Ajuste de Curvas

Diogo Pinheiro Fernandes Pedrosa

Universidade Federal do Rio Grande do Norte Centro de Tecnologia Departamento de Engenharia de Computa ca o e Automa ca o http://www.dca.ufrn.br/

Introdu c ao

bastante comum em engenharia a realiza E ca o de testes de laborat orio para a valida ca o de sistemas reais. Os resultados s ao obtidos na forma de pontos cujo comportamento demonstra o relacionamento de uma vari avel independente (ou explicativa) com uma, ou mais, vari avel dependente (ou resposta). O gr aco destes pontos e chamado de diagrama de dispers ao (ver gura 1).

x Figura 1: Exemplo ilustrativo de um diagrama de dispers ao. Entretanto, dado um diagrama de dispers ao, e pouco prov avel que haja uma curva que passe exatamente por cada ponto e que descreva elmente o sistema observado em laborat orio. A raz ao disto e que a obten ca o de dados experimentais possuem erros inerentes ao processo. Al em do mais, algumas vari aveis podem sofrer altera co es durante a experi encia, o que ir a provocar desvios na resposta. Dessa forma, para denir uma fun ca o anal tica que descreva o sistema n ao se deve optar por uma forma polinomial interpoladora dos pontos fornecidos, e sim uma curva que melhor se ajusta a estes pontos levando em considera ca o a exist encia de erros que, em geral, n ao s ao previs veis (ver gura 2). Uma das vantagens de se obter uma curva que se ajusta adequadamente a estes pontos, e a possibilidade de prever os valores da fun ca o (vari avel dependente) para valores da

M etodos Computacionais em Engenharia (DCA0304)

(a)

(b)

Figura 2: Exemplos ilustrativos de uma curva polinomial interpoladora (a) e uma curva que se ajusta aos pontos de um diagrama de dispers ao (b). vari avel explicativa que est ao fora do intervalo fornecido. Ou seja, e poss vel fazer uma extrapola ca o com uma aproxima ca o razo avel. Como o sistema da experi encia e descrito por um conjunto de pontos, ent ao a abordagem a ser apresentada ser a v alida para os casos discretos. Assim, o problema de ajuste de curvas no caso em que se tem uma tabela de pontos (x1 , y1 ), (x2 , y2 ), . . ., (xn , yn ), com xi pertencentes ao intervalo [a, b], consiste em dadas m + 1 fun co es g0 (x), g1 (x), . . ., gm (x), cont nuas em [a, b], obter m + 1 coecientes 0 , 1 , . . ., m de tal forma que f (x) = 0 g0 (x) + 1 g1 (x) + . . . + m gm (x) se aproxime de y (x), que fornece os valores y1 , y2 , . . ., yn dos pontos tabelados. Este e um modelo matem atico linear do sistema real pois os coecientes i a serem determinados aparecem linearmente arranjados, embora as fun co es gi (x) possam ser n aox 2 lineares, como g0 (x) = e e g1 (x) = 1 + x , por exemplo. O grande problema e como escolher adequadamente estas fun co es. Para isto, normalmente faz-se a observa ca o do diagrama de dispers ao para ver a forma geral dos pontos, ou ent ao deve-se basear em fundamentos te oricos do experimento que fornece a tabela. Uma id eia para que a fun ca o f (x) se ajuste aos pontos yi e fazer com que o desvio, ou erro, di = yi f (xi ) seja m nimo para todo i = 1, 2, . . . , n. Assim, denindo uma medida mais abrangente que envolve a soma destes desvios elevados ao quadrado tem-se:
n

D (0 , 1 , . . . , m ) =
i=1 n

d2 i [yi f (xi )]2 [yi 0 g0 (x) 1 g1 (x) . . . m gm (x)]2

=
i=1 n

=
i=1

O que se busca ent ao e determinar os i s para que D () seja m nimo. Este processo de minimiza ca o e chamado de M etodo dos M nimos Quadrados, uma vez que D () e denido por uma soma de quadrados. Do c alculo diferencial, sabe-se que para determinar o valor m nimo de uma fun ca o (ou o seu valor cr tico) deve-se derivar parcialmente esta fun ca o em rela ca o a `s vari aveis

M etodos Computacionais em Engenharia (DCA0304)

independentes. Dessa forma: D = 2 0 D = 2 1 D = 2 2 . . . D = 2 m

n

i=1 n

[yi 0 g0 (xi ) 1 g1 (xi ) . . . m gm (xi )] g0 (xi ) [yi 0 g0 (xi ) 1 g1 (xi ) . . . m gm (xi )] g1 (xi ) [yi 0 g0 (xi ) 1 g1 (xi ) . . . m gm (xi )] g2 (xi )

i=1 n

i=1

i=1

[yi 0 g0 (xi ) 1 g1 (xi ) . . . m gm (xi )] gm (xi )

Substituindo n para simplica ca o de nota ca o, igualando estas equa co es a i=1 por 0 e fazendo um rearranjo de termos ent ao tem-se: g0 (xi )2 0 + g0 (xi )g1 (xi ) 0 + g1 (xi )g0 (xi ) 1 + . . . + g1 (xi )2 1 + . . . + g0 (xi )gm (xi ) m = g1 (xi )gm (xi ) m = gm (xi )2 m . . . = yi g0 (xi ) yi g1 (xi )

g0 (xi )gm (xi ) 0 +

g1 (xi )gm (xi ) 1 + . . . +

yi gm (xi )

que se trata de um sistema linear que pode ser solucionado por qualquer m etodo num erico apresentadado (Gauss, Jordan, LU, Gaus com pivotamento parcial ou total, etc.). As equa co es deste sistema s ao chamadas de equa co es normais. Nota-se que a matriz dos coecientes deste sistema e sim etrica com rela ca o a diagonal principal, ou seja, a parte triangular inferior e igual a parte triangular superior.

Ajuste Linear Simples

O modelo mais simples de relacionar duas vari aveis e atrav es de uma equa ca o de reta, caracterizando um comportamento linear do sistema que foi submetido a ` experi encia. Se a distribui ca o dos pontos no diagrama de dispers ao assumir uma apar encia de uma reta, ent ao pode-se armar que: g0 (x) = 1 g1 (x) = x g2 (x) = g3 (x) = . . . = gm (x) = 0 o que faz com que o modelo matem atico que se ajuste aos pontos do diagrama de dispers ao seja uma equa ca o de reta, dada por: f (x) = 0 + 1 x O problema ent ao e determinar 0 e 1 . Sabe-se, por em, que para diferentes valores destes coecientes (ou par ametros) haver a diferentes retas que se ajustam aos pontos

M etodos Computacionais em Engenharia (DCA0304)

dados. Dessa forma, utilizando o M etodo dos M nimos Quadrados para minimizar a medida: n D (0 , 1 ) =
i=1

[yi 0 1 xi ]2

e substituindo

n i=1

por

para simplica ca o da nota ca o ter-se- a o seguinte sistema: n xi xi x2 i n 0 1 = yi y i xi

cuja solu ca o geral e: 1 = 0 = xi y i xi y i n x2 xi ) 2 i ( y i ( xi ) 1 n (1)

Exemplo 1 Ajustar os dados da tabela o menor poss vel. i 1 2 3 4 5

a seguir a uma reta de modo que D (0 , 1 ) seja xi 1.3 3.4 5.1 6.8 8.0 yi 2.0 5.2 3.8 6.1 5.8

Como se deseja encontrar os valores dos par ametros da reta dados pelas equa co es 1 ent ao basta encontrar os respectivos somat orios:
5

xi = 1.3 + 3.4 + 5.1 + 6.8 + 8.0 = 24.6

i=1 5 2 2 2 2 2 x2 i = 1.3 + 3.4 + 5.1 + 6.8 + 8.0 = 149.5 i=1 5

yi = 2.0 + 5.2 + 3.8 + 6.1 + 5.8 = 22.9

i=1 5

i=1

yi xi = (2.0 1.3) + (5.2 3.4) + (3.8 5.1) + (6.1 6.8) + (5.8 8.0) = 127.54

Substituindo estes valores nas equa co es 1 tem-se: 1 = 5 127.54 24.6 22.9 = 0.522 5 149.5 24.52 22.9 24.6 0.522 = 2.01 0 = 5

que resulta na reta f (x) = 2.01 + 0.522x. Utilizando o Scilab para gerar o gr aco tem-se: -->x = [1.3 3.4 5.1 6.8 8]; -->y = [2 5.2 3.8 6.1 5.8]; -->plot2d(x,y,-3,"051")

M etodos Computacionais em Engenharia (DCA0304)

-->for i=1:5 -->z(i) = 2.01+0.522*x(i); -->end -->plot2d(x,z) O resultado obtido est a apresentado na gura 3.
7 6 5 y 4 3 2 1 1 2 3 4 5 x 6 7 8 9

Figura 3: Exemplo de um ajuste linear.

Ajuste Linear M ultiplo

Quando, em uma experi encia, a vari avel resposta depende de duas ou mais vari aveis explicativas e o gr aco de dispers ao apresenta um comportamento linear, pode-se ent ao aplicar o ajuste linear m ultiplo. Para estes casos tem-se: g0 (x) = 1 g1 (x) = X1 g2 (x) = X2 . . . gm (x) = Xm

onde Xi , com i = 1, 2, . . . , m, s ao vari aveis distintas entre si. Isto resulta na seguinte equa ca o: f (x) = 0 + 1 X1 + 2 X2 + . . . + m Xm Pode-se mostrar, de maneira an aloga ao ajuste linear simples, que as estimativas de j que minimizam a soma dos quadrados dos desvios e a solu ca o do seguinte sistema de equa co es lineares:

M etodos Computacionais em Engenharia (DCA0304)

n X1i X2i . . . Xmi

X1i 2 X1 i X1i X2i . . . X1i Xmi

X2i X2i X1i 2 X2 i . . .

... ... ... .. .

Xmi Xmi X1i Xmi X2i . . .

2 Xmi

0 1 2 . . . m

X2i Xmi . . .

A resolu ca o deste sistema por qualquer m etodo num erico apresentado d a o valor dos coecientes j . Exemplo 2 Ajustar os pontos da tabela a seguir a ` equa ca o f (x) = 0 + 1 X1 + 2 X2 . i 1 2 X1i 1 0 X2i 2 1 yi 13 11 3 1 0 9 4 5 2 4 1 1 4 11 6 5 2 9 7 8 5 6 3 4 1 1

yi y i X 1i y i X 2i . . . yi Xmi

Para esse diagrama de dispers ao o sistema ca igual a: n X1i X2i 0 2 X1i X1 X2i X1i 1 = i 2 2 X2i X1i X2i X2 i Assim, calculando os somat orios para n = 8:
8

yi yi X1i yi X2i

i=1 8

X1i = 1 + 0 + 1 + 2 + 4 + 5 + 5 + 6 = 22 X2i = 2 + (1) + 0 + 1 + 1 + 2 + 3 + 4 = 8

2 2 2 2 2 2 2 2 2 X1 i = (1) + 0 + 1 + 2 + 4 + 5 + 5 + 6 = 108 2 2 2 2 2 2 2 2 2 X2 i = (2) + (1) + 0 + 1 + 1 + 2 + 3 + 4 = 36

i=1 8

i=1 8

i=1 8

i=1

X1i X2i = (1) (2) + 0 (1) + 1 0 + 2 1 + 4 1 + 5 2 + 5 5 + 6 4 = 57

8

i=1 8

yi = 13 + 11 + 9 + 4 + 11 + 9 + 1 + (1) = 57

i=1 8

yi X1i = 13 (1) + 11 0 + 9 1 + 4 2 + 11 4 + 9 5 + 1 5 + (1) 6 = 92 yi X2i = 13 (2) + 11 (1) + 9 0 + 4 1 + 11 1 + 9 2 + 1 3 + (1) 4 = 5

i=1

tem-se como resultado o seguinte sistema: 8 22 8 0 57 22 108 57 1 = 92 8 57 36 2 5

M etodos Computacionais em Engenharia (DCA0304)

que utilizando o M etodo de Gauss para criar uma matriz triangular superior equivalente e aplicando o algoritmo da substitui ca o retroativa tem-se a seguinte solu ca o: 0 = 4.239 1 = 3.4 2 = 6.464

Ajuste Polinomial

Um caso especial de ajuste de curvas ocorre quando o diagrama de dispers ao n ao apresenta as caracter sticas lineares presentes nos outros tipos de ajuste. Nestas situa co es pode-se realizar o ajuste polinomial utilizando as seguintes fun co es gi (x): = = = = . . . gm (x) = Deste modo, tem-se a seguinte equa ca o: f (x) = 0 + 1 x + 2 x2 + . . . + m xm ou seja, f (x) e um polin omio de grau m. Do estudo de interpola ca o polinomial sabe-se que estes polin omios s ao apropriados para aproximar fun co es de maneira satisfat oria (como exemplo tem-se a S erie de Taylor). Para o ajuste polinomial de curvas, o sistema ca igual a: m y . . . x n xi x2 i 0 i i +1 y i xi ... xm x3 xi x2 i i i 1 m+2 2 2 3 4 y x x x x . . . x i i i i i i 2 = . . . . . . . . . . . . . . . . . . . . . m+2 m+1 m 2m m y i xi m ... xi xi xi xi poss E vel perceber que o ajuste polinomial e um caso particular do ajuste linear m ultiplo, por em utilizando uma u nica vari avel independente. Exemplo 3 Ajustar os pontos da tabela a seguir a ` equa ca o f (x) = 0 + 1 x + 2 x2 . i xi yi 1 2.0 30.5 2 1.5 20.2 0.0 3.3 3 4 1.0 8.9 5 2.2 16.8 6 3.1 21.4 g0 (x) g1 (x) g2 (x) g3 (x) 1 x x2 x3 xm

M etodos Computacionais em Engenharia (DCA0304)

O sistema linear e:

n xi x2 i

xi x2 i x3 i

x2 0 i 1 = x3 i 4 xi 2

yi y i xi y i x2 i

O c alculo dos somat orios para n = 6 e:

6

i=1 6

xi = 2 + (1.5) + 0 + 1 + 2.2 + 3.1 = 2.8

2 2 2 2 2 2 x2 i = (2) + (1.5) + 0 + 1 + 2.2 + 3.1 = 21.7 3 3 3 3 3 3 x3 i = (2) + (1.5) + 0 + 1 + 2.2 + 3.1 = 30.064 4 4 4 4 4 4 x4 i = (2) + (1.5) + 0 + 1 + 2.2 + 3.1 = 137.8402

i=1 6

i=1 6

i=1 6

i=1 6

yi = 30.5 + (20.5) + (3.3) + 8.9 + 16.8 + 21.4 = 6.9

i=1 6

yi xi = 30.5 (2) + (20.5) (1.5) + (3.3) 0 + 8.9 1 + + 16.8 2.2 + 21.4 3.1 = 203.5
2 2 2 2 y i x2 i = 30.5 (2) + (20.5) (1.5) + (3.3) 0 + 8.9 1 +

i=1

+ 16.8 2.22 + 21.4 3.12 = 128.416 que substituindo no sistema ca: 6 2.8 21.7 0 6.9 2.8 21.7 30.064 1 = 203.5 21.7 30.064 137.8402 2 128.416 e o resultado e: 0 = 2.018 Plotando a curva no scilab tem-se: -->x = [-2 -1.5 0 1 2.2 3.1]; -->y = [-30.5 -20.2 -3.3 8.9 16.8 21.4]; -->plot2d(x,y,-3) -->deff("[a] = f(x)","a = -2.018+11.33*x-1.222*x^2") -->for i=1:6, z(i) = f(x(i)); end -->plot2d(x,z) e o resultado pode ser visto na gura 4. 1 = 11.33 2 = 1.222

M etodos Computacionais em Engenharia (DCA0304)

30 20 10 0 y -10 -20 -30 -40 -50 -3 -2 -1 0 x 1 2 3 4

Figura 4: Exemplo de ajuste polinomial.

Casos N ao-Lineares

Em alguns casos, a fam lia de fun co es gi (x) pode ser n ao-linear nos par ametros, como, por exemplo, se o diagrama de dispers ao de uma determinada fun ca o se ajustar a uma exponencial do tipo f (x) = 0 e1 x , com 0 e 1 positivos. Para se aplicar o m etodo dos m nimos quadrados e necess ario que se efetue uma lineariza ca o. Por exemplo, se y (x) ao: = 0 e1 x ent z = ln y (x) = ln 0 1 x Se 0 = ln 0 e 1 = 1 ent ao ln y (x) e um problema linear = f (x) = 0 + 1 x que nos par ametros. O m etodo dos m nimos quadrados pode ent ao ser aplicado na resolu ca o do problema linearizado. Obtidos os par ametros deste problema, usa-se estes valores para calcular os par ametros originais. importante observar que os par E ametros assim obtidos n ao s ao o timos dentro do crit erio dos m nimos quadrados. Isto porque o que se ajusta e o problema linearizado, e n ao o original. Exemplo 4 Ajustar os pontos a seguir a ` equa ca o y = 0 e1 x . i 1 2 3 4 5 xi yi 0.1 5.9 1.5 8.8 3.3 12.0 4.5 19.8 5.0 21.5

Aplicando o logaritmo neperiano aos dois lados da equa ca o, tem-se: ln y = ln(0 e1 x ) ln y = ln 0 + 1 x ln y = 0 + 1 x

M etodos Computacionais em Engenharia (DCA0304)

10

Fazendo z = ln y , ent ao altera-se a tabela original: i 1 2 3 4 5 xi 0.1 1.5 3.3 4.5 5.0 zi 1.77 2.17 2.48 2.99 3.07

Como e um sistema linearizado 2 2, ent ao pode-se aplicar diretamente a solu ca o dada pelas equa co es 1. Assim, tem-se os seguintes valores para os par ametros linearizados: 0 = 1.734 A curva linearizada pode ser visulizada na gura 5
3.2 3 2.8 2.6 y 2.4 2.2 2 1.8 1.6 0 1 2 x 3 4 5

1 = 0.2646

Figura 5: Curva do problema linearizado. Como 0 = ln 0 e 1 = 1 , ent ao tem-se os seguintes par ametros originais: 0 = 5.663 1 = 0.2646

que resulta na fun ca o y (x) = 5.663 e0.2646x e cujo gr aco est a na gura 6. Observa c ao 1 Alguns exemplos de transforma ca o s ao: a ebx ln y = ln a + b x a bx ln y = ln a + (ln b) x a xb ln y = ln a + b ln x e(a+bx1 +cx2 ) ln y = a + bx1 + cx2 c d a xb ln y = ln a + b ln x1 + c ln x2 + d ln x3 1 x2 x3 1 1 = a + bx1 + cx2 y = a + bx1 + cx2 y 1 1 1 = a + bx1 + cx2 y = ln 1 + e(a+bx1 +cx2 ) y y y y y y = = = = =

M etodos Computacionais em Engenharia (DCA0304)

11

26 24 22 20 18 y 16 14 12 10 8 6 4 0 1 2 x 3 4 5

Figura 6: Curva do problema original.

6
1.

Exerc cios
Aproxime a tabela a seguir pela fun ca o f (x) = 0 + 1 x + 2 x2 . i 1 2 3 4 5 xi 12 16 20 30 40 yi 1.64 2.72 3.96 7.60 11.96

2.

Determine uma aproxima ca o linear para a curva y = ex tal que os desvios desta aproxima ca o na malha [1, 1], com espa camento de 0.5 seja o menor poss vel. Refa ca o ajuste com um polin omio de segundo grau. Os valores funcionais mostrados na tabela a seguir s ao medidas de uma quantidade A(t) em metros que varia no tempo. Escolha convenitentemente um conjunto de fun co es gi (x) para encontrar uma aproxima ca o para A(t) que ajuste, por m nimos quadradados, os seguintes dados: 0 2 4 6 8 10 t A(t) 1.0 1.6 1.4 0.6 0.2 0.8

3.

4.

Determine uma aproxima ca o da forma 1 1 = + kt c c0 que ajuste por m nimos quadrados os seguintes dados: t 1 2 3 4 5 7 10 1/c 24.7 32.4 38.4 45.0 52.3 65.6 87.6

5.

Considere os valores funcionais dados na tabela abaixo e determine as seguintes aproxima co es para y :

M etodos Computacionais em Engenharia (DCA0304)

12

(a) f (x) = c1 + (b) f (x) = e

c2 ; x x

e . i 1 2 3 4 5 xi 0.5 1 2 4 5 yi 15 12 5 2 1

6.

Determine a equa ca o da par abola no plano xy que passa pela origem, tem eixo vertical e melhor se ajusta aos pontos (1, 3), (1, 1), (2, 5) no sentido de m nimos quadrados. Deduzir as equa co es normais para o modelo y = 1 X1 + 2 X2 . Aproximar a fun ca o y = 3 x no intervalo [0, 1] por um polin omio de terceiro grau, usando os valores de x com incremento de 0.1. Resolva este mesmo problema com um polin omio de segundo grau e compare os resultados. Aproximar a fun ca o y = sin x no intervalo [0, /2] por um polin omio de segundo grau usando os valores de x com incremento de 0.1 . Ajustar os dados da tabela a seguir ao modelo z = a bx . 1 2 3 4 5 i xi 0.1 1.5 3.3 4.5 5.0 yi 5.9 8.8 12.0 19.8 21.5

7. 8.

9. 10.

Refer encias
[1] C alculo Num erico (com aplica co es) ; Le onidas C. Barroso, Magali M. A. Barroso, Frederico F. Campos, M arcio L. B. Carvalho, Miriam L. Maia; Editora Harbra; Segunda edi ca o; 1987. [2] C alculo Num erico - Caracter sticas Matem aticas e Computacionais dos M etodos Num ericos ; D ecio Sperandio, Jo ao T. Mendes, Luiz H. Monken e Silva; PrenticeHall; 2003.