PROVAS

Ciência da Computação

2a Prova: 13/02/2014 (Quinta)

Reavaliação: 20/02/2014 (Quinta)
 Ajuste de Curvas

Objetivo

Ajustar curvas pelo método dos

mínimos quadrados
 1 - INTRODUÇÃO

Em geral, experimentos geram uma gama de

dados que devem ser analisados para a
criação de um modelo.

Obter uma função matemática que represente

(ou que ajuste) os dados permite fazer
simulações do processo de forma confiável,
reduzindo assim repetições de experimentos
que podem ter um custo alto.
 1 - INTRODUÇÃO
Em geral, usa-se aproximação de funções nas
seguintes situações:

• Quando se desejar extrapolar ou fazer previsões

em regiões fora do intervalo considerado;
• Quando os dados tabelados são resultados de
experimentos, onde erros na obtenção destes
resultados podem influenciar a sua qualidade;
• Quando deseja-se substituir um função
conhecida f(x) por outra função g(x) que facilite
cálculos como derivadas e integrais.
 1 - INTRODUÇÃO

O objetivo é obter uma função que seja uma “boa

aproximação” e que permita extrapolações com
alguma margem de segurança.

A escolha das funções pode ser feita

observando o gráfico dos pontos tabelados,
baseando-se em fundamentos teóricos dos
experimentos que forneceu a tabela ou através
de uma função já conhecida.
 1 - INTRODUÇÃO
Os métodos utilizados buscam uma
aproximação do que seria o valor exato. Dessa
forma é inerente aos métodos trabalhar com a
aproximação, levando-se em consideração os
erros e os desvios.

O Método dos Mínimos Quadrados é um método

bastante utilizado para ajustar uma determinada
quantidade de pontos e aproximar funções.
MÉTODO DOS
MÍNIMOS
QUADRADOS
 2. MÉTODO DOS MÍNIMOS QUADRADOS
•  Método dos Mínimos Quadrados consiste em
escolher os αi (i = 1, 2, ..., n) de tal forma que:

(1)

Se aproxime ao máximo de f(x).

Onde: fornece os pontos exatos;

os pontos estimados.
 2. MÉTODO DOS MÍNIMOS QUADRADOS
O Método dos Mínimos Quadrados consiste em
escolher os αi (i = 1, 2, ..., n) de tal forma que a
soma dos quadrados dos desvios seja mínima.

m
2
E = ∑"# f ( xk ) − ϕ ( xk )$% (2)
k=1
 2.1 Caso discreto
Dado um conjunto de pontos (xi; f(xi)),
i = 0; 1; 2; ...; m (f dada por TABELA DE VALORES)
O problema de ajuste de curvas consiste em
encontrar funções gi(x) tais que o desvio em cada
ponto i, definido por (2) seja mínimo, ou seja:

se aproxime ao máximo de f(x).

 2.1 Caso discreto

Neste caso o ajuste é linear.

ATENÇÃO!!!!

Linear em relação aos αi e não às gi(x).

 2.1 Caso discreto

COMO ESCOLHER g(x)????

A escolha da função g(x) depende do gráfico dos

pontos, chamado de diagrama de dispersão,
através do qual pode-se visualizar o tipo de curva
que melhor se ajusta aos dados.
 2.1 Caso discreto
Considerando os dados da Tabela 1, e através do gráfico
gerado pela Tabela 1, pode-se definir que tipo de curva
melhor se ajusta aos dados.

Tabela 1
 2.1 Caso discreto
y

18

16

14

12

10

0
0 2 4 6 8 10 12

Figura 1. Diagrama de Dispersão para os dados da Tabela 1

 2.1.1 Caso discreto
(Ajuste Linear)
Como pode ser observado na Figura 1,
uma possível aproximação seria através de
uma função linear do tipo: g(x)=a1xi+a0.
Assim o objetivo é determinar o valor de α0
e α1, que minimize:

m
2
E = ∑"# yi − (α1 xi + α 0 )$% (3)
i=1
 2.1.1 Caso discreto
(Ajuste Linear)
Para que E seja mínimo é necessário que:

∂E
=0 (4)
∂α 0

∂E
=0 (5)
∂α1
 2.1.1 Caso discreto
(Ajuste Linear)
As equações (4) e (5) simplificam-se nas
equações normais:

(6)

(7)
 2.1.1 Caso discreto
(Ajuste Linear)
A solução para o sistema de equações é:

(8)

(9)
 2.1.1 Caso discreto
(Ajuste Linear)
Considerando a Tabela 1, e os dados necessários
para as equações (8) e (9) a seguinte Tabela pode
ser calculada:
Tabela 2
 2.1.1 Caso discreto
(Ajuste Linear)
Considerando os dados da Tabela 2, os
parâmetros α1 e α0 podem ser calculados como:

α 0 = −0, 360 α1 = 1, 538

Assim a reta de ajuste linear é determinada por:

y = 1, 538x − 0, 360 (10)

 2.1.1 Caso discreto
(Ajuste Linear)
Na Figura 2, pode-se observar o ajuste através da
reta (10)

Figura 2. Ajuste linear

 2.1.2 Caso discreto
(Ajuste Polinomial)
O processo usado para o ajuste linear pode ser
estendido para ajuste polinomial.
Assim, uma função polinomial de grau n é dada
por:

(11)

O objetivo é minimizar o erro:

(12)
 2.1.2 Caso discreto
(Ajuste Polinomial)

Como no caso linear, para que E seja minimizado é

necessário que para cada

j=0,1,...,n.

Isto fornece as n+1 equações normais nas n+1

incógnitas αj:
2.1.2 Caso discreto
(Ajuste Polinomial)

(13)
 2.1.2 Caso discreto
(Ajuste Polinomial)
Exemplo: Ajustar os dados da Tabela 3 com um
polinômio de grau dois utilizando o método dos
mínimos quadrados.
Tabela 3
i xi yi xi2 xi3 xi4 xiyi xi2yi
1 0 1 0 0 0 0 0
2 0,25 1,284 0,0625 0,1563 0,0039 0,321 0,0803
3 0,5 1,6487 0,25 0,125 0,0625 0,8244 0,4122
4 0,75 2,117 0,5625 0,4219 0,3164 1,5878 1,1908
5 1 2,7183 1 1 1 2,7183 2,7183
Σ 2,5 8,768 1,875 1,5625 1,3828 5,4514 4,4015
 2.1.2 Caso discreto
(Ajuste Polinomial)
Para este problema, n=2, m=5 e as três equações
normais são:

(14)

Resolvendo o sistema (14), obtêm-se:

α 0 = 1, 0051 α1 = 0,8647 α 2 = 0,8432

 2.1 Caso discreto
(Ajuste Polinomial)
y = 1, 0051+ 0,8647x + 0,8432x 2
O erro total
5
2
E = ∑"# yi − P ( xi )$% = 2, 74 ×10 −4
i=1

é o mínimo que pode ser

obtido usando um
polinômio com grau
máximo 2
Figura 3. Ajuste polinomial
 2.2 Caso Contínuo
Outro problema é a aproximação de funções.

Para o caso discreto temos um conjunto de dados.

Para o caso contínuo temos funções.

2.2 Caso Contínuo
Dada uma função f(x), contínua em [a,b] e
escolhidas funções g1(x), g2(x), ..., gn(x), todas
contínuas em [a,b], determinar constantes α1,
α2,..., αn, tal que:

ϕ ( x ) = α1g1 ( x ) + α 2 g2 ( x ) ++ α n gn ( x )

se aproxime ao máximo de f(x) em [a,b].

 2.2 Caso Contínuo
O objetivo é determinar um polinômio de grau
máximo n (ϕ (x) = Pn(x)):
(15)

que minimize o erro total:

(16)
 2.2 Caso Contínuo
O problema é encontrar os coeficientes αj que
minimizem E.
Uma condição necessária para que os números αj
minimizem E é que:

para cada j=0, 1, . . .,n

 2.2 Caso Contínuo
Como:

(17)

As derivadas ficam na seguinte forma:

(18)
 2.2 Caso Contínuo
Para encontrar Pn(x), temos (n + 1) equações
normais:

(19)

que devem ser resolvidas para se determinar as

(n+1) incógnitas αj, para cada j = 0,1,...,n.
Exemplo
Encontrar o polinômio de aproximação
por mínimos quadrados de segundo
grau para a função abaixo no intervalo
[0,1].
f ( x ) = sen (π x )
2.2 Caso Contínuo
 2.2 Caso Contínuo
Calculando as integrais obtêm-se:
1 1 2
α 0 + α1 + α 2 =
2 3 π
1 1 1 1
α 0 + α1 + α 2 =
2 3 4 π
1 1 1 π2 −4
α 0 + α1 + α 2 =
3 4 5 π3
Resolvendo o sistema obtêm-se o seguinte
polinômio:
2
P2 ( x ) = −4,1225x + 4,1225x − 0, 0505
2.2 Caso Contínuo
Resolvendo o sistema obtém-se o seguinte
polinômio:
2
P2 ( x ) = −4,1225x + 4,1225x − 0, 0505

Figura 4. Aproximação de f(x) pelo polinômio P2(x).

 2.3 Caso não-linear
Existem casos, onde o diagrama de dispersão de
uma função indica que os dados devem ser ajustado
por uma função não linear.

Para estes casos um processo de linearização

deve ser empregado, para que seja possível aplicar
o Método dos Mínimos Quadrados.

Neste caso podemos proceder da seguinte forma:

 2.3 Caso não-linear
n  Ocasionalmente, é apropriado supor que os
dados estejam relacionados
exponencialmente.
n  Exemplo: φ(x) = aebx, para a e b constantes.

A dificuldade de aplicação do método dos

mínimos quadrados neste caso consiste na
tentativa de minimizar E.
 2.3 Caso não-linear
bx
Caso I: Função Exponencial ϕ ( )
x = y = ae
Aplicando logaritmo em ambos os lados, obtêm-se:

Realizando as seguintes substituições:

Obtêm-se:
 2.3 Caso não-linear
Caso II: Função Logarítmica

Expandindo:

Realizando as seguintes substituições:

Obtêm-se:
 2.3 Caso não-linear
Caso III: Função Potencial

Aplicando logaritmo em ambos os lados:

Realizando as seguintes substituições:

Obtêm-se:
 2.3 Caso não-linear
Caso IV: Função Hiperbólica

Realizando as seguintes substituições:

Obtêm-se:
 2.1.1 Caso discreto
(Ajuste Linear)
As equações (4) e (5) simplificam-se nas
equações normais:

(6)

(7)
 2.1.1 Caso discreto
(Ajuste Linear)
A solução para o sistema de equações é:

(8)

(9)
n  Após aplicar o método dos mínimos
quadrados, é preciso fazer as
substituições necessárias para encontrar
os parâmetros a e b da função de
aproximação original.
n  Observe que os parâmetros assim
obtidos não são ótimos dentro do
critério dos quadrados mínimos, porque
estamos ajustando o problema
linearizado e não o problema
original.
 2.3 Caso não-linear
Exemplo 1: Encontrar uma função exponencial que se
ajusta aos valores da tabela abaixo:
 −bx
y = ae
 Y = ln y
α 0 = ln ( a )

−bx α1 = −b
y = ae
 2.3 Caso não-linear
Como o ajuste será realizado por uma função
exponencial é necessário calcular:
A tabela para os cálculos fica da seguinte forma:

i x y Y = ln(y) xi2 xiYi

1 -1 36,547 3,599 1 -3,599
2 -0,7 17,264 2,849 0,49 -1,994
3 -0,4 8,155 2,099 0,16 -0,839
4 -0,1 3,852 1,349 0,01 -0,135
5 0,2 1,820 0,599 0,04 0,120
6 0,5 0,860 -0,151 0,25 -0,075
7 0,8 0,406 -0,901 0,64 -0,721
8 1 0,246 -1,402 1 -1,402
Σ 0,3 69,15 8,041 3,59 -8,645
 2.3 Caso não-linear
α 0 = 1, 099 α1 = −2, 5
α 0 = ln ( a ) α1 = −b
α0 1,099
a=e =e
a = 3, 001 b = 2, 5
n  Os parâmetros α0 eα1 que ajustam a
função ϕ(x) à função Y no sentido dos
quadrados mínimos.
n  Não se pode afirmar que os parâmetros
a e b (obtidos através de α0 eα1) são
os que ajustam ϕ(x) à função y dentro
dos critérios dos quadrados mínimos.
TESTE DE ALINHAMENTO
n  Uma vez escolhida uma função não
linear em a, b, … para ajustar uma
função. Uma forma de verificar se a
escolha foi razoável é aplicar o Teste de
Alinhamento.
TESTE DE ALINHAMENTO
n  a) Fazer a “linearização” da função não
linear escolhida;
n  b) Fazer o diagrama de dispersão dos
novos dados;
n  c) Se os pontos do diagrama estiverem
alinhados, isto significará que a função
não linear escolhida foi uma “boa
escolha”.
Exemplo 1

i x y Y = ln(y)
1 -1 36,547 3,599
2 -0,7 17,264 2,849
3 -0,4 8,155 2,099
4 -0,1 3,852 1,349
5 0,2 1,820 0,599
6 0,5 0,860 -0,151
7 0,8 0,406 -0,901
8 1 0,246 -1,402
Σ 0,3 69,15 8,041
Teste de Alinhamento (Exemplo 1)

Diagrama de Dispersão dos novos dados (Y=lny).