Escolar Documentos
Profissional Documentos
Cultura Documentos
INSTITUTO DE QUMICA
PROGRAMA DE PS-GRADUAO EM CINCIA DE ALIMENTOS
IQC716 PLANEJAMENTO DE EXPERIMENTOS APLICADO INDSTRIA
DE ALIMENTOS
PLANEJAMENTO BOX-BEHNKEN
Rio de Janeiro
Agosto de 2015
PLANEJAMENTO BOX-BEHNKEN
i
SUMRIO
ii
1 CONTEXTUALIZAO E DADOS EXPERIMENTAIS
3
Tabela 1 Matriz do planejamento de Box-Behnken mostrando as variveis
independentes e a varivel resposta.
Corrida pH Va (ml) Db (g.l-1) Y (%)
1 6,5 (-1) 0,3 (-1) 0,275 (0) 24,40
2 10,5 (+1) 0,3 (-1) 0,275 (0) 26,90
3 6,5 (-1) 0,9 (+1) 0,275 (0) 48,40
4 10,5 (+1) 0,9 (+1) 0,275 (0) 19,10
5 6,5 (-1) 0,6 (0) 0,05 (-1) 9,50
6 10,5 (+1) 0,6 (0) 0,05 (-1) 1,50
7 6,5 (-1) 0,6 (0) 0,5 (+1) 68,40
8 10,5 (+1) 0,6 (0) 0,5 (+1) 45,60
9 8,5 (0) 0,3 (-1) 0,05 (-1) 29,90
10 8,5 (0) 0,9 (+1) 0,05 (-1) 53,70
11 8,5 (0) 0,3 (-1) 0,5 (+1) 94,00
12 8,5 (0) 0,9 (+1) 0,5 (+1) 97,20
13 8,5 (0) 0,6 (0) 0,275 (0) 67,30
14 8,5 (0) 0,6 (0) 0,275 (0) 62,60
15 8,5 (0) 0,6 (0) 0,275 (0) 65,20
a
Volume de clorofrmio
b
Concentrao de ditiazona
A anlise estatstica dos dados experimentais foi iniciada pela determinao das
caractersticas que se desejava considerar no modelo matemtico, sendo todos os testes
estatsticos realizados em um nvel de significncia = 5%.
Optou-se por incluir no modelo matemtico termos lineares e quadrticos dos
efeitos principais e interaes de segunda ordem, uma vez que interaes de ordem mais
elevadas no so calculadas pelo Stastica e seus efeitos so adicionados ao termo do erro
na Anlise de Varincia (ANOVA), levando em considerao que, em geral, o valor de
uma interao decresce conforme o nmero de fatores envolvidos cresce. Os termos
quadrticos permitem descrever o sistema a partir de superfcies de resposta curvas e
avaliar possveis pontos crticos do sistema. O termo de erro includo na ANOVA foi o
erro puro.
Os dados foram submetidos ANOVA e os resultados encontram-se descritos na
Tabela 2. O modelo obteve um valor de coeficiente de determinao R = 0,99905 e
Rajustado = 0,99336, o que permite, a princpio, afirmar que o modelo descreve muito bem
4
o comportamento experimental observado, o que uma caracterstica desejada para
modelagem de processos quantitativos. Entretanto, indispensvel que essa afirmao
seja confirmada, o que ser realizado posteriormente pela anlise da adequao do
modelo.
5
Na ANOVA, a hiptese nula (H0) considera que os fatores no tm efeito
significativo sobre a varivel resposta. Caso existam indcios para a aceitao da hiptese
alternativa (H1), ento os efeitos dos fatores so estatisticamente significativos sobre a
varivel resposta.
A escolha da hiptese para cada fator foi realizada a partir da observao do valor
p, que corresponde ao menor nvel de significncia que levaria rejeio da hiptese nula
H0 para os resultados obtidos.
Para um nvel de significncia igual a 5%, um valor p menor que 0,05 indica
que a chance da hiptese nula ser verdadeira para o resultado amostral inferior a 5% e
existem evidncias para rejeit-la, ou seja, o efeito do fator estatisticamente significante.
Vale ressaltar que quanto menor o valor p, maior a significncia estatstica do efeito
do fator sobre a varivel resposta, uma vez que a probabilidade se encontra mais distante
da regio de no rejeio de H0.
De acordo com a Tabela 2, os termos lineares (L) e quadrticos do pH, os termos
lineares do volume de clorofrmio e da ditiazona e as interaes de segunda ordem entre
termos lineares pHxV e VxD foram estatisticamente significativos (p < 0,05) no domnio
estudado, sendo os fatores e interaes restantes considerados no significativos.
A Tabela 4 mostra os efeitos estimados dos fatores e interaes. Quanto maior a
grandeza (mdulo) do efeito, mais importante a varivel ou interao para o processo.
A interpretao dos sinais algbricos dos efeitos deve ser realizada da seguinte
maneira: efeitos principais estimados com valores positivos indicam um aumento na
resposta quando a varivel segue em direo ao seu nvel mximo enquanto valores
negativos indicam maiores respostas em direo ao nvel inferior da varivel. Para as
interaes, valores positivos indicam que a resposta aumentar se as duas variveis forem
em direo ao mesmo nvel, inferior ou superior. E valores negativos indicam um
aumento na resposta se as variveis forem em direes contrrias, ou seja, uma varivel
em direo ao nvel superior e a outra em direo ao nvel inferior.
Outra forma de visualizar os efeitos estatisticamente significativos a utilizao
do diagrama de Pareto (Figura 1). Esses efeitos so os que apresentam o retngulo
direita da linha divisria, que representa o valor p. Nesse diagrama, os efeitos so
ordenados conforme a sua importncia significativa e possvel observar que a
concentrao de ditiazona a varivel que mais influncia o processo, seguida do pH.
6
Tabela 4 Tabela de efeitos estimados para o planejamento de Box-Behnken.
Intervalo de Confiana
a
DP
Fator Efeito t (2)b p -95,00% 95,00%
Erro puro
Mdia/Intercepto 43,2167 0,679665 63,58525 0,000247 40,2923 46,14103
(1) pH (L) -14,0667 1,754887 -8,01571 0,015210 -21,6173 -6,51600
pH (Q) 36,3917 1,225283 29,70061 0,001132 31,1197 41,66364
(2) V (L) 9,9000 1,754887 5,64139 0,030014 2,3493 17,45067
V (Q) -1,0583 1,225283 -0,86375 0,478768 -6,3303 4,21364
(3) D (L) 52,2667 1,754887 29,78349 0,001125 44,7160 59,81734
D (Q) -2,6083 1,225283 -2,12876 0,167055 -7,8803 2,66364
1L by 2L -15,9000 2,354428 -6,75323 0,021231 -26,0303 -5,76971
1L by 2Q -1,0000 1,664832 -0,60066 0,609069 -8,1632 6,16320
1Q by 2L 2,7000 1,664832 1,62178 0,246308 -4,4632 9,86320
1L by 3L -7,4000 2,354428 -3,14301 0,088063 -17,5303 2,73029
1Q by 3L 1,1500 1,664832 0,69076 0,561115 -6,0132 8,31320
2L by 3L -10,3000 2,354428 -4,37473 0,048483 -20,4303 -0,16971
a
Desvio-padro.
b
Valor da estatstica t de Student para 2 graus de liberdade.
(3)D(L) 29,78349
pH(Q) 29,70061
(1)pH(L) -8,01571
1Lby2L -6,75323
(2)V(L) 5,641388
2Lby3L -4,37473
1Lby3L -3,14301
D(Q) -2,12876
1Qby2L 1,621785
V(Q) -,863746
1Qby3L ,6907603
1Lby2Q -,600661
p=,05
Standardized Effect Estimate (Absolute Value)
7
A Tabela 5 mostra os coeficientes de regresso para as variveis escalonadas, que
do origem ao modelo matemtico que descreve os dados experimentais.
8
elevado valor p na ANOVA (p = 0,048) que mostra que essa interao marginalmente
significativa. De forma geral, em pH 8,5 j foi observado que os rendimentos so mais
elevados.Nesse pH, o rendimento muito mais sensvel variao da concentrao de
ditiazona do que variao de volume de solvente, o que indicado pelas linhas
praticamente verticais observadas conforme se aumenta a concentrao de ditiazona.
9
Figura 4 (a) Superfcie de resposta e (b) Grfico de contorno para as variveis volume
de clorofrmio e concentrao de ditiazona (pH = 8,5).
10
Optou-se por utilizar o rendimento mximo de 100% ao invs do valor mximo
encontrado Y = 97,2%. As iteraes foram realizadas em 50 etapas para cada varivel
dependente e escolheu-se a opo de encontrar os valores timos. Os resultados obtidos
esto ilustrados na Figura 5, indicando que um rendimento de 99,3% obtido quando so
utilizadas as variveis nos nveis: pH = 8,02; V = 0,9 ml; D = 0,5 g.l-1.
1,
99,286 100,00
0,
49,350
Y
0,
1,5000
-40,00
,98590
Desirability
11
Figura 6 Grfico de probabilidade normal dos resduos do planejamento de Box-
Behnken.
Normal Prob. Plot; Raw Residuals
DV: Y
3,0
2,5
,99
2,0
,95
1,5
Expected Normal Value
1,0
,75
0,5
,55
0,0
,35
-0,5
-1,0 ,15
-1,5
,05
-2,0
,01
-2,5
-3,0
-3,0 -2,5 -2,0 -1,5 -1,0 -0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0
Residual
12
Figura 7 Histograma dos resduos das rplicas do ponto central do planejamento de
Box-Behnken, indicando os valores das estatsticas dos testes de normalidade de
Kolmogorov-Smirnov, Lilliefors e Shapiro-Wilk.
1
No. of obs.
0
-3 -2 -1 0 1 2 3
X <= Category Boundary
13
Figura 8 Histograma dos resduos do planejamento de Box-Behnken, indicando os
valores das estatsticas dos testes de normalidade de Kolmogorov-Smirnov, Lilliefors e
Shapiro-Wilk.
Histogram: RESIDS: Raw residuals
K-S d=,43333, p<,01 ; Lilliefors p<,01
Shapiro-Wilk W=,55275, p=,00001
8
5
No. of obs.
0
-3 -2 -1 0 1 2 3
X <= Category Boundary
Figura 9 Grfico dos valores previstos versus valores observados para o planejamento
de Box-Behnken.
Observed vs. Predicted Values
DV: Y
110
100
90
80
70
Predicted Values
60
50
40
30
20
10
-10
-10 0 10 20 30 40 50 60 70 80 90 100 110
Observed Values
14
3 CONCLUSO
15
4 REFERNCIAS BIBLIOGRFICAS
NETO, B. B.; SCARMINIO, I. E.; BRUNS, R. E. Como fazer experimentos. 4 ed. Porto
Alegre: Bookman, 2010. 414p.
16