Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouGiulia Costa Jardim Alterado mais de 7 anos atrás
1
Como construir modelos empíricos
2
Nos modelos estudados, cada fator foi fixado em dois níveis Por esta razão temos que nos contentar com uma visão limitada da equação que descreve a influência dos fatores na resposta No exemplo analisado foram considerados rendimentos de 59% a 40 o C e 90% a 60 o C
3
Se tivermos mais medidas para temperaturas intermediarias podemos ter uma estimativa melhor do modelo ajustado. Assim com mais três medidas: Temp4045505560 Rend %6070778691
4
Considerando um modelo linear: “A melhor reta será a que passar ‘mais perto’ dos pontos experimentais” “ a maneira de conseguir esse resultado é localizar a reta de tal maneira que a soma dos quadrados dos resíduos seja mínima...”
5
“no ajuste dos minimos quadrados os valores ajustados de bo e b1 são aqueles que tornam o somatorio O menor possível “
6
Análise de variância O método mais usado para avaliar numericamente a qualidade de um ajuste de um modelo.
7
Análise de variância A qualidade de ajuste de um modelo depende da análise dos resíduos. Resíduo: Variação não explicada pelo modelo. O desvio de uma resposta individual em relação a média de todas respostas observadas pode ser decomposto em duas parcelas...
9
Estas somas de quadrados de desvios costumam ser chamadas de somas quadráticas (S.Q.), assim a equação abaixo pode ser lida como: SQ em torno da média = SQ devido a regressão + SQ residual.
10
Determina-se também R 2 que é o coeficiente de determinação do modelo. Valor máximo = 1
11
Graus de liberdade O número de graus de liberdade da soma quadrática total (V T ) é n-1 n = número de observações “num modelo com p parâmetros o número de graus de liberdade da soma quadrática residual (V r ) é dado por n-p” Se VT = VR+Vr... O número de graus de liberdade da soma quadrática da Regressão (V R ) é p-1
12
Os resultados das considerações são reunidos na tabela chamada Tabela de Análise de variância ou simplesmente (ANOVA). Fonte de variação Soma quadrática Graus de liberdade Média quadratica RegressãoSQ R p-1 MQ R =SQ R /p-1 ResíduosSQ r n-p s 2 =SQ r /n-p TotalSQ T n-1
13
Graus de liberdade A cada SQ está associado um número de graus de liberdade, que indica quantos valores independentes envolvendo as n observações (no caso 5) são necessários para determiná-la. Para a SQ T o número de graus de liberdade é (n-1). A SQ R tem apenas um grau de liberdade, pois o modelo ajustado tem dois termos. A SQr deve ter (n-2) graus de liberdade. Assim satisfazemos a equação mostrada anteriormente. (n-1)= 1 + (n-2)
14
Intervalos de confiança Ao postular o modelo admitimos que cada observação (y i ) é constituída de uma parte sistemática e uma parte aleatória (erro). Admitimos também as seguintes hipóteses: A variância dos erros é constante. Os erros observados em valores diferentes da variável independente não estão correlacionados. Os erros seguem uma distribuição normal. Objetivo “cálculo do erro padrão para b o e b 1...”
15
Significância estatística da regressão Pode-se demonstrar que a razão entre as medias quadráticas MQ R e MQ r segue uma distribuição F. Para o exemplo...
18
Para o exemplo, no nível de 95% de confiança temos que F 1,3 = 10,13. Assim a regressão calculada é estatisticamente significativa se MQ R /MQ r > 10,13 Como o valor calculado é 285,6 temos que a nossa equação é altamente significativa.
19
Novo modelo Novo conjunto de dados com mais quatro ensaios Temp303540455055606570 Rend % 244060707786918684
22
Para o modelo linear temos: MQ R /MQ r =29,14 Valor de F 1,7 =5,59 (nível de 95%) Isso indicaria uma regressão significativa! A percentagem de variação explicada pelo modelo é de 80,63%. Entretanto só poderíamos usar F se não houvesse anormalidade na distribuição de resíduos.
23
Um novo modelo para Y=f(T) Como o modelo linear é insatisfatório é necessário acrescentar mais um termo na equação.
25
A avaliação foi feita na aparência do gráfico de resíduos. O novo modelo reproduz 99,37% da variação total. A razão MQ R /MQ r sobe para 471,4 (contra 29,14 do modelo linear) valor que deve ser comparado com F 2,6 = 5,14
26
Falta de ajuste e erro puro O procedimento utilizado até agora está baseado na aparência do gráfico de resíduos. Se os experimentos apresentarem duplicatas, podemos utilizá-las para obter uma estimativa do erro aleatório. Assim a soma quadrática dos resíduos (SQ r ) pode ser decomposta em duas partes.
27
Um termo nos dá a medida do erro aleatório, e é chamado de soma quadrática devida ao erro puro (SQ ep ) O outro termo fornece a medida da falta de ajuste do modelo às respostas observadas, sendo chamado de soma quadrática devida a falta de ajuste (SQ faj ) SQ r = SQ ep + SQ faj Assim a tabela de ANOVA ganha duas novas linhas.
28
Versão completa da ANOVA Fonte de variação Soma quadrática Graus de liberdade Média quadrática RegressãoSQ R p-1MQ R =SQ R /(p-1) ResíduosSQ r n-pMQr=SQ r /(n-p) Falta de ajusteSQ faj m-pMQ faj =SQ faj /(m-p) Erro PuroSQ ep n-mMQ ep = SQ ep /(n-m) TotalSQ T n-1 n = número total de observações; m = número de níveis distintos da variável independente; p = número de parâmetros do modelo % explicado pelo modelo = SQ R / SQ T
29
Dados experimentais com duplicata Temp 303540455055606570 Rend % 244060707786918684 204357728089888980
31
ANOVA Fonte de variação Soma quadrática Graus de liberdade Média quadrática Regressão 8.871,6124.435,80 Resíduos 58,40153,89 Falta de ajuste 13,3962,23 Erro Puro 45,0095,00 Total 8.93017
32
Para o modelo ajustado temos que a razão MQ R /MQ r =1.140,3 E MQ faj /MQ ep =0,45 % da variação explicada = 99,35 Não há sinal de falta de ajuste. A análise permite uma estimativa da variância devida ao erro puro....o que permite determinar os parâmetros estatisticamente significativos.. Determina-se também os erros padrão para os parâmetros. Assim temos: Y=-172,42+8,59X-0,071X 2 » (±7,65) (±0,32) (±0,003)
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.