Análise de Regressão Ajuste de Parâmetros
Objetivo Dado um modelo, ou metamodelo, TF() de um sistema Um conjunto de dados experimentais obtidos a partir de experimentos controlados Ajustar estatisticamente os melhores valores para
Modelo de Erro na Entrada
Modelo de Erro na Saída
Modelo geral X é a matriz de sensibilidade, com: Utilizando o método de linearização de Gauss: onde: X é a matriz de sensibilidade, com:
Modelo Linear Nas proximidades de b, pode-se simplificar:
Principais Estimadores Teorema de Bayser: Objetivo: maximizar P(β|ηm)
Pressupostos β tem distribuição Normal N(βo,V), sendo βo a esperança matemática E[β] e V a matriz de covariância Cov[β]. ε é um ruído com distribuição Normal de media zero e covariância ψ. β e ε são estatisticamente independentes. Não existe erro na matriz de sensibilidade X.
Com os pressupostos: Com a hipótese de distribuição normal:
MAP - Hipóteses fundamentais: a) A matriz de sensibilidade X é livre de erro. b) β e ε são variáveis aleatórias independentes. c) O ruído ε é aditivo. - Hipóteses simplificadoras: a) β possui distribuição Normal N(βo,V). b) ε possui distribuição Normal N(0,ψ). Condição de utilização: E(bMAP) = βo. - Eficiência:
MAK
MQL