Você está na página 1de 3

Experimento 4

Mnimos Quadrados
Jorge Diego Marconi e Varlei Rodrigues
Vamos supor que temos um conjunto de N dados (x
i
, y
i
), onde cada valor y
i
tem um erro
associado que chamamos de
i
, ou seja (y
i

i
) (os
i
nao tem que ser iguais entre si).
Vamos supor que os dados representam certo fenomeno fsico que segue uma lei descrita
por uma func ao f.
Usando a descric ao gaussiana de erros, a probabilidade P
i
de ocorrer a medida (x
i
, y
i
,
i
)
e dada por:
P
i
=
C

i
exp
_

1
2
_
(y
i
y
i
)

i
_
2
_
(1)
onde y
i
e o valor medio de y
i
e C e uma constante de normalizacao. Portanto, a proba-
bilidade P de ocorrer o conjunto das N medidas sera:
P = P
1
P
2
... P
N
=
C

1
exp
_

1
2
_
(y
1
y
1
)

1
_
2
_
...
C

N
exp
_

1
2
_
(y
N
y
N
)

N
_
2
_
=
C
N

1

2
...
N
exp
_

1
2
N

i=1
_
(y
i
y
i
)

i
_
2
_
(2)
Como y
i
seria o valor que se aproxima do valor verdadeiro de y
i
e supondo um modelo
fsico para nossas medidas que segue uma lei descrita por uma func ao f, podemos escrever
que:
y
i
= f(x
i
, a
1
, a
2
, ..., a
n
) (3)
onde a
1
, a
2
, ... a
n
sao os parametros do modelo. Denindo:

2
=
n

i=1
_
(y
i
f(x
i
, a
1
, a
2
, ..., a
n
))

i
_
2
(4)
podemos reescrever a equacao (2) como:
P =
C
n

n
i=1

i
exp
_

1
2

2
_
(5)
Neste caso, para que a func ao f seja a mais adequada para nossas medidas, ou seja, para
que P seja maximo,
2
deve ser mnimo.
1
O metodo dos mnimos quadrados consiste em ajustar os parametros a
1
, a
2
, ... a
n
de tal
forma que
2
seja mnimo, ou seja, procuramos resolver o sistema abaixo:

2
a
1
= 0

2
a
2
= 0 ...

2
a
n
= 0 (6)
Ajuste de uma funcao linear: Regressao Linear
Supondo um conjunto de dados e que a funcao que descreve o nosso sistema seja linear.
f(x
i
) = ax
i
+ b (7)
A sua representac ao graca tpica seria:
Figura 1: Graco obtido com dados experimentais no caso particular em que o ajuste e
linear.
Denindo w
i
= 1/
2
i
, podemos escrever
2
como:

2
=
n

i=1
w
i
(y
i
ax
i
b)
2
(8)
Aplicando o metodo dos mnimos quadrados para obter os parametros a e b:

2
a
= 2
n

i=1
w
i
(y
i
ax
i
b)(x
i
) = 0 (9)

2
b
= 2
n

i=1
w
i
(y
i
ax
i
b)(1) = 0 (10)
2
Obtemos entao um sistema de duas equac oes e duas incognitas. Para simplicar a escrita
vamos omitir os ndices nas somatorias.
(

wx
2
) a + (

wx ) b = (

wyx ) (11)
(

wx ) a + (

w ) b = (

wy ) (12)
Resolvendo o sistema, os valores de a e b sao:
a =
(

w ) (

wyx ) (

wy ) (

wx )

(13)
b =
(

wy ) (

wx
2
) (

wyx ) (

wx )

(14)
E os erros associados:

2
a
=
(

w )


2
b
=
(

wx
2
)

(15)
onde
= (

w ) (

wx
2
) (

wx )
2
(16)
As equac oes (13), (14), (15) e (16) sao gerais e valem para o caso onde cada
i
seja
diferente dos outros. No caso de termos
i
= constante = (ou seja o mesmo valor
para todo i) as expressoes de a, b,
2
a
e
2
b
podem ser simplicadas:
a =
N (

yx ) (

x ) (

y )

(17)
b =
(

y ) (

x
2
) (

yx ) (

x )

(18)

2
a
=
N

2
b
=
(

x
2
)


2
(19)
= N (

x
2
) (

x )
2
(20)
Estas equac oes sao exatas e em princpio sao as que usam os programas comerciais. Porem,
sempre e recomendavel vericar que as equacoes sejam as dadas nesta apostila, especial-
mente quando temos um conjunto de dados onde os erros sao diferentes em cada ponto.
Referencia Bibliograca: Jose Henrique Vuolo, Fundamentos da Teoria de Erros (Edi-
tora Edgard Bl ucher Ltda, Sao Paulo, 1992).
3