Baixe o app para aproveitar ainda mais
Prévia do material em texto
81 VII – Ajuste de curvas VII.1 – Introdução É importante relacionar por meio de um modelo matemático, a variável resposta (ou dependente) com um conjunto de variáveis explicativas (ou dependentes). Ao se estudar a relação entre duas variáveis, deve-se fazer a exibição gráfica dos dados por meio de um diagrama de dispersão para que se tenha uma noção do aspecto da distribuição dos valores. Exemplo: Construir o diagrama de dispersão dos dados tabelados abaixo: i 1 2 3 4 5 xi 1,3 3,4 5,1 6,8 8,0 yi 2,0 5,2 3,8 6,1 5,8 Solução: 0 1 2 3 4 5 6 7 0 2 4 6 8 10 x y Figura 7.1 – Solução do exemplo. VII.2 – Regressão Linear Simples As relações mais simples entre duas variáveis são as relações lineares. A variável independente ou explicativa x é relacionada com a variável depedente ou resposta y por meio de um modelo linear como, por exemplo, y = β0 + β1x + ε, onde β0 e β1 são parâmetros a serem estimados e ε contém os componentes desconhecidos e aleatórios de erro que se sobrepõe à verdadeira relação linear. Suponha uma reta imaginária desenhada no diagrama de dispersão (figura 7.2). No valor de xi da variável explicativa, o valor de ŷi predito por esta reta é ŷi = b0 + b1xi, enquanto que o valor real da variável resposta é yi. A diferença entre esses valores é dada por: 82 di = yi – ŷi (7.1) Figura 7.2 – Reta arbitrária no diagrama de dispersão Considerando-se os desvios de todos os n pontos obtem-se a medida do desvio total dos pontos em relação à reta estimada, ou seja: ∑ = = n i idD 1 2 (7.2) A magnitude de D é dependente da reta desenhada, ou seja, de β0 e β1. Assim, ∑∑∑ === β+β−=−==ββ n i ii n i ii n i i xyyydD 1 2 10 1 2 1 2 10 )]([)ˆ(),( (7.3) Um modo para se estimar os coeficientes β0 e β1 é determinar o mínimo da função D(β0, β1). Isso pode ser obtido zerando-se as derivadas parciais de D em relação a β0 e β1, ou seja: ∑ ∑ ∑∑∑∑∑ ∑ ∑ ∑∑∑∑ =+⇒=−−⇒=β−β−−=β∂ ∂ =+⇒=−−⇒=β−β−−=β∂ ∂ = = iiiiiiiiii n i i iiiii n i i yxbxbxxbxbyxxxy D ybxbnxbbyxy D 1 2 0 2 10 1 10 1 1010 1 10 0 )()(00)(2 )()(00)(2 (7.4) onde b0 e b1 são os valores onde a função D apresenta o valor mínimo. A solução deste sistema de equações lineares, também chamadas equações normais, pode ser obtida pelo método de Eliminação de Gauss da seguinte maneira: ii i ii i yx y b b xx xn ∑ ∑ ∑∑ ∑ =⋅ 1 0 2 (7.5) 83 Multiplicando-se a primeira linha por - xi/n e somando-se com a segunda linha obtém-se o sistema equivalente: n yx yx y b b n x x xn ii ii i i i i ∑∑∑ ∑ ∑ ∑ ∑ − =⋅ − 1 02 2 )(0 (7.6) Através das substituições retrotativas obtém-se: n bxy b xxn yxyxn b ii ii iiii ∑ ∑ ∑∑ ∑∑∑ − = −⋅ −⋅ = 1 0 221 )( )( (7.7) Portanto, a melhor reta que passa pelos pontos distribuídos no diagrama de dispersão é dada por: Y = b0 + b1X (7.8) Como este método consiste em achar o mínimo de uma função quadrática, ele é conhecido como Método dos Mínimos Quadrados. Exemplo: Calcular a reta de mínimos quadrados que melhor se ajusta aos dados tabelados abaixo: i 1 2 3 4 5 xi 1,3 3,4 5,1 6,8 8,0 yi 2,0 5,2 3,8 6,1 5,8 84 VII.3 – Coeficiente de Determinação Um modo de medir a qualidade do ajuste linear é através do coeficiente de determinação dado por: ( ) ( ) ⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛ −⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛ − ⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛ − = ∑∑∑∑ ∑∑∑ n y y n x x n yx yx R i i i i ii ii 2 2 2 2 2 2 , (7.9) sendo 0 R2 1. Quanto mais próximo o coeficiente de determinação estiver da unidade, melhor será o ajuste. Se, por exemplo, R2 = 0,81, significa que 81% da variação de y pode ser explicada pela relação entre x e y. Os 19% remanescentes da variação são inexplicados e se devem a outros fatores como erros ou não-lineariedades. Exemplo: calcular o coeficiente de determinação da reta obtida no exemplo anterior: 85 VII.4 – Regressão linear múltipla Um modelo mais completo que relaciona a variável resposta Y com as p + 1 variáveis explicativas pode ser expresso por: PP XXXY β++β+β+β= L22110 (7.10) Na forma matricial, tem-se: PPnbn P P P n xxx xxx xxx xxx y y y y β β β β ⋅= M L MMMM L L L M 3 2 1 21 32313 22212 12111 3 2 1 1 1 1 1 ou Y = X (7.11) Substituindo-se os temos do sistema anterior pelas equações normais, tem-se: ∑ ∑ ∑ ∑ ∑∑∑∑ ∑∑∑∑ ∑∑∑∑ ∑∑∑ =⋅ iPi ii ii i PPiPiiPiiPi iPiiiii iPiiiii Piii yx yx yx y b b b b xxxxxx xxxxxx xxxxxx xxxn MM L MMMM L L L 2 1 2 1 0 2 21 2 2 2212 112 2 11 21 (7.12) O coeficiente de determinação deste ajuste é dado por: ( )∑ ∑ ∑ − − −= nyy yy R ii ii / )ˆ( 1 2 2 2 , onde ∑ = += P j jjii bxby 1 0 )(ˆ (7.13) Exemplo: Ajustar os pontos da tabela abaixo à equação Y = b0 + b1X1 + b2X2 i 1 2 3 4 5 6 7 8 x1i -1 0 1 2 4 5 5 6 x2i -2 -1 0 1 1 2 3 4 yi 13 11 9 4 11 9 1 -1 86 VII.5 – Regressão Polinomial O ajuste polinomial ocorre quando X1 = X, X2 = X2, ..., XP = XP, ou seja P P XXXY β++β+β+β= L2210 (7.14) Neste caso, o sistema com as equações normais fica: ∑ ∑ ∑ ∑ ∑∑∑∑ ∑∑∑∑ ∑∑∑∑ ∑∑∑ =⋅ ++ + + i P i ii ii i P P i P i P i P i P iiii P iii P iii yx yx yx y b b b b xxxx xxxx xxxx xxxn MM L MMMM L L L 2 2 1 0 221 2432 132 1 2 (7.15) O coeficiente de terminação é dado por ( )∑ ∑ ∑ − − −= nyy yy R ii ii / )ˆ( 1 2 2 2 , onde ∑ = += P j jjii bxby 1 0 )(ˆ 87 Exemplo: Ajustar os pontos da tabela abaixo à equação Y = b0 + b1X + b2X2. i 1 2 3 4 5 6 xi -2 -1,5 0 1 2,2 3,1 yi -30,5 -20,2 -3,3 8,9 16,8 21,4
Compartilhar