Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 PLANEJAMENTO DE EXPERIMENTOS APLICADO A ALIMENTOS EMENTA Importância e aplicação do planejamento de experimentos. Técnicas estatísticas de planejamento, análise de dados e construção de modelos Prof. Dr. Fábio Yamashita Universidade Estadual de Londrina Depto. Ciência e Tecnologia de Alimentos ELEMENTOS DE UM ESTUDO CIENTÍFICO Especificação do objetivo; Escolha dos fatores, níveis e faixas; Seleção das variáveis de resposta; Escolha do planejamento experimental; Coleta de informações; Análise dos dados; Conclusões e recomendações. O PAPEL DO PLANEJAMENTO EXPERIMENTAL Pesquisa científica: processo de aprendizagem dirigida; Objetivo do planejamento: processo mais eficiente possível; estudo dos efeitos, muitas vezes complexos. O QUE É ESTATÍSTICA? Corpo de conceitos e métodos utilizados para: coletar e interpretar dados da área em estudo; tirar conclusões em situações onde a incerteza e a variação estão presentes. OBJETIVOS DA ESTATÍSTICA Fazer inferências sobre uma população através da análise de informações contidas em dados de amostra; Estimar a magnitude da extensão da incerteza envolvida nesta inferência; Planejar o processo e a extensão da amostragem, de tal forma que as observações formem uma base para inferir de forma válida e precisa. EXEMPLO DO DESENVOLVIMENTO DE UMA NOVA ENZIMA Hipótese 1: nova enzima catalisaria reação de A + B C (composto valioso) com excelente rendimento; Desenho experimental 1: temperatura escolhida 60°C; Dados 1 (fatos): produto obtido escuro, fétido e com menos de 1% C; Indução: produção inicial do composto C em alta concentração condições severas da reação degradação do composto C. 2 EXEMPLO DO DESENVOLVIMENTO DE UMA NOVA ENZIMA Hipótese 2: condições da reação muito severas temperatura mais baixa aumentaria o rendimento de produção de C; Desenho experimental 2: duas novas corridas temperaturas escolhidas: 55°C e 50°C; Dados 2 (fatos): produtos obtidos menos escuros e fétidos 55°C rendimento de 4% de C e 50°C: rendimento de 17% de C. CICLO ITERATIVO DE INVESTIGAÇÃO Tratamento de água com uma nova resina para retirada de sulfatos ITERAÇÃO 1 Questão: há evidências de que a nova resina reduz o nível de sulfato da água pré-tratada? Desenho e análise: comparação de uma média com uma média populacional; Descoberta: foi obtida uma redução significativa, mas um alto teor de sulfato permanece; Discussão: uso de uma versão de alta pureza (mais cara) poderia melhorar o desempenho. Tratamento de água com uma nova resina para retirada de sulfatos ITERAÇÃO 2 Questão: como trabalham as duas versões de resina? Desenho e análise: comparação de duas médias; Descoberta: não houve diferença significativa entre as resinas; Discussão: descartou-se a resina de alta pureza e decidiu-se comparar com 5 resinas comerciais mais caras. Tratamento de água com uma nova resina para retirada de sulfatos ITERAÇÃO 3 Questão: como trabalhou a nova resina comparada com as 5 amostras comerciais? Desenho e análise: comparação entre mais de 2 tratamentos; Descoberta: a nova resina trabalhou de forma igual ou melhor que as amostras comerciais; Discussão: a nova resina (mais barata) é tão boa quanto as encontradas no mercado. Sob as condições estudadas a redução de sulfato na água ainda não é suficiente. Tratamento de água com uma nova resina para retirada de sulfatos ITERAÇÃO 4 Questão: alterações no equipamento que afetem a vazão, altura do leito, quantidade regenerada etc. aumentariam a remoção de sulfato da água? Desenho e análise: estudos empíricos com desenho fatorial; Descoberta: com modificações adequadas pode ser atingido nível suficientemente baixo de sulfato; Discussão: antes do processo ser recomendado para retirada de sulfato estudar comportamento sob uma variedade de condições que podem ser encontradas em diversas localidades em épocas diferentes. Tratamento de água com uma nova resina para retirada de sulfatos ITERAÇÃO 5 Questão: como o processo de adsorção de sulfato é afetado pelo pH, dureza e baixas concentrações de compostos químicos A, B, C, D,...., K? Desenho e análise: desenho fatorial fracionado; Descoberta: o processo não é afetado pelo pH, dureza e baixas concentrações dos compostos químicos A, B, C, D,...., K nas faixas estudadas; Discussão: a resina provavelmente pode ser lançada no mercado. Uma planta piloto é construída. 3 Tratamento de água com uma nova resina para retirada de sulfatos ITERAÇÃO 6 Questão: como os valores das variáveis do processo afetam a qualidade e o custo de produção das resinas? Desenho e análise: métodos de superfície de resposta e mínimos quadrados; Descoberta: estudos na planta piloto indicam que o processo de produção em larga escala da resina teria qualidade satisfatória e custo razoável; Conclusão: uma planta comercial é construída. COMO UTILIZAR AS TÉCNICAS ESTATÍSTICAS Descubra o máximo que puder sobre o problema Qual é o objeto da investigação? Eu vou descrever o seu problema. Eu estou correto? Você tem algum dado? Como estes dados foram coletados? Em que ordem? Em quais dias? Por quem? Como? Como o equipamento trabalha? Como ele se parece? Eu posso vê-lo? Eu posso vê-lo trabalhando? Você tem outros dados como este? Quanta teoria é conhecida sobre o fenômeno? COMO UTILIZAR AS TÉCNICAS ESTATÍSTICAS Não esqueça o conhecimento não estatístico; Utilize o planejamento e a análise mais simples possível; Reconheça a diferença entre significância estatística e prática; Defina os objetivos; Aprenda uns com os outros: troca entre teoria e prática. COMPARAÇÃO ENTRE 2 TRATAMENTOS Média populacional () Média de amostra Variância populacional Variância de amostra 1n )YY( s 2 2 n y...yyY n21 n )Y( 22 COMPARAÇÃO ENTRE 2 TRATAMENTOS Distribuição normal (Gaussiana) COMPARAÇÃO ENTRE 2 TRATAMENTOS Médias seguem uma distribuição normal mesmo que as respostas sejam discretas 4 COMPARAÇÃO ENTRE 2 TRATAMENTOS Teste t de Student Utilizada quando não temos “” mas “s” Com valor de t0=(y0-)/s e =graus de liberdade Tabela =∞ distribuição normal Quando >15 distribuição “t” próxima de uma normal, exceto nas extremidades DISTRIBUIÇÃO t DE STUDENT CONDIÇÕES PARA VALIDADE DA DISTRIBUIÇÃO “t” y normalmente distribuído em torno de com variância 2 “s” é distribuído independentemente de y “s2” com graus de liberdade é calculada a partir de observações distribuídas “normalmente” e independentemente ALEATORIZAÇÃO E BLOCAGEM BLOCO: porção do material experimental mais homogêneo; "BLOQUE O QUE VOCÊ PUDER E ALEATORIZE O QUE VOCÊ NÃO PUDER BLOCAR" ; Aleatorização e blocagem não substituem estudos sobre fontes de variabilidade evitáveis. ESTUDO DO RUÍDO, MODELOS E ALEATORIZAÇÃO y = modelo estrutural + y = f (x1) + (x2) x1 = variáveis a serem estudadas x2 = variáveis que afetam o processo mas são desconhecidas COMPARAÇÃO, REPLICAÇÃO, ALEATORIZAÇÃO E BLOCAGEM Experimentos comparativos: p.ex. correr experimentos lado a lado; Replicatas genuínas: corridas A e B realizadas diversas vezes; Blocagem utilizada para reduzir o erro. Condições da blocagem similares às da corrida pareada, p.ex., realizadas no mesmo dia e/ou local, com a mesma matéria-prima, com animais de mesma raça e criação etc.; Eliminadas as fontes "conhecidas" dediscrepância, seja mantendo-as constantes durante o experimento ou por blocagem, as discrepâncias desconhecidas devem ser aleatorizadas contribuem para as corridas A e B. 5 COMPARANDO MAIS DE 2 TRATAMENTOS Análise de variância Média Soma de quadrados Variância Desvio padrão 2n )Yy( n y...yyY n21 2ss 1n )YY( s 2 2 COMPARANDO MAIS DE 2 TRATAMENTOS Tempo de coagulação de sangue com 4 dietas diferentes 24 animais e dietas A, B, C, D; Dietas aleatorizadas entre os animais; Amostras de sangue tomadas e analisadas aleatoriamente. dados podem ser tratados como amostras aleatórias provenientes de 4 populações normais tendo a mesma variância; Questão: Existe evidência que indiquem diferença real entre as médias associados com os diferentes tratamentos (dietas)? H0 : A = B = C = D DIETA (TRATAMENTO) A B C D 62 (20) 63 (12) 68 (16) 56 (23) 60 (2) 67 (9) 66 (7) 62 (3) 63 (11) 71 (15) 71 (1) 60 (6) 59 (10) 64 (14) 67 (17) 61 (18) 65 (4) 68 (13) 63 (22) 66 (8) 68 (21) 64 (19) 63 (5) 59 (24) média do tratamento 61 66 68 61 grande média 64 DIETA (TRATAMENTO) A B C D 1 (20) -3 (12) 0 (16) -5 (23) -1 (2) 1 (9) -2 (7) 1 (3) desvios dentro de 2 (11) 5 (15) 3 (1) -1 (6) cada tratamento -2 (10) -2 (14) -1 (17) 0 (18) -1 (4) 0 (13) 2 (22) 0 (8) 0 (21) 3 (19) 2 (5) -2 (24) desvios de cada média de tratamento da grande média -3 2 4 -3 grande média 64 fonte de variação soma de quadrado s graus de liberdade quadrado médio razão s2T/s2R entre tratamentos ST = 228 3 s2T = 76,0 13,6 dentro do tratamento SR = 112 20 s2R = 5,6 total em relação a grande média SD = 340 23 Teste F para os tratamentos: s2T/s2R = 13,6 com (k - 1) = 3 e (n-1)(k-1) = 20 graus de liberdade Tabela Pr (s2T/s2R > 13,6) = 0,000046 existe diferença significativa entre os tratamentos. CHECAGEM DO MODELO BÁSICO yti = t + ti yti = i-ésimo dado do t-ésimo tratamento proveniente de uma população normalmente distribuída e tendo a mesma variância mas possível médias diferentes; t = média da população para o t-ésimo tratamento; ti = erro (independente, normalmente distribuído com média zero e variância desconhecida mas fixa). 6 ANÁLISE DE RESÍDUOS Distribuição dos resíduos; Anormalidades associadas com tratamentos particulares; Relação entre o tamanho dos resíduos e o valor esperado da resposta Gráfico dos resíduos na sequência de tempo; Gráfico dos resíduos versus variáveis de interesse. COMPARAÇÕES MÚLTIPLAS Teste de Tukey para comparação pareada; Teste de Dunnett para comparação múltipla com um padrão; Teste de Newman-Keuls; Teste de Duncan; Teste de Scheffé. BLOCOS ALEATORIZADOS Comparação de 4 variações para um processo de produção de penicilina tratamentos A, B, C, D (k = 4); matéria-prima (caldo de fermentação) varia muito mas é suficiente para 4 corridas; n = 5 blocos (caldo de fermentação); os experimento foram aleatorizados dentro de cada bloco elimina a variação caldo-para-caldo da comparação entre tratamentos; fornece uma base indutiva mais vasta que um experimento rodado com matéria-prima uniforme, pois os tratamentos são testados, não apenas com 1, mas 5 diferentes caldos. bloco tratamento média A B C D blocos caldo 1 89 (1) 88 (3) 97 (2) 94 (4) 92 caldo 2 84 (4) 77 (2) 92 (3) 79 (1) 83 caldo 3 81 (2) 87 (1) 87 (4) 85 (3) 85 caldo 4 87 (1) 92 (3) 89 (2) 84 (4) 88 caldo 5 79 (3) 81 (4) 80 (1) 88 (2) 82 média tratamento 84 85 89 86 86 grande média fonte de variação soma de quadrados graus de liberdade média SA = 147.920 1 bloco SB = 264 4 tratamento ST = 70 3 resíduo SR = 226 12 total S = 148.480 20 Y = A + B +T + R Y = dados A = grande média B = bloco T = tratamento R = resíduo IMPLICAÇÕES DO MODELO ADITIVO yti = + i + t + ti Se os efeitos de bloco e tratamento não forem aditivos houve uma interação entre bloco e tratamento; Ex 1: 3 catalisadores (A, B, C) e 5 soluções (blocos). Uma impureza da solução 3 contamina somente o catalisador B resposta y23 poderá será menor que o esperado Ex 2: Suponha que a relação da resposta seja multiplicativa ti = it . Se fizermos o log(resposta) ti’ = ` + i’ + t’ 2 categorias: interações transformáveis pode ser eliminada analisando-se, p.ex., log, raiz quadrada ou inverso dos dados originais; interações não transformáveis não podem ser eliminadas desta forma 7 fonte de variação soma de quadrados graus de liberdade quadrado médio razão s2x/s2R entre blocos SB = 264 4 s2B = 66,0 3,51 entre tratamentos ST = 70 3 s2T = 23,3 1,24 resíduos SR = 226 12 s2R = 18,8 total (corrigido) S = 560 19 Teste F para os tratamentos: s2T/s2R = 1,24 com (k-1) = 3 e (n-1)(k-1) = 12 graus de liberdade Tabela Pr (s2T/s2R > 1,24) = 0,33 não existe diferença significativa entre os tratamentos Teste F para os blocos: s2B/s2R = 3,51 com (n - 1) = 4 e (n-1)(k-1) = 12 graus de liberdade Tabela Pr (s2B/s2R > 3,51) = 0,04 existe diferença significativa entre os blocos MEDIDA DOS EFEITOS DAS VARIÁVEIS MODELOS MATEMÁTICOS Modelos teóricos Modelos empíricos APROXIMAÇÃO COMPREENSIVA VS SEQUENCIAL “A melhor hora para se planejar um experimento é depois que ele termina” APROXIMAÇÃO COMPREENSIVA VS SEQUENCIAL Se o experimento inteiro for planejado no inicio pontos previamente conhecidos: Quais as variáveis mais importantes; Qual a faixa das variáveis a ser estudada; Em qual escala as variáveis e as respostas devem ser consideradas (linear, log, inversa, seno etc.); Quais transformações multivariadas devem ser feitas variáveis podem ser expressas de forma mais simples (x1+x2), (x1/x2) etc. APROXIMAÇÃO COMPREENSIVA VS SEQUENCIAL VANTAGENS DA APROXIMAÇÃO SEQUENCIAL: Localização dos experimentos no espaço das variáveis podem mudar para uma vizinhança mais promissora; Algumas variáveis inicialmente incluídas podem cair e outras podem ser substituídas; Resultados podem indicar que algumas variáveis poderiam ser transformadas; Objetivo da investigação pode mudar se estiver procurando prata e achar ouro a descoberta não deve ser ignorada. A REGRA DOS 25% Não se deve gastar mais do que 25% do orçamento no planejamento inicial; Quando a primeira parte da pesquisa estiver completa, o pesquisador saberá muito que quando ele começou; Desta forma poderá planejar melhor a segunda parte do experimento e assim por diante. PLANEJAMENTO FATORIAL A 2 NÍVEIS - IMPORTÂNCIA Exige relativamente poucos experimentos por fator estudado; Não é capaz de explorar uma região muito grande mas pode indicar a direção a seguir; Quando há necessidade de explorar uma determinada região planejamento pode ser aumentado para formar desenhos compostos; Serve de base para o fatorial fracionado importante para estudar grande número de fatores superficialmente; Planejamento fatorial e os correspondentes fracionados servem como tijolos para atingir o grau de sofisticação do problema; Interpretação muito simples. 8 EXEMPLO DE UM PLANEJAMENTO FATORIAL 23 : ESTUDO DE UMA PLANTA PILOTO Variáveis independentes Temperatura (T) Concentração de catalisador (C) Tipo de catalisador (K) Variável dependente (resposta) Rendimento (y) T (oC) C (%) K y (g) Unidades originais das variáveis 1 160 20 A 60 2 180 20 A 72 3 160 40 A 54 4 180 40 A 68 5 160 20 B 52 6 180 20 B 83 7 160 40 B 45 8 180 40 B 80 unidades codificadasdas variáveis 1 - - - 60 2 + - - 72 3 - + - 54 4 + + - 68 5 - - + 52 6 + - + 83 7 - + + 45 8 + + + 80 CÁLCULO DOS EFEITOS PRINCIPAIS Efeito principal = y+ - y- Efeito da temperatura T = 23 Efeito da concentração C = -5 Efeito do catalisador K = 1,5 EFEITOS DE INTERAÇÃO INTERAÇÃO ENTRE 2 FATORES Interação entre temperatura e catalisador (T x K) Catalisador média do efeito da temperatura (+) B 33 (-) A 13 diferença 20 interação T x K = 20/2 = 10 EFEITOS DE INTERAÇÃO INTERAÇÃO ENTRE 2 FATORES Interação entre temperatura e catalisador (T x K) interação T x K = 20/2 = 10 Temperatura média do efeito do catalisador (+) B 11,5 (-) A -8,5 diferença 20 EFEITO ESTIMATIVA d.p. média 64,25 0,7 efeitos principais temperatura T 23,0 1,4 concentração C -5,0 1,4 catalisador K 1,5 1,4 interação entre 2 fatores T x C 1,5 1,4 T x K 10,0 1,4 C x K 0,0 1,4 interação entre 3 fatores T x C x K 0,5 1,4 9 INTERPRETAÇÃO DOS RESULTADOS Efeito de (C): reduz o rendimento em torno de 5 unidades independente dos níveis das outras variáveis; Efeitos de (T) e de (K) não podem ser interpretados separadamente: grande interação T x K devido à diferença de sensibilidade dos catalisadores a mudança de temperatura. Com o catalisador A efeito da temperatura é de 13 unidades e com o B é de 33. Resultado de maior interesse pratico: grande diferença de comportamento dos catalisadores em relação a temperatura VANTAGENS SOBRE O MÉTODO "UM FATOR POR VEZ" O método "um fator por vez" estima o efeito de uma única variável, enquanto as outras permanecem fixas; Se as variáveis forem aditivas, o fatorial é mais preciso; Se as variáveis não forem aditivas, o fatorial, ao contrário do método "um fator por vez", detecta e estima as interações que medem a não aditividade; O planejamento "um fator por vez" exige, para a análise de k fatores, k vezes mais corridas que o fatorial, para assegurar a mesma precisão. BLOCAGEM DE UM FATORIAL 23 Arranjo de fatorial 23 em dois blocos de tamanho 4 exp 1 2 3 12 13 23 123 bloco 1 - - - + + + - I 2 + - - - - + + II 3 - + - - + - + II 4 + + - + - - - I 5 - - + + - - + II 6 + - + - + - - I 7 - + + - - + - I 8 + + + + + + + II PLANEJAMENTO FATORIAL FRACIONADO A 2 NÍVEIS Planejamento fatorial 25: exemplo de um reator VARIÁVEL - + 1 taxa de alimentação (l/min) 10 15 2 catalisador (%) 1 2 3 taxa de agitação (rpm) 100 120 4 temperatura (oC) 140 180 5 concentração (%) 3 6 VARIÁVEL RESPOSTA (% reação) corrida 1 2 3 4 5 y 1 - - - - - 61 *2 + - - - - 53 *3 - + - - - 63 4 + + - - - 61 *5 - - + - - 53 6 + - + - - 56 7 - + + - - 54 *8 + + + - - 61 *9 - - - + - 69 10 + - - + - 61 11 - + - + - 94 *12 + + - + - 93 13 - - + + - 66 *14 + - + + - 60 *15 - + + + - 95 16 + + + + - 98 VARIÁVEL RESPOSTA (% reação) corrida 1 2 3 4 5 y *17 - - - - + 56 18 + - - - + 63 19 - + - - + 70 *20 + + - - + 65 21 - - + - + 59 *22 + - + - + 55 *23 - + + - + 67 24 + + + - + 65 25 - - - + + 44 *26 + - - + + 45 *27 - + - + + 78 28 + + - + + 77 *29 - - + + + 49 30 + - + + + 42 31 - + + + + 81 *32 + + + + + 82 10 ESTIMATIVA DOS EFEITOS média = 65,5 1 = -1,375 123 = 1,50 2 = 19,5 124 = 1,375 3 = -0,625 125 = -1,875 4 = 10,75 134 = -075 5 = -6,25 135 = -2,50 145 = 0,625 12 = 1,375 235 = 0,125 13 = 0,75 234 = 1,125 14 = -0,875 245 = -0,250 15 = 0,125 345 = 0,125 23 = 0,875 24 = 13,25 1234 = 0,0 25 = 2,0 1245 = 0,625 34 = 2,125 2345 = -0,625 35 = 0,875 1235 = 1,5 45 = -11,0 1345 = 1,0 12345 = -0,25 ANÁLISE DE UMA MEIA FRAÇÃO DE UM PLANEJAMENTO FATORIAL 25 COMPLETO: UM PLANEJAMENTO FATORIAL 25-1 Corrida VARIÁVEL RESPOSTA (% reação) 1 2 3 4 5 12345 y 17 - - - - + + 56 2 + - - - - + 53 3 - + - - - + 63 20 + + - - + + 65 5 - - + - - + 53 22 + - + - + + 55 23 - + + - + + 67 8 + + + - - + 61 9 - - - + - + 69 26 + - - + + + 45 27 - + - + + + 78 12 + + - + - + 93 29 - - + + + + 49 14 + - + + - + 60 15 - + + + - + 95 32 + + + + + + 82 ESTIMATIVA DOS EFEITOS (assumindo que interações de 3 ou mais fatores são desprezíveis) média = 65,25 1 = -2,0 12 = 1,5 2 = 20,5 13 = 0,5 3 = 0,0 14 = -0,75 4 = 12,25 15 = 1,25 5 = -6,25 23 = 1,50 24 = 10,75 25 = 1,25 34 = 0,25 35 = 2,25 45 = -9,50 MÉTODOS DE SUPERFÍCIE DE RESPOSTA Grupo de técnicas utilizadas no estudo empírico da relação entre uma ou mais respostas experimentais e um número de variáveis de entrada. Essas técnicas são utilizadas para responder algumas questões: Como uma resposta em particular é afetada por um grupo de variáveis de entrada sobre uma região específica de interesse? Qual a faixa das variáveis que dará um produto que satisfaça simultaneamente as especificações desejadas? Qual o valor das variáveis que dará o máximo (mínimo) para uma resposta específica? FRAGILIDADE DA ESTRATÉGIA "UMA VARIÁVEL POR VEZ" EXEMPLO REAÇÃO QUÍMICA: maximizar o rendimento em função da temperatura (T) e tempo de reação (t) Iolanda Nota Ex: Um equipamento q tem parametros variaveis, que tamanho de parafuso ele me dá. nullResp: tamanho de parafusonullvariaveis independentes: temp, vel... Iolanda Nota sup de resposta : tenho varias respostas e faço uma otimização conjunta (atende as especificações) Iolanda Nota dentro da faixa q estou trabalhando, quero maximizar meu rendimento.Nosso trabalho vai estar mais ligado a isto. Iolanda Nota fixa a temp e faz varios tempos. 11 Para T = 225oC tmax = 130 min (rendimento = 75 g) Para t = 130 min Tmax = 225oC (rendimento = 75 g) SUPERFÍCIE “REAL” DO RENDIMENTO DA REAÇÃO ILUSTRAÇÃO DA METODOLOGIA DE SUPERFÍCIE DE RESPOSTA: EXEMPLO DA REAÇÃO QUÍMICA Melhor combinação conhecida: 75 min/130oC PLANEJAMENTO DE PRIMEIRA ORDEM t variando de 70 a 80 min T variando de 127,5 a 132,5oC níveis das variáveis em unidades codificadas: C2,5 C 130 - T = x min 5 min 75 tx 21 variáveis em unidades originais variáveis em unidades codificadas resposta corrida* tempo (min) temperatura (oC) x1 x2 y (g) 1 70 127,5 -1 -1 54,3 2 80 127,5 +1 -1 60,3 3 70 132,5 -1 +1 64,6 4 80 132,5 +1 +1 68,0 5 75 130 0 0 60,3 6 75 130 0 0 64,3 7 75 130 0 0 62,4 Será aplicado um fatorial 22 com 3 repetições no ponto central y = 0 + 1.x1 + 2.x2 + * aleatorizado ILUSTRAÇÃO DA METODOLOGIA DE SUPERFÍCIE DE RESPOSTA: EXEMPLO DA REAÇÃO QUÍMICA O planejamento escolhido: permite o modelo planar ser ajustado eficientemente; permite "checagem" a serem feitas para determinar onde o modelo planar é representativamente adequado; fornece uma estimativa do erro experimental. CHECAGEM DA INTERAÇÃO Modelo planar supõe que o efeito das variáveis é aditivo; Interação entre as variáveis pode ser medido pelo coeficiente 12 do termo x1.x2 adicionado ao modelo; Neste caso o modelo seria: y = 0 + 1.x1 + 2.x2 + 12.x1.x2 + Iolanda Nota tenho tres repetições do ponto central, entao existe uma estimativa do erro central.null 12 CHECAGEM DA CURVATURA Se 11 e 22 forem coeficientes dos termos x12 e x22 curvatura será uma estimativa de (11+22) Neste caso o modelo seria: y = 0 + 1.x1 + 2.x2 + 12.x1.x2 + (11+22).C + Onde: C=1 se o ponto for um ponto central; C=0 demais casos. 21 X.5,4X.35,262y CAMINHO DE MÁXIMA INCLINAÇÃO ASCENDENTE (STEEPEST ASCENT) codificado não codificado x1 x2 t (min) T (oC) corrida yobs central 0 0 75 130,0 5,6,7 62,3 1 1,91 80 134,8 8 73,3 caminho 2 3,83 85 139,6 do 3 5,74 90 144,4 10 86,8 steepest 4 7,66 95 149,1 ascent 5 9,57 100 153,9 9 58,2 Começando do centro da região experimental:movimento simultâneo de+4,50 unidades em x2 para cada +2,35 unidades movimentadas em x1 SEGUNDO PLANEJAMENTO (CENTRAL COMPOSTO) Novo planejamento fatorial 22 com 2 pontos centrais localizados próximos da corrida 10 aumentado com um planejamento estrela para formar um planejamento de segunda ordem (composto) C5 C145 - T = x min 10 min 90 tx 21 Iolanda Realce 13 variáveis em unidades originais variáveis em unidades codificadas resposta corrida* tempo (min) temperatura (oC) x1 x2 y (g) 11 80 140 -1 -1 78,8 12 100 140 -1 +1 91,2 13 80 150 +1 -1 84,5 14 100 150 +1 +1 77,4 15 76 145 0 83,3 16 104 145 0 81,2 17 90 138 0 81,2 18 90 152 0 79,5 19 90 145 0 0 89,7 20 90 145 0 0 86,8 21 90 145 0 0 87,0 22 90 145 0 0 86,0 2 2 2 2 21 2 22 2 11 ..88,4.09,3.36,0.14,2.38,137,87 XXXXXXy 21 2 2 2 11 ..88,4.09,3.14,2.38,138,87 XXXXXy 21 2 2 2 1 ..88,4.09,3.14,238,87 XXXXy Iolanda Realce Iolanda Realce Iolanda Realce Iolanda Realce Iolanda Realce Iolanda Realce Iolanda Realce Iolanda Realce Iolanda Realce Iolanda Nota pontos axiais.nulltambém chamado de pontos estrela, se ligar os pontos, no espaço grafico, tem semelhança de uma estrela.nullnull Iolanda Nota gera um modelo quadrático o modelo axial.null Iolanda Nota primeiro precisamos definir os pontos axiais, depois os pontos codificados (-1) e (1) para nao ficar com uma faixa muito larga nos pontos axiais.nullassim vamos definir a faixa mais larga, e estes numeros vao ficar inteiros e os outros vao sair quebrados.null Iolanda Realce Iolanda Nota se o coeficiente é negativo, tenho um ponto de máximo (por conta da concavidade).nullé mais importante o -3,09 X2 em módulo , estar no ponto central (para zerar esse coeficiente e a resposta ser maior).nullcomo a interação é negativa, tenho que trabalhar com sinais opostos de tempo e temperatura (X1 e X2).nullPrecisamos aprender a interpretar a equação e prever como vai ficar na figura. Iolanda Realce 14 Planejamentos 3(k-p), Box-Behnken e Fatoriais Mistos de 2 e 3 Níveis No caso de suspeita que o efeito dos fatores para a variável dependente de interesse não é somente linear necessário pelo menos 3 níveis para testar os efeitos linear, quadráticos e interações; Alguns fatores podem ser de natureza categórica (variável qualitativa) e com mais de 2 categorias p.ex. você pode ter três máquinas diferentes que produzem uma parte específica. Planejamento Fatorial Completo 33 Iolanda Nota melhor resposta x1 mais baixos e x2 mais altos.nullfugir de x2 e x1 altos e x2 e x1 baixos pq o rendimento fica mt baixo (regiao verde). 15 Planejamento Fatorial Fracionado 3(k-p) Mecanismo geral de geração de projetos fatoriais fracionários em 3 níveis (3 (k-p)) semelhante ao 2(k-p); Inicia com um fatorial completo e, em seguida, usa as interações do projeto completo para construir fatores "novos" (ou blocos), tornando seus níveis de fator idênticos aos dos respectivos termos de interação Planejamento Fatorial Fracionado 33-1 Planejamento Box-Behnken No caso de planejamentos 2(k-p) Plackett e Burman desenvolveram planejamentos altamente fracionados: visualizar o máximo de efeitos principais no menor número de experimentos; No caso de planejamentos 3(k-p) Planejamentos Box-Behnken: não possuem geradores de design simples combinação de fatoriais de dois níveis com blocos incompletos interações complexas; Desenhos são econômicos particularmente úteis quando é caro realizar as corridas experimentais necessárias. 16 A coluna “Efeitos não confundidos” mostra os efeitos e as interações que não estão confundidas com os efeitos principais; 17 Planejamentos Fatoriais Mistos de 2 e 3 Níveis Exemplo 24 x 31 (Completo) Planejamentos Fatoriais Mistos de 2 e 3 Níveis Exemplo 24 x 31 (3/4 fração) Efeitos não confundidos A primeira coluna (Efeitos principais não confundidos) mostra os efeitos e as interações que não estão confundidas com os efeitos principais; A segunda coluna (Interações não confundidas) contém os rótulos Sim ou Não para indicar se o respectivo efeito não está confundido com as interações de dois fatores. Planejamentos Fatoriais Mistos de 2 e 3 Níveis Exemplo 23 x 32 (Completo) Planejamentos Fatoriais Mistos de 2 e 3 Níveis Exemplo 23 x 32 (1/2 fração) PLANEJAMENTO DE MISTURAS Análise de misturas de componentes cuja soma é constante; Ocorre com frequência no processamento de alimentos: Ex. Otimização de néctar de 4 frutas a soma dos sucos das 4 frutas deve ser 100% Diversos planejamentos foram desenvolvidos especificamente para análise e modelagem de misturas. Iolanda Nota Iolanda Nota Ex: formulação : a soma das variáveis é 1. 18 Modo mais comum para resumir as proporções das misturas gráficos triangulares Ex. Mistura de 3 componentes A, B e C qualquer mistura dos três componentes pode ser resumida por um ponto no sistema de coordenada triangular A B C 1 0 0 0 1 0 0 0 1 0,5 0,5 0 0,5 0 0,5 0 0,5 0,5 Ajustar superfície de resposta para dados de mistura semelhante ao Planejamento Central Composto entretanto dados de mistura tem restrição: soma de todos os componentes deve ser constante; Considerando o caso simples de 2 fatores A e B ajustados por modelo linear simples: y = b0 + bA*xA + bB*xB Supondo que xA + xB = 1; podemos multiplicar b0 por 1=(xA + xB): y = (b0*xA + b0*xB) + bA*xA + bB*xB ou: y = b'A*xA + b'B*xB onde b'A = b0 + bA e b'B = b0 + bB MODELOS DE PLANEJAMENTO DE MISTURAS Modelos mais utilizados (exemplo para 3 variáveis) Modelo Linear: y = b1*x1 + b2*x2 + b3*x3 Modelo Quadrático: y = b1*x1 + b2*x2 + b3*x3 + b12*x1*x2 + b13*x1*x3 + b23*x2*x3 Modelo Cúbico Especial: y = b1*x1 + b2*x2 + b3*x3 + b12*x1*x2 + b13*x1*x3 + b23*x2*x3 + b123*x1*x2*x3 Modelo Cúbico Completo: y = b1*x1 + b2*x2 + b3*x3 + b12*x1*x2 + b13*x1*x3 + b23*x2*x3 + d12*x1*x2*(x1 - x2) + d13*x1*x3*(x1 - x3) + d23*x2*x3*(x2 - x3) + b123*x1*x2*x3 TIPOS DE PLANEJAMENTO DE MISTURA Os dois tipos mais comuns avaliam a superfície de resposta triangular nos vértices e dos centroides algumas vezes estes planejamentos são aumentados com pontos internos; Planejamento Simplex-Lattice: m+1 proporções igualmente espaçadas para cada fator ou componente do modelo: xi = 0, 1/m, 2/m, ..., 1 i = 1,2,...,q Todas as combinações dos níveis dos fatores serão testadas; O planejamento resultante é chamado Planejamento Simplex Lattice {q,m}. P.ex. Planejamento {q=3, m=2} inclui as seguintes misturas: Planejamento Simplex-Lattice {q=3, m=2} A B C 1 0 0 0 1 0 0 0 1 0,5 0,5 0 0,5 0 0,5 0 0,5 0,5 Iolanda Nota se está no vértice, é 100% de cada componente.se está no meio da aresta, é meio a meio dos dois componentes.nullcaso esteja no meio do triangulo, é 1/3 de cada. Iolanda Nota no planejamento de misturas, a soma dos x sempre tem que ser igual a 1.nullnullNo planejamento de misturas, o modelo que eu gerar não tem grande média.null Iolanda Nota interação entre duas variáveis.nullVou testar os fatores (100% de cada um) e depois fazer as misturas (dois a dois).null Iolanda Nota exemplo: sensorial de tres sucos (modelo linear). Iolanda Nota tenho a mistura dos três componentes. Iolanda Nota tenho que ter mais proporções internas, fora o ponto central. Iolanda Nota numero de variaveis = qnullnumero de proporções = m 19 Planejamento Simplex-Lattice {q=3, m=3} A B C 1 0 0 0 1 0 0 0 1 1/3 2/3 0 1/3 0 2/3 0 1/3 2/3 2/3 1/3 0 2/3 0 1/3 0 2/3 1/3 1/3 1/3 1/3 PlanejamentoSimplex-Centróide Pontos correspondem a todas permutações das blendas puras (1 0 0; 0 1 0; 0 0 1), permutações das blendas binárias (½ ½ 0; ½ 0 ½; 0 ½ ½), permutações das blendas envolvendo 3 componentes e assim por diante A B C 1 0 0 0 1 0 0 0 1 1/2 1/2 0 1/2 0 1/2 0 1/2 1/2 1/3 1/3 1/3 Adicionando pontos internos: estes planejamentos podem ser aumentados com pontos internos, p.ex. para 3 fatores pode-se adicionar: A B C 2/3 1/6 1/6 1/6 2/3 1/6 1/6 1/6 2/3 20 Planejamentos descritos anteriormente requerem pontos do vértice (blendas puras) apenas 1 ingrediente Em muitos casos blendas puras não podem ser produzidas P.ex.: estudo do efeito de um aditivo sobre o sabor de um néctar de frutas ingrediente adicional pode variar dentro de uma pequena faixa, não podendo exceder um determinado valor. Restrições múltiplas: tratado de forma análoga programa irá construir um sub-triângulo dentro do triângulo cheio e colocará os pontos do planejamento neste sub-triângulo de acordo com planejamento escolhido Quando há restrições inferiores e superiores planejamentos simplex-lattice e simplex- centroide não podem ser construídos pois a sub-região definida pelas restrições não são mais um triângulo; O módulo Experimental Design do programa Statistica tem um algoritmo para encontrar o vértice e os pontos centroides para planejamentos com estas restrições.
Compartilhar