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.

2
 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.
3
Método dos mínimos Quadrados
É o mais utilizado por ter uma aboradagem simples, ser
preciso, e seu resultado abrange várias funções,
principalmente polinômios.
4
 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.

5
 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  ( x) = 1 g1 ( x) +  2 g 2 ( x) +  3 g3 ( x) + ... +  n g n ( x)
[a,b] obter n constantes α1, α2,…, αn
tais que a função  se aproxime ao
máximo de f(x).

6
 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  ( x) = 1 g1 ( x) +  2 g 2 ( x) +  3 g3 ( x) + ... +  n g n ( x)
não lineares de x.

7
 Caso Discreto

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

Excel
8
 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 )
9
 CUIDADO!
x f(x)
-1,00 2,050
-0,75 1,153
-0,60 0,450 Qual parábola
se ajusta melhor
-0,50 0,400
-0,30 0,500

aos dados
0,00 0,000
0,20 0,200 2,500
0,40
0,50
0,600
0,512
do exemplo?? 2,000
0,70 1,200
1,500
1,00 2,050
1,000

0,500

0,000
-1,50 -1,00 -0,50 0,00 0,50 1,00 1,50

10
 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.

11
 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
k =1 k =1 F (1 ,  2 ,...,  n ) =  ( f ( xk ) −  ( xk ) )
2

k =1
m
=  ( f ( xk ) − 1 g1 ( xk ) −  2 g 2 ( xk ) − ... −  n g n ( xk ) )
2

k =1
12
 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

13
 Método dos´Mínimos Quadrados

 m  m  m  m

   g1 ( xk ).g1 ( xk )  1 +   g 2 ( xk ).g1 ( xk )   2 ... +   g n ( xk ).g1 ( xk )   n =  f ( xk ) g1 ( xk )

  k =1   k =1   k =1  k =1

 m  m  m  m
   g1 ( xk ).g 2 ( xk )  1 +   g 2 ( xk ).g 2 ( xk )   2 ... +   g n ( xk ).g 2 ( xk )   n =  f ( xk ) g 2 ( xk )
  k =1   k =1   k =1  k =1

Tem-se o sistema linear   m  m  m  m

   g1 ( xk ).g3 ( xk )  1 +   g 2 ( xk ).g3 ( xk )   2 ... +   g n ( xk ).g 3 ( xk )   n =  f ( xk ) g 3 ( xk )

cujas equações são   k =1   k =1   k =1  k =1

ditas: 

Equações Normais  m  m  m  m

 1 k n k  1  2 k n k  2
g ( x ). g ( x )  + g ( x ). g ( x )  ... +   n k n k  n  f ( xk ) g n ( xk )
g ( x ). g ( x )  =
  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
14
 EXEMPLO
x f(x)
-1,00 2,050 Dados
-0,75 1,153 Ajustar os dados por uma
-0,60 0,450
-0,50 0,400
parábola 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

-2,00 -1,00 0,00 1,00 2,00

15
 EXEMPLO
x f(x)
-1,00 2,050 Dados
-0,75 1,153 Ajustar os dados por uma
-0,60 0,450
-0,50 0,400
parábola 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
0,50
0,70
0,512
1,200
Diagrama de Dispersão  
 k =1
xk . xk 

 1 = 
k =1
f ( xk ) xk
2

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:
-2,00 -1,00 0,00 1,00 2,00
f ( x)   ( x) = 2.0642 x 2
16
 EXEMPLO
Tabela auxiliar no Excel
Ajustar os dados por uma
g1 ( x) = x 2 parábola passando na origem:

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

 
 k =1
xk . xk 

 1 = 
k =1
f ( xk ) xk
2

 2.84641 = 5.8756
1 = 2.0642
Portanto, a parábola que melhor se
aproxima pelo MNQ:

f ( x)   ( x) = 2.0642 x 2
17
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

18
 Caso Não Linear

Não linear nos´parâmetros Exemplo:

Num laboratório os seguintes dados
Existem várias funções de uma experimentais foram obtidos:
variável 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:

19
 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

-1,5 -1,0 -0,5 0,0 0,5 1,0 1,5 Construindo o diagrama de dispersão:

f ( x)   ( x) = ae −bx y* = 1 +  2 x
1 = ln a e  2 = −b
20
 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   g ( x ).g ( x )   +  g ( x ).g ( x )   =
8 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
  1.x   +  x .x   =
8 8

  
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
 x   +  x2   =
8 8

  
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
 x   +  x2   =
8 8

  
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
Método Mínimos Quadrados de ajuste de curvas

f ( x)   ( x) = 3e −2.5002 x
40,0

35,0
y= 2,9999e-2,5x
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
 MÍNIMOS QUADRADOS
Para determinar a relação entre o número de peixes e o número de espécies de peixes existentes em
amostras colhidas em uma parte do Recife da Grande Barreira, os pesquisadores Sale e Dybdahl
ajustaram um polinômio por mínimos quadrados ao conjunto de dados apresentados a seguir. Esses
dados foram coletados em amostras obtidas durante um período de dois anos.
Seja x o número de peixes na amostra e y o número de espécies na mesma amostra, determine o
polinômio que ajusta pelos mínimos quadrados esses dados

x 13 15 16 21 22 23 25 29 31 31 36 40 42 55 60 62 64 70 72 100 130
y 11 10 11 12 12 13 13 12 14 16 17 13 14 22 14 21 21 24 17 23 34
28