Weibull Regressão linear

Regressão Linear
Mínimos
Quadrados
A aproximação por mínimos
quadrados consiste em
encontrar a função que
“melhor se ajuste”, ao
conjunto de pontos dado,
minimizando o erro resultante
do ajustamento, ou seja,
pretende-se minimizar a
soma dos quadrados das
diferenças entre os valores
tabelados e os valores obtidos
pela aproximação.
Minimizando a diferença

• É necessário, portanto, minimizar a

diferença:

• Condição necessária de minimização:

 Cálculo de a e b
𝜕 𝑛
2
𝑛
෍ 𝑦𝑖 − 𝑎𝑥𝑖 + 𝑏 = 2 ෍ 𝑦𝑖 − 𝑎𝑥𝑖 − 𝑏 −𝑥𝑖 = 0
𝜕𝑎 1 1
Derivando
e igualando
a zero 𝑛 𝑛
𝜕 2
෍ 𝑦𝑖 − 𝑎𝑥𝑖 + 𝑏 = 2 ෍ 𝑦𝑖 − 𝑎𝑥𝑖 − 𝑏 −1 = 0
𝜕𝑏 1 1

Simplificando
Matricialmente:

𝑛 𝑛 𝑛
෍ 𝑥𝑖2 ෍ 𝑥𝑖 ෍ 𝑥𝑖 𝑦𝑖
1 1 𝑎 1
𝑛 = 𝑛
𝑏
෍ 𝑥𝑖 𝑛 ෍ 𝑦𝑖
1 1
 Exemplo
• y = ax + b

• a = 0,6785
• b = 1,3928

∑Y = N.b + a∑X
∑XY = b ∑X + a∑(X.X)

x y x.x x.y
0 1 0 0
1 3 1 3
2 3 4 6
3 2 9 6
4 4 16 16
5 6 25 30
6 5 36 30

21 24 91 91
 Distribuição de Weibull
• Ernst Hjalmar Waloddi
Weibull
• É reconhecido pelo seu
trabalho na área
da fadiga de materiais e
na estatística pelos seus
estudos sobre
a distribuição de
Weibull.
 Distribuição de Weibull
• permite representar falhas típicas de partida
(mortalidade infantil);
• permite identificar falhas aleatórias;
• permite identificar falhas devido ao desgaste;
• permite obter parâmetros significativos da
configuração das falhas;
• apresenta melhores resultados para
componentes mecânicos (poucas informações em
termos de falhas) convencionalmente utilizados
na área da engenharia.
 Função distribuição acumulada
𝑡−𝑡0 𝛃
−
• F 𝑡, η, 𝛃 = 1 − 𝑒 η

• A distribuição de Weibull fornece a distribuição

de probabilidades de um dispositivo ou material
falhar em um dado intervalo de tempo.
• O parâmetro 𝜼 está definido de 0 a ∞ e é medido
na mesma unidade que t (tempo).
• O parâmetro 𝛃 está definido de 0 a ∞ e é
adimensional. É chamado de declividade de
Weibull.
 Função densidade e
taxa de falhas
• A função densidade pode ser obtida a partir
da função distribuição acumulada a partir da
operação de derivação.

taxa de falhas
Curva da Banheira
Curva da Banheira
Diferentes valores de 𝛃
 Exemplo de uso
𝑡−𝑡0 𝛃
−
• F 𝑡, η, 𝛃 = 1 − 𝑒 η

• Qual é a probabilidade de falha (antes de 8

horas de uso) de uma peça cujo
comportamento estatístico é descrito pela
distribuição de Weibull com η = 10 e 𝛃 = 2.
(considere 𝑡0 = 0)
8 2
−
• F 𝑡, η, 𝛃 = 1 − 𝑒 10 = 1 − 0,5273 =
0,4727 (47,27%)
Função distribuição acumulada -
Weibull

η 𝑒 𝛃 mudam a maneira como a

curva vai para 1 quando t ⟶ ∞
 Papel Weibull
• Estudo de
Confiabilidade
 Exemplo
• 100 bombas
idênticas são freq.
tempo freq F(t)
colocadas em relativa
operação até 1100 2 0,02 0,02
falhar. 1200 6 0,06 0,08
1300 16 0,16 0,24
• Os resultados dos 1400 14 0,14 0,38
tempos de falha de 1500 26 0,26 0,64
cada uma estão 1600 22 0,22 0,86
agrupados na 1700 7 0,07 0,93
tabela (supor to = 1800 6 0,06 0,99
1050h) 1900 1 0,01 1
100 1
 Distribuição acumulada
1,2
freq.
1 tempo freq F(t)
relativa
1100 2 0,02 0,02
0,8 1200 6 0,06 0,08
1300 16 0,16 0,24
0,6 1400 14 0,14 0,38
1500 26 0,26 0,64
1600 22 0,22 0,86
0,4 1700 7 0,07 0,93
1800 6 0,06 0,99
0,2 1900 1 0,01 1
100 1
0
0 500 1000 1500 2000
 Reta de Weibull
𝑡−𝑡𝑜 𝛃
−
• 𝐹 𝑡 =1−𝑒 η

𝑡−𝑡𝑜 𝛃
− 𝑡−𝑡𝑜 𝛽
• 1−𝐹 𝑡 =𝑒 η ֜ 𝑙𝑛 1 − 𝐹 𝑡 =−
η

𝑡−𝑡𝑜 𝛽
• −𝑙𝑛 1 − 𝐹 𝑡 = ֜ 𝑙𝑛 −𝑙𝑛 1 − 𝐹 𝑡 =
η
𝑡−𝑡𝑜 𝛽
𝑙𝑛
η

• 𝑙𝑛 −𝑙𝑛 1 − 𝐹 𝑡 = 𝛽𝑙𝑛 𝑡 − 𝑡𝑜 − 𝛽𝑙𝑛η

• 𝑌 = 𝛽𝑋 + 𝑏
• 𝑙𝑛 −𝑙𝑛 1 − 𝐹 𝑡 = 𝛽𝑙𝑛 𝑡 − 𝑡𝑜 − 𝛽𝑙𝑛η
• 𝑌 = 𝛽𝑋 + 𝑏
▪ 𝑌 = 𝑙𝑛 −𝑙𝑛 1 − 𝐹 𝑡
▪ 𝑋 = 𝑙𝑛 𝑡 − 𝑡𝑜
▪ A= 𝛽
▪ 𝑏 = −𝛽𝑙𝑛η
𝑏
−𝛽
▪η=𝑒
 Dados de Regressão
𝑛 𝑛 𝑛
▪ 𝑌 = 𝑙𝑛 −𝑙𝑛 1 − 𝐹 𝑡 ෍
1
𝑥𝑖2 ෍ 𝑥𝑖
1 𝛽
෍ 𝑥𝑖 𝑦𝑖
1
𝑛 = 𝑛
▪ 𝑋 = 𝑙𝑛 𝑡 − 𝑡𝑜 ෍ 𝑥𝑖 𝑛
𝑏
෍ 𝑦𝑖
1 1

freq.
tempo freq F(t) Y X X.X X.Y
relativa
1100 2 0,02 0,02 -3,90 3,91 15,30 -15,26
1200 6 0,06 0,08 -2,48 5,01 25,11 -12,45
1300 16 0,16 0,24 -1,29 5,52 30,49 -7,14
1400 14 0,14 0,38 -0,74 5,86 34,32 -4,32
1500 26 0,26 0,64 0,02 6,11 37,32 0,13
1600 22 0,22 0,86 0,68 6,31 39,82 4,27
1700 7 0,07 0,93 0,98 6,48 41,95 6,33
1800 6 0,06 0,99 1,53 6,62 43,82537 10,11004
1900 1 0,01 1
100 1 -5,215 45,818 268,127 -18,334
 Cramer
𝑛 𝑛 𝑛
෍ 𝑥𝑖2 ෍ 𝑥𝑖 ෍ 𝑥𝑖 𝑦𝑖
1 1 𝛽 1
𝑛 = 𝑛
𝑏
෍ 𝑥𝑖 𝑛 ෍ 𝑦𝑖
1 1

45,82 8 -45,7012 -5,21

268,13 45,82 -18,33

-5,21 8 -92,2551 beta= 2,018657

-18,33 45,82 𝑏
−
η= 𝑒 𝛽 = 424,19
45,82 -5,21 558,1606 b= -12,2133
268,13 -18,33
 freq.
tempo freq F(t) Y X X.X X.Y
relativa
1100 2 0,02 0,02 -3,90 3,91 15,30 -15,26
1200 6 0,06 0,08 -2,48 5,01 25,11 -12,45
1300 16 0,16 0,24 -1,29 5,52 30,49 -7,14
1400 14 0,14 0,38 -0,74 5,86 34,32 -4,32
1500 26 0,26 0,64 0,02 6,11 37,32 0,13
1600 22 0,22 0,86Regressão
0,68 Linear6,31 39,82 4,27
2,000 1700 7 0,07 0,93 0,98 6,48 41,95 6,33
1800 6 0,06 0,99 1,53 6,62 43,82537 10,11004
1,000
1900 1 0,01 1
100 1 -5,215 45,818 268,127 -18,334
0,000
0,000 1,000 2,000 3,000 4,000 5,000 6,000 7,000

-1,000

-2,000

-3,000

-4,000

-5,000

Dados do processo Reta de Weibull

 Modelo Weibull
𝑡−𝑡𝑜 𝛃
−
• 𝐹 𝑡 =1−𝑒 η

𝑡−1050 2,018
−
• 𝐹 𝑡 =1−𝑒 424,19

• Qual é a probabilidade de falha para t ≤ 1350h

1350−1050 2,018
−
• 𝐹 𝑡 =1−𝑒 424,19 = 0,3916
 Ainda usando o modelo
• Qual é a confiabilidade para 1400h?
1400−1050 2,018
−
• 𝐹 𝑡 =𝑒 424,19 = 50,74%
 MTTF ou MTBF
• MTTF – mean time to failure
• MTBF – mean time between failures
• Dado por:
1
𝑀𝑇𝐵𝐹 = 𝑡0 + η. 𝛤 1 +
𝛽
Função Gama:
∞
𝛤 𝛂 = න 𝑥 𝛂−1 𝑒 −𝑥 𝑑𝑥
0
Função Gama
 Cálculo do MTBF
1
• 𝑀𝑇𝐵𝐹 = 𝑡0 + η. 𝛤 1 +
𝛽
1
• 𝑀𝑇𝐵𝐹 = 1050 + 424,19. 𝛤 1 +
2,018657
• 𝑀𝑇𝐵𝐹 = 1050 + 424,19 ∗ 0,886342

• 𝑀𝑇𝐵𝐹 = 1426 ℎ𝑜𝑟𝑎𝑠

 Frequência nas
atividades de inspeção
• Fi = 0,7*MTBF
• Para o exemplo
anterior, se fosse
adotado um
protocolo de inspeção
preventiva, cada
inspeção deveria ser
feita a cada 998 h
(0,7*1426)
 MTBF
• A partir do histórico do equipamento, o MTBF pode
ser calculado como:
σ ℎ𝑜𝑟𝑎𝑠 𝑑𝑒 𝑡𝑟𝑎𝑏𝑎𝑙ℎ𝑜 𝑒𝑚 𝑏𝑜𝑚 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑎𝑚𝑒𝑛𝑡𝑜
𝑀𝑇𝐵𝐹 =
σ 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑓𝑎𝑙ℎ𝑎𝑠 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑎𝑖𝑠

• Se durante um ano o equipamento operou 200

horas, depois 450 horas, depois 4000 horas e
finalmente 1400 horas, o MTBF será:
200+450+4000+1400
• 𝑀𝑇𝐵𝐹 = = 1512 ℎ𝑜𝑟𝑎𝑠
4
 MTTR
• Uma injetora de plástico tem um acionamento por motor elétrico
em seu sistema de injeção e esse motor elétrico apresentou
algumas falhas durante o mês.
• Para se saber qual o Tempo Médio para Reparo daquele
determinado motor elétrico, o primeiro passo foi levantar o número
de falhas: 4 falhas durante o mês.
• O segundo passo foi levantar o tempo para reparo de cada uma
dessas falhas. Ou seja, quanto tempo a equipe levou para colocar o
motor elétrico de volta a operação em cada uma das situações.
Analisando as Ordens de Serviço
• FALHA 1: 2 horas
• FALHA 2: 8 horas 2+8+3+4
𝑀𝑇𝑇𝑅 = = 6,5 ℎ𝑜𝑟𝑎𝑠
• FALHA 3: 3 horas 4
• FALHA 4: 4 horas
MTBF e MTTR
 tempo
OS
Exercício 1
(horas)
92
2 130
3 233
• Use a distribuição de 4 260
5 320
Weibull para estimar o 6 325
7 420
melhor intervalo de 8 430
tempo para a manutenção 9
10
465
518
periódica de um 11 640
12 700
equipamento que 13 710
14 770
apresenta o seguinte 15 830
16 1010
perfil de falhas: 17 1020
18 1280
19 1330
20 1690
 F(t)
• Quando temos falha de equipamento como
indicado na tabela (um equipamento falha a
cada momento), podemos usar uma
aproximação para a função distribuição
acumulada de probabilidade:
𝑗−0,3
• 𝐹 𝑡 =
𝑁+0,4
– j – número de ordem (sequência: j = 1, 2, ...., 20)
– N – número de peças sob ensaio (N = 20 no
exemplo)
 tempo
OS F(t)
(horas)
1 92 0,034 F(t)
2 130 0,083
3 233 0,132
4 260 0,181
5 320 0,230
6 325 0,279
7 420 0,328 Distribuição Acumulada
8 430 0,377 1,2

9 465 0,426 1

10 518 0,475
0,8
11 640 0,525
12 700 0,574 0,6

13 710 0,623 0,4

14 770 0,672
0,2
15 830 0,721
16 1010 0,770 0
0 200 400 600 800 1000 1200 1400 1600 1800
17 1020 0,819
18 1280 0,868
19 1330 0,917
20 1690 0,966
Preparar a regressão
linear OS
tempo
(horas)
F(t) x y

1 92 0,034 4,522 -3,355

2 130 0,083 4,868 -2,442
3 233 0,132 5,451 -1,952
• 𝑌 = 𝑙𝑛 −𝑙𝑛 1 − 𝐹 𝑡 4
5
260
320
0,181
0,230
5,561
5,768
-1,609
-1,340

• 𝑋 = 𝑙𝑛 𝑡 − 𝑡𝑜 6
7
325
420
0,279
0,328
5,784
6,040
-1,116
-0,921

• neste exemplo, 8
9
430
465
0,377
0,426
6,064
6,142
-0,747
-0,587
use t0 = 0 10
11
518
640
0,475
0,525
6,250
6,461
-0,438
-0,297
12 700 0,574 6,551 -0,160
13 710 0,623 6,565 -0,026
14 770 0,672 6,646 0,107
15 830 0,721 6,721 0,243
16 1010 0,770 6,918 0,384
17 1020 0,819 6,928 0,535
18 1280 0,868 7,155 0,704
19 1330 0,917 7,193 0,910
20 1690 0,966 7,432 1,216
 tempo
OS F(t) x y x.x x.y
(horas)
1 92 0,034 4,522 -3,355 20,447 -15,170
2 130 0,083 4,868 -2,442 23,693 -11,885
3 233 0,132 5,451 -1,952 29,714 -10,641
• Tabela para 4
5
260
320
0,181
0,230
5,561
5,768
-1,609
-1,340
30,921
33,274
-8,946
-7,729
a regressão 6
7
325
420
0,279
0,328
5,784
6,040
-1,116
-0,921
33,453
36,485
-6,453
-5,563
linear 8
9
430
465
0,377
0,426
6,064
6,142
-0,747
-0,587
36,769
37,725
-4,528
-3,606
10 518 0,475 6,250 -0,438 39,062 -2,738
11 640 0,525 6,461 -0,297 41,751 -1,916
12 700 0,574 6,551 -0,160 42,917 -1,048
13 710 0,623 6,565 -0,026 43,103 -0,171
14 770 0,672 6,646 0,107 44,175 0,714
15 830 0,721 6,721 0,243 45,178 1,633
16 1010 0,770 6,918 0,384 47,855 2,656
17 1020 0,819 6,928 0,535 47,991 3,705
18 1280 0,868 7,155 0,704 51,189 5,038
19 1330 0,917 7,193 0,910 51,738 6,547
20 1690 0,966 7,432 1,216 55,242 9,035

125,020 -10,889 792,678 -51,064

 Sistema de Equações
tempo
OS F(t) x y x.x x.y 𝑛 𝑛 𝑛
(horas)
1 92 0,034 4,522 -3,355 20,447 -15,170 ෍ 𝑥𝑖2 ෍ 𝑥𝑖 ෍ 𝑥𝑖 𝑦𝑖
1 1 𝛽 1
2 130 0,083 4,868 -2,442 23,693 -11,885
𝑛 = 𝑛
3 233 0,132 5,451 -1,952 29,714 -10,641 𝑏
4 260 0,181 5,561 -1,609 30,921 -8,946
෍ 𝑥𝑖 𝑛 ෍ 𝑦𝑖
1 1
5 320 0,230 5,768 -1,340 33,274 -7,729
6 325 0,279 5,784 -1,116 33,453 -6,453
7 420 0,328 6,040 -0,921 36,485 -5,563
8 430 0,377 6,064 -0,747 36,769 -4,528
9 465 0,426 6,142 -0,587 37,725 -3,606
10 518 0,475 6,250 -0,438 39,062 -2,738 792,678 125,0202 223,5166 -51,064
11 640 0,525 6,461 -0,297 41,751 -1,916 125,0202 20 -10,8891
12 700 0,574 6,551 -0,160 42,917 -1,048
-51,064 125,0202 340,0739 beta= 1,52
13 710 0,623 6,565 -0,026 43,103 -0,171 -10,8891 20
14 770 0,672 6,646 0,107 44,175 0,714 b= -10,06
15 830 0,721 6,721 0,243 45,178 1,633 792,678 -51,064 -2247,5
16 1010 0,770 6,918 0,384 47,855 2,656 125,0202 -10,8891 eta= 741,63
17 1020 0,819 6,928 0,535 47,991 3,705
18 1280 0,868 7,155 0,704 51,189 5,038
19 1330 0,917 7,193 0,910 51,738 6,547
20 1690 0,966 7,432 1,216 55,242 9,035

125,020 -10,889 792,678 -51,064

 Reta de Weibull
Reta de Weibull

1,5

0,5

0
0 1 2 3 4 5 6 7 8
-0,5

-1

-1,5

-2

-2,5

-3

-3,5

-4

FDP Reta de Weibull

 Cálculo do MTBF
1
• 𝑀𝑇𝐵𝐹 = 𝑡0 + η. 𝛤 1 +
𝛽
1
• 𝑀𝑇𝐵𝐹 = 0 + 741. 𝛤 1 +
1,52
• 𝑀𝑇𝐵𝐹 = 0 + 741 ∗ 0,9

• 𝑀𝑇𝐵𝐹 = 667 ℎ𝑜𝑟𝑎𝑠

• Intervalo de inspeção: 0,7*MTBF = 467 horas