Você está na página 1de 37

GILDSON QUEIROZ DE JESUS

ESTIMATIVA DE PARMETROS EM MODELOS MATEMTICOS


NO LINEARES DE APLICAO EM SISTEMAS BIOLGICOS

Ilhus - Bahia
2003
ii

GILDSON QUEIROZ DE JESUS

ESTIMATIVA DE PARMETROS EM MODELOS MATEMTICOS


NO LINEARES DE APLICAO EM SISTEMAS BIOLGICOS

Monografia apresentada disciplina Seminrio


em Matemtica, como requisito parcial para
obteno do grau de Bacharel em Matemtica.

Orientador: Prof. PhD Evandro Sena Freire

Ilhus - Bahia
2003
iii

GILDSON QUEIROZ DE JESUS

ESTIMATIVA DE PARMETROS EM MODELOS MATEMTICOS


NO LINEARES DE APLICAO EM SISTEMAS BIOLGICOS

Monografia apresentada disciplina Seminrio


em Matemtica, como requisito parcial para
obteno do grau de Bacharel em Matemtica.

Orientador: Prof. PhD Evandro Sena Freire

Ilhus-BA, 24/01/2003

Evandro Sena Freire PhD


UESC
(Orientador)

Jos Carlos Chagas Esp


UESC

Jurema Lindote - MS
UESC
iv

DEDICATRIA

Dedico este trabalho aos meus pais:


Joclia Q. C. de Jesus
Idelberto B. de Jesus
v

AGRADECIMENTOS

A Deus pela fora, graa e misericrdia que vem me dando durante todo este curso de
graduao.
A meus pais pelos vrios incentivos em todo momento, e orientao para trilhar este
caminho.
A todos os professores da UESC, pela dedicao, pacincia e profissionalismo no ensinar
esta cincia to importante que a Matemtica.
Ao Prof. Dr. Evandro Sena Freire, que com sabedoria e pacincia, orientou-me neste
trabalho.
Aos funcionrios do Colegiado de Matemtica, pela pacincia e ajuda nas necessidades do
dia-a-dia.
vi

SUMRIO

Resumo..............................................................................................................................vii

1 INTRODUO.............................................................................................................1

2 MELHOR APROXIMAO......................................................................................3

2.1 Projees Ortogonais em Espaos com Produto Interno.......................................3

2.2 Projees Ortogonais Vistas como Aproximao...................................................8

2.3 Solues de Mnimos Quadrados de Sistemas Lineares.........................................10

2.4 Ajuste Linear de Mnimos Quadrados.....................................................................13

3 ESTIMATIVA DE PARMETROS NO LINEARES............................................19

3.1 Soluo de Sistemas de Equaes No Lineares e Estimativa de Parmetros.....19

4 PROBLEMA DE CRESCIMENTO DO CAULE DE PLANTAS............................21

4.1 Anlise do Crescimento do Caule de Plantas..........................................................21

5 CONCLUSES............................................................................................................23

5.1 Consideraes Finais.................................................................................................23

5.2 Sugestes para Trabalhos Futuros..........................................................................24

6 REFERNCIAS BIBLIOGRFICAS.......................................................................25

7 ANEXOS......................................................................................................................26
vii

ESTIMATIVA DE PARMETROS EM MODELOS MATEMTICOS


NO LINEARES DE APLICAO EM SISTEMAS BIOLGICOS

Autor: Gildson Queiroz de Jesus


Orientador: Prof. PhD Evandro Sena Freire

RESUMO

Em geral, modelos matemticos tm sido usados, na rea biolgica, como um meio para
facilitar o entendimento da complexidade dos processos biolgicos de um modo geral. A
dinmica destes processos pode ser descrita matematicamente usando equaes diferenciais.
Muitos destes processos fundamentais exibem forte relao no-linear entre as variveis
usadas para model-los (Wraith & Or, 1998), portanto, a soluo consiste, via de regra, no uso
de mtodos numricos. O crescimento de plantas, medido atravs do acmulo de biomassa ao
longo do tempo, foi objeto deste estudo, em particular, a estimao de parmetros, a partir de
dados experimentais, pois esta fase do processo de modelagem bastante importante, uma vez
que a no disponibilidade de parmetros confiveis leva a resultados de simulao pouco
realistas.
1 INTRODUO

A dinmica de processos que ocorrem em sistema biolgicos pode ser descrita por
modelos matemticos, que so ferramentas poderosas na soluo de problemas nos diversos
campos do conhecimento tcnico-cientfico. A modelagem matemtica, em si, consiste em
formular problemas de interesse em termos de proposies matemticas bem fundamentadas
que possam espelhar o mundo ao nosso redor da forma mais realstica possvel. importante
que da se possa ganhar conhecimento sobre os fenmenos que ocorrem em um processo ou
conjunto destes e que eventos futuros, relacionados com a situao com que se deseja
modelar, possam ser preditos com a mxima confiabilidade. Entre as diversas fases do
desenvolvimento de modelos, a de estimativa de parmetros, a partir de dados experimentais,
se reveste de grande importncia, pois a no disponibilidade de parmetros confiveis leva a
resultados de simulao pouco realistas e at mesmo inteis.
O objetivo principal deste trabalho decorre da necessidade de se desenvolver uma
metodologia capaz de levar ao entendimento da dinmica de sistemas em geral, pois este
entendimento pode levar otimizao de processos e, consequentemente, a uma
racionalizao do uso de recursos.
Neste trabalho os modelos podem ser representados por equaes diferenciais ou sistemas
com duas ou mais destas equaes. Muitos destes processos fundamentais exibem forte
relao no-linear entre as variveis usadas para model-los (Wraith & Or, 1998), isto se d,
pela complexidade dos fenmenos fsicos que caracteriza o problema a ser trabalhado. As
solues destes consiste, via de regra, em se fazer uso de mtodos numricos, dada a
facilidade encontrada atualmente com a reduo do custo de computadores verificada,
principalmente, nas ltimas trs dcadas. Em anos mais recentes o emprego de modelos, na
rea biolgica, tem aumentado consideravelmente em funo do surgimento de novas tcnicas
tanto experimentais como de simulao. Isto tem ocorrido como um meio de facilitar o
entendimento da complexidade dos processos biolgicos de um modo geral. Entre estes,
encontra-se o de crescimento de plantas, medido atravs do acmulo de biomassa ao longo do
tempo.
Dados experimentais de crescimento do caule de plantas foram usados neste trabalho para
estimar os parmetros do modelo no-linear logstico da equao 1
(Hoffmann & Bradley, 1999).
2

dy k
= ( L - y ) y; t (0) = y 0 (1)
dt L
Onde y o crescimento de uma dimenso caracterstica ao longo do tempo (t), k e L so
parmetros e y0 a condio inicial. No processo de estimao de parmetros, procura-se
ajustar dados experimentais a um modelo com um conjunto de parmetros, usando o critrio
dos quadrados mnimos para se chegar a valores timos dos parmetros. A concordncia entre
as respostas varivel independente e o modelo melhorada variando os parmetros
sistematicamente de forma a minimizar a soma do quadrado dos erros. Para tanto, foi usado o
mtodo de Gauss-Newton, que consiste em linearizar o modelo, empregando a srie de Taylor
truncada logo aps a primeira derivada. Com modelos no-lineares o processo de
minimizao deve prosseguir de forma iterativa, a partir de valores iniciais dos parmetros.
Em cada iterao, a atualizao dos parmetros efetuada de forma a reduzir a discrepncia
entre o modelo e os dados experimentais. Este processo foi implementado no aplicativo
MatLab verso 5.3 SE.
2 MELHOR APROXIMAO
Podemos usar a teoria de Projees Ortogonais em espaos com produto interno para
resolver certos problemas de Aproximao, atravs desta podemos tambm introduzir o
conceito de solues de Mnimos Quadrados de sistemas lineares. Os resultados obtidos neste
captulo tm uma ampla variedade de aplicaes, tanto na Matemtica como na Cincia. Foi
usado como fundamentao dados dos autores Anton, Howard & Rorres, Chris.

2.1 Projees Ortogonais em Espaos com Produto Interno


A teoria de Projees Ortogonais deriva dos estudos de espaos vetoriais com produto
interno, esta diz que considerando W uma reta ou um plano pela origem, podemos escrever
qualquer vetor u do espao como uma soma

u = w 1 + w 2 (1)

onde w 1 est em W e w 2 perpendicular a W, ou seja, w 2 est em W (conjunto de todos os


vetores que so ortogonais a W , chamado complemento ortogonal de W).

Teorema 01 (Teorema da Projeo): Se W um subespao de dimenso finita de um


espao com produto interno V, ento cada vetor u de V pode ser expresso precisamente de
uma nica maneira como

u = w 1 + w 2

onde w 1 est em W e w 2 est em W .

Prova do Teorema 01: A prova tem duas partes. Primeiro ns devemos encontrar vetores
w 1 e w 2 com as propriedades requeridas e depois devemos mostrar que estes so os nicos
tais vetores.
Pelo processo de Gram(1850-1916)-Schmidt(1876-1959) existe uma base ortonormal
{v1 , v 2 , ..., vn } para W. Sejam

w 1 = u, v1 v1 + u, v 2 v 2 + ... + u, v n v n (2)
4

e w 2 = u w1 (3)

decorre que w 1 + w 2 = w 1 + (u w 1 ) = u , e portanto resta mostrar que w 1 est em W e que


w 2 ortogonal a W. Mas w 1 est em W uma combinao linear dos vetores da base de W.

Para mostrar que w 2 ortogonal a W , devemos mostra que w 2 , w = 0 para cada vetor w de

W. Mas qualquer vetor w de W pode ser escrito como uma combinao linear

w1 = u, v1 v1 + u, v 2 v 2 + ... + u, v n v n

dos vetores da base de W. Assim,

w 2 , w = u w 1 , w = u, w w 1 , w (4)

mas
u, w = u, k1v1 + u, k2 v 2 ,..., u, kn v n = k1 u, v1 + k2 u, v 2 + ... + kn u, v n

e, por resultados anteriores temos

w 1, w = u, v1 k1 + u, v 2 k2 + ... + u, v n kn

assim u, w e w, w 1 so iguais, de modo que (4) fornece w 2 , w = 0 , que era o que

queramos mostrar.
Para ver que (1) e (2) so os nicos vetores com as propriedades enunciadas no teorema,
supomos que tambm podemos escrever

u = w '1 + w ' 2 (5)

onde w '1 est em W e w'2 ortogonal a W. Ao subtramos a equao

u = w 1 + w 2

de (5), obtemos
5

0 = ( w'1 w 1 ) + ( w'2 w 2 )

ou

( w'1 w1 ) = ( w'2 w 2 ) (6)

como w 2 e w ' 2 so ortogonais a W, sua diferena tambm ortogonal a W, pois para

qualquer vetor w de W podemos escrever

w, w'2 w 2 = w, w'2 w, w 2 = 0 0 = 0

mas u = w '2 + w 2 tambm um vetor de W, j que por (6) a diferena dos dois vetores w 1 e

w '1 , que esto no subespao W. Assim, w '


2 + w 2 deve ser ortogonal a si mesmo, ou seja,

w'2 w 2 , w'2 w 2 = 0

mas isto implica que w '2 + w 2 = 0 , como v, v 0 e v, v = 0 se, e somente se,

v = 0 . Assim w ' 2 + w 2 e, por (6), w ' 1 = w 1 . C.q.d.

O vetor w 1 chamado projeo ortogonal de u em W e denotado por proj w u . O vetor

w 2 chamado componente de u ortogonal a W e denotado por proj w u . Podemos assim

reescrever (1) da seguinte forma:

u = projwu + projw u

como w 2 = u w 1 , decorre

proj w u = u proj w u
6

(1) tambm pode ser escrita como

u = proj w u + (u proj w u)

A figura 01 representa as projees:


P
u u - projW u

O Q
projW u
W
FIGURA 01

Teorema 02: Seja W um subespao de dimenso finita de um espao com produto interno
V.
(a) Se {v 1 ,v 2 ,...,v n } uma base ortonormal de W e u um vetor qualquer de V, ento

proj w u = u,v 1 v 1 + u,v 2 v 2 +... + u,v n v n

(b) Se {v 1 ,v 2 ,...,v n } uma base ortogonal de W e u um vetor qualquer de V, ento

u,v 1 u,v 2 u,v n


proj w u = 2
+ 2
+ ... + 2
v1 v2 vn

Prova do Teorema 02:


Parte (a): Como {v 1 ,v 2 ,...,v n } uma base de W, podemos escrever qualquer vetor de W
como combinao linear dos vetores da base, logo como projwu eum vetor de W, temos

proj w u = k 1v 1 + k 2 v 2 +... + k n v n

temos que mostrar que k i = u,v i , para i=1,2,...,n.


7

u, v i = k 1v 1 + k 2 v 2 +... + k n v n , v i = k 1 v 1 ,v i + k 1 v 2 ,v i + ... + k n v n ,v i

como {v 1 ,v 2 ,...,v n } uma base ortonormal, temos,

v i ,v i = v i =1 v j ,v i = 0 , i j , da,
2
e

podemos concluir ento que


k i = u,v i e proj w u = u,v 1 v 1 + u,v 2 v 2 +... + u,v n v n .

Parte (b): Como {v 1 ,v 2 ,...,v n } uma base de W, podemos escrever qualquer vetor de W
como combinao linear dos vetores da base, como proj w u eum vetor de W, temos

proj w u = k 1v 1 + k 2 v 2 +... + k n v n

u,v i
temos que mostrar que k i = 2
, para i=1,2,...,n. Sabemos que
vi

u,v i k 1v 1 + k 2 v 2 +... + k n v n , v i v 1 ,v i v 2 ,v i v n ,v i
2
= 2
= k1 2
+ k2 2
+ ... + k n 2
vi vi vi vi vi

como {v 1 ,v 2 ,...,v n } uma base ortogonal, temos,

v i ,v i = v i = 1 e v j ,v i = 0, i j , assim,
2

podemos concluir que

u,v i
2
=k i e
vi
8

u,v 1 u,v 2 u,v n


projwu = 2
v1 + 2
v 2 +... + 2
vn .
v1 v2 vn

2.2 Projees Ortogonais Vistas Como Aproximao


Tomando um ponto P no espao tridimensional usual, e W um plano pela origem, ento
baixando uma perpendicular de P a W obtemos o ponto Q de W mais prximo de P. Portanto
G
se escrevermos u = OP , a distncia entre P e W dada por

JJJK
u projwu , sendo projw u = OQ

Com isso podemos verificar que dentre todos os vetores w de W, o vetor w = projwu

minimiza a distncia u w , como podemos ver na figura 02, abaixo.

P
u u-v

O Q u - projW u
projW u
W
FIGURA 02

Se fixarmos o vetor u e quisermos aproximar por um vetor de W, veremos que qualquer


tal aproximao w produz um vetor erro

uw

o qual, a menos que w esteja em W, no pode ser feito igual a zero.


Podemos fazer o vetor-erro to pequeno quanto possvel, desde que escolhendo
9

w = projwu

podemos fazer o comprimento

u w = u projwu .

Assim conclumos que projwu a melhor aproximao de u por vetores de W.

Teorema 03 (Teorema da Melhor Aproximao): Se W um subespao de dimenso finita


de um espao com produto interno V e se u um vetor de V, ento projwu a melhor

aproximao de u em W, no seguinte sentido:

u proj w u < u w

para cada vetor w em W distinto de projwu .

Prova do Teorema 03: Para cada vetor w de W ns podemos escrever

u w = (u projwu) + ( projwu w ) , (7)

sendo uma diferena de vetores de W, proj w u w est em W e u proj w u ortogonal a W,

de modo que os dois termos direita de (7) so ortogonais. Assim pelo Teorema de Pitagors,

2
uw = u projwu + projwu w ,
2 2

se w proj w u , ento o segundo termo nesta soma positivo e, portanto,

u w > u projwu ,
2 2

ou, equivalentemente,
10

uw > u proj w u . C.q.d.

2.3 Solues de Mnimos Quadrados de Sistemas Lineares


Existem situaes relacionadas a problemas que levam a um sistema Ax = b , onde por
erros de medidas nas entradas de A e de b ocorre uma perturbao no sistema ao ponto de
torn-lo inconsistente. Tais situaes podem ser resolvidas procurando um valor de x que
chegue to perto quanto possvel de ser uma soluo do sistema, no sentido em que
minimiza o valor de Ax b em relao ao produto interno euclidiano.

Considerando x uma soluo aproximada do sistema Ax = b , o valor Ax b pode ser

visto como a medida doerro. Se o sistema consistente e x uma soluo exata, ento o
erro zero, pois Ax b = 0 , quanto maior o valor de Ax b , mais pobre a aproximao

de x de uma soluo do sistema.


Podemos assim caracterizar um problema de Mnimos Quadrados de Sistemas Lineares da
seguinte forma:
Dado um sistema Ax = b de m equaes e n variveis encontre, se possvel, um vetor x que

minimiza Ax b em relao ao produto interno euclidiana de R . Um tal vetor chamado


n

uma soluo de Mnimos Quadrados de Ax = b .


Para resolver o problema de mnimos quadrados, seja W o espao-coluna de A.Para cada
matriz x de tamanho n x 1, o produto Ax uma combinao linear dos vetores-coluna de A..
Assim, medida que x varia sobre R n , o vetor Ax varia sobre todas as possveis combinaes
lineares dos vetores-coluna de A, ou seja, Ax varia sobre todo o espao-coluna W. Resolver o
problema de mnimos quadrados de uma forma geometrica, significa encontrar um vetor x
de R n tal que Ax o vetor em W mais prximo de b.
Decorre do Teorema da Melhor Aproximao, que o vetor em W mais proximo de b a
projeo ortogonal de b em W. Assim, para um vetor x ser uma soluo de mnimos
quadrados de Ax = b , este vetor deve satisfazer

Ax = projwb . (8)
11

Ns poderamos tentar encontrar solues de mnimos quadrados de Ax = b primeiro


calculando o vetor projwb e depois resolvendo (8). No entanto, existe uma abordagem

melhor, esta decorre do Teorema da Projeo e da frmula u = projw u + (u projwu) que

b Ax = b projwb

ortogonal a W . Como W espao-coluna de A (ou espao-linha de AT ), segue do resultado


que se A uma matriz m x n, ento o espao-nulo de AT e o espao-coluna de A (ou espao-
linha de AT ) so complementos ortogonais em R m com relao ao produto interno
euclidiano,isto , temos que mostrar que o conjunto de todos os vetores do espao nulo de
AT so ortogonais ao espao-coluna de A (ou espao-linha de AT ). Para fazer isto, ns
precisamos mostrar que se um vetor v ortogonal a cada vetor do espao-linha de AT , ento
AT v = 0 e, reciprocamente, se AT v = 0 , ento v ortogonal a cada vetor do espao-linha de
AT . Suponha primeiro que v ortogonal a cada vetor do espao-linha de AT . Ento, em
particular, v ortogonal aos vetores-linha r1 , r2 ,..., rn de AT , ou seja,

r1 .v = r2 .v = ... = rn .v = 0 , (9)

o sistema AT v = 0 pode ser escrito com notao de produto escalar como

r1 .x 0
r .x 0
2
= , (10)


r.x 0

e, portanto, segue de (9) que v uma soluo do sistema e, consequentemente, pertence ao
espao-nulo de AT . Reciprocamente, suponha que v um vetor no espao-nulo de AT , ou
seja, que AT v = 0 . Segue de (10) que

r1 .v = r2 .v = ... = rn .v = 0 ,
12

agora se r um vetor qualquer do espao-linha de AT , ento r pode ser escrito como uma
combinao linear de vetores-linha de AT , isto ,

r =1 r1 + 2 r2 + ... + r ,

assim,
r.v =1 r1 .v + 2 r2 .v + ... + r.v , ou seja,

r.v = 0 + 0 + ... + 0 = 0 ,

provando que v ortogonal a cada vetor do espao-linha de AT .


Assim, conclumos que b Ax est no espao nulo de AT . Desse modo uma soluo de
mnimos quadrados de Ax = b deve satisfazer

AT (b Ax) = 0 ,

ou, equivalentemente,

AT Ax = AT b .

Este sistema chamado sistema normal associado a Ax = b e as equaes que o compem


so chamadas equaes normais associadas a Ax = b . Assim, o problema de encontrar uma
soluo de mnimos quadrados foi reduzido a encontrar uma soluo exata do sistema normal
associado.
Podemos notar as seguintes observaes sobre o sistema normal:

1) O sistema normal envolve n equaes n variveis;

2) O sistema normal consistente, pois satisfeito por uma soluo de mnimos quadrados
de Ax = b ;

3) O sistema normal pode ter infinitas solues, caso em que todas suas solues so de
mnimos quadrados de Ax = b .
13

A partir destas observaes e da frmula (8) obtemos o seguintes teoremas.

Teorema 04: Para qualquer sistema linear Ax = b , o sistema normal associado

AT Ax = AT b
consistente e todas solues do sistema normal so solues de mnimos quadrados de
Ax = b . Alm disto, se W o espao-coluna de A e x qualquer soluo de mnimos
quadrados de Ax = b , ento a projeo ortogonal de b em W

projwb = Ax .

Teorema 05: Se A uma matriz m n com vetores-colunas linearmente independentes,


ento para cada matriz b de tamanho n 1 , o sistema linear Ax = b tem uma nica soluo de
mnimos quadrados. Esta soluo dada por

x = AT b( AT A) 1 ,

alm disto, se W o espao-coluna de A, ento a projeo ortogonal de b em W

projwb = Ax = A( AT A) 1 AT b .

2.4 Ajuste Linear de Mnimos Quadrados


Vamos usar os resultados obtidos no estudo sobre projees ortogonais em espaos com
produto interno para obter uma tcnica para ajustar uma curva a um conjunto de pontos no
plano que foram determinados experimentalmente.
Eum problema comum no trabalho experimental obter uma relao matemtica entre
duas variveis x e y atravs do ajuste de uma curva aos pontos no plano que correspondem
aos vrios valores de x e y determinados experimentalmente, digamos

( x1, y1), ( x 2 , y 2 ),..., ( x n , y n ).


14

Na base de consideraes tericas e simplesmente pelo padro apresentado pelos pontos,


fica decidido a forma geral da curva a ser ajustada, que pode ser uma reta, uma exponencial,
um polinmio quadrtico ou cbico.
Como os pontos so obtidos experimentalmente, geralmente temos algum erro de
medio nos dados, tornando impossvel encontrar uma curva na forma desejada que passe
por todos os pontos. Assim a idia escolher uma curva que melhor ajusta os dados.
Consideremos, a reta y = ax + b , para ajust-la aos pontos
( x1 , y1 ), ( x 2 , y 2 ),..., ( x n , y n )

determinados experimentalmente. Se estes dados fossem colineares, a reta passaria por todos
os n pontos e ento os coeficientes a e b desconhecidos satisfariam

y1= a + bx1
y 2 = a + bx2
,
#
y n = a + bxn

podemos escrever este sistema na forma matricial como

1 x1 y1
1
x 2
a y 2
# # b = # ,


1 xn yn

ou, mais compactamente, como

Mv = y (11)
onde
y1 1 x 1
y 1 x
a
y = 2 , M = 2
, v= . (12)
# # # b

yn 1 x n
15

Se os pontos de dados no so colineares, impossvel encontrar coeficientes a e b que


satisfaam o sistema (11) exatamente, ou seja , o sistema inconsistente. Neste caso ns
vamos procurar uma soluo de mnimos quadrados

a *
v = v* = * .
b

Uma reta y = a* + b* x chamada uma reta de regresso dos dados ou um ajuste linear de
mnimos quadrados aos dados se os coeficientes da reta provm de uma soluo de mnimos
quadrados. Para explicar esta terminologia, lembre que uma soluo de mnimos quadrados de
(11) minimiza

y Mv . (13)

Quando expressarmos o quadrado de (13) em termos de componentes, obteremos

y Mv = ( y1a bx1) 2 + ( y 2 a bx 2 ) 2 + ... + ( y n a bx n ) 2 ,


2
(14)

agora, escrevendo

d 1= y1 a bx1 , d 2= y2 a bx2 , ..., d n= yn a bxn ,

podemos reescrever (14) como

y Mv = d1 + d 2 + ... + d n .
2 2 2 2
(15)

Os valores de d i , podem ser interpretados como a distncia vertical entre a reta

y = ax + b e os pontos de dados ( x i , y i ) . Esta distncia uma medida do erro que resulta no

ponto ( x i , y i ) do ajuste inexato de y = ax + b a este ponto dos dados. Como (13) e (15) so

minimizados pelo mesmo vetor v* , o ajuste linear de mnimos quadrados minimiza a soma
dos quadrados destes erros.
16

Pelo teorema 04, a soluo de mnimos quadrados de (11) pode ser obtida resolvendo o
sistema normal associado

M T Mv = M T y

cujas equaes so chamadas as equaes normais.


Neste caso, segue pelo teorema 05 que a soluo de mnimos quadrados nica e dada
por

v * = ( M T M ) 1 M T y .

Resumindo, o que foi visto acima, temos o seguinte teorema.

Teorema 06 (Soluo de Mnimos Quadrados): Seja ( x1 , y1 ), ( x 2 , y 2 ),..., ( x n , y n ) um

conjunto de dois ou mais pontos de dados, no todos em uma reta vertical, e sejam

1 x1 y1
1
x2 y
M = e y = 2 . (16)
# # #

1 xn yn

Ento existe um nico ajuste linear de mnimos quadrados

y = a * + b* x

aos pontos de dados. Alm disto,

a*
v = *
*

dada pela frmula


17

v * = ( M T M ) 1 M T y

que expressa a unicidade das soluo v = v * da equao normal

M T Mv = M T y .

Exemplo: Ajustando uma Curva Linear a Dados

Para estudar o nmero de mortes infantis por nativos nos Estados


Unidos, um pesquisador mdico obteve os dados abaixo. (Fonte:
Department of Health and Human Services.)

Ano 1950 1960 1970 1980 1988 1991


Mortes 29.2 26.0 20.0 12.6 10.0 9.0

Estabelea a reta de ajuste linear de mnimos quadrados para os dados,


considerando 1970 por t = 0 .

Soluo:
O problema matemtico ajustar a curva linear

s = a 0 +a 1t (17)

aos seis pontos de dados:

(-20;29.2), (-10; 26.0), (0;20), (10;12.6 ), (18; 10.0), (21,9.0)

com os ajustes apropriados na notao, as matrizes M e y em (16) so


18

1 x1 1 20 s1 29, 2
1 x2 1 10 s 26.0
2
1 x3 1 0 s3 20.0
M = = , y = =
1 x4 1 10 s
4 12.6
1 x5 1 18 s5 10.0

1 x6 1 21 s6 9.0

a0* 19.4
v = * = ( M T M ) 1 M T y
*

a1 0.51
por (17) ns temos:

s = 19.4t 0.51

Representao grfica do problema

No de mortes

Tempo (ano)

GRFICO 01
19

3 ESTIMATIVA DE PARMETROS NO-LINEARES

A estimativa de parmetros em modelos matematicos no lineares, uma fase relevante


do desenvolvimento de modelos, que consiste no uso de vrios mtodos numricos e de
linearizao, que so resolvidos de forma iterativa para a determinao dos parmetros timos
do modelo, para que se tenha uma simulao mais realstica possvel.

3.1 Soluo de Sistemas de Equaes No-Lineares e Estimativa de Parmetros


As equaes diferenciais apresentam caractersticas no-lineares com relao aos
parmetro. A determinao dos parmetros feita iterativamente, usando o mtodo de Gauss-
Newton. Este mtodo consiste em linearizar o modelo no-linear usando a srie de Taylor
truncada logo aps a primeira derivada (Beck & Arnold, 1977).

Tem-se, em geral, uma srie de dados medidos para varivel dependente y i para valores

correspondentes da varivel independente x i para um modelo geral dado pela equao

y i = f ( x i , a1,a 2 ,...,a m ) +ei , a qual no linear com relao aos parmetros a' s .

Expanso de Taylor truncada do modelo no-linear, em torno dos parmetros dada por

f ( x i ) j f ( x i ) j f ( x i ) j
f ( x i ) j +1 = f ( x i ) j + a i + a 2 +... + a m ,
a i a 2 a m

onde j uma tentativa inicial para os parmetros e j+1 uma estimativa e a k = a k , j +1a k , j .

Desta maneira, obtm-se a forma linearizada do modelo original com relao aos parmetros,
qual dado por

f ( x i ) j f ( x i ) j f ( x i ) j
y i , j +1 f ( x i ) j = f ( x i ) j + a i + a 2 +... + a m +ei .
a i a 2 a m

Esta equao pode ser expressa na forma matricial como

{D} = [Z j ]{a} + {E},


20

[ ]
onde Z j a matriz das derivadas parciais da funo dada com relao aos parmetros

calculada ou avaliada para as tentativas iniciais para os parmetros.

f 1 f 1 f 1
a ...
a 2 a m y1 f ( x1) a1
1
f 2 f 2 f 2 y f ( x ) a
[Z ]
j = a1 a 2
...
a m {D} = 2
#
2


{a} = 2
#
# # #

f n f n f n y 2 f ( x n ) a m
...
a1 a 2 a m

Usando a teoria dos Mnimos Quadrados desenvolvida anteriormente, obtm-se o seguinte


sistemas de equaes normais

{E} = Z j {A} {D}

{E} = 0 = Z j ( Z {A} {D})


T T
Z j j

Z j Z j {A} Z j { D} = 0
T T

Z T Z {A} = Z T { D} ,
j j j

o qual deve ser resolvido para {A} para computao de valores melhorados dos parmetros

{a i }j +1 ={a i }j +{a}. Este procedimento repetido (iterado) at que a soluo convirja, isto ,
at que o erro entre duas iteraes sucessivas caia dentro de uma faixa aceitvel. Este pode ser
computado usando a seguinte frmula

a k , j +1 a k , j
ea k = 100%.
a k , j +1

As derivadas parciais podem ser aproximadas por equaes de diferenas finitas

f 1 f ( x1;a1,a 2 ,...,a k + h,...,a m ) f ( x1,a1,a 2 ,...,a k ,...,a m )


= ,
a k h
onde h um incremento preestabelecido para os parmetros.
4 PROBLEMA DO CESCIMENTO DO CAULE DE PLANTAS

Para anlise do crescimento do caule de plantas, foram usados dados experimentais


colhidos na internet, o modelo no-linear logistico na forma de uma equao diferencial
ordinria e o processo de estimativa de parmetros descrito no captulo anterior.

4.1 Anlise do Crescimento do Caule de Plantas


Foram usados o modelo no-linear logstico, na forma de equao diferencial ordinria e
condio inicial, da equao (1) (Hoffmann & Bradley, 1999), abaixo, e dados experimentais
de crescimento do caule de plantas para estimativa dos parmetros do modelo. Os dados
experimentais foram colhidos na Internet, os quais so para valores das variaveis
independente x (0; 0,5; 1,0; 1,5; 2,0; 2,5; 3,0; 3,5; 4,0; 4,5; 5,0) e para valores da variavel
dependente y medidos para os correspondentes valores de x, (1,1; 1,4; 2,1; 2,5; 3,4; 3,5; 4,3;
4,2; 4,9; 4,5; 5,1; 4,7; 5,2).

dN K
= (L N )N ; t ( 0) = y 0 (1)
dt L

onde y representa crescimento de uma dimenso caracterstica ao longo do tempo (t), k e L


so parmetros do modelo e y 0 a condio inicial, no tempo t = 0. No processo de

estimativa de parmetros, procura-se ajustar os dados experimentais a um modelo com um


conjunto de parmetros. Para isso usamos o sistema de equaes normais do mtodo de
Gauss-Newton derivado acima, o qual dado na forma matricial por

[[Z ] [Z ]]{a} = [Z ] {D}


j
T
j j
T
(2)

f
onde: a o vetor parametrizao, [Z ] = a matriz das derivadas parciais da funo
a
dada com relao a cada parmetro, {D} = [ y f ( x, a )] a matriz da variao da funo, {a}
o vetor da variao dos parmetros. Como os parmetros so estimados diretamente da
equao diferencial, as derivadas parciais de f, com relao aos parmetros, foram estimados
numericamente, usando o mtodo das diferenas finitas centrais (Press et al., 1992).
22

Este sistema normal pode ser solucionado para o vetor {A}, assumindo que existe a inversa
1
da matriz Z j Z j .
T

1
{A} = Z j Z j Z j { D}
T T

(3)

Para determinar os valores timos dos parmetros usou-se o mtodo dos mnimos
quadrados, a concordncia entre as respostas varivel independente e o modelo melhorada
variando os parmetros sistematicamente de forma a otimizar a funo objetivo da equao
(4), que define o ajuste do modelo pela aproximao do seu mnimo global em relao ao
vetor a ,

2
n
y f ( xi , a)
(a) = i
2
. (4)
i =1 i

Com modelos no-lineares o processo de minimizao deve prosseguir de forma iterativa,


a partir de valores iniciais a 0 para os parmetros. Em cada iterao, a atualizao dos

parmetros efetuada de forma a reduzir a discrepncia entre o modelo e os dados


experimentais.
A soluo de (3) para {a} , vetor de variao nos parmetros, foi implementado no
aplicativo MatLab verso 5.3 SE, as linhas de programao esto em anexos. A correo dos
parmetros a foi feita usando a equao

{a}j +1 ={a}j +{a}.


5 CONCLUSES

5.1 Consideraes finais


O processo de Estimativa de Parmetros, como vimos, construdo usando vrios
mtodos de aproximao que vo desde a linearizao do modelo at a sua soluo numrica,
para que os dados simulados se aproximem ao mximo dos dados experimentais.
Com certeza, esta fase do desenvolvimento de modelos indispensvel, visto a complexidade
dos fenmenos de diversas natureza e a no disponibilidade de parmetros confiveis.
No final do processo, os valores dos parmetros L, K, y0 do modelo da equao (1), do
primeiro captulo, estimados foram 5,0735, 0,9285 e 1,0580, respectivamente, para valores
iniciais do mesmo 8,0, 2,0 e 2,0 utilizados para iniciar o processo iterativo, conforme grfico
02, abaixo. A soma dos quadrados estabilizou em torno de um valor considerado factvel de
0,5002, o qual foi atingido aps cinco iteraes, conforme grfico 03, abaixo. O erro mximo
verificado para os parmetros entre as duas ltimas iteraes do processo de convergncia foi
de 8,286 X 10-5 .

70 8
60
6
Parmetro

50
40 L
SQ

4
30 k
20
10
2 y0
0 0
0 1 2 3 4 5
0 1 2 3 4 5
Iterao
Iterao

GRFICO 02 GRFICO 03
24

5.2 Sugestes para trabalhos futuros


Os resultados obtidos neste trabalho mostraram um bom nvel de concordncia entre os
dados experimentais e simulados com o modelo ajustado, como podemos observar no grfico
04, abaixo. Tal observao leva a concluir que o modelo ajustado aos dados experimentais
pode ser usado com segurana para situaes similares, onde o modelo ajustado pode ser
aplicado.

6
Dimenso caracterstica

0
0 1 2 3 4 5 6 7
Tempo

GRFICO 04
6 REFERNCIAS BIBLIOGRFICAS

Anton, H.; Rorres, C. lgebra Linear com Aplicaes (8 Edio). Bookman, Porto Alegre,
2001.

Anton, H. Clculo, um novo horizonte (6 Edio). Bookman, Porto Alegre, 2000.

Boyce, William E., Equaes Diferenciais Elementares e Problemas de Valores de Contorno.


Guanabara Koogan.

Hoffmann, L. D.; Bradley, G. L. Clculo, Um Curso Moderno e Suas Aplicaes (6


Edio). LTC Livros Tcnicos e Cientficos Editora S.A., Rio de Janeiro, 1999.

Cliffs, E. The Student Edition of MatLab. The Math Works, Inc., New Jersey, 1992.

Swokowski, E. W. Clculo com geometria analtica (2 Edio). Makron Books, So Paulo,


1994.

Beck, J.V.; Arnold, K.J. Parameter Estimation in Engineering and Science. John Wiley &
Sons, 1977.

Press, W.H.; Teukolsky, S.A; Vetterling, W.T.; Flannery, B.P. Numerical Recipes in
FORTRAN: The art of scientific computing. Cambridge University Press, 1992.

Wraith, J.M.; Or, D. Nonlinear parameter estimation using spreadsheet software.


Journal of Natural Resources 27: 13-19, 1998.
7 ANEXO

PROGRAMA MATLAB

% Soluo de sistemas de equaes no lineares para


% estimativa de parmetros
% Mtodo de Newton, usando equao diferencial e soluo
% numrica

% Valores da varivel independente t


t = [0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0];
% Valores da varivel dependente y medidos para os
% correspondentes valores de t
y = [1.1 1.4 2.1 2.5 3.4 3.5 4.3 4.2 4.9 4.5 5.1 4.7 5.2];

erro_adm = 0.001; % erro mximo adimissvel para os


% parametros entre duas iteracoes sucessivas
erro_max = 100; % valor inicial do erro mximo
% adimissvel
conta = 1;

% Valores iniciais dos parmetros L, k & y0


A = [8.0; 2.0; 2.0];
A_i = A;

disp(' Valores iniciais dos parmetros')


disp(' L k y0')
disp(A_i')

hh = 0.0001;

while erro_max > erro_adm


disp(' Valores prvios dos parmetros')
disp(' L k y0')
disp(A')
27

% Matriz F dos valores de y_est para os valores


% iniciais dos parmetros
L = A(1,1); k = A(2,1); t0 = t(1); y0 = A(3,1);
m = size(t,2); t_max = t(m); h = 0.05;

% solucao numrica
y_est = euler_melhorado(L,k,t0,y0,t_max,h);

% Matriz Z das derivadas parciais aproximadas por


% diferenas finitas

z_a1 = euler_melhorado(L+hh/2,k,t0,y0,t_max,h);
% solucao numrica
z_a2 = euler_melhorado(L-hh/2,k,t0,y0,t_max,h);

z_a1 = z_a1(:,2); z_a2 = z_a2(:,2);


z1 = (z_a1 - z_a2) / hh;

z_b1 = euler_melhorado(L,k+hh/2,t0,y0,t_max,h);
z_b2 = euler_melhorado(L,k-hh/2,t0,y0,t_max,h);

z_b1 = z_b1(:,2); z_b2 = z_b2(:,2);


z2 = (z_b1 - z_b2) / hh;

z_c1 = euler_melhorado(L,k,t0,y0+hh/2,t_max,h);
z_c2 = euler_melhorado(L,k,t0,y0-hh/2,t_max,h);

z_c1 = z_c1(:,2); z_c2 = z_c2(:,2);


z3 = (z_c1 - z_c2) / hh;

ii = 1; n = size(y_est,1);
for j = 1:n
for i = 1:m
if y_est(j,1) == t(i)
28

% Matriz D das diferenas entre y e y_est


D0(ii) = y(i) - y_est(j,2);
est(ii) = y_est(j,2);
Z1(ii) = z1(j);
Z2(ii) = z2(j);
Z3(ii) = z3(j);
ii = ii + 1;
end % if
end % for i
end % for j
Matriz = [t' est' y' abs(D0)'];
Z0 = [Z1' Z2' Z3'];

% Obteno das equaes normais do mtodo dos


% quadrados mnimos
N0 = Z0'*Z0;
M0 = Z0'*D0';

% Soluo do problema para obteno dos valores da


% correo dos parmetros
Delta = inv(N0)*M0;

% Valores aprimorados dos parmetros do modelo


% original
disp(' Valores aprimorados dos parmetros')
disp(' L k y0')
A0 = A;
A = A + Delta;
disp(A')

% Clculo das discrepncias entre as duas ltimas


% iteraes
Erro = abs(A - A0);
29

% Erro percentual entre as duas ltimas iteraes


disp(' Erro as duas ltimas iteraes')
disp(' L k y0')
disp(Erro')
% Soma de quadrados para os valores dos parmetros
disp(' Soma de quadrados para os parmetros')

SQ(conta) = sum(D0.^2);
disp(SQ(conta))
contagem(conta) = conta;

% Erro maximo para os parametros entre duas iteracoes


% sucessivas
erro_max = max(Erro)

conta = conta + 1; % incrementa contador


end % while
% Matriz de comparao entre dados medidos e simulados
disp(' Matriz de comparao de dados exp. e simulados')
disp(' Tempo y_exp y_est Erro')
disp(Matriz)
disp(' Valores iniciais dos parmetros')
disp(' L k y0')
disp(A_i')
disp(' Valores finais dos parmetros')
disp(' L k y0')
disp(A')
disp(' Erro percentual entre as duas ltimas iteraes')
disp(' L k y0')
disp(Erro')
disp(' Soma de quadrados para os valores dos parmetros')
disp(' Iteracao Soma de quadrados')

sqq = [contagem' SQ'];


30

disp(sqq)

function [x] = euler_melhorado(L,k,t0,y0,t_max,h)


% Solucao numerica do modelo logistico - Metodo de Euler
% Melhorado
% Modelo logistico: dy/dt = k(1 - y/L)y
% para os parametros L & k

% Condicao inicial: (t0,y0)


% Incremento no tempo: h
% Duracao do porcesso de simulacao: t_max
% USO: x = logistic_num(L,k,t0,y0,t_max,h)

% Condicao inicial
y(1) = y0;

% Implementacao do metodo de Euler Melhorado


t = t0:h:t_max; n = size(t,2);
for i = 2:n
a = k * (1 - y(i-1) / L) * y(i-1) * h;
y_star(i) = y(i-1) + a;
b = k * (1.0 - y_star(i) / L) * y_star(i) * h;
y(i) = y(i-1) + (a + b) / 2.0;
end % for

erro = abs(y_star' - y');


x = [t' y'];