UM MODELO DE REGRESSÃO LINEAR PARA OBTENÇÃO DO LIMITE DE CONTROLE DO GRÁFICO DE Z
|
|
- Vitorino Cerveira Godoi
- 5 Há anos
- Visualizações:
Transcrição
1 UM MODELO DE REGRESSÃO LINEAR PARA OBTENÇÃO DO LIMITE DE CONTROLE DO GRÁFICO DE Z Roberto Campos Leoni (UNESP/AEDB ) rcleoni@yahoo.com.br Marcela Aparecida Guerreiro Machado (UNESP ) marcelagmachado@yahoo.com.br Antonio Fernando Branco Costa (UNESP ) fbranco@feg.unesp.br Para o monitoramento de duas características de qualidade mensuráveis X e Y são necessários dois gráficos de Shewhart ou um gráfico de Z cuja estatística de monitoramento é o módulo do valor padronizado de X ou o módulo do valor padronizadoo de Y, dependendo de qual deles seja o maior. Quando existe correlação entre observações de X e Y e há dependência no tempo entre observações de X e também entre observações de Y e esta estrutura de correlação e autocorrelação é de um modelo VAR(1), é possível, para uma determinada taxa de alarmes falsos, relacionar o limite de controle do gráfico de Z com as variâncias e covariâncias da matriz de covariância cruzada. Este artigo propõe um modelo de regressão linear para determinação do limite de controle do gráfico de Z. O método encontrado na literatura para a obtenção do limite de controle do gráfico de Z é inferior ao modelo de regressão linear proposto neste artigo; ele é mais complicado e não garante a taxa de alarmes falsos desejada. Palavras-chaves: gráfico de controle de Z; regressão linear; modelo VAR(1); autocorrelação
2 1. Introdução O controle estatístico de processos auxilia gestores a compreender, monitorar e melhorar continuamente a qualidade de produtos e serviços. Na década de 30, Shewhart (1931) criou os gráficos de controle para monitorar processos e, ainda naquela época, reconheceu a necessidade de monitorar processos considerando o controle multivariado. Os gráficos de controle tradicionais assumem por hipótese independência entre as observações da variável que se deseja monitorar. Porém, altas velocidades de produção geram correlação entre as características de qualidade e dependência entre as observações de uma mesma característica de qualidade de produtos vizinhos segundo o instante de fabricação (KIM et al., 2010). Alguns trabalhos foram conduzidos no sentido de avaliar o desempenho dos gráficos de controle multivariados na presença de autocorrelação, concluindo-se que há uma queda no desempenho destes gráficos (KALGONDA e KULKARNI, 2004; JARRETT e PAN, 2007; ARKAT et al., 2007; ISSAM e MOHAMAD, 2008). O monitoramento de processos multivariados cujas observações são autocorrelacionadas aparece em publicações recentes. Mastrangelo e Forrest (2002) disponibilizaram um programa para gerar dados autocorrelacionados onde é possível simular deslocamento no valor da média da variável sob monitoramento. Pan e Jarrett (2007) e Jarrett e Pan (2007) propuseram o uso de resíduos do modelo VAR(p) para monitorar processos autocorrelacionados. A técnica requer o ajuste do modelo aos dados do processo para posterior uso dos resíduos no gráfico de T 2. Arkat et al. (2007) fazem uso de redes neurais artificiais para monitorar processos multivariados autocorrelacionados. Issam e Mohamad (2008) propõem o uso do método SVR (support vector regression) para monitorar mudanças no vetor de médias em processos autocorrelacionados através do gráfico de controle MCUSUM. Hwarng e Wang (2010) estabelece o uso de redes neurais que são capazes de identificar deslocamentos no vetor de médias de processos autocorrelacionados. Há vários outros trabalhos sobre monitoramento de processos autocorrelacionados; Apley and Tsung (2002), Jiang (2004), Vargas et al. (2009) e Chen e Nembhard (2011) são alguns deles. 2
3 A autocorrelação compromete o uso do gráfico de controle, pois os alarmes falsos aumentam quando ela é desconsiderada, isto é, quando os limites de controle são estabelecidos sob a hipótese de inexistência da autocorrelação (MONTGOMERY e MASTRANGELO, 1991; HARRIS e ROSS, 1991; WOODALL e FALTIN, 1993, MASON e YOUNG, 2002). Kalgonda e Kulkarni (2004) propuseram o gráfico de Z para monitorar duas ou mais características de qualidade para observações que seguem um modelo VAR(1). A vantagem do gráfico de Z em relação ao gráfico de T 2 é que ele identifica a característica de qualidade que sofre alteração em seu valor médio. Os autores apresentam um procedimento empírico para determinar o limite de controle (LC) do gráfico de Z. Eles assumem que existe correlação entre as observações de X e Y e há dependência no tempo entre as observações de X e também entre as observações de Y e esta estrutura de correlação e autocorrelação é de um modelo VAR(1). Este artigo mostra que para esta estrutura de correlação e autocorrelação existe uma relação linear entre o LC do gráfico de Z e as variâncias e covariância da matriz de covariância cruzada de X e Y. Para uma faixa ampla de valores de correlações cruzadas e autocorrelações obteve-se um coeficiente de determinação do modelo de relação linear superior a 0,95. Este artigo tem por objetivo apresentar um modelo de regressão linear para obtenção do limite de controle do gráfico de Z que assegura a taxa de alarmes falsos desejada para uma faixa ampla de valores de correlações cruzadas e autocorrelações. O único método encontrado na literatura para a obtenção do LC foi o método de Kalgonda e Kulkarni (2004) que, além de complicado, quase sempre fornece limites de controle mais espaçados que o necessário para atender a taxa de alarmes falsos desejada. O artigo está organizado da seguinte forma: apresenta-se, na seção 2, o modelo que descreve as características de qualidade de um processo com correlações cruzadas e autocorrelações; na seção 3 o gráfico de controle de Z; a seção 4 apresenta o modelo de regressão para obtenção do LC do gráfico de Z e compara a taxa de alarmes falsos calculada com o uso dos limites obtidos pela regressão com a taxa de alarmes falsos calculada com o uso dos limites obtidos pelo método de Kalgonda e Kulkarni (2004). 3
4 2. Modelo que descreve as características de qualidade Os procedimentos clássicos de controle em processos multivariados consideram a hipótese básica de que as observações seguem distribuição normal multivariada e sejam independentes, com vetor de médias 0 e matriz de variância-covariância x. Xt 0 et t 1,2,..., T (1) onde X t representa as observações através de um vetor de ordem p x 1 (p é o número de variáveis); e t são vetores aleatórios independentes de ordem p x 1 com distribuição normal multivariada cuja média é zero e matriz de variância-covariância A hipótese de independência é violada em muitos processos de manufatura, o que torna a equação (1) inadequada para representar tais observações. Vetores autoregressivos de primeira ordem, ou VAR(1), equação (2), e. vêm sendo usados para modelar processos multivariados com correlação temporal entre observações de uma mesma variável e correlação entre observações de diferentes características de qualidade (MASTRANGELO e FORREST, 2002; BILLER e NELSON, 2003; KALGONDA e KULKARNI, 2004; ARKAT e NIAKI, 2007; JARRETT e PAN, 2007; ISSAM e MOHAMAD, 2008; PFAFF, 2008; NIAKI e DAVOODI, 2009; HWARNG e WANG, 2010; KIM et al., 2010; KALGONDA, 2012). Em processos multivariados autocorrelacionados, o modelo VAR(1) é assim representado: X ( X ) e (2) t 0 t1 0 t onde X t é o vetor de dados de ordem p x 1; 0 é o vetor de médias de ordem p x 1 e é uma matriz com os parâmetros autoregressivos de ordem p x p e e t são vetores aleatórios independentes de ordem p x 1 com distribuição normal multivariada cuja média é zero e matriz de variância-covariância e. Se é uma matriz nula, a equação (2) se reduz a equação (1), ou seja, tem-se o modelo clássico para dados independentes ao longo do tempo. Caso contrário, os dados serão 4
5 dependentes ao longo do tempo e a estrutura de variação do modelo é representada pela matriz de covariância cruzada dada pela equação (3) (SHUMWAY e STOFFER, 2006). Sob a hipótese de que processo seja estacionário, EX ( t ) 0, para todo t, a matriz de covariância cruzada será: E Xt 0 Xth 0 x( h) h 0,1,2,... (3) Ser estacionário significa que 0 é constante para todo X t e a matriz de covariância cruzada não depende de t, depende apenas de h que representa o intervalo ao longo do tempo entre o vetor X t e X. t h A matriz (h x ) é formada pelos elementos (h) dados por: ij ij ( h) E Xit 0 X jt h 0 i, j 1,2,..., p (4) Como a matriz de covariância cruzada depende originalmente da unidade de medida das variáveis envolvidas, sua interpretação por vezes não é simples. Uma forma mais conveniente de avaliar a relação das variáveis no processo é dada pela utilização da matriz de correlação cruzada: x ( h) D ( h) D (5) x onde D é a matriz diagonal formada pelos elementos (h), para todo i=j, da matriz (h x ). ij A matriz de covariância cruzada para h=0, (0 x ), quando e e são conhecidos, pode ser obtida pela relação de Yule-Walker (LTKEPOHL, 2005): ' ( 0) (0) (6) x x e Supondo que X t seja um vetor de dados com distribuição p-variada e siga o modelo descrito na equação (2), de acordo com Kalgonda e Kulkarni (2004) e Kalgonda (2012), 5
6 t p 0 x X ~ N ; (0) (7) Se o processo está em controle estatístico, com vetor de médias 0 e matriz de covariância cruzada (0). X t segue uma distribuição normal multivariada x 3. Gráfico de controle de Z Com o uso simultâneo dos gráficos de X para controlar duas ou mais características de qualidade é possível identificar qual delas tem sido afetada pela causa especial. Porém, quando as variáveis são dependentes, ou correlacionadas, a obtenção dos limites de controle dos gráficos de X deixa de ser trivial (MONTGOMERY, 2004), pois a probabilidade de que os valores de X 1, X 2,..., X p, estejam dentro dos limites de controle deixa de ser dada por: 1 p (8) onde p é o número de variáveis e é a probabilidade de um alarme falso. Kalgonda e Kulkarni (2004) propuseram um gráfico de controle denominado gráfico de Z para monitoramento do vetor de médias de processos multivariados autocorrelacionados. O gráfico mantém o erro global e permite a identificação das variáveis cujas médias se alteraram com o surgimento de uma causa especial. Os autores adaptaram a técnica de controle estatístico do vetor de médias para observações independentes proposta por Hayter e Tsui (1994) e consideram que a autocorrelação no processo segue o modelo VAR(1). No instante de tempo t, a estatística de monitoramento Z t do gráfico de Z é dada por Zt Max1 i p Z it, onde: X ; 1,2,..., ; 1,2,... (9) it i0 Zit i p t ii,0(0) 6
7 sendo X it o valor da i-ésima variável no instante de tempo t e ii,0(0) o i-ésimo elemento da diagonal da matriz de covariância cruzada para h=0. Para um dado valor de, o LC do gráfico de Z é dado por: Pr ; 1,2,..., 1 Z LC i p it i 0 (10) O processo é considerado em controle estatístico se a média de pelo menos uma das p variáveis se alterou. A distribuição da estatística por simulação seguindo os passos: Z t LC. Caso contrário, há indícios que Z t não é conhecida; Kalgonda e Kulkarni (2004) obtiveram o LC Passo 1. Gerar um grande número (N=10000) de vetores com observações de acordo com o modelo normal p-variado Passo 2. Calcular a estatística X ; 0 t Np 0 X ; Z t para cada um dos N vetores gerados no passo 1; Passo 3. Obter a distribuição empírica da estatística ordem (1 ) e atribuir esse valor ao LC. Z t, encontrar a separatriz de Os passos descritos por Kalgonda e Kulkarni (2004) quase sempre levam a limites de controle mais espaçados que o necessário para atender a taxa de alarmes falsos desejada (NMAF>1/). O NMAF é o número médio de observações entre alarmes falsos. Para variáveis independentes e não correlacionadas o NMAF=1/, (COSTA et al., 2005). Para ilustrar, seja o caso bivariado (p=2): 0 0,0 ; covariância cruzada, 1 0,5 e 0,5 1 e 0,7 0, então de (6) obteve-se a matriz de 0 0,7 (0) 1,9608 (0) 0, x(0) 21(0) 0, (0) 1,9608 (11) 7
8 O método proposto por Kalgonda e Kulkarni (2004) fornece para 0,005 um LC de 3,0191. Para o LC=3,0191, obteve-se por simulação um NMAF=261,78. O apêndice A fornece detalhes da simulação. Devido à autocorrelação, o NMAF não segue uma distribuição geométrica, pois a probabilidade de alarme falso não é constante. Dependendo dos parâmetros do modelo VAR(1) o LC do gráfico de Z fornecido pelo método de Kalgonda e Kulkarni (2004) leva a diferentes NMAFs. Para solucionar este problema, este artigo propõe um modelo de regressão linear que fornece o LC do gráfico de Z correspondente ao NMAF desejado (ver Figura 1 da seção 4). 4. Método proposto A fim de facilitar a utilização do gráfico de Z, os valores do LC foram obtidos por simulação para um leque amplo de valores dos parâmetros da matriz de autocorrelação e da matriz de covariância do erro do modelo bivariado VAR(1). Foram construídos dois modelos de regressão, um para NMAF de 200 e outro para NMAF de 370. Na estimação dos modelos de regressão, os valores do LC foram alocados no vetor da variável dependente e os valores dos elementos da matriz de covariância cruzada foram alocados na matrix de vetores independentes. O modelo se ajustou aos dados fornecendo valores de R 2 muito próximo de 1, vide Tabelas 2 e 4. Os parâmetros do modelo para NMAF de 200 e 370 estão nas Tabelas 1 e 3, respectivamente. Tabela 1 Parâmetros do modelo de regressão- NMAF=200 Coeficiente Erro Padrão razão-t p-valor Constante 3, , ,78 <0,00001 (0) 11-0, , ,92 <0,00001 (0) 22-0, , ,38 <0,00001 (0) 12-0, , ,13 <0,00001 Tabela 2 Estatísticas do modelo da Tabela 1 Estatísticas Valor Soma resíduos quadrados 0,001 R-quadrado 0,990 Estatística F(3, 98) 3269,806 Erro padrão da regressão 0,003 R-quadrado ajustado 0,990 P-valor(F) 0,000 8
9 De posse dos valores de (0), (0) e (0) 12 da matriz de covariância cruzada é possível obter os limites de controle do gráfico de Z. Para NMAF=200: LC = 3, , (0) -0, (0) -0, (0) (12) Para NMAF=370: LC= 3, , (0) -0, (0) -0, (0) (13) Considerou-se também o caso em que o NMAF é igual a 370. Os resultados do modelo de regressão estão nas Tabelas 3 e 4. Tabela 3 Parâmetros do modelo de regressão- NMAF=370 Coeficiente Erro Padrão razão-t p-valor Constante 3, , ,36 <0,00001 (0) 11-0, , ,99 <0,00001 (0) 22-0, , ,87 <0,00001 (0) 12-0, , ,83 <0,00001 Tabela 4 Estatísticas do modelo da Tabela 3 Estatísticas Valor Soma resíduos quadrados 0,0169 R-quadrado 0,9466 Estatística F(3, 98) 738,1707 Erro padrão da regressão 0,0116 R-quadrado ajustado 0,9453 P-valor(F) 0, Análise de sensibilidade do método proposto Para avaliar a qualidade do LC obtido pela regressão para o caso em que o NMAF desejado a 0 seja igual a 200, adotaram-se valores de a e b da matriz variando de 0,2 a 0,8 e 0 b 1 valores de da matriz e 1 iguais a 0,3; 0,5 e 0,7. Na prática estes valores são desconhecidos; estimam-se os elementos da matriz de covariância cruzada que depende de a, 9
10 b e de acordo com a equação (6). Os valores do NMAF para 48 diferentes cenários estão na Tabela B1 do Apêndice B e foram utilizados na construção da Figura 1. Figura 1 NMAF obtidos pela regressão e pelo método de Kalgonda. Da Tabela B1 e Figura 1, observa-se que o modelo de regressão para a obtenção do LC é melhor que o método de Kalgonda e Kulkarni (2004), pois mantém o NMAF sempre próximo a 200, para todos os cenários. 5. CONCLUSÃO 10
11 Este artigo apresentou um método melhor do que o proposto por Kalgonda e Kulkarni (2004) para obtenção do LC do gráfico de Z. Melhor no sentido de fornecer limites de controle que levam a taxas de alarmes falsos mais próximas das desejadas. O método de Kalgonda e Kulkarni (2004) fornece em geral valores de LC maiores do que o necessário; esta proteção excessiva contra ocorrências de alarmes falsos reduz a capacidade do gráfico de controle de detectar alterações no processo. O método proposto neste artigo requer grande esforço para a construção do modelo de regressão linear, contudo, após sua obtenção, o cálculo do LC do gráfico de Z é imediato. REFERÊNCIAS APLEY D.W.; TSUNG F. The autoregressive T 2 chart for monitoring univariate autocorrelated processes. Journal of Quality Technology.; v. 34. p ARKAT. J.. NIAKI. S. T. A.. ABBASI. B. Artificial neural networks in applying MCUSUM residuals charts for AR(1) processes. Applied Mathematics and Computation. v p BILLER. B.. NELSON. B. Modeling and generating multivariate time-series input processes using a vector autoregressive technique. ACM Transactions on Modeling and Computer Simulation. v. 13. n.3. p CHEN, S; NEMBHARD, H. B. Multivariate cuscore control charts for monitoring the mean vector in autocorrelated process. IIE Transactions. v. 43. p COSTA, A. F. B.; EPPRECHT, E. K.; CARPINETTI, L. C. R. Controle Estatístico de Qualidade. São Paulo: Atlas HARRIS. T. J.; ROSS. W. H. Statistical process control procedures for correlated observations. Canadian Journal of Chemical Engineering. v. 69. p HWARNG. H. B.; WANG. Y. Shift detection an source identification in multivariate autocorrelated process. International Journal of Production Research. v.48. n. 3. p ISSAM. B. K.; MOHAMAD. L. Support vector regression based residual MCUSUM control chart for autocorrelated process. Applied Mathematics and Computation. v p JARRETT. J. E; PAN. X. The quality control chart for monitoring multivariate autocorrelated processes. Computational Statistics & Data Analysis. v.51. p JIANG, W. Multivariate control charts for monitoring autocorrelated processes. Journal of Quality Technology. v. 36. p KALGONDA. A. A. A Note on generalization of Z chart. Journal of Academia and Industrial Research. v.1. n.6. p
12 KALGONDA. A. A.; KULKARNI. S. R. Multivariate quality control chart for autocorrelated processes. Journal of Applied Statistics. v. 31. p KIM. S. B.; JITPITAKLERT. W.; SUKCHOTRAT. T. One-Class Classification-Based Control charts for Monitoring Autocorrelated Multivariate Processes. Communications in Statistics - Simulation and Computation. v.39. n.3. p LTKEPOHL. H. New Introduction to Multiple Time Series Analysis. New York: Springer MASON. R.; YOUNG. J.C.. Multivariate statistical process control with industrial applications. Alexandria. Society for Industrial and Applied Mathematics MONTGOMERY. D. C. Introduction to statistical quality control. John Wiley & Sons. Inc.. New York. New York MONTGOMERY. D. C.; MASTRANGELO. C. M. Some statistical process control methods for autocorrelated data. Journal of Quality Technology. v. 23. n.3. p NIAKI. S. T. A.; DAVOODI. M. Designing a multivariate-multistage quality control system using artificial neural networks. International Journal of Production Research. v. 47. p PAN. X; JARRETT. J.E. Using vector autoregressive residuals to monitor multivariate processes in the presence of serial correlation. International Journal of Production Economics. v p PFAFF. B. VAR, SVAR and SVEC models: implementation within r package vars. Journal of Statistical Software. v. 27. n. 4. p SHEWHART, W. A. Economic control of quality of manufactured product. 1ª Ed. New York: D. Van Nostrand Company SHUMWAY. R. H.; STOFFER. D. S. Time Series Analysis and Its Applications: With R Examples. 2ª Ed. New York: Springer VARGAS, M; ALFARO, J. L.; MONDÉJAR, J. On the run length of a state-space control chart for multivariate autocorrelated process data. Communications in Statistics - Simulation and Computation. v. 38. p WOODALL. W. H.; FALTIN. F. W. Autocorrelated data and SPC. ASQC Statistics Division Newsletter. v.13. p
13 APÊNDICE A - Método utilizado na simulação de série temporal multivariada com processo de geração VAR(1). Simulação de uma série temporal multivariada com dimensão p e tamanho T: 1) Criam-se erros com distribuição multivariada Gaussiana de ordem p, ~ 0; e N, t p e através da multiplicação da matriz P de ordem (p x p) com o vetor V = (v 1,..., v p ) de ordem (px1), onde t PP e e V ~ N(0,1). e t v 1 P v p (A1) Por exemplo, se p=2: e e p p 1t t 21 p 22 v1 v2 2) O passo 1 é repetido T vezes para a geração de uma série de erros. (A2) 3) Com os valores de e t, obtêm-se X t de forma recursiva através da equação A3 fazendo t=1,2...,t. X ( X ) e (A3) t 0 t1 0 t onde: X t é uma matriz de ordem ( p x 1); x é uma matriz de médias de ordem (p x 1); é a matriz de autocorrelação de ordem (p x p). 4) Com os vetores gerados em 3), obtêm-se as estatísticas Zt Max1 i p Z it. 5) O LC do gráfico de Z é calculado por uma busca binária até que o NMAF seja igual ao valor desejado. APÊNDICE B Valores de NMAF Tabela B1 Comparação dos valores de NMAF com base no modelo de regressão e no método de Kalgonda e Kulkarni (2004). Cenários a b (0) (0) (0) LC Regressão NMAF* LC Kalgonda NMAF** 1 0,2 0,2 0,3 1,0417 1,0417 0,3125 3, ,10 3, ,65 2 0,2 0,2 0,5 1,0417 1,0417 0,5208 3, ,49 3, ,45 3 0,2 0,2 0,7 1,0417 1,0417 0,7292 3, ,25 3, ,88 4 0,2 0,4 0,3 1,0417 1,1905 0,3261 3, ,65 3, ,93 5 0,2 0,4 0,5 1,0417 1,1905 0,5435 3, ,35 3, ,69 6 0,2 0,4 0,7 1,0417 1,1905 0,7609 2, ,43 3, ,29 13
14 7 0,2 0,6 0,3 1,0417 1,5625 0,3409 3, ,18 3, ,36 8 0,2 0,6 0,5 1,0417 1,5625 0,5682 2, ,68 2, ,75 9 0,2 0,6 0,7 1,0417 1,5625 0,7955 2, ,36 3, , ,2 0,8 0,3 1,0417 2,7778 0,3571 2, ,12 3, , ,2 0,8 0,5 1,0417 2,7778 0,5952 2, ,74 2, , ,2 0,8 0,7 1,0417 2,7778 0,8333 2, ,33 3, , ,4 0,2 0,3 1,1905 1,0417 0,3261 3, ,33 3, , ,4 0,2 0,5 1,1905 1,0417 0,5435 3, ,66 3, , ,4 0,2 0,7 1,1905 1,0417 0,7609 2, ,38 2, , ,4 0,4 0,3 1,1905 1,1905 0,3571 3, ,80 3, , ,4 0,4 0,5 1,1905 1,1905 0,5952 2, ,14 2, , ,4 0,4 0,7 1,1905 1,1905 0,8333 2, ,16 2, , ,4 0,6 0,3 1,1905 1,5625 0,3947 2, ,52 3, , ,4 0,6 0,5 1,1905 1,5625 0,6579 2, ,92 3, , ,4 0,6 0,7 1,1905 1,5625 0,9211 2, ,76 2, , ,4 0,8 0,3 1,1905 2,7778 0,4412 2, ,93 3, , ,4 0,8 0,5 1,1905 2,7778 0,7353 2, ,50 2, , ,4 0,8 0,7 1,1905 2,7778 1,0294 2, ,89 3, , ,6 0,2 0,3 1,5625 1,0417 0,3409 3, ,24 3, , ,6 0,2 0,5 1,5625 1,0417 0,5682 2, ,98 3, , ,6 0,2 0,7 1,5625 1,0417 0,7955 2, ,82 3, , ,6 0,4 0,3 1,5625 1,1905 0,3947 2, ,12 3, , ,6 0,4 0,5 1,5625 1,1905 0,6579 2, ,53 2, , ,6 0,4 0,7 1,5625 1,1905 0,9211 2, ,15 2, , ,6 0,6 0,3 1,5625 1,5625 0,4688 2, ,97 2, , ,6 0,6 0,5 1,5625 1,5625 0,7813 2, ,25 3, , ,6 0,6 0,7 1,5625 1,5625 1,0938 2, ,27 2, , ,6 0,8 0,3 1,5625 2,7778 0,5769 2, ,16 3, , ,6 0,8 0,5 1,5625 2,7778 0,9615 2, ,19 2, , ,6 0,8 0,7 1,5625 2,7778 1,3462 2, ,69 2, , ,8 0,2 0,3 2,7778 1,0417 0,3571 2, ,38 3, , ,8 0,2 0,5 2,7778 1,0417 0,5952 2, ,96 3, , ,8 0,2 0,7 2,7778 1,0417 0,8333 2, ,47 3, , ,8 0,4 0,3 2,7778 1,1905 0,4412 2, ,50 3, , ,8 0,4 0,5 2,7778 1,1905 0,7353 2, ,15 3, , ,8 0,4 0,7 2,7778 1,1905 1,0294 2, ,63 3, , ,8 0,6 0,3 2,7778 1,5625 0,5769 2, ,41 3, , ,8 0,6 0,5 2,7778 1,5625 0,9615 2, ,83 3, , ,8 0,6 0,7 2,7778 1,5625 1,3462 2, ,16 2, , ,8 0,8 0,3 2,7778 2,7778 0,8333 2, ,49 2, , ,8 0,8 0,5 2,7778 2,7778 1,3889 2, ,47 2, , ,8 0,8 0,7 2,7778 2,7778 1,9444 2, ,23 2, ,72 * NMAF obtido com o LC do método da regressão (12). ** NMAF obtido com o LC do método proposto por Kalgonda e Kulkarni (2004). 14
UMA ABORDAGEM GEOMÉTRICA PARA ILUSTRAR O EFEITO DA AUTOCORRELAÇÃO NO GRÁFICO DE CONTROLE T2 DE HOTELLING
Curitiba, PR, Brasil, 07 a 0 de outubro de 04. UMA ABORDAGEM GEOMÉTRICA PARA ILUSTRAR O EFEITO DA AUTOCORRELAÇÃO NO GRÁFICO DE CONTROLE T DE HOTELLING Roberto Campos Leoni (UNESP ) rcleoni@yahoo.com.br
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 maisMONITORING BIVARIATE PROCESSES WITH A SHEWHART CHART
MONITORING BIVARIATE PROCESSES WITH A SHEWHART CHART Antonio Fernando B. Costa Universidade Estadual Paulista, Faculdade de Engenharia de Guaratinguetá Campus de Guaratinguetá, São Paulo fbranco@feg.unesp.br
Leia maisCONTROLE ESTATÍSTICO DO PROCESSO: ABORDAGEM MULTIVARIADA PARA MEDIDAS INDIVIDUAIS
CONTROLE ESTATÍSTICO DO PROCESSO: ABORDAGEM MULTIVARIADA PARA MEDIDAS INDIVIDUAIS Liane Werner Departamento de Estatística / UFRGS Av. Bento Gonçalves, 9500 - Porto Alegre -RS E-mail: WERNER@MAT.UFRGS.BR
Leia maisROBERTO CAMPOS LEONI GRÁFICO DE HOTELLING COM ESQUEMAS ESPECIAIS DE AMOSTRAGEM PARA O MONITORAMENTO DE PROCESSOS BIVARIADOS AUTOCORRELACIONADOS
ROBERTO CAMPOS LEONI GRÁFICO DE HOTELLING COM ESQUEMAS ESPECIAIS DE AMOSTRAGEM PARA O MONITORAMENTO DE PROCESSOS BIVARIADOS AUTOCORRELACIONADOS Tese apresentada à Faculdade de Engenharia do Campus de Guaratinguetá,
Leia maisGRÁFICOS DE CONTROLE DE XBARRA PARA O MONITORAMENTO DE PROCESSOS AUTOCORRELACIONADOS COM REGRA ESPECIAL DE DECISÃO
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 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 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 maisO efeito da autocorrelação no desempenho do gráfico de X e na produção de itens não conformes.
O efeito da autocorrelação no desempenho do gráfico de X e na produção de itens não conformes. Roberto Campos Leoni Antônio Fernando Branco Costa Marcela Aparecida
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 maisUma Análise de Desempenho de Gráficos de Controle Multivariados. Rodrigo Luiz P. Lara 1, José Ivo Ribeiro Júnior 2, Rafael L. R.
ISSN: 2317-0840 Uma Análise de Desempenho de Gráficos de Controle Multivariados Rodrigo Luiz P. Lara 1, José Ivo Ribeiro Júnior 2, Rafael L. R. Oliveira 3 1,2 DET-UFV: Universidade Federal de Viçosa, Viçosa-MG.
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 maisGráficos de controle de EWMA e de para monitoramento de processos autocorrelacionados
Gráficos de controle de EWMA e de para monitoramento de processos autocorrelacionados FERNANDO ANTONIO ELIAS CLARO ANTONIO FERNANDO BRANCO COSTA MARCELA APARECIDA GUERREIRO MACHADO UNESP - Guaratinguetá
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 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 maisAvaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação
Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação Vanessa Siqueira Peres da Silva 1 2 Daniel Furtado Ferreira 1 1 Introdução É comum em determinadas
Leia maisA cadeia de Markov no monitoramento, via inspeção por atributos, de processos autocorrelacionados: o programa SCAP- módulo AI
A cadeia de Markov no monitoramento, via inspeção por atributos, de processos autocorrelacionados: o programa SCAP- módulo AI Sueli Aparecida Mingoti (UFMG) - sueli@est.ufmg.br Júlia Pinto de Carvalho
Leia maisA Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
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 maisUma abordagem de análise para o Controle Estatístico de Processo com dados autocorrelacionados
XXIV Encontro Nac. de Eng. de Produção - Florianópolis, SC, Brasil, 0 a 0 de nov de 2004 Uma abordagem de análise para o Controle Estatístico de Processo com dados autocorrelacionados Fernando Moreira
Leia maisEmprego de Técnicas Estatísticas para Validar a Hipótese de Independência em Gráficos de Controle
Emprego de Técnicas Estatísticas para Validar a Hipótese de Independência em Gráficos de Controle Roberto Campos Leoni rcleoni@yahoo.com.br AEDB Nilo Antonio de Souza Sampaio nilo.samp@terra.com.br AEDB
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 maisQualidade na empresa. Fundamentos de CEP. Gráfico por variáveis. Capacidade do processo. Gráficos por atributos. Processos.
Roteiro da apresentação 1 Controle de Qualidade Lupércio França Bessegato 2 3 4 UFMG Especialização em Estatística Setembro/2008 5 6 7 8 Gráfico de Controle de Shewhart Hipóteses do gráfico de controle
Leia maisGRÁFICOS DE SHEWHART BASEADOS NA ESTATÍSTICA DE QUI- QUADRADO E COM REGRA ESPECIAL DE DECISÃO
7 a 3/9/5, Gramado, RS GRÁFICOS DE SHEWHART BASEADOS NA ESTATÍSTICA DE QUI- QUADRADO E COM REGRA ESPECIAL DE DECISÃO Marcela Aparecida Guerreiro Machado Departamento de Produção, UNESP Guaratinguetá, 1516-41,
Leia maisInfluência do Tamanho Amostral no Planejamento Econômico para Controle On-Line de Processo por Atributo com Erros de.
Influência do Tamanho Amostral no Planejamento Econômico para Controle On-Line de Processo por Atributo com Erros de 1. Introdução: Classificação Lupércio França Bessegato 1 Roberto da Costa Quinino 2
Leia maisPREFERÊNCIA DO CONSUMIDOR: UM ESTUDO DE CASO COM APLICAÇÃO DE ANÁLISE CONJUNTA E MODELOS DE REGRESSÃO
PREFERÊNCIA DO CONSUMIDOR: UM ESTUDO DE CASO COM APLICAÇÃO DE ANÁLISE CONJUNTA E MODELOS DE REGRESSÃO Gustavo Rocha Aquino González 1 Ana Paula Barbosa Sobral 2 Jane Azevedo da Silva 3 Raquel Campanate
Leia maisUm comparativo de desempenho entre gráficos de controle univariados e multivariados
Um comparativo de desempenho entre gráficos de controle univariados e multivariados Rodrigo Luiz Pereira Lara 3 Vladimir Barbosa Carlos de Souza 3. Introdução O Controle Estatístico do Processo (CEP) é
Leia maisAjuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis.
Ajuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis. João Daniel Nunes Duarte a, Vinícius Diniz Mayrink b a Estudante de Graduação, e-mail: joaodaniel@ufmg.br
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 maisIMPLEMENTAÇÃO COMPUTACIONAL EM S-PLUS DE TESTES ESTATÍSTICOS MULTIVARIADOS E SUAS APLICAÇÕES EM CONTROLE DE QUALIDADE
IMPLEMENTAÇÃO COMPUTACIONAL EM S-PLUS DE TESTES ESTATÍSTICOS MULTIVARIADOS E SUAS APLICAÇÕES EM CONTROLE DE QUALIDADE Fernanda Karine Ruiz Colenghi Universidade Federal de Minas Gerais Caixa Postal 70,
Leia maisFICHA DE COMPONENTE CURRICULAR
UNIVERSIDADE FEDERAL DE UBERLÂNDIA PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO FICHA DE COMPONENTE CURRICULAR CÓDIGO: FAGEN41037 COMPONENTE CURRICULAR: Tópicos Especiais IV em Gestão Organizacional e Regionalidade
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 maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S. Silva http://www.im.ufrj.br/ralph/multivariada.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Agradecimentos
Leia maisPROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO
PROBABILIDADES E ESTATÍSTICA LEIC+LEE+LERCI (TagusPark) PROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO Secção de Estatística e Aplicações Departamento de Matemática Instituto Superior Técnico Fevereiro 2008
Leia maisREVISÃO E CLASSIFICAÇÃO DAS PRINCIPAIS LINHAS DE PESQUISAS SOBRE GRÁFICOS DE CONTROLE DESENVOLVIDAS NAS ÚLTIMAS DUAS DÉCADAS
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 REVISÃO E CLASSIFICAÇÃO DAS PRINCIPAIS LINHAS DE PESQUISAS SOBRE GRÁFICOS DE CONTROLE DESENVOLVIDAS NAS ÚLTIMAS DUAS DÉCADAS Cassio Eduardo Faria Sobue
Leia maisMODELOS ARIMA PARA MONITORAÇÃO DA QUALIDADE DA PRODUÇÃO DA INDÚSTRIA TÊXTIL OESTE LTDA
MODELOS ARIMA PARA MONITORAÇÃO DA QUALIDADE DA PRODUÇÃO DA INDÚSTRIA TÊXTIL OESTE LTDA Orientadora: Dra. Maria Emília Camargo Co-Orientadora: Dra. Suzana Leitão Russo Bolsistas de Apoio Técnico: Jonas
Leia maisANÁLISE COMPARATIVA DE CARTAS DE CONTROLE PARA DADOS DE ATRIBUTOS NÃO- CONFORMES
ANÁLISE COMPARATIVA DE CARTAS DE CONTROLE PARA DADOS DE ATRIBUTOS NÃO- CONFORMES Izabelle Cristine Hannemann de Freitas (PUCPR ) izabelle-hannemann@hotmail.com Lee Vinagre Monteiro (PUCPR ) lee_vinagre@hotmail.com
Leia maisUtilização de modelos marginais na análise de dados longitudinais irregulares em relação ao tempo
Utilização de modelos marginais na análise de dados longitudinais irregulares em relação ao tempo César Gonçalves de Lima 1 Michele Barbosa 2 Valdo Rodrigues Herling 3 1. Introdução Dados longitudinais
Leia maisCoeficiente de determinação R 2 no modelo de regressão linear normal
Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br
Leia maisSISTEMÁTICA 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 mais3 Filtro de Kalman Discreto
3 Filtro de Kalman Discreto As medidas realizadas por sensores estão sujeitas a erros, como pode ser visto no Capítulo 2. Os filtros são aplicados aos sinais medidos pelos sensores para reduzir os erros,
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 maisAjuste e comparação de modelos para dados grupados e censurados
Ajuste e comparação de modelos para dados grupados e censurados 1 Introdução José Nilton da Cruz 1 Liciana Vaz de Arruda Silveira 2 José Raimundo de Souza Passos 2 A análise de sobrevivência é um conjunto
Leia maisO uso da estatística de qui-quadrado No
O uso da estatística de qui-quadrado No controle de processos Antônio Fernando Branco Costa FEG/UNESP, Avenida Ariberto Pereira da Cunha, 333, CEP 1516-410, Bairro do Pedregulho, Guaratinguetá, SP e-mail:
Leia maisPROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO
PROBABILIDADES E ESTATÍSTICA LEIC+LEE+LERCI (TagusPark) PROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO Secção de Estatística e Aplicações Departamento de Matemática Instituto Superior Técnico Fevereiro 2006
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Áreas
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Áreas Áreas Na análise de áreas o atributo estudado é em geral resultando de uma contagem ou um
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 maisRedes de Computadores sem Fio
Redes de Computadores sem Fio Prof. Marcelo Gonçalves Rubinstein Programa de Pós-Graduação em Engenharia Eletrônica Faculdade de Engenharia Universidade do Estado do Rio de Janeiro Programa Introdução
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 maisUM ESTUDO COMPARATIVO ENTRE O DESEMPENHO DE GRÁFICOS DE CONTROLE ESTATÍSTICO MULTIVARIADOS COM A APLICAÇÃO DA ANÁLISE DE COMPONENTES PRINCIPAIS
UM ESTUDO COMPARATIVO ENTRE O DESEMPENHO DE GRÁFICOS DE CONTROLE ESTATÍSTICO MULTIVARIADOS COM A APLICAÇÃO DA ANÁLISE DE COMPONENTES PRINCIPAIS Elisa Henning UDESC Campus Universitário Professor Avelino
Leia maisVetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência
Vetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência Forma estrutural e reduzida O método VAR busca capturar a interdependência entre múltiplas séries de tempo. Estrutura-se equações
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 maisAplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda
Leia mais3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
Leia maisFundamentos do Controle Estatístico do Processo
Fundamentos do Controle Estatístico do Processo Roteiro 1. Introdução 2. Monitoramento de Processos 3. Etapa Inicial: Estabilização e Ajuste do Processo 4. Estimação da Variabilidade 5. Referências Introdução
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
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 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 de testes estatísticos para matrizes de covariâncias de processos multivariados
Setembro de 010, vol. 0, no. 09 Comparação de testes estatísticos para matrizes de covariâncias de processos multivariados Sueli Aparecida Mingoti Renato Azevedo da Silva
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 maisAjuste de mínimos quadrados
Capítulo 5 Ajuste de mínimos quadrados 5 Ajuste de mínimos quadrados polinomial No capítulo anterior estudamos como encontrar um polinômio de grau m que interpola um conjunto de n pontos {{x i, f i }}
Leia maisDeterminação da Estabilidade de Variáveis de Produção Utilizando a Metodologia VAR e Gráficos de Controle Multivariados
48 Determinação da Estabilidade de Variáveis de Produção Utilizando a Metodologia VAR e Gráficos de Controle Multivariados Determination of the Stability of Production Variables Using the VAR Methodology
Leia maisLES0773 Estatística Aplicada III
LES0773 Estatística Aplicada III Prof. Luciano Rodrigues Aula 6 Departamento de Economia, Administração e Sociologia Escola Superior de Agricultura Luiz de Queiroz-ESAQ Universidade de São Paulo-USP lurodrig2209@gmail.com
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 maisEstudo dirigido de Análise Multivariada
Estudo dirigido de Análise Multivariada Conceitos Iniciais De um modo geral, os métodos estatísticos de análise multivariada são aplicados para analisar múltiplas medidas sobre cada indivíduo ou objeto
Leia maisPlanejamento e Otimização de Experimentos Ajuste de Modelos de Regressão e Outros Planejamentos
Planejamento e Otimização de Experimentos Ajuste de Modelos de Regressão e Outros Planejamentos Prof. Dr. Anselmo E de Oliveira anselmo.quimica.ufg.br anselmo.disciplinas@gmail.com.br Ajuste de modelos
Leia maisXIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA 27 de setembro a 01 de outubro de 2010
PROPOSTA DE APLICAÇÃO DA ANÁLISE DE VARIÂNCIA COM MODELO AUTOREGRESSIVO PARA ANÁLISE DE VARIEDADES DE TRIGO (Triticum aestivum L.) DIOGO FRANCISCO ROSSONI¹, MARIELE VILELA BERNARDES PRADO², JAIR ROCHA
Leia maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que
Leia maisTestes de Raiz Unitária para Dados em Painel
Aula 7 Bibliografia: Stata, 2017. help xtunitroot. From Stata/SE 13 (accessed on Oct. 23, 2018). Pesaran, M.H. (2015). Time series and panel data econometrics. Oxford: Oxford University Press. Rafael S.
Leia maisJorge Caiado CEMAPRE/ISEG, Universidade Técnica de Lisboa Web:
CEMAPRE/ISEG, Universidade Técnica de Lisboa Email: jcaiado@iseg.utl.pt Web: http://pascal.iseg.utl.pt/~jcaiado/ 1 Uma série temporal (time series) consiste num conjunto de observações de uma variável,
Leia maisDETECÇÃO DE FALHAS EM UM HELICÓPTERO DE TRÊS GRAUS DE LIBERDADE EMPREGANDO CONTROLE ESTATÍSTICO MULTIVARIADO DE PROCESSO
Anais do XVI Encontro de Iniciação Científica e Pós-Graduação do ITA XVI ENCITA / 2010 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil 20 de outubro de 2010 DETECÇÃO DE FALHAS EM UM
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 maisCálculo Numérico BCC760
Cálculo Numérico BCC760 Resolução de Sistemas de Equações Lineares Simultâneas Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ 1 Introdução! Definição Uma equação é dita
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisMétodos Quantitativos Aplicados
Métodos Quantitativos Aplicados Aula 10 http://www.iseg.utl.pt/~vescaria/mqa/ Tópicos apresentação Análise Regressão: Avaliação de relações de dependência em que se explica o comportamento de uma/várias
Leia maisObtenção dos projetos ótimos de gráficos de X utilizando o Matlab. Robson Silva Rossi 1 FEMEC
Obtenção dos projetos ótimos de gráficos de X utilizando o Matlab. Robson Silva Rossi 1 FEMEC robsonsilvarossi@yahoo.com.br Aurélia Aparecida de Araújo Rodrigues 2 FAMAT aurelia@famat.ufu.br Resumo Foi
Leia maisPREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Leia maisControle Estatístico de Processos - CEP
Faculdade de Tecnologia Senac Go Gestão da Tecnologia da Informação Aluna: Lusana Souza de Oliveira Professor: Itair Pereira Gestão de Processos lll modulo - Matutino Controle Estatístico de Processos
Leia mais6 Ajuste de mínimos quadrados
6 Ajuste de mínimos quadrados polinomial No capítulo anterior estudamos como encontrar um polinômio de grau m que interpola um conjunto de n pontos {{x i, f i }} n Tipicamente quando m < n esse polinômio
Leia maisDissertação de Mestrado: Uma Avaliação do Desempenho de Núcleo-Estimadores no Controle de Processos Multivariados. por:
Dissertação de Mestrado: Uma Avaliação do Desempenho de Núcleo-Estimadores no Controle de Processos Multivariados por: Fernando Augusto Alves Glória Orientador(a): Profª. Drª. Sueli Aparecida Mingoti Co-orientador:
Leia maisEconometria Semestre
Econometria Semestre 2010.01 174 174 21.4. PROCESSOS ESTOCÁSTICOS INTEGRADOS O passeio aleatório é apenas um caso particular de uma classe de processos estocásticos conhecidos como processos integrados.
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 maisModelos Lineares Mistos
Modelos Lineares Mistos Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 131 99, Brasil email: lucambio@ufpr.br Setembro de 1 Introdução O modelo de regressão linear
Leia maisCOKRIGAGEM. Aplicação da cokrigagem
COKRIGAGEM Procedimento geoestatístico segundo o qual diversas variáveis regionalizadas podem ser estimadas em conjunto, com base na correlação espacial entre si. É uma extensão multivariada do método
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 mais2 Modelos Não Lineares
Modelos Não Lineares 17 2 Modelos Não Lineares 2.1. Introdução Nos últimos anos, muitos modelos não-lineares para a análise de séries temporais têm sido propostos. Na econometria clássica, os modelos de
Leia maisINTRODUÇÃO A ECONOMETRIA
INTRODUÇÃO A ECONOMETRIA Análise de regressão e uso do Eviews Introdução O modelo de regressão linear se utiliza para estudar a relação que existe entre uma variável dependente e uma ou várias variáveis
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 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 maisIDENTIFICAÇÃO DE VARIÁVEIS FORA DE CONTROLE USANDO O GRÁFICO X COM LIMITES DE BONFERRONI
IDENTIFICAÇÃO DE VARIÁVEIS FORA DE CONTROLE USANDO O GRÁFICO X COM LIMITES DE BONFERRONI Adriano Mendonça Souza Universidade Federal de Santa Maria UFSM - RS e-mail: amsouza@ccne.ufsm.br Leoni Pentiado
Leia mais6 Geração de Cenários
6 Geração de Cenários O planejamento do setor elétrico para operações hidrotérmicas de longo prazo de cada subsistema, atualmente, está fundamentado na avaliação dos resultados da simulação de diversos
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 maisAnalysis of Variance. Wagner Oliveira de Araujo
Analysis of Variance Wagner Oliveira de Araujo Technical Report - RT-MSTMA_001-09 - Relatório Técnico April - 2009 - Abril The contents of this document are the sole responsibility of the authors. O conteúdo
Leia maisM l u t l i t c i oli l n i e n arid i a d de
Multicolinearidade 1 Multicolinearidade Quando existem relação linear exata entre as variáveis independentes será impossível calcular os estimadores de MQO. O procedimento MQO utilizado para estimação
Leia maisCONHECIMENTOS ESPECÍFICOS
De acordo com o comando a que cada um dos itens de 51 a 120 se refira, marque, na folha de respostas, para cada item: o campo designado com o código C, caso julgue o item CERTO; ou o campo designado com
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 maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia mais