Otimização de processos com respostas múltiplas e categóricas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2007 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/10603 |
Resumo: | A presente dissertação aborda a otimização de processos industriais através da utilização de projeto de experimentos. Em experimentos planejados, variáveis de respostas são usualmente consideradas como normalmente distribuídas. No entanto, em algumas situações, tal suposição é violada; por exemplo, quando respostas expressam contagens, podendo assumir somente valores inteiros e não-negativos. Nesses casos, é mais provável que as respostas sigam uma distribuição de Poisson e, em sua modelagem, deve-se utilizar os modelos lineares generalizados (MLG), adequados para respostas da chamada família exponencial, à qual pertence a distribuição de Poisson. Se ainda persiste a dúvida quanto ao comportamento das respostas, o modelo de quase-verossimilhança também é uma alternativa possível. Esta dissertação apresenta a reanálise de um experimento, apresentado em Arriba (2005), onde algumas respostas são categóricas. Na análise original do experimento, respostas categóricas foram modeladas através de regressão dos mínimos quadrados ordinários, desconsiderando a violação do pressuposto de normalidade das respostas. Na reanálise aqui apresentada, as variáveis são corretamente abordadas usando-se os modelos lineares generalizados. Como o objetivo do trabalho de Arriba (2005) era a otimização de um processo descrito por múltiplas respostas, comparam-se os resultados da otimização mediante as duas estratégias de modelagem das respostas, além de se propor um método alternativo, mais simplificado, de otimização experimental. |
id |
URGS_9358052dc6c3dd6585205cac98051b74 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/10603 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Lucas, Cícero de MeloFogliatto, Flavio Sanson2007-09-04T05:11:25Z2007http://hdl.handle.net/10183/10603000598914A presente dissertação aborda a otimização de processos industriais através da utilização de projeto de experimentos. Em experimentos planejados, variáveis de respostas são usualmente consideradas como normalmente distribuídas. No entanto, em algumas situações, tal suposição é violada; por exemplo, quando respostas expressam contagens, podendo assumir somente valores inteiros e não-negativos. Nesses casos, é mais provável que as respostas sigam uma distribuição de Poisson e, em sua modelagem, deve-se utilizar os modelos lineares generalizados (MLG), adequados para respostas da chamada família exponencial, à qual pertence a distribuição de Poisson. Se ainda persiste a dúvida quanto ao comportamento das respostas, o modelo de quase-verossimilhança também é uma alternativa possível. Esta dissertação apresenta a reanálise de um experimento, apresentado em Arriba (2005), onde algumas respostas são categóricas. Na análise original do experimento, respostas categóricas foram modeladas através de regressão dos mínimos quadrados ordinários, desconsiderando a violação do pressuposto de normalidade das respostas. Na reanálise aqui apresentada, as variáveis são corretamente abordadas usando-se os modelos lineares generalizados. Como o objetivo do trabalho de Arriba (2005) era a otimização de um processo descrito por múltiplas respostas, comparam-se os resultados da otimização mediante as duas estratégias de modelagem das respostas, além de se propor um método alternativo, mais simplificado, de otimização experimental.This dissertation deals with the optimization of industrial processes using Design of Experiments. In designed experiments, response variables are often considered as normally distributed. However, in some situations, such assumption is violated; for example, when responses express counts, and only non-negative integers numbers may come up as outcomes. In these cases, it is likely that responses follow a Poisson distribution which is then modeled by generalized linear models (GLM), since such distribution is a member of the exponential family. If a question still holds on the responses behavior, their modeling through the quasi-likelihood method is another option that should be considered. This dissertation analyses an experiment performed by Arriba (2005), where some responses are of categorical nature. In the original analysis presented by Arriba (2005), categorical responses were modeled using ordinary least squares regression, violating the normality assumption associated with that method. In the analysis presented here, variables are appropriately modeled using GLM. Since the objective in Arriba (2005) was optimizing a multiresponse process, results from the two optimization processes are compared. In addition, an alternative experimental optimization method, simpler than the one in Arriba (2005), is also presented.application/pdfporModelos estatísticosProcessos químicosOtimizaçãoProcess optimizationGeneralized linear modelsQuasi-likelihood modelsPoisson regressionProcess capability.Otimização de processos com respostas múltiplas e categóricasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPrograma de Pós-Graduação em Engenharia de ProduçãoPorto Alegre, BR-RS2007mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL000598914.pdf000598914.pdfTexto completoapplication/pdf893602http://www.lume.ufrgs.br/bitstream/10183/10603/1/000598914.pdf9c98ba0d28334eb561e529b8fd45b16aMD51TEXT000598914.pdf.txt000598914.pdf.txtExtracted Texttext/plain168569http://www.lume.ufrgs.br/bitstream/10183/10603/2/000598914.pdf.txtf8534aa8643f3870a2f6e4312569a92eMD52THUMBNAIL000598914.pdf.jpg000598914.pdf.jpgGenerated Thumbnailimage/jpeg1060http://www.lume.ufrgs.br/bitstream/10183/10603/3/000598914.pdf.jpg18ada8c207e0687e2c439376f94171a9MD5310183/106032018-10-17 09:27:17.933oai:www.lume.ufrgs.br:10183/10603Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532018-10-17T12:27:17Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Otimização de processos com respostas múltiplas e categóricas |
title |
Otimização de processos com respostas múltiplas e categóricas |
spellingShingle |
Otimização de processos com respostas múltiplas e categóricas Lucas, Cícero de Melo Modelos estatísticos Processos químicos Otimização Process optimization Generalized linear models Quasi-likelihood models Poisson regression Process capability. |
title_short |
Otimização de processos com respostas múltiplas e categóricas |
title_full |
Otimização de processos com respostas múltiplas e categóricas |
title_fullStr |
Otimização de processos com respostas múltiplas e categóricas |
title_full_unstemmed |
Otimização de processos com respostas múltiplas e categóricas |
title_sort |
Otimização de processos com respostas múltiplas e categóricas |
author |
Lucas, Cícero de Melo |
author_facet |
Lucas, Cícero de Melo |
author_role |
author |
dc.contributor.author.fl_str_mv |
Lucas, Cícero de Melo |
dc.contributor.advisor1.fl_str_mv |
Fogliatto, Flavio Sanson |
contributor_str_mv |
Fogliatto, Flavio Sanson |
dc.subject.por.fl_str_mv |
Modelos estatísticos Processos químicos Otimização |
topic |
Modelos estatísticos Processos químicos Otimização Process optimization Generalized linear models Quasi-likelihood models Poisson regression Process capability. |
dc.subject.eng.fl_str_mv |
Process optimization Generalized linear models Quasi-likelihood models Poisson regression Process capability. |
description |
A presente dissertação aborda a otimização de processos industriais através da utilização de projeto de experimentos. Em experimentos planejados, variáveis de respostas são usualmente consideradas como normalmente distribuídas. No entanto, em algumas situações, tal suposição é violada; por exemplo, quando respostas expressam contagens, podendo assumir somente valores inteiros e não-negativos. Nesses casos, é mais provável que as respostas sigam uma distribuição de Poisson e, em sua modelagem, deve-se utilizar os modelos lineares generalizados (MLG), adequados para respostas da chamada família exponencial, à qual pertence a distribuição de Poisson. Se ainda persiste a dúvida quanto ao comportamento das respostas, o modelo de quase-verossimilhança também é uma alternativa possível. Esta dissertação apresenta a reanálise de um experimento, apresentado em Arriba (2005), onde algumas respostas são categóricas. Na análise original do experimento, respostas categóricas foram modeladas através de regressão dos mínimos quadrados ordinários, desconsiderando a violação do pressuposto de normalidade das respostas. Na reanálise aqui apresentada, as variáveis são corretamente abordadas usando-se os modelos lineares generalizados. Como o objetivo do trabalho de Arriba (2005) era a otimização de um processo descrito por múltiplas respostas, comparam-se os resultados da otimização mediante as duas estratégias de modelagem das respostas, além de se propor um método alternativo, mais simplificado, de otimização experimental. |
publishDate |
2007 |
dc.date.accessioned.fl_str_mv |
2007-09-04T05:11:25Z |
dc.date.issued.fl_str_mv |
2007 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/10603 |
dc.identifier.nrb.pt_BR.fl_str_mv |
000598914 |
url |
http://hdl.handle.net/10183/10603 |
identifier_str_mv |
000598914 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/10603/1/000598914.pdf http://www.lume.ufrgs.br/bitstream/10183/10603/2/000598914.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/10603/3/000598914.pdf.jpg |
bitstream.checksum.fl_str_mv |
9c98ba0d28334eb561e529b8fd45b16a f8534aa8643f3870a2f6e4312569a92e 18ada8c207e0687e2c439376f94171a9 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1810085098858479616 |