Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 Pontifícia Universidade Católica de Minas Gerais - IPUC – Instituto Politécnico Disciplina: Ferramentas Aplicadas à Engenharia de Produção II Unidade 3: Planejamento e melhoria do processo com experimentos planejados (cap: 13 Montgomery) Professora: Valéria de Aquino Aquino, valéria •MONTGOMERY, Douglas C.; RUNGER, George C. Estatística aplicada e probabilidade para engenheiros. Rio de Janeiro: LTC - Livros Técnicos e Científicos, 2018. •MONTGOMERY, Douglas C.; RUNGER, George C. Applied Statistics and Probability for engineers, 6th edition. MONTGOMERY, Douglas C. Introdução ao controle estatístico da qualidade. Rio de Janeiro: LTC - Livros Técnicos e Científicos, 2016. 2 REFERÊNCIAS: 3 Características: Dois fatores como A ( a níveis) e B (com b níveis); Experimento com n réplicas; Cada réplica contém ab combinações de tratamentos; Na realização do experimento as abn observações seriam corridas em uma ordem aleatória – Planejamento completamente aleatorizado. Experimento Fatorial 22 Modelo Estatístico Linear: 4 Onde: µ efeito médio global 𝝉𝒊 efeito do i-ésimo nível do fator A 𝜷𝒋 efeito do i-ésimo nível do fator B (𝝉𝜷)𝒊𝒋 efeito da interação entre A e B 𝝐𝒊𝒋𝒌 Componente do erro aleatório ~ N(0, 𝜎 2) Modelo Estatístico Linear 5 Arranjo dos dados para um Planejamento Fatorial com dois fatores Fonte: Montgomery, D. c. Runger, G. C 6 7 SQT= SQA + SQB+ SQAB+SQR 8 SQT SQA SQB SQAB SQR= SQT – SQA – SQB - SQAB SQA – SQB 9 Hipóteses Para testar Análise estatística do modelo Anova com 2 fatores: two way analysis of variance 10 1) Analisar a tabela ANOVA 2) Ajustar modelo de Regressão aos dados 3) Fazer Análise de Resíduo Etapas de análise: 11 Método: Valor p ou p-valor Vp Rejeito Ho Qual é a conclusão? Regra de decisão: Estatística F Se Fo > Fα (G.L; ab (n-1)) Rejeito Ho 12 13 Fonte de Soma de Grau de Quadrado F0 Variação Quadrados liberdade Médio Tabela da ANOVA para um modelo Fatorial com dois fatores, modelo de Efeitos Fixos SQA SQB SQAB QMA QMB QMR SQA SQB SQAB SQE QMAB QMA QMB QMAB QMR SQR SQT QMR QMR Exemplo: As tintas de base ou zarcões (primer) em aviões são aplicadas a superfícies de alumínio por dois métodos – imersão e por spray. O propósito da pintura de base é melhorar a aderência da tinta. Algumas partes podem ter a pintura de base feita por qualquer dos métodos de aplicação. O grupo de Engenharia de Processos responsável por essa operação identificou três zarcões diferentes que podem ser usados com ambos os métodos de aplicação e deseja saber se eles diferem nas suas propriedades de aderência. Um experimento fatorial foi realizado para investigar o efeito do tipo de zarcão e do método de aplicação na aderência da tinta. Três espécimes foram pintados com cada um dos zarcões, usando cada um dos métodos de aplicação. Aplicou-se uma camada de tinta e a força de aderência foi medida. As 18 rodadas desse experimento foram feitas em ordem aleatória. Qual combinação de tinta de base e método de aplicação produz a mais alta força de aderência? AQUINO, V. 14 15 Dados Variável resposta: Fator (es): Quantidade de níveis: Número de réplicas: Quantas combinações de tratamentos: Tipo de zarcão IMERSÃO Spray Yi. MÉTODO DE APLICAÇÃO Fontes de Variação G.L. Soma dos Quadrados Quadrado Médio Fo Valor p Tipo zarcão 2 4,5811 2,2956 27,86 0,000 Método aplicação 1 4,9089 4,90889 59,70 0,000 Interação entre 2 fatores 2 0,2411 0,12056 1,47 0,269 Erro (residual) 12 0,9867 0,08222 Total 17 10,7178 TABELA ANOVA 16 Regra de decisão: Se Fo > Fα (G.L; ab (n-1)) rejeito Ho. Qual é a conclusão pelo Fo? 17 18 Regra de decisão: Se Fo > Fα (G.L; ab (n-1)) rejeito Ho. 19 Os efeitos tipo de zarcão e método de aplicação afetam a força de adesão? Utilize o nível de significância α igual a 5%. Método: Valor p ou p-valor Vp Rejeito Ho Qual é a conclusão pelo valor p? 20 21 Força média de adesão vs tipo de zarcão para ambos os métodos de aplicação Quando ambos os fatores são fixos pode-se fazer comparações entre as médias individuais de cada fator usando qualquer técnica de comparação múltipla (MDS de Fisher). 22 Verificação da adequação do modelo – Análise de Resíduos 23 24 25 Relação entre os coeficientes de Regressão e efeitos dos fatores 2 ˆ Efeito= =0̂ Médias globais 26 Verificação da adequação do modelo – Análise de Resíduos E= Y- 𝒀 Objetivos: ✓ Validar as conclusões obtidas pela ANOVA. ✓ Fornecer um modelo a ser utilizado na fase de otimização da variável resposta. 27 Ordem tipo zarcao método aplicação Força de aderência AJUSTES1 RESÍ1 1 1 1 4 4,2667 -0,2667 2 1 2 5,4 5,3000 0,1000 3 2 1 5,6 5,3000 0,3000 4 2 2 5,8 6,0667 -0,2667 5 3 1 3,8 3,8333 -0,0333 6 3 2 5,5 5,1667 0,3333 7 1 1 4,5 4,2667 0,2333 8 1 2 4,9 5,3000 -0,4000 9 2 1 4,9 5,3000 -0,4000 10 2 2 6,1 6,0667 0,0333 11 3 1 3,7 3,8333 -0,1333 12 3 2 5 5,1667 -0,1667 13 1 1 4,3 4,2667 0,0333 14 1 2 5,6 5,3000 0,3000 15 2 1 5,4 5,3000 0,1000 16 2 2 6,3 6,0667 0,2333 17 3 1 4 3,8333 0,1667 18 3 2 5 5,1667 -0,1667 28 1) Analisar a tabela ANOVA 2) Ajustar modelo de Regressão aos dados 3) Fazer Análise de Resíduo Etapas de análise: 29 Gráfico do resíduo vs ajustado Verificação da adequação do modelo – Análise de Resíduos 30 Resíduo vs tipo de zarcão Tipo de zarcão 30 Verificação da adequação do modelo – Análise de Resíduos 31 Resíduo vs método de aplicação Método de aplicação 31 Verificação da adequação do modelo – Análise de Resíduos 32Gráfico de Probabilidade Normal Verificação da adequação do modelo – Análise de Resíduos 33Gráfico de Probabilidade Normal Verificação da adequação do modelo – Análise de Resíduos 34 Verificação da adequação do modelo – Análise de Resíduos Gráfico de Resíduo em ordem temporal AQUINO, Valéria, 2020 35 Modelo de Regressão Linear Simples Modelo de Regressão Linear Múltipla Regressão Linear X Y Q P 36 Y X b1= inclinação Reta de Regressão b0= intercepto b1X b0 Y += 37 • O modelo é composto de: • Uma variável dependente (Y) Variável objeto das previsões • Uma ou mais variáveis independentes numéricas (X). Usado basicamente para fazer previsões quando existir relação entre as variáveis. Modelo de Regressão Linear 38 39 • Inclinação – b1: Mudança esperada em Y para 1 unidade de variação em X; • Intercepto – b0: Valor médio de Y quando X=0 Interpretação dos coeficientes Cálculo dos coeficientes 221 1ˆ Xnx YXnxy b i − − == Sxx Sxy XYb 10 ˆ0ˆ −== 40 4141 70,069,569,068,568,0 20 15 10 5 0 temp. P e rc .q u e b ra Fitted Line Plot Perc.quebra = - 618,4 + 9,045 temp. 41 Resultados da regressão Regression Analysis: Perc.quebra versus temp. The regression equation is Perc.quebra = - 618 + 9,05 temp. Predictor Coef SE Coef T P Constant -618,41 69,50 -8,90 0,000 temp. 9,045 1,007 8,98 0,000 42 43 • Examinar as estatísticas do modelo; • Testar a significância dos parâmetros (TH); • Análise de resíduos Presença de “outliers” Violação das suposições Avaliação do Modelo
Compartilhar