Baixe o app para aproveitar ainda mais
Prévia do material em texto
Planejamento de Experimentos - Software STATISTICA® - 1 UNIVERSIDADE FEDERAL DO TRIÂNGULO MINEIRO Departamento de Engenharia Química DISTRIBUIÇÃO NORMAL PADRONIZADA Distribuição Normal Padronizada Distribuição Normal Padronizada P {Z>1}= 0,1587 P {Z<-1}= 0,1587 P {|Z|>1}= 0,3174 P {Z>2}= 0,02275 P {Z<-2}= 0,02275 P {|Z|>2}= 0,0455 Distribuição Normal Padronizada Ex. 2: P{-0,15<Z<1,60} P{ Z<- 0,15}=0,4404 (área em vermelho) e P{Z>1,60}=0,0548 (área em vermelho) P{-0,15<Z<1,60}= 1-(0,4404+0,0548)= 0,5048 -0,15 1,6 Distribuição Normal Padronizada Ex. 3: Sendo y~N (4; (0,3)2), calcular P{y>4,4}=P{Z>Z0} P{Z>1,33}=0,0918 (tabela) 0 (4,4 4) 1,33 0,3 Z − = = X: valor de referência Distribuição Normal Padronizada Ex. 4: Dados: n=7 observações; s=0,3; y0=4,4; η=4; Qual é a P{y>y0}?} P{t>1,33}=0,1228 (por interpolação na tabela) 0 (4,4 4) 1,33 0,3 t − = = Distribuição t de Student DISTRIBUIÇÃO t de STUDENT Ex. 5: P{-b<t<b}=0,90; grau de liberdade = 9; a=0,1 b=t α/2 = t0,05 Da Tabela: b=1,833 Distribuição t de Student 90% TESTE DE HIPÓTESE: H0=nulidade e H1=hipótese alternativa. Para H1: I: Se η>η0; então Z≥Zα; II: Se η<η0; então Z≤-Zα; III: Se η≠η0; então |Z|≥Zα/2 Teste de Hipótese Região vermelha é região de REJEIÇÃO de H0. Ex. 6: Uma mistura de concreto leva em média 15 h no processo de secagem usando um método tradicional de mistura. Uma nova mistura é considerada superior, ie, reduz o tempo de secagem. Para testar essa afirmação, a nova mistura é aplicada a 70 construções padronizadas. Seja η o tempo médio de secagem, considerar α=0.025, para =14,6 h e s=3,0. Solução: No Statistica®, Teste de Hipótese Teste de Hipótese H0: η≥15 h H1: η<15 h = η<η0 então Z≤-Zα (unicaudal); Da tabela, -Zα =-Z0,025=-1,96 Resposta: Fora da região de rejeição de H0, então H0 é verdadeira. O método tradicional é melhor. 12,1 70/3,0 156,14 / Z 0 −= − = − = ns y obs 0,1342>0,025 , logo está FORA da região de rejeição de H0 -1,96 -1,12 RRH0 RAH0 Ex. 7: Verificar se η≠1,9 para α=0,05, para os dados: =1,715 h; n=40; s=0,475. Solução: H0: η=1,9 h H1: η≠1,9 h então |Z|≥ Zα , |Z|≥ Z0,025 (bicaudal); Da tabela, Zα =Z0,025=1,96 está dentro da região de rejeição de H0. Logo, H1 é verdadeira, η≠η0; Teste de Hipótese y 0 1,715 1,9 2,4632 / 0,475 / 40 obs y Z s n − − = = = − -1,96 1,96-2,46 RRH0 RAH0 RRH0 Z obs 0,0183<0,05 , logo está DENTRO da região de rejeição de H0 Teste de Hipótese Ex. 8: Um departamento de saneamento municipal de uma cidade quer determinar se a média de bactérias por volume de água de uma praia está dentro do nível de segurança de 200 bactérias por unidade de volume. Um engenheiro seleciona aleatoriamente 10 amostras de água e encontram-se os seguintes resultados: 174 190 215 198 187 207 210 191 196 180 Os dados indicam alguma preocupação? Considerar α=0,01. Solução: H0: η≥200 H1: η<200 = η<η0; então t<-tα ; Da tabela, - tα =-t0,01=-2,821 Conclusão: Fora da região de rejeição de H0, então H0 é verdadeira. Os dados indicam preocupação. Não liberar a praia. Teste de Hipótese 251,1 10/14,13 2008,194 / t 0 −= − = − = ns y obs -2,821 -1,251 RRH0 RAH0 Solução: No Statistica®, Teste de Hipótese 0,1208>0,01 , logo está FORA da região de rejeição de H0. Logo, aceita H0 (ƞ≥200) e não deve liberar a praia INTERVALO DE CONFIANÇA Ex. 9: Construir um intervalo de confiança de 95 %. Ex. 10: Uma nova liga metálica é planejada para ser utilizada na indústria aeronáutica. As medidas de durabilidade são feitas em 15 peças da liga metálica A com média amostral de 39,3 e desvio padrão de 2,6. Construir um intervalo de confiança de 90%. Com a=0,10, logo, procura-se t0,05 (=1,761 da tabela) Substituindo, temos: Temos confiança de 90% de que a durabilidade encontra-se entre 38,12 e 40,48. Intervalo de Confiança 0,025 1,96 1,96 / / / 2 2 0,025 -Z Z -Z Z - y y y n n n a a − − − = = + ,961y ,961-y nn = n s tIC 2%90 y a ( )48,40;12,38%90 =IC Ex. 11: Calcular intervalo de confiança para os dados: 15 14 13 17 15,5 14,5 16,7 18 12,9 13 Intervalo de Confiança Digitar os dados no Statistica Intervalo de Confiança 1º 2º 3º Teste de Hipóteses entre duas amostras Ex. 1: Um engenheiro civil quer comparar os índices de resistência de dois tipos diferentes de madeira usadas na construção civil. Para isso, ele seleciona duas a.a. com 100 corpos de prova de cada tipo de madeira e mede suas resistências. A média amostral e o desvio padrão de cada grupo é dado abaixo. Há diferença entre as resistências? IC. 95%: {0,52; 3,88} – Atenção, o zero não faz parte desse intervalo. Isso significa que não há possibilidade de serem iguais Solução: O teste de Hipóteses: H0: ηA - ηB = 0 H1: ηA - ηB ≠ 0 (É diferente?) Teste de Hipóteses entre duas amostras A B Média amostral 20,7 18,5 Desvio padrão 6,3 5,8 Tamanho da amostra 100 100 Madeira Na sala de aula: Para a=0,05, temos Z0,025=1,96 (tabela) No Statistica: Conclusão: Existe diferença de resistências entre as amostras de madeira. Teste de Hipóteses entre duas amostras 2 2 2 2 1 2 1 2 ( ) 20,7 18,5 0 2,569 6,3 5,8 100 100 A Bx yZ s s n n − − − − − = = = ++ -1,96 1,96 2,569 RRH0 RAH0 RRH0 DENTRO da região de rejeição de H0 (p=0,0109)<(a=0,05)→DENTRO da RRH0 Ex. 2: Um experimento é conduzido num laboratório para verificar se 2 métodos diferentes de tratamento de madeiras produzem índices de resistência diferentes. Para isso, 25 corpos de prova tirados de uma mesma tora são divididos aleatoriamente para receber os dois tratamentos e os índices de resistência são calculados após 3 semanas de tratamento. Obter um IC de 95% para a diferença das médias. Solução: Tratamento 1: ; ; n1=13 ; Tratamento 2: ; ; n2=12 ; ; t0,025=2,069 (tabela: GL=23) IC 95% p/ƞ1 –ƞ2 ={2,90 6,92}={-4,024;9,82} Teste de Hipóteses entre duas amostras Tratamento 1 44 44 56 46 47 38 58 53 49 35 46 30 41 Tratamento 2 35 47 55 19 40 39 32 41 42 57 51 39 Índice de Resistência 45,15x = 2 1 63,97s = 13 2 1 ( ) 767,69i i x x = − = 42,25y = 21 76,39s = 12 2 1 ( ) 840,2i i y y = − = 13 12 2 2 2 1 1 1 2 ( ) ( ) 767,69 840,25 69,9 2 23 i i i i p x x y y s n n = = − + − + = = = + − 8,36ps = O teste de hipóteses (p/ a=0,05) H0: η1- η2 = 0 H1: η1- η2 ≠ 0 (É diferente?) No Statistica: Conclusão: As amostras têm índices de resistências iguais. Teste de Hipóteses entre duas amostras -2,069 2,0690,867 RRH0 RAH0 RRH0 1 2 1 2 ( ) ( ) 45,15 42,25 0,867 1 1 1 1 8,36 13 12 p x y t s n n − − − − = = = + + FORA da região de rejeição de H0 (p=0,3952)>(a=0,05)→FORA da RRH0 Ex. 3: Dos dados de produção industrial da Tabela 1 da apostila, assumindo a mesma variância populacional para os dois processos de fabricação A e B, realizar um teste de hipótese a fim de verificar se B é melhor que A. Solução: Na sala de aula: O teste de hipótese (para a=0,05) H0: ƞB ≤ ƞA → ƞB - ƞA ≤ 0 H1: ƞB > ƞA → ƞB - ƞA > 0 ; t0,05=1,734 (tabela: GL=18) Teste de Hipóteses entre duas amostras 13 12 2 2 2 1 1 ( ) ( ) 75,784 119,9 10,87 2 18 A A B B i i p A B x x y y s n n = = − + − + = = = + − 3,297ps = 1 2 1 2 ( ) ( ) 85,54 84,24 0,88 1 1 1 1 3,297 10 10 obs p x y t s n n − − − − = = = + + 1,7340,88 RAH0 RRH0 FORA da região de rejeição de H0 No Statistica: Teste de Hipóteses entre duas amostras 0,050,1948 RAH0 RRH0 (p=0,1948)>(a=0,05) → FORA da RRH0. Logo, H0 é verdadeira, ou seja, B não é melhor que A. EXERCÍCIO DA LISTA 1 Ex. 2: Uma reação química foi estudada considerando 10 ensaios com um novo método (B) e 10 ensaios com o método tradicional (A).Os dados obtidos são: Teste deHipóteses entre duas amostras Método A Ordem Temporal A Método B Ordem Temporal B 1 54,6 16 1 74,9 12 2 51,5 18 2 66,5 7 3 45,8 10 3 78,3 19 4 50,7 9 4 73,5 4 5 57,4 11 5 80,4 14 6 64,5 15 6 81,0 17 7 40,1 2 7 58,7 6 8 52,6 1 8 73,7 13 9 56,3 20 9 68,1 8 10 48,6 5 10 64,7 3 Teste de Hipóteses entre duas amostras O que dizer desses dados? Comparação de mais de dois Tratamentos Ex. 2- 2ª LISTA: Uma amostra aleatória de 48 unidades foi selecionada de um depósito. Esta amostra foi por sua vez dividida aleatoriamente em 3 amostras (A, B, C) de tamanho 16. Cada uma dessas amostras recebeu um tratamento diferente: A – nada foi feito. B – submersa em água. C – lançada a uma dada altura. Todas as amostras foram testadas, obtendo os seguintes resultados: One-way: tratamento Faça uma análise estatística. Existe algum efeito de tratamento? Comparação de mais de dois Tratamentos 0,38 0,26 0,41 0,33 0,33 0,37 0,54 0,76 0,51 0,55 0,53 0,41 0,47 0,49 0,42 0,34 0,53 0,35 0,38 0,45 1,09 0,46 0,57 0,47 0,39 0,74 0,32 0,74 0,48 0,37 0,52 0,44 0,51 0,63 0,46 0,47 0,42 0,45 0,41 0,39 0,35 0,41 0,49 0,4 0,58 0,46 0,38 0,48 A B C QUADRO DE ANOVA: 1º- Digitar a tabela seguinte: Clica 2 vezes Comparação de mais de dois Tratamentos Quadro de ANOVA no Statistica: Comparação de mais de dois Tratamentos 1º 2º 3º 4º Comparação de mais de dois Tratamentos Quadro de ANOVA no Statistica: 1º 2º 3º Comparação de mais de dois Tratamentos Quadro de ANOVA no Statistica: Gera o quadro de ANOVA p>0,05 fora da região de rejeição de H0 (ƞA=ƞB=ƞC), logo os tratamentos são estatisticamente iguais SQ QM Razão QM Interação entre variáveis Interação entre variáveis Ex. 5 (Lista 2): Os dados a seguir representam os números de unidades padronizadas por dia por operadores diferentes em máquinas diferentes. Cada operador usou cada máquina em 2 dias diferentes. Analisar estes dados. Foram necessários 84 dias para obter esses dados. Os números entre parênteses se referem aos dias em que os resultados foram obtidos. Por exemplo, no 1º dia o operador A produziu 17 unidades usando a máquina 2, e no 84º dia o operador A produziu 18 unidades usando a máquina 5. Fazer uma análise estatística estabelecendo as suposições necessárias. Verificar se existe efeito de interações. Réplica: permite verificar se há interação entre as variáveis COMO DIGITAR ESSES DADOS? Interação entre variáveis QUADRO DE ANOVA: 1º- Digitar a tabela seguinte: Interação entre variáveis QUADRO DE ANOVA: 1º- Digitar a tabela seguinte: 1º 2º 3º 4º Interação entre variáveis QUADRO DE ANOVA: 1º- Digitar a tabela seguinte: 1º 2º 3º Interação entre as variáveis Interação entre variáveis QUADRO DE ANOVA: 1º- Digitar a tabela seguinte: Gera o quadro de ANOVA p>0,05 fora da região de rejeição de H0 (ƞA=ƞB=ƞC), logo as máquinas tem produção estatisticamente iguais e não tem interação entre os efeitos de operador e máquina. p<0,05 dentro da região de rejeição de H0, logo os operadores apresentam rendimentos diferentes. Planejamento Fatorial Planejamento Fatorial Construir uma matriz de planejamento fatorial 32 e 23 (Ex. 2 da 3ª lista). Planejamento 32: 32 = 9 experimentos Planejamento Fatorial Planejamento fatorial 32 1º 2º Conferir Planejamento Fatorial 23 = 8 experimentos Planejamento fatorial 23 Planejamento Fatorial Conferir 1º 2º Planejamento fatorial 23 Planejamento Fatorial Análise de efeitos de um planejamento fatorial 23. Verificar se há efeito de alguma variável sobre o resultado ou se a interação entre as variáveis é significativa. 1 - - - 60 2 + - - 72 3 - + - 54 4 + + - 68 5 - - + 52 6 + - + 83 7 - + + 45 8 + + + 80 Experimento T (C) temperatura C (%) concentração K (A ou B) catalisador y (Produto) Como digitar esses dados no Statistica? Planejamento Fatorial Análise de efeitos de um planejamento fatorial 23 1º 2º Planejamento Fatorial Análise de efeitos de um planejamento fatorial 23 1º 2º 3º Planejamento Fatorial Análise de efeitos de um planejamento fatorial 23 1º 2º Conferir Planejamento Fatorial Análise de efeitos de um planejamento fatorial 23 Tabela de efeitos Será que só a variável 1 e a interação 1 e 3 são significativas? O que dizer das demais? O que dizer da variável 2, com nível tão próximo dos 5%? Antes de concluirmos é necessário analisar um gráfico desses efeitos. ? Planejamento Fatorial Análise de efeitos de um planejamento fatorial 23 Tabela de efeitos 1º 2º Planejamento Fatorial Análise de efeitos de um planejamento fatorial 23 Gráfico da distribuição normal dos efeitos (2)C 2by3 (3)K1by2 1by3 (1)T -20 -10 0 10 20 30 40 50 60 - Interactions - Main effects and other effects Standardized Effects (t-values) -3,0 -2,5 -2,0 -1,5 -1,0 -0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0 E x p e c te d N o rm a l V a lu e ,01 ,05 ,15 ,35 ,55 ,75 ,95 ,99Estão próximos de zero, o que quer dizer que são da mesma ordem de medida do erro Planejamento Fatorial Análise de efeitos de um planejamento fatorial 23 Tabela de efeitos 1º 2º 3º 4º 5º 6º Planejamento Fatorial Análise de efeitos de um planejamento fatorial 23 Nova planilha de efeitos: Eliminando o efeito de interação 2 com 3, a variável 2 (concentração) passa a ser significativa. Repetir o mesmo procedimento de eliminação dos efeitos que não são significativos (variável 3 e interação 1 com 2) um a um. O efeito é o dobro do parâmetro. O valor do efeito é o quanto a resposta vai variar se a variável “x” sair do nível -1 e ir até o nível +1. Planejamento Fatorial Análise de efeitos de um planejamento fatorial 23 Nova planilha de efeitos: Clicar segurando o ctrl para não desmarcar o efeito já eliminado Conclui-se que as variáveis 1 (temperatura), 2 (concentração) e a interação da variável 1 com 3 são significativas Eliminando a variável 3 Eliminando a variável interação 1 com 2 Análise de Regressão Exemplo: Digitar os dados no Statistica. Análise de Regressão Tratamento dos dados: Análise de Regressão Tratamento dos dados: Análise de Regressão Tratamento dos dados: Análise de Regressão Tratamento dos dados: Resultados da regressão: Note que X2, X4, X5 e X6 possuem desvios padrões maiores que os próprios parâmetros. X3 pode ser considerado significativo pois seu valor de p está muito próximo de 0,05 (0,069925). Quadro de ANOVA: Análise de Regressão Tratamento dos dados: Análise de Regressão Tratamento dos dados: Análise de Regressão Trabalhar com estas ferramentas. Tratamento dos dados: Como obter os coeficientes da regressão para o modelo reduzido? Ou seja, considerando X1 e X3? Análise de Regressão Tratamento dos dados: Como obter os coeficientes da regressão para o modelo reduzido? Ou seja, considerando X1 e X3? Análise de Regressão Tratamento dos dados: Resultados da regressão: Quadro de ANOVA: Equação para o modelo reduzido: Análise de Regressão * 1 3 ˆ 9,871 0,643 0,211 (7,06) (0,118) (0,134) y X X desvios padrões = + + + Ex. 3 (5ª Lista): Ajustar um modelo adequado para os dados abaixo. Escrever todas as conclusões que você considera apropriadas (sem interação). Estabelecer as suposições (testar um modelo reduzido). Análise de Regressão Ex. 3 (5ª Lista): Análise de Regressão Ex. 3 (5ª Lista): Análise de Regressão Ex. 3 (5ª Lista): Análise de Regressão Ex. 3 (5ª Lista): Resultados da regressão: Quadro de ANOVA: Análise de Regressão Ex. 3 (5ª Lista): Análise de Regressão Ex. 3 (5ª Lista): Análise de Regressão Ex. 3 (5ª Lista): Análise de Regressão Normal Probability Plot of Residuals -1,2 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 Residuals -2,0 -1,5 -1,0 -0,5 0,0 0,5 1,0 1,5 2,0 E x p e c te d N o rm a l V a lu e Ex. 3 (5ª Lista): Análise de Regressão Ex. 3 (5ª Lista): Análisede Regressão Predicted vs. Residual Scores Dependent variable: y 3 4 5 6 7 8 9 10 11 Predicted Values -1,2 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 R e s id u a ls 95% confidence Planejamentos Fatoriais e Regressão Exercício 1: a) Fazer uma matriz de planejamento 2k, sendo k=2; b) Fazer uma matriz de planejamento 27, de resolução III (27-4III); c) Fazer uma matriz de planejamento 32; d) Fazer uma matriz de planejamento 33; Exercício 2: Montar um Planejamento Composto Central (PCC) com três variáveis independentes e com três réplicas no ponto central. Usar o a de ortogonalidade. Planejamentos Fatoriais e Regressão Exercício 2: Planejamentos Fatoriais e Regressão Exercício 2: Planejamentos Fatoriais e Regressão Conferir Exercício 2: Planejamentos Fatoriais e Regressão 1º Exercício 2: Planejamentos Fatoriais e Regressão Exercício 3: Montar uma superfície de resposta usando os dados abaixo e escrever a equação do modelo completo: Planejamentos Fatoriais e Regressão Exercício 3: Tratamento dos dados: Planejamentos Fatoriais e Regressão Tratamento dos dados: Planejamentos Fatoriais e Regressão 1º 2º 3º Tratamento dos dados: Planejamentos Fatoriais e Regressão Tratamento dos dados: Planejamentos Fatoriais e Regressão Quadro de ANOVA: Tratamento dos dados: Gráfico de Pareto: Planejamentos Fatoriais e Regressão Pareto Chart of Standardized Effects; Variable: Y 2 factors, 1 Blocks, 12 Runs; MS Residual=4,014734 DV: Y ,5109828 -1,9533 -2,70664 -3,90611 -4,86605 p=,05 Standardized Effect Estimate (Absolute Value) (2)X2(L) (1)X1(L) X1(Q) X2(Q) 1Lby2L Valor de t de Student Tratamento dos dados: Planejamentos Fatoriais e Regressão Eliminando os efeitos não significativos (X2 Q e X1 L) um a um, temos: Tratamento dos dados: Planejamentos Fatoriais e Regressão Tratamento dos dados: Planejamentos Fatoriais e Regressão i) Qual é o procedimento para obter a equação do modelo completo? ii) Como fazer a superfície de resposta? 1º 2º Tratamento dos dados: Planejamentos Fatoriais e Regressão i) Qual é o procedimento para obter a equação do modelo completo? 2 2 1 2 1 2 1 287,37 1,38 0,36 2,14 3,09 4,88Y X X X X X X= − + − − − Equação do modelo completo: Equação do modelo reduzido: 2 2 1 2 1 287,37 2,14 3,09 4,88Y X X X X= − − − Tratamento dos dados: Planejamentos Fatoriais e Regressão ii) Como fazer a superfície de resposta? 1º 2º Planejamentos Fatoriais e Regressão Superfície de resposta para o modelo completo 2 2 1 2 1 2 1 287,37 1,38 0,36 2,14 3,09 4,88Y X X X X X X= − + − − − Superfície de resposta para o modelo reduzido 2 2 1 2 1 287,37 2,14 3,09 4,88Y X X X X= − − − Exercício 4: Montar as superfícies de resposta usando os dados abaixo e escrever a equação do modelo completo: Planejamentos Fatoriais e Regressão Exercício 3: Tratamento dos dados: Planejamentos Fatoriais e Regressão Tratamento dos dados: Planejamentos Fatoriais e Regressão 1º 2º 3º Tratamento dos dados: Planejamentos Fatoriais e Regressão Tratamento dos dados: Planejamentos Fatoriais e Regressão Quadro de ANOVA: Tratamento dos dados: Planejamentos Fatoriais e Regressão Eliminando os efeitos não-significativos um a um: Tratamento dos dados: Planejamentos Fatoriais e Regressão i) Obter a equação do modelo completo. ii) Fazer as superfícies de resposta. 1º 2º Tratamento dos dados: Planejamentos Fatoriais e Regressão i) Obter a equação do modelo completo. ii) Fazer as superfícies de resposta. 2 2 3 1 2 3 1 2 3 1 2 1 3 2 310,16 1,10 0,09 1,02 0,76 1,04 1,15 0,35 0,50 0,15Y X X X X X X X X X X X X= − + + − − − − − + Equação do modelo completo: Equação do modelo reduzido: 2 2 2 1 3 1 2 310,16 1,10 1,02 0,76 1,04 1,15Y X X X X X= − + − − − Tratamento dos dados: Planejamentos Fatoriais e Regressão Obtenção das superfícies de resposta: 1º 2º Planejamentos Fatoriais e Regressão Obtenção das superfícies de resposta: 2 2 1 2 1 2 1 210,16 1,10 0,09 0,76 1,04 0,35Y X X X X X X= − + − − − Equação do modelo completo para X1 vs X2: Planejamentos Fatoriais e Regressão Obtenção das superfícies de resposta: 2 3 1 3 1 3 1 310,16 1,10 1,02 0,76 1,15 0,50Y X X X X X X= − + − − − Equação do modelo completo para X1 vs X3: Planejamentos Fatoriais e Regressão Obtenção das superfícies de resposta: 2 3 2 3 2 3 2 310,16 0,09 1,02 1,04 1,15 0,15Y X X X X X X= + + − − + Equação do modelo completo para X2 vs X3: Planejamentos Fatoriais e Regressão Para o modelo reduzido (eliminando os efeitos não significativos): Equação do modelo reduzido para X1 vs X2: 2 2 1 1 210,16 1,10 0,76 1,04Y X X X= − − − Planejamentos Fatoriais e Regressão Equação do modelo reduzido para X1 vs X3: 2 2 1 3 1 310,16 1,10 1,02 0,76 1,15Y X X X X= − + − − Para o modelo reduzido (eliminando os efeitos não significativos): Planejamentos Fatoriais e Regressão Equação do modelo reduzido para X2 vs X3: 2 2 3 2 310,16 1,02 1,04 1,15Y X X X= + − − Para o modelo reduzido (eliminando os efeitos não significativos): Regressão não-linear (estimação de parâmetros) Regressão não-linear (estimação de parâmetros) Seguem os dados referente a um peneiramento de areia: Dentre os modelos de distribuição granulométrica disponíveis, qual melhor se ajusta aos dados acima? Regressão não-linear (estimação de parâmetros) Modelos de Distribuição Granulométrica Os modelos a 2 parâmetros de Gates-Gaudin-Shaumann (GGS), Rosin- Rammler-Bennet (RRB), Log-Normal (LN) e Sigmóide descrevem satisfatoriamente a maioria dos casos de interesse tecnológico. GGS: , k e m são parâmetros RRB: , D’ e n são parâmetros m D X k = '1 n D DX e − = − k X 1 X 1 D Regressão não-linear (estimação de parâmetros) Modelos de Distribuição Granulométrica Log-Normal: , D50 e δ são parâmetros Onde: e Obs: A função erro (erf(Z)) é tabelada Sigmóide: , D50 e p são parâmetros. 501 ( ) , onde ln 2 2 ln D erf Z D X Z + = = 50 1 1 p X D D = + X D p>1 p<1 84,1 50 50 15,9 D D D D = = 2 0 2 ( ) exp( ) Z erf Z y dy= − Regressão não-linear (estimação de parâmetros) Testar qual dos modelos (GGS ou RRB) melhor se ajusta aos dados de distribuição granulométrica apresentado anteriormente. Digitar a seguinte tabela no Statistica e plotar o gráfico: 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8 2,0 2,2 2,4 2,6 D (mm) 0,0 0,2 0,4 0,6 0,8 1,0 X Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo GGS Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo GGS Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo GGS 2º 1º: Digitar a equação do modelo m D X k = k X 1 Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo GGS Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo GGS Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo GGS R2 Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo GGS Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo GGS Regressão não-linear (estimação de parâmetros) Regressão não-linear n o Statistica: Modelo GGS Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo GGS Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo RRB Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo RRB Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo RRB 2º 1º: Digitar a equação do modelo '1 n D DX e − = − X 1 D Regressãonão-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo RRB Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo RRB Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo RRB R2 R2GGS=0,9727786 Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo RRB Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo RRB Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo RRB Regressão não-linear (estimação de parâmetros) Regressão não-linear no Statistica: Modelo RRB Regressão não-linear (estimação de parâmetros) Conclusão: GGS: RRB: Da análise feita anteriormente, conclui-se que o modelo RRB se ajusta melhor aos dados experimentais da distribuição granulométrica. 1,078 2 0,9727786 2,329 D X r = = , 1,903 1,322 21 0,99860387 D X e r − = − =,
Compartilhar