Baixe o app para aproveitar ainda mais
Prévia do material em texto
UFRN Universidade Federal do Rio Grande do Norte Escola de Ciências e Tecnologia Ajuste de Curvas Parte I: Introdução e Método dos Mínimos Quadrados ECT1303 – Computação Numérica • Manter o telefone celular sempre desligado/silencioso quando estiver em sala de aula; • Nunca atender o celular na sala de aula. Motivação Ceres é o menor planeta anão identificado no sistema solar. Foi descoberto por Giuseppe Piazzi, em 1801. Piazzi seguiu sua órbita por 40 dias, até perdê-la, devido ao brilho do sol. Ceres visto por um telescópio espacial da NASA em 2004 Motivação Piazzi observou um total de 24 vezes até 11 de fevereiro de 1801. Por volta do final daquele ano, Ceres teria se tornado visível novamente. Mas como reencontrá-lo? Como predizer a sua posição exata? O planeta só foi reencontrado devido às predições de Gauss, então com 24 anos! O método de Gauss Havia uma série de pontos dados pelas observações temporais de Piazzi. Gauss estimou uma função: posição = f(t) a partir destes dados, de modo que, para os pontos conhecidos, o erro fosse “o menor possível”. O método de Gauss Ajuste de Curvas ou Aproximação de Funções Dados discretos são obtidos por experimentos dentro de um intervalo contínuo. Pode ser necessário: Fazer estimativas em pontos que estão entre os valores discretos; Obter uma versão simplificada de uma função complicada. Existem duas abordagens: 1. Regressão pelo método dos mínimos quadrados 2. Interpolação Ajuste de Curvas ou Aproximação de Funções Aproximação pelo método dos mínimos quadrados Dados com alto grau de erro ou “ruído” Encontra-se uma única curva que represente a tendência geral dos dados e que pode não passar exatamente pelos pontos Aproximação por interpolação Dados são precisos Ajusta uma curva ou uma série de curvas que passam exatamente pelos pontos dados respectivamente Regressão pelo Método dos Mínimos Quadrados Regressão Aproximar uma função y= f(x) por uma combinação linear de funções conhecidas: de tal modo que a distância de f(x) a F(x) seja a menor possível. f (x) ≅ a0g0(x) + a1g1(x) + ...+ amgm (x) = F(x) Precisamos definir uma noção de distância entre duas funções. Caso discreto Inicialmente, vamos considerar o caso em que sabemos a função a aproximar em apenas alguns pontos: Por exemplo: Vemos que os pontos parecem uma reta. A pergunta é: qual a melhor reta? )(...)()()()( ... 321 321 n n xfxfxfxfxf xxxxx respectivamente Regressão Linear O ajuste de curvas usando uma equação linear é o processo pelo qual uma equação na forma: onde é usada para fornecer o melhor ajuste de um conjunto de pontos. Tarefa: escolher a1 e a0 de modo que o erro seja mínimo. a1 representa a inclinação da reta a0 representa a interseção com o eixo y Regressão Linear F(x) = a0g0(x) + a1g1(x) = a1x + a0 g0(x) =1 e g1(x) = x Regressão Linear Qual a melhor reta se os dados compreenderem apenas dois pontos? y x Os coeficientes a1 e a0 podem ser obtidos de forma que a equação forneça os valores exatos nos pontos. Isto corresponde à linha reta que passa pelos dois pontos. Regressão Linear E quando temos mais de dois pontos? Pode não haver uma linha reta que passe por todos os pontos. Neste caso, os coeficientes a1 e a0 são determinados de forma a obter o melhor ajuste como um todo. É preciso definir “melhor ajuste”! y x Qualidade de um ajuste É importante para: Comparar duas funções usadas no ajuste de um mesmo conjunto de dados Determinar os coeficientes da função que levam ao melhor ajuste. Para isso, usamos o cálculo do erro (resíduo) entre cada ponto do conjunto de dados e o valor da função aproximada. Em seguida, os resíduos são usados para calcular o erro total. Qualidade de um ajuste Resíduo em um ponto (xi,yi): y x r1 r2 r3 r4 (x1,y1) (x2,y2) (x4,y4) (x3,y3) F(x) = a1x+a0 ei = y i − F(x i) ei = y i − a1x i − a0 Como calculamos o erro total de F(x)? Qualidade de um ajuste Critério 1: minimizar a soma dos resíduos individuais Este critério é ruim. Por quê? E = ei i=1 n ∑ = (y i − a1x i − a0) i=1 n ∑ y x Ponto médio Qualquer reta passando pelo ponto médio resulta em erro mínimo igual a zero. Qualidade de um ajuste Critério 2: minimizar a soma do valor absoluto dos resíduos individuais Este critério também não é bom. Por quê? E = ei i=1 n ∑ = y i − a1x i − a0 i=1 n ∑ Qualquer reta dentro das retas tracejadas minimiza a soma dos valores absolutos dos resíduos. Portanto, o critério não fornece um melhor ajuste único! y x Qualidade de um ajuste Melhor Critério: minimizar a soma do quadrado dos resíduos O erro global é sempre positivo. Maiores resíduos têm um efeito relativamente maior. Pode ser usado para encontrar os coeficientes da única reta que leva ao menor erro total. Este procedimento é chamado de regressão linear por mínimos quadrados. E = ei 2 i=1 n ∑ = y i − a1x i − a0( )2 i=1 n ∑ Método dos mínimos quadrados Para um dado conjunto de n pontos, o erro total é dado por: Como os valores xi e yi são conhecidos, E é uma função não-linear de duas variáveis, a1 e a0. Do cálculo diferencial, se a função E tem mínimo, então as derivadas parciais em relação a a1 e a0 são iguais a zero: E = ei 2 i=1 n ∑ = y i − a1x i − a0( )2 i=1 n ∑ ∂E ∂a0 = −2 y i − a1x i − a0( ) i=1 n ∑ = 0 ∂E ∂a1 = −2 y i − a1x i − a0( ) i=1 n ∑ x i = 0 Método dos mínimos quadrados Como , tem-se o seguinte sistema de equações lineares com incógnitas a1 e a0: cuja solução dá os valores procurados de a1 e a0. a0 i=1 n ∑ = na0 na0 + x i i=1 n ∑ a1 = y i i=1 n ∑ x i i=1 n ∑ a0 + x i 2 i=1 n ∑ a1 = x iy i i=1 n ∑ Exemplo Obter a reta que melhos ajusta os dados: Solução: Como vimos, a reta F(x) = a1x + a0 que melhor se ajusta é aquela cujos coeficientes resolvem o sistema: x 0 1 2 3 4 f (x) 0.98 −3.01 −6.99 −11.01 −15 x i y i x i 2 x iy i 0.00 0.98 0.00 0.00 1.00 −3.01 1.0 −3.01 2.00 −6.99 4.00 −13.98 3.00 −11.01 9.00 −33.03 4.00 −15.00 16.00 −60.00 soma = 10.00 −35.03 30.00 −110.02 − − = 02.110 03.35 3010 105 1 0 a a 9960.31 −=a 9860.00 =a Exemplo - solução Logo: f(x) ≈ F(x) = -3.9960 x + 0.9860 Erro: e1 2 = (f(0)-F(0))2 = 0.0000 e2 2 = (f(1)-F(1))2 = 0.0000 e3 2 = (f(2)-F(2))2 = 0.0003 e4 2 = (f(3)-F(3))2 = 0.0001 e5 2 = (f(4)-F(4))2 = 0.0000 ei 2 i=1 5 ∑ = 0.0004 Qualidade do Ajuste • A qualidade da aproximação poderia ser dada pelo somatório do quadrado cada erro: ∑���, contudo este não é um valor normalizado – dependendo do problema pode apresentar valores muito pequenos ou muito grandes • Por isso utilizamos o coeficiente de determinação ��: �� = ∑ � − � � − ∑��� ∑ � − � � Onde � = ∑ � � , ou seja, a média dos ’s • 0 ≤ �� ≤ 1, e quanto mais próximo da unidade, melhorsera o ajuste Qualidade do Ajuste • Calcule a qualidade do ajuste do exemplo anterior Regressão Linear Múltipla Muitas vezes, deseja-se aproximar uma função de duas ou mais variáveis independentes. No caso linear, f poderia ser aproximada por uma função de x1 e x2: Para esse caso, ao invés de uma ‘reta’ temos um ‘plano’ de regressão. F(x1,x2) = a0 + a1x1 + a2x2 Regressão Linear Múltipla Os melhores valores dos coeficientes também são determinados a partir da soma dos quadrados dos resíduos, e derivando com relação a cada coeficiente, temos: 2 1 01122 )(∑ = −−−= n i iii axaxayE ∂E ∂a0 = −2 y i − a2x2i − a1x1i − a0( ) i=1 n ∑ = 0 ∂E ∂a1 = −2 y i − a2x2i − a1x1i − a0( ) i=1 n ∑ x1i = 0 ∂E ∂a2 = −2 y i − a2x2i − a1x1i − a0( ) i=1 n ∑ x2i = 0 Regressão Linear Múltipla A solução deste sistema fornece os valores dos coeficientes que minimizam a soma dos quadrados dos resíduos: = ∑ ∑ ∑ ∑∑∑ ∑∑∑ ∑∑ = = = === === == n i ii n i ii n i i n i i n i ii n i i n i ii n i i n i i n i i n i i yx yx y a a a xxxx xxxx xxn 1 2 1 1 1 2 1 0 1 2 2 1 21 1 2 1 21 1 2 1 1 1 1 2 1 1 Método dos Mínimos Quadrados Aproximação Polinomial (Caso Discreto) Ajuste de curvas com polinômios de ordem superior Obviamente, nem toda função que desejaremos aproximar será uma reta. Um determinado conjunto de dados contendo n pontos pode ser ajustado com polinômios de ordens diferentes até uma ordem n-1. No entanto, não se recomenda o uso de polinômios de ordem elevada no ajuste de curvas. Por quê? Ajuste de curvas com polinômios de ordem superior Quando muitos pontos estão envolvidos, o polinômio de ordem n-1 possui um grau elevado. Embora, este polinômio forneça os valores exatos nos pontos dados, geralmente ele apresenta um desvio significativo entre alguns pontos. Regressão Polinomial O método dos mínimos quadrados pode ser estendido para ajustar dados por um polinômio de grau mais alto. É um procedimento usado para determinar os coeficientes de um polinômio de segundo grau, ou de ordem maior, de forma que esse polinômio produza o melhor ajuste de um determinado conjunto de dados Regressão Polinomial Suponha que queremos ajustar por um polinômio de segundo grau: Neste caso, o método dos mínimos quadrados dá o erro total: F(x) = a0g0(x) + a1g1(x) + a2g2(x) = a2x 2 + a1x + a0 com g0(x) =1, g1(x) = x e g2(x) = x 2 E = ei 2 i=1 n ∑ = y i − a2x i2 − a1x i − a0( )2 i=1 n ∑ Regressão Polinomial Calculando as derivadas parciais e igualando a zero, obtemos: ( ) ( ) ( ) 02 02 02 2 1 01 2 2 2 1 01 2 2 1 1 01 2 2 0 =−−−−= =−−−−= =−−−−= ∑ ∑ ∑ = = = i n i iii i n i iii n i iii xaxaxay a E xaxaxay a E axaxay a E ∂ ∂ ∂ ∂ ∂ ∂ Regressão Polinomial Temos então o sistema de três equações lineares em função das incógnitas a2, a1 e a0: A solução deste sistema fornece os valores dos coeficientes do polinômio de segundo grau que melhor se ajusta aos n pontos. = ∑ ∑ ∑ ∑∑∑ ∑∑∑ ∑∑ = = = === === == n i ii n i ii n i i n i i n i i n i i n i i n i i n i i n i i n i i yx yx y a a a xxx xxx xxn 1 2 1 1 2 1 0 1 4 1 3 1 2 1 3 1 2 1 1 2 1 Regressão Polinomial Caso geral: os coeficientes de polinômios de ordem superior são deduzidos da mesma forma. Calculando as derivadas parciais e igualando a zero, obtemos um sistema de m+1 equações lineares: n x i i=1 n ∑ ... x im i=1 n ∑ x i i=1 n ∑ x i2 i=1 n ∑ ... x im+1 i=1 n ∑ ... ... ... ... x i m i=1 n ∑ x im+1 i=1 n ∑ ... x i2m i=1 n ∑ a0 a1 ... am = y i i=1 n ∑ x iy i i=1 n ∑ ... x i my i i=1 n ∑ F(x) = amxm + am−1xm−1 + ...+ a1x + a0 Exemplo Considere a função f(x) definida conforme a tabela: Ao traçarmos o gráfico, vemos que os pontos se assemelham a uma parábola. Portanto, encontre o polinômio de segundo grau que melhor se ajusta aos pontos. x −2 −1 0 1 2 3 f (x) 19.01 3.99 −1.00 4.01 18.99 45.00 F(x) = a0g0(x) + a1g1(x) + a2g2(x) = a2x 2 + a1x + a0 com g0(x) =1, g1(x) = x e g2(x) = x 2 Exemplo - solução Temos o seguinte sistema de equações lineares: 6 x i i=1 6 ∑ x i2 i=1 6 ∑ x i i=1 6 ∑ x i2 i=1 6 ∑ x i3 i=1 6 ∑ x i 2 i=1 6 ∑ x i3 i=1 6 ∑ x i4 i=1 6 ∑ a0 a1 a2 = y i i=1 6 ∑ x iy i i=1 6 ∑ x i 2y i i=1 6 ∑ g2(x i)g2(x i) i=1 6 ∑g0(x i)g1(x i) i=1 6 ∑ Exemplo - solução x i x i 2 x i 3 x i 4 y i x iy i x i 2y i −2.00 4.00 −8.00 16.00 19.01 −38.02 76.04 −1.00 1.00 −1.00 1.00 3.99 −3.99 3.99 0.00 0.00 0.00 0.00 −1.00 0 0.00 1.00 1.00 1.00 1.00 4.01 4.01 4.01 2.00 4.00 8.00 16.00 18.99 37.98 75.96 3.00 9.00 27.00 81.00 45.00 135.00 405.00 soma = 3.00 19.00 27.00 115.00 90.00 134.98 565.00 = 565 98.134 90 1152719 27193 1936 2 1 0 a a a a2 = 5.0893 a1 = 0.0515 a0 = −1.1403 Exemplo - solução Obtemos então: F(x) = 5.0893 x2 + 0.0515 x - 1.1403 Nenhuma outra função quadrática apresentará um menor erro quadrático para aqueles pontos segundo o método dos mínimos quadrados. Ajuste Linear Genérico • Se a curva que desejamos ajustar for uma combinação linear de várias funções ��(�) na forma � � = ���� � + ���� � +⋯+� � � onde as constantes �� são desconhecidas, podemos utilizar o mesmo princípio dos mínimos quadrados • As funções ��(�) não precisam ser funções lineares, – Ex: �� = �!, g� x = �� • É necessário que o usuário informe quais os tipos de funções ��(�) – Isto pode ser feito se observando o diagrama de dispersão ou baseando-se em fundamentos teóricos do experimento Ajuste Linear Genérico • Aplicando a teoria dos mínimos quadrados, podemos concluir que a solução do problema se resume a solução do seguinte sistema de equações $�� �� � $��(��)��(��) ⋯ $��(��)� (��) $��(��)��(��) $�� �� � ⋯ $��(��)� (��) ⋮ ⋮ ⋱ ⋮ $� (��)��(��) $� (��)��(��) ⋯ $� �� � �� �� ⋮ � = $ ���(��) $ ���(��) ⋮ $ �� (��) Ajuste Linear Genérico• A solução do problema tambem pode ser calculada da seguinte foma: suponha o sistema dado por (� = �� �� �� �� ⋯ � (��) �� �� ��(��) ⋯ � (��) ⋮ ⋮ ⋱ ⋮ �� �� ��(��) ⋯ � (��) �� �� �� ⋮ � = � � � ⋮ � • Assim, resolver o sistema ()(� = () é equivalente a resolver o sistema dos mínimos quadrados apresentado na transparência anterior • Este método é mais facil de implementar em linguagens que operam com matrizes (scilab, matlab…) • Se as funções �� = ��, a matriz ( será a matriz de Vandermonde Ajuste Linear Genérico • Ex: Ajuste a seguinte tabela a um polinômio do segundo grau, ou seja � � = �� + ��� + ����, utilizando a matriz de Vandermonde ( e o formato ()(� = () �� *� −2 −30,5 −1,5 −20,2 0 −3,3 1 8,9 2,2 16,8 3,1 21,4 Método dos Mínimos Quadrados Aproximação Não-Polinomial (Caso Discreto) Linearização de equações não-lineares Diversas situações na engenharia, mostram que a relação entre as grandezas envolvidas não é linear nem polinomial. Linearização de equações não-lineares Um experimento no laboratório de física gerou os seguintes pontos de y = f(x) (-2; 0,05), (-1; 0,15) (0; 0,4) (1; 1,1) (2; 2,3) (3; 7,1) Um polinômio talvez não seja a melhor opção de aproximação para f (x)! Linearização de equações não-lineares Polinômios de graus 1 e 2 Linearização de equações não-lineares Polinômio de grau 3 Linearização de equações não-lineares Polinômio de grau 4 Linearização de equações não-lineares Uma função do tipo h(x) = abx parece ser uma opção mais adequada! Como encontrar a e b tais que h(x) “melhor” aproxime f (x) ? Linearização de equações não-lineares Há muitos tipo de funções não lineares. Por exemplo: Podemos ‘linearizar’ estas funções de forma a usar a regressão linear por mínimos quadrados. h(x) = ax b (função de potência) h(x) = abx (função exponencial) h(x) = 1 a + bx (função inversa) Ajuste Exponencial A função exponencial pode ser linearizada calculando-se o logaritmo natural de ambos os lados: { { xaaxF bxaxh abxh aa xF x 10 )( )( lnln)(ln )( 10 += += = 321 Aproximação Exponencial Dados n pontos de y = f(x), encontrar F(x) = a0 + a1x tal que h(x) = abx “melhor” aproxime f(x) e que F(x) = ln h(x), a0 = ln a e a1 = ln b. Ajuste Exponencial Se h(x) aproxima f(x), então F(x) aproxima ln(f(x)). Isto significa que uma regressão linear pode ser usada para fazer com que a equação h(x) = abx se ajuste a um conjunto de pontos (xi,yi). Para tanto, calcula-se a1 e a0 resolvendo o sistema linear: com a substituição de yi por ln(yi). Uma vez conhecidos a1 e a0, os coeficientes a e b na equação exponencial h(x) = abx são calculados com: b = ea1a = ea0 n x i i=1 n ∑ x i i=1 n ∑ x i2 i=1 n ∑ a0 a1 = y i i=1 n ∑ x iy i i=1 n ∑ Ajuste Exponencial Um experimento no laboratório de física gerou os seguintes pontos de y = f(x) (-2; 0,05), (-1; 0,15), (0; 0,4), (1; 1,1) (2; 2,3) e (3; 7,1) y1→ ln(0.05) = −2.996 y2→ ln(0.15) = −1.897 y3→ ln(0.4) = −0.916 y4 → ln(1.1) = 0.0953 y5→ ln(2.3) = 0.833 y6→ ln(7.1) =1.960 Ajuste Exponencial y1→ ln(0.05) = −2.996 y2→ ln(0.15) = −1.897 y3→ ln(0.4) = −0.916 y4 → ln(1.1) = 0.0953 y5→ ln(2.3) = 0.833 y6→ ln(7.1) =1.960 x i ln y i x i 2 x i ln y i −2 −2.996 4 5.992 −1 −1.897 1 1.897 0 −0.916 0 0.000 1 0.095 1 0.095 2 0.833 4 1.666 3 1.960 9 5.880 soma = 3 −2.921 19 15.530 6 3 3 19 a0 a1 = −2.921 15.530 a0 = −0.972 a1 = 0.971 a = ea0 = 0.38 b = ea1 = 2.64 h(x) = ab x = 0.38(2.64 x ) Ajuste Exponencial A função procurada é: Importante: Neste caso, o MMQ minimiza o erro total com relação à função linearizada! Um experimento no laboratório de física gerou os seguintes pontos de y = f(x) (-2; 0,05), (-1; 0,15) (0; 0,4) (1; 1,1) (2; 2,3) (3; 7,1) Ajuste Hiperbólico { { xba xh xF bxa xh aa 10 )( 1)( 1)( +== + = Aproximação Hiperbólica Dados n pontos de y = f(x), encontrar F(x) = a0 + a1x tal que h(x) = 1/(a0 + a1x) “melhor” aproxime f(x) e que F(x) = 1/h(x), a0 = a e a1 = b. Ajuste Hiperbólico Considere a função f(x) tabelada nos pontos como segue: Determine uma função inversa h(x) que melhor se ajusta aos dados da tabela e calcule ei 2 i=1 5 ∑ x −3 −2 −1 −0.5 −0.4 f (x) −0.13 −0.20 −0.49 −2.01 −4.99 Ajuste Hiperbólico Graficamente, temos: que tem o formato: h(x) = 1 a + bx Ajuste Hiperbólico Consideramos a função 1/f(x): E fazemos o ajuste linear para F(x) = a0 + a1x. Os coeficientes obtidos serão aqueles que aproximam da função original. h(x) = 1 a0 + a1x x −3 −2 −1 −0.5 −0.4 1 f (x) −7.6923 −5.00 −2.0408 −0.4975 −0.2004 Ajuste Hiperbólico 5 −6.9 −6.9 14.41 a0 a1 = −15.4310 35.4467 a0 = 0.9093 a1 = 2.8952 F(x) = 0.9093+ 2.8952x h(x) = 1 0.9093+ 2.8952x Erro: e1 2 = (f(-3) – h(-3))2 = 0.0000 e2 2 = (f(-2) – h(-2))2 = 0.0000 e3 2 = (f(-1) – h(-1))2 = 0.0002 e4 2 = (f(-0.5) – h(-0.5))2 = 0.0232 e5 2 = (f(-0.4) – h(-0.4))2 = 0.9423 ei 2 i=1 5 ∑ = 0.9657 Outro Tipo de Aproximação { { xbaxhxF bxaxh aa 10 )()( )( 2 +== += Atividade • Usando o Scilab, simular dados medidos, fazendo uso das funções geométrica e hiperbólica, adicionando ruído e encontrar as funções que geram menor erro possível usando MMQ. Método dos Mínimos Quadrados Caso contínuo Caso discreto Vimos que o método dos mínimos quadrados pode ser usado para determinar a função: que melhor aproxima uma série de pontos (xi, f(xi)) de forma a minimizar a soma dos quadrados dos resíduos. F(x) = a0g0(x) + a1g1(x)+ ...+ amgm (x) Caso contínuo Vamos ver agora como usar o método para obter uma função que aproxima não apenas uma série de pontos, mas uma função contínua: Caso contínuo Nesse caso, o erro será dado pela área entre as curvas. Portanto, para determinar o erro necessitamos calcular: E, como antes, queremos encontrar os parâmetros a0, a1, …, am que minimizam o erro. O ponto de mínimo necessariamente satisfaz: E = ( f (x) − a0g0(x)− a1g1(x) − ...− amgm (x))2a b ∫ dx ∂E ∂a0 = ∂E ∂a1 = ...= ∂E ∂am = 0 Caso contínuo Logo, derivando a expressão do erro em relação a a0, temos: No caso geral, derivando em relação a ai: ∂E ∂a0 = −2 f (x)g0(x) − akgk (x)g0(x) k= 0 m ∑ dx = 0 a b ∫ ∂E ∂ai = −2 f (x)gi(x)− akgk (x)gi(x) k= 0 m ∑ dx = 0 a b ∫ Caso contínuo Vamos denotar o produto escalar de duas funções por: Igualando todas as derivadas parciais a zero, temos, portanto o seguinte sistema de equações normais: 〈 f ,g〉 = f (x)g(x)dx a b∫ 〉〈 〉〈 〉〈 〉〈 = 〉〈〉〈〉〈 〉〈〉〈〉〈 〉〈〉〈〉〈 〉〈〉〈〉〈 fg fg fg fg a a a a gggggg gggggg gggggg gggggg mmmmmm m m m , , , , ,,, ,,, ,,, ,,, 3 2 0 2 1 0 10 21202 11101 01000 MM L LM L L L Caso contínuo Se o determinante do sistema de equações normais for diferente de zero, então há um ajuste único de parâmetros que minimiza o erro quadrático. Quando as funções escolhidas (g0, g1...,gm) forem linearmente independentes, o determinante será diferente de zero! Exemplo Usando o método dos mínimos quadrados, aproxime a função f(x) = e-x no intervalo [1,3] por um polinômio de grau 1, da forma: F(x) = a0 + a1x. Solução: g0(x) = 1 e g1(x) = x O sistema de equações normais é dado por: 〈1,1〉 〈1,x〉 〈x,1〉 〈x,x〉 a0 a1 = 〈1,e−x 〉 〈x,e−x 〉 Exemplo Resolvendo as integrais: 2 4 4 26 /3 a0 a1 = 0.3181 0.5366 〈1,1〉 = 1dx 1 3 ∫ = 2 〈1,x〉 = xdx 1 3 ∫ = 4 〈x,x〉 = x 2dx 1 3 ∫ = 26 /3 〈1,e−x 〉 = e−xdx 1 3 ∫ = 0.3181 〈x,e−x 〉 = xe−xdx 1 3 ∫ = 0.5366 Lembrete : xe−xdx∫ = −(x +1)e−x a0 = 0.45785 a1 = −0.1494 Exemplo Graficamente: f(x) = e-x e F(x) = 0.458 - 0.149x
Compartilhar