Método dos Mínimos Quadrados: Caso Discreto

Ana Kalynne Marino Dias1

Danrlei de Sousa Lima2
Ramom Wilker Oliveira Lima3
Thiago Pereira de Sousa4
Yasmim Cardoso Lima5

Resumo

O trabalho a seguir irá explorar uma das áreas de estudo do Cálculo Numérico, analisando um tipo de
modelagem matemática conhecida como o Método dos Mínimos Quadrados (MMQ), em casos
discretos. Muitos fenômenos do dia a dia podem ser representados em um conjunto de dados
exemplificados em gráficos, de tal forma que os pontos contidos nos dados podem ser aproximados
por uma função de uma curva ou reta, utilizando as técnicas de ajuste de curva. Para a aplicação do
MMQ, o trabalho faz um bom estudo sobre derivadas parciais de modo que é o primeiro passo após o
conjunto de dados ser identificado, logo depois o estudo é voltado para uma resolução de sistemas
lineares para que seja encontrado a função que melhor se identifica para os pontos utilizados. Desse
modo, nota-se que o MMQ consiste em achar uma função que melhor se ajusta ao conjunto de dados
explorados de uma tabela, de modo que os coeficientes da reta ou da curva são encontrados a partir de
resolução de sistemas lineares.

Palavras-chave: Método dos mínimos quadrados. Ajuste de curvas. Derivadas parciais. Caso
discreto.

___________________________________________________________________________
1
Graduando em Engenharia Elétrica pelo IFMA- Campus Imperatriz. E-mail: kalynne.dias@acad.ifma.edu.br
2
Graduando em Engenharia Elétrica pelo IFMA- Campus Imperatriz. E-mail: danrleilima@acad.ifma.edu.br
3
Graduando em Engenharia Elétrica pelo IFMA- Campus Imperatriz. E-mail: r.willker@acad.ifma.edu.br
4
Graduando em Engenharia Elétrica pelo IFMA- Campus Imperatriz. E-mail: thiagopereira@acad.ifma.edu.br
5
Graduando em Engenharia Elétrica pelo IFMA- Campus Imperatriz. E-mail: yasmimlima@acad.ifma.edu.br
 2

1. Introdução

Em 1795, conhecido por muitos como “princeps mathematicorum” que em latim significa
príncipe da matemática, Carl Friedrich Gauss teve uma descoberta genial que deu o pontapé
para o estudo de uma das suas teorias mais incríveis, a teoria dos erros de observações.

A MMQ que significa método dos mínimos quadrados se tornou relevante aos estudos de
Gauss pelo simples fato de uma otimização matemática. Gauss como um bom matemático,
por sua vez queria deixar as coisas mais simples, procurando a melhor forma de minimizar a
soma dos quadrados da diferença entre o valor estimado e, os dados observados,
principalmente quando devemos ajustar a curva para este dado e, tem como base o estimador
que é o parâmetro para calcular dados observados, muito utilizado na econometria. Gauss teve
sucesso no seu estudo, tanto é que a lei de Gauss da distribuição normas de erros é conhecida
por todos que trabalham com estatística.

O método dos mínimos quadrados tem duas ramificações que em sua base formam o
entendimento do estudo, que são os casos discretos e os contínuos. Neste trabalho nos
concentraremos no método dos casos discretos.

2. Metodologia
2.1Ajuste de curvas pelo método dos mínimos quadrados

Os critérios para escolha do tipo de função de ajuste não é aleatória e segundo Guimarães
(2001) a determinação dessa função f(x) envolve um processo de análise, por exemplo,
qualitativa do fenômeno e das condições experimentais onde a observação é feita muitas
vezes, o suficiente para que se possa estabelecer a forma dessa função. Também temos a
possibilidade de determinar essa função por procedimento matemático, o que será exposto e
utilizado neste trabalho.

Diversos fenômenos do cotidiano podem ser descritos por modelos matemáticos. São
representados por equações e sistemas para que se possa explicar a ocorrência de determinado
fenômeno, seja ele aleatório ou determinístico, e até conseguir prever o seu comportamento.
Um dos métodos utilizados é interpolação, que consiste em se obter uma curva suave que
contenha um número reduzido de pontos, selecionados dentre um grupo obtido
experimentalmente (SPERANDIO; MENDES; SILVA, 2003), ou seja, é a estimativa de um
conjunto de valores com base em seu contexto. Mas quando se é necessário trabalhar com
 3

dados que vão além dos conhecidos, outro método entra em cena, é o ajuste de curvas, que
possibilita determinar a partir de uma série de pontos variados de um determinado fenômeno,
uma curva que o represente matematicamente. O método dos mínimos quadrados surge para
auxiliar esse recurso.

Segue abaixo um exemplo apenas para visualização do método, o procedimento para sua
resolução será discutido mais à frente.

Exemplo 1. Supondo que um experimento envolvendo x e y foi realizado, dando origem à

tabela:

Tabela 1- Dados experimentais

x -1 -0.75 -0.6 -0.5 -0.3 0 0.2 0.4 0.50 0.70 1

y 2.05 1.15 0.45 0.40 0.50 0 0.2 0.6 0.51 1.20 1.05
Fonte: Autor

Figura 1- Diagrama de dispersão

Fonte: MS211- Cálculo Numérico

Na figura 1, podemos observar um diagrama de dispersão com pontos dispostos em

um plano cartesiano. Através do método de ajuste de curvas é possível identificar uma curva,
que seria uma função que represente aproximadamente os valores tabelados, e também, os
valores que estão fora do intervalo inicialmente definido.

Figura 2- Gráfico com ajuste de curvas

 4

Fonte: MS211- Cálculo Numérico

A figura 2, representa o gráfico com a curva obtida na aplicação do método dos

mínimos quadrados.

O ajuste de curvas consiste na busca por uma função matemática que proporcione uma
boa aproximação na representação de um conjunto de dados. Com esse método é possível
obter uma curva que embora não passe pelos pontos representados, alcance resultados que
minimizam a distância entre essa curva e os dados. Segundo Almeida (2015, p. 22):

“o ajuste de curvas é o procedimento matemático que consiste em

se determinar, a partir de uma série de pontos representativos das
variáveis que compõem um determinado fenômeno, uma curva que o
expresse matematicamente. A curva obtida deve permitir com
satisfatória segurança a realização de análises e projeções sobre o
fenômeno em questão”.

2.2Derivadas Parciais

Num breve estudo sobre derivadas parciais de uma função real de várias variáveis reais, f:
Dom(f) ⊆ R n → R, vamos definir as derivadas parciais para funções reais de duas variáveis.
Sejam:

f : Dom(f) ⊆ R 2 → R
(x, y) → z = f(x, y).

Fixemos y = y0 e criando a partir disso uma função de tal reta em R, gy0, definida como
gy0 = f(x, y0). A função obtida é uma função real de variável real, sobre a qual podemos
aplicar o conceito de derivabilidade. Podemos dizer que, se gy0 é derivável em x0, existe
g’y0(x0), definida da seguinte forma:
 5

g y 0 ( x 0+ h ) −g y 0 (x 0)
g'y0(x0) = lim
h→ 0 h

Tal limite define a derivada parcial de f com relação a x no ponto (x 0, y0), que

∂f
representamos por (x , y ). Ou seja:
∂x 0 0

∂f g ( x + h ) −g y 0 (x 0)
(x0, y0) = g'y0(x0) = lim y 0 0
∂x h→ 0 h

Quando fixamos a variável x, fazendo x = x 0 e criamos a função de tal reta em R, hx0,

definida como hx0 = f(x0, y). Esta também é uma função real de variável real, sujeita ao
conceito de derivabilidade. Assim, se hx0 é derivável em y0, existe h’x0(y0), que definimos:

h x 0 ( y 0+ t ) −h x0 ( y 0 )
h’x0(y0) = lim
t →0 t

Este limite define a derivada parcial de f com relação a y no ponto (x 0, y0),

∂f
representada por (x0, y0). Ou seja:
∂y

∂f h ( y + h )−hx 0 ( y 0 )
(x0, y0) = h’x0(y0) = lim x 0 0
∂y t →0 t

2.3Método dos mínimos quadrados: caso discreto

O método dos mínimos quadrados (MMQ) é o mais utilizado em ciências experimentais

para o ajuste de parâmetros a dados experimentais. É conhecido como um método que leva a
mínima variância, não tendo estimativas tendenciosas. O ajuste de parâmetros do MMQ
consiste em determinar os valores a e b que minimizam a soma das diferenças quadráticas
entre a reta e os pontos experimentais.

Em um determinado experimento onde há valores de xe yse relacionando, com

x 1 , x 2 , … , x m ∈[a , b] , há n funções g1 (x) , g2 ( x), … , g n (x) contínuas em [a , b] que obtém n

constantes a 1 , a2 , … , an, de forma que a função φ ( x )=a 1 . g1 ( x ) +a 2 . g 2 ( x ) +…+ an . gn ( x ) se

aproxime de f (x). Esse modelo é linear, pois seus coeficientes a n são lineares, mas as funções
gn ( x ), podem ser polinômios, funções trigonométricas, exponenciais, logaritmos e etc.
 6

O primeiro passo para resolver um experimento utilizando o MMQ é colocar os dados que
se conhece da relação entre xe y em um gráfico de dispersão ou analisando a tabela. Dessa
forma será mais fácil identificar qual curva melhor se encaixa com os dados, determinando o
melhor tipo de função contínua. Quando identificado a função gn ( x ), é necessário estabelecer
a proximidade entre as funções f (x) e φ ( x ), podendo recorrer a fórmula de distância entre

dois pontos: d AB2=(∆ x )2 +(∆ y )2, como podemos visualizar no gráfico abaixo:

Figura 3- Distância entre dois pontos

Fonte: Cálculo Numérico V - UNIVAP

Em uma função, usa-se o valor de x para obter-se o valor de y, ou seja, o valor de x

tanto aproximado pela função quanto na tabela, é o mesmo, dessa forma a variação de x é
igual a zero, restando: d AB2=(∆ y )2, a variação de y aproximado da tabela menos o valor
aproximado da função.

d AB2=( y ¿ ¿ i−(axi +b))2 ¿

d AB2=( y ¿ ¿ i−ax i−b)2 ¿

Para obter o valor mínimo da função é necessário encontrar o ponto crítico, sendo assim,
deriva-se a equação em função de a e b, igualando a zero.

 Derivando em função de a:

∑ 2 ( y i−ax i−b ) .(−x i )=0

i=1

∑ axi2 +bx i−x i y i=0

i=1

n n n

∑ axi2 +∑ bx i−∑ xi y i=0

i=1 i=1 i=1
 7

n n n
2
a ∑ x i + b ∑ x i= ∑ x i y i
i=1 i=1 i=1

 Derivando em função de b:

∑ 2 ( y i−ax i−b ) .(−1)=0

i=1

n n n

∑ yi −∑ ax i−∑ b=0
i=1 i=1 i=1

n n
a ∑ x i +bN =∑ y i
i=1 i=1

Logo, a determinação dos mínimos quadrados é dada por esse sistema:

n n n
2
a ∑ x i + b ∑ x i= ∑ x i y i
i=1 i=1 i=1

n n
a ∑ x i +bN =∑ y i
i=1 i=1

Exemplo 2. Determine pelo método dos mínimos quadrados à reta que melhor se ajusta aos
dados: A (0,1), B (1,2), C (2,3) e D (2,4).

Resolução:

Tabela 2- Resolução exemplo 2

xi yi x i2 xi yi
0 1 0 0
1 2 1 2
2 3 4 6
2 4 4 8
∑ 5 10 9 16
Fonte: Autor

n n n
a ∑ x i 2+ b ∑ x i = ∑ x i y i
i=1 i=1 i=1

n n
a ∑ x i +bN =∑ y i
i=1 i=1
 8

Substituindo os valores da tabela:

{95 a+5 b=16

a+4 b=10

Multiplicando a eq. (1) por 4 e a eq. (2) por -5:

{−2536a−20
a+20 b=64
b=−50

Resolvendo por adição:

14
a=
11

Substituindo a na eq. (1):

14
9 +5 b=16
11

10
b=
11

14 10
Logo, y= x+ é a reta que melhor se ajusta aos valores tabelados.
11 11

3. Resultados e Discussões

Como visto no decorrer do artigo o método dos quadrados mínimos é muito utilizado em
diversos setores para estimar resultados levando em consideração o menor erro possível. O
Caso Discreto existe para suprir uma deficiência no método de uma forma geral, onde as
estimativas de equações, que não apresentam a forma de polinômio do primeiro grau, são
apresentadas.

Este Caso consiste em encontrar os coeficientes que minimizem o desvio absoluto da

equação. Uma vantagem desta abordagem é que este cálculo de erro, apesar de dar bastante
peso a pontos que estejam mais longe da reta, não permite que estes desvios dominem a
aproximação.
 9

Por fim, entende-se que o método dos quadrados mínimos linear é usado para encontrar
uma função

φ ( x )=∝1 g 1+∝2 g 2+ …+∝n gn ,

Que melhor se ajusta a uma tabela

Tabela 3 – Método dos Quadrados Mínimos

x x1 x2 ... xm
y y1 y2 ... ym
Fonte: Autor

Onde os coeficientes ∝1... ∝n são obtidos resolvendo um sistema linear conhecido como
equações normais.

4. Referências Bibliográficas

NEVES, Renato. O método dos mínimos quadrados: estudo e aplicações para o ensino
médio. Dissertação (Mestre em Matemática) – Universidade Estadual do Norte Fluminense
Darcy Ribeiro. Rio de Janeiro. 2015.

PILLING, Sérgio. Cálculo Numérico. Universidade do Vale do Paraíba. São Paulo.

Disponível em: <https://www1.univap.br/spilling/CN/CN_Capt5.pdf >. Acesso em: 18 de
Novembro de 2020.

VALLE, Marcos. Aula 17: Ajuste de curvas pelo método dos quadrados mínimos- caso
discreto. 26 slides. Disponível em:
<https://www.ime.unicamp.br/~valle/Teaching/2015/MS211/Aula17.pdf>. Acesso em: 18 de
Novembro de 2020.