MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOSrodrigo/Disciplinas/MOQ14/S01.pdf · de física, química,...
Transcript of MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOSrodrigo/Disciplinas/MOQ14/S01.pdf · de física, química,...
MOQ-14
PROJETO e ANÁLISE de
EXPERIMENTOS
Professor: Rodrigo A. Scarpel
www.mec.ita.br/~rodrigo
Princípios de criação de modelos empíricos:
Nos modelos matemáticos, os fatores importantes de um sistema são
representados por um conjunto de equações. Tipos de modelos matemáticos:
Modelos determinísticos (mecanísticos): baseados no conhecimento
de física, química, engenharia do fenômenos, …
Modelos estocásticos (empíricos): construídos relacionando as
variáveis baseando-se apenas nos dados observados.
Análise de regressão: lida com a investigação da relação entre duas ou mais
variáveis relacionadas de forma não determinística (estocástica ou empírica).
Modelos (matemáticos, lógicos, …) são
comumente utilizados na formulação e
resolução de problemas.
Análise de Regressão:
Utilizada na criação de modelos empíricos com algum dos objetivos:
Análise estrutural (determinar os fatores mais importantes)
Fazer inferências (testar, estatísticamente, hipóteses)
Criar previsões (análises “se-então”)
Exemplos: casos em que queremos prever o valor de uma variável (chamada
variável dependente) utilizando o valor de outra variável (chamada de
variável independente):
VARIÁVEL DEPENDENTE VARIÁVEL INDEPENDENTE
VENDAS DE UM PRODUTO PREÇO DO PRODUTO
VENDAS DE UM PRODUTO GASTOS COM PROMOÇÃO
CUSTO TOTAL DE PRODUÇÃO UNIDADES PRODUZIDAS
VOLUME DE EMPRÉSTIMOS TAXA DE JUROS PRATICADA
VENDAS DE UM PRODUTO TEMPO
Processo de experimentação:
Experimentação pode ser visto como um teste, ou uma série de testes, nos
quais mudanças propostas são aplicadas nas variáveis de entrada de um
processo ou sistema, para então se observar e identificar as mudanças
ocorridas nas variáveis de saída.
A experimentação é feita de forma seqüencial:
1. O primeiro experimento em um sistema complexo (possui muitas
variáveis de controle) é um piloto (screening experiment). É utilizado
na identificação das variáveis mais importantes.
2. Experimentos subseqüentes são feitos para refinar a informação e
determinar quais ajustes nas variáveis críticas são necessários para
melhorar o sistema.
3. Otimização: é o objetivo final da experimentação. Consiste em
determinar os níveis ótimos das variáveis críticas (resultarão no sistema
com a melhor performance possível).
Processo de experimentação:
Exemplo:
Processo de experimentação:
1. Primeiro experimento: identificar os fatores controláveis (X) que mais
impactam em cada uma das saídas (Y).
2. Segundo experimento: refinar a informação e obter um modelo
matemático que relacione X e Y (superfície de resposta).
3. Otimização: determinar os níveis ótimos dos fatores críticos de forma a
obter o melhor processo possível (mono ou multiobjetivo).
Processo
...
x1 x2 x3x4
xp
Fatores Controláveis
...
z1 z2 z3z4
zq
Fatores Incontroláveis
(ruídos)
Entrada Saída
y1
y2
y3
y4
ym
...
Processo
...
x1 x2 x3x4
xp
Fatores Controláveis
...
z1 z2 z3z4
zq
Fatores Incontroláveis
(ruídos)
Entrada Saída
y1
y2
y3
y4
ym
...
Processo: Moldagem Plástica
X: Tempo de injeção, tempo de
resfriamento, temperatura do molde,
velocidade e pressão de injeção
Y: Rebarba, Deformação, Falha
Z: Operador
Processo de experimentação:
Atividades de um processo de experimentação:
1. Conjectura: a hipótese original que motiva o experimento
2. Definir os objetivos do experimento (piloto, refinamento, otimização)
3. Escolha dos fatores controláveis e seus níveis
4. Seleção da(s) variável(is) de resposta
5. Projeto de experimento: teste(s) para investigar a conjectura
6. Realização do experimento: coleta dos dados
7. Análise dos dados: métodos analíticos (estatísticos) e de otimização
aplicados aos dados
8. Conclusões e recomendações: o que foi aprendido em relação a
conjectura.
Programa do curso:
Semana Conteúdo
1 Apresentação da disciplina. Princípios de modelos lineares de regressão. Correlação amostral.
2 Regressão linear simples: hipóteses do modelo, estimação de parâmetros, propriedades e inferência dos estimadores.
3 Análise de variância (ANOVA) em regressão. Intervalos de confiança e de previsão. Análise dos resíduos.
4 Diagnósticos e reparação de problemas em regressão. Transformações.
5 Regressão linear forma matricial: estimação dos parâmetros, inferência dos estimadores, intervalos de confiança.
6 Prova
7Princípios de regressão linear múltipla. Diagnósticos e reparação dos problemas em regressão linear múltipla.
Multicolinearidade e seus efeitos.
8 Seleção de variáveis. Modelos polinomiais. Modelos com variáveis qualitativas.
9Introdução ao projeto de experimentos: estratégia de experimentação, princípios básicos e aplicações típicas.
Experimentos inteiramente casualizados. Análise de variância.
10 Experimentos fatoriais com dois ou mais fatores.
11 Experimentos fatoriais 2k. Pontos centrais.
12 Experimentos em blocos casualizados. blocagem em experimentos 2k.
13 Prova
14 Experimentos fatoriais fracionados.
15 Experimentos com fatores quantitativos. Métodos de superfície de resposta.
16 Otimização de produtos e processos. Projetos robustos.
Walpole, R., Myers, R., Myers, S. e Ye, K. (2009), Probabilidade e
Estatística para engenharia e ciências, 8a edição, Pearson.
Montgomery, D.C. and Runger, G.C. , Applied Statistics and
Probability for Engineers,3rd edition, John Wiley, 2002.
Montgomery, D.C., Design and analysis of experiments,6th edition,
John Wiley, 2005.
Site:
http:// www.mec.ita.br/~rodrigo/
Bibliografia:
Avaliação:
• Primeiro bimestre: 1 prova (70%) + 1 trabalho individual (30%)
• Segundo bimestre: 1 prova (70%) + relatórios dos laboratórios (30%)
• Exame: 1 Trabalho (individual)
Professor: Rodrigo A. Scarpel
www.mec.ita.br/~rodrigo
PRINCÍPIOS DE REGRESSÃO
LINEAR SIMPLES
Análise de Regressão:
Um pouco de história:
Ajuste de curvas:
1. (MAE – 1786 e MSAE – 1799)
2. (Mínimos quadrados / MSE – 1809)
Correlação e Regressão (Galton – 1887)
Modelo Linear de Regressão:
Modelo: Yi = 0+ 1X1i+ 2X2i+…+ kXki+ i , i=1,…,n
em que 0 é o intercepto, j é o coeficiente angular da variável j (j=1,…,k) e
é o termo de erro.
Estimação de parâmetros 0 e j (j=1,…,k): Pelo MSE para k=1
Equações normais:
Modelo Linear de Regressão:
Caso 1: Regressão sem regressor ( Yi = 0+ i , i=1,…,n)
Caso 2: Regressão linear simples ( Yi = 0+ 1X1i+ i , i=1,…,n)
Caso 3: Regressão linear múltipla (k > 1)
^
^
2
^
1
,
XVar
YXCov
XX
YYXX
XXX
YYX
i
i
i
ii
i
ii
i
ii
XY 1
^
0
Y^
0
Modelo Linear de Regressão:
CORRELAÇÃO (X,Y)=0,976
Exemplo:
5938,0
,^
^
2
^
1
XVar
YXCov
XX
YYXX
i
i
i
ii
833.1481
^
0 XY
Mês Quantidade Custos Totais (R$)
Janeiro 371.000 371.641,00
Fevereiro 390.000 381.759,00
Março 330.000 348.280,00
Abril 421.000 392.891,00
Maio 351.000 356.412,00
Junho 311.000 330.545,00
Julho 319.000 330.652,00
Agosto 407.000 395.274,00
Setembro 398.000 382.775,00
Outubro 342.000 358.363,00
Novembro 363.000 369.913,00
Dezembro 383.000 371.972,00
y = 0,5938x + 148833
300.000,00
320.000,00
340.000,00
360.000,00
380.000,00
400.000,00
420.000,00
300.000 320.000 340.000 360.000 380.000 400.000 420.000 440.000
Quantidade (unidades)
Cu
sto
To
tal (R
$)
Correlação Amostral (r):
Propriedades:
-1 rXY 1
Se rXY é significativa é possível
criar Y = + X +
n
i
i
n
i
i
n
i
ii
YX
yyxx
yyxx
r
1
2
1
2
1,
Nestes casos X e Y variam
conjuntamente de forma linear
Nestes casos, não existe relação ou
a relação não é linear
x
y
x
y
x
y
x
y
x
y
x
y
x
y
x
y
x
y
x
y
x
y
x
y
x
y
x
y
x
y
x
y
x
y
x
y
Qualidade do ajuste: Coeficiente de Determinação (R2)
SQTotal
SQ
SQTotal
SQ
YYYY
YY
R
i
ii
i
i
i
iResíduos
1Regressão
ˆˆ
ˆ
22
2
2
R2
= 0,0410
20
30
40
50
60
70
80
90
0 20 40 60 80 100
X
Y
R2 = 0,43
10
20
30
40
50
60
70
80
0 20 40 60 80 100
X
Y
R2
= 0,89
10
20
30
40
50
60
70
80
0 20 40 60 80 100
X
Y
Modelo Linear de Regressão:
Em regressão linear simples, R2 = Cor(X,Y)2 = rXY2
^
Coeficiente de Determinação (R2): Misunderstandings
1. Um alto valor de R2 indica que previsões confiáveis podem ser
feitas a partir do modelo ajustado
qualidade no ajuste qualidade nas previsões
2. Um alto valor de R2 indica que o modelo de regressão obtido tem
um bom ajuste
outliers, correlação e relação linear
3. Um valor de R2 próximo de zero indica que as variáveis
independente (X) e dependente (Y) não são relacionadas
correlação: relação linear entre as variáveis
Modelo Linear de Regressão:
Para casa:
• Laboratório 1 (site: www.mec.ita.br/~rodrigo/)
•Leitura: Walpole et al. – cap.11: Regressão linear simples (11.1 a 11.3 e 11.12)
Montgomery e Runger – cap.11: SL Regression (11.1, 11.2 e 11.11)