Interpretar os principais resultados para Otimizador de resposta

Conclua as etapas a seguir para interpretar Otimizador de resposta. Os principais resultados incluem o gráfico de otimização, os valores ajustados e os intervalos de confiança.

Etapa 1: Identificar a definição ideal de cada preditor

Use o gráfico de otimização para determinar as configurações ideais para os preditores, dado os parâmetros que você especificou.

O gráfico de otimização mostra como as variáveis afetam as respostas previstas. Você pode modificar as definições de variáveis diretamente na trama, movendo as barras verticais. O gráfico de otimização contém o seguinte:
  • Uma coluna para cada variável.
  • A desirability composta, se mostrada, é a linha superior.
  • Após a desirability composta, uma linha para cada variável de resposta.
  • As células que mostram como a variável de resposta correspondente ou a desirability composta muda como função de uma das variáveis, enquanto todas as outras variáveis permanecem fixas.
  • Números no topo das colunas que mostram as definições das variáveis atuais (em vermelho), e as definições das variáveis altas e baixas nos dados.
  • Link previsto no canto superior esquerdo do gráfico que calcula a predição para as definições das variáveis atuais.
  • No lado esquerdo de cada linha de resposta, estão: a resposta prevista (y) com as definições das variáveis atuais e a pontuação da desirability individual.
  • Na linha superior e no canto superior esquerdo, a desirability composta (D).
  • Um rótulo acima da desirability composta que se refere à definição atual e às mudanças se você modificar as definições de variáveis. Quando você cria o gráfico, o rótulo é o Ótimo. Se você alterar as definições, o rótulo muda para Novo. Se você encontrar uma nova definição ideal, o rótulo muda para Ótimo.
  • As linhas verticais vermelhas no gráfico representam as definições atuais.
  • As linhas azuis horizontais representam os valores de respostas atuais.
  • As regiões cinzentas indicam onde a resposta correspondente tem zero de desirability.
O tipo de valores de resposta ajustados que o Minitab exibe depende do tipo de variável de resposta em seu modelo. O Minitab exibe os seguintes tipos de valores ajustados:
  • Médias para variáveis de resposta que contêm medições contínuas, como comprimento ou peso.
  • Médias para variáveis de resposta que contêm contagens que seguem a distribuição de Poisson, como o número de defeitos por amostra.
  • Probabilidades para variáveis de resposta que contêm apenas dois resultados possíveis, como aprovação/reprovação.
  • Os desvios padrão para modelos que estão sendo ajustados usando Análise de variabilidade.

O gráfico de otimização exibe os valores ajustados para as definições de predição. No entanto, você deve examinar os intervalos de predição na saída da janela Session para determinar se o intervalo de valores possíveis para um único valor futuro cai dentro de limites aceitáveis para o processo.

Principal resultado: Gráfico de otimização

Para o isolamento de dados, a desirability composta é 0,775. A primeira coluna do gráfico mostra os valores de resposta em cada nível de Material, o que é uma variável categórica. Os ajustes variáveis atuais são Material = Formula2, InjPress = 98,4848, InjTemp = 100,0 e CoolTemp = 45,0. O objetivo era maximizar o Isolamento. Seu valor previsto é 25,6075, e sua desirability individual é 0,85386. A covariável, MeasTemp, está incluída no modelo como uma variável de ruído incontrolável e é realizada em 21,49. Outras observações são como a seguir:
  • Material: os dois pontos para cada célula nesta coluna representam os dois níveis da variável categórica: Formula1 e Formula2. Formula2 parece ser o melhor material. Mudar para Formula1 iria diminuir o valor isolante e aumentar a densidade, o que são duas coisas indesejáveis. No entanto, como o tipo de material interage com outros fatores, esta tendência não pode ser mantida em outras definições. Pense na possibilidade de encontrar uma solução local para Formula1. Ou altere as definições de Formula1 diretamente no gráfico, movendo as barras verticais.
  • InjPress: O aumento da pressão de injeção aumenta todas as três respostas. Portanto, a definição ótima está no meio da faixa (98,4848), que é um compromisso entre as metas conflitantes. O objetivo é maximizar o valor isolante, minimizar a densidade e maximizar a resistência.
  • InjTemp: O aumento da temperatura de injeção aumenta também todas as respostas. Mas o efeito sobre a densidade é mínimo em comparação com o efeito sobre o valor isolante. Portanto, você aumenta a desirability composta por meio da maximização da temperatura de injeção. As definições ideais de temperatura de injeção estão nos níveis máximos no experimento. Este resultado sugere que você deve considerar a realização de experimentos com temperaturas mais altas.
  • CoolTemp: O aumento da temperatura de resfriamento aumenta o valor isolante, mas diminui a densidade e a resistência. As definições ideais de temperatura de injeção e temperatura de resfriamento estão nos níveis máximos no experimento. Este resultado sugere que você deve considerar a realização de experimentos com temperaturas mais altas. Os gráficos mostram que pode ser importante considerar com atenção as temperaturas de resfriamento mais elevadas. Se os gráficos pudessem ser extrapolados, as temperaturas de resfriamento mais elevadas melhorariam o valor isolante e densidade. No entanto, a resistência diminuiria.

Etapa 2: Identificar a estimativa de ponto e o intervalo provável de cada resposta

Use os valores ajustados para identificar a estimativa de ponto de cada variável da resposta, a qual é baseada nas definições que a otimização do gráfico exibe.

O tipo de valores de resposta ajustados que o Minitab exibe depende do tipo de variável de resposta em seu modelo. O Minitab exibe os seguintes tipos de valores ajustados:
  • Médias para variáveis de resposta que contêm medições contínuas, como comprimento ou peso.
  • Médias para variáveis de resposta que contêm contagens que seguem a distribuição de Poisson, como o número de defeitos por amostra.
  • Probabilidades para variáveis de resposta que contêm apenas dois resultados possíveis, como aprovação/reprovação.
  • Os desvios padrão para modelos que estão sendo ajustados usando Análise de variabilidade.
Use os intervalos de predição (IP) para avaliar a precisão das previsões. Os intervalos de predição ajudam a avaliar a significância prática de seus resultados. Se um intervalo de previsão se estende para fora dos limites aceitáveis, as previsões podem não ser suficientemente precisas para suas necessidades.Nesse caso, considere as seguintes opções:
  • Ajuste as definições de previsão diretamente em Gráfico de otimização movendo as barras verticais. Em seguida, clique no link de Predição em Gráfico de otimização para determinar se a nova solução é aceitável.
  • Realize pesquisas adicionais e considere aumentar o tamanho da amostra para obter predições mais precisas.

O intervalo de predição (IP) é um intervalo que provavelmente contém uma única resposta futura para uma combinação especificada de configurações de variável. Se você coletar outro ponto de dados com as mesmas definições de variável, o novo ponto de dados provavelmente estará dentro do intervalo de previsão. Intervalos de predição mais estreitos indicam uma predição mais precisa.

EP do Resposta Ajuste Ajustado IC de 95% IP de 95% Resistência 32,34 1,04 ( 29,45; 35,22) ( 27,25; 37,43) Densidade 0,6826 0,0597 (0,5167; 0,8484) (0,3899; 0,9753) Isolamento 25,608 0,268 (24,863; 26,352) (24,294; 26,921)
Principais resultados: Ajuste, IP

Nestes resultados, as definições de variáveis de entrada no gráfico de otimização estão associados com as seguintes médias previstas e intervalos de predição:
  • A resistência média é de 32,34 e a taxa de valores possíveis para um único valor futuro é de 27,25 a 37,43.
  • A densidade média é de 0,6826 e a taxa de valores possíveis para um único valor futuro é de 0,3899 a 0,9753.
  • O isolamento médio é 25,608 e a taxa de valores possíveis para um único valor futuro é de 24,294 a 26,921.

Use o seu conhecimento do processo para determinar se os intervalos de predição caem dentro de limites aceitáveis.

Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política