Escolar Documentos
Profissional Documentos
Cultura Documentos
DEQ1017 - Aula 01 - Análise de Dados Experimentais - Cópia
DEQ1017 - Aula 01 - Análise de Dados Experimentais - Cópia
A partir do valor da varincia pode ser calculado o desvio padro de um
conjunto de dados, definido como:
( )
2
2
1
1
1
N
X X i
i
s s x x
N
=
= =
Este valor conveniente j que possui a mesma unidade dos valores x
i
e, como
ser visto adiantem, usado para a determinao do intervalo de confiana de uma
mdia. Entretanto, o desvio padro no um operador linear como a varincia, ou seja,
no se pode somar desvios padres de duas medidas para se obter o desvio padro da
soma destas duas medidas.
Em alguns casos, deve ser necessria a comparao dos resultados obtidos por
diferentes tcnicas, por diferentes operadores ou por diferentes processos. Como as
medidas esto sujeitas a desvios, preciso construir intervalos de confiana para
possibilitar o experimentado concluir se uma certa medida significativamente maior
que outra. O intervalo de confiana de um valor mdio pode ser construdo como:
( ) ( ) 1 2 1 2
1 1
X X
N X N
s s
x t x t
N N
o o
+ +
< < +
10
Este equao define um intervalo de confiana onde o valor real da mdia se
encontra com um nvel de confiana igual a o. Para uma varivel qualquer x
i
, o
intervalo de confiana pode ser definido como:
( ) ( ) 1 2 1 2
1 1 N X i N X
x t s x x t s
o o + +
< < +
Nas duas equaes acima,
( ) 1 2
1 N
t
o +
A
=
+
onde a viscosidade, D o dimetro da esfera em queda no tubo, D
t
o dimetro do
tubo,
S
a densidade da esfera e
f
a densidade do fludo, At o tempo que a esfera
leva para cair uma altura L e g a constante da gravidade.
Considerando um caso geral onde uma certa propriedade z inferida a partir de
medies x e y, usando a seguinte equao:
( ) , z f x y =
onde f uma funo matemtica qualquer. A aproximao linear desta funo (Srie de
Taylor) pode ser escrita como:
( ) ( )
0 0 0
f f
z z x x y y
x y
c c
= + +
c c
ou ainda:
f f
z x y
x y
c c
A = A + A
c c
11
Sendo a definio da varincia o valor esperado do quadrado dos desvios em relao ao
valor mdio, podemos escrever:
{ }
2
2
2 2 2 2
2
Z X Y XY
f f f f
E z z
x y x y
o o o o
| | | | c c c c | |
= A A = + +
| | |
c c c c
\ .
\ . \ .
onde { }
2
X
E x x o = A A , { }
2
Y
E y y o = A A e { }
2
XY
E x y o = A A , sendo este ltimo a
covarincia entre as medies x e y. Se as medidas x e y so independentes
2
0
XY
o = , e
podemos escrever:
2
2
2 2 2
Z X Y
f f
x y
o o o
| | c c | |
= +
| |
c c
\ .
\ .
Observe que aqui fica evidente a caracterstica linear da varincia e por isso, o
seu uso prefervel frente as demais medidas de incerteza. Este resultado pode ser
estendido para uma funo de NV variveis da seguinte forma:
2
2 2
1
i
NV
Z X
i
i
f
x
o o
=
| | c
=
|
c
\ .
Por exemplo, no clculo da viscosidade consideramos que somente as medidas
de tempo At e de comprimento L esto sujeita a desvios (na realidade, todas as variveis
na equao esto sujeitas a desvios, inclusive g, a constante da gravidade). Assim, o
clculo da varincia da viscosidade definido como:
( )
( )
( )
( )
2 2
2 2
2 2 2
2
1 1
18 1 2.1044 18 1 2.1044
S f S f
t L
t t
g D g t D
L D D L D D
o o o
A
| | | |
A
| | = +
| |
+ +
\ . \ .
interessante observar o comportamento da equao acima com o valor das
variveis At e L. Com relao a At o valor da varincia da viscosidade aumenta com o
aumento do tempo. Entretanto, com relao ao valor de L, quanto maior o valor de L,
menor a varincia da viscosidade. Ou seja, so dois comportamentos opostos e deve
ser lembrado que quanto maior o comprimento L, maior o tempo para que a esfera
percorra este caminho. Mas deve ser lembrado que a velocidade V de queda constante,
e a equao pode ser reescrita como:
( )
( )
( )
( )
2 2
2 2
2 2 2
2
1 1
18 1 2.1044 18 1 2.1044
S f S f
t L
t t
g D g t D
L D D L D D
o o o
A
| | | |
A
| | = +
| |
+ +
\ . \ .
Agora a varincia uma funo inversa do comprimento, j que os demais
valores so constantes. Assim, possvel determinar antes da realizao do
experimento, que o mesmo deve ser feito com o maior comprimento L possvel para
minimizar a varincia e, conseqentemente, o erro do valor da viscosidade!
Uma dificuldade que geralmente encontrada na propagao dos erros a
determinao dos valores das varincias
2
t
o
A
e
2
L
o . O comprimento L geralmente
determinado se usando uma rgua, por exemplo, o a sua incerteza definida como a
metade da menor diviso da escala DE. A dificuldade est em se converter este valor em
uma medida de varincia. Uma alternativa considerar que o desvio padro do
comprimento igual a DE/2. De forma anloga, podemos considerar o desvio padro do
12
tempo At igual a ID. Mas observe que no caso da medida de tempo, o erro deve ser
maior, j que difcil acionar e parar o cronmetro no exato instante em que a esfera
passa pelas posies inicial e final. por isso que, sempre que possvel, os
experimentos devem ser repetidos.
6. Ajuste de Modelos
O ajuste dos parmetros consiste em minimizar uma funo objetivo que leva
em conta todos os valores medidos e os respectivos valores calculados pelo modelo. A
funo objetivo mais utilizada a Funo de Mnimos Quadrados, definida como:
( ) ( )
2
1
,
N
e m e
i i i
i
Fobj y y x o
=
=
Observe que esta funo soma o quadrado de cada diferena entre o valor
experimental
e
i
y e o valor do modelo
m
i
y . J o valor do modelo depende do valor do
parmetro o (ou dos parmetros, se tiver mais de 1) e do valor de x, que a varivel
independente, isto , a varivel controlada (por exemplo, o tempo de amostragem, a
temperatura da reao). Por outro lado, y a varivel observada, isto , ela no
controlada, seu valor apenas registrado como funo da varivel independente. Por
exemplo, em um experimento de troca de calor, observamos como a temperatura
(varivel observada) varia ao longo do tempo (varivel controlada). Para a estimao do
parmetro (ou dos parmetros) o so necessrios N conjuntos x y de dados
experimentais, sendo N maior que nmero de parmetros.
Apesar da maioria absoluta dos modelos na rea da engenharia qumica
consistirem de sistemas de equaes algbricas e/ou diferenciais no lineares, em alguns
casos simples os processos podem ser descritos por equaes lineares, o que facilita
muito a sua anlise. A seguir, sero analisados dois casos de modelos lineares, onde
sero desenvolvidas as equaes para o clculo dos valores das estimativas dos
parmetros. Tambm apresentada uma forma de se calcular a incerteza do parmetro.
Em seguida apresentado um caso de estimao de parmetros em um modelo no
linear.
CASO 1: Modelo do tipo y x o =
Neste caso temos um nico parmetro o. Observe que esta reta uma reta que
obrigatoriamente passa pela origem (y = 0 e x = 0). Substituindo a equao do modelo
na funo objetivo temos:
( )
2
1
N
e e
i i
i
Fobj y x o
=
=
O que queremos e encontrar qual o valor de o que faa com que a funo
objetivo seja mnima. Assim, derivamos a funo com relao ao parmetro o e
igualamos o resultado a zero, ou seja:
( )
1
2 0
N
e e e
i i i
i
Fobj
x y x o
o
=
c
= =
c
A equao acima pode ser resolvida de forma nos fornecer o valor de o que
minimiza a funo objetivo:
13
( ) ( )
( )
( ) ( )
( )
2 2
1 1 1 1
0
N N N N
e e e e e e e e e
i i i i i i i i i
i i i i
x y x x y x x y x o o o
= = = =
= = =
( )
( )
( )
2
1 1
N N
e e e
i i i
i i
x x y o
= =
=
( )
( )
( )
2
1 1
N N
e e e
i i i
i i
x x y o
= =
=
( )
( )
( )
1
2
1
N
e e
i i
i
N
e
i
i
x y
x
o
=
=
A ltima equao acima mostra como calcular o valor do parmetro a partir do
conjunto de dados experimentais. Observe que tal expresso s vlida para o modelo
y x o = . O valor da varincia do parmetro pode ser calculado como (o
desenvolvimento desta equao no apresentado por simplicidade):
( )
2 2
2
1
1
N
e
i
i
s
x
o
o
=
=
onde s
2
uma medida do erro experimental, que neste caso pode ser definida como:
2
1
Fobj
s
N
=
J o desvio padro do parmetro igual a
2
o o
o o = . Assim possvel definir
um intervalo de confiana do parmetro como:
( ) 1 2
N NP
t
o
o
o o
+
onde NP o nmero de parmetros, neste caso igual a 1.
CASO 2: Modelo do tipo y x o | = +
Neste caso so dois parmetro o e | que devem ser estimados. Substituindo a
equao do modelo na funo objetivo temos:
( )
2
1
N
e e
i i
i
Fobj y x o |
=
=
O que queremos e encontrar qual os valores de o e | de tal forma que a
funo objetivo seja mnima. Assim, derivamos a funo com relao aos parmetros o
e | e igualamos o resultado a zero, ou seja:
( )
1
2 0
N
e e e
i i i
i
Fobj
x y x o |
o
=
c
= =
c
( )
1
2 0
N
e e
i i
i
Fobj
y x o |
|
=
c
= =
c
14
O sistema de duas equaes acima pode ser resolvido de forma nos fornecer o
valor de o e de | que minimiza a funo objetivo (o desenvolvimento desta soluo no
):
( )
( )
1
1
0
0
N
e e e
i i i
i
N
e e
i i
i
x y x
y x
o |
o |
=
=
( )
( )
( )
2
1
1
0
0
N
e e e e
i i i i
i
N
e e
i i
i
x y x x
y x
o |
o |
=
=
( ) ( ) ( )
( ) ( )
2
1 1 1
1 1 1
1
N N N
e e e e
i i i i
i i i
N N N
e e
i i
i i i
x x x y
x y
o |
o |
= = =
= = =
+ =
+ =
Da segunda equao temos:
( ) ( )
1 1
N N
e e
i i
i i
y x
N
o
|
= =
=
Substituindo na primeira equao:
( )
( ) ( )
( ) ( )
2
1 1
1 1 1
N N
e e
i i N N N
e e e e i i
i i i i
i i i
y x
x x x y
N
o
o
= =
= = =
+ =
( ) ( ) ( ) ( ) ( )
2
2
1 1 1 1 1
N N N N N
e e e e e e
i i i i i i
i i i i i
N x y x x N x y o o
= = = = =
| |
+ =
|
\ .
Isolando o, obtemos:
( ) ( ) ( ) ( ) ( )
2
2
1 1 1 1 1
N N N N N
e e e e e e
i i i i i i
i i i i i
N x x N x y y x o
= = = = =
(
| |
= (
|
\ . (
( ) ( ) ( )
( ) ( )
1 1 1
2
2
1 1
N N N
e e e e
i i i i
i i i
N N
e e
i i
i i
N x y y x
N x x
o
= = =
= =
=
(
| |
(
|
\ . (
O valor de | ento calculado usando o valor obtido de o:
( ) ( )
1 1
N N
e e
i i
i i
y x
N
o
|
= =
=
15
As duas ltimas equaes acima mostram como calcular os valores dos
parmetros o e | partir do conjunto de dados experimentais. Observe que tal expresso
s vlida para o modelo y x o | = + .
O valor da varincia de cada parmetro pode ser calculado como (o
desenvolvimento desta equao no apresentado por simplicidade):
( ) ( )
2 2
2
2
1 1
N N
e e
i i
i i
N
s
N x x
o
o
= =
=
(
| |
(
|
\ . (
( )
( ) ( )
2
2 2 1
2
2
1 1
N
e
i
i
N N
e e
i i
i i
x
s
N x x
|
o
=
= =
=
(
| |
(
|
\ . (
onde s
2
uma medida do erro experimental, que neste caso pode ser definida como:
2
2
Fobj
s
N
=
O desvio padro de cada parmetro igual a
2
o o
o o = e
2
| |
o o = . Assim
possvel definir um intervalo de confiana do parmetro como:
( ) 1 2
N NP
t
o
o
o o
+
( ) 1 2
N NP
t
o
|
| o
+
onde NP o nmero de parmetros, neste caso igual a 2.
CASO 3: Modelo do tipo ( ) exp y x o =
Neste caso so somente um parmetro o deve ser estimado. Substituindo a
equao do modelo na funo objetivo temos:
( ) ( )
2
1
exp
N
e e
i i
i
Fobj y x o
=
=
Como nos casos anteriores, derivamos a funo com relao ao parmetro o e
igualamos o resultado a zero, ou seja:
( ) ( ) ( )
1
2 exp exp 0
N
e e e e
i i i i
i
Fobj
x x y x o o
o
=
c
= =
c
A soluo do problema consiste em encontrar o valor de o que seja a soluo da
equao acima. Entretanto, diferentemente dos dois casos acima, aqui no existe uma
soluo analtica para o problema. necessrio um mtodo numrico para a soluo
deste problema de estimao de parmetros. At mesmo o clculo do erro do parmetro
o fica aproximado, podendo ser calculado como:
16
( ) ( )
2 2
2
2
2
1
1
exp
N
m N
e e
i
i i
i
i
s s
y
x x
o
o
o
o
=
=
= =
| | c
|
c
\ .
Observe que nos modelos lineares, o erro do parmetro independe do valor do
parmetro e que aqui, em um modelo no-linear, o erro do parmetro depende de seu
valor.
Uma alternativa consiste em linearizar a equao do modelo da seguinte forma:
( ) exp y x o = ( ) ln y x o =
e minimizar a seguinte funo objetivo:
( ) ( ) ( ) ( ) ( )
2 2
1 1
ln ln ln
N N
e m e e
i i i i
i i
Fobj y y y x o
= =
= = +
A soluo deste problema pode ser encontrada de forma similar ao procedimento
usado no primeiro caso, chegando a:
( ) ( )
( )
( )
1
2
1
ln
N
e e
i i
i
N
e
i
i
x y
x
o
=
=
=
Entretanto, minimizar a funo objetivo com o modelo no-linear e a funo
objetivo com o modelo linearizado no leva ao mesmo resultado. Isto , minimizar as
diferenas entre os valores medidos e calculados de y no a mesma coisa que
minimizar as diferenas entre os valores medidos e calculados de ln(y). Isto ficar claro
com a soluo do Exerccio 2.
7. Exerccios
1) Considere o modelo usado para o clculo da viscosidade em um viscosmetro
de Stokes:
( )
( )
2
1
18 1 2.1044
S f
t
g t D
L D D
A
=
+
Considere que as seguintes variveis foram medidas com os seguintes
equipamentos:
At cronmetro digital (incremento digital 0.01 s)
D paqumetro (menor diviso de escala 0.1 mm)
L rgua (menor diviso de escala 1 mm)
D
t
rgua (menor diviso de escala 1 mm)
Deduza a equao de propagao de erros considerando as incertezas nas
medies das 4 variveis descritas acima. Discuta sobre como voc faria para
determinar as varincias de medio destas 4 variveis.
17
2) Considere o seguinte conjunto de dados:
x 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
y 1.000 0.403 0.186 0.103 0.062 0.039 0.024 0.015 0.010 0.006 0.004
O modelo matemtico que deve ser ajustado a estes dados :
( ) exp y x o =
a) Linearize a equao do modelo e faa a estimao linear atravs da minimizao das
diferenas entre os valores observados e calculados de ln(y).
b) Faa o ajuste no-linear atravs da minimizao das diferenas entre os valores
observados e calculados de y.
c) Compare os resultados.
OBS: para os ajustes pode ser usado algum software (Excel, Origin ou outro).
7. Bibliografia Recomendada
Himmelblau, D.M. (1970), Process Analysis by Statistical Methods. New York, John
Wiley & Sons.
Schwaab, M., Pinto, J.C. (2007) Anlise de dados Experimentais. 1. Fundamentos de
Estatstica e Estimao de Parmetros. Editora E-Papers, Rio de Janeiro.