E bastante comum em engenharia a realizao de testes de laboratrio para a validao

de sistemas reais. Os resultados so obtidos na forma de pontos cujo comportamento

Demonstra o relacionamento de uma varivel independente (ou explicativa) com uma, ou
mais, varivel dependente (ou resposta). O grafico destes pontos e chamado de diagrama de
disperso.
Entretanto, dado um diagrama de disperso, pouco provvel que haja uma curva que passe
exatamente por cada ponto e que descreva fielmente o sistema observado em laboratrio.
razo e que a obteno de dados experimentais possuem erros inerentes ao processo. Alm
do mais, algumas variveis podem sofrer alteraes durante a experincia, o que ira provocar
desvios na resposta.
Dessa forma para definir uma funo analtica que descreva o sistema no se deve optar por
uma forma polinomial interpoladora dos pontos fornecido, e sim uma curva que melhor se
ajusta a estes pontos levando em considerao a existncia de erros que, em geral no so
previsveis.
Uma das vantagens de se obter uma curva que se ajusta adequadamente a estes pontos, e a
possibilidade de prever os valores da funo( varivel dependente) para valores da varivel
explicativa que esto fora do intervalo fornecido. Ou seja, e possvel fazer uma extrapolao
com uma aproximao razovel.
Como o sistema da experincia e descrito por um conjunto de pontos, ento a abordagem a
ser apresenta sera valida para oss casos discretos. Assim o problema de ajuste de curvas no
caso em que se tem uma tabela de pontos (X1,Y1),(X2,Y2),...(Xn,Yn), com Xi pertencentes ao
intervalo [a,b], consiste em dados m+1 funes go(x), g1(x),...,gm(x), continuas em [a,b],
obtm M+1 coeficientes o, 1,..., n de tal forma que
F(x)= ogo(x) + 1g1(x),...ngn(x)
Se aproxime de y(x), que fornece os valores y1,y2,...,yn dos pontos tabelados.]
Este um modelo matemtico linear do sistema real pois os coeficientes i a serem
determinados aparecem linearmente arranjados, embora as funes gi(x) possam ser nolineares, como go(x)=e^x e g1(x)= 1+x, por exemplo.
O grande problema como escolher adequadamente estas funes. Para isto, normalmente
faz-se a observao do diagrama de disperso para ver a forma geral dos pontos, ou ento
deve-se basear em fundamentos tericos de experimento que fornece a tabela.
Uma ideia para que a funo f(x) se ajuste aos pontos yi fazer com que o devio, ou erro,
di=yi- f(xi) seja mnimo para todo i=1,2,...,n. Assim, definindo uma medida mais abrangente
que envolve a soma destes desvios elevados ao quadrado tem-se:
D(o, 1,..., n)=
=
=
O que se busca ento determinar os
para que D(.) seja mnimo. Este processo de
minimizao chamado de mtodo dos mnimos quadrados, uma vez que D(.) definido por
uma soma de quadrados.
Do calculo diferencial, sabe-se que para determinar o valor mnimo de uma funo(ou o seu
valor critico) deve-se derivar parcialmente esta funo em relao as variveis independentes.

Ajuste linear simples

O tipo de relao mais simples entre duas variveis a relao linear. Nesta relao, temos
uma varivel independente x relacionada a uma varivel resposta ou dependente y por
meio de um modelo linear, por exemplo:
y=b0+b1.x
Devemos ento estimar os parmetros b0 e b1 para encontrarmos a relao entre x e y.
Uma etapa importante visualizarmos o grficos dos pontos em um diagrama de disperso, de
forma a determinarmos se h alguma relao visvel entre as variveis.

Exemplo: Dado o conjunto de pontos abaixo, trace seu diagrama de disperso.

x

0,3

2,7

4,5

5,9

7,8

1,8

1,9

3,1

3,9

3,3

Resoluo: Marcamos em um grfico os locais dos pontos x e y:

Aparentemente h relao aproximadamente linear entre as variveis.

Para estimarmos os parmetros b0 e b1, devemos recorrer ao mtodo dos quadrados mnimos.
Esta tcnica estima os parmetros de forma que a distncia total entre a equao ajustada e
os pontos do experimento seja a menor possvel.
As equaes para determinao dos parmetros b0 e b1 so:

y b0 b1.x

x . y n. ( x . y )
x n. x
y b . x

b1

i
2

b0

2
i

Dados os pontos do exemplo anterior, irei calcular a melhor reta de ajuste:

i

0,3

1,8

0,09

x.y

0,54

3,24

2,7

1,9

7,29

5,13

3,61

4,5

3,1

20,25

13,95

9,61

5,9

3,9

34,81

23,01

15,21

7,8

3,3

60,84

25,74

10,89

21,2

14,0

123,28

68,37

42,56

Calculando os parmetros:

b1

x . y n. ( x . y )
x n. x
i

i
2

b1
b0

2
i

21,2.14,0 5.68,37
0,2698
(21,2) 2 5.123,28

b1. xi

n
14,0 0,2698.21,2
b0
1,6560
5
Esta reta seria representada no grfico de disperso como:
y=1,6560+0,2698.x

A qualidade do ajuste linear medida atravs do coeficiente de determinao e da varincia

residual, calculados como segue (yci o valor de y calculado pela equao de regresso):

y y
1
1
y n . y
y y

ci

2
i

ci

n2

Para efeitos de explicao irei calcular a qualidade do exemplo anterior:

i

y-y
c

(y-y )
c

0,3

1,8

1,7369

0,0631

0,0040

2,7

1,9

2,3845

-0,4845

0,2347

4,5

3,1

2,8701

0,2299

0,0528

5,9

3,9

3,2478

0,6522

0,4254

7,8

3,3

3,7604

-0,4604

0,2120

21,2

14,0

Resolvendo as equaes:

y y
1
y n . y
2

r2 1

ci

2
i

0,9289
0,7235
1
2
42,56 .14,0
5
2
yi yci

r2 1

n2
0,9289
2
0,3096
52

0,9289

Ajuste Linear Multiplos

Quando temos mais de uma varivel independente x para uma nica varivel dependente
y, devemos utilizar a regresso linear mltipla para relacionarmos todas elas.
O Ajuste linear mltiplo parte do princpio de que possvel encontrar um polinmio tal que:
y=b0+b1.x1+b2.x2+...+bp.xp
Nosso problema agora encontrar os diversos parmetros b0, b1, b2 ... bp. Para encontrarmos
estes parmetros, utilizamos as equaes normais. Estas equaes, de forma resumida, nos
entregam os parmetros procurados ao resolvermos o sistema de equaes mostrado a seguir.

x
x
x .x x .x
x .x x .x

xi1
xi 2

x
ip

i1

i2

i1

i1

i2

i1

i1

i2

i2

i2

i1

.xip

i2

01

60,3

108

234

03
04
05
06
07
08
09
10

.xip

x
x .x
x .x

b0 yi

b
ip i1 1
xi1. yi
b

ip i 2 . 2 xi 2 . yi

xip .xip bp xip . yi

ip

Dados os pontos a seguir, irei determinar o ajuste linear mltiplo:

i

02

i1

61,1
60,2
61,2
63,2
63,6
65,0
63,8
66,0
67,9

i2

109
110
112
112
113
115
116
117
119

xi1

xi2

x .x

x .y

i1

i2

i1

x .y
i2

3636,09

11664

6512,4

14110,2

25272

3733,21

11881

6659,9

15824,9

28231

3624,04

12100

6622

15531,6

28380

3745,44

12544

6854,4

17442

31920

3994,24

12544

7078,4

20792,8

36848

4044,96

12769

7186,8

22069,2

39211

4225

13225

7475

23725

41975

4070,44

13456

7400,8

23159,4

42108

4356

13689

7722

26136

46332

4610,41

14161

8080,1

28450,1

49861

259
258
285
329
347
365
363
396
419

11
12
13
14
15
16

xi1

045,2

68,2

120

66,5

443

122

68,7

30212,6

53160

4422,25

14884

8113

29592,5

54290

4719,69

15129

8450,1

33182,1

59409

4844,16

15625

8700

35008,8

62875

4802,49

16384

8870,4

35897,4

66304

4984,36

16900

9178

39183

72150

503

128

70,6

8184

483

125

69,3

14400

445

123

69,6

4651,24

518

130

555

Os somatrios das colunas da tabela anterior so:

xi2

yi

1879

6202

i1

i2

68464,02

221355

xi1.xi2

123087,3

xi1.yi

410317,6

Colocando os valores na matriz:

1045,2
1879 b0 6202
16
1045,2 68464,02 123087,3. b 410317,6

1879 123087,3 221355 b2 738326

Podemos resolver o sistema de equaes acima atravs de qualquer mtodo (Gauss).

Resultado do sistema de equaes:
b0=-1407,4
b1=13,45
b2=7,80
Assim, a equao de ajuste :
y=-1407,4 + 13,45.x1 + 7,80.x2

Ajuste Polinomial
Um caso particular do ajuste linear mltiplo aquele em que queremos ajustar um
polinmio de grau g. Neste caso, teremos somente uma varivel independente x
relacionada a uma varivel dependente y atravs de um polinmio do tipo:
y=b0+b1.x+b2.x2+...+bg.xg
Para este caso particular, o sistema de equaes anterior se simplifica para:
n

xi
x2
i

xg
i

x
x
x

x
x
x

i
2

3
i

g 1
i

2
i
3

4
i

g 2
i

b0 yi

b1 xi . yi
i
g 2
.b2 x i2 . yi
i

x i2.g bg x ig . yi

x
x
x

g 1

xi2.yi

738326

Dada a tabela abaixo, encontrarei o melhor polinmio de grau 3 que se ajusta aos
dados:
i

xi

yi

01

0,01

0,1000

02

0,10

03

1E-12

0,001

0,01

0,001

0,0001

1E-05

1E-06

0,0316

0,04

0,008

0,0016

0,0003

6,4E-05

0,0894

0,09

0,027

0,0081

0,0024

0,00073

0,1643

0,16

0,064

0,0256

0,0102

0,0041

0,253

0,25

0,125

0,0625

0,0313

0,01563

0,3536

0,36

0,216

0,1296

0,0778

0,04666

0,4648

0,49

0,343

0,2401

0,1681

0,11765

0,5857

0,64

0,512

0,4096

0,3277

0,26214

0,7155

0,81

0,729

0,6561

0,5905

0,53144

0,8538

1,0000

1E-10

0,9487

1,00

x y

1E-08

0,8944

0,90

11

1E-06

0,8367

0,80

10

0,0001

0,7746

0,70

09

xiyi

0,7071

0,60

08

xi

0,6325

0,50

07

xi

0,5477

0,40

06

xi

0,4472

0,30

05

xi

0,3162

0,20

04

xi

x y
i

1E-05

1E-07

0,0032

0,0003

0,0179

0,0036

xi

51

0,0493

0,0148

0,1012

0,0405

0,1768

0,0884

0,2789

0,1673

0,41

0,287

0,5724

0,4579

0,7684

0,6916

1
A tabela com os somatrios :
2

yi

xi

7,2051

xi

3,8501

3,025

xi

2,5333

xi

2,2083

xi

1,97841

xiyi

xi yi

xi yi

4,5127

3,378

2,7514

Colocando os valores na matriz:

5,51 3,8501 3,025 b0 7,2051

11
5,51 3,8501 3,025 2,5333 b 4,5127

. 1

3,8501 3,025 2,5333 2,2083 b2 3,378

3,025 2,5333 2,2083 1,97841 b3 2,7514

Resolvendo este sistema de equaes atravs de qualquer mtodo j visto (Gauss):
Soluo do sistema:
b0=0,1011
b1=2,0685
b2=-2,1782
b3=1,0186
E o polinmio de ajuste ser:
y=0,1011+2,0685.x-2,1782.x2+1,0186.x3

Transformao de modelos no lineares em lineares

Em alguns casos, a famlia de funes gi(x) pode ser no-linear nos parmetros, como,
por exemplo, se o diagrama de disperso de uma determinada funo se ajustar a uma
exponencial do tipo f(x) = 0 e1x, com 0 e 1 positivos.
Para se aplicar o mmtodo dos mmnimos quadrados e necessrio que se efetue uma
linearizao. Por exemplo, se y(x) = 0
1x
Ento:
z = ln y(x) = ln 0 1x

Se 0 = ln 0 e 1 = 1 ento ln y(x) = f(x) = 0 + 1x que e um problema linear

nos parmetros.
O mmtodo dos mmnimos quadrados pode ento ser aplicado na resoluo do
problema linearizado. Obtidos os parmetros deste problema, usa-se estes valores
para calcular os parmetros originais.
importante observar que os parmetros assim obtidos no so timos, dentro do
critrio dos mnimos quadrados. Isto porque o que se ajusta e o problema linearizado, e
no o original.
Em alguns casos, deparamos com modelos essencialmente no lineares, em que
precisamos determinar seus parmetros. Nestes casos, aplicamos algumas regras
simples para transformar este modelo no linear em linear para poder ser trabalhado.
Exemplos de transformaes:

y=a.xb ln(y)=ln(a)+b.ln(x)
y=a.bx ln(y)=ln(a)+ln(b).x
y=a.eb.x ln(y)=ln(a)+b.x
y=e(a+b.x1+c.x2) ln(y)=a+b.x1+c.x2
y a.x1b .x2c ln( y ) ln( a) b. ln( x1 ) c. ln( x2 )
y
y

1
1
a b.x1 c.x2
a b.x1 c.x2
y
1
1 e

a b. x1 c. x2

1
ln 1 a b.x1 c.x2
y

Para calcular os valores das matrizes fiz pelo mtodo de gaus j estudado na disciplina,
o mtodo utilizado de Gauss segue abaixo:
//Verificar sempre se a diagonal principal dominante sobre a diagonal secundria
A = []; //coeficientes do sistema
I = eye(A);
n = 3;
b = []; //vetor de termos independentes
eps=10^(-2); //Preciso
x0 = [0;0;0]; //Soluo inicial
p = 10;
x = x0;
x1 = x;
it=0;
i=0; s=0;
for i=1:n
bc(i) = b(i)/A(i, i);
end;
big = 0;
num = 0;
while p > eps & it<=1000

for i=1:n
num = 0;
for j=1:n
if j <> i then
num = num + A(i,j)*x(j);
end;
end;
x(i) = (1/A(i,i))*(b(i)-num);
end;
p = norm((A*x)-b');
it = it+1;
end;
if(it>999) then
printf("No converge nesse intervalo");
abort;
else
printf("Sucesso! Total de iteracoes %f", it);
end;

obs: As matrizes iniciais do problema sempre tenho que ficar redigitando.