Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 PROCESSOS EM ENGENHARIA QUÍMICA Prof. Me. Elenilson Tavares Cabral 170101295@prof.uninassau.edu.br AJUSTE DE DADOS 2 SUMÁRIO 1. Interpolação. 2. Regressão por Mínimos Quadrados. AJUSTE DE DADOS 3 Introdução Em geral, os dados são fornecidos em um conjunto discreto de valores entre um contínuo de possibilidades. Entretanto, pode ser necessário fazer estimativas em pontos que estão entre os valores discretos. Além disso, você pode precisar de uma versão simplificada de uma função complexa. Uma forma de fazer isso é calcular valores da função em alguns valores discretos no intervalo de interesse. Então, uma função mais simples pode ser desenvolvida para ajustar esses dados. Ambas as aplicações são conhecidas como ajuste de curvas. AJUSTE DE DADOS 4 Introdução Há duas abordagens gerais para o ajuste de curvas, as quais são distinguidas entre si com base na quantidade de erro associada com os dados. Primeiro, quando os dados exibirem um grau significativo de erro ou “ruído”, a estratégia será encontrar uma única curva que represente a tendência geral dos dados. Como cada ponto individual pode estar incorreto, não será feito nenhum esforço para passar a curva por todos os pontos. Em vez disso, a curva é escolhida para seguir o padrão dos pontos considerados como um grupo. Uma abordagem dessa natureza é chamada de regressão por mínimos quadrados. AJUSTE DE DADOS 5 Introdução Segundo, quando se souber que os dados são muito precisos, a abordagem básica é ajustar uma curva ou uma série de curvas que passam diretamente por cada um dos pontos. Tais dados usualmente se originam de tabelas. Exemplos são os valores da densidade da água ou da capacidade térmica dos gases como função da temperatura. A estimativa de valores entre pontos discretos bem conhecidos é chamada interpolação. AJUSTE DE DADOS 6 Introdução (a) Regressão por mínimos quadrados. AJUSTE DE DADOS 7 Introdução (b) Interpolação linear. AJUSTE DE DADOS 8 Introdução (c) Interpolação curvilínea. AJUSTE DE DADOS 9 Introdução Segundo, quando se souber que os dados são muito precisos, a abordagem básica é ajustar uma curva ou uma série de curvas que passam diretamente por cada um dos pontos. Tais dados usualmente se originam de tabelas. Exemplos são os valores da densidade da água ou da capacidade térmica dos gases como função da temperatura. A estimativa de valores entre pontos discretos bem conhecidos é chamada interpolação. Às vezes, são usados dados experimentais na predição de como esses dados poderiam ser estendidos além do intervalo no qual foram medidos, um procedimento chamado de extrapolação. AJUSTE DE CURVAS 10 Exemplo A dureza de muitos metais depende do tamanho dos grãos que o compõem. O teste de espécimes com diferentes tamanhos de grãos resulta em um conjunto discreto de números (d – diâmetro médio do grão, σy – tensão limite de escoamento), conforme mostrado na tabela abaixo. AJUSTE DE CURVAS 11 Exemplo Por exemplo, a figura mostra os pontos da tabela anterior e uma curva descrita por uma função de potência (σ = C.dm) que melhor se ajusta a esse conjunto de dados. Pode-se observar que a curva reproduz a tendência geral dos dados, embora não seja exatamente igual a nenhum dos pontos medidos. O procedimento de ajuste de curvas também é usado para determinar os valores dos parâmetros (coeficientes) nas equações. Isso pode ser feito com muitas funções diferentes e com polinômios de várias ordens. AJUSTE DE CURVAS 12 Interpolação Polinômios Interpoladores por Diferenças Divididas de Newton Há uma grande variedade de formas alternativas para expressar um polinômio interpolador. O polinômio interpolador por diferenças divididas de Newton está entre as fórmulas mais populares e úteis. As versões de primeiro e segundo graus por possuem interpretação visual simples. 1. Interpolação linear: A forma mais simples de interpolação é ligar dois pontos dados com uma reta. Matematicamente, tem-se: AJUSTE DE CURVAS 13 Interpolação Polinômios Interpoladores por Diferenças Divididas de Newton A técnica, chamada de interpolação linear, é descrita graficamente na figura usando semelhança de triângulos. A equação anterior pode ser reorganizada para fornecer: Que é a fórmula de interpolação linear. A notação f1(x) indica que esse é um polinômio interpolador de primeiro grau. AJUSTE DE CURVAS 14 Exemplo Faça uma estimativa do logaritmo natural de 2 usando uma interpolação linear. Primeiro, faça o cálculo interpolando entre ln(1) = 0 e ln(6) = 1,791759. Então, repita o procedimento, mas use o intervalo menor de ln(1) a ln(4) = 1,386294. Observe que o valor verdadeiro de ln(2) é 0,6931472. AJUSTE DE CURVAS 15 Interpolação Polinômios Interpoladores por Diferenças Divididas de Newton 2. Interpolação Quadrática: uma estratégia para melhorar a estimativa é introduzir alguma curvatura na curva ligando os pontos. Se estiverem disponíveis três pontos, isso pode ser conseguido com um polinômio de segundo grau (também chamado de polinômio quadrático ou uma parábola). Uma fórmula particularmente conveniente para esse propósito é: Multiplicando os termos: AJUSTE DE CURVAS 16 Interpolação Polinômios Interpoladores por Diferenças Divididas de Newton Ou ainda: Com: Todas as equações para f2(x) são formulações alternativas equivalentes do único polinômio de segundo grau ligando os três pontos. AJUSTE DE CURVAS 17 Interpolação Polinômios Interpoladores por Diferenças Divididas de Newton Um procedimento simples pode ser usado para determinar os valores dos coeficientes. Para b0, a para f2(x) com x = x0 pode ser usada para calcular: Que por sua vez será utilizada para calcular: Finalmente, calcula-se: AJUSTE DE CURVAS 18 Exemplo Faça uma estimativa do logaritmo natural de 2 usando uma interpolação quadrática. Com: AJUSTE DE CURVAS 19 Interpolação Polinômios Interpoladores por Diferenças Divididas de Newton A análise anterior pode ser generalizada para ajustar um polinômio de grau n a n+1 pontos dados. O polinômio de grau n é: Como foi feito anteriormente com as interpolações linear e quadrática, os pontos dados podem ser usados para calcular os coeficientes b0, b1,..., bn. Para um polinômio de grau n, n+1 pontos dados são necessários: (x0, f(x0)), (x1, f(x1)),..., (xn, f(xn)). AJUSTE DE CURVAS 20 Interpolação Polinômios Interpoladores por Diferenças Divididas de Newton Usamos esses pontos dados e as seguintes equações para calcular os coeficientes: AJUSTE DE CURVAS 21 Interpolação Polinômios Interpoladores por Diferenças Divididas de Newton Onde a função com colchetes corresponde a diferenças divididas finitas. Por exemplo, a primeira diferença dividida finita é representada em geral por: A segunda diferença dividida finita, que representa a diferença das duas primeiras diferenças divididas, é expressa em geral por: AJUSTE DE CURVAS 22 Interpolação Polinômios Interpoladores por Diferenças Divididas de Newton Descrição gráfica da natureza recursiva das diferenças divididas finitas: AJUSTE DE CURVAS 23 Regressão por Mínimos Quadrados Quando um erro substancial estiver associado aos dados, a interpolação polinomial é inapropriada e pode produzir resultados insatisfatórios quando usada para prever valores intermediários. Dados experimentais, em geral, são desse tipo. Dados experimentais, em geral, são desse tipo. Por exemplo, a figura (a) mostra sete pontos de dados obtidos experimentalmente exibindo variações significativas. A inspeção visual dos dados sugere uma possível relação entre y e x. Isto é, a tendência geral indica que valores mais altos de y estão associados com valores mais altos de x. AJUSTE DE CURVAS 24 Regressão por Mínimos Quadrados Agora, se um polinômio interpolador de grau seis for ajustado a esses dados, figura (b), ele irá passar exatamente por todos os pontos. Entretanto, por causa da variabilidade dos dados, a curva vai oscilar muito nointervalo entre os pontos. Em particular, os valores interpolados em x = 1,5 e x = 6,5 parecem estar bem além do intervalo sugerido pelos dados. AJUSTE DE CURVAS 25 Regressão por Mínimos Quadrados Uma estratégia mais adequada para tais casos seria determinar uma função aproximadora que ajustasse a forma ou tendência geral dos dados sem necessariamente passar pelos pontos individuais. A Figura (c) ilustra como uma reta pode ser usada para caracterizar a tendência geral dos dados sem passar por nenhum dos pontos particulares. AJUSTE DE CURVAS 26 Regressão por Mínimos Quadrados Regressão Linear O exemplo mais simples de aproximação por mínimos quadrados é ajustar uma reta a um conjunto de pares de observação: (x1, y1), (x2, y2), ..., (xn, yn). A expressão matemática do ajuste por uma reta é: onde a0 e a1 são coeficientes representando a intersecção com o eixo y e a inclinação, respectivamente, e e é o erro ou resíduo entre o modelo e a observação, o qual pode ser representado, depois de se reorganizar a equação anterior, por: 𝑦𝑖 = 𝑎0,𝑖 + 𝑎1,𝑖 ⋅ 𝑥𝑖 + 𝑟𝑖 𝑟𝑖 = 𝑦𝑖 − 𝑎0,𝑖 − 𝑎1,𝑖 ⋅ 𝑥𝑖 AJUSTE DE CURVAS 27 Regressão por Mínimos Quadrados Regressão Linear Esse critério tem diversas vantagens, incluindo o fato de que ele fornece uma única reta para um dado conjunto de dados. Antes de se discutir essas propriedades, será apresentada uma técnica para determinar os valores de a0 e a1 que minimizam a equação para SR. AJUSTE DE CURVAS 28 Regressão por Mínimos Quadrados Ajuste por Mínimos Quadrados Para determinar os valores de a0 e a1, a Equação para SR é derivada com relação a cada coeficiente: AJUSTE DE CURVAS 29 Regressão por Mínimos Quadrados Ajuste por Mínimos Quadrados Igualando essas derivadas a zero será obtido um SR mínimo. Se isso for feito, as equações podem ser expressas como AJUSTE DE CURVAS 30 Regressão por Mínimos Quadrados Ajuste por Mínimos Quadrados Agora, percebendo que a0 = n.a0, pode-se expressar essas equações como um conjunto de duas equações lineares simultâneas em duas variáveis (a0 e a1): AJUSTE DE CURVAS 31 Regressão por Mínimos Quadrados Ajuste por Mínimos Quadrados Essas são as chamadas equações normais. Elas podem ser resolvidas simultaneamente: Esse resultado pode, então, ser usado junto com a equação para determinar: onde ¯y e ¯ x são as médias de y e x, respectivamente. AJUSTE DE CURVAS 32 Exemplo Ajuste uma reta aos valores de x e y nas primeiras duas colunas da tabela abaixo por uma regressão linear. AJUSTE DE CURVAS 33 Exemplo Calcule o desvio padrão total, o erro padrão da estimativa e o coeficiente de correlação para os dados: AJUSTE DE CURVAS 34 Regressão por Mínimos Quadrados Linearização de modelos não-lineares A regressão linear fornece uma técnica poderosa para ajustar a melhor reta aos dados. Entretanto, ela é baseada no fato de que a relação entre as variáveis dependentes e independentes é linear. Esse não é sempre o caso e o primeiro passo em qualquer análise de regressão deveria ser traçar e inspecionar visualmente os dados para verificar se um modelo linear se aplica. Por exemplo, a figura mostra alguns dados que são obviamente curvilíneos. Em alguns casos, técnicas como regressão polinomial são apropriadas. Para outros, podem ser usadas transformações para expressar os dados em uma forma que seja compatível com a regressão linear. AJUSTE DE CURVAS 35 Regressão por Mínimos Quadrados Linearização de modelos não-lineares Um exemplo é o modelo exponencial: onde α1 e β1 são constantes. Esse modelo é usado em muitos campos da engenharia para caracterizar quantidades que aumentam (β1 positivo) ou diminuem (β1 negativo) a uma taxa que é diretamente proporcional a seu próprio valor absoluto. Por exemplo, o crescimento populacional ou o decaimento radioativo podem exibir tal comportamento 36 AJUSTE DE CURVAS 37 Exemplo Ajuste a equação: aos dados da tabela abaixo usando uma transformação logarítmica dos dados. Calcule a energia de ativação (E) para a decomposição do HI a partir dos seguintes dados: 3838TAXA DE REAÇÃO QUÍMICA Influência da Temperatura Sobre “Ri” T (K) 580 620 660 700 740 k (L/(mol.s)) 5,02x10-6 5,87x10-5 5,10x10-4 3,46x10-3 1,91x10-2 Calcule a energia de ativação (E) e o fator de frequência (A) para os seguintes dados de reação: 3939TAXA DE REAÇÃO QUÍMICA Influência da Temperatura Sobre “Ri” T (Kelvin) Ca (-rA) 750 0,7 3,20E-04 800 0,6 4,80E-03 850 0,55 4,40E-02 900 0,53 3,60E-01 950 0,23 3,30E-01 1000 0,11 2,60E-01 −𝑟𝐴 = 𝑘 ⋅ 𝐶𝐴 2,5
Compartilhar