Otimização de processos com respostas múltiplas e categóricas

• Ano de defesa: 2007
• Autor(a) principal: Lucas, Cícero de Melo
• Orientador(a): Fogliatto, Flavio Sanson
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Modelos estatísticos; Processos químicos; Otimização
• Palavras-chave em Inglês: Process optimization; Generalized linear models; Quasi-likelihood models; Poisson regression; Process capability.
• Link de acesso: http://hdl.handle.net/10183/10603

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.