Mtodos de Modelagem

Matemtica
M. H. Stoppa 1 sem. 2011
2
CONSIDERAES SOBRE A
MODELAGEM MATEMTICA
Cincia atividade essencialmente
desenvolvida pelo ser humano entender a
natureza por meio de teorias adequadas
Natureza existe e funciona independente
das teorias cientficas
Ser humano utiliza as teorias para avanar
seus conhecimentos possibilidade de tomar
decises e agir corretamente no futuro
3
CONSIDERAES SOBRE A
MODELAGEM MATEMTICA
Cincia produto da evoluo mental-
emocional-social da humanidade fenmeno
acumulativo natural
Cincia conhecimento acumulado
depende de codificaes e smbolos
associados s representaes orais ou visuais
de comunicaes (aes comuns para
entender, explicar e manejar a realidade)
4
CONSIDERAES SOBRE A
MODELAGEM MATEMTICA
Matemtica e Lgica tratam de entes
ideais, abstratos ou interpretados, existentes
apenas na mente humana idias
matemticas originadas de abstraes de
situaes empricas (naturais ou sociais)
caminho abstrato perigo: afastamento da
situao original amontoado de detalhes
complexos e pouco significativos fora do
campo matemtico
5
CONSIDERAES SOBRE A
MODELAGEM MATEMTICA
Cincias fsicas foram valorizadas e
evoluram respaldadas por teorias formuladas
com o auxlio da matemtica
Cincias factuais biologia, qumica,
psicologia, economia, etc usavam apenas a
linguagem comum para exprimir as idias
resultado: falta de clareza e impreciso
matemtica: auxlio apenas na anlise
superficial dos resultados de pesquisas
empricas
6
CONSIDERAES SOBRE A
MODELAGEM MATEMTICA
Cincia contempornea fruto de experincias
auxiliadas por teorias sujeitas evoluo
consistncia terica ou validao: dependente da
linguagem matemtica
Toda teoria especfica , na verdade, um modelo
matemtico de um pedao da realidade (Bunge)
Anlise cientfica de uma situao real substituir
a viso ingnua da realidade por uma postura crtica e
mais abrangente procurar uma linguagem adequada
que facilite e racionalize o pensamento
7
CONSIDERAES SOBRE A
MODELAGEM MATEMTICA
USO da matemtica objetivo fundamental:
extrair a parte essencial da situao-problema
e formaliz-la em um contexto abstrato onde o
pensamento possa ser absorvido com
extraordinria economia de linguagem
Matemtica instrumento intelectual capaz
de sintetizar idias concebidas em situaes
empricas que esto camufladas num
emaranhado de variveis de menor
importncia
8
CONSIDERAES SOBRE A
MODELAGEM MATEMTICA
Aplicao correta da matemtica
(cincias factuais) equilbrio entre
abstrao e formalizao sem perder
a fonte que originou o processo
procedimento construtivo
MATEMTICA APLICADA
9
CONSIDERAES SOBRE A
MODELAGEM MATEMTICA
Incio comeo do sculo XX ganhou
fora aps 2 guerra mundial interesse na
busca de teorizao nos mais variados
campos
MTODO CIENTFICO audcia
especulativa + exigente comparao emprica
teorias obtidas: sistemas de afirmaes
que permitem inferir novas afirmaes
sempre com a ajuda da matemtica ou da
lgica
10
CONSIDERAES SOBRE A
MODELAGEM MATEMTICA
Busca do conhecimento cientfico deve
constituir essencialmente em:
1. Aceitar somente aquilo que seja to claro
em nossa mente, que exclua qualquer dvida
2. Dividir os grandes problemas em problemas
menores
3. Argumentar, partindo do simples para o
complexo
4. Verificar o resultado final
11
CONSIDERAES SOBRE A
MODELAGEM MATEMTICA
Pesquisas cientficas Matemtica: agente
unificador do mundo racionalizado instrumento
indispensvel para a formulao das teorias
fenomenolgicas fundamentais poder de sntese e
de generalizao
Reconhecimento de uma teoria cientfica
condio necessria: poder ser expressa numa
linguagem matemtica Matemtica: evoluo
substancial em decorrncia da demanda das diversas
reas de pesquisa por novas teorias matemticas
12
CONSIDERAES SOBRE A
MODELAGEM MATEMTICA
Nem todo fenmeno pode ser
matematizado ou convertido numa forma
quer permita o processamento num
computador (ser?!?!?!)
Modelar matematicamente a vida interior do
indivduo (amor, sonho, cimes, inveja, desejo,
saudade, etc) poucos resultados
significativos
13
MODELAGEM E MODELOS
MATEMTICOS
Reflexo sobre uma poro da realidade
explicar, entender, agir sobre ela
processo usual:
selecionar argumentos ou parmetros
considerados essenciais
formaliz-los atravs de um sistema
artificial : O MODELO
14
MODELAGEM E MODELOS
MATEMTICOS
MODELO OBJETO: a representao de um objeto
ou fato concreto estabilidade e homogeneidade das
variveis
Representao
pictrica (desenho, esquema compartimental,
mapa, etc)
conceitual (frmula matemtica)
simblica
Representao parcial permite escapar variaes
individuais e pormenores do fenmeno ou do objeto
modelado
15
MODELAGEM E MODELOS
MATEMTICOS
Exemplos:
modelo epidemiolgico (sistema de equaes
diferenciais) que considera um grupo de
infectados como sendo homogneo onde
todos os seus elementos tm as mesmas
propriedades
desenho para representar o alvolo usado
pelas abelhas
16
MODELAGEM E MODELOS
MATEMTICOS
MODELO TERICO: aquele vinculado a
uma teoria geral existente sempre
construdo em torno de um modelo objeto com
um cdigo de interpretao deve conter as
mesmas caractersticas do sistema real
deve representar as mesmas variveis
essenciais existentes no fenmeno e suas
relaes so obtidas atravs de hipteses
(abstratas) ou de experimentos (reais)
17
MODELAGEM E MODELOS
MATEMTICOS
MODELO MATEMTICO: conjunto de
smbolos e relaes matemticas que
representam de alguma forma o objeto
estudado importncia: possuir uma
linguagem concisa que expressa nossas idias
de maneira clara em sem ambigidades, alm
de proporcionar um arsenal enorme de
resultados (teoremas) que propiciam o uso de
mtodos computacionais para calcular suas
solues numricas
18
MODELAGEM E MODELOS
MATEMTICOS
Modelos matemticos podem ser formulados
de acordo com a natureza dos fenmenos ou
situaes analisadas e classificados conforme
o tipo de matemtica utilizada:
LINEAR: equaes bsicas linerares
NO-LINEAR: equaes bsicas no-
linerares
19
MODELAGEM E MODELOS
MATEMTICOS
ESTTICO: quando representa a forma
do objeto (ex: forma geomtrica de um
alvolo)
DINMICO: quando simula variaes de
estgios do fenmeno (ex: crescimento
populacional de uma colmia)
20
MODELAGEM E MODELOS
MATEMTICOS
EDUCACIONAL: quando baseado num nmero pequeno ou simples
de suposies possuindo solues analticas (ex: presa-predador de
Lotka-Volterra) envolve a investigao de uma ou duas variveis,
isoladas da complexidade das outras relaes fenomenolgicas em
geral, no representam a realidade com o grau de fidelidade adequada
para se fazer previses vantagem: aquisio de experincia e
fornecimento de idias para a formulao de modelos mais adequados
realidade estudada
APLICATIVO: baseado em hipteses realsticas envolve interrelaes
de um grande nmero de variveis fornece sistemas de equaes com
numerosos parmetros tratamento analtico pode ser impossvel e os
mtodos usados na obteno das solues devem ser computacionais
quanto mais complexo for o modelo mais difcil ser mostrar sua validade
(isto , que ele descreve a realidade)
21
MODELAGEM E MODELOS
MATEMTICOS
ESTOCSTICO: so aqueles que descrevem a
dinmica de um sistema em termos probabilsticos
modelos prticos tendem a empregar mtodos
estocsticos quase todos os processos biolgicos
so formulados com estes modelos quando se tem
pretenses de aplicabilidade
DETERMINSTICO: baseados na suposio que se
existem informaes suficientes num determinado
instante ou num estgio de algum processo, ento
todo o futuro do sistema pode ser previsto
precisamente
22
MODELAGEM E MODELOS
MATEMTICOS
emprico
em.p.ri.co
adj (gr empeiriks) 1 Relativo ou pertencente
ao empirismo. 2 Baseado na experincia ou
dela derivado: Remdio emprico. 3Que se
baseia somente na experincia ou
observao, ou por elas se guia, sem levar em
considerao teorias ou mtodos cientficos;
rotineiro. sm 1 V empirista. 2 Indivduo que
trata doenas sem noes cientficas;
charlato, curandeiro.
23
MODELAGEM E MODELOS
MATEMTICOS
MODELAGEM MATEMTICA: processo dinmico
utilizado para obteno e validao de modelos
matemticos
forma de abstrao e generalizao com a finalidade
de previso de tendncias
arte de transformar situaes da realidade em
problemas matemticos cujas solues devem ser
interpretadas na linguagem usual
eficiente a partir do momento que nos conscientizamos
que estamos sempre trabalhando com aproximaes
da realidade (representaes de um sistema ou parte
dele)
24
MODELAGEM E MODELOS
MATEMTICOS
A modelagem matemtica de uma situao ou problema real deve seguir uma sequncia de etapas, conforme
exibida no esquema a seguir:
Setas contnuas: primeira aproximao
Setas pontilhadas: busca por modelo que descreva melhor o problema estudado (processo dinmico)
I - Problema no I - Problema no I - Problema no I - Problema no
Matemtico Matemtico Matemtico Matemtico
1 - Experimentao 1 - Experimentao 1 - Experimentao 1 - Experimentao
2 - Abstrao 2 - Abstrao 2 - Abstrao 2 - Abstrao
III - Modelo III - Modelo III - Modelo III - Modelo
Matemtico Matemtico Matemtico Matemtico
3 - Resoluo: Estudo 3 - Resoluo: Estudo 3 - Resoluo: Estudo 3 - Resoluo: Estudo
Analtico e Numrico Analtico e Numrico Analtico e Numrico Analtico e Numrico
5 - Modificao 5 - Modificao 5 - Modificao 5 - Modificao
II - Dados II - Dados II - Dados II - Dados
Experimentais Experimentais Experimentais Experimentais
4 - Validao 4 - Validao 4 - Validao 4 - Validao IV - Soluo IV - Soluo IV - Soluo IV - Soluo
6 - Aplicao 6 - Aplicao 6 - Aplicao 6 - Aplicao
25
MODELAGEM E MODELOS
MATEMTICOS
1. EXPERIMENTAO: atividade
essencialmente laboratorial
processo de obteno de dados
mtodos ditados pela prpria natureza
do experimento e objetivo da pesquisa
adoo de tcnicas e mtodos
estatsticos podem dar maior
confiabilidade aos dados obtidos
26
MODELAGEM E MODELOS
MATEMTICOS
2. ABSTRAO: procedimento que deve levar formulao dos
Modelos Matemticos
procura-se estabelecer:
a. Seleo das variveis: distino entre as variveis de estado
que descrevem a evoluo do sistema e as variveis de controle
que agem sobre o sistema exigncia fundamental da pesquisa:
conceitos (variveis) com os quais se lida devem ser claramente
definidos
b. Problematizao ou formulao aos problemas tericos
numa linguagem prpria da rea em que se est trabalhando:
a escolha do tema pode ser uma proposta abrangente, enquanto
a formulao do problema especfica e indica exatamente o que
se pretende resolver
27
MODELAGEM E MODELOS
MATEMTICOS
c. Formulao de hipteses: as hipteses dirigem a
investigao e so, em geral, formulaes gerais que permitem a
deduo de manifestaes empricas especficas
devem incorporar parte da teoria que podem ser testadas
constituindo investimentos poderosos para o avano da cincia
gerao de hipteses: observao dos fatos, comparao com
outros estudos, deduo lgica, experincia pessoal do
modelador, observao de casos singulares da prpria teoria,
analogia de sistemas, etc.
dois sistemas so formalmente anlogos quando podem ser
representados pelo mesmo modelo matemtico
implica numa correspondncia entre as propriedades dos
elementos de ambos os sistemas (massa-mola-amortecedor
circuitos eltricos RLC)
28
MODELAGEM E MODELOS
MATEMTICOS
d. Simplificao: os fenmenos que se apresentam
para o estudo matemtico so em geral,
excessivamente complexos se cs considerarmos em
todos os seus detalhes
so comuns as situaes em que o modelo d origem
a um problema matemtico que no apresenta a
mnima possibilidade de estudo devido sua
complexidade
deve-se voltar ao problema original e tentar restringir
as informaes incorporadas ao modelo a um nvel
que no desfigure irremediavelmente o problema
original, mas que resulte em um problema matemtico
tratvel
29
MODELAGEM E MODELOS
MATEMTICOS
3. RESOLUO: o modelo matemtico obtido quando se
substitui a linguagem natural das hipteses por uma linguagem
matemtica coerente
como num dicionrio, a linguagem matemtica admite sinnimos
que traduzem os diferentes graus de sofisticao da linguagem
natural
a resoluo de um modelo est sempre vinculada ao grau de
complexidade empregado em sua formulao
em geral, s pode ser viabilizada por meio de mtodos
computacionais que fornecem uma soluo numrica aproximada
podem oferecer pistas e sugestes para posteriores solues
analticas
30
MODELAGEM E MODELOS
MATEMTICOS
4. VALIDAO: processo de aceitao ou no do modelo
proposto
modelos e hipteses testados em confronto com os dados
empricos, comparando suas solues e previses com os
valores obtidos no sistema real
um modelo deve prever pelo menos os fatos que o originaram
um bom modelo aquele que tem capacidade de previso de
novos fatos ou relaes insuspeitas
interpretao dos resultados obtidos feita por meio de grficos
das solues, que facilita avaliar as previses ou garantir um
aperfeioamento dos modelos
31
MODELAGEM E MODELOS
MATEMTICOS
5. MODIFICAO: fatores ligados ao
problema original podem causar a
aceitao ou rejeio dos modelos
em virtude das simplificaes as
solues podem no conduzir s
previses corretas e definitivas
32
MODELAGEM E MODELOS
MATEMTICOS
uma previso pode estar errada ou discordar da intuio por fora das seguintes razes:
Alguma hiptese usada pode ser falsa ou no suficientemente prxima da verdade:
pressupostos de partida incorretos ou simplificao demasiadamente drstica
Alguns dados experimentais ou informaes podem ter sido obtidos de maneira incorreta
As hipteses e os dados so verdadeiros mas insuficientes, e nossa intuio da realidade
inadequada
Existem outras variveis envolvidas na situao real que no foram utilizadas no modelo
terico
Foi cometido algum erro no desenvolvimento matemtico formal
Um penetrante princpio novo foi descoberto (Harvey J. Gold)
33
MODELAGEM E MODELOS
MATEMTICOS
Matemtico aplicado: construo e anlise do modelo matemtico
Problema de interesse Problema de interesse Problema de interesse Problema de interesse
Experimentao Experimentao Experimentao Experimentao
(dados) (dados) (dados) (dados)
previses previses previses previses
Formulao Formulao Formulao Formulao
de hipteses de hipteses de hipteses de hipteses
Formulao Formulao Formulao Formulao
do problema do problema do problema do problema
em termos em termos em termos em termos
matemticos matemticos matemticos matemticos
Estruturas Estruturas Estruturas Estruturas
matemticas matemticas matemticas matemticas
uso uso uso uso
Seleo de Seleo de Seleo de Seleo de
variveis e variveis e variveis e variveis e
parmetros parmetros parmetros parmetros
Soluo Soluo Soluo Soluo
Interpretao Interpretao Interpretao Interpretao
da soluo da soluo da soluo da soluo
abstrao abstrao abstrao abstrao
validao validao validao validao
modelo matemtico modelo matemtico modelo matemtico modelo matemtico
34
MODELAGEM E MODELOS
MATEMTICOS
Esquema simplificado de Modelagem
Matemtica:
Mundo Mundo Mundo Mundo
Matemtico Matemtico Matemtico Matemtico
Mundo Mundo Mundo Mundo
Real Real Real Real
formalizao formalizao formalizao formalizao
interpretao interpretao interpretao interpretao
35
MODELAGEM E MODELOS
MATEMTICOS
PROCEDIMENTOS GERAIS EM MODELAGEM:
Aquisio de tcnicas bsicas e teoria (utilizao do dicionrio bilnge: linguagem usual matemtica,
matemtica linguagem usual)
Estudo de problemas clssicos
Emprego de tcnicas conhecidas em situaes novas
Questionamento ou crtica a respeito da fiabilidade de modelos clssicos
Improvisao de novas tcnicas quando as existentes so inadequadas
Abstrao de princpios unificadores para certas situaes
Formulao de problemas em termos matemticos
Organizao do material (dados experimentais, bibliogrficos, etc)
Cooperao com especialistas de outras reas
36
MODELAGEM E MODELOS
MATEMTICOS
FORMULAO DE PROBLEMAS
ESCOLHA DE TEMAS
Incio da modelagem
Levantamento de possveis situaes de
estudo (devem ser abrangentes para que
possam propiciar questionamentos em
vrias direes)
37
MODELAGEM E MODELOS
MATEMTICOS
COLETA DE DADOS
Buscar informaes relacionadas ao assunto
A coleta de dados qualitativos ou numricos pode ser efetuada de vrias formas:
Atravs de entrevistas e pesquisas executadas com os mtodos de amostragem
aleatria. Neste caso a organizao de um questionrio eficiente e a utilizao de
alguns conceitos bsicos de estatstica so fundamentais
Atravs de pesquisa bibliogrfica, utilizando dados j obtidos e catalogados em
livros e revistas especializadas
Atravs de experincias programadas por quem est modelando o problema
Os dados coletados devem ser organizados em tabelas que, alm de favorecerem
uma anlise mais eficiente, podem ser utilizadas para a construo dos grficos
das curvas de tendncias
38
FORMULAO DOS MODELOS
A natureza dos dados obtidos que, de certa forma, vai orientar a
formulao matemtica dos modelos
FORMULAO ESTTICA
Formulaes matemticas envolvendo equaes ou funes com
uma ou mais variveis onde os modelos matemticos traduzem
uma correspondncia biunvoca entre as variveis da formulao
e as variveis fsicas dos sistema caracterizado. As formulaes
estticas utilizam, geralmente, conceitos ligados rea de
geometria onde a varivel tempo no tem interesse
39
FORMULAO DOS MODELOS
EXEMPLO: FABRICAO DE PIPAS DE VINHO
Seu Joaquim constri pipas de vinho a partir de esquemas geomtricos, herdados de
seus ancestrais:
Pipas com formato de tronco de cone, construdas com ripas de madeira justapostas:
2,5 cm de espessura, largura variando entre 5cm e 10cm
40
FORMULAO DOS MODELOS
As ripas devem ser cortadas de modo que se encaixem perfeitamente : L largura
mxima da ripa; largura a ser determinada; o ngulo de encaixe entre as
ripas (dependem da largura inicial da ripa L e do volume requisitado para a pipa)

41
FORMULAO DOS MODELOS
A planta utilizada uma projeo ortogonal de uma ripa
da pipa
obtido considerando:
R: raio base da pipa
L: largura da pipa na base
Todas as ripas justapostas devem formar, na base da
pipa, uma circunferncia

42
FORMULAO DOS MODELOS
FORMULAO DINMICA
A formulao de modelos dinmicos, em geral, envolve dois tipos
de variveis: dependentes e independentes
A varivel independente geralmente o tempo
O conceito de relao entre 2 variveis bem conhecido, mas
pode-se fazer distino entre uma relao funcional e uma
relao estatstica
A relao funcional entre 2 variveis expressa por uma frmula
matemtica y=f(x), onde x vriavel independente e y a varivel
dependente
43
FORMULAO DOS MODELOS
EXEMPLO: TILPIAS DO NILO (Sarotherodon niloticus)
Peixe de origem africana bem adaptado nas guas brasileiras
488.2 29.3 8
475.4 28.2 7
419.8 27.4 6
361.2 25.3 5
239.5 22.7 4
200.2 20.6 3
105.4 17.4 2
59.5 15.0 1
26 11.0 0
y: peso mdio x: comp. mdio t: idade
44
FORMULAO DOS MODELOS
45
FORMULAO DOS MODELOS
Curva de regresso estatstica (curva de regresso) : tendncia geral
entre peso mdio e comprimento da espcie
A maioria dos pontos no esto sobre a curva disperso considerada
de natureza randmica
Relaes estatsticas so frequentemente utilizadas quando no se tem
a exatido de uma relao funcional
Uma regresso ou curva de tendncia pode ser o primeiro passo para
uma Modelagem
Uma relao funcional, obtida atravs de um ajuste dos dados, propicia
condies para a elaborao de hipteses que levam formulao dos
modelos
Os modelos so relaes funcionais que incorporam as particularidades
do fenmeno analisado
Por exemplo, p(l)=bl

uma relao funcional entre o comprimento e o

peso do peixe que incorpora a taxa de metabolismo b e a forma do peixe
(trsuzida pelo parmetro )
46
FORMULAO DOS MODELOS
47
FORMULAO DOS MODELOS
Considerando os dados da tabela: p(l)=0.0149 l
3.103
Esta relao funcional pode ainda ser considerada como um
modelo esttico da relao entre as variveis peso e comprimento
da tilpia
Considerando as relaes funcionais:
p(t)=p
max
(1-e
-t/3
)
3
ou l(t)=l
max
(1-e
-t
)
temos modelos dinmicos que relacionam as variveis de estado
peso e comprimento do peixe com o tempo, permitindo fazer
previses destas variveis ( a constante de catabolismo
representando a taxa de energia gasta para o peixe se
movimentar)
48
REGRESSO OU AJUSTE DE
CURVAS
Uma regresso ou ajuste de curvas um recurso
formal para expressar alguma tendncia da varivel
dependente y quando relacionada com a varivel
independente x.
Regresso um mecanismo ou artifcio que fornece
uma relao funcional quando se tem uma relao
estatstica
Uma curva de regresso muito til para uma
formulao simplificada dos dados ou verificao de
alguma tendncia entre eles
49
REGRESSO OU AJUSTE DE
CURVAS
Quando analisamos algum fenmeno ou situao
atravs de dados numricos, estamos interessados,
alm da descrio e tendncias locais fornecidas por
uma curva de regresso, em saber se a relao
funcional correspondente y = f(x) tambm adequada
para se fazer previses de y quando x est fora do
intervalo pesquisado
Nos modelos estticos esta qualidade quase sempre
preservada pelo ajuste, entretanto quando se trata de
modelos dinmicos, outras consideraes sobre o
comportamento fenomenolgico das variveis devem
ser avaliadas
50
REGRESSO OU AJUSTE DE
CURVAS
Num programa simples de ajuste de curvas escolhemos primeiramente o
tipo de curva que desejamos para expressar a relao funcional entre as
variveis
Este processo nem sempre satisfaz as condies mnimas exigidas para
uma previso do relacionamento futuro destas variveis
No caso da relao entre o comprimento e a idade da tilpia, a reta
x = 2.2917 t + 12.711 obtida do ajuste entre os dados t (idade) e x
(comprimento) no possibilita fazer boas previses de x quando t
cresce com valores superiores a 8
Assim, a reta ajustada no pode ser considerada um modelo matemtico
para o crescimento de peixes em funo da idade ( apenas uma
tendncia deste crescimento no intervalo pesquisado)
51
REGRESSO OU AJUSTE DE
CURVAS
No intervalo 0 t 8, podemos ter uma infinidade de curvas de regresso relacionando x e t
52
REGRESSO OU AJUSTE DE
CURVAS
Poderamos considerar um ajuste quadrtico e obteramos uma
relao funcional da forma x = -0.1752t2 + 3.6934t + 11.076 que
se aproxima mais dos valores dados na tabela
Mesmo que se possa fazer alguma previso de futuros
comprimentos, ainda assim, tal formulao no poderia ser
considerado um modelo matemtico do fenmeno enquanto seus
parmetros no tiverem algum significado biolgico
Para t > 11 o ajuste mostra uma tendncia de diminuio no
comprimento do peixe com idade, o que no condiz com a
realidade
53
REGRESSO OU AJUSTE DE
CURVAS
54
Mtodo dos Mnimos Quadrados
(ou Quadrados Mnimos)
Considere um conjunto de n dados observados
e uma funo
onde so os parmetros de modo que minimize o
valor de
(2.7)
Isto , devemos minimizar a soma dos quadrados dos desvios entre
os valores observados e os valores
ajustados.
{ }
, , 1, 2, 3,...,
i
i
x y i n =
( ) ( )
1 2
, , ,...,
k
y x f x a a a =
( )
1,...,
j
a j k =
( ) ( )
2
2
1
1 1
, ,...,
n n
i
i k i
i i
S y y f x a a y
= =

= =


i
y
( )
1
, ,...,
i
i k
y f x a a =
55
Ajuste Linear
Um ajuste linear se for da forma:
(equao de uma reta)
Neste caso, devemos encontrar os
valores dos parmetros a e b que tornam
mnimo o valor da soma dos quadrados
dos desvios:
( )
( , , ) y x f x a b ax b = = +
( )
( )
2
1
,
n
i
i
i
S S b a b ax y
=
= = +

56
Ajuste Linear
Tais valores devem satisfazer,
necessariamente, s condies:
ou seja
( )
( )
1
1
0 2 0
0 2 0
n
i
i
i
n
i i
i
i
S
b ax y
b
S
x b ax y
a
=
=

= + =

= + =

( )
( )
2 2 2
2
2
2
2
i i i
i i i
i
i i
i i i i
i i i
i i
n x y x y x y nxy
a
x nx
n x x
x y x x y y x
b b a y ax
n n
n x x

= =

= = =

x y
i
x
onde (respectivamente ) a mdia dos valores
i
y
(respectivamente )
57
Ajuste Linear
Quando fazemos um ajuste linear para relacionar duas
variveis no sabemos a priori se a reta encontrada
de fato o melhor modelo de ajuste
A verificao da existncia e do grau de relao entre
variveis objeto do estudo da correlao
A correlao linear mede a relao existente entre as
variveis y
i
dadas, em torno de uma reta ajustada
y = ax + b
58
Ajuste Linear
O coeficiente de correlao de Pearson r
um instrumento de medida da
correlao linear, e dado por:
ou
( )( )
( ) ( )
1
2 2 2
2 2
i i
i i
i i
i i
x y
x y
n
r
x y
x y
n n

=




`



)

( )( )
( ) ( )
1
2
2
i i
i i
x x y y
r
x x y y

=

59
Ajuste Linear
O coeficiente de correlao de Pearson obtido
atravs do teste de hipteses H0 sobre a aceitao ou
no do coeficiente angular da reta
O intervalo de variao de r entre -1 e +1
A correlao ser tanto mais forte quanto mais
prximo r estiver de 1, ser tanto mais fraca quanto
mais prximo estiver de zero. Se r = 1, ento a
correlao entre as variveis perfeita. Se r = 0, ento
no existe correlao e o sinal de r indica o sinal do
coeficiente angular da reta ajustada.
60
Ajuste Linear
Exemplo 2.2. Dados simulados
Calcular o coeficiente de correlao linear entre renda e nmeros de
filhos para 8 famlias
61
Ajuste Linear
Calculando o coeficiente r de correlao
do ajuste:
r = -0.073 indica uma fraca correlao
entre a renda e o nmero de filhos das 8
famlias consideradas
( )
( ) ( )
1/ 2 1/ 2
2
2
23580 24
69040
1700
8
0073
67198350 . 8
23580
24
136700400 80
8 8
r

= = =






`




)
62
Ajuste Linear
A maioria das calculadoras cientficas j tm o programa de ajustes
incorporado com o clculo do coeficiente de correlao
Na impossibilidade de se fazer o ajuste linear com o uso de calculadoras,
uma maneira simples considerar os dados experimentais dispostos
num grfico (papel milimetrado) para traar aproximadamente a reta
ajustada.
63
Ajuste Linear
Para modelos dados por outras funes (no lineares) o mtodo do
ajuste linear ainda aplicvel se conseguirmos escrever estas funes
na forma f() = + , por meio de uma mudana de varivel = g(y)
64
Ajuste Linear do Modelo
Exponencial
As curvas esboadas nas figuras 2.11a e
2.11b so do tipo exponencial:
Se considerarmos a mudana de varivel
z = lny, teremos a forma de uma reta
Se a > 0, a exponencial ser crescente e
se a < 0, decrescente
( )
, 0
ax
y x be b = >
( )
ln ln ln z y ax b a e b = = + = =
65
Exemplo 2.3: Poupana
A tabela fornece a evoluo do capital em uma caderneta de poupana, em um ano:
582.75584 384.20006 506 83.6232359 soma
49.4602866 77.3608084 121 7.03280077 1132.2 11
49.3081529 70.2197642 100 7.02197642 1121.0 10
49.1710243 63.1098484 81 7.01220538 1110.1 9
48.9112481 55.9492617 64 6.99365771 1089.7 8
48.7487083 48.8741927 49 6.98202752 1077.1 7
48.6015469 41.8288858 36 6.97148097 1065.8 6
48.4846972 34.8154769 25 6.96309537 1056.9 5
48.3311272 27.8082368 16 6.95205920 1045.3 4
48.1559347 20.8183432 9 6.93944773 1032.2 3
48.0154903 13.8586421 4 6.92932106 1021.8 2
47.8505409 6.91740854 1 6.91740854 1009.7 1
47.7170830 0 0 6.90775528 1000.0 0
z
i
2
x
i
z
i
x
i
2
z
i
= lny
i
capital y
i
ms x
i
66
Exemplo 2.3: Poupana
modelo exponencial para o ajuste de
dados, mudana de varivel zi = ln yi:
z = 0.0114x + 6.9058
( )
( )
2 2
2
66 83.62
461.54
1.63
12
0.0114
66 143
506
12
i i
i i
i
i
x z
x z
n
x
x
n

= = = =

83.62 66
0.0114 6.9058
12 12
i i
z x
n x
= = =

67
Exemplo 2.3: Poupana
68
Exemplo 2.3: Poupana
Como = ln b e = a, ento a curva exponencial ajustada ser:
0.0114
998.04 0
ax x
y be e para x = =
69
Exemplo 2.3: Poupana
Obs1: Como a
x
= e
xlna
, temos que e
0.0114
= e
xln(1.011465)
=
1.011465
x
Portanto, o ajuste exponencial pode ser escrito na
forma:
y = 998.04x1.011465
x
= 998.04 x (1 + 0.011465)
x
A expresso (1 + 0.011465) indica que para cada
unidade de tempo (ms) h um acrscimo de
0.011465, ou seja, a sua taxa mdia de crescimento
(juro), no perodo, de 1.1465% ao ms.
70
Exemplo 2.3: Poupana
Obs.2: Os modelos que so formulados com a proposio A variao de
y proporcional a x sempre nos conduzem s formas exponenciais.
No exemplo anterior A variao mensal do capital proporcional ao
capital que se tem no incio de cada ms.
Seja y(x) o capital no incio do ms x (x = 0,1,2,...,11) com y(0) = 1000;
ento, [y(x+1) y(x)] a variao do capital em 2 meses consecutivos.
A formulao matemtica da expresso para o crescimento de capital
dada por:
y(x+1) y(x) = y(x) y(x+1) = (+1)y(x) (2.14)
onde o juro mdio mensal ( = 0.011465).
71
Exemplo 2.3: Poupana
A soluo de (2.14) pode ser obtida por:
y(1) = y(0)(1 + )
y(2) = y(1)(1 + ) = y(0)(1 + )2
y(3) = y(2)(1 + ) = y(0)(1 + )3
e continuando o processo temos o modelo
discreto de juro composto:
y(x) = y(0)(1 + )x (2.15)
72
Ajuste Linear de Modelos
Geomtricos
So dados por funes de potncias:
y(x) = axb, a > 0 e b > 0 (2.16)
A configurao da curva do tipo da figura
2.11f e o ajuste dos parmetros pode ser
efetuado, via ajuste linear, com as mudanas
de variveis:
Y = ln y e X = ln x (2.17)
73
Ajuste Linear de Modelos
Geomtricos
De fato, (2.16) pode ser escrita como:
ln y = ln a + bln x
e portanto, nas novas variveis Y e X:
Y = +bX, onde = ln a a = e
74
Exemplo 2.4: Comprimento e peso
da tilpia
6.19072516 3.37758752 488.2 29.3
6.16415655 3.33932198 475.4 28.2
6.03977841 3.31054301 419.8 27.4
5.88943182 3.23080440 361.2 25.3
5.47855342 3.12236492 239.5 22.7
5.29931687 3.02529108 200.2 20.6
4.65776264 2.85647021 105.4 17.4
4.08597631 2.70805020 59.5 15
3.25809654 2.39789527 26 11
Y = ln y X = ln x y: peso x: comp.
75
Exemplo 2.4: Comprimento e peso
da tilpia
A reta ajustada (log-log) dada por:
Y = 3.103X 4.2067
considerando que = -4.2067 a = e
-4.20067
0.0149
76
Exemplo 2.4: Comprimento e peso
da tilpia
A funo potncia ajustada dada por:
y(x) = 0.0149x
3.103
77
Exemplo 2.4: Comprimento e peso
da tilpia
Obs2.3: Os modelos geomtricos so
freqentes formulaes da Lei de
Alometria: As taxas de crescimento
especfico dos rgos de um mesmo
indivduo so proporcionais
78
Ajuste Linear de Modelos
Hiperblicos
Os modelos hiperblicos (fig. 2.11c) so curvas com
crescimento (ou decrescimento) limitado. Os modelos
hiperblicos mais comuns so das formas seguintes:
a) com a > 0 e b > 0 (2.18)
Se considerarmos z = 1/y, em (2.18) obtemos a funo
resultante linear:
z(x) = ax + b
( )
1
y x
b ax
=
+
79
Ajuste Linear de Modelos
Hiperblicos
veja a figura para a = 0.5 e b = 0.2
80
Ajuste Linear de Modelos
Hiperblicos
b) , com a > 0
Neste caso, considerando a mudana de
varivel a = 1/x, obtemos:
y = a + bz
( )
b
y x a
x
= +
81
Ex.2.5: Consumo mensal (mdio)
de rao por tilpia
101.4 98.1 94.2 87.9 78.1 65.2 50.3 32.4 12.3 y: rao (g)
9 8 7 6 5 4 3 2 1 x: tempo (ms)
82
Ex.2.5: Consumo mensal (mdio)
de rao por tilpia
Com a mudana de varivel z = 1/x, obtemos um ajuste linear de
y e z:
y = -101.5 z + 100.8
A funo hiperblica ajustada dada por:
O coeficiente de correlao linear neste caso :
r = -0.018
que mostra que a correlao bem fraca.
101.5
y 100.8
x
=
83
Ex.2.5: Consumo mensal (mdio)
de rao por tilpia
Obs.2.4: A caracterstica importante da curva de tendncia a
concavidade para baixo: indica que o ajuste como funo
hiperblica do tipo tambm no conveniente.
( )
1
y x
b ax
=
+
84
Ajuste Linear do Modelo de
Michaelis-Menten
Proposto inicialmente para interpretar uma reao bioqumica que
controlada por uma nica enzima, onde a velocidade de
converso y de uma substncia, para uma quantidade fixa de
enzima, dada por:
(2.20)
onde x a concentrao do substrato que est sendo convertido;
ymax a velocidade mxima obtida quando a concentrao do
substrato x muito alta e k > 0 a concentrao do substrato
quando y = ymax/2. A constante k denominada constante de
Michaelis e o valor 1/k a afinidade de uma enzima para o seu
substrato.
( )
max
y x
y x
k x
=
+
85
Ajuste Linear do Modelo de
Michaelis-Menten
A assntota vertical a reta x = -k.
86
Ajuste Linear do Modelo de
Michaelis-Menten
A transformao (Lineweaver-Burk) que
lineariza a curva dada por:
z = 1/y e t = 1/x (2.21)
A eq. 2.20 pode ser escrita por:
max max max
1 k x k 1 1
.
y y x y x y
+
= = +
87
Ajuste Linear do Modelo de
Michaelis-Menten
Usando (2.21): cujo grfico uma reta.
max max
k 1
z t
y y
= +
88
Ajuste Linear do Modelo de
Michaelis-Menten
Obs.2.5: A curva de Michaelis-Menten
tem sempre um bom comportamento nos
ajustes do tipo crescimento assinttico,
com as caractersticas anteriores. A
relao entre a razo fotossimtrica de
uma folha p e a intensidade da luz
(irradincia) I pode ser modelada por:
1
p
b
a
I
=
+
89
Ajuste Linear do Modelo
Exponencial Assinttico
Quando se tratar de comportamento assinttico (tendncia de
estabilidade dos dados) outra curva tpica para ajuste dada pelo
modelo exponencial assinttico:
y = y* - ae
bx
(y* > 0 e b < 0) (2.22)
90
Ajuste Linear do Modelo
Exponencial Assinttico
Consideramos a mudana de variveis
z = ln(y y*) se a < 0
ou
z = ln(y* - y) se a > 0
e obtemos a reta:
z = ln |a| + bx
91
Ajuste Linear do Modelo
Exponencial Assinttico
Obs.2.6: Nos modelos assintticos um dos ingredientes mais
importantes o valor assinttico da varivel independente,
tambm denominado valor de equilbrio ou de estabilidade. Para
se efetuar um ajuste assinttico (tipo Michaelis-Menten ou
exponencial assinttico) necessrio conhecer a priori o valor de
equilbrio que, na verdade, o valor limite da tendncia de y
quando x cresce, ou seja:
(modelo de Michaelis-Menten)
(modelo exponencial assinttico)
max
max
x x
y x
lim y lim y
k x
+ +
= =
+
( )
bx
x x
lim y lim y * ae y *
+ +
= =
92
Clculo do Valor Assinttico
Mtodo de Ford-Walford
Considere um conjunto de dados {(x
i
,y
i
)}, i = 1,2,...,n.
Suponhamos conhecida a informao sobre a seqncia y
i
= f(x
i
)
relativa ao seu crescimento assinttico, isto , sabemos a priori
que {y
i
} convergente quando x
i
cresce. Ento, devemos
determinar y* de modo que:
Consideremos um funo g que ajusta os pares (y
i
, y
i+1
) isto :
y
i+1
= g(y
i
) (curva ajustada)
Temos que:
lim g(y
i
) = lim y
i+1
= lim y
i
= y*
i
i
x
y* lim y

=
93
Clculo do Valor Assinttico
Mtodo de Ford-Walford
Ou seja, a sequncia de pontos do plano {(y
i
,y
i+1
)} converge para
o ponto (y*,y*), ou seja, y* um ponto fixo da funo g:
y* = g(y*)
Assim, y* tal que y
i+1
y
i
Resumindo, y* o valor limite da seqncia {y
i
} quando:
ponto fixo de g
( )
( )
i 1 i
i i i
i 1 i
y y y *
y g y y
y g y
+
+
= =

94
Ex.2.6: Adubao x Produo de cana-de-
acar (nitrognio: sulfato de amnia)
Coeficiente de correlao r = R
2
= 1
95
Ex.2.6: Adubao x Produo de cana-de-
acar (nitrognio: sulfato de amnia)
Considerando que a produo por hectare de
cana-de-acar deve se estabilizar,
relativamente produo de nitrognio,
devemos calcular o valor assinttico da
produo.
Para o ajuste y
i+1
= g(y
i
) vamos tomar, neste
caso especfico, uma reta cuja equao dada
por y
i+1
= 0.8118y + 10.528
96
Ex.2.6: Adubao x Produo de cana-de-
acar (nitrognio: sulfato de amnia)
O valor de y* (valor assinttico) obtido, considerando y* = y
i+1
=
y
i
, ou seja
y* = 0.8118y* + 10.528 e portanto
y* 54.50584485
97
Ex.2.6: Adubao x Produo de cana-de-
acar (nitrognio: sulfato de amnia)
Agora, considerando um ajuste
exponencial entre x
i
e (y* - y
i
), obtemos
y* - y = 6.8134e
-0.0414x
, com r = 1
98
Ex.2.6: Adubao x Produo de cana-de-
acar (nitrognio: sulfato de amnia)
Portanto, a funo que ajusta xi e yi, na
hiptese de um crescimento assinttico
de yi (modelo exponencial assinttico),
dada por:
y(x) = 54.5058 6.8134 exp(-0.0415x)
99
Ajuste Linear do Modelo Logstico
Proposta inicialmente para modelar a
dinmica de populaes:
100
Ajuste Linear do Modelo Logstico
Caractersticas:
a) tendncia da varivel independente y de estabilidade: y y*
quando x cresce
y* denominado valor mximo sustentvel ou
capacidade de suporte
b) Considerando y0 o valor inicial da seqncia montona dos yi,
isto , y = y0 quando x = 0, tem-se
y crescente se y0 < y*
y decrescente se y0 > y*
c) a taxa de crescimento relativo de yi linear, isto
pode ser ajustada por uma reta: = ay + b.
d) se y0 < y*/2, a curva y(x) muda de concavidade quando
y = y*/2, o que implica na existncia de um ponto de inflexo
na curva.
101
Ajuste Linear do Modelo Logstico
A expresso terica da curva logstica
(2.23)
Onde, a = y*, b = y*/y0 1 e = y* a taxa
de reprodutividade mxima.
Uma estimativa dos parmetros da curva
logstica pode ser feita, por meio de um ajuste
linear, usando a mudana de variveis:
(2.24)
1
x
a
y
be

=
+
/
ln
1 /
y a
z
y a
| |
=
|

\
102
Ajuste Linear do Modelo Logstico
ou seja,
e obtemos a equao de uma reta z = x lnb
O valor de a = y* pode ser estimado pelo mtodo de
Ford-Walford, visto anteriormente.
Para se obter um valor razovel de y* conveniente
considerar somente os valores de yi que, na curva de
tendncia, so superiores ao valor de inflexo da
curva. Quando no temos um nmero de dados
suficientes yi superiores a y*/2 ento devemos estimar
y* por outros mtodos
1 1
1
1 1
ln ln ln
1
1
1
1
x x
x
x
x
x
be be
z e
be b
be
be

| |
| |
|
|
| |
+ +
= = =
|
| |
\
|
|

|
+ \
+ \
103
Ex.2.7: Crescimento de uma rvore
(Xi tempo em anos, Yi altura em dm)
Sejam:
a) crescimento simples
b) crescimento relativo
28.9 28.5 28.1 27.6 27.1 26.6 26.0 25.4 24.7 24.0 23.3 22.5 21.7 Y
i
9 8.5 8 7.5 7 6.5 6 5.5 5 4.5 4 3.5 3 X
i
1 i i i
y y y
+
=
i
i
i
y
y

=
104
Ex.2.7: Crescimento de uma rvore
A tendncia da altura de uma rvore de
estabilizar
Para estimar o valor da estabilidade y*
podemos usar 2 mtodos:
1) Ford-Walford (tomando os 6 ltimos dados):
2) Modelo logstico:
( )
1
0.9151 2.8164
i i i
y f y y
+
= = +
1
* * 33.173
i i
y y y y dm
+
= = =
1
i
i i
i
y
ay b
y

+

= = +
1
0 * *
i i
b
quando y y y
a

= = =
105
Ex.2.7: Crescimento de uma rvore
Um ajuste linear relacionando i e yi+1 nos d:
= -0.0035y + 0.1148
Ento, o valor estimado para a altura mxima dado por:
Agora usando a mudana de varivel:
transformamos a curva logstica na reta z = x ln b
0.1148
* 32.8
0.0035
y dm = =
( )
*
ln
1
*
i
i i
i
y
y
z f y
y
y
| |
|
\
= =
| |

|
\
106
Ex.2.7: Crescimento de uma rvore
Neste caso, z = 0.2231x + 0.0003
= 0.2231 e b = e
0.0003
1
107
Ex.2.7: Crescimento de uma rvore
Obs.2.7: Nem sempre o mtodo de Ford-Walford pode
ser usado para estimar o valor de estabilidade de uma
varivel, principalmente quando o sistema
no apresenta soluo na regio de interesse.
No caso do modelo logstico, devemos usar um
nmero razovel de dados j superiores aos valores
de inflexo da curva para poder usar o mtodo de
Ford-Walford.
( )
1
1
i i
i i
y g y
y y
+
+
=

108
Ex.2.8: Modelo Logstico da
Populao Norte-Americana
censo demogrfico dos USA de 1790 a 1920. O modelo logstico,
formulado por Pearl e Reed em 1920, foi muito utilizado para
projetar a populao americana nos 20 anos seguintes.
107559 1920 23192 1850
91972 1910 17506 1840
76871 1900 13109 1830
62769 1890 9757 1820
50177 1880 7228 1810
39372 1870 5336 1800
30412 1860 3929 1790
Populao Ano Populao Ano
109
Ex.2.8: Modelo Logstico da
Populao Norte-Americana
O clculo de P* (populao de equilbrio)
no pde ser realizado pelo mtodo de
Ford-Walford pois a reta ajustada
P
i+1
= 1.1729P
i
+ 2.2304
tem coeficiente angular maior que o
coeficiente angular da bissetriz P
i+1
= P
i
,
e ento
P* = P
i+1
= P
i
P* = -12.9
110
Ex.2.8: Modelo Logstico da
Populao Norte-Americana
Esta deficincia no clculo de P* decorre do fato que a tendncia
de crescimento da populao americana at 1910 ainda
exponencial e, com taxa de crescimento relativa igual a 0.2595 ou
2.59%.
111
Ex.2.8: Modelo Logstico da
Populao Norte-Americana
Considerando que toda populao deve ser estacionria no
futuro, devemos estimar o valor limite da populao (ou valor
mximo sustentvel) P* por outros mtodos.
112
Ex.2.8: Modelo Logstico da
Populao Norte-Americana
A tendncia de crescimento exponencial
comea a enfraquecer aps 1910.
Prximo deste ano, deve haver uma mudana
de concavidade da curva (ponto de inflexo).
Com base, simplesmente nos dados do censo,
pode-se afirmar que o ponto de inflexo deve
ocorrer entre os anos 1910 e 1920:
91972 < P*/2 < 107559
113
Ex.2.8: Modelo Logstico da
Populao Norte-Americana
Se numa primeira aproximao,
considerarmos a mdia das populaes:
P* = 2(107559+91972)/2 = 199531
Da expresso terica da curva logstica,
o parmetro b estimado por:
0
* 199531
1 1 49.7842
3929
P
b
P
= = =
114
Ex.2.8: Modelo Logstico da
Populao Norte-Americana
A estimao do parmetro no pode ser feita atravs
da mudana de varivel
Podemos considerar o valor de , aproximadamente,
igual mediana dos valores i e neste caso = 0.3113
(Projeo 1).
A estimao de pode ser obtida ainda por
aproximaes sucessivas, considerando valores
prximos de 0.3113 e usando os dados da tabela, e
obtemos = 0.3127 (Projeo 2).
/ *
ln
1 / *
P P
z
P P
| |
=
|

\
115
Ex.2.8: Modelo Logstico da
Populao Norte-Americana
Portanto, o modelo logstico para projees da
populao americana dado por:
( )
199531
1 49.784
t
P t
e

=
+
116
Ex.2.8: Modelo Logstico da
Populao Norte-Americana
Considerando o fato que, num modelo
logstico, a taxa de crescimento relativa
relacionada linearmente com a
populao, podemos determinar ,
considerando o ajuste linear dos pontos
(
i
, f(P
i+1
)):
e obtemos a reta = -0.0019P + 0.3678
( )
1
1
i i
i i
i
P P
f P
P

+
+

= =
117
Ex.2.8: Modelo Logstico da
Populao Norte-Americana
Sabendo que 0 quando P P*,
temos:
0 = -0.0019 P* + 0.3678 P* = 193579
Neste caso, obtemos o seguinte modelo
(Projeo 3) para a populao
americana:
( )
( )
( )
193579
1 48.297exp 0.3127 1790
P t
t
=
+
118
Ex.2.8: Modelo Logstico da
Populao Norte-Americana
Alm dos ajustes obtidos atravs de regresso lineares por
transformaes pode-se fazer tambm ajustes de dados por
funes polinomiais.
119
Ajuste Quadrtico
parbolas: y(x) = a + bx + cx
2
120
Ajuste Quadrtico
Caracterstica principal: pontos extremos (mximo ou
mnimo locais) para a varivel y num intervalo limitado
de variao x.
A determinao dos parmetros a, b e c tambm
feita mediante a aplicao do mtodo dos mnimos
quadrados, minimizando a expresso:
As condies necessrias para o mnimo de f so:
( ) ( )
( )
2
2
2
1 1
, ,
n n
i i i i
i i
f a b c y y y a bx cx
= =

= = + +


0, 0 0
f f f
e
a b c

= = =

121
Ajuste Quadrtico
Estas equaes fornecem o sistema de
ajustamento para o clculo de a, b e c:
Obs.2.8: Muitos programas computacionais j
tm este ajuste como opo de linha de
tendncia.
2
2 3
2 2 3 4
i i i
i i i i i
i i i i i
y na b x c x
x y a x b x c x
x y a x b x c x

= + +

= + +

= + +

122
2.4 Variaes
A formulao e um modelo geralmente baseada nas
relaes de medidas existentes entre as grandezas ou
elementos (variveis) observados.
As propriedades ou relaes podem ser definidas
independentemente do conceito de nmero.
Nos modelos estticos (qualitativos) as relaes entre
os elementos so quase sempre de carter geomtrico
ou analtico.
123
2.4 Variaes
A modelagem matemtica de situaes ou fenmenos no matemticos, atravs
de suas variaes, tem como caracterstica essencial a evoluo do sistema.
Neste caso, o termo taxa de variao, aparece implicitamente me palavras
como, taxa de crescimento, crescimento relativo, taxa de mortalidade, velocidade,
acelerao, taxa de reao, densidade, etc.
Quantidades que influenciam em algum processo dinmico so denominadas
variveis, ou parmetros e algumas vezes constantes no existe diferena
precisa entre estes termos a distino apenas convencional:
variveis: grandezas que se modificam durante o processo;
parmetros: medidas auxiliares e podem ou no mudar durante o processo;
constantes: quantidades que no variam e tm seus valores fixados a priori.
124
2.4 Variaes
A formulao matemtica depende da escolha que se faz em
relao continuidade ou no das variveis observadas.
Existem situaes onde modelos discretos so mais convenientes
(populao de determinados insetos com ciclos de vida
sincronizados e no sobrepostos e propagao anual de plantas).
Outras situaes que aparecem descritas em termos de variveis
contnuas podem ser modeladas atravs de um conjunto finito de
dados observados periodicamente.
125
2.4 Variaes
Conjunto finito: seqncia finita de valores x1, x2, x3, ..., xn.
A varivel x dita contnua se pode assumir todos os valores
reais intermedirios entre os valores discretos da seqncia {xi}, i
= 1,2,...,n.
Por exemplo, se x1 = 26.0, x2 = 59.5, ..., x9 = 488.2 so os
valores dados do peso da tilpia, sabemos que qualquer valor
entre 26.0 e 488.2 pode ser assumido no intervalo [26.0;488.2]
Logo o peso da tilpia uma varivel contnua neste intervalo.
126
2.4 Variaes
Se a varivel no for contnua, ser dita discreta o que significa
que somente pode assumir valores em um conjunto discreto.
Um conjunto discreto se existe uma correspondncia biunvoca
entre seus elementos e um subconjunto dos nmeros naturais.
Por exemplo, para descrever o nmero de carros novos
emplacados numa cidade no dia n, durante um dado ms de um
determinado ano, devemos usar a seqncia finita xn e neste
caso a varivel x, nmero de carros emplacados discreta.
127
2.4 Variaes
Em termos de modelagem, comum as variveis
aparecerem na forma de seqncias finitas de dados
{xn}, n = 1,2,...,k : conjuntos discretos.
Uma seqncia real um conjunto de pontos {xn}
definidos por uma funo cujo domnio um
subconjunto A dos nmeros naturais N:
Notao:
:
n
f A
n x

( ) { }
,
n n
x f n ou x n A =
128
2.4 Variaes
A seqncia um conjunto discreto dos reais;
no entanto, se tiver sentido real a extenso
ento x uma varivel contnua.
Definio 2.1: Uma seqncia {xn} converge para um
valor x* se xn pode ser aproximar tanto quanto se
queira, de x* quando n cresce.
Se tivermos uma seqncia real montona (crescente
ou decrescente) e limitada ento podemos afirmar que
ela convergente.
{ }
,
n
x n A
( )
, x f t t =
129
2.4.1 Variaes Discretas
Quando temos uma varivel y
dependendo quantitativamente de outra
varivel independente x, podemos
construir o modelo matemtico ou
analisar esta dependncia atravs das
caractersticas variacionais, ou sejam, o
modelo formulado atravs das
variaes destas grandezas.
130
Ex. 2.9: Variao Populacional
Seja N o nmero de indivduos numa populao.
Considerando que N varia com o tempo t, podemos
induzir que N seja uma funo de t:
N = f(t)
Sejam t1 e t2 dois instantes com t2 > t1. Ento a
diferena:
N = N2 N1 = f(t2) f(t1)
a variao total (ou variao) do tamanho da
populao no intervalo de tempo de t1 a t2.
131
Ex. 2.9: Variao Populacional
Observamos que se N > 0, ento a populao
aumenta em tamanho neste intervalo de tempo.
Se N < 0, a populao decresce e se N = 0, a
populao permanece inalterada em tamanho, no
intervalo considerado.
Para analisarmos com que rapidez o tamanho da
populao varia, devemos levar em conta o tempo
transcorrido entre as medidas de N1 = f(t1) e N2 = f(t2)
132
Ex. 2.9: Variao Populacional
Seja t = t2 t1, a proporo:
mostra quanto varia a populao por unidade de
tempo (variao mdia por unidade de tempo ou taxa
mdia de variao).
A populao brasileira era de 119.002.706 habitantes
em 1980 em 1991 passou para 146.825.475, ento a
variao mdia entre estes 2 perodos foi de:
2 1
2 1
N N N
t t t

=

2 1
2529342.6
1991 1980
N N
=

133
Ex. 2.9: Variao Populacional
Taxa de variao relativa ou taxa de crescimento
interespecfico: medida variacional que fornece uma medida
relativamente populao que originou tal crescimento e sua
expresso analtica depende do modelo populacional utilizado.
Os casos mais estudados para este tipo de taxa so:
a) taxa de variao mdia relativa (linear) que dada por:
Com os dados anteriores temos:
Neste caso, dizemos que a taxa de crescimento populacional,
entre 1980 e 1991, foi de 2.125% ao ano.
2 1
1 1
N N N
N t N t

= =

2529342.6
0.02125
119002706
= =
134
Ex. 2.9: Variao Populacional
b) Taxa de variao Malthusiana, proveniente de um crescimento
exponencial em cada unidade de tempo

e portanto,
( )
( ) ( )
1
2 1 1
1 1
1 1
1
...............................
_____________________________( )
...
1 1 ... 1
t t t
t t t
t t t t t t
t t t t t t t
t
t
N N N
N N N
N N N
N N N N N
N

+
+ + +
+ + +
+ + +

=
=
=
+
= + + +

= + + + + +

( )
( )
1 1
1 1
t
t
t t t
t
N N
N

+
+

= = +
1
t t
t
t
N
N

+
=
135
Ex. 2.9: Variao Populacional
Por exemplo, tomando t = t2 t1 = 11,
temos:
ou seja, a populao cresceu (em mdia)
1,928% ao ano, relativamente proporo
existente em cada ano, durante os 11 anos (de
1980 a 1991).
1 1
2 1
146825475 119002706
t t t
N N e N N
+
= = = =
2
11
1
1 0.01928
N
N
= =
136
Problema 1
O nosso amigo Z, est um pouco fora de forma, pesando cerca
de 81 quilos. Ele precisa perder peso pro Lzaro ficar feliz e o
Jardel muito contente. Ele far isso, claro que com a ajuda dos 2
coleguinhas, por meio de um programa de dieta e de exerccios.
Aps consultar a tabela 1, ele montou o programa de exerccios
na tabela 2.

Suponha um acompanhamento do Z atravs de um programa de

exerccios ao longo da semana.
Quantas calorias ele vai queimar por dia se seguir esse
programa?
137
Problema 1
Tabela 1: calorias queimadas por hora
Tabela 2: horas por dia para cada atividade
138
Problema 2
No centro de uma cidade dois conjuntos de ruas de mo nica se
cruzam, como mostra a figura abaixo:
139
Problema 2
Qual a mdia do nmero de veculos por hora que
entram e saem dessa seo durante o horrio de
rush?
Determine a quantidade de veculos entre cada um
dos quatro cruzamentos.
Considere que, em cada cruzamento o nmero de
veculos que entra igual ao nmero de veculos que
sai (observe a direo das setas indicadas na figura).