____________________________________________________________________________________________________________________

Bacharelado em Sistemas de Informação

Bacharelado em Ciência da Computação
Métodos Numéricos Computacionais (4713, 4616)
Profa. Márcia A. Zanoli Meira e Silva

AJUSTE DE CURVAS

Até agora, o polinômio de aproximação foi definido de tal maneira a coincidir com o valor
da função dada em pontos definidos (interpolação).

Em certos tipos de problemas a interpolação não é aconselhável, como

a) é preciso obter um valor aproximado da função em algum ponto fora do intervalo de
tabelamento, ou seja, quando se quer extrapolar;
b) os valores tabelados são resultados de algum experimento físico ou de alguma
pesquisa, porque, nestes casos, estes valores poderão conter erros inerentes que, em
geral, não são previsíveis.
c) quando o número de pontos for muito grande, a interpolação pode não ser o melhor
caminho.

Surge então a necessidade de se ajustar a estas funções tabeladas uma função que seja uma
“boa aproximação” para os valores tabelados e que nos permita “extrapolar” com certa margem
de segurança.

Assim, dados 𝑛 pontos (𝑥𝑖 , 𝑦𝑖 ), 𝑖 = 1, ⋯ , 𝑛, deseja-se ajustar a eles uma curva 𝑦̂ = 𝑓(𝑥),
que seja uma “boa aproximação” para esses pontos tabelados, utilizando para isso o Método dos
Mínimos Quadrados.

A técnica dos mínimos quadrados é utilizada no cálculo de um conjunto de constantes que

são os coeficientes de uma função 𝑦̂ que aproxima uma função 𝑓 desconhecida, onde 𝑦̂ é da forma:
𝑦̂ = 𝑐1 𝑔1 (𝑥) + 𝑐2𝑔2 (𝑥) + ⋯ + 𝑐𝑛 𝑔𝑛 (𝑥)
sendo: 𝑐1 , 𝑐2 , ⋯ , 𝑐𝑛 são coeficiente lineares
𝑔1 (𝑥), 𝑔2 (𝑥), ⋯ , 𝑔𝑛 (𝑥) são funções escolhidas de acordo com a natureza dos dados
experimentais e podem não ser lineares. Exemplo: 𝑔1 (𝑥) = 𝑒 𝑥 .

As funções 𝑔1(𝑥), 𝑔2 (𝑥), ⋯ , 𝑔𝑛 (𝑥) são escolhidas de acordo com a natureza dos dados
experimentais e pode não ser fácil escolhê-las de modo a ter uma solução razoável.

Portanto, a escolha da função pode ser feita observando o gráfico dos pontos tabelados ou
os fundamentos teóricos do experimento em questão.

______________________________________________________________________________________________________________ 1 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

Para analisar o gráfico, coloca-se os pontos tabelados num eixo cartesiano. O gráfico
resultante é conhecido por diagrama de dispersão. Através deste diagrama é possível visualizar
a curva que melhor se ajusta aos dados.

No geral, escolhidas as funções 𝑔1 (𝑥), 𝑔2 (𝑥), ⋯ , 𝑔𝑛 (𝑥) deve-se estabelecer o conceito de

proximidade entre 𝑓 e 𝑦̂. Este conceito está relacionado com o resíduo ou erro existente entre
𝑓(𝑥𝑖 ) e 𝑦̂(𝑥𝑖 ) para cada um dos pontos tabelados.

Assim o Método dos Mínimos Quadrados divide-se em dois casos:

a) Caso Discreto: deseja-se que o desvio (erro), 𝑦𝑖 − 𝑦̂𝑖 , 𝑖 = 1, ⋯ , 𝑛 seja mínimo;
b) Caso Contínuo: deseja-se que o módulo da área sob a curva seja mínimo.
Será apresentado o Caso Discreto.

______________________________________________________________________________________________________________ 2 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

Ajuste de Curva – Caso Discreto

𝑦̂𝑖
. 𝑦̂𝑖 = 𝑔(𝑥𝑖 )

𝑦𝑖 . 𝑒𝑖

. . . .
.
𝑥1 𝑥2 𝑥𝑖 𝑥𝑛 𝑥

𝑒𝑖 = 𝑦𝑖 − 𝑦̂𝑖 = desvio, erro ou resíduo

(𝑥𝑖 , 𝑦𝑖 ) = ponto tabelado
(𝑥𝑖 , 𝑦̂𝑖 ) = ponto ajustado

O ajuste de curvas pelo Método dos Mínimos Quadrados para o caso discreto tem por
objetivo ajustar 𝑦̂ = 𝑓(𝑥), de forma que os desvios quadráticos sejam mínimos, ou seja, minimizar
o erro ao quadrado:
𝑛 𝑛
2
minimizar 𝑒𝑟𝑟𝑜𝑠 = minimizar ∑ 𝑒𝑖2 = minimizar ∑(𝑦𝑖 − 𝑦̂𝑖 )2
𝑖=1 𝑖=1

Exemplos de tipos de ajustes:

1. Ajuste de Reta
𝑦̂ = 𝑎0 + 𝑎1 𝑥

2. Ajuste Polinomial
𝑦̂ = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑚 𝑥 𝑚

3. Ajuste não linear

𝑦̂ = 𝑎𝑏 𝑥
𝑦̂ = 𝑎𝑒 𝑏𝑥
𝑦̂ = 𝑒 𝑎𝑥+𝑏
...

______________________________________________________________________________________________________________ 3 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

Coeficiente de Determinação

Dados 𝑛 valores de (𝑥𝑖 , 𝑦𝑖 ), pode-se fazer um ajuste 𝑦̂ = 𝑓(𝑥). Uma vez determinada a
função, uma forma de verificar a qualidade da escolha feita é através do Coeficiente de
Determinação dado por:
𝑛
𝑛 ∗ ∑𝑖=1 𝑒𝑖2
𝑅2 = 1 − ( 𝑛 )
𝑛 ∗ ∑𝑖=1 𝑦𝑖2 − (∑𝑛𝑖=1 𝑦𝑖 )2
sendo
0 ≤ 𝑅2 ≤ 1
𝑛 𝑛

∑ 𝑒𝑖2 = ∑(𝑦𝑖 − 𝑦̂𝑖 )2

𝑖=1 𝑖=1

Quanto mais próximo o Coeficiente de Determinação estiver da unidade melhor será o

ajuste.

Obs.: O R2 , conhecido como Coeficiente de Determinação, é uma medida prática e aparentemente

intuitiva de verificar quão bem o modelo linear se ajusta a um conjunto de observações.
No entanto, ele não determina se as estimativas e predições dos coeficientes são
tendenciosas, sendo conveniente (em processos reais) avaliar em conjunto com os gráficos
de resíduos e/ou outras medidas estatísticas.

______________________________________________________________________________________________________________ 4 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

AJUSTE DE RETA

.
𝑦

. .
. .
𝑥1 𝑥2 𝑥𝑛 𝑥

Dados 𝑛 pontos (𝑥𝑖 , 𝑦𝑖 ), 𝑖 = 1, ⋯ , 𝑛, e deseja-se ajustar a eles uma reta 𝑦̂ = 𝑎0 + 𝑎1 𝑥.

𝑛 𝑛 𝑛
2
𝑚𝑖𝑛 ∑ 𝑒𝑖2 2
= 𝑚𝑖𝑛 ∑(𝑦𝑖 − 𝑦̂𝑖 ) = 𝑚𝑖𝑛 ∑(𝑦𝑖 − (𝑎0 + 𝑎1 𝑥𝑖 ))
𝑖=1 𝑖=1 𝑖=1

Assim,
𝑛 𝑛

𝑚𝑖𝑛 ∑ 𝑒𝑖2 = 𝑚𝑖𝑛 ∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )2

𝑖=1 𝑖=1

As variáveis do problema são 𝑎0 e 𝑎1 .

Do Cálculo Diferencial sabe-se que para obter os pontos de mínimo de uma função deve-
se encontrar seus pontos críticos, portanto
𝑛
𝜕 ∑𝑛𝑖=1 𝑒𝑖2 2 ∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )(−1) = 0
=0
𝜕𝑎0 𝑖=1
⟹ ⟹
𝑛
𝜕 ∑𝑛𝑖=1 𝑒𝑖2
=0 2 ∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )(−𝑥𝑖 ) = 0
{ 𝜕𝑎1
{ 𝑖=1

𝑛 𝑛 𝑛 𝑛

∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 ) = 0 ∑ 𝑦𝑖 − ∑ 𝑎0 − ∑ 𝑎1 𝑥𝑖 = 0
𝑖=1 𝑖=1 𝑖=1 𝑖=1
⟹
𝑛 𝑛 𝑛 𝑛

∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )(𝑥𝑖 ) = 0 ∑ 𝑥𝑖 𝑦𝑖 − ∑ 𝑎0 𝑥𝑖 − ∑ 𝑎1 𝑥𝑖2 = 0

{ 𝑖=1 { 𝑖=1 𝑖=1 𝑖=1

______________________________________________________________________________________________________________ 5 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

Logo,
𝑛 𝑛

𝑎0 𝑛 + 𝑎1 ∑ 𝑥𝑖 = ∑ 𝑦𝑖
𝑖=1 𝑖=1

𝑛 𝑛 𝑛

𝑎0 ∑ 𝑥𝑖 + 𝑎1 ∑ 𝑥𝑖2 = ∑ 𝑥𝑖 𝑦𝑖
{ 𝑖=1 𝑖=1 𝑖=1

Matricialmente este sistema linear é escrito como

𝑛 ∑ 𝑥𝑖 𝑎0 ∑ 𝑦𝑖
( 2 ) ( )=( )
∑ 𝑥𝑖 ∑ 𝑥𝑖 𝑎1 ∑ 𝑥𝑖 𝑦𝑖

Resolvendo o sistema linear por qualquer método direto visto anteriormente, obtêm-se os
coeficientes da função 𝑦̂ = 𝑎0 + 𝑎1 𝑥 dados por:

𝑛 ∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − ∑𝑛𝑖=1 𝑥𝑖 ∑𝑛𝑖=1 𝑦𝑖

𝑎1 =
𝑛 ∑𝑛𝑖=1 𝑥𝑖2 − (∑𝑛𝑖=1 𝑥𝑖 )2

∑𝑛𝑖=1 𝑦𝑖 − 𝑎1 ∑𝑛𝑖=1 𝑥𝑖
𝑎0 =
𝑛

______________________________________________________________________________________________________________ 6 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

Exemplos

1. Ajuste os pontos dados a uma reta.

𝒙 −2.0 −0.5 1.2 2.1 3.5 5.4
𝒚 4.4 5.5 3.2 1.6 0.6 −0.6

Solução: 𝑦̂ = 3.7700 − 0.8165𝑥

2. Dada a tabela faça um ajuste de reta.

𝒙 −1 1 3 4 5
𝒚 0 1 2 4 6

Resolução
𝑛=5 ∑𝑛𝑖=1 𝑥𝑖2 = 52 ∑𝑛𝑖=1 𝑦𝑖 = 13

∑𝑛𝑖=1 𝑥𝑖 = 12 ∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 = 53

5 ∗ 53 − 12 ∗ 13 109 13 − 0.9397 ∗ 12
𝑎1 = = = 0.9397 𝑎0 = = 0.3448
5 ∗ 52 − (12)2 116 5

∴ 𝑦̂ = 0.3448 + 0.9397𝑥

x −1 1 3 4 5
y 0 1 2 4 6
̂
𝒚 −0.5949 1.2845 3.1639 4.1036 5.0433

Diagrama de Dispersão

3. Considerando a tabela, faça um ajuste de reta.

𝒙 100 103 105 110 112
𝒚 −10 −2 1 10 7

Solução: 𝑦̂ = −157.8 + 1.5𝑥

______________________________________________________________________________________________________________ 7 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

Exercícios

1. Ajuste os dados da tabela a uma reta.

𝒙 1.5 3.4 5.1 6.8 8.0
𝒚 2.0 5.0 3.8 6.1 5.8

Solução: 𝑦̂ = 1.8506 + 0.5422𝑥

2. Dada a tabela calcule o valor de 𝑓(1.18) aproximando a função a uma reta.

𝒙 1.00 1.05 1.10 1.15 1.20 1.25 1.30 1.35
𝒚 1.00 1.01 1.02 1.04 1.05 1.06 1.07 1.08

Solução: 𝑦̂ = 0.7643 + 0.2357𝑥

3. Obtenha a reta que melhor se ajusta aos dados da tabela:

𝒙 0.5 1 2 3 4
𝒚 2500 2400 2000 1800 1500

Solução: 𝑦̂ = 2646.951 − 289.024𝑥

4. Dada a tabela obtenha a reta que melhor se ajusta a esta função.

𝒙 −1.5 −0.5 0.5 1.5
𝒚 −0.5 2 3.5 5

Solução: 𝑦̂ = 2.5 + 1.8𝑥

______________________________________________________________________________________________________________ 8 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

AJUSTE DE POLINOMIAL

. 𝑦̂ = 𝑝𝑚 (𝑥)

. .
. . .
.
𝑥1 𝑥2 𝑥𝑛 𝑥

Dados 𝑛 pontos (𝑥𝑖 , 𝑦𝑖 ), 𝑖 = 1, ⋯ , 𝑛, e o valor do grau do polinômio a ser determinado

(𝑚), deseja-se encontrar os coeficientes do polinômio
𝑦̂ = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑚 𝑥 𝑚
de modo a obter o mínimo ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̂𝑖 )2 .

Resolvendo min ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̂𝑖 )2 de forma análoga ao ajuste de retas, obtém-se o seguinte
sistema linear:
𝑛

𝑚𝑖𝑛 ∑[ 𝑦𝑖 − (𝑎0 + 𝑎1 𝑥𝑖 + 𝑎2 𝑥𝑖2 + 𝑎3 𝑥𝑖3 + ⋯ + 𝑎𝑚 𝑥𝑖𝑚 ) ]2

𝑖=1

𝑛 ∑ 𝑥𝑖 ∑ 𝑥𝑖2 ⋯ ∑ 𝑥𝑖𝑚 𝑎0 ∑ 𝑦𝑖
∑ 𝑥𝑖 ∑ 𝑥𝑖2 ∑ 𝑥𝑖3 ⋯ ∑ 𝑥𝑖𝑚+1 𝑎1 ∑ 𝑥𝑖 𝑦𝑖
∑ 𝑥𝑖2 ∑ 𝑥𝑖3 ∑ 𝑥𝑖4 ⋯ ∑ 𝑥𝑖𝑚+2 𝑎2 = ∑ 𝑥𝑖2 𝑦𝑖
⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋮
( ∑ 𝑥𝑖𝑚 ∑ 𝑥𝑖𝑚+1 ∑ 𝑥𝑖𝑚+2 𝑚+𝑚
⋯ ∑ 𝑥𝑖 ) ( 𝑎𝑚 ) ( ∑ 𝑥𝑖𝑚 𝑦𝑖 )

______________________________________________________________________________________________________________ 9 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

Exemplos

1. Ajuste os pontos da tabela a uma equação do 2o grau.

𝒙 −2.0 −1.5 0.0 1.0 2.2 3.1
𝒚 −30.5 −20.2 −3.3 8.9 16.8 21.4

Solução: 𝑦̂ = −2.018 + 11.330𝑥 − 1.222𝑥 2

𝑅 2 = 0.997

2. Considerando a tabela, faça um ajuste polinomial de grau 2.

Calcule o Coeficiente de Determinação.
𝒙 0 1 2 4 5
𝒚 4 1 −1 1 2

Resolução
𝑦̂ = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2

𝑚=2 ∑𝑛𝑖=1 𝑥𝑖2 = 46 ∑𝑛𝑖=1 𝑦𝑖 = 7

𝑛=5 ∑𝑛𝑖=1 𝑥𝑖3 = 198 ∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 = 13

∑𝑛𝑖=1 𝑥𝑖 = 12 ∑𝑛𝑖=1 𝑥𝑖4 = 898 ∑𝑛𝑖=1 𝑥𝑖2 𝑦𝑖 = 63

Logo,

𝑛 ∑ 𝑥𝑖 ∑ 𝑥𝑖2 𝑎0 ∑ 𝑦𝑖 5 12 46 𝑎0 7
( ∑ 𝑥𝑖 ∑ 𝑥𝑖2 ∑ 𝑥𝑖3 ) ∗ ( 𝑎1 ) = ( ∑ 𝑥𝑖 𝑦𝑖 ) ⟹ ( 12 46 198 ) ∗ ( 𝑎1 ) = ( 13 )
∑ 𝑥𝑖2 ∑ 𝑥𝑖3 ∑ 𝑥𝑖4 𝑎2 ∑ 𝑥𝑖2 𝑦𝑖 46 198 898 𝑎2 63

Resolvendo por qualquer método de sistemas lineares tem-se:

𝑎0 3.8247
( 𝑎1 ) = (−3.4123) ⟹ 𝑦̂ = 3.8247 − 3.4123𝑥 + 0.6266𝑥 2
𝑎2 0.6266

𝒙 0 1 2 4 5
𝒚 4 1 −1 1 2
̂
𝒚 3.8247 1.0390 −0.4935 0.2011 2.4282
̂
𝒆𝒊 = 𝒚 − 𝒚 0.1753 −0.0390 −0.5065 0.7989 −0.4282

𝑛 ∗ ∑𝑛𝑖=1 𝑒𝑖2 5 ∗ 1.1104

𝑅2 = 1 − ( 2) = 1−( )
𝑛 ∗ ∑𝑛𝑖=1 𝑦𝑖2 − (∑𝑛𝑖=1 𝑦𝑖 ) 5 ∗ 23 − 72

⟹ 𝑅 2 = 0.9159

______________________________________________________________________________________________________________ 10 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

3. Repita o exercício anterior para um ajuste de uma reta.

Calcule o Coeficiente de Determinação.
Qual dos dois ajustes é o melhor?
𝒙 0 1 2 4 5
𝒚 4 1 −1 1 2

Resolução
𝑦̂ = 𝑎0 + 𝑎1 𝑥

𝑚=1 ∑𝑛𝑖=1 𝑥𝑖 = 12 ∑𝑛𝑖=1 𝑦𝑖 = 7

𝑛=5 ∑𝑛𝑖=1 𝑥𝑖2 = 46 ∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 = 13

5 ∗ 13 − 12 ∗ 7 7 − (−0.2209) ∗ 12
𝑎1 = = −0.2209 𝑎0 = = 1.9302
5 ∗ 46 − 122 5

∴ 𝑦̂ = 1.9302 − 0.2209𝑥

𝒙 0 1 2 4 5
𝒚 4 1 −1 1 2
̂
𝒚 1.9302 1.7093 1.4884 1.0466 0.8257
̂
𝒆𝒊 = 𝒚 − 𝒚 2.0698 −0.7093 −2.4884 −0.0466 1.1743

𝑛 ∗ ∑𝑛𝑖=1 𝑒𝑖2 5 ∗ 12.3605

𝑅2 = 1 − ( 2 )= 1−( )
𝑛∗ ∑𝑛𝑖=1 𝑦𝑖2 − (∑𝑛𝑖=1 𝑦𝑖 ) 5 ∗ 23 − 72

⟹ 𝑅 2 = 0.0636

Logo, o ajuste polinomial (𝑅 2 = 0.9159) é bem melhor que o ajuste de reta (𝑅 2 = 0.0636).

______________________________________________________________________________________________________________ 11 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

4. Dada a tabela fazer um ajuste de grau 2.

𝒙 0 1 2 3
𝒚 0 1 3.8 9

Solução: 𝑦̂ = 0.03 − 0.17𝑥 + 1.05𝑥 2

𝑅 2 = 0.9996

Exercícios

1. Ajuste os pontos da tabela à equação 𝑦 = 𝑏0 + 𝑏1 𝑥 + 𝑏2 𝑥 2 + 𝑏3 𝑥 3 .

𝒙 −5 −4 −2 0 1 2 3 5
𝒚 386 225 54 6 13 40 110 220

Solução: 𝑦 = 2.026 + 3.414𝑥 + 12.019𝑥 2 – 0.783𝑥 3

𝑅 2 = 0.997

2. Ajuste os dados a seguir pelo Método dos Mínimos Quadrados utilizando uma reta e uma
parábola.
Trace as duas curvas no gráfico de dispersão dos dados.
Compare.
𝒙 1 2 3 4 5 6 7 8
𝒚 0.5 0.6 0.9 0.8 1.2 1.5 1.7 2.0

Solução: Reta: 𝑦 = 0.175 + 0.2167𝑥

Parábola: 𝑦 = 0.4071 + 0.0774𝑥 + 0.0155𝑥 2

3. Aproxime a função 𝑦 = 3√𝑥 no intervalo [0 1] por um polinômio de 3o grau, usando os valores

de 𝑥 com incremento de 0.1.

Solução: 𝑦 = 0.071 + 3.315𝑥– 4.864𝑥 2 + 2.509𝑥 3

𝑅 2 = 0.971

______________________________________________________________________________________________________________ 12 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

AJUSTE NÃO LINEAR

Em alguns casos, a família de funções escolhidas pode ser não linear nos parâmetros, como,
por exemplo, se ao diagrama de dispersão de uma determinada função se ajustar uma exponencial
do tipo 𝑓(𝑥) ≅ 𝑦̂ = 𝑎𝑏 𝑥 .

Para aplicar o método dos mínimos quadrados, é necessário efetuar uma linearização do
problema através de alguma transformação conveniente.

Dados 𝑛 pontos (𝑥𝑖 , 𝑦𝑖 ), 𝑖 = 1, ⋯ , 𝑛, deseja-se ajustá-los a curva

𝑦̂ = 𝑎𝑏 𝑥 .

Aplicando 𝑙𝑛 obtém-se:
𝑙𝑛( 𝑦̂) = 𝑙𝑛( 𝑎𝑏 𝑥 )
𝑙𝑛( 𝑦̂) = 𝑙𝑛( 𝑎) + 𝑥 𝑙𝑛( 𝑏)

𝑌̂ = 𝑎0 + 𝑥𝑎1

Do ajuste de reta tem-se:

𝑛 ∑𝑛𝑖=1 𝑥𝑖 𝑙𝑛(𝑦𝑖 ) − ∑𝑛𝑖=1 𝑥𝑖 ∑𝑛𝑖=1 𝑙𝑛(𝑦𝑖 )

𝑎1 =
𝑛 ∑𝑛𝑖=1 𝑥𝑖2 − (∑𝑛𝑖=1 𝑥𝑖 )2

∑𝑛𝑖=1 𝑙𝑛(𝑦𝑖 ) − 𝑎1 ∑𝑛𝑖=1 𝑥𝑖

𝑎0 =
𝑛

Assim, obtém-se 𝑎 e 𝑏 da exponencial 𝑦̂ = 𝑎𝑏 𝑥 da seguinte forma:

𝑎0 = 𝑙𝑛( 𝑎) ⟹ a = 𝑒 𝑎0
𝑎1 = 𝑙𝑛( 𝑏) ⟹ b = 𝑒 𝑎1

Outras Curvas

• Exponencial
𝑦̂ = 𝑎𝑒 𝑏𝑥
⟹ 𝑌̂ = 𝑎0 + 𝑏𝑥
com 𝑎 = 𝑒 𝑎0 , 𝑏 = 𝑎1

______________________________________________________________________________________________________________ 13 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

• Geométrica
𝑦̂ = 𝑎𝑥 𝑏
⟹ 𝑌̂ = 𝑎0 + 𝑏𝑙𝑛(𝑥)
⟹ 𝑌̂ = 𝑎0 + 𝑏𝑋
com 𝑎 = 𝑒 𝑎0 , 𝑏 = 𝑎1

• Hipérbole
1
𝑦̂ =
𝑎 + 𝑏𝑥
⟹ 𝑌̂ = 𝑎 + 𝑏𝑥
1
com 𝑌 = 𝑦 𝑎 = 𝑎0 , 𝑏 = 𝑎1

• 𝑦̂ = 𝑎𝑏𝑒𝑥

𝑥
• 𝑦̂ = 𝑎+𝑏𝑥

1
• 𝑦̂ = 1+𝑒𝑎+𝑏𝑥

• 𝑦̂ = 1 + 𝑎𝑒 𝑏𝑥

Teste de alinhamento

Uma vez escolhida uma função não linear para ajustar uma função dada, uma forma de
verificar se a escolha feita foi razoável é aplicar o teste de alinhamento que consiste em:
a) Fazer a “linearização” da função não linear escolhida;
b) Fazer o diagrama de dispersão dos novos dados;
c) Se os pontos do diagrama de dispersão (item 𝑏) estiverem alinhados a função não linear
escolhida foi uma “boa escolha”.

Deve-se ressaltar que uma vez transformada a equação, somente esta será considerada para
os cálculos, pois todo este estudo é válido apenas para modelos lineares.

______________________________________________________________________________________________________________ 14 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

Exemplos

1. Ajuste os pontos dados à equação 𝑦 = 𝑎𝑒 𝑏𝑥 . Faça o diagrama de dispersão.

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

Solução: 𝑦 = 3.001𝑒 2.5𝑥

2. Ajuste os pontos
𝒙 −8 −6 −4 −2 0 2 4
𝒚 30 10 9 6 5 4 4

1
a) Usando a aproximação 𝑦 = 𝑎+𝑏𝑥
b) Usando a aproximação 𝑦 = 𝑎𝑏 𝑥
c) Qual a melhor aproximação?

Resolução
1 1
a) 𝑦 = ⟹ 𝑌̂ = 𝑎 + 𝑏𝑥 𝑌= 𝑎 = 𝑎0 𝑏 = 𝑎1
𝑎+𝑏𝑥 𝑦

𝒙 −8 −6 −4 −2 0 2 4
𝒚 30 10 9 6 5 4 4
𝒀 = 𝟏⁄ 𝒚 0.0333 0.1000 0.1111 0.1667 0.2000 0.2500 0.2500

∑𝑛𝑖=1 𝑥𝑖 = −14 ∑𝑛𝑖=1 𝑥𝑖 𝑌𝑖 = −0.1444

∑𝑛𝑖=1 𝑥𝑖2 = 140 ∑𝑛𝑖=1 𝑌𝑖 = 1.1111

7 ∗ (−0.1444) − (−14) ∗ 1.1111

𝑎1 = = 0.0186
7 ∗ 140 − (−14)2

1.1111 − (0.0186) ∗ (−14)

𝑎0 = = 0.1958
7

𝑎 = 𝑎0 = 0.1958 𝑏 = 𝑎1 = 0.0186

⟹ 𝑌̂ = 𝑎 + 𝑏𝑥 ⟹ 𝑌̂ = 0.1958 + 0.0186𝑥
1
Mas 𝑌=
𝑦
1 1
∴ 𝑦= ⟹𝑦=
𝑎 + 𝑏𝑥 0.1958 + 0.0186𝑥

______________________________________________________________________________________________________________ 15 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

b) 𝑦 = 𝑎𝑏 𝑥 ⟹ ln(𝑦) = ln(𝑎) + ln(𝑏 𝑥 ) = ln(𝑎) + 𝑥 ln(𝑏) ⟹ 𝑌̂ = 𝑎0 + 𝑎1 𝑥

𝒙 −8 −6 −4 −2 0 2 4
𝒚 30 10 9 6 5 4 4
𝒀 = 𝒍𝒏(𝒚) 3.4012 2.3026 2.1972 1.7918 1.6094 1.3863 1.3863

∑𝑛𝑖=1 𝑥𝑖 = −14 ∑𝑛𝑖=1 𝑥𝑖 𝑌𝑖 = −45.0797

∑𝑛𝑖=1 𝑥𝑖2 = 140 ∑𝑛𝑖=1 𝑌𝑖 = 14.0748

7 ∗ (−45.0797) − (−14) ∗ 14.0748

𝑎1 = = −0.1512
7 ∗ 140 − (−14)2
14.0748 − (−0.1512) ∗ (−14)
𝑎0 = = 1.7084
7

𝑌̂ = 𝑎0 + 𝑎1 𝑥 ⟹ 𝑌̂ = 1.7084 − 0.1512𝑥

𝑎 = 𝑒 𝑎0 = 𝑒 1.7084 = 5.5199 e 𝑏 = 𝑒 𝑎1 = 𝑒 −0.1512 = 0.8597

∴ 𝑦 = 𝑎𝑏 𝑥 ⟹ 𝑦 = 5.5199 ∗ 0.8597𝑥

c)
c.1) Diagrama de Dispersão

c.2) Coeficiente de Determinação

𝒙 −8 −6 −4 −2 0 2 4
𝒚 30 10 9 6 5 4 4
𝒀 = 𝟏⁄ 𝒚 0.0333 0.1000 0.1111 0.1667 0.2000 0.2500 0.2500
̂ = 𝟎. 𝟏𝟗𝟓𝟖 + 𝟎. 𝟎𝟏𝟖𝟔𝒙
𝒀 0.0470 0.0842 0.1214 0.1586 0.1958 0.2330 0.2702
̂
𝒆𝒊 = 𝒀 − 𝒀 −0.0137 0.0158 −0.0103 0.0081 0.0042 0.0170 −0.0202
𝒆𝟐𝒊 0.0002 0.0002 0.0001 0.0001 0.0000 0.0003 0.0004

𝑛 ∗ ∑𝑛𝑖=1 𝑒𝑖2 7 ∗ 0.0013

𝑅𝑎2 = 1 − ( 2) = 1−( ) ⟹ 𝑅𝑎2 = 0.9674
𝑛 ∗ ∑𝑛𝑖=1 𝑌𝑖2 − (∑𝑛𝑖=1 𝑌) 7 ∗ 0.2162 − (1.1111)2

______________________________________________________________________________________________________________ 16 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

𝒙 −8 −6 −4 −2 0 2 4
𝒚 30 10 9 6 5 4 4
𝒀 = 𝒍𝒏(𝒚) 3.4012 2.3026 2.1972 1.7918 1.6094 1.3863 1.3863
̂ = 𝟏. 𝟕𝟎𝟖𝟒 − 𝟎. 𝟏𝟓𝟏𝟐𝒙
𝒀 2.9180 2.6156 2.3132 2.0108 1.7084 1.4060 1.1036
̂
𝒆𝒊 = 𝒀 − 𝒀 0.4832 −0.3130 −0.1160 −0.2190 −0.0990 −0.0197 0.2827
𝒆𝟐𝒊 0.2335 0.0980 0.0135 0.0480 0.0098 0.0004 0.0799

𝑛 ∗ ∑𝑛𝑖=1 𝑒𝑖2 7 ∗ 0.4830

𝑅𝑏2 = 1 − ( 2) = 1−( ) ⟹ 𝑅𝑏2 = 0.8412
𝑛 ∗ ∑𝑛𝑖=1 𝑌𝑖2 − (∑𝑛𝑖=1 𝑌𝑖 ) 7 ∗ 31.3422 − (14.0748)2

Logo, o ajuste feito no item (𝑎) é melhor que o do item (𝑏), pois 𝑅𝑎2 > 𝑅𝑏2

3. Ajuste os pontos da tabela à equação 𝑦 = 𝑎𝑒 𝑏𝑥 .

Calcule o Coeficiente de Determinação.
𝒙 0.1 1.5 3.3 4.5 5.0
𝒚 5.9 8.8 12.0 19.8 21.5

Resolução
𝑙𝑛(𝑦) = 𝑙𝑛(𝑎𝑒 𝑏𝑥 ) ⟹ 𝑙𝑛(𝑦) = 𝑙𝑛(𝑎) + 𝑏𝑥 ⟹ 𝑌̂ = 𝑎0 + 𝑏𝑥 com 𝑎 = 𝑒 𝑎0 , 𝑏 = 𝑎1

𝒙 0.1 1.5 3.3 4.5 5.0

𝒚 5.9 8.8 12.0 19.8 21.5
𝒀 = 𝒍𝒏(𝒚) 1.7750 2.1748 2.4849 2.9857 3.0681

𝑛=5 ∑𝑛𝑖=1 𝑥𝑖 𝑌𝑖 = 40.4160

∑𝑛𝑖=1 𝑥𝑖 = 14.4000 ∑𝑛𝑖=1 𝑌𝑖 = 12.4885

∑𝑛𝑖=1 𝑥𝑖2 = 58.4000 ∑𝑛𝑖=1 𝑌𝑖2 = 32.3828

5 ∗ (40.4160) − 14.4 ∗ 12.4885

𝑎1 = = 0.2628
5 ∗ 58.4 − (14.4)2

12.4885 − 0.2628 ∗ 14.4

𝑎0 = = 1.7408
5

𝑌̂ = 𝑎0 + 𝑏𝑥 ⟹ 𝑌̂ = 1.7408 + 0.2628𝑥

𝑎 = 𝑒 𝑎0 = 𝑒 1.7408 = 5.7017 𝑏 = 𝑎1 = 0.2628

∴ 𝑦 = 𝑎𝑒 𝑏𝑥 ⟹ 𝑦 = 5.7017𝑒 0.2628𝑥

______________________________________________________________________________________________________________ 17 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

Coeficiente de Determinação

𝒙 0.1 1.5 3.3 4.5 5.0

𝒚 5.9 8.8 12.0 19.8 21.5
𝒀 = 𝒍𝒏(𝒚) 1.7750 2.1748 2.4849 2.9857 3.0681
̂ = 𝟏. 𝟕𝟒𝟎𝟖 + 𝟎. 𝟐𝟔𝟐𝟖𝒙
𝒀 1.7670 2.1350 2.6081 2.9235 3.0549
̂
𝒆𝒊 = 𝒀 − 𝒀 0.0080 0.0398 −0.1232 0.0622 0.0132

𝑛 ∗ ∑𝑛𝑖=1 𝑒𝑖2 5 ∗ 0.0209

𝑅2 =1−( 2) = 1−( )
𝑛 ∗ ∑𝑛𝑖=1 𝑌𝑖2 − (∑𝑛𝑖=1 𝑌𝑖 ) 5 ∗ 32.3828 − (12.4885)2

⟹ 𝑅 2 = 0.9825

Exercícios

1
1. Ajuste os dados à equação 𝑧 = .
1+𝑒 𝑎+𝑏𝑥

𝒙 0.00 0.20 0.50 0.60 0.80 1.10

𝒛 0.06 0.12 0.30 0.60 0.73 0.74

1
Dica: 𝑌𝑖 = 𝑙𝑛 ( 𝑧 − 1)
𝑖
1
Solução: 𝑌 = 2.571 − 3.838𝑥 ⟹ 𝑧 =
1+𝑒 2.571−3.838𝑥
𝑅 2 = 0.909

2. Aproxime a tabela dada por uma função do tipo 𝑔(𝑥) = 1 + 𝑎𝑒 𝑏𝑥 .

𝒙 0.0 0.5 1.0 2.5 3.0
𝒚 2.0 2.6 3.7 13.2 21.0

Solução: 𝑔(𝑥) = 1 + 0.9871𝑒 1.0036𝑥

______________________________________________________________________________________________________________ 18 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

LEITURA COMPLEMENTAR: Ajuste de Curva – Caso Contínuo

Seja 𝑓(𝑥) uma função contínua no intervalo [𝑎, 𝑏], conforme mostra a figura a seguir.

Sejam as funções 𝑔1 (𝑥) e 𝑔2 (𝑥) que definem a função 𝜙(𝑥), também contínuas no
intervalo [𝑎, 𝑏] e escolhidas a partir de algum critério de mérito:
𝜙 (𝑥 ) = 𝛼1 𝑔1 (𝑥 ) + 𝛼2 𝑔2 (𝑥)

Deseja-se encontrar 𝛼1 𝑒 𝛼2 𝑞𝑢𝑒 𝑚𝑒𝑙ℎ𝑜𝑟 𝑎𝑗𝑢𝑠𝑡𝑒 𝜙(𝑥) 𝑎 𝑓(𝑥).

Observe que a curva ajustada não necessita passar pelos pontos 𝑓(𝑎) e 𝑓(𝑏).

Pelo critério de mínimos quadrados, para o caso contínuo, tem-se

𝒃
𝑫 = ∫ [ 𝒇(𝒙) − 𝝓(𝒙)]𝟐 𝒅𝒙
𝒂

Determinar 𝑫 significa determinar a área entre as duas curvas. Deseja-se que essa área seja
mínima.

Fazendo a substituição, tem-se:

______________________________________________________________________________________________________________ 19 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

𝑏 𝑏
𝑫 = ∫ [𝑓(𝑥) − 𝜙(𝑥) dx = ∫ [𝑓 2 (𝑥) − 2𝑓(𝑥)𝜙(𝑥) + 𝜙 2 (𝑥)] 𝑑𝑥
]2
𝑎 𝑎
𝑏
= ∫ { 𝑓 2 (𝑥) − 2𝑓(𝑥)[𝛼1 𝑔1 (𝑥) + 𝛼2 𝑔2 (𝑥)] +
𝑎

[𝛼12 𝑔12 (𝑥) + 2α1 𝛼2 𝑔1 (𝑥)𝑔2 (𝑥) + 𝛼22 𝑔22 (𝑥)] } 𝑑𝑥

𝑏 𝑏 𝑏
= ∫ 𝑓 2 (𝑥) dx − [2 ∫ 𝑓(𝑥)𝑔1 (𝑥)dx] 𝛼1 − [2 ∫ 𝑓(𝑥)𝑔2 (𝑥)dx] 𝛼2
𝑎 𝑎 𝑎
𝑏 𝑏 𝑏
+ [∫ 𝑔12 (𝑥)dx] 𝛼12 + [2 ∫ 𝑔1(𝑥)𝑔2 (𝑥)dx] 𝛼1 𝛼2 + [∫ 𝑔22 (𝑥)dx] 𝛼22
𝑎 𝑎 𝑎

= 𝐹(𝛼1 ,α2 )

A solução é encontrar (𝛼̄ 1 , 𝛼̄ 2 )tal que:

𝜕𝐷
| = 0 para 𝑖 = 1,2
𝜕𝛼𝑖 𝛼̄ ,𝛼̄
1 2

𝑏 𝑏 𝑏
𝜕𝐷
= −2 ∫ 𝑓(𝑥)𝑔1(𝑥)dx + [2 ∫ 𝑔12 (𝑥)dx] 𝛼1 + [2 ∫ 𝑔1 (𝑥)𝑔2 (𝑥)dx] 𝛼2
𝜕𝛼1 𝑎 𝑎 𝑎
𝑏 𝑏 𝑏
𝜕𝐷 2
= −2 ∫ 𝑓(𝑥)𝑔2 (𝑥)dx + [2 ∫ 𝑔2 (𝑥)dx] 𝛼2 + [2 ∫ 𝑔1 (𝑥)𝑔2 (𝑥)dx] 𝛼1
𝜕𝛼2 𝑎 𝑎 𝑎

Igualando-se a zero e reagrupando, tem-se:

𝑏 𝑏 𝑏
[∫ 𝑔12 (𝑥)dx] 𝛼1 + [∫ 𝑔1(𝑥)𝑔2 (𝑥)dx] 𝛼2 = ∫ 𝑓(𝑥)𝑔1 (𝑥)dx
𝑎 𝑎 𝑎

𝑏 𝑏 𝑏
[∫ 𝑔1 (𝑥)𝑔2 (𝑥)dx] 𝛼1 + [∫ 𝑔22 (𝑥)dx] 𝛼2 = ∫ 𝑓(𝑥)𝑔2 (𝑥)dx
{ 𝑎 𝑎 𝑎
ou seja
𝑎11 𝛼1 + 𝑎12 𝛼2 = 𝑏1
{
𝑎21 𝛼1 + 𝑎22 𝛼2 = 𝑏2
sendo
𝑏
𝑎𝑖𝑗 = 𝑎𝑗𝑖 = ∫ 𝑔𝑖 (𝑥)𝑔𝑗 (𝑥)dx 𝑖, 𝑗 = 1,2
𝑎
𝑏
𝑏𝑖 = ∫ 𝑓(𝑥)𝑔𝑖 (𝑥)dx 𝑖 = 1,2
{ 𝑎

De forma análoga como realizado no caso discreto, pode-se generalizar para uma função
𝜙(𝑥) com 𝑛 termos. Os termos do sistema linear resultante são muito semelhantes, mas com a
diferença de, em vez do somatório para os valores discretos, tem-se a integral no intervalo
contínuo.

______________________________________________________________________________________________________________ 20 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________

Exemplo: Aproximar 𝑓(𝑥) = 4𝑥 3 por uma reta no intervalo [0 1].

Resolução
A curva a ser ajustada é dada por:
𝜙(𝑥) = 𝛼1 𝑔1 (𝑥) + 𝛼2 𝑔2 (𝑥) = 𝛼1 + 𝛼2 𝑥
𝑔1 (𝑥) = 1; 𝑔2 (𝑥) = 𝑥
∴ 𝜙(𝑥) = 𝛼1 + 𝛼2 𝑥

Os termos do sistema linear 𝐴𝛼 = 𝑏 são determinados por:

𝑏 1 1
𝑎11 = ∫ 𝑔12 (𝑥)dx = ∫ 1dx = 𝑥 | = 1
𝑎 0 0

𝑏 1 1
𝑥2 1
𝑎12 = 𝑎21 = ∫ 𝑔1 (𝑥)𝑔2 (𝑥) dx = ∫ xdx = | =
𝑎 0 2 0 2

𝑏 1 1
𝑥3 1
𝑎22 = ∫ 𝑔22 (𝑥)dx = ∫ 𝑥 2 dx = | =
𝑎 0 3 0 3

𝑏 1 1
4x 4
𝑏1 = ∫ 𝑓(𝑥)𝑔1 (𝑥) dx = ∫ 4x 3 dx = | =1
𝑎 0 4 0

𝑏 1 1
4x 5 4
𝑏2 = ∫ 𝑓(𝑥)𝑔2 (𝑥) dx = ∫ (4x 3 ∗ 𝑥)dx = | =
𝑎 0 5 0 5

O sistema a ser resolvido é:

1 1⁄2 𝛼1 1
[ ][ ]=[ ]
1⁄2 1⁄3 𝛼2 4⁄5

A solução deste sistema linear é dada por: 𝛼 = [−4⁄5 18⁄5]𝑡 .

18 4
A função 𝜙(𝑥) = 𝑥 − é a reta ajustada a função 𝑓(𝑥) = 𝑥 3 , no intervalo [0 1], pelo método
5 5
dos mínimos quadrados.

Na figura a seguir mostra-se o gráfico da função 𝑓(𝑥) e da função 𝜙(𝑥) ajustada.

______________________________________________________________________________________________________________ 21 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli