Metodologia de Superfície de Resposta e Otimização LOPP UFRGS
|
|
- Branca Flor Cordeiro Bandeira
- 6 Há anos
- Visualizações:
Transcrição
1 Metodologia de Superfície de Resposta e Otimização 1
2 O que é Modelagem? As equações de regressão podem ser usadas para analisar a relação entre uma variável dependente (variável de resposta) e várias variáveis independentes (fatores controláveis) A ANOVA permite identificar os fatores controláveis significativos sobre a VR e os gráficos permitem identificar o ajuste ótimo dos fatores controláveis A regressão ainda permite prever o valor da VR para uma determinada combinação dos fatores controláveis através da equação de regressão 2
3 Quando utilizar? A ANOVA permite trabalhar com fatores controláveis qualitativos (não-métricas) ou quantitativos (métricas), desde que a VR seja quantitativa A regressão pode ser usada quando a VR e os fatores controláveis são quantitativos Sob certas circunstâncias é possível incluir fatores controláveis não-métricos (transformando os FC do tipo ordinais ou nominais em variável com codificação dicotômica) Quando a variável de resposta for não-métrica utiliza-se a regressão logística ou loglinear 3
4 Quando utilizar? A definição do ajuste ótimo da ANOVA é realizado graficamente e fica restrito aos ensaios realizados A definição do ajuste ótimo da regressão é realizado por Pesquisa operacional e permite interpolação dos fatores controláveis pela equação de regressão 4
5 Introdução à MSR A Metodologia de Superfície de Resposta (MSR) envolve uma série de técnicas orientadas à análise de experimentos planejados de modo a gerar informações suficientes para a modelagem das respostas de interesse através de superfícies n-dimensionais. Após a construção de modelos para a resposta, o interesse recai na busca do ajuste ótimo, ou seja, na busca de regiões que conduzam a um valor mínimo, máximo ou nominal, conforme a característica da resposta em questão. 5
6 Aplicações da MSR A MSR tem ampla aplicação dentro da engenharia, contribuindo para a otimização de produtos ou processos, principalmente quando os fatores controláveis são a níveis contínuos. Apesar do potencial da MSR no que se refere a otimização de produtos e processos, essa metodologia é pouco empregada no Brasil, pois exige o domínio dos conceitos básicos de projeto de experimentos, regressão múltipla e otimização, e poucas escolas de engenharia mantém cursos que contemplem todas essas áreas. 6
7 Etapas no uso da MSR A proposta da MSR é responder questões gerais referente ao comportamento da resposta dentro do intervalo de interesse e, em particular, mapear regiões de alto desempenho. Os estudos envolvem três etapas principais: - Planejar o experimento, distribuindo adequadamente os pontos experimentais - Estimar os coeficientes da equação da superfície de resposta - Explorar a superfície de resposta encontrando o ajuste dos fatores que maximiza a resposta 7
8 Estratégia de análise A estratégia de análise supõe que a resposta Y possa ser representada por uma função polinomial dos fatores controláveis X 1, X 2,..., X k. Entre os modelos possíveis, estão o modelo linear, Y = b 0 + b 1 X 1 +b 2 X b k X k o modelo quadrático, Y = b 0 + b 1 X 1 + b 2 X b 11 X b 2 X b 12 X 1 X e também modelos não lineares. 8
9 Projetos de superfície de resposta Os coeficientes dos modelos podem ser estimados mais eficientemente se for usado um projeto experimental adequado para a coleta de dados. Projetos para o ajuste de superfícies de resposta são chamados de projetos de superfície de resposta. Por exemplo, para ajustar modelos lineares, toda a classe de experimentos 2 k são particularmente eficientes. Eles permitem fracionamento, blocagem e a suposição de linearidade pode ser testada acrescentando-se alguns pontos centrais. 9
10 Exemplos de projetos para modelos lineares Um projeto 2 2 com um ponto central Um projeto 2 3 com um ponto central 10
11 Projetos para modelos quadráticos Para o ajuste de modelos quadráticos, o Projeto Composto de Segunda Ordem (PCSO) é recomendado. Esse projeto, que será visto a seguir tem inúmeras vantagens. Ele tem como base um projeto 2 k, exige um número pequeno de ensaios, pode contemplar blocagem, rotacionalidade e ortogonalidade. O que aparece a seguir é um exemplo de um PCSO para um experimento de dois fatores controláveis: 11
12 Exemplo de um PCSO (0,+ a) (-a,0) b (-1,+1) - a + a + a ab (+1,+1) (+a,0) (0,0) X 2 1 (-1,-1) - a (0,- a) a (+1,-1) X 1 12
13 Matriz experimental A matriz experimental para esse experimento seria a seguinte: Rodada X1 X2 Y 1 (1) -1-1 Fatorial 2 (a) +1-1 Fatorial 3 (b) Fatorial 4 (ab) Fatorial 5 a 0 Estrela 6 -a 0 Estrela 7 0 a Estrela 8 0 -a Estrela Central 13
14 Construção dos PCSO Como pode ser visto, o PCSO é a soma de um experimento 2 k, mais uma estrela, mais pontos centrais. Por isso o nome projeto composto. Os pontos da parte fatorial (2 k ) permitem a estimativa de termos lineares e interações. Os pontos da estrela, permitem a estimativa de efeitos quadráticos puros. 14
15 Construção dos PCSO De forma geral, os PCSO consistem de três partes: a) A parte fatorial, ou seja 2 k vértices de um cubo k dimensional (ou uma fração desses vértices) com coordenadas 1, 1,..., 1. b) A parte em estrela, 2xK vértices com coordenadas 0,..., a,...,0. c) n o pontos centrais, com coordenadas 0,0,... 15
16 Exemplo de um PCSO - 3 fatores A figura a seguir apresenta um PCSO para um experimento de três fatores: X 2 X 3 X 1 16
17 PCSO para 3 fatores Rodada X1 (A) X2 (B) X3 (C) Y 1 (1) Fatorial 2 (a) Fatorial 3 (b) Fatorial 4 (ab) Fatorial 5 (c) Fatorial 6 (ac) Fatorial 7 (bc) Fatorial 8 (abc) Fatorial 9 a 0 0 Estrela 10 - a 0 0 Estrela 11 0 a 0 Estrela a 0 Estrela a Estrela a Estrela Central 17
18 PCSO para 4 fatores X1 (A) X2 (B) X3 ( C) X4 (D) a b ab c ac bc abc d ad bd abd cd acd bcd abcd estrela X1 alfa estrela X1 -alfa estrela X2 0 alfa 0 0 estrela X2 0 -alfa 0 0 estrela X3 0 0 alfa 0 estrela X alfa 0 estrela X alfa estrela X alfa ponto central ponto central
19 Características dos PCSO Caso necessário, o projeto pode contemplar repetições do ponto central, aumentando os graus de liberdade do termo de erro, ou seja, permitindo uma avaliação mais precisa da variância experimental. O valor de alfa pode ser definido de modo que o projeto tenha algumas propriedades interessantes. Por exemplo, alfa pode ser calculado para atribuir rotacionalidade ou ortogonalidade ao projeto. 19
20 Rotacionalidade Um projeto rotacional assegura a mesma precisão nas estimativas de Y para todos os pontos do espaço amostral. Para atribuir rotacionalidade ao projeto, o valor de alfa deve ser definido usando: 4 1 a F onde F se refere ao número de pontos da parte fatorial 20
21 Ortogonalidade Outra possibilidade é atribuir ao projeto a condição de ortogonalidade. Nesse caso, a estimativa dos coeficientes de termos lineares e quadráticos resultam independente, ou seja, essas estimativas não se alteram quando algum termo é eliminado do modelo. 21
22 Ortogonalidade Para atribuir ortogonalidade ao projeto, o valor de alfa deve ser definido usando: a 1/ 2 1/ F + T - F F 2 4 n onde F se refere ao número de pontos da parte fatorial T é o número de pontos adicionais (estrela mais pontos centrais), multiplicado pelo número de repetições n. 1 22
23 Blocos ortogonais Por fim, os PCSO são particularmente eficientes quando existe a necessidade de blocagem. Nesse caso, o projeto é normalmente dividido em dois: - um bloco contendo a parte fatorial e - o outro bloco contendo a parte em estrela. Os pontos centrais são utilizados para assegurar o mesmo número de ensaios em cada bloco. 23
24 Blocos ortogonais Para assegurar que os blocos serão ortogonais entre si, o que irá permitir extrair o efeito entre blocos, caso ele exista, basta ter o mesmo número de ensaios em cada bloco e definir o valor de alfa usando: a F 2 24
25 Blocos ortogonais Quando o experimento está dividido em blocos ortogonais, realiza-se a parte fatorial mais os pontos centrais Se os pontos centrais detectarem a falta de ajuste do modelo linear, roda-se a estrela para investigar os efeitos quadráticos Ou seja, a parte da estrela só é realizada caso necessário 25
26 Modelagem das VR Inicialmente, a partir dos resultados do experimento planejado, chega-se a modelos para as VR: Esses modelos podem contemplar média e variabilidade: Y 1 = f1 (X 1, X 2,..., X k ) Y1 = g1 (X 1, X 2,..., X k ) Y 2 = f2 (X 1, X 2,..., X k ) Y2 = g2 (X 1, X 2,..., X k ) : : Y p = fp (X 1, X 2,..., X k ) Yp = gp (X 1, X 2,..., X k ) Para todas as variáveis de resposta Y j, já se conhece de antemão o seu valor alvo, os limites de especificação e a importância relativa (IR j ). 26
27 Regressão Linear Simples A regressão linear simples se aplica àquelas situações onde há duas variáveis (digamos, X e Y) que podem possuir uma relação de causa e efeito. A variável X é chamada de variável independente ou fator controlável (causa) e a variável Y é a variável dependente ou variável de resposta (efeito, que depende de X). É dito relação linear simples, pois supõe-se tendência linear entre as variáveis e simples por ser uma única variável independente (X). 27
28 Regressão Linear Simples Seja que existam dados coletados (pares de valores X e Y) associando uma variável de resposta Y (variável dependente) com uma variável regressora X (variável independente). E suponha que a relação entre Y e X seja aproximadamente linear. Então o valor esperado de Y para cada valor de X virá dado por E (Y/X) = X onde os parâmetros da relação linear, 0 e 1, são desconhecidos e estimados através de estimativas amostrais Y= b o + b 1 X 28
29 Equação de regressão Cada observação Y pode ser descrita pelo modelo: Y = X + é o erro aleatório, com média 0 e variância 2. 0 é a interseção (valor de Y para X = 0) 1 é a inclinação da reta, que descreve a variação de Y para cada unidade de X. 29
30 Equação de regressão O coeficiente angular 1 é a tangente do angulo e quanto maior o valor mais inclinada é a reta. Se 1 é positivo, a reta é crescente Se 1 é negativo, a reta é decrescente Se 1 é zero, Y não depende de X e a reta é paralela ao eixo X na altura do valor 0 30
31 Coeficiente angular Alguns exemplos de coeficientes 1 31
32 Se há n pares de dados (Y 1, X 1 ),..., (Yn, Yn) é possível estimar os parâmetros 0 e 1 através de estimativas amostrais ( b o e b 1 ) usando o método dos Mínimos Quadrados Ordinários (MQO), o qual busca minimizar os resíduos: R Y -Y L n i 1 ( Y obs -Y est ) 2 n i 1 ( Y obs - ( b 0 + b X 1 i i )) 2 obs est 12 Co Tempo após a regulagem 32
33 Regressão Linear Simples O uso do método MQO conduz as seguintes estimativas: b1 S S S XX YY XY S bo Y XY - b Onde: X Y / S 2 i 2 i X Y i XX X i - Y X i i 2 2 n n X i Yi n 33
34 Exemplo Após uma regulagem eletrônica um veículo apresenta um rendimento ideal no que tange a rendimento de combustível. Co Com o passar do tempo esse rendimento vai se degradando. Os dados da tabela representam o rendimento (Y) medido a cada mês (X) após a regulagem do veículo. Meses(X) Rendimento(Y) Tempo após a regulagem
35 Exemplo Meses(X) Rendimento(Y) X^2 Y^2 X*Y 1 10, ,49 10,7 2 10, ,81 21,8 3 10, ,64 32,4 4 9, ,49 37,2 5 9, ,25 47,5 6 10, ,16 62, , ,49 74,4 9 7, ,76 68,4 10 7, , , ,41 86,9 12 7, ,29 92, , ,55 673,1 6,5 9,225 X i = 78,00; X i 2 = 650,00 ; Y i = 110,70; Y i 2 = 1039,55 ; X Y 6,50 9,225 35
36 S S Exemplo Desvio-padrão de X: XX X - X n /12 143, 00 Desvio-padrão de Y: YY Covariância de X,Y: SXY X iyi - X i Coeficientes i Equação de regressão i Y - Y n 1039,55-110,70 /12 18, 34 b1 S i XY / S i Yi n 673,1 -(78 110,70) /12-46, 45 XX -46,25/143-0,325 bo Y -b1 X 9,225 - (-0,325) 6,50 11,34 Y b0 + b1 X i Y 11,34 + (-0,325) X 36
37 Exercício Um gerente deseja investigar o efeito do investimento em marketing sobre o volume de vendas. Invest Vendas R$ 2.000,00 R$ ,00 R$ 2.050,00 R$ ,00 R$ ,00 Vendas y = 1,4462x ,4 R² = 0,9929 R$ 3.000,00 R$ ,00 R$ 3.500,00 R$ ,00 R$ ,00 R$ 4.000,00 R$ ,00 R$ 4.200,00 R$ ,00 R$ ,00 R$ 4.860,00 R$ ,00 R$ 5.355,71 R$ ,00 R$ ,00 Vendas Linear (Vendas) R$ 5.851,43 R$ ,00 R$ 6.347,14 R$ ,00 R$ 5.000,00 R$ 6.842,86 R$ ,00 R$ 7.338,57 R$ ,00 R$ 7.834,29 R$ ,00 R$ 8.330,00 R$ ,00 R$ 8.825,71 R$ ,00 R$ 9.321,43 R$ ,00 R$ 0,00 R$ 0,00R$ 2.000,00 R$ 4.000,00 R$ 6.000,00 R$ 8.000,00 R$ ,00 37
38 Exercício Um gerente deseja investigar o efeito do investimento em marketing sobre o volume de vendas. RESUMO DOS RESULTADOS Estatística de regressão R múltiplo 0, R-Quadrado 0, R-quadrado ajustado 0, Erro padrão 298, Observações 16 ANOVA gl SQ MQ F F de significação Regressão ,75E ,3658 1,83463E-16 Resíduo , ,85 Total ,9 Coeficientes Erro padrão Stat t valor-p 95% inferiores 95% superiores Inferior 95,0% Superior 95,0% Interseção 7469, , , ,661E , , , ,411 Invest 1, , , ,835E-16 1, , , ,
39 Exercício- Interpretação do Resultado A equação apresenta um valor de b 1 = 1,44 Ou seja, para cada R$1,00 de investimento em marketing, o volume de vendas aumenta em R$ 1,44 A equação só é válida para o intervalo estudado (ou seja entre R$2000,00 e R$9310,00) Não é recomendável aplicar a equação para previsão de valores fora do intervalo investigado 39
40 Coeficiente de Determinação R 2 Coeficiente de determinação R 2 é uma medida de quão bem a equação de regressão se ajusta as dados amostrais R² = 0,90 R²=0, O Coeficiente de determinação R 2 equivale a proporção da variância dos valores de Y que pode ser atribuída à regressão com a variável X, logo 0 R
41 Coeficiente de Determinação R 2 SQR SQT SQReg O R 2 indica o percentual da variabilidade de Y que é explicado pela modelo de regressão em função de X. Se R 2 = 1, todas as observações estarão sobre a reta definida pelo modelo (caso não houvesse variabilidade residual) Se R 2 = 0, não há nenhuma relação entre a variável dependente e as variáveis independentes 41
42 Coeficiente de Determinação R 2 O coeficiente de determinação R 2 é calculado segundo: R 2 S xx S 2 xy S yy 2-46,45 0,82 143,00 18,34 2 SQ Re g SQT - SQR SQR R 1- SQT SQT SQT Para o exemplo analisado resultou R 2 = 0,82 82% da variabilidade nos resultados de rendimento de combustível pode ser devida ao tempo decorrido após a regulagem 18% da variabilidade total é devido a outros fatores que não foram investigados ou fatores de ruído 42
43 Adequação do modelo de regressão A adequação do ajuste e as suposições do modelo podem ser verificadas através da análise dos resíduos. Os resíduos são a diferença entre os valor observados e o valores previstos pela equação R Y -Y i obs R i Y - obs b + 0 b1 est Verifica-se as seguintes hipóteses A distribuição do erro possui média zero A variância do erro é constante (homogeneidade da variância) A distribuição do erro é normal X i Os valores do erro são independentes dos y observados 43
44 Análise de resíduos A Figura (a) representa uma situação onde o ajuste é adequado pois os resíduos são aleatórios, enquanto que a Figura (b) representa uma situação onde o modelo linear não se ajusta bem aos dados pois os resíduos apresentam um padrão não-aleatório. Re Re X Fig. (a) X Fig. (b) 44
45 Análise de resíduos Caso os resíduos não estejam distribuídos aleatoriamente é indício de falta de ajuste do modelo linear, ou seja, faltou algum termo quadrático, um logarítmico ou outros (de uma ou mais variáveis independentes) Quando isso acontecer deve-se acrescentar novos termos na equação. Se o modelo linear não fornece um bom ajuste, as vezes o problema pode ser contornado trabalhando-se com valores transformados de X ou Y, por exemplo: Y Y b b b b 1 1 X X onde X X 45
46 Análise de resíduos A suposição de homogeneidade da variância 2 ao longo do intervalo de X pode ser verificada analisando o gráfico de Resíduos X. Na Figura (a) verifica-se a suposição de homogeneidade da variância e na Figura (b) essa suposição é violada. 2 3 Re 1 0 Re X X Fig. (a) Fig. (b) 46
47 Análise de resíduos Se a suposição de homogeneidade da variância é rejeitada, pode-se usar o método da regressão linear ponderada, onde se busca os valores de 0 e 1 que minimizam L + 2 ( Yobs -Yest ) Ki ( Yi - ( b0 b1 X i )) 2 Nesse caso, os pesos k i são inversamente proporcionais à variância. 47
48 Análise dos resíduos padronizados Se o resíduo de algum ponto tem comportamento diferente dos resíduos dos outros pontos este ponto pode não pertencer a esse grupo de dados. Deve-se observar os valores dos resíduos padronizados para verificar a existência de valores atípicos. Se houver registro de alguma causa especial que tenha afetado essa coleta, essa observação pode ser eliminada do conjunto e a análise de regressão deve ser rodada novamente, possivelmente fornecendo um modelo mais preciso. 48
49 Análise dos resíduos padronizados Os resíduos padronizados são calculados dividindo-se o resíduo pelo desvio-padrão Z i Y obs -Y S est Y obs - b S 0 + b 1 X i S SQR/ n - 2 SQR S -b1 YY S XY Considera-se um valor atípico quando o resíduo padronizado (Z i ) for maior do que: Z i > 3,00 (quando o intervalo de confiança adotado for 99,73%) Z i > 1,96 (quando o intervalo de confiança adotado for 95,00 %) 49
50 Regressão múltipla Embora haja muitos problemas em que uma variável pode ser predita com bastante precisão em termos de outra, é claro que as predições devem melhorar se for levado em conta informações adicionais importantes. Por exemplo: Pode-se fazer melhores predições sobre o desempenho de funcionários recém contratados se for levado em consideração não somente sua formação, mas também seu tempo de experiência e sua personalidade; Pode-se fazer melhor predição do sucesso de um novo produto se for considerado não somente sua qualidade, mas o potencial de procura e a concorrência. A qualidade de um processo químico pode depender da temperatura, pressão e taxa de agitação. 50
51 O modelo geral da regressão múltipla Uma equação de regressão linear múltipla expressa uma relação entre uma variável dependente (Y) e duas ou mais variáveis independentes (X s) Y 0 + 1X1 + 2X k X k + Onde: Y = valor da variável dependente 0 = coeficiente de intersecção k = número de variáveis independentes X 1, X 2,..., X k, = variáveis independentes 1, 2,..., k = coeficientes das variáveis independentes = termo de erro 51
52 O modelo geral da regressão múltipla O problema então é estimar o valor dos coeficientes i a partir de um conjunto de dados do tipo: Y X 1 X 2... X k y 1 x 11 x x 1k y 2 x 21 x x 2k y n x n1 x n2... x nk Ou seja, estimar b o, b 1, b
53 Exemplo Um distribuidor de cerveja está analisando seu sistema de distribuição. Especificamente ele está interessado em prever o tempo requerido para atender um ponto de venda. O engenheiro industrial acredita que os dois fatores mais importantes são o número de caixas de cerveja fornecidas e a distância do depósito ao posto de venda. 53
54 Coletar dados pareados Os dados devem ser coletados pareados. As linhas representam as observações coletadas e as colunas os fatores controláveis (X s) e a Variável de resposta (Y) 54
55 Análise preliminar dos dados Fazer um gráfico de dispersão das variáveis independentes versus variável dependente X 1 =num de caixas X 2 =distância 55
56 Análise do modelo Teste da significância do modelo de regressão - Realiza-se o teste de hipótese F para confirmar a inexistência de relação entre X e Y. H 0 : 1 ; 2 ;...; k = 0 H 1 : ji 0 para pelo menos uma variável independente - Calcula-se o F calculado fazendo F=MQReg/ MQR - A hipótese nula será rejeitada quando: ANOVA F calculado > F a/2, k, n-k-1 ou valor-p<0,05 (5%) gl SQ MQ F F de significação Regressão 2 331, , ,7954 0, Resíduo , , Total ,
57 Identificação dos fatores significativos Teste individual sobre a significância de cada parâmetro b i Se os resíduos seguem o modelo normal, os parâmetros b i também irão seguir esse modelo, ou seja: i b N 2 i, bi De modo que para testar as hipóteses H 0 : i = 0 H 1 : i 0 Usa-se a distribuição de Student, calculando: t i = b i / Sb i A hipótese nula será rejeitada quando: t i > ta / 2, n-k-1 ou valor-p < 0,05 (5%) O valor-p representa a probabilidade de errar na afirmação de que o fator tem efeito significativo quando não tem 57
58 Identificação dos fatores significativos Coeficientes Erro padrão Stat t valor-p Interseção 2, , , ,70007 Variável X 1 0, , , ,4E-05 Variável X 2 0, , , ,00908 Todos os termos são significativos pois os valores-p são menores que 0,05 (5%), resultando na equação: Y 2,31+ 0,877 X + 0, 459X 1 2 Os termos que não são significativos não devem permanecer no modelo Retirar um termo por vez e rodar novamente a rotina de regressão até definir uma equação com apenas termos significativos 58
59 Análise dos coeficiente de determinação R 2 R 2 é uma medida de quão bem a equação de regressão múltipla se ajusta as dados amostrais; R 2 indica a percentagem da variabilidade total que é explicada pelo modelo de regressão. Se R 2 = 1, todas as observações estarão sobre o hiperplano definido pelo modelo. Se R 2 = 0, não há nenhuma relação entre a variável de resposta e as variáveis independentes. No exemplo, R 2 =0,7367,ou seja, 73,67% da variabilidade do fenômeno pode ser explicado pelo modelo de regressão Estatística de regressão R múltiplo 0, R-Quadrado 0, R-quadrado ajustado 0, Erro padrão 3, Observações 15 59
60 Análise do R 2 ajustado R 2 ajustado faz um ajuste no R 2 considerando o número de variáveis e o tamanho amostral. R n n- + R k ajustado Onde: n é o tamanho da amostra e k é o número de variáveis independentes Verificar o valor do R 2 ajustado e compará-lo com o valor do R 2 Se esses valores forem muito diferentes, pode-se afirmar que há um excesso de variáveis no modelo. Estatística de regressão R múltiplo 0, R-Quadrado 0, R-quadrado ajustado 0, Erro padrão 3, Observações 15 60
61 Resíduos Resíduos Resíduos Análise gráfica dos resíduos Número de caixas Tempo -10 Distância 61
62 Análise dos gráficos dos resíduos Os resíduos do ponto 5 tem comportamento diferente dos resíduos dos outros pontos Este fato pode indicar que este ponto não pertence a esse grupo de dados Se houver registro de alguma causa especial que tenha afetado esta entrega em particular, essa observação pode ser eliminada do conjunto e a análise poderia ser refeita, possivelmente fornecendo um modelo mais preciso. 62
63 Dados atípicos Seguindo na análise, observar a coluna dos resíduos padronizados para verificar a existência de valores atípicos. Se isso acontecer o dado atípico deve der eliminado e a rotina de regressão deve ser rodada novamente Observação Y previsto Resíduos Resíduos padrão 1 24, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,
64 Codificação dos níveis Nas equações de regressão múltipla, pode ser interessante comparar os efeitos dos diferentes fatores controláveis (termos) da equação; Neste caso, é necessário padronizar o intervalo de variação dos diferentes termos da equação, para que os coeficientes sejam diretamente comparáveis entre si; É necessário converter os níveis reais do intervalo de investigação em níveis codificados do intervalo O nível baixo será o nível 1 e o nível alto será o nível +1 64
65 Fórmula para codificação dos níveis Fórmula para converter os níveis reais (NR) em níveis codificados (NC): NC NR -VC NR - (( LSI - LII) / 2 + (( LSI - LII) / 2) (( LSI - LII) / 2) LII) VC representa o valor central do intervalo investigado; LSI representam o limite superior do intervalo investigado; LII representam o limite inferior do intervalo investigado. 65
66 Codificação dos níveis Por exemplo, o intervalo de investigação da temperatura é de 100 o C a 120 o C LII = 100 o C e o LSI = 120 o C. O valor central é calculado como: VC O nível 100 o C é calculado como: NC -1 ( ) / 2) O nível 110 o C é calculado como NC ( ) / 2) 0 O nível 120 o C é calculado como NC + 1 ( ) / 2) 66
67 Coeficiente x efeito Como os níveis variam de 1 a +1 o cálculo do coeficiente β 1 em uma equação de regressão equivale ao efeito do fator calculado na ANOVA dividido por dois (distancia entre -1 e +1). efeitoanov A β 1 efeito
68 Seleção de variáveis do modelo Quando existir um número muito grande de variáveis candidatas ao modelo (n>30 ou 40), a análise do modelo de regressão pode tornar-se muito complexa por parte do usuário. Dessa forma, sugere-se a utilização de algum método que pré-selecione as variáveis mais importantes para caracterizar a variável resposta. Existem 3 categorias diferentes do método passo-a-passo: (i) seleção progressiva, (ii) eliminação regressiva e (iii) regressão por etapas. A estatística F parcial, que é o valor do teste F para a variável xi dado que as variáveis xj (j i) já estão no modelo: F i SQ Re g( /, ) 0 QMR( x, x ) i j i j 68
69 Seleção de variáveis do modelo A seleção progressiva consiste na adição gradual de variáveis controláveis ao modelo. Esse método inicia com o modelo com apenas o parâmetro de intercepto e, a seguir, seleciona-se a variável de controle que apresenta maior coeficiente de correlação simples com a resposta. Caso o F parcial para essa variável for maior que fentra, deve-se adicionar essa variável ao modelo. A cada etapa deste método, seleciona-se a variável que apresente maior correlação com a resposta, essa é adicionada desde que o valor do teste parcial F seja maior que fentra. O procedimento finaliza assim que nenhuma variável puder ser adicionada ao modelo 69
70 Seleção de variáveis do modelo A eliminação regressiva consiste na remoção gradual de variáveis controláveis do modelo que contenha todas as variáveis candidatas. Como primeiro passo deve-se calcular o valor F parcial para todas as variáveis como se cada uma delas fosse a última a entrar no modelo. A seguir, seleciona-se a variável que possua o menor valor parcial F, se esse valor for menor que fsai, deve-se retirar essa variável do modelo. A cada etapa desse método, seleciona-se a variável que apresentar menor valor parcial F, essas são removidas sempre que o valor do teste parcial F for menor que fsai. Quando não existirem variáveis a serem excluídas do modelo, o método se finaliza 70
71 Seleção de variáveis do modelo A regressão por etapas é a combinação da seleção progressiva e da eliminação regressiva. Inicia-se com o modelo com nenhuma variável e a cada etapa escolhe-se a variável com maior correlação com a resposta, que deverá ser adicionada ao modelo se F i > f entra. Caso a variável x i seja inserida no modelo, analisa-se a possibilidade de retirada das outras variáveis já selecionadas dado que x i está presente. O procedimento termina assim que não existir nenhuma variável para ser incluída ou removida do modelo. 71
72 Seleção do melhor modelo O primeiro critério é a escolha do modelo que maximiza o coeficiente de determinação. Esse critério deve ser utilizado com cuidado, pois a adição de novas variáveis ao modelo acarreta um aumento do R2, sem de fato melhorar o modelo. Um outro critério lógico é a escolha do modelo que apresente menor estimativa para os erros, ou seja, deve-se escolher o modelo que minimize MQR 72
73 Seleção do melhor modelo Também é possível utilizar o coeficiente de determinação ajustado. Essa estatística é uma modificação do coeficiente de determinação, que considera também o número de variáveis do modelo, penalizando modelos que possuam mais variáveis. O segundo critério seria a escolha do modelo que apresente esses dois coeficientes aproximadamente iguais. Dessa forma, os critérios para escolha de modelos devem balancear a minimização do SQRp com o aumento da complexidade da equação. 73
74 FUNÇÃO DE PERDA MULTIVARIADA 74
75 Introdução a Função de perda Multivariada Na maioria dos estudos experimentais, existe mais de uma variável de resposta de interesse, exigindo o uso de algum procedimento multivariado na busca do ajuste ótimo dos fatores controláveis. O procedimento que será mostrado a seguir baseia-se na utilização da Função de Perda Multivariada como função objetivo a ser otimizada. Trata-se de um procedimento bastante genérico que irá fornecer resultados consistentes na maioria das aplicações práticas. 75
76 Função de Perda A função de perda é empregada para quantificar a perda que um produto impõem à sociedade pela falta de qualidade. Em muitos caso, essa perda resulta aproximadamente proporcional ao quadrado do desvio da meta estabelecida para uma certa característica de qualidade, ou seja: Z K - i j ( Yj Tj 2 ) - Z é o valor que a função de perda Z assume para um dado ajuste ï do conjunto dos fatores controláveis; - Y é o valor observado da VRj no ajuste i - T ou m é o valor alvo da VRj 76
77 Gráfico da Função de Perda Quadrática L(y) São aceitáveis todas as unidades produzidas dentro dos limites (m - Δ até m + Δ) Ao 0 m - m m + y 77
78 Ponderação das VR Na otimização, é preciso atribuir pesos a cada VR. Esses pesos K, têm duas funções: a) normalizar os valores que representam os desvios do alvo, obtidos nas unidades de grandeza da VR, para que os desvios de todas as VR possam ser diretamente comparáveis; b) considerar a importância relativa (IR j ) de cada VR. 78
79 Ponderação das VR Para todas as variáveis de resposta Y j, deve-se conhecer o valor alvo, os limites de especificação e a importância relativa (IR j ) Existem três tipos de variáveis de resposta Nominal-é-melhor Maior-é-melhor Menor-é-melhor 79
80 Função de Perda Nominal-é-melhor Nominal-é-melhor se refere às características que têm um valor alvo e qualquer desvio deste valor (para cima ou para baixo) incorre em uma perda de qualidade T = 6,0, Especificações: 6,0 +/- 3,0 20 Perda L(y) y K j = IR j ((LSE - LIE)/2) 2 80
81 Função de Perda Maior-é-melhor Maior-é-melhor se refere às características que têm um valor mínimo estabelecido e, se esse valor for superado tanto melhor. Não existe limite superior de especificação. Alvo = 12,0, Limite inferior: 3,0 Perda L(y) K j = IR j. (alvo - LIE) y 81
82 Função de Perda Menor-é-melhor Menor-é-melhor se refere às características que têm um valor máximo estabelecido e, se esse valor for menor tanto melhor. Não existe limite inferior de especificação. Alvo = 1,0, Limite superior: 7,0 Perda L(y) 30,00 25,00 20,00 15,00 10,00 5,00 0, y K j = IR j (LSE - alvo) 2 82
83 Função Perda Multivariada A expressão da função de perda multivariada para múltiplas VR é a seguinte: J Zˆ ( ˆ i K j Yj -T J 1 j ) 2 Ẑ i é o valor que a função de perda Z assume para um dado ajuste ï do conjunto dos fatores controláveis; 83
84 Função Perda Multivariada K j é a ponderação atribuída a VR "j"; é o modelo matemático que fornece uma estimativa da Yˆj média da VR j em função do ajuste i dos fatores controláveis; Tj é o valor alvo para a VR "j"; Nota: para VR do tipo maior é melhor ou menor é melhor, quando o valor de Yˆj supera o alvo, atribui-se zero para o correspondente desvio do alvo; 84
85 Exemplo de Função Perda Multivariada Exemplo da função de perda para duas VR: primeira VR=Produtividade do tipo Maior-émelhor segunda VR=Qualidade do tipo Nominal-é-melhor Zˆ IR ( alvo - i Y ˆ -T 1 IR ˆ LIE1 ) ( LSE2 - LIE2 ) / 2 Y -T
86 Notas sobre a Função perda Multivariada Vale observar que a perda é função das equações das VR, que por sua vez são função dos fatores controláveis X. Logo, em última análise tem-se que a perda é função de X, ou seja, é função do ajuste dos fatores controláveis. Observa-se também que a perda cresce quadraticamente quando qualquer VR afasta-se do alvo (ou em regiões onde aumenta a variabilidade das VR). Assim, o objetivo é encontrar o ajuste dos fatores controláveis que minimiza a função perda. 86
87 Função perda Multivariada Este ajuste ótimo estará associado a uma região onde as VR estão próximas de seus respectivos alvos (ou em regiões onde a variabilidade é pequena). Em projetos com muitos fatores, a busca do ponto ótimo exige suporte computacional. O Solver do Excel pode ser usado para identificar a melhor combinação dos fatores controláveis que otimiza o conjunto das variáveis de resposta simultaneamente. 87
88 Software Minitab 15 Desenvolvido pelo MIT (Massachussets Institute of Technology) em 1972, tem o principal foco em aplicações em engenharia. 88
89 Menu Stat Onde se localiza as ferramentas estatísticas do software, tais como: Estat. básica; Regressão; Análise de Variância; dentre outras. 89
90 Projeto de Experimentos Design que o Software permite; Caminho: Stat > DOE. 90
91 Planejar um Experimento Ex. Projeto de experimentos 2 k ; Caminho: Stat > DOE > Factorial > Create. 91
92 Planejar um Experimento Tipos de Experimentos; 92
93 Analisar o Experimento Caminho: Stat > ANOVA > General Linear Model. 93
94 Estudo Experimental Utilizar o software Minitab para Planejar, Analisar e Otimizar o estudo experimental; Exemplo: Excel 10.2 Característica de Qualidade: Y1: Produtividade; Y2: N. defeituosos. Fatores Controláveis: X1: Layout; X2: Altura da Bancada; X3: Velocidade da Esteira; 94
95 Planejar uma Superfície de Resposta Caminho: Stat > DOE > Response Surface > Create RSD. 95
96 Planejar uma MSR Selecione a opção Central Composite; Escolha o número de fatores (ex. 3); Clique em Designs. O restante das opções é semelhante ao Experimento 2 k 96
97 Planejar uma MSR Escolha o número de pontos centrais; Escolha do valor de Alpha; 97
98 Resultado do Design Inserir Variáveis Resposta na Worksheet; 98
99 Analisar uma MSR Caminho: DOE > Response Surface > Analyse RSD; É possível analisar por ANOVA ou Regression; 99
100 Analisar uma MSR Insira a Variável Y desejada; Clique em Terms para selecionar o tipo de relação entre as Variáveis; 100
101 Analisar uma MSR Escolher o tipo de relação entre as Variáveis; 101
102 Resultado da Análise Y1 102
103 Resultado da Análise Y1 Modelo Final de Y1: X1 + X2 + X2 2 Interpretar os Resultados; 103
104 Analisar uma MSR Insira a Variável Y2; Clique em Terms para selecionar o tipo de relação entre as Variáveis; 104
105 Resultado da Análise Y2 Modelo Final de Y2: X2 + X
106 Analisar utilizando Regression Caminho: Regression > Regression; 106
107 Regression 107
108 Resultado da Regression Y1 108
109 Analisar uma Otimização Caminho: DOE > Response Surface > Resp. Optimizer; 109
110 Analisar uma Otimização Insira as Variáveis para Otimizar; Clique em Setup para definir o valor Alvo e Limites; Clique em Options para definir valores iniciais; 110
111 Analisar uma Otimização Na opção Setup ; Inserir as Especificações das Variáveis Respostas; 111
112 Analisar uma Otimização Na opção Options ; Inserir valores iniciais para os Fatores Controláveis; 112
113 Analisar uma Otimização Inserir valores iniciais para os Fatores Controláveis; 113
114 Analisar uma Otimização 114
115 Analisar uma Otimização 115
9 Regressão linear simples
9 Regressão linear simples José Luis Duarte Ribeiro Carla ten Caten COMENTÁRIOS INICIAIS Em muitos problemas há duas ou mais variáveis que são relacionadas e pode ser importante modelar essa relação. Por
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
NOÇÕES SOBRE EXPERIMENTOS FATORIAIS
3 NOÇÕES SOBRE EXPERIMENTOS FATORIAIS Planejamento de Experimentos Design of Experiments - DOE Em primeiro lugar devemos definir o que é um experimento: Um experimento é um procedimento no qual alterações
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
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
Pesquisador. Planejamento de Experimentos Design of Experiments - DOE NOÇÕES SOBRE EXPERIMENTOS FATORIAIS. 1 - Fixar T e variar P até > Pureza
3 NOÇÕES SOBRE EXPERIMENTOS FATORIAIS Planeamento de Experimentos Design of Experiments - DOE Em primeiro lugar devemos definir o que é um experimento: Um experimento é um procedimento no qual alterações
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
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,
DPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM
Morgana Pizzolato, Dr a. Aula 20 Introdução à otimização experimental e experimentos de um fator DPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM TÓPICOS DESTA AULA Projetos de Experimentos
Prof. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 12 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 2017
Prof. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 2 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 207 SUMÁRIO - BREVE DESCRIÇÃO, FUNDAMENTOS, CONCEITOS, CARACTERÍSTICAS,
Bibliografia Recomendada.
Bibliografia Recomendada http://paginapessoal.utfpr.edu.br/ebona Bibliografia Recomendada Montgomery, D. C. Design and Analysis of Experiments. Bibliografia Recomendada Barros Neto, B.; Scarminio, I. S.;
APLICAÇÃO DE PROJETO DE EXPERIMENTOS PARA A OTIMIZAÇÃO DE UM PROCESSO DE USINAGEM EM TORNO CNC
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, 1 a15 de outubro
Projeto de Experimentos
Projeto de Experimentos O uso de Projeto de Experimentos conduz a uma seqüência estruturada de ensaios, que assegura o máximo de informação com um gasto mínimo de tempo/dinheiro. Entrada Processo Saída
Análise da Regressão. Prof. Dr. Alberto Franke (48)
Análise da Regressão Prof. Dr. Alberto Franke (48) 91471041 O que é Análise da Regressão? Análise da regressão é uma metodologia estatística que utiliza a relação entre duas ou mais variáveis quantitativas
Modelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
CAPÍTULO 10 REGRESSÃO LINEAR MÚLTIPLA REGRESSÃO LINEAR MÚLTIPLA PPGEP
CAPÍTULO REGRESSÃO LINEAR MÚLTIPLA UFRGS REGRESSÃO LINEAR MÚLTIPLA Muitos problemas de regressão envolvem mais de uma variável regressora Por exemplo a qualidade de um processo químico pode depender da
+ 2. = - 1 se A = 15 = 1 se A = 25
Yˆ = 7,5 + 8, X + 5,00 X = - se A = 5 = se A = 5 = - se B = = se B = Exemplo 8.6...4. Outro exemplo: Fatorial ³ Montgomery (997), p. 05. Estudo do efeito da porcentagem de carbonation, A, pressão de operação,
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
Correlação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
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
Prof. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
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 - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Estatística Aplicada
Estatística Aplicada Correlação e Regressão Professor Lucas Schmidt www.acasadoconcurseiro.com.br Estatística Aplicada REGRESSÃO Correlação não implica Causalidade! O coeficiente de correlação não mede
REGRESSÃO LINEAR SIMPLES E MÚLTIPLA
REGRESSÃO LINEAR SIMPLES E MÚLTIPLA Curso: Agronomia Matéria: Metodologia e Estatística Experimental Docente: José Cláudio Faria Discente: Michelle Alcântara e João Nascimento UNIVERSIDADE ESTADUAL DE
Bibliografia Recomendada
Bibliografia Recomendada Barros Neto, B.; Scarminio, I. S.; Bruns, R. E. Como Fazer Experimentos. Montgomery, D. C. Design and Analysis of Experiments. Box, G. E. P.; Hunter, J. S.; Hunter, W. G. Statistics
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
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
Seleção de Variáveis e Construindo o Modelo
Seleção de Variáveis e Construindo o Modelo Seleção de modelos candidatos A idéia é selecionar um conjunto menor de variáveis explanatórias de acordo com algum(s) critério(s), e assim selecionar o modelo
Introdução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
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
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
Planejamento de Experimentos
Planejamento de Experimentos Exercício 6.17 Um pesquisador rodou uma única replicação de um plano 2 4, tendo obtido as seguintes estimativas dos efeitos: A = 76, 95, B = 67, 52, C = 7, 84 e D = 18, 73
Análise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
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
ANÁLISE DE REGRESSÃO
ANÁLISE DE REGRESSÃO Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 09 de janeiro de 2017 Introdução A análise de regressão consiste na obtenção de uma equação
ENGENHARIA DA QUALIDADE A ENG AULA 8 PROJETOS DE EXPERIMENTOS - ANOVA
ENGENHARIA DA QUALIDADE A ENG 09008 AULA 8 PROJETOS DE EXPERIMENTOS - ANOVA PROFESSORES: CARLA SCHWENGBER TEN CATEN Tópicos desta aula Projetos de Experimentos Terminologia Passos de implementação Princípios
Regressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Curso de MINITAB Universidade Federal de Ouro Preto. Planejamento de Experimentos (DOE)
Planejamento de Experimentos (DOE) - Introdução Um experimento é um procedimento no qual as alterações propositais são feitas nas variáveis de entrada de um processo ou sistema, de modo que se possa avaliar
Delineamento e Análise Experimental Aula 4
Aula 4 Castro Soares de Oliveira ANOVA Significativa Quando a aplicação da análise de variância conduz à rejeição da hipótese nula, temos evidência de que existem diferenças entre as médias populacionais.
CORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO 1 1. CORRELAÇÃO 1.1. INTRODUÇÃO 1.. PADRÕES DE ASSOCIAÇÃO 1.3. INDICADORES DE ASSOCIAÇÃO 1.4. O COEFICIENTE DE CORRELAÇÃO 1.5. HIPÓTESES BÁSICAS 1.6. DEFINIÇÃO 1.7. TESTE DE HIPÓTESE.
9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla
9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual
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
i j i i Y X X X i j i i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
3- Projetos Fatoriais
3- Projetos Fatoriais Exemplo do que se faz na indústria: Uma empresa estava interessada em aumentar o teor de pureza de uma substância química. Os dois fatores mais importantes que influenciavam o teor
AULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 18 e 23 de outubro de 2012 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
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:
Contabilometria. Aula 9 Regressão Linear Inferências e Grau de Ajustamento
Contabilometria Aula 9 Regressão Linear Inferências e Grau de Ajustamento Interpretação do Intercepto e da Inclinação b 0 é o valor estimado da média de Y quando o valor de X é zero b 1 é a mudança estimada
Mais Informações sobre Itens do Relatório
Mais Informações sobre Itens do Relatório Amostra Tabela contendo os valores amostrados a serem utilizados pelo método comparativo (estatística descritiva ou inferencial) Modelos Pesquisados Tabela contendo
UFRJ - CCMN - IM - Departamento de Métodos Estatísticos Planejamento de Experimentos - P2 Turma: MAA
UFRJ - CCMN - IM - Departamento de Métodos Estatísticos Planejamento de Experimentos - P2 Turma: MAA 18-06-2012 1. (Montgomery e Runger) Quatro fatores influenciam o sabor de um refrigerante, a saber,
AULA 07 Regressão. Ernesto F. L. Amaral. 05 de outubro de 2013
1 AULA 07 Regressão Ernesto F. L. Amaral 05 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas
Planejamento de Experimentos. 7 Blocagem e Confundimento(Superposição) nos Planos 2 k
Planejamento de Experimentos 7 Blocagem e Confundimento(Superposição) nos Planos 2 k 7.1 Introdução Em muitas situações é impossível rodar todas as combinações de tratamento num plano 2 k sob condições
CORRELAÇÃO E REGRESSÃO
UNIVERSIDADE FEDERAL DA BAHIA ESCOLA POLITÉCNICA DEPARTAMENTO DE TRANSPORTES MEAU- MESTRADO EM ENGENHARIA AMBIENTAL URBANA CORRELAÇÃO E REGRESSÃO Professora: Cira Souza Pitombo Disciplina: ENG C 18 Métodos
CONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Projeto de Experimentos e Superfícies de Resposta (Design of Experiments DOE Response Surfaces - RS) (ENG03024-Análise de Sistemas Mecânicos)
UFRGS - Universidade Federal do Rio Grande do Sul EE - Escola de Engenharia DEMEC - Departamento de Engenharia Mecânica e Superfícies de Resposta (Design of Experiments DOE Response Surfaces - RS) (ENG0304-Análise
aula ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES
ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES 18 aula META Fazer com que o aluno seja capaz de realizar os procedimentos existentes para a avaliação da qualidade dos ajustes aos modelos. OBJETIVOS Ao final
AULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 30 de abril e 02 de maio de 2013 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
i j i i Y X X X i j 1 i 2 i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
2 ou mais fatores são de interesse.
5. Experimentos Fatoriais 5.1 Definições e Princípios Básicos 2 ou mais fatores são de interesse. Experimentos Fatoriais: em cada replicação do experimento todas as combinações dos níveis de tratamento
USO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA
USO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA F. M. A. S. COSTA 1, A. P. SILVA 1, M. R. FRANCO JÚNIOR 1 e R.
PREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Estatística CORRELAÇÃO E REGRESSÃO LINEAR. Prof. Walter Sousa
Estatística CORRELAÇÃO E REGRESSÃO LINEAR Prof. Walter Sousa CORRELAÇÃO LINEAR A CORRELAÇÃO mede a força, a intensidade ou grau de relacionamento entre duas ou mais variáveis. Exemplo: Os dados a seguir
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Correlação e Regressão
Correlação e Regressão Exemplos: Correlação linear Estudar a relação entre duas variáveis quantitativas Ou seja, a força da relação entre elas, ou grau de associação linear. Idade e altura das crianças
Análise de Regressão
Análise de Regressão Tópicos em Avaliação de Desempenho de Sistemas Aline Oliveira Camila Araujo Iure Fé Janailda aso2@cin.ufpe.br cga2@cin.ufpe.br isf2@cin.ufpe.br jbs4@cin.ufpe.br Agenda Parte I: Contextualização
Modelos de Regressão Linear Simples - parte II
Modelos de Regressão Linear Simples - parte II Erica Castilho Rodrigues 14 de Outubro de 2013 Erros Comuns que Envolvem a Análise de Correlação 3 Erros Comuns que Envolvem a Análise de Correlação Propriedade
1. INTRODUÇÃO AO PLANEJAMENTO DE EXPERIMENTOS
1. INTRODUÇÃO AO PLANEJAMENTO DE EXPERIMENTOS A metodologia conhecida como projeto de experimentos foi introduzida por Fischer em 1935 e inicialmente aplicada a experimentos de agricultura. Posteriormente,
Planejamento e Otimização de Experimentos Ajuste de Modelos de Regressão e Outros Planejamentos
Planejamento e Otimização de Experimentos Ajuste de Modelos de Regressão e Outros Planejamentos Prof. Dr. Anselmo E de Oliveira anselmo.quimica.ufg.br anselmo.disciplinas@gmail.com.br Ajuste de modelos
DELINEAMENTO EM BLOCOS AO ACASO
DELINEAMENTO EM BLOCOS AO ACASO Sempre que não houver condições experimentais homogêneas, devemos utilizar o principio do controle local, instalando Blocos, casualizando os tratamentos, igualmente repetidos.
Introdução. São duas técnicas estreitamente relacionadas, que visa estimar uma relação que possa existir entre duas variáveis na população.
UNIVERSIDADE FEDERAL DA PARAÍBA Correlação e Regressão Luiz Medeiros de Araujo Lima Filho Departamento de Estatística Introdução São duas técnicas estreitamente relacionadas, que visa estimar uma relação
Regressão Linear Simples
Regressão Linear Simples Capítulo 16, Estatística Básica (Bussab&Morettin, 8a Edição) 10a AULA 18/05/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 10a aula (18/05/2015) MAE229 1 / 38 Introdução
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
REGRESSÃO LINEAR Parte I. Flávia F. Feitosa
REGRESSÃO LINEAR Parte I Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2015 Onde Estamos Para onde vamos Inferência Esta5s6ca se resumindo a uma equação
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
Regressões: Simples e MúltiplaM. Prof. Dr. Luiz Paulo Fávero 1
Regressões: Simples e MúltiplaM Prof. Dr. Luiz Paulo FáveroF Prof. Dr. Luiz Paulo Fávero 1 1 Técnicas de Dependência Análise de Objetivos 1. Investigação de dependências entre variáveis. 2. Avaliação da
Variância pop. * conhecida Teste t Paramétrico Quantitativa Distribuição normal Wilcoxon (teste dos sinais, Wilcoxon p/ 1 amostra)
Testes de Tendência Central (média, mediana, proporção) Classificação Variável 1 Variável 2 Núm ero Gru pos Dependência Teste Z Paramétrico Quantitativa - 1 - Premissas Variância pop. * conhecida Teste
AGOSTO 2017 INTERPRETAÇÃO DE RESULTADOS ESTATÍSTICOS EM MODELOS DE REGRESSÃO MÚLTIPLA
Sérgio Antão Paiva AGOSTO 2017 INTERPRETAÇÃO DE RESULTADOS ESTATÍSTICOS EM MODELOS DE REGRESSÃO MÚLTIPLA ENFOQUE DA COMPARAÇÃO Princípio da semelhança: numa mesma data, dois bens semelhantes, em mercados
étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA
Nessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
Análise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada
Aula 2 Regressão Linear Simples Análise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada Conceitos Gerais A análise de regressão é utilizada para explicar ou modelar a relação entre
Especialização em Engenharia de Processos e de Sistemas de Produção
Especialização em Engenharia de Processos e de Sistemas de Produção Projetos de Experimento e Confiabilidade de Sistemas da Produção Prof. Claudio Luis C. Frankenberg 3ª parte Conforme foi apresentado
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
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
Métodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
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) 19% b) 20% c) Aproximadamente 13% d) 14% e) Qualquer número menor que 20%
0. Sabe-se que o nível de significância é a probabilidade de cometermos um determinado tipo de erro quando da realização de um teste de hipóteses. Então: a) A escolha ideal seria um nível de significância
EXPERIMENTAÇÃO ZOOTÉCNICA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
EXPERIMENTAÇÃO ZOOTÉCNICA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br TESTES PARA COMPARAÇÃO DE MÉDIAS O teste F permite tirar conclusões muito gerais relacionadas com os
5 Parte experimental Validação analítica
58 5 Parte experimental Validação analítica A validação analítica busca, por meio de evidências objetivas, demonstrar que um método produz resultados confiáveis e adequados ao uso pretendido 40. Para isso,
Princípios em Planejamento e Análise de Dados Ecológicos. Regressão linear. Camila de Toledo Castanho
Princípios em Planejamento e Análise de Dados Ecológicos Regressão linear Camila de Toledo Castanho 217 Conteúdo da aula 1. Regressão linear simples: quando usar 2. A reta de regressão linear 3. Teste
Estatística para Cursos de Engenharia e Informática
Estatística para Cursos de Engenharia e Informática BARBETTA, Pedro Alberto REIS, Marcelo Menezes BORNIA, Antonio Cezar MUDANÇAS E CORREÇOES DA ª EDIÇÃO p. 03, após expressão 4.9: P( A B) = P( B A) p.
Módulo 2 AVALIAÇÃO DA DEMANDA EM TRANSPORTES
Módulo 2 AVALIAÇÃO DA DEMANDA EM TRANSPORTES Conceitos Iniciais Prever é a arte e a ciência de predizer eventos futuros, utilizandose de dados históricos e sua projeção para o futuro, de fatores subjetivos
Estudar a relação entre duas variáveis quantitativas.
Estudar a relação entre duas variáveis quantitativas. Exemplos: Idade e altura das crianças Tempo de prática de esportes e ritmo cardíaco Tempo de estudo e nota na prova Taxa de desemprego e taxa de criminalidade
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
PROBABILIDADE E ESTATÍSTICA INFERÊNCIA ESTATÍSTICA Parte II
PROBABILIDADE E ESTATÍSTICA INFERÊNCIA ESTATÍSTICA Parte II Prof.ª Sheila Regina Oro Projeto Recursos Educacionais Digitais Autores: Bruno Baierle e Maurício Furigo TESTE PARA UMA PROPORÇÃO H0: p = p 0
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
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 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