We present a model selection procedure for use in Mixture and Mixture-Process Experiments. Certain combinations of restrictions on the proportions of the mixture components can result in a very constrained experimental region. This results in collinearity among the covariates of the model, which can make it difficult to fit the model using the traditional method based on the significance of the coefficients. For this reason, a model selection methodology based on information criteria will be proposed for process optimization. Two examples are presented to illustrate this model selection procedure.

Neste artigo apresenta-se uma metodologia para planejamento de experimentos com mistura, ilustrada com o caso real do estudo de um misto químico que constitui um subsistema de um mecanismo de retardo para acionamento de um motor foguete. O objetivo do estudo é saber qual a proporção dos componentes da mistura que propicia um tempo de queima especificado em projeto. Para isto foi ajustado um modelo de regressão linear com respostas normais, o qual foi considerado inadequado, uma vez que houve indicação de que a variância da resposta não é constante. Recorreu-se então a modelos ajustados pelo método da Quase-Verossimilhança. Com o modelo desenvolvido, foi possível determinar a proporção dos componentes que otimiza o processo. Para a otimização do processo, além de um tempo de queima específico, foi possível considerar a minimização da variância da previsão deste tempo.

In this article a methodology for the design of mixture experiments is presented, illustrated with a real case study of a chemical compound, that constitutes a subsystem of a delay mechanism of a rocket motor. The aim of the study is to find the proportion of each mixture component in order to attend the specified burn time. For this, a linear regression model with normal responses was adjusted, and next considered inadequate, because there was an indication that the response variance is not constant. Therefore, the models were adjusted using the Quasi-Likelihood method. With the developed model, it was possible to find the proportion of each component that optimizes the process. For the process optimization, beside a specified burn time, it was possible to considerer the minimization of the prediction variance of this time.