5.

5 Ajuste de Curva – Caso Contínuo

Seja f(x) uma função contínua no intervalo [a,b], conforme mostrada na figura.

f (x)
5

0
a b x

-1
-1 0 1 2 3 4 5 6

Sejam as funções g 1 ( x ) e g 2 ( x) que definem a função ϕ( x ) , também

contínuas no intervalo [a,b] e escolhidas a partir de algum critério de mérito:
ϕ( x) = α1 g 1 ( x) +α2 g 2 ( x)
Deseja-se encontrar α1 e α2 que melhor ajuste ϕ( x ) a f(x).

6
6
f (x)
f (x)
5
5

4
4
f (x)
f (x)
3
3
fif i(x)
(x)
2 2

1 1

0 0
aa bb x x

-1 -1
-1 -1 0 0 11 22 3
3 44 5 5 6 6

1
 Observe que a curva ajustada não necessita passar pelos pontos f(a)
e f(b).
Pelo critério de mínimos quadrados, para o caso contínuo tem-se:

b 2

D = ∫ [ f ( x ) −ϕ( x )] dx
a

Fazendo a substituição, tem-se:

[ ]
b b
D = ∫ [ f ( x) − ϕ ( x)] dx = ∫ f ( x) 2 − 2 f ( x)ϕ ( x) + ϕ ( x) 2 dx =
a a

a
b
{ 2 2
}
= ∫ f ( x) − 2 f ( x)[α1 g 1 ( x) + α 2 g 2 ( x)] + α12 g 1 ( x) 2 + 2α1α 2 g 1 ( x) g 2 ( x) + α 2 g 2 ( x) 2 dx =
2
b
 b   b   b 
= ∫ [ f ( x)] dx − 2∫ f ( x) g 1 ( x)dx α1 − 2 ∫ f ( x) g 2 ( x)dx α 2 + 2∫ g 1 ( x) 2 dx α12 +
a  a   a   a 
 b
  b
 2
+ 2∫ g 1 ( x) g 2 ( x)dx α1α 2 + ∫ g 2 ( x) 2 dx α 2 = F (α1 , α 2 )
 a  a 

A solução é encontrar (α 1 , α 2 ) tal que:

∂F
=0 para i =1,2
∂αi α1 ,α2

∂F
b
 b   b 
= −2 ∫ f ( x) g 1 ( x) dx + 2 ∫ g 1 ( x) dx α1 + 2 ∫ g 1 ( x) g 2 ( x)dx α 2
2

∂α1 a  a   a 
∂F
b
 b
  b

= −2∫ f ( x ) g 2 ( x)dx + 2∫ g 2 ( x) 2 dx α 2 + 2 ∫ g 1 ( x) g 2 ( x)dx α1
∂α 2 a  a   a 

Igualando-se a zero e reagrupando, tem-se:

b  b  b

∫ 1  1 ∫ 1
α +  2 ∫ f ( x ) g 1 ( x ) dx
α =
2
g ( x ) dx g ( x ) g 2 ( x ) dx
a  a  a

b  b  b

∫ g 1 ( x ) g 2 ( x )dx α1 + ∫ g 2 ( x) dx α 2 = ∫ f ( x ) g 2 ( x )dx

2

a  a  a

Estas equações resultam num sistema de equações que apresentado na forma

matricial, apresenta-se:
Aα =b

De forma análoga como foi feito no caso discreto, pode-se generalizar para uma
função ϕ( x ) com n termos. Os termos do sistema linear resultante são muito semelhantes,

2
mas com a diferença de, em vez do somatório para os valores discretos, tem-se a integral no
intervalo contínuo.

Exemplo:
Aproximar f ( x ) = 4 x 3 por uma reta no intervalo [0,1].

Solução:
A curva a ser ajustada é dada por: ϕ ( x) = α1 g 1 ( x) + α 2 g 2 ( x) = α1 +α 2 x .
Os termos do sistema linear Aα =b são determinados por:

b 1 1

a11 = ∫ g ( x) dx = ∫1dx = x
2
1 =1
a 0 0
b 1 1
x2 1
a12 = a 21 = ∫ g 1 ( x ) g 2 ( x)dx = ∫ xdx = =
a 0
2 0
2
b 1 3 1
x 1
a 22 = ∫ g 22 ( x) dx = ∫ ( x 2 ) dx = =
a 0
3 0
3
b 1 1
4x 4
b1 = ∫ f ( x ) g 1 ( x)dx = ∫ (4 x 3 ) dx = =1
a 0
4 0
b 1 1
4x 5 4
b2 = ∫ f ( x) g 2 ( x)dx = ∫ (4 x 3 ⋅ x) dx = =
a 0
5 0
5

 1 1  α   1 
 2 1 =  
  4
 1 2 13  α 2   5 

A solução deste sistema linear é dada por: [

α = −4
5
18
5
] T
.
18 4
A função ϕ( x ) = x − é a reta ajustada a função f ( x ) = x 3 , no intervalo
5 5
[0,1], pelo método dos mínimos quadrados.
Na figura abaixo mostra-se o gráfico da função f(x) e da função ϕ( x )
5

ajustada.
4
3
f(x)= 4x

f i (x)=3,6x-0.8
2

3
-1
-0.5 0 0.5 1 1.5
5.6 Caso Não-Linear

Nos casos mostrados anteriormente a função a ser ajustada era linear com
relação aos α' s . Pode-se desejar ajustar os pontos a uma função não-linear. O Método dos
Mínimos Quadrados desenvolvido é para ser utilizada apenas para funções lineares. Uma
solução para este caso é linearizar o problema através de uma transformação conveniente.

Para exemplificar, deseja-se ajustar uma função com dados tabelados f(x) à
função ϕ ( x) = α 1 e −α 2 x , α1 e α2 positivos. Observe que a função a ser ajustada é não-
linear com relação aos α' s . Esta função não pode ser ajustada diretamente utilizando o
Método dos Mínimos Quadrados. Pode-se aplicar a transformação Φ( x) = ln( ϕ( x)) ,
resultando em:

Φ( x ) = ln( ϕ( x )) = ln( α1 ) −α2 x

Definindo: γ 1 = ln(α1 ) e γ 2 = α 2 , tem-se:

Φ( x) = γ 1 − γ 2 x
A função Φ(x) é linear com relação aos γ' s , desta forma, pode-se
determinar os valores de γ 1 e γ 2 pelo Método dos Mínimos Quadrados. Os valores de
α1 e α2 são obtidos pelas relações definidas acima. Os valores γ 1 e γ 2 ajustam a
função Φ(x) à função z = ln( f ( x )) no sentido dos mínimos quadrados. Não se pode
afirmar que os parâmetros α1 e α2 obtidos a partir de γ 1 e γ 2 ajustam ϕ( x ) a f(x)
no mesmo sentido.

Exemplo:

Ajustar os dados tabelados abaixo pelo Método dos Mínimos Quadrados.

4
x -1,0 -0,7 -0,4 -0,1 0,2 0,5 0,8 1,0
f(x) 36,547 17,264 8,155 3,852 1,820 0,860 0,406 0,246

A partir dos dados tabelados, pode-se desenhar os diagrama de dispersão:

40

35

30

25

20

15

10

0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2

O diagrama de dispersão sugere o ajuste pela função ϕ ( x) = α 1 e −α 2 x . Como

visto acima, neste caso deve-se linearizar o problema por meio de uma transformação
conveniente:

ln[ f ( x )] ≈ ln[ ϕ( x )] = ln( α1 ) −α2 x = Φ( x )

Φ( x) = γ 1 − γ 2 x
onde γ 1 = ln(α1 ) e γ 2 = −α 2 .
Para a notação utilizada, tem-se:
g 1 ( x ) =1 e g 2 ( x ) = x

O ajuste será feito para z = ln[ f ( x)] . Os valores da tabelados são modificados
para:

x -1,0 -0,7 -0,4 -0,1 0,2 0,5 0,8 1,0

z = ln[ f ( x)] 3,599 2,849 2,099 1,349 0,599 -0,151 -0,901 -1,402

Deve-se resolver o sistema linear:

 a11 a12  γ 1   b1 
a =
 13 a14  γ 2  b2 

5
 Onde:
8 8
a11 = ∑ g 1 ( x) 2 = ∑1⋅1 = 8
i =1 i =1
8 8
a12 = a 21 = ∑ g 1 ( x k ) g 2 ( x k ) = ∑ 1 ⋅ x k = 0,3
i =1 i =1
8 8
a 22 = ∑ g 2 ( x) 2 = ∑ x k2 = 3,59
i =1 i =1
8 8
b1 = ∑ ln( x k ) g 1 ( x k ) = ∑ ln( x k ) ⋅1 = 8,041
i =1 i =1
8 8
b2 = ∑ ln( x k ) g 2 ( x k ) = ∑ ln( x k ) ⋅ x k = −8,646
i =1 i =1

8 0,3  γ 1   8,041 
0,3 3,59 γ  = − 8,646 
  2   

1,099 
γ = 
− 2,5 

Portanto,
α 1 = e γ 1 = e1,099 = 3,001
α 2 = −γ 2 = 2,5
ϕ ( x) = α 1 e −α 2 x = 3,001e −2,5 x

Outros tipos ajustes não lineares:

1) Hiperbole

1
f ( x ) ≈ ϕ( x ) =
α1 +α2 x
1
Utilizar a transformação z = f ( x) = α1 +α2 x
2) Exponencial

f ( x) ≈ ϕ ( x) = α1α 2 x

Se f(x)>0, utilizar a transformação z = ln( f ( x )) = ln(α1 ) + x ln(α 2 ) = a1 + a 2 x

3) Curva Geométrica

6
f ( x ) ≈ ϕ ( x ) = α1 x α 2

Se x > 0 e f ( x) > 0 , utilizar a transformação:

z = ln( f ( x)) = ln(α1 ) + α 2 ln( x) = a1 + a 2 ln( x) = a1 + a 2 t = Φ(t )
O ajuste será a partir da soma dos quadrados dos desvios em ln(f(x)), para os logaritmos de
x.

4) Curva Trigonométrica

f ( x) ≈ ϕ ( x) = α1 + α 2 cos( wx )
t = cos( wx ) ⇒ ϕ (t ) = α1 + α 2 t
O ajuste será a partir da minimização das somas dos quadrados dos desvios de f ( x) .

Teste de Alinhamento

Uma forma de se verificar se a escolha da função não linear em α1 , α2 ,....., αn foi

razoável é aplicar o teste de alinhamento:
a) Fazer a linearização da função não-linear escolhida.
b) Fazer o diagrama de dispersão dos novos dados.
c) Se os pontos do diagrama de dispersão estiverem alinhados, isto significará que a
função não linear utilizada foi uma boa escolha.

Exemplo:

Seja o exemplo visto:

x -1,0 -0,7 -0,4 -0,1 0,2 0,5 0,8 1,0

f(x) 36,547 17,264 8,155 3,852 1,820 0,860 0,406 0,246
z = ln[ f ( x)] 3,599 2,849 2,099 1,349 0,599 -0,151 -0,901 -1,402

7
 4

-1

-2
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1

Pode-se observar pelo diagrama de dispersão que a função foi uma boa escolha.

Observação: Normalmente tem-se erros de observação. Considera-se satisfatório o

diagrama de dispersão onde os pontos se distribuem aleatóriamente em torno de uma reta
média.