Sei sulla pagina 1di 25

MS211 - Cálculo Numérico

Aula 13 – Ajuste de Curvas e o Método dos Quadrados Mínimos:

Caso Discreto.

de Curvas e o Método dos Quadrados Mínimos: Caso Discreto. Marcos Eduardo Valle Marcos Eduardo Valle

Marcos Eduardo Valle

Ajuste de Curvas – Caso Discreto

Suponha que temos uma tabela

x x 1

x 2

.

.

.

x K

y y 1

y 2

.

.

.

y K

com x 1 , x 2 , g 1 , g 2 ,

coeficientes α 1 , α 2 ,

, x K em um intervalo [a, b]. Escolhidas funções

, g M , geralmente contínuas, nosso objetivo será encontrar

, α M de modo que a função

satisfaça

ϕ(x) = α 1 g 1 (x) + α 2 g 2 (x) + .

ϕ(x k ) y k ,

k = 1,

+ α M g M (x),

, K.

As funções g 1 , g 2 ,

gráfico dos pontos tabelados ou baseando-se em conceitos teóricos do experimento que forneceu a tabela.

, g M podem ser escolhidas observando o

O modelo matemático

ϕ(x) = α 1 g 1 (x) + α 2 g 2 (x) +

+ α M g M (x),

é chamado linear porque os coeficientes α 1 ,

linearmente. As funções g 1 ,

funções lineares; elas podem ser polinômios, funções

trigonométricas, exponenciais, logaritmos, etc.

, α M aparecem

, g M , porém, não precisam ser

Podemos pensar que

y k = f(x k ),

k = 1,

, K,

para alguma função desconhecida f . Nesse caso, a função ϕ fornece uma aproximação para f com base nos pontos amostrados

(x 1 , y 1 ), (x 2 , y 2 ),

, (x K , y K ).

Exemplo 1

Considere a tabela

x -1.00

-0.75

-0.60

-0.50

-0.30

0.00

0.20

0.40

0.50

0.70

1.00

y 2.05

1.15

0.45

0.40

0.50

0.00

0.20

0.60

0.51

1.20

2.05

Podemos colocar os pontos tabelados (x 1 , y 1 ),

gráfico cartesiano chamado diagrama de dispersão.

, (x 11 , y 11 ) em um

O diagrama de dispersão sugere que os pares (x k , y k ) pertencem à uma parábola. Portanto, escolhermos

Dessa forma,

g 1 (x) = x 2 ,

g 2 (x) = x

e

g 3 (x) = 1.

ϕ(x) =

α 1 g 1 (x) + α 2 g 2 (x) + α 3 g 3 (x)

= α 1 x 2 + α 2 x + α 3 ,

descreve uma parábola.

y=f(x)

Diagrama de Dispersão

2.5

2

1.5

1

0.5

0

y=f(x) Diagrama de Dispersão 2.5 2 1.5 1 0.5 0 -1 -0.5 0 0.5 1  
y=f(x) Diagrama de Dispersão 2.5 2 1.5 1 0.5 0 -1 -0.5 0 0.5 1  
y=f(x) Diagrama de Dispersão 2.5 2 1.5 1 0.5 0 -1 -0.5 0 0.5 1  
y=f(x) Diagrama de Dispersão 2.5 2 1.5 1 0.5 0 -1 -0.5 0 0.5 1  
y=f(x) Diagrama de Dispersão 2.5 2 1.5 1 0.5 0 -1 -0.5 0 0.5 1  
y=f(x) Diagrama de Dispersão 2.5 2 1.5 1 0.5 0 -1 -0.5 0 0.5 1  
y=f(x) Diagrama de Dispersão 2.5 2 1.5 1 0.5 0 -1 -0.5 0 0.5 1  
y=f(x) Diagrama de Dispersão 2.5 2 1.5 1 0.5 0 -1 -0.5 0 0.5 1  
y=f(x) Diagrama de Dispersão 2.5 2 1.5 1 0.5 0 -1 -0.5 0 0.5 1  

-1

-0.5

0

0.5

1

 

x

Formulação Matemática

Escolhidas as funções g 1 , mínimos, a notação

, g M , no problema de quadrados

ϕ(x k ) y k ,

k = 1,

, K,

significa que a soma dos quadrados dos desvios ϕ(x k ) y k é mínima, ou seja,

é mínimo.

J(α 1 ,

, α M ) =

K

k=1

ϕ(x k ) y k 2 ,

Observe que J será zero se, e somente se,

ϕ(x k ) = y k ,

k = 1,

, K.

Nesse caso, ϕ ajusta exatamente os dados tabelados.

No curso de Cálculo II, vimos que o mínimo de J(α 1 , satisfazer

α J j = 0,

j = 1,

, M.

, α M ) deve

Pela regra da cadeia, a derivada parcial é

J

∂α j

= 2

K

k=1

α 1 g 1 (x k ) +

+ α M g M (x k ) y k g j (x k ).

Dessa forma, devemos ter

K

k=1

α 1 g 1 (x k ) +

+ α M g M (x k ) y k g j (x k ) = 0,

j = 1,

, M.

Equações Normais

Alternativamente, podemos escrever

K

k=1

K

k=1

K

k=1

g 1 (x k )g 1 (x k ) α 1 +

g 1 (x k )g 2 (x k ) α 1 +

g 1 (x k )g M (x k ) α 1 +

+

+

K

k=1

K

k=1

+

K

k=1

g M (x k )g 1 (x k ) α M

g M (x k )g 2 (x k ) α M

g M (x k )g M (x k ) α M

=

=

.

.

.

=

K

k=1

K

k=1

K

k=1

y k g 1 (x k ),

y k g 2 (x k ),

y k g M (x k ),

que é um sistema linear com M equações e incógnitas α 1 ,

, α M .

Em termos matriciais, essas equações podem ser escritas como

Aα = b,

em que A = (a ij ) R M×M , α = (α j ) R M e b = (b i ) R M , com

a ij =

K

k=1

g i (x k )g j (x k )

e

b i =

K

k=1

y k g i (x k ),

i, j = 1,

, M.

O sistema linear acima é chamado equação normal.

Lembre-se que o produto escalar entre dois vetores

u

= [u 1 , u 2 ,

, u K ] T R K e v = [v 1 , v 2 ,

, v K ] T R K é

u, v = u 1 v 1 + u 2 v 2 +

Assim, podemos escrever

+ u K v K =

K

k=1

u k v k .

em que

a ij = g i , g j

g =

g (x 1 )

g (x 2 )

.

.

.

g (x K )

e

b i = y, g i ,

e

y =

y

y

.

.

.

1

2

y

K

 

i, j

=

1,

, M,

,

= 1,

, M.

Pode-se mostrar que o sistema linear

Aα = b,

possui uma única solução α = [α ,

g 1 ,

, α M ] T se os vetores

1

, g M forem linearmente independentes.

Sobretudo, os coeficientes α , mínimo de

1

J(α 1 ,

, α M ) =

, α M obtidos fornecem o valor

K

k=1

ϕ(x k ) y k 2 .

Exemplo 2

Considere a tabela

 

x -1.00

-0.75

-0.60

-0.50

-0.30

0.00

0.20

0.40

0.50

0.70

1.00

y 2.05

1.15

0.45

0.40

0.50

0.00

0.20

0.60

0.51

1.20

2.05

e as funções

g 1 (x) = x 2 ,

g 2 (x) = x

e

g 3 (x) = 1.

Nesse caso, temos os vetores

 
 

g

1

1.00

0.56

0.36

0.25

0.09

0.00

0.04

0.16

0.25

0.49

1.00

g

2

-1.00

-0.75

-0.60

-0.50

-0.30

0.00

0.20

0.40

0.50

0.70

1.00

g

3

1.00

1.00

1.00

1.00

1.00

1.00

1.00

1.00

1.00

1.00

1.00

Além disso, temos

a 11 = g 1 , g 1 = 2.85, a 21 = g 2 , g 1 = 0.25, a 31 = g 3 , g 1 = 4.20,

e

b 1 = y, g 1 = 5.87,

a 12 = g 1 , g 2 = 0.25, a 22 = g 2 , g 2 = 4.20, a 32 = g 3 , g 2 = 0.35,

b 2 = y, g 2 = 0.11,

a 13 = g 1 , g 3 = 4.20, a 23 = g 2 , g 3 = 0.35, a 33 = g 3 , g 3 = 11,

b 3 = y, g 3 = 9.11.

Dessa forma, temos as equações normais

  0.25

2.85

4.20

0.25

4.20

0.35

4.20

0.35

11.00

  = 0.11

α

 

α

3

2

5.87

9.11

 

α

1

A

α

b

cuja solução é

α = 1.94

0.10

0.09 T .

,

Concluindo, a parábola que melhor se ajusta aos dados é

ϕ(x) = 1.94x 2 + 0.10x + 0.09.

O

mínimo da soma dos quadrados dos desvios é

 

K

 

J(α , α 2 , α 3 ) =

1

k=1

1.94x

2

k

+ 0.10x k + 0.09 y k 2 = 0.24.

O

gráfico a seguir ilustra os dados tabelados e a parábola obtida:

Ajuste de curva

2.5 2 1.5 1 0.5 0 -1 -0.5 0 0.5 1 x y=f(x)
2.5
2
1.5
1
0.5
0
-1
-0.5
0
0.5
1
x
y=f(x)

Em alguns casos, o método dos quadrados mínimos linear pode ser usado para ajustar uma função ϕ não linear nos coeficientes.

Exemplo de Linearização

 

Suponha que queremos ajustar uma função exponencial

 

ϕ(x) = β 1 e β 2 x .

Nesse caso, podemos linearizar o problema usando uma transformação conveniente:

y

β 1 e β 2 x

=

z = ln(y ) ln(β 1 ) + β 2 x.

Dessa forma, temos um problema linear

 

z

α 1 + α 2 x,

em que α 1 = ln(β 1 ) e α 2 = β 2 .

Exemplo 3

y

Considere a tabela

x -1.00

-0.70

-0.40

-0.10

0.20

0.50

0.80

1.00

y 36.54

17.26

8.15

3.85

1.82

0.86

0.40

0.24

cujo diagrama de dispersão é

40

35

30

25

20

15

10

5

0

0.24 cujo diagrama de dispersão é 40 35 30 25 20 15 10 5 0 -1
0.24 cujo diagrama de dispersão é 40 35 30 25 20 15 10 5 0 -1
0.24 cujo diagrama de dispersão é 40 35 30 25 20 15 10 5 0 -1
0.24 cujo diagrama de dispersão é 40 35 30 25 20 15 10 5 0 -1
0.24 cujo diagrama de dispersão é 40 35 30 25 20 15 10 5 0 -1
0.24 cujo diagrama de dispersão é 40 35 30 25 20 15 10 5 0 -1
0.24 cujo diagrama de dispersão é 40 35 30 25 20 15 10 5 0 -1
0.24 cujo diagrama de dispersão é 40 35 30 25 20 15 10 5 0 -1

-1

-0.5

0

x

0.5

1

O diagrama de dispersão sugere um ajuste

y β 1 e β 2 x .

Fazendo a linearização z = ln(y ), obtemos

z α 1 + α 2 x,

em que β 1 = e α 1 e β 2 = α 2 .

z

O diagrama de dispersão do problema linearizado é

4

3

2

1

0

-1

-2

de dispersão do problema linearizado é 4 3 2 1 0 -1 -2 -1 -0.5 0
de dispersão do problema linearizado é 4 3 2 1 0 -1 -2 -1 -0.5 0
de dispersão do problema linearizado é 4 3 2 1 0 -1 -2 -1 -0.5 0
de dispersão do problema linearizado é 4 3 2 1 0 -1 -2 -1 -0.5 0
de dispersão do problema linearizado é 4 3 2 1 0 -1 -2 -1 -0.5 0
de dispersão do problema linearizado é 4 3 2 1 0 -1 -2 -1 -0.5 0
de dispersão do problema linearizado é 4 3 2 1 0 -1 -2 -1 -0.5 0

-1

-0.5

0

0.5

1

 

x

As equações normais do problema linearizado são

cuja solução é

8.00

0.30

0.30

3.59

α

α 2

1

=

8.00 8.68

A

α b

α = 1.09

2.51 T .

,

Concluindo, o problema linearizado fornece

z 1.09 2.51x.

O mínimo da soma dos quadrados dos desvios do problema linearizado é

1

J linearizado (α

,

α 2 ) =

K

k=1

1.09 2.51x k z k 2 = 3.2 × 10 4 .

z

4

3

2

1

0

-1

-2

-1 -0.5 0 0.5 1 x
-1
-0.5
0
0.5
1
x

Retornando ao problema original, temos

β

1

= e α 1 = 2.99

e

β

2

= α 2 = 2.51.

Portanto, temos o ajuste

y 2.99e 2.51x .

A soma dos quadrados dos desvios do problema original é

J(β

1

, β

2

) =

K

k=1

2.99e 2.51x k y k 2 = 0.038.

y

40

35

30

25

20

15

10

5

0

Ajuste de curva

-1 -0.5 0 0.5 1 x
-1
-0.5
0
0.5
1
x

É importante observar que os parâmetros β necessariamente

1

e β

2

J(β 1 , β 2 ) =

K

k=1

β 1 e β 2 x k y k 2 ,

não minimizam

pois eles foram obtidos através do problema linearizado, não do problema original!

Considerações Finais

O método dos quadrados mínimos linear é usado para encontrar

ϕ(x) = α 1 g 1 (x) + α 2 g 2 (x)

 

+

x x 1

x 2

.

.

.

x K

y y 1

y 2

.

.

.

y K

+ α M g M (x),

que melhor se ajusta a uma tabela

com x 1 , x 2 ,

, x K em um intervalo [a, b].

Os coeficientes α ,

1

, α M são obtidos resolvendo o sistema

Aα = b,

conhecido como equação normal.

Muito grato pela atenção!