Baixe o app para aproveitar ainda mais
Prévia do material em texto
AJUSTE DE CURVAS MÉTODO DOS MÍNIMOS QUADRADOS PROFA. DRA. ROSANA M. L. KRIPKA CÁLCULO NUMÉRICO UNIVERSIDADE DE PASSO FUNDO/ RS/BR 1 AJUSTE DE CURVAS Uma forma de se trabalhar com uma função definida por tabela de valores é a interpolação polinomial (RUGGIERO E LOPES, 1988). No entanto, a interpolação não é aconselhável quando: o Se quer extrapolar, calculando um valor aproximado da função para algum valor fora do intervalo do tabelamento. o Quando os valores podem ter sido obtidos por experimentos físicos ou por pesquisas, os quais podem conter erros inerentes, não previsíveis no processo. Nesses casos: usa-se o ajuste de curvas de modo a obter funções que permitam boas aproximações para os valores tabelados, bem como permitam realizar extrapolações com certa margem de segurança. 2 TIPOS DE PROBLEMAS – CASO DISCRETO O problema de ajuste de curvas consiste em, conhecida uma tabela de pontos 𝑥1, 𝑓 𝑥1 , 𝑥2, 𝑓 𝑥2 , … , 𝑥𝑚, 𝑓 𝑥𝑚 , com 𝑥1, 𝑥2, … , 𝑥𝑚 pertencentes a um intervalo 𝑎, 𝑏 , e escolhidas 𝑛 funções 𝑔1 𝑥 , 𝑔2 𝑥 ,… , 𝑔𝑛 𝑥 , contínuas em 𝑎, 𝑏 , calcular 𝑛 constantes 𝛼1, 𝛼2, … , 𝛼𝑛 tais que a função: 𝜑 𝑥 = 𝛼1𝑔1 𝑥 + 𝛼2𝑔2 𝑥 + …+ 𝛼𝑛 𝑔𝑛 𝑥 se aproxime ao máximo de 𝑓 𝑥 . Nesse caso, considera-se este modelo matemático linear, pois os coeficientes a serem determinados aparecem como variáveis de equações lineares, embora as funções 𝑔1 𝑥 ,… , 𝑔𝑛 𝑥 possam ser funções não lineares, tais como: 𝑔1 𝑥 = 𝑒 𝑥 ou 𝑔2= 1 + 𝑥 2 . Para escolher as funções que melhor se aproximam dos pontos conhecidos o primeiro passo é representar esses pontos no plano cartesiano, para se observar a dispersão dos pontos, para poder visualizar qual curva melhor se ajusta aos dados. 3 EXEMPLO Sejam os valores tabelados de uma função: 𝑥 -1,0 -0,75 -0,6 -0,5 -0,3 0,0 0,2 0,4 0,5 0,7 1,0 𝑓 𝑥 2,05 1,153 0,45 0,4 0,5 0,0 0,2 0,6 0,512 1,2 2,05 Ao representar os pontos no plano cartesiano percebe-se, pela dispersão de dados, que a função pode ser aproximada por uma parábola passando pela origem, ou seja: 𝑔1 𝑥 = 𝑥 2 e, busca-se determinar: 𝜑 𝑥 = 𝛼𝑥2, que é uma equação geral de uma parábola que passa pela origem. 4 TIPOS DE PROBLEMAS – CASO CONTÍNUO Nesse caso, o problema de ajuste de curvas consiste em, conhecida uma função 𝑓 𝑥 , contínua no intervalo 𝑎, 𝑏 , e escolhidas 𝑛 funções 𝑔1 𝑥 , 𝑔2 𝑥 ,… , 𝑔𝑛 𝑥 , contínuas em 𝑎, 𝑏 , calcular 𝑛 constantes 𝛼1, 𝛼2, … , 𝛼𝑛 tais que a função: 𝜑 𝑥 = 𝛼1𝑔1 𝑥 + 𝛼2𝑔2 𝑥 + …+ 𝛼𝑛 𝑔𝑛 𝑥 se aproxime ao máximo de 𝑓 𝑥 no intervalo 𝑎, 𝑏 . Uma ideia é escolher 𝜑 𝑥 de modo que o módulo da área sob a curva (𝜑 𝑥 − 𝑓 𝑥 ) seja mínima. Para garantir a proximidade desejada, tanto no caso discreto, como no caso contínuo, usa-se o Método dos Quadrados Mínimos (ou Método dos Mínimos Quadrados). Nessa disciplina abordaremos apenas o caso discreto. 5 MÉTODO DOS QUADRADOS MÍNIMOS – CASO DISCRETO Sejam os pontos conhecidos 𝑥1, 𝑓 𝑥1 , 𝑥2, 𝑓 𝑥2 , … , 𝑥𝑚 , 𝑓 𝑥𝑚 e as funções 𝑛 𝑔1 𝑥 , 𝑔2 𝑥 ,… , 𝑔𝑛 𝑥 , escolhidas pela observação da dispersão dos pontos. Considerando que o número 𝑚 de pontos tabelados seja maior ou igual ao número de funções escolhidas ou ao número de coeficientes 𝛼1, 𝛼2, … , 𝛼𝑛 que se deseja determinar, o objetivo do método consiste em encontrar os coeficientes 𝛼1, 𝛼2, … , 𝛼𝑛 tais que a função: 𝜑 𝑥 = 𝛼1𝑔1 𝑥 + 𝛼2𝑔2 𝑥 + …+ 𝛼𝑛 𝑔𝑛 𝑥 se aproxime ao máximo de 𝑓 𝑥 . Seja o desvio em 𝑥𝑘 dado por: 𝑑𝑘 = 𝑓 𝑥𝑘 − 𝜑 𝑥𝑘 . Um conceito de proximidade consiste em considerar que 𝑑𝑘 seja mínimo para 𝑘 = 1,… ,𝑚. O método dos quadrados mínimos consiste em calcular os coeficientes 𝛼1, 𝛼2, … , 𝛼𝑛 de tal modo que a soma dos quadrados dos desvios seja mínima. Desse modo, objetiva-se que a soma a seguir seja mínima: 𝑘=1 𝑚 𝑑𝑘 2 = 𝑘=1 𝑚 𝑓 𝑥𝑘 − 𝜑 𝑥𝑘 2 6 7 E se fosse necessário prever quantos gramas do composto Beta estariam presentes em um litro do produto XXX, caso fossem usados 30 gramas de alfa por litro? (KOLMAN, HILL, 1988, P. 368-370) Objetivo: Calcular 𝑎0 𝑒 𝑎1 tais que minimizem os quadrados dos desvios: 𝑖=1 𝑚 𝑑𝑖 2 8 Essa aproximação pode ser realizada por meio do MÉTODO DOS QUADRADOS MÍNIMOS, obtendo a equação da reta: ො𝑦 = 𝑎0 ∙ 1 + 𝑎1 ∙ 𝑥 que minimiza a soma dos desvios quadrados entre os valores 𝑦𝑖 conhecidos e os valores previstos ෞ𝑦𝑖 pela reta dos mínimos quadrados, ou seja: 𝑑𝑖 2 = 𝑦𝑖 − ෞ𝑦𝑖 2 9 𝑝1 𝑥 = 𝑎0 ∙ 1 + 𝑎1 ∙ 𝑥 ො𝑦 = 2,967 + 0,583𝑥 Após o ajuste dos pontos, é possível responder a pergunta: quantos gramas do composto Beta estariam presentes em um litro do produto XXX, caso fossem usados 30 gramas de alfa por litro? Para 𝑥 = 30 gramas de Alfa, a quantidade estimada do composto Beta seria de: ො𝑦 = 𝑝1 30 = 2,967 + 0,583(30)= 20,457 gramas MÉTODO DOS MÍNIMOS QUADRADOS MÉTODO DOS QUADRADOS MÍNIMOS – CASO DISCRETO Chamando: 𝐹 𝛼1, 𝛼2, … , 𝛼𝑛 = 𝑘=1 𝑚 𝑓 𝑥𝑘 − 𝜑 𝑥𝑘 2 ou 𝐹 𝛼1, 𝛼2, … , 𝛼𝑛 = 𝑘=1 𝑚 𝑓 𝑥𝑘 − 𝛼1𝑔1 𝑥𝑘 − 𝛼2𝑔2 𝑥𝑘 − …− 𝛼𝑛 𝑔𝑛 𝑥𝑘 2 Assim, conforme o critério dos quadrados mínimos, os coeficientes 𝛼𝑘 que aproximam ao máximo 𝜑 𝑥 de 𝑓 𝑥 são aqueles que minimizam a função 𝐹 𝛼1, 𝛼2, … , 𝛼𝑛 . Observação: Se ocorrer o ajuste exato dos pontos pelo modelo, o mínimo da função acima será zero e nesse caso, verifica-se que a interpolação polinomial é um caso particular do método dos mínimos quadrados. 10 Do cálculo diferencial, se sabe que para se obter o valor mínimo da função 𝐹 𝛼1, 𝛼2, … , 𝛼𝑛 é necessário encontrar seu ponto crítico. O ponto crítico da função 𝐹 𝛼1, 𝛼2, … , 𝛼𝑛 é calculado fazendo o gradiente da função igual a zero, ou seja: ∇𝐹 𝛼1, 𝛼2, … , 𝛼𝑛 = 0 ⟹ 𝜕𝐹 𝜕𝛼1 , 𝜕𝐹 𝜕𝛼2 , … , 𝜕𝐹 𝜕𝛼𝑛 = 0,0, … , 0 ⟹ 𝜕𝐹 𝜕𝛼𝑖 = 0, 𝑖 = 1,… , 𝑛 Como: 𝐹 𝛼1, 𝛼2, … , 𝛼𝑛 = 𝑘=1 𝑚 𝑓 𝑥𝑘 − 𝛼1𝑔1 𝑥𝑘 − 𝛼2𝑔2 𝑥𝑘 − …− 𝛼𝑛 𝑔𝑛 𝑥𝑘 2 Calculando a derivada parcial de 𝐹 com relação à variável 𝛼𝑖 , tem-se: 2 𝑘=1 𝑚 𝑓 𝑥𝑘 − 𝛼1𝑔1 𝑥𝑘 − 𝛼2𝑔2 𝑥𝑘 − …− 𝛼𝑛 𝑔𝑛 𝑥𝑘 −𝑔𝑖 𝑥𝑘 = 0 que pode ser reescrita como: 𝑘=1 𝑚 𝑓 𝑥𝑘 − 𝛼1𝑔1 𝑥𝑘 − 𝛼2𝑔2 𝑥𝑘 − …− 𝛼𝑛 𝑔𝑛 𝑥𝑘 𝑔𝑖 𝑥𝑘 = 0 11 Desenvolvendo essa equação para 𝑖 = 1, … , 𝑛 e ordenando de tal forma que as variáveis 𝛼𝑖 fiquem em evidência, temos: 𝑘=1 𝑚 𝑔1 𝑥𝑘 𝑔1 𝑥𝑘 𝛼1 + 𝑘=1 𝑚 𝑔2 𝑥𝑘 𝑔1 𝑥𝑘 𝛼2 +⋯+ 𝑘=1 𝑚 𝑔𝑛 𝑥𝑘 𝑔1 𝑥𝑘 𝛼𝑛 = 𝑘=1 𝑚 𝑓 𝑥𝑘 𝑔1 𝑥𝑘 𝑘=1 𝑚 𝑔1 𝑥𝑘 𝑔2 𝑥𝑘 𝛼1 + 𝑘=1 𝑚 𝑔2 𝑥𝑘 𝑔2 𝑥𝑘 𝛼2 +⋯+ 𝑘=1 𝑚 𝑔𝑛 𝑥𝑘 𝑔2 𝑥𝑘 𝛼𝑛 = 𝑘=1 𝑚 𝑓 𝑥𝑘 𝑔2 𝑥𝑘 … 𝑘=1 𝑚 𝑔1 𝑥𝑘 𝑔𝑛 𝑥𝑘 𝛼1 + 𝑘=1 𝑚 𝑔2 𝑥𝑘 𝑔𝑛 𝑥𝑘 𝛼2 +⋯+ 𝑘=1 𝑚 𝑔𝑛 𝑥𝑘 𝑔𝑛 𝑥𝑘 𝛼𝑛 = 𝑘=1 𝑚 𝑓 𝑥𝑘 𝑔𝑛 𝑥𝑘 12 Que corresponde a um sistema linear de equações com 𝑛 equações e 𝑛 incógnitas, no qual as equações são chamadas de equações normais, o qual pode ser escrito na forma matricial: 𝑎11𝛼1 + 𝑎12𝛼2 +⋯+ 𝑎1𝑛𝛼𝑛 = 𝑏1 𝑎21𝛼1 + 𝑎22𝛼2 +⋯+ 𝑎2𝑛𝛼𝑛 = 𝑏2 ⋮ 𝑎𝑛1𝛼1 + 𝑎𝑛2𝛼2 +⋯+ 𝑎𝑛𝑛𝛼𝑛 = 𝑏𝑛 ou seja: 𝑎11 𝑎12 ⋯ 𝑎1𝑛 𝑎21 𝑎22 ⋯ 𝑎2𝑛 ⋮ ⋮ ⋱ ⋮ 𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛 𝛼1 𝛼2 ⋮ 𝛼𝑛 = 𝑏1 𝑏2 ⋮ 𝑏𝑛 onde: 𝐴 = 𝑎𝑖𝑗 , com 𝑎𝑖𝑗 = 𝑘=1 𝑚 𝑔𝑗 𝑥𝑘 𝑔𝑖 𝑥𝑘 = 𝑎𝑗𝑖 , 𝑖 = 1, … , 𝑛; 𝑗 = 1,… , 𝑛 𝐵 = 𝑏1 𝑏2 … 𝑏𝑛 𝑇, com 𝑏𝑖 = 𝑘=1 𝑚 𝑓 𝑥𝑘 𝑔𝑖 𝑥𝑘 , 𝑖 = 1, … , 𝑛 Observações: 1) A matriz 𝐴 é simétrica. 2) Demonstra-se que se as funções escolhidas 𝑔1 𝑥 , 𝑔2 𝑥 , … , 𝑔𝑛 𝑥 forem linearmente independentes, o determinante da matriz será diferente de zero e sistema linear gerado terá solução única: 𝛼1, 𝛼2, … , 𝛼𝑛. 3) Também se demostra que a solução 𝛼1, 𝛼2, … , 𝛼𝑛 é aquela no qual a função 𝐹 𝛼1, 𝛼2, … , 𝛼𝑛 atinge seu valor mínimo. 13 EXEMPLO 1 (AULA) Sejam os valores tabelados de uma função:𝑥 -1,0 -0,75 -0,6 -0,5 -0,3 0,0 0,2 0,4 0,5 0,7 1,0 𝑓 𝑥 2,05 1,153 0,45 0,4 0,5 0,0 0,2 0,6 0,512 1,2 2,05 Ao representar os pontos no plano cartesiano percebe-se, pela dispersão de dados, que a função pode ser aproximada por uma parábola passando pela origem, ou seja: 𝑔1 𝑥 = 𝑥 2 e, busca-se determinar: 𝜑 𝑥 = 𝛼𝑥2, que é uma equação geral de uma parábola que passa pela origem. Como 𝑛 = 1, a matriz será de ordem 1, ou seja, 𝐴1𝛼1 = 𝐵1. Assim, basta resolver a equação: 𝑎11𝛼1 = 𝑏1 14 Como existem, 11 pontos tabelados, 𝑚 = 11, e como: 𝑔1 𝑥 = 𝑥 2 calculando: 𝑎11 = 𝑘=1 𝑚=11 𝑔1 𝑥𝑘 𝑔1 𝑥𝑘 = 𝑘=1 𝑚=11 𝑔1 𝑥𝑘 2 = 𝑘=1 𝑚=11 𝑥𝑘 2 2 = 𝑘=1 𝑚=11 𝑥𝑘 4 = 2,8464 𝑏1 = 𝑘=1 𝑚=11 𝑓 𝑥𝑘 𝑔1 𝑥𝑘 = 𝑘=1 𝑚=11 𝑓 𝑥𝑘 𝑥𝑘 2 = 5,8756 Substituindo em: 𝑎11𝛼1 = 𝑏1 2,8464 𝛼1 = 5,8756 𝛼1 = 2,0642 ▪ Desse modo, a parábola 𝜑 𝑥 = 2,0642𝑥2 é a que mais se aproxima da função tabelada, segundo o critério dos mínimos quadrados. 15 (Usar arredondamento no valor final em 4 casas após a virgula) EXEMPLO 2 (AULA) Observações de um fenômeno físico geraram os seis pontos tabelados: Determine a expressão do polinômio de grau 3 que ajuste os pontos tabelados, pelo método dos mínimos quadrados. Usar arredondamento em 4 casas após a vírgula. Nesse caso, a expressão do polinômio é: 𝑝3 𝑥 = 𝑎0 + 𝑎1𝑥 + 𝑎2𝑥 2 + 𝑎3𝑥 3 ≈ 𝑓 𝑥 Como: 𝜑 𝑥 = 𝛼1𝑔1 𝑥 + 𝛼2𝑔2 𝑥 + 𝛼3 𝑔3 𝑥 + 𝛼4 𝑔4 𝑥 𝑝3 𝑥 = 𝑎0 ∙ 1 + 𝑎1 ∙ 𝑥 + 𝑎2∙ 𝑥 2 + 𝑎3 ∙ 𝑥 3≈ 𝑓 𝑥 então: 𝑔1 𝑥 = 1; 𝑔2 𝑥 = 𝑥; 𝑔3 𝑥 = 𝑥 2 e 𝑔4 𝑥 = 𝑥 3 e 𝛼1 = 𝑎0; 𝛼2 = 𝑎1; 𝛼3 = 𝑎2 e 𝛼4 = 𝑎3 𝑥 1 2 3 4 5 6 𝑓 𝑥 3,14 1,76 4,08 7,32 6,84 8,41 16 Quatro funções para o ajuste. ▪ Como serão consideradas para o ajuste 4 funções, a matriz 𝐴4 será de ordem 4: 𝑎11 𝑎12 𝑎13 𝑎14 𝑎21 𝑎22 𝑎23 𝑎24 𝑎31 𝑎32 𝑎33 𝑎34 𝑎41 𝑎42 𝑎43 𝑎44 𝛼1 𝛼2 𝛼3 𝛼4 = 𝑏1 𝑏2 𝑏3 𝑏4 com: 𝑎𝑖𝑗 = 𝑘=1 𝑚 𝑔𝑗 𝑥𝑘 𝑔𝑖 𝑥𝑘 = 𝑎𝑗𝑖 , 𝑖 = 1, … , 𝑛; 𝑗 = 1, … , 𝑛 e 𝑏𝑖 = 𝑘=1 𝑚 𝑓 𝑥𝑘 𝑔𝑖 𝑥𝑘 = 𝑎𝑗𝑖 , 𝑖 = 1,… , 𝑛 17 𝑎11 = 𝑘=1 6 𝑔1 𝑥𝑘 𝑔1 𝑥𝑘 = 𝑘=1 6 12 = 𝑘=1 6 12 = 6 𝑎12 = 𝑘=1 6 𝑔2 𝑥𝑘 𝑔1 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 ∙ 1 = 𝑘=1 6 𝑥𝑘 =? ? ?= 𝑎21 𝑎13 = 𝑘=1 6 𝑔3 𝑥𝑘 𝑔1 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 2 ∙ 1 = 𝑘=1 6 𝑥𝑘 2 =? ? ?= 𝑎31 𝑎14 = 𝑘=1 6 𝑔4 𝑥𝑘 𝑔1 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 3 ∙ 1 = 𝑘=1 6 𝑥𝑘 3 =? ? ?= 𝑎41 𝑎22 = 𝑘=1 6 𝑔2 𝑥𝑘 𝑔2 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 ∙ 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 2 =? ? ? 𝑎23 = 𝑘=1 6 𝑔3 𝑥𝑘 𝑔2 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 2 ∙ 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 3 =? ? ?= 𝑎32 𝑎24 = 𝑘=1 6 𝑔4 𝑥𝑘 𝑔2 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 3 ∙ 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 4 =? ? ?= 𝑎24 𝑎33 = 𝑘=1 6 𝑔3 𝑥𝑘 𝑔3 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 2 ∙ 𝑥𝑘 2 = 𝑘=1 6 𝑥𝑘 4 =? ? ? 𝑎34 = 𝑘=1 6 𝑔4 𝑥𝑘 𝑔3 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 3 ∙ 𝑥𝑘 2 = 𝑘=1 6 𝑥𝑘 5 =? ? ?= 𝑎43 𝑎44 = 𝑘=1 6 𝑔4 𝑥𝑘 𝑔4 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 3 ∙ 𝑥𝑘 3 = 𝑘=1 6 𝑥𝑘 6 =? ? ? 𝑏1 = 𝑘=1 6 𝑓 𝑥𝑘 𝑔1 𝑥𝑘 = 𝑘=1 6 𝑓 𝑥𝑘 ∙ 1 =? ? ? 𝑏2 = 𝑘=1 6 𝑓 𝑥𝑘 𝑔2 𝑥𝑘 = 𝑘=1 6 𝑓 𝑥𝑘 ∙ 𝑥𝑘 =? ? ? 𝑏3 = 𝑘=1 6 𝑓 𝑥𝑘 𝑔3 𝑥𝑘 = 𝑘=1 6 𝑓 𝑥𝑘 ∙ 𝑥𝑘 2 =? ? ? 𝑏4 = 𝑘=1 6 𝑓 𝑥𝑘 𝑔4 𝑥𝑘 = 𝑘=1 6 𝑓 𝑥𝑘 ∙ 𝑥𝑘 3 =? ? ? Como existem seis pontos, 𝑚 = 6 e considerando: 18 𝑔1 𝑥 = 1; 𝑔2 𝑥 = 𝑥; 𝑔3 𝑥 = 𝑥 2 e 𝑔4 𝑥 = 𝑥 3 TABELA (PODE SER CONSTRUÍDA COM AUXILIO DO EXCEL) somas x 1 2 3 4 5 6 21 f(x) 3,14 1,76 4,08 7,32 6,84 8,41 31,55 x^2 1 4 9 16 25 36 91 x^3 1 8 27 64 125 216 441 x^4 1 16 81 256 625 1296 2275 x^5 1 32 243 1024 3125 7776 12201 x^6 1 64 729 4096 15625 46656 67171 x.f(x) 3,14 3,52 12,24 29,28 34,2 50,46 132,84 x^2.f(x) 3,14 7,04 36,72 117,12 171 302,76 637,78 x^3.f(x) 3,14 14,08 110,16 468,48 855 1816,56 3267,42 19 𝑎11 = 𝑘=1 6 𝑔1 𝑥𝑘 𝑔1 𝑥𝑘 = 𝑘=1 6 12 = 𝑘=1 6 12 = 6 𝑎12 = 𝑘=1 6 𝑔2 𝑥𝑘 𝑔1 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 ∙ 1 = 𝑘=1 6 𝑥𝑘 = 21 = 𝑎21 𝑎13 = 𝑘=1 6 𝑔3 𝑥𝑘 𝑔1 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 2 ∙ 1 = 𝑘=1 6 𝑥𝑘 2 = 91 = 𝑎31 𝑎14 = 𝑘=1 6 𝑔4 𝑥𝑘 𝑔1 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 3 ∙ 1 = 𝑘=1 6 𝑥𝑘 3 = 441 = 𝑎41 𝑎22 = 𝑘=1 6 𝑔2 𝑥𝑘 𝑔2 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 ∙ 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 2 = 91 𝑎23 = 𝑘=1 6 𝑔3 𝑥𝑘 𝑔2 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 2 ∙ 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 3 = 441 = 𝑎32 𝑎24 = 𝑘=1 6 𝑔4 𝑥𝑘 𝑔2 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 3 ∙ 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 4 = 2275 = 𝑎24 𝑎33 = 𝑘=1 6 𝑔3 𝑥𝑘 𝑔3 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 2 ∙ 𝑥𝑘 2 = 𝑘=1 6 𝑥𝑘 4 = 2275 𝑎34 = 𝑘=1 6 𝑔4 𝑥𝑘 𝑔3 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 3 ∙ 𝑥𝑘 2 = 𝑘=1 6 𝑥𝑘 5 = 12201 = 𝑎43 𝑎44 = 𝑘=1 6 𝑔4 𝑥𝑘 𝑔4 𝑥𝑘 = 𝑘=1 6 𝑥𝑘 3 ∙ 𝑥𝑘 3 = 𝑘=1 6 𝑥𝑘 6 = 67171 𝑏1 = 𝑘=1 6 𝑓 𝑥𝑘 𝑔1 𝑥𝑘 = 𝑘=1 6 𝑓 𝑥𝑘 ∙ 1 = 31,55 𝑏2 = 𝑘=1 6 𝑓 𝑥𝑘 𝑔2 𝑥𝑘 = 𝑘=1 6 𝑓 𝑥𝑘 ∙ 𝑥𝑘 = 132,84 𝑏3 = 𝑘=1 6 𝑓 𝑥𝑘 𝑔3 𝑥𝑘 = 𝑘=1 6 𝑓 𝑥𝑘 ∙ 𝑥𝑘 2 = 637,78 𝑏4 = 𝑘=1 6 𝑓 𝑥𝑘 𝑔4 𝑥𝑘 = 𝑘=1 6 𝑓 𝑥𝑘 ∙ 𝑥𝑘 3 = 3267,42 Como existem seis pontos, 𝑚 = 6 e considerando: 20 𝑔1 𝑥 = 1; 𝑔2 𝑥 = 𝑥; 𝑔3 𝑥 = 𝑥 2 e 𝑔4 𝑥 = 𝑥 3 Assim: 6 21 91 441 21 91 441 2275 91 441 2275 12201 441 2275 12201 67171 𝛼1 𝛼2 𝛼3 𝛼4 = 31,55 132,84 637,78 3267,42 e resolvendo por Gauss-Jordan no SciLab: 6 21 91 441 21 91 441 2275 91 441 2275 12201 441 2275 12201 67171 31,55 132,84 637,78 3267,42 ≈ 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 6,54 −5,6701984 2,2188095 −0,2052778 Obtém-se que: 𝑝3 𝑥 = 𝑎0 + 𝑎1𝑥 + 𝑎2𝑥 2 + 𝑎3𝑥 3 ≈ 𝑓 𝑥 𝑝3 𝑥 = 6,54 − 5,6702𝑥 + 2,2188𝑥 2 − 0,2053𝑥3 ≈ 𝑓 𝑥 21 Usando o arredondamento em 4 casas após a vírgula. NO EXCEL Para fazer a representação gráfica dos pontos no Excel e da curva obtida pelo ajuste faça: Selecione os pontos 𝑥, 𝑓 𝑥 Clique em inserir e na opção “Gráficos Recomendados” escolha a opção “Inserir Gráfico de dispersão (X,Y) ou de bolha” e escolha a primeira opção da dispersão. Clicando com o botão da direita sobre algum ponto do gráfico, selecione “Adicionar Linha de tendência.” Escolher polinomial e grau 3. Descer com o botão da direita e selecionar “Exibir equação no gráfico”. y = -0,2053x3 + 2,2188x2 - 5,6702x + 6,54 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 (EXCEL 2019) 22 ERRO QUADRÁTICO Para saber qual ajuste é mais adequado ao conjunto de pontos conhecidos, uma maneira é calcular o erro quadrático da aproximação. É uma medida da qualidade da aproximação, dado pela fórmula: 𝐸𝑄 𝑓 𝑥 , 𝜑 𝑥 = 𝑘=1 𝑚 𝑑𝑘 2 = 𝑘=1 𝑚 𝑓 𝑥𝑘 − 𝜑 𝑥𝑘 2 ▪ Nesse caso, deseja-se obter o menor o erro quadrático da aproximação. Observação: Também existe uma medida chamada 𝑅2 que é usada em planilhas eletrônicas, que se trata de uma medida normalizada que varia entre 0 e 1, sendo que quanto mais próximo de um for o resultado de 𝑅2, melhor é o ajuste dos pontos. Na disciplina usaremos para comparações apenas os valores do erro quadrático da aproximação. 23 ERRO QUADRÁTICO 24 𝑥 1 2 3 4 5 6 𝑓 𝑥 3,14 1,76 4,08 7,32 6,84 8,41 𝜑 𝑥𝑘 2,8833 2,4324 3,9555 6,2208 7,9965 8,0508 𝑓 𝑥𝑘 − 𝜑 𝑥𝑘 2 0,0659 0,4521 0,0155 1,2082 1,3375 0,1290 𝐸𝑄 𝑓 𝑥 , 𝜑 𝑥 = 𝑘=1 𝑚 𝑑𝑘 2 = 𝑘=1 𝑚 𝑓 𝑥𝑘 − 𝜑 𝑥𝑘 2 𝜑 𝑥 = 𝑝3 𝑥 = 6,54 − 5,6702𝑥 + 2,2188𝑥 2 − 0,2053𝑥3 𝐸𝑄 𝑓 𝑥 , 𝜑 𝑥 = 𝑘=1 𝑚 𝑓 𝑥𝑘 − 𝜑 𝑥𝑘 2 = 3,2082 = 1,7911 EXEMPLO ▪ No Exemplo 2, no qual foi realizado o ajuste dos pontos tabelados foi realizado pelo polinômio de grau 3: 𝑝3 𝑥 = 6,54 − 5,6702𝑥 + 2,2188𝑥 2 − 0,2053𝑥3 ≈ 𝑓 𝑥 o erro quadrático foi: 𝐸𝑄 𝑓 𝑥 , 𝜑 𝑥 = 1,7911. Caso fosse realizado o ajuste por um polinômio de grau 2, a expressão do polinômio seria 𝑝2 𝑥 = 1,367 + 0,8371𝑥 + 0,0634𝑥 2 ≈ 𝑓 𝑥 o erro quadrático seria: 𝐸𝑄 𝑓 𝑥 , 𝜑 𝑥 = 2,437 Conclusão:A análise dos erros quadráticos permite perceber que nesse exemplo, o ajuste pelo polinômio de grau 3 foi mais adequado que o polinômio de grau 2. 25 EXERCÍCIOS (AULA) Ajustar os dados tabelados por uma reta, pelo uso método dos mínimos quadrados: Faça a representação gráfica da dispersão dos pontos e da reta, obtida pelo ajuste dos mínimos quadrados no GeoGebra ou Excel. Calcule também o erro quadrático. Considere arredondamento em 4 casas após a virgula. Resposta: 𝑝1 𝑥 = 2,0097 + 0,5224𝑥 ≈ 𝑓 𝑥 e 𝐸𝑄 𝑓 𝑥 , 𝜑 𝑥 = 1,9179 𝑥 1,3 3,4 5,1 6,8 8,0 𝑓 𝑥 2 5,2 3,8 6,1 5,8 26 EXERCÍCIOS (AULA) Ajustar os dados tabelados por meio de um polinômio de 2º grau, pelo uso método dos mínimos quadrados: Faça também a representação gráfica da dispersão dos pontos e da reta, obtida pelo ajuste dos mínimos quadrados no GeoGebra. Calcule também o erro quadrático. Considere arredondamento em 4 casas após a virgula. Respostas: 𝑝2 𝑥 = −2,0177 + 11,3315𝑥 − 1,2222𝑥 2 ≈ 𝑓 𝑥 e 𝐸𝑄 𝑓 𝑥 , 𝑝2 𝑥 = 2,3775 𝑥 -2 -1,5 0 1 2,2 3,1 𝑓 𝑥 -30,5 -20,2 -3,3 8,9 16,8 21,4 27 MÉTODO DOS QUADRADOS MÍNIMOS – CASO NÃO LINEAR Em alguns casos, conforme o diagrama de dispersão, podem aparecer funções não lineares no conjunto de funções escolhidas para se realizar o ajuste. Nesse caso, para se aplicar o método dos mínimos quadrados é necessário que seja realizado uma linearização do problema, por meio de transformações matemáticas convenientes. Exemplo: Ajuste por funções exponenciais Considere que o ajuste deva ser realizado por meio da fórmula: 𝜑 𝑥 = 𝛼1𝑒 𝛼2𝑥 ou seja, o ajuste dos pontos tabelados indica que: 𝑓 𝑥 ≈ 𝛼1𝑒 𝛼2𝑥 28 MMQ - AJUSTE POR FUNÇÕES EXPONENCIAIS Aplicando o logaritmo natural em ambos os lados da equação 𝑓 𝑥 ≈ 𝛼1𝑒 𝛼2𝑥 obtém-se: ln 𝑓 𝑥 ≈ ln 𝛼1𝑒 𝛼2𝑥 ln 𝑓 𝑥 ≈ ln 𝛼1 + ln 𝑒 𝛼2𝑥 ln 𝑓 𝑥 ≈ ln 𝛼1 + 𝛼2𝑥 Chamando: 𝑧 = ln 𝑓 𝑥 ≈ ln 𝛼1 + 𝛼2𝑥 = 𝜙 𝑥 e definindo: 𝛽1 = ln 𝛼1 e 𝛽2 = 𝛼2 A nova curva do ajuste fica: 𝜙 𝑥 = 𝛽1 ∙ 1 + 𝛽2 ∙ 𝑥 na qual: 𝜙 𝑥 = 𝛽1 ∙ 𝑔1 𝑥 + 𝛽2 ∙ 𝑔2 𝑥 com: 𝑔1 𝑥 = 1 e 𝑔2 𝑥 = 𝑥 (duas funções para o ajuste) 29 MMQ - AJUSTE POR FUNÇÕES EXPONENCIAIS Destaca-se que nesse caso, 𝜙 𝑥 estabelece relações lineares entre as incógnitas 𝛽𝑖 e as funções 𝑔𝑖 𝑥 , e desse modo, o método dos mínimos quadrados pode ser aplicado. E ainda, como: 𝑧 𝑥 = ln 𝑓 𝑥 ≈ 𝜙 𝑥 = 𝛽1 + 𝛽2𝑥 para serem calculados os parâmetros 𝛽𝑖 é preciso trabalhar com o problema transformado: Problema original: 𝑥𝑖 , 𝑓 𝑥𝑖 e Problema Transformado: 𝑥𝑖 , 𝑧𝑖 = ln 𝑓 𝑥𝑖 30 EXEMPLO (AULA) Considere a tabela a seguir, obtida de algum experimento em laboratório (GOMES, 1999, p. 101-102): Deseja-se obter o ajuste pelo método dos mínimos quadrados, no qual: 𝜑 𝑥 = 𝛼1𝑒 𝛼2𝑥 Como: 𝑓 𝑥 ≈ 𝛼1𝑒 𝛼2𝑥 𝑧 = ln 𝑓 𝑥 ≈ ln 𝛼1 + 𝛼2𝑥 = 𝜙 𝑥 ou seja: 𝑧 = ln 𝑓 𝑥 ≈ 𝛽1 + 𝛽2𝑥 e, nesse caso: 𝛽1 = ln 𝛼1 , 𝛽2 = 𝛼2, 𝑔1 𝑥 = 1 e 𝑔2 𝑥 = 𝑥. 𝑥 -1 -0,7 -0,4 -0.1 0.2 0.5 0.8 1.0 𝑓 𝑥 36.547 17.264 8.155 3,852 1.82 0.86 0.406 0.246 31 Como existem 8 pontos (𝑚 = 8) e duas funções para o ajuste, a matriz 𝐴 será de ordem 2: 𝑎11 𝑎12 𝑎21 𝑎22 𝛽1 𝛽2 = 𝑏1 𝑏2 𝑥 -1 -0,7 -0,4 -0.1 0.2 0.5 0.8 1.0 𝑓 𝑥 36.547 17.264 8.155 3,852 1.82 0.86 0.406 0.246 𝑧 𝑥 = ln(𝑓 𝑥 ) 3.5985991 2.8486234 2.0986312 1.3485925 0.5988365 -0.1508229 -0.9014021 -1.4024237 𝑎11 = 𝑘=1 8 𝑔1 𝑥𝑘 𝑔1 𝑥𝑘 = 𝑘=1 8 1 = 8 𝑎12 = 𝑘=1 8 𝑔2 𝑥𝑘 𝑔1 𝑥𝑘 = 𝑘=1 8 𝑥𝑘 ∙ 1 = 𝑘=1 8 𝑥𝑘 = 0,3 = 𝑎21 𝑎22 = 𝑘=1 8 𝑔2 𝑥𝑘 𝑔2 𝑥𝑘 = 𝑘=1 8 𝑥𝑘 ∙ 𝑥𝑘 = 𝑘=1 8 𝑥𝑘 2 = 3,59 Assim: 8 0,3 0,3 3,59 𝛽1 𝛽2 = 8,0386340 -8,6461368 32 O problema transformado fica: 𝑏1 = 𝑘=1 8 𝑧 𝑥𝑘 𝑔1 𝑥𝑘 = 𝑘=1 8 𝑧 𝑥𝑘 ∙ 1 = 8,0386340 𝑏2 = 𝑘=1 8 𝑧 𝑥𝑘 𝑔2 𝑥𝑘 = 𝑘=1 8 𝑧 𝑥𝑘 ∙ 𝑥𝑘 = -8,6461368 somas 𝑥 -1 -0,7 -0,4 -0.1 0.2 0.5 0.8 1.0 0,3 𝑧 𝑥 3.5985991 2.8486234 2.0986312 1.3485925 0.5988365 -0.1508229 -0.9014021 -1.4024237 8,0386340 𝑥2 1,0000000 0,4900000 0,1600000 0,0100000 0,0400000 0,2500000 0,6400000 1,0000000 3,5900000 𝑧 𝑥 ∙ 𝑥 -3,5985991 -1,9940364 -0,8394525 -0,1348592 0,1197673 -0,0754114 -0,7211217 -1,4024237 -8,6461368 Assim: 𝑧 = ln 𝑓 𝑥 ≈ 𝛽1 + 𝛽2𝑥 𝑧 = ln 𝑓 𝑥 ≈ 1,0985867 − 2,5001986𝑥 Mas, inicialmente definiu-se que: 𝛽1 = ln 𝛼1 e 𝛽2 = 𝛼2 e, desse modo: 𝛼1 = 𝑒 (1,0985867) = 2,99992323 𝛼2 = −2,5001986 Como: 𝑓 𝑥 ≈ 𝛼1𝑒 𝛼2𝑥 𝑓 𝑥 ≈ 2,99992323𝑒(−2,5001986𝑥) Figura: Representação gráfica dos pontos tabelados e da função obtida pelo ajuste de curva exponencial pelo método dos mínimos quadrados Fonte: Autora (EXCEL, 2020) 33 8 0,3 0,3 3,59 8,0386340 −8,6461368 ≈ 1 0 0 1 1,0985867 −2,5001986 Como: 8 0,3 0,3 3,59 𝛽1 𝛽2 = 8,0386340 −8,6461368 resolvendo por Gauss-Jordan no SciLab: 𝛽1 = 1,0985867 𝛽2 = −2,5001986 0,0000000 5,0000000 10,0000000 15,0000000 20,0000000 25,0000000 30,0000000 35,0000000 40,0000000 0 5 10 15 20 25 30 35 40 -1,5 -1 -0,5 0 0,5 1 1,5 f ajuste f(x) MMQ - AJUSTE DOS PRINCIPAIS CASOS NÃO LINEARES Ajuste por uma hipérbole: Ajuste por uma curva exponencial: Problema Original 𝑓 𝑥 ≈ 1 𝛼1 + 𝛼2𝑥 = 𝜑 𝑥 ProblemaTransformado 𝑧 ≈ 1 𝑓 𝑥 = 𝛼1 + 𝛼2𝑥 Problema Original 𝑓 𝑥 ≈ 𝛼1𝛼2 𝑥 = 𝜑 𝑥 ProblemaTransformado (se 𝑓 𝑥 > 0) 𝑧 = ln 𝑓 𝑥 ≈ ln 𝛼1 𝑎0 + ln 𝛼2 𝑎1 𝑥 = 𝑎1 + 𝑎1𝑥 34 MMQ - AJUSTE DOS PRINCIPAIS CASOS NÃO LINEARES Ajuste por uma curva geométrica: Ajuste por uma curva trigonométrica: Problema Original 𝑓 𝑥 ≈ 𝛼1𝑥 𝛼2 = 𝜑 𝑥 ProblemaTransformado (se 𝑥 > 0 e 𝑓 𝑥 > 0) 𝑧 = ln 𝑓 𝑥 ≈ ln 𝛼1 𝑎0 +ด𝛼2 𝑎1 ln 𝑥 = 𝑎1 + 𝑎2 ln 𝑥 𝑡 𝑧 = ln 𝑓 𝑥 ≈ 𝑎1 + 𝑎2𝑡 = 𝜙(𝑡) Problema Original 𝑓 𝑥 ≈ 𝛼1 + 𝛼2 cos(𝑤𝑥) = 𝜑 𝑥 ProblemaTransformado 𝑡 = cos(𝑤𝑥) ⟹ 𝑓 𝑥 ≈ 𝜑 𝑡 = 𝑎1 + 𝑎2𝑡 35 Observação: aqui minimiza-se as somas dos quadrados dos desvios nos logaritmos de 𝑦 para os logaritmos de 𝑥. MÉTODO DOS QUADRADOS MÍNIMOS – CASO NÃO LINEAR Nesse caso, após a linearização da função 𝑓 𝑥 , por meio de uma transformação conveniente, o método dos mínimos quadrados pode ser aplicado. Assim, destaca-se que: O ajuste pelo método dos mínimos quadrados está sendo realizado para a função linearizada 𝑧 𝑥 ≈ 𝜙 𝑥 e não para 𝑓 𝑥 ≈ 𝜑 𝑥 . Os parâmetros do problema original assim obtidos não são ótimos dentro dos critérios dos mínimos quadrados, pois o ajuste está sendo realizado para o problema transformado (linearizado). Desse modo, os erros quadráticos devem ser calculados por: 36 𝐸𝑄 𝑧 𝑥 , 𝜙 𝑥 = 𝑘=1 𝑚 𝑑𝑘 2 = 𝑘=1 𝑚 𝑧 𝑥 − 𝜙 𝑥 2 TESTE DE ALINHAMENTO Uma forma de se verificar se a escolha da função não linear em 𝛼1, 𝛼2, . . . . . , 𝛼𝑛 foi razoável é aplicar o teste de alinhamento, o qual consiste em: Fazer a linearização da função não-linear escolhida. Fazer o diagrama de dispersão dos novos dados. Se os pontos do diagrama de dispersão estiverem alinhados, isto significará que a função não linear utilizada foi uma boa escolha. Observação: Normalmente tem-se erros de observação. Considera-se satisfatório que, no diagrama de dispersão, os pontos se distribuem aleatoriamente em torno de uma reta média. 37 EXEMPLO (AULA) No exemplo anterior, no qual o problema inicial envolvia os pontos tabelados: Após a linearização, obteve-se o ajuste para o problema transformado: 38 𝑥 -1 -0,7 -0,4 -0.1 0.2 0.5 0.8 1.0 𝑓 𝑥 36.547 17.264 8.155 3,852 1.82 0.86 0.406 0.246 𝑥 -1 -0,7 -0,4 -0.1 0.2 0.5 0.8 1.0 𝑧 𝑥 = ln(𝑓 𝑥 ) 3.5986 2.8486 2.0986 1.3486 0.5988 -0.1508 -0.9014 -1.4024 EXEMPLO (AULA) Representando, no diagrama de dispersão os novos dados, conforme apresentado na Figura, pode-se observar que a função foi uma boa escolha, pois os pontos estão alinhados. 39 -2,0-1,0 0,0 1,0 2,0 3,0 4,0 -1,5 -1,0 -0,5 0,0 0,5 1,0 1,5 Figura: Representação gráfica dos pontos após a linearização da função Fonte: Autora (EXCEL, 2020) EXERCÍCIOS (AULA) 1) Dada a tabela abaixo, faça o gráfico de dispersão e faça o ajuste pelo método dos mínimos quadrados à curva 𝜑 𝑥 = 𝑎1 + 𝑎2 ln 𝑥 : Usar arredondamento em quatro casas após a vírgula. Resposta: 𝜑 𝑥 = 0,9893 + 5,4742 ln 𝑥 𝑥 0,5 0,75 1 1,5 2 2,5 3,0 𝑓 𝑥 -2,8 -0,6 1 3,2 4,8 6,0 7,0 40 RECOMENDAÇÃO: FAZER EXERCÍCIOS DA LISTA 9 EXERCÍCIOS (AULA) 1I) Ajuste os pontos: a) Usando a aproximação 𝑦 ≈ 1 𝑎0+ 𝑎1𝑥 . Faça o gráfico da 1 𝑦 e verifique se essa aproximação é viável. b) Usando a aproximação 𝑦 ≈ 𝑎𝑏𝑥. Faça o gráfico da função linearizada e verifique se a aproximação é viável. c) Compare os resultados obtidos em 𝑎 e 𝑏, por meio do erro quadrático. Observação: Usar arredondamento em quatro casas após a vírgula em todas as alternativas. Respostas: a) 𝜑 𝑥 = 1 𝑎0+ 𝑎1𝑥 , onde: 𝑎0 = 0,1958 e 𝑎1 = 0,0186. Como o gráfico do problema linearizado se aproxima de uma reta, pelo teste do alinhamento a escolha realizada foi razoável. b) 𝜑 𝑥 = 𝑎𝑏𝑥, onde: 𝑎 = 5,5201 e 𝑏 = 0,8597. Como o gráfico do problema linearizado se aproxima de uma reta, pelo teste do alinhamento a escolha realizada foi razoável. c) Como o erro quadrático de (a) foi 0,0361 e o erro quadrático de (b) foi 0,6951, o ajuste de (a) seria a melhor opção. 41 𝑥 -8 -6 -4 -2 0 2 4 𝑦 30 10 9 6 5 4 4
Compartilhar