Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1. OBJETIVO
Del artículo.
Del equipo
2. INTRODUCCIÓN
3. ANTECEDENTES
Pero no solo los colores de las tabletas recubiertas deben estar saturados
sino también, las tasas de rendimiento del recubrimiento deben ser lo más altas
posibles para lograr procesos eficientes, es por ello que los parámetros del
proceso de recubrimiento deben optimizarse sistemáticamente mediante la
realización de un diseño estadístico de experimentos. Se realizaron
recubrimientos activos de sistemas terapéuticos gastrointestinales y se
modificaron los siguientes parámetros del proceso de recubrimiento: carga del
tambor, velocidad de pulverización, velocidad de rotación del tambor, duración
del ciclo y presión de pulverización. Los espesores de recubrimiento se midieron
usando imágenes pulsadas de terahercios y se correlacionaron con los
resultados obtenidos por cromatografía líquida de alta resolución. El análisis del
DoE reveló que la duración de la ejecución tuvo la mayor influencia en el
coeficiente de variación del espesor del recubrimiento. Un estudio similar fue
realizado por Just et al. (2013) donde se estudió el efecto de la carga de la
bandeja, la velocidad de la bandeja, la velocidad de pulverización y el número de
boquillas en el laboratorio y la escala piloto. Las tabletas se recubrieron con
candesartán cilexetilo, que se usó como material marcador para la determinación
de la variabilidad del recubrimiento usando HPLC.
Suspensión de revestimiento
Proceso de recubrimiento
El ajuste del modelo fue realizado por Regresión lineal múltiple (MLR) a
un nivel de significación de α = 0.05. Los modelos resultantes se refinaron
retrocediendo paso a paso regresión para lograr valores de alto coeficiente de
predicción (Q2).
Los errores más bajos se obtuvieron para R13 (loa = 12 kg, spr = 100 g /
min, pudrición = 12 rpm). El RMSEP más alto para este experimento fue 3.7% y
los puntos finales del proceso se estaban desviando 4.3%. Los parámetros de
proceso elegidos dieron como resultado una tasa de rendimiento de 27,69 kg /
h.
Además de R5, los errores más altos se observaron para R2 (loa = 9 kg,
spr = 100 g / min, vel = 15 rpm) y R8 (loa = 15 kg, spr = 80g / min, vel = 12 rpm).
Aunque los RMSEP de R2 fueron aceptables usando PLS. Por lo tanto, ningún
método fue adecuado para predecir este lote con precisión. Para R8, se obtuvo
la RMSEP más alta del 24,2% por UV 640 cm-1. Inferior
CARACTERISTICAS
Producción en masa
Ventajas
Desventajas
Ventajas
La regresión lineal tiene una versión “simple” que empareja dos variables,
pero esta suele ser insuficiente para entender fenómenos mínimamente
complejos en la que influyen más de dos variables, esta versión es la “múltiple”.
En el modelo de regresión lineal múltiple suponemos que más de una variable
tiene influencia o está correlacionada con el valor de una tercera variable. Por
ejemplo en el peso de una persona puede influir edad, género y estatura, en la
renta pueden influir trabajo, capital físico, conocimientos, etc.
𝒚𝒋 = 𝒃𝟎 + 𝒃𝟏 𝒙𝟏 + 𝒃𝟐 𝒙𝟐 + ⋯ + 𝒃𝒌 𝒙𝒋𝒌 + 𝒖𝒋
donde y es la variable endógena, x las variables exógenas, u los residuos
y b los coeficientes estimados del efecto marginal entre cada x e y.
Libre: Se tienen datos de una muestra que abarca toda la posible medida
de la variable que esta puede tener en la población.
a) La relación entre las variables sea lineal. Ser lineal no significa que
forzosamente tenga que ser una línea recta sino también que pueda ser lineal
con alguna transformación.
Datos ausentes
LINEALIZACIÓN
VALOR P
Denominamos α como la probabilidad de cometer un error tipo I es decir
la probabilidad de decir que algo se cumple cuando no se cumple. Cuanta más
pequeña sea α casi siempre será mejor porque estamos más seguros de lo que
estamos diciendo. α también se llama nivel de significación (su complementaria:
1- α, que cuanto más grande mejor, se suele llamar nivel de confianza).
Escogemos minimizar α como medida del error, mejor que el error tipo II
por dos razones: a) porque es más fácil de calcular estadísticamente y b) porque
parece que es más importante estar más seguro de lo que se afirma que de lo
que se rechaza.4
4. PLAN DE TRABAJO
𝑦𝑖𝑗 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝛽3 𝑥3 + 𝛽12 𝑥1 𝑥2 + 𝛽23 𝑥2 𝑥3 + 𝛽13 𝑥1 𝑥3 + 𝛽11 𝑥12 + 𝛽22 𝑥22 + 𝛽33 𝑥32
Donde:
𝑖 = 1,2, … … , 𝑡
𝑗 = 1,2, … … , 𝑟
-Supuestos
Residuales
Durbin Watson
Residuales
𝒙𝒊 Libre de error
Fig. 2 Modelo establecido mediante una regresión múltiple y su desarrollo para RMSEP (%); tomado directamente
del archivo de Excel “Modelo estadístico de regresión lineal múltipledel artículo sobre recubrimiento”
Fig. 3 Análisis de Varianza del modelo estadístico para la variable de %RMSEP como respuesta analítica; tomado
directamente del archivo de Excel “Modelo estadístico de regresión lineal múltiple del artículo sobre recubrimiento”
PARA EL CAMBIO EN LA DESVIACIÓN ∆(𝐸𝑛𝑑)%
Fig.41 Modelo establecido mediante una regresión múltiple y su desarrollo para el cambio de desviación; tomado
directamente del archivo de Excel “Modelo estadístico de regresión lineal múltiple del artículo sobre recubrimiento”
Fig. 5 Análisis de Varianza del modelo estadístico para la variable de % en cambio de desviación como respuesta
analítica; tomado directamente del archivo de Excel “Modelo estadístico de regresión lineal múltiple del artículo sobre
recubrimiento”
5. ANÁLISIS DE RESULTADOS
Sin embargo cabe mencionar que es de gran importancia incluir datos crudos
para la mejora en los análisis y concluir si realmente existe alguna interacción
entre estos que podría modificar la variable y por tanto la respuesta esperada,
los datos ausentes pueden ser radicalmente importantes en una determinación
puesto que se tratan de parámetros críticos de control para optimizar el método
de recubrimiento en tabletas, por lo tanto, se necesita considerar que incluso
estos datos despreciados podrían afectar a los supuestos del modelo y por tanto
la confiabilidad de los resultados por lo que es una cuestión que el investigador
debe ponderar.
De acuerdo al modelo establecido por el autor los parámetros críticos los cuales
fueron evaluados son independientes y por lo tanto se puede utilizar sin que este
llegue afectar el proceso Los modelos dieron como resultado valores r2
superiores a 0.94 y valores Q2 superior a 0,80. Además, la validación del modelo
también garantiza reproducibilidad y el valor de P nos dice por demás que no
hay significancia entre los datos y por tanto es útil.
6. CONCLUSIONES
7. RECOMENDACIONES
Incluir en un artículo los datos crudos con los cuales se trabajarán desde
un principio para que el espectador compruebe dicho análisis y haya
confiabilidad en los resultados.
Organizar los datos de manera más entendible y conforme a como se va
desarrollando el experimento, para conocer más acertadamente las
respuestas analíticas y entender el fin de la investigación.
Dar a conocer el ajuste del modelo, conforme a los datos evaluados para
comprender la obtención final de lo encontrado en dicho artículo.
8. BIBLIOGRAFÍA
1. Barimani S, Sibané R, Kleinebudde P. Optimización de un proceso de
recubrimiento con semi-continuo de tabletas para una línea de
ensamblaje continúa mediante el diseño de experimentos. ELSEVIER,
International Journal of Pharmaceutics 539 (2018) 95–103
2. Helmut S. Sistema de producción continua: características, ventajas y
ejemplos. Lifeder.com. 2017; [Consultada el 14/11/2019]. Disponible en:
https://www.lifeder.com/sistema-de-produccion-continua/
3. Vilalta M.D. Estudio del comportamiento de reactores discontinuos y
semicontinuos: modelización y comprobación experimental. 1999.
[Consultada el 14 Noviembre del 2019]. Disponible en:
https://www.tdx.cat/bitstream/handle/10803/6463/02_grauVilalta_capitol_
1.pdf
4. Plataforma académica para pregrado y posgrado. Curso de Tabletas
recubiertas y tipos de recubrimientos. Prograa integración a la Tecnología
y Docencia. 2016 [Consultada 14/Noviembre/2019]. Disponible en:
http://aprendeenlinea.udea.edu.co/lms/moodle/mod/page/view.php?id=1
30030
5. Granados R. Modelos de regresión lineal múltiple. Documentos de
Trabajo en Economía Aplicada. Universidad de Granada. España; 2016.