Baixe o app para aproveitar ainda mais
Prévia do material em texto
Unidade III MATEMÁTICA APLICADA Prof. João Giardulli Ajuste de curvas O que é isso? Ajuste de curvas É um método que consiste em encontrar uma curva que se ajuste a uma série de pontos. Existem vários métodos para realizar esse ajuste, como o método dos mínimos quadrados, o método da máxima verossimilhança e o método do máximo coeficiente de correlação linear. Ajuste de curvas Adrien-Marie Legendre (1752-1833) Em 1806, aos 56 anos, publica os primeiros resultados sobre aproximação de curvas utilizando o Método dos Mínimos Quadrados. Do pintor Julien-Leopold Boilly 1820-Album de 73 portraits-charge aquarellés des membres de I’Institut. Ajuste de curvas Carl Friedrich Gauss (1777-1855) Em 1796 descobre e justifica o Método dos Mínimos Quadrados, aos 19 anos. Extraído de http://www.gauss-goettingen.de/gauss_en.php?navid=2&supnavid=1 em 13/8/2014, página da universidade onde lecionou Gauss. Ajuste de curvas Quantidade (q) Incidentes (i) 1 164 2 272 3 348 4 416 5 500 Fonte: autoria própria Ajuste de curvas Qual é o problema? Encontrar uma reta que passe o mais próximo possível de todos os pontos dados. Ajuste de curvas 0 100 200 300 400 500 600 0 1 2 3 4 5 6 Fonte: autoria própria Ajuste de curvas Fonte: autoria própria Ajuste de curvas Fonte: autoria própria Ajuste de curvas Como funciona? Ajuste de curvas Consideremos n pontos do ℝ2, não todos situados na mesma vertical, cujas coordenadas são: (x1,y1), (x2, y2), (x3, y3) ... (xn, yn). O problema consiste em encontrar uma reta que se ajuste a esses pontos. Ajuste de curvas Fonte: página 57 do livro-texto Ajuste de curvas Essa nuvem de pontos é conhecida como gráfico de dispersão. Há inúmeras maneiras de se encontrar a reta que mais se aproxima, inclusive usando uma régua, por exemplo. Contudo, uma maneira simples e de qualidade é o método dos mínimos quadrados. Ajuste de curvas A ideia básica desse método consiste em considerar o modelo mais simples de relacionar duas variáveis x e y. A equação de uma reta dada pela sentença y = Ax + B tornará mínima a soma dos quadrados dos desvios: ((d1) 2 + (d2) 2 + (d3) 2 + (d4) 2 + ... + (dn) 2), em que di = yi – (Axi + B). Tal reta é chamada de reta de mínimos quadrados, cuja equação iremos determinar. Ajuste de curvas Os dados a serem ajustados são os (xi, yi), de forma tal que a distância vertical di seja a menor possível. A partir dessas distâncias, define-se que D é igual ao somatório do quadrado dessas diferenças, isto é: D(A, B) = Σ (di) 2 = Σ(yi – (Axi + B)) 2. Portanto, temos que: D(A, B) = Σ(yi – Axi – B) 2 Ajuste de curvas Os pontos críticos de D são obtidos resolvendo-se o sistema: D(A) = 2Σ(yi – Axi – B)(-xi) = 0 D(B) = 2Σ(yi – Axi – B)(-1) = 0 Ajuste de curvas Os pontos críticos de D são obtidos resolvendo-se o sistema: D(A) = 2Σ(yi – Axi – B)(-xi) = 0 D(B) = 2Σ(yi – Axi – B)(-1) = 0 Ou seja: Σ(xiyi – (Axi) 2 - Bxi) = 0 ⇔ Σxiyi - AΣ(xi) 2 =Bxi Σ(yi – Axi – B) = 0 ⇔ Σyi - AΣxi – nB = 0 Ajuste de curvas A solução do sistema é: O método dos mínimos quadrados consiste basicamente em obter-se a curva, dentro de uma família de curvas preestabelecidas, que minimiza esse desvio. Fonte: página 58 do livro-texto Ajuste de curvas Lembrete: Quando usamos funções do primeiro grau para representar essas curvas, temos as retas e, no caso das funções quadráticas, temos as parábolas. Ajuste de curvas – exemplo Um comerciante deseja obter uma equação de demanda para o seu produto. Ele admite que a quantidade média demandada (y) se relaciona com o seu preço unitário (x) por meio de uma função do 1o grau y = ax + b. Para estimar essa reta, fixou os preços em vários níveis e observou a quantidade demandada, obtendo os dados a seguir: Qual a equação da reta de mínimos quadrados? Fonte: página 59 do livro-texto Ajuste de curvas Solução: Inicialmente, vamos escrever a seguinte tabela de dados: Temos que n = 4 (quantidade de dados fornecidos). Fonte: página 59 do livro-texto Ajuste de curvas Logo, A será dado por: Fonte: página 59 do livro-texto Ajuste de curvas B será dado por: Logo, a equação da reta procurada é: Fonte: página 59 do livro-texto Fonte: página 59 do livro-texto Interatividade Qual é o objetivo do Método de Mínimos Quadrados? a) Ajustar uma reta a uma nuvem de pontos. b) Ajustar uma curva a uma nuvem de pontos de sorte que as distâncias destes pontos a esta curva sejam mínimas. c) Ajustar uma curva a uma nuvem de pontos de sorte que os quadrados das distâncias destes pontos a esta curva sejam mínimos. d) Ajustar uma curva a uma nuvem de pontos de sorte que a soma dos quadrados das distâncias verticais destes pontos a esta curva seja mínima. e) Ajustar uma curva a uma nuvem de pontos de sorte que os quadrados das distâncias destes pontos a esta curva sejam máximos. Tipos de ajustes de curvas O tipo de ajuste mais simples é o ajuste linear ou regressão linear, que relaciona duas variáveis x e y. O modelo matemático usado e a equação de uma reta: y = Ax + B, em que A e B são os parâmetros do modelo. Tipos de ajustes de curvas No caso em que precisamos relacionar uma variável dependente y com p variáveis independentes, o tipo de ajuste é chamado de ajuste linear múltiplo, representado por: y = β0 + β1.x1 + β2.x2 + ... + βp.xp Em que β0 , β1 , ..., βp são os parâmetros do modelo. Tipos de ajustes de curvas Quando o modelo usado para o ajuste da curva não é uma reta, e sim uma parábola, o tipo de ajuste que usamos e a regressão quadrática são dados por: y = Ax2 + Bx + C em que A, B e C são os parâmetros do modelo. Tipos de ajustes de curvas Observações: Qualquer que seja o tipo de ajuste, precisamos de métodos para calcular esses parâmetros e encontrar a solução. Dependendo do caso, da quantidade de variáveis e parâmetros, o calculo não é tão simples e precisamos de recursos computacionais para resolver o problema. Tipos de ajustes de curvas Observações: Existem diversos softwares com as fórmulas programadas, com os quais só precisamos fornecer os dados para obter os resultados. Entre eles, o mais popular é o Excel, da Microsoft. Regressão linear Em análise estatística, o método que estuda a relação entre diversas variáveis quantitativas ou qualitativas, de modo que uma variável pode ser predita a partir de outra variável (ou outras variáveis), é conhecido como análise de regressão. Não se quer apenas analisar a associação existente entre duas variáveis quantitativas (ou qualitativas), mas justificar a hipótese a respeito da provável relação de causa e efeito entre essas variáveis. A variável X depende da variável Y? Regressão linear A análise de regressão é usada com a finalidade de previsão. Nesse caso, queremos prever o valor da variável X em função da variávelY. Outra finalidade é o de estimar o quanto a variável Y influencia ou modifica a variável X. Regressão linear O caso mais simples de regressão é quando temos duas variáveis e a relação entre elas pode ser representada por uma linha reta, que chamamos de regressão linear simples ou ajuste linear simples. Fonte: página 60 do livro-texto Regressão linear b0 é o coeficiente linear, também chamado intercepto; é o valor que y assume quando x for zero. Quando a região experimental inclui x = 0, então b0 é o valor da média da distribuição de y em x = 0. Fonte: página 60 do livro-texto Regressão linear b1 é o coeficiente angular, expressa a taxa de mudança em y, isto é, a mudança em y quando ocorre a mudança de uma unidade em x. Ele indica a mudança na média da distribuição de probabilidade de y por unidade de acréscimo em x. Página 60 da apostila Regressão linear O ajuste linear múltiplo aplica-se nos casos em que y é uma função linear de duas ou mais variáveis lineares. Nesse caso, procura-se calcular os valores de b0, b1, b2 ,b3, ... , bn, tais que a relação entre eles seja aproximada por uma expressão do tipo: y = b0 + b1x1 + b2x2 + b3x3 + ... + bnxn. Regressão linear No caso do ajuste linear múltiplo, resolver o sistema de equações normais é resolver o sistema: Fonte: página 61 do livro-texto Regressão linear Exemplo: determinar a equação do tipo y = b0 + b1x1 + b2x2 que melhor se ajusta a tabela a seguir: Solução: Logo: y = 4,2 + 3,4 x1 – 6,5 x2 Fonte: página 61 do livro-texto Fonte: página 61 do livro-texto Fonte: página 61 do livro-texto Regressão linear Observações: O caso do ajuste polinomial consiste em determinar um polinômio (que pode ser de qualquer grau). Quando se trata de um polinômio do 2º grau, dizemos que o ajuste é uma regressão quadrática. Regressão linear y = b0 + b1x 1 + b2x 2 + b3x 3 + ... + bnx n Para resolver o ajuste polinomial, usamos o método do ajuste linear múltiplo, com a seguinte adaptação: x1 = x1, x2 = x2, x3 = x3, ... , xn = xn Regressão linear Portanto, o sistema fica assim: Fonte: página 62 do livro-texto Regressão linear Exemplo: ajustar os pontos da tabela a uma expressão do tipo y = b0 + b1x 1 + b2 x 2. Solução: Fonte: página 62 do livro-texto Fonte: página 62 do livro-texto Regressão linear Exemplo: ajustar os pontos da tabela a uma expressão do tipo y = b0 + b1x + b2 x 2. Solução: y = -2,018 + 11,332x – 1,222x2 Fonte: página 62 do livro-texto Fonte: página 62 do livro-texto Interatividade Defina a equação da reta para a quantidade de incidentes ao longo dos meses de 2011 e estime a quantidade de chamados para o mês de agosto. Mês Quantidade 1 1.017 2 879 3 1.135 4 1.082 5 975 6 902 7 1.037 a) 1096 chamados. b) 996 chamados. c) 896 chamados. d) 796 chamados. e) 696 chamados. Fonte: autoria própria Medidas de dispersão Medidas de dispersão são aquelas usadas para nos dizer o quanto os valores analisados estão distantes (dispersos) do valor real. A mais comum é a média. Na realidade, a média é uma medida de tendência central e o seu valor é calculado por meio da soma dos valores dados, dividida pelo número de dados. Medidas de dispersão Em determinadas análises, a média não é suficiente, pois podemos ter dois grupos distintos com uma dispersão diferente e mesmo assim o valor da média ser igual. Medidas de dispersão Exemplo: Observe os dados nos grupos: A = 3,3,3 B = 1,3,5 A média nos dois grupos é a mesma e igual a 3, mas a variação dos dados observados no grupo A é diferente da variação observada no grupo B. Medidas de dispersão Nesse caso, além de usar a medida de tendência, é aconselhável usar medidas de dispersão para uma análise mais completa. As mais usadas são a variância e o desvio padrão. Medidas de dispersão Propriedades do desvio padrão Somando-se (ou subtraindo-se) uma constante a todos os valores de uma variável, o desvio padrão não se altera. Multiplicando-se (ou dividindo-se) todos os valores de uma variável por uma constante (diferente de zero), o desvio padrão fica multiplicado (ou dividido) por essa constante. Interatividade Defina a variância e o desvio padrão para a quantidade de incidentes ao longo dos meses de 2011. Mês Quantidade 1 1.017 2 879 3 1.135 4 1.082 5 975 6 902 7 1.037 a) 8.562 e 2,16. b) 4,67 e 93. c) 8.562 e 93. d) 4,67 e 2,16. e) 7.027 e 84. Fonte: autoria própria Coeficiente de variação O coeficiente de variação é usado para analisar e caracterizar a dispersão dos dados observados com relação ao seu valor médio, isto é, o coeficiente de variação é a razão entre o desvio padrão e a média dos dados observados. CV = (desvio padrão / média) x 100 Coeficiente de variação Exemplo: Tomemos os resultados das estaturas e dos pesos de um mesmo grupo de indivíduos: Qual das medidas (estatura ou peso) possui maior homogeneidade? Fonte: página 64 do livro-texto Coeficiente de variação Solução: Teremos de calcular o coeficiente de variação da estatura e o do peso. O resultado menor será o de maior homogeneidade (menor dispersão ou variabilidade). Coeficiente de variação Solução: Coeficiente de variação da estatura: (5 / 175 ) x 100 = 2,85% Coeficiente de variação do peso: (2 / 68 ) x 100 = 2,94% Fonte: página 64 do livro-texto Coeficiente de variação Solução: No caso, as estaturas apresentam menor grau de dispersão que os pesos. Correlação entre variáveis Para analisar como os valores entre duas variáveis estão relacionados, podemos observar um diagrama de dispersão ou analisar os resultados por meio de uma equação. Correlação entre variáveis A partir da análise do diagrama de dispersão, podemos verificar se a correlação entre as duas variáveis é: linear positiva: os pontos do diagrama têm como imagem uma reta ascendente; linear negativa: os pontos têm como imagem uma reta descendente; não linear: os pontos têm como imagem uma curva; não há relação: os pontos não dão ideia de uma imagem definida. Coeficiente de correlação linear Proposto por Karl Pearson, o coeficiente de correlação (ou “r de Pearson”) é usado para obter a medida da correlação linear. Ele indica o grau de intensidade da correlação entre duas variáveis e o sentido dessa correlação, isto é, se a correlação é positiva ou negativa. Coeficiente de correlação linear É dado pela fórmula: Em que: n = número de observações. Os valores limites de r são -1 e +1. Fonte: página 65 do livro-texto Coeficiente de correlação linear Resumindo: r = -1 (correlação linear negativa); r = 0 (pontos não correlacionados); r = +1 (correlação linear positiva). Coeficiente de correlação linear Exemplos: Fonte: página 65 do livro-texto Interatividade O Método dos Mínimos Quadrados é um processo de: a) estimação estatística.b) determinação exata das curvas. c) interpolação. d) aproximação de curvas. e) cálculo de erros. ATÉ A PRÓXIMA!
Compartilhar