Embed Size (px)
UTILIZAÇÃO DA REGRESSÃO LINEAR
MÚLTIPLA PARA AVALIAÇÃO DA
QUALIDADE DA ÁGUA: ESTUDO DE
CASO DA ESTAÇÃO DE TRATAMENTO
MEIA PONTE, GOIÂNIA - GOIÁS
Juliano Resende Bucchianeri (MEPROS PUC )
Agenor Sousa Santos Neto (MEPROS PUC )
Layara de Paula Sousa Santos (MEPROS PUC )
Paulo Henrique dos Santos (MEPROS PUC )
A água é responsável por um grande número de doenças de veiculação
hídrica, principalmente em países subdesenvolvidos que carecem das
condições mínimas de infraestrutura e saneamento básico. O objetivo
dessa pesquisa é correlacionar a imporrtância da qualidade da água
para consumo humano a fim de prevenir doenças e proporcionar
qualidade de vida à população. A fim de aplicações práticas, o estudo
visa comparar os índices de qualidade da água proveniente de duas
Estações de Tratamento de Água, por meio da análise estatística
multivariada. A metodologia consiste na utilização do software SPSS
para interpretação dos resultados das análises físico-químicas e
bacteriológicas da água correspondentes à saída da estação de
tratamento Meia Ponte, localizadas em Goiânia/ GO, valendo-se da
regressão linear múltipla. Os parâmetros analisados são: flúor, pH,
temperatura da água, turbidez, cloro residual e cor aparente. Os
resultados demonstram que a variação na variável dependente
Temperatura do Ambiente é explicada pela variável independente
Temperatura da Água e Cor Aparente em 57%. Em situações que a
qualidade da água é imprópria para consumo, é necessário
implementar políticas públicas de gestão integrada que visem à
promoção e proteção da saúde da população local por meio de ações
conjuntas que revertam a vulnerabilidade dos setores de planejamento,
infraestrutura, saneamento e saúde
Palavras-chave: Doença, Saneamento Básico, Qualidade da Água,
Análise Multivariada, Gestão Integrada
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016.
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
2
1. Introdução
O acesso à água potável é essencial para qualidade de vida, um direito básico da
humanidade, sendo um dos fatores de uma política eficaz de proteção à saúde. Melhorar
o acesso à água potável pode resultar benefícios imensuráveis para humanidade, por
isso, todo esforço possível deveria ser feito para que tivesse qualidade para o consumo
humano (WHO, 2004). No entanto, a alteração da qualidade da água agrava o problema
de escassez desse recurso, porque ainda que o Brasil detenha aproximadamente 13% de
toda água potável do mundo, a distribuição é irregular, além disso, as doenças causadas
por veiculação hídrica são responsáveis por aproximadamente 28 mil mortes por ano no
Brasil (TRATA BRASIL, 2014).
As fontes de contaminação antrópicas das águas subterrâneas geralmente são associadas
a despejos domésticos, industriais e chorume que contaminam os lençóis freáticos com
organismos patogênicos, constituindo-se como fontes de substâncias extremamente
tóxicas ao homem e ao meio ambiente (MOTTA et al., 2014).
É nesse cenário que se insere a importância da avaliação de impactos ambientais em
ecossistemas aquáticos por meio de medições de alterações nas concentrações de
variáveis físicas, químicas e bacteriológicas. Este sistema de monitoramento constitui-se
como ferramenta essencial na gestão de recursos hídricos do país, sendo possível
classificar rios e córregos em classes, e ainda definir padrões de potabilidade e
balneabilidade (GOULART; CALLISTO, 2003).
O monitoramento das variáveis físicas e químicas proporcionam algumas vantagens na
avaliação de impactos ambientais negativos em ecossistemas aquáticos, tais como
identificação imediata das mudanças de propriedades físicas e químicas da água e
determinação precisa das concentrações alteradas (WHITFIELD, 2001).
Geralmente, o monitoramento físico químico da água envolve a análise dos seguintes
parâmetros: turbidez, Ph, temperatura, demanda química de oxigênio, demanda bioquímica de
oxigênio, oxigênio dissolvido, sólidos dissolvidos totais, compostos orgânicos voláteis,
presença de metais, óleos e graxas. É nesse contexto que se insere o índice de qualidade da
água (IQA), esta metodologia proporciona a avaliação da qualidade da água de uma bacia de
forma simples e útil, pois transforma dados quantitativos em informação, reunindo vários
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
3
parâmetros que são traduzidos em um valor que corresponde a uma determinada classificação.
Dessa forma, o IQA é um número adimensional que exprime a qualidade da água para
diversos fins. Esse número é obtido por meio da agregação de dados físicos, químicos e
bacteriológicos, de acordo com metodologias específicas (PNMA, 2002; LIOU et al., 2003).
Diante disso, percebe-se a necessidade de um programa de monitoramento sistemático para
obtenção da estimativa real da variação da qualidade das águas superficiais, incluindo coletas
frequentes nos mesmos pontos de amostragem e análise em laboratório dos parâmetros
escolhidos para interpretação dos resultados (SIMEONOV et al., 2003).
No Brasil, a normatização da qualidade da água para consumo humano iniciou-se na década
de 1970. Atualmente, a Portaria n° 2.914 de 12 de dezembro de 2011, dispõe sobre os
procedimentos de controle e de vigilância de qualidade da água para consumo humano e seu
padrão de potabilidade, sob a perspectiva de riscos à saúde pública, associados à
vulnerabilidade do manancial, às práticas operacionais do tratamento e integridade física da
rede de distribuição.
Para realizar os procedimentos de controle de qualidade, os métodos de análise exploratória
de dados multivariados são largamente utilizados a fim de promover a redução do número de
variáveis com o mínimo de perda de informação (HELENA et al., 2000). Na presente
pesquisa será utilizado o programa SPSS (Statistical Package for Social Sciences), por ser o
mais utilizado no Brasil e o mais frequentemente citado em artigos científicos das áreas de
conhecimento que utilizam estatísticas (BISQUERRA et al., 2009). Essa análise permite a
extração de informações que serão de grande relevância na avaliação da qualidade das águas.
Para o monitoramento de qualidade da água são abordados alguns parâmetros de acordo com
o padrão de potabilidade. Nesta pesquisa, serão analisados os seguintes: flúor, pH,
temperatura da água, turbidez, índice de coliformes totais, cloro residual, cor aparente e
Escherechia Coli. Para isso, a água proveniente da Estação de Tratamento de Água
(ETA) do Sistema Meia Ponte, localizada em Goiânia/GO constitui alvo desta pesquisa.
2. Parâmetros bacteriológicos e físico-químicos monitorados na água de abastecimento
público
O Ministério da Saúde regulamenta a qualidade do sistema municipal de abastecimento de
água segundo a presença de coliformes, que agem principalmente como indicadores de
poluição fecal e de quantidade de bactérias heterotróficas (AMERICAN PUBLIC HEALTH
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
4
ASSOCIATION, 1998). Já as análises físico-químicas englobam as seguintes delimitações:
turbidez, cor, pH e odor, indicadores de boa potabilidade para a água de consumo (BRASIL,
2000). A seguir serão abordados os parâmetros físico-químicos envolvidos neste trabalho.
2.1 Temperatura
A temperatura é uma condição importante a ser explorada, pois ela pode acelerar ou atrasar a
atividade biológica, promovendo proliferação de micro-organismos e de algas. Também
exerce influência sobre a solubilidade do oxigênio e do dióxido de carbono na água e as
precipitações de alguns compostos (SILVA, 2013).
Em relação ao processo de tratamento da água, a temperatura pode apresentar efeito
significativo nos processos de desinfecção, coagulação, floculação e sedimentação. Isto
acontece em razão da água a baixas temperaturas apresentar-se mais viscosa (TEBBUTT,
1998).
2.2 pH
O pH diz respeito a concentração de íons hidrogênio, H+, conferindo indicação sobre as
condições de acidez, neutralidade e basicidade da água. Refere-se a um parâmetro de caráter
operacional significativo e deve ser conduzido a fim de otimizar os processos de tratamento
(BAIRD, 2004).
O pH é um padrão de potabilidade, portanto para que as águas sejam consideradas potáveis
para abastecimento público devem apresentar valores de pH entre 6,0 e 9,5, respeitando a
Portaria 2.914 de 2011. Este é um dos indícios mais cruciais para o monitoramento de
recursos hídricos superficiais ou subterrâneos. A acidez descomedida pode anunciar
contaminações, enquanto o excesso de solubilização de sais pode resultar em uma água
inadequada para consumo devido à elevada dureza (BAIRD, 2004).
2.3 Flúor
Desde 1974, tornou-se obrigatória a fluoretação das águas de abastecimento público em
municípios brasileiros onde exista Estação de Tratamento de Água (ETA). Essa determinação
tornou-se reconhecida como uma das medidas mais relevantes na Saúde Pública para
prevenção de doenças (MCNALLY; DOWNIE, 2000). O flúor é um elemento químico
inserido na água de abastecimento, durante seu tratamento, em razão de sua comprovada
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
5
eficácia na proteção dos dentes contra a cárie (COMPANHIA DE SANEAMENTO BÁSICO
DO ESTADO DE SÃO PAULO, 2010).
As vantagens da fluoretação das águas de abastecimento ficaram perceptíveis diante de um
estudo realizado nos Estados Unidos que demonstrou que o índice de dentes cariados e
obturados para cada cem criança havia reduzido em 60%. Em contrapartida, a exposição
demasiada ao flúor durante a constituição do esmalte dentário, pode levar o indivíduo a
fluorose, que é uma doença crônica que ocorre por causa do excesso de ingestão de flúor
(NUNES, 2004). Além da fluorose, outros efeitos prejudiciais à saúde compreendem fraturas
de ossos, reprodutivos, gastrintestinais, efeitos de genotoxicidade, efeitos em sistemas renais e
carcinogênicos (SUBCOMMITTEE ON HEALTH EFFECTS OF INGESTED FLUORIDE,
1993). De acordo com Kulcheski (2000), a Organização Mundial da Saúde (OMS) define
como nível adequado para fluoretação de águas de abastecimento o intervalo que varia entre
1,0 a 1,5 mg de fluoreto para cada litro de água.
2.4 Cloro residual livre
Cloro é um agente bactericida, incorporado ao tratamento da água com o propósito de destruir
bactérias e outros microrganismos patogênicos que podem estar associados a água
(COMPANHIA DE SANEAMENTO BÁSICO DO ESTADO DE SÃO PAULO, 2010).
2.5 Turbidez
A turbidez é um atributo da água que se relaciona à presença de partículas suspensas com
tamanhos que variam desde suspensões grosseiras até colóides, dependendo do grau de
turbulência. A presença dessas partículas gera a dissipação e a absorção da luz, conferindo a
água um aspecto nebuloso, esteticamente indesejável e potencialmente inseguro (RICHTTER;
AZEVEDO NETTO, 2002).
2.6 Cor aparente
A cor está incumbida pela coloração da água e ainda associa-se ao grau de redução de
intensidade que a luz sofre ao atravessá-la (COMPANHIA AMBIENTAL DO ESTADO DE
SÃO PAULO, 2010).
De acordo com Richtter e Azevedo Netto (2002), virtualmente a água pura não contém cor. O
acompanhamento de substâncias dissolvidas ou em suspensão modifica a cor da água,
dependendo da quantidade e da natureza do material existente. Geralmente pode-se atribuir a
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
6
cor da água aos ácidos húmicos e tanino, produzidos pela decomposição de vegetais e, por
isso, não apresenta risco algum para a saúde. No entanto, quando de origem industrial, pode
ou não conter toxicidade (SPERLING, 1996).
3. Modelos de regressão linear múltipla
A análise de regressão é uma das ferramentas mais empregadas para a análise de dados, sendo
adotada em praticamente todas as áreas do conhecimento. A facilidade e utilidade dessa
técnica são decorrentes do conceito lógico de utilizar uma equação matemática para exprimir
a relação entre variáveis. A análise de regressão é pertinente também pelo fato de possuir uma
elegante base matemática e teoria estatística bem desenvolvida (MONTGOMERY et al.,
2001; NETER et al., 2005). O modelo de regressão linear múltipla que relaciona a
característica de qualidade y às k variáveis de controle do processo é denotado pela Equação
(1):
+ + ... + + (1)
O coeficiente de regressão β0 é denominado coeficiente de intercepto, pois é o valor em que a
equação de regressão intercepta o eixo y, e os coeficientes β1, β2,..., βk são intitulados
coeficientes de inclinação, já que são a derivada parcial de y em relação à variável de controle
xk. Para demonstrar o modelo de forma mais compacta, a Equação (1) pode ser reescrita em
notação matricial, de acordo com a Equação (2):
(2)
O vetor dos erros aleatórios ε é apresentado pelo estimador e, que são os resíduos de regressão
ei, estabelecidos pela diferença entre os valores observados e os valores estimados pelo
modelo, podendo ser redigidos em notação matricial, de acordo com a Equação (3):
= y - (3)
Conforme Montgomery et al. (2001) e Neter et al. (2005), caso o número de observações (n)
for superior ao número de variáveis de controle (k), o método escolhido para determinar a
equação de regressão é o método de mínimos quadrados ordinários (MQO), que tem como
propósito minimizar as somas quadráticas dos resíduos da regressão. O estimador de mínimos
quadrados ordinários de β é encontrado pela resolução da Equação (4):
(4)
Para fazer uso do MQO, é fundamental assumir que os resíduos sejam normais e
independentemente distribuídos, com média igual a 0 e desvio-padrão constante e
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
7
desconhecido. Esses pressupostos devem ser verificados após a concepção do modelo para
que o modelo seja então validado. Os valores estimados da variável resposta são evidenciados
pela Equação (5):
(5)
Montgomery et al. (2001) e Weisberg (2005) esclarecem que a matriz H é chamada de matriz
chapéu, uma vez que é responsável por transformar os valores observados y em valores
estimados. Essa matriz é de grande relevância na regressão, especialmente na detecção de
informações influentes.
4. Metodologia
Os dados utilizados para a presente pesquisa foram provenientes do banco de dados gerados
para emissão dos boletins de análises de água, emitidos pela Companhia de Saneamento de
Goiás S/A - SANEAGO, entre 01 de setembro de 2015 a 29 de fevereiro de 2016, num total
de 120 amostras analisadas. As análises de regressão linear múltipla foram efetuadas através
do software SPSS®.
O software SPSS® fornece relatórios automáticos pela seleção de métodos de processamento.
Tais procedimentos são programados para o caso de mais de uma variável independente, o
que caracteriza a Regressão Múltipla. Os mesmos providenciam a seleção de variáveis a
serem consideradas nos modelos, obedecendo à lógica da avaliação global do modelo através
da estatística Z-ANOVA. Tal utilidade é relevante principalmente no caso de pesquisas
exploratórias, em que não há expectativa formada acerca do comportamento de variáveis e se
opta por um grande número destas.
Assim, variáveis são incluídas ou removidas do modelo a partir da definição, pelo pesquisador
da probabilidade (Sig) ou de um valor crítico de Z. Vale ressaltar que os valores críticos de F
dependem tanto do tamanho da amostra quanto da quantidade de variáveis.
Como o interesse da pesquisa é rejeitar a hipótese de Coeficiente de Determinação nulo (R² =
zero), a programação para o método de busca sequencial stepwise permite estabelecer um
limite inferior de Z abaixo do qual a variável é introduzida e um limite superior de Z acima do
qual a variável é removida.
A base de dados utilizada para o exercício proposto encontra-se no Quadro 1:
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
8
Quadro 1 – Parâmetros para qualidade da água da estação de tratamento meia ponte
Data TEMPERATURA
AMBIENTE
TEMPERATURA
AGUA
CLORO
RESIDUAL FLÚOR TURBIDEZ
COR
APARENTE PH
1/9/2015 22,000 23,000 1,320 0,660 0,400 2,600 7,050
2/9/2015 20,500 22,000 1,300 0,640 0,600 2,500 7,080
3/9/2015 21,000 22,000 1,240 0,650 0,350 4,700 7,060
... ... ... ... ... ... ... ...
25/2/2016 25,000 25,000 1,630 0,660 0,400 1,200 6,570
26/2/2016 26,500 26,000 1,360 0,750 0,550 2,000 6,640
29/2/2016 25,000 25,000 1,380 0,700 0,450 0,800 6,390
Fonte: SANEAGO (2016)
Foram selecionadas as seguintes variáveis:
- Temperatura Ambiente;
- Temperatura da Água;
- Turbidez;
- Cloro Residual;
- Flúor;
- Cor Aparente;
- pH.
É importante salientar que em nenhuma das 120 amostras foi detectada o Escherechia Coli
ou algum índice de coliformes totais, por isso essas variáveis sequer foram consideradas
no modelo.
A primeira etapa do processo consiste em analisar a matriz de correlação. No SPSS®, existe a
seguinte rotina para extraí-la:
- Analisar;
- Correlacionar;
- Bivariável;
- Selecionar as variáveis;
- Em Coeficientes de Correlação, optar por Pearson;
- OK.
A maior correlação se dá com a variável Temperatura Ambiente (r = 0,745), com alta
significância estatística (Sig. menor que α = 0,05). Assim, esta será selecionada para a
construção da equação de regressão usando a melhor variável independente. Assim, o estudo
consiste em testar estatisticamente a relação entre 6 tipos de variáveis relacionadas à
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
9
qualidade da água para estabelecer a situação onde as chances de Temperatura Ambiente são
maiores.
Esta pesquisa caracteriza uma Regressão Linear Múltipla, pois estabelece 6 variáveis
independentes no sentido de predizer e explanar o comportamento de uma única variável
dependente.
Será avaliado todo o processo percorrido pelo software no método de busca sequencial
stepwise.
A proposta é deixar o SPSS® selecionar a variável estatística utilizando como variáveis
independentes todas as variáveis quantitativas. A rotina é a seguinte:
-Analisar;
-Regressão linear;
-Selecionar variável dependente - Temperatura Ambiente;
-Selecionar variáveis independentes – Temperatura da Água, Turbidez, Cloro Residual,
Flúor, Cor Aparente, pH;
-Método stepwise;
-OK.
4. Resultados e discussões
No Quadro 2, percebe-se que o método stepwise fez duas tentativas de equação e que o
critério utilizado para a inclusão de variáveis foi por valores de probabilidade F iguais ou
menores que 0,05 e para remoção, maiores ou iguais a 0,10.
Quadro 2 – Variáveis Independentes Inseridas no Modelo
Variáveis Inseridas/Removidasa
Modelo Variáveis inseridas Variáveis
removidas Método
1 TEMPERATURA
AGUA .
Em Etapas (Critérios: Probabilidade de F a ser inserido <= ,050,
Probabilidade de F a ser removido >= ,100).
2 COR APARENTE . Em Etapas (Critérios: Probabilidade de F a ser inserido <= ,050,
Probabilidade de F a ser removido >= ,100).
a. Variável Dependente: TEMPERATURA AMBIENTE
Fonte: SPSS (2016)
Pelo Quadro 2, tem-se que as variáveis independentes inseridas no modelo foram
Temperatura da Água e Cor Aparente.
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
10
A seguir, no Quadro 3 é possível constatar que o conjunto de variáveis independentes explica
57,0% da variação na variável dependente.
Quadro 3 – Resumo do Modelo de Regressão Múltipla Stepwise
Resumo do modeloc
Modelo R R quadrado R quadrado ajustado Erro padrão da estimativa
1 ,745a ,554 ,551 ,885816
2 ,755b ,570 ,563 ,873527
a. Preditores: (Constante), TEMPERATURA, ÁGUA
b. Preditores: (Constante), TEMPERATURA, ÁGUA, COR APARENTE
c. Variável Dependente: TEMPERATURA AMBIENTE
Fonte: SPSS (2016)
O R (coeficiente de correlação) do Quadro 3 reflete o grau de associação entre a variável
dependente Temperatura do Ambiente e a variável independente escolhida Temperatura da
Água que é de 0,745 no modelo 1. Já no modelo 2 o valor de R aumenta para 0,755, uma vez
que passa a levar em consideração, além da Temperatura da Água, a variável independente
Cor Aparente.
O R² (coeficiente de determinação) do Quadro 3 indica que 55,4% da variação na variável
dependente Temperatura do Ambiente é explicada pela variável independente Temperatura da
Água no modelo 1. Já no modelo 2 o valor de R² aumenta para 0,57, uma vez que passa a
levar em consideração, além da Temperatura da Água, a variável independente Cor Aparente.
Ambos os modelos apresentaram R² significativamente diferente de zero (teste Z), conforme
comprovado pelo Quadro 4.
Quadro 4 – ANOVA do Modelo de Regressão Múltipla Stepwise
ANOVAa
Modelo Soma dos Quadrados df Quadrado Médio Z Sig.
1
Regressão 115,157 1 115,157 146,759 ,000b
Resíduo 92,591 118 ,785
Total 207,748 119
2
Regressão 118,471 2 59,236 77,630 ,000c
Resíduo 89,277 117 ,763
Total 207,748 119
a. Variável Dependente: TEMPERATURA AMBIENTE
b. Preditores: (Constante), TEMPERATURA, ÁGUA
c. Preditores: (Constante), TEMPERATURA, ÁGUA, COR APARENTE
Fonte: SPSS (2016)
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
11
Observando o Quadro 4, a soma total dos quadrados que foi de 207,1748 é o resíduo quadrado
que ocorreria se fosse utilizada apenas a média da variável dependente Temperatura do
Ambiente para predição. Utilizando a variável independente Temperatura da Água esse
resíduo cai para 92,591, considerando o modelo 1. No caso do modelo 2, ou seja, ao utilizar
as variáveis independentes, Temperatura do Ambiente e Cor Aparente, o resíduo é reduzido
para 89, 277.
De acordo com o Quadro 4, tanto no modelo 1 como no modelo 2, o Sig. (0,001) é menor que
α (0,05), portanto, rejeita-se a hipótese que R² é igual à zero. A variável estatística exerce
influência sobre as variáveis dependentes e os modelos são significativos.
O Quadro 5 traz as duas equações encontradas e comprova a significância dos coeficientes.
Quadro 5 – Coeficientes do Modelo de Regressão Múltipla Stepwise
Coeficientesa
Modelo Coeficientes não padronizados
Coeficientes
padronizados t Sig.
B Erro Padrão Beta
1 (Constante) -,757 2,086 -,363 ,717
TEMPERATURA AGUA 1,023 ,084 ,745 12,114 ,000
2 (Constante) -1,896 2,128 -,891 ,375
TEMPERATURA AGUA 1,058 ,085 ,770 12,455 ,000
COR APARENTE ,097 ,047 ,129 2,084 ,039
a. Variável Dependente: TEMPERATURA AMBIENTE
Fonte: SPSS (2016)
O valor previsto para cada observação é o valor do intercepto, ou seja, (Constante) é igual a -
1,896, mais o coeficiente de regressão da Temperatura da Água que é de 1,058 multiplicado
pelo valor da variável independente, mais o coeficiente de regressão da Cor Aparente que é
0,097 multiplicado pelo valor da variável independente. Então, a partir do Quadro 5, o modelo
final estimado pelo software utilizando o método stepwise foi:
Temperatura Ambiente = -1,896 + (-1,058) x Temperatura da Água + 0,097 x Cor
Aparente
Por fim, o Quadro 6 apresenta as variáveis que foram excluídas dos modelos.
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
12
Quadro 6 – Variáveis Excluídas do Modelo de Regressão Múltipla Stepwise
Variáveis excluídasa
Modelo Beta In t Sig. Correlação parcial
Estatísticas de
colinearidade
Tolerância
1
CLORO RESIDUAL -,059b -,959 ,340 -,088 ,998
FLÚOR -,026b -,403 ,688 -,037 ,933
TURBIDEZ -,006b -,099 ,922 -,009 ,976
COR APARENTE ,129b 2,084 ,039 ,189 ,961
PH ,032b ,513 ,609 ,047 1,000
2
CLORO RESIDUAL -,044c -,721 ,472 -,067 ,984
FLÚOR -,027c -,421 ,674 -,039 ,933
TURBIDEZ -,021c -,343 ,732 -,032 ,962
PH ,008c ,123 ,903 ,011 ,963
a. Variável Dependente: TEMPERATURA AMBIENTE
b. Preditores no Modelo: (Constante), TEMPERATURA, ÁGUA
c. Preditores no Modelo: (Constante), TEMPERATURA, ÁGUA, COR APARENTE
Fonte: SPSS (2016)
Percebe-se que na primeira tentativa de modelo estimado apenas a variável Cor Aparente
apresenta correlação parcial significativamente diferente de zero, tanto que ela é a próxima a
ser incluída. No segundo modelo, foi excluído o Cloro Residual, Flúor, Turbidez e pH, pois
apresentaram correlação parcial muito próximo a zero.
5. Considerações finais
De um modo geral a sociedade, principalmente as populações mais carentes, enfrentam
diversos problemas, mas o relacionado à questão do saneamento básico é sem dúvida um
dos mais importantes.
Assim, o crescimento acelerado da região urbana traz consigo a questão da fal ta de
infraestrutura, além de prejudicar o saneamento básico, ocasionando uma água sem
qualidade, sem ser potável.
A água quando ingerida sem qualidade traz uma série de problemas, como a proliferação
de doenças que já foram consideradas erradicadas, como, por exemplo, a cólera.
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
13
Diante disto, é necessário a implementação de políticas públicas voltadas para a
população procurando ofertar uma água de qualidade, que não traga consequências
negativas, como doenças.
O modelo escolhido não tem o poder de determinar qual variável é mais importante,
constituindo-se a escolha em um dos papéis do pesquisador. Para qualquer modelo que seja
adotado, o critério mais importante é o conhecimento do pesquisador sobre o contexto da
pesquisa.
Referências
AMERICAN PUBLIC HEALTH ASSOCIATION. Standard Methods for the Examination of Water and
Wastewater. 15 ed. New York, 1998. 1134p.
BAIRD, C. Química Ambiental. 2 ed. Bookman, São Paulo, 2002.
BISQUERRA, R.; SARRIERA, J. C.; MATÍNEZ, F. Introdução à Estatística: Enfoque Informático com o
Pacote Estatístico SPSS. Bookman Editora, 2009.
BRASIL. Resolução n° 54, de 15 de junho de 2000. Dispõe sobre o Regulamento Técnico para Fixação de
Identidade e Qualidade de Água Mineral Natural e Água Natural. Diário Oficial da República Federativa do
Brasil, Brasília, DF, 16 jun. 2000, Seção 1.
BRASIL - MINISTÉRIO DA SAÚDE. Normas de Padrão de Potabilidade de Aguas Destinadas ao
Consumo Humano. Portaria nº 2914 de 12 de dezembro de 2011.
COMPANHIA DE SANEAMENTO BÁSICO DO ESTADO DE SÃO PAULO – SABESP. Qualidade da
água. Disponível em:
<http://www.sabesp.com.br/Calandraweb/CalandraRedirect/?Proj=sabesp&Pub=T&Temp=0>. Acesso em: 15
abr. 2016.
GOULART, M. D.; CALLISTO, M. Bioindicadores de Qualidade de Água como Ferramenta em Estudos de
Impacto Ambiental. Revista da FAPAM, v. 2, n. 1, p. 153-164, 2003.
HELENA, B.; PARDO, R.; VEGA, M.; BARRADO, E.; FERNANDEZ J.M.; FERNANDEZ, L. Temporal
Evolution of Groundwater Composition in an Alluvial Aquifer (Pisuerga River, Spain) by Principal Component
Analysis. Water Research, Amsterdam, v.34, n.3, p.807-16, 2000
KULCHESKI, E. Desenvolvimento de Tecnologias Aplicadas à Qualidade da Água. Sanare - Revista Técnica
da Sanepar, Curitiba, v.13, n. 13, 2000.
MCNALLY, M.; DOWNIE, J. The Ethics of Water Fluoridation. J Can Dent Assoc., v. 6, p.592-593, 2000.
MONTGOMERY, D. C.; VINING, G. G.; PECK, E. A. Introduction to Linear Regression Analysis. 3. ed., New
York: John Wiley & Sons, 2001, 641 p.
MOTTA, J. G; BECKHAUSER, A; FREITAG, G; PELISSER, M. R. Qualidade da Água Subterrânea na Região
do Médio Vale do Itajaí-SC. Journal of Health Sciences, v. 16, n. 4, 2014.
NETER, J.; KUTNER, M. H.; NACHTSHEIM, C. J.; LI, W. Applied Linear Statistical Models. 5. ed. New
York: Mc Graw-Hill/Irwin, 2005, 1396 p.
NUNES, J. A. Tratamento Físico-Químico de Águas Residuárias Industriais. 4. ed. Aracaju: J. Andrade,
2004. 298p.
PNMA. Índice e Indicadores de Qualidade da Água – Revisão de Literatura, 2002. Disponível em:
<http://www.cprh.pe.gov.br/downloads/indice-agua-volume1.pdf> Acesso em: 15 de abril de 2016.
RICHTER, C.A.; AZEVEDO NETTO, J.M. Tratamento de água. Tecnologia Atualizada. São Paulo: Edgard
Blucher, 1991, 332 p.
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
14
SILVA, S. P. Avaliação dos Parâmetros Sentinelas de Qualidade da Água de Abastecimento das Escolas
Municipais de Cabedelo/PB. Monografia (Curso Técnico em Meio Ambiente), Instituto Federal da Paraíba,
Cabedelo, 2013.
SIMEONOV, V.; STRATIS, J. A.; SAMARA, C.; ZACHARIADIS, G.; VOUTSA, D.; ANTHEMIDIS, A.;
SOFONIOU, M.; KOUIMTZIS, T. Assessment of the Surface Water Quality in Northen Greece. Water
Research, Amsterdam, v.37, n.17, p. 119-124, 2003.
SPERLING, M. V. Introdução à Qualidade da Águas e do Tratamento de Esgotos. 2 ed. Minas Gerais:
UFMG, 1996. 243p.
SUBCOMMITTEE ON HEALTH EFFECTS OF INGESTED FLUORIDE. Health Effects of Ingested
Fluoride. Washington: National Research Council, 1993, 206 p.
SUSSER, M.; SUSSER, E. Choosing a Future for Epidemiology: I. Eras and Paradigms. Am. J. Public
Health, v. 86, n. 5, p.668-73, 1996.
TEBBUTT, T.H.Y. Principles of Water Quality Control. 15 ed, Oxford: Butterworth Heinemann, 1998, 280p.
TRATA BRASIL. Disponível em <http://www.tratabrasil.org.br/segundo-a-organizacao-mundial-da-
saude-oms-28-mil-pessoas-morrem-por-ano-no-brasil-de-doencas-provocadas-por-agua-contaminada>.
Acesso em: 14 de abril de 2016.
WEISBERG, S. Applied Linear Regression. 3. ed., Nova Iorque: John Wiley & Sons, 2005, 310 p.
WHITFIELD, J. Vital Signs. Nature, v. 411, n. 28, p. 989-990, 2001.
WORLD HEALTH ORGANIZATION. Guidelines for Drinking-Water Quality: Recommendations. World
Health Organization, 2004.
