UMA ABORDAGEM PONDERADA EM ANÁLISE MULTIVARIADA DE VARIÂNCIA PARA ESTIMAR UM ÍNDICE DE AVALIAÇÃO DO SISTEMA DE MEDIÇÃO
|
|
- Samuel Natal Leal
- 6 Há anos
- Visualizações:
Transcrição
1 September -8, 0 UMA ABORDAGEM PONDERADA EM ANÁLISE MULTIVARIADA DE VARIÂNCIA PARA ESTIMAR UM ÍNDICE DE AVALIAÇÃO DO SISTEMA DE MEDIÇÃO Rogério Santana Peruchi Anderson Paulo de Paiva Pedro Paulo Balestrassi Michele de Santana Carmelossi Luiz Gustavo Dias Lopes Instituto de Engenharia de Produção e Gestão, Universidade Federal de Itajubá Av. BPS, 0 Bairro Pinheirinho Itajubá, MG CEP: rogerioperuchi@unifei.edu.br, andersonppaiva@unifei.edu.br, pedro@unifei.edu.br, m.i.c.h.e.l.e@hotmail.com, luizgustavo.lopes@yahoo.com RESUMO Este artigo explora a análise do sistema de medição com características correlacionadas através de estudos de repetitividade e reprodutividade. A principal contribuição desta pesquisa é a proposta de um método para avaliar sistemas de medição considerando uma abordagem de análise multivariada ponderada de variância (weighted multivariate analysis of variance - WMANOVA). Para provar a eficiência deste método, serão gerados dados com distintas estruturas de correlação entre as características da qualidade, assim como para sistemas de medição inaceitável, marginal e aceitável. O método proposto é comparado com métodos univariados e multivariados. Foi observado que, comparado aos outros métodos, WMANOVA foi mais robusto em estimar o índice de avaliação de sistemas de medição multivariado. PALAVRAS-CHAVE. Análise do sistema de medição, repetitividade e reprodutividade, análise de componentes principais. EST - Estatística SIM - Simulação ABSTRACT This article explores the analysis of measurement system with correlated characteristics through the study of repeatability and reproducibility. The main contribution of this research is to propose a method for evaluating measurement system by considering an approach of weighted multivariate analysis of variance (WMANOVA). To prove its efficiency, we generate simulated data with different correlation structures for measurement systems that are acceptable, marginal, and unacceptable. The proposed method is compared with classical univariate and multivariate methods. It was observed that, compared to the other methods, the WMANOVA was more robust in estimating the assessment indices of a multivariate measurement system. KEYWORDS. Measurement system analysis, repeatability and reproducibility, principal component analysis. EST Statistics SIM - Simulation 9
2 September -8, 0. Introdução Os esforços em projetos de melhoria da qualidade são frequentemente direcionados para a produção com zero defeito através da redução da variabilidade. Se um produto é classificado como não conforme, geralmente, entende-se que a variabilidade é atribuída ao processo, logo ações de melhoria são implementadas para melhorar a capabilidade do processo. Infelizmente, pode ser que os esforços não necessariamente resultem em capabilidade do processo melhorada, pois é possível que o processo já seja capaz o bastante, no entanto, o erro de medição é ainda inaceitável quando comparado à variabilidade do processo. Portanto, é importante investigar tanto a variabilidade de um processo de medição quanto à variabilidade do processo de manufatura antes de tomar ações para melhorias futuras. Em manufatura, por exemplo, um sistema de medição nem sempre produz a dimensão exata de uma peça, mas ela fornece medições que são desviadas do valor verdadeiro por algum erro. Em qualquer atividade envolvendo medições, uma parte da variabilidade observada será devido ao próprio produto/processo, σ P, enquanto que o restante será devido ao erro de medição ou variabilidade do sistema de medição, σ SM (AL-REFAIE e BATA, 00; SENOL, 00; WANG e YANG, 007). O estudo usado para medir as componentes de variação de uma análise do sistema de medição (MSA) é chamado de Estudo de Repetitividade e Reprodutividade do Instrumento de Medição (Gage Repeatability and Reproducibility GR&R), o qual pretende determinar se esta variabilidade é relativamente menor que a do processo monitorado. Repetitividade é a variação nas medições obtidas com um instrumento de medição quando usado diversas vezes por um avaliador que mede a mesma característica em uma mesma peça. Reprodutividade é tipicamente definida como a variação na média das medições feitas por diferentes avaliadores usando o mesmo instrumento de medição para medir a mesma característica em uma mesma peça (AIAG, 00; BURDICK, BORROR e MONTGOMERY, 00; ERDMANN, DOES e BISGAARD, 00; KAIJA et al., 00). Em processos de manufatura, geralmente, deseja-se trabalhar com mais de uma característica da qualidade (critical-to-quality characteristic CTQ). Quando a correlação entre as CTQs é baixa, o uso de técnicas estatísticas univariadas pode ser satisfatório. Por outro lado, quando as respostas apresentam correlação significativa, este efeito não pode ser negligenciado na análise dos dados. Logo, para tratar com múltiplas características correlacionadas é exigido o uso de técnicas estatísticas multivariadas. Este artigo trata de análise multivariada do sistema de medição através de estudos de repetitividade e reprodutividade do processo de medição. A principal contribuição deste artigo é a proposta de um método para avaliar sistemas de medição considerando uma abordagem de análise multivariada ponderada de variância (weighted multivariate analysis of variance WMANOVA). O método chamado WMANOVA adota uma abordagem de ponderação da relação λ MS pelo percentual de explicação dos autovalores extraídos da matriz variação total do sistema de medição. Para provar a eficiência do método foram gerados dados simulados para sistemas de medição inaceitável, marginal e aceitável e diversas estruturas de correlação entre as CTQs. As estimativas do índice de aceitação do sistema de medição, através dos métodos multivariados, foram comparadas com base no intervalo de confiança da média. Este intervalo foi obtido através dos índices estimados pelo método univariado (analysis of variance ANOVA) para as respostas originais. O estudo de simulação concluiu que WMANOVA foi mais robusto que os métodos MANOVA (multivariate analysis of variance) de Majeske (008) e PCA (principal component analysis) de Wang e Chien (00). O restante deste artigo está estruturado como segue. O Capítulo mostra como avaliar um sistema de medição usando os métodos multivariados. Em seguida, no Capítulo foi realizado um estudo de simulação para comparar o desempenho dos métodos multivariados em diversas estruturas de correlação entre as CTQs e classificações de sistemas de medição. Por fim, o Capítulo apresentará as principais conclusões envolvendo as análises usando os métodos multivariados MANOVA, PCA e WMANOVA. 0
3 September -8, 0. Análise de sistemas de medição através de estudo GR&R. Estudo GR&R multivariado baseado em MANOVA De acordo com Majeske (008), quando um estudo GR&R considera dois fatores com interação para múltiplas características da qualidade (q características), o modelo é dado por: CTQ CTQ CTQq i =,,..., p CTQ = CTQ CTQ CTQ q = μ + α i + β j + ( αβ) ij + εijk j =,,..., o () k =,,..., r CTQn CTQn CTQnq onde CTQ = (CTQ, CTQ,, CTQ q,) e μ=(μ, μ,, μ q ) são vetores constantes; α i ~N(0,Σ α ), β j ~N(0,Σ β ), αβ ij ~N(0,Σ αβ ), e ε ijk ~N(0,Σ ε ) são vetores aleatórios estatisticamente independentes um dos outros. Os componentes de variância do modelo na Eq. () podem ser estimados usando o método MANOVA, proposto por Majeske (008). Segundo este autor, estes componentes de variância são estimados para obter um índice que avalia a aceitação do sistema de medição, denominado %R&R m (percentagem de variação devido à repetitividade e reprodutividade). Este índice pode ser calculado por: q SMi % R & R λ m = 00% () i= λ Ti onde λ SM e λ T são os autovalores extraídos das matrizes variância-covariância sistema de medição ( Σˆ SM ) e variação total ( Σˆ T ), respectivamente. %R&R m menor que 0% determina que o sistema de medição é considerado aceitável. Se o valor do índice estiver em uma região marginal entre 0% e 0%, indica que o sistema de medição pode ser considerado aceitável dependendo da aplicação, custo do dispositivo de medição, custo de reparo ou outros fatores. Além disso, o sistema de medição é considerado inaceitável se o valor do índice exceder 0% e deverá ser melhorado (AIAG, 00; HE, WANG e COOK, 0; LI e AL-REFAIE, 008; WOODALL e BORROR, 008). q. Estudo GR&R multivariado baseado em PCA Segundo Wang e Chien (00), para tratar com múltiplas características da qualidade (q características) em um estudo GR&R, PCA é um método alternativo ao método MANOVA proposto por Majeske (008). O modelo que representa um estudo GR&R multivariado através do método PCA é dado por: i =,,..., p j =,,..., o PC n = µ + α i + β j + ( αβ ) ij + ε ijk k =,,..., r () n =,,..., q onde PC n são os escores de componentes principais PC, PC,..., PC q. O índice %R&R m de avaliação do sistema de medição é obtido pela Eq. () através do método PCA. Para mais detalhes de como obter os escores de componentes principais e como avaliar o sistema de medição usando o método PCA, ver Wang e Chien (00). Os critérios de aceitação do sistema de medição são os mesmos descritos na seção.. σ SM % R & R m = 00% () σ T. Estudo GR&R multivariado baseado em WMANOVA O método WMANOVA proposto pelos autores desta pesquisa estima o índice %R&R m considerando uma abordagem de análise multivariada ponderada de variância (weighted
4 September -8, 0 multivariate analysis of variance - WMANOVA). O modelo que representa um estudo GR&R multivariado para o método WMANOVA é o mesmo descrito na Eq. (). Para obter o índice %R&R m estimam-se as matrizes variância-covariância da Eq. (), que representam os componentes de variação de um sistema de medição. Antes de estimar as matrizes variânciacovariância, estimam-se as matrizes de médias quadráticas para os fatores peça (MSP), operador (MSO), interação (MSPO), assim como para o termo de erro (MSE). Logo, as matrizes das médias quadráticas são estimadas por: p or MSP ab = ( ma )( mb ) () i..... i..... p i= o pr MSO ab = ( ma )( mb ) (6). j..... j.... ( o ) j= p o r MSPO ab = ( ma + ma )( mb + mb ) (7) ij. i... j.... ij. i... j.... ( p )( o ) i= j= p o r MSE ab = ( ma )( mb ) (8) ijk... ijk... po( r ) i= j = k = Em seguida, estimam-se as matrizes variância-covariância para processo ( Σˆ P ), repetitividade ( Σˆ repetitividade ), reprodutividade ( Σˆ reprodutividade ), sistema de medição ( Σˆ SM ) e variação total ( Σˆ T ), com base nas matrizes de médias quadráticas das Eqs. ()-(8): MSP MSPO Σ ˆ P = Σ ˆ α = or (9) Σ ˆ repetitivi dade = Σ ˆ ε = MSE (0) MSO MSPO MSPO MSE Σˆ reprodutividade = Σˆ β + Σˆ αβ = + () pr r Σ ˆ SM = Σˆ repetitividade + Σˆ reprodutividade () Σ ˆ T = Σˆ P + Σˆ SM () Se o efeito de interação não é significativo, o modelo da Eq. () pode ser reduzido para o modelo da Eq. (). Neste caso, a matriz de médias quadráticas MSE é estimada pela Eq. () e as matrizes variância-covariância para peça (processo), repetitividade e reprodutividade (operador) são estimadas usando as Eqs. (6)-(8). MSP, MSO, Σˆ SM e Σˆ T são estimadas de acordo com as Eqs. (), (6), () e (), respectivamente. i =,,..., p CTQ = μ + α i + β j + εijk j =,,..., o () k =,,..., r p o MSE ab = ( ma + ma )( mb + mb ) () ijk i... j.... ijk i... j.... por p o + i= j= MSP MSE Σ ˆ P = Σ ˆ α = or (6) Σ ˆ repetitivi dade = Σ ˆ ε = MSE (7) MSO MSE Σ ˆ reprodutividade = Σ ˆ β = pr (8) De acordo com a Eq. (), o método MANOVA aplica média geométrica na relação λ MS λ T para obter o índice de avaliação do sistema de medição. Esta estratégia não considera maior importância para os autovalores mais significativos, λ λ... λq 0, extraídos das matrizes variância-covariância. Em decorrência disso, o método WMANOVA adota uma abordagem de
5 September -8, 0 ponderação da relação λ λ pelo percentual de explicação dos autovalores extraídos da matriz MS variação total do sistema de medição: q j = onde W = ( λ ) 00% T % R & R m q λsmi = Wi (9) i= λ Ti i λ Ti T ; λ j SM e λ T são os autovalores extraídos das matrizes variânciacovariância sistema de medição ( Σˆ SM ) e variação total ( Σˆ T ), respectivamente. Os critérios de aceitação do sistema de medição são os mesmos descritos na seção... Estudo de simulação O objetivo desta simulação é avaliar diversas situações possíveis em análises multivariadas de um sistema de medição e comparar os resultados alcançados pelos métodos multivariados. Serão gerados dados simulados para sistemas de medição inaceitável (%R&R>0%), marginal (0%<%R&R<0%) e aceitável (%R&R<0%), assim como para correlações muito baixa (W 6%), baixa (6%<W 7%), média (7%<W 8%), alta q (8%<W 9%) e muito alta (W >9%). W é o resultado obtido de W = ( λ T ) 00% j =. j Este estudo de simulação assumirá cenários, totalizando.800 medições simuladas. A Figura exemplifica dois casos extremos, correlação muito alta (Figura a) e correlação muito baixa (Figura b) entre duas variáveis respostas CTQ e CTQ. Para este exemplo foram selecionados os cenários e da Tabela. Observa-se que quanto maior for a similaridade do padrão de alteração dos níveis dos fatores (peças e operadores), maior será a correlação entre as respostas. Além disso, se forem definidos valores médios muito distintos para dois operadores medindo a mesma peça, a análise de variância indicará diferença entre operadores e/ou termo de interação (peça * operador) estatisticamente significativo. A Figura apresenta um fluxograma que detalha como obter os dados simulados. Estes foram gerados a partir das informações da Tabela, obedecendo à mesma quantidade de peças e operadores em Majeske (008), p=, o=, r= e q=. Estes dados podem ser encontrados em As análises foram focadas apenas na comparação entre os métodos multivariados. Para entender como calcular o índice univariado %R&R usando o método ANOVA, ver AIAG (00). O cálculo do índice multivariado %R&R m através dos métodos MANOVA e PCA podem ser encontrados em Majeske (008) e Wang e Chien (00), respectivamente. Assim, os índices %R&R m e %R&R foram calculados para a comparação dos métodos, onde para cada cenário tentou-se obter valores próximos de índices %R&R para cada resposta. Desta forma, espera-se que os índices obtidos pelos métodos multivariados estejam próximos dos obtidos pelo método univariado. O critério utilizado para determinar se a estimativa do índice multivariado, %R&R m, está correta foi baseado nos intervalos de confiança da média calculados a partir dos resultados de %R&R obtidos através do método univariado. Os limites inferiores (LIC) e superiores (LSC) dos intervalos de confiança foram calculados usando as Eqs. (0) e (): LIC = CTQ t N, α ( s N ) (0) LSC = CTQ + t N, α ( s N ) () onde CTQ é a média de %R&R para CTQ, CTQ, CTQ e CTQ ; s é o desvio-padrão; N é o tamanho da amostra e t é o ( α)00º percentil de uma distribuição t com (N-) graus de N, α liberdade. A Tabela apresenta os resultados dos cálculos do índice %R&R, assim como a média e os intervalos para 9% de confiança, obtidos através do método univariado. Os índices %R&R m calculados através dos métodos PCA, MANOVA e WMANOVA estão na Tabela. A análise e comparação serão realizadas de duas formas: intramétodo e intermédoto. A análise intramétodo fornecerá uma visão geral do desempenho dos métodos ao estimar os índices %R&R m. A análise intermétodos terá o objetivo de justificar os desvios de estimativas de %R&R m pelos métodos.
6 September -8, 0 (a) (b) Sample Médias Mean Sample Médias Mean CTQ M Peças Parts _ UCL=0.89 X=8.6 LCL=6. _ UCL=.89 X=9.6 LCL= CTQ M Parts Peças _ UCL=. X=.9 LCL=8.86 _ UCL=. X=9.6 LCL=6.9 Figura : gráfico Xbar por operador: (a) exemplo de correlação muito alta (0,999) entre CTQ e CTQ ; (b) exemplo de correlação muito baixa (0,088) entre CTQ e CTQ INÍCIO. Criar matriz geral variância-covariância com qualquer correlação. Criar vetores de média para cada operador (o) medindo cada peça (p). Gerar r (réplicas) dados para cada combinação o medindo p. Empilhar combinações para formar a matriz das respostas 6.. Identificar correlações altas para modificar os vetores de média. Extrair autovalores da matriz 6.. Analisar correlação das respostas 6.. Identificar correlações baixas para modificar os vetores de média 6. %W é o desejado? 6.. Deseja %W menor? 6.. Analisar correlação das respostas 7. Analisar sistema de medição 8. %R&R é o desejado? 8.. Reduzir var-covar multiplicando matriz por um escalar 8.. Deseja %R&R menor? 8.. Aumentar var-covar multiplicando matriz por um escalar Figura : Fluxograma detalhado que explica como obter os dados simulados para um estudo GR&R multivariado FIM
7 September -8, 0 Cenários Corr. muito baixa SM inaceitável Corr. baixa SM inaceitável Corr. média SM inaceitável Corr. alta SM inaceitável Corr. muito alta SM inaceitável 6 Corr. muito baixa SM marginal 7 Low corr. SM marginal 8 Corr. média SM marginal 9 Corr. alta SM marginal 0 Corr. muito alta SM marginal Corr. muito baixa SM aceitável Corr. baixa SM aceitável Corr. média SM aceitável Corr. alta SM aceitável Corr. muito alta SM aceitável Tabela : Vetor de medias e matrizes variância-covariância usadas para gerar os dados simulados com diferentes correlações e sistemas de medição (SM) Vetor de médias P O P O P O P O P O P O P O P O P O P O,00 8,00 6,00 0,00,00,0 8,0,90 9,90,90 8,00 6,00,00 9,00,00 7,90 6,0,90 9,0 0,90 9,00 0,00,00 6,00 7,00 9,0 0,0,90,90 7,0 7,00,00,00 0,00,00 7,0 0,90,0 0,0,0,00 8,00 6,00 0,00,00,0 8,0,90 9,90,90 8,00 7,00 9,00,00,00 7,90 6,90 9,0,0 0,90 9,00 0,00 7,00,00,00 9,0 0,0 6,90,0,90 7,00,00,00,00 7,00 7,0,0,0,90 6,90 9,00 7,00,00,00 0,00 9,0 6,99,0,0 9,99 8,00 7,00 9,00,00,00 7,99 6,99 9,0,0 0,99 9,00 0,00 7,00,00,00 9,0 0,0 6,99,0,99 7,00,00 9,00 7,00,00 7,0,0 8,99 6,99,0 6,00,00 8,00 0,00,00 6,0,0 7,99 9,99,0,00 6,00 9,00,00,00,0 6,0 9,0 0,99,99 6,00 8,00,00,00,00 6,0 8,0,0,0,0 8,00 0,00,00 6,00,00 7,99 0,0,0 6,0,0,00 6,00 8,00 0,00,00,0 6,0 7,99 9,99,0,00 7,00 9,00,00,00,0 7,0 9,0 0,99,99 6,00 8,00 0,00,00,00 6,0 8,0 9,99,99,99 8,00 0,00,00,00 6,00 7,99 0,0,0,0,99,00 8,00 6,00 0,00,00,0 8,0,90 9,90,90 8,00 6,00,00 9,00,00 7,90 6,0,90 9,0 0,90,00 8,00 9,00,00,00,0 8,0 8,90,90,0 7,00,00,00 0,00 7,00 7,0,0,0 0,0 6,90 6,00 8,00,00,00 0,00 6,0 8,0,90 0,90 9,90 8,00 7,00 9,00,00,00 7,90 6,90 9,0,0 0,90 7,00,00 0,00,00,00 7,0,0 9,90,0,90 9,00,00,00,00 7,00 9,0 0,90,0,90 6,90 9,00 7,00,00,00 0,00 9,0 6,99,0,0 9,99 8,00 7,00 9,00,00,00 7,99 6,99 9,0,0 0,99 9,00 0,00 7,00,00,00 9,0 0,0 6,99,0,99 7,00,00 9,00 7,00,00 7,0,0 8,99 6,99,0 6,00,00 8,00 0,00,00 6,0,0 7,99 9,99,0,00 6,00 9,00,00,00,0 6,0 9,0 0,99,99 6,00 8,00,00,00,00 6,0 8,0,0,0,0 8,00 0,00,00 6,00,00 7,99 0,0,0 6,0,0,00 6,00 8,00 0,00,00,0 6,0 7,99 9,99,0,00 7,00 9,00,00,00,0 7,0 9,0 0,99,99 6,00 8,00 0,00,00,00 6,0 8,0 9,99,99,99 8,00 0,00,00,00 6,00 7,99 0,0,0,0,99,00 8,00 6,00 0,00,00,0 8,0,90 9,90,90 8,00 6,00,00 9,00,00 7,90 6,0,90 9,0 0,90,00 8,00 9,00,00,00,0 8,0 8,90,90,0 7,00,00,00 0,00 7,00 7,0,0,0 0,0 6,90 6,00 8,00,00,00 0,00 6,0 8,0,99 0,99 9,99 7,00,00 9,00,00,00 6,99,99 9,0,0 0,99 7,00,00 0,00,00,00 7,0,0 9,99,0,99 6,00 0,00,00,00 7,00 6,0 9,99,0,0 6,99 9,00 7,00,00,00 0,00 9,0 6,99,0,0 9,99 8,00 7,00 9,00,00,00 7,99 6,99 9,0,0 0,99 9,00 0,00 7,00,00,00 9,0 0,0 6,99,0,99 7,00,00 9,00 7,00,00 7,0,0 8,99 6,99,0 6,00,00 8,00 0,00,00 6,0,0 7,99 9,99,0,00 6,00 9,00,00,00,0 6,0 9,0 0,99,99 6,00 8,00,00,00,00 6,0 8,0,0,0,0 8,00 0,00,00 6,00,00 7,99 0,0,0 6,0,0,00 6,00 8,00 0,00,00,0 6,0 7,99 9,99,0,00 7,00 9,00,00,00,0 7,0 9,0 0,99,99 6,00 8,00 0,00,00,00 6,0 8,0 9,99,99,99 8,00 0,00,00,00 6,00 7,99 0,0,0,0,99 Matrizes variância-covariância
8 September -8, 0 Tabela : Resultados dos cálculos do índice %R&R, média e intervalo de confiança de 9% CENÁRIO UNIVARIADO (%R&R) IC da Média C SM Correlação CTQ CTQ CTQ CTQ Média LIC LSC C Muito baixa 9,9 9, 8,, 0, 9,69, C Baixa,,, 9,8,, 6,7 C Inaceitável Média 0,8,,6 6,9,8,6,7 C Alta,,, 7,8,86,70,0 C Muito alta,,9 7,8, 6, 9,,97 C6 Muito baixa,8,,7 0,,8 9,7 7, C7 Baixa 8,6 7,,,,8 6,9 8,69 C8 Marginal Média,,7 7,0,6 7,69,6, C9 Alta, 0,,6 6,9,0 9,9 7,80 C0 Muito alta, 9,0 9,7 0,9 8,70,80,9 C Muito baixa 8, 6,,9, 6,,67 8,77 C Baixa,6,6 6,7,,, 6,9 C Aceitável Média 6, 9,6 6,6,9 7,07,7 9,76 C Alta,7,,9 7,,8,00 7,69 C Muito alta 6, 7,6 8,6 9, 7,9 6,07 9,8 Tabela : Resultados dos cálculos de média, intervalo de confiança de 9% e índice %R&R m IC da Média MULTIVARIADO (%R&R m ) C Média LIC LSC PC PC PC PC MAN WMAN C 0, 9,69,, (,8) 9, (9,), (,),08 (,0) 0,78,6 C,, 6,7,8 (70,7) 0,8 (7,) 0,9 (8,) 9, (,7),0 6,0 C,8,6,7 7,79 (79,), (9,) 7,6 (7,) 9,6 (,7), 8,7 C,86,70,0,8 (88,) 8,9 (8,) 9,6 (,) 7,9 (0,) 8,,9 C 6, 9,,97 6,0 (99,7) 97,0 (0,) 00,00 (0,0) 00,00 (0,0) 6,09,8 C6,8 9,7 7, 8,6 (,9) 6,9 (9,9),79 (,), (,7),97 9,6 C7,8 6,9 8,69,97 (66,),77 (7,8) 8,7 (,9) 6,89 (0,) 0,0 9,86 C8 7,69,6, 9,7 (79,8) 6,0 (9,),78 (7,) 7,9 (,),0,8 C9,0 9,9 7,80,7 (89,8) 6,0 (7,6) 9,99 (,),07 (0,),,7 C0 8,70,80,9 8,6 (99,9) 9,87 (0,) 00,00 (0,0) 00,00 (0,0) 7, 6,9 C 6,,67 8,77 6, (,) 6,9 (,9),9 (7,),8 (,),08,00 C,, 6,9 6,69 (67,6), (8,), (,8), (0,),0,70 C 7,07,7 9,76 7,87 (79,7),9 (8,9),7 (7,8),08 (,6),8 6,07 C,8,00 7,69,99 (90,), (7,),96 (,6), (0,) 7, 6,8 C 7,9 6,07 9,8 7,9 (00,0) 96,68 (0,0) 00,00 (0,0) 00,00 (0,0) 9, 7,78 Na análise intramétodo verifica-se que o WMANOVA foi mais robusto que MANOVA e PCA para estimar os índices %R&R m. O método MANOVA foi capaz de estimar o índice multivariado dentro do intervalo de confiança apenas nos cenários C9, C e C. No trabalho de Wang e Chien (00) foram avaliadas as componentes principais que apresentaram um percentual de explicação acumulado de pelo menos 9% para as variáveis originais. Sendo assim, o método PCA foi capaz de estimar o índice multivariado dentro do intervalo de confiança apenas nos cenários C, C0, C e C. Já o método WMANOVA estimou o índice %R&R m dentro do intervalo de confiança em dos cenários avaliados. Para a análise intermétodo por PCA, a Tabela apresenta as análises dos sistemas de medições simulados para as quatro componentes principais. Os valores entre parênteses mostram a porcentagem de explicação da variabilidade das CTQs para cada componente principal. Recomenda-se avaliar os escores das componentes principais que representam variabilidade acumulada de pelo menos 9% para as CTQs. Logo, para os cenários com estrutura de correlação: muito baixa, baixa e média: PC, PC e PC foram analisadas; alta: PC e PC foram analisadas; muito alta: apenas PC foi analisada. 6
9 September -8, 0 Para os cenários C, C0 e C, apenas PC foi analisada, os resultados mostraram que PCA foi capaz de estimar os índices %R&R m dentro do intervalo de confiança. Para os outros cenários, PC foi insuficiente em proporcionar uma explicação razoável da variabilidade das CTQs. Assim, quando outras componentes principais foram analisadas, o índice %R&R m foi estimado fora do intervalo de confiança (exceção para o cenário C). Resumindo, quando a estrutura de correlação entre as CTQs exigir que outras componentes principais, além de PC, sejam analisadas, o método PCA pode falhar (ver Tabela ). Para a análise intermétodo por MANOVA, a Tabela mostra como o índice multivariado é estimado. Verifica-se que este método foi capaz de estimar o índice %R&R m dentro do intervalo de confiança apenas nos cenários C9, C e C. Para estimar este índice foi usada média geométrica λms de acordo com a quantidade de características da qualidade. Neste estudo de simulação tratamos com características, logo, foram extraídos quatro autovalores das matrizes Σˆ SM e Σˆ T. Se a relação individual λ MS para cada par de autovalores,,, e em Σˆ SM e Σˆ T, proporcionar interpretações distintas, o índice %R&R m estimado por MANOVA poderá não representar bem o desempenho do sistema de medição. Isto acontece devido ao fato de que a média geométrica fornece o mesmo grau de importância na análise de cada par de autovalores. No entanto, sabe-se que os primeiros autovalores possuem percentual de explicação do fenômeno avaliado maior que os últimos autovalores. Portanto, confirma-se a necessidade de usar alguma forma de ponderação para o cálculo deste índice. Tabela : índice %R&R m para a análise intermétodo por MANOVA C Média LIC LSC λsm λsm λsm λsm λsm i λ i= Ti C (6.).9 (7.). (0.) 6. (0.9) 0.78 C (7.6) 9. (.9) 8. (7.7) 8.76 (.9).0 C (80.).8 (0.8) 7.80 (.) 7.87 (.6). C (87.).70 (8.6).66 (.) 8.78 (.) 8. C (99.8).77 (0.) (0.0) 9. (0.0) 6.09 C (.). (9.0).0 (6.) 7. (.).97 C (67.7). (8.).7 (.9).7 (0.) 0.0 C (8.).00 (.0). (.6). (.).0 C (90.). (6.9) 0.0 (.6) 0.7 (0.). C (99.9) 6.7 (0.0) 70. (0.0) 7.86 (0.0) 7. C (0.).80 (.). (.) 6. (.).08 C (7.) 0.9 (.) 0.7 (.7).80 (0.).0 C (8.). (0.6).69 (.6).68 (.).8 C (90.8) 7.9 (6.).0 (.8).6 (0.) 7. C (00.0) 8.9 (0.0) 98. (0.0) 8.0 (0.0) 9. Na análise intermétodo para WMANOVA, a Tabela mostrou que o índice %R&R m foi estimado dentro do intervalo de confiança em dos cenários simulados. WMANOVA foi mais robusto por que supriu algumas deficiências dos métodos citados anteriormente. Para PCA, quando PC é insuficiente para explicar toda variabilidade das CTQs, as outras PCs podem proporcionar avaliações para o sistema de medição fora do intervalo de confiança. MANOVA proporciona uma interpretação geral para o sistema de medição, mas a estratégia de usar média geométrica não é a mais satisfatória. Em WMANOVA, a abordagem de ponderação da relação λ MS λ T pelo percentual de explicação dos autovalores extraídos da matriz variação total do sistema de medição mostrou-se suficiente para corrigir as deficiências citadas anteriormente.. Conclusão Este artigo abordou a análise multivariada do sistema de medição através de estudos de repetitividade e reprodutividade do processo de medição. A principal contribuição foi a proposta 7
10 September -8, 0 de um método alternativo para avaliar sistemas de medição considerando uma abordagem de análise multivariada ponderada de variância. Dados simulados foram gerados com sistemas de medição inaceitável, marginal e aceitável e diversas estruturas de correlação entre as CTQs para comparar a eficiência dos métodos multivariados. Com base na análise dos resultados apresentados na seção foram obtidas as seguintes conclusões: O método PCA pode falhar quando a estrutura de correlação entre as CTQs não é suficientemente alta e, além de PC, outras PCs deverem ser analisadas; O método MANOVA é capaz de apresentar uma única classificação para o sistema de medição sem perda de informação. Contudo, o tratamento utilizado para o calculo dos índices de avaliação do sistema de medição pode não ser o mais adequado. A aplicação de média geométrica para estimar o índice %R&R m não determina maior importância para os autovalores mais significativos extraídos das matrizes Σˆ SM e Σˆ T. A análise estatística dos dados simulados mostrou que WMANOVA foi mais robusto que os outros métodos multivariados. WMANOVA foi capaz de superar algumas deficiências dos outros métodos como: providenciar uma avaliação única para todas CTQs do estudo GR&R multivariado; estimar o índice %R&R m dentro do intervalo de confiança mesmo nos cenários em que a estrutura de correlação entre as CTQs era considerada muito baixa; usar uma estratégia que garante maior importância para os autovalores mais significativos ao estimar o índice %R&R m.. Agradecimentos Os autores gostariam de agradecer à FAPEMIG, CAPES e CNPq pelo apoio dado nesta pesquisa. Referências AIAG. Measurement Systems Analysis: Reference Manual, fourth ed. Automotive Industry Action Group, Detroit, MI, 00. Al-Refaie, A., & Bata, N. (00), Evaluating measurement and process capabilities by GR&R with four quality measures. Measurement,, 8-8. Burdick, R.K., Borror, C.M., & Montgomery, D.C. (00), A review of methods for measurement systems capability analysis. Journal of Quality Technology,, -. Erdmann, T.P., Does, R.J.M.M., Bisgaard, S. (00), Quality quandaries: a gage R&R study in a hospital, Quality Engineering, Vol., pp. 6-. He, S.G., Wang, G.A., & Cook, D.F. (0), Multivariate measurement system analysis in multisite testing: An online technique using principal component analysis. Expert Systems with Applications 8, Kaija, K.; Pekkanen, V.; Mäntysalo, M.; Koskinen, S.; Niittynen, J.; Halonen, E.; Mansikkamäki, P. (00), Inkjetting dielectric layer for electronic applications, Microelectronic Engineering, v.87, p Li, M.H.C., & Al-Refaie, A. (008), Improving wooden parts quality by adopting DMAIC procedure. Quality and Reliability Engineering International, -60. Majeske, K.D. (008), Approval criteria for multivariate measurement systems. Journal of Quality Technology 0, 0-. Senol, S. (00), Measurement system analysis using designed experiments with minimum α-β Risks and n. Measurement 6, -. Wang, F.K., & Chien, T.W. (00), Process-oriented basis representation for a multivariate gauge study. Computers and Industrial Engineering 8, -0. Wang, F.K., & Yang, C.W. (007), Applying principal component analysis to a GR&R study. Journal of the Chinese Institute of Industrial Engineering, Woodall, W.H., & Borror, C.M. (008), Some relationships between gage R&R criteria. Quality and Reliability Engineering International,
Estudo de sistema de medição (gage) R&R (cruzado)
RESUMO DO ASSISTENTE DO MINITAB Este artigo é parte de uma série de artigos que explicam a pesquisa conduzida pelos estatísticos do Minitab para desenvolver os métodos e verificações de dados usados no
MÉTODO DOS COMPONENTES PRINCIPAIS PONDERADOS APLICADO EM AVALIAÇÃO DE SISTEMAS DE MEDIÇÃO COM GRANDEZAS CORRELACIONADAS
UNIVERSIDADE FEDERAL DE ITAJUBÁ PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO MÉTODO DOS COMPONENTES PRINCIPAIS PONDERADOS APLICADO EM AVALIAÇÃO DE SISTEMAS DE MEDIÇÃO COM GRANDEZAS CORRELACIONADAS
Palavras chave: Análise de Sistema de Medição, Repetitividade, Reprodutividade
Análise de índices de classificação de sistemas de medição estimados por distintos arranjos experimentais em estudos de repetitividade e reprodutividade Rogério Santana Peruchi (UFPB) rogerioperuchi@gmail.com
UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO CURSO DE GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO
UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO CURSO DE GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO RAFAEL GOMES NOBREGA PAIVA ANÁLISES COMPARATIVAS DE ERRO DE MEDIÇÃO
Análise de processos multivariados: aplicada aos índices de desempenho. Rogério Santana Peruchi 3 Maíza Biazon de Oliveira 2
Capítulo 14 Análise de processos multivariados: aplicada aos índices de desempenho Débora Alves Coelho 1 Rogério Santana Peruchi 3 Maíza Biazon de Oliveira 2 Resumo: Mediante a necessidade de fornecer
Especialização em Métodos Estatísticos Computacionais
Avaliação de Sistemas de Medição Roteiro 1. Características de um Sistema de Medição 2. Avaliação do Erro Sistemático 3. Repetitividade e Reprodutibilidade 4. Adequabilidade de Sistema de Medição 5. Aplicação
Avaliação de Sistemas de Medição
Avaliação de Sistemas de Medição Roteiro. Características de um Sistema de Medição. Avaliação do Erro Sistemático. Repetitividade e Reprodutibilidade 4. Adequabilidade de Sistema de Medição 5. Aplicação
ESTUDO DE R&R PARA VALIDAÇÃO DO SISTEMA DE MEDIÇÃO DE UM PROCESSO DE CONFECÇÃO DE BOBINAS DE FIO EM UMA INDÚSTRIA DO RAMO TÊXTIL
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 ESTUDO DE R&R PARA VALIDAÇÃO DO SISTEMA DE MEDIÇÃO DE UM PROCESSO DE CONFECÇÃO DE BOBINAS DE FIO EM UMA INDÚSTRIA DO RAMO TÊXTIL Daniel de Sa Cortez
1 Estudos de medição para dados contínuos
Conteúdo 1 Estudos de medição para dados contínuos Objetivos Determinar a adequação dos sistemas de medição. Compreenda a diferença entre estudos de medição R&R cruzados e aninhados. Calcular as estatísticas
ANÁLISE DO SISTEMA DE MEDIÇÃO DA REMANÊNCIA BR DO PROCESSO DE PRODUÇÃO DA FERRITA MAGNÉTICA PO2-C
ANÁLISE DO SISTEMA DE MEDIÇÃO DA REMANÊNCIA BR DO PROCESSO DE PRODUÇÃO DA FERRITA MAGNÉTICA PO2-C Renata Aparecida Queiroz Dantas (UNIFEI) renatadantas@gmail.com Camila Massariol Nascimento (UNIFEI) camila.massarioln@gmail.com
Avaliação de Sistemas de Medição
Roteiro Avaliação de Sistemas de Medição 1. Características de um Sistema de Medição 2. Avaliação do Erro Sistemático 3. Repetitividade e Reprodutibilidade 4. Adequabilidade de Sistema de Medição 5. Aplicação
Análise do Sistema de Medição do Ângulo de Repouso em Fertilizantes de Diferentes Granulometrias.
Análise do Sistema de Medição do Ângulo de Repouso em Fertilizantes de Diferentes Granulometrias. Rogério Santana Peruchi (UFG) rogerioperuchi@gmail.com Isabel Santana Borges Ferreira (UFG) isabelengenharia@gmail.com
REPETITIVIDADE E REPRODUTIBILIDADE DE SISTEMA DE MEDIÇÃO DE VAZÃO EM ENSAIOS DE GOTEJADORES 1
REPETITIVIDADE E REPRODUTIBILIDADE DE SISTEMA DE MEDIÇÃO DE VAZÃO EM ENSAIOS DE GOTEJADORES 1 H. S. da Rocha 2, A. P. Camargo 3, D. L. Reis 4, E. Saretta 5, P. A. A. Marques 6 ; J. A. Frizzone 7 RESUMO:
Uma 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.
CONTROLE 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
Avaliação de Sistemas de Medição
Monitoramento de um processo: medição de uma característica da qualidade X por meio de um sistema de medição. Sistema de medição ideal: produz somente resultados corretos, ou seja, que coincidem com o
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida
Módulo 4. Estudos de dispersão (R&R) de sistemas de medição.
Módulo 4 Estudos de dispersão (R&R) de sistemas de medição. Conteúdos deste módulo Estudos de dispersão (variabilidade) Método da amplitude Método da média e da amplitude Método da ANOVA Análises gráficas
Planejamento de Experimentos. 13. Experimentos com fatores aleatórios
Planejamento de Experimentos 13. Experimentos com fatores aleatórios Até aqui assumimos que os fatores nos experimentos eram fixos, isto é, os níveis dos fatores utilizados eram níveis específicos de interesse.
ANÁLISE DOS SISTEMAS DE MEDIÇÃO EM UMA EMPRESA DE TREFILAÇÃO DE TUBOS DE AÇO
ANÁLISE DOS SISTEMAS DE MEDIÇÃO EM UMA EMPRESA DE TREFILAÇÃO DE TUBOS DE AÇO FELIPE RABELO RODRIGUES ALVES (PUC-GO) eng.felipe.rabelo@gmail.com MARTA PEREIRA DA LUZ (PUC-GO) martapluz@gmail.com Um sistema
Avaliação 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
CE219 - Controle Estatístico de Qualidade
CE219 - Controle Estatístico de Qualidade Cesar Augusto Taconeli 06 de junho, 2018 Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 06 de junho, 2018 1 / 15 Aula 8 - Análise da capacidade
DIFERENTES 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
ANÁLISE DOS SISTEMAS DE MEDIÇÃO. Suelí Fischer Beckert
ANÁLISE DOS SISTEMAS DE MEDIÇÃO MSA 4. EDIÇÃO Suelí Fischer Beckert CARACTERÍSTICAS ESTATÍSTICAS DE UM EXPERIMENTO 2 uma medida de posição; uma medida de dispersão; o tipo de distribuição que está ocorrendo,
Estatística Aplicada à Administração II. Tópico. Análise de Componentes Principais
Estatística Aplicada à Administração II Tópico Análise de Componentes Principais Bibliografia: R.A. Johnson, Applied Multivariate Statistical Analysis, Prentice Hall, 99 Análise de Componentes Principais
5 Avaliação dos estimadores propostos
5 valiação dos estimadores propostos Este capítulo apresenta as medidas estatísticas usuais para avaliar a qualidade de estimadores e as expressões utilizadas para a estimação destas medidas, a partir
Estatística: Aplicação ao Sensoriamento Remoto SER ANO Componentes Principais
Estatística: Aplicação ao Sensoriamento Remoto SER 4 - ANO 9 Componentes Principais Camilo Daleles Rennó camilorenno@inpebr http://wwwdpiinpebr/~camilo/estatistica/ Associação entre Variáveis r = < r
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) EXPERIMENTOS COM DOIS FATORES E O PLANEJAMENTO FATORIAL
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) EXPERIMENTOS COM DOIS FATORES E O PLANEJAMENTO FATORIAL Dr Sivaldo Leite Correia CONCEITOS E DEFINIÇÕES FUNDAMENTAIS Muitos experimentos são realizados visando
MSA - Measurement System Analysis (em português: Análise do Sistema de Medição)
Nº do Documento: SUP-PMSA Data de Impressão: 05/05/017 Visão Geral A decisão de ajustar ou não um processo de manufatura é comumente baseada em dados de medição. Os dados de medição, ou valores estatísticos
CE219 - Controle Estatístico de Qualidade
CE219 - Controle Estatístico de Qualidade Cesar Augusto Taconeli 30 de maio, 2017 Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 1 / 14 Aula 8 - Análise da capacidade
Alexandre Homsi Pedott. Flávio Sanson Fogliatto RESUMO
Análise de Dados Funcionais Aplicada ao Estudo de Repetitividade e Reprodutibilidade: ANOVA das Distâncias Alexandre Homsi Pedott Universidade Federal do Rio Grande do Sul e-mail: pedott@producao.ufrgs.br
Multicolinariedade 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
Estudo 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
(Variation Causes Analysis Attributed to Different Metrological Instruments to Verify the Geometric Characteristics of a Spot Welding Process)
Análise das Causas de Variação Atribuídas a Diferentes Instrumentos Metrológicos para Verificação das Características Geométricas de um Processo de Soldagem por Pontos (Variation Causes Analysis Attributed
Modelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Modelo 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
Modelos de Regressão Linear Simples - Análise de Resíduos
1 Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 27 de Setembro de 2016 2 3 O modelo de regressão linear é dado por 3 O modelo de regressão linear é dado por Y i = β
Análise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Um 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
( ) Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano. α, é definido como:
Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano Orlando V. Sampaio Jr. (POLI-USP) orlando.sampaio@gmail.com Celma de Oliveira Ribeiro (POLI-USP) celma@usp.br André
MSA Análise de Sistemas de Medição Anésio Mariano Junior
MSA Análise de Sistemas de Medição 20.09.2012 Anésio Mariano Junior 1 - Introdução sobre MSA 2 - Os Processos de Medição e suas variações 3 - Métodos estatísticos aplicáveis no MSA 4 - Exemplo de aplicação
Módulo IV Medidas de Variabilidade ESTATÍSTICA
Módulo IV Medidas de Variabilidade ESTATÍSTICA Objetivos do Módulo IV Compreender o significado das medidas de variabilidade em um conjunto de dados Encontrar a amplitude total de um conjunto de dados
Incerteza de medição simplificada na análise da conformidade do produto
Incerteza de medição simplificada na análise da conformidade do produto Paulo Henrique Incerpi (UNIFEI) incerpi@unifei.edu.br José Leonardo Noronha (UNIFEI) jln@unifei.edu.br Luiz Fernando Barca (UNIFEI)
Métodos Estatísticos Avançados em Epidemiologia
Métodos Estatísticos Avançados em Epidemiologia Modelo de Poisson e Análise de Dados Longitudinais Enrico A. Colosimo Departamento de Estatística Universidade Federal de Minas Gerais http://www.est.ufmg.br/
Análise de Componentes Principais (PCA)
Análise de Componentes Principais (PCA) Lailson B. Moraes, George D. C. Cavalcanti {lbm4,gdcc}@cin.ufpe.br Roteiro Introdução Características Definição Algoritmo Exemplo Aplicações Vantagens e Desvantagens
Análise de Sistema de Medição 3D segundo guia MSA
Formação Avançada em Metrologia 3D Análise de Sistema de Medição 3D segundo guia MSA MSA na Medição 3D O MSA ou Análise de Sistemas de Medição tornou-se uma ferramenta muito utilizada para a garantia da
Aula 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
Um 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
Palavras-Chaves: Modelo, Soja,Variabilidade 1. INTRODUCÃO
Impacto da Variabilidade da Temperatura e Precipitação Sobre Um Modelo Simplificado de Estimativa de Produtividade de Soja nas Principais Regiões Brasileiras. Lima, Rosemary Ap. Odorizi; Kubota, Paulo
Controle Estatístico de Qualidade. Capítulo 5 (montgomery)
Controle Estatístico de Qualidade Capítulo 5 (montgomery) Gráficos de Controle para Variáveis Relembrando Dois objetivos do CEP: Manter o processo operando em condição estável durante maior parte do tempo;
Estudos de repetitividade e reprodutividade para dados funcionais
Produção, v., n., p. -, /, doi: XX.XXXX/XXXXX-XXXXXXXXXXXXXXXXX Estudos de repetitividade e reprodutividade para dados funcionais Aleandre Homsi Pedott a *, Flávio Sanson Fogliatto b a *pedott@producao.ufrgs.br,
ANÁLISE DO DESEMPENHO DE GRÁFICOS DE CONTROLE DA VARIÂNCIA COM PARÂMETRO ESTIMADO
ANÁLISE DO DESEMPENHO DE GRÁFICOS DE CONTROLE DA VARIÂNCIA COM PARÂMETRO ESTIMADO Pedro Carlos Oprime (DEP/UFSCar) pedro@dep.ufscar.br Gilberto Miller Devos Ganga (DEP/UFSCar) ganga@dep.ufscar.br O objetivo
Análise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Análise Multivariada do Sistema de Medição de um Processo de Solda a Ponto por Resistência Elétrica utilizando Componentes Principais Ponderados
UNIVERSIDADE FEDERAL DE ITAJUBÁ PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO Fabrício Alves de Almeida Análise Multivariada do Sistema de Medição de um Processo de Solda a Ponto por Resistência
Módulo 5. Estudos de sistemas de medição por atributos, Sistemas complexos/não replicáveis
Módulo 5 Estudos de sistemas de medição por atributos, Sistemas complexos/não replicáveis Conteúdos deste módulo Estudos por atributos Método da tabulação cruzada Caso 1 Método da tabulação cruzada Caso
Inferência Estatística
Inferência Estatística Estimação Intervalar Média e Proporção Estimação Pontual x Estimação Intervalar Exemplo Inicial: Um estudo pretende estimar o valor de µ, a renda média familiar dos alunos da UFMG.
Aumento amostral via arquétipos na avaliação do potencial hídrico de espécies de eucalipto
Aumento amostral via arquétipos na avaliação do potencial hídrico de espécies de eucalipto Pórtya Piscitelli Cavalcanti 1 4 Carlos Tadeu dos Santos Dias 2 4 Patrícia Andressa de Ávila 3 4 José Leonardo
Eficiência 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
Técnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Métodos de Monte Carlo baseados em Cadeias de Markov:
Unidade 2 Controle da Qualidade. Prof. Luciana Leite
Unidade Controle da Qualidade Prof. Luciana Leite Área de Estudo da Disciplina Atividades da Trilogia da Qualidade Planejamento da Qualidade Controle da Qualidade Melhoria da Qualidade Estabelecer os objetivos
Controle Estatístico do Processo (CEP)
Controle Estatístico do Processo (CEP) CONTROLE ESTATÍSTICO DO PROCESSO É UM MÉTODO QUE PERMITE CONTROLAR CONTÍNUAMENTE AS CARACTERÍSTICAS CHAVES DE UM PRODUTO E PROCESSO, VISANDO A SUA MELHORIA. ORIGEM
Correlação e Regressão Linear
Correlação e Regressão Linear Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais CORRELAÇÃO LINEAR Coeficiente de correlação linear r Mede o grau de relacionamento linear entre valores
Introdução à Bioestatística Turma Nutrição
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Introdução à Bioestatística Turma Nutrição Aula 8: Intervalos de Confiança para Média e Proporção Distribuição
INSTRUÇÕES. O tempo disponível para a realização das duas provas e o preenchimento da Folha de Respostas é de 5 (cinco) horas no total.
INSTRUÇÕES Para a realização desta prova, você recebeu este Caderno de Questões. 1. Caderno de Questões Verifique se este Caderno de Questões contém a prova de Conhecimentos Específicos referente ao cargo
Testes de Hipóteses para. uma Única Amostra. Objetivos de Aprendizagem. 9.1 Teste de Hipóteses. UFMG-ICEx-EST-027/031 07/06/ :07
-027/031 07/06/2018 10:07 9 ESQUEMA DO CAPÍTULO 9.1 TESTE DE HIPÓTESES 9.2 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 9.3 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA
INCERTEZAS DE CURVAS DE CALIBRAÇÃO AJUSTADAS SEGUNDO OS MODELOS LINEAR E QUADRÁTICO
ENQUALAB 8 - Congresso da Qualidade em Metrologia Rede Metrológica do Estado de São Paulo - REMESP 9 a de junho de 8, São Paulo, Brasil INCERTEZAS DE CURVAS DE CALIBRAÇÃO AJUSTADAS SEGUNDO OS MODELOS LINEAR
Intervalos Estatísticos para uma única Amostra - parte I
Intervalos Estatísticos para uma única Amostra - parte I Intervalo de confiança para média 14 de Janeiro Objetivos Ao final deste capítulo você deve ser capaz de: Construir intervalos de confiança para
Implementação de um sistema de validação estatística configurável de dados
Implementação de um sistema de validação estatística configurável de dados Eduardo Dias Filho Supervisores: João Eduardo Ferreira e Pedro Losco Takecian 16 de novembro de 2014 Introdução Table of Contents
WHITE PAPER SOBRE O ASSISTENTE DO MINITAB
WHITE PAPER SOBRE O ASSISTENTE DO MINITAB Este artigo é parte de uma série de artigos que explicam a pesquisa conduzida pelos estatísticos do Minitab para desenvolver os métodos e verificações de dados
3 Modelo Matemático Definições Iniciais. Denote-se, em geral, o desvio-padrão do processo por σ = γσ 0, sendo σ 0 o
Modelo Matemático 57 3 Modelo Matemático Este trabalho analisa o efeito da imprecisão na estimativa do desvio-padrão do processo sobre o desempenho do gráfico de S e sobre os índices de capacidade do processo.
Ralph 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:
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA DEPARTAMENTO DE ESTATÍSTICA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA DEPARTAMENTO DE ESTATÍSTICA Comparação de métodos de estimação de componentes de erro de mensuração: repetibilidade, reprodutibilidade
MAB-515 Avaliação e Desempenho (DCC/UFRJ)
MAB-515 Avaliação e Desempenho (DCC/UFRJ) Aula 7: Intervalos de Confiança 13 de novembro de 2012 1 2 3 4 Percentil 100p%-percentil O ponto t 0 tal que t 0 = F 1 X (p) = min{t : F X (t) p}, 0 < p < 1 é
5. Carta de controle e homogeneidade de variância
5. Carta de controle e homogeneidade de variância O desenvolvimento deste estudo faz menção a dois conceitos estatísticos: as cartas de controle, de amplo uso em controle estatístico de processo, e a homogeneidade
Inferência Estatística:
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Inferência Estatística: Princípios de Bioestatística decidindo na presença de incerteza Aula 8: Intervalos
Métodos Experimentais em Ciências Mecânicas
Métodos Experimentais em Ciências Mecânicas Professor Jorge Luiz A. Ferreira Pertencem ao grupo de ferramentas estatísticas que permitem caracterizar um conjunto de dados sob ponto de vista da tendência
COMPARAÇÃO DE SISTEMAS USANDO DADOS DE AMOSTRAS. Capítulo 13 do livro: The Art of Computer Systems Performance Analysis
COMPARAÇÃO DE SISTEMAS USANDO DADOS DE AMOSTRAS Capítulo 13 do livro: The Art of Computer Systems Performance Analysis Uma Amostra é apenas um Exemplo As palavras inglesas sample (amostra) e example (exemplo)
Redes 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
Análise de Sistema de Medição 3D segundo guia MSA
Análise de Sistema de Medição 3D segundo guia MSA Ambiente Operador Dispositivos Peça Máquina Estratégia de medição MSA na Medição 3D O MSA ou Análise de Sistemas de Medição tornou-se uma ferramenta muito
8º CONGRESSO IBEROAMERICANO DE ENGENHARIA MECANICA Cusco, 23 a 25 de Outubro de 2007
8º CONGRESSO IBEROAMERICANO DE ENGENHARIA MECANICA Cusco, 23 a 25 de Outubro de 2007 APLICAÇÃO DO MÉTODO MSA PARA AVALIAÇÃO DOS RESULTADOS DE MEDIÇÃO DA DUREZA ROCKWELL B Beckert, S. F.*; Silva Filho,
Análise comparativa de fundos de hedge brasileiros utilizando DEA e bootstrap
Análise comparativa de fundos de hedge brasileiros utilizando DEA e bootstrap Felipe Piton da Silva (Escola Politécnica-USP) felipe.silva@poli.usp.br Celma de Oliveira Ribeiro (Escola Politécnica-USP)
Gustavo Henrique Mendes Bedendo 2, Magda Metz 3. Projeto de pesquisa realizado no curso de medicina veterinária da Unijuí 2
ANÁLISE DE COMPONENTES PRINCIPAIS EM CARACTERÍSTICAS DE AVES RODE ISLAND RED 1 ANALYSIS OF MAIN COMPONENTS CHARACTERISTICS IN RHODE ISLAND RED POULTRY BREED Gustavo Henrique Mendes Bedendo 2, Magda Metz
AULA 07 Inferência a Partir de Duas Amostras
1 AULA 07 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 10 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola,
Ações de bancos e risco sistêmico
Ações de bancos e risco sistêmico GV INVEST 15 Este artigo descreve um método para a análise tanto da correlação dos retornos de ações de bancos como da velocidade de mudança dessa correlação ambos sendo
5ª Jornada Científica e Tecnológica da FATEC de Botucatu 24 a 27 de Outubro de 2016, Botucatu São Paulo, Brasil
APLICAÇÃO DA FERRAMENTA DMAIC DENTRO DO CONCEITO SEIS SIGMA. Vitor Hugo de Arruda 1, Fernanda Cristina Pierre 2 1 Aluno na Graduação de Tecnologia da Produção Industrial pela Faculdade de Tecnologia de
Definição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
Planejamento e Pesquisa 1. Dois Grupos
Planejamento e Pesquisa 1 Dois Grupos Conceitos básicos Comparando dois grupos Testes t para duas amostras independentes Testes t para amostras pareadas Suposições e Diagnóstico Comparação de mais que
Teste de hipótese de variância e Análise de Variância (ANOVA)
Teste de hipótese de variância e Análise de Variância (ANOVA) Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais Modelos explicativos estatísticos Modelos estatísticos visam descrever
Análise da : -Estabilidade e - Capacidade/Capabilidade de Processos
Análise da : -Estabilidade e - Capacidade/Capabilidade de Processos Prof. Diego Por que medir a estabilidade e capacidade/capabilidade? Principais erros dos gestores SOB CONTROLE 1 Tratar uma causa comum
Estatística. 1 Medidas de Tendência Central 2 Medidas de Posição 3 Medidas de Dispersão. Renata Souza
Estatística 1 Medidas de Tendência Central 2 Medidas de Posição 3 Medidas de Dispersão Renata Souza Medidas Depois que você conheceu os conceitos de coleta de dados, variação, causas comuns e causas especiais,
14/05/2014. Tratamento de Incertezas TIC Aula 12. Conteúdo Propagação de Incertezas. Incerteza Propagação de incertezas de primeira ordem
Tratamento de Incertezas TIC-00.76 Aula 2 Conteúdo Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/204./tic-00.76 Tópicos
Teste de hipótese de variância e Análise de Variância (ANOVA)
Teste de hipótese de variância e Análise de Variância (ANOVA) Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais Testes sobre variâncias Problema: queremos saber se há diferenças estatisticamente
Técnicas Multivariadas em Saúde
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Princípios de Bioestatística
Princípios de Bioestatística Análise de Variância Enrico A. Colosimo Departamento de Estatística Universidade Federal de Minas Gerais http://www.est.ufmg.br/~enricoc 2011 1 / 25 Introdução Existem muitas
Modelos de Regressão Linear Simples - parte III
1 Modelos de Regressão Linear Simples - parte III Erica Castilho Rodrigues 20 de Setembro de 2016 2 3 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada
Mario de Andrade Lira Junior
Mario de Andrade Lira Junior www.lira.pro.br 1 Apenas uma breve apresentação Para não dizerem que nunca viram Um conjunto de técnicas de análise que usa diversas variáveis dependentes simultaneamente Mais
Manual de Qualidade de Fornecedor Método e Exemplos. Índice
Norma John Deere JDS-G3X Manual de Qualidade de Fornecedor Método e Exemplos Índice 1 Escopo... 4 Termos e Definições... 4 3 Fluxograma de Controle de Processos PDP e Produção Inicial... 5 4 Fluxograma
Estatística - Análise de Regressão Linear Simples. Professor José Alberto - (11) sosestatistica.com.br
Estatística - Análise de Regressão Linear Simples Professor José Alberto - (11 9.7525-3343 sosestatistica.com.br 1 Estatística - Análise de Regressão Linear Simples 1 MODELO DE REGRESSÃO LINEAR SIMPLES
Redefinição de grandezas de entrada correlacionadas: uma técnica eficaz para avaliação de incerteza.
Redefinição de grandezas de entrada correlacionadas: uma técnica eficaz para avaliação de incerteza. Redefinition of correlated input quantities: an effective technique for uncertainty evaluation. Ricardo