Gráfico EWMAREG aplicado no monitoramento de processos
|
|
- Marcela da Cunha Barata
- 5 Há anos
- Visualizações:
Transcrição
1 Gráfico EWMAREG aplicado no monitoramento de processos Danilo Cuzzuol Pedrini (UFRGS) Ângelo Márcio Oliveira Sant Anna (UFRGS) Carla Schwengber ten Caten (UFRGS) Resumo: Para a implementação dos gráficos de controle é necessário assumir que os dados sejam independentes e identicamente distribuídos. Estas suposições podem não ser atendidas quando as características de qualidade do processo forem dependentes das variáveis de controle e estas variarem durante a execução do processo, já que, neste caso o modelo de referência do processo pode não ser o mesmo para todas as amostras provenientes do processo. Se os valores das variáveis de controle do processo são conhecidos com boa precisão, é possível utilizar o gráfico de controle EWMAREG. Este artigo tem como objetivo propor uma sistemática para a aplicação do gráfico de controle EWMAREG em processos industriais. A sistemática proposta foi aplicada em um processo de uma indústria de borracha. Nesta aplicação explicitaram-se os passos intermediários das fases de implementação de gráficos de controle, ressaltando a facilidade que esta sistematização pode gerar. Palavras-chave: EWMAREG; Resíduos padronizados; Modelos de Regressão. 1. Introdução Os gráficos de controle são as principais ferramentas do controle estatístico de processos (CEP), devido principalmente à sua simplicidade operacional e efetividade na detecção de problemas no processo, sendo utilizados com sucesso no monitoramento do desempenho dos mais diversos processos industriais. De acordo com Montgomery (2004), a utilização dos gráficos de controle requer que os dados monitorados sejam independentes e identicamente distribuídos. Estas suposições podem não ser satisfeitas quando há alterações no ajuste das variáveis de controle do processo, pois nesse caso, ocorre uma alteração na média e na variabilidade dos dados, sendo necessário um gráfico de controle para cada ajuste, o que pode não ser possível devido ao baixo número de amostras a serem analisadas para cada ajuste. Nesses casos, a característica de qualidade (CQ) de um produto ou processo é melhor representada pelo seu relacionamento com as variáveis de controle do processo (JACOBI et al., 2002; SHU et al., 2007). Uma possível solução para esta situação é o gráfico de controle de regressão, proposto por Mandel (1969). Este gráfico contempla o ajuste de um modelo de regressão linear simples que relaciona a CQ do processo a uma variável de controle e o monitoramento da relação entre os valores observados e os valores ajustados pelo modelo. Segundo Mandel (1969), o gráfico de controle de regressão tem como principal função controlar uma variação média da característica de qualidade, que ocorre devido à ação das variáveis de controle do processo, ao invés de controlar uma média constante do processo como é usualmente feito nos gráficos clássicos. Este gráfico de controle, tal qual proposto por Mandel (1969), somente pode ser aplicado em processos que apresentem apenas uma variável de controle, o que inviabiliza a 1
2 aplicação em vários processos industriais. Desta forma, autores como Haworth (1996) e Loredo et al. (2003) propuseram alternativas que permitem o monitoramento de processos que contenham mais de uma variável de controle, com o uso de modelos de regressão linear múltipla. Tendo em vista a baixa sensibilidade à pequenas alterações dos procedimentos propostos por Haworth (1996) e Loredo et al. (2003), Shu et al. (2004) propuseram o gráfico de controle EWMAREG, que é o monitoramento dos resíduos padronizados de um modelo de regressão através de um gráfico EWMA. O trabalho de Shu et al. (2004) concentra-se na obtenção do número médio de amostras até o sinal (NMA) do gráfico EWMAREG, apresentando brevemente o gráfico sem, no entanto, apresentar uma sistemática para a sua aplicação. Uma breve revisão sobre os gráficos de controle de regressão são apresentados por Shu et al. (2007). Dessa forma, o presente trabalho tem como objetivo apresentar uma sistemática que oriente a aplicação do gráfico EWMAREG em um processo industrial. A sistemática proposta foi subdividida nas duas fases de implantação de gráficos de controle: análise retrospectiva (Fase I) e monitoramento do processo (Fase II). Como validação da sistemática, aplicou-se o gráfico EWMAREG em um processo de uma indústria de borrachas. 2. Revisão Bibliográfica 2.1 Modelos de Regressão Linear A análise de regressão é uma técnica estatística que utiliza uma expressão matemática para expressar a relação entre uma CQ, também chamada de variável resposta, e algumas variáveis de controle. De acordo com Montgomery et al. (2001), o modelo de regressão linear múltipla que relaciona a CQ, também chamada de variável resposta y, às k variáveis de controle do processo é representado na equação (1). y = k β + β x + β x + L + β x k + ε (1) Sendoo coeficiente de regressão β 0 chamado de coeficiente de intercepto e os coeficientes β 1, β 2,..., β k chamados de coeficientes de inclinação. Para apresentar o modelo de forma mais compacta, a equação (1) pode ser reescrita em notação matricial: y = Xβ + ε (2) O vetor dos erros aleatórios ε é representado pelo estimador e, composto pelos resíduos de regressão e i, definidos pela diferença entre os valores observados e os valores estimados pelo modelo, podendo ser escritos em notação matricial: e i = y y (3) Se o número de observações (n) for maior que o número de variáveis de controle (k), o método utilizado para estimar a equação de regressão é o método de mínimos quadrados ordinários (MQO), que visa minimizar as somas dos quadrados dos resíduos da regressão (SQR) (MONTGOMERY et al., 2001). O estimador de mínimos quadrados ordinários de β é obtido pela resolução da equação (4): ( X ' X ) X ' y ˆ 1 β = (4) Para utilizar o MQO, segundo Montgomery e Runger (2003), é necessário assumir que os resíduos sejam normal e independentemente distribuídos, com média igual a zero e desvio- 2
3 padrão constante e desconhecido. Estas suposições devem ser verificadas após a construção do modelo, para a validação do mesmo. Os valores estimados da variável resposta são representados por: 1 ( X ' X ) X ' y Hy y ˆ = X βˆ = X = (5) Montgomery et al. (2001) e Weisberg (2005) comentam que a matriz H é chamada de matriz chapéu, pois transforma os valores observados y em valores estimados. Essa matriz é de grande importância na regressão, principalmente na detecção de informações influentes. 2.2 Gráfico de Controle de Regressão Em linhas gerais, o gráfico de controle de regressão é basicamente uma combinação dos gráficos de controle de Shewhart com a análise de regressão. A linha central do gráfico de controle de regressão é estimada pela equação de regressão estimada pela equação (1). A estimativa da variância do gráfico de controle de regressão é dada pelo desvio-padrão do modelo de regressão, estimado por: e' e SQR ˆ σ 2 e = = = MQR (6) n p n p Dessa forma, os limites de controle e linha central do gráfico de controle de regressão são dados por: LSCi = yˆ + wσˆ e (7) LSC i = yˆ (8) LSC = yˆ wσˆ (9) i O valor da constante w varia entre 2 e 3, conforme a sensibilidade desejada para o gráfico de controle. O procedimento proposto por Mandel (1969) restringe-se a modelos de regressão linear simples, ou seja, processos que apresentem apenas uma variável de controle. Dessa forma, Haworth (1996) modificou o procedimento clássico do gráfico de controle de regressão de forma a poder ser utilizado em processos mais complexos que apresentem mais de uma variável de controle significativa para explicar a característica de qualidade. Rothschild e Roth (1986) e Loredo et al. (2003) propuseram a aplicação dos gráficos de controle de regressão linear para amostras individuais, utilizando a amplitude móvel dos resíduos para estimar o desvio-padrão a ser utilizado no gráfico. 2.3 Gráfico de Controle EWMAREG Shu et al. (2004) propuseram o gráfico EWMAREG, que consiste no monitoramento dos resíduos padronizados de um modelo de regressão linear múltipla através de gráficos EWMAREG. Este método é bastante similar a um dos métodos de monitoramento de perfis lineares apresentados por Kang e Albin (2000). De acordo com Pedrini (2009), o gráfico EWMAREG apresenta menor NMA para pequenas alterações no processo, quando comparado aos procedimentos propostos por Haworth (1996) e Loredo et al. (2003). No método proposto por Shu et al. (2004), a variável a ser amortizada exponencialmente é o resíduo padronizado de Pearson, apresentado na equação (10): e = (10) 3
4 A CQ monitorada são os resíduos padronizados exponencialmente ponderados, obtidos pela aplicação da equação (11). Ressalta-se que usualmente adota-se U 0 igual a 0. =λ +(1 λ) (11) Os limites de controle para o gráfico de controle EWMAREG são iguais aos limites dos gráficos EWMA, com a substituição da média por 0, que é o valor esperado para a média dos resíduos de um modelo estimado pelo MQO. Estes limites são apresentados nas equações (12) e (14). =+L λ 2 λ [1 (1 λ) ] (12) =0 (13) = L λ 2 λ [1 (1 λ) ] (14) Segundo Pedrini e Caten (2008), os procedimentos apresentados por Haworth (1996), Loredo et al. (2002) e Shu et al. (2004) apresentam a vantagem adicional de preservar a ordem temporal dos dados. 3. Sistemática Proposta A sistemática proposta no presente artigo é baseado no método para aplicação do gráfico de controle de regressão múltipla, apresentado por Pedrini et al. (2009). Este método é estruturado em duas fases: Fase I - análise retrospectiva e Fase II - monitoramento do processo, conforme sugestão apresentada por Faltin et al. (1997). Segundo Faltin et al. (1997), a maioria dos trabalhos encontrados na literatura sobre gráficos de controle falha justamente em não separar essas duas fases em sua metodologia, o que dificulta a aplicação prática dos diversos procedimentos teóricos encontrados na literatura. O trabalho de Shu et al. (2004) também apresenta esta falha. Durante a Fase I de implantação dos gráficos de controle, é realizada uma análise de dados históricos do processo a ser monitorado, com o objetivo de definir os parâmetros do gráfico de controle de regressão e, se o processo for considerado como estável, prossegue-se para a Fase II. A Fase II é o monitoramento do processo propriamente dito, onde se compara as amostras coletadas com os limites sendo calculados a partir dos parâmetros obtidos na Fase I (PEDRINI, 2009). Para a aplicação da sistemática proposta são necessárias duas suposições: (i) a CQ do processo deve ser uma variável contínua e sua relação com as variáveis de controles deve ser ajustável por um modelo de regressão linear e (ii) os resíduos da regressão devem ser normal, independentemente e identicamente distribuídos, com média zero e desvio-padrão constante. 3.1 Fase I Análise Retrospectiva As etapas de execução desta fase são: (i) ajuste do modelo de regressão linear simples ou múltipla e (ii) elaboração do gráfico de controle para a Fase I do método Estimação do Modelo de Regressão Linear Para a Fase I do método coleta-se uma amostra significativa do processo, de forma a permitir estimar todos os coeficientes de regressão, além de disponibilizar o maior número 4
5 possível de graus de liberdade para o termo de erro do modelo, o que aumenta a confiabilidade dos resultados. Os dados coletados devem conter o valor da característica de qualidade monitorada e os valores das variáveis de controle do processo referentes ao ajuste do processo no momento de coleta. Ressalta-se que para a utilização do método de MQO para estimar os coeficientes de regressão, o número de amostras (m) deve ser maior que o número de variáveis de controle (k) mais um (MONTGOMERY e RUNGER, 2003). Utiliza-se o método de MQO para estimar o modelo de regressão linear múltipla. A seguir, testa-se a significância do modelo de regressão estimado, utilizando a estatística F- Snedecor proveniente da análise de variância da regressão. Neste teste, se o valor-p for menor que o nível de significância adotado, a variável resposta é linearmente relacionada com pelo menos uma das variáveis de controle utilizadas para estimar o modelo, caso contrário, o modelo ajustado não é adequado para descrever a relação entre a característica de qualidade e as variáveis de controle. O próximo passo é o uso do fator de inflação da variância (FIV) para a verificação da presença de multicolinearidade entre as variáveis de controle. Para este trabalho, considera-se um FIV j, j = 1,..., m, maior que 5 como sendo um indício de multicolinearidade entre as variáveis de controle, conforme sugerido por Montgomery et al. (2001). As possíveis soluções para o problema de multicolinearidade do modelo são: exclusão das variáveis de controle nãosignificativas, coleta de novos dados ou o uso da regressão ridge. A seguir, testam-se os coeficientes individuais de regressão, de forma a verificar a significância da relação entre cada uma das variáveis de controle e a característica de qualidade. Neste passo, se o teste de hipótese t para algum dos coeficientes de inclinação β j apresentar um valor-p maior que o nível de significância adotado, a variável de controle x j não é estatisticamente significativa para o modelo e, desta forma, o modelo de regressão deve ser estimado novamente, com a retirada desta variável de controle. Uma vez realizadas as etapas anteriores, analisam-se as suposições de que os resíduos são normalmente distribuídos com média zero e desvio-padrão constante. Para a verificação de que os resíduos tenham desvio-padrão constante, é necessário construir um gráfico dos resíduos versus os valores estimados. A verificação da normalidade dos resíduos pode ser realizada de maneira subjetiva através do gráfico de probabilidade normal. Para uma análise objetiva, recomenda-se o teste de normalidade de Kolmogorov-Smirnov, adotando um nível de significância de 5%. Outro teste necessário para a validação do modelo de regressão estimado é o uso da estatística de Durbin-Watson para verificar a hipótese de que os resíduos são independentes. De acordo com Montgomery et al. (2001), este teste é composto por dois testes: (i) teste de autocorrelação positiva e (ii) teste de autocorrelação negativa. Em ambos os testes, as decisões são feitas com base em duas constantes tabeladas, chamadas de d l e d u. Se essas suposições forem aceitas, o modelo é validado, sendo possível prosseguir para a construção do gráfico de controle EWMAREG da Fase I Gráfico EWMAREG da Fase I Uma vez estimado e validado o modelo de regressão é possível obter as estimativas da resposta média da variável resposta e, assim, estimar os resíduos do modelo através da equação (3). Para a Fase I do método proposto, a variável monitorada pelo gráfico de controle passa a ser o resíduo padronizado de Pearson estimado pela equação (10).Para definir os 5
6 valores das constantes L e λ do gráfico de controle EWMAREG, é necessário definir: (i) taxa de ocorrência de alarmes falsos e (ii) alteração na média dos resíduos que se deseja detectar. Para a escolha dos valores destas constantes, recomenda-se Crowder (1988; 1989), Lucas e Sacucci (1990) e Shu et al. (2004). Os limites de controle e linha central da Fase I são dados nas equações (12), Erro! Fonte de referência não encontrada. e (14). Ressalta-se que estes limites são estreitos no início do procedimento, mas se alargam à medida que se aumenta o número da amostra e, a partir de uma amostra i muito grande, estes limites serão praticamente constantes (MONTGOMERY, 2004; COSTA et al., 2006). Caso alguma amostra exceda os limites de controle, o processo será considerado como estando fora de controle estatístico e, dessa forma, as causas especiais que alteraram o estado do processo deverão ser investigadas. Se as causas especiais forem detectadas, a equação de regressão e os limites de controle deverão ser calculados novamente, desconsiderando-se os pontos fora de controle. Caso não existam novos pontos fora de controle, procede-se para a Fase II do método proposto. 3.2 Fase II Monitoramento do Processo A Fase II é subdividida em duas etapas de execução: (i) monitoramento das variáveis de controle (ii) monitoramento da CQ. Segundo Faltin et al. (1997), para a aplicação da Fase II é necessário supor que os dados monitorados e os dados utilizados na Fase I sigam a mesma distribuição. Para a Fase II do método proposto é necessária a coleta de amostras individuais do processo, coletadas em intervalos regulares de tempo. Ressalta-se que os dados coletados devem conter o valor da CQ monitorada e respectivos valores das variáveis de controle do processo Monitoramento das Variáveis de Controle Uma vez estimado o modelo de regressão é possível obter, através da equação de regressão ajustada, a previsão do valor da característica de qualidade e, conseqüentemente, o valor do resíduo. Para o presente trabalho, o valor previsto pelo modelo é considerado como o valor ideal para o processo, dado os valores das variáveis de controle. Antes do monitoramento da amostra coletada, é necessário verificar se os valores das variáveis de controle referentes a esta amostra não estão extrapolando a região original definida pelo conjunto de variáveis de controle utilizadas para estimar o modelo de regressão. De acordo com Montgomery et al. (2001), a extrapolação pode gerar uma estimativa ruim para a característica de qualidade, prejudicando, conseqüentemente, o desempenho do gráfico de controle EWMAREG. Para verificar se ocorre extrapolação de cada amostra coletada, utiliza-se o gráfico de controle de extrapolação, proposto por Pedrini (2009). Segundo Pedrini (2009), a variável monitorada pelo gráfico de controle de extrapolação é o elemento h jj, apresentado na equação (15). Este gráfico apresenta somente o LSC, que é igual ao maior valor de h ii dentre todos os vetores x i utilizados para estimar o modelo de regressão da Fase I. Caso algum h jj exceda o LSC está ocorrendo a extrapolação dos valores das variáveis de controle do modelo de regressão e as causas especiais que geraram esta amostra fora de controle devem ser identificadas. h jj ' j 1 ( ' ) x j = x X X (15) onde: x j é o vetor das variáveis de controle da j-ésima observação; X é uma matriz definida por todos os vetores de valores das variáveis de controle utilizadas para estimar o modelo de regressão. 6
7 3.2.2 Monitoramento da Característica de Qualidade Por se tratar de uma nova amostra, considerada independente das amostras utilizadas para estimar o modelo de regressão, é necessário corrigir desvio-padrão da previsão de uma nova observação para cada amostra em relação ao afastamento do novo vetor de variáveis de controle em relação ao valor médio de cada variável de controle da Fase I (HAWORTH, 1996; MONTGOMERY et al., 2001). Para isso, utiliza-se o elemento h jj, apresentado na equação (15), que é referente ao vetor x j coletado. A partir da correção no desvio-padrão, altera-se o cálculo dos resíduos padronizados, gerando-se os resíduos padronizados na forma student, apresentados na equação (16). e j rj = (16) σˆ 1+ h Assim, a variável monitorada pelo gráfico EWMAREG é obtida pela equação (17). jj =λ +(1 λ) (17) 1+h Os limites de controle para a Fase II do gráfico EWMAREG são adaptados a partir dos limites de controle da Fase I, considerando-se que o índice j é um número muito grande. Dessa forma, os limites de controle serão fixos e paralelos à linha central. =+L λ 2 λ (18) =0 (19) = L λ 2 λ Ressalta-se que o gráfico de controle EWMAREG, o valor dos resíduos fora dos limites de controle indica, necessariamente, uma diferença incomum entre o valor observado da CQ e o valor estimado pelo modelo de regressão. Neste caso, deve-se proceder com a investigação das causas especiais que levaram a este valor incomum. (20) 4. Aplicação da Sistemática Proposta A sistemática proposta foi aplicada em um processo de Extrusão de Bandas de Rodagem de uma indústria multinacional de borrachas. A CQ a ser monitorada no processo estudado é o tempo de estabilização, que é medido a partir do momento em que o processo começa a operar após setup de um novo ajuste das variáveis de controle até o momento em que o processo se estabiliza. Esta característica de qualidade é uma variável contínua, que está diretamente relacionada à perda de matéria-prima e de tempo útil de processo, já que enquanto o processo está desestabilizado o produto produzido apresenta baixa qualidade, sendo posteriormente descartado. As variáveis de controle (x j ) deste processo são: temperatura na fieira (x 1 ); nível de plastificação (x 2 ); parâmetro de carregamento (x 3 ); fator de enchimento (x 4 ); temperatura da hélice (x 5 ); temperatura no eixo Y (x 6 ) e tempo de setup (x 7 ). 4.1 Aplicação da Fase I Os dados utilizados para a Fase I foram obtidos através de um experimento realizado 7
8 na empresa. Neste experimento, utilizou-se um projeto fatorial fracionado em quatro partes, com as variáveis de controle ajustadas em dois níveis (2 7-2 ) resultando em 32 amostras individuais. Devido à escolha deste experimento fatorial fracionado, as interações x 4* x 6, x 5* x 6 e x 6* x 7 estarão confundidas com outras interações de primeira ordem e não poderão ser incluídas no modelo a ser estimado. O modelo de regressão, estimado pelo método de MQO, é apresentado na equação (21): yˆ i = 227,1 + 14,8x + x x (21) 1 16,9x4 + 12,9x7 + 11,4 x1x3 + 14,4x2 x5 + 11,9 x2 x6 8, 10 Este modelo apresenta um coeficiente de determinação de aproximadamente 76,8% e um coeficiente de determinação ajustado de 76,1%. A estatística C p de Mallows para este modelo foi igual a 7,9, que é bastante próxima do número de parâmetros do modelo. Para testar a significância do modelo de regressão estimado, utiliza-se a estatística F, calculada através da análise de variância (ANOVA) da regressão, que é apresentada na Tabela 1. TABELA 1 ANOVA para o modelo estimado. Fonte SQ GL QM F Valor p Regressão 38913, ,1 11,37 0,00 Erro 11732, ,9 Total 50646,4 31 Como o valor p para o teste de significância do modelo de regressão, apresentado na Tabela 1, é menor que o nível de significância adotado (5%) rejeita-se a hipótese nula deste teste, logo, há fortes evidências estatísticas para considerar que a CQ seja linearmente dependente de pelo menos uma variável de controle. Seguindo o método proposto, apresenta-se na Tabela 2 o Fator de Inflação de Variância (FIV) para verificar a presença de multicolinearidade no modelo. Na Tabela 2 também são apresentados os resultados dos testes individuais para a significância dos coeficientes do modelo de regressão. TABELA 2 Testes t individuais e valores FIV para as variáveis de controle e coeficiente de intercepto.. Termo Estimativa Desvio-padrão T Valor P FIV Intercepto 227,076 3,91 19,72 0,000 - x 1 14,805 3,91 3,79 0,001 1,0 x 4-16,922 3,91-4,33 0,000 1,0 x 7 12,924 3,91 3,31 0,003 1,0 x 1* x 3 11,373 3,91 2,91 0,008 1,0 x 2* x 5 14,399 3,91 3,68 0,001 1,0 x 2* x 6 11,884 3,91 3,04 0,006 1,0 x 3* x 4 8,098 3,91 2,07 0,049 1,0 Como é possível observar na Tabela 2, os valores do FIV de todas variáveis incluídas no modelo foram menores que 5, logo, o modelo estimado na equação (21) não apresenta multicolinearidade e as variáveis de controle incluídas no modelo podem ser consideradas independentes. Os testes t para o coeficiente de intercepto e os de inclinação apresentam valor p menores que 5%, que é o nível de significância adotado. Dessa forma, conclui-se que estes coeficientes são estatisticamente significativos e, portanto, as variáveis de controle e interações incluídas no modelo têm um efeito significativo sobre a CQ monitorada. Para validação do modelo, apresenta-se na Figura 1 o gráfico de normalidade dos resíduos e o gráfico de resíduos versus valores estimados do modelo
9 (a) (b) FIGURA 1 Gráficos dos resíduos para validação do modelo. Através da análise da Figura 1(a), observa-se que a variância dos resíduos pode ser considerada como aproximadamente constante, já que esta se aproxima do padrão descrito por Montgomery e Runger (2003), não apresentando evidências de que a variância sofra variações com a alteração do valor estimado pelo modelo. Na Figura 1(b), os resíduos podem ser considerados como sendo normalmente distribuídos, já que se aproximam razoavelmente da reta. Como o modelo estimado foi validado, utiliza-se o gráfico de controle EWMAREG da Fase I para verificação de estabilidade dos dados utilizados para estimar o modelo de regressão linear. Para este gráfico, adotou-se L = 2,8 e λ = 0,15, que confere um NMA 0 de aproximadamente 370 (MONTGOMERY, 2004). Adotando ˆ σ = 22, 1 e substituindo os valores das constantes L e λ nas equações (12) e (14), os limites de controle da Fase I são: =+0, ,9 (22) = 0, ,9 (23) Adotando estes limites de controle, o gráfico EWMAREG para o monitoramento dos resíduos padronizados de Pearson é apresentado na Figura 2: 0,90 0,60 0,30 U i 0,00-0,30-0,60-0, Amostra FIGURA 2 Gráfico de controle EWMAREG da Fase I Como o gráfico EWMAREG, apresentado na Figura 2 não apresentou nenhuma evidência de presença de causas especiais, o processo pode ser considerado como estando sob controle estatístico. Dessa forma, o modelo de regressão apresentado na equação (21) e o desvio-padrão do processo podem ser utilizados na Fase II para monitorar o processo de 9
10 Extrusão de Bandas de Rodagem. 4.2 Aplicação da Fase II Após a Fase I, inicia-se a Fase II do método proposto, que consiste basicamente na coleta de amostras individuais do processo, na verificação se as variáveis de controle extrapolam a região original de dados utilizados para estimar o modelo de regressão e, por fim, o monitoramento da CQ do processo. Os dados coletados devem conter: o valor da CQ e os valores das variáveis de controle no momento de coleta dos dados. Para a aplicação da Fase II do método proposto, utilizou-se 122 amostras provenientes do processo de Extrusão de Bandas de Rodagem, coletadas pelos operadores do processo. Após a coleta dos dados, utiliza-se o gráfico de controle de extrapolação para verificar se os valores do conjunto de variáveis de controle extrapolam a região formada pelos dados utilizados para estimar o modelo de regressão. O LSC encontrado para este gráfico é igual a 0,25, que foi o maior falor de hii dos dados utilizados para estimar o modelo de regressão na Fase I. O gráfico de controle de extrapolação é apresentado na Figura 3. Ressalte-se que para facilitar a identificação dos pontos fora de controle, estes foram marcados em vermelho. FIGURA 3 Gráfico de controle de extrapolação Como é possível observar na Figura 3, apenas a amostra 41 apresentou h jj maior que este valor, sendo, portanto, desconsiderada do monitoramento do gráfico de controle de regressão múltipla. Após a exclusão desta amostra restaram 121 amostras que serão monitoradas pelo gráfico de controle de regressão múltipla proposto. Adotando o valor do ˆ σ = QMR = 488,9 = 22,1 do modelo estimado, os resíduos padronizados student podem ser obtidos através da sequinte equação: r j e j = 22,1 1+ h Os limites de controle para a Fase II são apresentados nas equações (25) e (26): jj (24) 10
11 =+0,797 (25) = 0,797 (26) A Figura 4 apresenta o gráfico de controle de regressão para o monitoramento da CQ do processo de Linhas de Extrusão de Bandas de Rodagem. 0,9 0,6 0,3 U i 0,0-0,3-0,6-0, FIGURA 4 Gráfico de controle EWMAREG da Fase II Através da análise da Figura 4, conclui-se que o processo está sob controle estatístico, já que o gráfico de controle proposto não indicou nenhuma amostra como estando fora da região definida pelos limites de controle. Também se observa no gráfico de controle da Figura 4 que não ocorreram seqüências de oito pontos localizados do mesmo lado da linha central ou seqüências de seis pontos em seqüência crescente ou decrescente. 5. Considerações Finais Amostra O presente trabalho teve como objetivo principal propor uma sistemática para a aplicação do gráfico EWMAREG em um sistema produtivo, que foi elaborado a partir de outros métodos encontrados na literatura. Dessa forma, foi proposto um método dividido em duas fases inter-relacionadas: Fase I análise retrospectiva e Fase II monitoramento do processo propriamente dito. A Fase I da sistemática proposta inclui as etapas de coletas de dados, estimação do modelo de regressão linear que relacione a característica de qualidade às variáveis de controle do processo e a verificação da estabilidade do processo no período em que a amostra foi coletada. Se o processo for considerado como estando sob controle estatístico e, assumindo que o modelo de regressão estimado na Fase I do processo esteja correto, prossegue-se à Fase II do método proposto, que consiste na coleta de amostras individuais do processo, verificação da extrapolação da região original dos dados e monitoramento da característica de qualidade. A sistemática proposta foi aplicada e validada em um processo de extrusão de bandas de rodagem de uma indústria de borrachas. Nesta aplicação explicitaram-se os passos intermediários das fases da sistemática proposta, de forma a ressaltar a facilidade de 11
12 apliacação da mesma. Com o monitoramento com o gráfico EWMAREG, o processo estudado foi considerado como estando sob controle estatístico. Assim, destaca-se a relevância de uma sistemática para aplicação de gráficos de controle a fim de explicitar a implementação de gráficos de controle no monitoramento de processos conforme as fases de análise retrospectiva e de monitoramento de processos. Referências CROWDER, S. V. A Simple Method for Studying Run-Length Distributions of Exponentially Weghted Moving Average Charts. Technometrics, v. 29, n. 4, p , CROWDER, S. V. Design of Exponentially Weighted Moving Average Schemes. Journal of Quality Technology, v. 21, n. 3, p , FALTIN, F. W.; MASTRANGELO, C. M.; RUNGER, G. C.; RYAN, T. P. Considerations in the Monitoring of Autocorrelated and Independent Data. Journal of Quality Technology, v. 29, n. 2, p , HAWORTH, D. A. Regression control chart to manage software maintenance. Software Maintenance: Research and Practice, v. 8, n. 1, p 35-48, JACOBI, L. F.; SOUZA, A. M.; PEREIRA, J. E. S. Gráfico de Controle de Regressão Aplicado na Monitoração de Processos. Revista Produção, v. 12, n. 1, pág , KANG, L.; ALBIN, S. On-line Monitoring When the Process Yelds Linear Profiles. Journal of Quality Technology, v. 32, n. 4, p , LOREDO, E. N.; JEARKPAPORN, D.; BORROR, C. M. Model-based Control Chart for Autoregressive and Correlated Data. Quality and Reliability Engineering International, v. 18, n. 6, p , LUCAS, J. M.; SACCUCCI, M. S. Exponentially Weighted Moving Average Control Schemes: Properties and Enhancements. Technometrics, v. 32, n.1, p. 1-12, MANDEL, B. J. The Regression control chart. Journal of Quality Technology, v. 1, n. 1, p. 1-9, MONTGOMERY, D. C. Introdução ao Controle Estatístico da Qualidade. 4. Ed. Rio de Janeiro: Editora LTC, 2004, 513 p. MONTGOMERY, D. C.; RUNGER, G C. Estatística Aplicada e Probabilidade para Engenheiros. 2. Ed., Rio de Janeiro: Editora LTC, 2003, 463 p. MONTGOMERY, D. C.; VINING, G. G.; PECK, E. A. Introduction to linear regression analysis. 3. Ed., New York: John Wiley & Sons, 2001, 641 p. PEDRINI, D. C. Proposta de um método para aplicação do gráfico de controle de regressão no monitoramento de processos. UFRGS: Dissertação de Mestrado em Engenharia de Produção. Universidade Federal do Rio Grande do Sul, PEDRINI, D. C.; CATEN, C. S. ten. Comparação entre gráficos de controle para residuos de modelos. Bauru: XV Simpósio de Engenharia de Produção (SIMPEP), PEDRINI, D. C.; SANT ANNA, A. M. O.; CATEN, C. S. ten. Sistemática para a aplicação do gráfico de controle de regressão múltipla no monitoramento de processos. Salvador: XXIX Encontro Nacional de Engenharia de Produção (ENEGEP), (aprovado para publicação). ROTHSCHILD, B. F.; ROTH, S. R. Statistical Process Control of Plating Solutions with Regression Control Charts. The SAMPE Journal, v. 22, n. 5, p , SHU, L; TSUI, K. L.; TSUNG, F. A Review of Regression Control Charts. In: Ruggeri, F.; Faltin, F.; Kenett, R. Encyclopedia of Statistics in Quality and Reliability New York: John Wiley & Sons, p , SHU, L; TSUNG, F; TSUI, K. L. Run-length Perfomance of Regression Control Charts with Estimated Parameters. Journal of Quality Technology, v. 36, n. 3, p ,
SISTEMÁTICA PARA A APLICAÇÃO DO GRÁFICO DE CONTROLE DE REGRESSÃO MÚLTIPLA NO MONITORAMENTO DE PROCESSOS
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. SISTEMÁTICA PARA A APLICAÇÃO DO GRÁFICO DE CONTROLE DE REGRESSÃO MÚLTIPLA NO MONITORAMENTO DE PROCESSOS Danilo Cuzzuol Pedrini (PPGEP/UFRGS) danilo@producao.ufrgs.br
Leia maisObtenção do NMA do Gráfico de Controle de Regressão
Obtenção do NMA do Gráfico de Controle de Regressão Danilo Cuzzuol Pedrini (UFRGS) danilo@producao.ufrgs.br Carla Schwengber ten Caten (UFRGS) tencaten@producao.ufrgs.br Resumo: Para a aplicação dos gráficos
Leia maisCADERNOS DO IME Série Estatística
CADERNOS DO IME Série Estatística Universidade do Estado do Rio de Janeiro - UERJ Rio de Janeiro RJ - Brasil ISSN 1413-9022 / v. 27 p. 13-27, 2009 CÁLCULO DO NMA DO GRÁFICO DE CONTROLE DE REGRESSÃO Danilo
Leia maisNMA do gráfico de controle de regressão com parâmetros estimados
NMA do gráfico de controle de regressão com parâmetros estimados Danilo Cuzzuol Pedrini (PPGEP/UFRGS) danilo@producao.ufrgs.br Carla Schwengber ten Caten (PPGEP/UFRGS) tencaten@producao.ufrgs.br RESUMO
Leia maisÍndices de capacidade do processo: comparação entre índices tradicionais e índices para gráficos de controle de regressão
Índices de capacidade do processo: comparação entre índices tradicionais e índices para gráficos de controle de regressão Fernanda Siqueira Souza (PPGEP/UFRGS) fe_ssouza@producao.ufrgs.br Danilo Cuzzuol
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisPROPOSTA DE MÉTODO PARA MONITORAMENTO DE PROCESSOS ATRAVÉS DE UM GRÁFICO DE CONTROLE PARA RESÍDUOS DE MODELOS DE REGRESSÃO
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Maturidade e desafios da Engenharia de Produção: competitividade das empresas, condições de trabalho, meio ambiente. São Carlos, SP, Brasil, 12 a15 de outubro
Leia maisComparação entre gráficos de controle para resíduos de modelos
Comparação entre gráficos de controle para resíduos de modelos Danilo Cuzzuol Pedrini (UFRGS/PPGEP, RS, Brasil) danilo@producao.ufrgs.br UFRGS R. Osvaldo Aranha, 99, 5º andar, CEP: 90035-190, Porto Alegre-RS
Leia maisCOMPARAÇÃO ENTRE MÉTODOS UTILIZADOS NO TRATAMENTO DE DADOS AUTOCORRELACIONADOS NO CONTROLE ESTATÍSTICO DO PROCESSO
COMPARAÇÃO ENTRE MÉTODOS UTILIZADOS NO TRATAMENTO DE DADOS AUTOCORRELACIONADOS NO CONTROLE ESTATÍSTICO DO PROCESSO Fernando de Jesus Moreira Junior (UFSM) fmjunior@smail.ufsm.br Enio Junior Seidel (UFSM)
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisPROPOSTA DE UM MÉTODO PARA APLICAÇÃO DE
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO DANILO CUZZUOL PEDRINI PROPOSTA DE UM MÉTODO PARA APLICAÇÃO DE GRÁFICOS DE CONTROLE DE
Leia maisEficiência do gráfico de controle EWMA em função de diferentes quantidades e posições de causas especiais
Eficiência do gráfico de controle EWMA em função de diferentes quantidades e posições de causas especiais João Marcos Ramos de Moraes (UFV) jaum_55@hotmail.com José Ivo Ribeiro Júnior (UFV) jivo@ufv.br
Leia maisUm Estudo do Comportamento dos Gráficos de Controle Construídos Via Metodologia de Geoestatística
XIII SIMPEP - Bauru, SP, Brasil, 6 a 8 de Novembro de 006 Um Estudo do Comportamento dos Gráficos de Controle Construídos Via Metodologia de Geoestatística Fabiane Renata de Santana Yassukawa (UFMG) fabianesy@yahoo.com.br
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Permite avaliar se existe relação entre o comportamento de duas ou mais variáveis e em que medida se dá tal interação. Gráfico de Dispersão A relação entre duas variáveis pode ser
Leia maisMONITORAMENTO DA FRAÇÃO DE NÃO-CONFORMES EM PROCESSOS BIVARIADOS RESUMO
MONITORAMENTO DA FRAÇÃO DE NÃO-CONFORMES EM PROCESSOS BIVARIADOS Ângelo Márcio Oliveira Sant Anna Carla Schwengber ten Caten Programa de Pós-graduação em Engenharia de Produção / UFRGS Av. Osvaldo Aranha,
Leia mais2 FUNDAMENTACÃO TEÓRICA
2 FUNDAMENTACÃO TEÓRICA Este capítulo apresenta os modelos de séries temporais chamados estruturais, nos quais o valor das observações é visto como composto de uma parte sistemática, modelada por uma equação
Leia maisDIFERENTES ESTRATÉGIAS DE AMOSTRAGENS PARA REDUZIR O EFEITO DA AUTOCORRELAÇÃO NO DESEMPENHO DO GRÁFICO DA MÉDIA
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Maturidade e desafios da Engenharia de Produção: competitividade das empresas, condições de trabalho, meio ambiente. São Carlos, SP, Brasil, 2 a5 de outubro
Leia maisMais Informações sobre Itens do Relatório
Mais Informações sobre Itens do Relatório Amostra Tabela contendo os valores amostrados a serem utilizados pelo método comparativo (estatística descritiva ou inferencial) Modelos Pesquisados Tabela contendo
Leia maisAnálise da Regressão. Prof. Dr. Alberto Franke (48)
Análise da Regressão Prof. Dr. Alberto Franke (48) 91471041 O que é Análise da Regressão? Análise da regressão é uma metodologia estatística que utiliza a relação entre duas ou mais variáveis quantitativas
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais CORRELAÇÃO LINEAR Coeficiente de correlação linear r Mede o grau de relacionamento linear entre valores
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisREGRESSÃO LINEAR Parte I. Flávia F. Feitosa
REGRESSÃO LINEAR Parte I Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2015 Onde Estamos Para onde vamos Inferência Esta5s6ca se resumindo a uma equação
Leia maisProposta de uma carta de controle estatístico de dados autocorrelacionados
Proposta de uma carta de controle estatístico de dados autocorrelacionados Fernando de Jesus Moreira Junior (UFRGS) fmjunior@ufrgs.br Carla Schwengber ten Caten (UFRGS) tencaten@producao.ufrgs.br Resumo
Leia maisDelineamento e Análise Experimental Aula 3
Aula 3 Castro Soares de Oliveira Teste de hipótese Teste de hipótese é uma metodologia estatística que permite tomar decisões sobre uma ou mais populações baseando-se no conhecimento de informações da
Leia maisPlanejamento de Experimentos
Planejamento de Experimentos 1 6.4 Os Modelos fatoriais 2 k : o caso geral. O modelo estatístico para um plano 2 k inclui k ( k 2 ( k ) ) efeitos principais efeitos de interação de ordem 2 efeitos de interação
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisGráficos de Controle (X, R, S, CUSUM e EWMA)
Gráficos de Controle (X, R, S, CUSUM e EWMA) Alunos: Ahyalla Riceli Anderson Elias Professor: Paulo Maciel Ricardo Massa Roteiro Introdução Gráficos de Controle CEP Controle Estatístico de Processo Gráfico
Leia maisEspecialização em Engenharia de Processos e de Sistemas de Produção
Especialização em Engenharia de Processos e de Sistemas de Produção Projetos de Experimento e Confiabilidade de Sistemas da Produção Prof. Claudio Luis C. Frankenberg 3ª parte Conforme foi apresentado
Leia maisDisciplina de Modelos Lineares
Disciplina de Modelos Lineares 2012-2 Seleção de Variáveis Professora Ariane Ferreira Em modelos de regressão múltipla é necessário determinar um subconjunto de variáveis independentes que melhor explique
Leia maisANÁLISE DE REGRESSÃO
ANÁLISE DE REGRESSÃO Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 09 de janeiro de 2017 Introdução A análise de regressão consiste na obtenção de uma equação
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia maisExemplo Multicolinearidade
Exemplo Multicolinearidade Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 1 o Semestre 2013 G. A. Paula (IME-USP) Calor do Cimento 1 o Semestre 2013 1 / 28 Calor de Cimento
Leia maisNOÇÕES SOBRE EXPERIMENTOS FATORIAIS
3 NOÇÕES SOBRE EXPERIMENTOS FATORIAIS Planejamento de Experimentos Design of Experiments - DOE Em primeiro lugar devemos definir o que é um experimento: Um experimento é um procedimento no qual alterações
Leia maisO parâmetro β1 indica a mudança ocorrida na esperança de Y a cada unidade de mudança em X 1 quando X2 é mantida fixa.
Outras informações para ajudar na interpretação das análises de Regressão 1. Interpretação dos parâmetros na ausência de interações Considere o modelo E(Y x) = β0 + β1 x1 + β2 x2. O parâmetro β0 é o intercepto
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisPredição do preço médio anual do frango por intermédio de regressão linear
Predição do preço médio anual do frango por intermédio de regressão linear João Flávio A. Silva 1 Tatiane Gomes Araújo 2 Janser Moura Pereira 3 1 Introdução Visando atender de maneira simultânea e harmônica
Leia maisProcedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear
Procedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear Rogério Antonio de Oliveira 1 Chang Chiann 2 1 Introdução Atualmente, para obter o registro
Leia maisTítulo - Actas das 4. as Jornadas de Engenharia Hidrográfica Autor - Instituto Hidrográfico Tiragem exemplares Edição e paginação - Instituto
ACTAS Lisboa Título - Actas das 4. as Jornadas de Engenharia Hidrográfica Autor - Instituto Hidrográfico Tiragem - 230 exemplares Edição e paginação - Instituto Hidrográfico, 2016 Impressão e acabamento
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisGRÁFICO EWMAREG APLICADO NO MONITORAMENTO DE PROCESSOS INDUSTRIAIS EWMAREG CONTROL CHART APPLIED IN THE MONITORING OF INDUSTRIAL PROCESSES
GRÁFICO EWMAREG APLICADO NO MONITORAMENTO DE PROCESSOS INDUSTRIAIS EWMAREG CONTROL CHART APPLIED IN THE MONITORING OF INDUSTRIAL PROCESSES Danilo Cuzzuol Pedrini* E-mail: danilo_cp1@yahoo.com.br Ângelo
Leia maisCAPÍTULO 10 REGRESSÃO LINEAR MÚLTIPLA REGRESSÃO LINEAR MÚLTIPLA PPGEP
CAPÍTULO REGRESSÃO LINEAR MÚLTIPLA UFRGS REGRESSÃO LINEAR MÚLTIPLA Muitos problemas de regressão envolvem mais de uma variável regressora Por exemplo a qualidade de um processo químico pode depender da
Leia maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia mais4 Medida de desempenho do gráfico de controle
4 Medida de desempenho do gráfico de controle Neste capítulo, são apresentadas as ferramentas que nos permitem comparar o desempenho do gráfico utilizado por Kang & Albin (2000) para monitorar perfis lineares,
Leia maisProf. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 12 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 2017
Prof. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 2 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 207 SUMÁRIO - BREVE DESCRIÇÃO, FUNDAMENTOS, CONCEITOS, CARACTERÍSTICAS,
Leia maisRegressões: Simples e MúltiplaM. Prof. Dr. Luiz Paulo Fávero 1
Regressões: Simples e MúltiplaM Prof. Dr. Luiz Paulo FáveroF Prof. Dr. Luiz Paulo Fávero 1 1 Técnicas de Dependência Análise de Objetivos 1. Investigação de dependências entre variáveis. 2. Avaliação da
Leia maisEXPERIMENTO FATORIAL BLOCADO PARA DETERMINAÇÃO DE DIFERENÇAS ENTRE TEMPO DE QUEIMA DE VELAS DE PARAFINA
Revista da Estatística da UFOP, Vol I, 2011 - XI Semana da Matemática e III Semana da Estatística, 2011 ISSN 2237-8111 EXPERIMENTO FATORIAL BLOCADO PARA DETERMINAÇÃO DE DIFERENÇAS ENTRE TEMPO DE QUEIMA
Leia maisModelos de Regressão Linear Simples - parte III
1 Modelos de Regressão Linear Simples - parte III Erica Castilho Rodrigues 20 de Setembro de 2016 2 3 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada
Leia maisComparando equações de regressão em dados de saúde
Comparando equações de regressão em dados de saúde Terezinha Aparecida Guedes*, Ivan Ludgero Ivanqui e Ana Beatriz Tozzo Martins Departamento de Estatística, Universidade Estadual de Maringá, Av Colombo,
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisTransformações e Ponderação para corrigir violações do modelo
Transformações e Ponderação para corrigir violações do modelo Diagnóstico na análise de regressão Relembrando suposições Os erros do modelo tem média zero e variância constante. Os erros do modelo tem
Leia maisDelineamento e Análise Experimental Aula 4
Aula 4 Castro Soares de Oliveira ANOVA Significativa Quando a aplicação da análise de variância conduz à rejeição da hipótese nula, temos evidência de que existem diferenças entre as médias populacionais.
Leia maisRESUMO DO CAPÍTULO 3 DO LIVRO DE WOOLDRIDGE ANÁLISE DE REGRESSÃO MÚLTIPLA: ESTIMAÇÃO
RESUMO DO CAPÍTULO 3 DO LIVRO DE WOOLDRIDGE ANÁLISE DE REGRESSÃO MÚLTIPLA: ESTIMAÇÃO Regressão simples: desvantagem de apenas uma variável independente explicando y mantendo ceteris paribus as demais (ou
Leia maisCOMPARAÇÃO DO DESEMPENHO ENTRE OS GRÁFICOS DE CONTROLE X-BARRA E T - STUDENT VARIANDO- SE O NÚMERO E O TAMANHO DAS AMOSTRAS
COMPARAÇÃO DO DESEMPENHO ENTRE OS GRÁFICOS DE CONTROLE X-BARRA E T - STUDENT VARIANDO- SE O NÚMERO E O TAMANHO DAS AMOSTRAS Flavio Luiz Mazocco (UFSCar ) mazocco@hotmail.com Germano Mendes Rosa (IFMG )
Leia maisREGRESSÃO E CORRELAÇÃO
REGRESSÃO E CORRELAÇÃO A interpretação moderna da regressão A análise de regressão diz respeito ao estudo da dependência de uma variável, a variável dependente, em relação a uma ou mais variáveis explanatórias,
Leia maisaula ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES
ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES 18 aula META Fazer com que o aluno seja capaz de realizar os procedimentos existentes para a avaliação da qualidade dos ajustes aos modelos. OBJETIVOS Ao final
Leia maisUNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO. PROJETO DE EXTENSÃO Software R: de dados utilizando um software livre.
UNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO PROJETO DE EXTENSÃO Software R: Capacitação em análise estatística de dados utilizando um software livre. Fonte: https://www.r-project.org/ Módulo
Leia maisESTATÍSTICA Distribuições qui-quadrado, t de Student e F de Snedecor Lucas Schmidt
ESTATÍSTICA Distribuições qui-quadrado, t de Student e F de Snedecor Lucas Schmidt lucas.breniuk@hotmail.com Estimação de parâmetros Média Variância Proporção Estimação de parâmetros Média: " estimador
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisPalavras-Chave: Gráficos de Controle Especiais, Geoestatística.
Estudo de Cartas Especiais e Geoestatística no Controle Estatístico de Processos Bruna Fernanda Viotto Oliveira¹ Edilson Ferreira Flores² RESUMO O presente estudo teve como objetivo explorar as técnicas
Leia maisUSO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA
USO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA F. M. A. S. COSTA 1, A. P. SILVA 1, M. R. FRANCO JÚNIOR 1 e R.
Leia maisO EFEITO DA AUTOCORRELAÇÃO NO DESEMPENHO DO GRÁFICO DE CONTROLE EWMA
O EFEITO DA AUTOCORRELAÇÃO NO DESEMPENHO DO GRÁFICO DE CONTROLE EWMA ROBERTO CAMPOS LEONI (UNESP) rcleoni@yahoo.com.br Antonio Fernando Branco Costa (UNESP) fbranco@feg.unesp.br Gráficos de controle são
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
Leia maisRenda x Vulnerabilidade Ambiental
Renda x Vulnerabilidade Ambiental ANEXO D ANÁLISE EXPLORATÓRIA E PREPARAÇÃO DOS DADOS Identificamos tendência linear positiva. A correlação entre as variáveis é significativa, apresentando 99% de confiança.
Leia maisPesquisador. Planejamento de Experimentos Design of Experiments - DOE NOÇÕES SOBRE EXPERIMENTOS FATORIAIS. 1 - Fixar T e variar P até > Pureza
3 NOÇÕES SOBRE EXPERIMENTOS FATORIAIS Planeamento de Experimentos Design of Experiments - DOE Em primeiro lugar devemos definir o que é um experimento: Um experimento é um procedimento no qual alterações
Leia maisMétodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Leia maisExemplo Regressão Robusta
Exemplo Regressão Robusta Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 1 o Semestre 2013 G. A. Paula (IME-USP) Abastecimento de Refrigerantes 1 o Semestre 2013 1 /
Leia maisPrincípios em Planejamento e Análise de Dados Ecológicos. Regressão linear. Camila de Toledo Castanho
Princípios em Planejamento e Análise de Dados Ecológicos Regressão linear Camila de Toledo Castanho 217 Conteúdo da aula 1. Regressão linear simples: quando usar 2. A reta de regressão linear 3. Teste
Leia maisA análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004).
3 Séries temporais A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004). 3.1. Princípios fundamentais Conforme Box et al. (1994), uma
Leia maisi j i i Y X X X i j i i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia maisVariância pop. * conhecida Teste t Paramétrico Quantitativa Distribuição normal Wilcoxon (teste dos sinais, Wilcoxon p/ 1 amostra)
Testes de Tendência Central (média, mediana, proporção) Classificação Variável 1 Variável 2 Núm ero Gru pos Dependência Teste Z Paramétrico Quantitativa - 1 - Premissas Variância pop. * conhecida Teste
Leia maisAULA 07 Inferência a Partir de Duas Amostras
1 AULA 07 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 10 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola,
Leia maisNotas de Aulas Econometria I ** Eduardo P. Ribeiro, 2010 PARTE II
Notas de Aulas Econometria I ** Eduardo P Ribeiro, 00 PARTE II Autocorrelação Autocorrelação: violação da hipótese: E [ε t ε t-s ] = 0, para s > 0, como por exemplo, ε t = ε t- + υ t, onde υ t é ruído
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia maisCONTROLE ESTATÍSTICO DE QUALIDADE
CONTROLE ESTATÍSTICO DE QUALIDADE Ralph S. Silva http://www.im.ufrj.br/ralph/ceq.html Departamento Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Março-Julho/2012 Sumário
Leia maisEsse material foi extraído de Barbetta (2007 cap 13)
Esse material foi extraído de Barbetta (2007 cap 13) - Predizer valores de uma variável dependente (Y) em função de uma variável independente (X). - Conhecer o quanto variações de X podem afetar Y. Exemplos
Leia maisAPLICAÇÃO DE GRÁFICOS DE CONTROLE PARA MONITORAMENTO DE PORTFÓLIOS
APLICAÇÃO DE GRÁFICOS DE CONTROLE PARA MONITORAMENTO DE PORTFÓLIOS Pablo Cezar Urbieta (USP) pablourbieta@gmail.com Linda Lee Ho (USP) lindalee@usp.br Celma de Oliveira Ribeiro (USP) celma@usp.br O presente
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Nas chamadas de suporte de uma empresa de telecomunicações, o funcionário Pedro resolve o problema do cliente em duas de cada três vezes em que é solicitado, enquanto Marcos resolve
Leia maisAGOSTO 2017 INTERPRETAÇÃO DE RESULTADOS ESTATÍSTICOS EM MODELOS DE REGRESSÃO MÚLTIPLA
Sérgio Antão Paiva AGOSTO 2017 INTERPRETAÇÃO DE RESULTADOS ESTATÍSTICOS EM MODELOS DE REGRESSÃO MÚLTIPLA ENFOQUE DA COMPARAÇÃO Princípio da semelhança: numa mesma data, dois bens semelhantes, em mercados
Leia maisVERIFICAÇÃO DA ADEQUAÇÃO DO MODELO DE ANÁLISE DE VARIÂNCIA ANÁLISE DE RESÍDUOS
VERIFICAÇÃO DA ADEQUAÇÃO DO MODELO DE ANÁLISE DE VARIÂNCIA ANÁLISE DE RESÍDUOS Conforme foi apresentado anteriormente, o modelo de análise de variância assume que as observações são independentes e normalmente
Leia mais1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27
Prefácio, xiii 1 Que é Estatística?, 1 1.1 Introdução, 1 1.2 Desenvolvimento da estatística, 1 1.2.1 Estatística descritiva, 2 1.2.2 Estatística inferencial, 2 1.3 Sobre os softwares estatísticos, 2 1.4
Leia maisExemplo Abastecimento de Refrigerantes
Exemplo Abastecimento de Refrigerantes Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 1 o Semestre 2016 G. A. Paula (IME-USP) Abastecimento de Refrigerantes 1 o Semestre
Leia maisRegressão. PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei
Regressão PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei Regressão Introdução Analisar a relação entre duas variáveis (x,y) através da equação (equação de regressão) e do gráfico
Leia maisGráficos de Controle (X, R, S, CUSUM e EWMA) Jean Carlos Teixeira de Araujo
Gráficos de Controle (X, R, S, CUSUM e EWMA) Jean Carlos Teixeira de Araujo jcta@cin.ufpe.br 1 Agenda Introdução; Gráficos X e R; Gráficos X e S; Gráfico CUSUM; Gráfico EWMA; Exemplos utilizando a ferramenta
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Leia maisCapacitação em R e RStudio PROJETO DE EXTENSÃO. Software R: capacitação em análise estatística de dados utilizando um software livre.
UFFS Universidade Federal da Fronteira Sul Campus Cerro Largo PROJETO DE EXTENSÃO Software R: capacitação em análise estatística de dados utilizando um software livre Fonte: https://www.r-project.org/
Leia maisINSTRUÇÕES. O tempo disponível para a realização das duas provas e o preenchimento da Folha de Respostas é de 5 (cinco) horas no total.
INSTRUÇÕES Para a realização desta prova, você recebeu este Caderno de Questões. 1. Caderno de Questões Verifique se este Caderno de Questões contém a prova de Conhecimentos Específicos referente ao cargo
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisControle Estatístico de Qualidade para Processos Climatológicos Autocorrelacionados
Controle Estatístico de Qualidade para Processos Climatológicos Autocorrelacionados Luiz André R. dos Santos 1, Fábio C. Conde 1, Mozar de A. Salvador 1, Andrea M. Ramos 1, Larissa S. F. C. dos Santos
Leia maisPlanejamento de Experimentos Experimento com um fator aleatório
1 / 12 Planejamento de Experimentos Experimento com um fator aleatório Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 2 / 12 Modelo Estatístico para Efeitos Fixos Y ij = µ + τ i + ɛ ij em que
Leia maisTestes de Hipóteses para. uma Única Amostra. Objetivos de Aprendizagem. 9.1 Teste de Hipóteses. UFMG-ICEx-EST-027/031 07/06/ :07
-027/031 07/06/2018 10:07 9 ESQUEMA DO CAPÍTULO 9.1 TESTE DE HIPÓTESES 9.2 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 9.3 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA
Leia maisAnálise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Leia maisMetodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
Leia maisRegression and Clinical prediction models
Regression and Clinical prediction models Session 6 Introducing statistical modeling Part 2 (Correlation and Linear regression) Pedro E A A do Brasil pedro.brasil@ini.fiocruz.br 2018 Objetivos Continuar
Leia maisCap. 9 Comparação entre tratamentos
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 004 Cap. 9 Comparação entre tratamentos APOIO: Fundação de Apoio
Leia maisMulticolinariedade e Autocorrelação
Multicolinariedade e Autocorrelação Introdução Em regressão múltipla, se não existe relação linear entre as variáveis preditoras, as variáveis são ortogonais. Na maioria das aplicações os regressores não
Leia mais