Académique Documents
Professionnel Documents
Culture Documents
ITULO 5
Ajuste de curvas pelo Metodo dos Mnimos Quadrados
Ajuste Linear Simples (ou Regress ao Linear);
Ajuste Linear M ultiplo (ou Regress ao Linear M ultipla);
Ajuste Polinomial;
Regress ao N ao Linear.
1
Interpola c ao polinomial
1 2 3 4 5 6 7 8
1
2
3
4
5
6
7
Pontos dados
1 2 3 4 5 6 7 8
1
2
3
4
5
6
7
Interpolao polinomial
2
Que recta melhor se adequa aos dados?
1 2 3 4 5 6 7 8
1
2
3
4
5
6
7
Interpolao vs. Ajuste linear simples
1 2 3 4 5 6 7 8
1
2
3
4
5
6
7
Interpolao vs. Ajuste linear simples
3
Metodo dos mnimos quadrados
1 2 3 4 5 6 7 8
1
2
3
4
5
6
7
Interpolao polinomial
1 2 3 4 5 6 7 8
1
2
3
4
5
6
7
Interpolao vs. Ajuste linear simples
4
Objectivo: determinar a recta y = ax + b que melhor se adequa aos dados, num certo sentido.
y = ax + b
Por exemplo, suponhamos conhecidos os dados da tabela:
x
i
1.3 3.4 5.1 6.8 8.0
y
i
2.0 5.2 3.8 6.1 5.8
Sejam a, b R, y
i
= ax
i
+ b e d
i
= y
i
y
i
(desvio ou resduo).
O metodo dos mnimos quadrados consiste em determinar a e b que minimizem
D =
n
i=1
d
2
i
.
Este problema resolve-se encontrando a solu c ao do sistema de equa c oes normais associado ` a express ao anterior:
_
_
D
a
=
n
i=1
2(y
i
b ax
i
) = 0
D
b
=
n
i=1
2(y
i
b ax
i
)x
i
= 0
.
A solu c ao deste sistema e:
a =
n
n
i=1
x
i
y
i
i=1
x
i
n
i=1
y
i
n
n
i=1
x
2
i
(
n
i=1
x
i
)
2
; b =
n
i=1
y
i
a
n
i=1
x
i
n
.
5
Coeciente de determina c ao
Representa-se por R
2
e pretende medir a rela c ao entre a recta dos mnimos quadrados e os dados conhecidos.
Varia entre 0 e 1; dizemos que os dados seguem um modelo fortemente linear se R
2
0.8. Neste caso, o ajuste
linear e um bom ajuste aos dados do problema. Caso contr ario, dizemos que a rela c ao entre os dados n ao e bem
explicada por um modelo linear.
R
2
=
(
x
i
y
i
1
n
x
i
y
i
)
2
(
x
2
i
1
n
(
x
i
)
2
)(
y
2
i
1
n
(
y
i
)
2
)
Exerccio 2: Ajustar os pontos da tabela seguinte a uma recta e determinar o coeciente de determina c ao.
x
i
2.0 0.5 1.2 2.1 3.5 5.4
y
i
4.4 5.1 3.2 1.6 0.1 0.4
3 2 1 0 1 2 3 4 5 6
1
0
1
2
3
4
5
6
6
Sabemos que: a =
n
n
i=1
x
i
y
i
i=1
x
i
n
i=1
y
i
n
n
i=1
x
2
i
(
n
i=1
x
i
)
2
; b =
n
i=1
y
i
a
n
i=1
x
i
n
Neste caso:
n = 6 ;
x
i
= 9.7 ;
y
i
= 14 ;
x
i
y
i
= 5.96 ;
x
2
i
= 51.51 ;
y
2
i
= 58.34
Logo: a =
6(5.96)9.714
651.519.7
2
0.798 e b =
14a9.7
6
3.623.
Resposta: y = 0.798x + 3.623.
R
2
= 0.8888
3 2 1 0 1 2 3 4 5 6
1
0
1
2
3
4
5
6
y=0.798x+3.623
7
O Ajuste Linear M ultiplo aplica-se nos casos em que y e uma fun c ao linear de duas ou mais vari aveis lineares.
Neste caso, procuram calcular-se os valores de b
0
, b
1
, b
2
,b
3
, . . . , b
n
tais que a rela c ao entre eles seja aproximada
por uma express ao do tipo:
y = b
0
+ b
1
x
1
+ b
2
x
2
+ b
3
x
3
+ . . . + b
n
x
n
.
No caso do ajuste linear m ultiplo, resolver o sistema de equa c oes normais e resolver o sistema:
_
_
n
x
1
i
x
2
i
. . .
x
n
i
x
1
i
x
2
1
i
x
1
i
x
2
i
. . .
x
1
i
x
n
i
x
2
i
x
2
x
1
x
2
2
i
. . .
x
2
i
x
n
i
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
n
i
x
n
x
1
x
n
x
2
. . .
x
2
n
i
_
_
_
_
b
0
b
1
b
2
.
.
.
b
n
_
_
=
_
y
i
y
i
x
1
i
y
i
x
2
i
.
.
.
y
i
x
n
i
_
_
.
O coeciente de determina c ao e, neste caso, dado por: R
2
= 1
(y
i
y
i
)
2
y
2
i
1
n
(
y
i
)
2
,
onde y
i
= b
0
+ b
1
x
1
+ b
2
x
2
+ . . . + b
n
x
n
.
Exerccio 3: Determinar: 1) a equa c ao do tipo y = b
0
+ b
1
x
1
+ b
2
x
2
que melhor se ajusta ` a tabela seguinte;
2) o coeciente de determina c ao.
x
1
i
1 0 1 2 4 5 5 6
x
2
i
2 1 0 1 1 2 3 4
y
i
13 11 9 4 11 9 1 1
8
Neste caso, o sistema a resolver e:
_
_
8 22 8
22 108 57
8 57 36
_
_
_
_
b
0
b
1
b
2
_
_
=
_
_
57
92
5
_
_
.
A solu c ao e:
_
_
b
0
b
1
b
2
_
_
=
_
_
4.2393
3.4
6.4643
_
_
.
E portanto a fun c ao ajuste e: y = 4.2393 + 3.4x
1
6.4643x
2
. R
2
= 0.977.
O caso do ajuste polinomial consiste em determinar um polin omio (que pode ser de qualquer grau)
y = b
0
+ b
1
x + b
2
x
2
+ b
3
x
3
+ . . . + b
n
x
n
,
e resolve-se adaptando o caso anterior com as mudan cas:
x
1
= x, x
2
= x
2
, x
3
= x
3
, x
4
= x
4
, . . . , x
n
= x
n
.
Ficamos ent ao com o sistema
_
_
p
x
i
x
2
i
. . .
x
n
i
x
i
x
2
i
x
3
i
. . .
x
n+1
i
x
2
i
x
3
i
x
4
i
. . .
x
n+2
i
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
n
i
x
n+1
i
x
n+2
i
. . .
x
2n
i
_
_
_
_
b
0
b
1
b
2
.
.
.
b
n
_
_
=
_
y
i
y
i
x
i
y
i
x
2
i
.
.
.
y
i
x
n
i
_
_
.
Quanto a R
2
, calcula-se como no caso anterior.
Exerccio 4: Ajustar os pontos da tabela a uma express ao do tipo
y = b
0
+ b
1
x + b
2
x
2
e calcular o coeciente de determina c ao.
x
i
2.0 1.5 0 1 2.2 3.1
y
i
30.5 20.2 3.3 8.9 16.8 21.4
9
Neste caso, o sistema a resolver e:
_
_
6 2.8 21.7
2.8 21.7 30.064
21.7 30.064 137.841
_
_
_
_
b
0
b
1
b
2
_
_
=
_
_
6.9
203.5
128.416
_
_
.
A solu c ao e:
_
_
b
0
b
1
b
2
_
_
=
_
_
2.018
11.332
1.222
_
_
.
E portanto a fun c ao ajuste e: y = 2.018 + 11.332x 1.222x
2
. R
2
= 0.997.
3 2 1 0 1 2 3 4
30
20
10
0
10
20
30
10
A regress ao n ao linear utiliza-se sempre que, pela an alise gr aca dos dados do problema, se encontre um modelo
alternativo ao linear e polinomial que, aparentemente, melhor explique os dados disponveis. Por exemplo:
10 20 30 40 50 60 70 80
0
500
1000
1500
2000
2500
Neste caso, poderamos optar por tentar adequar um modelo exponencial aos dados. Ou seja, determinar a e
b tais que os dados fossem bem explicados por uma fun c ao do tipo:
y = ae
bx
.
Outro tipo de ajustes n ao lineares:
y = ax
b
; y = a
x
x + b
; y = ab
x
.
E tambem os casos de ajustes n ao lineares m ultiplos:
y = e
b
0
+b
1
x
1
+b
2
x
2
; y =
1
b
0
+ b
1
x
1
+ b
2
x
2
.
11
Lineariza c ao de modelos n ao lineares
Objectivo: determinar a e b de tal forma que y = ae
bx
seja um modelo para os dados da tabela:
x
i
10 20 30 40 50 60 70 80
y
i
25 70 340 550 810 1320 1840 2450
Lineariza c ao:
y = ae
bx
ln(y) = ln(ae
bx
) ln(y) = ln(a) + ln(e
bx
)
ln(y) = ln(a) + bx
A lineariza c ao consiste em considerar a correspondencia:
ln(y) = ln(a) + bx
y
= b
+ a
= a
+ b
.
J a sabemos que:
a =
n
x
i
y
i
x
i
y
i
n
x
2
i
(
x
i
)
2
; b =
y
i
a
x
i
n
Ent ao neste caso:
a
=
n
x
i
ln(y
i
)
x
i
ln(y
i
)
n
x
2
i
(
x
i
)
2
; b
ln(y
i
) a
x
i
n
12
C alculos:
x
i
10 20 30 40 50 60 70 80
y
i
25 70 340 550 810 1320 1840 2450
x
i
= 360,
ln(y
i
) = 48.81,
x
i
ln(y
i
) = 2460.93
Logo: a
=
82460.9336048.81
820400360
2
; b
=
48.81a
360
8
e ent ao: a
= 0.063 e b
= 3.266.
Logo a
= b = 0.063 e b
= ln(a) a = e
b
= 26.2063. R
2
= 0.908
0 10 20 30 40 50 60 70 80 90
0
1000
2000
3000
4000
5000
6000
7000
8000
13