DEM - Departamento de Engenharia Mecnica

Relatrio Final da Iniciao Cientfica

Identificao de Parmetros
pelo Mtodo dos Mnimos
Quadrados No Linear

Aluna: Roberta de Queiroz Lima

Orientador: Rubens Sampaio

Rio de Janeiro, Agosto de 2009

Sumrio
Lista de Figuras

ii

Introduo

Conceitos de lgebra Linear Utilizados no Mtodo dos Mnimos Quadrados

2.1 Conveno de Notao em lgebra Linear . . . . . . . . . . . . . . . . . .
2.2 Espaos Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3 Subespaos Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4 Independncia Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4.1 Dependncia e Independncia Linear . . . . . . . . . . . . . . . .
2.5 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.6 Subespaos Fundamentais de uma Matriz . . . . . . . . . . . . . . . . . .
2.6.1 Espao Imagem e Espao Nulo . . . . . . . . . . . . . . . . . . . .
2.7 Produto Interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.8 Matrizes Positivas Definidas . . . . . . . . . . . . . . . . . . . . . . . . .
2.8.1 Matrizes Positivas Definidas . . . . . . . . . . . . . . . . . . . . .
2.8.2 Matrizes Positivas Semi-Definidas . . . . . . . . . . . . . . . . . .
2.8.3 Matrizes de Gram . . . . . . . . . . . . . . . . . . . . . . . . . . .

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

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

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

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

5
5
6
6
7
8
9
11
11
11
14
14
16
16

Mtodo dos Mnimos Quadrados

3.1 Exemplos de Problemas de Minimizao . . . . . . . . . . . . . . . . . . .
3.2 Minimizao de Funes Quadrticas . . . . . . . . . . . . . . . . . . . .
3.3 Soluo de um Problema Geomtrico . . . . . . . . . . . . . . . . . . . .
3.4 Mnimos Quadrados Aplicados Soluo de Sistema de Equaes Lineares
3.5 Mnimos Quadrados Aplicados ao Ajuste de Curvas . . . . . . . . . . . . .
3.5.1 Ajuste de Polinmios . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

19
19
20
22
24
26
28

Mtodo dos Mnimos Quadrados No Linear

30
4.1 Mtodo de Gauss-Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.2 Mtodo de Levenberg-Marquardt . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

Parmetros do Metabolismo Aerbio

5.1 Introduo ao Metabolismo Aerbio . . . . . . . . . . . . . . . . . . . . . . . . .
5.2 Fases do Metabolismo Aerbio . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3 Identificao dos Parmetros do Metabolismo Aerbio . . . . . . . . . . . . . . .

36
36
37
39

Levenberg-Marquardt Aplicado Identificao dos Parmetros da curva de V O2 (t)

6.1 Programa Computacional Desenvolvido . . . . . . . . . . . . . . . . . . . . . . .
6.1.1 Equaces de Levenberg-Marquardt Aplicadas curva de V O2 (t) . . . . . .
6.1.2 Diagrama Modular do Programa Computacional . . . . . . . . . . . . . .
6.2 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

43
43
43
45
47

Concluses

56

Referncias Bibliogrficas

57

ii

Lista de Figuras
2.1

Norma Euclidiana para o R2 e o R3 . . . . . . . . . . . . . . . . . . . . . . . . . 12

3.1

Ajuste de y(t) = + t pelo mtodo dos mnimos quadrados . . . . . . . . . . . . 26

5.1

Esquema mostrando as trs fases exponenciais de V O2 (t) para exerccios de intensidade pesada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Esquema mostrando as curvas de V O2 (t) para exerccios de intensidade moderada,
pesada e severa. A parte hachurada de cinza mostra a fase III para os exerccios de
intensidade pesada e severa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Esquema mostrando as combinaes vlidas dos instantes de mudana de fase
T Dp e T Ds para os m instantes de tempo avaliados. . . . . . . . . . . . . . . . . . 41

5.2

5.3
6.1
6.2
6.3
6.4
6.5
6.6
6.7
6.8
6.9
6.10
6.11
6.12
6.13
6.14
6.15

Diagrama Modular do Programa Computacional . . . . . . . . . . . . . . . . . .

Paciente 1 - Curva de V O2 (t) ajustada por Levenberg-Marquardt . . . . . . . .
Paciente 2 - Curva de V O2 (t) ajustada por Levenberg-Marquardt . . . . . . . .
Paciente 3 - Curva de V O2 (t) ajustada por Levenberg-Marquardt . . . . . . . .
Paciente 4 - Curva de V O2 (t) ajustada por Levenberg-Marquardt . . . . . . . .
Combinaes entre T Dp e T Ds avaliadas pelo programa Matlab . . . . . . . . .
Paciente 1 - Erro do Ajuste em funo das combinaes entre T Dp e T Ds . . . .
Paciente 1 - Comparao entre as curvas de V O2 (t) geradas por x0 e pelos parmetros calculados por Levenberg-Marquardt . . . . . . . . . . . . . . . . . . . . .
Paciente 2 - Comparao entre as curvas de V O2 (t) geradas por x0 e pelos parmetros calculados por Levenberg-Marquardt . . . . . . . . . . . . . . . . . . . . .
Paciente 3 - Comparao entre as curvas de V O2 (t) geradas por x0 e pelos parmetros calculados por Levenberg-Marquardt . . . . . . . . . . . . . . . . . . . . .
Paciente 4 - Comparao entre as curvas de V O2 (t) geradas por x0 e pelos parmetros calculados por Levenberg-Marquardt . . . . . . . . . . . . . . . . . . . . .
Paciente 1 - F(x) em funo do nmero de iteraes . . . . . . . . . . . . . . . .
Paciente 2 - F(x) em funo do nmero de iteraes . . . . . . . . . . . . . . . .
Paciente 3 - F(x) em funo do nmero de iteraes . . . . . . . . . . . . . . . .
Paciente 4 - F(x) em funo do nmero de iteraes . . . . . . . . . . . . . . . .

iii

.
.
.
.
.
.
.

47
48
49
49
50
50
51

. 52
. 52
. 53
.
.
.
.
.

53
54
54
55
55

Resumo
Foi desenvolvido um programa computacional em Matlab que faz a identificao de parmetros pelo mtodo dos mnimos quadrados no linear. So identificados os parmetros da curva de
variao no tempo da taxa de absoro de oxignio (V O2 (t)) de uma pessoa durante a realizao de
exerccio fsico. O exerccio possui carga constante e sua intensidade classificada como pesada
ou severa. Os valores de V O2 so medidos atravs do processo de ventilao pulmonar.
Na literatura, a variao da taxa de V O2 para exerccios de intensidade pesada-severa modelada por trs funes exponenciais seqenciais. Cada uma dessas funes identificada como uma
fase fisiolgica distinta: fases I, II e III. Elas representam a resposta do organismo ao aumento do
metabolismo energtico. E refletem o ajuste sistmico que ocorre entre os sistemas respiratrio,
cardaco, vascular e muscular, responsveis pela captao, transporte e utilizao de O2 .
O ajuste matemtico das trs fases exige a identificao de nove parmetros, incluindo os instantes de tempo em que h a mudana das fases I para II e II para III. O mtodo escolhido para
fazer-se o ajuste pelo mnimos quadrados no linear foi Levenberg-Marquardt.

PALAVRAS - CHAVE: Mnimos Quadrados No Linear - Levenberg-Marquardt.

Abstract
The main purpose of this project is develop a computer program in Matlab to make identification of parameters by the nonlinear least squares method. Will be identify the parameters of the
curve of oxygen absorption rate (V O2 (t)) of a person during the performance of physical exercise.
The exercise load is constant and its intensity is classified as heavy or severe. The values of V O2
are measured through the process of means ventilation.
In literature, the variation of V O2 for physical exercise of heavy or severe intensity is modeled by three sequential exponential functions. Each of these functions is identified as a distinct
physiological stage: stages I, II and III. They represent the bodys response to increased energy
metabolism. And reflect the systemic adjustment that occurs between the respiratory system, cardiac, vascular and muscle responsible for the capture, transport and use of O2 .
The mathematical fitting of the three phases requires the identification of nine parameters, including the moments of time where occurs the change of phases I to II and II to III. The nonlinear
least squares method chosen for the fit of the three phases was Levenberg-Marquardt.

KEYWORDS: Nonlinear Least Squares - Levenberg-Marquardt.

Captulo 1
Introduo
A aplicao de modelos matemticos para identificao de parmetros em sistemas uma
ferramenta antiga, mas somente com a evoluo e popularizao de mtodos numricos computacionais, a partir da dcada de 70, seu uso se tornou mais abrangente e deixou de ser restrito ao
meio acadmico e s grandes corporaes. Com a utilizao de um modelo matemtico, pode-se
simular o comportamento de sistemas de natureza fsica, biolgica, qumica, econmica, etc. Isto
possibilita identificar como alteraes em variveis especficas de um sistema afetam o seu funcionamento.
Este trabalho objetiva identificar os parmetros que caracterizam a curva de variao no tempo
da taxa de absoro de oxignio (V O2 (t)) de uma pessoa durante a realizao de exerccio fsico. A
capacidade de ajuste do metabolismo necessidade de sntese de ATP gerada pela atividade fsica
um dos fatores determinantes da maior ou menor tolerncia ao exerccio fsico de uma pessoa.
Quanto mais rpido ocorrer o ajuste, ou seja, quanto mais rpida for a resposta do organismo ao
aumento do esforo fsico, menor ser o distrbio celular. Esse ajuste progressivo e depende da
intensidade, durao, modo de exerccio e nvel de preparo fsico da pessoa. Tem como objetivo
alcanar o estado estvel e retomar a homeostasia celular.
Vrios estudos recentes demonstram que um elevado nvel de aptido aerbia necessrio
para uma alta resistncia prtica de esportes. Porm, o inverso, ou seja, o baixo nvel de aptido
aerbia de um paciente pode estar associado a vrias doenas degenerativas. Isso acontece porque
a taxa de V O2 reflete o ajuste sistmico do transporte de oxignio e do metabolismo muscular,
assim como tambm da integrao entre os sistemas respiratrio, cardaco, vascular e muscular,
responsveis pela captao, transporte e utilizao de O2 .
O treinamento fsico sistematizado gera adaptaes fisiolgicas e bioqumicas que capacitam
um indivduo a ter melhores resultados na prtica de exerccios fsicos. A natureza e magnitude
dessas adaptaes dependem do tipo de atividade realizada, volume, intensidade, carga gentica e
nvel de aptido inicial da pessoa.
Na literatura, a variao da taxa de V O2 para exerccios de intensidade pesada-severa modelada por trs funes exponenciais seqenciais. Cada uma dessas funes identificada como uma
fase fisiolgica distinta: fases I, II e III. Elas representam a resposta do organismo ao aumento
do metabolismo energtico. Ao todo, nove parmetros caracterizam a curva de V O2 , incluindo os

dois instantes de tempo em que h a mudana da fase I para fase II, e da fase II para fase III.
Sabendo que pacientes saudveis apresentam valores para esses nove parmetros diferentes dos
valores apresentados por pacientes que possuem doenas degenerativas, a grande motivao desse
trabalho foi desenvolver um programa computacional que atravs do clculo dos valores desses
parmetros para pacientes saudveis, possa no futuro, ser utilizado como ferramenta de auxlio
para o diagnstico de vrias doenas. Ou seja, os parmetros identificados podero ajudar determinar como o funcionamento o sistema biolgico humano afetado por alteraes em variveis
especficas da curva de V O2 .
A identificao de parmetros no se resume a determinar parmetros para um certo modelo
se um sistema. O processo deve englobar tambm o clculo dos erros associados aos parmetros. Neste trabalho mostrado como os parmetros que caracterizam um determinado modelo
matemtico podem ser calculados a partir do mtodo dos mnimos quadrados linear e no linear,
utilizando conceitos da lgebra linear e de mtodos numricos.
Para isso, a primeira parte do trabalho apresenta uma reviso dos conceitos bsicos de lgebra
linear. Esses conceitos so utilizados nos prximos captulos como ferramentas matemticas muito
importantes para a obteno das solues apresentadas pelo mtodo dos mnimos quadrados nos
problemas de otimizao.
O captulo 3 do trabalho dedicado ao mtodo dos mnimos quadrados linear. Ele mostra a
formulao matemtica aplicada na soluo de problemas analticos e geomtricos, em ajuste de
curvas lineares e na soluo de sistemas lineares. O captulo 4, introduz o mtodo dos mnimos
quadrados no linear. Explica a necessidade da utilizao de mtodos iterativos na identificao
de parmetros de curvas no lineares, e mostra os algoritmos propostos pelos mtodos de GaussNewton e Levenberg-Marquardt para a soluo de minimizao dos problemas no lineares.
O programa computacional desenvolvido em Matlab para identificao dos nove parmetros
que caracterizam a curva de V O2 utiliza o mtodo de Levenberg-Marquardt, e composto por
oito arquivos. Seu funcionamento explicado no captulo 6 do trabalho.

Captulo 2
Conceitos de lgebra Linear Utilizados no
Mtodo dos Mnimos Quadrados
Neste captulo sero revistos alguns conceitos bsicos de lgebra linear. Esses conceitos sero
utilizados para embasar a teoria do mtodo dos mnimos quadrados linear e no linear que ser
apresentada nos prximos captulos.

2.1

Conveno de Notao em lgebra Linear

Uma matriz um conjunto de nmeros reais representados na forma:

a1,1 a1,2 a1,n

a2,1 a2,2 a2,n

Amn = ..
..
..
.
.
.
.
.
.
am,1 am,2 am,n

(2.1)

Para uma matriz de dimenso m n, m faz referncia ao nmero de linhas de A, e n ao nmero

de colunas. Uma matriz dita quadrada se m = n, ou seja, possui o mesmo nmero de linhas e
colunas. Um vetor em forma de coluna uma matriz com dimenso m 1, enquanto um vetor em
forma de linha uma matriz com dimenso 1 n. Uma matriz 1 1 possui apenas uma entrada, e
por isso simultaneamente um vetor em forma de linha e coluna.
Supondo a representao em coluna como padro neste trabalho, um vetor x que pertena ao
Rn ser formado pelos m elementos x1 , x2 , . . . , xn e ter a forma:

x1
x2

x = ..
(2.2)
.
xm
O nmero real localizado na i-sima linha e na j-sima coluna da matriz A chamado como a
entrada (i, j) de A e representado por ai j . Vale ressaltar que o primeiro ndice refere-se linha e o
segundo coluna. Duas matrizes so consideradas iguais se tiverem a mesma dimenso e todas as
suas entradas idnticas, ou seja: ai j = bi j .

2.2

Espaos Vetoriais

Um dos conceitos bsicos em lgebra linear o de espao vetorial. A noo de vetores como
objetos com tamanho, direo e sentido, juntamente com as operaes de adio e multiplicao
por nmeros reais forma a idia bsica de um espao vetorial.
Espao vetorial uma entidade que satisfaz as propriedades bsicas do espao n dimensional
Euclidiano Rn . definido como sendo o conjunto de todos os vetores reais de dimenso n.
As duas operaes bsicas de um espao vetorial V so:
1. Adio: a soma de um par de vetores x, y V resulta em um vetor x + y V .
2. Multiplicao por escalar: multiplicando um vetor x por um escalar c V , obtm-se um
vetor cx V .
Essas duas operaes satisfazem os seguintes axiomas, para os vetores x, y, z V e os escalares
c, d R:
Adio Comutativa: x + y = y + x.
Adio Associativa: (x + y) + z = x + (y + z).
Elemento Neutro da Adio: x + 0 = x = 0 + x.
Elemento Inverso da Adio: Para cada x V existe um elemento x V tal que x + (x) =
0 = (x) + x.
Distributiva: c(x + y) = (cx) + (cy), e (c + d)x = (cx) + (dx).
Multiplicao Associativa por escalar: c(dx) = (cd)x.
Elemento Neutro da Multiplicao por escalar: para o escalar 1 R,tem-se 1x = x1 = x.

2.3

Subespaos Vetoriais

Um subespao W de um espao vetorial V um subconjunto W V , de forma que W tambm um espao vetorial. Como os elementos de W tambm pertencem a V , as operaes de
adio e de multiplicao por um escalar tambm so operaes bsicas de W . Em particular,
necessrio que W contenha o elemento zero de V para que o axioma de elemento neutro da adio
(x + 0 = x = 0 + x) possa ser atendido.
Um subconjunto W V de um espao vetorial s ser um subespao vetorial se e somente se:
1. Para todo x, y W a soma x + y W .
2. Para todo x W e para todo c R, o produto escalar cx W .
Exemplos de subespaos do R3 so:
o prprio R3 ;
6

 planos contendo a origem;

retas contendo a origem e
a origem.

2.4

Independncia Linear

Sejam v1 , . . . , vk finitos elementos do espao vetorial V , uma soma que tenha a forma:
k

c1 v1 + c2 v2 + . . . + ck vk = ci vi

(2.3)

i=1

na qual os coeficientes c1 , c2 , . . . , ck so nmeros reais, definida como uma combinao linear dos vetores v1 , . . . , vk . Esses vetores geram o subespao W V . W formado por todas as
possveis combinaes lineares de v1 , . . . , vk .
Dessa forma, dado um subespao vetorial W , diz-se que v1 , . . . , vk so geradores de W se todo
vetor w de W pode ser escrito como combinao linear de v1 , . . . , vk .
1 Exemplo:
3v1 + v2 2v3 ,

8v1 13 v3 ,

5v1 + 1v2 + 7v3

so trs exemplos de combinaes lineares dos vetores v1 , . . . , vk V .

2 Exemplo:
Seja V = F (R) o espao de todas as funes escalares f (x), e c1 , c2 e c3 constantes arbitrrias.
A combinao linear das funes f1 (x) = 1, f2 (x) = x, f3 (x) = x2 :
f (x) = c1 f1 (x) + c2 f2 (x) + c3 f3 (x) = c1 + c2 x + c3 x2

(2.4)

forma o subespao de todos os polinmios de segunda ordem.

3 Exemplo:
O conjunto de solues de uma equao diferencial linear homognea um espao vetorial.
A equao (2.5) possui duas solues independentes f1 (x) = ex e f2 (x) = e3x . Qualquer outra
soluo pode ser gerada a partir da combinao linear entre essas duas solues.
u00 + 2u0 + 3u = 0

(2.5)

f (x) = c1 f1 (x) + c2 f2 (x) = c1 ex + c2 e3x

(2.6)

2.4.1

Dependncia e Independncia Linear

Os vetores v1 , . . . , vk V so chamados de linearmente dependentes caso exista um conjunto

de escalares c1 , . . . , ck , sendo no todos nulos, que:
c1 v1 + c2 v2 + . . . + ck vk = 0

(2.7)

A condio de que c0i s no sejam simultaneamente iguais a zero essencial, pois se c1 = . . . =

ck = 0, a combinao linear (2.7) automaticamente assume o valor zero. Vetores que no sejam
linearmente dependentes so chamados de linearmente independentes. Um conjunto S de vetores
dito linearmente independente se nenhum dos seus elementos for combinao linear dos outros.
1 Exemplo:
Os vetores abaixo so linearmente dependentes:

1
0
v1 = 2
v2 = 3
1
1

1
v3 = 4
3

v1 2v2 + vk = 0

(2.8)

(2.9)

Porm, os dois primeiros vetores v1 e v2 so linearmente independentes. Para comprovar isso,

supem-se:

c1
0
c1 v1 + c2 v2 = 2c1 + 3c2 = 0
(2.10)
c1 + c2
0
Dessa forma necessrio que os coeficientes c1 e c2 satisfaam o sistema linear:
c1 = 0
2c1 + 3c2 = 0
c1 + c2 = 0
(2.11)
Esse sistema possui apenas a soluo trivial c1 = c2 = 0, provando dessa forma que v1 e v2 so
linearmente independentes.
A partir desse exemplo, pode-se fazer as seguintes observaes:
Sejam v1 , . . . , vk Rn , e seja A = (v1 . . . vk ) a matriz n k correspondente:
1. Os vetores v1 , . . . , vk Rn so linearmente dependentes se e somente se existir uma soluo
c 6= 0 para o sistema linear homogneo Ac = 0.
2. Os vetores so linearmente independentes se e somente se a soluo para o sistema linear
homogneo Ac = 0 for a soluo trivial c = 0.
8

3. O vetor b pode ser escrito como combinao linear dos vetores v1 , . . . , vk se e somente se o
sistema linear Ac = b possuir no mnimo uma soluo.
4. Um conjunto de k vetores Rn linearmente independente se e somente se a sua matriz
correspondente n k tem ordem k n.

2.5

Bases

Considere um espao vetorial V e uma coleo finita de vetores v1 , v2 , . . . , vn V . Diz-se que

= v1 , v2 , . . . , vn uma base de V se:
1. os vetores de geram V , ou seja, todo vetor v V pode ser escrito como combinao linear
da forma: v = c1 v1 + c2 v2 + . . . + ck vk ;
2. os vetores de so linearmente independentes.
As seguintes propriedades sobre bases se verificam:
Uma base de R2 sempre tem dois vetores.
Uma base de R3 sempre tem trs vetores.
Uma base de um plano de R3 (contendo a origem) sempre tem dois vetores.
Uma base de uma reta de R3 ou R2 (contendo a origem) sempre tem um vetor.
Dois vetores linearmente independentes de R2 formam uma base de R2 .
Trs vetores linearmente independentes de R3 formam uma base de R3 .
Dois vetores linearmente independentes de um plano de R3 contendo a origem formam
uma base de .
1 Exemplo:
Os vetores:


= (1 1 1)T , (1 2 2)T , (1 3 3)T , (1 2 1)T , (2 1 1)T

(2.12)

geram o R3 , porm no formam uma base pois no so linearmente independentes. possvel

obter uma base de R3 a partir da coleo de , eliminando alguns vetores, como por exemplo:


0 = (1 1 1)T , (1 2 2)T , (1 2 1)T
2 Exemplo:
Uma base padro muito utilizada para o n-dimensional Rn consiste dos n vetores:

(2.13)

1
0
0
..
.

e1 =

0
0

0
1
0
..
.

e2 =

0
0

...

0
0
0
..
.

en =

0
1

(2.14)

Esses vetores tambm podem ser escritos como colunas da matriz identidade n n. Eles geram
o Rn , pois qualquer vetor x Rn pode ser escrito como combinao linear de e1 , e2 , . . . , en .

x1
x2

x = .. = x1 e1 + x2 e2 + . . . + xn en
(2.15)
.
xn
3 Exemplo:
Uma notao padro para a base do tri-dimensional R3 :


1
0

0
1 ,
i = e1 =
,
j = e2 =
0
0

0
k = e3 = 0
1

(2.16)

Dessa forma, supondo V como um espao vetorial de dimenso n, tem-se:

1. Todo conjunto de vetores V com mais de n elementos linearmente dependente.

2. Nenhum conjunto de vetores com menos de n elementos gera V .
3. Um conjunto de n vetores Rn uma base de V se e somente se geram V .
4. Um conjunto de n vetores uma base de V se e somente se forem linearmente independentes.
Um conjunto de vetores v1 , . . . , vk V formar uma base de V se e somente se todo vetor x V
puder ser escrito unicamente como uma combinao linear de v1 , . . . , vk .
n

x = c1 v1 + . . . + ck vk = ci vi

(2.17)

i=1

Os coeficientes (c1 , . . . , ck ) so chamados de as coordenadas do vetor x com respeito a base

de v1 , . . . , vk . Na base padro do Rn mostrada em (2.14), esses coeficientes so chamados de
coordenadas Cartesianas.

10

2.6

Subespaos Fundamentais de uma Matriz

Retornando ao estudo dos sistemas lineares de equaes, representados na forma:

Ax = b

(2.18)

na qual, A uma matriz m n, m o nmero de equaes e n o nmero de parmetros

desconhecidos, ou seja, as entradas de x Rn .

2.6.1

Espao Imagem e Espao Nulo

Existem dois importantes espaos vetoriais associados com qualquer matriz. Esses espaos
tem grande importncia na soluo dos sistemas lineares e esto definidos abaixo.
O espao imagem (range space) de A o subespao rng A Rm gerado pelas colunas de A.
O espao nulo (null space) ou ncleo (kernel) de A o subespao ker A Rn formado por todos
os vetores que multiplicados por A resultam no vetor nulo. Dessa forma:
ker(A) = {z Rn | Az = 0} Rn

(2.19)

Um vetor b Rm pertence ao rng A se e somente se puder ser escrito como combinao linear
das colunas de A = (v1 , v2 , . . . , vn ).
b = x1 v1 + . . . + xn vn

(2.20)

O lado direito de (2.20) igual ao produto Ax da matriz A com o vetor x = (x1 , x2 , . . . , xn )T .

Consequentemente, tem-se que b = Ax para algum x Rn . Dessa forma:
rng(A) = {Ax | x Rn } Rm

(2.21)

Portanto, um vetor b est contido no espao imagem de A se e somente se o sistema linear

Ax = b possuir uma soluo.
A partir dessa afirmao, verifica-se que se o sistema linear Ax = b possuir uma soluo x? se
e somente se o b estiver contido no espao imagem de A. Se isso ocorrer, ento x ser soluo do
sistema linear se e somente se:
x = x? + z

(2.22)

onde z ker A um elemento qualquer do espao nulo de A.

2.7

Produto Interno

O produto interno escalar no espao vetorial real V ocorre entre os vetores v, w Rn e produz
um nmero real R. O produto escalar possui trs axiomas para todos u, v, w V e c, d R.
1. Distributiva
hcu + dv ; wi = c hu ; wi + d hv ; wi
hu ; cv + dwi = c hu ; vi + d hu ; wi
11

(2.23)

2. Simetria
hv ; wi = hw ; vi

(2.24)

3. Positividade
hv ; vi 0

para v 6= 0
h0 ; 0i = 0

(2.25)

O produto interno padro do espao euclidiano o produto escalar.

n

hv ; wi = v w = v1 w1 + v2 w2 + . . . + vn wn = vi wi

(2.26)

i=1

O produto escalar ocorre entre os vetores v = (v1 , v2 , . . . , vn )T , w = (w1 , w2 , . . . , wn )T escritos

no Espao Euclidiano Rn . Uma importante observao que o produto (2.26) pode ser escrito
como um produto de matrizes, entre um vetor em linha v Rn e um vetor em coluna w Rn .

hv ; wi = vT w = (v1 v2 . . . vn )

w1
w2
..
.

(2.27)

wn
O produto interno de um vetor com ele prprio :
hv ; vi = v1 2 + v2 2 + . . . + vn 2

(2.28)

ou seja, a soma dos quadrados de suas entradas e por isso igual ao quadrado de seu comprimento. Assim sendo, a norma euclidiana ou comprimento de um vetor de um vetor v, representada
por kvk, a raiz quadrada do produto interno v v, como mostrado abaixo:
p

kvk = v v = v1 2 + v2 2 + . . . + vn 2
(2.29)
Verifica-se que em (2.29) cada um dos elementos assume valor positivo. Dessa forma, o comprimento de um vetor tambm positivo, kvk 0, e somente tem valor zero para o vetor 0. A
norma de vetores do R2 e o R3 pode ser representada como na figura (2.1).

Figura 2.1: Norma Euclidiana para o R2 e o R3

12

1 Exemplo:
Um exemplo muito interessante o produto interno entre funes. Dado um intervalo fechado
[a, b] R e o espao vetorial C0 = C0 [a, b] formado por todas as funes contnuas f : [a, b] R,
a integral
h f ; gi =

Z b

f (x)g(x) dx

(2.30)

define o produto interno no espao vetorial C0 . Pode-se tambm definir a norma de uma funo
f a partir da equao (2.29) para o intervalo [a, b].
s
kfk =

Z b

f (x)2 dx

(2.31)

2 Exemplo:
Outro exemplo interessante o produto interno ponderado entre dois vetores v, w Rn . Cada
uma das parcelas vi wi multiplicada apor uma constante ci . Entre dois vetores do R2 , por exemplo,
atribuindo os valores de 2 e 5 para c1 e c2 respectivamente, tem-se:
hv ; wi = c1 v1 w1 + c2 v2 w2
hv ; wi = 2 v1 w1 + 5 v2 w2
(2.32)
Nesta seo uma importante observao a ser feita que existem normas vetoriais que no so
provenientes do produto interno. Como exemplo tem-se a norma-1 kvk1 , e a norma infinita kvk
de um vetor v = (v1 v2 . . . vn )T . Essas normas so definidas respectivamente como:
kvk1 = |v1 | + . . . + |vn |

(2.33)

kvk = sup {|v1 | , . . . , |vn |}

(2.34)

A norma euclidiana, a norma-1 e a norma infinita so apenas trs representaes da forma mais
geral p-norma.
s
n

kvk p =

|vi| p

(2.35)

i=1

O valor de kvk p define uma norma para qualquer 1 p < . A norma infinita o caso limite
da morma-p, e ocorre quando p . A norma euclidiana mostrada na equao (2.29) equivale a
norma-2 (quando p = 2).

13

2.8
2.8.1

Matrizes Positivas Definidas

Matrizes Positivas Definidas

Uma classe de matrizes extremamente importante a classe das matrizes positivas definidas.
Essas matrizes tm um papel fundamental na soluo de problemas das mais variadas reas, como,
por exemplo, em problemas de mecnica, circuitos eltricos e equaes diferenciais.
Seja |hv ; wi| o produto interno entre os vetores x = (x1 x2 . . . xn )T e y = (y1 y2 . . . yn )T , Rn ,
escrevendo os vetores na base padro vetorial, tem-se:
n

x = x1 e1 + . . . + xn en = xi ei
i=1
n

y = y1 e1 + . . . + yn en =

y je j

(2.36)

j=1

Analisando os trs axiomas do produto interno citados anteriormente, pode-se utilizar o axioma
da distributiva para expandir:
*
+
n
n
n


hx ; yi = xi ei ; y j e j = xi yi e j ; e j
(2.37)
i=1

j=1

i, j=1

Pode-se assim escrever:

n

hx ; yi =

ki j xi y j = xT Ky

(2.38)

i, j=1

onde K uma matriz n n do produto interno da base vetorial, com as entradas:


ki j = ei ; e j ,

i, j = 1, , n

(2.39)

Os outros dois axiomas do produto interno impem algumas condies na matriz do produto
interno K. O axioma de simetria garante que:


ki j = ei ; e j = e j ; ei = k ji ,

i, j = 1, , n

(2.40)

Consequentemente a matriz K do produto interno simtrica:

K = KT

(2.41)

T
hx ; yi = xT Ky = xT Ky = yT K T x = yT Kx = hy ; xi

(2.42)

A simetria de K assegura que:

O ltimo axioma do produto interno a positividade, por isso:

kxk2 = hx ; xi = xT Kx =

ki j xi x j 0, para todo x Rn

i, j=1

14

(2.43)

A partir dessa equao define-se que uma matriz K n n positiva definida se for simtrica,
K = K T , e satisfizer a condio:
xT Kx > 0, para todo 0 6= x Rn

(2.44)

Porm, deve-se ter cuidado porque uma matriz ser positiva definida no tem obrigatoriamente
todas as suas entradas com valores positivos. Existem matrizes positivas definidas que tm entradas com valores negativos. O contrrio tambm acontece, matrizes simtricas e com todas as
entradas positivas nem sempre so positivas definidas.
Os conceitos apresentados nesse captulo resultaram na seguinte caracterizao do produto interno de um espao vetorial com dimenso finita: todo produto interno do Rn pode ser representado
por
hx ; yi = xT Ky,

para todo x, y Rn

(2.45)

Dada uma matriz K simtrica, a expresso

n

q(x) = xT Kx =

ki j xi x j

(2.46)

i, j=1

conhecida como uma forma quadrada no

definida se:
q(x) > 0,

Rn .

Essa forma quadrada chamada de positiva

para todo 0 6= x Rn

(2.47)

Dessa forma, uma forma quadrada positiva definida se e somente se sua matriz coeficiente
for positiva definida.
Exemplo:
Dada a forma quadrtica:
q(x, y, z) = x2 + 4xy + 6y2 2xz + 9z2
que possui trs variveis, a matriz coeficiente correspondente :

1 2 1
K= 2 6 0
1 0 9

(2.48)

(2.49)

pois:

1 2 1
x
q(x, y, z) = (x y z) 2 6 0 y
1 0 9
z

15

(2.50)

2.8.2

Matrizes Positivas Semi-Definidas

Uma forma quadrtica associada com uma matriz coeficiente simtrica definida como positiva
semi-definida se:
q(x) = xT Kx 0,

para todo x Rn

(2.51)

As matrizes positivas semi-definidas podem possuir direes nulas, o que significa vetores
z 6= 0 para os quais q(z) = zT Kz = 0. Qualquer vetor pertencente ao espao nulo de K (z ker(K))
define uma direo nula. As matrizes positivas definidas possuem ker(K) = {0}.
Outras definies importantes so as de matrizes negativas definidas e a de matrizes negativas
semi-definidas.
Uma forma quadrtica q(x) = xT Kx associada a uma matriz simtrica K chamada de negativa semi-definida se q(x) 0 para todox, e chamada de negativa definida se se q(x) < 0 para
todox 6= 0. Uma forma quadrtica indefinida se for simultaneamente positiva e negativa definida,
ou seja, caso existam alguns vetores x+ para os quais q(x+ ) > 0 e outros x para os quais q(x ) < 0.

2.8.3

Matrizes de Gram

Sejam V o espao vetorial gerado por v1 , , vn , pode-se definir uma matriz n n cujas entradas so produtos internos entre v1 , , vn chamada Matriz de Gram.

hv1 ; v1 i hv1 ; v2 i
hv2 ; v1 i hv2 ; v2 i
..
..
.
.
hvn ; v1 i hvn ; v2 i

K=

hv1 ; vn i
hv2 ; vn i
..
..
.
.
hv

n ; vn i

(2.52)

O axioma de simetria do produto interno (2.24) garante que a matriz de Gram simtrica.


ki j = vi ; v j = v j ; vi = k ji

K = KT

(2.53)

Outra caracterstica da matriz de Gram que ela positiva semi-definida. Ser positiva definida
se e somente se os elementos v1 , , vn V forem linearmente independentes. A demonstrao
feita atravs da forma quadrtica associada a uma matriz K.
n

q(x) = xT Kx =

ki j xi x j

(2.54)

i, j=1

Substituindo os valores de (2.53), tem-se:

n

q(x) =


vi ; v j xi x j

(2.55)

i, j=1

*
q(x) =

xivi ; x j v j

i=1

j=1

16

= hv ; vi = kvk2 0

(2.56)

onde:
v = x1 v1 + + xn vn

(2.57)

Sendo v1 , , vn os geradores de V , comprova-se que K positiva semi-definida e consequentemente q(x) = kvk2 0 enquanto v 6= 0. Se os vetores v1 , , vn forem linearmente independentes,
v = 0 se e somente se x1 = = xn = 0. Nesse caso, q(x) e K so positivas definidas.
1 Exemplo:

1
3
Considerando os vetores v1 = 2 e v2 = 0 pertencentes ao R3 , para o produto
1
6
escalar padro do espao Euclidiano, a matriz Gram associada :
 


6 3
v1 v1 v1 v2
=
(2.58)
K=
v2 v1 v2 v2
3 45
A forma quadrtica associada a matriz K positiva definida para todos (x1 , x2 ) 6= 0.
q(x1 , x2 ) = 6x12 6x1 x2 + 45x22 > 0

(2.59)

Para o produto interno ponderado hx ; yi = 3x1 y1 + 2x2 y2 + 5x3 y3 a matriz Gram positiva
definida associada :

 

hv1 ; v1 i hv1 ; v2 i
16 21
K=
=
(2.60)
hv2 ; v1 i hv2 ; v2 i
21 207
No caso do produto escalar, a construo da matriz Gram pode ser feita de maneira fcil, como
mostrado a seguir.
Dado os vetores v1 , , vn Rm , pode-se formar a matriz m n A = (v1 v2 vn ). Devido
a relao (2.27) entre o produto escalar e a multiplicao entre as linhas e colunas dos vetores, a
entrada (i, j) da matriz K :
ki j = vi v j = vTi v j

(2.61)

ou seja, a multiplicao entre a i-sima e a j-sima linha e a coluna de A. Dessa forma, a

matriz Gram definida como sendo o produto entre a transposta de A e a prpria matriz A:
K = AT A

(2.62)

Para o ltimo exemplo mostrado tem-se:

1 3
A= 2 0
1 6



1
1 2 1
T
2
K=A A=
3 0 6
1

17

(2.63)



3
6
3
0 =
3 45
6

(2.64)

Sabendo-se que os geradores de V , ou seja, os vetores v1 , , vn , formam uma matriz Gram

positiva definida se e somente se forem linearmente independentes, verifica-se que a matriz Gram
K = AT A ser positiva definida se e somente se as colunas de A foram linearmente independentes.
Dessa forma, dada uma matriz A, sabe-se que:
1. A matriz Gram m n associada K = AT A positiva definida.
2. A matriz A tem colunas linearmente independentes.
3. rank {A} = n m.
4. ker {A} = {0}.

18

Captulo 3
Mtodo dos Mnimos Quadrados
Este captulo introduz e explica a metodologia de soluo de problemas de minimizao. A
soluo desses problemas tem um enorme gama de aplicaes direta, incluindo o ajuste de curvas
pelo mtodo dos mnimos quadrados, problemas de interpolao e soluo de sistemas de equaes
lineares.

3.1

Exemplos de Problemas de Minimizao

O problema de minimizao ser introduzido a partir de dois importantes exemplos: um analtico

e outro geomtrico.
Exemplo de Soluo de um Sistema de Equaes
Suponha que deseja-se resolver o seguinte sistema de equaes:
f1 (x) = 0,

f2 (x) = 0,

fm (x) = 0

(3.1)

com x = (x1 , x2 , xn ) Rn . Esse sistema pode ser convertido em um problema de minimizao. Para isso basta definir:
p(x) = [ f1 (x)]2 + [ f2 (x)]2 + + [ fm (x)]2 = k f (x)k

(3.2)

onde kk representa a norma euclidiana no Rm . Claramente, p(x) 0 para todo x, e p(x? ) = 0

se cada uma das suas parcelas for zero, e por isso, x? uma soluo de (3.1). Alm disso, o mnimo valor possvel para p(x) zero, e como conseqncia, alcanado se e somente se x = x? for
soluo do sistema.
O caso mais importante de soluo de sistemas quando temos o sistema linear:
Ax = b

(3.3)

constitudo de n incgnitas, e m equaes. Neste caso, as solues podem ser obtidas minimizandose a funo:
p(x) = kAx bk2

19

(3.4)

A converso de Ax = b em um problema de minimizao aparentemente no representa um

grande avano, pois Ax = b pode ser resolvido por eliminao gaussiana. Porm, ao contrrio do
que parece, um artifcio simples gerador de grandes alteraes na forma de resolver o problema.
Suponha que o sistema Ax = b no possui uma soluo, ou seja, o vetor b no pertence ao
espao imagem da matriz A (b
/ rng(A)). Isso muito comum quando se tem m > n, ou seja, um
nmero maior de incgnitas do que variveis, ou em problemas de ajuste de curvas, nos quais os
pontos medidos esto sujeitos erros experimentais e consequentemente no assumem os valores
exatos esperados pelo modelo matemtico que descreve o fenmeno.
Apesar desses problemas no possurem uma soluo, ainda deseja-se descobrir qual o vetor
?
x que est o mais prximo possvel da soluo do sistema. Nesse caso, a converso do problema
de soluo de sistemas em um problema de minimizao muito vantajosa, pois uma das opes
para descobrir o melhor x? atravs da minimizao do mdulo do vetor residual krk = kAx bk.
No caso do sistema possuir uma soluo exata, ou seja Ax? = b, x? o vetor que resulta no
resduo krk mnimo absoluto, ou seja p(x? ) = 0. O clculo de x? para minimizao do valor de
(3.4) feito pelo mtodo dos mnimos quadrados.
Exemplo Geomtrico
O prximo problema de minimizao a ser mostrado provm da geometria. Dado um ponto
b Rm e o subconjunto V Rm , deseja-se achar o ponto v? V que mais prximo possvel
de b. Em outra palavras, deseja-se minimizar a distncia d (b, v) = kv bk dentro de todas as
possibilidades de v V .
O caso mais simples desse tipo de problema ocorre quando V um subespao do Rm . Nesse
caso, o problema pode ser convertido em um problema de mnimos quadrados. Sejam v1 , , vn
uma base de V , qualquer elemento v V pode ser escrito como uma combinao linear dos vetores
v1 , , vn . A partir da equao mostrada em (3.4) de multiplicao de matrizes, pode-se escrever
um elemento v, na forma:
v = x1 v1 + + xn vn = Ax

(3.5)

onde A = (v1 v2 vn ) a matriz m n formada pelos vetores geradores da base. Consequentemente, o ponto mais prximo de b existente em V pode ser achado pela minimizao:
kv bk2 = kAx bk2

(3.6)

dentro de todas as possibilidades x Rn . Observa-se que a equao (3.6) a mesma mostrada

em (3.4) no exemplo anterior. Consequentemente, sendo x? a soluo do mtodo dos mnimos
quadrados para o sistema Ax = b, ento v? = Ax? ser o ponto mais prximo de b que pertence a
V.
Os dois exemplos de problemas de minimizao mostrados nesta seo tiveram como proposta
de soluo o uso do mtodo dos mnimos quadrados, que ser explicado nas prximas sees.

3.2

Minimizao de Funes Quadrticas

O mais simples problema de minimizao o problema de minimizao de funes quadrticas. Vale ressaltar que funes lineares p(x) = bx + c no possuem um valor mnimo. Nesta seo,
20

ser mostrado a resoluo dos problemas de minimizao de funes quadrticas com n variveis
atravs de tcnicas de lgebra linear.
As ideias apresentadas na soluo do problema de minimizao funes quadrticas sero o
ponto de partida para a demonstrao das solues dos dois exemplos introduzidos no incio deste
captulo.
O exemplo mais simples o caso da minimizao de funes quadrticas escalares:
p(x) = ax2 + 2bx + c

(3.7)

Para esta equao, sabe-se que quando a > 0 o grfico assume a forma de uma parbola com
concavidade voltada para cima. Nesse caso, existe um nico valor de mnimo para a funo.
Porm, quando a < 0 o grfico possui concavidade voltada para baixo e consequentemente no h
um valor de mnimo.
O ponto de mnimo existente quando a > 0 calculado igualando a expresso da derivada de
p(x) em relao a varivel x a zero.
p0 (x) = 2ax + 2b = 0

(3.8)

O valor de mnimo de p(x) ocorrer em x? .

b2
b
onde
p(x? ) = c
(3.9)
x? = ,
a
a
Um problema mais complicado que a minimizao de funes escalares a minimizao de
funes de vrias variveis. Dada a funo quadrtica:
n

p(x) = p(x1 , , xn ) = ki j xi x j 2 fi xi + c
i, j

(3.10)

com n variveis x = (x1 , , xn )T Rn , e coeficientes ki, j , fi reais, pode-se assumir que os

coeficientes dos termos quadrticos so simtricos, ou seja, ki, j = k j,i . Reescrevendo a equao
(3.10) na notao matricial, tem-se:
p(x) = xT Kx 2xT f + c

(3.11)

Nessa equao, K = Ki, j uma matriz n n, f um vetor de constantes e c uma constante

escalar. No caso de minimizao de funes quadrticas escalares (3.7) imps-se a condio de
que o coeficiente a era positivo para obter-se um nico valor de mnimo da funo. Na minimizao de funes de vrias variveis necessrio fazer-se uma imposio correspondente a essa feita
anteriormente. Assume-se que a matriz K positiva definida.
Teorema: Sendo K > 0 uma matriz positiva definida, a forma quadrtica (3.11) ter um nico
valor de mnimo. Esse valor de mnimo ocorrer em x? , que a soluo do sistema linear:
Kx = f

(3.12)

x? = K 1 f

(3.13)

Dessa forma, o valor mnimo de p(x) pode ser expresso pelas seguintes equaes:
21

P(x? ) = p(K 1 f ) = c f T K 1 f = c f T x? = c (x? )T Kx?

(3.14)

A prova desse teorema pode ser feita assumindo-se que x? = K 1 f uma soluo nica para
(3.12). Assim, para qualquer x Rn pode-se escrever:
p(x) = xT Kx + 2xT f + c = xT Kx + 2xT Kx? + c
= (x x? )T K(x x? ) + [c (x? )T Kx? ]

(3.15)

Utilizou-se a simetria de K = K T para identificar que xT Kx? = (x? )T Kx. Fazendo uma simples
anlise de (3.15), verifica-se que o segundo termo na final da equao no depende da varivel
x, e que o primeiro termo est na forma yT Ky, onde y = x x? . Assumindo que K uma matriz
positiva definida, ou seja, yT Ky 0 e ter valor nulo se e somente se y = x x? = 0, verifica-se
que o mnimo de p(x) ocorre quando x = x? . E dessa forma, a expresso (3.13) foi comprovada.
Pode-se assim afirmar que sendo K > 0 uma matriz positiva definida, a forma quadrtica p(x) =
xT Kx + 2xT f + c possui um nico mnimo global que ocorre em x? . Se a matriz K 0 for positiva
semi-definida, e f rngK, ento toda soluo para Kx? = f ser um mnimo global de p(x). No
caso de matriz positiva semi-definida, o mnimo no nico pois p(x? + z) = p(x? ) para qualquer
vetor z kerK.

3.3

Soluo de um Problema Geomtrico

Nesta seo ser mostrado a soluo do problema geomtrico de minimizao que foi introduzido na primeira seo deste captulo.
O problema consiste em dado um subespao V Rm , e um elemento b Rm , achar v? V
dentro de todas as possibilidades de v V que miniminiza a distncia kv bk.
importante ressaltar que b
/ V . Caso b pertencesse ao subespao V , a menor distncia seria
automaticamente zero, pois o ponto escolhido seria o prprio b, de forma que x? = b.
Dessa forma, deseja-se minimizar a distncia:
kv bk2 = kvk2 2 hv ; bi + kvk2

(3.16)

dentro de todas as possibilidades de v pertencentes a V Rm . Assumindo que uma base de V

v1 , , vn com dimenso n conhecida, pode-se escrever todo vetor v V como uma combinao
linear dos vetores v1 , , vn .
v = x1 v1 + + xn vn

(3.17)

Dessa forma:
kvk2 = hv ; vi = hx1 v1 + + xn vn ; x1 v1 + + xn vn i =

i, j=1

22


xi x j vi ; v j

(3.18)

e consequentemente:
2

kvk =

ki j xi x j = xT Kx

(3.19)

i, j=1

onde K a matriz Gram simtrica n n. Cada uma de suas entradas (i, j) o produto interno
entre os vetores que definem a base do subespao V .


ki j = vi ; v j

(3.20)

De forma similar, tem-se que:

n

hv ; bi = hx1 v1 + + xn vn ; bi = xi hvi ; bi

(3.21)

i1

hv ; bi = xi fi = xT f

(3.22)

i=1

onde f um vetor cuja i-sima entrada o produto interno:

fi = hvi ; bi

(3.23)

Dessa forma, a equao (3.16) pode ser escrita como uma funo quadrtica, com a forma:
n

p(x) = xT Kx + 2xT f + c =

i, j=1

ki j xi x j 2 fi xi + c

(3.24)

i=1

com K e f definidos em (3.20) e (3.23) respectivamente, e tendo c = kbk2 .

Assumindo que os vetores v1 , . . . , vn da base de V so linearmente independentes, a matriz
Gram K = AT A positiva definida, e consequentemente a forma quadrtica p(x) = xT Kx + 2xT f +
c possui um nico mnimo global que ocorre em x? .
Teorema: Seja V Rm um subespao vetorial formado pelos vetores v1 , . . . , vn . Dado um
ponto b, o ponto v v? = x 1? v1 + . . . + xn? vn V mais prximo de b obtido pela soluo
x? = K 1 f do sistema linear:
Kx = f

(3.25)

onde K e f so definidos em (3.20) e (3.23) respectivamente. A distncia do ponto ao subespao

ser:
q
?
kv bk = kbk f T x?
(3.26)
Utilizando o produto interno padro do espao Euclidiano e a norma do Rn para determinar-se
a distncia v? b, as entradas da matriz Gram K e do vetor f podem ser representadas pelo produto
escalar:
ki j = vi v j = vTi v j

fi = vi b = vTi b

(3.27)

Sendo A = (v1 v2 vn ) a matriz n m formada pelos vetores da base de V , tem-se que:

23

K = AT CA

c = kbk2

f = AT Cb

(3.28)

Sabendo-se que:
v = x1 v1 + + xn vn = Ax

(3.29)

verifica-se que:
kv bk2 = kAx bk2 = (Ax b)T (Ax b) = (xT AT bT )(Ax b)
= xT AT Ax 2xT AT b + bT b = xT Kx + 2xT f + c

3.4

(3.30)

Mnimos Quadrados Aplicados Soluo de Sistema de

Equaes Lineares

Define-se que a soluo do sistema de equaes lineares

Ax = b

(3.31)

pelo mtodo dos mnimos quadrados o vetor x? Rn que miniminiza a norma euclidiana
kAx bk.
Se o sistema Ax = b possuir uma soluo, poder ser resolvido por eliminao gaussiana.
Porm, se no possuir uma soluo exata, ou seja, o vetor b no pertence ao espao imagem da
matriz A (b
/ rng(A)), o mtodo dos mnimos quadrados permite calcular um vetor x? que o mais
prximo possvel da soluo do sistema.
Como objetiva-se determinar uma soluo nica para o sistema, necessrio que kerA = {0} ou
de forma equivalente, que as colunas da matriz A sejam linearmente independentes. Identificando
V como sendo o espao imagem formado pelas colunas da matriz A, ou seja, V = rngA Rm ,
tem-se que as colunas de A formam uma base para V .
Dessa forma, como qualquer elemento do espao imagem de A pode ser escrito como v = Ax,
minimizar kAx bk o mesmo que minimizar a distncia kv bk entre o ponto b e o subespao
V . A soluo x? obtida pelo mtodo dos mnimos quadrados fornecer o valor de v? = Ax? que
pertence ao subespao V = rngA.
Feita a correlao entre o problema geomtrico de minimizao da distncia de b a V e o problema da determinao de uma soluo para Ax = b, utiliza-se as relaes explicitadas em (3.28)
para escreve-se o sistema (3.25) e a mnima distncia do ponto ao subespao.
Teorema: A soluo pelo mtodo dos mnimos quadrados para o sistema Ax = b, assumindo
que kerA = {Ax b} e que K = AT A e f = AT b a soluo do sistema:
Kx = f

(AT A)x = AT b

ou

Dessa forma:
24

(3.32)


1 T
x ? = AT A
A b

(3.33)

O erro associado ao mtodo dos mnimos quadrados :

kAx? bk2 = kbk2 f T x? = kbk2 bT A AT A

1

AT b

(3.34)

importante observar que a equao (3.32) obtida a partir da multiplicao de AT em ambos

1
=
os lados do sistema original Ax = b. Se a matriz A for quadrada e invertvel, ento AT A

1
?
1
T
1
e dessa forma, a equao (3.33) reduzida a x = A b. Alm disso, os dois termos da
A
A
expresso (3.34) se cancelam, fazendo com que o erro associado ao mtodo dos mnimos quadrados seja zero.
1 Exemplo:
Dado o sistema linear de 5 equaes e trs incgnitas abaixo:
x1
3x1
x1
x1
2x1

+ 2x2
x2
+ 2x2
x2
+ x2

+ x3
+ x3
2x3
x3

= 1
= 0
= 1
= 2
= 2

(3.35)

define-se que a matriz A e o vetor b, necessrios para se escrever o sistema na forma matricial
so:

1 2 0
1
3 1 1
0

A=
b=
(3.36)
1 2 1
1 .
1 1 2
2
2 1 1
2
A expresso (3.33) permite calcular soluo pelo mtodo dos mnimos quadrados. Para utilizla, calcula-se:

16 2 2
K = AT A = 2 11 2
2 2
7

8
b = AT b = 0
7

(3.37)

A soluo do sistema Kx = f :

0, 4119
x? = K 1 b 0, 2482
0, 9532

(3.38)

O erro associado soluo do mtodo dos mnimos quadrados :

kb Ax? k = (0, 0917 , 0, 0342 , 0, 1310 , 0, 0701 , 0, 0252)T = 0, 1799
25

(3.39)

3.5

Mnimos Quadrados Aplicados ao Ajuste de Curvas

Uma das aplicaes mais importantes do mtodo dos mnimos quadrados o ajuste de curvas.
Ele permite determinar os parmetros de um modelo matemtico atravs de valores dessa funo
em pontos discretos de um intervalo. Para reduzir-se a influncia dos erros presentes nos valores
da varivel avaliada, costuma-se utilizar um nmero de pontos superior ao nmero de parmetros
desconhecidos do modelo matemtico. Supondo que foi feito um experimento para medir uma
varivel dependente do tempo. A cada instante ti foi medido um valor para yi , resultando em m
pontos experimentais.
(t1 , y1 ),

(t2 , y2 ),

...

(tm , ym ).

(3.40)

Supondo que o modelo matemtico dos pontos experimentais seja uma reta, como mostrado em
(3.41),objetiva-se achar valores para e que resultem no melhor ajuste possvel para os pontos
experimentais (3.40).
y(t) = + t

(3.41)

Como os pontos medidos esto sujeitos erros experimentais e consequentemente no assumem os valores exatos esperados pelo modelo matemtico que descreve o fenmeno, h um erro
associado a cada valor de yi medido no instante ti , como mostra o grfico da figura (3.1).
ei = yi ( + ti ),

i = 1, . . . , m.

(3.42)

Figura 3.1: Ajuste de y(t) = + t pelo mtodo dos mnimos quadrados

Escrevendo esse sistema na forma matricial, tem-se:

e=

e1
e2
..
.
em

y=

y1
y2
..
.

A=

ym
26

1 t1
1 t2

.. .. ,
. .
1 tm


x=


(3.43)

Se os pontos experimentais medidos tivessem todos sobre uma reta, ou seja, fossem colineares,
ento yi = + ti e ei para todo i. Dessa forma seria possvel resolver o sistema Ax = y e consequentemente y rngA. Porm como as medidas de yi esto sujeitas erros experimentais, o
mtodo dos mnimos quadrados tem o objetivo de minimizar a norma do vetor erro.
q
Erro = kek = e21 + + e2m
(3.44)
Dessa forma, objetiva-se determinar os coeficientes do vetor x = (, )T que minimize a norma
do vetor:
kek =

p
Ax y

(3.45)

A soluo para esse problema j foi explicitada na seo anterior. De acordo com (3.32) podese escrever:
(AT A)x = AT b

(3.46)

1 T
x ? = AT A
A y

(3.47)

com a soluo:

A como a matriz Gram K = AT A, a matriz A deve possuir colunas linearmente independentes

e consequentemente os valores de ti devem ser distintos. Dessa forma, para que o mtodo dos
mnimos quadrados possa ser aplicado, necessrio que haja no mnimo dois instantes de tempo
diferentes.
No caso das matrizes mostradas em (3.43), pode-se escrever:

A A=

1 1 ... 1
t1 t2 . . . tm

1 t1




1 t2
1 t
m

ti
=m
.. .. =
t (t)2
ti (ti )2
. .
1 tm

A y=

1 1 ... 1
t1 t2 . . . tm

y1
y2
..
.

(3.48)





y

yi
=m
=
ty
ti yi

(3.49)

ym
Considera-se:
1 m
t = ti
m i=1

1 m
y = yi
m i=1

t2

1 m 2
= ti
m i=1

1 m
ty = ti yi
m i=1

(3.50)

Substituindo a equao (3.48) em (3.47), determina-se o sistema de equaes:

t + t 2 = ty

+ t = y
Dessa forma, as solues para e sero:

27

(3.51)

 = y t
=

ty ty
t2 t2

(3.52)

(ti t)yi
(ti t)2

(3.53)

1 Exemplo:
Determinar valores para e que resultem no melhor ajuste possvel da curva y(t) = + t
para os pontos experimentais mostrados na tabela abaixo.
0
2

ti
yi

1
3

3
7

6
12

Escrevendo na forma matricial, tem-se:

1 0


1 1
1 1 1 1
T

A=
,
A =
,
1 3
0 1 3 6
1 6

2
3

y=
7 .
12

(3.54)

Dessa forma:
T

A A=

4 10
10 46

A y=

24
96


.

(3.55)

Substituindo a equao (3.55) em (3.47), determina-se o sistema de equaes:


4 + 10 = 24
10 + 46 = 96

(3.56)

Resolvendo o sistema obtm-se:

=

3.5.1

12
7

12
7

y=

12 12
+ t
7
7

(3.57)

Ajuste de Polinmios

O mtodo dos mnimos quadrados pode ser expandido para o ajuste de funes polinomiais de
grau n, como mostrado em (3.58).
y(t) = 0 + 1t + . . . + nt n
Esse problema pode ser escrito na forma matricial, para isso defini-se:

1 t1 t12 . . . t1n
0
1 t2 t 2 . . . t n
1 2

2
2
A = .. .. ..
x = ..
.. ,
. . . .
.
2
n
n
1 tm tm . . . tm
De acordo com (3.46), escreve-se:
28

(3.58)

(3.59)

(AT A)x = AT b

(3.60)

1 T
A y
x ? = AT A

(3.61)

com a soluo:

O erro associado ao ajuste ser:

m

kek2 = [yi y(ti )]2 = ky Axk2

i=1

29

(3.62)

Captulo 4
Mtodo dos Mnimos Quadrados No
Linear
No captulo anterior foi determinado uma soluo para o ajuste de funes polinomiais de grau
n atravs do mtodo dos mnimos quadrados. O problema foi escrito na forma de um sistema linear
Ax = b (4.1), e assumindo que kerA = {Ax b}, a soluo expressa pela equao (4.2).
(AT A)x = AT b

(4.1)

1 T
x ? = AT A
A b

(4.2)

Neste captulo sero mostrados alguns mtodos de soluo do problema dos mnimos quadrados para ajuste de curvas que possuem modelos matemticos no lineares. Nesses casos o problema no pode ser escrito na forma de um sistema linear Ax = b, e consequentemente a soluo
mostrada em (4.2) no pode ser aplicada.
Funes no lineares esto presentes em vrios modelos matemticos da engenharia mecnica.
O ajuste de curvas e estimativa de seus parmetros so importantes etapas do estudo experimental
e estatstico da engenharia. Um exemplo tpico em fadiga calcular os parmetros da curva de
Coffin-Manson que melhor ajustam os dados dos testes de vrios corpos de prova de um mesmo
material. Este no um problema trivial, mas solvel, por exemplo, pelo algoritmo de LevenbergMarquardt (LM), que busca numericamente os parmetros que ajustam pelo mtodo dos mnimos
quadrados uma dada funo genrica (em geral no linear) a um dado conjunto de pontos.
O mtodo dos mnimos quadrados busca um vetor x? que minimize a expresso:
1
1
1 m
F(x) = ( fi (x))2 = k f (x)k2 = f (x)T f (x)
2 i=1
2
2

(4.3)

sendo as funes fi : Rn 7 Rm , i = 1, . . . , m com m n. No caso dos mtodos serem aplicado

ao ajuste de um modelo matemtico y atravs de m pontos experimentais:
(t1 , y1 ),

(t2 , y2 ),

...

(tm , ym ).

A expresso F(x) representa o erro total ke(x)k2 resultante do ajuste a ser feito.

30

(4.4)

F(x) = ke(x)k2 = e2i

(4.5)

i=1

e consequentemente a funo f (x) ser:

fi = yi y(ti ).

(4.6)

O ajuste de funes no lineares pelo mtodo dos mnimos quadrados feito atravs do processo iterativo. A partir de um vetor inicial x0 , o mtodo produz uma srie de vetores x1 , x2 , . . . que
devem convergir para x? . A maioria dos mtodos utilizados para convergirem utilizam a condio
de que:
F(xk+1 ) < F(xk )

(4.7)

importante ressaltar que no caso de F(x) possuir diversos mnimos, o resultado x? ir depender do valor inicial de x0 . No se sabe qual dos mnimos ser encontrado e dessa forma, o vetor x?
encontrado no necessariamente o mais prximo de x0 .
Em cada iterao, x deve ser substitudo por uma nova estimativa x + h. Para determinar-se o
vetor h = (h1 , h2 , . . . , hn )T , a funo F(xi + h) aproximada pela expanso de Taylor:
1
F(x + h) = F(x) + hT g + hT Hh + O(khk3 )
2

(4.8)

onde, g o gradiente:

g F 0 (x) =

F
x1 (x)

..

.
F
xn (x)

(4.9)

e H a hessiana:
H F 00 (x) =

2 F
xi x j (x)

(4.10)

No caso de x? ser um mnimo local e khk suficientemente pequeno, no poder ser determinado
um outro ponto x? + h que resulte um valor menor de F. Dessa forma, sendo x? um mnimo local,
tem-se que:
g? F 0 (x? ) = 0

(4.11)

Define-se que h uma direo descendente em F(x) se:

hT F 0 (x) < 0

(4.12)

Os mtodos de soluo dos mnimos quadrados apresentados neste captulo necessitam das
expresses utilizadas para as derivadas de F. Supondo que f tenha derivadas parciais contnuas,
pode-se escrever a expanso de Taylor:
f (x + h) = f (x) + J(x)h + O(khk2 )
com J Rmn sendo a matriz Jacobiana.
31

(4.13)

(J(x))i j =

fi
(x)
xi

(4.14)

Como F : Rn 7 R:
m
fi
F
(x) = fi (x) (x)
x j
xi
i=1

(4.15)

F 0 (x) = J(x)T f (x)

(4.16)

seu gradiente ser:

Tambm ser necessrio definir a matriz Hessiana de F. A partir da equao (4.15), verifica-se
que:

m 
fi
fi
2 f i
2 F
(x) =
(x)
(x) + fi (x)
(x) ,
(4.17)
x j xk
x
x
x
x
j
j
k
k
i=1
dessa forma:
m

F 00 (x) = J(x)T J(x) + fi (x) fi00 (x)

(4.18)

i=1

4.1

Mtodo de Gauss-Newton

O mtodo de Gauss-Newton baseado em uma aproximao linear para os componentes de f

nas proximidades de x. Para valores pequenos de khk, a expanso de Taylor (4.13) mostra que:
f (x + h)
= l(h) f (x) + J(x)h

(4.19)

Substituindo (4.13) na expresso de F(x) mostrada em (4.3) verifica-se que:

1
F(x + h)
l(h)T l(h)
= L(h)
2
1
=
[( f + Jh)T ( f + Jh)]
2
1 T
1
=
f f + hT J T f + hT J T Jh
2
2
1
= F(x) + hT J T f + hT J T Jh
2

(4.20)

com f = f (x) e J = J(x). Como a direo descendente do mtodo de Gauss-Newton hgn deve
minimizar L(h), calcula-se a o gradiente e a matriz hessiana de L.
L0 (h) = J T f + J T Jh
L00 (h) = J T J

32

(4.21)

Comparando as expresses (4.21) e (4.16) tem-se que L0 (0) = F 0 (x). Se as colunas da matriz J
forem linearmente independentes, ento L00 (h) uma matriz positiva definida. Dessa forma, L(h)
possui um nico mnimo que achado pela expresso (4.23):
L0 (hgn ) = 0
J T f + J T Jhgn = 0

(4.22)

(J T J)hgn = J T f

(4.23)

O vetor hgn uma direo descendente desde que:

hTgn F 0 (x) = hTgn (J T f ) = hTgn (J T J)hgn < 0

(4.24)

No processo iterativo de soluo pelo mtodo de Gauss-Newton, o vetor x na k-sima iterao

calculado por:
xk+1 = xk + hgn

4.2

(4.25)

Mtodo de Levenberg-Marquardt

O mtodo de Levenberg-Marquardt muito semelhante ao mtodo de Gauss-Newton. A diferena que um fator de amortecimento introduzido na equao (4.23) mtodo de Gauss-Newton.
Dessa forma, a direo hlm fica definida como:
(J T J + I)hlm = g

(4.26)

com g = J T f para 0.
Nessa equao f = f (x) e J = J(x). O fator de amortecimento introduzido responsvel por:
1. Para > 0 a matriz J T J + I positiva definida e isso assegura que hlm uma direo
descendente.
2. Para valores grandes de tem-se:
1
1
hlm J T f = F 0 (x)

(4.27)

isso resulta em um passo pequeno na direo descendente.

3. Para valores muito pequenos de , tem-se que hlm
= hgn , ou seja, o hlm do mtodo de
Levenberg-Marquardt fica muito prximo do hgn do mtodo de Gauss-Newton. Isso vantajoso nas ltimas iteraes, quando x est prximo de x? .
O valor inicial de deve estar relacionado com os valores dos elementos de A0 = J(x0 )T J(x0 ),
de forma que:
n o
(0)
0 = maxi aii
(4.28)
33

O valor de escolhido pelo usurio do mtodo. Um valor sugerido = 103 . Durante as

iteraes o valor de atualizado, e esse processo controlado pela razo de ganho mostrado
em (4.29). Dependendo do valor de em cada iterao, o valor de aumentado ou reduzido.
=

F(x) F(x + hlm )

L(0) L(hlm )

(4.29)

O denominador da expresso para calculado pela expresso (4.30).

1
L(0) L(hlm ) = hTlm J T f hTlm J T Jhlm
2
1 T
T
= hlm (2J f + (J T J + I I)hlm )
2
1 T
=
hlm (hlm J T f )
2

(4.30)

Como hTlm hlm e hTlm J T f so positivos, ento o denominador L(0) L(hlm ) positivo.
Observa-se que um valor grande de indica que L(hlm ) uma boa aproximao para F(x +
hlm ). Nesse caso, deve-se reduzir o valor de para que o prximo passo do mtodo de LevenbergMarquardt se aproxime mais do passo do mtodo de Gauss-Newton. No caso de ter um valor
pequeno, deve-se aumentar o valor de para que hlm se aproxime mais da direo descendente.
Uma estratgia para o controle do valor de foi originalmente proposta por Marquardt (1963).
Ela consiste em dobrar o valor de caso seja menor do que 0,25, e dividir o valor de por trs
caso seja maior do que 0,75, como mostrado abaixo:
if < 0.25
= 2
elseif > 0.75
= /3
Essa estratgia de controle causa uma descontinuidade no valor de a cada iterao, e isso
pode no ser vantajoso. Por isso, uma nova proposta para o controle do valor de foi elaborada
por Nielsen (1999), como mostrado abaixo:
if > 0


= max 1/3, 1 (2 1)3
=2
else
=
= 2
O fator inicializado em = 2. Alm do controle do valor de , outra questo relevante que
deve ser tratada so os critrios de parada do processo iterativo. So identificadas trs situaes
diferentes que podem caracterizar critrios de parada.

34

Sabe-se que se o mnimo local for encontrado, ento tem-se F 0 (x? ) = g(x? ) = 0. Dessa forma,
se a funo g assumir um valor menor de um nmero muito pequeno (1 ), pode-se considerar que
o x? foi encontrado. E consequentemente, o processo iterativo deve ser interrompido.
kgk 1

(4.31)

A escolha do valor de 1 deve ser feita pelo usurio do mtodo. Outra situao que determina
que o processo iterativo pode ser interrompido pequena variao da norma do vetor x entre cada
uma das etapas do processo de iterao. Matematicamente, isso expresso na forma:
kxnovo xk 2 (kxk + 2 )

(4.32)

O valor de 2 escolhido pelo usurio do mtodo. Finalmente, em todo processo iterativo

deve existir um nmero mximo de iteraes a fim de evitar que ocorra um loop infinito. Por isso,
caso o nmero de iteraes (k) exceda um limite mximo (kmax ) determinado pelo usurio, deve-se
interromper o processo de busca de x? .
k kmax
Um resumo do algoritmo de Levenberg-Marquardt mostrado abaixo:
begin
k = 0 = 2 x = x0
A = J(x)T J(x)
g = J(x)T f (x)
f ound = kgk 1
= max {aii }
while (not found) and (k < kmax )
k = k+1
Resolver (A + I)hlm = g
if khlm k 2 (kxk + 2 )
found = true
else
xnovo = x + hlm
= (F(x) F(xnovo ))/(L(0) L(hlm ))
if > 0
x = xnovo
A = J(x)T J(x)
g = J(x)T f (x)
f ound = kgk
 1

= max 1/3, 1 (2 1)3
=2
else
=
= 2
end

35

(4.33)

Captulo 5
Parmetros do Metabolismo Aerbio
5.1

Introduo ao Metabolismo Aerbio

A atividade fsica um potente e importante estmulo para o aumento da atividade muscular,

cardio-respiratria e vascular. No incio do exerccio ou de qualquer outra atividade diria (transio: repouso atividade), em resposta ao aumento da intensidade de esforo e a necessidade
de sntese de ATP nos msculos ativos, o metabolismo energtico acelerado, e a taxa de absoro
de oxignio nos pulmes (V O2 ) aumentada para que haja manuteno do exerccio.
A capacidade de ajuste do metabolismo necessidade de sntese de ATP gerada pela atividade
fsica um dos fatores determinantes da maior ou menor tolerncia ao exerccio fsico de uma pessoa. Quanto mais rpido ocorrer o ajuste, ou seja, quanto mais rpida for a resposta do organismo
ao aumento do esforo fsico, menor ser o distrbio celular. Esse ajuste progressivo e depende
da intensidade, durao, modo de exerccio e nvel de preparo fsico da pessoa. Tem como objetivo
alcanar o estado estvel e retomar a homeostasia celular.
O estudo dos mecanismos fisiolgicos responsveis pela dinmica da resposta da taxa de absoro de oxignio nos pulmes V O2 durante o exerccio e sua subseqente recuperao conhecida como cintica do consumo de oxignio.
Vrios estudos recentes tm demonstrado que um elevado nvel de aptido aerbia necessrio
para uma alta resistncia prtica de esportes e que o baixo nvel de aptido aerbia est associado
a um risco aumentado par vrias doenas degenerativas. Para avaliar este nvel de aptido aerbia,
sugere-se que a taxa de V O2 , medida por meio da ventilao pulmonar durante um exerccio controlado de carga incremental ou carga constante, uma varivel que reflete o ajuste sistmico do
transporte de oxignio e do metabolismo muscular, assim como tambm da integrao entre os
sistemas respiratrio, cardaco, vascular e muscular, responsveis pela captao, transporte e utilizao de O2 .
O treinamento fsico sistematizado tem como consequncia no organismo adaptaes fisiolgicas e bioqumicas, levando melhora no desempenho de tarefas especficas. A natureza e magnitude destas adaptaes so dependentes do tipo de atividade realizada, volume, intensidade, carga
gentica e nvel de aptido inicial. Porm, essas adaptaes esperadas s vo ocorrer caso o indivduo realize atividade fsica regularmente, e em nvel superior ao seu habitual.
36

5.2

Fases do Metabolismo Aerbio

Os principais fatores responsveis pela resposta do aumento da taxa de V O2 so o trabalho

interno do metabolismo, a potncia do trabalho externo submetido ao organismo e a taxa de eficincia.
Os sinais nervosos enviados pelo crtex para os msculos cardaco-respiratrios e a modificao da relao [ATP]/[ADP] no msculo ativo so estmulos desencadeadores do sistema oxidativo na musculatura esqueltica durante o exerccio. As adaptaes do V O2 s cargas de trabalho
requerem um funcionamento otimizado do sistema cardiovascular, respiratrio e metablico perifrico, com heterocronia de respostas entre eles. Os modelos matemticos para expressar esses
ajustes parecem ser dependentes da magnitude das modificaes nesses sistemas, associadas intensidade e s condies fisiolgicas prvias (repouso x exerccio; treinados x destreinados).
Classicamente, podem ser identificadas trs fases fisiolgicas distintas (Fases I, II e III) para o
ajuste da curva de V O2 (t). Cada uma dessas fases pode ser modelada por uma funo exponencial,
como mostrado a seguir:
Fase I:
Os primeiros segundos do exerccio so caracterizados por um atraso temporrio na resposta
da taxa de V O2 ocasionado pela dissociao entre a taxa de oxignio absorvido no pulmo e a
consumido na musculatura esqueltica, especialmente nos msculos responsveis pela contrao
muscular. A fase I, comumente chamada de fase ou componente cardio-dinmica, modelada por
uma equao mono-exponencial da forma:
V O2 (t) = V O2BL + Ac (1 et/c )

se : t < T Dp

(5.1)

onde:

V O2BL = taxa de consumo de oxignio no repouso (base line) [ml/(Kg.min)]

Ac = Constante Assinttica da Fase I [ml/(Kg.min)1 ];
c = Constante de Tempo da Fase I [1/s];
Fase II:
Aps os primeiros segundos de exerccio, inicia-se a fase II. O instante de tempo do incio
dessa fase denominado TDp (time dalay). Durante a fase I, h utilizao dos estoques de oxignio
pelos msculos esquelticos, ocasionando uma reduo no contedo de oxignio do sangue venoso
misto. A chegada desse sangue venoso nos pulmes, gera como resposta a fase II (comumente
chamada de fase ou componente primria), que modelada por uma equao mono-exponencial
da forma:
V O2 (t) = A0c + A p (1 e(tT Dp)/ p )

37

se : T Dp < t < T Ds

(5.2)

Nessa equao o termo A0c garante a continuidade do valor de V O2 no instante TDp. Seu valor
:
A0c = V O2 (b) + Ac (1 eT Dp/c )

(5.3)

os outros termos de (5.2) so:

A p = Constante Assinttica da Fase II [ml/(Kg.min)];
p = Constante de Tempo da Fase II [1/s];
Fase III:
Aps o trmino da fase II, inicia-se a fase III (chamada de fase ou componente lento) no
instante de tempo TDs (time dalay). Essa fase tambm pode ser modelada como uma funo
mono-exponencial da forma:
V O2 (t) = A0p + As (1 e(tT Ds)/s )

se : t > T Ds

(5.4)

Nessa equao o termo A0p garante a continuidade do valor de V O2BL no instante TDs. Seu
valor :
A0p = A0c + A p (1 e(T DsT Dp)/ p )

(5.5)

os outros termos de (5.4) so:

As = Constante Assinttica da Fase III [ml/(Kg.min)];
c = Constante de Tempo da Fase III [1/s];
A partir dessas trs fases descritas, obtm-se um modelo matemtico tri-exponencial para a
variao da taxa de consumo de oxignio no tempo, como mostrado na figura (5.1).

Figura 5.1: Esquema mostrando as trs fases exponenciais de V O2 (t) para exerccios de intensidade pesada

38

A existncia das trs fases depende da intensidade do exerccio. Para exerccios de intensidade
moderada, a taxa V O2 (t) cresce de forma bi-exponencial e assume um valor constante, ou seja,
entra em regime permanente, sem que haja a existncia da fase III. Dessa forma, nessa intensidade
de exerccio, a curva de V O2 (t) caracterizada pela existncia de apenas as fases I e II. No caso
de exerccios de intensidade pesada, a taxa de V O2 (t) cresce de forma tri-exponencial (fases I, II e
III) e entra em regime permanente aps um t.
No caso de exerccios de intensidade severa, assim como nos de intensidade pesada, a taxa
de V O2 (t) cresce de forma tri-exponencial. Porm, a taxa no entra em regime permanente, pois
o paciente atinge a fadiga antes de haver tempo suficiente para que V O2 (t) atinja um valor constante. A figura (5.2) mostra esquemas para as curvas da taxa V O2 (t) para as trs intensidades de
exerccios descritas acima.

Figura 5.2: Esquema mostrando as curvas de V O2 (t) para exerccios de intensidade moderada,
pesada e severa. A parte hachurada de cinza mostra a fase III para os exerccios de intensidade
pesada e severa.

5.3

Identificao dos Parmetros do Metabolismo Aerbio

Fazer o ajuste dos pontos experimentais da taxa de consumo de oxignio (V O2 (t)) durante um
determinado intervalo de tempo (t) para um paciente que realiza um exerccio fsico de intensidade pesada ou severa no uma tarefa trivial. Utiliza-se o mtodo dos mnimos quadrados, e o
ajuste das curvas das trs fases objetiva determinar os valores dos parmetros V O2BL , Ac , c , Ap,
p , As , s , T Dp e T Ds para um determinado paciente.
Atravs dos valores obtidos pelo ajuste, um mdico dever ser capaz de avaliar a capacidade
de ajuste do metabolismo do paciente necessidade de sntese de ATP gerada pela atividade fsica.
Estudos recentes tm demonstrado que baixo nvel de aptido aerbia pode estar associado a vrias
doenas degenerativas. Por isso, uma avaliao mdica da capacidade de ajuste do metabolismo
pode ajudar muito no diagnstico de doenas. Alm disso, pode ajudar a determinar quais so
39

as conseqncias dessas doenas no funcionamento dos sistemas respiratrio, cardaco, vascular e

muscular, responsveis pela captao, transporte e utilizao de O2 .
A taxa de V O2 de um paciente medida por meio da ventilao pulmonar durante um exerccio
controlado de carga incremental ou carga constante. Dessa forma, durante o exerccio so medidos
os valores de V O2i e seu correspondentes instantes de tempo ti . Dessa forma, ao fim do exerccio
tem-se uma seqncia de m pontos medidos experimentalmente, como mostrado abaixo:
(t1 , V O21 ),

(t2 , V O22 ),

...

(tm , V O2m ).

(5.6)

Para fazer-se o ajuste desses m pontos experimentais a curva de V O2 (t), necessrio determinar
os valores das seguintes variveis:

V O2BL
Ac

Ap

x=
(5.7)
p
As

T Dp
T Ds
Dessa forma, o ajuste da curva de V O2 (t) R deve calcular um vetor de variveis x R9 .
Deve-se ressaltar que as variveis T Dp e T Ds so os instantes de tempo em que h a mudana das
fases I para II e das fases II para III. Por isso, no ajuste da curva, as fases I, II e III tm domnio
no pr-determinados.
Outro fator que dificulta o ajuste o fato de que as curvas exponenciais que caracterizam as
fases I, II e III so curvas no lineares, e por isso, o ajuste a ser feito em cada uma dessas fases
deve utilizar o mtodo dos mnimos quadrados no linear. Neste trabalho ser apresentado o ajuste
feito atravs do mtodo de Levenberg-Marquardt.
Feita essa anlise preliminar do problema do ajuste da curva de V O2 (t), verifica-se que o
ajuste a ser feito na verdade engloba dois processos de otimizao, que devem ser feitos de forma
simultnea. O primeiro processo determinao de T Dp e T Ds, de forma que as fases I,II e III
possam ser ajustadas da melhor forma possvel, e o segundo processo o ajuste em si das fases I,
II e III.
Verifica-se que para determinar os valores de V O2BL , Ac , c , Ap, p , As , s necessrio determinar quais so os valores de T Dp e T Ds (instantes de mudana de fase). Porm, somente quando
esse dois valores forem determinados, e assim o domnio das fases I, II e III definidos, ser possvel fazer o ajuste dessas trs fases, determinando os valores dos outros sete parmetros do vetor
x R9 .
A fim de resolver esse problema, o ajuste da curva de V O2 (t) nas trs fases deve ser feito para
todas as possveis combinaes de T Dp e T Ds. O processo de determinar todas essas combinaes
feito da seguinte forma: fixa-se um valor de T Dp e varia-se o valor de T Ds. Posteriormente,
varia-se o valor de T Dp, fixando-o em um novo valor, e varia-se novamente o valor de T Dp. Essa
seqncia de etapas deve ser repetida sucessivamente at que todas as combinaes de T Dp e T Ds

40

sejam avaliadas.
As possveis combinaes podem ser representadas em uma matriz quadrada. Nas colunas so
representados os possveis valores para T Dp, e nas linhas os possveis valores para T Ds. Cada
elemento dessa tabela representa uma combinao entre T Dp e T Ds. Vale ressaltar que como o
instante que como obrigatoriamente T Dp < T Ds, os elementos ai j dessa matriz com j < i no
representam uma combinao vlida de T Dp e T Ds. A figura (5.3) mostra um esquema da matriz
a ser percorrida durante o processo de ajuste da curva de V O2 (t).

Figura 5.3: Esquema mostrando as combinaes vlidas dos instantes de mudana de fase T Dp e
T Ds para os m instantes de tempo avaliados.
O domnio de possveis valores para a varivel T Ds um domnio discreto. Assume-se que
essa varivel s poder assumir um valor igual a um dos m valores de instante de tempo que foram
medidos durante realizao do exerccio fsico. O mesmo ocorre para a varivel T Dp.
Para cada uma das combinaes entre T Dp e T Ds, faz-se o ajuste das trs fases. Inicialmente,
faz-se o ajuste da fase I, determinado assim os valores de Vo2b , Ac e tauc . Depois, faz-se o ajuste
da fase II, determinado Ap e p , e por ltimo da fase III, determinado os valores de As e s .
O ajuste tem que obrigatoriamente ser nessa ordem, pois o calculo de V O2 (t) na fase II utiliza
os valores de Vo2b , Ac e c atravs da varivel A0c , e o mesmo ocorre na fase III, que utiliza os
valores de A0c , c e A0p atravs da varivel A0p .
Alm da condio de que T Dp < T Ds, para determinar as combinaes vlidas entre T Dp e
T Ds, algumas outras condies devem ser impostas. Essas condies so baseadas em imposies
do mtodo dos mnimos quadrados no linear.
Como mostrado anteriormente, o mtodo dos mnimos quadrados busca um vetor x? que minimize a expresso:
1
1
1 m
F(x) = ( fi (x))2 = k f (x)k2 = f (x)T f (x)
2 i=1
2
2

(5.8)

sendo as funes fi : Rn 7 Rm , i = 1, . . . , m com m n. Isso indica que o nmero de incgnitas

a serem determinadas pelo mtodo, ou seja a dimenso n do vetor x Rn , deve ser maior ou igual
41

ao nmero m de pontos avaliados. Dessa forma, podem ser impostas as seguintes condies a
respeito dos valores vlidos de T Dp e T Ds:
1. A equao caracterstica da fase I possui trs parmetros a serem determinados: V O2BL ,
Ac e c , fazendo com que nesse caso n = 3. Por isso, para que o mtodo de LevenbergMarquardt possa ser aplicado na fase I, necessrio que essa fase tenha durao mnima de
trs intervalos iniciais de tempo medidos durante o exerccio fsico. Assim, o valor mnimo
para T Dp corresponde ao terceiro instante de tempo (t3 ) medido durante o exerccio fsico.
2. A equao caracterstica da fase II possui dois parmetros a serem determinados: A p e p ,
fazendo com que nesse caso n = 2. Por isso, para que o mtodo de Levenberg-Marquardt
possa ser aplicado na fase II, necessrio que essa fase tenha durao mnima de dois intervalos de tempo medidos durante o exerccio fsico. Porm, como a fase II ocorre aps o
trmino da fase I, e a fase I tem durao mnima de trs intervalos de tempo, como visto no
item anterior, o valor mnimo para T Ds corresponde ao quinto instante de tempo (t5 ) medido
durante o exerccio fsico.
3. O valor mximo para T Dp determinado a partir do nmero m total de pontos medidos
durante o exerccio fsico. Sabe-se que ao trmino da fase I, ocorrem ainda as fases II e III,
que tem durao mnima cada uma delas de dois intervalos de tempo. Por isso, maior valor
possvel para o instante de trmino da fase I deve ser o instante correspondente ao ltimo
instante de tempo (tm ) menos quatro intervalos de tempo, ou seja (tm4 ).
4. O valor mximo para T Ds determinado a partir do nmero m total de pontos medidos
durante o exerccio fsico. Sabe-se que ao trmino da fase II, ocorre ainda a fases III, que
tem durao mnima de dois intervalos de tempo. Por isso, maior valor possvel para o
instante de trmino da fase II deve ser o instante correspondente ao ltimo instante de tempo
(tm ) menos dois intervalos de tempo, ou seja (tm2 ).
As possveis combinaes entre valores vlidos de T Dp e T Ds so mostradas na figura (5.3).

42

Captulo 6
Levenberg-Marquardt Aplicado
Identificao dos Parmetros da curva de
V O2(t)
6.1

Programa Computacional Desenvolvido

Neste trabalho a plataforma computacional escolhida para fazer a identificao dos parmetros que caracterizam da curva de V O2 (t) foi o Matlab. O mtodo utilizado pelo programa
Levenberg-Marquardt.

6.1.1

Equaces de Levenberg-Marquardt Aplicadas curva de V O2 (t)

Abaixo so mostradas as equaes que utilizadas pelo mtodo de Levenberg-Marquardt aplicadas ao modelo matemtico da curva de V O2 (t). O objetivo do mtodo obter o mnimo valor
para a funo F(x).

F(x) =

1
1
1 m
( fi (x))2 = k f (x)k2 = f (x)T f (x)

2 i=1
2
2

(6.1)

Porm como so identificadas trs fases fisiolgicas distintas (Fases I, II e III) e cada uma
dessas fases pode ser modelada por uma funo exponencial, a funo F(x) definida como sendo
o somatrio ponderado entre as funes f (x) de cada uma das fases, como mostrado a seguir:

F(x) =

F(x)Fase I F(x)Fase II F(x)Fase III

+
+
nFase I
nFase II
nFase III

(6.2)

onde:
nFase I = Nmero de intervalos de tempo medidos entre o incio o exerccio e o fim da fase I.
nFase II = Nmero de intervalos de tempo medidos entre o incio o da fase II e o fim da fase II.
nFase III = Nmero de intervalos de tempo medidos entre o incio o da fase III e o fim do exerccio.

43

 importante mencionar que o primeiro valor de V O2 medido experimentalmente no corresponde ao incio do exerccio t = 0. Dessa forma, nmero total de pontos medidos experimentalmente m corresponde a somatrio do nmero de intervalos de tempo decorridos em cada uma das
fases, como mostrado a seguir.
m = nFase I + nFase II + nFase III

(6.3)

As funes F(x) para cada uma das trs funes exponenciais que caracterizam a curva de
V O2 (t) so definidas como:
F(x)Fase I

1 nFase I
= ( fI i (x))2
2 i=1

(6.4)

F(x)Fase II

1 nFase II
=
( fII i (x))2

2 i=1

(6.5)

F(x)Fase III

1 nFase III
( fIII i (x))2
=

2 i=1

(6.6)

Em cada das fases, a funo f (x) resulta em um vetor, cuja i-sima equivale a diferena entre
o valor medido experimentalmente para V O2i , representado por V O2data i , e o valor de V O2i correspondente, que calculado pela equao exponencial.
Fase I:
fI i = V O2data i (V O2BL + Ac (1 eti /c ))

t < T Dp

(6.7)

Fase II:
fII i = V O2data i (A0c + A p (1 e(ti T Dp)/ p ))

T Dp < t < T Ds

(6.8)

t > T Ds

(6.9)

Fase III:
fIII i = V O2data i (A0p + As (1 e(ti T Ds)/s ))

O mtodo de Levenberg-Marquardt tambm exige o clculo da matriz jacobiana de cada uma

das trs funes exponenciais. Em cada fase, a i-sima linha da matriz jacobiana ser:
Fase I:

JI i =
JI i =

f
V O2BL

f
Ac

1 (1 eti /c )

Fase II:

44

f
c

Ac ti (ti /c )
e
c 2

(6.10)


(6.11)

JII i =
JII i =

(1 e

f
A p

(ti T Dp)
)
c

f
p

(6.12)

Dp) (
Ac (ti T
e
c 2

(ti T Dp)
)
c

(6.13)

Fase III:

JFase III i =
JFase III i =

(1 e

f
As

(ti T Ds)
)
c

f
s

Ds) (
e
A p (ti T
c 2

(6.14)
(ti T Ds)
)
c

(6.15)

Vale a pena observar que as fases II e III possuem matrizes jacobianas com derivadas parciais
identicas, se for feita a coorelao entre A p e As , p e s e por ltimo, T Dp e T Ds.

6.1.2

Diagrama Modular do Programa Computacional

O programa computacional desenvolvido no software Matlab constitudo por 8 arquivos.

Abaixo segue uma breve descrio das operaes feitas em cada um desses arquivos:
1. Arquivo ChamadaFit3expLM.m: Esse arquivo inicia o todo o processo de identificao
dos parmetros, e por isso o arquivo que deve ser compilado pelo Matlab. Uma planilha
eletrnica contm os valores de V O2 medidos experimentalmente e os valores dos seus m
instantes de tempo correspondentes. Por isso, a rotina desse arquivo ChamadaFit3expLM.m
importa os valores de V O2 e t os armazenam em dois vetores de m posies cada, nomeados
respectivamente de V O2 data e tdata . Posteriormente, a rotina chama a funo Fit3ExpLMpositivo,
que ir iniciar o processo de identificao dos parmetros da curva de V O2 (t). Uma das sadas dessa funo ser o vetor R R9 com os valores dos nove parmetros calculados.
2. Arquivo Fit3ExpLMpositivo.m: Esse arquivo define a funo Fit3ExpLMpositivo e possui
como entrada trs vetores: V O2 data , tdata e x0 (um vetor de sete posies com os valores de
chute inicial dado para as variveis: V O2BL , Ac , tauc , Ap, p , As e s ). A sada da funo
formada por dois vetores e uma matriz. O primeiro vetor (x) possui os valores dos nove
parmetros que caracterizam a curva de V O2 (t) (incluindo os instantes de mudana de fase
T Dp e T Ds), e o segundo vetor (k) posssui os valores do nmero de iteraes realizadas
em cada uma das fases ajustadas. A matriz de sada (resnormTotal) possui em cada uma
de suas posies o valor do erro associado ao ajuste feito para uma combinao vlida entre
T Dp e T Ds. Nessa matriz, as colunas fazem referncia ao valor de T Dp e as linhas T Ds,
de forma que a matriz possui os valores do erro do ajuste feito para todas as combinaes
vlidas entre T Dp e T Ds. Para cada uma das combinaes vlidas, feito o ajuste das trs
fases fisiolgicas da curva de V O2 (t). Para a fase I, o ajuste feito atravs da funo LevenbergMarquardtFase1, e para as fases II e III atravs da funo LevenbergMarquardtFase23.
A escolha da combinao entre T Dp e T Ds que resulta no melhor ajuste da curva, feita
atravs da identificao do menor elemento da matriz resnormTotal.
3. Arquivo LevenbergMarquardtFase1.m: Define a funo LevenbergMarquardtFase1 responsvel por fazer o ajuste da fase I. Suas entradas so: a funo da equao exponencial
45

caracterstica da fase I, um vetor com os valores de V O2 data medidos durante o intervalo

considerado como fase I, um vetor com os valores tdata correspondentes, e um vetor de trs
posies x0 com os valores de chute inicial para as variveis V O2BL , Ac e tauc . Suas sadas
so: um vetor R de trs posies com os valores dos trs parmetros ajustados, o nmero
de iteraes, o erro associado ao ajuste, e um vetor com os valores desse erro ao longo do
processo iterativo. A identificao dos parmetros feita atravs do algoritmo do mtodo
de Levenberg-Marquardt, mostrado no captulo de Mnimos Quadrados Aplicado ao Ajuste
de Funes No Lineares. Para o calculo da matriz jacobiana de fI (x) em cada uma das
iteraes do mtodo, utiliza-se a funo myfJacobianaFase1.
4. Arquivo LevenbergMarquardtFase1positivo.m: Caso o parmetro V O2BL calculado para
a fase I pela funo LevenbergMarquardtFase1 assuma um valor negativo, refaz-se o ajuste
fixando o valor de V O2BL em 3.5 [ml/(Kg.min)1 ]. Esse um valor mdio encontrado na
literatura para a taxa de absoro de oxignio no pulmo de uma pessoa enquanto ela est
no repouso. Dessa forma, esse arquivo define a funo LevenbergMarquardtFase1positivo,
responsvel por refazer o ajuste da fase I, assumindo que V O2BL = 3.5. Suas entradas e
sadas so idnticas s da funo LevenbergMarquardtFase1. As nicas diferenas so em
relao ao vetor x0 que contm os valores de chute inicial somente para as variveis Ac e tauc ,
e ao vetor R, que possui somente duas posies (valores dos dois parmetros ajustados).
5. Arquivo LevenbergMarquardtFase23.m: Define a funo LevenbergMarquardtFase23 responsvel por fazer o ajuste das fases II e III. Suas entradas so: a funo da equao exponencial caracterstica da fase II ou III, um vetor com os valores de V O2 data medidos durante
o intervalo considerado como fase II ou III, um vetor com os valores tdata correspondentes,
e um vetor de duas posies x0 com os valores de chute inicial para as variveis A p e tau p ,
na caso de ajuste da fase II, ou para as as variveis As e tau p , na caso de ajuste da fase I. Suas
sadas so: um vetor R de trs posies com os valores dos parmetros ajustados, o nmero
de iteraes feitas para obter-se o ajuste, o erro associado ao ajuste, e os valores desse erro
ao longo do processo iterativo. Para fazer o ajuste a funo utiliza o algoritmo do mtodo
de Levenberg-Marquardt, que foi mostrado no captulo de Mnimos Quadrados Aplicado ao
Ajuste de Funes No Lineares. Para o calculo da matriz jacobiana de fII (x) e fIII (x) em
cada uma das iteraes do mtodo, utiliza-se a funo myfJacobianaFase1.
6. Arquivo myfJacobianaFase1.m: Define a funo myfJacobianaFase1 utilizada para calcular a matriz jacobiana durante o ajuste da fase I.
7. Arquivo myfJacobianaFase1positivo.m: Define a funo myfJacobianaFase1positivo utilizada para calcular a matriz jacobiana durante o ajuste da fase I assumindo que o valor de
V O2BL est fixo em 3.5 [ml/(Kg.min)1 ].
8. Arquivo myfJacobianaFase23.m: Define a funo myfJacobianaFase1 utilizada para calcular a matriz jacobiana durante o ajuste das fases II e III.
Na figura (6.1) mostrado um diagrama simplificado da seqncia de operaes que so excutadas pelo programa.

46

Figura 6.1: Diagrama Modular do Programa Computacional

6.2

Resultados

Esta seo do trabalho contm alguns dos resultados obtidos atravs do programa computacional desenvolvido em Matlab. Os resultados apresentados foram obtidos aplicando os seguintes
valores (recomendados pela literatura) para as constantes utilizadas no processo iterativo do mtodo
de Levenberg-Marquardt:
kmax = 200;
= max {aii };
= 103 ;
= 2;
1 = 1010 ;
2 = 1010 ;
O vetor x0 R7 (chute inicial para os parmetros que caracterizam a curva de V O2 (t)) no foi
definido como um parmetro fixo para todos os pacientes. Algumas de suas posies (x0 2 , x0 3 e
x0 6 ) foram definidas como funo de V O2 data e tdata . Verificou-se, que dessa forma o mtodo de
Levenberg-Marquardt resultava em ajustes com menor erro, quando comparado com os casos
em que x0 foi assumido constante. Por isso, para cada paciente, x0 R7 definido como:

47

x0 =

V O2BL
Ac
c
Ap
p
As
s

3, 5

10(V O2 data 3 V O2 data 1 )

tdata 3
8
30
1, 5(V O2 data m A p (0, 3Ac ) Vo2BL )
2000

(6.16)

Os grficos das figuras (6.2) , (6.3) e (6.4) mostram a curva de V O2 (t) ajustada para trs
pacientes distintos com os seus respectivos valores dos nove parmetros ajustados. Os valores de
V O2 data foram medidos em mililitros de oxignio consumidos por quilograma de massa corporal
por minuto, ou seja, [ml/(Kg.min)], e os valores de tdata medidos em segundos.

Figura 6.2: Paciente 1 - Curva de V O2 (t) ajustada por Levenberg-Marquardt

O grfico da figura (6.5) mostra a curva de V O2 (t) para o qual os valores de V O2 data foram
medidos em litros de oxignio consumidos por minuto. Nesse caso, os parmetros que caracterizam a curva de V O2 (t) no possuem as unidades definidas na captulo 6. Os valores de V O2BL , Ac ,
A p e As esto em [l/(min)], e os de c , p e c em [1/s].
Para evitar que a rotina Matlab demorasse muito tempo para ser compilada, o nmero de combinaes entre T Dp e T Ds avaliadas pelo programa no corresponde ao nmero total de combinaes vlidas (mostradas na figura (5.3)). Somente so avaliadas as combinaes que envolvem
os valores mais provveis de T Dp e de T Ds.
Depois do programa ser compilado algumas vezes em sua fase de teste, observou-se que o
instante T Dp sempre correspondia ao terceito instante de tempo do vetor tdata . Por isso, as combinaes entre T Dp e T Ds avaliadas pela rotina matlab poderiam estar restritas quelas que envolvessem valores de T Dp inferiores dcima posio do vetor tdata .
48

Figura 6.3: Paciente 2 - Curva de V O2 (t) ajustada por Levenberg-Marquardt

Figura 6.4: Paciente 3 - Curva de V O2 (t) ajustada por Levenberg-Marquardt

Tambm se observou que o instante T Ds sempre assumia valore superiores a 200 segundos.
Por isso, outra restrio imposta ao programa avaliar apenas as combinaes entre T Dp e T Ds
que envolvessem valores de T Dp superiores a 200 segundos.

49

Figura 6.5: Paciente 4 - Curva de V O2 (t) ajustada por Levenberg-Marquardt

O esquema da figura (6.6) mostra as combinaes entre T Dp e T Ds avaliadas pelo programa
Matlab impondo restries de que T Dp < tdata 10 e T Ds > 200 segundos.

Figura 6.6: Combinaes entre T Dp e T Ds avaliadas pelo programa Matlab

A figura (6.7) representa a matriz resnormTotal para o paciente 1 (6.2), com os valores do
erro do ajuste para algumas das combinaes vlidas entre T Dp e T Ds. Nos eixos da base esto
representados os instantes de tempo de mudana de fase, e no eixo vertical os erros de ajuste
(calculados pela equao (6.2)).
50

Figura 6.7: Paciente 1 - Erro do Ajuste em funo das combinaes entre T Dp e T Ds

As figuras (6.8), (6.9), (6.10) e (6.11) fazem referncia aos quatro pacientes dos grficos 6.2,
6.3, 6.4 e 6.5. Elas mostram a curva de V O2 (t) gerada com os valores iniciais dos parmetros
contidos em x0 , e a curva final de V O2 (t) obtida com o mtodo de Levenberg-Marquardt.
Deve-se ressaltar que esses grficos poderiam ser construdos para cada uma das combinaes
entre T Dp e T Ds avaliadas pela rotina Matlab. Porm, as figuras (6.8), (6.9), (6.10) e (6.11)
mostram os grficos em relao a dupla de instantes de mudana de fase que resultaram em menor
erro de ajuste.
Observa-se ainda nessas figuras que tanto no incio da fases II quanto da III, o valor de V O2
calculado por x0 coincide com o valor final da fase anterior que calculado atravs dos parmetros
ajustados por Levenberg-Marquardt. Isso devido a condio de continuidade entre as fases
imposta pelos parmetros A0c e A0p .
Outras quatro figuras relevantes a esse trabalho so os grficos (6.12, 6.13, 6.14 e 6.15) do
valor assumido pelo erro de ajuste (F(x)) ao longo do processo iterativo de cada uma das fases
da curva de V O2 (t). Esse erro calculado atravs das equaes (6.4), (6.5) e (6.6). Verifica-se
que para todas as fases, o nmero de iteraes realizadas menor do que 200 (valor definido para
kmax ), e que em poucos passes o erro assume um valor constante.

51

Figura 6.8: Paciente 1 - Comparao entre as curvas de V O2 (t) geradas por x0 e pelos parmetros
calculados por Levenberg-Marquardt

Figura 6.9: Paciente 2 - Comparao entre as curvas de V O2 (t) geradas por x0 e pelos parmetros
calculados por Levenberg-Marquardt

52

Figura 6.10: Paciente 3 - Comparao entre as curvas de V O2 (t) geradas por x0 e pelos parmetros
calculados por Levenberg-Marquardt

Figura 6.11: Paciente 4 - Comparao entre as curvas de V O2 (t) geradas por x0 e pelos parmetros
calculados por Levenberg-Marquardt

53

Figura 6.12: Paciente 1 - F(x) em funo do nmero de iteraes

Figura 6.13: Paciente 2 - F(x) em funo do nmero de iteraes

54

Figura 6.14: Paciente 3 - F(x) em funo do nmero de iteraes

Figura 6.15: Paciente 4 - F(x) em funo do nmero de iteraes

55

Captulo 7
Concluses
Neste trabalho mostrou-se como os parmetros que caracterizam um determinado modelo
matemtico podem ser calculados a partir do mtodo dos mnimos quadrados linear e no linear. Para isso, foram utilizados conceitos da lgebra linear e de mtodos numricos.
A proposta de se criar um programa automtico de clculo dos parmetros que caracterizam a
curva de V O2 (t) foi alcanada. Foi desenvolvida uma rotina Matlab capaz de identificar parmetros pelo mtodo dos mnimos quadrados no linear de Levenberg-Marquardt.
Estudos recentes mostram que pacientes saudveis apresentam valores para os parmetros da
curva de V O2 (t) diferentes dos valores apresentados por pacientes que possuem doenas degenerativas. Dessa forma, a grande motivao desse trabalho foi desenvolver um programa computacional
que atravs do clculo dos valores desses parmetros para pacientes saudveis, possa no futuro, ser
utilizado como ferramenta de auxlio para o diagnstico de vrias doenas.
No programa a curva de V O2 (t) modelada por trs funes exponenciais seqenciais. Cada
uma dessas funes classificada como uma fase fisiolgica distinta: fases I, II e III. Elas representam a resposta do organismo ao aumento do metabolismo energtico. E refletem o ajuste
sistmico que ocorre entre os sistemas respiratrio, cardaco, vascular e muscular, responsveis
pela captao, transporte e utilizao de O2 .
O ajuste matemtico das trs fases exigiu a identificao de nove parmetros (incluindo os instantes de tempo em que h a mudana das fases I para II e II para III). Esse ajuste foi feito de
forma iterativa e produziu resultados muito satisfatrios. O programa desenvolvido disponibiliza
os resultados em forma grfica. Neste trabalho, so mostrados grficos com as curvas ajustadas
para quatro pacientes distintos.
Alm do clculo dos parmetros, atravs da rotina Matlab verificou-se tambm que o mtodo
de Levenberg-Marquardt aps um nmero muito pequeno de iteraes obtm um valor constante
de erro associado ao ajuste. Isso mostra que o mtodo apresenta uma soluo estvel ao problema
de identificao de parmetros.

56

Referncias Bibliogrficas
[1] HUFFEL S., VANDEWALLE J. The Total Least Squares Problem: Computational Aspects and Analysis. Philadelphia: Society for Industrial and Applied Mathematics, 1991.
300p.
[2] LAWSON J., HANSON R. Solving Least Squares Problems. New Jersey: Prentice-Hall,
1974. 340p.
[3] JONES, A., POOLE D. Oxygen Uptake Kinetics in Sport, Exercise and Medicine. Reino
Unido: Routledge, 2005. 403p.
[4] PENNY J., LINDFIELD G. Numerical Methods Using MATLAB. Reino Unido: Ellis Horwood, 1995. 328p.
[5] JUANG J. Applied System Identification. Estados Unidos: Prentice-Hall, 1994. 394p.
[6] TAYLOR J. An Introduction to Error Analysis: The Study of Uncertainties in Physical
Measurements. 2.ed. Califrnia: University Science Books, 1996. 327p.
[7] HENSON, L., POOLE, D., WHIPP B. Fitness as a determinant of oxygen uptake response to
constant-load exercise. European journal of applied physiology and occupational physiology, v. 59, n. 1-2, p. 21-28, set. 1989.
[8] WILLIAMS C., CARTER H., JONES A., DOUST J. H. Oxygen uptake kinetics during treadmill running in boys and men. Journal of Applied Physiology, v. 90, n. 5, p. 1700 1706,
maio 2001.
[9] TANABE Y., TAKAHASHI M., HOSAKA Y., ITO M., ITO E., SUZUKI K. Prolonged Recovery of Cardiac Output After Maximal Exercise in Patients With Chronic Heart Failure.
Journal of the American College of Cardiology, v. 35, n. 5, p. 1228 1236, abril 2000.
[10] BEARDEN S., MOFFATT R. V O2 and heart rate kinetics in cycling: transitions from an
elevated baseline. Journal of the American College of Cardiology, v. 90, n. 6, p. 2081
2087, jun. 2001.
[11] SILVA, A., OLIVEIRA, F. Consumo de oxignio durante o exerccio fsico: aspectos temporais e ajustes de curvas. Revista Brasileira de Cineantropometria & Desempenho Humano, v. 6, n. 2, p. 73 - 82, nov. 2004.
[12] SILVA A., GAGLIARDI J., LOTUFO R., KISS M. Ausncia do componente lento no VO2
em protocolo de rampa. Revista de Educao Fsica, v. 10, n. 3, p. 181-188, set./dez. 2004.

57

[13] AZEVEDO, P. Cintica do Consumo de Oxignio no Domnio Severo: Comparao entre Homens e Mulheres Saudveis e Sedentrios. So Carlos, 2007. 80p. Dissertao de
mestrado (Programa de Ps-Graduao em Cincias Fisiolgicas) - Universidade Federal de
So Carlos.
[14] MOTULSKY H., BROWN R. Detecting outliers when fitting data with nonlinear regression:
a new method based on robust nonlinear regression and the false discovery rate. BMC Bioinformatics, v. 7, n. 123, p. 1-20, mar. 2006.
[15] STRANG G. Linear Algebra and its Applications. 3.ed. Estados Unidos: Harcourt College
Publishers, 1988. 505p.
[16] RUGGIERO M., LOPES V. Clculo Numrico: Aspectos Tericos e Computacionais. So
Pualo: Makron Books, 1997. 406p.
[17] OLVER P. J. Applied Mathematics. Minneapolis: School of Mathematics, University of
Minnesota, 2003. 1059p.
[18] MARQUARDT D. W. An Algorithm for Least-Squares Estimation of Nonlinear Parameters.
Journal of the Society for Industrial and Applied Mathematics, v. 11, n. 2, p. 431 - 441,
jun. 1963. Published by: Society for Industrial and Applied Mathematics.
[19] MADSEN K., NIELSEN H., TINGLEFF O. Methods for Non-Linear Least Squares Problems. 2.ed. Dinamarca: Technical University of Denmark , 2004. 58p.

58