Manag Date Exp 1

Managementul datelor
experimentale in
investigarea materialelor
electrotehnice
1. Importanta determinarilor
experimentale
Managementul datelor experimentale in investigarea materialelor electrotehnice Prof.dr.ing.Florin Ciuprina

Facultatea de Inginerie Electrica, 2011-2012, master NANO, anul I
Cuprins
 Structura disciplinei
 Mod de notare
1. Importanta determinarilor experimentale in

investigarea materialelor electrotehnice
 Proiectarea experimentelor
 Efectuarea determinarilor experimentale
Managementul datelor experimentale in investigarea materialelor electrotehnice

Analiza erorilor datelor experimentale
Structura disciplinei
Capitolul Conţinutul
1 Importanta determinarilor experimentale pentru investigarea materialelor electrotehnice
1.1. Proiectarea experimentelor
1.2. Efectuarea determinarilor experimentale
2 Tipuri de date experimentale pentru caracterizarea materialelor electrotehnice
2.1. Conductivitatea electrica a materialelor
2.2. Rigiditatea dielectrica a izolatorilor
2.3. Permitivitatea electrica complexa a dielectricilor
2.4. Proprietati magnetice ale materialelor
2.5. Pierderi in materialele electrotehnice
3 Analiza erorilor datelor experimentale
3.1. Metoda stintifica pentru cercetarea experimentala
3.2. Elemente de statistica si probabilitati pentru analiza datelor experimentale
3.3. Precizia si acuratetea datelor experimentale
3.4. Erori sistematice si erori aleatoare
3.5. Prelucrarea statistica a datelor experimentale
3.6. Media ponderata. Combinarea datelor cu erori diferite
3.7. Propagarea erorilor
3.8. Analiza preciziei datelor experimentale
3.9. Analiza acuratetii datelor experimentale
4 Compararea performantelor materialelor electrotehnice utilizand datele experimentale
4.1. Testarea ipotezelor statistice
4.2. Compararea mediilor a două procese de masurare
4.3. Compararea deviatiilor standard a două procese de masurare
5 Software pentru managementul datelor experimentale

Bibliografie
 F. Ciuprina, Managementul datelor experimentale in investigarea materialelor
electrotehnice – Planse de prezentare curs (Master NANO),
www.elmat.pub.ro/~florin/student/Master-MDE/info_MDE.html , 2009.
 W.R. Leo, Techniques for Nuclear and Particle Physics Experiments: A How-To
Approach, Editura Springer, 2005
 Robert B. Abernethy (autor si editor), The New Weibull Handbook,
www.abernethy.com , 2006.
 Pawel Lewicki, Thomas Hill, STATISTICS Methods and Applications,
www.statsoft.com, 2009.
 ***, NIST/SEMATECH e-Handbook of Statistical Methods,
http://www.itl.nist.gov/div898/handbook/ , 2006
 R.K. Bock, , W. Krischer, The Data Analysis BriefBook, Springer, 1998
WEB: http://rkb.home.cern.ch/rkb/titleA.html.
 Statistical Services Centre, Statistical Good Practice Guidelines, 2009, University
of Reading (Marea Britanie), 2009
WEB: http://www.reading.ac.uk/ssc/publications/guides/topbak.html.
 F. Ciuprina, Materiale electrotehnice – Note de curs, UPB, 2001,
WEB: www.elmat.pub.ro/~florin/student/curs_mat_elth.pdf.
 F. Ciuprina, Materiale electrotehnice – fenomene si aplicatii, Editura Printech,
2007

Mod de evaluare
 Proiect: 50p.
 Determinari experimentale + analiza → articol stiintific = 30 p
 Determinari experimentale + analiza → poster stiintific = 20 p
 Examen final: 50p.
Cerinţele minimale pentru promovare:

efectuarea rapoartelor de proiect şi
acumularea a 50p.

experimentale pentru investigarea
materialelor electrotehnice


Abordarea Proiectarea experimentelor (Design of

sistematica a experiments - DEX sau DOE) este o abordare
colectarii de date sistematica si riguroasa a rezolvarii de
experimentale probleme ingineresti, care aplica principii si
tehnici in stadiul de culegere de date
experimentale pentru a asigura generarea si
sustinerea de concluzii valide si consistente
cu un consum minim de resurse (bani, timp,
etc.)

Ariile problemelor DEX poate fi aplicat in 4 arii generale de

DEX probleme:
1. Comparare
2. Evaluare/Caracterizare
3. Modelare
4. Optimizare

Comparare Inginerul este interesat sa aprecieze daca o

modificare a unui singur factor conduce la o
Evaluare / modificare/imbunatatire a intregului proces.
Caracterizare
Modelare
Optimizare

Comparare
Evaluare / Inginerul este interesat de “intelegerea”

Caracterizare procesului in intregul sau, in sensul de a avea
(dupa proiectare si analiza) o lista ierarhizata
Modelare de la cel mai important factor pana la cel mai
putin important factor care afecteaza procesul.
Optimizare

Comparare
Evaluare /
Caracterizare
Modelare Inginerul este interesat de modelarea cu acuratete

a procesului. Rezultatul modelarii este o functie
Optimizare de aproximare care este de dorit sa aiba
estimatorii coeficientilor determinati cu acuratete.

Comparare
Evaluare /
Caracterizare
Modelare
Optimizare Inginerul este interesat sa configureze in mod

optim factorii de care depinde procesul. Astfel
se doreste determinarea pentru fiecare factor
a nivelului care optimizeaza raspunsul
procesului.

pentru modelarea proceselor
Iesirea din procesul Procesul de modelare are drept iesire o functie

de modelare este o de aproximare cu coeficienti estimati. De
functie matematica exemplu, pentru modelarea rezistivitatii unui
de aproximare material, y , in functie de concentratia dopantului,
x, un cercetator poate propune functia
y = b0 + b1x + b11x2
in care coeficientii de estimat sunt b0, b1 si b11.
Chiar pentru o forma data a functiei, exista un
numar infinit de valori potentiale ale coeficientilor
care pot sa fie utilizate. Pentru fiecare din
aceste valori va rezulta o alta functie de
aproximare.

Ce inseamna Valori proaste ale coeficientilor sunt acelea pentru care
valori bune ale valorile functiei de aproximare rezultate difera considerabil
coeficientilor? de valorile determinate experimental pentru y.
Valori bune ale coeficientilor sunt acelea pentru care

valorile functiei de aproximare rezultate sunt foarte
apropiate de valorile determinate experimental pentru y.
Cele mai bune valori ale coeficientilor sunt acele valori

bune pentru care incertitudinea statistica este foarte mica.
Acestea pot fi obtinute prin:
 Utilizarea metodei celor mai mici patrate;

 Folosirea principiilor proiectarii experimentelor.

Metoda celor Pentru un set de date dat (e.g., 10 perechi (x, y)), cea mai
mai mici comuna procedura de obtinere a coeficientilor este metoda
patrate celor mai mici patrate. Aceasta metoda conduce la
coeficienti pentru care valorile functiei f(x; b) sunt cele mai
apropiate de valorile experimentale y, in sensul ca suma
patratelor diferentelor dintre valorile functiei si datele
experimentale sunt cat mai mici posibil. Marea majoritate a
programelor de regresie utilizeaza aceasta metoda pentru
estimarea coeficientilor modelului.
Poate fi aceasta metoda imbunatatita? Pentru un set dat de
valori ale lui x aceasta nu poate fi; dar frecvent alegerea
valorilor pentru x poate fi controlata. Atunci cand se
selecteza valorile pentru x, coeficientii pot avea o
variabilitate mai mica decat atunci cand x nu este controlat.
Principii ale  Capacitate pentru un model primar

proiectarii  Capacitate pentru un model alternativ
experimentelor  Varianţa minima a estimatorilor coeficienţilor
aplicate
 Eşantionare in regiunea cu variaţie
procesului de
modelare  Repetiţie
 Eşantionare aleatoare


experimentelor  Varianţa minima a estimatorilor coeficientilor
aplicate
 Esantionare in regiunea cu variatie
procesului de
modelare  Repetitie
 Esantionare aleatoare

Principiul Acest principiu se refera la controlul vectorului x astfel incat

varianţei coeficienţii modelului care aproximeaza valorile experimentale y sa
minime a aiba cea mai mica variaţie posibila.
estimatorilor
coeficienţilor Daca cercetatorul poate specifica valorile pentru vectorul x, atunci
acesta are posibilitatea de a modifica/reduce “zgomotul” estimatorilor
coeficienţilor obţinuţi prin metoda celor mai mici patrate.

Cinci variante Se considera cel mai simplu caz, cel al aproximarii unei drepte:
pentru y = b0 + b1x
valorile lui x Se presupune ca cercetatorul poate efectua 10 experimente (adica, 10 perechi (x, y)) in
scopul determinarii estimatorilor optimi (cu variatie minima) pentru b0 si b1. Cum trebuie
distribuite cele 10 valori pentru x astfel incat sa se minimizeze variatia coeficientilor b0 si b1
estimati cu metoda celor mai mici patrate?
Pot aceste 10 valori sa fie:
1. 10 valori echidistante de-a lungul gamei de interes?

2. 5 valori echidistante de-a lungul gamei de interes, fiecare utilizata de doua ori?
3. 5 valori la limita inferioara si 5 valori la limita superioara a intervalului pentru x?
4. o valoare la limita inferioara, o valoare la limita superioara si 8 valori in mijlocul
intervalului?
5. 4 valori la limita inferioara, 4 valori la limita superioara si 2 valori in mijlocul intervalului?
sau (in termenii “calitatii" estimatorilor pentru b0 si b1) nu conteaza unde alegem valorile
pentru x?

Sunt Sunt modelele de aproximare (dreptele de aproximare, in cazul nostru) mai bune pentru
dreptele de anumite variante decat pentru altele? Adica sunt varianţele estimatorilor coeficienţilor mai mici
aproximare pentru anumite variante decat pentru altele? Pentru estimatori daţi, sunt valorile funcţiei de
mai bune aproximare mai apropiate de valorile experimentale intr-unul din cazuri decat in celelalte?
pentru Raspunsul este DA.
anumite
variante? Aparent, cea mai populara alegere a valorilor x pentru modelarea liniara este varianta 1, cu 10
puncte echidistante. Insa, se poate demonstra ca varianţa estimatorului pentru panta dreptei
depinde de varianta de experimentare prin relatia
1
Var (b1 )  n
x x
i 1
i
Astfel, pentru a obtine estimatori cu varianţa minima trebuie maximizat numitorul expresiei din
partea dreapta, care se obtine prin plasarea valorilor pentru x cat mai departe de valoarea
medie. Aceasta se realizeaza prin plasarea a 5 valori la limita inferioara si 5 valori la limita
superioara a intervalului pentru x, adica varianta 3 este cea mai buna pentru aproximarea unei
drepte. Reflectand la acest rezultat, acesta ar fi putut sa rezulte chiar si intuitiv, deoarece “doua
puncte determina o dreapta”, iar acestea e bine sa fie cat mai departate posibil.

Care este cea Care este cea mai proasta varianta de experiment din exemplul anterior? Dintre cele cinci
mai proasta variante cea mai proasta este cea pentru care se obtine variatia maxima a estimatorilor
varianta? pentru coeficientii modelului. Din expresia varianţei coeficientului b1 rezulta ca cea mai
proasta alegere a valorilor pentru x este aceea care minimizeaza numitorul. Aceasta
varianta este cea cu numarul 4, in care aproape toate valorile lui x sunt localizate la
jumatatea intervalului.
Evident, in acest caz dreapta estimata se va departa de punctul solitar de la fiecare capat al
intervalului si, astfel, aproximarea liniara obtinuta va fi intuitiv inferioara.

1.1.Proiectarea experimentelor

experimentelor  Varianţa minima a estimatorilor coeficienţilor
aplicate
procesului de
modelare  Repetiţie


aplicate
procesului de

Proiectarea experimentelor
Capacitate Pentru modelul pe care il considerati cel mai potrivit pentru aproximare, fiti siguri ca proiectul
pentru un de experimente are capacitatea de a estima coeficientii acelui model!
model primar De exemplu, daca se utilizeaza un model patratic atunci trebuie ca experimentele sa
prevada cel putin trei puncte distincte pe axa absciselor.

1.1 Proiectarea experimentelor

aplicate
procesului de

Capacitate Daca modelul pe care il considerati cel mai potrivit pentru aproximare se dovedeste a fi
pentru un inadecvat, atunci fiti siguri ca proeictul de experimente are capacitatea de estima coeficientii
model celui mai bun model alternativ (identificat in prealabil!!!) pe care il aveti in vedere.
alternativ
De exemplu, daca in cazul unui studiu in care se realizeaza 10 experimentari se considera
(fara a avea o certitudine) ca cel mai potrivit model este cel liniar, atunci cea mai buna
solutie este utilizarea unui proiect de experimente robust global (patru puncte de masura
la fiecare extrema si doua puncte in mijlocul intervalului pentru abscise) si nu un proiect
optim local (cinci puncte la fiecare extrema a intervalului). Proiectul optim local va asigura
cea mai buna aproximare liniara, dar nu are capacitatea de a aproxima o functie patratica, in
timp ce proiectul robust global va conduce la o aproximare liniara buna (dar nu optima), insa
va permite si o aproximare patratica buna (dar nu optima).


aplicate
procesului de

Varianţa Pentru un model dat, fiti siguri ca proiectul de experimentari are proprietatea de a minimiza
minima a varianţa estimatorilor coeficientilor, determinati cu metoda celor mai mici patrate.
estimatorilor Acesta este un principiu general care are intotdeauna efect pozitiv, dar care, in practica,
coeficienţilor este greu de implementat pentru multe modele cu mai mult de un factor, pentru care
expresiile varianţei sunt complicate. In consecinta acest principiu, desi important, este greu
de utilizat in afara cazurilor simple cu un singur factor.


aplicate
procesului de

Esantionare in Indiferent daca modelul este simplu sau complex, exista situatii in care anumite portiuni
regiunea cu ale curbei sunt afectate de erori mai mult decat altele. Un exemplu simplu este acela in
variatie care exista o dependenta liniara intre x si y, dar erorile de masurare sunt proportionale cu
(Cazul varianţei valorile absolute nu cu cele relative. In acest caz, valorile mai mari ale lui y sunt mai
neuniforme) afectate de erori decat valorile mai mici, si “esantionarea in regiunea cu variatie”
presupune aici repetarea valorilor in regiunile care sunt mai afectate de erori. In
practica, numarul de puncte repetate se alege astfel
1
ni 
 i2
unde σi este deviatia standard teoretica pentru acea regiune a curbei. De obicei σi este
estimata a-priori.

Esantionare in O situatie obisnuita in cazul modelelor neliniare conduce la curbe care au regiuni mai
regiunea cu “abrupte” (cu pante mai mari) decat altele. De exemplu, in aproximarea unui model
variatie exponential de tipul C exp(-x), valori mici ale lui x corespund unor valori mari pentru y si valori
(Cazul variatiilor mari ale lui x corespund unor valori mici pentru y. Intr-un asfel de caz, de obicei, valorile y din
abrupte) regiunea abrupta sunt mai afectate de erori decat valorile din regiunea plata. Aceasta se
poate explica si prin faptul ca valorile x pot fi ele insele afectate de erori, si chiar perturbatii
mici ale lor conduc la perturbatii mari ale valorilor y in regiunile abrupte.
In astfel de cazuri, cand avem informatii despre cum arata calitativ valorile cautate si cand
putem identifica zonele abrupte si zonele line, este adesea o idee buna de a esantiona mai
des in regiunile abrupte decat regiunile line. In practica se procedeaza astfel pentru alegerea
valorilor x:
1. Se estimeaza calitativ rezultatele;
2. Se partitioneaza axa verticala (y) cu ajutorul a n puncte echidistante (unde n reprezinta
numarul total de puncte care se pot masura);
3. Se traseaza linii orizontale de la fiecare punct pus pe axa verticala si se intersecteaza cu
estimarea calitativa de la pasul 1.
4. Se proiecteaza pe axa orizontala punctele gasite la pasul anterior. Aceste proiectii vor fi
valorile x recomandate pentru a fi folosite in masuratori.
Aceasta procedura va conduce in cazul curbei exponentiale la o distributie preponderent
logaritmica a punctelor din regiunea abrupta si la relativ putine puncte in regiunea plata a
curbei.

aplicate
procesului de

Repetiţie Daca este posibil, repetarea masuratorilor ar trebui prevazuta in orice proiect de
experimentari. Repetitia masuratorilor permite estimarea, independenta de modelul ales,
a dispersiei procesului. O astfel de estimare poate fi utilizata apoi ca un criteriu pentru a
determina daca un model este adecvat sau nu.
Anumite repetitii ale masuratorilor sunt esentiale pentru modelarea proceselor; ideal ar fi
sa existe repetitii pentru fiecare punct de masura.


aplicate
procesului de

Esantionare Valorile y nu trebuie colectate in ordinea crescatoare a valorilor x.
aleatoare De exemplu, daca vrem sa esantionam curba in 10 puncte, aceste 10 valori nu trebuie
masurate in ordine, de la cel mai mic x la cel mai mare. Daca se procedeaza asa, in cazul
in care la un moment dat apare o perturbare neintentionata in masuratori (datorita
operatorului sau aparatului), aceasta va contamina valorile finale si deci aproximarea
finala. Pentru a minimiza efectul unui astfel de eveniment, cel mai bine este (daca este
posibil) sa se introduca un factor aleator in modul in care sunt colectate valorile. Aceasta
nu va inlatura perturbatia, dar va face ca ea sa se imprastie in mod uniform pe intregul
domeniu de masurare, si nu va contamina major numai o anumita zona. Aceasta va
modifica in mod realist variatia valorilor masurate, si va permite, la o analiza ulterioara,
descoperirea acestei perturbatii. Daca nu se introduce un factor aleator in alegerea ordinii
in care se fac masuratorile, astfel de perturbatii nu vor putea fi detectate.


1.2. Efectuarea determinarilor
experimentale
Caracterizarea procesului de masurare
Controlul statistic al procesului de masurare
Calibrarea

experimentale
Caracterizarea Scopul caracterizarii procesului de masurare este acela de a identifica sursele de erori
procesului de din acest proces si de a intelege modul in care aceste erori afecteaza rezultatele
masurare experimentale. Astfel, caracterizarea procesului de masurare este orientata in trei directii
principale:
 identificarea surselor de erori din procesul de masurare;
 intelelegerea si cuantificarea erorilor din procesul de masurare;
 codificarea efectelor acestor erori asupra valorilor raportate intr-o declaratie de
incertitudine.
Controlul
statistic al
procesului de
masurare
Calibrarea

experimentale
Caracterizarea
procesului de
masurare
Controlul Scopul controlului statistic al procesului de masurare este de a garanta “calitatea”

statistic al masuratorilor intr-o gama de predictibilitate si de a valida declaratia de incertitudine a
procesului de rezultatelor experimentale. Metode de control statistic pot fi utilizate pentru a testa
masurare evolutia in timp a procesului de masurare din punct de vedere al erorilor de masurare si al
variabilitatii rezultatelor masuratorilor.
Calibrarea

experimentale
Caracterizarea
procesului de
masurare
Controlul
statistic al
procesului de
masurare
Calibrarea Calibrarea este un proces de masurare care atribuie valori proprietatii unui obiect sau
raspunsului unui aparat de masura relative la standardele de referinta. Scopul calibrarii
este de a elimina sau reduce erorile de masura din sistemul de masurare al utilizatorului
in raport cu baza de referinta.
Procedura de calibrare compara un obiect de test sau un instrument cu standardul de
referinta dupa un algoritm specific. Tipuri generale de calibrare:
 Calibrarea unui obiect intr-un singur punct
 Calibrarea unui instrument de-a lungul unui regim.


Manag Date Exp 1

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Manag Date Exp 1

Încărcat de

Drepturi de autor:

Formate disponibile

Managementul datelor

Managementul datelor experimentale in investigarea materialelor electrotehnice Prof.dr.ing.Florin Ciuprina

1. Importanta determinarilor experimentale in

Managementul datelor experimentale in investigarea materialelor electrotehnice

5 Software pentru managementul datelor experimentale

Managementul datelor experimentale in investigarea materialelor electrotehnice

Managementul datelor experimentale in investigarea materialelor electrotehnice

Cerinţele minimale pentru promovare:

Managementul datelor experimentale in investigarea materialelor electrotehnice

 Efectuarea determinarilor experimentale

Managementul datelor experimentale in investigarea materialelor electrotehnice

 Efectuarea determinarilor experimentale

Managementul datelor experimentale in investigarea materialelor electrotehnice

Abordarea Proiectarea experimentelor (Design of

Managementul datelor experimentale in investigarea materialelor electrotehnice

Ariile problemelor DEX poate fi aplicat in 4 arii generale de

Managementul datelor experimentale in investigarea materialelor electrotehnice

Comparare Inginerul este interesat sa aprecieze daca o

Managementul datelor experimentale in investigarea materialelor electrotehnice

Evaluare / Inginerul este interesat de “intelegerea”

Managementul datelor experimentale in investigarea materialelor electrotehnice

Modelare Inginerul este interesat de modelarea cu acuratete

Managementul datelor experimentale in investigarea materialelor electrotehnice

Optimizare Inginerul este interesat sa configureze in mod

Managementul datelor experimentale in investigarea materialelor electrotehnice

Iesirea din procesul Procesul de modelare are drept iesire o functie

Managementul datelor experimentale in investigarea materialelor electrotehnice

Valori bune ale coeficientilor sunt acelea pentru care

Cele mai bune valori ale coeficientilor sunt acele valori

 Utilizarea metodei celor mai mici patrate;

Managementul datelor experimentale in investigarea materialelor electrotehnice

Principii ale  Capacitate pentru un model primar

Managementul datelor experimentale in investigarea materialelor electrotehnice

Principii ale  Capacitate pentru un model primar

Managementul datelor experimentale in investigarea materialelor electrotehnice

Principiul Acest principiu se refera la controlul vectorului x astfel incat

Managementul datelor experimentale in investigarea materialelor electrotehnice

1. 10 valori echidistante de-a lungul gamei de interes?

Managementul datelor experimentale in investigarea materialelor electrotehnice

Managementul datelor experimentale in investigarea materialelor electrotehnice

Managementul datelor experimentale in investigarea materialelor electrotehnice

Principii ale  Capacitate pentru un model primar

Managementul datelor experimentale in investigarea materialelor electrotehnice

Principii ale  Capacitate pentru un model primar

Managementul datelor experimentale in investigarea materialelor electrotehnice

Managementul datelor experimentale in investigarea materialelor electrotehnice

Principii ale  Capacitate pentru un model primar

Managementul datelor experimentale in investigarea materialelor electrotehnice

Managementul datelor experimentale in investigarea materialelor electrotehnice

Principii ale  Capacitate pentru un model primar

Managementul datelor experimentale in investigarea materialelor electrotehnice

Managementul datelor experimentale in investigarea materialelor electrotehnice

Principii ale  Capacitate pentru un model primar

Managementul datelor experimentale in investigarea materialelor electrotehnice

Managementul datelor experimentale in investigarea materialelor electrotehnice

Principii ale  Capacitate pentru un model primar

Managementul datelor experimentale in investigarea materialelor electrotehnice

Managementul datelor experimentale in investigarea materialelor electrotehnice

Principii ale  Capacitate pentru un model primar

Managementul datelor experimentale in investigarea materialelor electrotehnice

Managementul datelor experimentale in investigarea materialelor electrotehnice

 Efectuarea determinarilor experimentale

Managementul datelor experimentale in investigarea materialelor electrotehnice

Controlul statistic al procesului de masurare