UNIVERSIDADE FEDERAL DE UBERLÂNDIA

FACULDADE DE MATEMÁTICA

PROJETO PIBEG

Unidade Ι Ι Ι

Ajuste de curvas
12
0011 0010 45
 Sumário:

1 – Introdução

2 – Quadrados Mínimos (Caso discreto – Modelo linear)

3 – Quadrados Mínimos (Caso discreto – Modelo não linear)

3.1 – Teste de alinhamento

4 – Quadrados Mínimos (Caso contínuo)

12
0011 0010 45
 1 – Introdução

12
0011 0010 45
  Em geral, experimentos em laboratório geram um conjunto de
dados que devem ser analisados com o objetivo de determinar
certas propriedades do processo em análise.
14

12

10

0
1 1.5 2 2.5 3 3.5 4 4.5 5

 Obter uma função matemática que represente (ou que ajuste)

12
estes dados, permite fazer simulações do processo, reduzindo
assim repetições de experimentos que podem ter um custo alto.
0011 0010 45
  Nesta unidade será estudado uma das técnicas mais utilizadas
para se ajustar dados, conhecida com Método dos Quadrados
Mínimos (MQM).

12
0011 0010 45
 2 – Quadrados Mínimos
Caso discreto - Modelo linear

12
0011 0010 45
  Seja uma tabela de pontos (xi, yi), i = 0, 1,..., m, xi ∈[a, b].
O problema de ajuste de curvas consiste em escolher n funções
g1, g2,..., gn contínuas e linearmente independentes em [a, b] e
obter n constantes α 1, α 2,...,α n tais que:

ϕ (xk) = α 1g1(xk) + α 2g2(xk) +...+ α ngn(xk)

seja uma boa aproximação para os pontos y(xk), ou seja, ϕ k ≈ yk.

 Este é um modelo linear porque a função ϕ (x) utilizada no

ajuste dos pontos é linear nos parâmetros α j, embora as funções
gj(x) possam ser não-lineares (ex.: ex, 1 + x2, ln(x) ).
12
0011 0010 45
  A escolha das funções gj(x) pode ser feita observando
o gráfico dos pontos tabelados,
chamado de diagrama de dispersão,
Através do qual podemos observar o tipo de curva
que melhor se ajusta aos dados.

12
0011 0010 45
 Exemplo 1: Considere a seguinte tabela de pontos.
xk 0.1 0.2 0.5 0.7 0.8 0.9 1.1 1.23 1.35 1.5 1.7 1.8
yk 0.19 0.36 0.75 0.91 0.96 0.99 0.99 0.94 0.87 0.75 0.51 0.35
1

A análise do diagrama de dispersão

mostra que a função que procuramos
0.8

0.6 se comporta como uma parábola.

0.4

0.2

0
0 0.5 1 1.5 2

Logo poderíamos escolher as funções g1(x) = 1, g2(x) = x e g3(x) = x2,

12
pois ϕ (x) = α 1g1(x) + α 2g2(x) + α 3g3(x) representa uma família de
parábolas, e com a escolha adequada dos α j teremos aquela que
melhor se ajusta aos pontos.
0011 0010 45
  Para obter a curva que melhor se ajusta a função tabelada a idéia
é impor que o desvio em relação à função aproximada seja o menor
possível, ou seja:
dk = |yk – ϕ (xk)|
1.5

ϕ (x)
1 yk dk

0.5

-0.5
d2 d3

-1 d1

12
0011 0010
-1.5
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
45
  O Método dos Quadrados Mínimos consiste em escolher α j de
tal forma que a soma dos quadrados dos desvios seja mínima:

∑ d = ∑ [ y k − ϕ ( xk ) ] ⇒
m m
2 2
k
k =1 k =1

∑ d = ∑ [ yk − α1 g1 ( xk ) − α 2 g 2 ( xk ) −  − α n g n ( xk )]
m m
2 2
k
k =1 k =1

isto é, encontrar os parâmetros α j que minimizam a função:

m  ϕ( xk  )
 
F (α1 , α 2 ,..., α n ) = ∑ [ yk − (α1 g1 ( xk ) + ... + α n g n ( xk ))]2
k =1

12
0011 0010 45
  A função F é uma função quadrática que satisfaz F(α ) ≥ 0 ∀α ∈ R m .
Isto é, uma função limitada inferiormente e portanto tem um ponto
de mínimo.

 O ponto crítico de F(α ) é encontrado igualando seu gradiente a

zero:
∂F
=0 j = 1, 2,..., n.
∂α j
(α1 ,...,α n )

Desta forma temos:

m
2 ∑[yk – α 1g1(xk) - α 2g2(xk) – ... – α ngn(xk)](-gj(xk)) = 0
k =1

12
0011 0010 45
  A equação anterior pode ser reescrita como:
m  m  m  m
y g (x )
k∑=1 g1(xk)g1(xk)  α1 + k∑=1 g2(xk)g1(xk)  α 2 +  + k∑=1 gn(xk)g1(xk)  α n = k∑=1 k 1 k
     
m  m  m  m

k =1 1 k 2 k  α1 +
∑ g (x )g (x ) k∑=1 g2(xk)g2(xk) α
 2 +  +  k∑=1 gn(xk)g2(xk) α =
 n k∑=1 yk g2(xk)
     

m  m  m  m

k =1 1 k n k  α1 +
∑ g (x )g (x )  k∑=1 g2(xk)gn(xk)  α 2 +  + k∑=1 gn(xk)gn(xk)  α n = k∑=1 yk gn(xk)
     

 Assim, para obter α j temos que resolver o seguinte sistema:

m
 A11 A12 A13  A1n   α1   b1  onde, Aij = ∑ gi(xk)gj(xk)
      k= 1
 A21 A22 A23  A2 n   α 2   b2 
A A3n  α  =  b  m
A32 A33  bi = ∑ yk gi(xk)

12
 31   3  3
          k= 1
A Ann  α   b 

45
 n1 An 2 An 3   n  n
Observação
0011 0010
  A matriz A é a matriz Hessiana de F(α ),
portanto se A for positiva definida,
garante-se que o ponto crítico é ponto mínimo.

12
0011 0010 45
  No exemplo anterior ajustamos os dados a uma parábola, mas
outras funções bases poderiam ser usadas.

 Como exemplo, poderíamos pensar que os dados representam

o primeiro meio período de uma função senoidal.

π
 E neste caso poderíamos tomar ϕ (x) = α 1 + α 2sen(
2
x).
Afinal qual seria a melhor escolha?

 A soma dos quadrados dos desvios em cada ponto tabelado

fornece uma medida que pode ser usada como parâmetro de
comparação entre ajustes diferentes.

12
n
d = ∑ [ yk − ϕ ( xk )]2

45
k =1

0011 0010
 Aplicando o Método dos Quadrados Mínimos para o caso da
função senoidal, obtém-se:
π 
ϕ ( x) = 0.0136 + 1.0193sen x 
2 
1.1

0.9

0.8

0.7

0.6

0.5

0.4

12
0.3

45
0.2

0.1
0 0.5 1 1.5 2
0011 0010
 Calculando a soma dos quadrados dos desvios para cada caso:

12
Parábola: Sr = ∑ [ y ( xk ) − ϕ ( xk )]2 =0.00011
k =1

12
Senóide: Sr = ∑ [ y ( xk ) − ϕ ( xk )]2 =0.02835
k =1

Portanto, para este caso, o melhor ajuste foi obtido usando a

parábola.

12
0011 0010 45
 2.1 – Coeficiente de correlação (r)

 Fornece uma medida do percentual de pontos bem ajustados:.

St − S r
r =
2

St

m
onde, m
S t = ∑ ( yk − ym )
2
∑ yk
k =1 ym = k =1
m

m 2
S r = ∑ ( yk − ϕi )
k =1

12
0011 0010 45
 3 – Quadrados Mínimos
Caso discreto - Modelo não linear

12
0011 0010 45
  Existem casos, onde o diagrama de dispersão de uma função
indica que os dados devem ser ajustados por uma função que não
é linear com relação aos parâmetros α j.
Como exemplo, considere os seguintes dados:
xk -1.0 -0.5 0 0.5 1 1.5 2.0 2.5 3
yk 0.157 0.234 0.350 0.522 0.778 1.162 1.733 2.586 3.858
4

3.5 Observando o diagrama podemos

3 considerar que os dados tem um
2.5 comportamento exponencial, que
2 nos sugere o seguinte ajuste:
1.5
ϕ ( x) = α1eα 2 x

12
1

45
0.5

0
-1 -0.5 0 0.5 1 1.5 2 2.5 3
0011 0010
  Para aplicar o Método dos Quadrados Mínimos torna-se
necessário efetuar uma linearização do problema.

 A linearização da função escolhida para ajustar os pontos

anteriores deve ser feita da seguinte forma:

ϕ( x) = α1eα x ⇒
2
z = ln(ϕ ( x)) ⇒ z = ln α1 + α2 x

Fazendo β 1 = lnα 1 e β 2 = α 2 o problema consiste em ajustar

os dados de z pela reta:

z(x) = β 1 + β 2x
12
0011 0010 45
 Para isso devemos construir uma nova tabela com os dados de
zk = ln(yk) = β 1 + β 2x.
xk -1.0 -0.5 0 0.5 1 1.5 2.0 2.5 3
yk 0.166 0.189 0.250 0.600 0.800 1.200 1.800 2.640 3.700

zk = ln(yk) -1.796 -1.666 -1.386 -0.511 -0.223 0.182 0.588 0.971 1.308
9
F ( β1 , β 2 ) = ∑ [ z ( xk ) − ( β1 + β 2 xk )]2
k =1

 9 (1) 9 x   β1   9 z 
 k∑=1 ∑ k
k =1 
  = k =1
∑ k 
9 9 
2   9 
 ∑ xk ∑ xk   β 2   ∑ z k xk 
 k =1 k =1   k =1 
Resolvendo o sistema anterior obtemos a seguinte solução:
β 1 = -1.114
12
β 2 = 0.832
0011 0010 45
 Desta forma os valores de α j são dados
por:
α1 = e β = 0.328
1

α 2 = β 2 = 0.832
Portanto temos:
ϕ ( x) = α1eα 2 x = 0.328e 0.832 x
5

12
0011 0010
0
-2 -1 0 1 2 3 4
45
 Para calcular o coeficiente de correlação escrevemos a seguinte
tabela:
yk (yk – y )2 ϕ k
(yk - ϕ k)2
9

∑ yk
0,166 1,1980 0,1427 0,0005
0,189 1,1482 0,2164 0,0007
y= k =1
= 1.2606 0,25 1,0212 0,3280 0,0061
9 0,6 0,4363 0,4972 0,0106
0,8 0,2121 0,7537 0,0021
1,2 0,0037 1,1425 0,0033
1,8 0,2910 1,7320 0,0046
2,64 1,9029 2,6255 0,0002
3,7 5,9509 3,9799 0,0783
∑ 12,1644 0,1066

9 2
S t = ∑ ( yk − ym ) = 12.1644 S t − S r 12.1644 − 0.1066
r2 = = = 0,9912

12
k =1

9 2
⇒ St 12.1644
S r = ∑ ( yk − ϕi ) = 0.1066
r = 0.9956
45
k =1

0011 0010
  Linearização de algumas curvas:

• Curva Hiperbólica
1
y= ⇒ z = α1 + α 2 x onde z = 1
α1 + α 2 x y

• Curva Exponencial
y = α1 (α 2 ) x ⇒ z = β1 + β 2 x onde z = ln( y ) , β1 = ln(α1 ) , β 2 = ln(α 2 )

• Curva Geométrica
y = α1 ( x ) ⇒ ln( y ) = ln( α1 ) + α 2 ln( x) onde z = ln ( y ), t = ln ( x ),
2 α

z = β1 + β 2 t β1 = ln(α1 ), β 2 = α 2
12
0011 0010 45
 3.1 – Teste de Alinhamento

 Uma vez escolhida uma função não linear em α 1, α 2,..., α n

para ajustar uma função dada, uma forma de verificarmos se a
escolha feita foi razoável é aplicarmos o teste de alinhamento,
que consiste em:

i) fazer a “linearização” da função não linear escolhida;

ii) fazer o diagrama de dispersão dos novos dados;

iii) se os pontos do diagrama (ii) estiverem alinhados, isto

significará que a escolha da função foi adequada.
12
0011 0010 45
 Exemplo 4: Considere a função dada pela tabela:
xk -8 -6 -4 -2 0 2 4
yk 30 10 9 6 5 4 4
1
b) y ( x) = ab
x
Qual das funções a) y ( x) = ou
a + bx
ajustaria melhor os dados da tabela?

Em primeiro lugar devemos linearizar as funções:

1
De y ( x) = , obtemos :
a + bx
x -8 -6
k -4 -2 0 2 4
z1 ( x) = a + bx z1=1/yk 0.03 0.10 0.11 0.17 0.20 0.25 0.25

De y ( x) = ab t , obtemos :
z2 ( x) = ln a + x ln b xk -8 -6 -4 -2 0 2
12 4

0011 0010
z2=ln(yk) 3.40 2.30 2.20 1.79 1.61 1.39 1.39
45
 Fazendo o diagrama de dispersão para cada função:
z1 = a + bx z 2 = ln a + x ln b
0.35 3.5

0.3
3

0.25

2.5
0.2

0.15
2

0.1

1.5
0.05

0 1
-8 -6 -4 -2 0 2 4 -8 -6 -4 -2 0 2 4

12
Vemos que os dados de z1 = a + bx se aproximam mais de uma reta.
Assim, devemos escolher y = 1 a + bx para ajustar os dados.

0011 0010 45
 4 – Quadrados Mínimos
Caso contínuo

12
0011 0010 45
  No caso contínuo temos uma função f(x) dada num intervalo
[a, b] e não mais uma tabela de pontos.
 O procedimento é análogo ao caso discreto. Escolhidas as funções
bases gj devemos determinar a função ϕ (xk) = α 1g1(xk) + α 2g2(xk) +...
+ α ngn(xk) de modo que o desvio seja mínimo, onde:
b
d = ∫ ( f ( x) − ϕ ( x) ) dx
2

 Neste caso os α j também são determinados pela resolução de um

sistema, onde os elementos Aij são obtidos por intermédio do
produto interno entre as funções gi(x) e gj(x).
b
Aij = ∫ g i ( x) g j ( x) dx
a

12
 E os elementos bi pelo produto interno entre f(x) e gj(x), ou seja:

45
b
bi = ∫ f ( x) g j ( x)dx
a
0011 0010