SIMULTÂNEA RECONCILIAÇÃO DE DADOS E ESTIMAÇÃO DE PARÂMETROS: METODOLOGIA PARA AVALIAÇÃO DA MATRIZ DE COVARIÂNCIA E REGIÕES DE ABRANGÊNCIA DAS VARIÁVEIS DE DECISÃO.
reconciliação de dados, estimação de parâmetros, simultânea reconciliação de dados e estimação de parâmetros, matriz de covariância, região de abrangência, SDRPE, modeling uncertainty, measurement uncertainty, information
uncertainty.
Os problemas de reconciliação de dados (DR) e estimação de parâmetros (PE) requerem grandezas medidas ou estimadas que, necessariamente, 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 em que há a simultânea reconciliação 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 como critério decisivo para escolha dentre determinados modelos se mostrou eficaz para casos em que não é possível fazer esta análise por meio de critérios como AIC, AICc, BIC. 𝑅2 e 𝑅2 𝑎𝑑𝑗.