CN 4 MMQ

Fazer download em pdf ou txt
Fazer download em pdf ou txt
Você está na página 1de 41

AJUSTE DE CURVAS

MÉTODO DOS MÍNIMOS QUADRADOS

PROFA. DRA. ROSANA M. L. KRIPKA


CÁLCULO NUMÉRICO
UNIVERSIDADE DE PASSO FUNDO/ RS/BR

1
AJUSTE DE CURVAS

 Uma forma de se trabalhar com uma função definida por tabela de valores é a interpolação
polinomial (RUGGIERO E LOPES, 1988).
 No entanto, a interpolação não é aconselhável quando:
o Se quer extrapolar, calculando um valor aproximado da função para algum valor fora do
intervalo do tabelamento.
o Quando os valores podem ter sido obtidos por experimentos físicos ou por pesquisas, os
quais podem conter erros inerentes, não previsíveis no processo.
 Nesses casos: usa-se o ajuste de curvas de modo a obter funções que permitam boas
aproximações para os valores tabelados, bem como permitam realizar extrapolações com
certa margem de segurança.
2
TIPOS DE PROBLEMAS – CASO DISCRETO

 O problema de ajuste de curvas consiste em, conhecida uma tabela de pontos


𝑥1 , 𝑓 𝑥1 , 𝑥2 , 𝑓 𝑥2 , … , 𝑥𝑚 , 𝑓 𝑥𝑚 , com 𝑥1 , 𝑥2 , … , 𝑥𝑚 pertencentes a um intervalo 𝑎, 𝑏 ,
e escolhidas 𝑛 funções 𝑔1 𝑥 , 𝑔2 𝑥 , … , 𝑔𝑛 𝑥 , contínuas em 𝑎, 𝑏 , calcular 𝑛 constantes
𝛼1 , 𝛼2 , … , 𝛼𝑛 tais que a função:
𝜑 𝑥 = 𝛼1 𝑔1 𝑥 + 𝛼2 𝑔2 𝑥 + … + 𝛼𝑛 𝑔𝑛 𝑥 se aproxime ao máximo de 𝑓 𝑥 .
 Nesse caso, considera-se este modelo matemático linear, pois os coeficientes a serem
determinados aparecem como variáveis de equações lineares, embora as funções
𝑔1 𝑥 , … , 𝑔𝑛 𝑥 possam ser funções não lineares, tais como: 𝑔1 𝑥 = 𝑒 𝑥 ou 𝑔2 = 1 + 𝑥 2 .
 Para escolher as funções que melhor se aproximam dos pontos conhecidos o primeiro passo é
representar esses pontos no plano cartesiano, para se observar a dispersão dos pontos,
3
para poder visualizar qual curva melhor se ajusta aos dados.
EXEMPLO
 Sejam os valores tabelados de uma função:

𝑥 -1,0 -0,75 -0,6 -0,5 -0,3 0,0 0,2 0,4 0,5 0,7 1,0
𝑓 𝑥 2,05 1,153 0,45 0,4 0,5 0,0 0,2 0,6 0,512 1,2 2,05

Ao representar os pontos no
plano cartesiano percebe-se,
pela dispersão de dados, que a
função pode ser aproximada por
uma parábola passando pela
origem, ou seja:
𝑔1 𝑥 = 𝑥 2 e, busca-se
determinar: 𝜑 𝑥 = 𝛼𝑥 2 , que é
uma equação geral de uma 4

parábola que passa pela origem.


TIPOS DE PROBLEMAS – CASO CONTÍNUO

 Nesse caso, o problema de ajuste de curvas consiste em, conhecida uma função
𝑓 𝑥 , contínua no intervalo 𝑎, 𝑏 , e escolhidas 𝑛 funções 𝑔1 𝑥 , 𝑔2 𝑥 , … , 𝑔𝑛 𝑥 , contínuas
em 𝑎, 𝑏 , calcular 𝑛 constantes 𝛼1 , 𝛼2 , … , 𝛼𝑛 tais que a função:
𝜑 𝑥 = 𝛼1 𝑔1 𝑥 + 𝛼2 𝑔2 𝑥 + … + 𝛼𝑛 𝑔𝑛 𝑥
se aproxime ao máximo de 𝑓 𝑥 no intervalo 𝑎, 𝑏 .
 Uma ideia é escolher 𝜑 𝑥 de modo que o módulo da área sob a curva (𝜑 𝑥 − 𝑓 𝑥 ) seja
mínima.
 Para garantir a proximidade desejada, tanto no caso discreto, como no caso contínuo, usa-se
o Método dos Quadrados Mínimos (ou Método dos Mínimos Quadrados).
 Nessa disciplina abordaremos apenas o caso discreto.
5
MÉTODO DOS QUADRADOS MÍNIMOS – CASO DISCRETO

 Sejam os pontos conhecidos 𝑥1 , 𝑓 𝑥1 , 𝑥2 , 𝑓 𝑥2 , … , 𝑥𝑚 , 𝑓 𝑥𝑚 e as funções 𝑛


𝑔1 𝑥 , 𝑔2 𝑥 , … , 𝑔𝑛 𝑥 , escolhidas pela observação da dispersão dos pontos.
 Considerando que o número 𝑚 de pontos tabelados seja maior ou igual ao número de funções escolhidas
ou ao número de coeficientes 𝛼1 , 𝛼2 , … , 𝛼𝑛 que se deseja determinar, o objetivo do método consiste em
encontrar os coeficientes 𝛼1 , 𝛼2 , … , 𝛼𝑛 tais que a função:
𝜑 𝑥 = 𝛼1 𝑔1 𝑥 + 𝛼2 𝑔2 𝑥 + … + 𝛼𝑛 𝑔𝑛 𝑥 se aproxime ao máximo de 𝑓 𝑥 .
 Seja o desvio em 𝑥𝑘 dado por: 𝑑𝑘 = 𝑓 𝑥𝑘 − 𝜑 𝑥𝑘 .
 Um conceito de proximidade consiste em considerar que 𝑑𝑘 seja mínimo para 𝑘 = 1, … , 𝑚.
 O método dos quadrados mínimos consiste em calcular os coeficientes 𝛼1 , 𝛼2 , … , 𝛼𝑛 de tal modo que a
soma dos quadrados dos desvios seja mínima. Desse modo, objetiva-se que a soma a seguir seja mínima:
𝑚 𝑚

෍ 𝑑𝑘 2 = ෍ 𝑓 𝑥𝑘 − 𝜑 𝑥𝑘 2
6
𝑘=1 𝑘=1
(KOLMAN, HILL, 1988, P. 368-370)

E se fosse necessário prever quantos


gramas do composto Beta estariam
presentes em um litro do produto
XXX, caso fossem usados 30 gramas
de alfa por litro?

7
Essa aproximação pode ser realizada por meio do MÉTODO DOS QUADRADOS MÍNIMOS,
obtendo a equação da reta:
𝑦ො = 𝑎0 ∙ 1 + 𝑎1 ∙ 𝑥

que minimiza a soma dos desvios quadrados entre os valores 𝑦𝑖 conhecidos e os valores
𝑦𝑖 pela reta dos mínimos quadrados, ou seja: 𝑑𝑖2 = 𝑦𝑖 − ෞ
previstos ෞ 𝑦𝑖 2

Objetivo: Calcular 𝑎0 𝑒 𝑎1 tais


que minimizem os quadrados
dos desvios:
𝑚

෍ 𝑑𝑖 2
𝑖=1

8
MÉTODO DOS MÍNIMOS QUADRADOS

𝑝1 𝑥 = 𝑎0 ∙ 1 + 𝑎1 ∙ 𝑥

𝑦ො = 2,967 + 0,583𝑥

Após o ajuste dos pontos, é possível responder a pergunta: quantos gramas do composto Beta
estariam presentes em um litro do produto XXX, caso fossem usados 30 gramas de alfa por litro?
Para 𝑥 = 30 gramas de Alfa, a quantidade estimada do composto Beta seria de:
𝑦ො = 𝑝1 30 = 2,967 + 0,583(30)= 20,457 gramas 9
MÉTODO DOS QUADRADOS MÍNIMOS – CASO DISCRETO

 Chamando:
𝑚
2
𝐹 𝛼1 , 𝛼2 , … , 𝛼𝑛 = ෍ 𝑓 𝑥𝑘 − 𝜑 𝑥𝑘
𝑘=1
ou
𝑚
2
𝐹 𝛼1 , 𝛼2 , … , 𝛼𝑛 = ෍ 𝑓 𝑥𝑘 − 𝛼1 𝑔1 𝑥𝑘 − 𝛼2 𝑔2 𝑥𝑘 − … − 𝛼𝑛 𝑔𝑛 𝑥𝑘
𝑘=1

Assim, conforme o critério dos quadrados mínimos, os coeficientes 𝛼𝑘 que aproximam ao


máximo 𝜑 𝑥 de 𝑓 𝑥 são aqueles que minimizam a função 𝐹 𝛼1 , 𝛼2 , … , 𝛼𝑛 .
Observação: Se ocorrer o ajuste exato dos pontos pelo modelo, o mínimo da função acima será
zero e nesse caso, verifica-se que a interpolação polinomial é um caso particular do método dos10
mínimos quadrados.
 Do cálculo diferencial, se sabe que para se obter o valor mínimo da função 𝐹 𝛼1 , 𝛼2 , … , 𝛼𝑛 é
necessário encontrar seu ponto crítico.
 O ponto crítico da função 𝐹 𝛼1 , 𝛼2 , … , 𝛼𝑛 é calculado fazendo o gradiente da função igual a zero, ou
seja:
𝜕𝐹 𝜕𝐹 𝜕𝐹 𝜕𝐹
∇𝐹 𝛼1 , 𝛼2 , … , 𝛼𝑛 = 0 ⟹ , ,…, = 0,0, … , 0 ⟹ = 0, 𝑖 = 1, … , 𝑛
𝜕𝛼1 𝜕𝛼2 𝜕𝛼𝑛 𝜕𝛼𝑖
Como:
𝑚

𝐹 𝛼1 , 𝛼2 , … , 𝛼𝑛 = ෍ 𝑓 𝑥𝑘 − 𝛼1 𝑔1 𝑥𝑘 − 𝛼2 𝑔2 𝑥𝑘 − … − 𝛼𝑛 𝑔𝑛 𝑥𝑘 2

𝑘=1

 Calculando a derivada parcial de 𝐹 com relação à variável 𝛼𝑖 , tem-se:

2 ෍ 𝑓 𝑥𝑘 − 𝛼1 𝑔1 𝑥𝑘 − 𝛼2 𝑔2 𝑥𝑘 − … − 𝛼𝑛 𝑔𝑛 𝑥𝑘 −𝑔𝑖 𝑥𝑘 =0
𝑘=1

que pode ser reescrita como:


𝑚

෍ 𝑓 𝑥𝑘 − 𝛼1 𝑔1 𝑥𝑘 − 𝛼2 𝑔2 𝑥𝑘 − … − 𝛼𝑛 𝑔𝑛 𝑥𝑘 𝑔𝑖 𝑥𝑘 =0 11

𝑘=1
 Desenvolvendo essa equação para 𝑖 = 1, … , 𝑛 e ordenando de tal forma que as variáveis 𝛼𝑖 fiquem em evidência,
temos:

𝑚 𝑚 𝑚 𝑚

෍ 𝑔1 𝑥𝑘 𝑔1 𝑥𝑘 𝛼1 + ෍ 𝑔2 𝑥𝑘 𝑔1 𝑥𝑘 𝛼2 + ⋯ + ෍ 𝑔𝑛 𝑥𝑘 𝑔1 𝑥𝑘 𝛼𝑛 = ෍ 𝑓 𝑥𝑘 𝑔1 𝑥𝑘
𝑘=1 𝑘=1 𝑘=1 𝑘=1

𝑚 𝑚 𝑚 𝑚

෍ 𝑔1 𝑥𝑘 𝑔2 𝑥𝑘 𝛼1 + ෍ 𝑔2 𝑥𝑘 𝑔2 𝑥𝑘 𝛼2 + ⋯ + ෍ 𝑔𝑛 𝑥𝑘 𝑔2 𝑥𝑘 𝛼𝑛 = ෍ 𝑓 𝑥𝑘 𝑔2 𝑥𝑘
𝑘=1 𝑘=1 𝑘=1 𝑘=1

𝑚 𝑚 𝑚 𝑚

෍ 𝑔1 𝑥𝑘 𝑔𝑛 𝑥𝑘 𝛼1 + ෍ 𝑔2 𝑥𝑘 𝑔𝑛 𝑥𝑘 𝛼2 + ⋯ + ෍ 𝑔𝑛 𝑥𝑘 𝑔𝑛 𝑥𝑘 𝛼𝑛 = ෍ 𝑓 𝑥𝑘 𝑔𝑛 𝑥𝑘
𝑘=1 𝑘=1 𝑘=1 𝑘=1

12
 Que corresponde a um sistema linear de equações com 𝑛 equações e 𝑛 incógnitas, no qual as equações
são chamadas de equações normais, o qual pode ser escrito na forma matricial:
𝑎11 𝛼1 + 𝑎12 𝛼2 + ⋯ + 𝑎1𝑛 𝛼𝑛 = 𝑏1 𝑎11 𝑎12 ⋯ 𝑎1𝑛 𝛼1 𝑏1
𝑎21 𝛼1 + 𝑎22 𝛼2 + ⋯ + 𝑎2𝑛 𝛼𝑛 = 𝑏2 𝑎21 𝑎22 ⋯ 𝑎2𝑛 𝛼2 𝑏2
ou seja: ⋮ ⋮ ⋱ ⋮ ⋮ =
⋮ ⋮
𝑎𝑛1 𝛼1 + 𝑎𝑛2 𝛼2 + ⋯ + 𝑎𝑛𝑛 𝛼𝑛 = 𝑏𝑛 𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛 𝛼𝑛 𝑏𝑛
onde:
𝑚

𝐴 = 𝑎𝑖𝑗 , com 𝑎𝑖𝑗 = ෍ 𝑔𝑗 𝑥𝑘 𝑔𝑖 𝑥𝑘 = 𝑎𝑗𝑖 , 𝑖 = 1, … , 𝑛; 𝑗 = 1, … , 𝑛


𝑘=1

𝐵 = 𝑏1 𝑏2 … 𝑏𝑛 𝑇 , com 𝑏𝑖 = ෍ 𝑓 𝑥𝑘 𝑔𝑖 𝑥𝑘 , 𝑖 = 1, … , 𝑛
𝑘=1
Observações:
1) A matriz 𝐴 é simétrica.
2) Demonstra-se que se as funções escolhidas 𝑔1 𝑥 , 𝑔2 𝑥 , … , 𝑔𝑛 𝑥 forem linearmente independentes, o
determinante da matriz será diferente de zero e sistema linear gerado terá solução única: 𝛼1 , 𝛼2 , … , 𝛼𝑛 .
3) Também se demostra que a solução 𝛼1 , 𝛼2 , … , 𝛼𝑛 é aquela no qual a função 𝐹 𝛼1 , 𝛼2 , … , 𝛼𝑛 atinge seu valor
13

mínimo.
EXEMPLO 1 (AULA)
 Sejam os valores tabelados de uma função:

𝑥 -1,0 -0,75 -0,6 -0,5 -0,3 0,0 0,2 0,4 0,5 0,7 1,0
𝑓 𝑥 2,05 1,153 0,45 0,4 0,5 0,0 0,2 0,6 0,512 1,2 2,05

Ao representar os pontos no plano cartesiano percebe-se, pela


dispersão de dados, que a função pode ser aproximada por
uma parábola passando pela origem, ou seja: 𝑔1 𝑥 = 𝑥 2 e,
busca-se determinar: 𝜑 𝑥 = 𝛼𝑥 2 , que é uma equação geral de
uma parábola que passa pela origem.

Como 𝑛 = 1, a matriz será de ordem 1, ou seja, 𝐴1 𝛼1 = 𝐵1 .


Assim, basta resolver a equação:
14

𝑎11 𝛼1 = 𝑏1
 Como existem, 11 pontos tabelados, 𝑚 = 11, e como: 𝑔1 𝑥 = 𝑥 2 calculando:
𝑚=11 𝑚=11 𝑚=11 𝑚=11

𝑎11 = ෍ 𝑔1 𝑥𝑘 𝑔1 𝑥𝑘 = ෍ 𝑔1 𝑥𝑘 2 = ෍ 𝑥𝑘 2 2 = ෍ 𝑥𝑘 4 = 2,8464
𝑘=1 𝑘=1 𝑘=1 𝑘=1
𝑚=11 𝑚=11 (Usar arredondamento no valor
final em 4 casas após a virgula)
𝑏1 = ෍ 𝑓 𝑥𝑘 𝑔1 𝑥𝑘 = ෍ 𝑓 𝑥𝑘 𝑥𝑘 2 = 5,8756
𝑘=1 𝑘=1

Substituindo em:
𝑎11 𝛼1 = 𝑏1
2,8464 𝛼1 = 5,8756
𝛼1 = 2,0642

▪ Desse modo, a parábola 𝜑 𝑥 = 2,0642𝑥 2 é a que


mais se aproxima da função tabelada, segundo o
critério dos mínimos quadrados.
15
EXEMPLO 2 (AULA)
Observações de um fenômeno físico geraram os seis pontos tabelados:

𝑥 1 2 3 4 5 6
𝑓 𝑥 3,14 1,76 4,08 7,32 6,84 8,41

Determine a expressão do polinômio de grau 3 que ajuste os pontos tabelados, pelo método dos
mínimos quadrados. Usar arredondamento em 4 casas após a vírgula.
Nesse caso, a expressão do polinômio é: 𝑝3 𝑥 = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3 ≈ 𝑓 𝑥
Como:
𝜑 𝑥 = 𝛼1 𝑔1 𝑥 + 𝛼2 𝑔2 𝑥 + 𝛼3 𝑔3 𝑥 + 𝛼4 𝑔4 𝑥
𝑝3 𝑥 = 𝑎0 ∙ 1 + 𝑎1 ∙ 𝑥 + 𝑎2 ∙ 𝑥 2 + 𝑎3 ∙ 𝑥 3 ≈ 𝑓 𝑥
então: 𝑔1 𝑥 = 1; 𝑔2 𝑥 = 𝑥; 𝑔3 𝑥 = 𝑥 2 e 𝑔4 𝑥 = 𝑥 3
Quatro funções
para o ajuste. 16

e 𝛼1 = 𝑎0 ; 𝛼2 = 𝑎1 ; 𝛼3 = 𝑎2 e 𝛼4 = 𝑎3
▪ Como serão consideradas para o ajuste 4 funções, a matriz 𝐴4 será de ordem 4:

𝑎11 𝑎12 𝑎13 𝑎14 𝛼1 𝑏1


𝑎21 𝑎22 𝑎23 𝑎24 𝛼2 𝑏2
𝑎31 𝑎32 𝑎33 𝑎34 𝛼3 =
𝑏3
𝑎41 𝑎42 𝑎43 𝑎44 𝛼4 𝑏4

com: 𝑚

𝑎𝑖𝑗 = ෍ 𝑔𝑗 𝑥𝑘 𝑔𝑖 𝑥𝑘 = 𝑎𝑗𝑖 , 𝑖 = 1, … , 𝑛; 𝑗 = 1, … , 𝑛
𝑘=1

e 𝑚

𝑏𝑖 = ෍ 𝑓 𝑥𝑘 𝑔𝑖 𝑥𝑘 = 𝑎𝑗𝑖 , 𝑖 = 1, … , 𝑛
𝑘=1
17
Como existem seis pontos, 𝑚 = 6 e considerando: 𝑔1 𝑥 = 1; 𝑔2 𝑥 = 𝑥; 𝑔3 𝑥 = 𝑥 2 e 𝑔4 𝑥 = 𝑥 3

6 6 6 6 6 6
𝑎11 = ෍ 𝑔1 𝑥𝑘 𝑔1 𝑥𝑘 = ෍ 12 = ෍ 12 = 6 𝑎33 = ෍ 𝑔3 𝑥𝑘 𝑔3 𝑥𝑘 = ෍ 𝑥𝑘 2 ∙ 𝑥𝑘 2 = ෍ 𝑥𝑘 4 =? ? ?
𝑘=1 𝑘=1 𝑘=1 𝑘=1 𝑘=1 𝑘=1
6 6 6 6 6 6

𝑎12 = ෍ 𝑔2 𝑥𝑘 𝑔1 𝑥𝑘 = ෍ 𝑥𝑘 ∙ 1 = ෍ 𝑥𝑘 =? ? ? = 𝑎21 𝑎34 = ෍ 𝑔4 𝑥𝑘 𝑔3 𝑥𝑘 = ෍ 𝑥𝑘 3 ∙ 𝑥𝑘 2 = ෍ 𝑥𝑘 5 =? ? ? = 𝑎43


𝑘=1 𝑘=1 𝑘=1 𝑘=1 𝑘=1 𝑘=1
6 6 6
6 6 6
2 2 𝑎44 = ෍ 𝑔4 𝑥𝑘 𝑔4 𝑥𝑘 = ෍ 𝑥𝑘 3 ∙ 𝑥𝑘 3 = ෍ 𝑥𝑘 6 =? ? ?
𝑎13 = ෍ 𝑔3 𝑥𝑘 𝑔1 𝑥𝑘 = ෍ 𝑥𝑘 ∙ 1 = ෍ 𝑥𝑘 =? ? ? = 𝑎31
𝑘=1 𝑘=1 𝑘=1
𝑘=1 𝑘=1 𝑘=1 6 6
6 6 6
𝑏1 = ෍ 𝑓 𝑥𝑘 𝑔1 𝑥𝑘 = ෍ 𝑓 𝑥𝑘 ∙ 1 =? ? ?
3 3
𝑎14 = ෍ 𝑔4 𝑥𝑘 𝑔1 𝑥𝑘 = ෍ 𝑥𝑘 ∙ 1 = ෍ 𝑥𝑘 =? ? ? = 𝑎41 𝑘=1 𝑘=1
6 6
𝑘=1 𝑘=1 𝑘=1
6 6 6 𝑏2 = ෍ 𝑓 𝑥𝑘 𝑔2 𝑥𝑘 = ෍ 𝑓 𝑥𝑘 ∙ 𝑥𝑘 =? ? ?
𝑎22 = ෍ 𝑔2 𝑥𝑘 𝑔2 𝑥𝑘 = ෍ 𝑥𝑘 ∙ 𝑥𝑘 = ෍ 𝑥𝑘 2 =? ? ? 𝑘=1
6
𝑘=1
6
𝑘=1 𝑘=1 𝑘=1
6 6 6 𝑏3 = ෍ 𝑓 𝑥𝑘 𝑔3 𝑥𝑘 = ෍ 𝑓 𝑥𝑘 ∙ 𝑥𝑘 2 =? ? ?
𝑘=1 𝑘=1
𝑎23 = ෍ 𝑔3 𝑥𝑘 𝑔2 𝑥𝑘 = ෍ 𝑥𝑘 2 ∙ 𝑥𝑘 = ෍ 𝑥𝑘 3 =? ? ? = 𝑎32 6 6
𝑘=1 𝑘=1 𝑘=1 𝑏4 = ෍ 𝑓 𝑥𝑘 𝑔4 𝑥𝑘 = ෍ 𝑓 𝑥𝑘 ∙ 𝑥𝑘 3 =? ? ?
6 6 6
𝑘=1 𝑘=1
3 4
𝑎24 = ෍ 𝑔4 𝑥𝑘 𝑔2 𝑥𝑘 = ෍ 𝑥𝑘 ∙ 𝑥𝑘 = ෍ 𝑥𝑘 =? ? ? = 𝑎24 18

𝑘=1 𝑘=1 𝑘=1


TABELA (PODE SER CONSTRUÍDA COM AUXILIO DO EXCEL)

somas
x 1 2 3 4 5 6 21
f(x) 3,14 1,76 4,08 7,32 6,84 8,41 31,55
x^2 1 4 9 16 25 36 91
x^3 1 8 27 64 125 216 441
x^4 1 16 81 256 625 1296 2275
x^5 1 32 243 1024 3125 7776 12201
x^6 1 64 729 4096 15625 46656 67171
x.f(x) 3,14 3,52 12,24 29,28 34,2 50,46 132,84
x^2.f(x) 3,14 7,04 36,72 117,12 171 302,76 637,78 19

x^3.f(x) 3,14 14,08 110,16 468,48 855 1816,56 3267,42


Como existem seis pontos, 𝑚 = 6 e considerando: 𝑔1 𝑥 = 1; 𝑔2 𝑥 = 𝑥; 𝑔3 𝑥 = 𝑥 2 e 𝑔4 𝑥 = 𝑥 3

6 6 6 6 6 6
𝑎11 = ෍ 𝑔1 𝑥𝑘 𝑔1 𝑥𝑘 = ෍ 12 = ෍ 12 = 6 𝑎33 = ෍ 𝑔3 𝑥𝑘 𝑔3 𝑥𝑘 = ෍ 𝑥𝑘 2 ∙ 𝑥𝑘 2 = ෍ 𝑥𝑘 4 = 2275
𝑘=1 𝑘=1 𝑘=1 𝑘=1 𝑘=1 𝑘=1
6 6 6 6 6 6

𝑎12 = ෍ 𝑔2 𝑥𝑘 𝑔1 𝑥𝑘 = ෍ 𝑥𝑘 ∙ 1 = ෍ 𝑥𝑘 = 21 = 𝑎21 𝑎34 = ෍ 𝑔4 𝑥𝑘 𝑔3 𝑥𝑘 = ෍ 𝑥𝑘 3 ∙ 𝑥𝑘 2 = ෍ 𝑥𝑘 5 = 12201 = 𝑎43


𝑘=1 𝑘=1 𝑘=1 𝑘=1 𝑘=1 𝑘=1
6 6 6
6 6 6
2 2 𝑎44 = ෍ 𝑔4 𝑥𝑘 𝑔4 𝑥𝑘 = ෍ 𝑥𝑘 3 ∙ 𝑥𝑘 3 = ෍ 𝑥𝑘 6 = 67171
𝑎13 = ෍ 𝑔3 𝑥𝑘 𝑔1 𝑥𝑘 = ෍ 𝑥𝑘 ∙ 1 = ෍ 𝑥𝑘 = 91 = 𝑎31
𝑘=1 𝑘=1 𝑘=1
𝑘=1 𝑘=1 𝑘=1 6 6
6 6 6
𝑏1 = ෍ 𝑓 𝑥𝑘 𝑔1 𝑥𝑘 = ෍ 𝑓 𝑥𝑘 ∙ 1 = 31,55
3 3
𝑎14 = ෍ 𝑔4 𝑥𝑘 𝑔1 𝑥𝑘 = ෍ 𝑥𝑘 ∙ 1 = ෍ 𝑥𝑘 = 441 = 𝑎41 𝑘=1 𝑘=1
6 6
𝑘=1 𝑘=1 𝑘=1
6 6 6 𝑏2 = ෍ 𝑓 𝑥𝑘 𝑔2 𝑥𝑘 = ෍ 𝑓 𝑥𝑘 ∙ 𝑥𝑘 = 132,84
𝑎22 = ෍ 𝑔2 𝑥𝑘 𝑔2 𝑥𝑘 = ෍ 𝑥𝑘 ∙ 𝑥𝑘 = ෍ 𝑥𝑘 2 = 91 𝑘=1
6
𝑘=1
6
𝑘=1 𝑘=1 𝑘=1
6 6 6 𝑏3 = ෍ 𝑓 𝑥𝑘 𝑔3 𝑥𝑘 = ෍ 𝑓 𝑥𝑘 ∙ 𝑥𝑘 2 = 637,78
𝑘=1 𝑘=1
𝑎23 = ෍ 𝑔3 𝑥𝑘 𝑔2 𝑥𝑘 = ෍ 𝑥𝑘 2 ∙ 𝑥𝑘 = ෍ 𝑥𝑘 3 = 441 = 𝑎32 6 6
𝑘=1 𝑘=1 𝑘=1 𝑏4 = ෍ 𝑓 𝑥𝑘 𝑔4 𝑥𝑘 = ෍ 𝑓 𝑥𝑘 ∙ 𝑥𝑘 3 = 3267,42
6 6 6
𝑘=1 𝑘=1
3 4
𝑎24 = ෍ 𝑔4 𝑥𝑘 𝑔2 𝑥𝑘 = ෍ 𝑥𝑘 ∙ 𝑥𝑘 = ෍ 𝑥𝑘 = 2275 = 𝑎24 20

𝑘=1 𝑘=1 𝑘=1


Assim:
6 21 91 441 𝛼1 31,55
21 91 441 2275 𝛼2 132,84
𝛼3 =
91 441 2275 12201 637,78
441 2275 12201 67171 𝛼4 3267,42
e resolvendo por Gauss-Jordan no SciLab:

6 21 91 441 31,55 1 0 0 0 6,54


21 91 441 2275 132,84 0 1 0 0 −5,6701984

91 441 2275 12201 637,78 0 0 1 0 2,2188095
441 2275 12201 67171 3267,42 0 0 0 1 −0,2052778 Usando o
Obtém-se que: arredondamento
em 4 casas após a
𝑝3 𝑥 = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3 ≈ 𝑓 𝑥 vírgula.

𝑝3 𝑥 = 6,54 − 5,6702𝑥 + 2,2188𝑥 2 − 0,2053𝑥 3 ≈ 𝑓 𝑥


21
NO EXCEL

Para fazer a representação gráfica dos pontos no Excel e da curva


obtida pelo ajuste faça:
9

 Selecione os pontos 𝑥, 𝑓 𝑥 8 y = -0,2053x3 + 2,2188x2 - 5,6702x + 6,54

7
 Clique em inserir e na opção “Gráficos Recomendados” escolha 6
a opção “Inserir Gráfico de dispersão (X,Y) ou de bolha” e 5
escolha a primeira opção da dispersão.
4

 Clicando com o botão da direita sobre algum ponto do gráfico, 3

selecione “Adicionar Linha de tendência.” 2

1
 Escolher polinomial e grau 3.
0

 Descer com o botão da direita e selecionar “Exibir equação no 0 1 2 3 4 5 6 7

gráfico”.
(EXCEL 2019)
22
ERRO QUADRÁTICO

 Para saber qual ajuste é mais adequado ao conjunto de pontos conhecidos, uma maneira é calcular o
erro quadrático da aproximação.
 É uma medida da qualidade da aproximação, dado pela fórmula:

𝑚 𝑚

𝐸𝑄 𝑓 𝑥 , 𝜑 𝑥 = ෍ 𝑑𝑘 2 = ෍ 𝑓 𝑥𝑘 − 𝜑 𝑥𝑘 2

𝑘=1 𝑘=1

▪ Nesse caso, deseja-se obter o menor o erro quadrático da aproximação.


Observação: Também existe uma medida chamada 𝑅2 que é usada em planilhas eletrônicas, que se trata
de uma medida normalizada que varia entre 0 e 1, sendo que quanto mais próximo de um for o resultado
de 𝑅2 , melhor é o ajuste dos pontos. Na disciplina usaremos para comparações apenas os valores do 23

erro quadrático da aproximação.


ERRO QUADRÁTICO

𝑚 𝑚

𝐸𝑄 𝑓 𝑥 , 𝜑 𝑥 = ෍ 𝑑𝑘 2 = ෍ 𝑓 𝑥𝑘 − 𝜑 𝑥𝑘 2 𝜑 𝑥 = 𝑝3 𝑥 = 6,54 − 5,6702𝑥 + 2,2188𝑥 2 − 0,2053𝑥 3


𝑘=1 𝑘=1

𝑥 1 2 3 4 5 6
𝑓 𝑥 3,14 1,76 4,08 7,32 6,84 8,41
𝜑 𝑥𝑘 2,8833 2,4324 3,9555 6,2208 7,9965 8,0508
2
𝑓 𝑥𝑘 − 𝜑 𝑥𝑘 0,0659 0,4521 0,0155 1,2082 1,3375 0,1290

𝐸𝑄 𝑓 𝑥 , 𝜑 𝑥 = ෍ 𝑓 𝑥𝑘 − 𝜑 𝑥𝑘 2 = 3,2082 = 1,7911 24

𝑘=1
EXEMPLO

▪ No Exemplo 2, no qual foi realizado o ajuste dos pontos tabelados foi realizado pelo polinômio de
grau 3:
𝑝3 𝑥 = 6,54 − 5,6702𝑥 + 2,2188𝑥 2 − 0,2053𝑥 3 ≈ 𝑓 𝑥
o erro quadrático foi: 𝐸𝑄 𝑓 𝑥 , 𝜑 𝑥 = 1,7911.

 Caso fosse realizado o ajuste por um polinômio de grau 2, a expressão do polinômio seria
𝑝2 𝑥 = 1,367 + 0,8371𝑥 + 0,0634𝑥 2 ≈ 𝑓 𝑥
o erro quadrático seria: 𝐸𝑄 𝑓 𝑥 , 𝜑 𝑥 = 2,437
Conclusão: A análise dos erros quadráticos permite perceber que nesse exemplo, o ajuste pelo polinômio
de grau 3 foi mais adequado que o polinômio de grau 2. 25
EXERCÍCIOS (AULA)

 Ajustar os dados tabelados por uma reta, pelo uso método dos mínimos quadrados:

𝑥 1,3 3,4 5,1 6,8 8,0


𝑓 𝑥 2 5,2 3,8 6,1 5,8

Faça a representação gráfica da dispersão dos pontos e da reta, obtida pelo ajuste dos mínimos
quadrados no GeoGebra ou Excel. Calcule também o erro quadrático.
Considere arredondamento em 4 casas após a virgula.
Resposta: 𝑝1 𝑥 = 2,0097 + 0,5224𝑥 ≈ 𝑓 𝑥 e 𝐸𝑄 𝑓 𝑥 , 𝜑 𝑥 = 1,9179
26
EXERCÍCIOS (AULA)

 Ajustar os dados tabelados por meio de um polinômio de 2º grau, pelo uso método dos
mínimos quadrados:
𝑥 -2 -1,5 0 1 2,2 3,1
𝑓 𝑥 -30,5 -20,2 -3,3 8,9 16,8 21,4

Faça também a representação gráfica da dispersão dos pontos e da reta, obtida pelo ajuste dos
mínimos quadrados no GeoGebra. Calcule também o erro quadrático.
Considere arredondamento em 4 casas após a virgula.

Respostas: 𝑝2 𝑥 = −2,0177 + 11,3315𝑥 − 1,2222𝑥 2 ≈ 𝑓 𝑥 e 𝐸𝑄 𝑓 𝑥 , 𝑝2 𝑥 = 2,3775 27


MÉTODO DOS QUADRADOS MÍNIMOS – CASO NÃO LINEAR

 Em alguns casos, conforme o diagrama de dispersão, podem aparecer funções não lineares
no conjunto de funções escolhidas para se realizar o ajuste.
 Nesse caso, para se aplicar o método dos mínimos quadrados é necessário que seja realizado
uma linearização do problema, por meio de transformações matemáticas convenientes.

Exemplo: Ajuste por funções exponenciais


 Considere que o ajuste deva ser realizado por meio da fórmula: 𝜑 𝑥 = 𝛼1 𝑒 𝛼2 𝑥

ou seja, o ajuste dos pontos tabelados indica que: 𝑓 𝑥 ≈ 𝛼1 𝑒 𝛼2 𝑥


28
MMQ - AJUSTE POR FUNÇÕES EXPONENCIAIS

Aplicando o logaritmo natural em ambos os lados da equação 𝑓 𝑥 ≈ 𝛼1 𝑒 𝛼2 𝑥 obtém-se:


ln 𝑓 𝑥 ≈ ln 𝛼1 𝑒 𝛼2 𝑥
ln 𝑓 𝑥 ≈ ln 𝛼1 + ln 𝑒 𝛼2 𝑥
ln 𝑓 𝑥 ≈ ln 𝛼1 + 𝛼2 𝑥
Chamando: 𝑧 = ln 𝑓 𝑥 ≈ ln 𝛼1 + 𝛼2 𝑥 = 𝜙 𝑥
e definindo: 𝛽1 = ln 𝛼1 e 𝛽2 = 𝛼2
A nova curva do ajuste fica: 𝜙 𝑥 = 𝛽1 ∙ 1 + 𝛽2 ∙ 𝑥
na qual: 𝜙 𝑥 = 𝛽1 ∙ 𝑔1 𝑥 + 𝛽2 ∙ 𝑔2 𝑥
com: 𝑔1 𝑥 = 1 e 𝑔2 𝑥 = 𝑥 (duas funções para o ajuste) 29
MMQ - AJUSTE POR FUNÇÕES EXPONENCIAIS

Destaca-se que nesse caso, 𝜙 𝑥 estabelece relações lineares entre as incógnitas 𝛽𝑖 e as


funções 𝑔𝑖 𝑥 , e desse modo, o método dos mínimos quadrados pode ser aplicado.
E ainda, como:
𝑧 𝑥 = ln 𝑓 𝑥 ≈ 𝜙 𝑥 = 𝛽1 + 𝛽2 𝑥

para serem calculados os parâmetros 𝛽𝑖 é preciso trabalhar com o problema transformado:

Problema original: 𝑥𝑖 , 𝑓 𝑥𝑖 e Problema Transformado: 𝑥𝑖 , 𝑧𝑖 = ln 𝑓 𝑥𝑖


30
EXEMPLO (AULA)

 Considere a tabela a seguir, obtida de algum experimento em laboratório (GOMES, 1999, p. 101-102):
𝑥 -1 -0,7 -0,4 -0.1 0.2 0.5 0.8 1.0
𝑓 𝑥 36.547 17.264 8.155 3,852 1.82 0.86 0.406 0.246

Deseja-se obter o ajuste pelo método dos mínimos quadrados, no qual: 𝜑 𝑥 = 𝛼1 𝑒 𝛼2𝑥
Como:
𝑓 𝑥 ≈ 𝛼1 𝑒 𝛼2𝑥
𝑧 = ln 𝑓 𝑥 ≈ ln 𝛼1 + 𝛼2 𝑥 = 𝜙 𝑥
ou seja:
𝑧 = ln 𝑓 𝑥 ≈ 𝛽1 + 𝛽2 𝑥

31
e, nesse caso: 𝛽1 = ln 𝛼1 , 𝛽2 = 𝛼2 , 𝑔1 𝑥 = 1 e 𝑔2 𝑥 = 𝑥.
O problema transformado fica:
𝑥 -1 -0,7 -0,4 -0.1 0.2 0.5 0.8 1.0
𝑓 𝑥 36.547 17.264 8.155 3,852 1.82 0.86 0.406 0.246
𝑧 𝑥 = ln(𝑓 𝑥 ) 3.5985991 2.8486234 2.0986312 1.3485925 0.5988365 -0.1508229 -0.9014021 -1.4024237

𝑎11 𝑎12 𝛽1 𝑏
Como existem 8 pontos (𝑚 = 8) e duas funções para o ajuste, a matriz 𝐴 será de ordem 2: 𝑎 𝑎22 = 1
21 𝛽2 𝑏2
8 8
8 8
𝑎11 = ෍ 𝑔1 𝑥𝑘 𝑔1 𝑥𝑘 = ෍ 1 = 8
𝑘=1 𝑘=1 𝑏1 = ෍ 𝑧 𝑥𝑘 𝑔1 𝑥𝑘 = ෍ 𝑧 𝑥𝑘 ∙ 1 = 8,0386340
8 8 8
𝑘=1 𝑘=1
8 8
𝑎12 = ෍ 𝑔2 𝑥𝑘 𝑔1 𝑥𝑘 = ෍ 𝑥𝑘 ∙ 1 = ෍ 𝑥𝑘 = 0,3 = 𝑎21
𝑘=1 𝑘=1 𝑘=1 𝑏2 = ෍ 𝑧 𝑥𝑘 𝑔2 𝑥𝑘 = ෍ 𝑧 𝑥𝑘 ∙ 𝑥𝑘 = -8,6461368
8 8 8
𝑘=1 𝑘=1
𝑎22 = ෍ 𝑔2 𝑥𝑘 𝑔2 𝑥𝑘 = ෍ 𝑥𝑘 ∙ 𝑥𝑘 = ෍ 𝑥𝑘 2 = 3,59
8 0,3 𝛽1 8,0386340
𝑘=1 𝑘=1 𝑘=1 Assim: =
0,3 3,59 𝛽2 -8,6461368

somas
𝑥 -1 -0,7 -0,4 -0.1 0.2 0.5 0.8 1.0 0,3
𝑧 𝑥 3.5985991 2.8486234 2.0986312 1.3485925 0.5988365 -0.1508229 -0.9014021 -1.4024237 8,0386340
𝑥2 1,0000000 0,4900000 0,1600000 0,0100000 0,0400000 0,2500000 0,6400000 1,0000000 3,590000032

𝑧 𝑥 ∙𝑥 -3,5985991 -1,9940364 -0,8394525 -0,1348592 0,1197673 -0,0754114 -0,7211217 -1,4024237 -8,6461368


8 0,3 𝛽1 8,0386340
Como: = resolvendo por Gauss-Jordan no SciLab:
0,3 3,59 𝛽2 −8,6461368

8 0,3 8,0386340 1 0 1,0985867 𝛽1 = 1,0985867



0,3 3,59 −8,6461368 0 1 −2,5001986 𝛽2 = −2,5001986
Figura: Representação gráfica dos pontos tabelados e da função obtida
Assim: 𝑧 = ln 𝑓 𝑥 ≈ 𝛽1 + 𝛽2 𝑥 pelo ajuste de curva exponencial pelo método dos mínimos quadrados

𝑧 = ln 𝑓 𝑥 ≈ 1,0985867 − 2,5001986𝑥 40 40,0000000

35 35,0000000

30 30,0000000
Mas, inicialmente definiu-se que:
25 25,0000000

𝛽1 = ln 𝛼1 e 𝛽2 = 𝛼2 e, desse modo: 20 20,0000000

15 15,0000000
𝛼1 = 𝑒 (1,0985867) = 2,99992323 10 10,0000000

𝛼2 = −2,5001986 5 5,0000000

0 0,0000000
-1,5 -1 -0,5 0 0,5 1 1,5

Como: 𝑓 𝑥 ≈ 𝛼1 𝑒 𝛼2 𝑥 f ajuste f(x)

33
Fonte: Autora (EXCEL, 2020)
𝑓 𝑥 ≈ 2,99992323𝑒 (−2,5001986𝑥)
MMQ - AJUSTE DOS PRINCIPAIS CASOS NÃO LINEARES

 Ajuste por uma hipérbole:

Problema Original 1
𝑓 𝑥 ≈ =𝜑 𝑥
𝛼1 + 𝛼2 𝑥
Problema Transformado 1
𝑧≈ = 𝛼1 + 𝛼2 𝑥
𝑓 𝑥

 Ajuste por uma curva exponencial:

Problema Original 𝑓 𝑥 ≈ 𝛼1 𝛼2 𝑥 = 𝜑 𝑥
Problema Transformado 𝑧 = ln 𝑓 𝑥 ≈ ln 𝛼1 + ln 𝛼2 𝑥 = 𝑎1 + 𝑎1 𝑥
(se 𝑓 𝑥 > 0) 𝑎0 𝑎1
34
MMQ - AJUSTE DOS PRINCIPAIS CASOS NÃO LINEARES
 Ajuste por uma curva geométrica:

Problema Original 𝑓 𝑥 ≈ 𝛼1 𝑥 𝛼2 = 𝜑 𝑥

Problema Transformado 𝑧 = ln 𝑓 𝑥 ≈ ln 𝛼1 + 𝛼
ด2 ln 𝑥 = 𝑎1 + 𝑎2 ln 𝑥
(se 𝑥 > 0 e 𝑓 𝑥 > 0) 𝑎0 𝑎1 𝑡
𝑧 = ln 𝑓 𝑥 ≈ 𝑎1 + 𝑎2 𝑡 = 𝜙(𝑡)
Observação: aqui minimiza-se as somas dos quadrados dos desvios nos logaritmos de 𝑦 para os logaritmos de 𝑥.
 Ajuste por uma curva trigonométrica:

Problema Original 𝑓 𝑥 ≈ 𝛼1 + 𝛼2 cos(𝑤𝑥) = 𝜑 𝑥


Problema Transformado 𝑡 = cos(𝑤𝑥) ⟹ 𝑓 𝑥 ≈ 𝜑 𝑡 = 𝑎1 + 𝑎2 𝑡
35
MÉTODO DOS QUADRADOS MÍNIMOS – CASO NÃO LINEAR

Nesse caso, após a linearização da função 𝑓 𝑥 , por meio de uma transformação conveniente, o método
dos mínimos quadrados pode ser aplicado.
Assim, destaca-se que:
 O ajuste pelo método dos mínimos quadrados está sendo realizado para a função linearizada
𝑧 𝑥 ≈ 𝜙 𝑥 e não para 𝑓 𝑥 ≈ 𝜑 𝑥 .
 Os parâmetros do problema original assim obtidos não são ótimos dentro dos critérios dos
mínimos quadrados, pois o ajuste está sendo realizado para o problema transformado (linearizado).
 Desse modo, os erros quadráticos devem ser calculados por:

𝑚 𝑚

𝐸𝑄 𝑧 𝑥 , 𝜙 𝑥 = ෍ 𝑑𝑘 2 = ෍ 𝑧 𝑥 −𝜙 𝑥 2
36
𝑘=1 𝑘=1
TESTE DE ALINHAMENTO

Uma forma de se verificar se a escolha da função não linear em 𝛼1 , 𝛼2 , . . . . . , 𝛼𝑛 foi razoável é


aplicar o teste de alinhamento, o qual consiste em:

 Fazer a linearização da função não-linear escolhida.

 Fazer o diagrama de dispersão dos novos dados.

 Se os pontos do diagrama de dispersão estiverem alinhados, isto significará que a função não
linear utilizada foi uma boa escolha.

Observação: Normalmente tem-se erros de observação. Considera-se satisfatório que, no


diagrama de dispersão, os pontos se distribuem aleatoriamente em torno de uma reta média.
37
EXEMPLO (AULA)

 No exemplo anterior, no qual o problema inicial envolvia os pontos tabelados:

𝑥 -1 -0,7 -0,4 -0.1 0.2 0.5 0.8 1.0


𝑓 𝑥 36.547 17.264 8.155 3,852 1.82 0.86 0.406 0.246

 Após a linearização, obteve-se o ajuste para o problema transformado:

𝑥 -1 -0,7 -0,4 -0.1 0.2 0.5 0.8 1.0


𝑧 𝑥 = ln(𝑓 𝑥 ) 3.5986 2.8486 2.0986 1.3486 0.5988 -0.1508 -0.9014 -1.4024

38
EXEMPLO (AULA)

 Representando, no diagrama de dispersão os novos dados, conforme apresentado na Figura,


pode-se observar que a função foi uma boa escolha, pois os pontos estão alinhados.
Figura: Representação gráfica dos
4,0
pontos após a linearização da função

3,0

2,0

1,0

0,0
-1,5 -1,0 -0,5 0,0 0,5 1,0 1,5

-1,0

39
-2,0

Fonte: Autora (EXCEL, 2020)


EXERCÍCIOS (AULA)

1) Dada a tabela abaixo, faça o gráfico de dispersão e faça o ajuste pelo método dos mínimos
quadrados à curva 𝜑 𝑥 = 𝑎1 + 𝑎2 ln 𝑥 :

𝑥 0,5 0,75 1 1,5 2 2,5 3,0


𝑓 𝑥 -2,8 -0,6 1 3,2 4,8 6,0 7,0

Usar arredondamento em quatro casas após a vírgula.


Resposta: 𝜑 𝑥 = 0,9893 + 5,4742 ln 𝑥

RECOMENDAÇÃO: FAZER EXERCÍCIOS DA LISTA 9


40
EXERCÍCIOS (AULA)
1I) Ajuste os pontos: 𝑥 -8 -6 -4 -2 0 2 4
𝑦 30 10 9 6 5 4 4
1 1
a) Usando a aproximação 𝑦 ≈ . Faça o gráfico da e verifique se essa aproximação é viável.
𝑎0 + 𝑎1 𝑥 𝑦

b) Usando a aproximação 𝑦 ≈ 𝑎𝑏 𝑥 . Faça o gráfico da função linearizada e verifique se a aproximação é viável.


c) Compare os resultados obtidos em 𝑎 e 𝑏, por meio do erro quadrático.
Observação: Usar arredondamento em quatro casas após a vírgula em todas as alternativas.
1
Respostas: a) 𝜑 𝑥 = , onde: 𝑎0 = 0,1958 e 𝑎1 = 0,0186. Como o gráfico do problema linearizado
𝑎0 + 𝑎1 𝑥
se aproxima de uma reta, pelo teste do alinhamento a escolha realizada foi razoável.
b) 𝜑 𝑥 = 𝑎𝑏 𝑥 , onde: 𝑎 = 5,5201 e 𝑏 = 0,8597. Como o gráfico do problema linearizado se aproxima
de uma reta, pelo teste do alinhamento a escolha realizada foi razoável.
41
c) Como o erro quadrático de (a) foi 0,0361 e o erro quadrático de (b) foi 0,6951, o ajuste de (a) seria a
melhor opção.

Você também pode gostar