Exemple de la fonction Prévoir avec un modèle de régression de Poisson

Un ingénieur qualité souhaite étudier les stries d'aspect décoloré des pièces moulées en résine. Ces stries peuvent apparaître sur le produit final à cause de la présence d'agents contaminants dans les tuyaux flexibles et de températures élevées. L'ingénieur détermine trois variables de prédicteurs possibles pour les réponses (défauts). L'ingénieur note le nombre de défauts observés au cours de sessions d'une heure, tout en faisant varier les niveaux des prédicteurs.

L'ingénieur souhaite étudier l'effet de plusieurs prédicteurs sur les défauts de décoloration des pièces en résine. La variable de réponse indiquant le nombre d'occurrences d'un événement dans un espace d'observation fini, il ajuste un modèle de Poisson.

L'ingénieur calcule un intervalle de prévision pour déterminer une étendue de valeurs probables pour de futures observations effectuées avec des paramètres spécifiés.

  1. Ouvrez le fichier de données échantillons, DéfautsRésine.MTW.
  2. Sélectionnez Stat > Régression > Régression de Poisson > Prévoir.
  3. Dans Réponse, sélectionnez Défauts décoloration.
  4. Dans le tableau, saisissez 6 pour Heures depuis nettoyage, 115 pour Température et grande pour Taille de vis.
  5. Cliquez sur OK.

Interprétation des résultats

Minitab utilise le modèle stocké pour calculer que le nombre prévu de défauts de décoloration est égal à 72,1682. L'intervalle de prévision indique que l'ingénieur peut être certain à 95 % que le nombre moyen de défauts de décoloration sera compris entre 67,5477 et 77,1047.

Equation de régression

Défauts décoloration=exp(Y')
Y'=4,3982 + 0,01798 Heures depuis nettoyage - 0,001974 Température + 0,000000 Taille de
vis_grande - 0,1546 Taille de vis_petite

Configuration

VariableConfiguration
Heures depuis nettoyage6
Température115
Taille de visgrande

Prévision

Valeur
ajustée
ErT ajustIC à 95 %
72,16822,43628(67,5477; 77,1047)