Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Introdução
Seja um conjunto de dados contendo n pares de valores (x, y) obtidos numérica ou
experimentalmente. De modo a calcular qualquer valor de y distinto dos valores tabelados,
ajustamos uma função y = f(x) através do chamado Método dos Mínimos Quadrados.
Considere uma equação relacionando a variável y com a variável independente x, como
y = f ( x ) , onde y indica que este é o valor aproximado de y. Queremos encontrar a função
y = f ( x ) , cujo desvio em relação aos valores y seja expresso como δi = y i − y i .
Por uma questão de conveniência trabalharemos com o desvio quadrático δi2 = (y i − y i )2 .
A função y = f ( x ) que melhor ajusta os pontos (x, y) dados é aquela que minimiza o somatório
dos desvios quadráticos S:
n n
S= ∑ δi2 = ∑ (yi − yi )2 (1)
i =1 i =1
Ajuste Linear
Se a função de ajuste for a função linear na forma:
y = a 0 + a1x (2)
onde a0 e a1 são os coeficientes a serem determinados pelo Método dos Mínimos Quadrados. A
condição de minimização do somatório dos desvios quadráticos é dada pelas equações:
∂S
=0 (3)
∂a 0
e
∂S
=0 (4)
∂a 1
∂ ∂
n n
∂S
=
∂a 0 ∂ a 0 ∑ δ 2
i =
∂a 0
(y i − y∑i )2
i =1 i =1
n n
∂S ∂
=
∂a 0 ∂ a 0 ∑ 2
∑
(y i −a 0 −a1x i ) = 2 (y i −a 0 −a1x i )(−1) = 0
i =1 i =1
n n
na 0 + ∑
x i a1 =
i =1
yi ∑ (5)
i =1
n n n
2
∑ xi a0 +
i =1 i =1
∑
x i a1 = x i yi ∑ (6)
i =1
n n n n
∑ x ∑ y − ∑ x∑ xy
2
a 0 = i =1 i =1 i =1 i =1 (7)
2
n n
n ∑ x2 −
∑
x
i =1 i =1
n n n
n ∑ xy − ∑ x∑ y
a1 = i =1 i =1 i =1 (8)
2
n n
n ∑ x2 −
x
∑
i =1 i =1
Exemplo:
Ajustar uma função linear pelo método dos mínimos quadrados aos seguintes valores numéricos:
Resolução:
Para resolvermos o problema, vamos calcular os coeficientes das equações normais (5) e (6),
através do cálculo na tabela seguinte dos valores de Σx, Σx2, Σy e Σxy:
2
x y x xy
0 0,134 0 0
1,2 0,275 1,44 0,33
2,5 0,339 6,25 0,8475
3,7 0,401 13,69 1,4837
SOMA = 7,4 1,149 21,38 2,6612
Resumindo:
4 4 4 4
n=4 ∑ xi = 7,4 ∑ yi = 1,149 ∑ x i2 = 21,38 ∑ x i yi = 2,6612
i =1 i =1 i =1 i =1
A função linear que melhor ajusta os pontos dados pelo método dos mínimos quadrados é
descrita pela equação:
y = 0,1584 + 0,0696 x
Ajuste Polinomial
Seja uma função polinomial de grau m da forma:
As equações normais para o cálculo dos coeficientes da função polinomial são obtidas a
partir das condições para a minimização da soma do desvio quadrático:
∂S ∂S ∂S ∂S
= = = = =0 (10)
∂a 0 ∂ a 1 ∂a 2 ∂a m
2 (y i − a 0 − a1x i − a 2 x i2 − )
n
∂S
∂a 0
= ∑ − a m x im (−1) = 0
i 1 =
2 (y i − a 0 − a1x i − a 2 x i2 − )
n
∂S
∂a 1
= ∑ − a m x im (−x i ) = 0
i 1=
2 (y i − a 0 − a1x i − a 2 x i2 − )( )
n
∂S
∂a 2
= ∑ − a m x im − x i2 = 0
=
i 1
2 (y i − a 0 − a1x i − a 2 x i2 − )( )
n
∂S
∂a n
= ∑ − a m x im −x im = 0
i 1=
n n n n
2 m
na 0 + ∑x i a1 +
i =1
∑
xi a2 + +
i =1 i =1
∑
xi am =
i =1
yi ∑
n n n n n
2 3
∑ xi a0 +
i =1
∑ x i a1 +
i =1
∑
xi a2 + +
i =1 i =1
m +
∑
1
xi am =
i =1
x i yi ∑
n n n n n
2 3 4 m +2
∑ x
i =1
a +
i 0 ∑x
i =1
a +
i 1 x
i =1
∑
i a2 + + ∑
i =1
xi am =
∑
x i2 y i
i =1
n n n n n
m m +2 m +3 2m
∑
i =1
xi a0 +
∑
i =1
xi a1 +
i =1
xi ∑ a2 +
+ ∑
i =1
xi a m =
∑ x im y i
i =1
Na forma matricial, o sistema de equações normais para o ajuste polinomial toma a forma:
[A][x] = [b]
n ∑ xi ∑ xi2
∑ xmim+1
∑ xi ∑ x i2 ∑ x 3i
∑ xmi +2
[ A] =
∑ x i2 ∑ x 3i ∑ xi4
∑ x i ,
∑ x im ∑ xim +1 ∑ xim +2
∑ xi 2m
(11)
a0
∑ yi
a
1
∑ x2i yi
[x ] = a 2 , [b] =
∑ x i yi
a m
∑ x im y i
Observar que a matriz de coeficientes [A] é simétrica, isto é, aij = aji. Deste modo, podemos
determinar o sistema de equações normais para qualquer ajuste polinomial como um subconjunto
do sistema acima.
Ajuste Parabólico
O ajuste parabólico ou de 2a ordem é um caso particular do ajuste polinomial para m = 2:
y = a 0 + a1x + a 2 x 2 (12)
n ∑ x2i ∑ x i23 a 0
∑ yi
[A] =
∑ x2i ∑ x i3 ∑ x i4 ,
[x ] = a1 , [b] =
∑ x2i yi (13)
∑ xi ∑ x i ∑ x i a 2
∑ xi yi
Exemplo:
A tabela seguinte apresenta os valores de calor específico a pressão constante para o ouro na faixa
de temperatura entre 10 e 100K. Ajustar pelo Método dos Mínimos Quadrados uma curva
parabólica do tipo C p = a 0 + a1T + a 2 T 2 , onde Cp é o calor específico e T a temperatura
absoluta.
T(K) 10 15 20 25 30 40 50 60 70 80 90 100
Cp (J/kg.K) 2 7 16 26 37 57 73 84 92 99 104 108
Resolução:
Para o cálculo dos coeficientes da matriz [A], por uma questão de compatibilidade com a notação
de (13), definiremos y = Cp e x = T.
Substituindo-se os valores calculados na tabela nas matrizes do sistema [A][x] = [b], obtém-se:
A Fig. 1 mostra os dados experimentais juntamente com a curva parabólica ajustada pelos
coeficientes calculados acima, na qual observa-se uma excelente concordância entre a curva
ajustada e os pontos experimentais.
120
100
80
Cp (J/kg.K)
60
40
20
0
0 20 40 60 80 100
Te mpe ratura (K)
Fig. 1 Dados experimentais do calor específico a pressão constante para o ouro (símbolos) e a
curva parabólica ajustada (linha).
Ajuste Multivariável
O ajuste por função polinomial visto anteriormente é um caso particular de um ajuste
multivariável, no qual cada um das variáveis x, x2, x3, ..., xm podem ser descritas como variáveis
distintas e independentes entre si: x1, x2, x3, ... , xm. A função dessas múltiplas variáveis pode ser
escrita como:
y = a 0 + a 1x 1 + a 2 x 2 + + a mxm (14)
Substituindo a função (14) na equação para a soma dos desvios quadráticos resulta:
n n
S= ∑ (y
i =1
i − yi ) 2
= ∑ (y − a
i =1
i 0 − a 1 x1 − a 2 x 2 − − a mx m )
2
As equações normais para o cálculo dos coeficientes da função polinomial são obtidas a
partir das condições para a minimização da soma do desvio quadrático:
∂S ∂S ∂S ∂S
= = = = =0 (15)
∂a 0 ∂a 1 ∂a 2 ∂a m
Calculando as derivadas:
∂S n
=∑ 2(y i − a 0 − a 1x1 − a 2 x 2 − − a m x m )(−1) = 0
∂a 0 i =1
∂S n
=∑ 2(y i − a 0 − a 1x1 − a 2 x 2 − − a m x m )(− x1 ) = 0
∂a 1 i =1
(16)
∂S n
=∑ 2(y i − a 0 − a1x1 − a 2 x 2 − − a m x m )(−x 2 ) = 0
∂a 2 i =1
∂S n
=∑ 2(y i − a 0 − a 1x1 − a 2 x 2 − − a m x m )(−x m ) = 0
∂a m i =1
n n n n
na 0 + ∑
x1 a1 +
i=1
∑
x2 a 2 +
i =1
+ ∑
i =1
xm a m =
∑
i =1
yi
n n n n n
∑
i=1
x1 a 0 +
i=1
∑
2
x1 a 1 +
i=1
∑
x1x 2 a 2 +
+ ∑
i =1
x1 x m a m =
∑
i =1
x1y i
(17)
n n n n n
∑
i=1
x2 a 0 +
i =1
∑
x 2 x1 a 1 +
i=1
2
∑
x2 a2 +
+ ∑
i =1
x2xm a m =
∑
i =1
x2yi
n n n n n
∑
i=1
xm a0 + ∑
i=1
x m x1 a 1 +
∑
i =1
xmx2 a2 +
+ ∑
i=1
2
xm am =
i =1
xmyi ∑
Na forma matricial, o sistema de equações normais para o ajuste polinomial toma a forma:
n
∑ x1 ∑ x2 ∑ x m a0 ∑y
a
∑ x1 ∑ x1 ∑ x1x 2 ∑ x1x m ∑ x 1y
2
1
[ A] = ∑ x 2 ∑ x 2 x1 ∑x 22 ∑ x2 x m , [x ] = a2 ,
[ b] = ∑ x 2 y (19)
x x 2m x y
∑ m ∑ x m x1 ∑ x m x 2 ∑ am ∑ m
Observar que a matriz de coeficientes [A] é simétrica, isto é, aij = aji. Deste modo, podemos
determinar o sistema de equações normais para qualquer ajuste multivariável como um
subconjunto do sistema acima.
Exemplo:
Considere os seguintes valores de temperatura (T), pressão (p) e volume (v) específico para o ar.
Ajustar uma função multivariável do tipo T = apbvc, na qual a, b e c são constantes a serem
determinados pelo método dos mínimos quadrados.
3
Temperatura (K) Pressão (bar) Volume específico (dm /kg)
90 2,397 100,2
100 5,599 44,67
110 11,22 22,15
120 20,14 11,45
130 33,32 5,425
Resolução:
Primeiramente, é necessário linearizar a função de ajuste de modo que as constantes estejam
desacopladas das variáveis T, p e v. Para isso, vamos aplicar o logaritmo sobre a função T =
T(p,v) para obter:
n T = n a + b. n p + c. n v
y = a 0 + a 1x1 + a 2 x 2
As equações normais para esta função de ajuste de duas variáveis (x1 e x2) é um subsistema da
equação (17) com três incógnitas (a0, a1 e a2) e três equações:
n n n
na 0 +
∑ x1 a 1 +
∑ x 2 a 2 =
∑ yi
i =1 i =1 i =1
n n n n
∑
x1 a 0 + ∑ 2
x1 a 1 + ∑
x1x 2 a 2 = ∑ x1 y i (20)
i =1 i =1 i =1 i =1
n n n n
∑
x 2 a 0 + ∑
x 2 x1 a 1 + ∑ 2
x 2 a 2 = ∑ x 2 yi
i =1 i =1 i =1 i =1
a 0 = n a ⇒ a = e a 0 = e 4,762418 = 117,0285
b = a1 = 0,063776 c = a 2 = −0,0695
de modo que
T = 117,0285 p 0,063776 v −0,0695
Linearização de Funções
As funções transcendentes de duas constantes devem ser linearizadas antes de aplicarmos
o Método dos Mínimos Quadrados, a fim de obtermos o sistema de equações normais lineares. O
procedimento varia, dependendo do tipo de função. Ilustraremos o procedimento de linearização
para as funções exponencial, logaritmica, potencial e hiperbólica.
Ajuste Exponencial
Um ajuste exponencial geralmente emprega uma função do tipo:
y = a.e bx (21)
y aj = a 0 +a1x (22)
n y = na + bx (23)
Se fizermos:
y′ = n y (24)
a 0 = na (25)
a1 = b (26)
Observe que esta equação é idêntica à equação (2), exceto pelo fato de que a variável y' é
calculada pelo logaritmo de base natural da variável y original. Aplicando-se as transformações
(25) e (26), obtemos as constantes de ajuste exponencial a e b empregando as equações (7) e (8)
do Método dos Mínimos Quadrados para a função linear.
Ajuste Logaritmico
Um ajuste logarítmico geralmente emprega uma função do tipo:
y = a + b. n x (28)
y aj = a 0 + a1x ′ (30)
Ajuste Potencial
Um ajuste potencial geralmente emprega uma função do tipo:
y = a.x b (31)
y′ = n y x' = n x a0 = n a a1 = b (32)
Ajuste Hiperbólico
Um ajuste hiperbólico geralmente emprega uma função do tipo:
b
y=a+ (34)
x
1
y′ = y x' = a0 = a a1 = b (35)
x
n
n ∑ (yi − y aj )2
r2 = 1 − i =1 (37)
2
n n
n∑ 2
yi −
∑yi
i =1 i =1
n n
∑[(x i − x m )(yaj − y m )] ∑ x i y aj − nx m y m
r= i =1 = i =1 (38)
n n (n − 1)S x S y
∑ (x i − x m )2 ∑ (y aj − ym )2
i =1 i =1
n n
∑ xi ∑ yaj
para a qual x m = i =1 e y m = i =1 são os valores médios de x e yaj, respectivamente.
n n
As expressões:
n n
∑ (x i − x m ) 2
∑ (y aj − ym )2
Sx = i =1 e Sy = i =1
n −1 n −1
Exemplo
Ajuste empregando diferentes tipos de funções:
x 1,0 1,2 1,4 1,6 1,8 2,0 2,2 2,4 2,6 2,8 3,0
y 0,525 0,8448 1,2807 1,8634 2,6326 3,6386 4,944 6,6258 8,7768 11,5076 14,9484
Vamos ajustar aos pontos tabelados as seguintes funções: (a) linear y = a0 + a1x, (b) exponencial,
do tipo y = aebx, (c) logaritmico, do tipo y = a + b ln x, (d) potencial, do tipo y = axb e (e)
hiperbólico, do tipo y = a + b/x. Vamos determinar através do coeficiente de correlação de
Pearson qual destas funções representa o melhor ajuste e comparar graficamente os ajustes
realizados.
Resolução:
y = a 0 + a 1x
2
x y x xy
1,0 0,52500 1,000 0,52500
1,2 0,84478 1,440 1,01374
1,4 1,28068 1,960 1,79295
1,6 1,86340 2,560 2,98144
1,8 2,63260 3,240 4,73868
2,0 3,63856 4,000 7,27712
2,2 4,94400 4,840 10,87680
2,4 6,62580 5,760 15,90192
2,6 8,77679 6,760 22,81965
2,8 11,50759 7,840 32,22125
3,0 14,94844 9,000 44,84532
Soma = 22,0 57,58764 48,400 144,99387
a0 =
∑ x 2 ∑ y − ∑ x∑ xy (48,40)(57,58764) − (22)(144,99387)
= = −8,3187
n∑ x 2 − (∑ x) (11)(48,40) − (22) 2
2
n∑ xy − ∑ x∑ y (11)(144,99387) − (22)(57,58764)
a1 = = = 6,7770
n∑ x −
2
(∑ x) 2
(11)(48,40) − (22) 2
requer o cálculo das seguintes quantidades: Σ(y - yaj)2, Σy2 e (Σy)2 que estão apresentadas na
tabela seguinte:
2 2
yaj (y - yaj) y
-1,54171 4,27130 0,27563
-0,18632 1,06317 0,71365
1,16907 0,01246 1,64014
2,52446 0,43700 3,47226
3,87985 1,55563 6,93058
5,23524 2,54939 13,23912
6,59063 2,71139 24,44314
7,94602 1,74298 43,90123
9,30141 0,27523 77,03204
10,65680 0,72384 132,42463
12,01219 8,62155 223,45586
Soma = 57,58764 23,96394 527,52827
Substituindo em r2:
11× 23,96394
r2 = 1 − = 0,894
11× 527,52827 − (57,58764) 2
sx =
∑ (x − x m ) 2 =
4 ,40
= 0,66332
n−1 10
sy =
∑ (y − y m ) 2 =
226,04314
= 4,75440
n −1 10
sx 0,66332
r = a1 = ( 6,7770) = 0,95 ⇒ r2 = 0,89
sy 4,75440
Assim, o ajuste linear y = −8,3187 + 6,7770 x não representa um bom ajuste porque o
valor de r2 < 0,99.
y = ae bx
y′ = n y a0 = n a a1 = b
y ′ = a 0 + a 1x
2 2 2
x y' = ln y x xy' y’aj (y’ – y’aj) y’
1,0 -0,64436 1,000 -0,64436 -0,44921 0,03808 0,41520
1,2 -0,16868 1,440 -0,20241 -0,12073 0,00230 0,02845
1,4 0,24739 1,960 0,34635 0,20775 0,00157 0,06120
1,6 0,62240 2,560 0,99584 0,53623 0,00743 0,38739
1,8 0,96797 3,240 1,74235 0,86472 0,01066 0,93697
2,0 1,29159 4,000 2,58318 1,19320 0,00968 1,66820
2,2 1,59817 4,840 3,51598 1,52168 0,00585 2,55416
2,4 1,89097 5,760 4,53833 1,85016 0,00167 3,57577
2,6 2,17211 6,760 5,64749 2,17865 0,00004 4,71807
2,8 2,44301 7,840 6,84042 2,50713 0,00411 5,96828
3,0 2,70461 9,000 8,11382 2,83561 0,01716 7,31490
Soma = 22,0 13,12519 48,400 33,47699 13,12519 0,09855 27,62859
a0 =
∑ x 2 ∑ y′ − ∑ x ∑ xy′ (48,4)(13,12519) − (22)(33,47699)
= = −2,0916
n∑ x − ∑ x )
2 ( 2 2
(11)( 48, 40 ) − ( 22 )
a1 =
n ∑ xy′ − ∑ x∑ y′ = (11)(33,47699) − (22)(13,12519) = 1,6424
n ∑ x 2 − (∑ x )
2
(11)(48, 40) − (22) 2
Assim,
a = e a 0 = e −2,2867 = 0,12349
b = a1 = 1,6424
y = 0,12349 ⋅ e1,6424x
11× 0,09855
r2 = 1 − = 0,992
11× 27,62859 − (13,12519) 2
y = a + b. n x
x′ = n x a0 = a a1 = b
y = a 0 + a 1x ′
2 2 2
x' = ln x y x' x'y yaj (y - yaj) y
0,000 0,52500 0,000 0,00000 -2,28673 7,90581 0,27563
0,182 0,84478 0,033 0,15402 -0,13699 0,96387 0,71365
0,336 1,28068 0,113 0,43091 1,68059 0,15993 1,64014
0,470 1,86340 0,221 0,87580 3,25505 1,93669 3,47226
0,588 2,63260 0,345 1,54741 4,64382 4,04501 6,93058
0,693 3,63856 0,480 2,52206 5,88612 5,05152 13,23912
0,788 4,94400 0,622 3,89813 7,00991 4,26800 24,44314
0,875 6,62580 0,766 5,80068 8,03586 1,98827 43,90123
0,956 8,77679 0,913 8,38632 8,97964 0,04115 77,03204
1,030 11,50759 1,060 11,84844 9,85344 2,73622 132,42463
1,099 14,94844 1,207 16,42254 10,66693 18,33135 223,45586
Soma = 7,017 57,58764 5,761 51,88632 57,58764 47,42781 527,52827
a0 =
∑ x ′ 2 ∑ y − ∑ x ′∑ x ′y (5,761)(57,58764) − (7,017)(51,88632)
= = −2,2867
2 ( )
n∑ x − ∑ x
2 2
′ ′ (11)(5,761) − ( 7, 017 )
a1 =
∑ x′y − ∑ x′∑ y = (11)(51,88632) − (7,017)(57,58764) = 11,7909
n
n ∑ x ′ 2 − (∑ x ′ )
2
(11)(5,761) − (7,017) 2
a = a 0 = −2,2867
b = a1 = 11,7909
y = −2,2866 + 11,7909 ⋅ n x
11× 47,42781
Coeficiente de correlação: r 2 = 1 − = 0,790
11× 527,52827 − (57,58764) 2
y = ax b
x′ = n x y′ = n y a0 = n a a1 = b
y ′ = a 0 + a 1x ′
2 2 2
x' = ln x y' = ln y x' x'y' yaj (y - yaj) y
0,000 -0,64436 0,000 0,00000 -0,75020 0,01120 0,41520
0,182 -0,16868 0,033 -0,03075 -0,19479 0,00068 0,02845
0,336 0,24739 0,113 0,08324 0,27481 0,00075 0,06120
0,470 0,62240 0,221 0,29253 0,68159 0,00350 0,38739
0,588 0,96797 0,345 0,56896 1,04040 0,00525 0,93697
0,693 1,29159 0,480 0,89526 1,36136 0,00487 1,66820
0,788 1,59817 0,622 1,26009 1,65171 0,00287 2,55416
0,875 1,89097 0,766 1,65549 1,91677 0,00067 3,57577
0,956 2,17211 0,913 2,07548 2,16061 0,00013 4,71807
1,030 2,44301 1,060 2,51537 2,38637 0,00321 5,96828
1,099 2,70461 1,207 2,97131 2,59655 0,01168 7,31490
Soma = 7,017 13,12519 5,761 12,28698 13,12519 0,04480 27,62859
a0 =
∑ x ′ 2 ∑ y′ − ∑ x ′∑ x ′y′ (5,761)(13,12519) − (7,017)(12,28698)
= = −0,7502
n ∑ x ′ − (∑ x ′)
2 2
2 (11)(5, 761) − ( 7 , 017 )
a1 =
n ∑ x′y′ − ∑ x′∑ y′ = (11)(12,28698) − (7,017)(13,12519) = 3,0463
n ∑ x ′ 2 − (∑ x ′)
2
(11)(5,761) − (7,017) 2
a = e a 0 = e −0,7502 = 0,47227
b = a1 = 3,0463
y = 0, 47227 ⋅ x 3,0463
11× 0,04480
r2 = 1 − = 0,996
11× 27,62859 − (13,12519) 2
b
y=a+
x
1
x′ = a0 = a a1 = b
x
y = a 0 + a 1x ′
2 2 2
x' = 1/x y x' x'y yaj (y - yaj) y
1,000 0,52500 1,000 0,52500 -2,72875 10,58687 0,27563
0,833 0,84478 0,694 0,70398 0,29697 0,30010 0,71365
0,714 1,28068 0,510 0,91477 2,45819 1,38653 1,64014
0,625 1,86340 0,391 1,16463 4,07911 4,90936 3,47226
0,556 2,63260 0,309 1,46256 5,33982 7,32904 6,93058
0,500 3,63856 0,250 1,81928 6,34839 7,34319 13,23912
0,455 4,94400 0,207 2,24727 7,17359 4,97105 24,44314
0,417 6,62580 0,174 2,76075 7,86125 1,52633 43,90123
0,385 8,77679 0,148 3,37569 8,44312 0,11134 77,03204
0,357 11,50759 0,128 4,10985 8,94186 6,58297 132,42463
0,333 14,94844 0,111 4,98281 9,37410 31,07322 223,45586
Soma = 6,174 57,58764 3,921 24,06659 57,58764 76,12000 527,52827
a0 =
∑ x ′ 2 ∑ y − ∑ x ′∑ x ′y (3,921)(57,58764) − (6,174)(24,06659)
= = 15,4255
n ∑ x ′ − (∑ x ′)
2 2
2 (11)(3,921) − ( 6,174 )
a1 =
∑ x′y − ∑ x′∑ y = (11)(24,06659) − (6,174)(57,58764) = −18,1543
n
n ∑ x ′ 2 − (∑ x ′)
2
(11)(3,921) − (6,174) 2
a = a 0 = 15,4255
b = a1 = −18,1543
18,1543
y = 15,4255 −
x
11× 76,12
r2 = 1 − = 0,663
11× 527,52827 − (57,58764) 2
18
y
14
Linear
Exponencial
Logaritmo
10 Potencial
Hiperbólico
y
-2
1.0 1.5 2.0 2.5 3.0
x
Exercícios
Ajustar uma função linear do tipo y = a0 + a1x e uma função exponencial do tipo y = aebx aos
dados acima. Determinar qual delas representa o melhor ajuste através do cálculo do
coeficiente de correlação de Pearson. Verificar graficamente os ajustes calculados.
2. Desenvolver as equações normais para a função f(x) = a.x + b.cos x (a e b são os coeficientes
de ajuste), empregando o Método dos Quadrados Mínimos, ajustá-la aos seguintes valores
numéricos e calcular o coeficiente de correlação:
Traçar o gráfico dos pontos tabelados e ajustar uma função linear a eles. Traçar a reta ajustada
ao gráfico dos pontos tabelados. Verificar gráfica e numericamente pelo coeficiente de
correlação de Pearson que o ajuste é de má qualidade. Corrigir o problema que está
prejudicando o ajuste linear e verificar novamente pelo gráfico e pelo coeficiente de correlação
de Pearson a qualidade do ajuste.
5. A tabela seguinte fornece a população do Brasil (em milhões de habitantes) desde 1872:
ANO 1872 1890 1900 1920 1940 1950 1960 1970 1980 1990
Pop. 9,9 14,3 17,4 30,6 41,2 51,9 70,9 93,1 130 150
Obtenha uma estimativa para a população brasileira no ano 2000 empregando diferentes tipos
de ajustes de curvas.