Escolar Documentos
Profissional Documentos
Cultura Documentos
MQM8
MQM8
1. Diagrama de dispersão
No capítulo anterior estudamos uma forma de lidar com funções
matemáticas definidas por uma tabela de valores. Frequentemente, no
entanto, estas tabelas são obtidas com base em dados experimentais
contendo erros inerentes ao método de medição utilizado.
Para ilustrar o problema, considere-se uma série de medições de
natureza física (xi,yi), i=0,...,n, onde cada yi foi obtido experimentalmente
e aproxima o valor de uma função no ponto xi, i.e., yi≅f(xi).
Estes valores podem representar-se num gráfico cartesiano formando
uma “nuvem de pontos”, a este gráfico chamamos diagrama de
dispersão.
Exemplo
90
80
70
60
50
40
30
20 40 60 80 100 120 140 160
1
Como os valores tabelados não são “exactos” não é razoável nestes
casos utilizar interpolação, ou seja, exigir que a função aproximante
satisfaça exactamente os dados. De facto, em vez de recorrer a um
polinómio que passe exactamente por todos os pares de valores (xi,f(xi)),
i=0,..,n, uma melhor abordagem será a fazer passar a função aproximante,
g(x), o mais próximo possível dos pontos (xi,f(xi)), i=0,..,n.
-1
-2
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2
2
A diferença entre yi e ŷi , i.e., d i = yi − yˆ i chama-se desvio e é a
distância vertical do ponto à linha recta. Se consideramos a soma dos
quadrados dos desvios anteriores, i.e.,
n
D= ∑ d i2
i =1
n n
ou ainda, D ( β 0 , β1 ) = ∑ d i2 = ∑ ( yi − ( β 0 + β1 xi )) 2 .
i =1 i =1
∂D( β 0 , β1 ) n
e = ∑ − 2( yi − β 0 − β1 xi )
∂β 0 i =1
∂D( β 0 , β1 ) n
= ∑ − 2 x i ( y i − β 0 − β 1 xi )
∂β1 i =1
3
Os valores de b0 e b1 para os quais a função D(β0,β1) apresenta um valor
mínimo são obtidos igualando as equações anteriores a zero, i.e.,
resolvendo as equações normais. Assim,
⎧ n ⎧n n
⎪− 2 ∑ ( yi − β 0 − β1 xi ) = 0 ⎪∑ yi − nb0 − b1 ∑ xi = 0
⎪ i =1 ⎪
(1) ⎨ ⇔ ⎨i =1 i =1
⇔
n n n n
⎪− 2 ( y x − β x − β x 2 ) = 0 ⎪ y x −b
⎪ ∑ i i ⎪∑ i i 0 ∑ xi − b1 ∑ xi = 0
2
0 i 1 i
⎩ i =1 ⎩i =1 i =1 i =1
⎧ n n
⎪ ∑ i 1 ∑ xi
y − b
⎪b = i =1 i =1
⎪⎪ 0 n
⎨ n n n n
⇔
⎪
⎪ n ∑ xi ∑ yi − b1 ∑ xi ∑ xi n
⎪ 1∑ i ∑ xi yi
2 i =1 i =1 i =1 i =1
− b x − = −
⎪⎩ i =1 n i =1
⎧ __________
⎪⎪
⇔ ⎨ ⎛⎜ n 2 1 ⎛ n ⎞ ⎞⎟
2 n 1 n n ⇔
⎪ 1 ⎜⎜ ∑ i n ⎜ ∑ i ⎟ ⎟⎟ ∑ i i n ∑ i ∑ yi
− b x − ⎜ x ⎟ = − x y + x
⎪⎩ ⎝ i =1 ⎝ i =1 ⎠ ⎠ i =1 i =1 i =1
⎧ __________
⎪ n n n
⎪
⎪ n ∑ i i ∑ i ∑ yi
x y − x
⇔⎨ ⇔
b1 = i =1 i =1 i =1
⎪ 2
⎪
n ⎛ n ⎞
n ∑ xi2 −⎜ ∑ xi ⎟
⎪ ⎜ ⎟
⎩ i =1 ⎝ i =1 ⎠
4
n
n ∑ xi yi − n 2 x y
ou b0 = y − b1 x e b1 = i =1 ,
n
n∑ xi2 −n x
2 2
i =1
são as soluções dos sistema (1) sendo além disso os valores de β0 e β1 que
minimizam D(β0,β1).
Este método é conhecido pelo método dos mínimos quadrados, uma vez
que estamos a minimizar uma função quadrática.
A melhor recta, no sentido dos mínimos quadrados, que melhor se ajusta
aos dados do diagrama de dispersão é dada por: y=b0 + b1x.
5
2
⎛ n 1 n n ⎞
⎜ ∑ xi yi − ∑ xi ∑ yi ⎟
⎜ n i =1 i =1 ⎟⎠
R2 = ⎝ i =1
⎛ n 2 ⎞⎛ n 2⎞
⎜ x 2 − 1 ⎛⎜ x ⎞⎟ ⎟⎜ y 2 − 1 ⎛⎜ y ⎞⎟ ⎟
n n
⎜⎜ ∑ i n ⎜ ∑ i ⎟ ⎟⎟⎜⎜ ∑ i n ⎜ ∑ i ⎟ ⎟⎟
⎝ i= ⎝ i =1 ⎠ ⎠⎝ i = ⎝ i =1 ⎠ ⎠
Temos que
2
⎛ 24.6 × 22.9 ⎞
⎜127.51 − ⎟
R =
2 ⎝ 5 ⎠ ⇔R2=0.679
⎛ 1 2 ⎞⎛ 1 2⎞
⎜149.5 − 24.6 ⎟⎜116.33 − 22.9 ⎟
⎝ 5 ⎠⎝ 5 ⎠
ou seja, o ajuste efectuado é relativamente bom.
6
Quando b0 e b1 são estimadores dos mínimos quadrados de β0 e β1 dados
por (2) então os desvios di são idênticos aos resíduos ri.
7
n
∑ ( yi − yˆ i )2
ou por R2 = 1 − i =1 onde ŷi é o valor estimado de yi pela
2
2 1 ⎛⎜ ⎞
n n
∑ i n ⎜ ∑ i ⎟⎟
y − y
i =1 ⎝ i =1 ⎠
equação ajustada.
4. Ajuste Polinomial
Um caso especial de ajuste linear múltiplo ocorre quando x1=x,
x2=x2,...,xP=xP. Neste caso a equação do modelo é dada por:
Y=β0+β1x+β2x2+...+βPxP
ou seja, estamos perante um ajuste polinomial, i.e., estamos a ajustar os
dados a um polinómio de grau P.
8
Exemplo: Ajustar os pontos da tabela abaixo à equação y=aebx.
xi yi ln(yi) xi ln(yi) xi2 ln2(yi)
0.1 5.9 1.77 0.177 0.01 3.1229
1.5 8.8 2.17 3.255 2.25 4.7089
3.3 12.0 2.48 8.184 10.89 6.1504
4.5 19.8 2.99 13.455 20.25 8.9401
5.0 21.5 3.07 15.35 25 9.4249
∑ 14.4 12.48 58.4 32.3572
Então,
ln(y)=1.734+0.2646x ⇔ y=e1.734e0.2646x ⇔ y=5.6633e0.2646x.
2
⎛ 1 ⎞
⎜ 40.421 − × 14.4 × 12.48 ⎟
R2 = ⎝ 5 ⎠ = 0.981
⎛ 1 2 ⎞⎛ 1 2⎞
⎜ 58.4 − (14.4) ⎟⎜ 32.3572 − (12.48) ⎟
⎝ 5 ⎠⎝ 5 ⎠