CARTA DE CONTROLE BASEADA EM MODELOS BETA POR COMPONENTES PRINCIPAIS PARA MONITORAMENTO DE PROCESSOS RESUMO
|
|
- Renato Deluca Garrido
- 6 Há anos
- Visualizações:
Transcrição
1 CARTA DE CONTROLE BASEADA EM MODELOS BETA POR COMPONENTES PRINCIPAIS PARA MONITORAMENTO DE PROCESSOS Ângelo Márcio Oliveira Sant Anna 1 Carla Schwengber ten Caten 2 Danilo Marcondes Filho 3 1 Depto. de Engenharia de Produção e Mecatrônica, CCET / PUCPR 2 Depto. de Engenharia de Produção, Escola de Engenharia / UFRGS 3 Depto. de Estatística, Instituto de Matemática / UFRGS Angelo.santanna@pucpr.br.; tencaten@producao.ufrgs.br,; marcondes.filho@ufrgs.br. RESUMO As cartas de controle baseada em modelos são ferramentas úteis para monitorar processos quando as características de qualidade (CQ) variam em função de freqüentes ajustes em uma ou mais variáveis de controle (VC) do processo. No entanto, quando há multicolinearidade entre as VC do processo, os modelos de regressão podem apresentar erro no teste de significância dos coeficientes do modelo. Este artigo propõe uma carta de controle baseada em modelos Beta por componentes principais (CCMBCP) para monitorar CQ do tipo fração em função das VC multicolineares e uma análise de diagnóstico das alterações identificadas pela CCMBCP. A CCMBCP foi validada em um estudo de caso simulado. O resultado da análise de sensibilidade, via simulação de Monte Carlo, indicaram que a CCMBCP apresenta desempenho satisfatório para monitorar variáveis do tipo fração em função de VC multicolineares. PALAVRAS CHAVE: Controle estatístico de qualidade, Carta de controle baseada em modelos, Carta de controle por componentes principais. Aplicação à Indústria. ABSTRACT Model-based control charts are useful tools for monitoring processes when the quality characteristics (QC) frequently vary with adjustments in one or more control variables (CV) of the process. However, when there is high multicollinearity among the VC processes, regression models may have shown error to significance test of the coefficients model. This paper proposes a Beta model-based control charts by principal components (BMCCPC) to monitor the type fraction quality characteristics in function of multicolineares CV and a diagnostic analysis of the changes identified by CCMBCP. The CCMBCP was validated in a simulated case study. The sensitivity analysis by Monte Carlo simulation indicates that the CCMBCP presents satisfactory performance for monitoring of the type fraction quality characteristics in function of multicolineares CV. KEYWORDS: Statistical quality control, model-based control charts, principal components control charts. Industrial Application. 983
2 1. Introdução O controle estatístico do processo (CEP) vem sendo utilizado para monitorar a qualidade dos produtos em diversos processos industriais, devido principalmente a sua capacidade em distinguir entre causas comuns e causas especiais de variação. Tradicionalmente utilizam-se cartas de controle (CC) para monitorar as características de qualidade (CQ) do processo. As CC propostas inicialmente por Shewhart requerem que os dados monitorados sejam independentes e identicamente distribuídos em torno de um modelo de referência com média constante. Entretanto, é freqüente observar processos onde as CQ variam em função de alterações do ajuste das variáveis de controle (VC) do processo, gerando assim um modelo de referência distinto para cada novo ajuste. Uma alternativa proposta na literatura são as cartas de controle baseadas em modelos, onde inicialmente é realizada a previsão do valor da CQ por um modelo de regressão em função do seu relacionamento com as VC do processo. Ao invés de monitorar a média das CQ, as cartas de controle baseadas em modelos monitoram os resíduos entre as CQ observadas e as CQ previstas pelo modelo. Trabalhos propondo aplicações de CC para monitorar CQ mensuradas em fração do tipo percentual ou proporção utilizando modelos de regressão são escassos na literatura. Uma abordagem recente desenvolvida propõe uma CC baseada em modelos Beta (CCMB). A CCMB é uma CC para os resíduos deviance do modelo de regressão Beta que modela CQ do tipo fração em função das VC do processo. No entanto, a adequação dos modelos de regressão da CQ em função das VC está restrita a um cenário onde a correlação linear entre as VC não é significativa. Quando há multicolinearidadade (i.e. correlação linear acentuada entre as VC), os modelos de regressão podem apresentar efeitos errôneos nas estimativas da variância e covariância de seus coeficientes e prejudicar o teste de significância das VC e a conseqüente adequação do modelo (NETER et al., 2005). Uma alternativa usual consiste em utilizar regressão por componentes principais (RCP). A análise de componentes principais (ACP) é uma técnica de análise multivariada que visa transformar um grupo de variáveis correlacionadas em variáveis latentes, denominadas componentes principais (CPs). Os CPs representam variáveis ortogonais e são obtidos através da combinação linear das VC. Geralmente, poucos CPs são suficientes para representar as principais estruturas de correlação nos dados. A RCP é uma regressão da CQ em função dos CPs ortogonais ao invés das VC originais. Aplicações de RCP também são escassas na literatura e estão restritos aos modelos de regressão com CQ contínua. Este artigo propõe uma CC baseada em modelos Beta por componentes principais (CCMBCP) para monitorar CQ do tipo fração em função das VC multicolineares. Adicionalmente, este trabalho propõe uma abordagem posterior para diagnóstico de alterações apontadas pela CCMBCP, que consiste em utilizar CC Shewhart para monitorar os escores dos CPs (CCCP) que são resultantes de alterações em uma ou mais VC. 2. Revisão de Literatura 2.1. Modelos de regressão Beta A fração de itens não-conformes às especificações em um determinado conjunto de observações, ou lotes de itens produzidos, é uma importante informação a respeito do comportamento do processo de produção de uma empresa, pois a produção de itens nãoconformes em um processo acarreta à empresa, custos diretos e indiretos. Em virtude da variabilidade inerente ao processo, a modelagem das informações permite conhecer a relação existente entre as características de qualidade e as variáveis de controle do processo, e o comportamento do processo devido a possíveis alterações. A ocorrência da fração de itens não-conformes às especificações tem sido comumente modelada como distribuição Binomial, com parâmetros n e p. Se n e p forem satisfatoriamente grandes a aproximação da distribuição Binomial pela Normal é satisfatória. Entretanto, há 984
3 processos em que a fração de itens não-conformes é muito pequena ou a distribuição dos dados é assimétrica, tornando inapropriada a aproximação. Kieschnick & McCullough (2003) mostra que a aproximação da distribuição Binomial pela Beta é mais apropriada, devido à variedade de forma (simétrica ou assimétrica) que a densidade de probabilidade Beta pode assumir. O modelo de regressão Beta (MRB) apresenta uma estrutura de regressão baseada em três componentes: (i) Componente aleatória supõe-se que a característica de qualidade (y j ) segue a distribuição de probabilidade Beta; (ii) Componente sistemática que especifica uma soma linear dos coeficientes desconhecidos das variáveis de controle, conhecido como preditor linear (η); (iii) Função de ligação que permite modelar a média da característica de qualidade em relação às demais variáveis de controle através de uma função conhecida como g(.). Ferrari & Cribari-Neto (2004) se baseiam na suposição de que as proporções seguem uma distribuição de probabilidade Beta, para realizar uma parametrização da esperança matemática E(y) = p /(p+q) e da variância V(y) = pq / [(p+q) 2 + (p+q+1)] da variável y, utilizando os parâmetros (p e q) da distribuição de probabilidade Beta. A componente aleatória especifica uma variável aleatória y j cuja distribuição dos valores seguem a distribuição de probabilidade Beta, de parâmetros p e q. E sua função densidade possa ser escrita na forma, Γ( p + q) p 1 q 1 f ( y; p, q) = y ( 1 y), 0 < y < 1, p > 0, q > 0, (1) Γ( p) Γ( q) onde Γ(p) uma função gama avaliada no ponto p, ou seja, com Γ ( p) = 0 y 1 e dy, p>0. p y A segunda e terceira componentes expressam a estrutura do modelo de regressão Beta conforme a forma, g(µ i ) = η i = β 0 + β 1 x β k x k. (2) onde η é o preditor linear, β s coeficientes desconhecidos, k números de variáveis de controle, g(.) a função de ligação e µ a média da característica de qualidade. Para apresentar o modelo de forma mais compacta, a equação (1) pode ser reescrita em notação matricial: y i = g(µ i ) + ε i (3) os erros aleatórios ε são os resíduos do modelo de regressão, definidos pela diferença entre os valores observados (y i ) e os valores estimados ( ŷ ). A estimação dos coeficientes desconhecidos (β) para os MRB é obtida a partir da maximização do logaritmo da função de verossimilhança, utilizando o algoritmo de otimização não-linear de quasi-newton (BFGS). Neste trabalho utiliza-se o coeficiente de determinação R 2 e o critério de informação de Akaike (AIC), para decidir o melhor modelo ajustado, com um número reduzido de parâmetros Carta de Controle baseada em Modelos Beta A carta de controle baseada em modelos Beta (CCMB) proposta neste trabalho tem por finalidade monitorar processos com características de qualidade mensuradas em razão ou fração de itens não-conformes, as quais são habitualmente não-normais e de forma assimétrica. Esta carta de controle utiliza o MRB para estimar a característica de qualidade do tipo fração de itens não-conformes em função das variáveis de controle. Os resíduos deviance gerados pelo método de estimação por máxima verossimilhança são plotados na carta de controle a fim de monitorar o quanto o valor dos resíduos está distante do valor estimado pelo MRB e detectar mudanças devido a causas especiais. A CCMB apresenta algumas vantagens: (i) fácil interpretação do controle estatístico; (ii) os resíduos deviance monitorados são não-correlacionados; e (iii) o modelo de regressão admite relação não-linear entre as variáveis de interesse. A adequação de um modelo de regressão pode ser avaliada pelo comportamento dos resíduos e adequabilidade dos dados utilizados na construção do modelo. Modelos com bom desempenho estatístico apresentam pequena discrepância entre os dados reais e seus respectivos valores estimados. Hawkins (1991) salienta que, conforme o modelo de regressão é ajustado, o i 985
4 desempenho das cartas de controle é aperfeiçoado Segundo Jearkpaporn et al. (2005), o ajuste inadequado do modelo de regressão pode afetar o desempenho das cartas de controle no monitoramento do processo. Suponha um conjunto de s características de qualidade y 1, y 2,..., y s em função de um conjunto de k variáveis de controle x 1, x 2,..., x k com k coeficientes desconhecidos β 1, β 2,..., β k, e i amostras de tamanho n. Assumindo que uma função de ligação logit relaciona tais variáveis, temse que, y j ~ logit (µ j ) = β jt x t + ε i com j = 1,...,s ; t = 0,...,k e i = 1,...,n (4) As relações entre as t variáveis de controle (x t ) e cada j características de qualidade (y j ) são determinadas pela construção de j modelos de regressão Beta. Estes j modelos são utilizados para predizer os valores estimados e, por conseguinte, gerar os resíduos deviance (rd j ). Os resíduos deviance são plotados em j cartas de controle, com limites de controle estatísticos calculados a partir da média amostral r d e variância amostral ( ) j s 2 r d dos resíduos. j Desta forma, os limites de controle e linha central da carta de controle baseada em modelos Beta são dados por: 2 LSC = rd + w s ( rd ) j j (5) LC = r d j LIC = r d j onde w é uma constante que define a largura dos limites de controle correspondente ao nível desejado do número médio de amostras (NMA) e j = 1,..., s. O NMA determina o número de amostras até a ocorrência de um alarme falso quando o processo está sob controle. Uma vez determinado os limites de controle, as CCMB com resíduos deviance podem ser utilizados para monitorar as características de qualidade mensuradas em frações de itens não-conformes Carta de Controle via Componentes Principais Esta seção apresenta a base teórica para construção das CC para os CPs. As cartas de controle por componentes principais (CCCP) propostas constituem-se numa adaptação da tradicional CC de Shewhart para monitoramento dos escores dos CPs ao invés das VC originais (JACKSON, 1991). Considere a VC X de interesse a ser monitorada em um determinado processo e n observações preliminares independentes x,,x retiradas do processo sob controle estatístico. Suponha também que X siga uma distribuição Normal, com média µ µ e desviopadrão σ σ. Na prática os valores de µ e σ são estimados a partir da amostra preliminar através da média x e do desvio padrão s amostrais. Considerando que as observações da VC X estejam centradas i. e., µ 0, os limites de controle da CC de Shewhart são dados por LC w s, onde w é o número de desvios, determinado a partir da probabilidade desejada de alarme falso para a CC. Como o desvio padrão do processo é estimado, w é obtido através da distribuição t com n-1 graus de liberdade. O monitoramento da observação da tésima VCs X é então realizado incluindo cada nova observação na CCt de Shewhart, para t =1,...,k. As CCCPs são derivadas da ACP descrita na seção anterior e aplicadas no monitoramento simultâneo de k VC correlacionadas. Considere agora uma matriz X, de dados padronizados, contendo em suas linhas n amostras preliminares k-variadas das VC X, num processo em controle estatístico, para t =1,...,k. É construída uma CCCP para monitorar os escores médios de cada CP. Obtém-se z Xu e considerando que as n observações x,,x da VC X estejam padronizadas i. e., µ 0 e σ 1, os limites de controle da CCCP são dados por, LC = ± w λ (6) w t s 2 ( r ) onde λ representa a variância do tésimo CP e w o número de desvios, determinado a d j 986
5 partir da probabilidade desejada de alarme falso para a CC. Como λ é estimado a partir da amostra preliminar, w é obtido através da distribuição t com n-1 graus de liberdade. O monitoramento dos escores do tésimo CP para cada nova amostra das VCs é realizado a partir da CCCPt, colocando na CC o escore z z,,z devido ao tésimo CP, para i =1,..., n e t =1,..., l, calculado através da equação (7), (7) onde z z,z,,z é o vetor contendo os l escores referentes a nova observação; a matriz U u u u contém nas suas colunas os l autovetores associados, e U representa a sua transposta. 3. Carta de Controle baseada em Modelos Beta por Componentes Principais A carta de controle baseada em modelos Beta por componentes principais (CCMBCP) proposta neste trabalho tem por finalidade monitorar processos que mensuram CQ do tipo fração em função de VC multicolineares. Inicialmente aplica-se a ACP para estimar os CPs das VCs multicolineares. Esta carta de controle utiliza o MRB para estimar a CQ do tipo fração em função dos CPs ortogonais. Os resíduos deviance gerados pelo método de estimação por máxima verossimilhança são plotados na carta de controle a fim de monitorar o comportamento do processo e detectar alterações devido a causas especiais. Adicionalmente, utilizam-se as cartas de controle baseada em componentes principais (CCCP) para diagnosticar quais VC influenciaram na alteração do processo. 4. Aplicação da CCMBCP A aplicação da carta de controle proposta contemplou um estudo de caso simulado representa um processo de manufatura com a CQ fração de produtos não conformes definida por Y e as VC definidas por X 1 ; X 2 ; X 3 e X 4. A simulação consistiu na geração de 200 observações das quatro VC com distribuição Normal 4-variada e da CQ com distribuição Beta. A Tabela 1 apresenta a matriz de correlação entre a CQ Y e as VC do estudo simulado. Nota-se que todas as VC são correlacionadas com a CQ, evidenciando que há relação de causa e efeito entre as VC e a CQ. As variáveis de controle X 1 e X 2 e as variáveis X 3 e X 4 são significativamente correlacionadas entre si, evidenciando multicolinearidade entre as VCs. Na modelagem inicial das CQ em função das VC, apresentada na Tabela 3, o modelo de regressão Beta apresenta as VC (X 1 ; X 2 ; X 3 e X 4 ) como não significativas para explicar a CQ fração não conforme (Y), baseado no teste de Wald com 5% significância. Conforme a Tabela 2, o fator de inflação da variância (FIV) confirma a presença de multicolinearidade existente entre as VC (FIV > 5), evidenciando a interferência na modelagem dos dados do processo. Tabela 1: Matriz de correlação entre a CQ e as VC do estudo simulado Y X 1 X 2 X 3 X 4 Y 1 0,818 0,812 0,641 0,452 () () () () X 1 0,818 0,916 0,096 0,160 1 () () (0,240) (0,236) X 2 0,812 0,916 0,035 0,027 1 () () (0,110) (0,182) X 3 0,641 0,096 0,035 0,884 1 () (0,240) (0,110) () X 4 0,452 0,160 0,027 0,884 () (0,236) (0,182) () 1 Significante quando p < 0,05. Fonte: Tabela elaborada pelo autor (2009) 987
6 Tabela 2: Estimativas dos coeficientes, erros padrões e valores de FIV para as VC do MRB Variável Estimativa Erro padrão Wald-test Pr (> w ) FIV Intercepto -2,2573 0, ,19 < X 1 0,3277 0, ,078 0,281 26,3 X 2-0,1140 0, ,373 0,709 26,3 X 3-0,1510 0, ,462 0,644 26,3 X 4 0,2471 0, ,755 0,450 26,3 0,300 AIC -207,87 Fonte: Tabela elaborada pelo autor (2009) R p 2 A aplicação da técnica de ACP objetiva eliminar a multicolinearidade existente e capturar a direção da variabilidade das VC do processo. A técnica permite obter l componentes principais (CPs) ortogonais, sendo cada CP formado por uma combinação linear distinta das 4 VC originais. Aplicando ACP nas VC correlacionadas do estudo, obtêm-se as estimativas de variabilidade, os percentuais de variação individual e acumulada, e os autovetores dos CPs, conforme a Tabela 3. Os autovetores do CPs representam a carga e a direção da variabilidade das VC em cada CP. Tabela 3: Estimativas da variabilidade e dos autovetores dos CPs Parâmetro CP 1 CP 2 CP 3 CP 4 Desvio-padrão 1,401 1,328 0,295 0,052 Percentual de Variação 0,526 0,392 0,058 0,024 Percentual acumulado 0,526 0,918 0,976 Variáveis X 1 0, , , ,05387 X 2 0, , , X 3 0, , , ,06045 X 4 0, , , ,28583 Fonte: Tabela elaborada pelo autor (2009) Na modelagem das CQ em função dos CPs, o modelo de regressão Beta apresenta os dois primeiros CPs (CP1 e CP2) como significativos para explicar a CQ fração (Y), baseado no teste de Wald com 5% de significância, conforme a Tabela 4. Tabela 4: Estimativas dos coeficientes, erros padrões para os CP do MRB Parâmetro Estimativa Erro padrão Wald-test Pr (> w ) FIV Intercepto -2,2574 0, ,973 < CP 1 0,1526 0, ,440 < 1 1,0 CP 2 0,0658 0, ,988 < 1 1,0 CP 3 0,2787 0, ,5119 0,6091 1,0 CP 4 0,4564 1, ,8173 0,4148 1,0 2 R p 0,7204 AIC -509,25 Fonte Tabela elaborada pelo autor (2009) A partir do modelo de regressão Beta ajustado por CPs obtêm-se os resíduos deviance (rd) do modelo, e as respectivas estimativas de média e variância amostral dos resíduos. Estas estimativas são utilizadas para calcular os limites de controle e linha central da CCMBCP, conforme equação (5). Ademais, são utilizadas também as estimativas de média e variância os escores dos CPs (CP1 e CP2) para calcular os limites de controle e linha central da CCCP a partir da equação (6). 988
7 Para ilustrar o monitoramento de novas observações em um processo sob controle, foram geradas 100 novas observações das quatro VC com distribuição Normal 4-variada multicolineares e da CQ com distribuição Beta. A partir das novas observações foram obtidos os escores dos dois CPs significativos e os valores preditos pelo MRB por CP estabelecido na Fase I. Na Fase II, são estimados os novos resíduos deviance referentes às novas observações. Estes resíduos deviance são plotados na CCMBCP a fim de monitorar o comportamento do processo e detectar possíveis alterações devido a causas especiais. Na Fase III, os escores dos CPs são plotados nas respectivas CCCPs a fim de diagnosticar quais VC influenciaram na possível alteração do processo. A Figura 1 ilustra o comportamento dos resíduos deviance do MRB por CP e dos escores dos CP1 e CP2 para as 100 novas observações. Nota-se que a CCMBCP para os resíduos deviance e as CCCPs para os escores dos CP1 e CP2 apresentam comportamento aleatório, dentro dos limites de controle, caracterizando um processo sob controle. CCMBCP CCCP 1 CCCP 2 2,500 1,500 0,500 0,500 1,500 2,500 (a) (b) (c) Figura 1: Carta de controle CCMBCP (a) para os resíduos e carta CCCP para os CP1 (b) e CP2 (c) Fonte: Elaborado pelo autor (2009) Para o processo fora de controle foram induzidas alterações aditivas nas VC em estudo, sendo, X X φ, t = 1,..., l; (8) A alteração aditiva considerou dois tamanhos: um sigma (1σ) e três sigmas (3σ). Por exemplo, uma alteração aditiva com tamanho 1σ indica que a média de X é modificada de µ para µ 1σ, onde σ é o desvio-padrão amostral da tésima VC, isto implica que, a média dos escores dos l CPs serão também alteradas. As Figuras 2 e 3 ilustram o comportamento dos resíduos deviance do MRB por CP e dos escores dos CP1 e CP2 para as 100 novas observações com as alterações propostas. As alterações induzidas consistiram em: (i) alteração em X ; (ii) alteração em X ; e (iii) alteração em ambos X e X. As alterações nas VC X e X objetivaram avaliar a estrutura de correlação proposta e as altas cargas em CP1 e CP2, respectivamente. Nas Figuras 2 e 3(a), (b) e (c), observa-se que as cartas CCMBPC para os resíduos deviance detectam pontos fora dos limites de controle, sinalizando causas especiais. As cartas CCCP1 mostram as alterações induzidas na VC X1, evidenciando o deslocamento da média do processo. As cartas CCCP2 apresentam o comportamento dos escores dentro dos limites de controle, embora, com uma leve alteração na variabilidade. 989
8 CCMBCP CCCP 1 CCCP 2 Alteração em X1 (a) (b) (c) Alteração em X4 (d) (e) (f) Alteração em X1 e X4 (g) (h) (i) Figura 2: Carta de controle CCMBCP para os resíduos e carta CCCP para os CP1 e CP2 segundo alteração1σ Fonte: Elaborado pelo autor (2009) As Figuras 2 e 3(d), (e) e (f) mostram que as cartas CCMBPC detectam os resíduos deviance fora dos limites de controle, sinalizando causas especiais, as cartas CCCP1 apresenta o comportamento dos escores dentro dos limites de controle, embora, com uma leve alteração na variabilidade e as cartas CCCP2 mostram as alterações induzidas na VC X 4, evidenciando o deslocamento da média do processo. Nota-se que as cartas CCMBPC detectam os resíduos deviance fora dos limites de controle, sinalizando causas especiais e as cartas CCCP1 e CCCP2 mostram as alterações induzidas nas VC X 1 e X 4, evidenciando o deslocamento da média do processo, sem alteração na variabilidade (ver Figuras 2 e 3(g), (h) e (i)). 990
9 CCMBCP CCCP 1 CCCP 2 1 Alteração em X1 (a) (b) (c) 1 Alteração em X4 (d) (e) (f) Alteração em X1 e X4 1 (g) (h) (i) Figura 3: Carta de controle CCMBCP para os resíduos e carta CCCP para os CP1 e CP2 segundo alteração 3σ Fonte: Elaborado pelo autor (2009) Análise de Sensibilidade da CCMBCP Foi realizado um estudo de simulação de Monte Carlo, utilizando o software livre R v.2.9.0, para analisar a sensibilidade da carta CCMBCP em um processo sob controle e outro fora de controle. Para o processo sob controle foi calculado o número médio de amostras até a presença de uma falsa causa especial (NMA 0 ). O maior valor de NMA 0 indica uma menor probabilidade de alarmes falsos no processo. O NMA0 pode ser escrito em função da probabilidade de erro tipo I (α), que é a probabilidade da carta de controle detectar uma alteração no modelo de referência monitorado quando o processo está sob controle estatístico. Para o processo fora de controle foi calculado o número médio de amostras até a detecção de causas especiais (NMA 1 ). O menor valor de NMA 1 representa um menor número médio de amostras coletadas até a detecção da alteração induzida. O NMA 1 pode ser escrito em função da probabilidade de erro tipo II (γ), que é a probabilidade da carta de controle não detectar uma alteração no modelo de referência monitorado quando o processo está fora de controle estatístico (MONTGOMERY, 2005). O cálculo dos valores de NMA0 e NMA1 consistiu na geração de observações das quatro VC com distribuição Normal 4-variada multicolineares e da CQ com distribuição Beta e na estimação dos escores dos CPs, dos valores preditos e dos resíduos deviance pelo MRB por CP. A simulação do processo sob controle foi realizada vezes, sendo computada a média e o erro-padrão dos percentuais de pontos fora dos limites de controle estatístico p %. O número médio de amostras até o falso alarme (NMA 0 ) para a carta CCMBCP foi calculado conforme: 991
10 NMA (8) em que α é a probabilidade de alarmes falsos definido por p %. A simulação de um processo fora de controle foi realizada 5000 vezes induzindo alterações aditivas nas VC propostas, sendo calculada a média e erro-padrão do percentual de pontos entre os limites de controle até a detecção da causa especial p %. O número médio de amostras até a detecção da causa especial (NMA1) para a carta CCMBCP, pode ser expresso por: NMA (9) em que β é a probabilidade de alarmes verdadeiros definido por p %. A simulação foi desenvolvida com o valor de w = 3 para o cálculo dos limites de controle, obtendo para um processo sob controle um NMA 357 1,782 e para um processo fora de controle com mudança em X 1 um NMA 3,218 0,024, com mudança em X 4 um NMA 3,038 0,039 e com mudança em X 1 e X 4 um NMA 1,819 0,017. A CCMBCP proposta apresentou desempenho satisfatório no monitoramento da fração não conforme em função dos CPs, pois obteve um valor grande de NMA para um processo sob controle e um valor pequeno de NMA conforme as alterações induzidas de descontrole. 6. Considerações Finais O objetivo deste artigo foi propor uma carta de controle baseada em modelos Beta por componentes principais (CCMBCP) para monitorar características de qualidade do tipo fração, com valores restritos ao intervalo [0,1], em função das variáveis de controle multicolineares. Inicialmente foi apresentado um referencial teórico sobre modelos de regressão Beta, carta de controle baseada em modelos Beta, análise de componentes principais e carta de controle baseada em componentes principais. Na seqüência foi proposta a CCMBCP e os passos para a sua implantação. A CCMBCP foi aplicada em um estudo de caso simulado de um processo de manufatura com uma CQ com distribuição Beta e quatro VC com distribuição Normal 4-variada multicolineares. A simulação de Monte Carlo foi realizada para um processo sob controle e outro fora de controle, induzindo diferentes alterações aditivas. Este estudo permitiu analisar o desempenho da carta CCMBCP na detecção de alterações induzidas no processo e a análise de diagnóstico utilizando as cartas CCCP. Os resultados da análise de sensibilidade indicaram que a CCMBCP apresenta desempenho satisfatório no monitoramento de CQ do tipo fração em função de VC multicolineares, Adicionalmente, a análise de diagnóstico via CCCP proposta contribuiu na identificação das fontes de alteração do processo. Conclui-se que CCMBCP pode ser uma ferramenta adequada para o monitoramento de CQ do tipo fração, com valores restritos ao intervalo [0,1], que não seguem a distribuição Normal e que dependam de freqüentes ajustes nas VC, sendo estas multicolineares. Referências COX, C. Nonlinear quasi-likelihood models: applications to continuous proportions. Computational Statistical & Data Analysis, Los Angeles, v. 21, n. 4, p , FERRARI, S.L.P.; CRIBARI-NETO, F. Beta regression for modeling rates and proportions. Journal of Applied Statistics, Sheffield, v. 31, n. 7, p , HAWKINS, D. M. Multivariate Quality Control Based on Regression-Adjusted Variables. Technometrics, Washington, v. 33, n. 1, p , JACKSON, J. E.; MUDHOLKAR, G. S. Control Procedures for Residuals Associated with Principal Component Analysis. Technometrics, Washington, v.21, n. 3, p , JACKSON, J.E. A User s guide to Principal Components. New York: John Wiley & Sons, 1991, 570p. 992
11 JOHNSON, N.L.; KOTZ, S.; BALAKRISHNAN, N. Continuous Univariate Distributions. v. 2, 2ª ed., New York: John Wiley & Sons, 1995, 717p. KIESCHNICK, R.; McCULLOUGH, B.D. Regression analysis of variates observed on [0,1]: percentages, proportions and fractions. Statistical Modelling, Amsterdam, v. 3, n. 3, p , KOURTI, T. & MACGREGOR, J. F. Multivariate SPC Methods for Process and Product Monitoring. Journal of Quality Technology, Milwaukee, v. 28, n. 4, p , MACGREGOR, J.F. Using on-line process data to improve quality: challenges for statisticians. International Statistical Review, New York, v. 65, n. 3, p , MOITRA, S.D. Skewness and the Beta distribution. Journal of the Operational Research Society, Houndmills, v. 41, n. 10, p , NETER, J.; KUTNER, M H.; NACHTSHEIM, C. J.; LI, W. Applied Linear Statistical Models. 5ª ed., New York: Mc Graw-Hill/Irwin, 2005, 1396 p. PIERCE, D.A.; SCHAFER, D.W. Residuals in generalized linear model. Journal of the American Statistical Association, Durham, v. 81, n. 396, p , RENCHER, A.C. Methods of Multivariate Analysis, 2ª ed., New York: John Wiley & Sons, 2002, 708p. ROCKE, D.M. On the Beta transformation family. Technometrics, Washington, v. 35, n. 1, p , SKINNER, K. R.; MONTGOMERY, D. C.; RUNGER, G. C. Generalized Linear Model-based Control Charts for Discrete Semiconductor Process Data. Quality and Reliability Engineering International, Chichester, v. 20, n. 8, p , WOODALL, W.H. Controversies and Contradictions in Statistical Process Control. Journal of Quality Technology, Milwaukee, v. 32, n. 4, p ,
MONITORAMENTO DA FRAÇÃO DE NÃO-CONFORMES EM PROCESSOS BIVARIADOS RESUMO
MONITORAMENTO DA FRAÇÃO DE NÃO-CONFORMES EM PROCESSOS BIVARIADOS Ângelo Márcio Oliveira Sant Anna Carla Schwengber ten Caten Programa de Pós-graduação em Engenharia de Produção / UFRGS Av. Osvaldo Aranha,
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
Modelo de regressão Beta
Modelo de regressão Beta Fernando Lucambio Pérez Departamento de Estatística Universidade Federal do Paraná Agosto de 2004 1 Consideremos uma situação em que a variável resposta contínua é restrita ao
NMA 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
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
Disciplina 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
ANÁLISE 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
CADERNOS 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
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;
Obtenção 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
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
Modelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
4 Modelos Lineares Generalizados
4 Modelos Lineares Generalizados Neste capítulo, serão apresentados arcabouços teóricos dos modelos lineares generalizados (MLGs) e como casos particulares desses modelos são aplicáveis ao problema da
Ajuste 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
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
FERRAMENTAS PARA MODELAGEM E MONITORAMENTO DE CARACTERÍSTICAS DE QUALIDADE DO TIPO FRAÇÃO
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO FERRAMENTAS PARA MODELAGEM E MONITORAMENTO DE CARACTERÍSTICAS DE QUALIDADE DO TIPO FRAÇÃO
Quantis residuais. Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná
Quantis residuais Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná Orientador: Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Resumo Uma etapa importante
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:
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
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
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.
Exemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
Fundamentos 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
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 / 47 Aula 3 - Métodos e filosofia do
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.
Esse material foi extraído de Barbetta (2007 cap 13)
Esse material foi extraído de Barbetta (2007 cap 13) - Predizer valores de uma variável dependente (Y) em função de uma variável independente (X). - Conhecer o quanto variações de X podem afetar Y. Exemplos
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Regressão. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Regressão David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Regressão Linear ( e Múltipla ) Não-Linear ( Exponencial / Logística
IDENTIFICAÇÃO 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
REGRESSÃO E CORRELAÇÃO
REGRESSÃO E CORRELAÇÃO A interpretação moderna da regressão A análise de regressão diz respeito ao estudo da dependência de uma variável, a variável dependente, em relação a uma ou mais variáveis explanatórias,
Gráfico EWMAREG aplicado no monitoramento de processos
Gráfico EWMAREG aplicado no monitoramento de processos Danilo Cuzzuol Pedrini (UFRGS) danilo@producao.ufrgs.br Ângelo Márcio Oliveira Sant Anna (UFRGS) angelo@producao.ufrgs.br Carla Schwengber ten Caten
Modelos Lineares Generalizados
Modelos Lineares Generalizados Emilly Malveira de Lima Análise de Dados Categóricos Universidade Federal de Minas Gerais - UFMG 10 de Maio de 2018 Emilly Malveira (PGEST-UFMG) 10 de Maio de 2018 1 / 20
Análise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
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
Utilização 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
MODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS
MODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS 1 Diversas distribuições podem ser consideradas para a modelagem de dados positivos com distribuição contínua e assimétrica, como, por exemplo, as
CORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Permite avaliar se existe relação entre o comportamento de duas ou mais variáveis e em que medida se dá tal interação. Gráfico de Dispersão A relação entre duas variáveis pode ser
3 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
O parâmetro β1 indica a mudança ocorrida na esperança de Y a cada unidade de mudança em X 1 quando X2 é mantida fixa.
Outras informações para ajudar na interpretação das análises de Regressão 1. Interpretação dos parâmetros na ausência de interações Considere o modelo E(Y x) = β0 + β1 x1 + β2 x2. O parâmetro β0 é o intercepto
Econometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
Metodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
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
Coeficiente 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
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
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
CONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
UNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO. PROJETO DE EXTENSÃO Software R: de dados utilizando um software livre.
UNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO PROJETO DE EXTENSÃO Software R: Capacitação em análise estatística de dados utilizando um software livre. Fonte: https://www.r-project.org/ Módulo
Modelos Lineares Generalizados - Verificação do Ajuste do Modelo
1 Modelos Lineares Generalizados - Verificação do Ajuste do Modelo Erica Castilho Rodrigues 9 de Abril de 2015 2 3 Função Deviance Podemos ver o ajuste de um modelo a um conjunto de dados como: uma forma
Comparação 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
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
CONHECIMENTOS 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
4 Medida de desempenho do gráfico de controle
4 Medida de desempenho do gráfico de controle Neste capítulo, são apresentadas as ferramentas que nos permitem comparar o desempenho do gráfico utilizado por Kang & Albin (2000) para monitorar perfis lineares,
LEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Distribuições Alternativas de Probabilidade Para Modelos Univariados não Gaussianos de Produtividade
Distribuições Alternativas de Probabilidade Para Modelos Univariados não Gaussianos de Produtividade Caroline Oliveira Santos João Domingos Scalon UFLA 1º Workshop do Projeto PROCAD No Brasil, ainda não
Capítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
Análise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
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
SISTEMÁTICA PARA A APLICAÇÃO DO GRÁFICO DE CONTROLE DE REGRESSÃO MÚLTIPLA NO MONITORAMENTO DE PROCESSOS
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. SISTEMÁTICA PARA A APLICAÇÃO DO GRÁFICO DE CONTROLE DE REGRESSÃO MÚLTIPLA NO MONITORAMENTO DE PROCESSOS Danilo Cuzzuol Pedrini (PPGEP/UFRGS) danilo@producao.ufrgs.br
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 AULA 1: Problemas Computacionais em Inferência Estatística.
Caros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina.
Caros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina. De forma geral, a prova manteve o padrão das questões da
A distribuição Weibull Exponencial de Zografos
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. A distribuição Weibull Eponencial de Zografos Patrícia Silva N. Barros, PPGBEA - UFRPE / DCE - UFPB E-mail: patriciajp1408@hotmail.com Kleber Napoleão
Regression 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
UM MODELO DE REGRESSÃO LINEAR PARA OBTENÇÃO DO LIMITE DE CONTROLE DO GRÁFICO DE Z
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
MÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA MÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS Thalita do Bem Mattos Clécio da
Disciplina de Modelos Lineares
Disciplina de Modelos Lineares 2012-2 Seleção de Variáveis Professora Ariane Ferreira Em modelos de regressão múltipla é necessário determinar um subconjunto de variáveis independentes que melhor explique
Gráficos de Controle
Gráficos de Controle CE219 - Controle Estatístico de Qualidade Prof. Cesar Taconeli taconeli@ufpr.br Prof. Walmes Zeviani walmes@ufpr.br Laboratório de Estatística e Geoinformação Departamento de Estatística
AULA 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
Especialização em Métodos Estatísticos Computacionais
Gráfico de Controle por Variáveis Roteiro 1. Construção de Gráficos de Controle de X e R 2. Análise de Desempenho dos Gráficos X e R 3. Alternativas para Monitoramento da Dispersão 4. Regras Suplementares
Probabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
UNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR LUAN FIORENTIN GRR
UNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR - 20160239 LUAN FIORENTIN GRR - 20160219 MODELAGEM DE DADOS DE ÓBITOS POR AGRESSÕES NO ESTADO DE SÃO PAULO NO ANO DE 2016 CURITIBA Novembro
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
Regressão. PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei
Regressão PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei Regressão Introdução Analisar a relação entre duas variáveis (x,y) através da equação (equação de regressão) e do gráfico
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
Análise da Média e Dispersão em Experimentos Fatoriais não Replicados para Otimização de Processos Industriais
Antonio Fernando de Castro Vieira Análise da Média e Dispersão em Experimentos Fatoriais não Replicados para Otimização de Processos Industriais Tese de Doutorado Tese apresentada como requisito parcial
Comparando equações de regressão em dados de saúde
Comparando equações de regressão em dados de saúde Terezinha Aparecida Guedes*, Ivan Ludgero Ivanqui e Ana Beatriz Tozzo Martins Departamento de Estatística, Universidade Estadual de Maringá, Av Colombo,
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
Associação entre duas variáveis
Associação entre duas variáveis Questões de interesse: Será que duas variáveis são independentes ou pelo contrário dependentes? E se forem dependentes, qual o tipo e grau de dependência? Existem diversas
Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000)
5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000) A primeira parte deste capítulo, referente à passagem dos modelos estocásticos para as equações do Filtro de Kalman, já foi previamente
Dimensionamento de amostras para regressão logística
Dimensionamento de amostras para regressão logística Arminda Lucia Siqueira 1 Flávia Komatsuzaki 1 Introdução Regressão logística é hoje padrão de análise para muitos estudos da área da saúde cuja variável
Fundamentos do Controle Estatístico do Processo
Fundamentos do Controle Estatístico do Processo 1. Introdução Roteiro 2. Monitoramento de Processos 3. Etapa Inicial: Estabilização e Ajuste do Processo 4. Estimação da Variabilidade 5. Referências Introdução
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
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
Palavras-Chave: Gráficos de Controle Especiais, Geoestatística.
Estudo de Cartas Especiais e Geoestatística no Controle Estatístico de Processos Bruna Fernanda Viotto Oliveira¹ Edilson Ferreira Flores² RESUMO O presente estudo teve como objetivo explorar as técnicas
FACULDADE DE ECONOMIA DO PORTO. Licenciatura em Economia E C O N O M E T R I A II
FACULDADE DE ECONOMIA DO PORTO Licenciatura em Economia E C O N O M E T R I A II (LEC310) NOTAS PRÉVIAS: Exame Final Época Normal 9 de Junho de 2006 1. A primeira parte da prova tem duração de 75 minutos
2 FUNDAMENTACÃO TEÓRICA
2 FUNDAMENTACÃO TEÓRICA Este capítulo apresenta os modelos de séries temporais chamados estruturais, nos quais o valor das observações é visto como composto de uma parte sistemática, modelada por uma equação
Influência 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
Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
Cap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
4 Metodologia. Wt = W 0 exp{(l/k)(1-e-kt)} (8)
4 Metodologia Serão apresentadas duas formas de se estimar a persistência. A primeira é de forma mais agregada e se utiliza de dados em forma de triângulos de run-off e é conhecida como Chain Ladder, uma
4 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:
Planejamento de Experimentos
Planejamento de Experimentos 1 6.4 Os Modelos fatoriais 2 k : o caso geral. O modelo estatístico para um plano 2 k inclui k ( k 2 ( k ) ) efeitos principais efeitos de interação de ordem 2 efeitos de interação
Qualidade 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
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
Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Índices de capacidade do processo: comparação entre índices tradicionais e índices para gráficos de controle de regressão
Índices de capacidade do processo: comparação entre índices tradicionais e índices para gráficos de controle de regressão Fernanda Siqueira Souza (PPGEP/UFRGS) fe_ssouza@producao.ufrgs.br Danilo Cuzzuol
Capítulo 3. O Modelo de Regressão Linear Simples: Especificação e Estimação
Capítulo 3 O Modelo de Regressão Linear Simples: Especificação e Estimação Introdução Teoria Econômica Microeconomia: Estudamos modelos de oferta e demanda (quantidades demandadas e oferecidas dependem
6- Probabilidade e amostras: A distribuição das médias amostrais
6- Probabilidade e amostras: A distribuição das médias amostrais Anteriormente estudamos como atribuir probabilidades a uma observação de alguma variável de interesse (ex: Probabilidade de um escore de