Escolar Documentos
Profissional Documentos
Cultura Documentos
EE-240/2009
Análise de Tendência por Regressão Linear
EE-240/2009
Análise de Tendência por Regressão Linear
Cenário considerado
Índice associado
à degradação
Tempo, ou
Stress Acumulado
• A tendência é significativa ?
• Qual é o tempo predito de falha tf ?
EE-240/2009
Análise de Tendência por Regressão Linear
Cenário considerado
Índice associado
à degradação
Tempo, ou
Stress Acumulado
• A tendência é significativa ?
• Qual é o tempo predito de falha tf ?
EE-240/2009
Análise de Tendência por Regressão Linear
Cenário considerado
Índice associado
à degradação
Tempo, ou
Stress Acumulado
tf
• A tendência é significativa ?
• Qual é o tempo predito de falha tf ?
EE-240/2009
Análise de Tendência por Regressão Linear
Cenário considerado
tf
EE-240/2009
Análise de Tendência por Regressão Linear
Índice de Tempo
degradação
“Ruído”
Coeficiente linear
Coeficiente (discrepância com
(“intercept”)
angular (“slope”) relação à reta)
EE-240/2009
Análise de Tendência por Regressão Linear
• Notação:
• Valores observados:
EE-240/2009
Análise de Tendência por Regressão Linear
EE-240/2009
Análise de Tendência por Regressão Linear
EE-240/2009
Análise de Tendência por Regressão Linear
EE-240/2009
Análise de Tendência por Regressão Linear
Exemplo
EE-240/2009
Análise de Tendência por Regressão Linear
Exemplo
EE-240/2009
Análise de Tendência por Regressão Linear
Exemplo
EE-240/2009
Análise de Tendência por Regressão Linear
Exemplo
REGRESS Multiple linear regression using least squares.
b = REGRESS(y,X) returns the vector of regression coefficients, b, in the linear model y = Xb, (X is an nxp matrix, y is
the nx1 vector of observations).
>> t = [0 1 4 5 7]'
y = [2 1 8 12 13]'
X = [ones(5,1) t]
b = regress(y,X)
b =
0.8916
1.8554
EE-240/2009
Análise de Tendência por Regressão Linear
Formulação Matricial:
EE-240/2009
Análise de Tendência por Regressão Linear
>> t = [0 1 4 5 7]'
>> y = [2 1 8 12 13]'
>> X = [ones(5,1) t]
>> inv(X'*X)*X'*y
ans =
0.8916
1.8554
EE-240/2009
Análise de Tendência por Regressão Linear
Análise de Variância
(.)2
EE-240/2009
Análise de Tendência por Regressão Linear
EE-240/2009
Análise de Tendência por Regressão Linear
Dispersão associada ao
aumento da degradação (tendência)
EE-240/2009
Análise de Tendência por Regressão Linear
EE-240/2009
Análise de Tendência por Regressão Linear
EE-240/2009
Análise de Tendência por Regressão Linear
• Se a reta ajustada passasse por todas as observações, a soma quadrática dos resíduos RSS
seria zero (caso ideal).
• Formalmente, para que a tendência linear seja considerada significativa, RSS deve ser
significativamente menor que SSReg (teste de hipótese).
EE-240/2009
Análise de Tendência por Regressão Linear
Graus de Liberdade
Ajuste
Excelente?
Faltam graus de liberdade (“degrees of freedom” - df) para verificar a “qualidade” do modelo.
EE-240/2009
Análise de Tendência por Regressão Linear
(MS = SS / df)
EE-240/2009
Análise de Tendência por Regressão Linear
EE-240/2009
Análise de Tendência por Regressão Linear
EE-240/2009
Análise de Tendência por Regressão Linear
Assumindo:
i ~ N(0, 2)
i não correlacionado com j (i j)
EE-240/2009
Análise de Tendência por Regressão Linear
• Se F > Fcrit = F1–(1, n – 2), pode-se rejeitar a hipótese nula com 100 (1 – ) % de
confiança.
Fcrit
EE-240/2009
Análise de Tendência por Regressão Linear
EE-240/2009
Análise de Tendência por Regressão Linear
>> X = [ones(n,1) t]
>> b = inv(X'*X)*X'*y
>> yhat = X*b
>> ybar = mean(y)
>> SYY = (y - ybar)'*(y-ybar)
>> SSReg = (yhat -ybar)'*(yhat - ybar)
>> R2 = SSReg/SYY
>> MSReg = SSReg
>> RSS = (y - yhat)'*(y - yhat)
>> s2 = RSS/(n-2)
>> F = MSReg/s2
>> alpha = 0.05
>> Fcrit = finv(1-alpha,1,n-2)
>> p = 1 - fcdf(F,1,n-2)
EE-240/2009
Análise de Tendência por Regressão Linear
n = 11
SYY = 135
SSReg = MSReg = 109
R2 = SSReg/SYY = 0.81
RSS = 25
s2 = RSS/(n – 2) = 2.8
F = MSReg/s2 = 39
= 0.05
Fcrit = 5.1
p = 1.5 10 - 4
Tendência Significativa
EE-240/2009
Análise de Tendência por Regressão Linear
n = 11
SYY = 3370
SSReg = MSReg = 849
R2 = SSReg / SYY = 0.25
RSS = 2520
s2 = RSS/(n – 2) = 280
F = MSReg/s2 = 3.0
= 0.05
Fcrit = 5.1
p = 0.12
EE-240/2009
Análise de Tendência por Regressão Linear
Estimativas não-polarizadas
Variância aumenta com 2 e diminui com n e STT ou seja, a precisão das estimativas
melhora com:
i) redução no “ruído”
ii) aumento da quantidade de dados coletados
iii) aumento no timespan da coleta de dados
EE-240/2009
Análise de Tendência por Regressão Linear
EE-240/2009
Análise de Tendência por Regressão Linear
• Erro-padrão de b0 e b1:
EE-240/2009
Análise de Tendência por Regressão Linear
p(x)
EE-240/2009
Análise de Tendência por Regressão Linear
>> s = sqrt(s2)
>> tbar = mean(t)
>> STT = (t - tbar)'*(t - tbar)
>> sb0 = s*sqrt(1/n + tbar^2/STT)
>> sb1 = s/sqrt(STT)
>> Tcrit = tinv(1-alpha/2,n-2)
>> b0_min = b0 - sb0*Tcrit
>> b0_max = b0 + sb0*Tcrit
>> b1_min = b1 - sb1*Tcrit
>> b1_max = b1 + sb1*Tcrit
EE-240/2009
Análise de Tendência por Regressão Linear
Exemplo
b0:[-0.1562, 4.1146]
b1:[0.6369, 1.3588]
0 = 3
1 = 0.8
EE-240/2009
Análise de Tendência por Regressão Linear
Estimação do RUL
EE-240/2009
Análise de Tendência por Regressão Linear
Estimação do RUL
tf estimado
EE-240/2009
Análise de Tendência por Regressão Linear
Estimação do RUL
= 0.05
EE-240/2009
Análise de Tendência por Regressão Linear
Estimação do RUL
Intervalo de confiança
para tf
EE-240/2009
Análise de Tendência por Regressão Linear
Muito Obrigado!
EE-240/2009