Universidade Federal de Viçosa. Introdução à Metodologia de Superfícies de
|
|
- Ana Beatriz de Sintra Amado
- 7 Há anos
- Visualizações:
Transcrição
1 Unversdade Federal de Vçosa Departamento de Estatístca Dscplna: EST 63 Métodos Estatístcos II Apostla Introdução à Metodologa de Superfíces de Resposta Paulo Roberto Cecon Anderson Rodrgo da Slva Vçosa, MG
2 Introdução à Metodologa de Superfíces de Resposta
3 Sumáro. Introdução.... Modelo de Prmera Ordem Delneamentos Epermentas para Ajuste de Modelos de Prmera Ordem Fatoral Completo Delneamento Composto Central (DCC) Delneamento Composto Central Rotaconado (DCCR) Delneamento de Bo-Behnken (DBB) Teste de Sgnfcânca do Modelo Meddas e Adequação de Modelos Teste para Falta de Ajuste Método da Inclnação Ascendente Eemplo de Aplcação para o Modelo de Prmera Ordem Modelo de Segunda Ordem.... Localzação do Ponto Estaconáro Caracterzando a Superfíce de Resposta... 9 Referêncas... 35
4 . Introdução No conteto da estatístca epermental há constante nteresse em caracterzar a possível relação entre uma ou mas varáves resposta e um conjunto de fatores de nteresse. Isso pode ser eecutado através da construção de um modelo que descreva a varável resposta em função dos níves aplcáves desses fatores. Certos tpos de problemas centífcos envolvem a epressão de uma varável resposta, tal como o rendmento de um produto, como uma função empírca de um ou mas fatores quanttatvos, tas como a temperatura de reação e a pressão. Isso pode ser efetuado utlzando-se uma metodologa que permta modelar a relação: Rendmento em função de temperatura de reação e pressão. O conhecmento da forma funconal de f, frequentemente obtda com a modelagem de dados provenentes de epermentos planejados, permte tanto sumarzar os resultados do epermento quanto predzer a resposta para níves dos fatores quanttatvos. Assm, a função f defne a superfíce de resposta, que em sua essênca, consste em estmar coefcentes da regressão polnomal para a geração de um modelo empírco, por meo do qual é possível apromar uma relação (ncalmente desconhecda ou conhecda) entre os fatores e as respostas do processo. Podemos então defnr a Superfíce de Resposta como sendo a representação geométrca obtda quando uma varável resposta é plotada como uma função de dos ou mas fatores quanttatvos. A função pode ser assm defnda: Y f (X,X,..., X k ) + ε Em que: Y é a resposta (varável dependente); X,X,...,X k são os fatores (varáves ndependentes); e ε é o erro aleatóro. então, Denota-se a resposta esperada por: E(Y) f (X, X,,X ) η k η f (X, X,,X ) k
5 é chamada de superfíce de resposta. A metodologa de superfíce de resposta, ou MSR, é uma coleção de técncas matemátcas e estatístcas que são útes para modelagem e análse nas aplcações em que a resposta de nteresse seja nfluencada por váras varáves e o objetvo seja otmzar essa resposta. Por eemplo, suponha que um engenhero químco deseje encontrar os níves de temperatura (X ) e concentração da almentação (X ) que mamzem o rendmento (Y) de um processo. O rendmento de um processo é uma função dos níves de temperatura e concentração de almentação, como Y f (, ) + ε, em que ε representa o erro observado na resposta esperada E(Y) f (, ) η, então a superfíce representada por η f (, ) é chamada de superfíce de resposta (Montgomery e Runger, 8). Segundo Montgomery (), as equações defndas de superfíce de resposta podem ser representadas grafcamente e utlzadas de três formas: Descrever como as varáves em teste afetam as respostas; Determnar as nter-relações entre as varáves em teste; e Para descrever efetos combnados de todas as varáves em teste sobre a resposta. Algumas consderações devem ser fetas quando utlzamos superfíce de resposta, a saber: a) O uso efetvo da superfíce de resposta deve consderar cnco pressupostos:. Os fatores que são crítcos ao processo são conhecdos;. A regão em que os fatores nfluem o processo é conhecda;. Os fatores varam contnuamente ao longo da faa epermental escolhda; v. Este uma função matemátca que relacona os fatores à resposta medda; v. A resposta que é defnda por essa função é uma superfíce lsa.
6 b) A técnca também apresenta algumas lmtações que devem ser consderadas:. Grandes varações dos fatores podem resultar em conclusões falsas;. Os fatores crítcos não foram especfcados corretamente;. A regão de ótmo pode não ser determnada devdo ao uso de uma faa muto estreta ou ampla; v. Como em qualquer epermento, resultados destorcdos podem ser obtdos se os prncípos clásscos da epermentação não forem segudos (casualzação, repetção e controle local); e v. Superestmar a computação: o pesqusador dever utlzar de bom senso e seu conhecmento sobre o processo para chegar a conclusões apropradas a seus dados. A aplcação dessa metodologa fo realzada ncalmente na ndústra químca, tendo sdo seus fundamentos formalzados por Bo e Draper (987). No campo agronômco, o uso concentrou-se no estudo do rendmento de cultvares, como efeto de níves de nutrentes aplcados ao solo, nclundo-se outros fatores, como: densdade de planto e lâmnas de rrgação. A superfíce de resposta é útl quando o pesqusador não conhece a relação eata entre os fatores. Mas, geralmente quando a epressão analítca da função é conhecda, a metodologa pode ser útl em alguns casos: freqüentemente podem-se encontrar funções descontínuas, e em mutos casos se trabalha com valores dscretos das varáves de projeto ou fatores, sendo assm o uso da metodologa de superfíce de resposta apresenta uma ampla aplcação na pesqusa, porque ela consdera város fatores em níves dferentes e as nterações correspondentes entre esses fatores e níves. Dentre as vantagens da metodologa de superfíce de resposta, a prncpal é que seus resultados são resstentes aos mpactos de condções não deas, como erros aleatóros e pontos nfluentes, porque a metodologa é robusta. Outra vantagem é a smplcdade analítca da superfíce de resposta obtda, pos a metodologa gera polnômos. Em geral, polnômos de duas ou mas varáves, são funções contínuas. 3
7 Após o ajuste do modelo aos dados, é possível estmar a sensbldade da resposta aos fatores, além de determnar os níves dos fatores nos quas a resposta é ótma (por eemplo, máma ou mínma).. Modelo de Prmera Ordem Na maora dos problemas em superfíce de resposta, a forma do relaconamento entre as varáves dependentes e ndependentes é desconhecda. Assm, o prmero passo é encontrar uma apromação para o verdadero relaconamento entre a varável resposta (y) e as varáves ndependentes (fatores). Geralmente utlza-se de uma regressão polnomal de bao grau em alguma regão das varáves ndependentes. A forma geral para o modelo de prmera ordem (ou modelo de grau um) em k varáves de entrada (ndependentes) pode ser representado por: Y β + β X + ε k Onde Y é uma varável resposta observada, β, β,..., β k são parâmetros desconhecdos, e ε é o termo do erro aleatóro. Se ε tem méda zero, então a porção não aleatóra do modelo geral de prmera ordem representa a verdadera resposta méda, η, que é, η E(Y) β + β X k e ε é tdo como erro epermental. Se, entretanto, o modelo descrto é nadequado para representar a verdadera resposta méda, então ε contém, adconalmente ao erro epermental, um erro não aleatóro (sstemátco). Este últmo erro é atrbuído a omssão de termos em X, X,...,X k de grau superor a um que podem ser entenddas como outras varáves as quas tem alguma nfluênca sobre a varável resposta. Este erro adconal (eclundo o erro epermental) é chamado falta de ajuste. Escrevendo o modelo em notação matrcal, consderando N observações, temos: Y Xβ + ε 4
8 Em que Y é um vetor de N (N k+) observações, ` [ β β... β ] de parâmetros desconhecdos, ` [ ε ε... ε ] N β é um vetor (k+) k ε é um vetor N de erros, e X é uma matrz N (k+) de coefcentes dos parâmetros que compreende os níves das varáves ndependentes. Assume-se que os erros aleatóros são NID(, σ ), sto é, ndependentemente dstrbuídos com dstrbução Normal de méda zero e varânca comum. Quando a matrz X é de posto coluna completo, então o estmador de mínmos quadrados ordnáros de β pode ser obtdo por: βˆ ( X`X) X`Y E a matrz de varâncas e covarâncas de ˆβ é dada por: V( βˆ ) ( X`X ) σ Na maora dos casos, os cálculos para estmação dos parâmetros podem ser smplfcados codfcando os níves das k varáves ndependentes Em que (X X ) u u,,...,k e u,,...,n R N e u u X X / N A codfcação apresenta a característca: X por meo de: R é a dferença entre o maor e o menor valor dos níves. N u,,...,k u Eemplo: Os dados a segur referem-se ao peso de almentos ngerdos em epermento com almentação de ratos em relação a duração do tempo entre noculação de dosagens de uma droga e a almentação (horas). 5
9 Droga (X ) Dosagem (mg kg - ) Tempo (X ) Peso observado,3 5,63,3 6,4,7,38,7,94,3 5,57,3 5,6,7 5 5,7,7 5 4,69,3 9,68,3 9 3,3,7 9 8,8,7 9 7,73 Utlzando varáves codfcadas, tem-se: u ( ) ( ) Xu X Xu,5 Xu,5 R,7,3, u ( ) ( ) Xu X Xu 5 Xu 5 R 9 4 Então, o modelo de prmera ordem para Yu β + β Xu + β Xu + ε u, em notação matrcal Y Xβ + ε, utlzando as varáves codfcadas é 5,63 6, 4,38,94,57 β,6 5,7 β + 3 4,64 β,68 3,3 8, 8 7,73 3 ε ε ε ε ε 3 ε3 ε 4 ε 4 ε5 ε 5 ε6 ε 6 6
10 7 X'Y X'X β ) ( ˆ 8 n n u u n u u u n u u n u u u n u u n u u n u u n u u X X' n u u n u u u n u u u Y Y Y X'Y 3,3875, ,666 6,63 3,8 9,46 8 ˆβ Equação ajustada: u ** u ** u ** u ** u ** u ** X,83875 X 3,3665,44 Ŷ 4 5 X 3,3875,,5 X, ,666 Ŷ 3,3875, ,666 Ŷ Hpóteses: zero de dfere β um dos menos pelo : H β :β H
11 Quadro da análse de varânca: FV GL SQ QM F Regressão 74,38 87,69 84,8** Resíduo 9 9,98,33 Total 83,436 74,38 R 83,436,9493 Teste para cada um dos parâmetros: H H :β :β t -, (,33) 9, ** H H :β :β 3,3875 t (,33) 8 ** 9,6 ** sgnfcatvo pelo teste t a 5% de probabldade. 8
12 3. Delneamentos Epermentas para Ajuste de Modelos de Prmera Ordem 3.. Fatoral Completo Caracterza-se pela Combnação de todos os níves de todos os fatores escolhdos pelo pesqusador apresentando como desvantagem um número muto grande de ensaos. Deste modo, um fatoral completo com p(níves) e k(fatores) apresenta p k combnações dstntas, se p k. Eemplo : Em um ensao onde se deseja contrastar temperatura (3, 35, 4), tempo (3, 5, 7) e ph (5, 6, 7) tentando otmzar uma determnada reação químca, temos um fatoral 3 3, onde k3 fatores e p3 níves. Ao todo serão 7 tratamentos, conforme a representação gráfca: 3.. Delneamento Composto Central (DCC) Caracterza-se pela Combnação de um fatoral K (k fatores) mas o ponto central. Sua vantagem é a de reduzr o número de ensaos, todava sua utlzação restrnge-se ao ajuste de modelos de prmera ordem. Tomando-se como lustração o eemplo da seção 3., o número de tratamentos fcara: 3 + 9, uma redução de 8 ensaos em relação ao fatoral completo. 9
13 3.3. Delneamento Composto Central Rotaconado (DCCR) É utlzado para epermentos onde k(fatores). Este delneamento contém pontos da parte cúbca codfcados para ( ± ), pontos aas codfcados para ( ± α, onde α ( k ) /4 ) para testar o modelo de segunda ordem e o ponto central codfcado para () que geralmente possu repetções. Assm, número de tratamentos passara a ser: fatoral k + ponto central + k pontos aas. Para o eemplo da seção 3.., 3 ++*3 5 tratamentos Delneamento de Bo-Behnken (DBB) É utlzado para epermentos com k 3. Tendo como prncpal vantagem a redução do número de ensaos para estudar um maor número de fatores. De modo geral os níves dos fatores são escolhdos à partr das nformações de seus lmtes nferores e superores. O número de tratamentos dá-se pela combnação dos níves da parte cúbca + ponto central. A título de lustração, seguem abao outros eemplos: Eemplo. Um epermento com dos fatores de nteresse (A e B), possundo p 4 níves para ambos os fatores.
14 Eemplo 3. Eemplo 4. Um planejamento epermental com 3 fatores e 4 níves cada.
15 4. Teste de Sgnfcânca do Modelo Este teste é realzado como um procedmento de ANOVA. Calculando-se a razão entre a méda quadrátca dos termos de regressão e a méda quadrátca do erro, encontra-se a estatístca F, que comparada com o valor crítco de F para um dado nível de sgnfcânca, permte avalar a sgnfcânca do modelo. Se F for maor que F crítco então o modelo é adequado (Montgomery, ). Consderando o sstema de equações normas (SEN), dado por: X`Xβ ˆ X`Y pode-se obter as somas de quadrados relatvas a cada fonte de varação da ANOVA: SQ Y`Y C Y C Total Resíduo N j j SQ Y`Y β`x`y ˆ SQ Re g em que C é o termo de correção, dado por: C β`x`y ˆ C N Yj N j O teste para a sgnfcânca da regressão determna se este uma relação lnear entre a varável de resposta y um subconjunto de regressores. As hpóteses apropradas neste caso são: H : β β... β k H : pelo menos um dos β dfere de zero O teste ndvdual de sgnfcânca de cada coefcente pode conduzr a otmzação do modelo através da elmnação ou adção de termos. As hpóteses utlzadas para testar qualquer um dos coefcentes de regressão são: H : β H : β
16 O teste utlzado para realzar esse teste é: t βˆ V( ˆ βˆ ) ï Em que c é o elemento da dagonal da matrz (X X) - correspondente ao coefcente em teste. A estatístca segue dstrbução t com o número de graus de lberdade do resíduo. Se o valor p do teste ndvdual para os termos for nferor ao nível de sgnfcânca, então o termo é adequado ao modelo e deve, portanto, ser mantdo. Ao contráro, o termo deve ser ecluído se tal procedmento conduzr a um aumento do coefcente de determnação R² conjuntamente com a dmnução do efeto resdual e o valor p referente à falta de ajuste do modelo for superor ao nível de sgnfcânca. Além dsso, a retrada de qualquer termo deve obedecer ao prncípo da herarqua. Este prncípo, segundo Montgomery (), postula que quando um termo de ordem alta for mantdo no modelo, o de ordem baa que o compõe também deve ser mantdo. βˆ ï c σˆ 5. Meddas e Adequação de Modelos A medda de adequação mas comumente usada é o coefcente de determnação R², defndo por: SQRegressão SQTotal SQResíduo SQTotal R [ R ] e representa a proporção da varação total que é devda (eplcada) pelo modelo regressão. Assocado ao R² está o coefcente de determnação ajustado R, que consdera o fato de que R² tende a superestmar a quantdade atual de varação contablzada para a população. Também é fato que a nclusão de mutos parâmetros no modelo de regressão aumenta substancalmente o valor de R². Se o modelo recebeu parâmetros desnecessáros haverá um ncremento em R² sem haver, necessaramente, melhora de precsão da resposta. Por sso o R² ajustado é mas ndcado para comparar modelos com números dferentes de parâmetros e, anda, ajustados com número de observações dferentes. O coefcente de determnação ajustado para graus de lberdade e número de parâmetros (p) é defndo por: 3
17 R R (n ) p n p Nota: O R ajustado é sempre menor que o R e só será gual quando R. 6. Teste para Falta de Ajuste A adção de pontos centras aos arranjos epermentas proporcona a obtenção de uma estmatva do erro epermental. De acordo com Montgomery (), este artfíco permte que a soma de quadrados resdual (SQ Res ) seja dscrmnada em dos componentes: () a soma de quadrados devda ao erro puro (SQ EP ) e; () a soma de quadrados devdo à falta de ajuste do modelo adotado (SQ F.Aj ). Assm, pode-se escrever: SQRe s SQEP + SQF.Aj. Admtndo-se que estam n observações de uma dada resposta Y de nteresse no -ésmo nível dos regressores (,,...,k). Consdere que Y j denote a j-ésma observação da resposta no nível, com observações. Então, o j-ésmo resíduo será: j,,...,n e Y Y ˆ (Y Y ) + (Y Y ˆ ) j j j ï k n N, o total de Onde Y é a méda da resposta para o nível lados e somando em relação a e j, obtém-se:. Elevando-se ao quadrado ambos os k n k n k ˆ ˆ (Yj Y ) (Yj Y ) + n (Y Y ) j j SQRes SQEP SQF.Aj. 4
18 7. Método da Inclnação Ascendente O objetvo é aular o pesqusador, de forma rápda e efcente, a encontrar a regão de ótmo, sto é, determnar a melhor regão de estudo. Encontrada a regão de ótmo, um modelo mas elaborado, por eemplo, um modelo de segunda ordem, pode ser empregado, e uma análse pode ser feta para localzar o ponto de mámo ou de mínmo (ponto ótmo). Utlza-se um conjunto de tratamentos em torno do ponto ncal e estmam-se por Mínmos Quadrados as nclnações β. A partr das magntudes e snas destas nclnações, calcula-se a dreção do método da nclnação ascendente (MIA). Assm: Epermentos são conduzdos ao longo do camnho da MIA até que nenhum ncremento na resposta seja observado. Eventualmente, chega-se a vznhança do valor ótmo e sto será ndcado pela falta de ajuste do modelo de ª ordem. A apromação por um plano se torna nsatsfatóra pelo fato dos efetos de ordens mas elevadas, partcularmente os de ª ordem (quadrátco e de nteração lnear), se tornarem relatvamente mas mportantes. Nesse caso usa-se o Modelo Quadrátco. 8. Eemplo de Aplcação para o Modelo de Prmera Ordem Consderemos o segunte eemplo: um epermento em esquema fatoral, tempo e temperatura, com dos níves cada, ou seja, um fatoral para que os níves desses fatores mamzem a produção de um determnado processo. A regão epermental será (3, 4) mn para o tempo de reação e (5, 6) F para temperatura. Normalmente, opera-se com um tempo de 35 mnutos e temperatura de 55 ºF, que resulta numa produção de 4% apromadamente. 5
19 Como esta regão provavelmente não contém o ótmo, um modelo de prmera ordem será ajustado e aplcado o Método da Máma Inclnação Ascendente. As varáves ndependentes serão codfcadas para (-, ) para smplfcar os cálculos. Serão ncluídos também cnco pontos centras entre os valores mámos e mínmos do tempo e temperatura. As repetções no ponto central são utlzadas para estmar o erro epermental e para checar o ajuste do modelo de prmera ordem. Os pontos centras do delneamento são os correspondentes às condções de operação atual (35 mn e 55 ºF). Codfcação: X 35 X Tabela. Varáves orgnas e codfcadas de um epermento fatoral (tempo e temperatura). Varáves orgnas Varáves codfcadas Resposta Y X X , , 4 5-4, , , , , , ,6 Para realzação do dagnóstco correto em relação ao modelo de prmera ordem deveremos obter uma estmatva do erro epermental, verfcar se a nteração deve ser ncluída no modelo e fnalmente verfcar se os termos quadrátcos devem ser adconados no modelo. 6
20 Y Tabela. Análse de varânca do modelo de prmera ordem. FV GL SQ QM F Valor p Regressão,85,45 47,8, Desvos 6,773,95 Total 8 3,3 R²,949 R² Ajustado,9 Tabela 3. Estmatvas dos parâmetros do modelo de regressão de prmera ordem. Efetos Estmatvas Desvo t Valor p Constante 4,4444 Tempo ( ),775,859 9,69, Temperatura ( ),349,859 3,78,93 Equação ajustada: ŷ 4, 44 +,775 +, Fgura. Superfíce de Resposta do modelo de º Ordem. Cálculo do erro epermental lberdade. A soma de quadrado do erro é obtda de forma tradconal, com 4 graus de 7
21 (4,3² + 4,5² + 4,7² + 4, ² + 4,6²) (,3)² 5 σ ˆ,43 5 A nteração entre os fatores pode ser obtda adconando o termo e é medda pelo coefcente β. A estmatva é obtda (consderando as varáves codfcadas) por: β ˆ ( y o + y + y y ) n trat SQ Int YEtremos Y o n trat Meo Para o eemplo em questão, temos: β ˆ ( * 39,3 + ( * 4) + ( * 4,9) + * 4,55 ) 4,5 [(39,3 + 4,5) (4 + 4,5)] SQInt,5 4 SQ,5 QM,43 Int F,58 Erro Outra verfcação da adequabldade do modelo é obtda pela comparação da resposta méda dos quatro pontos do fatoral (4,45), com a resposta méda do centro do delneamento (4,46). Se β e β são os coefcentes dos termos quadrátcos das médas é uma estmatva de β + β. χ e β ˆ + β ˆ y y 4,45 4,46,35 χ, então a dferença Assm, não este nenhuma razão para questonar o modelo de prmera ordem. Os prómos passos da (MIA) devem segur. Para andar (mover-se) do centro do delneamento ( e ) no camnho da nclnação ascendente, deveríamos mover,775 undades na dreção para cada,35 8
22 undades na dreção de. Assm, a dreção da nclnação ascendente passa pelo ponto central ( e ) e tem nclnação,35/,775,4. O engenhero decde usar um tempo de reação de 5 mnutos como tamanho do passo ncal. Usando a relação entre X e, vmos que 5 mnutos no tempo de reação corresponde a um ntervalo (passo), na varável codfcada, de. Os passos no camnho da nclnação ascendente são: (,35/,775),4 Os pontos epermentas são obtdos e a produção para estes pontos observados até que se perceba um decréscmo na produção. Os resultados são mostrados na tabela a segur: Tabela 4. Método da Inclnação Ascendente para o eemplo da tabela. Passos Varáves codfcadas Varáves orgnas X X Resposta Y Orgem 35 55,,4 5 Não faz Orgem +,, , Orgem +,, ,9 Orgem +3 3,, , Orgem +4 4,, ,7 Orgem +5 5,, ,8 Orgem +6 6,, ,9 Orgem + 7 7,, , Orgem + 8 8, 3, ,4 Orgem + 9 9, 3, ,6 Orgem +, 4, ,3 Orgem +, 4, , Orgem +, 5, , Incrementos na resposta são observados até o passo; depos há um decréscmo na produção. Portanto, outro modelo de prmera ordem pode ser ajustado em torno do ponto (85,75). A regão de eploração para tempo sera (8,9) e de temperatura (7,8). 9
23 Assm repete-se todo o processo e os resultados são analsados a segur: A regão de X é [8, 9] e para X é [7, 8]. O delneamento epermental e os resultados são apresentados na tabela a segur. Novamente usou-se um fatoral completo com cnco pontos centras. Tabela 5. Dados para o segundo ajuste do modelo de prmera ordem. Varáves codfcadas Varáves orgnas X X Resposta Y , , , , , , , , ,8 X 85 X 75 e 5 5 Modelo de ª ordem ajustado aos dados codfcados é dado por: Ŷ 78,97 +,X +,5X Tabela 6. Analse da varânca para o segundo modelo de prmera ordem. FV GL SQ QM F Regressão 5,,5 47,7* Resíduo 6, Interação,5,5 4,7 Quad. Puro,658,658,9* Erro puro 4,,53 Total 8 6,
24 Pela tabela de ANOVA, o componente do termo quadrátco puro fo sgnfcatvo, sso mplca que o modelo de ª Ordem não é uma apromação adequada. A curvatura na real superfíce pode ndcar que se está prómo do ótmo; assm, análses adconas devem ser fetas para localzar o ótmo com mas precsão. Nesse ponto, uma análse adconal deve ser feta para localzar o ótmo com mas precsão. 9. Modelo de Segunda Ordem Na falta de conhecmento sufcente acerca da forma da verdadera superfíce de resposta, geralmente o epermentador tenta a apromação pelo modelo de prmera ordem. Quando, entretanto, o modelo de prmera ordem apresenta falta de ajuste para a superfíce, ncorpora-se termos de ordem superor. Quando o epermentador está relatvamente prómo do ótmo, um modelo que ncorpora a curvatura é usualmente requerdo para apromar a resposta. Na maora dos casos o modelo de segunda ordem k k k k j j j < j Y β + β X + β X + β X X + ε Em que X,X,...,X k são as varáves ndependentes que tem nfluênca na resposta Y; β, β (,,...,k), β j(j,,...,k) são parâmetros desconhecdos, e ε é um erro aleatóro. Utlzando varáves codfcadas,,obtdas por: u Xu X s X u,,..., N,,...,k Em que X u é o u-ésmo nível da -ésma varável ndependente, méda dos valores X u, / N u u é a X X / N N s X (X u u X ) / N é o desvo padrão, e N é o número de observações. Sem perda de generaldade podemos consderar os valores de X sendo substtuídos pelos correspondentes valores de (,,...,k). Os valores da
25 varável resposta obtdos com as varáves codfcadas podem, então, ser representados como Em que k k k k u β + β u + β u + β j u ju + εu j < j Y ε u é o erro epermental em Y u. Assume-se que os valores de ε u sejam ndependentemente dstrbuídos como varáves aleatóras com méda zero e varânca σ. O modelo pode ser escrto na forma de matrz da segunte forma: Em que Y` [ Y Y Y ] N Y Xβ + ε, X é uma matrz N p de coefcentes dos parâmetros que compreende os níves das varáves ndependentes; p (k + )(k + ) / ; β é um vetor p de parâmetros desconhecdos e ε ` [ ε ε... ε ] quadrados para β no modelo é dado por: βˆ ( X`X) X`Y A matrz de varâncas e covarâncas de ˆβ é V( βˆ ) ( X`X ) σ N. O estmador de mínmos. Eemplo de Aplcação para o Modelo de Segunda Ordem Consdere um esquema fatoral 3 3, com 3 níves de N (, 5 e ) e 3 níves de P (, 4 e 6), de acordo com o modelo de segunda ordem: Y β + β X + β X + β X + β X + β X X + e 3 O epermento dó nstalado no delneamento em blocos casualzados com 3 repetções e os dados obtdos encontram-se na tabela a segur: 4 5
26 Trat. N P Bloco Y - - /3 / /3 / /3 / /3 -/ /3 -/ /3 -/ /3 / /3 / /3 / /3 / /3 / /3 / /3 -/ /3 -/ /3 -/ /3 / /3 / /3 / /3 / /3 / /3 / /3 -/ /3 -/ /3 -/ /3 / /3 / /3 /3 39 X X 5 {,,} 5 (+ ) ( ) X X 4 {,,} P (+ 6) (6 ) n ( ) + () + () X 3 3 3
27 7 8 8 X`X X`Y 47 / 455 / / 7 7 /8 ˆ 39 /8 β 47 /8 455 /8 8 / 6 Ŷ Y β + β + β + β ( ) + β ( ) + β + e X 5 X 4 X X 4 8 X 5 X X 39X 47 X X Ŷ X 4X 8 XX X X Ŷ X X 6X 39X 8X 8X 47X 455X 8X X Ŷ 34,848 +,6X + 4, 9855X, 444X, 63944X, 6666X X 4
28 SQ Re g βx`y ˆ C (363) / / , , , 37 SQTotal , , 747 Quadro da ANOVA FV GL SQ QM F Blocos 9, (Tratamentos) (8) (463,47) -- Regressão 5 45,37 8,74 64,4** Falta de ajuste 3 58,37 5,79 4,3* Resíduo puro 6 99,485,4675 Total 6 437,743 F 5% (3,6) 3, 4 F % (3,6) 5, 9 SQ Re g 45,37 SQTotal 437, 743 R, 959 SQ Re g 45,37 SQTrat. 463, 47 R,969 Teste para as hpóteses: H : β H : β 7 8 t,83 (, 4675) 8 t % (6), 9 t 5% (6), t % (6), 75 5
29 Utlzando : QM Re s 8,834 GL Res t, 4664 (8,834) 8 t % (9),86 t 5% (9), 9 t % (6), 73 B λ I Y,6,888X,6666X X Y 4,9855,6388X,6666X X, 888X, 6666X,6 X 4, 9855,6388X, 6666,6, 6666X, 888,6, 6666X, 888 4, 9855,6388X, , 73X,675X 4,99346 X 39,6,6, 6666(39, 6) X 64, 66, 888 Ponto crítco ( X 64,66;X 39,6 ). Matrz da segunda dervada: Y Y, 888,6388 X X Y X X,
30 Estudo da natureza da superfíce de resposta: este pode ser realzado consderando o ponto estaconáro e os snas e magntudes dos λ. B λ I Y Y X X X B I Y Y X X X Suponha que o ponto estaconáro esteja dentro da regão de estudo na qual fo ajustado o modelo de segunda ordem. Conclusão: ) Se todos os valores de λ são postvos, então mínma. ) Se todos os valores de λ são negatvos, então máma. ) Se os valores de λ tem snas postvos e negatvos, então de sela. X s é um ponto de resposta X s é um ponto de resposta X s é um ponto, 888, 3333 B, 3333,6388, então:, 888, 3333 λ B λ I, 3333,6388 λ, 888 λ, 3333, 3333,6388 λ (, 888 λ)(,6388 λ) (, 3333),6388λ +,84768λ +, 63787,84768 ±, 65688, λ (,6388) λ, 44 λ, 5 7
31 . Localzação do Ponto Estaconáro Suponha que nosso nteresse é encontrar os níves,,..., k, que otmze a resposta predta. Este ponto, se estr, será dado pelo conjunto,,..., k para o qual as dervadas parcas são guas são guas à zero, sto é Yˆ Yˆ Yˆ... k Este ponto é chamado de ponto estaconáro e pode representar um ponto de mámo, de mínmo ou um ponto de sela. Para obtenção de uma solução matemátca geral para localzação do ponto estaconáro, escrevemos o modelo de segunda ordem na segunte notação matrcal onde Yˆ βˆ + `b + `B βˆ βˆ βˆ ˆ / βk / ˆ ˆ ˆ β β βk / b B k βˆ ˆ k sm. β kk Em que b é um vetor (k ) dos coefcentes de regressão de prmera ordem e B é uma matrz smétrca (k k) onde na dagonal têm-se os coefcentes de regressão de segunda ordem e fora da dagonal os coefcentes da nteração. As dervadas parcas dos valores predtos da resposta Ŷ em relação aos elementos do vetor gualadas a zero são dadas por: Ŷ b + B O ponto estaconáro é a solução das equações, ou seja, s B b O valor predto da varável resposta no ponto estaconáro é: 8
32 Ŷs β ˆ + `s b. Caracterzando a Superfíce de Resposta Uma vez encontrado o ponto estaconáro, é necessáro caracterzar a superfíce de resposta. Esta caracterzação sgnfca determnar se o ponto estaconáro é um ponto de mámo, de mínmo ou de sela. Um modo de fazer sto é eamnar o gráfco de contorno do modelo ajustado. Entretanto nem sempre temos poucas varáves e, nesses casos, uma análse mas formal pode ser aplcada, chamada de análse canônca. Consdere uma translação (novo sstema de coordenadas) da superfíce de resposta da orgem para o ponto estaconáro s e então rotacone os eos desse sstema até que eles fquem paralelos aos eos prncpas da superfíce de resposta ajustada. Esta transformação é lustrada na Fgura 3. w,s,s Fgura 3. Forma canônca para o modelo de segunda ordem. w Pode-se mostrar que o modelo ajustado é Yˆ Yˆ + λ w + λ w λ w s k k 9
33 onde w são as varáves ndependentes transformadas e os equação acma é chamada de forma canônca do modelo. Os raízes característcas da matrz B. Assm, tem-se que:. Se todos os valores de ( λ ) são postvos, então,. mínma; λ são constantes. A λ são os autovalores ou s é um ponto de resposta Se os ( λ ) são todos negatvos, então, s é um ponto de resposta máma;. Se os valores de ( λ ) tem snas postvos e negatvos, então, sela. s é um ponto de λ é maor. Além dsso, a superfíce tem nclnação na dreção de w para o qual o valor de Consderemos novamente o eemplo: segunda fase do estudo. Para ajustar um modelo de segunda ordem é necessáro aumentar o delneamento com pontos adconas. Para ser possível estmar os parâmetros do modelo o engenhero obteve mas 4 observações, mas ou menos no mesmo tempo em que eecutou os 9 tratamentos anterores. Os 4 tratamentos adconas foram:( ; ±,44) e ( ±,44; ). Este é o Delneamento Composto Central. Tabela 7. Delneamento composto central para avalação do eemplo. Varáves orgnas Varáves codfcadas Resposta X Y (produção) X
34 Tabela 8. Análse da varânca de dados referentes à produção no delneamento composto central. FV GL SQ QM F Valor p Intercepto * Tempo * Tempo² * Temperatura * Temperatura² * Tempo Temperatura Resíduo Os efetos do modelo de segunda ordem ajustado aos dados codfcados bem como sua sgnfcânca estatístca são apresentados na Tabela 9. Tabela 9. Estmatva dos parâmetros do modelo de segunda ordem. Efetos Estmatvas Valor p Intercepto Tempo Tempo² Temperatura Temperatura² Tempo Temperatura.5.59 Tem-se a não sgnfcânca do efeto da nteração Tempo Temperatura, assm o modelos ajustado pode ser epresso por: Ŷ 79, ,9955,37645,55,34 3
35 Y Tabela. Análse de varânca para falta de ajuste. FV GL SQ QM F Valor p Falta de ajuste Erro puro (Resíduo) (7) (.4963).79 Pela Tabela verfca-se a não sgnfcânca da falta de ajuste, sto é, o modelo de segunda ordem é adequado para descrever o comportamento da varável resposta e tanto o resdual. QM F.Aj quanto o QM Resíduo podem ser utlzados como estmatva da varânca As fguras 4 e 5 representam a superfíce de resposta e o gráfco de contorno, respectvamente, para a resposta (produção) em função da temperatura e do tempo. É relatvamente fácl ver por estas fguras que a resposta é realmente o mámo global Fgura 4. Superfíce de Resposta do modelo de º Ordem. 3
36 Fgura 5. Gráfco de contorno do modelo de º Ordem. Sabendo que o modelo é aproprado para descrever os dados, podemos então encontrar a localzação do ponto estaconáro usando a solução geral apresentada.,9955,37645,5 b,55 B,5,34 O ponto estaconáro é a solução das equações, ou seja,,7397,934,9955,78364,934,8,55,633 s B b Em termos das varáves orgnas, o ponto estaconáro é dado por: X 85 5 X 75 5,78364 X 8,88,633 X 7,9383 O valor da resposta estmada no ponto estaconáro é: 33
37 ' Ŷs β ˆ + sb,9955 Ŷs 79,94 + [,78364,633] 79,39,55 Análse canônca Vamos epressar o modelo ajustado na forma canônca. Prmeramente precsamos encontrar os autovalores, λ e λ, que são as raízes do determnante da equação: B λ I,37645 λ,5,5,34 λ Resolvendo a equação: λ + λ +,3777,366 Temos: λ,9635 e λ, 443 A forma canônca do modelo ajustado fca: Ŷ 8,,9635w, 443w Vsto que as raízes resposta máma. λ são todas negatvas, conclu-se então que s é um ponto de 34
38 Referêncas BOX, G. E. P.; DRAPER, N. R. Emprcal model budng and response surfaces. New York: John Wley & Sons, 987. KHURI, A. I.; CORNELL, J. A. Response Surfaces: desgns and analyss. New York: Marcel Dekker Inc., 987. MONTGOMERY, D. C. Desgn and analyss of eperments. John Wley & Sons, New York,. MONTGOMERY, D. C.; RUNGER, G. C. Estatístca aplcada e probabldade para engenheros; tradução Verônca Calado. ed. Ro de Janero: LTC, 8. 35
UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisANÁLISE DA VARIÂNCIA DA REGRESSÃO
ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisCapítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisUniversidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas
Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia mais8.16. Experimentos Fatoriais e o Fatorial Fracionado
8.6. Expermentos Fatoras e o Fatoral Fraconado Segundo Kng (995) os arranos fatoras e fatoral fraconado estão dentre os arranos mas usados em expermentos ndustras. Veremos aqu alguns casos mas geras e
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisUNIDADE VIII ENSAIOS FATORIAIS
UNIDADE VIII ENSAIOS FATORIAIS CUIABÁ, MT 015/ PROF.: RÔMULO MÔRA 1. INTRODUÇÃO Ensaos fatoras são aqueles em que se estudam smultaneamente dos ou mas fatores, cada um deles com dos ou mas níves. O fatoral
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisDados ajustáveis a uma linha recta
Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisCURSO A DISTÂNCIA DE GEOESTATÍSTICA
CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisFlambagem. Cálculo da carga crítica via MDF
Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca
Leia maisINSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisREGRESSÃO E CORRELAÇÃO
Relaconamento entre varáves : - requer conhecmento REGRESSÃO E CORRELAÇÃO Y = f ( ) + ε Ex: 1. Y = Lucro de uma Empresa = Investmento em Publcdade Y(v.aleatóra) em função de (v.determnístca), onde Y é
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisA redução na pressão sangüínea (mm Hg) em um período de quatro semanas observadas em cães experimentais está tabulada abaixo:
UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (,): A redução da
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia mais(B) Considere X = antes e Y = depois e realize um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.
INF 6 Notas de aula sujeto a correções Prof. Luz Alexandre Peternell (B) Consdere X antes e Y depos e realze um teste t para dados pareados e um teste da ANOVA de um DBC com 5 blocos. Compare os resultados.
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisAjuste dos Mínimos Quadrados
TLF 00/ Cap. IX juste dos mínmos quadrados Capítulo IX juste dos Mínmos Quadrados 9.. juste de uma lnha recta a dados epermentas 9 9.. Determnação dos parâmetros da recta, e B (Incertezas apenas em e guas
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRGS Insttuto de Matemátca
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia maisComo Construir Modelos Empíricos
Unversdade Tecnológca Federal do Paraná Programa de Pós-Graduação em Engenhara Mecânca - PPGEM Como Construr Modelos Empírcos Prof a Danele Tonolo Das F. Rosa http://pagnapessoal.utfpr.edu.br/daneletdas
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
Leia maisResumos Numéricos de Distribuições
Estatístca Aplcada à Educação Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas
Leia maisProbabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições
Probabldade e Estatístca I Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas para
Leia maisREGRESSÃO APLICADA À DADOS FLORESTAIS
3/6/8 REGRESSÃO APLICADA À DADOS FLORESTAIS INTRODUÇÃO SOFTWARE R IRATI, PR 8 HISTÓRICO O R é uma lnguagem orentada a objetos, crada em 996 por Ross Ihaka e Robert Gentleman, que alada a um ambente ntegrado,
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia maisa média populacional do i-ésimo tratamento; o efeito do i-ésimo tratamento na variável dependente Y e mede o afastamento da média µ
UNIVERSIDADE ESTADUAL PAULISTA FACULDADE DE CIÊNCIAS AGRÁRIAS E VETERINÁRIAS CAMPUS DE JABOTICABAL ª PROVA DE ESTATÍSTICA EXPERIMENTAL - MEDICINA VETERINÁRIA NOME: DATA / / ª QUESTÃO (5,5): Vnte e cnco
Leia maisRegressão Linear Simples. Frases. Roteiro
Regressão Lnear Smples Frases Por serem mas precsos que as palavras, os números são partcularmente adequados para transmtr conclusões centífcas Pagano e Gauvre, 4 Rotero. Modelagem de Relação. Modelo Lnear
Leia maisREGRESSÃO LINEAR ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA REGRESSÃO CURVILÍNEA FUNÇÃO QUADRÁTICA
ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA REGRESSÃO LINEAR Verfcado, pelo valor de r, que ocorre uma sgnfcante correlação lnear entre duas varáves há necessdade de quantfcar tal relação, o que é feto pela análse
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia mais2 Experimentos com Mistura
Modelagem em Expermentos com Mstura e Mstura-Processo Expermentos com Mstura Formulações de Expermentos com Mstura (EM) são freuentemente encontradas nas ndústras uímcas, farmacêutcas, de almentos e em
Leia maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia maisTESTE DO QUI-QUADRADO - Ajustamento
Exemplo 3: Avalar se uma moeda ou um dado é honesto; Em 100 lances de moeda, observaram-se 65 coroas e 35 caras. Testar se a moeda é honesta. 1 H 0 : a moeda é honesta; H 1 : a moeda não é honesta; 2 α
Leia maisMétodo dos Mínimos Quadrados com ênfase em variâncias e com recursos matriciais (13/2/2014)
Método dos Mínmos Quadrados com ênfase em varâncas e com recursos matrcas (3//4) Otavano Helene Curso de etensão unverstára, IFUSP, feverero/4 Baseado no lvro Método dos Mínmos Quadrados com Formalsmo
Leia maisAnálise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia mais6 Análises de probabilidade de ruptura de um talude
6 Análses de probabldade de ruptura de um talude 6.. Introdução No presente capítulo, apresentam-se prevsões de probabldades de ruptura para o talude de jusante da Barragem de Benguê mostrada na fgura
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia mais