Abordagem simultânea na reconciliação de dados e estimação de parâmetros: avaliação da matriz de covariância e regiões de abrangência das variáveis de decisão

• Autor(a) principal: Rosario, Tarciso de Castro
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFBA
• Texto Completo: https://repositorio.ufba.br/handle/ri/36276
• topic: CNPQ::ENGENHARIAS; Reconciliação de dados; Estimação de parâmetros; Matriz de covariância; Região de abrangência; data reconciliation; parameter estimation; covariance matrix; coverage region

Os problemas de reconciliação de dados (DR) e estimação de parâmetros (PE) requerem grandezas medidas ou estimadas que, intrinsecamente, possuem incerteza a qual é propagada para as variáveis de decisão do problema de otimização. Da mesma forma que se avalia a qualidade dos dados medidos, deve-se avaliar a qualidade dos resultados obtidos após a resolução do problema de otimização, o que muitas vezes é negligenciado. Assim, o objetivo desta dissertação é mostrar a importância e discutir meios para avaliar grandezas reconciliadas e parâmetros de modelos obtidos em problemas DR e em problemas que apliquem a abordagem simultânea na reconcilia- ção de dados e estimação de parâmetros (SDRPE), bem como as características dos resíduos. Três rotas foram exploradas: (i) proposta de método para avaliação da matriz de covariância das variáveis de decisão, a qual foi capaz de não só reproduzir resultados semelhantes aos métodos da literatura, mas também calcular a matriz de covariância nos casos em que esses não obtiveram êxito; (ii) proposta de método para construção das regiões de abrangência, baseado na técnica bootstrap a qual se mostrou útil para avaliar a qualidade do modelo e a coerência fenomenológica das grandezas reconciliadas obtidas; e (iii) análise de resíduos através de gráficos e testes estatísticos, a qual mostrou a importância de se validar as hipóteses adotadas na construção da função objetivo bem como a necessidade de utilizar ferramentas de análise adequadas a depender do tipo de caso, univariado ou multivariado. Além disso, a utilização de regiões de abrangência para escolha do melhor modelo foi adequada para os casos em que a análise por meio dos critérios quantitativos AIC, AICc, BIC, 2 e 2 não foi eficaz.