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.