OTIMIZAÇÃO EXPERIMENTAL DAS MÚLTIPLAS...

OTIMIZAÇÃO EXPERIMENTAL DAS

MÚLTIPLAS CARACTERÍSTICAS DE UM

PRODUTO ALIMENTÍCIO ATRAVÉS DO

USO DA FUNÇÃO PERDA

Samanta de Oliveira Guzzon (UFRGS)

[email protected]

Samanta Ullmann de Campos (UFRGS)

[email protected]

José Luis Duarte Ribeiro (UFRGS)

[email protected]

Este artigo apresenta um estudo da otimização de um produto alimentício

avaliado através de múltiplas características de qualidade. A partir de um

experimento fatorial composto de segunda ordem, analisou-se a influência

da concentração de ccenoura e iogurte na formulação de um bolo de

cenoura. Visando encontrar a melhor formulação, uma análise sensorial

foi realizada utilizando o método de Análise Descritiva e Quantitativa

(ADQ) e testes de aceitação através de escala hedônica de 9 pontos. No

estudo de otimização, foram avaliadas as características aparência, sabor,

cor, adesividade e aceitação de cada formulação. Para adesividade, o

modelo de regressão não se ajustou aos dados experimentais. Para as

demais características, observou-se boa aderência dos modelos de

regressão, sendo estes então considerados na construção da função perda

multivariada, utilizada para otimizar o produto. A formulação ótima foi

obtida sem o uso de iogurte e acrescentando 83,1g de cenoura na

composição.

Palavras-chaves: Desenvolvimento de produto alimentício, Função Perda,

Planejamento de Experimentos, Análise Sensorial

XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão.

Salvador, BA, Brasil, 06 a 09 de outubro de 2009

XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão


2

1. Introdução

Recentemente, a preocupação das empresas com a qualidade dos produtos fabricados deixou de

ser uma estratégia de diferenciação para se tornar uma necessidade devido à forte concorrência

comercial. A sobrevivência das organizações no mercado atual depende, principalmente, de dois

fatores: competitividade e competência empresarial. Hoje esses fatores são funções diretas da

qualidade e produtividade da empresa, que deve estar sempre focada no cliente (KOSCIUK,

2000).

Esta acirrada concorrência tem levado as empresas de alimentos a um esforço incessante por

novos produtos, buscando satisfazer os consumidores que se tornam mais exigentes. O

desenvolvimento de produtos alimentícios apresenta uma peculiaridade com relação aos demais,

visto que sua aprovação final depende de avaliações sensoriais, que possuem um caráter

subjetivo.

Ainda hoje, muitos acreditam que qualidade e custo são proporcionais, onde melhor qualidade

implicaria em maior custo de produção. Porém, na prática, é possível verificar que a utilização de

tecnologias apropriadas permite obter melhorias de qualidade com redução de custos. Desse

modo, no processo de produção, todas as atividades da qualidade devem buscar,

sistematicamente, a eliminação de falhas para aumentar a confiabilidade de produto, reduzir o

tempo de processamento, reduzir retrabalho e aumentar os lucros. Um produto desenvolvido de

acordo com as especificações técnicas mantém um padrão de qualidade que é valorizado pelo

consumidor (PETENATE, 2007).

No intuito de diminuir os custos e o tempo de desenvolvimento de produtos, uma abordagem que

pode ser utilizada é o planejamento de experimentos. A metodologia de planejamento

experimental reúne um conjunto de técnicas estatísticas para desenhar experimentos, construir

modelos, avaliar o efeito de fatores e procurar condições ótimas dos fatores para atender uma

resposta desejada. Essa metodologia tem a vantagem de permitir estudar efeitos realizando um

número relativamente pequeno de experimentos, além de possibilitar o estudo das interações

entre os fatores estudados. Entre as técnicas utilizadas, muitas vezes emprega-se a análise de

superfícies de resposta, que consiste em estimar coeficientes de regressão polinomial e

construção de um modelo empírico que descreve a relação entre os fatores e as respostas do

produto ou processo (MAUGERI FILHO; RODRIGUES, 2007; SILVA; SARAMAGO, 2007).

Uma vez que as características sensoriais de um produto alimentício dependem da aceitação deste

no mercado, é válido dizer que a melhor forma de avaliação dos experimentos é através da

análise sensorial. A Análise Sensorial é uma ciência que utiliza os sentidos humanos (visão,

olfato, tato, paladar e audição) como instrumento de medida. Uma vez que as percepções

sensoriais não podem ser medidas diretamente, faz-se uso de escalas para avaliar os estímulos

individuais recebidos na avaliação sensorial. Em um contexto industrial, a análise sensorial é

empregada para minimizar o risco associado com a introdução de novos produtos e para avaliar a

permanência de produtos no mercado (BECH et al. apud SOUZA FILHO; NANTES, 2004).

O objetivo deste artigo é proceder a otimização experimental de um produto alimentício,

utilizando planejamento de experimentos, análises sensoriais, superfícies de resposta e função



3

perda multivariada. A partir do referencial teórico, descrito na segunda seção, elabora-se o

experimento, que é apresentado na terceira seção, na qual também se discute os resultados

obtidos. A quarta seção resume as principais conclusões deste estudo.

2. Referencial Teórico

2.1 Função Perda Quadrática

Ainda hoje muito se utiliza a filosofia de atendimento das especificações nos sistemas de

produção. Nesse contexto, se o produto encontra-se dentro das especificações estabelecidas, é

considerado aceito e pode então ser expedido. O problema dessa abordagem está no fato de não

considerar todas as exigências do consumidor, não sendo possível, desse modo, constatar

qualidade real. Um produto pode ter suas características de qualidade dentro das especificações

estabelecidas pela produção, mas se o valor das características de qualidade estiverem

freqüentemente afastadas do valor alvo e próximas dos seus limites máximo ou mínimo, podem

não corresponder às expectativas do consumidor. Nesse caso, o consumidor irá ficar insatisfeito

(FOGLIATO; RIBEIRO, 1993; ROSS, 1991).

A fim de contemplar as exigências dos consumidores em obter produtos superiores e, ao mesmo

tempo, o desejo do fabricante em produzir com menor custo, Taguchi estabeleceu uma

abordagem alternativa. Para Taguchi, a qualidade é melhor avaliada ao se utilizar a perda

financeira que um produto gera para a sociedade após ser expedido. Sociedade, neste caso,

corresponde ao conjunto consumidor, fabricante e todo o restante da população. As perdas devido

à má qualidade podem ser divididas em: (i) aquelas mais diretamente associadas aos

consumidores, como: insatisfação em relação ao desempenho do produto, indisponibilidade,

perda de tempo, custos sofridos no decorrer da vida útil do produto; (ii) aquelas mais diretamente

associadas ao fabricante, como: sucata, retrabalho, perda de fatia de mercado; e (iii) aquelas que

podem ser percebidas pelo restante da população, como: desperdícios de matéria-prima e energia,

sobrecarga na infra-estrutura de transporte e comunicação, ou impacto ambiental gerado pelo

processo industrial. Na verdade, sempre que ocorre má qualidade, todos perdem (consumidor,

fabricante, sociedade), e o objetivo do fabricante deve ser minimizar tais perdas (NACKAR,

1986; RIBEIRO; CATEN, 2001; ROSS, 1991).

Apesar de muitas vezes ser difícil quantificar a perda que um produto impõem à sociedade,

geralmente pode-se considerar que essa perda resulta aproximadamente proporcional ao quadrado

do desvio da meta estabelecida para uma certa característica de qualidade. Assim, Taguchi propôs

o uso da função perda quadrática para avaliar a qualidade de um produto (TAGUCHI, 1990,

FOGLIATO; RIBEIRO, 1993).

A utilização da função perda quadrática apresenta vantagens, como, por exemplo, o fato de

considerar que, se as características de qualidade estiverem desviadas de seu valor alvo, existe

uma perda associada, mesmo estando o produto dentro dos limites de especificações. Desse

modo, a fim de diminuir a perda gerada, os procedimentos de melhoria incluem reduções nas

variações das características de qualidade. Assim, a utilização da função perda implica uma

filosofia de melhoria contínua da qualidade e redução de custos, buscando alcançar a condição de

processo exatamente centrado e com variabilidade zero. Além disso, por ser mensurada em



4

unidades monetárias, sua utilização fornece subsídios para decisões referentes a alterações e

investimentos nos processos (NACKAR, 1986; RIBEIRO; CATEN, 2001).

A tabela 1 apresenta a formulação matemática da função perda quadrática para características de

qualidade do tipo nominal-é-melhor, maior-é-melhor e menor-é-melhor. As fórmulas

contemplam tanto o cálculo da perda para uma unidade individual como o cálculo da perda média

unitária para um lote de produtos.

Característica Nominal-é-melhor Maior-é-melhor Menor-é-melhor

Exemplos de

Aplicação

Comprimento, peso,

voltagem, viscosidade, etc.

Durabilidade, resistência,

força de aderência, etc.

Ruído, tempo de espera,

corrosão, defeitos, etc.

L(y) para unidade 2)( mykL ii 2)(

ykyL 2)( ykyL

L(y) para lote 22)( smykL m

2

2

2

31

1

mm y

s

ykL )( 22

sykL m

Constante K 2 oA

k 0

2

0 Ak 2

0

0

Ak

Kj (para função

perda multivariada) 2

2

LIELSE

IRK

j

j

2LIEm

IRK

j

j

2mLSE

IRK

j

j

Fonte: adaptado de Fogliato e Ribeiro (1993) e Ribeiro e Caten (2001)

Tabela 1 - Formulações matemáticas e exemplos de aplicação da função perda de Taguchi para os três tipos de

características de qualidade

Onde: Li representa a perda financeira da unidade i; yi é o valor medido da unidade i; m é a meta

para determinada característica; k é o coeficiente de perda da qualidade, que converte o desvio do

alvo em unidades monetárias (u.m.); A0 é o custo de reparo ou substituição de produto; Δ é o

desvio da meta que exigiria reparo ou substituição; (ym - m) é o desvio da meta da média da

amostra em relação ao valor nominal m; s² é a variância da amostra; ym é o valor médio de y no

conjunto da amostra; IRj é a importância relativa de cada variável de resposta e LSE e LIE são os

limites superior e inferior de especificação, respectivamente.

Na prática, o valor de k é, muitas vezes, difícil de ser calculado. No entanto, quando o intuito é

comparar processos distintos (avaliar melhorias do processo), pode-se usar k=1. Nesse caso,

obtém-se um valor relativo de aumento ou redução da perda financeira (RIBEIRO; CATEN,

2001).

O conceito de função perda pode ser usado de modo eficaz em diversas aplicações, tais como:

justificativa de investimentos, cálculo da tolerância da produção, avaliação da necessidade de

inspeção 100%, comparação de processos distintos, identificação do momento de substituição de

ferramenta, otimização multivariada (KACKAR, 1986; RIBEIRO; CATEN, 2001; 2003; ROSS,

1991; TAGUCHI, 1990).



5

Na ótica de projeto de experimentos, muitos estudos englobam mais de uma característica de

qualidade de interesse. Para considerar essas características simultaneamente, faz-se necessário o

emprego de um procedimento multivariado na busca do ajuste ótimo dos fatores controláveis.

Fogliatto (1999) apresenta um levantamento das diferentes técnicas existentes para modelar e

otimizar experimentos deste tipo. Uma das possíveis opções é a utilização da função perda

multivariada apresentada por Ribeiro e Elsayed (1995). Segundo esses autores, essa função

consegue englobar múltiplos objetivos de interesse em engenharia da qualidade, uma vez que

busca, ao mesmo tempo, minimizar os desvios do valor alvo, minimizar a variabilidade e

maximizar a robustez do produto às flutuações dos parâmetros do processo. A Equação 1

apresenta uma simplificação dessa função, utilizada de forma eficaz por outros autores, como

Pizzolato, Caten e Fogliatto (2005) na otimização experimental de um produto utilizado na

criação de animais.

J

j

jjj mYKiL1

2ˆ)( (1)

Onde: L(i) é o valor que a função perda assume para um dado ajuste i do conjunto dos fatores

controláveis; Kj é a ponderação atribuída à variável de resposta j. Na Tabela 1 encontra-se sua

formulação matemática para cada tipo de característica de qualidade; é o modelo matemático

que fornece uma estimativa da média da variável de resposta j em função do ajuste dos fatores

controláveis; mj é o valor alvo para a variável de resposta j.

Na utilização da função perda multivariada, atribuem-se pesos a cada variável de resposta, a fim

de considerar sua importância relativa, além de normalizar os valores que representam os desvios

do alvo, de modo que todas as variáveis de respostas sejam diretamente comparáveis (RIBEIRO;

CATEN, 2003).

2.2 Análise Sensorial

A qualidade sensorial de um alimento é resultado da interação entre o alimento e o homem, uma

vez que depende tanto das características próprias do alimento como das condições fisiológicas,

psicológicas e sociológicas do indivíduo. Ainda, é importante salientar que as informações

provenientes das cinco vias sensoriais são detectadas no cérebro simultaneamente, havendo

sempre interações e associações psicológicas entre elas. A fim de eliminar esse caráter subjetivo

da análise sensorial, é preciso tomar alguns cuidados, tais como realizar os testes em locais

tranqüilos, selecionar previamente os provadores, realizar um treinamento com estes, escolher o

horário ideal para realização do teste, entre outros (DUTCOSKY, 1996).

Essa mesma autora acredita que a escolha do método de análise sensorial para desenvolvimento

de produto está condicionada à resposta a três questões fundamentais. Assim, se o objetivo é

descobrir se o produto é aceito pelos consumidores, indica-se a utilização de testes de aceitação.

Já, se o que se deseja saber é se existe diferença perceptível entre produtos, o ideal é realizar

testes discriminativos (ou de diferença). Por último, se o intuito é determinar os principais pontos

de diferenças entre os produtos, usam-se análises descritivas.

O ADQ é um método de análise descritiva quantitativa capaz de analisar o conjunto de atributos

sensoriais presente num produto alimentício, além de permitir avaliar o grau de intensidade com



6

que cada atributo está presente neste. Já o teste de aceitação analisa o quanto o provador gostou

ou não do produto (DUTCOSKY, 1996).

3. Estudo Aplicado

Neste estudo, utilizou-se a função perda multivariada na otimização de uma formulação de bolo

de cenoura, buscando maximizar a qualidade e minimizar o custo total de produção. Para tanto,

realizou-se um projeto composto de segunda ordem, constituído de 4 pontos correspondentes ao

fatorial 22 completo, 4 pontos axiais e 3 pontos centrais, totalizando 11 ensaios (Tabela 2). Os

três ensaios no ponto central foram realizados com o intuito de calcular o erro experimental.

Os resultados foram modelados através de análise de regressão utilizando um pacote estatístico.

Para ajuste dos modelos, foi empregado o modelo quadrático para duas variáveis, onde x1 e x2

são as variáveis independentes e Y é a variável dependente, conforme Equação 2 (BARROS et

al., 1995).

2112

2

222

2

1112211 xxbxbxbxbxbbY o (2)

Amostra Níveis Codificados Níveis Reais

Cenoura Iogurte Cenoura (g) Iogurte (g)

1 -1 -1 36,3 23,3

2 +1 -1 213,6 23,3

3 -1 +1 36,3 136,7

4 +1 +1 213,6 136,7

5 0 0 125 80

6 0 0 125 80

7 0 0 125 80

8 -1,41 0 0 80

9 0 -1,41 125 0

10 +1,41 0 250 80

11 0 +1,41 125 160

Tabela 2 - Planejamento composto de segunda ordem apresentado em níveis codificados e níveis reais

Em todos os experimentos, manteve-se constante as quantidades de óleo (21,75g), farinha de

trigo (95,5g), ovo (57,25g), açúcar (150,8g) e fermento (4,85g) utilizados, variando-se as

quantidades de cenoura e iogurte natural sem sabor conforme o planejamento experimental.

As onze amostras de bolo de cenoura foram preparadas um dia antes da realização da análise

sensorial, em condições aproximadamente iguais (tempos de mistura e de forno, temperatura do

forno e de armazenagem, entre outros). Uma vez que Kilcast (1999) afirmou que, apesar de

existirem outros fatores importantes na escolha por um produto alimentício (como preço e valor

nutricional), são suas características sensoriais o fator principal na hora da escolha realizada pelo

consumidor, optou-se pela avaliação sensorial das formulações de bolo.

A análise sensorial foi realizada com 30 provadores, já que, segundo Kilcast (1999), a percepção

da qualidade dos alimentos é algo complexo e subjetivo, o que pode gerar muitas dificuldades

para os provadores e, conseqüentemente, alta variabilidade e baixa precisão dos resultados. A fim

de diminuir essa variabilidade é recomendado utilizar um grande número de provadores (mínimo



7

25) ou, alternativamente, poucos provadores muito bem treinados. As amostras, codificadas com

três números aleatórios, foram oferecidas em um prato a cada um dos provadores.

O teste de Análise Quantitativa Descritiva foi aplicado para analisar as características sensoriais

de 11 amostras diferentes de bolo de cenoura, quanto ao sabor, cor, adesividade (força requerida

para remover o material que adere à boca durante o processo de comer) e aparência. Realizou-se

também um teste de aceitação através de escala hedônica de nove pontos, variando de 1

(desgostei muito) a 9 (gostei muitíssimo), visando encontrar a formulação ideal em termos de

aceitabilidade. Cada um dos provadores deveria caracterizar a intensidade percebida por cada

característica segundo essa escala. Na Tabela 3 encontram-se os resultados médios obtidos com o

planejamento fatorial composto.

sabor cor aceitação adesividade aparência

A1 5,1 3,63 5,97 4,2 4,67

A2 5,67 7,3 5,77 4,33 6,53

A3 4,97 5,9 6,4 4,03 6,43

A4 5,3 7,1 4,03 5,23 3,27

A5 5,9 7,4 6,43 4,7 6,67

A6 5,67 7,83 6,8 4,67 6,7

A7 5,8 6,87 6,97 3,77 7,1

A8 2,63 1,73 4,57 4,47 4,57

A9 6,33 7 7,67 4,07 7,73

A10 5,53 7,7 4,33 4,93 3,83

A11 5,6 7,53 4,87 5,57 4,13

Tabela 3 - Resultado das médias por atributo

A partir dos resultados apresentados na Tabela 3, empregou-se a metodologia de análise de

regressão. A análise estatística dos dados, realizada de acordo com Barros, Scarminio e Bruns

(1995), evidenciou que o modelo foi significativo para as características aparência, cor, aceitação

e sabor, a um nível de significância de 0,05, uma vez que o F calculado da regressão foi superior

que o F tabelado para essas características. Já para a característica adesividade, a regressão não foi

significativa, uma vez que o F calculado foi menor que o F tabelado.

Os modelos de regressão foram então estabelecidos para cada uma das características onde o

ajuste foi significativo. Nas equações de ajuste apresentadas na Tabela 4, as letras C e I

representam, respectivamente, a concentração de cenoura e concentração de iogurte. Foram

mantidos, nessas equações, apenas os termos significativos, adotando-se o nível de significância

de 0,05. Cada coeficiente possui um erro de estimativa associado, que se encontra indicado entre

parêntesis ao lado do coeficiente correspondente na equação. Nessa mesma tabela, encontram-se

ainda os valores do coeficiente de determinação (R2) para cada um dos modelos ajustados.

VR R2(%) Modelo

(Y1) Aparência 0,94 Y1 = 6,796(0,207) - 1,395.C²(0,186) - 0,47.I(0,182) - 1,255.C.I(0,215)

(Y2) Cor 0,96 Y2 = 7,2(0,207) + 1,92.C(0,185) - 1,41.C²(0,198)

(Y3) Aceitação 0,92 Y3 = 6,443(0,165) - 1,136.C²(0,158) - 0,910.I(0,148)

(Y4) Sabor 0,80 Y4 = 5,929(0,21) + 0,625.C(0,17) - 0,842.C²(0,20)



8

Tabela 4 - Modelos de regressão obtidos para as variáveis de resposta

Foi possível ainda aplicar a metodologia de superfície de resposta, obtendo-se as superfícies de

contorno para cada característica modelada (Figura 1). A partir da análise dessas superfícies, pode-

se verificar a região que otimiza as características analisadas. Para as características aparência,

aceitação e sabor, observa-se que, quanto menor a concentração de iogurte, melhor a respectiva

característica do produto. Além disso, a concentração de cenoura que maximiza cada uma dessas

características está situada próxima ao ponto central. Já quanto a cor, verificou-se que, quanto

maior a concentração de cenoura, melhor a cor do produto, não influenciando a concentração de

iogurte presente no produto. A concentração de cenoura que maximiza a cor está situada acima do

ponto central. Este é o resultado esperado, uma vez que a quantidade de cenoura é fator

determinante na intensidade da cor. Analisando todos os gráficos e relacionando-os, é possível

determinar uma faixa ótima para a formulação, que seria de -1,41 a -1 (valores codificados) para o

iogurte e de –0,50 a 0,8 (valores codificados) para a cenoura.

Figura 1 - Superfícies de resposta apresentadas na forma de linhas de contorno para as diferentes características de

qualidade

A partir das equações de regressão obtidas, foi realizado o estudo de otimização, utilizando a

função perda multivariada acrescida dos custos de matéria-prima. A otimização foi conduzida

buscando obter a melhor combinação de concentração de cenoura e iogurte, que, ao mesmo

tempo, melhorasse as características sensoriais avaliadas, maximizasse qualidade e minimizasse o

custo de produção. Para maximizar qualidade, o que se busca é minimizar os desvios em relação

ao valor alvo pretendido, conforme preconizado pelafunção perda multivariada (Equação 3). A

importância relativa foi determinada pelos provadores da análise sensorial, que ordenaram de



9

forma decrescente as características de qualidade de maior importância. Seu valor final foi

determinado levando-se em consideração essa ponderação, além de normalizar os valores que

representam os desvios do alvo, a fim de que todas as características fossem diretamente

comparáveis. A Tabela 5 apresenta essa informação, além das especificações e valor alvo de cada

característica de qualidade.



10

Variável de

Resposta

Importância

Relativa

Tipo de variável

de resposta Valor Alvo

Limites de Especificação

Min Max

Aparência 0,75 Maior é melhor 8 (muito boa) 7 (boa) -

Cor 3 Nominal é melhor 7 (moderadamente

forte)

5 (nem fraca nem

forte) 9 (intenso)

Aceitação 5 Maior é melhor 9 (gostei

muitíssimo)

7 (gostei

moderadamente) -

Sabor 1 Nominal é melhor 5 (nem fraco nem

forte)

4 (levemente

fraco)

6 (levemente

forte)

Tabela 5 - Descrição das características de qualidade

2

42

2

32

2

22

2

125

2

46

19

79

57

2

59

38

78

75,0)(

YYYYiL

(3)

Utilizou-se uma rotina de programação não linear para encontrar os valores ótimos de C e I, que

minimizavam a função perda multivariada (Equação 3), sendo os valores obtidos proporcionais à

perda devido à má qualidade. A fim de obter a perda em valores monetário, utilizou-se o método

proposto por Ribeiro e Caten (1996). Para definir o valor de k para o bolo de cenoura realizou-se

uma pesquisa com 15 consumidores. Foram oferecidos a cada consumidor dois pedaços de bolo,

preparadas com as formulações que apresentaram a maior e a menor perda, correspondente à pior

e à melhor formulação, respectivamente, e perguntou-se quanto o consumidor estaria disposto a

pagar por um pedaço de 80g de cada um dos bolos. À melhor formulação, que possuía uma perda

adimensional igual a 3,14, foi atribuído um valor médio de R$ 1,41. À pior formulação, que

possuía uma perda adimensional igual a 90,77, foi atribuído um valor médio de R$ 0,73.

Utilizando-se esses dados, foi então calculado o valor de k, como está demonstrado na Equação

4. Assim, foi possível converter o valor de perda adimensional obtido previamente em unidades

monetárias. O custo devido à má qualidade foi então definida conforme Equação 5.

0077,014,377,90

41,173,0

)(

$

iL

Rk (4)

)(0077,0)()( iLiLkiCQ (5)

Para minimizar o custo de produção, modelou-se o custo de matéria-prima em função da

concentração de cenoura e iogurte (Equação 6). Com essas informações, calculou-se o custo

global (Equação 7), de forma que o ajuste ótimo encontrado representasse o compromisso entre

os custos devido à má qualidade do produto e custos da matéria-prima.



11

ICiCM 004,00016,023,1)( (6)

)()()( iCiCiC MQG (7)

Assim, determinou-se a formulação ótima como sendo a que apresenta os valores codificados de

cenoura e iogurte respectivamente iguais a –0,47 e -1,41, que correspondem a valores reais de

83,1g de cenoura e 0g de iogurte.

4. Conclusão

Este artigo apresentou a otimização de um produto alimentício avaliado através de múltiplas

características de qualidade, a saber: cor, sabor, aparência, aceitação e adesividade. Inicialmente,

foi realizado um experimento fatorial composto, onde as características de interesse foram

avaliadas através de análises sensoriais em formulações que continham diferentes concentrações

de cenoura e iogurte. Após, foram construídos modelos de regressão descrevendo a influência da

concentração de cenoura e iogurte sobre as características mencionadas. Finalmente, foi utilizada

a função perda multivariada para identificar o ajuste ótimo dos fatores controláveis. Os resultados

do experimento revelaram que o melhor ajuste para a formulação do produto é 83,1g de cenoura e

0g de iogurte.

As técnicas utilizadas, envolvendo o uso seqüencial de projeto de experimentos, análise sensorial,

modelos de regressão e função perda multivariada acrescida dos custos de matéria-prima,

revelaram-se adequadas para os objetivos do trabalho, que contemplavam a identificação da

formulação ótima que minimizava o custo total da receita.

Apesar de a análise sensorial ser um método de avaliação subjetiva, ela é a alternativa natural na

condução de estudos que buscam verificar a aceitabilidade de um novo produto alimentício no

mercado. No entanto, deve-se atentar para que esta seja realizada com um número suficiente de

provadores, a fim de tratar adequadamente o erro experimental relativamente elevado.

Referências

BARROS, B. N.; SCARMINIO, I. S. & BRUNS, R. E. Planejamento e otimização de experimentos. 2.ed.

Campinas: Editora da UNICAMP, 1995. 299p.

DUTCOSKY, S. D. Análise sensorial de alimentos. Curitiba: Champagnat, 1996. 123 p.

FOGLIATTO, F. S. Techniques for modeling and optimizing multiresponse experiments – a survey. Produto &

Produção. Porto Alegre, v. 3, n. 2, p. 29-38, jun. 1999.

FOGLIATTO, F. S. & RIBEIRO, J. L. D. Função de perda de Taguchi - definição e algumas aplicações. In:

Encontro Nacional de Engenharia de Produção. Anais. 3.ed. Florianópolis: Abepro, 1993. p.332-336.

KILCAST, D. Sensory techniques to study food texture. In: ROSENTHAL, A. J. Food texture: Measurement and

perception. Maryland: Aspen, 1999. p. 30-64.

KOSCIUK, E. Serviços associados à fabricação: um estudo de caso com auxílio do QFD. Porto Alegre, RS:

UFRGS, 2000. Dissertação de Mestrado em Engenharia de Produção, Programa de Pós-Graduação em Engenharia de

Produção, Universidade Federal do Rio Grande do Sul, 2000.

MAUGERI FILHO, F. & RODRIGUES, M.I. Planejamento experimental e otimização de processos. Disponível

em: <www.fea.unicamp.br/deptos/dea/leb/planejamento.htm>. Acesso em: 17 abr. 2007.

http://www.fea.unicamp.br/deptos/dea/leb/planejamento.htm



12

NACKAR, R. N. Taguchi’s quality philosophy: analysis and commentary. Quality Progress. Milwaukee, v. XIX, n.

12, dez. 1986.

PETENATE, A. J. Utilização do método de Taguchi na redução dos custos de projetos. Disponível em: <

http://libdigi.unicamp.br/document/?view=100 >. Acesso em: 20 jun. 2007.

PIZZOLATO, M.; CATEN, C. S. & FOGLIATTO, F. S. Definição do prazo de garantia de um produto

otimizado experimentalmente. Gestão & Produção. São Carlos, v. 12, n. 2, p. 239-253, mai./ago. 2005.

RIBEIRO, J. L. D. & CATEN, C. S. T. Controle estatístico do processo: cartas de controle para variáveis, cartas

de controle para atributos, função de perda quadrática, análise de sistemas de medição. Porto Alegre:

FEEng/UFRGS, 2001. 136 p.

RIBEIRO, J. L. D. & CATEN, C. S. T. Custos da qualidade e da manufatura : um estudo de caso na indústria

química. Gestão & Produção. São Carlos, v. 3, n. 3, p. 274-289, dez.

1996.

RIBEIRO, J. L. D. & CATEN, C. S. T. Projeto de experimentos. Porto Alegre: FEEng/UFRGS, 2003. 128 p.

RIBEIRO, L. J. D. & ELSAYED, E. A. A case study on process optimization using the gradient loss function.

International Journal of Production Research, London, v. 33, n. 12, p. 3233-3248, dez. 1995.

ROSS, P. J. Aplicações das técnicas Taguchi na engenharia da qualidade. São Paulo: Makron, 1991. 333p.

SILVA, N. P. & SARAMAGO, S. F. P. Uma introdução ao estudo de superfícies de resposta. Disponível em:

www.propp.ufu.br/revistaeletronica/edicao2005/exatas2005/uma_introducao.PDF. Acesso em: 17 abr. 2007.

SOUZA FILHO, M. S. S. & NANTES, J. F. D. O QFD e a análise sensorial no desenvolvimento do produto na

indústria de alimentos: Perspectivas para futuras pesquisas. Bauru, SP: XI SIMPEP, 2004. Disponível em: <

http://www.feb.unesp.br/dep/simpep/Anais%20XI%20SIMPEP_Arquivos//copiar.php?arquivo=souzafilho_oqfdeaana

lisesenso.pdf. >. Acesso em: 22 abr. 2007.

TAGUCHI, G. et al. Engenharia da qualidade em sistemas de produção. São Paulo: Mcgraw-Hill, 1990. 235p.

http://libdigi.unicamp.br/document/?view=100

http://sabix.ufrgs.br/ALEPH/1RRC5B6TNA7L9X4611SGVLHSQ45ASH7LBKL75F7GLXVD7ATHY3-04068/file/service-0?P01=000247797&P02=0008&P03=TAG

http://sabix.ufrgs.br/ALEPH/1RRC5B6TNA7L9X4611SGVLHSQ45ASH7LBKL75F7GLXVD7ATHY3-04068/file/service-0?P01=000247797&P02=0008&P03=TAG

http://www.propp.ufu.br/revistaeletronica/edicao2005/exatas2005/uma_introducao.PDF

http://www.feb.unesp.br/dep/simpep/Anais%20XI%20SIMPEP_Arquivos/copiar.php?arquivo=souzafilho_oqfdeaanalisesenso.pdf

http://www.feb.unesp.br/dep/simpep/Anais%20XI%20SIMPEP_Arquivos/copiar.php?arquivo=souzafilho_oqfdeaanalisesenso.pdf

OTIMIZAÇÃO EXPERIMENTAL DAS MÚLTIPLAS...

Documents

Transcript of OTIMIZAÇÃO EXPERIMENTAL DAS MÚLTIPLAS...