Apresentacao Minicurso 4-Estatstica PDF

Mini Curso # 4:
Estatística para Bioquímica e

Biotecnologia
Ministrado por:
Dr. Marcelo Caldeira Viegas
marcelo.viegas@unopar.br
Estatística para Bioquímica e Biotecnologia
CONSIDERAÇÕES INICIAIS
A competitividade e o alto custo tornam,

a cada momento, mais difícil pensar em
desenvolvimento de produtos e processos
sem agregar uma metodologia científica de
trabalho.
ALIMENTOS QUíMICA
PETROQUíMICA
Algumas
áreas de
aplicações
FARMACÉUTICA
...... BIOTECNOLOGIA
ENGENHARIA
Limitações da Estatística:
1o) Toda a informação está contida nos dados. A conclusão, no
máximo, terá a qualidade dos dados que a geraram. Se os
dados forem iniciados ou coletados inadequadamente,
qualquer conclusão que deles advenham está
comprometida.
“A estatística não serve para corrigir erros grosseiros ou técnica

defeituosa”
2o) A Estatística apenas auxilia o pesquisador, mas não dispensa
o espírito científico crítico e cético, nem o conhecimento
profundo do processo em estudo.
Teste de Hipóteses
Teste de Hipóteses
Regra de decisão estatística que permite,

com base em informações contidas nos
dados amostrais, concluir sobre
parâmetros da população (Estatística
Inferencial).
Hipótese Estatística
É uma suposição sobre algum parâmetro

da população, que será posta à prova
através do teste de hipóteses.
Consideram-se, sempre, duas hipóteses:
H0 e H1, denominadas, respectivamente,
hipótese nula e hipótese alternativa.
Hipótese Nula (H0)
H0 é a hipótese que está sendo colocada à

prova (exemplo: o pH médio da população
alvo é igual a 5,0).
Hipótese Alternativa (H1)
H1 é a hipótese que será aceita, se for

rejeitada no teste.
Exemplos:
H1: O pH médio da população alvo é diferente de 5,0  Teste bilateral

H1: μ5,0
H1 : O pH médio da população alvo é menor que 5,0  Teste unilateral à

esquerda
H1: μ<5,0
H1 : O pH médio da população alvo é maior que 5,0  Teste unilateral à

direita
H1: μ>5,0
Teste de Hipóteses
Escolha do Tipo de Distribuição Amostral
Distribuição Normal ou t-Student ?
- Distribuição Normal (Teste Z)

Se n>30
Se n<30 e o desvio padrão populacional () for conhecido
- Distribuição t-Student (Teste t)

Se n<30 e o desvio padrão populacional () for desconhecido
Teste de Hipóteses - Valores

Críticos(Tabelados):
 Distribuição Normal (Teste Z)
Se o nível de confiança for de 90%, Zcrit=±1,65
 Distribuição t-Student (Teste t)

O valor de tcrit depende do tamanho da amostra (n).
Anexo 1
Testes de Hipóteses
Mecanismo dos erros
Como o teste de hipóteses é baseado em amostras

aleatórias, há sempre algum risco de erro.
É importante lembrar que uma outra amostra

retirada poderia fornecer valores diferentes daquela
utilizada na realização do teste.
Erro do tipo I ou de primeira espécie: rejeitar H0, quando

H0 é verdadeira.
A probabilidade de cometermos um erro do tipo I,

também conhecida como nível de significância do teste, é
denotada por α e escolhida a priori pelo pesquisador.
Em geral, o nível de significância α = 0,05 (5%) é muito
bem aceito pela comunidade científica.
α = P (erro tipo I) = P (rejeitar H0, quando H0 é

verdadeira).
Teste de Hipóteses
O nível de confiança, 1 - α, varia de acordo com o
interesse e a exigência do pesquisador, devendo ser
fixado a priori.
Um valor bem aceito universalmente é 1 - α = 0,95

ou, em termos de porcentagens, (1 - α)% = 95% e
será aqui adotado.
Erro do tipo II ou de segunda espécie: não rejeitar H0,

quando H0 é falsa.
A probabilidade de cometermos um erro do tipo II é

denotada por β.
β = P (erro tipo II) = P (não rejeitar H0, quando H0 é

falsa).
Mecanismo dos erros num teste estatístico

Resultado do Teste Estatístico
Realidade na
População
Aceita H0 Rejeita-se H0
Resultado correto:
H0 é verdadeira Erro do Tipo I
não há erro
Resultado correto:
H0 é falsa Erro do Tipo II
não há erro
Testes de hipóteses
Regra dos 4 passos
a. Enunciar claramente as hipóteses H0: μ = μ0 e H1: μ  μ0;
b. Fixar o nível de significância α e determinar as regiões críticas

do teste: de aceitação (RA) e de rejeição (RR) de H0, definidas
pelo valor tabelado de t(n-1; α/2). Em geral α = 0,05 (5%);
x  0
c. Calcular o valor da estatística do teste tCalc 
s
n
d. Decisão Estatística: Comparar o valor calculado (item c) com o
valor que delimita as regiões críticas (item b). Dependendo do
resultado a hipótese nula (H0) será aceita ou rejeitada.
Regiões Críticas
São as regiões de aceitação de H0, que denotaremos RA H0, e de
rejeição de H0, que denotaremos RR H0.
Teste bilateral: Se -t(n-1; α/2) < tCalc < t(n-1; α/2) , aceita H0, ou
equivalentemente, através do p-valor, rejeita-se H0 se p-valor  α.
Figura 01: Esboço de um teste bilateral, para a média de uma população

normal, H1: μ μ0
Regiões Críticas
Teste Unilateral a Direita: Aceita H0, quando tCalc <
tTab ou, equivalentemente, quando p – valor > α =
0,05 (95% de confiança).
2 R A Ho : 1 - alfa = 0,95 p - valor > 0,05
R R Ho : alfa = 0,05
0
-6 -4 -2 0
0 2 tCalc tTab 6
Figura 02: Esboço de um teste unilateral para a média de uma população

normal, H1 : μ > μ0. p-valor > .
Regiões Críticas
Teste Unilateral a Direita: Rejeita-se H0,
quando tCalc  tTab ou, equivalentemente, quando
p – valor  α = 0,05 (95% de confiança).
2 R A Ho : 1 - alfa = 0,95 R R Ho : alfa = 0,05
p - valor < 0,05
0
-6 -4 -2 0
0 2 tTab 4 tCalc 6
Figura 03: Esboço de um teste unilateral a direita para a média de uma

população normal, H1 : μ > μ0. P-valor< 
Planejamento Experimental
Design of Experiments (DOE)
e
Otimização de Processos
Livro Texto:
“Planejamento de Experimentos e Otimização de Processos”
autores: M. Isabel Rodrigues e Antonio Francisco Iemma,
Campinas, 2ª. edição, 2009
NOÇÕES SOBRE EXPERIMENTOS FATORIAIS
Os Planejamentos Experimentais Fatoriais se

baseiam na Estatística, mas a atividade estatística
mais importante não é a análise dos dados , e sim o
planejamento dos experimentos em que esses
dados devem ser obtidos.
Para se atingir os objetivos desejados utilizando-se esta

ferramenta estatística e necessário uma interação entre:
PROCESSO ESTATÍSTICA
BOM SENSO
“Em diversas situações, é imediato estabelecer

conclusões a partir de um experimento bem planejado,
empregando apenas técnicas de análise bastante
elementares. Por outro lado, mesmo a análise
estatística mais sofisticada não pode salvar um
experimento que tenha sido mal planejado”.
(Box, Hunter & Hunter)

Porque aprender Planejamento de Experimentos?

Desenvolvimento de um novo produto e/ou processo
Melhorar o produto que já está no mercado
Conhecer o efeito das variáveis do processo
Melhorar metodologias analíticas
Otimização do processo
Redução de custos
“O sucesso de um planejamento de experimentos

dependerá em grande parte da forma com que este é
estruturado e como será realizado. Entender
claramente quais são os objetivos de realizar um
experimento é necessário antes de qualquer ação
para executá-lo.”
Montgomery (2009)
Vantagens do Planejamento Experimental:
 Reduz o número de experimentos, com melhor qualidade de

informação nos resultados;
 É possível detectar o erro experimental e avaliá-lo;
 A análise multivariável permite verificar e quantificar efeitos

sinérgicos e antagônicos entre as variáveis estudadas;
 É possível otimizar mais de uma resposta ao mesmo tempo;

Roteiro para elaboração de um planejamento de experimentos:
a) Análise do processo;
b) Escolha dos fatores (variáveis independentes) e dos níveis que
serão avaliados;
c) Seleção das variáveis resposta;
d) Escolha do planejamento experimental mais adequado;
e) Realização dos ensaios conforme indicado pelo delineamento
experimental (item d);
f) Análise dos dados (Modelo Obtido , ANOVA, Superfície de
Respostas e Curvas de Contorno);
g) Conclusões e Recomendações;
Variáveis Independentes:
Fatores a serem estudados ou avaliados num processo (que
podem ser controladas)
Ex.: Formulação, temperatura, pH, agitação, aeração, tempo
de residência, vazão de alimentação, pressão, etc...
Variáveis Dependentes:
Respostas desejadas (determinadas experimentalmente)
Ex.: Rendimento, produtividade, índice de expansão,
atributos sensoriais, fator de pureza, atividade
enzimática, etc...
R1,2,...j = f (F1, F2, ..... Fk)
Estabelecer uma função matemática que correlacione as

variáveis estudadas em função da(s) resposta(s)
determinada(s).
Tabela 01: Nº. de ensaios experimentais de alguns delineamentos

fatoriais completos
Fatores
Níveis K=2 K=3 K=6 K
2 22=4 23=8 26=64 2k
3 32=9 33=27 36=729 3k
..... ..... ..... ..... .....
N N2 N3 N6 NK
Como pode ser visto pela Tabela 01, o nº. de ensaios cresce
exponencialmente, praticamente inviabilizando a utilização de
delineamentos completos para 6 ou mais fatores com dois níveis e para 4
ou mais fatores com 3 níveis.
Comparação entre o planejamento

fatorial versus estudo de um fator
por vez.
Estudo de caso em bioprocessos

Estudo de Caso:
AVALIAÇÃO DO EFEITO DO pH e
TEMPERATURA NA ATIVIDADE DE
UMA ENZIMA
Augusto, A C.S.; Costa, F.A.A. e Rodrigues, M.I.
Laboratório de Engenharia de Bioprocessos
FEA – UNICAMP, 2002
a) Estudo de uma variável por vez (10 ensaios):

Ensaios a 40oC a Ensaios a pH 4,0 e diferentes
diferentes valores de pH valores de temperatura
Atividade Temperatura Atividade

pH
(U/mL) (oC) (U/mL)
3,0 251 30 158
4,0 274 40 292
5,0 236 50 393
6,0 149 60 456
7,0 53 70 215
300
250
Atividade enzimática em
Atividade (U/mL)
200
função
150
100
50
2,5 3,5 4,5 5,5 6,5 7,5
pH
500
(a) pH (temperatura de 40o C)

400
Atividade (U/mL) 300
200
100
25 35 45 55 65 75
o
Temperatura ( C)
(b) da temperatura (pH igual a 4,0)

b) Estudo Fatorial (25 ensaios):

T=30oC T=40oC T=50oC T=60oC T=70oC
pH Ativ. pH Ativ. pH Ativ. pH Ativ. pH Ativ.

(U/mL) (U/mL) (U/mL) (U/mL) (U/mL)
3 162 3 277 3 295 3 61 3 34
4 158 4 287 4 384 4 504 4 409
5 122 5 267 5 346 5 425 5 361
6 68 6 159 6 218 6 253 6 30
7 25 7 51 7 53 7 26 7 3
Comportamento da atividade enzimática em diferentes pH e

temperaturas (o C)
600
500
Atividade (U/mL)
400
300
200
30
40
100
50
60
0
2,5 3,5 4,5 5,5 6,5 7,5 70
pH
Delineamento Experimental
Fatorial 2K (dois níveis)

Experimentos com Delineamento Fatorial 2K
 Os delineamentos com esquema fatorial 2K, ocorrem

quando temos K fatores, todos com dois níveis (-1 e +1).
 Delineamentos deste tipo são muito utilizados em
laboratórios e locais onde as fontes externas de variação
são, geralmente muito bem controladas.
 Eles apresentam uma vantagem incontestável: fornecem o
maior número possível de graus de liberdade para o
resíduo (erro).
a.1) Delineamento Fatorial 2K com repetições (replicatas genuínas) :

Suponha um experimento para estudar a atividade enzimática em função do pH
(fator A) e da temperatura (fator B), ambos avaliados em dois níveis que
denominaremos apenas de baixo (-1) e alto (+1), realizados em triplicata (três
repetições), conforme descrito na Tabela 02.
Tabela 02: Atividades Enzimáticas (U/mL), segundo o pH e a temperatura

Fatores Repetições Ativ.
Ensaios pH (A) Temp. (B) Tratamentos 1 2 3 Totais Enzim.
(Média)
1 3 (-1) 30 (-1) 1 218 212 170 600 200

2 7 (+1) 30 (-1) a 67 73 76 216 72
3 3 (-1) 70 (+1) b 402 399 411 1212 404
4 7 (+1) 70 (+1) ab 222 258 270 750 250
Uma descrição esquemática dos resultados desse experimento pode ser

visualizado na Figura 04.
Figura 04: Representação Esquemática dos Resultados Obtidos

a.1.1) Delineamento Fatorial 2K com repetições (Cálculo dos Efeitos

Principais dos Fatores e da Interação sobre as Respostas) - 
O efeito principal de um fator ”A” pode ser entendido como a variação

causada na resposta, quando percorremos todos os níveis de ”A”,
independente dos demais fatores.
No exemplo em questão podemos estimar o efeito principal do pH como a
diferença entre as atividades enzimáticas médias no nível alto e o nível
baixo do pH. Considerando a Figura 04, podemos obter:
 a  ab (1)  b A passagem do pH do
pH  A  y pH   y pH  
Figura
 nível (-1) para (+1), levou
2 2 uma diminuição de
 141,00 U/mL na média da
pH  A  y pH   y pH   161,00  302,00  141,00 
Figura
atividade enzimática.

De modo análogo, para o efeito principal da temperatura (fator B):
b  ab (1)  a
 Bˆ  yT   yT  
Temp. Figura  A passagem da Temp.
2 2
do nível (-1) para (+1),
levou uma acréscimo de
 Bˆ  yT   yT   327,00  136,00  191,00 
Temp. Figura 190,00 U/mL na média
da atividade enzimática.

Neste modelo simples, temos apenas uma interação de primeira ordem,

isto é, uma interação entre os níveis de dois fatores. A estimativa do efeito
da interação pode ser obtida através da Figura 04 como a diferença entre
as médias determinadas pelas diagonais principal e secundária.
ab  1 a  b 1  a  b  ab
pH x Temp. Figura
 AB   
2 2 2 Efeito de Interação
entre os fatores pH e
200  72  404  250 Temperatura.
 ABˆ 
pH x Temp. Figura  13 
2
a.1.2) Ajuste do Modelo
O modelo linear em relação aos parâmetros estudados é

dado pela equação:
yijr  0  1 x1 j   2 x2 j  12 x1 j .x2 j
Onde: x1 e x2 são as variáveis independentes.

a.1.2) Ajuste do Modelo

Os parâmetros 0, 1, 2 e 12 do modelo de regressão, que serão
estimados através do método dos mínimos quadrados.
Para fins práticos, a estimativas de 0 é a média geral das respostas:

0  y 
161  302  327  136
 231,50
4
As estimativas dos demais parâmetros são iguais às metades das
estimativas dos efeitos correspondentes:

 A  141,00
1    70,50
2 2
 Assim, o modelo ajustado é:
 B 191 
2    95,50 yijr  231,50  70,50 pH  95,5Temp  6,50 pH *Temp.
2 2

 AB  13
12    6,50
2 2
a.1.3) Análise de Variância (Contrastes e Soma dos Quadrados)

As somas dos quadrados podem ser obtidas elevando-se ao quadrado a
estimativa do contraste e, dividindo-se o resultado pelo produto entre a
soma de quadrados dos coeficientes do contraste e o número de
repetições (Tabela 03).
Tabela 03: Atividades Enzimáticas (U/mL), Contrastes Totais

(Considerando Repetições)
Contrastes Totais Valor dos Soma dos
Contrastes Quadrados do
Coeficiente
 216+750-600-1212 -846 4
A  a  ab  (1)  b
 1212+750-600-216 1146 4
B  b  ab  (1)  a

AB  ab  (1)  a  b 750+600-216-1212 -78 4
a.1.4) Análise de Variância (ANOVA)

Assim, com base na Tabela 03, calcula-se diretamente:
SQ(A)  SQ(pH) 
A
 2

 846
2
 59643,00
4r 4*3
SQ(B)  SQ(Temp) 
B
2


1146
2
 109443,00
4r 4*3
SQ(AB)  SQ(pH x Temp.) 

AB
2
 

 78
2
 507 ,00
4r 4*3
A Soma Quadrática (SQ) Total Corrigida e a SQ Resíduo são calculadas

conforme segue:
SQTc   yijr2  ny 2  815436,00  12 * (231,50) 2  172329,00

ijr
SQ Re s  SQTc  SQ A  SQB   SQ AB   2736,00

a.1.4) Delineamento Fatorial 2K com repetições (Análise de Variância -

ANOVA) Anexo 2
A Tabela 04 apresenta a análise de variância (ANOVA) calculados anteriormente.
Tabela 04: ANOVA - Atividades Enzimáticas (U/mL) Ftab(1,8 ; 95%)= 5,32

Fonte de Soma dos Graus de Média dos Fcal Hipóteses
Variação Quadrados Liberdade Quadrados
(SQ) (MQ)
pH (A) 59643,00 1 59643,00 174,39 H0: 1=0
(rejeitada)
Temp. (B) 109443,00 1 109443,00 320,01 H0: 2=0
(rejeitada)
pH x Temp. 507,00 1 507,00 1,48 H0: 12=0
(AB) (aceita)
Resíduo 2736,00 (n-p) 8 342,00 R2=98,41%
Total n: nº. total de ensaios; p: nº. de
172329,00 (n-1) 11 -
parâmetros do modelo
 Variação E xplicada p elo Modelo   59643  109443  507 

R 2%  100*   100   98,41%
 Variação T otal   172329 
a.1.4) Análise de Variância (Interpretação)

Observa-se pela Tabela 04 que o efeito de interação pH x
temperatura não foi significativo (Ftab < Fcal) e que os efeitos
principais de pH e da temperatura foram altamente
significativos. Em outras palavras, se aceita a hipótese H0:
12=0 (aceita).
Se, e apenas se, o efeito de interação não for significativo

poderemos interpretar isoladamente cada efeito principal.
a.1.5) Delineamento Fatorial 2K com repetições (Estimativas das

Variâncias e Erro Padrão – Efeitos)
A estimativa das variâncias para as variáveis codificadas é dada pela
equação abaixo:
ˆ  
Var ( A)  Var y pH   y pH  
QM Re s 342
  114,00
r 3
Assim, uma estimativa do erro padrão da estimativa do fator A (pH), é
dado por:

ep Aˆ  114,00  10,68
a.1.5) Delineamento Fatorial 2K com repetições (Estimativas das

Variâncias e Erro Padrão – Efeitos)
De modo análogo podem ser obtidas as estimativas dos erros padrões

das estimativas de B (temperatura) e de AB (interação), conforme valores
apresentados na Tabela 05.
Para a constante (média), temos:

QM Re s 342,00
Var ( y )    28,50
n 12
ep  y   28,50  5,34
a.1.6) Delineamento Fatorial 2K com repetições (t calculado e

Intervalo de Confiança – Efeitos)
Os valores de tcalc são obtidos pela equação abaixo:


tcalc 
ep  

Então, para a média, o pH, a temperatura e a interação temos,

respectivamente:

y 231,50 A - 141,00
t calc    43,36; t calc     -13,21
epy  5,34  
ep A 10,68
 
B 191,00 AB - 13,00
    17,89 ; t calc     -1,22
t calc

ep B 10,68  
ep AB 10,68
a.1.6) Delineamento Fatorial 2K com repetições (t calculado e

Intervalo de Confiança – Efeitos)
Para a estimativa do intervalo de confiança, aplica-se a equação abaixo:

ttab(8 g.l. ; 95%)= 2,31 Anexo 1
IC θ 95%


 θ  t8;95% ep θ
IC  y 95%  231,50  2 ,31.5,34   231,50  12 ,33

IC  pH 95%  141,00  2 ,31.10 ,68  141,00  24 ,67
IC Temp.95%  191,00  2 ,31.10 ,68  191,00  24 ,67
IC  pHxTemp.95%  13,00  2 ,31.10 ,68  13,00  24 ,67
a.1.6) t calculado e Intervalo de Confiança – Estimativa dos Efeitos

A Tabela 05 apresenta o erro padrão, tcalc e os limites de confiança dos
efeitos de cada fator calculados anteriormente.
Tabela 05: Erro padrão e limites de confiança dos Efeitos

Fatores Efeitos Erro tcalc Limite Limite
Padrão Inferior Superior
(95%) (95%)
Média 231,50 5,34 43,36 219,19 243,81
pH -141,00 10,68 -13,21 -165,62 -116,38
Temperatura 191,00 10,68 17,89 166,38 215,62
pH x Temp. -13,00 10,68 -1,22 -37,62 11,62

ttab(8 g.l. ; 95%)= 2,31
a.1.7) Delineamento Fatorial 2K com repetições - Diagrama de Pareto
Pelos dados da tabela 05 pode-se notar que o único valor de tcalc que
pertence à região de aceitação de H0 é aquele relativo à interação. Tais
resultados podem ser descritos no Diagrama de Pareto.
Os valores absolutos de tcalc, também denominados efeitos
padronizados, fornecem as alturas das barras que por sua vez são
dispostas de modo decrescente.
O valor de ttab (2,31) completa o diagrama fornecendo o valor a partir do

qual os efeitos são significativos, como pode ser visto na Figura 04.
a.1.7) Delineamento Fatorial 2K com repetições - Diagrama de Pareto

Pareto Chart of Standardized Effects; Variable: Atividade Enzimática (U/mL)
2**(2-0) design; MS Pure Error=342,
DV: Atividade Enzimática (U/mL)
(2)Temp. (ºC) 17,88879
(1)pH -13,2059
1by2 -1,21756
p=,05
Standardized Effect Estimate (Absolute Value)
Figura 04: Diagrama de Pareto

a.1.8) Delineamento Fatorial 2K com repetições (Valores preditos pelo

modelo)
Observed vs. Predicted Values
450
400
350
300
Predicted Values
250
200
150
100
50
0
0 50 100 150 200 250 300 350 400 450
Observed Values
Figura 05: Valores Preditos versus Observados

a.1.9) Delineamento Fatorial 2K com repetições -

Superfície de Respostas e Curvas de Contorno
A descrição gráfica do modelo ajustado anteriormente é

conhecida como superfície de repostas (Figura 06), bem
como a projeção de seus cortes sobre o plano dos fatores
gerando as curvas de contorno (Figura 07), é muito útil na
interpretação dos resultados e na otimização do processo em
questão.
Experimentos Fatoriais
a.1.9) Delineamento Fatorial 2K com repetições - Superfície de
Respostas e Curvas de Contorno
Fitted Surface; Variable: Atividade Enzimática (U/mL)
500
Atividade Enzimátic
4 00
300
200
100
a (U/mL)
75
70 7
65 7 ,5
60 6,5 ,0
Te 55 6
5 ,0
mp 50 5,0 ,5
. (º 45 4
C) 40 4 ,5
35 3,5 ,0 pH
3 0 2 3,0 > 400
2 5 ,5
< 340
< 240
< 140
< 40
z=128;375-27;125*x+5;5875*y-;1625*x*y+0;
Figura 06: Superfície de Resposta

Experimentos Fatoriais
75
70
65
60
Temp. (ºC)
55
50
45
40 > 400
< 390
35 < 340
< 290
30 < 240
25 < 190
2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0 6,5 7,0 7,5 < 140
< 90
pH < 40
z=128;375-27;125*x+5;5875*y-;1625*x*y+0;
Figura 07: Curvas de Contorno


Pelas Figuras 06 e 07 observa-se que nos intervalos estudados, as

maiores atividades enzimáticas ocorreram para níveis baixos de pH e
altos níveis de temperatura.
 Condições Otimizadas:
 pH: 2,5 ~4,5
 Temp.: 50 ~ 75ºC
a.2) Delineamento Fatorial 2K sem repetições:

Para apresentar os conceitos que serão expostos neste item, estaremos
supondo que no exemplo anterior o pesquisador tenha feito o experimento
apenas uma única vez, ou registrado apenas as médias das observações.
Neste contexto temos apenas quatro respostas conforme apresentado na
Tabela 06.
Tabela 06: Atividades Enzimáticas (U/mL), segundo o pH e a temperatura
Fatores
Ativ. Enzimática
Ensaios pH (A) Temp. (B) Tratamentos
Média (Totais)
1 3 (-1) 30 (-1) 1 200

2 7 (+1) 30 (-1) a 72
3 3 (-1) 70 (+1) b 404
4 7 (+1) 70 (+1) ab 250
a.2.1) Delineamento Fatorial 2K sem repetições (Efeitos e Coeficientes):
É fácil verificar, utilizando os conceitos empregados no item a.1, que as

estimativas dos efeitos e os coeficientes do modelo são idênticas àquelas já
obtidas considerando as repetições (triplicata), como pode ser visto na Tabela 07.
Tabela 07: Atividades Enzimáticas (U/mL), Efeitos e Coeficientes (Sem

Repetições)
Fatores Efeitos Coeficientes do Modelo
Média (Constante) 231,50 231,50

pH -141,00 -70,50
Temperatura 191,00 95,50
pH x Temp. -13,00 -6,50
a.2.2) Delineamento Fatorial 2K sem repetições (Contrastes e Soma

dos Quadrados):
O valor dos contrastes e a soma dos quadrados são apresentados na

Tabela 08.
Tabela 08: Atividades Enzimáticas (U/mL), Contrastes Totais (sem

repetições)
Contrastes Totais Valor dos Soma dos
Contrastes Quadrados do
Coeficiente
 72+250-200-404 -282 4
A  a  ab  (1)  b
 404+250-200-72 382 4
B  b  ab  (1)  a

AB  ab  (1)  a  b 250+200-72-404 -26 4
a.2.3) Delineamento Fatorial 2K sem repetições (ANOVA):

Assim, com base na Tabela 08, calcula-se diretamente:
SQ(A)  SQ(pH) 
A
 2

 282
2
 19881
4r 4*1
SQ(B)  SQ(Temp) 
B  382


2 2
 36481
4r 4*1
SQ(AB)  SQ(pH x Temp.) 

2
AB

 
 26
2
 169
4r 4*1
conforme segue:
SQTc   yijr2  ny 2  270900  4 * (231,50) 2  56531
ijr
SQ Re s  SQTc  SQ A  SQB   SQ AB   zero


A Tabela 09 apresenta a análise de variância (ANOVA), sem considerar as
repetições.
Tabela 09: Tabela ANOVA - Atividades Enzimáticas (U/mL) sem repetições

(SQ) (MQ)
pH (A) 19881,00 1 19881,00 - -
Temp. (B) 36481,00 1 36481,00 - -
Ph x Temp. 169,00 1 169,00 - -
(AB)
Resíduo 0 (n-p) 0 0 R2=100,00%
Total 56531,00 (n-1) 3 - n: nº. total de ensaios; p: nº.
de parâmetros do modelo
R 2%  100*   100   100,00%
 Variação T otal   56531 

A partir dos dados da Tabela 09 podemos observar que não temos graus
de liberdades para o resíduo, indicando é impossível efetuar qualquer
inferência sobre as repostas, evidenciando que apenas a estatística
descritiva é permitido em tal situação. Em outras palavras, se não há
resíduo então não há erro padrão e, portanto, não é possível construir
estimativas por intervalos, testes de hipótese (t e F) ou obter previsões.
Assim sendo, mesmo que possamos apresentar o modelo com os

coeficientes da Tabela 07 e construir as superfícies de respostas e as
curvas de contorno, mas não há qualquer valor científico nisso, além da
descrição da amostra.
a.2.4) Delineamento Fatorial 2K sem repetições (Diagrama de Pareto)

Pareto Chart of Effects; Variable: Atividade Enzimática (U/mL)
2**(2-0) design
(2)Temp. (ºC) 191,
(1)pH -141,
1by2 -13,
-20 0 20 40 60 80 100 120 140 160 180 200 220
Effect Estimate (Absolute Value)
Figura 08: Diagrama de Pareto

a.3) Delineamento Fatorial 2K com adição de ponto central:
Para tornar possível o uso, ao menos aproximada, da inferência

estatística, é usual serem feitos alguns ensaios no ponto central do
espaço experimental. Com tal procedimento estaremos viabilizando o
cálculo dos resíduos, e consequentemente do erro padrão e das
estimativas por intervalo, viabilizando assim os testes de hipóteses (t e F).
Suponhamos que no exemplo anterior sejam feitos três ensaios no ponto

central, conforme indicado na Tabela 10.
a.3) Delineamento Fatorial 2K com adição de ponto central:
Tabela 10: DOE - Adição de Ensaios no Ponto Central

Fatores Atividade
Ensaios pH (A) Temp. (B) Tratamentos Enzimática
(U/mL)
1 3 (-1) 30 (-1) 1 200

2 7 (+1) 30 (-1) a 72
3 3 (-1) 70 (+1) b 404
4 7 (+1) 70 (+1) ab 250
5 (C) 5 (0) 50 (0) - 150
6 (C) 5 (0) 50 (0) - 140
7 (C) 5 (0) 50 (0) - 160
Média 196,57
a.3.1) Delineamento Fatorial 2K com adição de ponto central (Ajuste

do Modelo):
Observa-se que agora, torna-se possível estimar algum resíduo, embora

de modo rudimentar, pois temos apenas 3 repetições adicionais.
Para estimar os resíduos são mantidos os coeficientes de regressão

obtido anteriormente no item a.1.2, exceto a constante, que é calculada
com a nova média geral das atividades enzimáticas (resposta).
O modelo é dado pela equação abaixo:
Atividade  196,57  70,50 pH  95,5Temp  6,5 pH *Temp.

a.3.2) Delineamento Fatorial 2K com adição de ponto central

(ANOVA):

conforme visto anteriormente:
SQTc   yijr2  ny 2  338596  7* 196 ,57   68117 ,71

2
ijr
SQ Re s  SQTc  SQ A  SQB   SQ AB 

SQ Re s  68117 ,71  19881,00  36481,00  169 ,00  11586 ,71
a.3.2) Delineamento Fatorial 2K com adição de ponto central (ANOVA

- SS Residual):
Anexo 2
Tabela 11: ANOVA - Atividades Enzimáticas (U/mL) Ponto Central Ftab(1,3 ; 95%)= 10,13
(SQ) (MQ)
pH (A) 19881,00 1 19881,00 5,14 H0: 1=0
(aceita)
Temp. (B) 36481,00 1 36481,00 9,45 H0: 2=0
(aceita)
pH x Temp. 169,00 1 169,00 0,04 H0: 12=0
(AB) (aceita)
Resíduo 11586,71 (n-p) 3 3862,24 R2=82,99%
Total n: nº. total de ensaios; p: nº. de
68117,71 (n-1) 6 -
parâmetros do modelo

R 2%  100*   100   82,99%
 Variação T otal   68117,71 
a.3.3) Delineamento Fatorial 2K com adição de ponto central (Erros):
Os erros padrões, para a constante e para os demais efeitos são

calculados de modo análogo aos já obtidos anteriormente.
Para a constante, temos:
QM Re s 3862,24
ep ( y )    23,49
n 7
Para os demais efeitos, temos:
QM Re s 3862,24
ep ( A)  ep ( B)  ep ( AB )    62,15
r 1
a.3.3) Delineamento Fatorial 2K com adição de ponto central (Erros):
A Tabela 12 apresenta o erro padrão, tcalc e os limites de confiança dos

efeitos de cada fator calculados anteriormente.
Tabela 12: Erro padrão dos Efeitos (delineamento com ponto central)
Fatores Efeitos Erro Padrão tcalc
Média 196,57 23,49 8,37*

pH -141,00 62,15 -2,27
Temperatura 191,00 62,15 3,07
pH x Temp. -13,00 62,15 -0,21
ttab(3 g.l. ; 95%)= 3,18 Anexo 1
* Significativo ao nível de 95%
a.3.4) Delineamento Fatorial 2K com adição de ponto central (Gráfico

de Pareto):
2**(2-0) design; MS Residual=3862,238
(2)Temp. (ºC) 3,073363
(1)pH -2,26882
1by2 -,209182
p=,05
Figura 09: Gráfico de Pareto (SS Residual)

a.3.2) Delineamento Fatorial 2K com adição de ponto central (ANOVA

– Erro Puro):
Tabela 13: ANOVA - Atividades Enzimáticas (U/mL) - Ponto Central

Fonte de Soma dos Graus de Média dos Fcal
(SQ) (MQ)
pH (A) 19881,00 1 19881,00 198,81
Temp. (B) 36481,00 1 36481,00 364,81
pH x Temp. (AB) 169,00 1 169,00 1,69
Falta de Ajuste 11386,71 (m-p) 1 11386,71 113,87
Erro Puro 200,00 (n-m) 2 100,00
R2=82,99%
Total 68117,71 (n-1) 6
nº. total de ensaios (n=7); nº. de parâmetros do modelo (p=4); nº de níveis distintos (m=5)
F0,95; 1; 2 = 18,51 Anexo 2
a.3.4) Delineamento Fatorial 2K com adição de ponto central (Gráfico

de Pareto): Pareto Chart of Standardized Effects; Variable: Atividade Enzimática (U/mL)
(2)Temp. (ºC) 19,1
(1)pH -14,1
1by2 -1,3
p=,05
Figura 10: Gráfico de Pareto (Erro Puro)

DELINEAMENTO
COMPOSTO CENTRAL
ROTACIONAL
Central Composite Design

Planejamento Composto Central (Central Composite Design):

Um Delineamento Composto Central que tem pontos axiais definidos é
denominado de Delineamento Composto Central Rotacional (DCCR).
O Planejamento composto central (Central Composite Design) deve ser

utilizado quando se quiser verificar a curvatura de um plano; ou seja;
quando se quiser verificar a existência de termos quadráticos no modelo
de regressão.
De modo geral este tipo de planejamento consiste de uma parte referente
ao planejamento fatorial com 2K ensaios fatorias + 2K ensaios em pontos
axiais ou estrelas (ns) + um número arbitrário de repetições no ponto
central (nc).Onde: K – nº. de fatores
Planejamento Composto Central (Central Composite Design)
A rotabilidade () depende do nº. de pontos na porção fatorial do

planejamento, e é dado pela equação abaixo:
  2 
1
K 4
Tabela 14: Valor de  em função do nº. de fatores

Nº. da Fatores (k) Porção Fatorial 
2 22 22/4 = 1,414
3 23 23/4 = 1,682
4 24 24/4 = 2,00
5 25 25/4 = 2,378
Planejamento Composto Central (Central Composite Design):
A Figura 10 apresenta os pontos do planejamento composto central para

o caso de 2 fatores (variáveis independentes).
Figura 11: Pontos experimentais para o planejamento composto central

Planejamento Composto Central Rotacional

ESTUDO DE CASO 1 (Atividade Enzimática)
Ensaios pH Temperatura (ºC) Atividade
Enzimática (U/mL)
1 -1,00 (3,6) -1,00 (36) 272
2 -1,00 (3,6) 1,00 (64) 457
3 1,00 (6,4) -1,00 (36) 83
4 1,00 (6,4) 1,00 (64) 16
5 -1,41 (3,0) 0,00 (50) 360
6 1,41 (7,0) 0,00 (50) 83
7 0,00 (5,0) -1,41 (30) 132
8 0,00 (5,0) 1,41 (70) 328
9 (C) 0,00 (5,0) 0,00 (50) 396
10 (C) 0,00 (5,0) 0,00 (50) 412
11 (C) 0,00 (5,0) 0,00 (50) 393
12 (C) 0,00 (5,0) 0,00 (50) 371
Planejamento Composto Central Rotacional:

Ajuste do Modelo
O modelo quadrático que correlaciona os

parâmetros estudados é dado pela equação:
Atividade  393  127,72 pH  90,44 pH 2  49,40T  86,19T 2  63 pH * T

Planejamento Composto Central Rotacional:

ANOVA Anexo 2
Tabela 15: Tabela ANOVA - Atividades Enzimáticas (U/mL) DCCR

Fonte de Soma dos Graus de Média dos Fcal
(SQ) (MQ)
Regressão 249153,5 (p-1) 5 49830,70 25,29
Resíduo 11820,8 (n-p) 6 1970,13
Falta de Ajuste 10966,8 (m-p) 3 36655,60 129,06
Erro Puro 854 (n-m) 3 284,67
R2=95,47%
Total 260974,3 (n-1) 11
nº. total de ensaios (n=12); nº. de parâmetros do modelo (p=6); nº de níveis distintos (m=9)
F0,95; 5; 6 = 4,4 e F0,95; 3; 3 = 9,28


2 factors, 1 Blocks, 12 Runs; MS Residual=1970,132
(1)pH(L) -8,13854
pH(Q) -5,15455
Temperatura (ºC)(Q) -4,91232
(2)Temperatura (ºC)(L) 3,147812
1Lby2L -2,83872
p=,05
Figura 12: Gráfico de Pareto (Central Composite Design)


Observed vs. Predicted Values
500
450
400
350
Predicted Values
300
250
200
150
100
50
-50
-50 0 50 100 150 200 250 300 350 400 450 500 550
Observed Values
Figura 13: Valores Preditos versus Observados


600
400
Atividade Enzimáti
200
0
0
-2 0
/mL)
0
-4 0
0
-6 0
ca
75 0
(U
7 5 7
7 ,5
Te 6 6 0 6 ,5 , 0
mp 55 6
era 5 ,0
50 5 5 ,5
tur 4 0 4,5 ,0
a( 4 5 4
ºC 3, ,0 pH > 400
) 3 30 3
2 ,0
5
2 5 ,5 < 300
< 100
< -100
< -300
< -500
Figura 14: Superfície de Resposta (Central Composite Design)


75
70
65
60
Temperatura (ºC)
55
50
45
40
35
> 400
30 < 300
< 100
25
< -100
2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0 6,5 7,0 7,5
< -300
pH < -500
Figura 15: Curvas de Contorno (Central Composite Design)

REFERÊNCIAS:
BARROS NETO, B.; SCARMINIO, I. S.; BRUNS, R.

E. Planejamento e Otimização de Experimentos.
Campinas: Editora da UNICAMP, 1995.
MONTGOMERY, D. C. Introdução ao Controle
Estatístico da Qualidade, 4º edição, Rio de
Janeiro: Editora LTC, 2009.
Rodrigues , M. Isabel e Iemma, A. Francisco.
Planejamento de Experimentos e Otimização de
Processos, Campinas: Editora Casa do Pão, 2ª.
edição, 2009.
ANEXO 1 (Tabela t Student)
Slide 11
Slide 54
Slide 78
ANEXO 2 (Tabela F de Fisher - 95% confiança)
Slide 49
Slide 74
Slide 78
Slide 86

Apresentacao Minicurso 4-Estatstica PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Apresentacao Minicurso 4-Estatstica PDF

Caricato da

Copyright:

Formati disponibili

Mini Curso # 4:

Estatística para Bioquímica e

A competitividade e o alto custo tornam,

“A estatística não serve para corrigir erros grosseiros ou técnica

Regra de decisão estatística que permite,

É uma suposição sobre algum parâmetro

Hipótese Nula (H0)

H0 é a hipótese que está sendo colocada à

H1 é a hipótese que será aceita, se for

H1: O pH médio da população alvo é diferente de 5,0  Teste bilateral

H1 : O pH médio da população alvo é menor que 5,0  Teste unilateral à

H1 : O pH médio da população alvo é maior que 5,0  Teste unilateral à

Distribuição Normal ou t-Student ?

- Distribuição Normal (Teste Z)

- Distribuição t-Student (Teste t)

Teste de Hipóteses - Valores

 Distribuição t-Student (Teste t)

Mecanismo dos erros

Como o teste de hipóteses é baseado em amostras

É importante lembrar que uma outra amostra

Erro do tipo I ou de primeira espécie: rejeitar H0, quando

A probabilidade de cometermos um erro do tipo I,

α = P (erro tipo I) = P (rejeitar H0, quando H0 é

Um valor bem aceito universalmente é 1 - α = 0,95

Erro do tipo II ou de segunda espécie: não rejeitar H0,

A probabilidade de cometermos um erro do tipo II é

β = P (erro tipo II) = P (não rejeitar H0, quando H0 é

Mecanismo dos erros num teste estatístico

b. Fixar o nível de significância α e determinar as regiões críticas

Figura 01: Esboço de um teste bilateral, para a média de uma população

2 R A Ho : 1 - alfa = 0,95 p - valor > 0,05

Figura 02: Esboço de um teste unilateral para a média de uma população

2 R A Ho : 1 - alfa = 0,95 R R Ho : alfa = 0,05

p - valor < 0,05

Figura 03: Esboço de um teste unilateral a direita para a média de uma

NOÇÕES SOBRE EXPERIMENTOS FATORIAIS

Os Planejamentos Experimentais Fatoriais se

Para se atingir os objetivos desejados utilizando-se esta

“Em diversas situações, é imediato estabelecer

(Box, Hunter & Hunter)

Porque aprender Planejamento de Experimentos?

Melhorar o produto que já está no mercado

Conhecer o efeito das variáveis do processo

Melhorar metodologias analíticas

“O sucesso de um planejamento de experimentos

Vantagens do Planejamento Experimental:

 Reduz o número de experimentos, com melhor qualidade de

 É possível detectar o erro experimental e avaliá-lo;

 A análise multivariável permite verificar e quantificar efeitos

 É possível otimizar mais de uma resposta ao mesmo tempo;

Roteiro para elaboração de um planejamento de experimentos:

R1,2,...j = f (F1, F2, ..... Fk)

Estabelecer uma função matemática que correlacione as

Tabela 01: Nº. de ensaios experimentais de alguns delineamentos

Comparação entre o planejamento

Estudo de caso em bioprocessos

a) Estudo de uma variável por vez (10 ensaios):

Atividade Temperatura Atividade

4,0 274 40 292

5,0 236 50 393

6,0 149 60 456

(a) pH (temperatura de 40o C)

Atividade (U/mL) 300