e 5. com seus respectivos desvios padrão e vícios relativos (VR) para os EBR e EBP.00138 0. com os intervalos de confiança apresentados na Tabela 5 devem ser obtidas as mesmas conclusões. como pode ser observado nos gráficos dos resíduos.72345 -0. Observe que.09080 n = 54 R = 0.95 -18. sendo o efeito linear ( x1c ) da S relativamente grande quando comparado com o efeito quadrático. é possível obter um “novo” conjunto de dados por reamostragem. considerando as equações (8) e (9).97 -4. 2006 47 . Estat. n. em dados experimentais de resistência à fadiga em corpos de prova de madeira. Mat. Os resultados obtidos pelos métodos de BR e BP. em diversas situações experimentais foram feitas simulações. v.. utilizando as Expressões (8) e (9). A Tabela 5 mostra os intervalos 90% de confiança assintóticos. Coeficiente 10.50 8. DP. os estimadores Bootstrap residual (EBR) e os estimadores Bootstrap de pares (EBP). no procedimento indicado foram utilizadas 999 iterações. e os estimadores BR e BP. ou para extrapolar valores não determinados.

-0.144.0.118) (-0.96 θ5 0.443) (10. BP.056.-0.10.117) (-0. são mais fechadas que as obtidas de maneira usual (Martínez.03 0.-0.66 θ3 -0.0. Como os efeitos da tensão e da freqüência são estatisticamente significativos.284) PBR (-4.50 0.881) (0.234) PBP (-4.10.-3.259.. EBP.111) (-0. menor variação e melhor precisão nos resultados. para todos os parâmetros.8831 (0.568.955.2.134.10.149.0885) 0.0808) -4.33 Tabela 5 .962.814) (-0.02 θ1 -4.574. PBR e PBP.0.284) θ0 θ1 θ2 (10.856) (-0.3415 (0.263.0434) -0. São Paulo.9981 (0.0. Não mostramos os histogramas das distribuições empíricas das estimativas dos parâmetros obtidos pelos métodos de BR (EBR) e BP (EBP).815) (-0.8854 (0.812) (-0.1181) -0.982) (0.EMQ.236. utilizando os métodos de BR e BP. obtidas pelos métodos BR e BP.7259 (0.258.856) (-0.253) BR (10.449) (-4.458) (-4.260.236.0911 (0.7187 (0.33 -0. Mat.809) (-0.0452) -0.238. menor tempo nos ensaios e.-0.0908 (0.0749) 0.237) BP (10. utilizando os dados das Tabelas 2 e 4 Parâmetro Intervalo de confiança 90% AS (10. Para obter os estimadores pontuais e por intervalos. p.072.0660) 10.0466) -0. dos quais observa-se que todos apresentam distribuições aproximadamente normal.3467 (0. As estimativas por intervalo dos parâmetros.0.1875 (0. EBR.0895) 0.08 θ2 0.07 -0.-3.846) (-0.113) (-0. entre elas: menor número de ensaios.0.0466) -0. θ0 10.0990) 0.-3.813) (-0.124.0.115) (-0.0. BR.0679) -0.37-55.130.058. v.0019 (0. 2001).10.0890) 0.-0.266.0904 (0.958.0808) 0.236. o pesquisador deve utilizar um modelo estatístico aos dados.respectivamente.-0. para todos os parâmetros.1893 (0.880) (0. 2006 .0435) 0.-3.0. Estat.-3. utilizando os dados da Tabela 2 Método Parâmetro EMQ EBR EBP VREBR VREBP Nota: Os valores entre parênteses são os respectivos desvios padrão. Tabela 4 . n.100.856) (0.17 -0.103.-0.0429) -0.Intervalos de confiança 90% AS.26 θ4 -0.-0.849) (-0.869) (0.957.1890 (0.0629) 10. foram consideradas 999 iterações.453) (-4.601.591.24.10. VREBR e BREBR.603.01 -0.7234 (0.231.8861 (0.-0.-0.864) (-0. menor custo.955. por conseguinte. para estimar o número total de 48 Rev.0014 (0.0744) -3.3445 (0.457) θ3 θ4 θ5 Conclusões A utilização de um planejamento fatorial no estudo de dados de resistência à fadiga em corpos de prova de madeira e derivados é justificado por varias causas.0.

the independent variables are orthogonal. 2006. dos parâmetros do modelo polinomial ortogonal múltiplo. Estat. em diferentes situações experimentais. V. pode-se utilizar o modelo polinomial ortogonal múltiplo da distribuição normal. por reamostragem deste conjunto de dados. leading to more accurate parameter estimates. n. KEYWORDS: Bootstrap. São Paulo. e. e não unicamente em função da tensão como é usual na prática. v. pois uma vez tendo um conjunto de dados original obtido experimentalmente é possível obter um “novo” conjunto de dados. utilizase simulações. n. em geral. em dados experimentais de resistência à fadiga em corpos de prova de madeira.. Para analisar os dados de fadiga em corpos de prova de madeira e derivados deve-se usar uma transformação logarítmica dos dados originais da variável resposta. A aplicação da técnica de Bootstrap residual e de pares apresentada fornece um método alternativo para obtenção dos estimadores pontuais e por intervalos. fatigue strength. uma vez que.2. F. 2006 49 . Mat. L.. normal multiple orthogonal polynomial model. Como os ensaios de fadiga.37-50. pois a variação desses dados em geral é muito grande.ciclos até a falha como função da freqüência e da tensão. M. M. no entanto o mesmo pode ser adaptado para outros materiais. In this case. assim sendo.. A special case of these models is obtained when the values of the independents variables are coded by using a factorial design. tensão e freqüência. pois os valores dessas variáveis podem ser facilmente ortogonalizados. Rev. The Bootstrap technique can be specifically used when polynomial regression models are considered. A metodologia apresentada pode ser implementada e executada em computadores comuns.37-50. Também.2. p. utilizando a técnica de Bootstrap. devem ser codificadas as variáveis independentes.. O software para fazer os cálculos dos métodos Bootstrap do modelo polinomial ortogonal múltiplo da distribuição normal é propriamente feito para a área de fadiga em madeira e seus derivados. obtained from the Laboratory of Wood and Timber Structures (LaMEM)-EESC-USP-Brazil for checking the adequacy of the normal multiple orthogonal polynomial model in the study of fatigue strength in wood specimens and estimate the parameters in this model at different experimental situations by using simulation. Est. ABSTRACT: The term bootstrap is generally used to refer to a simulation technique that aims at obtaining interval confidences for the estimation of parameters of interest by resampling the original data set. Do ponto de vista prático. The results of the simulations by the bootstrap procedures show that the bootstrap technique can be used for the objective of this study. Bootstrap procedure for studies on material fatigue data. The objective of this study is to use both residual and pairs bootstrap procedure on experimental data on fatigue strength in wood specimens. a metodologia apresentada é de grande interesse no estudo da resistência à fadiga em corpos de prova de madeira e derivados. São Paulo. Rev. para ajustar os dados de resistência à fadiga em corpos de prova de madeira e derivados. O leitor interessado pode ter uma versão executável do programa escrevendo para o primeiro autor.24. os mesmos podem ser reduzidos notavelmente. SANDANIELO. p. LOUZADA-NETO. wood. são de tempo e custo elevados.24. v. Mat. MARTINEZ-ESPINOSA. podendo-se assim estimar os parâmetros desse modelo em diferentes possíveis situações experimentais.

A. p. p.. 2000. DRAPER. R. F. Fadiga em emendas dentadas em madeira laminada colada (MLC). 1996. Exploring the limits of bootstrap. M.237-243. Mat. Rio de Janeiro. CALIL. New York: Marcel Dekker. Aprovado após revisão em 24. An introduction to the bootstrap. São Paulo. L. New York: John Wiley & Sons. Recebido em 18. 1996.. J. Tese (Doutorado em Estruturas) . C. CALIL. Fatigue. Concepción. Estudo de emendas dentadas em madeira laminada colada (MLC): Avaliação de métodos de ensaios.2005. C. São Carlos. Tecnol. B. BOX. n. R. MARTÍNEZ. p. p. J. Dissertação (Mestrado em Estruturas) – Escola de Engenharia de São Carlos. CORNELL.107. C. 216f. A. Rev.37-55. Rev. p. TIBISHIRANI.. R. MARTÍNEZ. E.25. J.632. 2001. 2000. p. 2. 2006 .Escola de Engenharia de São Carlos. v. Statistical design and orthogonal polynomial model to estimate the tensile fatigue strength of wooden finger joints. 642. Mater. Un método de muestreo para la determinación de las propiedades físicas y mecánicas de la madera. MARTÍNEZ.. E. LEPAGE. Int. Res. SALES. M.. Madera Cienc. J. H. N. Response surfaces: designs and analyses. Estat. Universidade de São Paulo. 2004. Mat. SMITH. New York: John Wiley & Sons.. M. Tese (Doutorado em Ciência e Engenharia de Materiais) – Interunidades – EESC/IFSC/IQSC.2. Desenvolvimento de um Modelo Estatístico para Aplicação no Estudo da Fadiga em Emendas Dentadas de Madeira.. Estat.. MACEDO. p. MARTÍNEZ. J. J. v. M.22. São Paulo. P.. R. p. 1993. J. Empirical model – Building and response surfaces. C. LOUZADA. n. n.84-91.5-20.Referências ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. N. v. 50 Rev. 1992. J. São Carlos. N.. São Carlos.06. DRAPER..3. CALIL.706.06. n. 668. A. MACEDO.2006. p.3. 132f..53-72. N. New York: John Wiley. Statistical fatigue experiment design in medium density fiberboard. EFRON. Guildford. 1998. KHURI. I. G. M. v. p. v.. Universidade de São Paulo. 2000. Universidade de São Paulo. New York: John Wiley & Sons. 2001. A. Pittsburgh. p.. 2000. 191f. 1987.2. E. NBR 7190/97: Projeto de Estruturas de Madeira. E. 1997. 1. MARTÍNEZ. A. E. N. 2003. Applied regression analysis.. 1996.24. E. CALIL. BILLARD.669. A Multiple orthogonal polynomial Birnbaum-Saunders model for fatigue.