Baixe o app para aproveitar ainda mais
Prévia do material em texto
Métodos Numéricos para Engenharia MÓDULO 11- MÍNIMOS QUADRADOS PROFESSOR LUCIANO NEVES DA FONSECA Definições Na interpolação por polinômios por Vandermonde (e também por Newton e Lagrange) o polinômio interpolador passa exatamente por todos os N pontos de controle (𝑥𝑖 , 𝑦𝑖). Esta exigência pode ser um problema quando temos um número de pontos de controle N muito grande , pois a ordem do polinômio interpolador (N-1) será muito alta, o que pode causar instabilidade numérica. Além da instabilidade numérica, um polinômio de ordem muito alta pode oscilar (wiggling) ao passar por todos os pontos de controle, gerando um interpolação duvidosa, o exemplo a seguir ira discorrer sobre este problema Uma solução para este problema é se usar um polinômio de ordem menor M<N. Este polinômio interpolador de ordem menor não irá passar exatamente pelos pontos de controle, mas entre eles, assumindo um certo erro de interpolação entre os pontos de controle e o polinômio. O método dos mínimos quadrados oferece uma solução na qual o erro quadrático médio entre os pontos de controle e a interpolação sejam minimizados. Exemplo: Ajustar um polinômio interpolador aos 11 postos de controle mostrados na tabela abaixo. Podemos passar um polinômio de Vandermonde de ordem 10 aos 11 pontos de controle. A matriz A será quadrada 10x10. Número de linhas é igual ao número de pontos de controle, número de colunas é igual ao número de coeficientes do polinômio (tamanho de 𝑢 que é o vetor coeficientes). Notar que o polinômio interpolador de ordem 10 passa pelos 11 pontos de controle, no entanto há oscilações (wiggling) que comprometem o resultado. A interpolação não é feita de maneira adequada. 𝐴 = 1. 3.0 3.02 3.03 3.04 3.05 3.06 3.07 3.08 3.09 3.010 1. 3.3 3.32 3.33 3.34 3.35 3.36 3.37 3.38 3.39 3.310 1. 3.9 3.92 3.93 3.94 3.95 3.96 3.97 3.98 3.99 3.910 1. 4.3 4.32 4.33 4.34 4.35 4.36 4.37 4.38 4.39 4.310 1. 4.7 4.72 4.73 4.74 4.75 4.76 4.77 4.78 4.79 4.710 1. 5.3 5.32 5.33 5.34 5.35 5.36 5.37 5.38 5.39 5.310 1. 5.9 5.92 5.93 5.94 5.95 5.96 5.97 5.98 5.99 5.910 1. 6.1 6.12 6.13 6.14 6.15 6.16 6.17 6.18 6.19 6.110 1. 6.3 6.32 6.33 6.34 6.35 6.36 6.37 6.38 6.39 6.310 1. 6.6 6.62 6.63 6.64 6.65 6.66 6.67 6.68 6.69 6.610 1. 7.0 7.02 7.03 7.04 7.05 7.06 7.07 7.08 7.09 7.010 𝑦 = 0 2 1 5 5 5 8 9 13 14 20 22 𝑢 = 𝐴−1𝑦 𝑢 é o vetor de coeficientes 𝑝10(𝑥) = −26064689 + 55746026𝑥 − 53148015𝑥² + 29750856𝑥³ − 10830624𝑥4 + 2679883.5𝑥⁵ − 456537.82𝑥⁶ + 52885.81𝑥⁷ − 3987.7498𝑥⁸ + 176.77837𝑥⁹ − 3.4994386𝑥¹⁰ Podemos também passar um polinômio de MQ de ordem 3 entre os 11 pontos de controle. A matriz A será retangular 10x4. Número de linhas é igual ao número de pontos de controle, número de colunas é igual ao número de coeficientes do polinômio (tamanho de coef). Notar que o polinômio interpolador de ordem 3 passa entre os 11 pontos de controle. 𝑦 = 0 2 1 5 5 5 8 9 13 14 20 22 𝑝3(𝑥) = −29.666755 + 20.296888𝑥 − 4.6476658𝑥² + 0.4030047𝑥³ Como 𝐴 é retangular, não podemos calcular a sua inversa 𝐴_1 , mas sim a sua pseudo-inversa (𝐴𝑡𝐴)−1𝐴𝑡 . 𝐴 = 1. 3.0 3.02 3.03 1. 3.3 3.32 3.33 1. 3.9 3.92 3.93 1. 4.3 4.32 4.33 1. 4.7 4.72 4.73 1. 5.3 5.32 5.33 1. 5.9 5.92 5.93 1. 6.1 6.12 6.13 1. 6.3 6.32 6.33 1. 6.6 6.62 6.63 1. 7.0 7.02 7.03 𝑢 = (𝐴𝑡𝐴)−1𝐴𝑡 𝑦 𝑢 é o vetor de coeficientes Podemos também passar um polinômio de MQ de ordem 3 entre os 11 pontos de controle. A matriz A será retangular 10x3. Número de linhas é igual ao número de pontos de controle, número de colunas é igual ao número de coeficientes do polinômio (tamanho de coef). Notar que o polinômio interpolador de ordem 2 passa entre os 11 pontos de controle. 𝐴 = 1. 3.0 3.02 1. 3.3 3.32 1. 3.9 3.92 1. 4.3 4.32 1. 4.7 4.72 1. 5.3 5.32 1. 5.9 5.92 1. 6.1 6.12 1. 6.3 6.32 1. 6.6 6.62 1. 7.0 7.02 𝑦 = 0 2 1 5 5 5 8 9 13 14 20 22 𝑝2 𝑥 = 14.576664 − 8.6372239𝑥 + 1.3822754𝑥 2 Como 𝐴 é retangular, não podemos calcular a sua inversa 𝐴_1 , mas sim a sua pseudo-inversa (𝐴𝑡𝐴)−1𝐴𝑡 . 𝑢 = (𝐴𝑡𝐴)−1𝐴𝑡 𝑦 𝑢 é o vetor de coeficientes Como exemplo, vamos ajustar um polinômios de ordem 2, 𝑝2 𝑥 , que passa “entre os pontos” de controle 𝑥𝑖 , 𝑦𝑖 abaixo: 𝐴 = 1. 3.0 9.00 1. 3.3 10.89 1. 3.9 15.21 1. 4.3 18.49 1. 4.7 22.09 1. 5.3 28.09 1. 5.9 34.81 1. 6.1 37.21 1. 6.3 39.69 1. 6.6 43.56 1. 7. 0 49.00 𝐴𝑡 = 1 1 1 3.0 3.3 3.9 9.00 10.89 15.21 1 1 1 4.3 4.7 5.3 18.49 22.09 28.09 1 1 1 5.9 6.1 6.3 34.81 37.21 39.69 1 1 6.6 7.0 43.56 49.00 𝑝2 𝑥 = a0 + a1x + a2x 2 𝑢 = 𝑎𝑜 𝑎1 𝑎2 𝑢 = 𝐴𝑡𝐴 −1𝐴𝑡𝑦 𝐴𝑡𝐴 = 11.00 56.400 308.040 56.40 308.040 1767.366 308.04 1767.366 10519.922 𝐴𝑡𝐴 −1 = 27.337747 −11.429266 1.1196449 −11.429266 4.8682401 −0.4832061 1.1196449 −0.4832061 0.0484896 𝑦 = 0 2 1 5 5 5 8 9 13 14 20 22 𝐴𝑡𝑦 = 99. 00 604.50 3766.49 𝑢 = 𝐴𝑡𝐴 −1𝐴𝑡𝑦 = 14.576664 −8.6372239 1.3822754 𝑝2 𝑥 = 14.576664 − 8.6372239𝑥 + 1.3822754𝑥 2 𝑆𝑟 = 𝑖=1 𝑛 𝑦𝑖 − ෝ𝑦𝑖 2 = 𝑖=1 𝑛 𝑦𝑖 − 𝐴 𝑢 2 𝑆𝑡 = 𝑖=1 𝑛 𝑦𝑖 − ത𝑦 2 Coeficiente de Determinação 𝑟2 = |𝑆𝑡 − 𝑆𝑟| 𝑆𝑡 Coeficiente de Correlação 𝑟 = |𝑆𝑡 − 𝑆𝑟| 𝑆𝑡 Soma dos Resíduos 𝑝2(𝑥) 𝑝3(𝑥) 𝑝5(𝑥) 𝑝7(𝑥) -9441.7837 13324.309 -7834.8411 2482.0126 -455.96949 48.351304 -2.7201087 0.0618437 744.87648 -830.81088 360.81206 -76.293616 7.8735814 -0.3166726 -29.666755 20.296888 -4.6476658 0.4030047 14.576664 -8.6372239 1.3822754 𝑟2 = 96.3% 𝑟2 = 97.0% 𝑟2 = 97.5% 𝑟2 = 98.9% 𝑝4(𝑥) -65.807213 51.655273 -14.520623 1.7429770 -0.0663526 𝑟2 = 97.1% Podemos inclusive passar um polinômio de MQ de ordem 1 entre os 11 pontos de controle. A matriz A será retangular 10x2. Número de linhas é igual ao número de pontos de controle, número de colunas é igual ao número de coeficientes do polinômio (tamanho de coef). Notar que o polinômio interpolador de ordem 2 passa entre os 11 pontos de controle. 𝐴 = 1. 3.0 1. 3.3 1. 3.9 1. 4.3 1. 4.7 1. 5.3 1. 5.9 1. 6.1 1. 6.3 1. 6.6 1. 7.0 𝑦 = 0 2 1 5 5 5 8 9 13 14 20 22 𝑐𝑜𝑒𝑓 = (𝐴𝑡𝐴)−1𝐴𝑡 𝑦 𝑝2 𝑥 = −17.340659 + 5.1373626𝑥 Já que 𝐴 é retangular, não podemos calcular a sua inversa 𝐴_1 , mas sim a sua pseudo-inversa (𝐴𝑡𝐴)−1𝐴𝑡 . Os polinômios MQ de 1ª Ordem podem ser utilizados na Linearização de Regressões não-lineares 1) 𝑦 = 𝛼𝑒𝛽𝑥 ⇒ ln 𝑦 = ln 𝛼𝑒𝛽𝑥 = ln𝛼 + 𝛽𝑥 𝑦𝑙 = ln 𝑦 𝑥𝑙 = 𝑥 𝑦𝑙 = 𝑎𝑜 + 𝑎1𝑥𝑙 2) 𝑦 = 𝛼𝑥𝛽 ⇒ log 𝑦 = log 𝛼𝑥𝛽 = log𝛼 + 𝛽𝑙𝑜𝑔 𝑥 𝑦𝑙 = log 𝑦 𝑥𝑙 = log 𝑥 𝑦𝑙 = 𝑎𝑜 + 𝑎1𝑥𝑙 3) 𝑦 = 𝛼𝑥 𝑥 + 𝛽 ⇒ 1 𝑦 = 𝑥 + 𝛽 𝛼𝑥 = 1 𝛼 + 𝛽 𝛼 1 𝑥 𝑦𝑙 = 1/𝑦 𝑥𝑙 = 1/x 𝑦𝑙 = 𝑎𝑜 + 𝑎1𝑥𝑙 𝛼 = 𝑒𝑎𝑜 𝛽 = 𝑎1 𝛼 = 10𝑎0 𝛽 = 𝑎1 𝛼 = 1/𝑎𝑜 𝛽 = 𝑎1/𝑎𝑜 4) 𝑦 = 𝛽 𝑥 + 𝛼 ⇒ 1 𝑦 = 𝑥 + 𝛼 𝛽 ⇒ 1 𝑦 = 𝛼 𝛽 + 1 𝛽 𝑥 𝑦𝑙 = 1/𝑦 𝑥𝑙 = x 𝑦𝑙 = 𝛼 + 𝛽𝑥𝑙 𝛼 = 𝒂𝒐/𝒂𝟏 𝛽 = 1/𝒂𝟏 5) 𝑦 = 𝛼 + 𝛽 𝑥 ⇒⇒ 𝑦 = 𝛼 + 𝛽 1 𝑥 𝑦𝑙 = 𝑦 𝑥𝑙 = 1/𝑥 𝑦𝑙 = 𝛼 + 𝛽𝑥𝑙 𝛼 = 𝑎𝑜 𝛽 = 𝑎1 6) 𝑦 = 𝛼 + 𝛽𝑥𝑛 ⇒⇒ 𝑦 = 𝛼 + 𝛽 𝑥𝑛 𝑦𝑙 = 𝑦 𝑥𝑙 = x n 𝑦𝑙 = 𝛼 + 𝛽𝑥𝑙 𝛼 = 𝑎0 𝛽 = 𝑎1 Regressão Não Linear Linearização Regressão Linear 𝒚𝒍 = 𝒂𝒐 + 𝒂𝟏𝒙𝒍 𝛼 𝛽 𝑦 = 𝛼𝑒𝛽𝑥 𝑀𝑄𝐿 𝑥, 𝑙𝑛 𝑦 ln 𝑦 = ln𝛼 + (𝛽) (𝑥) 𝛼 = 𝑒𝒂𝒐 𝛽 = 𝒂𝟏 𝑦 = 𝛼𝑥𝛽 𝑀𝑄𝐿 log 𝑥 , 𝑙𝑜𝑔 𝑦 log 𝑦 = log 𝛼 + (𝛽) 𝑙𝑜𝑔 𝑥 𝛼 = 10𝒂𝒐 𝛽 = 𝒂𝟏 𝑦 = 𝛼𝑥 𝑥 + 𝛽 𝑀𝑄𝐿 1./𝑥, 1./𝑦 1 𝑦 = 1 𝛼 + 𝛽 𝛼 1 𝑥 𝛼 = 1/𝒂𝒐 𝛽 = 𝒂𝟏/𝒂𝒐 𝑦 = 𝛽 𝑥 + 𝛼 𝑀𝑄𝐿 𝑥, 1./𝑦 1 𝑦 = 𝛼 𝛽 + 1 𝛽 𝑥 𝛼 = 𝒂𝒐/𝒂𝟏 𝛽 = 1/𝒂𝟏 𝑦 = 𝛼 + 𝛽 𝑥 𝑀𝑄𝐿 1./𝑥, 𝑦 𝑦 = 𝛼 + 𝛽 1 𝑥 𝛼 = 𝒂𝒐 𝛽 = 𝒂𝟏 𝑦 = 𝛼 + 𝛽𝑥𝑛 𝑀𝑄𝐿 𝑥𝑛, 𝑦 𝑦 = (𝛼) + 𝛽 𝑥𝑛 𝛼 = 𝒂𝒐 𝛽 = 𝒂𝟏 𝑦𝑚 = 𝛼 + 𝛽𝑥𝑛 𝑀𝑄𝐿 𝑥𝑛, 𝑦𝑚 𝑦𝑚 = 𝛼 + (𝛽) 𝑥𝑛 𝛼 = 𝒂𝒐 𝛽 = 𝒂𝟏 𝑓(𝑦) = 𝛼 + 𝛽𝑔 𝑥 (1) 𝑀𝑄𝐿 𝑔(𝑥), 𝑓 𝑦 𝑓(𝑦) = (𝛼) + (𝛽) 𝑔 𝑥 𝛼 = 𝒂𝒐 𝛽 = 𝒂𝟏 (1) Onde 𝑓 𝑦 indica uma função qualquer da variável real 𝑦 e 𝑔 𝑥 uma função qualquerda variável real 𝑥 𝑦 = −8.052 + 5.748 𝑥 𝑦 = 0.800 + 0.339 𝑥 𝑦 = 𝛼 𝑒𝛽𝑥 Exemplo 1 Ajuste da função 𝑦 = 𝛼 𝑒𝛽𝑥 𝑦 = 1.524 + 0.885 𝑥 𝑦 = 0.107 + 0.189 𝑥 𝑦 = 𝛼𝑥 𝑥 + 𝛽 Exemplo 2 = ajuste da função 𝑦 = 𝛼𝑥 𝑥+𝛽 • Vamos agora ajustar um polinômios de 𝑝𝑚 𝑥 , com coeficiente 𝑢, de ordem M<N, que passa “entre os pontos” de controle 𝑥𝑖 , 𝑦𝑖 • Haverá uma discrepância “𝑣𝑖” entre o ponto de controle (𝑥𝑖 , 𝑦𝑖) e o ponto ajustado no polinômio 𝑥𝑖 , ො𝑦𝑖 , onde ො𝑦𝑖 = 𝑝𝑚 𝑥𝑖 • A discrepância pode ser positiva se (𝑥𝑖 , 𝑦𝑖) estiver acima de (𝑥𝑖 , ො𝑦𝑖) , e negativa se 𝑥𝑖 , 𝑦𝑖 estiver abaixo de (𝑥𝑖 , ො𝑦𝑖) • Vamos definir então a discrepância total Φ como sendo a soma do quadrado de todas as discrepâncias 𝑣𝑖 𝑝𝑚 𝑥 𝑣𝑖 𝑦 = ො𝑦 + 𝑣 = 𝐴𝑢 + 𝑣 ො𝑦 = 𝐴𝑢 Φ = 𝑖=0 𝑁 𝑣𝑖 2 = 𝑣t𝑣 Φ = 𝑣t𝑣 = 𝑦 − 𝐴𝑢 t(𝑦 − 𝐴𝑢) Φ = (yt−utAt)(y − Au) = 𝑦𝑡𝑦 − 𝑦𝑡𝐴𝑢 − 𝑢𝑡𝐴𝑡𝑦 + 𝑢𝑡𝐴𝑡𝐴𝑢 Φ = 𝑦𝑡𝑦 − 2𝑦𝑡𝐴𝑢 + 𝑢𝑡𝐴𝑡𝐴𝑢 𝑑Φ 𝑑𝑢 = 0 0 − 2𝑦𝑡𝐴 + 2𝑢𝑡𝐴𝑡𝐴 = 0 Forma quadrática Matrizes simétricas Minimizar a soma dos quadrados da discrepâncias, em relação ao coeficiente 𝑢 de 𝑝𝑚 𝑥 (que são as incógnitas) 2𝑦𝑡𝐴 = 2𝑢𝑡𝐴𝑡𝐴 𝐴𝑡𝐴 𝑢 = 𝐴𝑡𝑦 𝑢 = 𝐴𝑡𝐴 −1𝐴𝑡𝑦 • Onde ො𝑦 são os pontos ajustados em 𝑝𝑚 𝑥 com discrepância O valor exato 𝑦 é o valor ajustado ො𝑦 mais a discrepância 𝑣 soma dos quadrados da discrepâncias 𝑣 = 𝑦 − ො𝑦 = 𝑦 − 𝐴𝑢 𝑣 é a discrepância ( erro ) de estimação Slide 1: Métodos Numéricos para Engenharia Slide 2: Definições Slide 3 Slide 4 Slide 5 Slide 6 Slide 7 Slide 8 Slide 9 Slide 10 Slide 11 Slide 12 Slide 13 Slide 14 Slide 15
Compartilhar