Métodos Numéricos

Prof. Pedro Américo Jr.

Aula 06
 Ajuste de Curvas
• É bastante comum em engenharia a realização
de testes de laboratório para a validação de
sistemas reais. Os resultados são obtidos na
forma de pontos cujo comportamento
demonstra o relacionamento de uma variável
independente (ou explicativa) com uma, ou
mais, variável dependente (ou resposta). O
gráfico destes pontos e chamado de diagrama
de dispersão.
 Ajuste de Curvas

Diagrama de Dispersão
 Ajuste de Curvas
• Entretanto, dado um diagrama de dispersão, e
pouco provável que haja uma curva que passe
exatamente por cada ponto e que descreva
fielmente o sistema observado em
laboratório. A razão disto e que a obtenção de
dados experimentais possuem erros inerentes
ao processo. Alem do mais, algumas variáveis
podem sofrer alterações durante a
experiência, o que ira provocar desvios na
resposta.
 Ajuste de Curvas
• Dessa forma, para definir uma função analítica
que descreva o sistema não se deve optar por
uma forma polinomial interpoladora dos
pontos fornecidos, e sim uma curva que
melhor se ajusta a estes pontos levando em
consideração a existência de erros que, em
geral, não são previsíveis.
 Ajuste de Curvas

Exemplos ilustrativos de uma curva polinomial interpoladora (a) e uma curva

que se ajusta aos pontos de um diagrama de dispersão (b).
 Ajuste de Curvas
• Uma das vantagens de se obter uma curva
que se ajusta adequadamente a estes pontos,
e a possibilidade de prever os valores da
função (variável dependente) para valores da
variável explicativa que estão fora do intervalo
fornecido. Ou seja, e possível fazer uma
extrapolação com uma aproximação razoável.
Comparar com valores interpolados e analisar
o modelo experimental.
 Ajuste Linear Simples
• O modelo mais simples que relaciona duas
variáveis X e Y é a equação da reta
Y = a + b.X
onde a e b são os parâmetros do modelo.
 Ajuste Linear Simples

• A diferença entre estes valores é di=yi-a-b.xi

• O erro total em todos os pontos é
 Ajuste Linear Simples
• Os candidatos a ponto de mínimo do erro
total são aqueles para os quais são nulos as
derivadas parciais de q em relação a cada um
de seus parâmetros, isto é:
Ajuste Linear Simples
Ajuste Linear Simples
 Ajuste Linear Múltiplo
• Quando, em uma experiência, a variável
resposta depende de duas ou mais variáveis
explicativas e o gráfico de dispersão apresenta
um comportamento linear, pode-se então
aplicar o ajuste linear múltiplo. Para estes
casos tem-se:
 Ajuste Linear Múltiplo
• Exemplo:

• Solução:
Ajuste Linear Múltiplo
 Ajuste Linear Múltiplo

Logo: Y = 4,239 + 3,4 X1 - 6,464 X2

 Ajuste Linear Múltiplo com Termo
Modelo : Independente
Yi  bo  b1 X 1i  b2 X 2i  b3 X 3i  ...  b p X pi
Equações normais :
 n n n
  n 
 n X 1i X 2i ...  X pi    Yi 
 n i 1
n n
i 1
n
i 1
  b 0   n
i 1

 X X 1i X pi   b1    Yi X 1i 
 X X 
2
X 2i ...
i 1
1i
i 1
1i
i 1
1i
i 1
    i 1 
 n n n n   b2    n 
  X 2i  X 2i X 1i  2i
X 2
...  X 2i X pi      Yi X 2i 
 i 1 i 1 i 1 i 1   ...   i 1 
 ... ... ... ... ...  b p   ... 
 n n n n
    n 
 X pi X X   Yi X pi 
2
pi X 1i pi X 2i ... X pi 
 i 1 i 1 i 1 i 1   i 1 
 Ajuste Linear Múltiplo sem Termo
Independente
Modelo :
Yi  b1 X 1i  b2 X 2i  b3 X 3i  ...  b p X pi
Equações normais :
 n 2 n n n
  n 
  X 1i X 1i X 2i X 1i X 3i ...  X 1i X pi    i 1i 
Y X
 n i 1 i 1
n
i 1
n
i 1
n   b1   in1 
 X X X 2i X pi   b2    Yi X 2i 
  2i X 
2
X X 3i ...
i 1
2i 1i
i 1 i 1
2i
i 1
    i 1 
 n n n n   b3    n 
  X 3i X 1i  X 3i X 2 i  3i
X 2
...  X 3i X pi      Yi X 3i 
 i 1 i 1 i 1 i 1   ...   i 1 
 ... ... ... ... ...  b p   ... 
 n n n n
   n 
 X pi X 1i X X   Yi X pi 
2
pi X 2i pi X 3i ... X pi 
 i 1 i 1 i 1 i 1   i 1 
 Ajuste Linear Simples
Modelo : Modelo :
Yi  bo  b1 X i Yi  bo
Equações normais : Equações normais :
 n
  n   n 
 n  Xi 
 0
b   Yi    Yi 
 n i 1
 b    i 1
  i 1 
 X
n
2  1 
n
 YX  b0 
  
X n
i 1
i
i 1
i

 
 i 1
i i

 Ajuste Polinomial
• Um caso especial de ajuste de curvas ocorre
quando o diagrama de dispersão não
apresenta as características lineares presentes
nos outros tipos de ajuste. Nestas situações
pode-se realizar o ajuste polinomial :
 Ajuste Polinomial
• Exemplo:

• Solução:
Ajuste Polinomial
 Ajuste Polinomial

A curva fica: Y = -2,018 + 11,33 X - 1,222 X2

Ajuste Exponencial
 Ajuste Exponencial
• Exemplo:
Ajuste a uma Hiperbole
Ajuste a uma curva exponencial
Ajuste a uma curva geométrica
Transformações:
Qualidade do Ajuste
Qualidade do Ajuste
Coeficiente de Determinação

 
n
2
Yi  Yˆi
i 1
R2 1
 n  2 
  Yi  
 n
2 
  Yi    i 1  n 
 i 1   
 
 

Onde: Y é o valor tabelado e Ŷ é o valor calculado.

0 R21 Melhor ajuste quanto R2 próximo de 1.

 Correlação (R)
• Em teoria da probabilidade e estatística, correlação, também
chamada de coeficiente de correlação, indica a força e a
direção do relacionamento linear entre duas variáveis
aleatórias. No uso estatístico geral, correlação ou co-relação
se refere a medida da relação entre duas variáveis, embora
correlação não implique causalidade. Neste sentido geral,
existem vários coeficientes medindo o grau de correlação,
adaptados à natureza dos dados.
• Vários coeficientes são utilizados para situações diferentes. O
mais conhecido é o coeficiente de correlação de Pearson, o
qual é obtido dividindo a covariância de duas variáveis pelo
produto de seus desvios padrão. Apesar do nome, ela foi
apresentada inicialmente por Francis Galton.
•
Correlação
Propriedades matemáticas
(R)
• O coeficiente de correlação ρX, Y entre duas variáveis aleatórias X e Y
com valores esperados μX e μY e desvios padrão σX e σY é definida
como:

• onde E é o operador valor esperado e cov significa covariância.

Como μX = E(X), σX² = E(X²) − E²(X) e , do mesmo modo para Y,
podemos escrever também

• A correlação é definida apenas se ambos desvios padrões são finitos

e diferentes de zero. Pelo corolário da desigualdade de Cauchy-
Schwarz, a correlação não pode exceder 1 em valor absoluto.
 Covariância
• Em teoria da probabilidade e na estatística, a covariância entre duas
variáveis aleatórias reais X e Y, com valores esperados E(X) = μX e E(Y) = μY
é definida como uma medida de como duas variáveis variam
conjuntamente:

• onde E é o operador do valor esperado. Isto equivale à seguinte fórmula,

a qual é geralmente usada para fazer os cálculos:

• Se X e Y são independentes, então a sua covariância é zero. Isto acontece

porque sob independência:
• .
 Covariância
• O inverso, no entanto, não é verdadeiro: é possível que X e Y
não sejam independentes e terem no entanto covariância
zero. Variáveis aleatórias cuja covariância é zero são
chamadas descorrelacionadas.
• Se X e Y são variáveis aleatórias de valor real e a, b, c e d
constantes ("constante", neste contexto significa não
aleatória), então os seguintes fatos são uma conseqüência da
definição da covariância:
 Covariância
• Para variáveis aleatórias em vetores coluna X e Y com respectivos
valores esperados μX e μY, e n e m de componentes escalares
respectivamente, a covariância é definida como matriz n×m

• Para variáveis aleatórias em vetor, cov(X, Y) e cov(Y, X) são a

transposta de cada um.
• A covariância é por vezes chamada de medida de dependência
linear entre as duas variáveis aleatórias.
• A correlação é um conceito relacionado usado para medir o grau
de dependência linear entre duas variáveis.
 Exemplo:
X 1 3 4 6 7
Y 23 34 56 67 77

90
80 y = 9,2368x + 12,605
R² = 0,9586
70
60
50
40
30
20
10
0
0 1 2 3 4 5 6 7 8
 Exemplo:
X 1 2 3 4 6 7 8 9 12
Y 100 60 20 5 32 45 60 77 140

160

140

120

100 y = 5,2704x + 29,438

R² = 0,2066
80

60

40

20

0
0 2 4 6 8 10 12 14
 Exemplo
X 1 2 3 4 6 7 8 9 12
Y 100 60 20 5 32 45 60 77 140

160
y = 0,0464x 4 - 1,6203x 3 + 21,309x 2 - 106,8x + 190,91
140
R² = 0,9853
120

100 y = 5,2704x + 29,438

R² = 0,2066
80

60

40

20

0
0 2 4 6 8 10 12 14
X 1,20 1,45
Exemplo:
1,89 2,54 3,46 4,56 8,67 8,76
Y 45,76 39,76 35,65 32,88 27,76 24,98 25,65 29,02

50,00

45,00
y = 39,426e -0,051x
40,00 R² = 0,5298
35,00

30,00

25,00

20,00
y = 42,55x -0,247 y = -8,342ln(x) + 42,288
15,00 R² = 0,7579 R² = 0,7502
10,00

5,00

0,00
0,00 2,00 4,00 6,00 8,00 10,00
X 1,20 1,45
Exemplo:
1,89 2,54 3,46 4,56 8,67 8,76
Y 45,76 39,76 35,65 32,88 27,76 24,98 25,65 29,02

50,00
45,00
y = 0,1639x 4 - 2,9582x 3 + 18,499x 2 - 51,675x + 85,205
40,00 R² = 0,9874
35,00
30,00
25,00
20,00
15,00 y = 0,881x 2 - 10,824x + 54,865
10,00 R² = 0,9525

5,00
0,00
0,00 2,00 4,00 6,00 8,00 10,00