Unidade IV

Ajuste de curvas
0011 0010

12
45

Sumrio:

1 Introduo
2 Quadrados Mnimos (Caso discreto Modelo linear)
3 Quadrados Mnimos (Caso discreto Modelo no linear)
3.1 Teste de alinhamento
4 Quadrados Mnimos (Caso contnuo)

0011 0010

12
45

1 Introduo

0011 0010

12
45

 Em geral, experimentos em laboratrio geram um conjunto de

dados que devem ser analisados com o objetivo de determinar
certas propriedades do processo em anlise.

Obter uma funo matemtica que represente (ou que ajuste)

estes dados, permite fazer simulaes do processo, reduzindo
assim repeties de experimentos que podem ter um custo alto.
0011 0010

12
45

 Os resultados de um experimento geram tabelas do tipo:

Xk

x1

x2

x3

...

xn

Yk

y1

y2

y3

...

yn

deseja-se obter uma funo de ajuste os dados (Xk, Yk).

Nesta unidade ser estudado uma das tcnicas mais utilizadas

para se ajustar dados, conhecida com Mtodo dos Mnimos
Quadrados (MMQ).

0011 0010

12
45

2 Mnimos Quadrados
Caso discreto - Modelo linear

0011 0010

12
45

 O problema de ajuste de curvas consiste em escolher n funes

g1, g2,..., gn contnuas e linearmente independentes em [a, b] e
obter n constantes a1, a2,...,an tais que:

j(xk) = a1g1(xk) + a2g2(xk) +...+ angn(xk)

seja uma boa aproximao para os pontos y(xk), ou seja, jk yk.
A funo j(x) utilizada no ajuste dos pontos linear nos
parmetros aj, embora as funes gj(x) possam ser no-lineares
(ex.: ex, 1 + x2, ln(x) ).

0011 0010

12
45

 A escolha das funes gj(x) pode ser feita observando

o grfico dos pontos tabelados, chamado de diagrama de
disperso.
Atravs do qual podemos observar o tipo de curva
que melhor se ajusta aos dados.

0011 0010

12
45

Exemplo 1: Considere a seguinte tabela de pontos.

xk

0.1

0.2

0.5

0.7

0.8

0.9

1.1

1.23 1.35

1.5

1.7

1.8

yk

0.19 0.36 0.75 0.91 0.96 0.99 0.99 0.94 0.87 0.75 0.51 0.35

A anlise do diagrama de disperso

mostra que a funo que procuramos
se comporta como uma parbola.

0.8

0.6

0.4

0.2

0.5

1.5

Logo poderamos escolher as funes g1(x) = 1, g2(x) = x e g3(x) = x2,

pois j(x) = a1g1(x) + a2g2(x) + a3g3(x) representa uma famlia de
parbolas, e com a escolha adequada dos aj teremos aquela que
melhor se ajusta aos pontos.
0011 0010

12
45

 Para obter a curva que melhor se ajusta a funo tabelada a idia

impor que o desvio em relao funo aproximada seja o menor
possvel, ou seja:
dk = |j(xk) - yk |
1.5

j(x)
1

yk

dk

0.5

-0.5

d2
d1

-1

0011 0010

-1.5
-2

d3

-1.5

-1

-0.5

0.5

1.5

12
45

 O Mtodo dos Mnimos Quadrados consiste em escolher aj de

tal forma que a soma dos quadrados dos desvios seja mnima:
m

d
k 1

2
k

d
k 1

2
k

j(x
k 1

k ) yk

a
g
(
x
)

a
g
(
x
)

a
g
(
x
)

y
1 1 k 2 2 k
n
n
k
k
k 1

isto , encontrar os parmetros aj que minimizam a funo:

( xk )
j

F (a1 , a 2 ,..., a n ) [(a1 g1 ( xk ) ... a n g n ( xk )) yk ]2

m

k 1

0011 0010

12
45

 A funo F uma funo quadrtica que satisfaz F(a) 0 a R m.

Isto , uma funo limitada inferiormente e portanto tem um ponto
de mnimo.
Esse ponto encontrado igualando o gradiente de F(a) a
zero:
F
a j

j 1, 2,..., n.

(a1 ,...,a n )

Desta forma temos:

m

2 [a1g1(xk) + a2g2(xk) + ... + angn(xk) - yk ](gj(xk)) = 0

k 1

0011 0010

12
45

 A equao anterior pode ser reescrita como:

m
k1 g1(xk)g1(xk)

a1

m
k1 g1(xk)g2(xk)

a1

m
m

y g (x )
k1 g2(xk)g1(xk) a 2 k1 gn(xk)g1(xk) a n k1 k 1 k

g
(x
)g
(x
)
k 1 1 k n k a1

m
k1 g2(xk)g2(xk)

m
a

2
k1 gn(xk)g2(xk)

n k1 yk g2(xk)

m
k1 g2(xk)gn(xk) a 2 k1 gn(xk)gn(xk)

a n k1 yk gn(xk)

Assim, para obter aj temos que resolver o seguinte sistema:

A11

A21
A
31

A
n1

A12 A13 A1n

A22 A23 A2 n
A32 A33 A3n

An 2 An 3 Ann

0011 0010

a1 b1

a 2 b2
a b
3 3

a b
n n

onde,

Aij gi(xk)gj(xk)
k 1

bi yk gi(xk)
k 1

12
45

Exemplo 2: Resolveremos aqui o exemplo anterior, onde vimos que

a funo tabelada
xk

0.1

0.2

0.5

0.7

0.8

0.9

1.1

1.23 1.35

1.5

1.7

1.8

yk

0.19 0.36 0.75 0.91 0.96 0.99 0.99 0.94 0.87 0.75 0.51 0.35

deve ser ajustada por uma parbola do tipo j(x) = a1 + a2x + a3x2.
12

F(a1, a2, a3) = [a1 + a2xk + a3 xk2 - yk]2

k 1

12
F
2 [a1 + a2xk + a3xk2 yk] (1) = 0
a1
k 1
12
F
2 [a + a x + a x 2 y ] (x ) = 0
1
2 k
3 k
k
k
a 2
k 1
12
F
2 [a1 + a2xk + a3xk2 yk](xk2) = 0
a 3
k 1

0011 0010

12
45

12

12

(a1 + a2xk + a3xk yk

(a x + a x 2 + a x 3) x y
k k
1k 2k 3k
(a1xk2 + a2xk3 + a3xk4) xk2 yk

2)

k 1

k 1

12

12

k 1

k 1

12

12

k 1

k 1

2 3

x
a
+
x
a
+
x
a
=
x
y

k
1
k
2
k
3
k
k

xk2a1 + xk3 a2 + xk4 a3 = xk2 yk

12
12
k1 1 a1 + k1

xk a2

12 2
+ xk a3
k 1

12
k1 yk

12

12

12

12

k 1

k 1

k 1

k 1

12

12

12

12

k 1

k 1

k 1

k 1

12a1 11.88a 2 15.16a 3 8.57

11.88a1 15.16a 2 21.49a 3 8.8

15.16a 21.49a 32.36a 10.57
1
2
3

0011 0010

12
45

Resolvendo o sistema anterior obtemos:

a1 = 0.00; a2 = 2.00 e a3 = -1.00
Portanto

j(x) = 2.00x 1.00x2

1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1

0011 0010

0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

12
45

 No exemplo anterior ajustamos os dados a uma parbola, mas

outras funes bases poderiam ser usadas.
Como exemplo, poderamos pensar que os dados representam
o primeiro meio perodo de uma funo senoidal.
E neste caso poderamos tomar j(x) = a1 + a2sen( 2 x). Afinal
qual seria a melhor escolha?
A soma dos quadrados dos desvios em cada ponto tabelado
fornece uma medida que pode ser usada como parmetro de
comparao entre ajustes diferentes.
n

d [ yk j ( xk )]2
k 1

0011 0010

12
45

Aplicando o Mtodo dos Quadrados Mnimos para o caso da

funo senoidal, obtm-se:

j ( x) 0.0136 1.0193sen
2

1.1
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1

0011 0010

0.5

1.5

12
45

Calculando a soma dos quadrados dos desvios para cada caso:

12

Parbola:

Sr [ y ( xk ) j ( xk )]2 0.00011
k 1

Senide:

12

Sr [ y ( xk ) j ( xk )]2 0.02835
k 1

Portanto, para este caso, o melhor ajuste foi obtido usando a

parbola.

0011 0010

12
45

2.1 Coeficiente de correlao (r)

Fornece uma medida do percentual de pontos bem ajustados:.

St S r
r
St
2

Onde:

S t ( yk ym )
m

k 1

ym

yk

k 1

S r ( yk ji )
m

k 1

0011 0010

12
45