Observações
Como apresentado no artigo anterior ( link ), além da adequada aderência do modelo conceitual a realidade que se pretende emular numericamente, [para tanto] confia-se a calibração do modelo à escolha automatizada (PEST) dos parâmetros necessários ao atendimento das demandas pré-estabelecidas pela Função Objetivo (Φ).
Mind the Prior - Portanto, as inferências desta estratégia de calibração (bayesiana) dependem: (i) tanto da opinião inicial a respeito do que se espera do modelo; (ii) quanto da revisão desta opinião inicial à luz de novas informações que venham a se tornar relevantes ao longo do processo de modelagem.
1º vejamos como se comportam o conjunto variáveis em pauta para simples "observações" lineares, & sua equalização.
Daqui extraem-se os pesos ( W ) da função objetivo, relacionados discrepâncias pré e pós certa realização.
Na prática, cada resultado modelado depende do que se espera de todas as observações:
Vejamos como um somatório total, o balanço de massa derivado desta realização:
Sensibilidades
E na sequência, ...
Pelas sensibilidades, obtêm-se uma visão mais completa do que vêm sendo colocado:
Graficamente a seguir, e de uma maneira que não poderia vir a ser diferente, segue:
- Tanto a influência das distribuições iniciais (e suas discrepâncias, e amplitudes de variação, ...) para cada observação independentemente identificada no modelo
(OBS-SEO) - Como a influência, recíproca, das diversas distribuições dos parâmetros empregados (PAR-SEM) para satisfazer as exigências destas observações.
... falta formalizar a magnitude e a distribuição espacial dos parâmetros utilizados.