Post on 09-Nov-2018
OTIMIZAÇÃO EXPERIMENTAL DAS
MÚLTIPLAS CARACTERÍSTICAS DE UM
PRODUTO ALIMENTÍCIO ATRAVÉS DO
USO DA FUNÇÃO PERDA
Samanta de Oliveira Guzzon (UFRGS)
samantaguzzon@gmail.com
Samanta Ullmann de Campos (UFRGS)
samantaeng99@yahoo.com.br
José Luis Duarte Ribeiro (UFRGS)
ribeiro@producao.ufrgs.br
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
Salvador, BA, Brasil, 06 a 09 de outubro de 2009
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
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão
Salvador, BA, Brasil, 06 a 09 de outubro de 2009
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
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão
Salvador, BA, Brasil, 06 a 09 de outubro de 2009
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).
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão
Salvador, BA, Brasil, 06 a 09 de outubro de 2009
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
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão
Salvador, BA, Brasil, 06 a 09 de outubro de 2009
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
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão
Salvador, BA, Brasil, 06 a 09 de outubro de 2009
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)
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão
Salvador, BA, Brasil, 06 a 09 de outubro de 2009
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
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão
Salvador, BA, Brasil, 06 a 09 de outubro de 2009
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.
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão
Salvador, BA, Brasil, 06 a 09 de outubro de 2009
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.
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão
Salvador, BA, Brasil, 06 a 09 de outubro de 2009
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.
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão
Salvador, BA, Brasil, 06 a 09 de outubro de 2009
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.