Método dos Mínimos Quadrados

▸ Vimos que uma forma de trabalhar com uma função

definida por uma tabela de valores é a INTERPOLAÇÃO;

▸ Porém não é aconselhável quando:

- precisamos de valores fora do intervalo tabelado; ou
- valores são resultados de algum experimento ou de
alguma pesquisa.

1
 Problema clássico da interpolação
▸ Fenômeno de Runge: pontos de abscissa igualmente espaçados.

f ( x)

1
f ( x) 
1  25 x 2

1  x  1

2
 ▸ Polinômio de Lagrange grau 4.
P4 ( x)  3,315653x 4  4, 277193x 2  1
1
f ( x)  P4 ( x)
1  25 x 2
{1; 0.5;0;0.5;1}

f ( x)

https://es.planetcalc.com/8692/

3
 ▸ Polinômio de Lagrange grau 8.
P8 ( x)  38,15013x8  82, 41981x 6  56, 26837 x 4  12,96023x 2  1
1
f ( x) 
1  25 x 2 P4 ( x)
P8 ( x)

{1; 0.75; 0.5; 0.25;

0; 0.25;0.5; 0.75;1}

f ( x)

4
Polinômio de grau 20
P20 ( x)

f ( x)

5
Ajuste de curvas pelo
método dos mínimos
quadrados
 “
Queremos uma função que seja uma “boa
aproximação” para valores tabelados, e que nos
permita “extrapolar” com certa margem de
segurança.

7
 DE uma forma geral …

Experimentos
geram uma gama de
dados que devem ser
analisados para a criação
de um modelo.
Função
Obter uma função matemática que
represente (ou que ajuste) os dados
permitindo fazer simulações do
processo de forma confiável e
reduzindo assim repetições de
experimentos que podem ter um
custo alto.
8
 Método dos mínimos Quadrados
É o mais utilizado por ter uma aboradagem simples, ser
preciso, e seu resultado abrange várias funções,
principalmente polinômios.
9
 A escolha da função pode ser:

 Observando o gráfico dos pontos tabelados;

 Baseando-se em fundamentos teóricos do experimento

que forneceu a tabela ou;

 Através de uma função já conhecida.

10
 Caso Discreto

Dados
Temos uma tabela de pontos pertencentes a
um intervalo. x x1 x2 x3 ... xn

f(x) f(x1) f(x2) f(x3) ... f(xn)

x1 , x2 , x3 ,..., xn  [a, b]

O método consiste em “escolhidas” n funções

g1, g2,…, gn contínuas em [a,b] obter n  ( x)  1 g1 ( x)   2 g 2 ( x)   3 g 3 ( x)  ...   n g n ( x)
constantes α1, α2,…, αn tais que a função  se
aproxime ao máximo de f(x).

11
 Caso Discreto

Dados
Este é um modelo matemático linear por que
os coeficientes a determinar x x1 x2 x3 ... xn

f(x) f(x1) f(x2) f(x3) ... f(xn)

1 ,  2 ,  3 ,...,  n

Aparecem linearmente, embora as funções

gn(x) possam ser funções não lineares de x.  ( x)  1 g1 ( x)   2 g 2 ( x)   3 g 3 ( x)  ...   n g n ( x)

12
 Caso Discreto

Dados
Este é um modelo matemático linear por que
os coeficientes a determinar
▸ Observando o Diagrama de
Dispersão dos pontos tabelados;
1 ,  2 ,  3 ,...,  n
▸ Basear-se em fundamentos
Aparecem linearmente, embora as funções teóricos do experimento.
gn(x) possam ser funções não lineares de x.

Excel
13
 EXEMPLO
Considere uma experiência onde foram
medidos vários valores de corrente elétrica que
passa por uma resistência submetida a várias
tensões, colocando os valores correspondentes
da tensão e da corrente em um gráfico, vê-se
que:

V Neste caso, existe uma fundamentação teórica

relacionando a corrente e a tensão:
V(i) = k.i

Ou seja, uma função linear de i. Assim:

i g1 (i )  i e  (i )  1 g1 (i )
14
 x
-1,00
-0,75
f(x)
2,050
1,153
CUIDADO!
-0,60 0,450
-0,50 0,400
-0,30 0,500
0,00 0,000
0,20 0,200
0,40
0,50
0,600
0,512 Qual parábola
0,70
1,00
1,200
2,050 se ajusta melhor
aos dados 2.500

do exemplo?? 2.000

1.500

1.000

0.500

0.000
-1.50 -1.00 -0.50 0.00 0.50 1.00 1.50

15
 CUIDADO!

Qual reta
se ajusta melhor
V
aos dados
do exemplo??

16
 Método dos´Mínimos Quadrados

A idéia é impor que os

desvios  ( x)

d k   f ( xk )   ( xk ) 

seja mínimo para cada

k= 1,2,…m.

17
 Método dos´Mínimos Quadrados

 ( x)
Ou seja, nosso objetivo é
encontrar os coeficientes α
tais que a soma dos quadrados
dos desvios seja mínima,
m m

 d    f ( xk )   ( xk ) 
2 2
k m
F (1 ,  2 ,...,  n )    f ( xk )   ( xk ) 
k 1 k 1 2

k 1
m
   f ( xk )  1 g1 ( xk )   2 g 2 ( xk )  ...   n g n ( xk ) 
2

k 1
18
 Método dos´Mínimos Quadrados
F
(1 , 2 ,..., n )  0, j  1, 2,..., n
 j
m

  f ( x )   g ( x )  ...  
k 1
k 1 1 k n g n ( xk ) .   g j ( xk )   0
Portanto:
m
j  1    f ( xk )  1 g1 ( xk )  ...   n g n ( xk ) . g1 ( xk )   0
k 1
m
j  2    f ( xk )  1 g1 ( xk )  ...   n g n ( xk ) . g 2 ( xk )   0
k 1


m
j  n    f ( xk )  1 g1 ( xk )  ...   n g n ( xk )  . g n ( xk )   0
k 1

19
 Método dos´Mínimos Quadrados

 m  m  m  m

  1 k 1 k  1  2 k 1 k  2
g ( x ). g ( x )   g ( x ). g ( x )  ...    n k 1 k  n  f ( x k ) g1 ( x k )
g ( x ). g ( x )  
  k 1   k 1   k 1  k 1

 m  m  m  m
 1 k 2 k  1  2 k 2 k  2
g ( x ). g ( x )   g ( x ). g ( x )  ...    n k 2 k  n  f ( xk ) g 2 ( x k )
g ( x ). g ( x )  
  k 1   k 1   k 1  k 1
Tem-se o sistema linear  m
  m  m  m

cujas equações são    g1 ( xk ).g 3 ( xk )  1   g 2 ( xk ).g 3 ( xk )   2 ...   g n ( xk ).g 3 ( xk )   n   f ( xk ) g 3 ( xk )

  k 1   k 1   k 1  k 1
ditas: 

Equações Normais  m  m  m  m

   g1 ( xk ).g n ( xk )  1   g 2 ( xk ).g n ( xk )   2 ...    g n ( xk ).g n ( xk )   n   f ( xk ) g n ( xk )

  k 1   k 1   k 1  k 1



Obs: m – número de pontos tabelados

n – número de funções escolhidas ou número de coeficientes a determinar

20
 EXEMPLO
x f(x)
-1,00 2,050 Dados
-0,75 1,153 Ajustar os dados por uma parábola
-0,60 0,450
-0,50 0,400
passando na origem:
-0,30 0,500
0,00 0,000 f ( x )   ( x )  1 x 2
0,20 0,200
0,40 0,600
0,50 0,512 Diagrama de Dispersão
 11  11

  g1 ( xk ) g1 ( xk )  1   f ( xk ) g1 ( xk )
0,70 1,200
1,00 2,050
 k 1  k 1

 11 2 2  11

 xk .xk  1   f ( xk ) xk
2

g1 ( x)  x 2  k 1  k 1

-1.50 -1.00 -0.50 0.00 0.50 1.00 1.50

21
 EXEMPLO
x f(x)
-1,00 2,050 Dados
-0,75 1,153 Ajustar os dados por uma parábola
-0,60 0,450
-0,50 0,400
passando na origem:
-0,30 0,500
0,00 0,000 f ( x )   ( x )  1 x 2
0,20 0,200
0,40 0,600  11 2 2  11

 xk .xk  1   f ( xk ) xk
2
0,50 0,512 Diagrama de Dispersão
0,70 1,200  k 1  k 1
1,00 2,050
2.84641  5.8756
1  2.0642

g1 ( x)  x 2 Portanto, a parábola que melhor se aproxima

pelo MNQ:
-1.50 -1.00 -0.50 0.00 0.50 1.00 1.50
f ( x)   ( x)  2.0642 x 2

22
 EXEMPLO
Tabela auxiliar no Excel
Ajustar os dados por uma parábola
g1 ( x)  x 2 passando na origem:

f ( x )   ( x )  1 x 2
 11 2 2  11

 xk .xk  1   f ( xk ) xk
2

 k 1  k 1

2.84641  5.8756
1  2.0642

Portanto, a parábola que melhor se aproxima

pelo MNQ:

f ( x)   ( x)  2.0642 x 2

23
Gráfico comparando a função aproximada e os dados tabelados
2.5

2.0

1.5

Dados tabelados
Função Phi aproximação
1.0

0.5

0.0
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

24
 Caso Não Linear

Não linear nos´parâmetros Exemplo:

Num laboratório os seguintes dados experimentais
Existem várias funções de uma variável foram obtidos:
que podem ser expressas na forma
x -1.0 -0.7 -0.4 -0.1 0.2 0.5 0.8 1.0

y  ax  b f(x) 36.547 17.264 8.155 3.852 1.820 0.860 0.406 0.246

Apesar de originalmente não apresentar
um formalismo linear!

Construindo o diagrama de dispersão:

25
 Caso Não Linear

Exemplo:
f(x) Num laboratório os seguintes dados experimentais
foram obtidos:

x -1.0 -0.7 -0.4 -0.1 0.2 0.5 0.8 1.0

f(x) 36.547 17.264 8.155 3.852 1.820 0.860 0.406 0.246

Construindo o diagrama de dispersão:

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

f ( x)   ( x)  ae  bx y*  1   2 x
1  ln a e  2  b
26
 Caso Não Linear

x -1.0 -0.7 -0.4 -0.1 0.2 0.5 0.8 1.0

f(x) 36.547 17.264 8.155 3.852 1.820 0.860 0.406 0.246

y*
3.5986 2.8486 2.0986 1.3486 0.5988 -0.1508 -0.9014 -1.4024
f *(x)=lnf(x)

f ( x )   ( x)  ae  bx Método Mínimos Quadrados

y*  1   2 x y*   ( x)  1   2 x
1  ln a e  2  b g1 ( x)  1
Lineariação g 2 ( x)  x
 Caso Não Linear
 8   8  8
Método Mínimos Quadrados    g1 ( xk ).g1 ( xk )  1    g 2 ( xk ).g1 ( xk )   2   f *( xk ) g1 ( xk )
 k 1   k 1  k 1
 8
y*  f *( x)   ( x )  1   2 x 8
  g ( x ).g ( x )     g ( x ).g ( x )   
8

g1 ( x)  1   
k 1
1 k 2 k  1

  2 k 2 k  2  f *( xk ) g 2 ( xk )
 k 1  k 1

g 2 ( x)  x  8   8  8

  1.1 1    xk .1  2   f *( xk ).1

 k 1   k 1  k 1
 8 8 8
  1.x     x .x   
  
k 1
k 1

  k k  2  f *( xk ).xk
 k 1  k 1

 8   8  8

  1 1    xk   2   f *( xk )
 k 1   k 1  k 1
 8 8 8
 x     x2   
  
k 1
k 1

  k  2  f *( xk ).xk
 k 1  k 1
 Caso Não Linear
Método Mínimos Quadrados

y*  f *( x)   ( x )  1   2 x
g1 ( x)  1
g 2 ( x)  x

 8   8  8

  1 1    xk   2   f *( xk )
 k 1   k 1  k 1
 8 8 8
 x     x2   
  
k 1
k 1

  k  2  f *( xk ).xk
 k 1  k 1

81  0.3 2  8.0386 1  1.0986

 
0.31  3.59 2  8.6461  2  2.5002
 Caso Não Linear
Método Mínimos Quadrados Lineariação

y*   ( x)  1   2 x
f ( x )   ( x)  ae  bx
g1 ( x )  1
g 2 ( x)  x y*  1   2 x
1  ln a e  2  b
1  1.0986

 2  2.5002 a  e1 =e1.0986 =3 e b  2.5002

y*   ( x)  1.0986  2.5002 x
f ( x)   ( x)  3e 2.5002 x
 Caso Não Linear
Curva gerada pelo Excel, com método próprio de ajuste
Método Mínimos Quadrados de curvas
40.0
2.5002 x
f ( x)   ( x)  3e
f(x) = 2.99992321940593 exp( − 2.50019855847186 x ) 35.0

30.0

25.0

20.0

15.0

10.0

5.0

0.0
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Algumas funções e as substituições para linearização
33