Baixe o app para aproveitar ainda mais
Prévia do material em texto
Ajuste de Funções. Em geral se aplica a um conjunto de dados experimentais: {( x 0 , y0 ), ( x1 , y1 ), ... , (xn , yn )}, e deseja-se obter a lei y = f(x) que relaciona x com y e a partir dela, calcular y para um certo x que não dos dados experimentais. O ajustamento traduz um comportamento médio (extrapolação com certa margem de segurança). Para um conjunto de vários elementos a seleção da aproximação dos dados por interpolação pode ocupar muita memória e tempo de processamento. Embora não conheçamos a função que originou os dados, pela origem do problema podemos saber o tipo da função que estabelece a relação entre x e y. Critérios para a medida da qualidade de Ajuste. Método dos mínimos quadrados- Outros Nomes: Análise de Regressão, Suavização Dados, Otimização Linear. No caso do ajuste de dados, o técnica dos mínimos quadrados é utilizada no cálculo de um conjunto de constantes c j de uma função f * que aplicada a uma função f, desconhecida, da forma: f * (x) = c c1 1 nf f( ) ( )x xn+ +K observe que as constantes desconhecidas c j aparecem linearmente, embora as funções básicas f 1 , ... , f n possam ser funções não lineares em x. A escolha de f 1 , ... , f n é de acordo com a natureza do problema (dados experimentais e pode não ser fácil escolhe-las de modo a ter uma solução razoável). Então R = j m = å 1 [ y i - f *( xi ) ]2 onde R seja mínima. R = R (c1 , ... , cm ) e portanto passarão por um mínimo quando as m derivadas parciais se anularem simultaneamente, ou seja, teremos: ¶ ¶ ¶ ¶ R c f x y f x cj i i i m i j = - º = å2 0 1 [ ( ) ] ( )* * para j =1, ... ,n (são mínimos pois a função [f * ( xi ) - yi ] 2 é uma grandeza sempre positiva), com ¶ ¶ f f x c xi j j i * ( ) ( )= j = 1, ... ,n ; i = 0,1, ... , m ; m £ n. Note que temos um sistema de n equações algébricas lineares e n incógnitas c1 , ... , cm ; são denominadas de equações normais, portanto A C A C A C B A C A C A C B A C A C A C B n n n n n n mn n n 11 1 12 2 1 1 21 1 22 2 2 2 1 1 2 2 + + + = + + + = + + + = ì í ïï î ï ï K K M K \ A Akj jk= A x xkj j k i k k m = = åf f( ). ( ) 1 C = ( C C Cn T 1 2, , , )K ; B = (B B B1 2 n, , , )K T B i = = å f x xk i k k m ( ). ( )f 1 Demonstra-se que se as funções escolhidas, f f f1 2( ), ( ), , ( )x x xnK , forem linearmente independentes, o determinante da matriz A é diferente de zero e, portanto, o sistema linear admite solução única: c c cn1 2, , ,K . Ainda mais, demonstra-se também que esta solução c c cn1 2, , ,K é o ponto em que a função f( c c cn1 2, , ,K ) atinge seu valor mínimo. Exemplo 1: Considere a tabela x -1.0 -1.75 -0.6 -0.5 -0.3 0.0 0.2 0.4 0.5 0.7 1 f(x) 2.05 -1.153 0.45 0.4 0.5 0.0 0.2 0.6 0.512 1.2 2.05 feito o diagrama de dispersão, deve ser ajustada por uma parábola passando pela origem, ou seja, f(x) » j(x) = a x 2 (neste caso temos apenas uma função f(x) = x 2 ). Temos pois de resolver apenas a equação f f( ). ( )x xk k k = å 1 11 a = f x xk k k ( ). ( )f = å 1 11 f ( )xk k 2 1 11 = å a = f x xk k k ( ). ( )f = å 1 11 ( )xk k 2 2 1 11 = å a = x f xk k k 2 1 11 . ( ) = å Usando a tabela com )()()()( kkkk xfxgxgxg : temos 06442.2 8464.2 8756.5 ==a Logo f(x) » 2.0642 2x sendo esta párabola a que melhor se aproxima no sentido dos minimos quadrados a função tabelada. Se tratar-se de caso não-linear xey 21 aa -= tem-ser aplicando log dos dois lados que BXaY += onde yY ln= 1lna=a , 22 a=a daí o metodo pode sr aplicado na resoluçãso do problema linearizado.
Compartilhar