Identificação de Modelos

de Processos Químicos

Table of Contents
DADOS ESPECÍFICOS DE CADA MODELO ........................................................................ 1
AJUSTE DOS DADOS E OBTENÇÃO DOS PARÂMETROS ................................................... 2
TESTES DE AJUSTE .......................................................................................................... 2
Resíduos ............................................................................................................................ 2
Ajuste ............................................................................................................................... 5
Estatísticas de Ajuste ........................................................................................................... 6
INFERÊNCIAS SOBRE OS PARÂMETROS .......................................................................... 7
INTERVALO DE CONFIANÇA MARGINAL ........................................................................ 7

Lista de Exercícios 3

Aluno: Kelvin Pacheco

NUSP: 10589308

Questão 2

DADOS ESPECÍFICOS DE CADA MODELO

Modelo proposto deve ser um polinômio de ordem cinco:

De forma que a capacidade calorífica, Cp = f(T); Assim:

Colocando a equação no padrão:

Para evitar problemas de cálculos numéricos a variável T será normalizada dividindo-se pela média das
temperaturas.

onde

Dados experimentais/medidos:

T =
[118.99;120.76;122.71;125.48;128.31;130.06;132.41;135.89;139.02;140.25;145.61;153.
y =
[10.79;10.8;10.86;10.93;10.99;10.96;10.98;11.03;11.08;11.1;11.19;11.25;11.4;11.61;

Assim:

1
 Identificação de Mode-
los de Processos Químicos

x1 = (T/mean(T)).^1;
x2 = (T/mean(T)).^2;
x3 = (T/mean(T)).^3;
x4 = (T/mean(T)).^4;
x5 = (T/mean(T)).^5;

A matriz de regressões é expressa como:

tamanho=size(x1,1); %<- informa o tamanho do vetor/ número de pontos

X=[ones(tamanho,1) x1 x2 x3 x4 x5]; %<- monta a matriz de regressores

AJUSTE DOS DADOS E OBTENÇÃO DOS

PARÂMETROS
A matriz de parâmetros pode ser obtida como:

theta=X\y

Desta forma tem-se:

disp('O modelo proposto: y = a1 + a2*x1 + a3*x2 + a4*x3 + a5*x4 fica')

formatSpec = 'y = %0.4f + %0.4f * x1 + %0.4f * x2 + %0.4f * x3 + %0.4f
* x4 + %0.4f * x5';
fprintf(formatSpec,theta(1),theta(2),theta(3),theta(4),theta(5),theta(6))

p=size(theta,1); %<- número de parâmetros

y_hat=X*theta;

theta =

1.0e+03 *

-0.4051
1.9610
-3.6817
3.4408
-1.6016
0.2977

O modelo proposto: y = a1 + a2*x1 + a3*x2 + a4*x3 + a5*x4 fica

y = -405.1086 + 1961.0495 * x1 + -3681.7031 * x2 + 3440.7566 * x3 +
-1601.5608 * x4 + 297.7200 * x5

TESTES DE AJUSTE
Serão realizados diferentes testes a fim de não 'invalidar' o modelo proposto.

Resíduos
Os resíduos são calculados pela diferença entre os valores medidos e os calculados com o modelo:

2
 Identificação de Mode-
los de Processos Químicos

epsilon = y - y_hat;

A média dos resíduos é

epsilon_mean =mean(epsilon);

A variância calculada a partir dos resíduos:

sigma2=sum((epsilon-epsilon_mean).^2)/(tamanho-p);

Os resíduos normalizados

epsilon_normal=(epsilon-epsilon_mean)/sqrt(sigma2);

Resíduos Studentizados (variância unitária e média nula)

H = X*inv(X'*X)*X';
h = diag(H);
t=epsilon./(sqrt(sigma2)*sqrt(1-h))

Análise Gráfica Comparativa dos Resíduos

Uma análise será feita com relação ao resíduo vs cada variável:

figure(1)
ax1 = subplot(2,2,1); % x1
plot(x1,epsilon,'k.')
title('\epsilon_i vs. x1_i')
xlabel('x1_i');
ylabel('\epsilon_i');
ax2 = subplot(2,2,2); % x2
plot(x2,epsilon,'r.')
title('\epsilon_i vs. x2_i')
xlabel('x2_i');
ylabel('\epsilon_i');
ax3 = subplot(2,2,3); % x3
plot(x3,epsilon,'b.')
title('\epsilon_i vs. x3_i')
xlabel('x3_i');
ylabel('\epsilon_i');
ay3 = subplot(2,2,4); % y
plot(y,epsilon,'b.')
title('\epsilon_i vs. y_i')
xlabel('y_i');
ylabel('\epsilon_i');

Análise de distribuição do resíduo

figure(2)
normplot(epsilon)
title('Gráfico de Probabilidade Normal')
xlabel('Dados');
ylabel('Probabilidade');

3
 Identificação de Mode-
los de Processos Químicos

t =

0.0615
-0.0787
-0.0291
0.0338
0.0941
-0.0519
-0.0621
-0.0194
0.0216
0.0343
0.0644
-0.1177
-0.0414
0.1257
-0.0337
0.0154
-0.0275
0.0110

4
 Identificação de Mode-
los de Processos Químicos

Ajuste
O gráfico de paridade apresenta as variáveis simuladas em função das variáveis medidas

figure(3)
plot(y_hat,y,'ko')
title('Gráfico de Paridade')
xlabel('y_{Calculado}');
ylabel('y_{Medido}');
x= min(floor([y;y_hat])-1):0.1:max(ceil([y;y_hat]));
hold 'on'
plot(x, x, 'k')

5
 Identificação de Mode-
los de Processos Químicos

Estatísticas de Ajuste
A primeira estatística que quantifica o ajuste é o R^2:

R2 = 1-sum((y-y_hat).^2)/sum((y-mean(y)).^2)

Testes de Ajustes Os testes de ajuste comparam epsilon (ruído, sigma2) com a variância estimada a partir
do ajuste

sigma_hat2=sum((y-y_hat).^2)/(tamanho-p)

Estatísticas envolvedo penalização por complexidade

R2_penalty=1-(sum((y-y_hat).^2)/(tamanho-p))/(sum((y-mean(y)).^2)/
(tamanho-1))

R2 =

0.9957

sigma_hat2 =

0.0013

6
 Identificação de Mode-
los de Processos Químicos

R2_penalty =

0.9940

INFERÊNCIAS SOBRE OS PARÂMETROS

Inicialmente deve-se conhecer a matriz de covariância:

Xa=X'*X;
[L,U]=lu(Xa); %<- expressar a matriz como função de duas matrizes
triangulares
invXa=inv(U)*inv(L);
V=sigma_hat2*invXa;

INTERVALO DE CONFIANÇA MARGINAL

desvpad=sqrt(diag(V))
tst=tinv(0.9725, tamanho-p)

Com a matriz de covariância é possívvel calcular os coeficientes de correlação:

rho=zeros(p,p);
for i=1:p
for j=1:p
rho(i,j) = V(i,j)/sqrt(V(i,i)*V(j,j));
end
end

Essa matriz tem diagonal unitária.

Decomposição em componentes principais

[S,D] = eig(V)
% onde S são os auto-vetores e D auto-valores

V_hat = S'*D*S;
I = S'*S; %<- ortogonalidade da matriz

Componentes principais de um estimador:

thetaCP = zeros(p,1);

for i=1:p
thetaCP(i) = S(:,i)'*theta; %<- somente para modelos lineares em
relação aos parâmetros
end

thetaCP

Região de confiança

Região de confiança

7
 Identificação de Mode-
los de Processos Químicos

A região de confiança dos parâmetros é uma hiper elipse, com a direção dos eixos dada pelos auto-vetores
da matriz V.

desvpad =

1.0e+03 *

0.4178
2.0586
4.0364
3.9375
1.9110
0.3692

tst =

2.1254

S =

-0.0660 0.1954 0.3844 0.5559 0.6258 0.3303

0.3254 -0.5746 -0.5138 -0.0785 0.4153 0.3483
-0.6383 0.3584 -0.3263 -0.4222 0.1989 0.3739
0.6227 0.4014 0.2677 -0.4604 -0.0306 0.4082
-0.3020 -0.5574 0.5363 -0.1629 -0.2813 0.4525
0.0583 0.1769 -0.3500 0.5177 -0.5624 0.5085

D =

1.0e+07 *

3.9983 0 0 0 0 0
0 0.0014 0 0 0 0
0 0 0.0000 0 0 0
0 0 0 0.0000 0 0
0 0 0 0 0.0000 0
0 0 0 0 0 0.0000

thetaCP =

1.0e+03 *

5.6584
-0.1988
-0.0043
0.0063
0.0064
0.0038

8
 Identificação de Mode-
los de Processos Químicos

Distância de Cook

d = (t.^2/p).*(h./(1-h))

d =

-0.0006
-0.0010
-0.0001
-0.0002
-0.0015
-0.0004
-0.0006
-0.0001
-0.0001
-0.0002
-0.0007
-0.0023
-0.0003
-0.0026
-0.0002
-0.0000
-0.0001
-0.0000

Published with MATLAB® R2015a