universidade de sÃo paulo escola de engenharia de...
TRANSCRIPT
UNIVERSIDADE DE SÃO PAULO
ESCOLA DE ENGENHARIA DE LORENA
FELIPE ALCÂNTARA LIMA
OTIMIZAÇÃO DO TEMPO DE ANÁLISES DE AÇÚCARES EM CEREAIS MATINAIS ATRAVÉS DE CROMATOGRAFIA LIQUIDA DE ALTA PERFORMANCE UTILIZANDO O PLANEJAMENTO DE EXPERIMENTOS
Lorena
2014
FELIPE ALCÂNTARA LIMA
Otimização do tempo de análises de açúcares em cereais matinais através de cromatografia liquida de alta performance utilizando o
planejamento de experimentos
Monografia apresentada à Escola de Engenharia de Lorena como exigência para obtenção do certificado de graduação em Engenharia Industrial Química pela Universidade de São Paulo.
Orientador: Prof. Dr. Messias Borges Silva
Lorena
2014
AUTORIZO A REPRODUÇÃO E DIVULGAÇÃO TOTAL OU PARCIAL DESTE TRABALHO, POR QUALQUER MEIOCONVENCIONAL OU ELETRÔNICO, PARA FINS DE ESTUDO DE ESTUDO E PESQUISA, DESDE QUE CITADA AFONTE
Ficha catalográfica elaborada pelo Sistema Automatizadoda Escola de Engenharia de Lorena,
com os dados fornecidos pelo(a) autor(a)
Lima, Felipe Alcântara OTIMIZAÇÃO DO TEMPO DE ANÁLISES DE AÇÚCARES EMCEREAIS MATINAIS ATRAVÉS DE CROMATOGRAFIA LIQUIDA DEALTA PERFORMANCE UTILIZANDO O PLANEJAMENTO DEEXPERIMENTOS / Felipe Alcântara Lima; orientadorMessias Borges Silva. - Lorena, 2014. 67 p.
Monografia apresentada como requisito parcialpara a conclusão de Graduação do Curso de EngenhariaIndustrial Química - Escola de Engenharia de Lorenada Universidade de São Paulo. 2014Orientador: Messias Borges Silva
1. Cromatografia. 2. Planejamento deexperimentos. 3. Açúcares. I. Título. II. Silva,Messias Borges, orient.
À minha namorada Carolina Vaz, que com muito amor, admiração, presença e incondicional apoio ao longo do período acadêmico, me auxiliou na elaboração deste trabalho, assim como em todos os momentos que convivemos.
AGRADECIMENTOS
À minha mãe Maria Izabel, meu pai Adilson e minha irmã Mariana, que com muito amor, carinho, atenção, apoio e empenho proporcionaram a construção dos alicerces de meu caráter e assim nortearam o caminho dessa jornada chamada, minha vida.
Ao Prof. Dr. Messias Borges Silva pelo apoio na orientação deste trabalho. E por todo conhecimento que me proporcionou em suas aulas durante o período de graduação.
Agradeço de uma forma geral, mas não menos importante, à todos os docentes da instituição EEL-USP, pela concretização do início de minha formação e carreira profissional.
RESUMO
LIMA, F.A. Otimização do tempo de análises de açúcares em cereais matinais
através de cromatografia liquida de alta performance utilizando o
planejamento de experimentos. Monografia (Trabalho de Graduação em
Engenharia Industrial Química) Escola de Engenharia de Lorena, Universidade de
São Paulo, Lorena, 2014.
A cromatografia liquida de alta eficiência como uma técnica de separação, ocupa
um lugar de grande destaque como técnica analítica qualitativa e quantitativa.
Apesar de ser uma técnica relativamente nova, contando com um grande número
de publicações em química, descrevendo diversas aplicações. Em vários casos,
essas aplicações consistem em determinações de substancias cuja analises por
outras técnicas são muito difíceis ou demoradas. A análise química dos açúcares,
bem como de outros alimentos, visa à sua caracterização e também ao controle de
sua qualidade, empregando este método primário que determina a quantidade de
frutose, glicose, sacarose, maltose e lactose em cereais por cromatografia líquida
de alta eficiência (CLAE). Neste contexto, no presente trabalho serão apresentados
os principais parâmetros que influenciam, no tempo de retenção em análises por
cromatografia liquida de alta eficiência. Ao final da revisão da literatura, propôs-se
uma metodologia, a fim de determinar a melhor configuração dos parâmetros que
influenciam nas análises de açúcares em cereais matinais utilizando-se (CLAE).
Esta metodologia baseada em um planejamento estatístico de experimentos,
possibilita o desenvolvimento do estudo de forma mais rápida e econômica,
resultando em benefícios importantes para o setor da empresa Cereal Partners
Worldwide (CPW).
Palavras-chave: Açúcares. Cromatografia. Planejamento de experimentos.
ABSTRACT
LIMA, F.A. Optimization time in analysis of sugars in breakfast cereals by high
performance liquid chromatography using the design of experiments
methodology.. Monografia (Trabalho de Graduação em Engenharia Industrial
Química) Escola de Engenharia de Lorena, Universidade de São Paulo, Lorena,
2014.
The high performance liquid chromatography as a separation technique, occupies
a place of great prominence as qualitative and quantitative analytical technique.
Although a relatively new technique, with a large number of publications in
Chemical, describing various applications. In many cases, these applications
consist of determinations of substances whose other analysis techniques are very
time consuming or difficult. Chemical analysis of sugars and other foods, aims to
characterize and to control their quality, employing a primary method that
determines the amount of fructose, glucose, sucrose, maltose and lactose cereals
by high performance liquid chromatography (HPLC). In this context, in this study the
main parameters that influence the retention time for analysis by liquid
chromatography high efficiency will be presented. At the end of the literature review,
we proposed a methodology to determine the best configuration of parameters that
influence the analysis of sugars in breakfast cereals using (HPLC). This
methodology based on a statistical design of experiments methodology, enables the
development of the study more quickly and cost effectively, resulting in significant
benefits to the business sector of Cereal Partners Worldwide (CPW).
Keywords: Sugars. Chromatography. Design of experiments methodology.
LISTA DE TABELAS
Tabela 2.1 Desempenho dos detectores para CLAE.. .......................................... 14
Tabela 2. 2 Matriz do planejamento fatorial completo 23. ..................................... 27
Tabela 2. 3 Resultados da matriz experimental fatorial 23.. .................................. 28
Tabela 2. 4 Coeficientes de contraste para um fatorial 23. ................................... 30
Tabela 2.5 Efeitos calculados para o planejamento fatorial 23. ............................ 33
Tabela 2. 6 Tabela da ANOVA.. ........................................................................... 38
Tabela 4.1 Matriz experimental fatorial proposta .................................................. 43
Tabela 4.2 Resultados da matriz 23do experimento realizado. ............................. 44
Tabela 4. 3 Resolução no cormatograma dos ensaios . ....................................... 45
Tabela 4. 4 Efeitos calculados para o experimento realizado. .............................. 46
Tabela 4. 5 Melhor configuração para os fatores .................................................. 47
Tabela 4. 6 ANOVA dos fatores e interações do experimento. ............................ 50
Tabela 4. 7 ANOVA para a regressão do modelo estatístico. .............................. 51
LISTA DE QUADROS
Quadro 2.1 Tipos de Planejamentos. ................................................................... 22
Quadro 4. 1 Resultados dos experimentos expressos em minutos ...................... 48
Quadro 4. 2 Resumo da formulação utilizada ...................................................... 48
Quadro 4. 3 Soma dos resultados das réplicas do experimento .......................... 49
Quadro 4. 4 Soma dos resultados da combinação FP. ........................................ 49
Quadro 4. 5 Soma dos resultados da combinação FT. ........................................ 49
Quadro 4. 6 Soma dos resultados da combinação PT. ........................................ 49
LISTA DE ILUSTRAÇÕES
Figura 2.1 Sistema de um equipamento de CLAE. .............................................. 10
Figura 2.2 Diagrama esquemático de um detector por índice de refração. .......... 15
Figura 2.3 Medidas relacionadas à determinação da resolução .......................... 17
Figura 2.4 Separação em função da resolução de dois componentes presentes em diferentes concentrações ................................................................................ 18
Figura 2.5 Representação de um sistema ligando as variáveis de entrada às variáveis de saída ................................................................................................. 21
Figura 3.1 Planejamento para três fatores. .......................................................... 42
LISTA DE ABREVIATURA E SIGLAS
ABIA Associação Brasileira das Indústrias de Alimentos
ANOVA Análise de variância
CLAE Cromatografia Liquida de Alta Eficiência
CLC Cromatografia Liquida Clássica
CPW Cereal Partners Worldwide
DCCR Delineamento Composto Central Rotacional
FE Fase Estacionaria
FM Fase Móvel
GL Graus de Liberdade
IR Índice de Refração
LD Limite de Detecção
LISTA DE SIMBOLOS
fg Femtograma (10-15 g)
pg Picograma (10-12 g)
ng Nanograma (10-9 g)
µg Micrograma (10-6 g)
°C Graus Celsius
% Porcentagem
min Minutos
ml Mililitros
v/v Concentração volume por volume
ml/min Mililitros por minutos
SUMÁRIO
1 INTRODUÇÃO ............................................................................................................................. 8
2 REVISÃO BIBLIOGRÁFICA...................................................................................................... 9
2.1 CROMATOGRAFIA LÍQUIDA ...................................................................................... 9
2.2 CROMATOGRAFIA LIQUIDA DE ALTA PERFORMANCE – CLAE .......................... 9
2.2.1 FASE MÓVEL .............................................................................................................. 10
2.2.2 DEGASEIFICADOR .................................................................................................... 11
2.2.3 BOMBA........................................................................................................... 11
2.2.4 INJETOR ......................................................................................................... 12
2.2.5 COMPARTIMENTO DE COLUNA ........................................................................... 12
2.2.6 DETECTOR POR INDICE DE REFRAÇÃO .................................................... 13
2.2.7 SISTEMA COMPUTACIONAL/ MONITOR ..................................................... 15
2.2.8 TEMPO DE RETENÇÃO E RESOLUÇÃO NA ANÁLISE QUANTITATIVA ..... 16
2.3 PLANEJAMENTO DE EXPERIMENTOS....................................................................... 18
2.4 TIPOS DE PLANEJAMENTO DE EXPERIMENTOS ............................................. 21
2.5 PLANEJAMENTO FATORIAL COMPLETO 2K ..................................................... 27
2.5.1 CÁLCULOS DOS EFEITOS ............................................................................ 29
2.5.2 ESTIMATIVA DO ERRO ................................................................................. 33
2.5.3 INTERPRETAÇÃO DOS RESULTADOS E MODELO ESTATISTICO ............. 34
2.5.4 ANÁLISE DA VARIÂNCIA ........................................................................................ 36
2.5.5 TESTE DE SIGNIFICÂNCIA ESTATISTICA .......................................................... 39
2.6 METODO DE DETERMINAÇÃO DE AÇÚCARES EM CEREAIS MATINAIS......... 40
3 METODOLOGIA ........................................................................................................................ 41
4 RESULTADO E DISCUSSÃO ................................................................................................. 43
5 CONCLUSÃO ............................................................................................................................. 52
6 OPORTUNIDADES ................................................................................................................... 53
6.1 DELINEAMENTO CENTRAL COMPOSTO ROTACIONAL ....................................... 53
6.2 IMPACTOS DO PROJETO ............................................................................................... 54
ANEXOS ......................................................................................................................................... 57
ANEXO A – TABELA DISTRIBUIÇÃO F, α=0,1. ................................................................ 57
ANEXO B – TABELA DISTRIBUIÇÃO F, α=0,05. ............................................................. 58
ANEXO C – TABELA DISTRIBUIÇÃO F, α=0,01. ............................................................. 59
8
1 INTRODUÇÃO
É difícil hoje em dia imaginar como seria a vida sem o açúcar e, consequentemente,
a sua ausência no nosso dia-a-dia, sendo que desde o século 17, as pessoas
passaram a usufruir dessa substancia extraída da cana. Uma vez que, hoje, o
açúcar é um produto acessível e indispensável no paladar do ser humano, a
indústria alimentícia tem a necessidade de utiliza-lo na formulação de produtos para
consumo humano.
As implicações do teor de açúcares são determinantes no que se diz respeito a
qualidade do produto terminado na fábrica de cereais matinais CPW-Brasil. A partir
de análises realizadas por métodos primários, utilizando Cromatografia liquida de
alta performance (CLAE) em conjunto com um detector por Índice de refração (IR),
os açúcares são determinados a partir de amostras previamente preparadas em
Laboratório utilizando-se de técnicas de extração e separação. A separação
completa dos componentes sacarídeos por cromatografia líquida de alta eficiência
(CLAE-IR), muitas vezes, pode ser complicada se ao realizarmos o ensaio não
adotarmos os corretos valores para os parâmetro que influenciam no processo de
separação dos mesmos. Parâmetros relacionados com a fase móvel, fase
estacionaria, condições de temperatura e pressão da coluna de separação podem
ser investigados, afim de melhorar a resolução cromatográfica (ABIA, Associação
Brasileira das Indústrias de Alimentos, 1990) e otimizar o tempo de análise.
Devido ao elevado número de análise de monitoramento dos açúcares no processo
produtivo de cereais matinais, torna-se necessária a utilização de um estudo, a fim
de otimizar o tempo na obtenção dos resultados de quantificação desses açúcares,
através de análises realizadas em CLAE-IR. Com a aplicação da abordagem de
pesquisa experimental visa-se otimizar o tempo de obtenção desses resultados, e
assim garantir um melhor suporte ao setor de fabricação no processo produtivo de
Cereais Matinais. Este trabalho propõe a aplicação de um Planejamento
experimental, para três variáveis independentes, sendo que as variáveis analisadas
serão temperatura de trabalho da coluna cromatográfica, proporção volumetrica da
fase móvel e fluxo de fase móvel no equipamento de CLAE.
9
2 REVISÃO BIBLIOGRÁFICA
2.1 CROMATOGRAFIA LÍQUIDA
A cromatografia líquida basicamente pode ser separadas em dois tipos,
cromatografia liquida clássica (CLC) e cromatografia liquida de alta performance
(CLAE). Ambos, são métodos físico-químicos de separação de componentes de
uma mistura. A CLC utiliza uma coluna de vidro aberta de diâmetro interno de 10
centímetros ou maior que é recheada com partículas de dimensão na faixa de
centenas de micrometros. A fase móvel, ou eluente, com a amostra é introduzida
na coluna manualmente e flui através da coluna devido a força gravitacional. As
frações da amostra são coletadas e quantificadas individualmente. Na CLAE
emprega-se uma coluna fechada, trabalhando em conjunto com uma bomba de alta
pressão, que tem a função de fazer a fase móvel migrar a uma determinada
velocidade através da coluna. A amostra pode ser injetada manualmente ou por
sistema de injeção automática, em equipamentos mais sofisticados e as frações de
componentes da amostra são detectados e quantificados de forma continua. (Sales
Fontes Jardim, H. Collins, & Lopes Guimarães, 2006)
2.2 CROMATOGRAFIA LIQUIDA DE ALTA PERFORMANCE – CLAE
A cromatografia liquida de alta performance, ou simplesmente CLAE, é uma das
técnicas de separação mais importantes que detemos hoje, uma vez que é capaz
de separar misturas que contêm um grande número de compostos similares
presentes em uma mesma amostra. A CLAE utiliza instrumentos que podem ser
totalmente automatizados. É um tipo de cromatografia líquida que emprega colunas
10
recheadas com materiais especialmente preparados e uma fase móvel, eluída sob
altas pressões, seu uso aliado com o desenvolvimento em instrumentação
controlada por microcomputadores proporciona grandes melhorias no desempenho
do equipamento.
Figura 2.1 Sistema de um equipamento de CLAE.
Fonte: Próprio autor.
2.2.1 FASE MÓVEL
Em cromatografia liquida de alta eficiência a fase móvel (FM) desempenha um
papel importante no processo de separação dos componentes presentes na
amostra. Sua composição quase sempre é fundamental no processo, exercendo
duas funções essenciais, arrastando os componentes da amostra através do
sistema cromatográfico além de participar do processo de separação. Dentre as
características importantes de uma fase móvel em CLAE, segundo (Sales Fontes
11
Jardim, H. Collins, & Lopes Guimarães, 2006), considera-se, alto grau de pureza
da mesma, dissolver amostra sem decompor seus componentes, não decompor ou
dissolver a fase estacionária, ter baixa viscosidade e ponto de ebulição e ser
compatível com o detector utilizado, tendo como outra característica relevante o
seu baixo preço e baixa toxidade. Busca-se utilizar a melhor configuração possível,
uma vez que, muitas vezes é difícil obter todos as características em seu máximo.
A fase móvel é uma das variáveis que mais influenciam numa separação
cromatográfica, e cumpre um papel fundamental, já que por si mesma pode
modificar completamente a seletividade das separações e é o verdadeiro propulsor
da separação.
2.2.2 DEGASEIFICADOR
Permite a remoção dos gases das fases móveis de maneira contínua. Em
cromatografia líquida, todos os solventes devem se degaseificados e filtrados. O ar
dissolvido na fase móvel pode formar bolhas na cabeça da bomba o que
consequentemente, faz com que a pressão caia e não exista fluxo. A presença de
bolhas no detector pode gerar ruídos de linha de base tão altos que torna
impraticável a utilização do sistema. Em ambos os casos, há oscilações na linha de
base e influência sobre tempos de retenção ou aparecimentos de picos adicionais.
Os métodos de degaseificação são, geralmente, por aquecimento (refluxo com
agitação), vácuo, aborbulhamento de gás inerte (hélio), ultrassom, etc (SKOOG,
HOLER, & NIEMAN , 2009).
2.2.3 BOMBA
A vazão da fase móvel (FM) líquida, essencial para qualquer separação em CLAE
é mantida por uma, ou mais bombas de alta pressão. A alta pressão é necessária
12
para que o fluxo possa sobrepor à resistência das micropartículas da fase
estacionária empacotadas na coluna, assim como impedir a formação de
microbolhas no sistema, oriundas da mistura de solventes (SKOOG, HOLER, &
NIEMAN , 2009). A sua função é enviar um fluxo constante e reprodutível de FM
para a coluna.
Dentre os aspectos importantes para um sistema de bombeamento podemos
destacar a importância da vazão continua sem pulsos, a fim de não gerar variações
que possa gerar ruído na análise, faixa de trabalho de pressão entre 0,01 a 35 MPa
e vazões entre 0,01 e 5 mL min-1 (Sales Fontes Jardim, H. Collins, & Lopes
Guimarães, 2006).
2.2.4 INJETOR
Como o nome sugere, o injetor é a parte do equipamento por onde se introduz a
amostra, sem alterar a vazão do sistema. As principais características de um injetor
referem-se ao fato de não provocar alargamentos da banda do cromatograma,
devido à diluição da solução injetada não ser atacado por solventes, apresentar
reprodutibilidade e precisão, quando a quantidade injetada é operada a altas
pressões (SKOOG, HOLER, & NIEMAN , 2009).
2.2.5 COMPARTIMENTO DE COLUNA
Local que se encontra a coluna estacionária. A coluna é o “coração” de um sistema
cromatográfico. O sucesso de uma análise cromatográfica depende
fundamentalmente da coluna, na qual é escolhida conforme a natureza das
substâncias que se deseja determinar. Também no sistema de compartimento de
coluna, é onde se controla a temperatura da coluna durante a análise, fator
importante para o desenvolvimento de um método, visto que altera a viscosidade
13
do produto pela variação da temperatura, influenciando no tempo de retenção da
amostra na coluna (SKOOG, HOLER, & NIEMAN , 2009).
Independente da técnica de enchimento utilizada, tanto as colunas adquiridas no
comércio como as recheadas em laboratório devem ser condicionadas antes do
uso, para que haja um equilíbrio perfeito entre FM e a fase estacionaria (FE), pois
após o recheio, a FE encontra-se solvatada com o solvente propulsor, que é
utilizado no enchimento da coluna. O condicionamento deve ser feito com a FM em
vazão baixa, 0,2 mL min-1, por 4 a 8 horas para colunas novas, 2 horas para colunas
armazenadas por alguns dias, e 15 minutos antes do uso diário (Sales Fontes
Jardim, H. Collins, & Lopes Guimarães, 2006).
No que diz respeito a temperatura da coluna, não é possível estabelecer uma regra
a respeito da influência da temperatura em separações por CLAE. O aumento da
temperatura frequentemente aumenta o desempenho da coluna, porque diminui a
viscosidade da FM, o que melhora a transferência de massas. Contudo, é também
possível que o desempenho diminua (Sales Fontes Jardim, H. Collins, & Lopes
Guimarães, 2006).
2.2.6 DETECTOR POR INDICE DE REFRAÇÃO
O detector cromatográfico é a parte do equipamento que recebe e fornece o sinal
que representa a quantidade do componente de interesse no eluente da coluna. É
o mais complexo e o mais caro dos módulos em CLAE. Medindo de forma continua
alguma propriedade física ou físico-química da amostra, ou da solução que a
contém, e envia um sinal para registro, geralmente, diretamente proporcional à
concentração do componente na amostra (Sales Fontes Jardim, H. Collins, & Lopes
Guimarães, 2006). Esse sinal é gerado assim que o efluente sai da coluna e chega
ao detector. Deve-se requerer para a CLAE uma atenção com relação a
propriedades físicas e físico-químicas da amostra e da fase móvel, que podem ser
14
semelhantes causando dificuldades na detecção dos componentes. A Tabela 2.1 a
seguir mostra o desempenho de detectores utilizados em CLAE.
Tabela 2.1 Desempenho dos detectores para CLAE.
Detector para CLAE LD* em massa (típico)
Absorbância 10 pg Fluorescência 10 fg Eletroquímico 100 pg Índice de Refração 1 ng Condutividade 100 pg - 1 ng Espectrômetro de massas < 1 pg
FTIR 1 µg Espalhamento de Luz 1 µg Atividade óptica 1 ng Seletivo a elementos 1 ng Fotoionização < 1 pg
*Limite de Detecção (LD) dependem do composto, do instrumento e das disposições de CLAE. (SKOOG, HOLER, & NIEMAN , 2009)
Os detectores por índice de refração têm a vantagem significativa de responderem
a quase todos os solutos, sendo considerados, detectores universais, possuindo
ótima confiabilidade além de não serem afetados pela vazão, entretanto são
extremamente sensíveis à temperatura devendo ser mantidos em uma temperatura
constante e com baixíssima variação em milésimos de graus centigrados. A
princípio de quantificação, no detector por índice de refração (IR), correspondente
detector que é utilizado na determinação de açúcares no presente estudo, o
solvente passa através de uma metade da célula no seu caminho após a coluna; o
eluato, então flui através da outra câmara (SKOOG, HOLER, & NIEMAN , 2009).
A Figura 2.2 ilustra um sistema de detecção por (IR), os dois compartimentos são
separados por uma placa de vidro montada a um ângulo tal para que ocorra a
curvatura do feixe incidente se as duas soluções tiverem índices de retenção
diferentes. O deslocamento resultante do feixe em relação à superfície
fotossensível de um detector causa uma variação no sinal de saída, o qual então é
15
amplificado e registrado, fornecendo o cromatograma (SKOOG, HOLER, &
NIEMAN , 2009).
Figura 2.2 Diagrama esquemático de um detector por índice de refração. . (Cortesia da Waters Associates, Inc. Milford, MA
Esquema extraído de (SKOOG, HOLER, & NIEMAN , 2009)
2.2.7 SISTEMA COMPUTACIONAL/ MONITOR
Os computadores convertem os dados através de softwares específicos de
gerenciamento de sistemas de CLAE. Determinam a concentração da amostra em
questão através de cálculos de área dos picos cromatográficos ou também
utilizando a altura dos picos como base para fazer os cálculos, além de fornecer os
tempos de retenção dos componentes presentes na amostra. Para manter ou
aumentar a versatilidade, exatidão e a precisão da CLAE, a utilização de um
microcomputador é fundamental para processar os dados obtidos pelo detector de
forma rápida e continua, além disso o uso de softwares empregados para este fim,
fornece controle sobre a composição da fase móvel, vazão da bomba, injeção da
amostra, temperatura da coluna, dentre outras ferramentas que contribuem para
unificação dos paramentos envolvidos e dados gerados pela CLAE (Sales Fontes
Jardim, H. Collins, & Lopes Guimarães, 2006).
16
2.2.8 TEMPO DE RETENÇÃO E RESOLUÇÃO NA ANÁLISE QUANTITATIVA
Em uma análise quantitativa, deve-se tomar cuidado em todas as etapas, para
evitar erros. Deve-se manter um bom controle tanto na etapa de separação dos
componentes quanto na etapa analítica, utilizando amostras representativas, livre
de contaminantes durante seu preparo e rígido controle de parâmetros como vazão,
temperatura e quantidade de amostra injetada. Após a obtenção do cromatograma,
faz-se a integração dos sinais, que tem por finalidade transformar a intensidade do
sinal emitido pelo detector em uma medida relacionada com a quantidade da
substancia analisada na amostra (Sales Fontes Jardim, H. Collins, & Lopes
Guimarães, 2006). Essas medidas são representadas no cromatograma continuo
da análise, e a partir da altura ou área dos picos é possível quantificar cada
componente através de vários métodos relativos que empregam padrões que
contêm os componentes presentes na amostra. Assim, um determinado
componente irá responder da mesma forma, seja presente na amostra seja na
solução padrão, para as mesmas condições paramétricas empregadas, ou seja,
apresentaram mesmo tempo de retenção e mesma resolução. Tendo estas
características vindo à tona vale torna-las mais explicitas.
Assim, pode-se definir como tempo de retenção o tempo gasto desde o ato de
injeção até a saída do ponto máximo do pico que representa um dos solutos, este
pico é a variável impressa pelos dispositivos eletrônicos, frequentemente acoplados
a sistemas automatizados de cromatografia. O tempo de retenção engloba todo o
tempo que o componente em questão fica no sistema cromatográfico, quer na fase
móvel quer na fase estacionaria (Sales Fontes Jardim, H. Collins, & Lopes
Guimarães, 2006). Outra medida importante da separação de componentes
consecutivos é a resolução RS. A resolução em cromatografia em coluna, é
calculada a partir da distância que separa os pontos máximos dos picos e da média
17
das Larguras de suas respectivas bases, wb. Para a medida da largura de base,
toma-se sempre a distância entre as tangentes traçadas nas laterais do pico.
�� = � �(�����)(� �� �)� ......(1)
Figura 2.3 Medidas relacionadas à determinação da resolução.
(Sales Fontes Jardim, H. Collins, & Lopes Guimarães, 2006)
Observa-se que a resolução é um termo sem unidades, o que implica a
necessidade e utilizar sempre as mesmas unidades para as distâncias (tempos) de
retenção e para as larguras de base.
Quando RS = 1, os picos são razoavelmente separados, com somente 2% de
superposição se as quantidades dos componentes forem iguais. Maiores valores
de resolução indicam melhor separação: RS = 1,25 é suficiente para fins
quantitativos e RS > 1,5 indica separação completa. A Figura 2.4 mostra as
separações dos compostos, presentes em diferentes quantidades, em valores de
resolução de 0,8, 1,0 e 1,25. Quando as razões de concentrações são 1:1 e 4:1
18
ambos os picos são distinguíveis, mesmo com uma resolução de 0,8; mas, quando
a razão de alturas é 16:1, o segundo pico não pode ser identificado (Sales Fontes
Jardim, H. Collins, & Lopes Guimarães, 2006).
Figura 2.4 Separação em função da resolução de dois componentes presentes em diferentes concentrações.
(Sales Fontes Jardim, H. Collins, & Lopes Guimarães, 2006)
2.3 PLANEJAMENTO DE EXPERIMENTOS
O Planejamento de Experimentos (em inglês Design of Experiments, DOE) é uma
técnica utilizada para planejar-se experimentos, ou seja, definir quais dados e em
quais quantidades e condições devem ser coletados em um determinado
experimento, buscando satisfazer dois grandes objetivos: a maior precisão possível
na resposta e o menor custo. É uma técnica considerada de extrema importância
na indústria já que seu emprego permite resultados mais confiáveis, economizando
dinheiro e tempo (MONTGOMERY, 1976).
19
Parece ser simples e óbvia a preferência na utilização do DOE em atividades
experimentas uma vez que, o mesmo proporciona economia de tempo e dinheiro,
fatores importantes a serem considerados em qualquer atividade que se deseje
executar nos tempos atuais, seja ela de qualquer natureza, entretanto, ainda hoje
o cenário da utilização do DOE não é predominante. O método mais comumente
utilizado até então para o desenvolvimento de produtos e processos era o chamado
“One Variable At a Time”, ou OVAT, traduzido como “Uma Variável por Vez”
Infelizmente, o método OVAT não garante que a resposta máxima será atingida.
Essa abordagem só seria válida se as variáveis fossem totalmente independentes
uma das outras, dizendo de outra forma, sem interações entre elas (Leardi, 2009).
Um exemplo deste método pode ser a situação em que se necessita de uma
otimização do rendimento de um processo, por exemplo, uma reação química,
trabalhando com temperatura e tempo de reação como variáveis, ao utilizar o
método OVAT, inicialmente fixa-se o tempo de reação em um determinado valor e
realizam-se os experimentos variando a temperatura dentro de um intervalo
determinado através de um estudo prévio teórico ou empírico. Concluída esta
etapa, fixa-se o valor da temperatura ao qual se alcançou o melhor rendimento, e
realiza-se o restante do experimento variando o tempo de reação. Assim, espera-
se obter valores de temperatura e tempo de reação que geram o rendimento
máximo. Entretanto, ao variar um fator por vez, encontra-se a “melhor” temperatura
para um tempo de reação fixo, enquanto, na verdade, cada tempo de reação tem
uma temperatura ótima diferente. Outra diferença entre o OVAT e o DOE é o fato
de que o primeiro método decide qual será o próximo experimento com base nos
experimentos anteriores, enquanto que no segundo já se tem planejado
anteriormente todo o conjunto de experimentos, cobrindo todo o domínio
experimental, o que promove um conhecimento global de toda a reação (Leardi,
2009).
Para efetuar um planejamento de experimentos, cinco passos devem ser
considerados: I) Definir o objetivo dos experimentos. Embora possa parecer
totalmente absurdo, muitas pessoas começam a fazer experiências sem ter claro
20
em suas mentes o motivo pelo qual as estão fazendo. Uma vez que você obtém
resultados, poderá extrair informações a partir deles, e quanto maior o número de
resultados (experimentos), melhor; II) Detectar todos os fatores que podem afetar
o resultado que se deseja, também chamado de “resposta”. No entanto, cuidado
com a diferença entre os fatores que “podem” afetar a resposta e aqueles que
realmente afetam. Os fatores selecionados devem ter embasamento em fatos
científicos; III) Planeje os experimentos. Levando em consideração os fatores
selecionados, a definição de seus intervalos e o modelo a ser aplicado; IV) Realize
os experimentos. Na forma clássica de se pensar, esta seria a parte mais
importante do processo, mas do ponto de vista do planejamento de experimentos
esta etapa é apenas algo que não pode ser evitada, a fim de se obter os resultados
que serão utilizados para construir o modelo; V) Analise os dados obtidos dos
experimentos. Este passo transforma números em informações e é a conclusão
lógica de todo o processo (Leardi, 2009).
Um dos problemas mais comuns de quem faz experimentos é determinar a
influência de uma ou mais variáveis sobre outra variável de interesse. No linguajar
estatístico, estamos interessados em descobrir como a resposta depende dos
fatores. Podemos abordar esse problema como um caso particular da situação
mostrada esquematicamente na Figura 2.5. Um certo número de fatores C1, C2, C3,
..., Cn atuando sobre o sistema em estudo, produz as respostas A1, A2. O sistema
atua como uma função que opera sobre as variáveis de entrada (os fatores) e
produz como saída as respostas observadas (Neto, Scarminio, & Bruns, 2010).
21
Figura 2.5 Representação de um sistema ligando as variáveis de entrada às variáveis de saída.
Esquema modificado de (Neto, Scarminio, & Bruns, 2010).
Dando início ao planejamento, antes de mais nada é necessário decidir quais são
os fatores e as respostas de interesse. De um modo geral os fatores são as
variáveis que o experimentador tem condições de controlar, podendo estes serem
qualitativas, como tipos de catalisadores em uma reação química, ou quantitativos,
como o controle de temperatura em uma reação. As variáveis de saída, ou seja, as
respostas, são as quais estamos interessados, e que serão – ou não – afetadas por
alterações provocadas nos fatores, que são manipulados pelo experimentador.
2.4 TIPOS DE PLANEJAMENTO DE EXPERIMENTOS
Existem diversos tipos de planejamentos de experimentos, sendo cada um
adequado a uma situação especifica, ou seja, as configurações podem ser
aplicadas em estudos desenvolvidos dependendo das informações que se deseja
obter. O Quadro (1) a seguir apresenta os principais métodos de planejamento
utilizados e suas principais características (WERKEMA & AGUIAR, 1996).
22
Quadro 2.1 Tipos de Planejamentos. Esquema adaptado de (WERKEMA & AGUIAR, 1996)
Classificação do
Planejamento de
Experimentos
Aplicação Estrutura Informações obtidas
Completamente aleatorizado
com único fator
Apropriado quando somente um fator experimental está sendo estudado
O efeito do fator é estudado por meio da alocação ao acaso das unidades experimentais aos tratamentos (níveis do fator). Os ensaios são realizados em ordem aleatória.
Estimativa e comparações dos efeitos dos tratamentos. Estimativas da variância.
Fatorial
Apropriado quando vários fatores devem ser estudados em dois ou mais níveis e as interações entre os fatores podem ser importantes
Em cada repetição completa do experimento todas as combinações possíveis dos níveis dos fatores (tratamentos) são estudadas. A alocação das unidades experimentais aos tratamentos e a ordem de realização dos ensaios são feitas de modo aleatório.
Estimativas e comparações dos efeitos dos fatores. Estimativa dos possíveis efeitos de interações. Estimativa da variância.
23
Quadro 2.1 Tipos de Planejamentos. Esquema adaptado de (WERKEMA & AGUIAR, 1996) - Cont.
Classificação do
Planejamento de
Experimentos
Aplicação Estrutura Informações obtidas
Fatorial 2k em blocos
Apropriado quando o número de ensaios necessários para os planejamentos em k fatores em 2 níveis é muito grande para que sejam realizados sob condições homogêneas
O conjunto completo de tratamentos é divido em subconjuntos de modo que as interações de ordem mais alta são confundidas com os blocos. São tomadas observações em todos os blocos.Os blocos surgem geralmente como consequência de restrições de tempo homogeneidade de materiais, etc.
Fornece as mesmas estimativas do planejamento fatorial exceto algumas interações de ordem mais alta que não podem ser estimadas porque estão confundidas com os blocos.
Fatorial 2k fracionado
Apropriado quando existem muitos fatores (k muito grande) e não é possível coletar observações em todos os tratamentos
Vários fatores são estudados em dois níveis, mas somente um subconjunto do fatorial completo é executado. A formação dos blocos algumas vezes é possível.
Estimativas e comparações dos efeitos de vários fatores. Estimativa de certos efeitos de interação (alguns efeitos podem não ser estimáveis). Certos planejamentos fatoriais fracionários (quando k é pequeno) não fornecem informações suficientes para estimar a variância.
24
Quadro 2.1 Tipos de Planejamentos. Esquema adaptado de (WERKEMA & AGUIAR, 1996) - Cont.
Classificação do
Planejamento de
Experimentos
Aplicação Estrutura Informações obtidas
Blocos aleatorizados
Apropriado quando o efeito de um fator está sendo estudado e é necessário controlar a variabilidade provocada por fatores perturbadores conhecidos. Estes fatores perturbadores (material, tempo, pessoas, etc.) são divididos em blocos ou grupos ou grupos homogêneos
São tomadas observações correspondentes a todos os tratamentos (níveis do fator) em cada bloco. Usualmente os blocos são considerados em relação a um único fator perturbador.
Estimativas e comparações dos efeitos dos tratamentos livres dos efeitos do bloco. Estimativas dos efeitos do bloco. Estimativa da variância.
Blocos incompletos balanceados
Apropriado quando todos os tratamentos não podem ser acomodados em um bloco
Os tratamentos testados em cada bloco são selecionados de forma balanceada: dois tratamentos quaisquer aparecem juntos em um mesmo bloco o mesmo número de vezes que qualquer outro par de tratamentos
Idêntico ao planejamento em blocos aleatorizados.
Blocos incompletos parcialmente balanceados
Apropriado quando um planejamento em blocos incompleto parcialmente balanceados necessita de um número de blocos excessivamente grandes.
Alguns pares de tratamentos aparecem juntos n1 vezes, outros pares aparecem juntos n2 vezes, ..., e os pares restantes aparecem juntos m vezes.
Idêntico ao planejamento em blocos aleatorizados, mas os efeitos dos tratamentos são estimados com diferentes precisões.
25
Quadro 2.1 Tipos de Planejamentos. Esquema adaptado de (WERKEMA & AGUIAR, 1996) - Cont.
Classificação do
Planejamento de
Experimentos
Aplicação Estrutura Informações obtidas
Quadrados Latinos
Apropriado quando um fator de interesse está sendo estudado e os resultados podem ser afetados por duas outras variáveis experimentais ou por duas fontes de heterogeneidade. É suposta a ausência de interações
O quadrado latino é um arranjo para permitir dois grupos de restrições de bloco. Os tratamentos são distribuídos em correspondência as colunas e linhas de um quadrado. Cada tratamento aparece uma vez em cada linha e uma vez em cada coluna. O número de tratamentos deve ser igual ao número de linhas e colunas do quadrado. Os blocos são formados em relação a duas variáveis perturbadoras, as quais correspondem as colunas e linhas do quadrado.
Estimativas e comparações dos efeitos dos tratamentos livres dos efeitos das duas variáveis bloco. Estimativas e comparações dos efeitos das duas variáveis de bloco. Estimativa da variância.
Quadrados de Youden
Similares aos quadrados latinos, mas o número de linhas, colunas e tratamentos não precisam ser iguais
Cada tratamento ocorre uma vez em cada linha. O número de tratamentos deve ser igual ao número de colunas. Os blocos são formados em relação a duas variáveis perturbadoras
Idêntico ao planejamento em quadrados latinos
26
Quadro 2.1 Tipos de Planejamentos. Esquema adaptado de (WERKEMA & AGUIAR, 1996) - Cont.
Classificação do
Planejamento de
Experimentos
Aplicação Estrutura Informações obtidas
Hierárquico
Experimentos com vários fatores em que os níveis de um fator (B) são similares, mas não idênticos para diferentes níveis de outro fator (A). Ou seja, o n-ésimo nível de B quando A está no nível 1 é diferente do n-ésimo nível de B quando A está no nível 2 e assim por diante
Os níveis do fator B estão aninhados abaixo dos níveis do fator A
Estimativas comparações dos efeitos dos fatores. Estimativa da variância.
Superfície de resposta
O objetivo consiste em fornecer mapas empíricos ou gráficos de contorno. Estes mapas ilustram a forma pela qual os fatores, que podem ser controlados pelo pesquisador, influenciam a variável resposta
Os níveis dos fatores são vistos como pontos no espaço de fatores (muitas vezes multidimensional) no qual a resposta será registrada
Mapas que ilustram a natureza e a forma da superfície de resposta.
27
2.5 PLANEJAMENTO FATORIAL COMPLETO 2K
Dos planejamentos ilustrados no quadro 1, pode-se destacar o modelo dos
experimentos fatoriais. Para fazer um planejamento fatorial completo devemos
realizar experimentos (também chamados de ensaios) em todas as possíveis
combinações dos níveis dos fatores. Podemos dividir os planejamentos fatoriais
entre 2k, 3k, 4k e assim por diante, onde k representa o número de fatores
(MONTGOMERY, 1976).
Por exemplo um planejamento de 2 níveis com três variáveis é chamado de
planejamento 2³. Para realizar o chamado planejamento fatorial completo 2³, são
necessários então oito experimentos (2³ = 8), englobando todas as possibilidades
de ensaios, conforme mostrado na Tabela 2.2. Considerando efetuar um estudo do
rendimento de uma determinada reação química, onde um estudo prévio forneceu
três fatores que afetam a resposta: temperatura, catalisador e concentração. Foram
então selecionados os níveis dos fatores a serem estudados: I) Temperatura, entre
40ºC e 60ºC; II) Catalisador A e B; e III) Concentração dos reagentes entre 1,0M e
1,5M (Neto, Scarminio, & Bruns, 2010).
Tabela 2.2 Matriz do planejamento fatorial completo 23.
Fatores Ensaio 1 2 3
1 - - -
2 + - -
3 - + - 4 + + - 5 - - +
6 + - +
7 - + + 8 + + + Fonte: (Neto, Scarminio, & Bruns, 2010)
28
Nos planejamentos de dois níveis, costuma-se identificar os níveis superior e
inferior com os sinais (+) e (–), respectivamente. A atribuição desses sinais também
pode ser feita para os níveis dos fatores qualitativos. Em nosso exemplo, vamos
admitir que o nível (+) corresponde ao catalisador B. A escolha é arbitrária e não
afeta as conclusões. Suponha-se também que os oito ensaios foram realizados de
duplicatas, e a média dos mesmos geraram as seguintes respostas, descritas na
Tabela 2.3. Os ensaios estão dispostos na chamada ordem-padrão. Todas as
colunas começam com o nível (–) e depois os sinais vão se alternando. Um a um
na primeira coluna, depois dois a dois, e finalmente quatro sinais negativos e quatro
positivos na terceira coluna. Se houvesse um quarto fator, a coluna correspondente
teria oito sinais negativos e, em seguida, oito sinais mais, já que o número total de
fatores seria 16 (24=16). Para um planejamento com k fatores, a última coluna tem
2k-1 sinais negativos e depois 2k-1 sinais positivos. Assim, podemos escrever
facilmente a matriz de planejamento de qualquer fatorial de dois níveis, (BOX,
HUNTER, & HUNTER, 1978).
Tabela 2.3 Resultados da matriz experimental fatorial 23.
Fatores (-) (+)
1: Temperatura (°C) 40 60 2: Catalisador (tipo) A B 3: Concentração (M) 1 1,5
Ensaio 1 2 3 Rendimento (%) Média
1 - - - 56 52 54,0 2 + - - 85 88 86,5 3 - + - 49 47 48,0
4 + + - 64 62 63,0 5 - - + 65 61 63,0 6 + - + 92 95 93,5 7 - + + 57 60 58,5
8 + + + 70 74 72,0 Fonte: (Neto, Scarminio, & Bruns, 2010)
29
2.5.1 CÁLCULOS DOS EFEITOS
A partir da matriz de planejamento pode-se formar a tabela de coeficientes de
contraste, interações entre os fatores estudados. Mas como construí-la. No
exemplo utilizado, ao fixar-se a concentração e utilizar o catalisador A, aumentando
a temperatura de 40°C para 60°C o rendimento de reação aumenta 32,5%.
Entretanto, ao se utilizar o catalisador B, o rendimento também aumenta, mas 15%.
Isso mostra que o efeito da temperatura, depende do nível em que o catalisador
está. Quando isto ocorre dizemos que as duas variáveis interagem (Neto,
Scarminio, & Bruns, 2010).
O chamado efeito principal de um fator é, por definição, a média dos efeitos deste
fator nos dois níveis dos demais fatores. Definimos portanto, que o efeito da
temperatura pode ser calculado da seguinte forma:
� = ����� − ����� ∴ ......(2)
� = (�����������)� − (�����������)
� ∴ ......(3)
� = (��,!��"�#",!�$%)� − (!������"�!�,!)
� = 22,875% ......(4)
Este valor indica que o rendimento da reação sobe 22,875%, em média, quando a
temperatura passa de seu nível inferior (40ºC) para o nível superior (60ºC). Este
cálculo pode ser feito de forma análoga para os outros fatores
Como visto anteriormente ao fixarmos a concentração efetuando um aumento na
temperatura para cada tipo de catalisador, obtemos diferentes resultados para a
resposta do rendimento. Com os dados obtidos podemos calcular o efeito da
temperatura interagindo com o tipo de catalisador, como sendo:
�+,- = − (.!"%,!)% = −17,5% ........(5)
30
Isso significa que quando trocamos o catalisador A pelo o catalisador B, o
rendimento cai 17,5% em média. Porém, como os três fatores interagem, deve-se
considerar o efeito de cada fator ao interagir com os outros, para não se precipitar
na interpretação do resultado. Para calcular o efeito entre a temperatura e o
catalisador levando-se em consideração também a concentração, é necessário
fazer a diferença entre a interação entre a temperatura e o tipo de catalisador, para
cada nível de concentração.
A partir deste ponto já é fácil notar que que quanto maior o número de variáveis,
mais sucessível a erros se torna o cálculo das interações. Para um planejamento
fatorial 2³ temos o equivalente a quatro tipos de interações possíveis entre os três
fatores (BOX, HUNTER, & HUNTER, 1978), teremos um total de 7 efeitos, 3 efeitos
principais dos fatores, temperatura, catalisador e concentração; três efeitos
correspondentes as interações temperatura e catalisador (12), temperatura e
concentração (13) e catalisador concentração (23); e um último efeito que é a
interação dos três fatores temperatura, catalisador e concentração (123); a Tabela
2.4 de contrastes a seguir, apresenta o nível dos efeitos de cada fator, níveis estes
que são calculados simplesmente multiplicando as colunas dos fatores em
interação.
Tabela 2.4 Coeficientes de contraste para um fatorial 23.
Fatores Interações Ensaio Média 1 2 3 12 13 23 123 1 + - - - + + + - 2 + + - - - - + + 3 + - + - - + - + 4 + + + - + - - - 5 + - - + + - - + 6 + + - + - + - - 7 + - + + - - + - 8 + + + + + + + +
Fonte: (Neto, Scarminio, & Bruns, 2010)
Todas as colunas de efeitos na Tabela 2.4 têm quatro sinais positivos e quatro
sinais negativos. Isso significa que podemos interpretar qualquer efeito como a
diferença entre duas médias, cada uma contendo metade das observações. Assim
31
para facilitar as contas, é utilizada a chamada matriz de coeficientes de contraste
(MONTGOMERY, 1976). Começamos reescrevendo a matriz de planejamento para
os três efeitos principais 1 (temperatura), 2 (catalisador) e 3 (concentração).
0 123 1 � 4
5666666740 : 1,060 : 1,540 < 1,060 < 1,540 : 1,060 : 1,540 < 1,060 < 1,5=>
>>>>>?
=
56666667−1 −1 −1+1 −1 −1−1 +1 −1+1 +1 −1−1 −1 +1+1 −1 +1−1 +1 +1+1 +1 +1=>
>>>>>?
.......(6)
Acrescentando agora as colunas de interações, juntamente com a coluna
correspondente matriz identidade representada pela média, temos:
A�4�4�4�4
56666667+1 −1 −1 −1 +1 +1 +1 −1+1 +1 −1 −1 −1 −1 +1 +1+1 −1 +1 −1 −1 +1 −1 +1+1 +1 +1 −1 +1 −1 −1 −1+1 −1 −1 +1 +1 −1 −1 +1+1 +1 −1 +1 −1 +1 −1 −1+1 −1 +1 +1 −1 −1 +1 −1+1 +1 +1 +1 +1 +1 +1 +1=>
>>>>>?
........(7)
Para calcular os efeitos a partir da matriz, escolhemos a coluna apropriada,
aplicamos seus sinais às respostas correspondentes (os rendimentos obtidos),
fazemos a soma algébrica e finalmente dividimos o resultado pela metade da
quantidade de ensaios. No caso de um planejamento 2³ que contém oito ensaios,
divide-se a soma algébrica por quatro. Com exceção da coluna I (matriz identidade),
que representará a média das respostas e, portanto, deve ser dividido pelo número
exato de ensaios, no caso, oito (MONTGOMERY, 1976).
32
Por exemplo, para o efeito de interação entre o catalisador (2) e a concentração
(3), tomamos a sexta coluna da matriz, e aplicamos os sinais as correspondentes
ao vetor coluna de respostas do rendimento de cada ensaio:
23
56666667+1+1−1−1−1−1+1+1=>
>>>>>?
.......(8)
56666667�1�2�3�4�5�6�7�8=>
>>>>>?
=
5666666754,086,548,063,063,093,558,572,0=>
>>>>>?
.......(9)
Assim concluindo o cálculo efeito da interação temos:
�4 = ��.��%�"���!����$���� ∴ .......(10)
�4 = �!�,D���,!��,D�",D�",D#",D�!�,!�$%,D� = 0,9% ........(11)
De forma análoga pode-se calcular os efeitos para as demais interações. Os efeitos
estão expressos na Tabela 2.5.
33
Tabela 2.5 Efeitos calculados para o planejamento fatorial 23.
Média 67,3 Efeitos principais: 1 (Temperatura) 22,9 2 (Catalisador) -13,9 3 (Concentração) 8,9
Interações de dois fatores: 12 -8,6 13 -0,9 23 0,9
Interações de três fatores: 123 0,1
Fonte: (Neto, Scarminio, & Bruns, 2010)
Todavia podemos tomar um outro caminho para determinar os efeitos do
experimento de forma diferente, transformando a tabela de coeficientes de
contraste em uma matriz X, podendo calcular todos os efeitos, exceto pelos
divisores fazendo o produto Xty, onde y é o vetor coluna contendo os rendimentos
médios dos ensaios como colocado anteriormente. Realizando este procedimento
ao obtermos a matriz Xty e a dividirmos por oito para a média e por 4 para os demais
fatores e interações, é possível obter o vetor dos efeitos em um vetor coluna, na
mesma ordem das colunas da matriz X (Neto, Scarminio, & Bruns, 2010).
2.5.2 ESTIMATIVA DO ERRO
Com as observações individuais sendo realizadas em replicatas, pode-se usar os
resultados das observações para estimar o erro experimental, e com isso avaliar a
significância estatística dos efeitos. Para evitar a ocorrência de distorção estatística
no s resultados, causados por exemplo, por condições externas que podem
influenciar no experimento, devemos fazer aleatorização dos ensaios. Esta
aleatorização é um princípio experimental muito importante que ajuda a impedir que
fatores indesejáveis, dos quais não estamos cientes, contaminem os efeitos que
queremos investigar (Hines, Montgomery, Goldsman, & Borror, 2006). Podemos
34
simplesmente realizar um sorteio da sequência de realização dos ensaios. A seguir
estão representadas as equações pertinentes para o cálculo do erro padrão dos
efeitos e média a partir da estimativa da variância experimental (12), para um
experimento realizado com (N) ensaios duplicados, onde (di) é a diferencia entre
os resultados das observações para uma mesma configuração. Assim o erro (s) de
cada efeito pode ser calculado obtendo-se a raiz quadrada da variância
experimental.
E� = ∑ GH�%I .......(12)
E(JKJL3M) = NO�% ........(13)
E(Pé�L2) = �. NO�% ......(14)
2.5.3 INTERPRETAÇÃO DOS RESULTADOS E MODELO ESTATISTICO
Algumas conclusões que podemos retirar da Tabela 2.5 são: I) Elevando a
temperatura aumentamos o rendimento da reação; II) Esse efeito é muito mais
pronunciado com o catalisador A do que com o catalisador B; e III) Quando a
concentração é aumentada de 1,0M para 1,5M, ocorre um aumento médio de cerca
de 9% no rendimento e não há evidência que de que esse aumento dependa dos
níveis de outras variáveis, já que as interações 13, 23 e 123 são muito baixas.
Além de todas as informações possíveis que podemos retirar da análise dos efeitos
de interação, serão exatamente esses efeitos de interação que possibilitarão a
montagem do modelo estatístico. Este modelo é usado para descrever as respostas
de um planejamento fatorial, formulado em termos dos efeitos por unidade de x1,
x2 e x3. Para um planejamento 2³, a resposta observada no nível (x1, x2, x3) é
35
considerada como uma variável aleatória y(x1, x2, x3) (MONTGOMERY, 1976),
expressada da seguinte forma:
�(S., S%, S") = TD + T.S. + T%S% + T"S" + T.%S.S% + T."S.S" + T%"S%S" + T.%"S.S%S"
........(15)
Onde b0 é o termo independente e corresponde à média das respostas do
planejamento; b1, b2 e b3 são os valores populacionais dos três efeitos principais
por unidade de x1, x2 e x3, que é a metade dos efeitos principais; e b12, b13, b23 e
b123 são os valores populacionais dos efeitos de interação por unidade de x1, x2 e
x3, que também é a metade dos valores dos efeitos de interação (MONTGOMERY,
1976). Assim utilizando os dados já obtidos, Tabela 2.5 é gerado então o modelo
estatístico deste experimento:
�(S., S%, S") = 67,3 + 11,4S. − 6,9S% + 4,4S" − 4,3S.S% − 0,4S.S" + 0,4S%S" + 0,1S.S%S"
.......(16)
Vale ressaltar que para determinarmos os coeficientes exatos precisaríamos
realizar um número infinito de experimentos, algo que não faz parte da metodologia
do planejamento fatorial. O que foi calculado a partir dos resultados dos oito
experimentos em duplicata nada mais é do que uma estimativa desses valores, ou
seja, amostras (Neto, Scarminio, & Bruns, 2010)
Com o modelo estatístico, podemos estimar a resposta com base na variação dos
fatores dentro de certo desvio padrão. É possível também estimar quais os níveis
dos fatores que geram a maior resposta, caso seja de interesse aperfeiçoar o
processo (Leardi, 2009).
36
2.5.4 ANÁLISE DA VARIÂNCIA
Após determinado o modelo para o comportamento das variáveis sobre a resposta,
cabe a examinar os resíduos do mesmo, e assim avaliar a qualidade do ajuste do
modelo estatístico. Em primeiro lugar, os resíduos devem ser pequenos, pois, se
um determinado modelo deixa resíduos consideráveis, é muito provável que o
mesmo não está adequado às observações. Em um modelo ideal, as predições
sempre irão coincidir exatamente com as respostas observadas, e não haveria
resíduo nenhum. O método mais utilizado para avaliar numericamente a qualidade
do ajuste de um modelo é a análise da variância.
Segundo (Neto, Scarminio, & Bruns, 2010) a análise começa com a decomposição
algébrica dos desvios das respostas observadas em relação a resposta global, e o
desvio de uma resposta individual em relação à média de todas as respostas
observadas (�U − ��), pode ser decomposto em duas parcelas.
(�U − ��) = (�VW − ��) + (�U − �VW) ......(17)
A primeira parcela, representa o desvio da previsão feita pelo modelo para o ponto
em questão, �VW , em relação à média global, ��. A segunda parcela é a diferença entre
o valor observado e o valor previsto. Num modelo bem ajustado, essa segunda
diferença deve ser pequena. Isso equivale a dizer, que o desvio (�VW − ��) deve ser
aproximadamente igual ao desvio (�U − ��), em outras palavras equivale dizer que
as predições estão em boa concordância com as observações.
O segundo passo é expressar esta comparação de desvios em termos
quantitativos. Para isso elevamos a equação (17) ao quadrado e em seguida
fazemos o somatório sobre todos os pontos:
X(�U − ��)% = X[(�VW − ��)% + (�U − �VW)%]% ∴
37
= ∑[(�VW − ��)% + 2 ∑(�VW − ��)(�U − �[U) + ∑(�U − �[U)% ∴
A partir de arranjos é possível modificar a da equação, e representa-la como a
equação (18)
∑(�U − ��)% = ∑(�VW − ��)% + ∑(�U − �VW)%.....(18)
Estas somas de quadrados de desvios costumam ser chamadas de somas
quadráticas, ou, abreviadamente, SQ. Assim, podemos expressa-la da seguinte
forma:
[\]^_`abcade_édfe(\]g)] = [\]d^hfdeàb^jb^kkãa(\]m)] + [\]b^kfdneo(\]p)] É evidente, que quanto maior for a fração descrita pela regressão, melhor será o ajuste do
modelo, o que podemos quantificar por meio da razão:
q% = rstrsu
= ∑(�[H��)�∑(�H��)� .......(19)
R2 é chamado de coeficiente de determinação do modelo, sendo que seu valor
máximo é igual a 1, e terá este valor caso não haver resíduo nenhum, ou seja, toda
variação em torno da média é explicada pela regressão. Assim podemos dizer que
quanto mais próximo de 1 melhor terá sido o ajuste ao modelo. Se por exemplo,
com as respostas obtidas em um determinado experimento ao se aplicar a equação
(19) para os dados obtidos e obtermos, um valor de 0,9878, isto significa que
98,78% da variação total em torno da média das observações é explicada pela
38
regressão. A soma quadrática residual, \]p, representa a parte da variação das
respostas em torno da média que o modelo não consegue representar.
A cada soma quadrática está associado um certo número de graus de liberdade,
que indica quantos valores independentes envolvendo as n observações, são
necessárias para determina-la, isso significa que que para os n desvios, o número
de graus de liberdade é (n-1) (Neto, Scarminio, & Bruns, 2010).
Em um caso geral de um modelo com p parâmetros, o número de graus de
liberdade da soma quadrática residual é dado pela diferença entre o número de
observações e o número de parâmetros estimados, isto é, (n-p). Uma vez que, os
graus de liberdade para a soma quadrática total é (n-1) (MONTGOMERY, 1976).
Para satisfazer a relação de graus de liberdade para a equação (18) o número de
graus de liberdade devida a regressão tem de ser igual ao número de parâmetros
menos 1, ou seja, (p-1).
Exemplificando o que foi apresentado nesta seção, para realizar-se a análise de
variância de um modelo com dois parâmetros pode-se construir a Tabela 2.6, tabela
de análise da variância para o ajuste de um modelo linear, também conhecida como
tabela da ANOVA. A última coluna da tabela representa as médias quadráticas, que
é calculada dividindo-se a soma quadrática pelo seu respectivo grau de liberdade.
Tabela 2. 6 Tabela da ANOVA.
Fonte de variação
Soma quadrática
Nº de g.l.* Média quadrática
Regressão
X(�[U − ��)% v − 1 w]m = \]mv − 1
Resíduos X(�U − �VW)% c − v w]p = \]pc − v = k%
Total X(�U − ��)% c − 1
*g.l. – Graus de liberdade. Esquema de (Neto, Scarminio, & Bruns, 2010)
39
2.5.5 TESTE DE SIGNIFICÂNCIA ESTATISTICA
Em problemas de regressão linear múltipla, certos testes de hipóteses sobre os
parâmetros do modelo são úteis para verificar a adaptabilidade do modelo, assim
fazendo-se uso das médias quadráticas é possível testar se a equação de
regressão é estatisticamente significativa, através do teste-F. Que nada mais é do
que uma relação estre as médias quadráticas obtidas pela ANOVA.
Fy.,zy ≈ |}~|}� (20)
onde p-1 e n-p,são os números de graus de liberdade da média quadrática da
regressão e da média quadrática residual, respectivamente.
Primeiramente é necessário saber qual é o valor do nível de significância adotado,
valor este que indica a probabilidade de se rejeitar uma hipótese nula, em um teste
de hipótese, quando a mesma for verdadeira. Os níveis de significância mais
utilizados são 5%, 0.1%, 1% e 10%, supondo um nível de significância de 5% temos
um nível de confiança de 95%. Uma vez realizado o cálculo de (Fy.,zy), a partir
da equação (20), busca-se na tabela F (ANEXO B), o valor do ponto da distribuição
F tabelado, no nível de confiança adotado. Caso o valor calculado seja maior do
que o tabelado, significa que o modelo é altamente significativo, entretanto nem
sempre uma regressão dada como significativa é útil para realizar previsões. Pois,
pode acontecer que a faixa de variação coberta pelos fatores estudados seja
pequena, fazendo com que o efeito sobre a resposta fique mascarado pela
extensão do erro experimental. Dessa forma adota-se como uma regra pratica
considerar a regressão como útil para fins de previsão se o valor, for pelo menos,
cerca de dez vezes o valor tabelado (Neto, Scarminio, & Bruns, 2010).
40
2.6 METODO DE DETERMINAÇÃO DE AÇÚCARES EM CEREAIS MATINAIS
Na descrição do método da (CPW), o açúcar é extraído a partir da amostra por
agitação com água. O material sólido é removido por filtração por gravidade. A
solução aquosa, que contém os açúcares dissolvidos, é diluída com acetonitrila. A
acetonitrila precipita amidos e proteínas, e fornece compatibilidade com a fase
móvel. A solução diluída é então injetada numa coluna de CLAE. Os grupos
funcionais polares dos açúcares criam vínculos com os sites NH2 no enchimento
da coluna, conforme eles viajam através da coluna. Em geral, os açúcares menores
(monossacarídeos) fluem mais rápido do que os açúcares de maior dimensão
(dissacarídeos e trissacarídeos), devido ao número de sítios polares sobre as
diferentes moléculas. A mudança no índice de refracção (IR) da fase móvel com
açúcares é monitorado pelo detector de IR e é apresentada como picos no sistema
de aquisição de dados. As alturas de pico da solução de amostra são comparadas
com as alturas de pico de uma solução padrão de açúcar para calcular a
concentração de açúcar no extrato diluído. Esta solução padrão contém os cinco
açúcares que podem estar presentes em uma amostra de cereal matinal. Dentre
eles frutose, glicose, sacarose, maltose e lactose.
41
3 METODOLOGIA
A desenvolvimento do experimento será realizado em duas etapas. Na primeira
etapa foram realizados ensaios, com replicadas, variando os parâmetros do
equipamento de CLAE de acordo com a matriz experimental adotada, parâmetros
estes que são fundamentais e determinantes na separação dos açúcares presentes
nas amostras de cereais. Estes ensaios serão realizados, a fim de fornecer dados
da variável resposta mais eficientes para a análise. Neste estudo, a abordagem do
processo mais eficiente entende-se como o processo mais rápido na obtenção de
resultados, ou seja, o ensaio que apresentar um menor tempo de retenção na
coluna cromatográfica durante a análise dos cinco açúcares utilizados no ensaio.
No equipamento de CLAE, foram testadas a variáveis, fluxo de fase móvel,
temperatura da coluna de separação e proporção volumétrica da fase móvel. Para
isto será aplicado um planejamento fatorial 23 em dois níveis para cada fator. Assim,
foi analisado o tempo de separação e resolução no cromatograma gerado no
software do equipamento de CLAE a partir dos ensaios realizados com a solução
padrão de açúcar, para o estudo que foi realizado com enfoque na redução de
tempo de análise.
Na segunda etapa os dados coletados foram analisados, através de ferramentas
estatísticas, e assim foram definidas as melhores condições de análise para
alcançar o fim maior deste projeto, que é otimizar o tempo de análise, de açúcar
em cereais matinais, por cromatografia liquida de alta performance. Utilizando-se o
software excel para obtenção de gráficos e modelos matemáticos a partir dos dados
coletados na primeira etapa do projeto. Analisando-se a influência das variáveis de
entrada sobre a resposta, assim como a influência da interação das entradas na
resposta. Os resultados obtidos ao final da nova configuração paramétrica foram
comparados com os resultados obtidos na configuração anterior ao projeto. Sendo
analisado o tempo de separação e resolução a partir do cromatograma gerado no
software do equipamento de CLAE.
42
Uma vez que antes do planejamento, já se tem condições dos parâmetros
estabelecidas que estão sendo utilizadas com os valores fixos e que as respostas
em seus valores médios são conhecidas. Neste momento, como saber se seria
possível melhorar o tempo de analise, escolhendo outros níveis para os fatores,
fluxo de fase móvel (x1), proporção volumétrica da fase móvel (x2) e temperatura
da coluna (x3)?
Conhecendo as condições habituais de funcionamento do processo e usando o
planejamento fatorial completo 23, tem-se como ponto inicial escolher as condições
que margeiam estas condições habituais.
Figura 3.1 Planejamento para três fatores. As bolas cinzas são a parte cúbica – os ensaios de um fatorial 23.
Esquema modificado de (Neto, Scarminio, & Bruns, 2010).
A partir deste momento, realizando uma análise sobre as respostas obtidas a partir
dos ensaios, cada fator e suas interações serão estudados, e utilizando-se do
ferramental estatístico, será possível estabelecer um modelo estatístico adequado
que represente a influência dos fatores sobre a resposta (tempo de análise em CLA-
IR).
43
4 RESULTADO E DISCUSSÃO
Como descrito na metodologia de preparo das soluções empregadas na análise
CLAE. A solução padrão de açúcar foi devidamente preparada com uma
concentração conhecida e suficientemente adequada aos níveis detecção prevista
em CLAE, como elucidado na Tabela 2.1. Segundo (SKOOG, HOLER, & NIEMAN
, 2009), o tempo de retenção de componentes analisados em CLAE está
relacionado, com diversos fatores entre eles a preparação de fase móvel, bem
como os outros fatores, entretanto como o foco está na execução da análise no
equipamento, as duas fases móvel foram preparadas seguindo o mesmo
procedimento a fim de não produzirem efeitos na variável resposta devido ao
preparo.
Uma vez aplicado o delineamento fatorial completo com três fatores em dois níveis
diferentes conforme tabela a seguir, torna-se possível estudar os efeitos dos fatores
e analisar se entre eles há interações. Os valores para cada variável em um
determinado nível estão expressos na Tabela 4.1.
A fim de simplificar na ilustração dos níveis das variáveis, os dois níveis, alto e baixo de cada variável foram codificados em com sinais (+) e (-) respectivamente.
Tabela 4.1 Matriz experimental fatorial proposta. Fonte: (Próprio autor, 2014)
Fatores (-) (+) F Fluxo Fase Móvel (ml/min) 1 2
P Proporção Fase Móvel
(v/v) 70/30 80/20 T Temperatura Coluna(°C) 25 35 Ensaio F P T Tempo (min) 1 - - - 2 + - - 3 - + - 4 + + - 5 - - + 6 + - + 7 - + + 8 + + +
44
Realizados os ensaios de forma aleatorizada, a partir do sorteio na ordem de
execução das condições estabelecidas, a fim de prevenir tendências na variável
resposta, e realizando cada ensaio em duplicata, chegou-se nos seguintes
resultados.
Os ensaios após sorteio foram realizados duplicata e a ordem de realização do
ensaio está entre parênteses representado na tabela a seguir.
Tabela 4.2 Resultados da matriz 23do experimento realizado.
Fatores (-) (+)
F Fluxo Fase Móvel
(ml/min) 1 2
P Proporção Fase Móvel
(v/v) 70/30 80/20
T Temperatura Coluna (°C) 25 35
Ensaio F P T Tempo (min) Média 1 - - - 10,444(4) 10,498(9) 10,471 2 + - - 5,552(10) 5,591(3) 5,572 3 - + - 28,134(1) 28,099(2) 28,117 4 + + - 14,129(13) 14,121(14) 14,125 5 - - + 9,132(11) 9,107(5) 9,120 6 + - + 4,638(6) 4,616(12) 4,627 7 - + + 21,912(8) 21,923(15) 21,918 8 + + + 11,941(16) 11,933(7) 11,937 Fonte: (Próprio autor, 2014)
Antes de iniciar a análise dos efeitos e influência dos fatores, foi realizada uma
verificação dos cromatogramas gerados em cada ensaio, afim de garantir que todos
ou pelo menos a maior parte dos ensaios sejam admissíveis do ponto de vista
quantitativo.
A resolução em cromatografia em coluna, é calculada a partir da distância que
separa os pontos máximos dos picos e da média das larguras de suas respectivas
bases. Assim a partir dos ensaios realizados foi possível verificar a resolução dos
picos gerados nos cromatogramas gerados pelo sistema de detecção do
45
equipamento de CLAE. A Tabela 4.3 foi construído com os níveis de resolução
entre os picos gerados durante a análise.
Foi evidenciado que todos os ensaios, com exceção do 2 e 5, apresentam níveis
aceitáveis para quantificação dos açúcares presentes na amostra de acordo com a
literatura, sendo que a maior parte dos mesmos apresentam resolução acima de
1,25.
Tabela 4. 3 Resolução no cormatograma dos ensaios .
Resolução
Ensaio Frutose-Glicose
Glicose-Sacarose
Sacarose-Maltose
Maltose-Lactose
1 1,03 1,42 2,11 1,08 2 0,53 1,29 1,22 0,96 3 1,12 3,24 2,55 1,97 4 1,31 3,55 2,59 1,95 5 0,89 1,98 1,34 1,00 6 1,10 1,82 1,54 1,06 7 1,51 4,55 3,41 2,27 8 1,70 5,53 2,01 1,89
Fonte: (Próprio autor, 2014)
A partir da Tabela 2.4 Coeficientes de contraste para um fatorial 23, é possível
construir a Tabela 4.4. Utilizando os conceitos descritos anteriormente para
determinação dos efeitos principais. Sendo os cálculos de um fator, nada mais do
que a diferença entre as médias em cada nível.
Uma vez que o efeito de uma variável de entrada depende do nível de outra
variável, pode-se dizer que as duas variáveis interagem, e podemos também
calcular o valor do efeito de interação entre elas. (Neto, Scarminio, & Bruns, 2010)
Além do mais, a partir dos resultados obtidos em duplicatas podemos neste
momento definir a estimativa da variância experimental e subsequentemente o erro
padrão que serão aplicados aos efeitos que irão compor o modelo estatístico. Para
isso foram utilizadas as equações (12), (13) e (14).
46
Tabela 4. 4 Efeitos calculados para o experimento realizado.
Média 13,236 ± 0,007
Efeitos principais: F Fluxo Fase Móvel (ml/min) -8,341 ± 0,015 P Proporção Fase Móvel (v/v) 11,577 ± 0,015 T Temperatura Coluna (°C) -2,671 ± 0,015
Interações de 2ª ordem: FP -3,645 ± 0,015 FT 1,105 ± 0,015 PT -1,523 ± 0,015
Interações de 3ª ordem:
FPT 0,901 ± 0,015 Fonte: (Próprio autor, 2014)
É possível observar a partir dos efeitos principais que os fatores que mais
influenciam na variável resposta, são proporção da fase móvel seguido do fluxo da
fase móvel. Temperatura da coluna e a interação de segunda ordem (FP), formam
uma parcela que ainda pode ser considerável na variável resposta, entretanto, as
respectivas interações de segunda ordem (FT) e (PT), bem como a interação de
terceira ordem (FPT) aparentemente não contribuem na resposta devido aos seus
baixos efeitos. Isso nos permite evidenciar que a temperatura pode ser interpretada
isoladamente, pois não há interação desse fator com os demais, ou seja, existe
uma alteração pouco significativa no resultado devido a ação da temperatura sobre
os fatores relacionados à fase móvel (Fluxo e proporção da fase móvel). Porém,
podemos avaliar os efeitos e assim determinar a melhor configuração para cada
efeito, uma vez que, os efeitos produzidos pelas variáveis (F) e (P) apresentam
uma grande diferença na variável resposta para determinados níveis de trabalho.
47
Gráfico 4.1 Análise das médias dos fatores nos níveis baixo e alto. Fonte: (Próprio autor, 2014)
Como o objetivo é reproduzir uma análise com baixo tempo possível, a partir do
Gráfico 4.1, podemos observas que a melhor condição dos fatores (F) e (T) estão
no nível alto e o fator (P) no nível baixo.
Tabela 4. 5 Melhor configuração para os fatores
Fatores Melhor Configuração F Fluxo Fase Móvel (ml/min) Nível Alto
P Proporção Fase Móvel (v/v) Nível Baixo T Temperatura Coluna (°C) Nível Alto Fonte: (Próprio autor, 2014)
Contudo, todas as resposta e predições expostas até o momento serão avaliadas
ao realizar o teste da ANOVA para confirmação dos prognósticos e verificação da
veracidade do modelo estatístico construído, em variáveis codificadas, a partir dos
resultados obtidos até este ponto.
Tendo a interação de 3ª ordem produzido um efeito baixo, sua utilização como parte
do erro experimental contribuirá na avaliação do modelo proposto e das
contribuições dos fatores e interações de 2ª ordem no modelo.
�(S� , S�, Sg) = 13,236 − 8,341S� + 11,557S� − 2,671Sg − 3,645S�S� + 1,105S�Sg − 1,523S�Sg + 0,901S�S�Sg
F; 17,41
F; 9,07P; 7,45
P; 19,02
T; 14,57
T; 11,90
7,00
9,00
11,00
13,00
15,00
17,00
19,00
-1 1
Tem
po
da
anál
ise
(min
)
48
Para a análise da ANOVA e verificação da regressão do modelo proposto
montamos a partir da Tabela 4.2 o Quadro 4.1, que mostra os resultados obtidos
para os 3 fatores tratados nos 8 experimentos em duplicata. A partir deste quadro
é possível extrair alguns dados necessários para os cálculos da ANOVA para os
fatores e suas interações.
F= + F= -
T= + T= - T= + T= -
P= + 11,941 14,129 21,912 28,134
11,933 14,121 21,923 28,099
P= - 4,638 5,552 9,132 10,444
4,616 5,591 9,107 10,498 Quadro 4. 1 Resultados dos experimentos expressos em minutos. Fonte: (Próprio autor, 2014)
Os quadros a seguir, serão utilizados para construção da ANOVA dos fatores e
suas interações do experimento a partir das equações apresentadas no Quadro 4.2
Resumo da formulação utilizada, onde f,p,t são os números de níveis dos fatores
respectivos fatores F,P,T e n são o número de réplicas aplicada ao experimento.
Neste experimento todos igual a 2.
Soma de todos os resultados ao Quadrado
] = X X X X ���g�%
Soma dos quadrados Total \]�a` = ] − �a`%
�. v. `. c
Soma dos quadrados do fator (F) \]� = ���.% + ���%% + ⋯ + ����%
v. `. c − �a`%�. v. `. c
Soma dos quadrados do fator (P) \]� = ���.% + ���%% + ⋯ + ����%
�. `. c − �a`%�. v. `. c
Soma dos quadrados do fator (T) \]� = �g�.% + �g�%% + ⋯ + �g�-%
�. v. c − �a`%�. v. `. c
Soma dos quadrados da interação (FP) \](��) = ����.% + ����%% + ⋯ + ������%
`. c − �a`%�. v. `. c − \]� − \]�
Soma dos quadrados da interação (FT) \](��) = ��g�.% + ��g�%% + ⋯ + ��g��-%
v. c − �a`%�. v. `. c − \]� − \]�
Soma dos quadrados da interação (PT) \]�(��) = ��g�.% + ��g�%% + ⋯ + ��g��-%
�. c − �a`%�. v. `. c − \]� − \]�
Soma dos quadrados da interação (FPT) \](���) = ���g�.% + ���g�%% + ⋯ + ���g���-%
c − �a`%�. v. `. c − \]� − \]�
− \]� − \](��) − \](��) − \](��) Quadro 4. 2 Resumo da formulação utilizada. (Neto, Scarminio, & Bruns, 2010)
49
Os quadros a seguir mostram as médias das duplicatas dos ensaios, ilustrados a cada nível codificado, das variáveis entrada e suas possíveis interações.
F= + F= -
T= + T= - T= + T= -
P= + 23,874 28,25 43,835 56,233 P= - 9,254 11,143 18,239 20,942
Quadro 4. 3 Soma dos resultados das réplicas do experimento. Fonte: (Próprio autor, 2014)
F= + F= - TP
P= + 52,124 100,068 152,192
P= - 20,397 39,181 59,578
TF 72,521 139,249 211,77 Quadro 4. 4 Soma dos resultados da combinação FP. Fonte: (Próprio autor, 2014)
T= + T= - TF F= + 33,128 39,393 72,521 F= - 62,074 77,175 139,249 TT 95,202 116,568 211,77
Quadro 4. 5 Soma dos resultados da combinação FT. Fonte: (Próprio autor, 2014).
T= + T= - TP
P= + 67,709 84,483 152,192
P= - 27,493 32,085 59,578
TT 95,202 116,568 211,77 Quadro 4. 6 Soma dos resultados da combinação PT. Fonte: (Próprio autor, 2014)
Uma vez que um modelo matemático de 1ª ordem apresenta um erro muito
pequeno, considerou-se para fins de cálculos que o efeito de menor magnitude
como parte do erro produzido pelo modelo. Dessa forma é possível analisar o
modelo com um pouco mais de fidelidade ao que acontece na realidade.
Estabelecido o nível e significância (α), igual a 0,05 (5%), determina-se o Fcritico ,
no ANEXO B, que relaciona os resultados da distribuição esperada para o
experimento. Para encontrar o valor de Fcritico para cada fonte de variação tomou-
se no número de graus de liberdade da fonte de variação como coluna da tabela,
50
(ANEXO B), e o número de graus de liberdade do erro como linha. A partir dos
quadros de resultados apresentados anteriormente foi possível calcular, com a
utilização do formulário apresentado anteriormente, o valor de Fcalc para cada fator
ou interação do experimento.
Assim foi possível avaliar e confirmar a inferência em relação às variáveis que
tomam parte importante para compor a resposta que compõem o modelo estatístico
proposto. Sendo realmente as interações (FT), (PT) e (FPT) desnecessárias na
composição do modelo, uma vez que o mesmo esta desprovido de ajustes para
torna-lo mais real.
Tabela 4. 6 ANOVA dos fatores e interações do experimento.
ANOVA
FONTE DE VARIAÇÃO
SOMA DOS QUADRADOS
GRAUS DE LIBERDADE
MÉDIA QUADRATICA
Fcalc.
F 278,289 1 278,289 77,1
P 536,085 1 536,085 148,6
T 28,532 1 28,532 7,9
FP 53,144 1 53,144 14,7
FT 4,880 1 4,880 1,4
PT 9,275 1 9,275 2,6
FPT 3,247 1 1 1 3,247 1
ERRO 0,004 3,251 8 9 0,36119 3,608
TOTAL 913,455 15 Fcritico (0,05;1;9)= 5,12 Fonte: (Próprio autor, 2014)
É possível concluir que a variável que mais contribui no tempo na análise por CLAE
é proporção de fase móvel seguida do fluxo da fase móvel. Com o objetivo de
chegar a uma configuração que possibilite uma análise em menor tempo, sem
produzir erros quanto a detecção dos analitos, no caso sobreposição de picos,
toma-se como condição propicia para o resultado esperado uma configuração em
que fase móvel seja injetada no sistema com fluxo de 2,0 ml/min e uma composição
de 70/30 de acetonitrila e água. A temperatura também pode ser mantida a 35° C,
melhor configuração para esta variável, mesmo não produzindo tanto efeito no
tempo de análise.
51
Realizada em duplicata os ensaios na condição acima obteve-se resultados de
4,255 e 4,320 min, muito parecidos com o predito pelo modelo e obtido nos ensaios
com diferenças de poucas dezenas de segundos em relação entre um e outro. Esta
condição se torna mais favorável do que a condição inicial, uma vez que, os tempos
médios das análises eram de 13,2 min, com uma configuração em que o sistema
operava com fluxo de 1,5 ml/min e uma composição de 75/25 de acetonitrila e água
e temperatura mantida a 30° C.
�(S� , S� , Sg) = 13,236 − 8,341S� + 11,557S� − 2,671Sg − 3,645S�S�
Para confirmar que o modelo estatístico está adequado ao experimento, ou seja,
se é possível fazer inferências a partir do mesmo, a ANOVA a seguir elucida uma
análise do modelo considerando somente as fontes de variação que foram julgadas
como componentes do modelo. Dessa forma foi possível notar que o coeficiente
regressão é igual a 0,98095 isto significa que 98,095% da variação total em torno
da média das observações é explicada pela regressão, o que torna o modelo
aceitável ao experimento.
Tabela 4. 7 ANOVA para a regressão do modelo estatístico.
FONTE DE VARIAÇÃO
SOMA DOS QUADRADOS
GRAUS DE LIBERDADE
MÉDIA QUADRATICA Fcalc.
F critico (0,05;5;10)
REGRESSÃO 896,049 3 298,683 205,9 F crit. = 3,33 Resíduo 17,405 12 1,450 TOTAL 913,455 15 R2 = 0,98095
Fonte: (Próprio autor, 2014)
Uma vez que para fins quantitativos a condição proposta é viável torna-se vantajoso
estabelecer esta condição como um ponto de melhoria na análise de
monitoramento de açúcares por cromatografia liquida de alta performance em
cereais matinais no laboratório no equipamento estudado.
52
5 CONCLUSÃO
A metodologia fatorial completo empregada na determinação das influencias dos
fatores estudados se mostrou aplicável frente as limitações de tempo e custo,
fatores que muitas vezes são limitantes na rotina de uma fábrica. Uma vez que para
sua execução não foram ocupadas mais do que 7 horas entre o início e finalização
dos ensaios do experimento. Conclui-se que, um experimento bem planejado e bem
interpretado após sua execução, o trabalho experimental passa a ser apenas uma
etapa que se bem realizada, pode proporcionar economia de tempo e dinheiro no
estudo de um processo a ser avaliado. Assim pode-se conhecer melhor a análise
de açúcares por CLAE e determinar sua condição de trabalho que ofereça uma
redução no tempo de análise e consequentemente tempo e custo de operação da
mesma.
53
6 OPORTUNIDADES
6.1 DELINEAMENTO CENTRAL COMPOSTO ROTACIONAL
Seguindo a metodologia de planejamento de experimentos. Uma oportunidade para
dar continuidade ao trabalho, seria a realização de um delineamento central
composto rotacional (DCCR). Uma vez que, o objetivo principal deste trabalho a
determinação, a partir das observações, da variável resposta (tempo de análise)
em função das modificações nas variáveis de entrada escolhidas (fluxo de fase
móvel, proporção da fase móvel e temperatura da coluna de separação) realizadas
durante a série de ensaios, poderíamos adicionar a estes ensaios mais alguns
ensaios a fim de fornecer uma análise mais encorpada sobre a relação entre as
variáveis de entrada e saída. Segundo (Neto, Scarminio, & Bruns, 2010), o DCCR
é um delineamento simétrico e de segunda ordem, e é constituído de duas partes:
um experimento preliminar fatorial 2k, com um número arbitrário de pontos centrais,
e a composição axial. Indicado a planejamentos com número pequeno de fatores
(geralmente 4). Aplicando-se DCCR, é possível analisar os efeitos dos fatores nas
respostas desejadas e determinação das condições ótimas, através da obtenção
dos modelos matemáticos de segunda ordem que representam o processo, e são
mais fiéis à variável respostas, em relação aos de primeira ordem, pois apresento
um ajuste melhor e com isso um menor desvio da realidade. Com isso é possível
construir superfícies de resposta e curvas de contorno que determinam regiões de
condições ótimas e não pontos específicos, ou seja, o analista tem regiões de
trabalho ótimas para cada fator, da mesma forma que o experimento preliminar,
mas com um melhor ajuste à realidade e com apenas alguns experimentos a mais.
54
6.2 IMPACTOS DO PROJETO
Apesar de não contemplado no escopo do projeto, não pode-se deixar de elucidar
os impactos positivos e/ou negativos oriundos do projeto. De uma forma
subentendida o processo de otimização de um processo gera por si só, uma
melhoria ou uma economia, seja ela financeira ou de recursos humanos, ou muitas
vezes ambas. Desta forma com a nova condição de operação do sistema de CLAE
obteve-se uma redução de 66% no tempo de análise a partir do momento que a
mesma é injetada no sistema isto representa uma economia de cerca de 38% no
tempo de obtenção do resultado, se considerar o equipamento fora da condição de
equilíbrio. Também representa uma redução no consumo de reagentes da fase
móvel e consequentemente uma redução na frequência de preparo da mesma,
disponibilizando um tempo útil ao analista.
É possível identificar diversos pontos prós que o projeto proporcionou com um baixo
investimento de recursos humanos e financeiro. Dessa forma fica a oportunidade
de realizar um levantamento dos custos envolvidos no projeto e o impacto gerado
pelo mesmo.
55
REFERÊNCIAS
ABIA, Associação Brasileira das Indústrias de Alimentos. (1990). Capitulo 3 Aditivos, Revisão nº 4.
BOX, G. E., HUNTER, J. H., & HUNTER, W. G. (1976). Statistics for experimenters: Design, Innovation, and Discovery. New Jersey: WILEY INTERSCIENCE.
BOX, G., HUNTER, W., & HUNTER, J. (1978). Statistics for Experimenters: An introduction to design, data analysis, and model building. New York: Wiley.
CALEGARE, Á. J. (2009). Introdução ao delineamento de experimentos. SÃO PAULO: ed. EDGARD BLUCHER.
César, I. C., & Pianetti, G. A. (abr./jun. de 2009). Robustness evaluation of the chromatographic method for the quantitation of lumefantrine using Youden’s test. Brazilian Journal of Pharmaceutical Sciences, vol. 45, n. 2.
Dean, A., & Voss, D. (1999). Design and analysis of experiments. New York, NY: Springer.
Estatcamp. (s.d.). Regressão linear multipla. Disponivel em: <http://www.portalaction.com.br/content/24-an%C3%A1lise-de-vari%C3%A2ncia> Acesso em: 15/05/2014.
GMI, GENERAL MILLS, INC. (2011). SUGAR IN RTE CEREALS BY HIGH PERFORMANCE LIQUID CHROMATOGRAPHY.
Hines, W., Montgomery, D., Goldsman, D., & Borror, C. (2006). Probabilidade e Estatística na Engenharia. 4ª edição. Rio de Janeiro: LTC.
56
Leardi, R. (2009). Experimental design in chemistry: A tutorial. Analytica Chimica Acta, 161-172.
MONTGOMERY, D. (1976). Design and analysis of experiments. 1ª edição. Nova Iorque: Wiley.
Neto, B., Scarminio, I., & Bruns, R. E. (2010). Como fazer experimentos: pesquisa e desenvolvimento na ciência e na indústria. Porto Alegre: Bookman.
Sales Fontes Jardim, I. C., H. Collins, C., & Lopes Guimarães, L. F. (2006). Cromatografia líquida de alta eficiência. Em C. H. Collins, G. L. Braga, & P. S. Bonato, Fundamentos de cromatografia (pp. 274-275-276-289). Campinas, SP: Editora Unicamp.
SKOOG, K., HOLER, F., & NIEMAN , T. (2009). Cromatografia líquida de alta eficiência. Princípios de análise instrumental. 6.ed. Porto Alegre: Bookman.
WERKEMA, M., & AGUIAR, S. (1996). Planejamento e análise de experimentos: como identificar as principais variáveis influentes em um processo. Belo Horizonte: Ufmg.
57
ANEXOS
ANEXO A – TABELA DISTRIBUIÇÃO F, α=0,1. gl Graus de liberdade no numerador
denom. 1 2 3 4 5 6 7 8 9 10
1 39,86 49,50 53,59 55,83 57,24 58,20 58,91 59,44 59,86 60,19
2 8,53 9,00 9,16 9,24 9,29 9,33 9,35 9,37 9,38 9,39
3 5,54 5,46 5,39 5,34 5,31 5,28 5,27 5,25 5,24 5,23
4 4,54 4,32 4,19 4,11 4,05 4,01 3,98 3,95 3,94 3,92
5 4,06 3,78 3,62 3,52 3,45 3,40 3,37 3,34 3,32 3,30
6 3,78 3,46 3,29 3,18 3,11 3,05 3,01 2,98 2,96 2,94
7 3,59 3,26 3,07 2,96 2,88 2,83 2,78 2,75 2,72 2,70
8 3,46 3,11 2,92 2,81 2,73 2,67 2,62 2,59 2,56 2,54
9 3,36 3,01 2,81 2,69 2,61 2,55 2,51 2,47 2,44 2,42
10 3,29 2,92 2,73 2,61 2,52 2,46 2,41 2,38 2,35 2,32
11 3,23 2,86 2,66 2,54 2,45 2,39 2,34 2,30 2,27 2,25
12 3,18 2,81 2,61 2,48 2,39 2,33 2,28 2,24 2,21 2,19
13 3,14 2,76 2,56 2,43 2,35 2,28 2,23 2,20 2,16 2,14
14 3,10 2,73 2,52 2,39 2,31 2,24 2,19 2,15 2,12 2,10
15 3,07 2,70 2,49 2,36 2,27 2,21 2,16 2,12 2,09 2,06
16 3,05 2,67 2,46 2,33 2,24 2,18 2,13 2,09 2,06 2,03
17 3,03 2,64 2,44 2,31 2,22 2,15 2,10 2,06 2,03 2,00
18 3,01 2,62 2,42 2,29 2,20 2,13 2,08 2,04 2,00 1,98
19 2,99 2,61 2,40 2,27 2,18 2,11 2,06 2,02 1,98 1,96
20 2,97 2,59 2,38 2,25 2,16 2,09 2,04 2,00 1,96 1,94
21 2,96 2,57 2,36 2,23 2,14 2,08 2,02 1,98 1,95 1,92
22 2,95 2,56 2,35 2,22 2,13 2,06 2,01 1,97 1,93 1,90
23 2,94 2,55 2,34 2,21 2,11 2,05 1,99 1,95 1,92 1,89
24 2,93 2,54 2,33 2,19 2,10 2,04 1,98 1,94 1,91 1,88
25 2,92 2,53 2,32 2,18 2,09 2,02 1,97 1,93 1,89 1,87
26 2,91 2,52 2,31 2,17 2,08 2,01 1,96 1,92 1,88 1,86
27 2,90 2,51 2,30 2,17 2,07 2,00 1,95 1,91 1,87 1,85
28 2,89 2,50 2,29 2,16 2,06 2,00 1,94 1,90 1,87 1,84
29 2,89 2,50 2,28 2,15 2,06 1,99 1,93 1,89 1,86 1,83
30 2,88 2,49 2,28 2,14 2,05 1,98 1,93 1,88 1,85 1,82
35 2,85 2,46 2,25 2,11 2,02 1,95 1,90 1,85 1,82 1,79
40 2,84 2,44 2,23 2,09 2,00 1,93 1,87 1,83 1,79 1,76
45 2,82 2,42 2,21 2,07 1,98 1,91 1,85 1,81 1,77 1,74
50 2,81 2,41 2,20 2,06 1,97 1,90 1,84 1,80 1,76 1,73
100 2,76 2,36 2,14 2,00 1,91 1,83 1,78 1,73 1,69 1,66
Fonte: (BOX, HUNTER, & HUNTER, 1978).
58
ANEXO B – TABELA DISTRIBUIÇÃO F, α=0,05. gl graus de liberdade no numerador
denom. 1 2 3 4 5 6 7 8 9 10
1 161,45 199,50 215,71 224,58 230,16 233,99 236,77 238,88 240,54 241,88
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40
3 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37 2,32
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,32 2,27
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,25 2,20
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19
29 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,22 2,18
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16
35 4,12 3,27 2,87 2,64 2,49 2,37 2,29 2,22 2,16 2,11
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08
45 4,06 3,20 2,81 2,58 2,42 2,31 2,22 2,15 2,10 2,05
50 4,03 3,18 2,79 2,56 2,40 2,29 2,20 2,13 2,07 2,03
100 3,94 3,09 2,70 2,46 2,31 2,19 2,10 2,03 1,97 1,93
Fonte: (BOX, HUNTER, & HUNTER, 1978).
59
ANEXO C – TABELA DISTRIBUIÇÃO F, α=0,01. gl graus de liberdade no numerador
denom. 1 2 3 4 5 6 7 8 9 10
1 4052,2 4999,3 5403,5 5624,3 5764,0 5859,0 5928,3 5981,0 6022,4 6055,9
2 98,50 99,00 99,16 99,25 99,30 99,33 99,36 99,38 99,39 99,40
3 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,34 27,23
4 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,66 14,55
5 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05
6 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87
7 12,25 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72 6,62
8 11,26 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91 5,81
9 10,56 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35 5,26
10 10,04 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,94 4,85
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,63 4,54
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,39 4,30
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 4,19 4,10
14 8,86 6,51 5,56 5,04 4,69 4,46 4,28 4,14 4,03 3,94
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69
17 8,40 6,11 5,19 4,67 4,34 4,10 3,93 3,79 3,68 3,59
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,60 3,51
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46 3,37
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,40 3,31
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,30 3,21
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26 3,17
25 7,77 5,57 4,68 4,18 3,85 3,63 3,46 3,32 3,22 3,13
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,18 3,09
27 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 3,15 3,06
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 3,12 3,03
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 3,09 3,00
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07 2,98
35 7,42 5,27 4,40 3,91 3,59 3,37 3,20 3,07 2,96 2,88
40 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,89 2,80
45 7,23 5,11 4,25 3,77 3,45 3,23 3,07 2,94 2,83 2,74
50 7,17 5,06 4,20 3,72 3,41 3,19 3,02 2,89 2,78 2,70
100 6,90 4,82 3,98 3,51 3,21 2,99 2,82 2,69 2,59 2,50
Fonte: (BOX, HUNTER, & HUNTER, 1978).