Universidade Federal Rural do Semi-Árido

Campus Multidisciplinar de Pau dos ferros

Bacharelado em Ciência e Tecnologia
Disciplina: Calculo Numérico
Docente: Rosana Cibely

Discentes: Carlos Eduardo Lopes da Silva

José Edielson do Rego
Viviane Mirela Adelino
 Mínimos Quadrados
O Método dos Mínimos Quadrados é um método bastante utilizado para
ajustar uma determinada quantidade de dados e aproximar funções.
Fig.1 – Gráfico representativo
 Há necessidade de ajustar a função
tabelada, à uma função que seja uma
boa aproximação;

 Esta boa aproximação deve

permitir extrapolação com uma certa
margem de segurança.
 Mínimos Quadrados
 Segundo Claudio e Marins (1989, p. 231) “a aproximação por
mínimos quadrados ocorre numa variedade de aplicações sob
diferentes nomes: otimização linear, análise de regressão,
suavização de dados”.

 Este método se divide em Caso Contínuo e Caso Discreto.

 Objetivo
Será apresentado o método dos mínimos quadrados, para o caso
contínuo;
Fig.2 – Estudo especifico

Caso continuo

Método dos Mínimos

Quadrados

Aproximação de
funções
Fonte - Elaboração dos autores
 Introdução
 Enquanto que, para o caso discreto necessitamos de um
conjunto de dados ou pontos;
 Para o Caso Contínuo é necessário que se tenha uma função e,
então para esta, é dada uma nova aproximação;
 Nesse caso, o erro será dado pela área entre as curvas. Para
minimizar o erro quadrático.
Fig.4 - Caso continuo
Fig.3 - Caso discreto

Fonte - Elaboração dos autores Fonte - Elaboração dos autores

 Ajuste de Curvas
 Numa determinada função f contínua em um intervalo [a, b];
escolhe-se as funções 𝑔1 , 𝑔2 , . . . , 𝑔𝑛 , chamadas funções base,
almeja-se encontrar coeficientes α1 , . . . , α𝑛 de modo que a
função
ϕ x = α1 𝑔1 x + α2 𝑔2 x + . . . + α𝑛 𝑔𝑛 x Eq. 1

que melhor aproxime f em [a, b].

 Caso contínuo
 A notação ϕ ≈ f em [a, b] significa que a área sob a curva do
quadrado dos desvios é mínima, ou seja,
𝑏 2
J α1 , . . . , α𝑛 = ‫ 𝑥 𝜙 𝑎׬‬− 𝑓 𝑥 𝑑𝑥 Eq. 2

é mínimo.
 Assim como no caso discreto, devemos encontrar os pontos
críticos de J, ou seja,

𝜕𝐽
= 0, ∀𝑗 = 1, . . . , 𝑛.
𝜕𝛼𝑗
 Pela regra da cadeia, a derivada parcial é
𝑏
𝜕𝐽
= 2𝛼 න [(α1 𝑔1 x + . . . + α𝑛 𝑔𝑛 x ) − 𝑓(𝑥)]𝑔𝑗 (𝑥)𝑑𝑥. Eq. 3
𝜕𝛼𝑗 𝑎

 Dessa forma têm-se:

𝑏
න (α1 𝑔1 x + . . . + α𝑛 𝑔𝑛 x − 𝑓(𝑥))𝑔𝑗 (𝑥) 𝑑𝑥, Eq. 4
𝑎

Ou ainda:
𝑏 𝑏 𝑏
න α1 𝑔1 x 𝑔𝑗 𝑥 𝑑𝑥 + . . . + න α𝑛 𝑔𝑛 x 𝑔𝑗 (𝑥)𝑑𝑥 = න 𝑓(𝑥)𝑔𝑗 (𝑥)𝑑𝑥 Eq. 5
𝑎 𝑎 𝑎

para todo j = 1, . . . , n.
 Equações normais
 Alternativamente, podemos escrever

𝑏 𝑏 𝑏
න α1 𝑔1 x 𝑔1 𝑥 𝑑𝑥 + . . . + න α𝑛 𝑔𝑛 x 𝑔1 (𝑥)𝑑𝑥 = න 𝑓(𝑥)𝑔1 (𝑥)𝑑𝑥
𝑎 𝑎 𝑎
𝑏 𝑏 𝑏
න α1 𝑔1 x 𝑔2 𝑥 𝑑𝑥 + . . . + න α𝑛 𝑔𝑛 x 𝑔2 (𝑥)𝑑𝑥 = න 𝑓(𝑥)𝑔2 (𝑥)𝑑𝑥
𝑎 𝑎 𝑎
.
.
.
𝑏 𝑏 𝑏
න α1 𝑔1 x 𝑔𝑛 𝑥 𝑑𝑥 + . . . + න α𝑛 𝑔𝑛 x 𝑔𝑛 (𝑥)𝑑𝑥 = න 𝑓(𝑥)𝑔𝑛 (𝑥)𝑑𝑥 Eq.s 6
𝑎 𝑎 𝑎

que é um sistema linear com n equações e incógnitas α1 ,..., α𝑛 .

 Exemplo1
 Encontre a reta que melhor se aproxima f(x) = 4𝑥 3 em [0, 1], por um polinômio de grau 1,
da forma: g(x)= α1 + α2 x.
Solução:
Precisamos encontrar uma função 𝜙 𝑥 ≈ f(x) , sendo essa uma função de grau 1, ou seja, uma
reta 𝜙 que melhor se aproxima de f(x). Sabemos, conforme a equação 1, que:

𝜙 𝑥 = α1 x + α2 = α1 𝑔1 x + α2 𝑔 x

em que 𝑔1 (x) = x e 𝑔2 (x) = 1 para todo x ∈ [0,1]. Portanto, conforme a equação 7:

𝑏 1
2
1 3
1
𝑎11 = 𝑔1 , 𝑔1 = න 𝑥 𝑑𝑥 = 𝑥 =
𝑎 3 0 3
𝑏
1 21 1
𝑎12 = 𝑔1 , 𝑔2 = න 𝑥𝑑𝑥 = 𝑥 = = 𝑎21
𝑎 2 0 2
𝑏
1
𝑎22 = 𝑔2 , 𝑔2 = න 1𝑑𝑥 = 𝑥 0 = 1.
𝑎
 E a matriz B, conforme a equação 8, temos:
𝑏 1
4
4 5 4
𝑏1 = 𝑓, 𝑔1 = න 4𝑥 𝑑𝑥 = 𝑥 =
𝑎 5 0 5
𝑏 1
3
4 4
𝑏2 = 𝑓, 𝑔2 = න 4𝑥 𝑑𝑥 = 𝑥 =1
𝑎 4 0
Dessa forma, temos o sistema linear

1/3 1/2 α1 4/5

=
1/2 1 α2 1

Logo, a reta que melhor se aproxima de f(x) = 𝟒𝒙𝟑 em [0,1] é

𝟏𝟖 𝟒
𝝓 𝒙 = 𝒙− ou ainda 𝜙 𝑥 = 3,6x - 1,8
𝟓 𝟓
Gráfico do exemplo 1
Fig.5- Gráfico do exemplo 1

função
Aproximação

Fonte - Elaboração dos autores, a partir do Scilab.

Implementação do exemplo 1
 Exemplo 2
 Queremos aproximar a curva f(x)=sin(πx), no intervalo [0, 1], à uma parábola.

Precisamos encontrar uma função 𝜙 𝑥 ≈ f(x) , sendo essa uma função de grau 2,
ou seja, uma parábola 𝜙 que melhor se aproxima de f(x). Sabemos, conforme a
equação 1, que:

𝜙 𝑥 = α1 𝒙𝟐 + α2 𝒙 + α𝟑 = α1 𝑔1 x + α2 𝑔2 𝑥 + α3 𝑔3 (𝑥)

em que 𝑔1 (x) = 𝑥 2 , 𝑔2 (x) = x e 𝑔3 (x) = 1

para todo x ∈ [0,1]. Portanto, conforme a equação 7:

𝑏 1
2
1 3
1
𝑎11 = 𝑔1 , 𝑔1 = න 𝑥 𝑑𝑥 = 𝑥 =
𝑎 3 0 3
𝑏
1 21 1
𝑎12 = 𝑔1 , 𝑔2 = න 𝑥𝑑𝑥 = 𝑥 = = 𝑎21
𝑎 2 0 2
𝑏
1
𝑎22 = 𝑔2 , 𝑔2 = න 1𝑑𝑥 = 𝑥 0 = 1.
𝑎
 Coeficientes da matriz A:

𝑏 1
1 5 1
𝑎11 = 𝑔1 , 𝑔1 = න 𝑥 4 𝑑𝑥 = 𝑥 =
𝑎 5 0 5

𝑏 1
3
1 4 1
𝑎12 = 𝑔1 , 𝑔2 = න 𝑥 𝑑𝑥 = 𝑥 = = 𝑎21
𝑎 4 0 4

𝑏 1
2
1 3 1
𝑎13 = 𝑔1 , 𝑔3 = න 𝑥 𝑑𝑥 = 𝑥 = = 𝑎31
𝑎 3 0 3

𝑏 1
𝑥32
1
𝑎22 = 𝑔2 , 𝑔2 = න 𝑥 𝑑𝑥 = = .
𝑎 3 0
3

𝑏 1
1 2 1
𝑎23 = 𝑔1 , 𝑔2 = න 𝑥𝑑𝑥 = 𝑥 = = 𝑎32
𝑎 2 0 2

𝑏
1
𝑎33 = 𝑔2 , 𝑔2 = න 1𝑑𝑥 = 𝑥 0 = 1.
𝑎
  Coeficiente da matriz B

𝑏 1
2
2 − 𝜋𝑥 2 𝑐𝑜𝑠 𝜋𝑥 + 2𝜋𝑥 𝑠𝑒𝑛 𝜋𝑥 𝜋2 − 4
𝑏11 = 𝑓𝑔1 = න 𝑥 𝑠𝑒𝑛 𝜋𝑥 𝑑𝑥 = =
𝑎 𝜋3 0
𝜋3

𝑏 1
𝑠𝑒𝑛 𝜋𝑥 − 𝜋𝑥(𝜋𝑥) 1
𝑏21 = 𝑓𝑔2 = න 𝑥𝑠𝑒𝑛 𝜋𝑥 𝑑𝑥 = =
𝑎 𝜋2 0
𝜋

𝑏 1
−cos(𝜋𝑥) 2
𝑏31 = 𝑓𝑔3 = න 𝑠𝑒𝑛(𝜋𝑥)𝑑𝑥 = =
𝑎 𝜋 0
𝜋
 Montando o sistema normal, temos:

1 1 1 𝜋2 −4
α1 + α2 + α3 = 3
3 4 5 𝜋
1 1 1 1
 α + α2 + α3 =
2 1 3 4 𝜋
1 1 2
α1 + α2 + α3 =
2 3 𝜋

Logo, a parábola que melhor se aproxima de f(x) = sin(πx) em [0,1] é

𝜙 𝑥 = −4,12𝑥 2 + 4,12x − 0,05
Gráfico do exemplo 2
Fig.5- Gráfico do exemplo 2

Fonte - Elaboração dos autores, a partir do Scilab.

 Vantagens e desvantagens
 Simplifica funções mais complexas;

 Podemos usar para aproximar funções usando outros

tipos de funções, não apenas polinômios;

 Ao simplificar uma equação, perde-se informações.

 Considerações finais
 O método dos mínimos quadrados , caso contínuo, é usado para
encontrar uma função
𝜙 𝑥 = α1 𝑔1 x + α2 𝑔2 x + . . . + α𝑛 𝑔𝑛 x
que melhor se aproxima de uma certa função f em um intervalo
[a, b].

 Tal como no caso discreto, os cocientes α1∗ , . . . , α∗𝑛 são obtidos

resolvendo um sistema linear
Aα = b,
conhecido como sistema das equações normais.
 Referencias
 CLÁUDIO, Dalcidio Moraes; MARINS, Jussara Maria.
Cálculo numérico computacional: teoria e prática. São
Paulo: Atlas, 1989.
 LEON, Steven J. Álgebra linear com aplicações. 4. ed. Rio de
Janeiro: LTC , 2008.
 RUGGIERO, Márcia A. Gomes; LOPES, Vera Lúcia da Rocha.
Cálculo numérico: aspectos teóricos e computacionais. 2.
ed. São Paulo: Pearson Makron Books, 1996.