Baixe o app para aproveitar ainda mais
Prévia do material em texto
GEX114 - Ca´lculo Nume´rico Profa. Dra. Amanda Castro Oliveira Departamento de Cieˆncias Exatas - DEX/UFLA amanda@dex.ufla.br Cap.5 Ajuste de Curvas pelo me´todo dos quadrados m´ınimos Figura: Interpolac¸a˜o Polinomial e Ajuste de Curvas Cap.5 Ajuste de Curvas pelo me´todo dos quadrados m´ınimos Sabemos que a interpolac¸a˜o polinomial e´ muito u´til quando queremos aproximar uma func¸a˜o de um certo intervalo desde que este polinoˆmio interpolador coincida com o valor da func¸a˜o em alguns pontos, os chamados no´s da interpolac¸a˜o. Entretanto este me´todo na˜o e´ aconselha´vel quando precisamos extrapolar a func¸a˜o, isto e´, determinar um valor fora do intervalo de interpolac¸a˜o. E principalmente quando os valores sa˜o advindos de algum experimento, pois neste caso, os valores podem conter erros inerentes ao processo, que, em geral, na˜o sa˜o previs´ıveis e ou evita´veis. Cap.5 Ajuste de Curvas pelo me´todo dos quadrados m´ınimos Sabemos que a interpolac¸a˜o polinomial e´ muito u´til quando queremos aproximar uma func¸a˜o de um certo intervalo desde que este polinoˆmio interpolador coincida com o valor da func¸a˜o em alguns pontos, os chamados no´s da interpolac¸a˜o. Entretanto este me´todo na˜o e´ aconselha´vel quando precisamos extrapolar a func¸a˜o, isto e´, determinar um valor fora do intervalo de interpolac¸a˜o. E principalmente quando os valores sa˜o advindos de algum experimento, pois neste caso, os valores podem conter erros inerentes ao processo, que, em geral, na˜o sa˜o previs´ıveis e ou evita´veis. Cap.5 Ajuste de Curvas pelo me´todo dos quadrados m´ınimos Sabemos que a interpolac¸a˜o polinomial e´ muito u´til quando queremos aproximar uma func¸a˜o de um certo intervalo desde que este polinoˆmio interpolador coincida com o valor da func¸a˜o em alguns pontos, os chamados no´s da interpolac¸a˜o. Entretanto este me´todo na˜o e´ aconselha´vel quando precisamos extrapolar a func¸a˜o, isto e´, determinar um valor fora do intervalo de interpolac¸a˜o. E principalmente quando os valores sa˜o advindos de algum experimento, pois neste caso, os valores podem conter erros inerentes ao processo, que, em geral, na˜o sa˜o previs´ıveis e ou evita´veis. Cap.5 Ajuste de Curvas pelo me´todo dos quadrados m´ınimos O Me´todo dos Quadrados Mı´nimos consiste em, conhecidos os valores de f (x) em m pontos, determinar uma func¸a˜o φ(x) que melhor se aproxima de f (x). Agora temos mais liberdade para escolher as func¸o˜es de interpolac¸a˜o que podem ser polinomiais, exponenciais, logar´ıtmicas, trigonome´tricas etc. 5.1 Caso Discreto Neste caso conhecemos a func¸a˜o em um nu´mero m de pontos (x1, f (x1)), (x2, f (x2), · · · , (xm, f (xm)) Figura: Diagrama de Dispersa˜o 5.1 Caso Discreto Observando a disposic¸a˜o dos pontos (xi , f (xi )),i = 1, · · · ,m vemos que φ(x) possui o comportamento de uma reta assim: φ(x) = a1g1(x) + a2g2(x) = a1x + a2, com g1(x) = x e g2(x) = 1 Assim, escolhemos como aproximac¸a˜o uma fam´ılia de func¸o˜es as quais dependem somente dos paraˆmetros a1 e a2. O problema consiste em, escolhidas func¸o˜es para a aproximac¸a˜o, determinar os paraˆmetros a1 e a2 de modo que a func¸a˜o φ(x) se ajuste da melhor maneira poss´ıvel aos dados da tabela. Temos que ter um crite´rio para este “melhor ajuste” isto e´, ter uma medida para o erro cometido nesta aproximac¸a˜o. 5.1 Caso Discreto Observando a disposic¸a˜o dos pontos (xi , f (xi )),i = 1, · · · ,m vemos que φ(x) possui o comportamento de uma reta assim: φ(x) = a1g1(x) + a2g2(x) = a1x + a2, com g1(x) = x e g2(x) = 1 Assim, escolhemos como aproximac¸a˜o uma fam´ılia de func¸o˜es as quais dependem somente dos paraˆmetros a1 e a2. O problema consiste em, escolhidas func¸o˜es para a aproximac¸a˜o, determinar os paraˆmetros a1 e a2 de modo que a func¸a˜o φ(x) se ajuste da melhor maneira poss´ıvel aos dados da tabela. Temos que ter um crite´rio para este “melhor ajuste” isto e´, ter uma medida para o erro cometido nesta aproximac¸a˜o. 5.1 Caso Discreto - ajuste linear Definic¸a˜o 5.1 Definimos e(xi ) = φ(xi )− f (xi ) como o erro ou desvio cometido numa aproximac¸a˜o de uma func¸a˜o f (x) por uma func¸a˜o φ(x) nos pontos xi , i = 1, ...m. Queremos enta˜o que a soma destes erros em todos os pontos conhecidos seja m´ınima m∑ i=1 e(xi ) seja m´ınima, mas esta pode na˜o ser uma boa aproximac¸a˜o. 5.1 Caso Discreto - ajuste linear Definic¸a˜o 5.1 Definimos e(xi ) = φ(xi )− f (xi ) como o erro ou desvio cometido numa aproximac¸a˜o de uma func¸a˜o f (x) por uma func¸a˜o φ(x) nos pontos xi , i = 1, ...m. Queremos enta˜o que a soma destes erros em todos os pontos conhecidos seja m´ınima m∑ i=1 e(xi ) seja m´ınima, mas esta pode na˜o ser uma boa aproximac¸a˜o. 5.1 Caso Discreto - ajuste linear Figura: Erro nulo, embora o ajuste seja pe´ssimo!! A curva que melhor se ajusta aos pontos (x0, y0) e (x1, y1) e´ y = f (x) que passa pelos pontos dados. Mas a outra reta y = φ(x) que passa por (x0, y1) e (x1, y0) tambe´m tem m∑ i=1 e(xi ) = 0, mas na˜o e´ uma boa aproximac¸a˜o. 5.1 Caso Discreto - ajuste linear O que na˜o significa que os erros sejam nulos. e(x1) > 0 e e(x2) < 0 para y = φ(x). Poder´ıamos enta˜o tentar tomar o mo´dulo m∑ i=1 |e(xi )| m´ınimo, mas esta func¸a˜o na˜o e´ diferencia´vel na origem. Podemos contornar tais incovenientes considerando o erro da seguinte forma: Minimizar m∑ i=1 e(xi ) 2 = minimizar m∑ i=1 (φ(xi )− f (xi ))2 Assim, minimizando o erro desejamos encontrar uma func¸a˜o φ(x) que melhor se aproxime da func¸a˜o f (x) de forma que F (a1, a2) = m∑ i=1 e(xi ) 2 seja m´ınimimo. 5.1 Caso Discreto - ajuste linear O que na˜o significa que os erros sejam nulos. e(x1) > 0 e e(x2) < 0 para y = φ(x). Poder´ıamos enta˜o tentar tomar o mo´dulo m∑ i=1 |e(xi )| m´ınimo, mas esta func¸a˜o na˜o e´ diferencia´vel na origem. Podemos contornar tais incovenientes considerando o erro da seguinte forma: Minimizar m∑ i=1 e(xi ) 2 = minimizar m∑ i=1 (φ(xi )− f (xi ))2 Assim, minimizando o erro desejamos encontrar uma func¸a˜o φ(x) que melhor se aproxime da func¸a˜o f (x) de forma que F (a1, a2) = m∑ i=1 e(xi ) 2 seja m´ınimimo. 5.1 Caso Discreto - ajuste linear O que na˜o significa que os erros sejam nulos. e(x1) > 0 e e(x2) < 0 para y = φ(x). Poder´ıamos enta˜o tentar tomar o mo´dulo m∑ i=1 |e(xi )| m´ınimo, mas esta func¸a˜o na˜o e´ diferencia´vel na origem. Podemos contornar tais incovenientes considerando o erro da seguinte forma: Minimizar m∑ i=1 e(xi ) 2 = minimizar m∑ i=1 (φ(xi )− f (xi ))2 Assim, minimizando o erro desejamos encontrar uma func¸a˜o φ(x) que melhor se aproxime da func¸a˜o f (x) de forma que F (a1, a2) = m∑ i=1 e(xi ) 2 seja m´ınimimo. 5.1 Caso Discreto - ajuste linear Sabemos que, se a func¸a˜o F (a1, a2) = m∑ i=1 e(xi ) 2 possui um ponto de m´ınimo, enta˜o suas derivadas parciais devem ser nulas, isto e´: ∂F ∂a1 = 0 e ∂F ∂a2 = 0 onde φ(x) = a1x + a2. Derivando F (a1, a2) em relac¸a˜o a` varia´vel a1 temos: ∂F ∂a1 = ∂ ∂a1 ( m∑ i=1 e(xi ) 2) = ∂ ∂a1 ( m∑ i=1 (a1xi + a2 − f (xi ))2) = m∑ i=1 2(a1xi + a2 − f (xi ))xi = 2[a1 m∑ i=1 x2i + a2 m∑ i=1 xi ]− 2 m∑ i=1 xi f (xi ) = 0 5.1 Caso Discreto - ajuste linear Sabemos que, se a func¸a˜o F (a1, a2) = m∑ i=1 e(xi ) 2 possui um ponto de m´ınimo, enta˜o suas derivadas parciais devem ser nulas, isto e´: ∂F ∂a1 = 0 e ∂F ∂a2 = 0 onde φ(x) = a1x + a2. Derivando F (a1, a2) em relac¸a˜o a` varia´vel a1 temos: ∂F ∂a1 = ∂ ∂a1 ( m∑ i=1 e(xi ) 2) = ∂ ∂a1 ( m∑ i=1 (a1xi + a2 − f (xi ))2) = m∑ i=1 2(a1xi +a2 − f (xi ))xi = 2[a1 m∑ i=1 x2i + a2 m∑ i=1 xi ]− 2 m∑ i=1 xi f (xi ) = 0 5.1 Caso Discreto - ajuste linear Sabemos que, se a func¸a˜o F (a1, a2) = m∑ i=1 e(xi ) 2 possui um ponto de m´ınimo, enta˜o suas derivadas parciais devem ser nulas, isto e´: ∂F ∂a1 = 0 e ∂F ∂a2 = 0 onde φ(x) = a1x + a2. Derivando F (a1, a2) em relac¸a˜o a` varia´vel a1 temos: ∂F ∂a1 = ∂ ∂a1 ( m∑ i=1 e(xi ) 2) = ∂ ∂a1 ( m∑ i=1 (a1xi + a2 − f (xi ))2) = m∑ i=1 2(a1xi + a2 − f (xi ))xi = 2[a1 m∑ i=1 x2i + a2 m∑ i=1 xi ]− 2 m∑ i=1 xi f (xi ) = 0 5.1 Caso Discreto - ajuste linear Assim, temos que a condic¸a˜o ∂F (a1,a2)∂a1 = 0 leva a: ( m∑ i=1 x2i )a1 + ( m∑ i=1 xi )a2 = m∑ i=1 xi f (xi ) De modo ana´logo, derivando F (a1, a2) em relac¸a˜o a` varia´vel a2 temos: ∂F ∂a2 = ∂ ∂a2 ( m∑ i=1 e(xi ) 2) = ∂ ∂a2 ( m∑ i=1 (a1xi + a2 − f (xi ))2) = m∑ i=1 2(a1xi + a2 − f (xi )) = 2[a1 m∑ i=1 xi + a2 m∑ i=1 1]− 2 m∑ i=1 f (xi ) = 0 como m∑ i=1 1 = m, temos que a condic¸a˜o ∂F (a1,a2)∂a2 = 0 leva a: ( m∑ i=1 xi )a1 + ma2 = m∑ i=1 f (xi ). 5.1 Caso Discreto - ajuste linear Assim, temos que a condic¸a˜o ∂F (a1,a2)∂a1 = 0 leva a: ( m∑ i=1 x2i )a1 + ( m∑ i=1 xi )a2 = m∑ i=1 xi f (xi ) De modo ana´logo, derivando F (a1, a2) em relac¸a˜o a` varia´vel a2 temos: ∂F ∂a2 = ∂ ∂a2 ( m∑ i=1 e(xi ) 2) = ∂ ∂a2 ( m∑ i=1 (a1xi + a2 − f (xi ))2) = m∑ i=1 2(a1xi + a2 − f (xi )) = 2[a1 m∑ i=1 xi + a2 m∑ i=1 1]− 2 m∑ i=1 f (xi ) = 0 como m∑ i=1 1 = m, temos que a condic¸a˜o ∂F (a1,a2)∂a2 = 0 leva a: ( m∑ i=1 xi )a1 + ma2 = m∑ i=1 f (xi ). 5.1 Caso Discreto - ajuste linear Assim, temos que a condic¸a˜o ∂F (a1,a2)∂a1 = 0 leva a: ( m∑ i=1 x2i )a1 + ( m∑ i=1 xi )a2 = m∑ i=1 xi f (xi ) De modo ana´logo, derivando F (a1, a2) em relac¸a˜o a` varia´vel a2 temos: ∂F ∂a2 = ∂ ∂a2 ( m∑ i=1 e(xi ) 2) = ∂ ∂a2 ( m∑ i=1 (a1xi + a2 − f (xi ))2) = m∑ i=1 2(a1xi + a2 − f (xi )) = 2[a1 m∑ i=1 xi + a2 m∑ i=1 1]− 2 m∑ i=1 f (xi ) = 0 como m∑ i=1 1 = m, temos que a condic¸a˜o ∂F (a1,a2)∂a2 = 0 leva a: ( m∑ i=1 xi )a1 + ma2 = m∑ i=1 f (xi ). 5.1 Caso Discreto - ajuste linear Logo os paraˆmetros que minimizam o erro F (a1, a2) necessariamente satisfazem ao seguinte sistema de equac¸o˜es Lineares: ( m∑ i=1 x2i )a1 + ( m∑ i=1 xi )a2 = m∑ i=1 xi f (xi ) ( m∑ i=1 xi )a1 + ma2 = m∑ i=1 f (xi ) Este sistema de equc¸o˜es e´ chamado de sistema de equac¸o˜es normais. Este e´ o sistema linear que precisamos resolver no caso de ajuste linear ou regressa˜o linear. A matriz dos coeficientes e´ sempre sime´trica o que facilita a sua resoluc¸a˜o. 5.1 Caso Discreto - ajuste linear Exemplo: O nu´mero de bacte´rias, por unidade de volume, existentes em uma cultura apo´s x horas e´ dado na tabela abaixo: xk 0 1 2 3 4 5 6 f (xk) 32 34 37.5 39 43 47 50 Usando o me´todo dos m´ınimos quadrados, estime o nu´mero de bacte´rias (por unidade de volume) existentes na cultura apo´s um per´ıodo de 24 horas. cap5fig6.jpg 5.1 Caso Discreto - ajuste linear Exemplo: O nu´mero de bacte´rias, por unidade de volume, existentes em uma cultura apo´s x horas e´ dado na tabela abaixo: xk 0 1 2 3 4 5 6 f (xk) 32 34 37.5 39 43 47 50 Usando o me´todo dos m´ınimos quadrados, estime o nu´mero de bacte´rias (por unidade de volume) existentes na cultura apo´s um per´ıodo de 24 horas. cap5fig6.jpg 5.1 Caso Discreto - ajuste linear Os dados parecem apresentar um comportamento linear, portanto um ajuste com uma func¸a˜o φ(x) = a1x + a2 deve ser uma boa aproximac¸a˜o para a cultura. Precisamos enta˜o determinar os coeficientes do sistema de equac¸o˜es normais para a aproximac¸a˜o linear e posteriormente resolveˆ-lo. ( m∑ i=1 x2i )a1 + ( m∑ i=1 xi )a2 = m∑ i=1 xi f (xi ) ( m∑ i=1 xi )a1 + ma2 = m∑ i=1 f (xi ) onde m = 7, ( m∑ i=1 x2i ) = 91, ( m∑ i=1 xi ) = 21, m∑ i=1 xi f (xi ) = 933 e m∑ i=1 f (xi ) = 282.5 5.1 Caso Discreto - ajuste linear ® 91a1 + 21a2 = 933 21a1 + 7a2 = 282.5 A soluc¸a˜o desse sistema e´ a1 = 3.0536 e a2 = 31.1964 Assim φ(x) = 3.0536x + 31.1964 E apo´s 24 horas teremos φ(24) = 3.0536(24) + 31.1964 = 104.4829 5.1 Caso Discreto - ajuste linear ® 91a1 + 21a2 = 933 21a1 + 7a2 = 282.5 A soluc¸a˜o desse sistema e´ a1 = 3.0536 e a2 = 31.1964 Assim φ(x) = 3.0536x + 31.1964 E apo´s 24 horas teremos φ(24) = 3.0536(24) + 31.1964 = 104.4829 Se o diagrama de dispersa˜o sinaliza que devemos aproximar o conjunto de dados por uma func¸a˜o quadra´tica do tipo φ(x) = a1x 2 + a2x + a3 como na figura abaixo: Temos o seguinte sistema de equac¸o˜es normais a ser resolvido: 5.2 Caso Discreto - ajuste quadra´tico ( m∑ i=1 x4i )a1 + ( m∑ i=1 x3i )a2 +( m∑ i=1 x2i )a3 = m∑ i=1 x2i f (xi ) ( m∑ i=1 x3i )a1 + ( m∑ i=1 x2i )a2 +( m∑ i=1 xi )a3 = m∑ i=1 xi f (xi ) ( m∑ i=1 x2i )a1 + ( m∑ i=1 xi )a2 +ma3 = m∑ i=1 f (xi ) Exemplo:Seja a func¸a˜o f (x) tabelada abaixo encontre a melhor aproximac¸a˜o via MQM para este conjunto de dados. xk −2 −1 0 1 2 3 f (xk) 19.01 3.99 1.0 4.01 18.99 45 5.2 Caso Discreto - ajuste quadra´tico ( m∑ i=1 x4i )a1 + ( m∑ i=1 x3i )a2 +( m∑ i=1 x2i )a3 = m∑ i=1 x2i f (xi ) ( m∑ i=1 x3i )a1 + ( m∑ i=1 x2i )a2 +( m∑ i=1 xi )a3 = m∑ i=1 xi f (xi ) ( m∑ i=1 x2i )a1 + ( m∑ i=1 xi )a2 +ma3 = m∑ i=1 f (xi ) Exemplo:Seja a func¸a˜o f (x) tabelada abaixo encontre a melhor aproximac¸a˜o via MQM para este conjunto de dados. xk −2 −1 0 1 2 3 f (xk) 19.01 3.99 1.0 4.01 18.99 45 5.3 Ajuste de Curvas pelo me´todo dos quadrados m´ınimos - caso geral Podemos generalizar o me´todo dos quadrados m´ınimos para uma func¸a˜o φ(x) que seja uma combinac¸a˜o linear qualquer de func¸o˜es do tipo: φ(x) = a1g1(x) + a2g2(x) + · · ·+ angn(x) onde as func¸o˜es gi (x) sa˜o escolhidas de forma conveniente para melhor se adequarem ao problema em questa˜o. De modo ana´logo ao feito no caso linear podemos determinar os paraˆmetros ai , i = 1, · · · , n de forma que o quadrado do erro m∑ i=1 e(xi ) 2 em todos os m pontos conhecidos seja m´ınimo. 5.3 Ajuste de Curvas pelo me´todo dos quadrados m´ınimos - caso geral Podemos generalizar o me´todo dos quadrados m´ınimos para uma func¸a˜o φ(x) que seja uma combinac¸a˜o linear qualquer de func¸o˜es do tipo: φ(x) = a1g1(x) + a2g2(x) + · · ·+ angn(x) onde as func¸o˜es gi (x) sa˜o escolhidas de forma conveniente para melhor se adequarem ao problema em questa˜o. De modo ana´logo ao feito no caso linear podemos determinar os paraˆmetros ai , i = 1, · · · , n de forma que o quadrado do erro m∑ i=1 e(xi ) 2 em todos os m pontos conhecidos seja m´ınimo. 5.3 Ajuste de Curvas pelo me´todo dos quadrados m´ınimos - caso geral Para tanto precisamos simplesmente nos valer dos argumentos de minimizac¸a˜o: F (a1, a2, · · · , an) = m∑ i=1 e(xi ) 2 = m∑ i=1 [φ(xi )− f (xi )]2 Com a condic¸a˜o de minimizac¸a˜o: ∂F ∂ai = 0, i = 1, · · · ,m. Que nos levara´ a ter que resolver um sistema linear de equac¸o˜es normais de ordem n. A ordem n do sistema de equac¸o˜es normais associado e´ o nu´mero de paraˆmetros de ajuste que queremos que nossa aproximac¸a˜o via MQM possua. 5.3 Ajuste de Curvas pelo me´todo dos quadrados m´ınimos - caso geral Exemplo: Ajuste os pontos da tabela abaixo a` uma curva de equac¸a˜o φ(x) = a1 + a2e xxk −0.8 −0.4 0 0.4 0.8 f (xk) 5.67 5.92 8.31 9.91 14.21 Exerc´ıcios do livro cap.6: 1,2,3 e 4. Pro´xima semana... P2- estudem!! Por hoje e´ so´ pessoal!! Este material e´ inteiramente baseado na bibliografia do curso, principalmente no livro texto :RUGIERO, M. A.G; LOPES,V Ca´lculo Nume´rico: Aspectos teo´ricos e computacionais, Editora McGraw-Hill.1997. Bispo, W.R;Sanches, S. Ca´lculo Nume´rico. CEFET/RJ, 2009. Cunha, C. Me´todos nume´ricos para as engenharias e cieˆncias aplicadas;Editora da UNICAMP,1993 Este material na˜o substitui a bibliografia.
Compartilhar