📊 statistics

The Persistence of the Dirty Air Penalty: A Causal Analysis of Formula 1's 2022 Ground Effect Regulations

Este estudo utiliza extensos dados de voltas e métodos avançados de inferência causal para demonstrar que as regulamentações de efeito solo de 2022 da Fórmula 1 falharam em produzir uma redução estatisticamente significativa na penalidade de "ar sujo", uma vez que outros fatores de corrida parecem sobrepor qualquer potencial melhoria aerodinâmica.

Autores originais: Bhavay Joshi

Publicado 2026-08-05

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Bhavay Joshi

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está assistindo a uma corrida de alta velocidade onde os carros não estão apenas lutando entre si, mas também lutando contra o próprio ar. No mundo da Fórmula 1, o ar não é apenas um espaço vazio; é um oceano invisível e pesado através do qual os carros devem avançar. Quando um carro acelera, ele deixa para trás um rastro turbulento e bagunçado de ar, como a água agitada deixada por um barco de velocidade. Se um segundo carro tentar seguir muito de perto, ele terá que dirigir através desse rastro desordenado. Esse "ar sujo" é como tentar correr através de uma multidão de pessoas balançando cobertores gigantes e ondulantes; ele retira a aderência e a velocidade do segundo carro, tornando incrivelmente difícil alcançá-lo e ultrapassar. Por décadas, isso foi a maior dor de cabeça do esporte: o líder estava seguro, e o perseguidor estava preso.

Para resolver isso, os criadores das regras decidiram mudar as regras do jogo em 2022. Eles queriam redesenhar os carros para que o rastro bagunçado deixado por eles fosse menos prejudicial ao carro que os perseguia. Pense nisso como mudar o escapamento de um carro para que, em vez de soprar fumaça diretamente no rosto do carro de trás, ele a sopre inofensivamente para o lado. A grande questão era: esse novo design realmente funcionou? Os carros atrás finalmente tiveram uma chance justa de ultrapassar, ou o "ar sujo" ainda era uma parede gigante e invisível? Este artigo mergulha nos dados reais das corridas para ver se as novas regras mudaram o jogo, ou se os carros ainda estavam presos no mesmo congestionamento de antes.

O Grande Experimento do Ar: As Novas Regras Funcionaram?

Em 2022, o livro de regras da Fórmula 1 passou por uma reformulação massiva. O objetivo era simples, mas ambicioso: acabar com a penalidade do "ar sujo". Sabe aquela sensação de quando você está correndo atrás de um amigo e, de repente, sente como se estivesse correndo através de melaço? É isso que acontece com um carro de Fórmula 1 quando ele segue outro muito de perto. O ar à frente do líder fica todo bagunçado, e o seguidor perde sua aderência e velocidade. As novas regras tentaram corrigir isso mudando a forma como os carros geram downforce (a força que os pressiona contra a pista), esperando tornar o ar atrás deles mais limpo e amigável.

Mas aqui está a reviravolta: embora os engenheiros tivessem simulações de computador sofisticadas que diziam: "Sim! Isso vai funcionar!", ninguém tinha realmente checado os resultados reais das corridas para ver se isso se sustentava na realidade caótica e bagunçada de um Grande Prêmio. É aí que entra este artigo. O autor, um curioso detetive de dados, decidiu pular os modelos de computador e olhar para os números brutos de mais de 100.000 voltas entre 2021 e 2025.

O Trabalho de Detetive: Limpando os Dados
Antes de resolver o mistério, o detetve teve que limpar a cena do crime. Os tempos de volta das corridas são bagunçados. Um carro fica mais lento à medida que queima combustível (como uma mochila ficando mais leve, mas espere — na verdade, um carro fica mais rápido conforme queima combustível, então um carro mais pesado é mais lento no início). Um carro também fica mais lento à medida que seus pneus se desgastam, como correr com sapatos gastos. Para encontrar o efeito do "ar sujo", o autor teve que remover esses outros fatores. Eles construíram um filtro matemático especial para remover o "ruído" do peso do combustível e do desgaste dos pneus, deixando apenas a velocidade pura do carro. Isso garantiu que, se um carro estivesse mais lento, fosse realmente por causa do ar, e não por estar usando pneus velhos.

A Grande Revelação: A Penalidade Permanece
Após processar os números com duas ferramentas estatísticas super inteligentes (uma chamada regressão OLS e outra chamada Causal Forest, que é como uma equipe de árvores de decisão), o resultado foi surpreendentemente silencioso.

O artigo encontrou nenhuma evidência estatisticamente significativa de que as regras de 2022 reduziram a penalidade do ar sujo. Em termos simples: mesmo com os novos designs de carros, o carro que persegue outro ainda perdia aproximadamente a mesma quantidade de velocidade que perdia antes. A "penalidade" por seguir de perto não desapareceu.

O autor analisou os dados de duas maneiras:

O Panorama Geral: Eles compararam todos os anos após 2022 contra os anos anteriores. O resultado? A penalidade ainda estava lá. A matemática mostrou uma mudança minúscula, quase invisível, que era estatisticamente igual a zero.
Ano a Ano: Talvez as regras tenham funcionado por um tempo e depois perderam a força? O autor verificou 2022, 2023, 2024 e 2025 individualmente. O resultado? Ainda não havia uma melhoria clara. Alguns anos pareceram ligeiramente diferentes, mas o padrão era bagunçado e não mostrava uma tendência de sucesso constante.

Por que o Computador e a Pista Discordam
É aqui que fica interessante. O artigo reconhece que as simulações de computador dos engenheiros mostraram uma grande melhoria. No mundo virtual, os novos carros criavam um ar mais limpo. Mas no mundo real, a simulação não correspondeu à pista de corrida.

Por quê? O autor sugere que o racing real é uma sopa caótica de outros fatores. Em uma simulação, você pode controlar tudo perfeitamente. Mas em uma corrida real, os pilotos estão lutando por posição, os pneus estão se desgastando de maneiras estranhas e as cargas de combustível estão mudando a cada segundo. O artigo argumenta que esses fatores do mundo real são tão fortes que "atropelam" (ou abafam) qualquer pequena vantagem aerodinâmica que os novos carros possam ter tido. É como ter um motor superpotente em um carro, mas se você estiver preso em um engarrafamento, o motor não importa. O "ar sujo" pode ser ligeiramente mais limpo na teoria, mas na pista, os outros problemas ainda são altos demais para que a melhoria possa ser ouvida.

A Conclusão
Então, as regras de 2022 consertaram o problema das ultrapassagens? De acordo com esta análise profunda dos dados, não. A penalidade do "ar sujo" persistiu. O artigo não diz que os novos carros são ruins ou que a física está errada; ele apenas diz que a promessa de magia aerodinâmica não se traduziu em uma vantagem de velocidade mensurável nas corridas reais. O abismo entre o mundo limpo e perfeito das simulações de computador e a realidade caótica e desgastante de pneus da pista de corrida é real e, neste caso, a realidade venceu. Os carros ainda estão lutando contra o ar, e os perseguidores ainda acham tão difícil alcançar os líderes quanto era antes da grande reformulação.

Resumo Técnico: A Persistência da Penalidade de Ar Sujo nas Regulamentações de Efeito Solo da Fórmula 1 de 2022

Definição do Problema
A temporada de 2022 da Fórmula 1 introduziu uma grande reformulação regulatória, deslocando a principal fonte de downforce das asas para os túneis de efeito solo sob o carro. O objetivo declarado pela FIA foi reduzir a penalidade de "Ar Sujo" (Dirty Air) — a perda de desempenho aerodinâmico experimentada por um carro que segue outro devido ao rastro turbulento do líder — visando facilitar o racing mais próximo e aumentar as ultrapassagens. Embora essa afirmação seja sustentada por simulações aerodinâmicas externas (CFD), ela não foi rigorosamente verificada contra dados reais de cronometragem de corrida. O problema central abordado é se os benefícios aerodinâmicos teóricos se traduziram em uma redução mensurável nas penalidades de tempo de volta em condições reais de corrida, onde existem fatores de confusão como degradação de pneus, carga de combustível e estratégia de pilotos.

Metodologia
O estudo utiliza um conjunto de dados de 100.486 voltas de corrida coletadas via API FastF1, abrangendo as temporadas de 2021 (pré-regulamentação) e 2022–2025 (pós-regulamentação). A metodologia envolve um processo de múltiplas etapas para isolar o sinal de "Ar Sujo" do ruído:

Pré-processamento e Filtragem de Dados: O conjunto de dados foi restrito a voltas de "bandeira verde" (TrackStatus == 1) em compostos secos (Soft, Medium, Hard) para eliminar a variância causada por carros de segurança, paradas nos boxes e clima chuvoso. Voltas com compostos intermediários foram excluídas devido ao viés sistemático.
Correção de Física (Isolando o Sinal): Para isolar o efeito aerodinâmico da distância de seguimento de outras variáveis, uma variável "CorrectedLapTime" (Tempo de Volta Corrigido) foi construída. Isso envolveu um modelo de regressão conjunta por composto de pneu para estimar e subtrair os efeitos de:
- Carga de Combustível: Representada pelo número da volta dentro de um stint.
- Degradação de Pneus: Estimada via TyreLife (voltas no conjunto atual).
- O modelo ajustou conjuntamente LapTime = α + β₁·TyreLife + β₂·LapNumber + ε para evitar a colinearidade entre o consumo de combustível e o envelhecimento do pneu.
Modelos de Inferência Causal: Duas técnicas estatísticas independentes foram empregadas para testar a hipótese de que as regulamentações de 2022 reduziram a penalidade:
- Regressão OLS com Erros Padrão Agrupados (Clustered): Um modelo linear testando a interação entre GapToCarAhead (gap de tempo para o carro à frente) e IsPost2022. Os erros padrão foram agrupados por corrida para contabilizar a correlação serial dentro dos eventos. Um filtro estrito de circuito foi aplicado para incluir apenas circuitos presentes em ambas as eras, a fim de evitar a colinearidade entre os efeitos fixos de circuito e de era.
- Causal Forest Double/Debiased Machine Learning (DML): Uma abordagem não paramétrica usada para detectar heterogeneidade de efeitos e não linearidades que o OLS poderia omitir. Este modelo tratou o GapToCarAhead como o tratamento e o CorrectedLapTime como o resultado, controlando por circuito, composto, vida do pneu e número da volta.
Testes de Robustez: Ambos os modelos foram executados novamente utilizando a "Temporada" como uma variável categórica (linha de base de 2021 vs. 2022–2025 individualmente) para testar uma hipótese alternativa específica: que qualquer benefício teria sido alcançado em 2022, mas erodido nos anos subsequentes.

Principais Contribuições

Conjunto de Dados Reprodutível: Criação de um conjunto de dados de volta a volta, abrangendo cinco temporadas, com uma metodologia específica de correção baseada em física para tempos de volta.
Validação por Método Duplo: Aplicação tanto de técnicas econométricas tradicionais (OLS) quanto de aprendizado de máquina moderno (Causal Forest DML) para validar a existência de não linearidade e heterogeneidade de efeitos.
Desacoplamento de Simulação e Realidade: Um teste empírico direto separando as alegações de engenharia baseadas em simulação da FIA dos resultados reais de desempenho na pista.

Resultos
A análise produziu resultados nulos consistentes em ambas as metodologias e granularidades temporais:

Análise Agrupada (Pooled Analysis): Nem o termo de interação OLS nem os efeitos médios da Causal Forest mostraram uma diminuição estatisticamente significativa na penalidade de Ar Sujo pós-2022.
- Interação OLS ( $\beta_3$ ): $-0,0025 $($ p = 0,803$).
- Efeitos Médios da Causal Forest: 0,019s (2021) vs. 0,018s (2022–2025) por segundo de distância de seguimento. As distribuições dos efeitos de tratamento foram quase idênticas e sobrepostas.
Análise por Temporada: Ao detalhar por ano, nenhuma temporada individual (2022–2025) mostrou uma diferença estatisticamente significativa em relação à linha de base de 2021 no modelo OLS.
- Embora as estimativas da Causal Forest tenham mostrado alguns efeitos não nulos em anos específicos (ex: um efeito negativo em 2025), o padrão foi não monotônico e não se alinhou com a forma de erosão "ascensão e queda" sugerida pelos dados de simulação.
Achados Descritivos: Os tempos de volta corrigidos mostraram uma relação não monotônica, em formato de U, com a distância de seguimento (mais rápidos no bin de 0,5–1,0s do que no bin de 0–0,5s), sugerindo que o comportamento do piloto (ex: pressionar mais em intervalos intermediários) pode influenciar os tempos de volta mais do que os efeitos puramente aerodinâmicos do rastro.

Significância e Alegações
O artigo conclui que não há evidência estatisticamente significativa de que as regulamentações de efeito solo de 2022 reduziram a penalidade de tempo de volta do Ar Sujo nos dados de corrida analisados. O autor enfatiza uma distinção crítica entre simulação e realidade: mesmo que exista uma vantagem aerodinâmica em simulações controladas de CFD, ela pode falhar em se manifestar nos tempos de corrida reais devido aos efeitos de "mascaramento" (swamping) de estratégia de pneus, comportamento do piloto e contexto de corrida.

O estudo não refuta a existência do fenômeno aerodinâmico em teoria, mas afirma que o benefício de desempenho alegado não se traduziu em um resultado mensurável nas pistas. Os achados sugerem que a penalidade de "Ar Sujo" persiste sob as regulamentações atuais, desafiando a narrativa de que as regras de 2022 resolveram com sucesso o problema das ultrapassagens através do redesenho aerodinâmico sozinho. O artigo mantém uma postura modesta, observando que limitações como o uso do número da volta como proxy de combustível e o potencial de confundidores não observados na suposição do DML impedem alegações causais definitivas além do escopo dos dados disponíveis.

O Grande Experimento do Ar: As Novas Regras Funcionaram?

Mais como este