FACULDADE DE MATEMÁTICA
PROJETO PIBEG
Unidade Ι Ι Ι
Ajuste de curvas
12
0011 0010 45
Sumário:
1 – Introdução
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
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:
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
0.4
0.2
0
0 0.5 1 1.5 2
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
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.
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)
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.
π
E neste caso poderíamos tomar ϕ (x) = α 1 + α 2sen(
2
x).
Afinal qual seria a melhor escolha?
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
12
0011 0010 45
2.1 – Coeficiente de correlação (r)
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
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.
ϕ( x) = α1eα x ⇒
2
z = ln(ϕ ( x)) ⇒ z = ln α1 + α2 x
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
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
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