14-Ajuste de Curvas PDF

CÁLCULO NUMÉRICO
Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br

Aula 14
Ajuste de Curvas
AJUSTE
DE
CURVAS
Aula 14 – Ajuste de Curvas
Cálculo Numérico 3/67
INTRODUÇÃO
 Em geral, experimentos geram uma gama de dados que

devem ser analisados para a criação de um modelo.
 Obter uma função matemática que represente (ou que

ajuste) os dados permite fazer simulações do processo de
forma confiável, reduzindo assim repetições de
experimentos que podem ter um custo alto.

INTRODUÇÃO
 Em geral, usar interpolação polinomial
quando:
 Deseja-se extrapolar ou fazer previsões em regiões fora do

intervalo considerado;
 Os dados tabelados são resultados de experimentos, onde erros

na obtenção destes resultados podem influenciar a sua qualidade;

INTRODUÇÃO
O objetivo é obter uma função que seja uma
“boa aproximação” e que permita extrapolações
com alguma margem de segurança.

INTRODUÇÃO
 A escolha das funções pode ser feita:
 Observando o gráfico dos pontos tabelados;
 Baseando-se em fundamentos teóricos do experimento que

forneceu a tabela ou;
 Através de uma função já conhecida.

INTRODUÇÃO
O Método dos Mínimos Quadrados é um método
bastante utilizado para ajustar uma determinada
quantidade de pontos e aproximar funções.

MÉTODO DOS
MÍNIMOS
QUADRADOS

Método dos Mínimos Quadrados
 O Método dos Mínimos Quadrados consiste em escolher os
ai (i = 1, 2, ..., n) de tal forma que:
(1)
se aproxime ao máximo de f(x).
onde: f x  fornece os pontos exatos;

g x  fornece os pontos estimados.
 O Método dos Mínimos Quadrados consiste em escolher os

ai (i = 1, 2, ..., n) de tal forma que a
seja mínima.
E    f  xk     xk 
m
2
(2)
k 1

xi f (xi) f (x) = 0,8 x + 1,5
1 2
6
2 4
5
3
4
3
5
 (x)
4
f (x) 3
2
E    f  xk     xk 
4
2
1
k 1
0
0 1 2 3 4 5
x
 Observe que, se o modelo ajustar exatamente aos dados, o

mínimo da função:
E    f  xk     xk 
m
2
k 1
será zero e, portanto, a é um

dentro do método dos quadrados mínimos.

Caso Discreto

Caso Discreto
 Dado um conjunto de pontos (xi; f(xi)), i = 0, 1, 2, ..., m
(f dada por )
 O problema de ajuste de curvas consiste em encontrar

funções gi (x), tais que o desvio em cada ponto i, definido
por (2) seja mínimo, ou seja:
se aproxime ao máximo de f (x).

Caso Discreto
 Neste caso, o ajuste é linear.
Ajuste linear em relação aos ai e não às gi (x).

Caso Discreto

 A escolha das funções gi (x) depende do gráfico dos pontos,
chamado de diagrama de dispersão, através do qual pode-se
visualizar o tipo de curva que melhor se ajusta aos dados.

Ajuste Linear
 Como pode ser observado no gráfico anterior, uma possível

aproximação seria através de uma função linear do tipo:
  x   a1 xi  a 0 (3)
 Assim o objetivo é determinar o valor de a0 e a1, que

minimize:
E    yi  a 1 xi  a 0 
m
2
i 1
Ajuste Linear
 Para que E seja mínimo é necessário que:
E
0 (4)
a 0
E
0 (5)
a 1
Ajuste Linear
 As equações (4) e (5) simplificam-se nas
:
m m
a 0 m  a 1  xi   yi (6)
i 1 i 1
m m m
a 0  xi  a 1  xi   xi yi 2
(7)
i 1 i 1 i 1

Ajuste Linear
 A solução para o sistema de equações é:
 m 2  m   m  m 
  xi   yi     xi yi   xi 
a0   i 1  i 1   i 1  i 1  (8)
 m 2  m 
m  xi     xi 
 i 1   i 1 
 m   m  m 
m  xi yi     xi   yi 
a0   i 1   i 1  i 1 
2 (9)
 m
2 
m

m  xi     xi 
 i 1   i 1 
Exemplo 1
 Considerando os dados da Tabela 1, e através do gráfico

gerado, pode-se definir que tipo de curva melhor se ajusta
aos dados.
Tabela 1
xi 1 2 3 4 5 6 7 8 9 10
yi 1,3 3,5 4,2 5,0 7,0 8,8 10,1 12,5 13,0 15,6

Exemplo 1
20
16
12
y
y
8
0
0 2 4 6 8 10 12
xx
Figura 1. Diagrama de Dispersão para os dados da Tabela 1
Exemplo 1
 Considerando a Tabela 1, e os dados necessários para as
equações (8) e (9), a Tabela 2 pode ser construída:
i xi yi xi2 x i yi
1 1 1,3 1 1,3
2 2 3,5 4 7,0
3 3 4,2 9 12,6
4 4 5,0 16 20,0
5 5 7,0 25 35,0
6 6 8,8 36 52,8
7 7 10,1 59 70,7
8 8 12,5 64 100,0
9 9 13,0 81 117,0
10 10 15,6 100 156,0
Σ 55 Cálculo81
Numérico 385 572,4 24/67
Exemplo 1
 Considerando os dados da Tabela 2, os parâmetros a0 e a1
podem ser calculados como:
a0 = -0,360 a1 =1, 538

 Assim a reta a ser ajustada é determinada por:
y  1,538x  0,360
Exemplo 1
 Na Figura 2, pode-se observar o ajuste através da reta:
20
y = 1.5382x - 0.36
16
12
y
0
0 2 4 6 8 10 12
x
Figura 2. Ajuste linear

Ajuste Polinomial
 O processo usado para o ajuste linear pode ser estendido
para ajuste polinomial.
 Assim, uma função polinomial de grau n é dada por:
 O objetivo é minimizar o erro:
E    yi  Pn  xi 
m
2
i 1
Ajuste Polinomial
 Como no caso linear, para que E seja minimizado é

necessário que:
E
a 0 ,a1 ,,a n   0 para cada j = 0, 1, ..., n.
a j
 Isto fornece as n+1 equações normais nas n+1 incógnitas aj:

n m m
a  x   y x
k 0
k
i 1
i
jk
i 1
i i
j
para cada j = 0, 1, ..., n.

Ajuste Polinomial
m m m m
a 0 m  a1  xi  a 2  x    a n  x   yi
2
i
n
i
i 1 i 1 i 1 i 1
m m m m m
a 0  xi  a1  x  a 2  x    a n  x
2
i
3
i
n 1
i   yi xi
i 1 i 1 i 1 i 1 i 1
m m m m m
a 0  x  a1  x
n
i
n 1
i  a2  x n2
i  an  x 2n
i y x n
i i
i 1 i 1 i 1 i 1 i 1

EXEMPLO 2
 Ajustar os dados da Tabela 3 com um polinômio de grau dois

utilizando o método dos mínimos quadrados.
Tabela 3
i xi yi
1 0,00 1,0000
2 0,25 1,2840
3 0,50 1,6487
4 0,75 2,1170
5 1,00 2,7183
EXEMPLO 2
i xi yi xi2 x i3 xi4 xiyi xi2yi

1 0,00 1,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,25 1,2840 0,0625 0,1563 0,0039 0,3210 0,0803
3 0,50 1,6487 0,2500 0,1250 0,0625 0,8244 0,4122
4 0,75 2,1170 0,5625 0,4219 0,3164 1,5878 1,1908
5 1,00 2,7183 1,0000 1,0000 1,000 2,7183 2,7183
Σ 2,50 8,7680 1,875 1,5625 1,3828 5,4514 4,4015

EXEMPLO 2
 Para este problema, n = 2, m = 5 e as três equações normais
são:
5, 0a 0 + 2, 5a1 + 1,875a 2 = 8, 7680
2, 5a 0 + 1,875a1 + 1, 5625a 2 = 5, 4514
1,875a 0 +1, 5625a1 + 1, 3828a 2 = 4, 4015
 Resolvendo o sistema, obtêm-se:
a0 =1, 0051 a1 = 0,8647 a2 = 0,8432

EXEMPLO 2
y =1, 0051+ 0,8642x+ 0,8437x2
3
2.5
O erro total
5
E = åéë yi - P ( xi )ùû
2 2
1.5
y
i=1
1
0.5
= 2, 74 ´10 -4
y = 0.8437x2 + 0.8642x + 1.0051
0 é o mínimo que pode ser
0 0.5 1 1.5 obtido usando um polinômio
x com grau máximo 2
Figura 3. Ajuste polinomial
Ajuste Não-Linear
 Existem casos, onde o de uma
função indica que os dados devem ser ajustados por uma
função .
 Ocasionalmente, é apropriado supor que os dados estejam

relacionados exponencialmente.
 Exemplo: φ(x) = aebx, para a e b constantes.
A dificuldade de aplicação do método dos mínimos quadrados

neste caso consiste na tentativa de minimizar E.

Ajuste Não-Linear
 Para estes casos, um

deve ser empregado, para que seja possível aplicar o Método
dos Mínimos Quadrados.
 Neste caso, podemos proceder da seguinte forma:

Ajuste Não-Linear
 Caso I: Função Exponencial
j ( x) = y = ae bx
 Aplicando logaritmo em ambos os lados, obtêm-se:
ln ( y) = ln ( ae bx
) = ln (a) + bx
 Realizando as seguintes substituições: Y = ln ( y)
a 0 = ln ( a )
a1 = b
 Obtêm-se: Y = a1X + a0
X=x
Ajuste Não-Linear
 Caso II: Função Logarítmica
y = a ln ( bx)
 Expandindo: y = a ln ( b) + a ln ( x)
 Realizando as seguintes substituições: Y=y
a 0 = a ln ( b)
a1 = a
 Obtêm-se: Y = a1X + a0 X = ln ( x)
Ajuste Não-Linear
 Caso III: Função Potencial
y = ax b
 Aplicando logaritmo em ambos os lados:
ln ( y) = ln ( ax ) = ln ( a ) + ln ( x ) = ln ( a ) + bln ( x)
b b
 Realizando as seguintes substituições: Y = ln ( y)

a 0 = ln ( a )
a1 = b
 Obtêm-se: Y = a1X + a0 X = ln ( x)
Ajuste Não-Linear
b
 Caso IV: Função Hiperbólica y=a+
x
 Realizando as seguintes substituições:
Y=y
a0 = a
a1 = b
 Obtêm-se: Y = a1X + a0 X=x -1

Ajuste Não-Linear
 Usam-se as equações do para obter a0 e a1:
m m
a 0 m+ a1 å xi = å yi
i=1 i=1
m m m
a 0 å xi + a1 å x = å xi yi i
2
i=1 i=1 i=1

Após aplicar o método dos mínimos quadrados, é
preciso fazer as para
encontrar os parâmetros e da função de
aproximação original.

Observe que os parâmetros a e b assim obtidos
dentro do critério dos quadrados
mínimos, porque estamos ajustando o problema
e não o problema .

EXEMPLO 3
 Encontrar uma função que se ajusta aos valores da tabela
abaixo:
x y
-1,0 36,547
-0,7 17,267
-0,4 8,155
-0,1 3,852
0,2 1,82
0,5 0,86
0,8 0,406
1,0 0,246
Exemplo 3
-bx
y = ae
Y = ln y
a0 = ln ( a )
a1 = -b

Exemplo 3
 Como o ajuste será realizado por uma função exponencial é
necessário calcular: Y = ln y
i x y Y = ln(y) x i2 xiYi
1 -1,0 36,547 3,599 1,00 -3,599
2 -0,7 17,264 2,849 0,49 -1,994
3 -0,4 8,155 2,099 0,16 -0,839
4 -0,1 3,852 1,349 0,01 -0,135
5 0,2 1,820 0,599 0,04 0,120
6 0,5 0,860 -0,151 0,25 -0,075
7 0,8 0,406 -0,901 0,64 -0,721
8 1,0 0,246 -1,402 1,00 -1,402
Σ 0,3 Aula 14 – Ajuste
69,15 8,041 de Curvas
3,59 -8,645
Caso Não-Linear
a0 =1, 099 a1 = -2, 5

a0 = ln ( a ) a1 = -b
a = 3, 001 b = 2, 5

 Os parâmetros α0 e α1 que ajustam a função  (x) à função y
no sentido dos quadrados mínimos.
se pode afirmar que os parâmetros a e b (obtidos

através de α0 e α1) são os que ajustam  (x) à função y
dentro dos critérios dos quadrados mínimos.

TESTE DE ALINHAMENTO
 Uma vez escolhida uma função não linear em a, b, … para
ajustar uma função. Uma forma de verificar se a escolha foi
razoável é aplicar o .

 Fazer a “linearização” da função não linear escolhida;
 Fazer o diagrama de dispersão dos novos dados;
 Se os pontos do diagrama estiverem alinhados, isto

significará que a função não linear escolhida foi uma “boa
escolha”.

EXEMPLO 3
 Gráfico de x versus Y = ln y
i x y Y = ln(y)
1 -1 36,547 3,599
2 -0,7 17,264 2,849
3 -0,4 8,155 2,099
4 -0,1 3,852 1,349
5 0,2 1,820 0,599
6 0,5 0,860 -0,151
7 0,8 0,406 -0,901
8 1 0,246 -1,402
Σ 0,3 69,15 8,041
 EXEMPLO 3
Diagrama de dispersão dos novos dados (Y = ln y).

EXEMPLO 4
 Usando o Método dos Mínimos Quadrados, ajustar uma

curva do tipo s = q t p aos dados abaixo:
t 2,2 2,7 3,5 4,1

s 65 60 53 50
 Qual o valor de s quando t = 4,5?
 Qual o vaor de t quando s = 40?

EXEMPLO 4
Caso III: Função Potencial p

s= qt
 Aplicando logaritmo em ambos os lados:
logs= logq+ plogt

 Realizando as seguintes substituições:
Y = log s
a 0 = log q
a1 = p
X = logt
 Obtêm-se: Y = a1X + a0
EXEMPLO 4
 Temos então:
i t s Xi Yi Xi2 Xi Yi
1 2,2 65 0,3424 1,8129 0,1172 0,6207
2 2,7 60 0,4314 1,7782 0,1861 0,7671
3 3,5 53 0,5441 1,7243 0,2960 0,9382
4 4,1 50 0,6128 1,6990 0,3755 1,0411
Σ 1,9307 7,0144 0,9748 3,3671

EXEMPLO 4
4a 0 +1, 9307a1 = 7, 0144

1, 9307a 0 + 0, 9748a1 = 3, 3671
a0 =1, 963 a1 = -0, 434

a0 = logq a1 = p
q = 91,83 p = -0, 434
-0,434
s= 91,83t
EXEMPLO 4
 Se:
-0,434
s= 91,83t
 então, para t = 4,5; s ≈ 48, e para s = 40; t ≈ 6,8.

Caso Contínuo

Caso Contínuo
 Outro problema é a aproximação de funções.
 Para o caso discreto, temos um .
 Para o caso contínuo, temos .

Caso Contínuo
Dada uma função f (x), contínua em [a, b] e escolhidas funções

g1 (x), g2 (x), ..., gn (x), todas contínuas em [a, b], determinar
constantes a1, a2,..., an, tal que:
se aproxime ao máximo de f (x).

Caso Contínuo
 O objetivo é determinar um polinômio de grau máximo n
(φ (x) = Pn(x)):
n
Pn x   a n x  a n1 x
n n 1
   a1 x  a 0  a k x k
k 0
que minimize o erro total:
æ ö n 2
b b
E = ò ë f ( x) - Pn ( x)û dx = ò ç f ( x) - åa k x ÷ dx
é ù
2 k
a a è k=0 ø
Caso Contínuo
 O problema é encontrar os coeficientes aj que minimizem E.
 Uma condição necessária para que os números aj

minimizem E é que:
E
a 0 , a1 ,,a n   0 para cada j=0, 1, . . .,n.
a j

Caso Contínuo
 Como:
æ ö
n n 2
b b b
E = ò éë f ( x)ùû dx - 2åa k ò x f ( x) dx + ò çåa k x ÷ dx
2 k k
a k=0 a a è k=0 ø
 As derivadas ficam na seguinte forma:

Caso Contínuo
 Para encontrar Pn (x), temos (n + 1) equações normais:
n b b
a  x k
j k
dx   x f x dx
j
k 0 a a
que devem ser resolvidas para se determinar as (n+1)

incógnitas aj, para cada j = 0, 1, ..., n.

EXEMPLO 5
 Encontrar o polinômio de aproximação por mínimos

quadrados de segundo grau para a função abaixo no
intervalo [0,1].
f ( x) = sen(p x)

EXEMPLO 5
n b b
a  x k
j k
dx   x f x dx j
k 0 a a
1 1 1 1
a 0  1dx  a1  xdx  a 2  x 2 dx   senx dx
0 0 0 0
1 1 1 1
a 0  xdx  a1  x dx  a 2  x dx   xsenx dx
2 3
0 0 0 0
1 1 1 1
a 0  x 2 dx  a1  x 3dx  a 2  x 4 dx   x 2 senx dx
0 0 0 0
EXEMPLO 5
 Calculando as integrais obtêm-se:
1 1 2
a 0 + a1 + a 2 =
2 3 p
1 1 1 1
a 0 + a1 + a 2 =
2 3 4 p
1 1 1 p2 -4
a0 + a1 + a2 =
3 4 5 p 3
 Resolvendo o sistema obtêm-se o seguinte polinômio:

P2 ( x) = -4,1225x2 + 4,1225x- 0, 0505
EXEMPLO 5
Figura 4. Aproximação de f(x) pelo polinômio P2(x).


14-Ajuste de Curvas PDF

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

14-Ajuste de Curvas PDF

Enviado por

Direitos autorais:

Formatos disponíveis

CÁLCULO NUMÉRICO

Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br

 Em geral, experimentos geram uma gama de dados que

 Obter uma função matemática que represente (ou que

Aula 14 – Ajuste de Curvas

 Deseja-se extrapolar ou fazer previsões em regiões fora do

 Os dados tabelados são resultados de experimentos, onde erros

Aula 14 – Ajuste de Curvas

O objetivo é obter uma função que seja uma

“boa aproximação” e que permita extrapolações

com alguma margem de segurança.

Aula 14 – Ajuste de Curvas

 A escolha das funções pode ser feita:

 Observando o gráfico dos pontos tabelados;

 Baseando-se em fundamentos teóricos do experimento que

 Através de uma função já conhecida.

Aula 14 – Ajuste de Curvas

O Método dos Mínimos Quadrados é um método

bastante utilizado para ajustar uma determinada

quantidade de pontos e aproximar funções.

Aula 14 – Ajuste de Curvas

Aula 14 – Ajuste de Curvas

se aproxime ao máximo de f(x).

onde: f x  fornece os pontos exatos;

 O Método dos Mínimos Quadrados consiste em escolher os

Aula 14 – Ajuste de Curvas

 Observe que, se o modelo ajustar exatamente aos dados, o

será zero e, portanto, a é um

Aula 14 – Ajuste de Curvas

Aula 14 – Ajuste de Curvas

 O problema de ajuste de curvas consiste em encontrar

se aproxime ao máximo de f (x).

Ajuste linear em relação aos ai e não às gi (x).

Aula 14 – Ajuste de Curvas

 A escolha das funções gi (x) depende do gráfico dos pontos,

chamado de diagrama de dispersão, através do qual pode-se

visualizar o tipo de curva que melhor se ajusta aos dados.

Aula 14 – Ajuste de Curvas

 Como pode ser observado no gráfico anterior, uma possível

 Assim o objetivo é determinar o valor de a0 e a1, que

Aula 14 – Ajuste de Curvas

 Considerando os dados da Tabela 1, e através do gráfico

Aula 14 – Ajuste de Curvas

a0 = -0,360 a1 =1, 538

Figura 2. Ajuste linear

 O objetivo é minimizar o erro:

 Como no caso linear, para que E seja minimizado é

 Isto fornece as n+1 equações normais nas n+1 incógnitas aj:

Aula 14 – Ajuste de Curvas

Aula 14 – Ajuste de Curvas

 Ajustar os dados da Tabela 3 com um polinômio de grau dois

i xi yi xi2 x i3 xi4 xiyi xi2yi

Aula 14 – Ajuste de Curvas

 Resolvendo o sistema, obtêm-se:

a0 =1, 0051 a1 = 0,8647 a2 = 0,8432

y =1, 0051+ 0,8642x+ 0,8437x2

 Ocasionalmente, é apropriado supor que os dados estejam

 Exemplo: φ(x) = aebx, para a e b constantes.

A dificuldade de aplicação do método dos mínimos quadrados

Aula 14 – Ajuste de Curvas

 Para estes casos, um

 Neste caso, podemos proceder da seguinte forma: