96

4.7 - AJUSTE DE CURVAS PELO MTODO DOS QUADRADOS MNIMOS

Introduo

Vimos, no captulo anterior, que uma forma de se trabalhar com uma funo
definida por uma tabela de valores a interpolao polinomial.

Contudo, a interpolao no aconselhvel quando:
a) preciso obter um valor aproximado da funo em algum ponto fora do
intervalo de tabelamento, ou seja, quando se quer extrapolar;
b) os valores tabelados so resultados de algum experimento fsico ou de alguma
pesquisa, porque, nestes casos, estes valores podero conter erros inerentes
que, em geral, no so previsveis.

Surge ento a necessidade de se ajustar a estas funes tabeladas uma funo que
seja uma boa aproximao para os valores tabelados e que nos permita extrapolar com
certa margem de segurana.

4.7.1 - Mtodo dos quadrados mnimos

4.7.1.1- O Caso discreto

Sejam dados os pontos (x
1
, f(x
1
)), (x
2
, f(x
2
)), ..., (x
m
, f(x
m
)) e as n funes g
1
(x),
g2(x), ..., gn(x) escolhidas de alguma forma.
Consideraremos que o nmero de pontos m, tabelados, sempre maior ou igual a n
o nmero de funes escolhidas ou o nmero de coeficientes
i a se determinar.
Nosso objetivo encontrar os coeficientes
1
,
2
, ...,
n
tais que a funo (x) =

1
g
1
(x) +
2
g
2
(x) + ... +
n
g
n
(x) se aproxime ao mximo de f(x).
Seja dk = f(xk) (xk) o desvio em xk. Vamos observar que, um conceito de
proximidade que d
k
seja mnimo para todo k = 1, 2, ..., m.
O mtodo dos quadrados mnimos consiste em escolher os
j
s de tal forma que a
soma dos quadrados dos desvios seja mnima. claro que se a soma



m
1 k
2
k k
m
1 k
2
k
)) x ( ) x ( f ( d mnima, teremos que cada parcela [f(x
k
) (x
k
)]
2

pequena, donde cada desvio [f(xk) (xk)] pequeno.
Portanto, dentro do critrio dos quadrados mnimos, os coeficientes
k
, que fazem
com que (x) se aproxime ao mximo de f(x), so os que minimizam a funo

m
1 k
2
k k n 2 1
)] x ( ) x ( f [ ) , , , ( F K

m
1 k
2
k n n k 2 2 k 1 1 k
)] x ( g ) x ( g ) x ( g ) x ( f [ K .
97
Observamos que, se o modelo ajustar exatamente os dados, o mnimo da funo
acima ser zero e, portanto, a interpolao um caso especial dentro do mtodo dos
quadrados mnimos.
Usando o Clculo Diferencial, sabemos que, para obter um ponto de mnimo de
F(
1,
2, ...,
n), temos de, inicialmente, encontrar seus pontos crticos, ou seja, os (
1,
2,
...,
n
) tais que
0
F
) , , , (
j
n 2 1

K
, j = 1, 2, ..., n.
Calculando estas derivadas parciais para cada j = 1, 2, ..., n, temos

m
1 k
k n n k 1 1 k
) , , , (
j
)] x ( g ) x ( g ) x ( f [ 2
F
n 2 1
K
K

Impondo a condio
0
F
) , , , (
j
n 2 1

K
, j = 1, 2, ..., n.
temos
0 )] x ( g [ )] x ( g ) x ( g ) x ( f [
k j
m
1 k
k n n k 1 1 k

K , j = 1, 2, ..., n.

Assim,

0 ) x ( g )] x ( g ... ) x ( g ) x ( f [
0 ) x ( g )] x ( g ... ) x ( g ) x ( f [
0 ) x ( g )] x ( g ... ) x ( g ) x ( f [
k n
m
1 k
k n n k 1 1 k
m
1 k
k 2 k n n k 1 1 k
m
1 k
k 1 k n n k 1 1 k
M

'

+ +
+ +
+ +

m
1 k
k n k n
m
1 k
k n k n 1
m
1 k
k 1 k n
m
1 k
k 2 k n
m
1 k
k 2 k n 1
m
1 k
k 2 k 1
m
1 k
k 1 k n
m
1 k
k 1 k n 1
m
1 k
k 1 k 1
) x ( g ) x ( f ] ) x ( g ) x ( g [ ] ) x ( g ) x ( g [
) x ( g ) x ( f ] ) x ( g ) x ( g [ ] ) x ( g ) x ( g [
) x ( g ) x ( f ] ) x ( g ) x ( g [ ] ) x ( g ) x ( g [
K
M
K
K


que um sistema linear com n equaes e n incgnitas:
1,
2, ...,
n.
98
As equaes deste sistema linear so as chamadas equaes normais.
O sistema linear acima pode ser escrito na forma matricial A = b:

'

+ + +
+ + +
+ + +
n n nn 2 2 n 1 1 n
2 n n 2 2 22 1 21
1 n n 1 2 12 1 11
b a a a
b a a a
b a a a
K
M
K
K


onde A = (a
ij
) tal que a
ij
=

m
1 k
ij k i k j
a ) x ( g ) x ( g (ou seja, A simtrica)

= (
1
,
2
, ...,
n
)
t
e b = (b
1
, b
2
, ..., b
n
)
t
tal que

bi =

m
1 k
k i k
) x ( g ) x ( f .

Lembramos que, dados os vetores x e y
m
, o nmero real y , x =

m
1 i
i i
y x
chamado de produto escalar de x por y.
Usando esta notao, o sistema normal A = b ficar expresso por

A =
j i ij
g , g ) a ( e b = (b
i
) =
i
g , f onde
l
g o vetor (g
l
(x1)g
l
(x2) ... g
l
(xm))
T
e f, o vetor (f(x1)f(x2) ... f(xm))
T
.
Demonstra-se que, se as funes g
1
(x), ..., g
n
(x) forem tais que os vetores
n 2 1
g , , g , g K sejam linearmente independentes, ento o determinante da matriz A
diferente de zero e, portanto, o sistema linear

'

+ +
+ +
+ +






m
1 k
k n k n
m
1 k
k n k n 1
m
1 k
k 1 k n
m
1 k
k 2 k n
m
1 k
k 2 k n 1
m
1 k
k 2 k 1
m
1 k
k 1 k n
m
1 k
k 1 k n 1
m
1 k
k 1 k 1
) x ( g ) x ( f ] ) x ( g ) x ( g [ ] ) x ( g ) x ( g [
) x ( g ) x ( f ] ) x ( g ) x ( g [ ] ) x ( g ) x ( g [
) x ( g ) x ( f ] ) x ( g ) x ( g [ ] ) x ( g ) x ( g [
K
M
K
K

99
admite soluo nica:
n 1
, , K . Ainda mais, demonstra-se tambm que esta soluo
n 1
, , K o ponto em que a funo F(
n 1
, , K ) atinge seu valor mnimo.
Observamos que, se os vetores
n 2 1
g , , g , g K tiverem uma propriedade
suplementar de serem tais que
j i
g , g :

'

j i , 0
j i , 0
, o que, em linguagem de lgebra linear
se diz se os vetores
n 2 1
g , , g , g K forem ortogonais entre si, ento a matriz A do sistema
normal ser matriz diagonal, com aii 0 e, portanto, o sistema ter soluo nica, a qual
ser facilmente determinada.
Felizmente, dado um conjunto de pontos {x1, x2, ..., xm} fcil construir
polinmios de grau 0, 1, ..., n que so ortogonais, no sentido acima, em relao ao produto
escalar
j i
g , g =

m
1 k
k j k i
) x ( g ) x ( g .
Polinmios ortogonais constituem uma classe particular de funes ortogonais.
Tais funes possuem vrias propriedades muito interessantes e teis. O leitor interessado
em aprender sobre o assunto pode pesquisar, por exemplo, nos livros [5] e [27]. O estudo
de funes ortogonais, em particular de polinmios ortogonais, merece um captulo
especial, o que ser feito aqui.

Exemplo 4.7.1:

Seja o conjunto de pontos X5 = {1, , 0, , 1} e os polinmios

g
0
(x) = 1; g
1
(x) = x, g
2
(x) = x
2


Ento, os polinmios g
0
(x), g
1
(x) e g
2
(x) so funes ortogonais em X
5
com
relao ao produto escalar
j i
g , g =

m
1 k
k j k i
) x ( g ) x ( g pois os vetores

0
g (g
0
(x
i
)) = (1 1 1 1 1)
T

1
g (g
1
(x
i
)) = (1 0 1)
T
e

2
g (g
2
(x
i
)) = ( )
T
so ortogonais entre si, o que se verifica
facilmente:
0 0
g , g = 5 0
1 0
g , g = 1( 1) + 1( ) + 1(0) + 1() + 1(1) = 0
2 0
g , g = 1() + 1() + 1() + 1() + 1() = 0
Fica a cargo do leitor fazer as demais verificaes.
100
Os polinmios citados so conhecidos como polinmios de Gram, { }
m
0 i
im
P

ortogonais em conjuntos de pontos eqidistantes, xi = 1 +
m
i 2
.
Assim,

'

0
0
P , P
m , j m , i


Exemplo 4.7.2:

Seja a funo tabelada

x 1.0 0.75 0.6 0.5 0.3 0 0.2 0.4 0.5 0.7 1.0
f(x) 2.05 1.153 0.45 0.4 0.5 0 0.2 0.6 0.512 1.2 2.05

Feito o diagrama de disperso, deve ser ajustada por uma parbola passando pela
origem, ou seja, f(x) = (x) = x
2
(neste caso temos apenas uma funo g(x) = x
2
).
Temos, pois, de resolver apenas a equao




11
1 k
k k
11
1 k
k k
) x ( g ) x ( f ] ) x ( g ) x ( g [



11
1 k
k k
11
1 k
2
k
) x ( g ) x ( f ] ) x ( g [



11
1 k
k
2
k
11
1 k
2 2
k
) x ( f ) x ( ] ) x ( [

Continuando a tabela com g(xk)g(xk) e g(xk)f(xk), temos

Somas
x 1.0 0.75 0.6 0.5 0.3 0 0.2 0.4 0.5 0.7 1.0
(x
2
)(x
2
) 1 0.3164 0.1296 0.0625 0.0081 0 0.0016 0.0256 0.0625 0.2401 1.0 2.8464
f(x)x
2
2.05 0.6486 0.162 0.1 0.045 0 0.008 0.096 0.128 0.0588 2.05 5.8756

Assim, nossa equao 2.0642 = 5.8756 =
8464 . 2
8756 . 5
2.0642
Ento (x) =2.0642x
2
a parbola que melhor se aproxima, no sentido dos
quadrados mnimos, da funo tabelada.

4.7.1.2- O Caso Contnuo

Para simplificar a notao, desenvolveremos aqui o caso em que escolhemos
apenas duas funes.
se i
j

101
Sejam ento f(x) contnua em um intervalo [a, b] e g
1
(x) e g
2
(x) duas funes
contnuas em [a, b] que foram escolhidas de alguma forma. preciso encontrar duas
constantes reais
1
e
2
tais que (x) =
1
g
1
(x) +
2
g
2
(x) esteja o mais prximo possvel
de f(x).
Seguindo o critrio dos quadrados mnimos para o conceito de proximidade entre
(x) e f(x), os coeficientes
1
e
2
a serem obtidos devero ser tais que o valor de

b
a
2
dx )] x ( ) x ( f [
seja o menor possvel.
Geometricamente, isto significa que a rea entre as curvas f(x) e (x) seja mnima.
Portanto, o problema consiste em obter o mnimo para

+
b
a
2 2
b
a
2
dx ] ) x ( ) x ( ) x ( f 2 ) x ( f [ dx )] x ( ) x ( f [

+ + +
b
a
2
1
2
1
2 2 1 1
2
) x ( g )] x ( g ) x ( g )[ x ( f 2 ) x ( f {
dx )} x ( g ) x ( g ) x ( g 2
2
2
2
2
2 1 2 1
+ +
+

b
a
2 2
b
a
1 1
b
a
2
] dx ) x ( g ) x ( f 2 [ ] dx ) x ( g ) x ( f 2 [ dx ) x ( f
) , ( F ] dx ) x ( g [ ] dx ) x ( g ) x ( g 2 [ ] dx ) x ( g [
2 1
b
a
2
2
b
a
2 1 2 1
b
a
2
1
2
1
+ + +


) , ( F dx )] x ( ) x ( f [
2 1
b
a
2

Com o mesmo argumento do caso discreto, temos de achar os pontos crticos de F,
ou seja, achar (
1,
2) tal que

0
F
) , (
i
2 1

, i = 1, 2.

i = 1 + +

b
a
1
2
1
b
a
1
) , (
1
] dx ) 2 ( g 2 [ dx ) x ( g ) x ( f 2
F
2 1

+

2 2 1
] dx ) x ( g ) x ( g 2 [
Assim,
) , (
1
2 1
F

0
F
) , (
2
2 1


102

'

+
+


b
a
2
b
a
2
2
2
b
a
1 2 1
b
a
1 2
b
a
2 1
b
a
1
2
1
dx ) x ( g ) x ( f ] dx ) x ( g [ ] dx ) x ( g ) x ( g [
dx ) x ( g ) x ( f ] dx ) x ( g ) x ( g [ ] dx ) x ( g [


Se

b
a
2
1
11
dx ) x ( g a ,


b
a
21 1 2
b
a
12
a dx ) x ( g ) x ( g dx ) x ( 2 g ) x ( 1 g a

b
a
2
2
22
dx ) x ( g a

b
a
1 1
dx ) x ( g ) x ( f b e

b
a
2 2
dx ) x ( g ) x ( f b ,
podemos escrever o sistema linear acima como

'

+
+
2 2 22 1 21
1 2 12 1 11
b a a
b a a
ou A = b, onde A =

,
_

22 21
12 11
a a
a a


= (
1

2
)
T
, b = (b
1
b
2
)
T
.

Demonstra-se que, se as funes escolhidas g1(x) e g2(x) forem linearmente
independentes, o determinante da matriz A diferente de zero, o que implica que o sistema
linear admite nica soluo ) , (
2 1
. Ainda mais, demonstra-se tambm que esta soluo
o ponto em que a funo F(
1,
2) atinge seu valor mnimo.
Usando aqui a definio de produto escalar de duas funes p(x) e q(x) no
intervalo [a, b] por

b
a
dx ) x ( q ) x ( p q , p
,
teremos que, no caso em que queremos aproximar

f(x)
1
g
1
(x) + ... +
n
g
n
(x) o sistema normal A = b fica

A = (a
ij
) =

b
a
i j j i j i
g , g dx ) x ( g ) x ( g g , g
b = (bi) =

b
a
i i
dx ) x ( g ) x ( f g , f
.
103
Da mesma forma que no caso discreto, temos funes ortogonais com relao ao
produto escalar, como mostrar o exemplo abaixo.

Exemplo 4.7.3:

Os polinmios de Legendre, definidos por

P
0
(x) 1, P
k
(x) =
k 2
) k (
) k (
k
)] 1 x [(
dx
d
! k 2
1
, k = 1, 2, ...
so ortogonais em [1, 1], com relao ao produto escalar

b
a
dx ) x ( q ) x ( p q , p
.
Fica como exerccio a verificao de que os trs primeiros polinmios de Legendre
P0(x) 1, P1(x) = x e P2(x) = ) 1 x 3 (
2
1
2
so ortogonais entre si.
Uma observao interessante que, em geral, polinmios ortogonais satisfazem
uma frmula de recorrncia de 3 termos, ou seja, dados P
0
(x) e P
1
(x), conseguimos
construir P
k
(x), k = 2, 3, ...
No caso dos polinmios de Legendre, a frmula de recorrncia
P
j + 1
(x) = ) x ( P
1 j
j
) x ( xP
1 j
1 j 2
1 j j

,
_

,
_

+
+
, j = 1, 2, ...

Exemplo 4.7.4:

Vamos aproximar f(x) = 4x
3
por um polinmio do primeiro grau, uma reta, no
intervalo [a, b] = [0, 1].

(x) =
1
g
1
(x) +
2
g
2
(x) =
1
+
2
x,
1
,
2


(g
1
(x) 1 g
2
(x) = x).

Pelo que vimos, (
1
,
2
) a nica soluo de A = b onde

A =
1
]
1

22 21
12 11
a a
a a
=
1
]
1

2
1
b =
1
]
1

2
1
b
b
, sendo

a
11
=


1
0
b
a
2
1
1 dx 1 dx ) x ( g
a
12
=


1
0
21
1
0
2 b
a
2 1
a
2
1
2
x
xdx dx ) x ( g ) x ( g
104
a
22
=
3
1
3
x
dx x dx ) x ( g
1
0
3 1
0
2
b
a
2
2




b1 = 1
4
x 4
dx x 4 dx ) x ( g ) x ( f
1
0
4 1
0
3
b
a
1



b2 =


1
0
1
0
5
3
b
a
2
5
4
5
x 4
xdx x 4 dx ) x ( g ) x ( f

Temos ento o sistema

'

+
+
5
4
3
1
2
1
1
2
1
1
2 1
2 1

5
18
,
5
4
2 1
.

Logo, a aproximao por quadrados mnimos de f(x) = 4x
3
no intervalo [0, 1], por
um polinmio de grau 1, a reta (x) =
5
4
x
5
18
.
4.7.3- O Caso No Linear

Em alguns casos, a famlia de funes escolhidas pode ser no linear nos
parmetros, como, por exemplo, se ao diagrama de disperso de uma determinada funo se
ajustar uma exponencial do tipo f(x) (x) = 1e

2
x
,
1
e
2
positivos.
Para se aplicar o mtodo dos quadrados mnimos, necessrio que se efetue uma
linearizao do problema atravs de alguma transformao conveniente.
Por exemplo:
y
1
e

2
x
z = ln(y) ln(
1
)
2
x.

Se a1 = ln(
1) e a2 =
2 ln(y) a1 a2x = (x) que um problema linear nos
parmetros a
1
e a
2
.
O mtodo dos quadrados mnimos pode ento ser aplicado na resoluo do
problema linearizado. Obtidos os parmetros deste problema, usaremos estes valores para
calcular os parmetros originais.
importante observar que os parmetros assim obtidos no so timos dentro do
critrio dos quadrados mnimos, isto porque estamos ajustando o problema linearizado por
quadrados mnimos e no o problema original.
Portanto, no exemplo, os parmetros a
1
e a
2
so os que ajustam a funo (x)
funo z(x) no sentido dos quadrados mnimos; no se pode afirmar que os parmetros
1
e

2
(obtidos atravs de a
1
e a
2
) so os que ajustam (x) f(x) dentro do critrio dos
quadrados mnimos.

105
Exemplo 4.7.5:

Suponhamos que num laboratrio obtivemos experimentalmente os seguintes
valores para f(x) sobre os pontos x
i
, i = 1, 2, ..., 8:

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

Fazendo o diagrama de disperso dos dados acima, obtemos














Figura 4.7.1 diagrama de disperso dos dados da tabela dada.

Os dados nos sugere um ajuste y (x) =
1
e

2
x
.

Conforme vimos anteriormente, a linearizao a ser feita
z = ln(y) ln(
1e

2
x
) = ln(
1)
2x = (x).

Assim, em vez de ajustarmos y por quadrados mnimos, ajustaremos z = ln(y) por
quadrados mnimos, encontrando (x) = a
1
+ a
2
x, onde a
1
= ln (
1
) e a
2
=
2
. (Aqui g
1
(x)
= 1 e g
2
(x) = x).

Temos pois:

x 1.0 0.7 0.4 0.1 0.2 0.5 0.8 1.0
z = ln(y) 3.599 2.849 2.099 1.349 0.599 0.151 0.901 1.402

e a1 e a2 sero a soluo do sistema:

x
y
106

'

+
+




8
1 k
k 2 k
8
1 k
2 k 2 k 2
8
1 k
1 k 2 k 1
8
1 k
k 1 k
8
1 k
2 k 1 k 2
8
1 k
1 k 1 k 1
) x ( g ) x ( z a )] x ( g ) x ( g [ a )] x ( g ) x ( g [
) x ( g ) x ( z a )] x ( g ) x ( g [ a )] x ( g ) x ( g [


g
1
(x) = 1 8 a 1 ) x ( g ) x ( g
11
8
1 k
8
1 k
k 1 k 1




g2(x) = x 59 . 3 a x ) x ( g ) x ( g
8
1 k
22
2
k
8
1 k
k 2 k 2





3 . 0 a a x 1 ) x ( g ) x ( g
8
1 k
21 12 k
8
1 k
k 2 k 1


b
1
= 041 . 8 ) x ( z ) x ( g ) x ( z
8
1 k
k
8
1 k
k 1 k




b
2
=



8
1 k
k k
8
1 k
k 2 k
646 . 8 x ) x ( z ) x ( g ) x ( z
donde

1
]
1

59 . 3 3 . 0
3 . 0 8
A b =
1
]
1

646 . 8
041 . 8


e o sistema fica

'

+
+
646 . 8 a 59 . 3 a 3 . 0
041 . 8 a 3 . 0 a 0 . 8
2 1
2 1
099 . 1 a
1
e 5 . 2 a
2


Agora,
1
= e
a
1

1
= e
1.099
= 3.001

2
= a
2

2
= 2.5.

Assim, a funo (x) =
1e

2
x
= 3.001e
2.5x


Assim, como no exemplo anterior, onde ajustamos aos dados a curva y
1
e

2
x
,
comum encontrarmos casos em que os dados tabelados, feito o diagrama de disperso,
devem ser ajustados por

1) Uma hiprbole: y ) x (
x
1
2 1

+

107
) x
x
1
z (
2 1
+

2) Uma curva exponencial: y
x
2
1
= (x)
(se y > 0, z = ln(y) +
43 42 1 3 2 1
2 1
a
2
a
1
) ln( x ) ln( a
1
+ a
2
x = (x)).

3) Uma curva geomtrica: y
1
x

2
= (x)
(se x > 0 e y > 0, z = ln(y)
{
) x ln( ) ln(
2 1
a
2
a
1
+
3 2 1
=
{
t
2 1
) x ln( a a +
z = ln(y) a
1
+ a
2
t = (t)).(Aqui minimizamos a soma dos quadrados dos
desvios nos logaritmos de y, para os logaritmos de x.)

4) Uma curva trigonomtrica: y
1
+
2
cos(wx) = (x).(t = cos(wx) (t) =
1

+
2t e, neste caso, estamos minimizando a soma dos quadrados dos desvios
em y.)

4.7.4- Teste de Alinhamento

Uma vez escolhida uma funo linear em
1,
2, ...,
n para ajustar uma funo
dada, uma forma de verificarmos se a escolha feita foi razovel aplicarmos o teste de
alinhamento, que consiste em:

i) fazer a linearizao da funo no linear escolhida;
ii) fazer o diagrama de disperso dos novos dados;
iii) se os pontos do diagrama (ii) estiverem alinhados, isto significar que a funo
no linear escolhida foi uma boa escolha.

Observamos que, devido aos erros de observao, e clculos aproximados,
consideramos satisfatrio o diagrama de disperso onde os pontos se distribuem
aleatoriamente em torno de uma reta mdia.

No exemplo 4.7.5, temos

x 1.0 0.7 0.4 0.1 0.2 0.5 0.8 1.0
y 36.547 17.264 8.155 3.852 1.820 0.860 0.406 0.246
z = ln(y) 3.599 2.849 2.099 1.349 0.599 0.151 0.901 1.402







108














Figura 4.7.2- diagrama de disperso dos dados da tabela dada.


4.7.5- Exerccios

Ver Ruggiero (pgina 287 a 291 exerccios 01 ao 13)





x
z