LABORATÓRIO DE

FÍSICA I

Ajuste de curvas pelo método

dos mínimos quadrados
Edilberto Oliveira
Gabriel Couto
Lucas Malaquias
LUIZ HENRIQUE P. ASSUNÇÃO
MARCIO MUNIZ
Marcos Braga
Matheus Novais
Naasson Dutra
 Estrutura de tópicos
 1 – Introdução
• Interpolação
• Mínimos Quadrados
• Caso Discreto
• Caso Contínuo
 2 – Método dos Mínimos Quadrados
• Para Caso Discreto - Linear
 3 – Método dos Mínimos Quadrados
• Para Caso Discreto – Não-Linear
• Teste Alinhamento (Linearidade)
 4 – Método dos Mínimos Quadrados
• Para Caso Contínuo – Linear
 introdução
Interpolaçã Extrapolaçã
o o
Obter um valor
aproximado da
função em algum
ponto fora do
Trabalhar com intervalo
uma função
definida por uma
tabela de valores
Valores tabelados
a partir de um
experimento.
Podem conter
LAGRANGE erros que não são
NEWTON previsíveis.
 Introdução – Mínimos quadrados

Definição

Em vez de um polinómio interpolador de f(x), podemos usar a

reta que “passe mais próximo” dos pontos tabelados, ou seja que
minimize a soma das distâncias dos pontos tabelados à reta.

Mas minimizar a soma das distâncias dos pontos tabelados à reta

é equivalente a minimizar a soma dos quadrados das distâncias
dos pontos tabelados à reta.

Discreto contínuo
 Introdução – caso discreto

A aproximação por mínimos quadrados consiste em encontrar a função

que “melhor se ajuste”, ao conjunto de pontos dado, minimizando o erro
resultante do ajustamento, ou seja, pretende-se minimizar a soma dos
quadrados das diferenças entre os valores tabelados e os valores
obtidos pela aproximação.
Em geral, experimentos em laboratório geram um conjunto de
dados que devem ser analisados com o objetivo de determinar
certas propriedades do processo em análise.
14

12

10

0
1 1.5 2 2.5 3 3.5 4 4.5 5

Obter uma função matemática que represente (ou que ajuste)

estes dados, permite fazer simulações do processo, reduzindo
assim repetições de experimentos que podem ter um custo alto.
 Mínimos quadrados – caso contínuo

Apesar de conhecermos a função, não apenas em certos pontos, mas em todo

um intervalo, estamos interessados em aproximar essa função (... no sentido
dos mínimos quadrados) por funções de uma outra classe, mais adequada ao
problema que pretendemos resolver. Por exemplo, podemos estar interessados
em determinar qual a "melhor reta" que aproxima a função sen(x) no
intervalo [0, 1] .
 2 – Mínimos Quadrados
Caso discreto - Modelo linear
 Para obter a curva que melhor se ajusta a função tabelada a idéia
é impor que o desvio em relação à função aproximada seja o menor
possível, ou seja:

dk = |yk – j(xk)|

1.5
j(x)
1
yk dk

0.5

-0.5 d3
d2

-1 d1

-1.5
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
 O Método dos Quadrados Mínimos consiste em escolher “a” e “b”de
tal forma que a soma dos quadrados dos desvios seja mínima:

m m
 d    yk  j ( xk )  d    yk  (ax k b)
m m

2 2 2 2
k k
k 1 k 1 k 1 k 1

isto é, encontrar os parâmetros aj que minimizam a função:

j ( xk )
m   
F (a1 , a 2 ,..., a n )   [ yk  (ax k b)]2
k 1
  Os pontos críticos de f(a) e f(b) é encontrado igualando seus gradientes a
zero:
F j ( xk )
0 m   
a F (a1 , a 2 ,..., a n )   [ yk  (ax k b)]2
F k 1
0
b
Desta forma temos:
F m
 2 [ y k (ax k b)]x k 
a k 1
m m m
2 y k x k  (2a  x ² k  2b x k )  0 
k 1 k 1 k 1
m m m
 (a  x ² k  b x k )   y k x k 
k 1 k 1 k 1
m m m
a  x ² k b  x k   y k x k
k 1 k 1 k 1
F m
 2 [ y k (ax k b)] 
b k 1
m m m
2 y k  ( 2 a  x k  2  b )  0 
k 1 k 1 k 1
m m
 (a  x k  mb)   y k 
k 1 k 1
m m
a  x k  mb   y k
k 1 k 1
  Agora utilizando as duas derivadas faremos um sistema:

Reta

a  x ² k b  x k   y k x k
a  x k  mb   y k
Exemplo 1:
 Para obter a curva que melhor se ajusta a função tabelada a idéia
é impor que o desvio em relação à função aproximada seja o menor
possível, ou seja:
dk = |yk – j(xk)|

m m

 d    yk  (ax ² k bx k c)

m m

d y  j ( xk ) 
2 2

2 2
k k k
k 1 k 1 k 1 k 1

j ( xk )
m    
F (a1 , a 2 ,..., a n )   [ yk  (ax ² k bx k c)]2
k 1
 Os pontos críticos de f(a) ,f(b) e f(c) é encontrado igualando seus gradientes a
zero:

F j ( xk )
0   
m 
a F (a1 , a 2 ,..., a n )   [ yk  (ax ² k bx k c)]2
F k 1
0
b
F
0
c F m
 2 [ y k (ax ² k bx k c)]x ² k 
a k 1
m m m m
2 y k x ² k  (2a  x k  2b x k 2c x ² k )  0 
4 3

k 1 k 1 k 1 k 1
m m m m
 (a  x 4
k  b x k  c  x ² k )   y k x ² k 
3

k 1 k 1 k 1 k 1
m m m m
a  x k b  x k  c  x ²   y k x ² k
4 3

k 1 k 1 k 1 k 1
F m
 2 [ y k (ax ² k bx k c)]x k 
b k 1
m m m m
2 y k x k  (2a  x k  2b x k 2c  x k )  0 
3 2

k 1 k 1 k 1 k 1
m m m m
 (a  x 3
k  b x k  c  x k )   y k x k 
2

k 1 k 1 k 1 k 1
m m m m
a  x k b  x ² k  c  x   y k x k
3

k 1 k 1 k 1 k 1

F m
 2 [ y k (ax ² k bx k  c)] 
c k 1
m m m m
2 y k  (2a  x 2 k  2b x k 2 c)  0 
k 1 k 1 k 1 k 1
m m m m
 (a  x 2
k  b x k 2 c)   y k 
k 1 k 1 k 1 k 1
m m m
a  x ² k b x k  mc   y k
k 1 k 1 k 1
 Agora utilizando as três derivadas faremos um sistema:

Parábola
a  x k b  x k  c  x ² k   x ² k y k
4 3

a  x k b  x ² k  c  x k   x k y k
3

a  x ² k b x k  mc   y k
A escolha das funções g(x) pode ser feita
observando
o gráfico dos pontos tabelados,
chamado de diagrama de dispersão,
Através do qual podemos observar o tipo de
curva
que melhor se ajusta aos dados.
 Exemplo 2: 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
1

A análise do diagrama de dispersão

0.8
mostra que a função que
0.6
procuramos se comporta como uma
parábola.
0.4

0.2

0
0 0.5 1 1.5 2

Logo poderíamos escolher as funções g3(x) = 1, g2(x) = x e g1(x) = x2,

pois j(x) = a1g1(x) + a2g2(x) + a3g3(x) representa uma família de
parábolas, e com a escolha adequada dos aj teremos aquela que
melhor se ajusta aos pontos.
j(x) = a1g1(x) + a2g2(x) + a3g3(x)
 No exemplo anterior ajustamos os dados a uma parábola, mas outras funções
bases poderiam ser usadas.

 Como exemplo, poderíamos pensar que os dados representam o primeiro meio

período de uma função senoidal.


 E neste caso poderíamos tomar j(x) = a1 + a2sen( x). Afinal qual seria a melhor
2
escolha?

 A soma dos quadrados dos desvios em cada ponto tabelado fornece uma medida
que pode ser usada como parâmetro de comparação entre ajustes diferentes.

n
d   [ yk  j ( xk )]2
k 1
Aplicando o Método dos Quadrados Mínimos para o caso da
função senoidal, obtém-se:

 
j ( x)  0.0136  1.0193sen x
2 
1.1

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1
0 0.5 1 1.5 2
Calculando a soma dos quadrados dos desvios para cada caso:

12
Parábola: Sr   [ y ( xk )  j ( xk )]2 0.00011
k 1

12
Sr   [ y ( xk )  j ( xk )]2 0.02835
Senóide:
k 1

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

parábola.
 3 – Mínimos Quadrados
Caso discreto - Modelo não linear
  Existem casos, onde o diagrama de dispersão de uma função indica que os dados
devem ser ajustados por uma função que não é linear com relação aos parâmetros aj.

Como exemplo, considere os seguintes dados:

xk -1.0 -0.5 0 0.5 1 1.5 2.0 2.5 3

yk 0.157 0.234 0.350 0.522 0.778 1.162 1.733 2.586 3.858
4 j ( x)  a1ea x
2

3.5
Observando o diagrama podemos
considerar que os dados tem um
3
comportamento exponencial, que
2.5 nos sugere o seguinte ajuste:
2

1.5

0.5

0
-1 -0.5 0 0.5 1 1.5 2 2.5 3
 Para aplicar o Método dos Quadrados Mínimos torna-se necessário efetuar uma
linearização do problema.

 A linearização da função escolhida para ajustar os pontos anteriores deve ser feita
da seguinte forma:

j ( x)  a1ea x 
2
z  ln(j ( x))  z  ln a1  a 2 x

Fazendo b1 = lna1 e b2 = a2 o problema consiste em ajustar os dados de z pela reta:

z(x) = b1 + b2x
Para isso devemos construir uma nova tabela com os dados de
zk = ln(yk) = b1 + b2x.

xk -1.0 -0.5 0 0.5 1 1.5 2.0 2.5 3

yk 0.166 0.189 0.250 0.600 0.800 1.200 1.800 2.640 3.700
zk = ln(yk) -1.796 -1.666 -1.386 -0.511 -0.223 0.182 0.588 0.971 1.308
9
F ( b1 , b 2 )   [ z ( xk )  ( b1  b 2 xk )]2
k 1

 9 (1) 9 x   b1   9 z 
k1  k
k 1 
   k 1
 k 
9 9 
2   9 
  xk  xk   b 2    zk xk 
 k 1 k 1  k 1 
Resolvendo o sistema anterior obtemos a seguinte solução:
b1 = -1.114
b2 = 0.832
Desta forma os valores de aj são dados por:

a1  e b  0.328
1

a 2  b 2  0.832
Portanto temos:

j ( x)  a1ea x  0.328e0.832x
2

0
-2 -1 0 1 2 3 4
 Linearização de algumas curvas:

• Curva Hiperbólica

1
y  z  a1  a 2 x onde z  1
a1  a 2 x y

• Curva Exponencial

y  a1 (a 2 ) x  z  b1  b 2 x onde z  ln( y) , b1  ln(a1 ) , b 2  ln(a 2 )

• Curva Geométrica

y  a1  x  ln( y)  ln( a1 )  a 2 ln( x) onde z  ln ( y ), t  ln ( x),

a2

z  b1  b 2 t b1  ln(a1 ), b 2  a 2
3.1 – Teste de Alinhamento

 Uma vez escolhida uma função não linear em a1, a2,..., an para ajustar uma função
dada, uma forma de verificarmos se a escolha feita foi razoável é aplicarmos o teste
de alinhamento, que consiste em:

i) fazer a “linearização” da função não linear escolhida;

ii) fazer o diagrama de dispersão dos novos dados;

iii) se os pontos do diagrama (ii) estiverem alinhados, isto

significará que a escolha da função foi adequada.
 Exemplo 4: Considere a função dada pela tabela:

xk -8 -6 -4 -2 0 2 4
yk 30 10 9 6 5 4 4
1 b) y( x)  ab
x
Qual das funções a) y ( x)  ou
a  bx
ajustaria melhor os dados da tabela?

Em primeiro lugar devemos linearizar as funções:

1
De y ( x )  , obtemos:
a  bx
xk -8 -6 -4 -2 0 2 4
z1 ( x)  a  bx
z1=1/y 0.03 0.10 0.11 0.17 0.20 0.25 0.25
De y( x)  abt , obtemos : k

z2 ( x)  ln a  x ln b xk -8 -6 -4 -2 0 2 4
z2=ln(yk 3.40 2.30 2.20 1.79 1.61 1.39 1.39
)
 Fazendo o diagrama de dispersão para cada função:

z1  a  bx z2  ln a  x ln b
0.35 3.5

0.3
3

0.25

2.5
0.2

0.15
2

0.1

1.5
0.05

0 1
-8 -6 -4 -2 0 2 4 -8 -6 -4 -2 0 2 4

Vemos que os dados de z1 = a + bx se aproximam mais de uma reta.

Assim, devemos escolher para ajustar os dados.
y 1
a  bx
4 – Mínimos Quadrados
Caso contínuo
 No caso contínuo temos uma função f(x) dada num intervalo [a, b] e não mais uma
tabela de pontos.

 O procedimento é análogo ao caso discreto. Escolhidas as funções

bases gj devemos determinar a função jxk) = a1g1(xk) + a2g2(xk) +...
+ angn(xk) de modo que o desvio seja mínimo, onde:

b
d    f ( x)  j ( x)  dx
2

 Neste caso os aj também são determinados pela resolução de um

sistema, onde os elementos Aij são obtidos por intermédio do
produto interno entre as funções gi(x) e gj(x).

b
Aij   g i ( x) g j ( x)dx
a

 E os elementos bi pelo produto interno entre f(x) e gj(x), ou seja:

b
bi   f ( x) g j ( x)dx
a
 b b b
a  x ² dx  b  xdx   xf ( x)dx
a
b b
a
b
a reta
a  xdx  b  dx   f ( x)dx
a a a

b b b b
a  x 4 dx  b  x 3 dx  c  x ² dx   x 2 f ( x)dx
a a a a
b b b b
a  x 3 dx  b  x ² dx  c  xdx   xf ( x)dx parábola
a a a a
b b b b
a  x ² dx  b  xdx  c  dx   f ( x)dx
a a a a
reta
 parábola
•NAASSON NO QUADRO

Aproxime f(x) = x^(1/2) no intervalo [0,1] por uma parábola.

 Referência bibliográfica

 http://evunix.uevora.pt/~stadler/FAN-06-07/reglin.pdf

 https://www.youtube.com/watch?v=CjgMWx85roo

 Aulas da professora Alessandra

 https://www1.univap.br/spilling/CN/ExRes_MMQ.pdf

https://www.math.tecnico.ulisboa.pt/~calves/cursos/mmq.htm