Escolar Documentos
Profissional Documentos
Cultura Documentos
8
8.1 Introdução
A ideia do método de aproximação por quadrados mínimos é aproximar uma função, por
outra, cometendo o menor erro possível.
Vimos que a interpolação polinomial pode não ser confiável para pontos das regiões próximas
aos extremos do intervalo e para pontos fora do intervalo do ajuste realizado (extrapolação).
Surge assim a necessidade de uma ferramenta que permita extrapolação com algum controle de
erro.
φ(x) = a0 + a1 x + a2 x2 + . . . + an xn .
Podemos também considerar que f tenha comportamento exponencial ou que f tem comporta-
mento de polinômio trigonométrico.
Vamos supor que desejamos ajustar aos dados (x1 , y1 ), (x2 , y2 ), . . . , (xm , ym ), onde yi = f (xi ),
uma função do tipo
127
128 CAPÍTULO 8. APROXIMAÇÃO POR QUADRADOS MÍNIMOS
Reescrevendo,
P
m
k=1 [f (xk ) − (α1 g1 (xk ) + α2 g2 (xk ) + · · · + αn gn (xk ))] g1 (xk ) = 0
P
m [f (xk ) − (α1 g1 (xk ) + α2 g2 (xk ) + · · · + αn gn (xk ))] g2 (xk ) = 0
k=1
.
.. .. ..
. .
Pm
k=1 [f (xk ) − (α1 g1 (xk ) + α2 g2 (xk ) + · · · + αn gn (xk ))] gn (xk ) = 0.
8.2. CASO DISCRETO 129
Para simplificar, vamos usar a seguinte notação, por gi representaremos o vetor em Rm dado
por
gi = (gi (x1 ), gi (x2 ), . . . , gi (xm )), i = 1, 2, . . . , n.
Notação análogo para f :
f = (f (x1 ), f (x2 ), . . . , f (xm )).
Usando esta notação, observamos que as expressões entre colchetes no sistema acima são os
produtos internos gi · gj .
Assim, podemos esrever na forma matricial:
g1 · g1 g2 · g1 ··· gn · g1 α1 f · g1
g1 · g2 g2 · g2 ··· gn · g2
α2 f · g 2
.. .. .. . = . .
.. ..
. . .
g1 · gn g2 · gn ··· gn · gn αn f · gn
aij = gi · gj = gj · gi = aji .
Note que se os vetores gi forem linearmente independentes, então o sistema linear admite uma
única solução.
Como resolver sistemas lineares, em geral, não é uma tarefa fácil, seria muito bom que os
vetores gi fossem também ortogonais, pois neste caso a matriz seria diagonal tornando a solução
do sistema completamente trivial.
Exemplos
• Exemplo 8.2.1 (Caso discreto mais comum)
Os dados (xk , yk ) abaixo foram obtidos experimentalmente. O fenômeno físico é modelado por
uma função f (x) com comportamento exponencial. Ajustar aos dados uma função do tipo
I(x) = BeAx .
Esta é uma das mais típicas aplicações. Observe que se aplicarmos ln a I(x) obtemos uma reta
Assim, devemos ajustar aos novos dados (xi , ln yi ) uma reta. Segue daqui que as funções são
g1 (x) = 1 e g2 (x) = x e devemos determinar as constantes α0 = ln B e α1 = A. Os novos dados
são
xi 1.0 1.25 1.5 1.75 2.0
ln yi 1.629240540 1.756132292 1.876406943 2.008214032 2.135349174
Usando a teoria para o caso discreto, obtemos o seguinte sistema de equações lineares
g1 · g1 g2 · g1 α0 f · g1
= .
g1 · g2 g2 · g2 α1 f · g2
Calculando os produtos internos, temos
5 7.5 α0 9.404
= .
7.5 11.875 α1 14.422
α0 = 1.122 α1 = 0.5056.
Como α0 = 1.122 = ln B, segue que B = e1.122 = 3.071. Logo, temos I(x) = 3.071e0.5056x .
O banco de dados do Carbon Dioxide Information Analysis Center (CDIAC)1 e de Oak Ridge
National Laboratory (ORNL) fornecem os seguintes dados sobre a emisão do carbono CO2 .
O processo de uma cicatrização obedece à lei de Carrel2 , que diz que o logaritmo da área
lesionada decresce linearmente com o tempo. Suponha que temos uma área lesionada e que
foi acompanhada ao longo do tempo como mostram os dados abaixo. Determine a curva que
melhor se ajusta aos dados.
A disponibilidade de água potável no mundo vem caindo gradualmente. A tabela, com dados da
América Latina baseados na realidade3 , apresenta a quantidade de água por habitante medida
em 1000 m3 . Determine a curva da forma y = beax que melhor se ajusta aos dados.
Estude os casos de aproximação por quadrados mínimos em que os dados tenham os seguintes
comportamentos:
(a) Comportamento hiperbólico
1
y= .
a + bx
1
Nesse caso, faça z = e ajuste uma reta A + Bx aos dados (xi , zi ). Em seguida volte problema
y
original.
(b) Comportamento exponencial
y = abx .
Veja o exemplo 8.2.1.
(c) Comportamento geométrico
y = axb .
Nesse caso, se xi > 0 e yi > 0, faça z = ln y = ln a + b ln x = A + Bt, onde A = ln a, B = b e
ln x = t, obtendo uma reta. Em seguida volte ao problema original.
Dado os pares (xi , yi ) abaixo aproxime essa função por uma parábola,
Como queremos aproximar f (x) por uma parábola α0 + α1 x + α2 x2 , as funções são g1 (x) =
1, g2 (x) = x e g3 (x) = x2 ; assim temos
g1 · g1 g2 · g1 g3 · g1 α0 f · g1
g 1 · g 2 g 2 · g 2 g 3 · g 2 α1 = f · g 2 .
g1 · g3 g2 · g3 g3 · g3 α2 f · g3
Ou seja,
11 −0.35 4.2025 α0 9.115
−0.35 4.2025 −0.249875 α1 = −0.10875 .
4.2025 −0.249875 2.846406 α2 5.875562
Resolvendo o sistema de equações lineares, obtemos α0 = 0.0914, α1 = 0.09696 e α2 = 1.93776.
Segue que a parábola procurada é
> restart:
> with(stats):
> xvals:=[0,0.25,0.5,0.75,1];
> yvals:=[1,1.284,1.6487,2.117,2.7183];
> z:=fit[leastsquare[[x,y],y=a*x^2+b*x+c,{a,b,c}]]([xvals,yvals]);
Para obter uma aproximação para y(1.7), digite
> evalf(subs(x=1.7,z));
Se os pontos estão distribuídos em torno de uma reta, devemos procurar entre as retas aquela
que melhor se ajusta aos dados. Se os pontos estão distribuídos em torno de uma parábola
devemos procurar entre as parábolas aquela que melhor se ajusta aos dados.
No primeiro diagrama de dispersão, veja figuras 8.2.1, vemos que o comportamento é parabólico,
enquanto que o segundo é claramente linear.
8
1.8
1.6 6
1.4
4
1.2
2
1
0.8 –3 –2 –1 0 1 2 3 4
0.6 –2
0.4
–4
0.2
–3 –2 –1 0 1 2 3
-
f∗
S
134 CAPÍTULO 8. APROXIMAÇÃO POR QUADRADOS MÍNIMOS
seja mínimo.
Pn Isto é, os quadrados devem ser mínimos. Geometricamente, a área abaixo de
2
[f (x) − k=1 ak ϕk (x)] deve ser mínima.
Seja " #2
Z b n
X
E(a1 , a2 , . . . , an ) = ω(x) f (x) − ak ϕk (x) dx.
a k=1
A fim de minimizar esta função devemos resolver o seguinte sistema de equações lineares:
Z b " n
#
∂E X
=2 ω(x) f (x) − ak ϕk (x) (−ϕj (x))dx = 0, (8.3.1)
∂aj a k=1
j = 1, . . . , n.
Reescrevendo o sistema:
Z b n
X Z b
ω(x)f (x)ϕj (x)dx = ak ω(x)ϕk (x)ϕj (x)dx, j = 1, . . . , n. (8.3.2)
a k=1 a
Se as funções ϕi forem linearmente independentes, então o sistema admite uma única solução.
Exemplos
• Exemplo 8.3.1 (Caso Contínuo)
Aproximar f (x) = sin(πx) em [0, 1] por uma função da forma ϕ(x) = a0 + a1 x + a2 x2 . Assim,
ϕ1 (x) ≡ 1, ϕ2 (x) = x e ϕ3 (x) = x2 . Escrevendo o sistema 8.3.3
ϕ1 · ϕ1 ϕ2 · ϕ1 ϕ3 · ϕ1 a0 f · ϕ1
ϕ 1 · ϕ 2 ϕ 2 · ϕ 2 ϕ 3 · ϕ 2 a1 = f · ϕ 2 .
ϕ1 · ϕ3 ϕ2 · ϕ3 ϕ3 · ϕ3 a2 f · ϕ3
0.8
0.6
0.4
0.2
Exercício 8.3.2 Considere o espaço C[−1, 1] das funções contínuas f : [−1, 1] → R munido
do produto interno dado por
Z 1
hf, gi = f (x)g(x)dx.
−1
Se as funções ϕi (x) forem dadas ortogonais entre si, então o sistema acima (8.3.3) se reduz a
Z b Z b
ω(x)f (x)ϕj (x)dx = aj ω(x)|ϕj (x)|2 dx, j = 1, . . . , n, (8.3.4)
a a
e neste caso
Z b
1
aj = ω(x)f (x)ϕj (x)dx,
αj a
onde
Z b
αj = ω(x)|ϕj (x)|2 dx.
a
Sejam f ∈ C[a, b] e S subespaço de C[a, b] gerado pelo conjunto das funções ϕ1 (x), ϕ2 (x), . . . , ϕn (x)
ortogonais em C[a, b]. A aproximação de f por mínimos quadrados é
n
X
f (x) =
∗
ak ϕk (x),
k=1
onde k = 1, . . . , n e
Z b
ω(x)f (x)ϕk (x)dx
a
ak = Z b
. (8.3.5)
2
ω(x)|ϕk (x)| dx
a
Exercício 8.3.4 Considere o espaço C[−1, 1] das funções contínuas f : [−1, 1] → R munido
do produto interno dado por
Z 1
1
hf, gi = √ f (x)g(x)dx.
−1 1 − x2
Seja S o subespaço gerado pelos polinômios 1, x, 2x2 − 1, 4x3 − 3x. Verifique se os polinômios
são ortogonais. Determine a função de S que melhor representa a função cos(x).
8.4. USANDO MAPLE: O MÉTODO DOS QUADRADOS MÍNIMOS CONTÍNUO 137
> restart:with(linalg):
> MMQua := proc(inf, sup, f, N) local A,X, b, i, j;
A := matrix(N,N); b := vector(N);
for i to N do for j to N do
A[i,j] := evalf(int(g[i](k)*g[j](k),k=inf..sup));
od; b[i] := evalf(int(g[i](k)*f(k),k=inf..sup));
od;
print(‘Sistema linear‘);print(‘A = ‘,evalm(A));
for i to N do b[i]:=int(f(k)*g[i](k),k=inf..sup); od;
print(‘Solução do sistema linear ‘);X:=linsolve(A,b);end:
## Exemplo 1: Aproximar a função sin(Pi x) no intervalo
##[-1..1] ## um polinômio de grau 3 .
> f := x -> sin(Pi x);
> g[1] := x -> 1; g[2] := x -> x; g[3] := x -> x^2; g[4] := x -> x^3;
> MMQua(-1,1,f,4);
> f := x -> sin(Pi*x);
> g[1] := x -> 1; g[2] := x -> x; g[3] := x -> x^2;
> MMQua(0,1,f,3);
A seguir veremos como o processo de ortogonalização de Gram-Schmidt pode ser usado para
construir polinômios ortogonais.
onde ω(x) ≥ 0 integrável em [a, b] e ω(x) 6≡ 0 em cada subintervalo de [a, b] é a função peso,
onde Z b
xω(x)|ϕ0 (x)|2 dx
B1 = Za b
,
2
ω(x)|ϕ0 (x)| dx
a
e para k ≥ 2
ϕk (x) = (x − Bk )ϕk−1 (x) − Ck ϕk−2 (x), x ∈ [a, b],
onde Z b
xω(x)|ϕk−1 (x)|2 dx
Bk = Za b
ω(x)|ϕk−1 (x)|2 dx
a
8.5. POLINÔMIOS ORTOGONAIS E O MÉTODO DOS QUADRADOS MÍNIMOS 139
e
Z b
xω(x)ϕk−1 (x)ϕk−2 (x)dx
a
Ck = Z b .
2
ω(x)|ϕk−2 (x)| dx
a
6 3 10 5
P4 (x) = x4 − x2 + , P5 (x) = x5 − x3 + x.
7 35 9 21
Os polinômios de Tchebycheff {Tn (x)} são ortogonais em (−1, 1) com relação ao produto interno
Z 1
hf, gi = ω(x)f (x)g(x)dx,
−1
1
onde a função peso é ω(x) = (1 − x2 )− 2 .
Eles podem ser deduzidos pelo método de ortogonalização dado pelo Teorema 8.5.1, mas esta
não é a maneira mais simples de obtê-los.
140 CAPÍTULO 8. APROXIMAÇÃO POR QUADRADOS MÍNIMOS
Os polinômios de Laguerre L0 (x), L1 (x), L2 (x), . . . , são obtidos usando o Teorema 8.5.1, com o
produto interno
Z ∞
hf, gi = e−x f (x)g(x)dx,
0
Os polinômios de Hermite são obtidos usando o Teorema 8.5.1, com o produto interno
Z ∞
2
hf, gi = e−x f (x)g(x)dx,
−∞
2
onde a função peso é ω(x) = e−x , a = −∞ e b = +∞.
8.5. POLINÔMIOS ORTOGONAIS E O MÉTODO DOS QUADRADOS MÍNIMOS 141
Propriedade 1: Se p0 (x), p1 (x), . . . , pn (x) são polinômios ortogonais segundo um produto in-
terno, então qualquer polinômio de grau ≤ n pode ser escrito como combinação linear destes
polinômios. Além disso, pn (x) é ortogonal a todo polinômio de grau menor do que n.
Propriedade 2: Se p0 (x), p1 (x), . . . , pn (x) são polinômios ortogonais segundo o produto interno
Z b
hf, gi = ω(x)f (x)g(x)dx,
a
onde ω(x) ≥ 0 e ω(x) 6≡ 0 em cada subintervalo de [a, b] é contínua em [a, b], então pn (x) possui
n raízes reais distintas.
As fórmulas de quadratura de Gauss, que veremos mais adiante, são baseadas no seguinte
Teorema, que é a propriedade mais importante dos polinômios ortogonais.
Teorema 8.5.6 Sejam p0 (x), p1 (x), p2 (x), . . . , pn (x), pn+1 (x) . . . polinômios não nulos e ortogo-
nais, segundo o produto interno
Z b
hf, gi = ω(x)f (x)g(x)dx,
a
onde ω(x) ≥ 0 e ω(x) 6≡ 0 em cada subintervalo de [a, b] é contínua em [a, b]. Sejam x0 , x1 , x2 , . . . , xn
as raízes de pn+1 (x). Se f (x) é um polinômio de grau menor do que ou igual a 2n + 1, então
Z b n
X
ω(x)f (x)dx = ωk f (xk ),
a k=0
onde Z b
ωk = ω(x)Lk (x)dx
a
142 CAPÍTULO 8. APROXIMAÇÃO POR QUADRADOS MÍNIMOS
Pn
com Pn (x) = k=0 f (xk )Lk (x) é o polinômio interpolador de Lagrange que interpola f nos
pontos xk , k = 0, 1, . . . , n.
Seja Pn (x) o polinômio interpolador de f (x) nos pontos x0 , x1 , . . . , xn em [a, b]. Como Rn (x) =
f (x) − Pn (x) é o erro na interpolação, então
f (n+1) (ξ)
f (x) − Pn (x) = Rn (x) = (x − x0 )(x − x1 ) · · · (x − xn ) ,
(n + 1)!
onde ξ ∈ (a, b) depende de x. Como f (x) é um polinômio de grau ≤ 2n + 1, temos que o termo
f (n+1) (x)
q(x) =
(n + 1)!
Segue que
Z b Z b
ω(x) [f (x) − Pn (x)] dx = b0 ω(x)pn+1 (x)q(x)dx.
a a
Isto é,
Z b Z b
ω(x)f (x)dx = ω(x)Pn (x)dx
a a
Z b " n #
X
= ω(x) Lk (x)f (xk ) dx
a k=0
n
X Z b
= f (xk ) ω(x)Lk (x)dx
k=0 a
Xn
= ωk f (xk ).
k=0
2. A tabela a seguir lista o total de água consumida no Estados Unidos em bilhões de galões
por dia,
ω
c
4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0 8.5 9.0
σ 7000 6125 5237 4665 4123 3810 3107 3070 2580 2287
Usando o método dos mínimos quadrados, ajuste σ, aos dados, utilizando uma função
do tipo k1 exp(−k2 ωc ).
4. Na tabela temos os dados (tk , f (tk )) para uma função f com comportamento exponencial
que modela a intensidade de uma frente de radiação. Determine a regressão exponencial
de f (t), isto é, uma função do tipo I(t) = I0 eαt que melhor represente f .
144 CAPÍTULO 8. APROXIMAÇÃO POR QUADRADOS MÍNIMOS
5. Na tabela temos os dados (xk , f (xk )) para uma função f com comportamento hiperbólico,
1
isto é da forma, φ(x) = .
a + bx
xk 0 1 2 3 4
f (xk ) 1 0.32256 0.2 0.14286 .11236