6 AJUSTE DE CURVAS POR MÍNIMOS QUADRADOS

6.1 Introdução

O ajuste de curvas é muito utilizado para, a partir de dados conhecidos, fazerem-se

extrapolações. Por exemplo, conhecem-se os dados de consumo anual de carga elétrica de
uma cidade. A partir destes dados conhecidos, podem-se fazer projeções para o futuro e
com isso, fazer-se um planejamento para que a cidade seja suprida de forma adequada nos
anos subsequentes. A idéia é ajustar uma curva que melhor se ajusta aos dados disponíveis.
Conhecida a equação da curva, podem-se determinar valores fora do intervalo conhecido.
Os dados conhecidos podem ser tabelados e obtidos por meio de experimentos.
Como exemplo, sejam os dados da Tabela 1.

Tabela 1 – Pontos a serem ajustados

x 1,3 3,4 5,1 6,8 8,0
f (x ) 2,0 5,2 3,8 6,1 5,8

A partir dos dados disponíveis, pode-se desejar saber uma estimativa do valor da função
f (x ) em x = 9 . Porém, pode-se construir um diagrama de dispersão, que é a representação
em gráfico dos dados disponíveis.

10
f(x)
9

1
x
0Figura 1 – Representação dos pontos da tabela 1
0 1 2 3 4 5 6 7 8 9 10
 O objetivo é encontrar uma função ϕ (x ) que seja uma boa aproximação para os
valores tabelados de f (x ) e que nos permita extrapolar com certa margem de segurança.

6.2 Formulação Matemática

Definição: A aproximação por mínimos quadrados consiste em encontrar a função que

“melhor ajusta”, ao conjunto de pontos, minimizando o erro restante do ajustamento, ou
seja, pretende-se minimizar a soma dos quadrados das diferenças entre os valores tabelados
e os valores obtidos pela aproximação. O método dos mínimos quadrados consiste em:

• Ajuste Linear;
• Ajuste quadrático.

De modo geral consideramos as variáveis ou grandezas x e y que definem

fenômenos a analisar, sujeitas a um conjunto de n medidas ou experimentos.

A = {( x1 , y1 ) , ( x2 , y2 ) ;...; ( xn , yn )} (1.1)

Conjunto A formado por pares ordenados. Seja a função f : R k +1 → R ,

y ( x ) = f ( x; α1 , α 2 ,..., α n ) , onde α1 , α 2 ,..., α n são parâmetros desconhecidos.

A relação que existe entre a variável independente x e y e dada através da

função f , que depende do x e aparecem k parâmetros, que irão caracterizar a forma da
função f são parâmetros desconhecidos. O processo é encontrar esses parâmetros que irá
dar origem a poder encontrar f :
O método dos mínimos quadrados consiste em determinar esses parâmetros de
modo que minimize o valor de:
n
2
S (α1 , α 2 ,..., α k ) = ∑  F ( x; α1 , α 2 ,..., α n ) yi  (1.2)
i =1
 A função S que depende de k parâmetros. O método consiste em minimizar a
soma dos quadrados de:
ε i = F ( x;α1 , α 2 ,..., α n ) − yi (1.3)

entre os diversos valores de yi observados e os valores ajustados

y ( xi ) = F ( x;α1 , α 2 ,..., α n ) . Os valores yi são chamados desvios ou erros do processo de

aproximação. Os erros são a diferença que existe de cada ponto ao valor da função f curva
queremos considerar a menor distância de cada pontinho para o ponto da curva, e fazendo a
soma de todas as distâncias, estaremos minimizando o erro.
Seja o diagrama de dispersão anterior. A partir de uma análise do diagrama de
dispersão deve-se definir uma curva para ser ajustada aos dados. No caso, ajusta-se os
dados por uma reta dada pela função ϕ ( x) = α 1 + α 2 x .

10
f (x)
9

8
f i (x)=alfa1+(alfa2)x
7

1
x
0
0 1 2 3 4 5 6 7 8 9 10

Ajuste Linear

Suponhamos que as grandezas x e y , cujas medidas são dadas por Eq. (1.2) se
relacionam linearmente. O ajuste linear é definido pela equação da reta:
 y ( x ) = F ( x; a, b ) = ax + b (1.4)

É denominado linear, se a função f : R 3 → R. Devido os erros de medida, os

valores ( xi , yi ) não necessariamente satisfazem exatamente à Eq. (1.4), isto é:

yi ≅ axi + b (1.5)
Para que a expressão se torne uma igualdade devemos levar em conta os erros
ou desvios ( ε ) cometidos na medida. Assim:

yi = axi + b + ε i (1.6)

Portanto, ε i também depende de a e b : porque a função f depende de a e

b:
ε i ( a, b ) = yi − ( axi + b ) (1.7)

A soma dos quadrados dos desvios é dado por:

n 2

S ( a , b ) = ∑ [ yi − axi − b ] (1.8)
i =1

Aplicando o método dos mínimos quadrados, temos que os melhores para a

e b e, portanto a melhor reta são aquelas que minimizam S ( a , b ) .

Uma solução é encontrar a e b , tais que F ( a , b ) seja mínimo. Minimizando

F ( a , b ) , está-se minimizando os desvios quadráticos. Em função deste procedimento, é

que se adota o nome de ajuste de curvas por mínimos quadrados.

A condição necessária para que F ( a , b ) seja um mínimo de F ( a, b ) é que as

derivadas parciais de F ( a, b ) em relação a a e b sejam zero.

Como se S ( a, b ) é a função de duas quantidades a e b tem-se:

 n 2

S ( a, b ) = ∑  yi − ( axi + b )  (1.9)
i =1

Escrevemos essas condições necessárias de mínimo como:

∂S ∂S
=0 e =0 (1.10)
∂a ∂b

Ou seja, são conhecidos para que aconteça o mínimo:

n
∂S
= −2∑ ( xi yi − axi2 − bxi ) = 0, (1.11)
∂a i =1

n
∂S
= −2∑ ( yi − axi − b ) = 0, (1.12)
∂b i =1

Podemos resolver as Eqs. (1.11) e (1.12) por Cramer para obter a e b .

 n  n   n 
 ∑ x i  ∑ y i  − n  ∑ xi yi 
a =  i =1   i =1 2   i =1  (1.13)
 n
  n
2
 ∑ xi  − n  ∑ xi 
 i =1   i =1 

 n   n   n 2  n 


∑
i =1
xi yi   ∑ xi  −  ∑ xi   ∑ yi 
  i =1   i =1   i =1 
b= 2
(1.14)
 n   n 2
∑ i  x − n  ∑ xi 
 i =1   i =1 

Ou rearranjando as Eqs.(1.11) e (1.12) chega-se:

 m m m

 ∑
 k =1
y k − ∑
k =1
b − ∑
k =1
axk = 0
m m m
(1.15)
 y x − bx − ax 2 = 0
 ∑
k =1
k k ∑k =1
k ∑
k =1
k

Isolando as variáveis dos termos constantes, tem-se:

  m  m



mb +  ∑
 k =1
x )
k 

a = ∑
k =1
yk
 m (1.16)
 x  b +  x 2  a = x y
m m

∑
 k =1 k   ∑
 k =1
k 

∑
k =1
k k

Observe que resulta num sistema de equações lineares. Essas equações são
conhecidas como equações normais. A solução das equações normais, F ( a , b ) apresenta

seu menor valor. Solucionando para os valores numéricos do exemplo da Tabela 1, tem-se:

∑x
k =1
k = 1,3 + 3,4 + 5,1 + 6,8 + 8,0 = 24,6
5

∑ f (x
k =1
k ) = 2,0 + 5,2 + 3,8 + 6,1 + 5,8 = 22,9
5

∑ (x
k =1
k ) 2 = (1,3) 2 + (3,4) 2 + (5,1) 2 + (6,8) 2 + (8,0) 2 = 149,5
5

∑x
k =1
k f ( x k ) = (1,3) ⋅ (2,0) + (3,4) ⋅ (5,2) + (5,1) ⋅ (3,8) + (6,8) ⋅ (6,1) + (8,0) ⋅ (5,8) = 127,54

Substituindo na equação normal, tem-se:

 5 24,6   b   22,9 
 24,6 149,5  a  = 127,54 
    
 T T
A solução deste sistema linear resulta em: xsolução = [ a , b ] = [ 2,01 0,522] . A

reta que melhor aproxima f ( x ) pelo método dos mínimos quadrados é dada por:

f ( x ) = 2,01 + 0,522 x (1.17)

Ajuste quadrático

Definição: Suponhamos que as grandezas x e y , cujas medidas são dadas por Eq. (1.2) um
ajuste de curvas é denominado quadrático se a função que relaciona as grandezas é definido
por:

y ( x ) = F ( x; a , b, c ) = a + bx + cx 2 (1.18)

A função f : R 4 → R definindo a parábola. Aplicando o método dos mínimos

quadrados, determinamos os parâmetros a, b e c minimizando a função:

n 2 n 2

S ( a , b, c ) = ∑  yi − F ( x; a, b, c )  = ∑  yi − a − bxi − cx 
2
i (1.19)
i =1 i =1

As condições necessárias de mínimo são dadas pela seguinte condição:

∂S ∂S ∂S
=0 ; =0 e =0 (1.20)
∂a ∂b ∂c

Resultando em:
   m   m 2 m

 ma + ∑ k  x ) b + ∑ k  x c = ∑ yk
  k =1   k =1  k =1

 m   m 2  m 3 m

 ∑ xk  a + ∑ k  x b + ∑ k x c = ∑ xk yk (1.21)
 k =1   k =1   k =1  k =1

 m   m 3  m 4 m
 ∑ xk2  a + ∑ k x b + ∑ k  x c = ∑ xk2 yk
 k =1   k =1   k =1  k =1

A curva a ser ajustada não necessariamente precisa ser uma reta. Uma maneira
de se definir que tipo de função deve ser feita a partir da análise do diagrama de
dispersão (dados). Seja o exemplo dado pelo diagrama de dispersão:

2.5
f (x)

1.5

0.5

x
-0.5
-1.5 -1 -0.5 0 0.5 1 1.5

Observe que o diagrama sugere o ajuste através de uma parábola.

Exemplo: Seja os valores da função apresentados na Tabela 2. Através do Método de
Mínimos Quadrados determine a equação da curva que melhor ajuste os pontos dados.

Tabela 2 – Dados a serem ajustados

x -1,0 -0,75 -0,6 -0,5 -0,3 0,0 0,2 0,4 0,5 0,7 1
f(x) 2,05 1,153 0,45 0,4 0,5 0,0 0,2 0,6 0,512 1,2 2,05
 Representando os pontos através do seu diagrama de dispersão tem-se:

2.5

f (x)

1.5

0.5

x
0

-0.5
-1.5 -1 -0.5 0 0.5 1 1.5

Pode-se observar que uma boa possibilidade é ajustar os pontos a uma parábola
passando pela origem.
Portanto, procura-se a função ϕ ( x) = αx 2 que melhor represente f(x). Para a

notação utilizada, g ( x) = x 2 .

A partir das equações do método, tem-se:

11 11

∑ [ g ( x k )] 2 α = ∑ f ( x k )g ( x k )
k =1 k =1

Substituindo:

11 11

∑ [ x k ] 2 ⋅α = ∑ f ( x k ) ⋅ x k
2

k =1 k =1

11 11

∑ [ x k ] 2 = 2,8464 e ∑ f (x
2
como k ) ⋅ x k = 5,8756 , tem-se a equação linear:
k =1 k =1
 2,8464α = 5,8756 ⇒ α = 2,0642

A equação ϕ ( x) = 2,0642 x 2 é a parabola que melhor aproxima a função

tabelada através do Método de Mínimos Quadrados.

Exemplo: Aproximar a função Tabela 3 representada no exemplo anterior por uma função
do tipo: ϕ ( x) = α 1 + α 2 x + α 3 x 2
Tabela 3 – Dados a serem ajustados
x -1,0 -0,75 -0,6 -0,5 -0,3 0,0 0,2 0,4 0,5 0,7 1
f(x) 2,05 1,153 0,45 0,4 0,5 0,0 0,2 0,6 0,512 1,2 2,05

Deve-se montar o sistema linear Aα = b , onde:

11
a ij = a ji = ∑ g i ( x k )g j ( x k ) para i = 1,...,3 e j = 1,...,3 ;
k =1

11
bi = ∑ f ( x k )g i ( x k ) para i = 1,...,3 .
k =1

Para a função ϕ (x ) proposta, tem-se:

g 1 ( x ) = 1, g 2 ( x ) = x, e g 3 ( x) = x 2

Chega-se portanto a:

11
a11 = ∑ 12 = 11
k =1

11
a12 = a 21 = ∑ 1 ⋅ x k
k =1

11
a13 = a 31 = ∑ 1 ⋅ x k
2

k =1
 11
a 22 = ∑ x k
2

k =1

11
a 23 = a 32 = ∑ x k ⋅ x k
2

k =1

11
a 33 = ∑ x k2 x k
2

k =1

11
b1 = ∑ f ( x k )
k =1

11
b2 = ∑ x k f ( x k )
k =1

11
b3 = ∑ x k f ( x k )
2

k =1

Para facilitar os cálculos, pode-se construir a tabela:

Valores Tabelados ∑
x -1,0 -0,75 -0,6 -0,5 -0,3 0,0 0,2 0,4 0,5 0,7 1 -0,35
f(x) 2,05 1,153 0,45 0,4 0,5 0,0 0,2 0,6 0,512 1,2 2,05 9,115
x2 1,0 0,5625 0,36 0,25 0,09 0,0 0,04 0,16 0,25 0,49 1 4,2025
x3 -1,0 -0,4218 -0,216 -0,125 -0,027 0,0 0,008 0,064 0,125 0,343 1 -0,2498
x4 1,0 0,3164 0,1296 0,0625 0,0081 0,0 0,0016 0,0256 0,0625 0,240 1 2,8464
f (xk )xk -2,05 -0,8647 -0,270 -0,200 -0,150 0,0 0,04 0,24 0,256 0,84 2,05 -0,1087
f ( x k ) x k2 2,05 0,6486 0,162 0,100 0,045 0,0 0,008 0,096 0,128 0,588 2,05 5,8756

Com os valores calculados, chega-se ao sistema linear:

 11 − 0,35 4,2025  α 1   9,115 

 − 0,35 4,2025 − 0,2498 α  = − 0,1087
  2   
4,2025 − 0,2498 2,8464  α 3   5,8756 

Resultando em:
 0,0914
α = 0,0970
1,9377 

A equação da parábola ajustada é dada por:

ϕ ( x) = 0,0914 + 0,0970 x + 1,9377 x 2

Exemplo: Ajuste os dados apresentados na Tabela 4, utilizando o Método dos Mínimos

Quadrados por:
a) Uma reta φ ( x ) = b + ax .

b) Uma parábola do tipo φ ( x ) = c + bx + ax 2 .

c) Como você compararia as duas curvas com relação aos dados.
Tabela 4 – Dados a serem ajustados.
x 1 2 3 4 5 6 7 8
f(x) 0,5 0,6 0,9 0,8 1,2 1,5 1,7 2,0

O diagrama de dispersão é dado pela figura:

2.5
f (x)

1.5

0.5

x
0
0 1 2 3 4 5 6 7 8 9
Constrói-se a tabela:

Valores Tabelados ∑
xk 1 2 3 4 5 6 7 8 36
f ( xk ) 0,5 0,6 0,9 0,8 1,2 1,5 1,7 2,0 9,2
x k2 1 4 9 16 25 36 49 64 204
x k3 1 8 27 64 125 216 343 512 1296
x k4 1 16 81 256 625 1296 2401 4096 8772
x k f ( x k ) 0,5 1,2 2,7 3,2 6,0 9,0 11,9 16,0 50,5
xk f ( xk ) 0,5 2,4 8,1 12,8 30,0 54 83,3 128 319,1
2

a) ϕ ( x) = α 1 + α 2 x ⇒ g 1 ( x) = 1, g 2 ( x) = x
8
a11 = ∑ 12 = 8
k =1

8
a12 = a 21 = ∑ 1 ⋅ x k = 36
k =1

8
a 22 = ∑ x k = 204
2

k =1

8
b1 = ∑ 1 ⋅ f ( x k ) = 9,2
k =1

8
b2 = ∑ x k f ( x k ) = 50,5
k =1

 8 36  α 1   9,2   0,175 
36 204 α  = 50,5 α= 
  2    0,21667

A equação da reta ajustada é dada por: ϕ ( x ) = 0,175 + 0,21667 x

b) φ ( x ) = α1 + α 2 x + α 3 x 2 ⇒ g 1 ( x) = 1, g 2 ( x) = x, e g 3 ( x) = x 2
8
a11 = ∑ 12 = 8
k =1

8
a12 = a 21 = ∑ 1 ⋅ x k = 36
k =1

8
a13 = a 31 = ∑ 1⋅ x k = 204
2

k =1

8
a 22 = ∑ x k = 204
2

k =1

8
a 23 = a 32 = ∑ x k ⋅ x k = 1296
2

k =1

8
a 33 = ∑ x k2 x k = 8772
2

k =1

8
b1 = ∑ f ( x k ) = 9,2
k =1

8
b2 = ∑ x k f ( x k ) = 50,5
k =1

8
b3 = ∑ x k f ( x k ) = 319,1
2

k =1

Resultando no sistema linear:

 8 36 204  α 1   9,2  0,40714

 36 204 1296  α  =  50,5  α = 0,07738
  2   
204 1296 8772 α 3  319,1 0,01548

A equação da parábola ajustada é dada por:

ϕ ( x) = 0,40714 + 0,07738 x + 0,01548x 2

c) Para a verificação do melhor ajuste, pode-se calcular a soma dos desvios quadráticos:

8
Para a reta : ∑d
k =1
2
k = 0,08833

8
Para a parábola : ∑ d k2 = 0,04809
k =1

Portanto, neste caso a parábola se ajusta melhor aos pontos tabelados.

Ajuste linear para o modelo exponencial

Supondo que os dados se comportam de um tipo exponencial é definido por uma

função do tipo:

f ( x ) = β eα x ; β > 0 (1.22)

Queremos encontrar essa aproximação aplicando o método dos mínimos quadrados.

Para ser possível vamos fazer uma mudança de variável, f ( x ) = ln f com o objetivo de

transformar a equação que define a Eq. (1.22) na forma de uma equação da reta resulta:

f ( x ) = ln f = α x + ln β (1.23)

Desta forma, podemos fazer um ajuste linear para o modelo exponencial, pela
facilidade de trabalhar em Eq. (1.23), tomando a = α e b = ln β a equação da reta ajustada
ou equação auxiliar é:

y = ax + b = f ( x; a, b ) (1.24)
  5 19,5   β   7, 481   5 19,5 7, 481 
19,5 91, 75 α  = 35, 201 ⇒ 19,5 91, 75 35, 201 ≈ L2 = 3,9* L1 − L2
      
 5 19,5 7, 481  −6, 0251 −19,5* (0,3837643) + 7, 481
  ⇒α = = 0,3837643; β = = −0, 000480
 0 − 15, 7 −6, 0251 −15, 7 5

De modo geral, depois de encontrarmos os valores a e b aplica-se a exponencial de

ambos os lados e obtém o ajuste com α = 0,3837643; β = −0, 000480 .

y = ax + b
e( ln y ) = e(α x + ln β ) → e(α x ) ⋅ e( ln β ) obs : b = ln β → eb = eln β → β = eb
y ( x ) = 0,9995e0,3837643