Grupo de Pesquisa

Em Química de Soluções
e Interfaces

Planejamento de Experimentos
sob a ótica da Estatística Química
André Fernando de Oliveira
(andref.oliveira@ufv.br)
Universidade Federal de Viçosa
Objetivo do Seminário

Apresentar alguns conceitos sobre Planejamento de Experimentos em Química

- Corrigir algumas idéias já ultrapassadas sobre Planejamento de Experimento

(Perda de Lastro Histórico)
Objetivo da Estatística Química

Planejar apropriadamente Experimentos

Visando
- Princípio da Suficiência
- Responder a perguntas previamente elaboradas
- Gerar hipóteses sobre comportamento de sistemas químicos

Tratamento de Dados Químicos

- Explicitar as relações químicas obtidas com apuro estatístico
- Obter relação entre os parâmetros
correlacionando com modelos
teóricos/empíricos previamente propostos
- Resolver problemas químicos

Usando
técnicas de estatísticas univariadas e quimiometria
conhecimento químico /multidisciplinar
Qual software para fazer tratamento estatístico?

- Apresentação gráfica
- Facilidade de uso
- Facilidade de implementar novos cálculos
- Tradição
Statistica
Minitab
SAS
MathLab
Octave Muito prático – trabalham em conjunto com outros
BioStat
PEST Ainda incomparável em relação a modelos não-lineares
Excel Importância crescente – atualização muito rápida
Origin
R
Python
Outros (milhares)
Objetivos do Planejamento de Experimentos

• Screening

• Otimização

• Economia de tempo

• Modelagem quantitativa

• Compreensão do comportamento do sistema químico

Senta que lá vem história ...

Francis Galton (2ª metade Séc XIX)

Modelos de Regressão
Avanços na Evolução Darwiniana

Karl Pearson (trabalhos 1880-1934) :

--- Febre descrição da natureza ----
Sistematização Estatística
Modelo de Regressão
Distribuições de frequência
Guiness Brewery

Método científico para padronizar/melhorar a cerveja (1899)

Contratação recém-formados de Oxford

Agrônomos e Químico/matemático (Gosset)

- variedade de malte
- variedade de solo
- ...

Experimentos demorados
Relativamente poucos
Muito erro associado

W. S. Gosset (pseudônimo: Student) – Estatística dos Pequenos Números

(1908-1933)
Trabalho com Pearson
Distribuição t-Student
História da Otimização de Experimentos

Sir John Russell (Químico - Rothamsted Experimental Station)

1926 – “Field Experiments: How They Are Made and What They Are”

Fisher (1922-1926 – estatístico – Rothamsted Experimental Station)

“Statistical Methods for Research Workers (1925)
conceitos: “randomização”, replicatas, confusão de variáveis
George Box

Grupos de Pesquisa – Esforço de Guerra (IIWW)

Químico -→ Estatística Interesse Indústria

Condições de contorno
Otimização de Experimentos muito particulares

Busca por otimização com menor número de experimentos

Interesse
Universidade / Pesquisa

Superfície de Resposta
* condições práticas podem variar
* aplicação em várias situações distintas
(condições de contorno diversas)
Todos modelos são errados!
Mas alguns são úteis!
G. Box
Modelos Natureza
ab initio
semi-empíricos

?
empíricos

Qualidade da previsão
precisão
amplitude

Captura de Informações da Natureza (Experimentos – Diferentes Objetivos)

Amostras / Experimentos / Preparo Amostra / Coleta de Dados

 Variabilidade Variação nos valores
Erros devido aos
Natural devido à Erros devido à
cálculos e
(Variação real de amostragem e quantificação
apresentação
valores na amostra) preparo da amostra

Erros aleatórios Erros aleatórios Adequação do modelo

Erros sistemáticos Erros sistemáticos Propagação de erros
Erros grosseiros Erros grosseiros Erros grosseiros
Outliers. Outliers.
Etapas do Planejamento de Experimentos
A. Seleção de Variáveis
B. Definição do Domínio Experimental
C. Codificação das Variáveis
D. Definição das Respostas
E. Seleção do Desenho Experimental
F. Execução
G. Tratamento dos dados
H. Decisão OK
Expansão do Espaço Experimental
Importância da Seleção do Espaço Experimental
Variável B

Qual o comportamento das Variáveis A e B?

Domínio Experimental
Faixa valores
II da variável A
IV
da variável B

III

Variável A
 Natureza – desconhecida totalmente
Qual o comportamento das Variáveis A e B? Ou parcialmente (conhecimento científico)

Exemplo
Variável B
C
0.1000

A 0.08750

0.07500

0.06250

B 0.05000
D
0.03750

0.02500
C
0.01250

0.000

Variável A
 Qual o comportamento das Variáveis A e B?

Não há efeito significativo

Variável B
C
Em A nem B
0.1000

I 0.08750

Apenas 0.07500

variável A
0.06250
é significativa
II 0.05000
IV
R
0.03750

0.02500

III
A 0.01250

0.000

Variável A
Qual melhor domínio experimental para o
Planejamento Experimental?

A teoria é a melhor ferramenta experimental

Depende do comportamento
das variáveis!!!!

Recursivo??? Teoria Química

Experiência Prévia
Tipos de Planejamentos de Experimentos em Química
(Desenhos Experimentais – DoE)
Níveis (n): valores de cada variável
- 1 variável por vez
- Planejamento Fatorial Variáveis ou fatores (f)
contínuas
- Planejamento Doehlert categorizadas
- Composito Central dicotômicas
Superfícies de resposta
- Box-Behnken (Polinomais)
- Outros Historicamente, os DoE se
desenvolveram por permitir
avaliar várias variáveis com
O número de experimentos a serem realizados pequeno número de
depende do experimentos
número de variáveis
número de níveis de cada variável
tipo de desenho experimental
Desenhos Experimentais – DoE
Melhores “custo-benefício”

Fatorial 22 Doehlert
1 variável
por vez Etc.

Há teoria por trás de cada desenho

Desenho já selecionados como adequados
Às vezes: Aplicados Sequências de DoE

Box-Behnken Composto Central (Estrela)

 Outros métodos DoE

EVOP
Simplex

• Experimento seguinte depende do resultado

do experimento anterior
• Busca pelo ótimo e não superfície
• Dificuldade para sistema não-automatizados
• Dificuldade em obter informações gerais

Sérgio Luiz C. Ferreira (Review)

QUAL O OBJETIVO DO PLANEJAMENTO DE EXPERIMENTOS:

Ponto ótimo OU região ótima/suficiente ?

Princípio da Suficiência
Conjunto de condições MÍNIMAS de contorno
que permitem a resolução do problema químico
Objetivos do Planejamento de Experimentos

• Screening

• Otimização

• Economia de tempo

• Modelagem quantitativa

• Compreensão do comportamento do sistema químico

Aumento da informação e capacidade de decisão
Sistemas com várias respostas de interesse

• Tecnologia
• Ciência Aplicada
• Ciência Básica
 Número maior de níveis
1 variável por vez Número Elevado de Experimentos
Avaliação máximo 2 variáveis simultaneamente

Desconsiderada por muitos

Maior qualidade na informação obtida em alguns casos

B3 Objetivo:
Resposta R

B2 B2 Descrição melhor modelo

𝑅 = 𝑓(𝐴, 𝐵)
B1
Regressão Linear (Múltipla)
Regressão Não-Linear
A A
Repetição dos Estudo da Variável A
Estudo da Variável A (Variável B – constante – diferentes valores)
(Variável B – constante)

Exemplo: Determinação de constante cinética

- Pseudo primeira ordem / efeito do reagente em excesso

* Muito interessante quando o experimento é simples/rápido

Planejamento Fatorial 𝑛° 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑜𝑠 = 𝑛 𝑓 𝑟 + 𝑝𝑜𝑛𝑡𝑜 𝑐𝑒𝑛𝑡𝑟𝑎𝑙

Nome do planejamento: número de níveis elevado ao número de variáveis

22 duas variáveis com 2 níveis Mais comum 4 experimentos (* repetição) + ponto central
Mais coerente
8 experimentos (* repetição) + ponto central
23 três variáveis com 2 níveis
24

Número maior de variáveis:

Planejamento Fatorial Fracionário:
32 2n-p
Maior efeito de confusão
33

34
 Modelo de Regressão Múltipla Linear
Tipos de Efeitos das Variáveis sobre a Resposta
𝑅෠ = 𝑏𝑜 + 𝑏1 𝑉1 + 𝑏2 𝑉2 + ⋯ + 𝑏3 𝑉1 𝑉2 + ⋯

Efeito principal

Efeito Secundário
Devido à interação entre duas variáveis
ao produto de duas variáveis Sinérgicos entre si
Antagônicos entre si Parâmetros também
podem ser obtidos
• ANOVA
• Cálculo “manual”
Efeito de confusão: quando não é possível distinguir o efeito das variáveis • outros

Termo usuais: antagônicos/sinérgicos em relação à resposta!!!

 Caso mais simples

Efeito Principal
Efeito Secundário (Interações)
B1
+1

-1 +1

B2
-1

A1 A2
Métodos de Superfície de Resposta
Permitem termos quadráticos

Matriz de Dohlert

Compósito Central

Doehlert Composto Central (Estrela)

𝑅෠ = 𝑏𝑜 + 𝑏1 𝑉1 + 𝑏2 𝑅2 + 𝑏3 𝑅1 𝑅2 + 𝑏4 𝑅12 + 𝑏5 𝑅22 …
Permite formação de curvas
 Qualidade do Ajuste do Modelo
Modelos vs Natureza (dados experimentais)

Resíduos – a diferença do que o MODELO NÃO explica dos dados

Vários Parâmetros
• índices para análise rápida
- r (coeficiente de correlação)
R2(coeficiente de determinação)
- ANOVA (Teste F)
Teste t

- Desvio padrão dos resíduos

• GRÁFICOS DOS RESÍDUOS

Qualidade da Avaliação
Resíduos do modelo SEMPRE: O Modelo tenta explicar a Natureza
(valor que não foi EXPLICADO pelo modelo)
O modelo que “se ajusta/não se ajusta” aos dados

𝑦ො = 𝑏𝑜 + 𝑏1 𝑥

y1,iexp
𝑒𝑥𝑝
𝑦ො𝑖 𝑒1,𝑖 = 𝑦1,𝑖 − 𝑦ො𝑖
y2,iexp 𝑒𝑥𝑝
𝑒2,𝑖 = 𝑦2,𝑖 − 𝑦ො𝑖

𝑥𝑖
 E se um bi não for
Importância dos Termos
significativamente diferente de zero??

𝑅෠ = 𝑏𝑜 + 𝑏1 𝑉1 + 𝑏2 𝑉2 + 𝑏3 𝑉1 𝑉2 + 𝑏4 𝑉12 + 𝑏5 𝑉22 …
Tipo stepwise:
Todos os termos desse modelo EMPÍRICO são importantes? ▪ Recálculo sem o termo

Andrade et al. Spectrochimica Acta Part A: Molecular and

Biomolecular Spectroscopy 168 (2016) 253–257

𝑅෠ ± 𝑠𝑟𝑒𝑠 = 𝑏𝑜 ± 𝑠𝑏𝑜 + (𝑏1 ±𝑠𝑏1 )𝑉1 +(𝑏2 ±𝑠𝑏2 )𝑉2 +(𝑏3 ±𝑠𝑏3 )𝑉1 𝑉2 + (𝑏4 ±𝑠𝑏4 )𝑉12 +(𝑏5 ±𝑠𝑏5 )𝑉1 𝑉22

𝐻𝑜 : 𝑏𝑖 = 0
𝐻𝑎 : 𝑏𝑖 ≠ 0

Qual a probabilidade de bi ser significativamente diferente de zero?

𝑏𝑖
𝑡𝑐𝑎𝑙𝑐 =
𝑠𝑏𝑖
Importância da Repetição

Risco :
• Heterocedasticidade
- Repetição apenas no ponto central
Hipótese: Homocedasticidade em todo
espaço amostral
• analisar outlier como dado
válido: interpretação errônea!

diminui influência de outliers.

- Repetição em cada ponto (incluindo ponto central)
Aumenta número experimentos
Estudo de Caso
Resumo

Objetivos do Etapas do
Planejamento de Planejamento de
Experimentos Experimentos
• Screening
A. Seleção de Variáveis
• Otimização
B. Definição do Domínio Experimental
• Economia de tempo
C. Codificação das Variáveis
• Modelagem quantitativa
D. Definição das Respostas
• Compreensão do comportamento do sistema químico
E. Seleção do Desenho Experimental
F. Execução
G. Tratamento dos dados
H. Decisão
 Conclusão Compreender o problema químico é fundamental para o Planejamento de Experimentos
A discussão para definir o DoE é ótimo para compreender melhor o problema químico

Os aspectos conceituais e filosóficos auxiliam na tomada de decisões consciente e adequada

A estatística química é uma forma de abordar o problema químico e a DoE mais coerente

A parte estatística da Estatística Química é mais tranquila e suportada por softwares

Juntos somos melhores que sozinhos!!!

andref.oliveira@ufv.br

Agradecimento:
 Estudo de Caso 1
Respostas devem ser claramente definidas
- diminuir a subjetividade na avaliação
20 mL água 2

Massa amostra (2g) 5 mL solvente 11

(Analito catiônico) pouco solúvel 500 uL MeOH
1
3

4 13
Agitação Centrifuga A
1h (4 000 rpm 10
8 Centrifuga B
60 rpm 10 min)
500 L (12000 rpm
5 6 7
9 -10°C
15 min) 12

Filtração
14

Determinação
Cromatográfica 15
Agradecimento à
Ana Carolina Paiva
doutoranda Agroquímica UFV
 - Compreender o processo global
- Identificar relações / conhecimento prévio

Parâmetros Possíveis de otimização

✓ massa amostra (1)
✓ Volume solvente (3)

✓ Tempo Agitação (6) Otimizar o que? Área cromatográfica

✓ Rotação agitação (6)
✓ Tempo de Centrifugação (7)
✓ Rotação Centrífuga (7)
✓ Volume de amostra (9)
✓ Volume de metanol (11)
✓ Tempo de Centrifugação (7)
✓ Rotação Centrífuga (7)
✓ Temperatura Centrífuga (7)
- Sensibilidade Analítica
(resposta cromatográfica)?
- Eficiência de Clean-up?
(remoção de potenciais
interferentes)
Curva analítica
Com medir?
• Espectro de espalhamento Visível?
• Ruído na linha base?
• Efeito de matriz?
• Relação sinal /ruído?
Otimização Sensibilidade

20 mL água 2 Clean-up amostra

Massa amostra (2g) 5 mL solvente (remoção de orgânicos neutros)
(Analito catiônico) pouco solúvel
1
3

Cinética de extração (solvente – clean up)

4
Agitação
1h
Cinética de extração amostra para solução
60 rpm
5 6

Parâmetros Possíveis de otimização

Aumento: ✓ massa amostra (1)
✓ Volume solvente (3)
• aumenta sensibilidade (linearmente? Uma variável por vez!!)
✓ Tempo Agitação (6)
✓ Rotação agitação (6)
Aumento da extração ✓ Tempo de Centrifugação (7)
aumenta sensibilidade ✓ Rotação Centrífuga (7)
(A extração pode diminuir se aumentar
a “qualidade” da agitação? ✓ Volume de amostra (9)
✓ Volume de metanol (11)
Massa amostra
É afetada pelos outros processos?) ✓ Tempo de Centrifugação (7)
✓ Rotação Centrífuga (7)
✓ Temperatura Centrífuga (7)
 20 mL água 2 Clean-up amostra
Massa amostra (2g) 5 mL solvente (remoção de orgânicos neutros)
(Analito catiônico) pouco solúvel
1
3

Cinética de extração (solvente – clean up)

4
Agitação
1h
Cinética de extração amostra para solução
60 rpm
5 6

Aumento:
• aumenta sensibilidade (linearmente? Uma variável por vez!!)
Área cromatográfica
Otimizar o que? Curva analítica
- Sensibilidade Analítica
(resposta cromatográfica)?

- Eficiência de Clean-up? Com medir?

(remoção de potenciais • Espectro de espalhamento Visível?
interferentes) • Ruído na linha base?
• Efeito de matriz?
• Relação sinal /ruído?
Agitação Orbital para extração Variáveis inter-relacionadas
▪ Tempo de agitação
▪ Rotação Tempo x Rotação → melhoria na extração até um valor limite (equilíbrio)

conc Parâmetros que afetam o equilíbrio

(Partição/Adsorção/solubilidade)
r1
r2 Equilíbrio não depende tempo/rotação
r3 - Solvente miscível
- Concentração íon (Ef. Hofmeister)
- Temperatura
tempo
- Equilíbrios simultâneos
Rotação r1 > r2 > r3

Temperatura
aumento cinética extração
alteração linear do equilíbrio de partição/etc.

degradação do analito ?
 11
500 uL MeOH Usado para dissolver suspensão
Diminuição:
aumenta concentração ( apenas
diluição)
13
Centrifuga A
(4 000 rpm 10
8 Centrifuga B
10 min)
500 L (12000 rpm
7
9 -10°C
15 min) 12

Filtração
14

Parâmetros Possíveis de otimização

✓ massa amostra (1)
Determinação ✓ Volume solvente (3)
Cromatográfica 15

Como afeta a sensibilidade analítica? ✓ Tempo Agitação (6)

- NÃO AFETA !!!
Precisa dos dois? Teste Simples
Planejamento Multivariáveis
(Duas ou Três Variáveis)
✓ Rotação agitação (6)
✓ Tempo de Centrifugação (7)
✓ Rotação Centrífuga (7)
✓ Volume de amostra (9)
✓ Volume de metanol (11)

✓ Tempo de Centrifugação (7)

✓ Rotação Centrífuga (7)
✓ Temperatura Centrífuga (7)
 Mais uma vez
diferença entre
precisão
Exatidão Do ponto de vista estatístico
Acurácia

Bias /Viés

Erros tipo alfa e beta

Tipos de Erros
• variabilidade natural
• erros na amostragem
• erros na medição
• erros no tratamento de dados
• outliers
• erros grosseiros
 Natureza
Erros de Decisão
SIM NÃO
Erros tipo  e tipo 

FALSO

SIM
POSITIVO POSITIVO
(erro tipo )

Decisão
(Teste)
FALSO

NÃO
NEGATIVO
NEGATIVO
(erro tipo )

Tabela de Contigência 2x2

Média ou todos os pontos??
Média

desvios
outliers
Modelos de Regressão

gráfico de resíduos
Codificação das Variáveis
- Transformação do valores das variáveis para domínio geometria analítica
, ou seja, as variáveis transformados têm a mesma escala

1,5

1
Codificação
0,5

Variável Y
0
-1,5 -1 -0,5 0 0,5 1 1,5
-0,5
(função conhecida)
-1

-1,5
Variável X

Vantagens:
- mais fácil comparar a importância das variáveis sobre a resposta
- facilita o tratamento dos dados
 1,4

1,2

Escala dos dados (escolhida)

1

0,8

0,6
Variável = 0.4 code + 0.8
0,4

0,2

0
-1,5 -1 -0,5 0 0,5 1 1,5
Escala codificada

Função
(transformação)

• Modelo de regressão linear

ou
• Expressão:
𝑉𝑎𝑟𝑚𝑎𝑥 − 𝑉𝑎𝑟𝑚𝑖𝑛
𝑉𝑎𝑟 = . 𝐶𝑜𝑑𝑒 + 𝑉𝑚𝑎𝑥
𝐶𝑜𝑑𝑒𝑚𝑎𝑥 − 𝐶𝑜𝑑𝑒𝑚𝑖𝑛
Exemplo:
Ozônio como reagente:

Aumento da concentração com diminuição da temperatura

Aumento da taxa reacional (constante cinética) com aumento da temperatura

𝑐 𝑝𝑟𝑜𝑑𝑢𝑡𝑜 = 𝑐𝑜 𝑟𝑒𝑎𝑔𝑒𝑛𝑡𝑒 𝑒 −𝑘𝑡

 Ponto de vista cinético
Exemplo
Qual efeito da temperatura sobre a reação química

Ponto de vista termodinâmico

(equilíbrio)
K ou k

1
𝑇

Velocidades de reações tendem a dobrar a cada 10°C

Reagentes gasosos
- temperatura tende a diminuir velocidade reação
 Todo comportamento é linear ou quadrático ??

Não , mas...
- Comportamento realmente linear

- Comportamento linear/Quadrático em faixas estreitas

- Tendência geral (complementação univariada)

Navalha de Occam (Princípio da Parcimônia): “duas teorias com Modelo téorico x Modelo Empírico
iguais resultados, que explicam ou preveem os mesmos fenômenos,
devemos sempre escolher a teoria mais simples”
Guilherme de Occam (1285-1347)
k(T) – Dependência constante cinética em relação à temperatura

Equação de Arrhenius

K(T) – Dependência constante de equilíbrio em relação à temperatura

Equação de Van’t Hoff

Comportamento recíproca temperatura absoluta x temperatura em Celsius
0,0037
y = -1E-05x + 0,0036
0,0036 R² = 0,9976

0,0038 0,0035
y = 2E-08x2 - 1E-05x + 0,0036
0,0036 R² = 0,9995 Linear em uma pequena faixa

1/T /K-1
0,0034
0,0034
0,0033
0,0032
0,0032
0,003
1/T /K-1

0,0028 0,0031

0,0026 0,003
0,0 10,0 20,0 30,0 40,0 50,0 60,0
0,0024 temperatura / °C
0,0022

0,002
0,0 50,0 100,0 150,0 200,0 250,0

Temperatura /°C Relação linear da temperatura revela possível

relação cinética ou termodinâmica
Cox

Box

Qualimetria
Estatística de Pequenos Números

Student (Gosset)
Fisher
Pearson (Egon – filho)
Newmann

Kolmogorov
Cox

Box
Hunter & Hunter
Montgomery
 2.0
Armadilhas B = A + 7.f
f (fator)
1.8 1%
5%
10%
C/H 1.6 25%
50%
C/O

B/A
0%
1.4

1.2

1.0

0 2 4 6 8 10 12 14 16
A

Tabela 12 Resultados de análise elementar (CHNS) para palha de café e para os hidrochars sintetizados (BIO-SL; BIO-LA; BIO-LAA).
Amostra N
(%m/m) C
(%m/m) H
(%m/m) S
(%m/m) O
(%m/m)
H/C
O/C
Biomassa 1,26 41,23 5,22 2,70 49,59 1,52 0,90
BIOSL 0,95 49,82 4,82 2,62 41,79 1,16 0,63
BIOLA 0,98 52,68 5,43 2,49 38,42 1,24 0,55
BIOLAA 0,70 53,50 5,06 2,65 38,09 1,13 0,53
BIOSL = hidrochar sem lavar; BIOLA = Hidrochar lavado só com água ultrapura, BIOLAA = Hidrochar lavado com água ultrapura e solução de acetonitrila água (50%); N =
nitrogênio; C = carbono
Inferência Estatística
Resumo Simplista de Filosofia da Ciência

Intuição
Dedução Lógica
A partir de uma premissa geral e uma premissa particular se chega a uma conclusão particular
Todo ser humano é mortal
João é ser humano
então João é mortal
(silogismo)
Todo ser humano se locomove sobre duas pernas  premissa geral é correta?
João é ser humano
então João se locomove sobre duas pernas  mas João é cadeirante – premissa
geral não é correta
Até século XVII
MANEIRA DE EXPRESSÃO ADEQUADA (DESDE QUE AS PREMISSAS ESTEJAM CORRETAS
Descartes
Indução (Galilei)
a partir de dados experimentais (casos particulares) formula-se
leis gerais e conclui-se casos particulares.
(Bacon, Locke, Hume, etc.)
 Hipotético-Indutivo – Popper (1975) (e escola de Viena) – positivismo lógico
Sequência
Formulação de Problemas
Solução proposta (Conjectura)
Dedução da Consequências (Previsões) – na forma de proposição de testes
Testes de Refutamento (Tentativa de falseamento, pela experimentação, por exemplo)
Teoria é aceita até ser refutada

Ex (histórico – século XVIII)

O que faz um ácido se comportar como ácido de Boyle (azedo, altera cor de indicadores de maneira definida, é
neutralizado por bases, etc.)
Lavoisier: - Presença de oxigênio na molécula. Válido para (HnPOm; HnSOm; HNOn; H2CO3; ácidos orgânicos,
etc.)
Refutação: ácido clorídrico (Davy, 18__) e ácido sulfídrico (Scheffe, ___)
Conclusão – Não é a presença de oxigênio que define o comportamento ácido de Boyle

Okasha, S, Philosophy of Science – a short introduction; Oxford

Volpato,
Rodrigues & Ferronato Partes, 01/12/2010
https://youtu.be/SZ3C6DOVn18?t=81
http://www.forumch.com.br/topic/17988-quadrinhos-gibis/page/460/
Objetivos do Experimento

- Quais Hipóteses
- Quais conhecimentos prévios serenpidity
- aceitos
- questionáveis

Exemplos:
Science Serenpidity – O acaso na ciência

Muitas descobertas na Ciência parecem ter ocorrido por acaso – as Science Serenpidities
- mas há um detalhe importante em todas esses descobertas
- o acaso ocorreu com um cientista preparado para compreender a descoberta!!!!

Conhecer a teoria
Exemplos Saber tratar dados experimentais
1895 Roentgen (Físico) – Raios X Saber relacionar dados experimentais e teoria
1928 Fleming – Penicilina
Forno microondas
 http://www.explicatorium.com/sociedade/raios-x.html
https://www.infoescola.com/fisica/ampola-de-crookes/
 http://www.rbac.org.br/wp-content/uploads/2017/04/6-
3.png.pagespeed.ce.Ui2ZzDNbmd.png

Halo de inibição formado pelo fluconazol e anfotericina B

frente a C. albicans, pelo método de disco-difusão em
meio MHA suplementado com glicose 2% e 0,5 mg/mL de
azul de metileno.
Exemplo de Armadilha dos índices estatísticos Índices Estatístico visam resumir
comportamento ou avaliação de
comportamento em uma escala 1D
Desirability individual e composta avaliam quão bem uma (R2, desirability, etc.)
combinação de variáveis satisfaz as metas definidas para as
respostas. (Minitab) Usualmente úteis quando número de
variáveis é muito elevado
(acima de 20)
𝐷 = 𝑓1 𝑅1 + 𝑓2 𝑅2 + ⋯

fi - fator previamente selecionado – importância relativa da Resposta Ri

• Ausência de critério claro para escolher os fatores

• Situações diferentes podem exigir critérios diferentes

• No trabalho de pesquisa não necessariamente a importância relativa das respostas devem ser definidas

• Há uma grande subjetividade em muito casos reais (custo mais importante que eficiência, ou vice-versa)