Beruflich Dokumente
Kultur Dokumente
Estimao de Parmetros
163
=0
x=L
164
Exemplo 4.1 - Suponha que um vaso de reao tem que ser projetado para conduzir a
reao
K
A
B
NB =
t
( tR + t D + tL + tC )
165
L
= f1 (V , t R ) = 0
V
m
mN B
N B ( C A0 C Af ( t R ) ) $ B N B C A0 $ A
VC Af ( t R ) ) $O nV n 1 $ I = 0
(
V
e
L
= f 2 (V , t R ) = 0
t R
N B
t R
V ( C C ( t ) ) $ V C $ (V C ( t ) )m $
A0
Af
R
B
A0 A
Af
R
O
NB V
C Af
t R
$B
m
m NB
V C Af ( t R ) ) $O = 0
(
C Af ( t R )
dC A
= K C A , C A ( 0 ) = C A0
dt
de forma que
C Af ( t R ) = C A0 exp ( K t R )
Como saber se a reao de primeira ordem ou que a relao acima vlida? A
resposta correta : fazendo experimentos e construindo o modelo. Como saber o valor
de K? A resposta correta : estimando parmetros. O engenheiro que usa a informao
acima para fazer o projeto do reator nem sempre percebe que usurio dos
procedimentos de modelagem e estimao de parmetros j executados por um outro
observador. Sem o modelo e sem o parmetro, o projeto bem embasado impossvel.
166
Admitindo-se que a massa total do universo (nesse caso, a caixa d'gua) permanece
constante, possvel escrever
M0 = M + MC
Repare que a equao acima s pode ser escrita depois de se admitir que a massa
total do universo tem que permanecer constante. O modelo conceitual precede, portanto,
o modelo matemtico preciso.
167
massa do universo. A Teoria da Relatividade admite, entre outras coisas, que existe uma
relao direta entre massa e energia, que assim seriam manifestaes distintas de uma
mesma grandeza mais fundamental. O Princpio de Lavoisier, no entanto, descreve
bastante bem o comportamento de sistemas de baixa energia, constituindo por isso a
base de toda a Engenharia Qumica. Isso mostra que um modelo no precisa ser
completo nem descrever todos os detalhes da realidade para que seja til e possa ser
usado na prtica. Na realidade, um modelo til quando fornece as respostas desejadas,
com preciso compatvel com a preciso experimental, com o maior grau de
simplicidade possvel. Utilidade e complexidade no so sinnimos!
4.1.3. O Modelo Fsico - A Planta Piloto
168
M1 M 2
r2
dv
=F
dt
169
170
1.0
2.0
2.0
2.0
2.0
1.0
3.1
3.9
2.9
171
3
) = ( m&
2
e
3i
i =1
)( m& ) = 0
3
F
= 2 m& 3ei m& 1ei m& 2ei
i =1
)( m& ) = 0
e
1i
e
2i
resultando em
16.7 = 9 + 8
16.9 = 8 + 9
= 0.8882
= 1.0882
e no modelo emprico
m& 3 = 0.8882m& 1 + 1.0882m& 2
Repare que nenhum argumento terico sustenta a relao apresentada acima,
mas somente o fato de descrever de forma adequada os dados experimentais obtidos.
Abaixo so mostrados os resultados experimentais e as previses obtidas com os
modelos terico e emprico. Entre parnteses so mostrados os desvios observados entre
a previso do modelo e o dado experimental.
m& 3 (kg/h)
m& 3 (kg/h)
m& 3 (kg/h)
3.1
3.9
2.9
(dado experimental)
3.0 (-0.1)
4.0 (+0.1)
3.0 (+0.1)
(modelo terico)
3.06 (-0.04)
(modelo emprico)
172
Diz-se que o modelo linear quando ele satisfaz uma das seguintes
propriedades:
Propriedade 4.1 - Sejam y T = [ y1
y1 f1 ( x1 x2 ... xNX )
y f x x ... x
2
2( 1
2
NX )
y=
=
= f (x)
...
...
y NY f NY ( x1 x2 ... xNX )
(4.1)
y = f ( x + w ) = f ( x ) + f ( w )
onde e so escalares quaisquer.
(4.2)
173
O modelo descrito pela Equao (4.1) dito explcito porque permite a obteno
direta dos valores das variveis dependentes a partir dos valores das variveis
independentes. A definio de modelo linear extremamente importante porque os
modelos lineares via de regra permitem a obteno de solues analticas para os
problemas de simulao, otimizao e estimao de parmetros, como ser visto
adiante.
Propriedade 4.2 - Sejam y T = [ y1
...
y1
(4.3)
g ( z + w ) = g ( z ) + g ( w )
(4.4)
174
g ( w + u ) = C ( w + u ) = C w + C u = g ( w ) + g ( u )
Logo, o modelo matricial proposto linear. Repare que a equao implcita
x
g ( z ) = C z = [ A B] = A x + B y = 0
y
pode ser resolvida como
y = B 1 A x = f ( x )
passando a ter a forma explcita, desde que a matriz B possa ser invertida. Nesse caso,
f ( w + u ) = B 1 A ( w + u ) = B 1 A w B 1 A u = f ( w ) + f ( u )
confirmando a linearidade.
Modelos lineares matriciais como aqui descritos aparecem naturalmente durante
a formulao de balanos de massa, com ou sem reao. Por exemplo, sejam as
seguintes reaes qumicas:
(1) A + B C + D
(2) A + C E + F
Ento, as seguintes equaes de balano podem ser escritas para um tanque
fechado onde ocorrem as reaes:
M A0 M A 1 2 = 0
M B 0 M B 1 = 0
M C 0 M C + 1 2 = 0
M D 0 M D + 1 = 0
M E 0 M E + 2 = 0
M F 0 M F + 2 = 0
onde 1 e 2 so os graus de avano das reaes 1 e 2 respectivamente. As equaes
acima podem ser tambm escritas como:
1
0
0
0
0 0 0 0 0 M A0 M A 1
1 0 0 0 0 M B 0 M B 1
0 1 0 0 0 M C 0 M C +1
+
0 0 1 0 0 M D 0 M D +1
0 0 0 1 0 M E 0 M E 0
0 0 0 0 1 M F 0 M F 0
1
0
1 1
=0
0 2
+1
+1
175
w + z ) = 2 w2 + 2 w z + 2 z 2 w2 + z 2
2
y = 1 x12 + 2 x22
O modelo linear nas variveis T = [1 2 ] e no linear nas variveis x T = [ x1 x2 ] .
Portanto, necessrio definir as variveis consideradas para que o conceito de
linearidade faa sentido.
Da mesma forma, seja o modelo matemtico implcito abaixo, que relaciona a
varivel dependente y com a varivel independente x
g ( y, x ) =
dy
+ 4 y , y ( 0 ) = y0
dx
Fazendo-se
w
u w1 + u1
y
z = = w + u = 1+ 1 =
x
w2
u2 w2 + u2
ento
y = w1 + u1
x = w2 + u2
dw
du
dy
= 1 + 1
dx
dx
dx
d
d
d
d
=
=
dw2
dx
du2
dx
y = w1 + u1 y0 = w10 + u10
Combinando as duas equaes acima nos termos da equao original
dw
du
dw du
dy
= 1 + 1 = 1 + 1
dx
dx
dx dw2 du2
4 y = 4 w1 + 4 u1
176
dw1
du
+ 4 w1 + 1 + 4 u1 g ( w1 , w2 ) + g ( u1 , u2 )
dw2
du2
g ( y) =
dy
+ 4 y , y ( 0 ) = y0
dx
Fazendo-se
y = w1 + u1
dw
du
dy
= 1 + 1
dx
dx
dx
du
+ 4 w1 + 1 + 4u1 = g ( w1 , x ) + g ( u1 , x )
dx
dx
dy
= y , y ( 0 ) = y0 y ( t ) = y0 e t
dt
Dada uma certa condio inicial, a trajetria dinmica obtida sempre a mesma.
O modelo , portanto, determinstico.
177
Exemplo 4.8 - Para simular a difuso do composto A num segundo composto B, montase uma rede (ou grid) e trocam-se as posies de A com um de seus vizinhos B, de
forma aleatria, at que A atinja o outro lado da rede. O tempo (ou nmero de iteraes)
que A demora para atingir o outro lado da rede caracteriza a velocidade de difuso de A
no meio.
178
179
180
C
2C
C
= D 2 v
K C
t
x
x
C ( 0, x ) = 0
C ( t , 0 ) = C0
C
x
=0
x= L
d 2C
dC
v
K C
2
dx
dx
C ( 0 ) = C0
dC
dx
=0
x= L
dC
dx
d C
dx 2
x = xi
dC
dx
x = x i + L
dC
dx
x = xi
x = x i L
Ci +1 Ci 1
2 L
Ci +1 Ci Ci Ci 1
L = Ci +1 2Ci + Ci 1
L
L
L2
181
0=
D
v
C 2Ci + Ci 1 )
( Ci +1 Ci 1 ) K Ci , i = 1...N
2 ( i +1
L
2 L
com
C0 conhecido (primeira condio de contorno)
CN+1 = CN (segunda condio de contorno)
que pode ser resolvido com a preciso desejada e imposta pela discretizao (nmero de
"fatias" N).
0=
D
v
C 2C1 + C0 )
( C2 C0 ) K C1
2 ( 2
L
2 L
com
C0 conhecido (primeira condio de contorno)
C2 = C1 (segunda condio de contorno)
0=
D
v
C 2 C1 + C0 )
( C1 C0 ) K C1
2 ( 1
L
2 L
v
D
2+
L 2 L
C1 = C2 =
C0
v
D
+K
2+
L 2 L
182
dCi
D
v
= 2 ( Ci +1 2 Ci + Ci 1 )
( Ci +1 Ci 1 ) K Ci , i = 1...N
dt
L
2 L
com
Ci(0) =0 (primeira condio de contorno)
C0(t) conhecido (segunda condio de contorno)
CN+1(t) = CN(t) (terceira condio de contorno)
D
+ 2 +
+ K C1 = 2 +
C0
dt L 2 L
L 2 L
com
C1 ( 0 ) = 0
Repare como o esquema de discretizao reduz a complexidade matemtica do
modelo, ao mesmo tempo em que aumenta o nmero de equaes a serem resolvidas.
Repare ainda que o procedimento de discretizao reduziu o modelo estacionrio
diferencial original a um conjunto de equaes algbricas, reduzindo o modelo
dinmico diferencial original a um conjunto de equaes diferenciais ordinrias.
183
b) Os parmetros do modelo
No entanto, para que o modelo seja til e possa ser utilizado para fazer previses ou
simulaes, necessrio definir adicionalmente quem so os coeficientes angular () e
o coeficiente linear () da reta. Caso contrrio, de pouco serve o modelo. Repare que a
estrutura do modelo pode ser gerada de diversas maneiras, de forma emprica ou
fundamentada em preceitos tericos. De qualquer forma, sem os parmetros a estrutura
pura do modelo quase nunca faz sentido.
q& = k A
dT
dx
onde q& a taxa de transferncia de calor (energia / tempo), A a rea de contato entre
os planos, T a temperatura e x o comprimento medido ao longo da espessura da
parede. k a chamada condutividade trmica do material ((energia
comprimento)/(tempo temperatura)). O sinal de menos indica que o calor flui sempre do
lado mais quente para o lado mais frio; ou seja, flui na direo contrria do gradiente de
temperaturas. Se a condutividade trmica do material constante (ou se a parede
suficientemente fina), ento
q& = k A
(T2 T1 )
L
184
P1 + ... + PNP
R& = K
NR
i =1
RT
que a conhecida Lei de Arrhenius. K0 o fator de freqncia da reao, E a energia
de ativao da reao (energia / mol ), R a constante universal dos gases (1.9876 cal /
(mol K) ) e T a temperatura absoluta. A Lei de Ao das Massas e a Lei de Arrhenius
so fundamentais para o projeto de reatores qumicos e so objetos de estudo da
disciplina de Cintica das Reaes Qumicas. No entanto, so de pouco valor se os
valores do fator de freqncia (K0) e da energia de ativao (E), caractersticos da
reao qumica investigada, no so conhecidos.
185
(T2 T1 )
L
186
em que todas as demais grandezas fsicas, com exceo de k, podem ser medidas
durante um experimento de troca de calor. Suponha que um pedao do isolante
considerado prensado entre duas paredes de dimenses bem definidas (a espessura L e
a rea A medidos), mantidas a temperaturas constantes (T1 e T2 medidos) atravs da
manipulao da quantidade de calor dissipada por uma resistncia eltrica ( q& medido).
Nesse caso, suponha que vrias medidas (experimentos) so feitas. Segundo a Lei de
Fourier, a condutividade trmica k o fator de proporcionalidade (coeficiente angular)
(T T )
existente entre a medida q& e o grupo de medidas A 2 1 . Se essas medidas so
L
lanadas em um grfico, na forma abaixo, possvel inferir de alguma maneira o valor
de k. Portanto, no exagero dizer que o problema de estimao de parmetros
equivalente construo de um sensor virtual (softsensor) para medio das variveis
que no podem ser medidas diretamente com instrumentos fsicos. Portanto, o
condutivmetro trmico o procedimento de estimao de parmetros.
187
188
20
30
40
189
(T T )
onde x a varivel independente x = A 2 1 , y a varivel dependente ( q& ) e
L
o parmetro estimado (k). Suponha ainda que a seguinte mtrica proposta para
descrever a distncia entre os dados experimentais e os dados previstos pelo modelo:
NE
i =1
NE
) = ( y
F = yie yim
e
i
xie
i =1
)( x ) = 0
e
i
( y x )
e e
i i
i =1
NE
(x )
e
i
i =1
(10
+ 202 + 30 2 + 402
3000
( Var { y } x
NE
Var { } =
e
i
e
i
i =1
NE e 2
xi
i =1
( )
NE
=
2
(x )
e
i
y2
i =1
NE e 2
xi
i =1
( )
=
2
190
(x )
e 2
i
i =1
NE e 2
xi
i =1
( )
=
2
y
y2
NE
( )
xie
y2
3000
i =1
2 =
3000
= 1 = 99.67 2 = 99.67 2
3000
q& (cal / h)
m
q& (cal / h)
= q& e q& m
1050
2000
2950
4000
996.7
1993.4
2990.1
3986.8
53.3
6.6
-40.1
13.2
2 =
191
2 1555.6
1
1
=
< 2 =
= 0.518 < F ( 3, ;0.975 ) = 3.1161
F ( ,3; 0.975 ) 13.902 y
3000
satisfeita. Logo, a varincias experimental caracterstica das medidas de y e a
varincia dos desvios de predio no podem ser consideradas diferentes. Portanto, o
modelo pode ser considerado bom, com incertezas de predio comparveis s
incertezas experimentais.
Mais ainda, admitindo-se a normalidade dos erros de medio, com
aproximadamente 95% de confiana os erros de medida so da ordem de
2 y = 2 3000 110 . Como nenhum dos desvios observados maior que isso,
no h pontos suspeitos ou "outliers". Assim, tudo indica que o procedimento de
estimao foi bem executado.
Finalmente, como o modelo pode ser usado para fazer previses de y a
posteriori, conveniente calcular os erros de previso com o modelo. Nesse caso,
usando novamente as Equaes (1.37) e (1.44), chega-se a
Var { y } = Var { x} y2 = x 2 2 = x 2
que a varincia de predio inerente ao modelo, uma vez que foram desprezados os
possveis erros experimentais de x e y. Toda essa informao est contida na Figura 4.12
abaixo. Observe como os erros de predio mudam com x e nesse caso particular
crescem, medida que nos afastamos do zero.
192
d ( x, y ) ; d ( x, y ) 0
(4.5)
d ( x, y ) = 0
x=y
(4.6)
d ( x, y ) = d ( y,x )
(4.7)
d ( x, y ) d ( x,z ) + d ( z, y )
(4.8)
193
Exemplo 4.13 - Seja o conjunto dos nmeros reais. Sejam x e y dois nmeros reais
quaisquer. Ento
d ( x, y ) = x y
define uma mtrica em . Veja que o primeiro axioma satisfeito naturalmente pela
funo mdulo. O segundo axioma tambm naturalmente satisfeito, porque o nico
nmero real que tem mdulo igual a zero o prprio zero. O terceiro axioma tambm
naturalmente satisfeito, uma vez que os mdulos de nmeros opostos (ou seja, de sinais
distintos) so iguais. Finalmente, para mostrar a desigualdade do tringulo, suponha sem
perda de generalidade que x < y. Ento,
< x z + z y ,
z<x
d ( x, y ) = x y = x z + z y = x z + z y , x < z < y
< x z + z y ,
z>y
Por exemplo, se x = 1 e y = 3
< 1 0 + 0 3 = 4
d (1,3) = 1 3 = 2 = 1 2 + 2 3 = 2
< 1 4 + 4 3 = 4
Portanto, o valor absoluto da diferena entre dois nmeros reais uma medida
da distncia entre esses dois nmeros.
194
d y ,y
1/ 2
2
NE
= yie yim
i =1
define uma mtrica para o problema de estimao de parmetros. Veja que o primeiro
axioma satisfeito naturalmente pela funo quadrtica, que resulta sempre num
nmero real positivo. O segundo axioma tambm naturalmente satisfeito, uma vez que
o nico nmero real cujo quadrado igual a zero o prprio zero. O terceiro axioma
tambm naturalmente satisfeito, uma vez que os quadrados de nmeros opostos (ou
seja, de sinais distintos) so iguais. Finalmente, para mostrar a desigualdade do
tringulo, conveniente lembrar apenas que
(y
e
i
(y
yim
e
i
= yie yim
de maneira que o resultado do Exemplo 4.13 tambm pode ser usado aqui para garantir
a desigualdade do tringulo.
Portanto, a soma dos quadrados das diferenas entre as componentes de dois
vetores reais uma medida da distncia entre esses dois vetores.
d1 y , y
NE
d 2 y e , y m = yie yim
i =1
NE
d 3 y e , y m = wi yie yim
i =1
(4.9a)
1/ N
, N par
(4.9b)
1/ N
, wi positivo, N par
NE
d 4 y e , y m = yie yim
i =1
1/ 2
2
NE
= yie yim
i =1
(4.9c)
(4.9d)
195
2
NE
d 5 y e , y m = exp yie yim 1
i =1
(4.9e)
196
(4.10)
y2 =
( y
e
i
yim
i =1
(4.11)
(4.12)
197
adequadas. Portanto, minimizar essa funo objetivo o mesmo que dizer que o erro
experimental no deve ser superior ao menor valor possvel, em consonncia com a
hiptese do experimento bem feito. A Equao (4.12) define a funo objetivo de
mnimos quadrados. Deve ficar claro que apenas a interpretao estatstica torna essa
mtrica melhor que as demais mtricas definidas pelas Equaes (4.9a-e).
Exemplo 4.15 - Um exemplo de aplicao da tcnica de mnimos quadrados o caso
clssico da reta. Suponha que
ym = x +
FObj NE
e
e
= 2 ( yi xi )( xie ) = 0
i =1
FObj NE
e
e
= 2 ( yi xi ) ( 1) = 0
i =1
H, portanto, duas equaes a resolver e duas incgnitas a determinar, uma vez
que os dados experimentais so conhecidos. Portanto:
( )
NE e e
e
e 2
2 yi xi xi xi = 0
i =1
NE
e
e
2
yi xi = 0
i =1
NE
NE
NE e 2
e
e e
xi + xi = yi xi
i =1
i =1
i =1
NE
NE
xie + NE = yie
i =1
i =1
( )
( )
( )
( )
resultando em
NE
NE yie xie
i =1
=
NE
NE
i =1
) ( y ) ( x )
NE
NE
e
i
e
i
i =1
i =1
2
( x ) ( x )
e
i
NE
i =1
e
i
198
NE
NE
( y )
e
i
(x )
e
i
i =1
NE
i =1
NE
y m = x2 + x +
( )
xie
FObj
i =1
FObj
NE
( )
= 2 yi xie
i =1
FObj
NE
= 2 yi ( xie ) xi
NE
)( ( x ) ) = 0
e
i
xi
) (x ) = 0
= 2 yi ( xie ) xi
i =1
e
i
) ( 1) = 0
y = e x
FObj = yie e
i =1
xie
NE
xe
xe
e
= 2 yi e i
e i = 0
i =1
FObj
199
NE
e
xe
xe
= 2 yi e i xie e i = 0
i =1
( )
z m = ln y m = ln ( ) + x = + x
( ( ) ( ))
Os Exemplos 4.15 e 4.16 mostram que, para modelos lineares nos parmetros, a
aplicao da tcnica de mnimos quadrados admite soluo analtica. J para o modelo
exponencial do Exemplo 4.17 necessrio algum mtodo numrico para que a soluo
200
seja encontrada. Assim, de forma generalizada pode-se definir um modelo linear nos
parmetros como:
NP
y m ( x, ) = j f j ( x )
(4.13)
j =1
funes
f j (x) ,
que
transformam
as
NX
variveis
independentes,
= yie j f j xie
i =1
j =1
NE
FObj
( )
(4.14)
NE
NP
( )(
( ) ) = 0 , k = 1..NP
(4.15)
NP
NE
f ( x ) f ( x ) = y f ( x ) , k = 1..NP
j
j =1
e
i
e
i
i =1
e
i k
e
i
(4.16)
i =1
NE
f1
i =1
NE
f
M = i =1 2
NE
f
NP
i =1
NE
( ) ( ) ( ) ( )
xie f1 xei
f1 xie f 2 xie
i =1
e
i
e
i
e
i
e
i
e
i
NP
i =1
e
i
e
i
NP
e
i
NP
M
NE
e
i
e
xi
f (x ) f ( )
(x ) f (x ) f (x ) f (x )
e
i
i =1
NE
e
i
NE
i =1
f (x ) f (x )
i =1
NE
(x ) f (x ) f (x ) f (x )
NE
e
i
f (x ) f ( )
NP
i =1
e
i
NP
(4.17)
201
NE e
e
yi f1 xi
i =1
NE e
y f xe
Yf = i =1 i 2 i
...
NE
y e f xe
i NP
i
i =1
( )
( )
( )
(4.18)
ento
M = Yf = M 1 Yf
(4.19)
( )
( )
f1 x1e
f 2 x1e
GY =
...
e
f NP x1
( )
( )
(x )
f1 xe2
...
e
2
...
f2
...
...
( )
...
f NP xe2
( )
( )
f1 xeNE
e
f 2 x NE
...
f NP xeNE
(4.20)
pois assim possvel escrever a soluo diretamente em termos das variveis medidas
na forma
= M 1
y1e
e
y
e
e
GY Y , Y = 2
M
e
y NE
(4.21)
que indica que existe uma relao linear direta entre a medida experimental da varivel
dependente e o valor estimado para o parmetro.
Exemplo 4.18 - Suponha que o seguinte modelo est sendo usado para interpretar um
problema fsico
y m = 1 x1 + 2 x2 + 3 x1 x2 + 4
onde y representa uma varivel dependente que depende de duas outras variveis
independentes x1 e x2. No problema proposto,
f1 ( xe ) = x1e , f 2 ( x e ) = x2e , f 3 ( x e ) = x1e x2e , f 4 ( x e ) = 1
Dessa forma,
NE e 2
x1,k
k =1
NE e e
x1, k x2,k
k =1
M = NE
2
e
e
x1,k x2,k
k =1
NE
e
x1,k
k =1
( )
( )
202
e
x1,2
e
x2,2
e
e
x1,2
x2,2
1
L
x1,e NE
x2,e NE
L
L x1,e NE x2,e NE
L
1
e
x1,3
e
x2,3
e
e
x1,3
x2,3
1
NE
NE
e
1, k
(x )
x2,e k
k =1
2
e
1, k
(x )
e
2, k
NE
x (x )
e
1, k
k =1
NE
e
2, k
k =1
NE
x (x ) (x ) (x )
e
1, k
e
2, k
k =1
e
1, k
e
2, k
k =1
NE
e
2, k
k =1
e
1, k
k =1
NE
NE
e
1, k
k =1
k =1
NE
x2,e k
k =1
NE
e
e
x1,k x2,k
k =1
NE
1 = NE
i =1
NE
x2,e k
x2,e k
= 1 2 = M 1 G Y Y1e M 1 G Y Y2e = M 1 G Y Y e
(4.22)
= M 1 G Y
(4.23)
(4.24)
os parmetros tambm flutuam em torno dos valores verdadeiros, o que mostra que o
procedimento proposto para estimao de parmetros consistente. Mais importante
ainda perceber que a matriz de covarincias dos parmetros pode ser calculada como
V = T
203
( )2
1
2 1
=
M
NP 1
E M 1 G Y T G TY M 1
L 1 NP
L 2 NP
=
O
M
2
L ( NP )
1 2
( 2 )
M
NP 2
) }=M
T
{ }
G Y E T G TY M 1
V = M 1 G Y Vy G TY M 1
(4.25)
Observe que a matriz M simtrica, de maneira que ela igual a sua transposta
( M = M T , M 1 = M 1
NE
f1
i =1
NE
f
G Y G TY = i =1 2
NE
f
NP
i =1
(x ) f (x ) f (x ) f (x )
e
i
e
i
e
i
e
i
NE
i =1
(x ) f (x ) f (x ) f (x )
e
i
e
i
e
i
e
i
e
i
e
i
NP
e
i
i =1
e
i
NP
M
NE
e
i
xie
(4.26)
=M
xie
f (x ) f ( )
e
i
NP
i =1
NE
(x ) f (x ) f (x ) f (x )
e
i
NE
i =1
i =1
NE
f (x ) f (x )
f (x ) f ( )
NP
i =1
e
i
NP
0 y2
Vy =
M
M
0
0
L 0
= y2 I
O M
L y2
L
(4.27)
onde I a matriz identidade. Nesse caso, a matriz de covarincias dos parmetros ganha
a forma bastante simples
V = y2 M 1 G Y G TY M 1
= y2 M 1 M M 1 = y2 M 1
(4.28)
204
(4.29)
f1 ( x )
f2 ( x )
B ( x) =
M
f NP ( x )
(4.30)
onde
que tambm estabelece uma relao linear direta entre o valor dos parmetros e a
previso da varivel dependente em um ponto qualquer x da regio experimental. A
matriz B chamada de matriz de sensibilidades do modelo em relao aos parmetros.
De forma anloga realizada anteriormente,
y2 = ( y c ) = {B T T B}
2
y2 = B T { T } B = B T V B = y2 B T M 1 B
(4.31)
1
Repare que a matriz B depende da condio de experimentao considerada
durante os clculos.
205
Exemplo 4.20 - Os problemas tratados nos Exemplos 4.15 e 4.16 podem ser analisados
no contexto desenvolvido de forma generalizada para modelos lineares nos parmetros.
Por exemplo, a reta pode ser escrita como
y m = 1 f1 ( x ) + 2 f 2 ( x )
com f1 ( x ) = x e f 2 ( x ) = 1 . Nesse caso, conforme a Equao (4.17), a matriz M pode
ser escrita como:
NE e
xi
i =1
M = NE
e
xi
i =1
( ) ( x )
NE
e
i
NE
i =1
( )
e a sua inversa
M =
2
NE
NE
NE xie
i =1
i =1
( )
NE
2
NE
e
xie xi
i =1
( )
NE
xie
i =1
NE
2
xie
i =1
( )
( )
( )
112 = y2
NE
2
NE
NE xie xie
i =1
i =1
NE
( )
( )
222
NE e 2
xi
i =1
2
=y
2
NE
NE e
e 2
NE xi xi
i =1
i =1
( )
( )
( )
206
NE
xie
i =1
122 = y2
2
NE
NE
e 2
e
NE xi xi
i =1
i =1
( )
( )
( )
12 =
NE
xie
i =1
NE
2
NE xie
i =1
( )
( )
12
22
NE
NE
x 2 NE 2 x xie +
i =1
i =1
y2 ( x ) = y2
NE
2
NE
NE xie xie
i =1
i =1
( )
( )
( x )
e
i
( )
onde pode ser observado que mesmo para um modelo linear, o erro de predio uma
funo quadrtica com relao condio experimental x.
interessante observar nas expresses dos erros apresentadas acima que os erros
paramtricos aumentam sempre com o aumento dos erros experimentais, o que poderia
j ser esperado, e diminuem sempre com o aumento do nmero de experimentos.
Portanto, medida que o nmero de experimentos aumenta indefinidamente, os erros
paramtricos se aproximam continuamente de zero.
207
e
k
k =1
NE
Logo, a mdia amostral pode ser interpretada como a melhor inferncia de um modelo
constante para um conjunto de dados, quando se supe que o modelo constante
perfeito, os experimentos so bem feitos, a funo objetivo dada pela funo de
mnimos quadrados, os experimentos so independentes e os erros experimentais so
constantes na regio de experimentao. V-se, portanto, que o contexto de validade da
mdia amostral proposta no Captulo 3 pode ser bastante questionado, em bases tcnicas
absolutamente legtimas.
Exemplo 4.22 Uma pergunta pertinente diz respeito varincia das diferenas entre
os dados experimentais e as predies feitas com o modelo. Suponha um modelo linear
na forma
y = B (x)
T
como discutido nessa seo. Nesse caso, as respostas do modelo so obtidas na forma
y m = B ( x ) M -1 G Y Y e
T
208
{( y ) 2B
2
e
k
T
k
}=
M -1 G Y ( yke k ) + BkT M -1 G Y T G TY ( M -1 ) Bk
T
{( y ) } 2B
e
k
M -1 G Y E ( yke k ) + BkT M -1 G Y E { T } G TY ( M -1 ) Bk =
T
onde 2 a varincia dos erros experimentais. Conclui-se, portanto, que a varincia das
diferenas entre os dados experimentais e as predies feitas com o modelo menor que
a varincia dos erros experimentais. Assim, se a varincia dos erros experimentais for
inferida pela diferena existente entre os dados experimentais e as predies do modelo,
necessrio levar esse fato em considerao, para que no se subestime a varincia
experimental (ver Equaes 3.7-3.9).
De forma semelhante
NE
2
NE
E ( yke ykm ) = E
k =1
k =1
( yke ykm )
NE
k =1
NE
2 NE BkT M -1 Bk = 2 [ NE NP ]
Portanto, uma inferncia consistente da varincia experimental pode ser dada
pela equao
NE
s2 =
( y
k =1
e
k
ykm )
NE NP
de maneira que se diz que o sistema perde NP graus de liberdade quando se estimam NP
parmetros de um modelo. No caso particular do modelo do Exemplo 4.21, obtm-se a
mesma expresso definida na Equao (3.7) para a varincia amostral, mostrando a
consistncia interna da anlise efetuada.
209
z e ; z, VZ =
1
exp z e z
2
2 det ( VZ )
1
VZ1 z e z
(4.32a)
210
z ; z, VZ
e
ze z
1
=
exp
2 ( VZ )
( VZ )
(4.32b)
NE
z e ; z, VZ = i z ie ; z i , VZi
i =1
(4.33a)
1
z e ; z, VZ =
exp z ei z i
2
i =1 2 det ( VZi )
VZi1 z ie z i
NE
z ei z i
1
z e ; z, VZ =
exp
i ( VZi )
i =1 2 i ( VZi )
(4.33b)
(4.33c)
NE
211
1
z e ; z, VZ =
exp xei xi
2
i =1 2 det ( VXi )
z ; z, VZ
VXi1 xei xi
1
exp y ie y i
2
2 det ( VYi )
1
(4.34a)
VYi1
y ei y i
(4.34b)
xie xi
y ie y i
1
1
(4.34c)
=
exp
exp
xi ( VXi ) 2 yi ( VYi )
yi ( VYi )
i =1 2 xi ( VXi )
NE
NE
z e ; z, VZ = yi y ie ; y i , VYi
i=1
NE
1
1
exp y ei y i
z e ; z, VZ =
2
i =1 2 det ( VYi )
z ; z, VZ
e
(4.35a)
VYi1 y ei y i
y ie y i
1
=
exp
yi ( VYi )
i =1 2 yi ( VYi )
(4.35b)
NE
(4.35c)
2
z e ; z, VZ = xij xije ; xij , xij
i =1
j =1
) ( y ; y , )
NY
yij
j =1
e
ij
ij
2
yij
(4.36a)
z e ; z, VZ
z ; z, VZ
e
212
1
1 xij xij
=
exp
2
2
2 xij
i =1 j =1 2 xij
NE NX
NX
xije xij
1
=
exp
2
2
xij xij
i =1 j =1 2 xij xij
NE
( )
( )
yije yij
1
1
exp
2
2
2
j =1 2 yij
yij
(4.36b)
e
NY
yij yij
1
exp
2
2
yij yij
j =1 2 yij yij
(4.36c)
NY
( )
( )
ou ainda
NE NY
2
z e ; z, VZ = yij yije ; yij , yij
j =1
i =1
z ; z, VZ
z ; z, VZ
e
1
1 yij yij
exp
=
2
2
2
yij
i =1 j =1 2 yij
NE NY
NY
yije yij
1
=
exp
2
2
yij yij
i =1 j =1 2 yij yij
(4.36d)
NE
( )
(4.36e)
(4.36f)
( )
213
producente admitir que um usurio queira utilizar um modelo sabidamente ruim para
representar um problema experimental qualquer.
O modelo pode ser definido genericamente na forma:
y m = f xm ,
(4.37)
yije yijm ( xi , ) )
(
1
1
( z ; z , VZ ) =
exp
2
2
2
yij
i =1 j =1 2 yij
NE
NY
(4.38)
214
1
ln z ; z , VZ = ln
2
2 yij
i =1 j =1
NE NY
1 NE NY y e y m ( x , )
ij
i
ij
2
yij
2 i =1 j =1
(4.39)
e
m
1 NE NY yij yij ( xi , )
F =
2
2 i =1 j =1
yij
(4.40)
FObj =
i =1 j =1
(y
e
ij
yijm ( xi , )
2
yij
(4.41)
215
z ; z, VZ
e
NX
xe x
1
ij
ij
exp
=
2
2
2 xij
i =1 j =1
2 xij
NE
NY
y e y 2
1
ij
ij
exp
2
2
2 yik
j =1
2 yij
(4.42)
que corresponde Equao (4.34) aps ser introduzida a hiptese de que todas as
medies so feitas de forma independente, de maneira que as matrizes de covarincias
dos erros experimentais so diagonais. O ponto de mximo da Equao (4.42)
corresponde ao ponto de mnimo da seguinte expresso (similar Equao (4.41)):
FObj
NY y e y m x m ;
ij
ij
i
=
2
yij
i =1
j =1
NE
))
2
NX
(x
j =1
e
ij
xijm
2
xij
(4.43)
que a mtrica natural para o problema com erro tambm na varivel independente,
quando as distribuies de erro so normais e os experimentos no esto
correlacionados. Observe que na Equao (4.43) s possvel calcular o valor
m
verdadeiro de x se esses valores so includos no conjunto de parmetros a serem
estimados pelo problema. Esse o problema normalmente designado de reconciliao
de dados, ilustrado no Exemplo 4.23 e apresentado com mais detalhes no Volume III
dessa srie de publicaes.
Exemplo 4.23 - No problema linear do Exemplo 4.20, admite-se que as variveis
independentes tambm esto sujeitas a erros de medio. Nesse caso,
ym = xm +
A funo de mxima verossimilhana fica na forma
) + (x
ye xm
i
i
=
2
yi
i =1
NE
FObj
216
2
e
i
xim
xi2
NE
NE
m
i
(y x
2
m
k
yk2
( x ) = 0
m
i
m
i
yi2
i =1
(y x
=2
2
yi
xkm
i =1
FObj
FObj
(y x
2
( 1) = 0
) ( ) + 2 ( x x ) ( 1) = 0 , k = 1...NE
e
k
m
k
2
xk
( yk )
e
xk
yk2
xk2
= xkm , k = 1...NE
2
1
+
yk2 xk2
que pode ser substitudo nas duas equaes anteriores, permitindo a soluo do
problema. No entanto, apenas uma soluo numrica possvel, j que no se consegue
derivar uma soluo analtica para o problema. Dessa forma, o problema de
reconciliao de dados, mesmo para o caso mais trivial da reta, requer o uso de rotinas
computacionais para resoluo adequada do problema. conveniente observar na
expresso acima que, se os erros de medida da varivel independente vo a zero,
( yk )
e
xkm =
xk
xk
yk2
xk2
xk2
e
= xk , k = 1...NE
2
1
1
+ 2
2
xk2
yk xk
de maneira que o valor calculado coincide com o valor experimental, como admitido
anteriormente.
217
y1m ( x, ) = p f1, p ( x )
p =1
NP
y2m ( x, ) = p f 2, p ( x )
p =1
(4.44)
M
NP
m
y NY
( x, ) = p f NY , p ( x )
p =1
NE NY
218
FObj =
e NP
e
yij p f j , p xi
p =1
( )
(4.45)
ij2
i =1 j =1
FObj
k
NE NY
e NP
e
yij p f j , p xi
p =1
( )
i =1 j =1
2
ij
( f ( x ) )=0 , k = 1...NP
e
i
j ,k
(4.46)
( )
( )
( )) ,
ij2
ij2
i =1 j =1
i =1 j =1
p =1
NP
k = 1..NP
(4.47)
NE NY f j ,1 ( xie ) f j ,1 ( xie )
ij2
i =1 j =1
e
e
NE NY f j ,2 ( xi ) f j ,1 ( xi )
M =
ij2
i =1 j =1
NE NY f j , NP ( xei ) f j ,1 ( xie )
ij2
i =1 j =1
e
NE NY
f j ,1 ( xie ) f j ,2 ( xie )
NE NY
ij2
i =1 j =1
f j ,2 ( xie ) f j ,2 ( xie )
ij2
i =1 j =1
M
NE NY
f j , NP ( xie ) f j ,2 ( xei )
ij2
i =1 j =1
( ) )
NE NY yije f j ,1 xie
i =1 j =1
ij2
NE NY yije f j ,2 xie
Yf =
ij2
i =1 j =1
NE NY y e f
e
ij j , NP x i
ij2
i =1 j =1
f j ,1 ( xie ) f j , NP ( xie )
ij2
i =1 j =1
e
e
NE NY f
j ,2 ( x i ) f j , NP ( x i )
ij2
i =1 j =1
e
e
NE NY f
x
f
x
(
)
(
)
j , NP
i
j , NP
i
2
ij
i =1 j =1
(4.48)
NE NY
( ))
( ))
(4.49)
219
M = Yf = M 1Yf
(4.50)
( )
f1,1 x1e
e
f NY ,1 x1
e
f1,1 x 2
M
=
f
xe
NY ,1 2
f1,1 x eNE
e
f NY ,1 x NE
f1, NP x1e
f NY , NP x1e
f1, NP
f NY , NP xe2
f1, NP x eNE
( )
f NY , NP x eNE
2
2, NY
( )
( )
( )
G TY x e
( )
( )
2
1,1
0
0
0
0 O
0
0 1,2 NY
0
0
0
0
0
0
Vy =
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
( )
2
2,1
( )
(x )
e
2
( )
( )
( )
2
NE
,1
(4.45)
0
0
0
0
0
0
0
0
0
0
0
0
0
0
O
0
2
0 NE
, NY
0
(4.46)
pois assim possvel escrever a soluo diretamente em termos das variveis medidas
na forma
= M 1G TY Vy1Y e
(4.47)
que indica que existe uma relao linear direta entre a medida experimental da varivel
dependente e o valor estimado para o parmetro (ver Exemplo 4.22).
Como j dito, suponha que as variveis independentes no contm erros e que
toda a flutuao experimental devida aos erros de medio das variveis dependentes
e
Y . Suponha ainda que dois conjuntos de dados obtidos em condies anlogas so
comparados entre si. Nesse caso,
220
(4.48)
= M 1G TY Vy1
(4.49)
(4.50)
os parmetros tambm flutuam em torno dos valores verdadeiros, o que mostra que o
procedimento de estimao de parmetros consistente. Isso muito bom e confere um
certo grau de robustez ao procedimento de estimao de parmetros proposto. Alm
disso, a matriz de covarincias dos parmetros pode ser calculada como
V = { T } = E M 1G TY Vy1 T ( Vy1 ) G Y ( M 1 )
T
V = M 1G TY Vy1E { T }( Vy1 ) G Y ( M 1 )
T
V = M G V Vy ( V
1
T
Y
1
y
1
y
GY (M
V = M 1G TY ( Vy1 ) G Y ( M 1 )
T
(4.51)
M = G TY Vy1G Y
(4.52)
V = M 1G YT Vy1G Y M 1
= M 1
(4.53)
221
y m ( x, ) = B ( x )
(4.54)
onde
f1,1 ( x )
f (x)
B ( x ) = 2,1
M
f NY ,1 ( x )
f1,1 ( x )
f 2,2 ( x )
M
L
L
O
f NY ,2 ( x ) L
f1, NP ( x )
f 2, NP ( x )
f NY , NP ( x )
(4.55)
que tambm estabelece uma relao linear direta entre o valor dos parmetros e a
previso da varivel dependente em um ponto qualquer x da regio experimental. De
forma anloga realizada anteriormente,
= yy T = B T B T
V
y
= B T B T = BV B T = BM 1B T
V
y
(4.56)
y1m ( x, ) = f1 ( x, )
y2m ( x, ) = f 2 ( x, )
M
(4.57)
m
y NY
( x, ) = f NY ( x, )
222
verossimilhana fica ento na forma da Equao (4.41) (embora pudesse ser qualquer
outra). A incluso das equaes do modelo na funo objetivo da Equao (4.41) leva a:
NE NY
FObj =
(y
e
ij
f j xei ,
))
(4.58)
ij2
i =1 j =1
FObj =
(y
e
ij
f j xim ,
ij2
i =1 j =1
))
2
NE NX
(x
e
ik
xikm
ik2
i =1 k =1
(4.59)
(4.60)
(4.61)
GL = NE.NY NP
FObj
p
NE NY
= 2
i =1 j =1
(y
e
ij
))
f j xei , f j xie ,
ij2
p
) = 0 ,
p = 1..NP
(4.62a)
FObj
223
FObj
1 0
FObj
0
= 2 = = 0
M M
0
FObj
NP
(4.62b)
m
i ,k
NY
= 2
j =1
(y
e
i, j
))
f j xim , f j xim ,
i2, j
xim,k
x FObj
FObj
x11
FObj
= x12
M
FObj
x
NE , NX
) 2 ( x
e
i ,k
xim,k
2
i ,k
) = 0 , i = 1..NE
k = 1..NX
0
0
= = 0
M
0
(4.63a)
(4.63b)
Deve ser observado que o segundo termo do lado direito da Equao (4.59) no
depende dos parmetros , de forma que os vetores gradientes em relao aos
parmetros das funes objetivos definidas nas Equaes (4.58) e (4.59) so
semelhantes. Apenas deve-se usar os valores de xm ao invs de xe para o clculo das
funes fj, no caso em que as variveis independentes esto sujeitas a erros
experimentais que no podem ser desprezados.
Exemplo 4.24 - Considere o modelo no linear definido pelas equaes:
y1 = 1 x12 + x2 2
y2 = 1 2 x1 x2
Utilizando-se a funo de mnimos quadrados ponderados para anlise do
problema, na forma definida pela Equao (4.41) para o caso de estimao e pela
224
Equao (4.43) para o caso de reconciliao, o gradiente da funo objetivo com relao
aos parmetros 1 e 1 pode definido pelas seguintes equaes:
NE
FObj
NE
yie,2 1 2 xi ,1 xi ,2
x +
x
x
( 2 i,1 i,2 ) = 0
i2,2
yie,2 1 2 xi ,1 xi ,2
2
=0
xi ,2 ln ( xi ,2 ) +
x
x
(
)
1 i ,1 i ,2
i2,2
FObj
2
i ,1
Observe que no possvel obter uma soluo analtica para os valores dos
parmetros a partir das duas equaes acima, sendo necessria a utilizao de um
mtodo numrico especfico para esse fim. Quando so consideradas as variveis
independentes, as seguintes equaes devem ser adicionadas ao problema:
FObj
xi ,1
FObj
xi ,2
)
)
( 21 xi,1 ) +
( x )
2 1
1 i ,2
(y
e
i ,2
1 2 xi ,1 xi ,2
(y
+
e
i ,2
2
i ,2
1 2 xi ,1 xi ,2
2
i ,2
(x
xi ,1
=0
i2,1
e
x x
( 1 2 xi,1 ) i,2 2 i ,2 = 0
i ,2
( 1 2 xi ,2 )
e
i ,1
onde i = 1..NE.
Quando somente a estimao dos parmetros considerada, a soluo do
problema equivalente soluo de um sistema de duas equaes algbricas com duas
incgnitas. Quando o problema de reconciliao considerado, o sistema de equaes
algbricas passa a ser constitudo por 2.NE + 2 equaes e 2.NE + 2 incgnitas (2.NE
variveis independentes e 2 parmetros). Assim, a dimenso do problema numrico que
precisa ser resolvido aumenta consideravelmente no problema de reconciliao. A
depender do problema de estimao proposto, a dimenso do sistema de equaes que
deve ser resolvido pode ser bastante elevada.
V = E xxT
225
x1x1
x x
= E 2 1
M
xN x1
x1xN
L x2 xN
O
M
L xN xN
x1x2
x2 x2
M
xN x2
(4.64)
(4.65)
(4.66a)
y e = y m ( x m + X , ) + Y = f ( xm + X , ) + Y
(4.66b)
y = f x , 0 +
e
f x e , 0
) +
(4.67a)
y =
f x e , 0
) +
(4.68a)
y = f x , 0 +
e
f x m , 0
) + f ( x
, 0
+ Y
(4.67b)
f x m , 0
226
) + f ( x
, 0
+ Y
(4.68b)
FObj y e , x e , = 0
(4.69)
FObj y + Y , x , + FObj
e
FObj y e , x e ,
y , x , +
Y +
y e
e
FObj y e , x e ,
+
= 0
(4.70a)
FObj y + Y , x + X , + FObj
e
FObj y e , x e ,
y , x , +
Y +
y e
e
FObj y e , x e ,
FObj y e , xe ,
X +
= 0
x e
(4.70b)
e
1y1,1
2 F
Obj
FObj y e , xe ,
e
GY =
=
2 y1,1
y e
2 F
Obj
e
NP y1,1
2 FObj
e
1x1,1
2 F
Obj
FObj y e , xe ,
e
GX =
= 2x1,1
x e
2 F
Obj
e
NP x1,1
2 FObj
11
2 F
Obj
FObj y e , x e ,
H =
= 2 1
2 F
Obj
NP 1
227
2 FObj
e
1y1,2
2 FObj
e
2y1,2
M
FObj
NP y
2 FObj
1x
e
1,2
FObj
2 FObj
e
2 y NE
, NY
FObj
2
e
2 x1,2
e
1y NE
, NY
e
1,2
2 FObj
e
NP y NE
, NY
2 FObj
1x
e
NE , NX
2 FObj
e
2 xNE
, NX
2 FObj
2 FObj
e
NP x1,2
2 FObj
1 2
2 FObj
2 2
M
FObj
2
NP 2
e
NP xNE
, NX
(4.71a)
(4.71b)
1 NP
2 FObj
L
2 NP (4.71c)
O
M
2 FObj
L
NP NP
L
2 FObj
(4.72a)
G Y Y + G X X + H = 0
(4.72b)
= H 1 G Y Y
(4.73a)
= H 1 [G Y Y + G X X ]
(4.73b)
228
{(
)( H G ) }
G E{ } G H
V = E T = E H 1 G Y Y
V = E H 1 G Y Y TY G TY H 1 = H 1
T
Y
T
Y
(4.74a)
V = H 1 G Y VY G TY H 1
ou, de forma anloga
{(
)(
V = E T = E H 1 [G Y Y + G X X ] H 1 [G Y Y + G X X ]
V = H 1 G Y VY G TY + 2 G X VXY G TY + G X VX G TX H 1
)}
T
(4.74b)
V = H 1 G Z VZ G TZ H 1
onde VX, VY e VXY so as matrizes de covarincias dos desvios experimentais nas
variveis independentes, dependentes e das covarincias entre elas. Se as medidas
experimentais das variveis independentes e dependentes no esto correlacionadas
entre si, a Equao (4.74b) ganha a forma particular
V = H 1 G Y VY G TY + G X VX G TX H 1
(4.74c)
FObj
ye xm
i
i
=
2
yi
i =1
NE
) + (x
2
e
i
xim
xi2
229
)(
FObj
e
m
NE y x
xim
i
i
FObj
2
i =1
yi
e
m
NE
yi xi ( 1)
FObj
i
=
1
yi
= FObj =
e
m
e
m
y1 x1 ( )
x1 x1 ( 1)
m
x
2
+
2
1
2
2
y
x
1
1
M
F
Obj
e
m
e
m
m
x
yNE xNE ( )
xNE xNE ( 1)
NE
2
+2
2
2
xNE
yNE
2
2 F
Obj
2 FObj 2 F
Obj
H =
=
i j x1m
2
FObj
m
xNE
m 2
NE x
i
2
2
i =1 yi
m
NE x
2 2
i =1 yi
H =
e
m
+ x1m
1
1
y21
e
m
m
y NE xNE + xNE
2
2
yNE
( )
( )
( )
m
NE x
i
2 2
i =1 yi
2 FObj
2 FObj
x1m
2 FObj
2 FObj
x1m
2 FObj
2 FObj
x1m
x1m
FObj
FObj
M
2
m
x1m xNE
m
NE
NE
1
2 2
i =1
yi
2
y1
L 2
y21
2
1
+2 2
y21
x1
2
yNE
( )
y21
2 FObj
m
xNE
2 FObj
m
xNE
2
FObj
m
x1m xNE
2 FObj
m 2
xNE
( )
e
m
m
y NE
xNE
+ xNE
yNE
2 2
yNE
2 2 +2 2
yNE
xNE
230
2 FObj
e
x1
2 F
Obj
x1e
2 FObj
= 2 FObj
GX =
e
i j m e
x x1
1
M
2
FObj
m
xNE
x1e
2 FObj
x2e
2 FObj
2 FObj
FObj
m
xNE
x2e
0 L
0 L
M O
0 L
2 FObj
y
e
2
2 FObj
y2e
2 FObj
x1m y2e
M
FObj
m
xNE
y2e
( x )
m
2
y22
L 2
( 1)
2
y22
e
xNE
2 FObj
xNE
2
FObj
e
x1m xNE
2
FObj
m
e
xNE
xNE
2
2
xNE
0 L
x1m x2e
2 FObj
e
y1
2 F
Obj
y1e
2 FObj
GY =
= 2 FObj
e
i y j m e
x y1
1
M
2
FObj
m
xNE
y1e
x2e
0
0
G X = x21
M
x1m
2
2
y1
2 ( 1)
2
y1
GY = ( )
2 2
y1
2 FObj
y
2 FObj
y NE
2 FObj
e
x1m y NE
2
FObj
m
e
xNE
y NE
2 FObj
e
NE
( x )
m
NE
2
yNE
2
yNE
)
(
2 2
yNE
( 1)
2
231
yi
i =1
NE
FObj
FObj
)(
F
Obj 2
yi2
i =1
=
=
FObj NE y e x e ( 1)
i
i
2
2
yi
i =1
2 FObj 2
H =
= 2
i j FObj
2 FObj
2 FObj
NE x e 2
NE x e
2 i 2 i
2
2
i =1 yi
i =1 yi
H =
NE
NE
xie
1
2 2 2 2
i =1
yi
i =1 yi
( )
( )
( )
2 FObj
2 FObj y1e
GY =
=
e
2
i y j FObj
e
y1
x1e
2 2
y1
GY =
2 ( 1)
2
y1
2 FObj
y2e
2 FObj
y2e
( x )
2
e
2
y22
( 1)
2
y22
2 FObj
L
e
yNE
2 FObj
L
e
yNE
( x )
2
( 1)
2
e
NE
2
yNE
2
yNE
232
NE xi2
4 2
T
=1 i
G Y VY G Y = iNE
xi
4 2
i =1 i
xi
2
i =1 i
= 2 H
NE
1
4 2
i =1 i
NE
V = H 1 G Y VY G TY H 1 = 2 H 1 =
NE 1
2
1
1
i
i =NE
2
x
NE x 2 NE 1 NE x
i
i2 2 i2 2
i =1 i i =1 i i =1 i i =1 i
xi
2
i =1 i
NE
xi2
2
i =1 i
NE
NE
1
NE
V =
2
NE 2
NE xi
xi ( NE ) xi i =1
i =1
i =1
NE
xi
i =1
NE
2
xi
i =1
(4.75)
os elementos [hr , s ] da matriz Hessiana (definida na Equao (4.72)) podem ser escritos
como:
hr , s
2 FObj
y m 1 y m
=
= 2
Vy
r s
r
s
2 y m 1 e
m
2
Vy y y
r s
(4.76)
233
2 FObj
2 B T Vy1 B
(4.77)
y1m
m1
y m y 2
B=
=
M 1
m
y NY
1
y1m
NP
y 2m
L
NP
O
M
m
y NY
L
NP
y1m
2
y 2m
2
M
m
y NY
2
(4.78)
GY =
2 FObj
y e
= 2B T Vy1
(4.79)
(4.80)
(4.81)
V = B T Vy1B
(4.82)
234
FObj =
(y
e
i
e xi
yi2
i =1
NE
2 e xie
y e
2
i
i =1 yi
)(x ) e
xie
e
i
A matriz Hessiana H (que neste caso especifico tem dimenso 1x1) pode ento
ser calculada como
NE
2 e xie
xi e
2
i =1 yi
H =
) +(y
2
e
i
e xi
)( x ) e
e
i
xie
V = 2H 1 =
1
NE
1 e xie
xi e
2
yi
i =1
) +(y
2
e
i
e xi
)( x ) e
2
e
i
xie
1
y
T 1
V = B Vy B = 1
x
V = x1e( 1 )
x2e(
x2 )
y2
y21 0
2
y NE 0 y 2
L
M
M
0
0
y21 0
y22
( xNE ) 0
L xNE e
M
M
0
0
NE x e( xi )
i
V =
i =1
yi2
L
L
O
L
1
NE
i =1
2
yi
x1e( x1 )
( x )
x2 e 2
x e( xNE )
NE
0
L
O
M
2
L yNE
L
y1
1
0
y
0 2
M
M
2
yNE
yNE
( x e( ) )
xi
235
que contm a soma dos resduos yie e xi . Segundo a aproximao de Gauss, baseada
e
nas hipteses do experimento bem feito e do modelo perfeito, esse termo tende a zero e
pode, assim, ser desprezado.
{(
)( )}
Covar ( , Y ) = E TY = E H 1 [G Y Y + G X X ] TY
Covar ( , Y ) = E H 1 G Y Y TY + G X X TY
Covar ( , Y ) = H 1 G Y E Y TY + G X E X TY
Covar ( , Y ) = H 1G Y Vy H 1G X Vxy
{(
(4.83a)
)( )}
Covar ( , X ) = E TX = E H 1 [G Y Y + G X X ] TX
Covar ( , Y ) = E H 1 G Y Y TX + G X X TX
Covar ( , Y ) = H G Y E Y TX + G X E X TX
Covar ( , Y ) = H 1G Y Vyx H 1G X Vx
1
(4.83b)
{(
)( )}
Covar ( , Y ) = E TY = E H 1G Y Y TY
Covar ( , Y ) = E H 1G Y Y TY
Covar ( , Y ) = H G Y E
1
T
Y Y
}
}
(4.83c)
Covar ( , Y ) = H 1G Y Vy
De forma semelhante, possvel mostrar que:
Covar ( Y , ) = Covar ( , Y ) = ( H 1GVy ) = Vy G T H 1
T
(4.84)
236
Covar(, Y ) = H 1 G Y Vy
As matrizes H e GY foram calculadas como
NE x e 2
NE x e
2 i 2 i
2
2
i =1 yi
i =1 yi
H =
NE
NE
xie
1
2 2 2 2
i =1
yi
i =1 yi
( )
( )
( )
x1e
2 2
y1
GY =
2 ( 1)
2
y1
( x )
2
e
2
y22
( 1)
2
y22
( x )
2
( 1)
2
e
NE
2
yNE
2
yNE
H 1
NE 1
2
1
1
i
i =NE
=
xi
NE x 2 NE 1 NE x 2
2 i2 2 i2
2
i =1 i i =1 i i =1 i i =1 i
xi
2
i =1 i
NE
xi2
2
i =1 i
0 y22
Vy =
M
M
0
0
Fazendo inicialmente o produto GYVY:
L
0
O
M
2
L yNE
L
NE
x1e
2 2
y1
G Y Vy =
2 ( 1)
2
y1
237
(x )
2
( 1)
e
2
2
y2
2
y2
( x )
2
e
NE
1) M
(
2 2
yNE 0
e
2
2 ( 1)
2
y2
M
0
0
L
O
M
2
L yNE
2
yNE
) 2(x )
2 x1e
G Y Vy =
2 ( 1)
2
y1
L 2 xNE
L 2 ( 1)
Covar(, Y ) =
NE
xi
e NE 1
x
2
2
1
i =1 i
i =1 i
NE
xi2
NE x 2 NE 1 NE x 2 e NE xi
x
+
i
i
2 2 2 1 2 2
i =1
i =1
i
i
i =1 i i =1 i i =1 i
xi
2
i =1
i =1 i
NE
NE
xi
xi2
e
L x NE 2 + 2
i =1 i
i =1 i
NE
e
x NE
2
i
NE
{
}
= E {B B
= E yy T = E ( B + )( B + )T
V
y
Y
Y
V
y
+ B TY + Y B T T + Y TY
(4.85)
= BV BT +BCovar ( , ) +Covar ( , ) B T +V
V
y
Y
Y
y
(Deve ser observado que, no caso da estimao simultnea das variveis independentes
xm, como no problema de reconciliao de dados, esses valores devem ser interpretados
como os demais parmetros estimados do problema e includos no vetor .)
Repare que a Equao (4.85) gera dois cenrios: interpretao das incertezas de
predio dos pontos experimentais usados para a estimao de parmetros e a
interpretao de incertezas de predio associadas a um novo ponto experimental. No
primeiro caso, a matriz de covarincias das incertezas da predio a Equao (4.85).
J no segundo caso, os desvios Y correspondem a desvios de condies que no foram
usadas para a estimao dos parmetros. Nesse caso, a correlao entre
e Y nula,
de forma que a matriz de covarincias dos erros de predio fica na forma mais simples:
= BV B T +V
V
y
(4.86)
238
y2 =
FObj
NE NP
(4.87)
239
0,5
0
x
Figura 4.14 Esquema ilustrativo dos problemas da super parametrizao.
No caso das funes de mxima verossimilhana desenvolvidas a partir da
hiptese de normalidade dos erros experimentais, as funes objetivos resultantes, como
2
nas Equaes (4.41) e (4.43), tm interpretao de (ver Seo 3.2.2) com = NE.NY-
240
(4.88)
=
m
( y
e
i
yie
i =1
)( y
m
i
yim
2 NE
2
NE e
e
m
m
y
y
i
i
yi yi
i =1
i =1
(4.89)
241
importante que o usurio perceba que valores inferiores a 0.9 podem indicar tanto
desajuste do modelo (recomendando aperfeioamento da estrutura matemtica usada
para descrever os dados experimentais), quanto a existncia de erros experimentais
excessivos (recomendando o aperfeioamento das tcnicas experimentais).
(Recomenda-se que o leitor consulte a Seo 1.6 para observar que o coeficiente de
correlao no pode ser tomado como uma medida absoluta da qualidade do ajuste do
modelo.) A identificao do foco do problema pode ser feita com auxlio da funo
objetivo. Por exemplo, se a funo objetivo recomenda o uso do modelo
2
2
( min
< FObj < max
) e o coeficiente de correlao baixo (m < 0.9), o problema central
parece ser o excesso de erro de experimentao. Por outro lado, se a funo objetivo no
2
recomenda o uso do modelo ( FObj > max
) e o coeficiente de correlao baixo (m <
0.9), o problema central parece ser a m qualidade do modelo. Idealmente, um bom
2
2
modelo e um bom plano experimental vo levar simultaneamente a min
< FObj < max
e
m > 0.9.
importante que se perceba ainda que, uma vez obtidos os parmetros do
modelo, possvel montar uma tabela na forma da Tabela 4.1, onde so apresentados os
dados obtidos, que pode ser transformada na Tabela 4.2, onde so explicitados os
desvios experimentais.
...
...
...
...
e
1,1
e
1, NE
x1,1 = x x
e
1,1
x1, NE
m
1,1
...
= x1e, NE x1m, NE
...
...
...
e
NX , NE
...
y1e, NE
...
...
...
e
NY , NE
m
1, NE
...
...
m
NX , NE
...
x NX , NE = x
e
NX , NE
m
NX , NE
y1, NE
...
= y1e, NE y1m, NE
...
y1m, NE
...
...
m
y NY
,1
m
y NY
, NE
...
e
m
y NY ,1 = y NY
,1 y NY ,1
...
...
...
e
m
y NY , NE = y NY
, NE y NY , NE
242
4.2 permite a utilizao de um grande arsenal de tcnicas estatsticas para validao (ou
no) das hipteses utilizadas durante a construo do modelo e a aplicao do
procedimento de estimao de parmetros.
Probabilidade acumulada
observada
0,2
0,4
0,6
0,8
Probabilidade acumulada
observada
Figura 4.15 Padro de acmulo de erros esperado para um bom modelo e boa
caracterizao de erros experimentais.
1
0,8
0,6
0,4
0,2
0
0
0,2
0,4
0,6
0,8
Probabilidade acumulada
observada
243
1
0,8
0,6
0,4
0,2
0
0
0,2
0,4
0,6
0,8
Figura 4.17 Padro de acmulo de erros esperado quando o modelo ruim ou existe
m compreenso sobre a distribuio e natureza dos erros experimentais.
4.7.2. A Qualidade dos Parmetros Obtidos
Para que a qualidade dos parmetros obtidos possa ser avaliada, fundamental
calcular a matriz de covarincias dos parmetros V, como nas Equaes (4.28),
(4.53), (4.74) e (4.82). Deve ser observado que solues analticas podem ser obtidas
somente para modelos lineares. Na grande maioria das vezes os modelos so no
lineares nos parmetros e a matriz de incertezas paramtricas tem que ser construda
numericamente, atravs de aproximaes (por exemplo, a aproximao de Gauss), como
mostrado na seo anterior.
Com a matriz de covarincias dos parmetros possvel obter vrias
informaes relevantes sobre o problema analisado:
a) Definio dos intervalos de confiana dos parmetros
Admitindo-se a distribuio normal e conhecendo-se as incertezas paramtricas,
possvel construir os intervalos de confiana dos parmetros como no Exemplo 3.2 do
Captulo 3. Nesse caso,
i u i < i < i + u i
(4.90a)
i t i < i < i + t i
(4.90b)
244
mais conservativos (intervalos de confiana mais largos). Para modelos lineares e sem
erro na varivel independente x, possvel associar a estimao de parmetros feita por
mnimos quadrados com uma operao de mdia amostral, que pode justificar o uso da
distribuio t de Student na Equao (4.90b). Mas esse universo de condies
extremamente restritivo, de maneira que o intervalo de confiana dos parmetros
deveria ser construdo com ferramentas numricas mais poderosas, como as
apresentadas no Captulo 5. Por isso, alguns textos sugerem simplesmente que o
intervalo de confiana do parmetro seja construdo na forma:
i c i < i < i + c i
(4.90c)
onde c um nmero real positivo maior do que o valor sugerido pela curva normal para
um determinado nvel de confiana. Pelas razes apontadas, sugere-se que o usurio
sempre defina de forma clara a forma com que se est calculando o intervalo de
confiana dos parmetros.
b) Grau de significncia do parmetro
O grau de significncia normalmente calculado em relao referncia zero,
em que o efeito paramtrico do modelo desaparece. De forma simples, o grau de
significncia pode ser obtido a partir da Equao (4.90a-c), variando-se o grau de
confiana at que o intervalo de confiana do parmetro inclua o zero. Se o grau de
confiana necessrio para incluir o zero inferior ao grau de confiana estabelecido
pelo usurio, diz-se que o parmetro no significativo. Nesse caso, h argumentos
estatsticos suficientes para remover o parmetro (e o respectivo efeito) do modelo
matemtico. Caso contrrio, diz-se que o parmetro significativo h razes
estatsticas para manter o parmetro (e o respectivo efeito) no modelo.
c) Correlao paramtrica
De forma anloga da Equao (1.50) da Seo 1.6, define-se o coeficiente de
correlao paramtrica na forma:
ij =
ij2
i j
(4.91)
245
y=
K1 x
K2 + K3 x
(4.92a)
K1
K x
A1 x
2
y=
=
x 1 + A2 x
1 + K 3
K
2
(4.92b)
y = 1 x1 + 2 x 2 + 3
(4.93a)
y = 1 x 1e + 2 x e2 + 3 = ( 1 + 2 ) x1e + 3 = A1 x1e + 3
(4.93b)
Portanto, apesar do modelo estar definido corretamente, parece claro que no possvel
separa os efeitos de x1 e x 2 na malha experimental proposta (ou seja, no possvel
estimar 1 e 2 independentemente).
Para piorar, mesmo que no haja problemas nem com a formulao do modelo
nem com a proposio da malha experimental, possvel que efeitos numricos causem
o aparecimento de correlaes paramtricas e de problemas para a estimao
independente dos parmetros. Por exemplo, considere a Equao (4.92b). Suponha que
A2 muito grande. Nesse caso, a Equao (4.92b) ganha a forma:
y=
A K
A1 x
1 = 1
1 + A2 x A2 K 3
(4.92c)
y=
K
A1 x
A1 x = 1
1 + A2 x
K2
(4.92d)
246
e, uma vez mais, apenas um parmetro est efetivamente presente no modelo. Esse tipo
de correlao paramtrica muito difcil de avaliar a priori, porque depende da
magnitude relativa dos parmetros. Na grande maioria das vezes, e em particular
quando o modelo no linear e contm muitos parmetros, o usurio no conhece a
magnitude relativa dos efeitos, de forma que no possvel eliminar esses efeitos antes
de realizar a estimao. Isso torna o cmputo das correlaes paramtricas fundamental
para a correta avaliao da qualidade final dos resultados obtidos.
importante ressaltar que correlaes paramtricas elevadas s vezes no tm
como ser evitadas, por resultarem da estrutura intrnseca do modelo matemtico, o que
comum em modelos no lineares, como o modelo de Arrhenius (veja o Exemplo 4.10).
Contudo, correlaes elevadas sempre indicam problemas de estimao, que devem ser
evitados e compreendidos. Uma das conseqncias prticas da existncia de correlaes
paramtricas o mau condicionamento da matriz H; ou seja, em outras palavras, a
matriz Hessiana usada amplamente nas sees anteriores pode ser no inversvel (ou
difcil de inverter numericamente). Obviamente, isso pode prejudicar toda a anlise
numrica proposta nas sees anteriores, j que a inversa de H usada em vrios
procedimentos. (Isso indica que a invertibilidade da matriz Hessiana pode ser usada
como ferramenta para identificao da existncia de correlaes paramtricas
inaceitveis no modelo.) Uma forma possvel de minimizar os efeitos associados a
correlaes paramtricas a reparametrizao do modelo, como ser discutido no
Captulo 5.
Exemplo 4.28 - Considere o modelo linear
y = 1 x1 +
x2 +
FObj = y ie 1 x1e 2 x 2e 3
i =1
Nesse caso, a matriz Hessiana pode ser dada na forma da Equao (4.17) como:
NE e 2
2 x1,i
NEi =1
H = 2 x1e,i x 2e,i
i =1
NE
2 x1e,i
i =1
( )
NE
2 x1e,i x 2e,i
i =1
NE
( )
2 x 2e,i
i =1
NE
2 x 2e,i
i =1
NE
2 x1e,i
i =1
NE
2 x 2e,i
i =1
2 NE
Se ao longo dos experimentos os valores das variveis x1e,i e x 2e,i so iguais, ento as
linhas 1 e 2 da matriz Hessiana so iguais. Por conseguinte, a matriz Hessiana no
inversvel.
247
Para que a qualidade das previses feitas com o modelo seja avaliada,
necessrio calcular como os erros paramtricos se propagam atravs do modelo e viram
erros de predio. Para alguns casos simples, onde o modelo linear nos parmetros,
uma derivao terica pode ser obtida, como pode ser observado nas Equaes (4.31) e
(4.56). Contudo, como no caso das incertezas paramtricas, os erros de predio de
modelos no lineares tm que ser calculados com a ajuda de aproximaes, como a
obtida na Equao (4.86), ou de ferramentas numricas.
Por exemplo, considere o caso apresentado no Exemplo 4.19, que trata de uma
reta. Nesse caso, a varincia de predio pode ser escrita como
2 122 x
2
y2 = B T V B = [ x 1] 112
= 112 x 2 + 2 122 x + 22
2
1
12 22
(4.94)
que mostra que os erros de predio crescem na forma de uma parbola, medida que x
cresce em valor absoluto. A Equao (4.94) usada freqentemente para justificar a
frase de que a extrapolao menos precisa que a interpolao. Contudo, importante
enfatizar que a Equao (4.94) vlida unicamente para a reta e no deve ser usada
como argumento para outros modelos. Por exemplo, no caso do modelo na forma:
y = 1 e x
(4.95)
y2 = B T V B = [x e x ][ 2 ][x e x ] = 2 x 2 e 2 x
(4.96)
possvel escrever
(4.97)
248
Valores Calculados
1
0,8
0,6
0,4
0,2
0
0
0,2
0,4
0,6
0,8
Valores Observados
Figura 4.18 Padro tpico de comparao entre os dados calculados pelo modelo e os
dados observados experimentalmente, quando o modelo bom e os experimentos so
bem feitos.
Valores Calculados
249
1
0,8
0,6
0,4
0,2
0
0
0,2
0,4
0,6
0,8
Valores Observados
Valores Calculados
Figura 4.19 Padro tpico de comparao entre os dados calculados pelo modelo e os
dados observados experimentalmente, quando h candidatos a outliers (o ponto isolado
que no pode ser explicado pelos erros de medida).
1
0,8
0,6
0,4
0,2
0
0
0,2
0,4
0,6
0,8
Valores Observados
Figura 4.20 Padro tpico de comparao entre os dados calculados pelo modelo e os
dados observados experimentalmente, quando o modelo ruim ou quando os desvios
experimentais esto subestimados.
250
Valores Calculados
1
0,8
0,6
0,4
0,2
0
0
0,2
0,4
0,6
0,8
Valores Observados
Figura 4.21 Padro tpico de comparao entre os dados calculados pelo modelo e os
dados observados experimentalmente, quando o modelo no apresenta desempenho
uniforme na regio de experimentao (erra mais para um lado do que para outro).
Exemplo 4.29 - Considere o seguinte conjunto de NE = 6 dados experimentais
xie
yie
(x )
e
i
0.1
2
yie xie
0
0
0.9
2.2
0.9
4.4
3.1
9
3.9
16
9.3
15.6
5
4.8
25
24
= 15
e
i
i =1
6
= 15
e
i
i =1
6
(x )
= 55
( y
e 2
i
i =1
6
e
i
i =1
xie = 54.2
aos quais se pretende ajustar uma reta atravs de procedimento padro de mnimos
quadrados. Nesse caso,
ym = x +
e o nmero de graus de liberdade = 4. Logo, de acordo com o Exemplo 4.20,
6 54.2 15 15
= 0.9542857413
6 55 15 15
15 0.9542857143 15
= 0.114285715
6
251
y2 =
( y
e
i
yim
i =1
= 0.02085714281
y = y2 = 0.1444200222
enquanto o coeficiente de correlao do modelo fica na forma
m = 0.9974
que indica fortssima correlao entre os valores experimentais e calculados atravs do
modelo, indicativo tambm de excelente grau de ajuste.
Admitindo-se que o erro experimental y2 igual ao erro oriundo do processo de
estimao de parmetros y2
2 = 0.020855714281
6
= 0.00191836732
6 55 15 15
= 2 = 0.03452298846
2 = 0.020855714281
55
= 0.001546598622
6 55 15 15
= 2 = 0.1243623183
de maneira que com 95% de confiana, u = 1.96, resultando em
= 0.95 0.07
= 0.11 0.25
Portanto, o parmetro significativo, enquanto o parmetro no significativo.
Assim, h justificativas para que se tente uma modelagem do tipo y m = x .
A covarincia entre os parmetros e igual a
2
= 0.020855714281
( 15)
6 55 15 15
= 0.00297959183
252
2
=
= 0.6940
F = 9.6045 >
y2
= 0.092 x 2 0.2857 x + 1.742
y2
de maneira que
0.092 x 2 0.2857 x 7.863 < 0
7.82 < x < 10.92
a regio de validade do modelo. Admitamos, por exemplo, que a realidade fosse y = x,
plausvel a partir da anlise dos dados experimentais. Neste caso, para x = 10, y = 10 e
y m = 9.654 , cujo desvio j de cerca de 2.5 vezes o valor de y .
A Figura 4.22 ilustra a qualidade do processo de estimao realizado
253
4.8. Concluses
Foi definido nesse captulo o problema de estimao de parmetros. Um
procedimento foi construdo para inferir os valores de certas variveis (os parmetros)
que no podem ser medidas, mas sem as quais os modelos matemticos no tm
utilidade. O problema constitudo por trs etapas: uma etapa de formulao de uma
funo objetivo, uma etapa de minimizao da funo objetivo e uma etapa de
interpretao dos resultados finais. Para formulao da funo objetivo a ser
minimizada durante a segunda etapa do procedimento proposto, foi criada uma
metodologia de mxima verossimilhana. A metodologia prope que os erros de
modelagem sejam usados como amostras dos erros experimentais, o que est em
consonncia com as hipteses de existncia de um bom modelo e de bons dados
experimentais. Essas hipteses podem ser validadas (ou rejeitadas) a posteriori, depois
de obtidos os resultados da estimao.
Mostrou-se atravs de exemplos que o usurio no deve ter a expectativa de
gerar solues analticas para o problema de estimao de parmetros para problemas
genricos, o que justifica o desenvolvimento dos mtodos numricos a serem
apresentados no prximo captulo. Apesar disso, vrias expresses matemticas teis
foram derivadas, para permitir a interpretao matemtica (estatstica) dos resultados
obtidos, quando os erros experimentais no so muito grandes.
254
encontrar centenas de livros que abordam esse tema em qualquer biblioteca dedicada
Matemtica e Engenharia. Alguns textos clssicos que tratam do assunto so
apresentados a seguir, para eventuais consultas e aprofundamento dos estudos.
Nonlinear Parameter Estimation, Y. Bard, Academic Press Inc, San Diego, 1974.
Nonlinear Regression Analysis and Its Applications, D. M. Bates e D. G. Watts, John
Wiley & Sons, New York, 1988.
Applied Nonlinear Regression, N. R. Draper e H. Smith, John Wiley & Sons, New
York, 1998.
Applied Parameter Estimation for Chemical Engineers, P. Englezos e N.
Kalogerakis, Marcel Dekker Inc, New York, 2001.
x
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
y
0.38
0.91
1.69
2.13
2.66
2.61
3.65
3.94
4.28
5.24
a) Fa = ( yie yic ) ;
2
i =1
10
b) Fb = ( yie yic ) ;
8
i =1
ye yc
c) Fc = i e i ;
yi
i = 1
d) Compare os valores obtidos.
10
P ( i ) =
255
1
exp i
2 i
i
< i <
a) F = ( yie yim )
i =1
NE
b) F =
(y
e
i
i =1
yim )
i2
NE NE
o elemento ij da inversa da
i =1 j =1
xie
1
2
3
1.0 0.5 0.1
V = 0.5 1.0 0.5
0.1 0.5 10.0
yie
2
3
7