Escolar Documentos
Profissional Documentos
Cultura Documentos
Trabalho 1
CPC702–Problemas Inversos
Kristian Torres
24 de Julio, 2017
Utilizar um polinômio do quinto grau para aproximar os 3 conjuntos de dados do arquivo dados1.txt e
A primeira coluna do arquivo contém as abscissas, as três proximas colunas contêm conjuntos de dados.
Anotar os coeficientes para cada método e cada conjunto de dados. Serão 6 solucões. Seria possível inferir
A Figura 1 apresenta os gráficos dos três conjuntos de dados observados para cada valor do
eixo das abscissas (cada conjunto de dados do arquivo dados1.txt contêm 100 medições).
f(x)
f(x)
50 50 50
0 0 0
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
x x x
m5 x5 que melhor ajusta a curva de cada conjunto, podem ser obtidos resolvendo o problema
1 x1 x12 ... x1n d1
m
1
x22 x2n
1 x2 ... d2
..
Gm = . ≈ =d (1)
.. .. .. . ..
.
. . . . .
mn
1 xm 2
xm ... xmn dm
1
• Universidade Federal do Rio de Janeiro • CPC702
dimensões 100 × 1. Dependendo da norma escolhida para realizar a regressão linear, a solução
GT Gm = GT d (2)
Na Tabela 1 são apresentados os valores da norma `2 e dos coeficientes obtidos para cada
conjunto de dados. Utilizando este tipo de regressão linear, o polinômio que melhor ajustou os
Conjunto
Coeficientes 1 2 3
m0 9.999 × 10−1 1.671 3.268
m1 2.000 × 10−1 −1.385 −7.557
m2 2.999 3.951 9.651
m3 4.000 × 10−2 −1.823 × 10−1 −2.065
m4 −3.745 × 10−7 2.246 × 10−2 2.714 × 10−1
m5 1.527 × 10−8 −8.231 × 10−4 −1.215 × 10−2
norma `2 7.935 × 10−8 20.091 2.593 × 103
GT RGm = GT Rd (4)
onde R é uma matriz diagonal cujos elementos são o inverso do valor absoluto do vetor resíduo:
2
• Universidade Federal do Rio de Janeiro • CPC702
processo iterativo. Neste caso, foram utilizados os vetores resíduo obtidos na seção anterior, como
dados de entrada para a aproximação inicial no calculo da matriz R. O critério de parada escolhido
Finalmente, a norma `1 do vetor resíduo r foi calculada a cada iteração, utilizando a expressão
m q
k r k 1 = ∑ ( di − ( G × m ) i ) 2 (7)
i =1
Conjunto
Coeficientes 1 2 3
m0 9.999 × 10−1 1.801 1.803
m1 2.000 × 10−1 −1.583 −1.721
m2 2.999 4.022 4.384
m3 4.000 × 10−2 −1.869 × 10−1 −3.402 × 10−1
m4 −2.556 × 10−7 2.167 × 10−2 4.379 × 10−2
m5 1.059 × 10−8 −7.491 × 10−4 −1.791 × 10−3
τ 0.01 0.01 0.01
N◦ de iterações 1 3 8
norma `1 2.817 × 10−4 56.572 55.611
A regressão por minimização da norma `1 quantifica melhor o desajuste nos casos onde os dados
apresentam outliers. A matriz de peso R faz com que a aproximação esteja menos afetada por
estas anomalias. Na Figura 1, pode ser observado que o terceiro conjunto de dados apresenta
norma `2 para o primeiro e o segundo conjunto de dados porque estes não contêm presença de
outliers. O caso contrário acontece no terceiro conjunto, onde o ajuste feito na minimização da
norma `1 ignora a presença de distorções nas medições. Na Figura 4 é possível observar que o
3
• Universidade Federal do Rio de Janeiro • CPC702
ajuste da minimização da norma `1 está sendo menos afetado nas regiões próximas aos outliers.
Conjunto 1
350
300
250
200
f(x)
150
100
50
0
0 1 2 3 4 5 6 7 8 9 10
x
Conjunto 2
350
300
250
200
f(x)
150
100
50
0
0 1 2 3 4 5 6 7 8 9 10
x
4
• Universidade Federal do Rio de Janeiro • CPC702
Conjunto 3
350
300
250
200
f(x)
150
100
50
0
0 1 2 3 4 5 6 7 8 9 10
x
Figura 4: Regresão linear pela minimização das normas `1 e `2 para o conjunto 3