Baixe o app para aproveitar ainda mais
Prévia do material em texto
Cálculo Numérico Ajuste de Curvas Alessandro Alves Santana Universidade Federal de Uberlândia Faculdade de Matemática 13 de outubro de 2017 Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas O que é o ajuste de curvas ? Assim como a interpolação polinomial, a técnica de ajuste de curvas é um método de aproximação de funções. Essa técnica segue um procedimento diferente da técnica de interpolação polinomial. A metodologia do ajuste de curvas também é chamado Método dos Mínimos Quadrados (MMQ). Normalmente é aplicada sobre valores de uma função tabelada, com lei de formação desconhecida, sendo essa função aproximada por uma outra função a qual é escrita como uma combinação linear de outras funções cujas expressões são conhecidas. Essa técnica tem muita aplicação ? Sim. É massivamente utilizada em experiências laboratoriais de física para estudar fenômenos físicos cujas leis que a definem são desconhecidas. Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas O que é o ajuste de curvas ? Assim como a interpolação polinomial, a técnica de ajuste de curvas é um método de aproximação de funções. Essa técnica segue um procedimento diferente da técnica de interpolação polinomial. A metodologia do ajuste de curvas também é chamado Método dos Mínimos Quadrados (MMQ). Normalmente é aplicada sobre valores de uma função tabelada, com lei de formação desconhecida, sendo essa função aproximada por uma outra função a qual é escrita como uma combinação linear de outras funções cujas expressões são conhecidas. Essa técnica tem muita aplicação ? Sim. É massivamente utilizada em experiências laboratoriais de física para estudar fenômenos físicos cujas leis que a definem são desconhecidas. Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Qual é o princípio do Método dos Mínimos Quadrados ? A essência do MMQ consiste é aproximar uma função com n valores tabelados x x1 x2 x3 · · · xn f (x) f (x1) f (x2) f (x3) · · · f (xn) por uma outra função g(x) definida como g(x) = α1φ1(x) + α2φ2(x) + α3φ3(x) + · · ·+ αmφm(x) (1) sendo φi(x), i = 1, 2, . . . ,m, funções previamente escolhidas, de tal forma que F(α1, α2, α3, . . . , αm) = n∑ k=1 [f (xk)− g(xk)]2 (2) tenha o menor valor. Esse método recebe o nome de Método dos Mínimos Quadrados justamente por que ele busca determinar os valores de αi de tal modo que o somatório dos quadrados dos desvios seja mínimo. Uma vez escolhida as funções φi(x), o processo de resume em determinar os parâmetros αi que minimiza F(α1, α2, . . . , αm) e que define a função aproximadora g(x). Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas -0.4 0 0.4 0.8 1.2 1.6 2 2.4 2.8 3.2 3.6 4 4.4 4.8 5.2 5.6 6 6.4 6.8 7.2 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3 3.2 3.4 3.6 3.8 4 4.2 4.4 4.6 4.8 5 5.2 5.4 5.6 5.8 6 y x (x,y) tabelados g(x) desvios Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Dedução do Método dos Mínimos Quadrados Como posso determinar os parâmetros αi ? Para obter αi precisamos minimizar F(α1, α2, . . . , αm) derivando essa função em relação a cada αi , i = 1, 2, . . . ,m e igualando a zero cada uma dessas derivadas. Isso irá gerar no final um sistema linear cujas incógnitas são os parâmetros a serem determinados. Processo de Determinação dos Parâmetros F(α1, α2, α3, . . . , αm) = n∑ k=1 [f (xk)− g(xk)]2 F(α1, α2, α3, . . . , αm) = n∑ k=1 [f (xk)− α1φ1(xk)− α2φ2(xk)− α3φ3(xk)− · · · − αmφm(xk)]2 Fαi = −2 n∑ k=1 [f (xk)− α1φ1(xk)− α2φ2(xk)− α3φ3(xk)− · · · − αmφm(xk)]φi(xk) com i = 1, 2, 3, . . . ,m. Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Dedução do Método dos Mínimos Quadrados Como posso determinar os parâmetros αi ? Para obter αi precisamos minimizar F(α1, α2, . . . , αm) derivando essa função em relação a cada αi , i = 1, 2, . . . ,m e igualando a zero cada uma dessas derivadas. Isso irá gerar no final um sistema linear cujas incógnitas são os parâmetros a serem determinados. Processo de Determinação dos Parâmetros F(α1, α2, α3, . . . , αm) = n∑ k=1 [f (xk)− g(xk)]2 F(α1, α2, α3, . . . , αm) = n∑ k=1 [f (xk)− α1φ1(xk)− α2φ2(xk)− α3φ3(xk)− · · · − αmφm(xk)]2 Fαi = −2 n∑ k=1 [f (xk)− α1φ1(xk)− α2φ2(xk)− α3φ3(xk)− · · · − αmφm(xk)]φi(xk) com i = 1, 2, 3, . . . ,m. Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Dedução do Método dos Mínimos Quadrados Como posso determinar os parâmetros αi ? Para obter αi precisamos minimizar F(α1, α2, . . . , αm) derivando essa função em relação a cada αi , i = 1, 2, . . . ,m e igualando a zero cada uma dessas derivadas. Isso irá gerar no final um sistema linear cujas incógnitas são os parâmetros a serem determinados. Processo de Determinação dos Parâmetros F(α1, α2, α3, . . . , αm) = n∑ k=1 [f (xk)− g(xk)]2 F(α1, α2, α3, . . . , αm) = n∑ k=1 [f (xk)− α1φ1(xk)− α2φ2(xk)− α3φ3(xk)− · · · − αmφm(xk)]2 Fαi = −2 n∑ k=1 [f (xk)− α1φ1(xk)− α2φ2(xk)− α3φ3(xk)− · · · − αmφm(xk)]φi(xk) com i = 1, 2, 3, . . . ,m. Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Dedução do Método dos Mínimos Quadrados Como posso determinar os parâmetros αi ? Para obter αi precisamos minimizar F(α1, α2, . . . , αm) derivando essa função em relação a cada αi , i = 1, 2, . . . ,m e igualando a zero cada uma dessas derivadas. Isso irá gerar no final um sistema linear cujas incógnitas são os parâmetros a serem determinados. Processo de Determinação dos Parâmetros F(α1, α2, α3, . . . , αm) = n∑ k=1 [f (xk)− g(xk)]2 F(α1, α2, α3, . . . , αm) = n∑ k=1 [f (xk)− α1φ1(xk)− α2φ2(xk)− α3φ3(xk)− · · · − αmφm(xk)]2 Fαi = −2 n∑ k=1 [f (xk)− α1φ1(xk)− α2φ2(xk)− α3φ3(xk)− · · · − αmφm(xk)]φi(xk) com i = 1, 2, 3, . . . ,m. Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Dedução do Método dos Mínimos Quadrados Como posso determinar os parâmetros αi ? Para obter αi precisamos minimizar F(α1, α2, . . . , αm) derivando essa função em relação a cada αi , i = 1, 2, . . . ,m e igualando a zero cada uma dessas derivadas. Isso irá gerar no final um sistema linear cujas incógnitas são os parâmetros a serem determinados. Processo de Determinação dos Parâmetros F(α1, α2, α3, . . . , αm) = n∑ k=1 [f (xk)− g(xk)]2 F(α1, α2, α3, . . . , αm) = n∑ k=1 [f (xk)− α1φ1(xk)− α2φ2(xk)− α3φ3(xk)− · · · − αmφm(xk)]2 Fαi = −2 n∑ k=1 [f (xk)− α1φ1(xk)− α2φ2(xk)− α3φ3(xk)− · · · − αmφm(xk)]φi(xk) com i = 1, 2, 3, . . . ,m. Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Dedução do Método dos Mínimos Quadrados Fαi = −2 { n∑ k=1 f (xk)φi(xk)− [ n∑ k=1 φ1(xk)φi(xk) ] α1 − [ n∑ k=1 φ2(xk)φi(xk) ] α2−[ n∑ k=1 φ3(xk)φi(xk) ] α3 − · · · − [ n∑ k=1 φm(xk)φi(xk) ] αm } Fazendo Fαi = 0 para cada i = 1, 2, . . . ,m iremos montar um sistema linear onde cada equação linear tem a seguinte forma geral [ n∑ k=1 φ1(xk)φi(xk) ] α1 + [ n∑ k=1 φ2(xk)φi(xk) ] α2+[ n∑ k=1 φ3(xk)φi(xk) ] α3 + · · ·+ [ n∑ k=1 φm(xk)φi(xk) ] αm = n∑ k=1 f (xk)φi(xk). Fazendo i = 1, 2, . . . ,m o resultado será um sistema linear Aα = b com apresentado a seguir Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Dedução do Método dos Mínimos Quadrados a11 a12 a13 · · · a1m a21 a22 a23 · · · a2m a31 a32 a33 · · · a3m ... ... ... . . . ... am1 am2 am3 · · · amm α1 α2 α3 ... αm = b1 b2 b3 ... bm aij = n∑ k=1 φi(xk)φj(xk) bi = n∑ k=1 f (xk)φi(xk) Note que a matriz dos coeficientes A é uma matriz simétrica, isto é, aij = aji . Isso facilita os cálculos de montagem da matriz dos coeficientes. Osistema linear pode ser resolvido por MEGPP ou por outro método mais conveniente. As equações que produzem o sistema linear Aα = b chamadas Equações Normais. Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Dedução do Método dos Mínimos Quadrados a11 a12 a13 · · · a1m a21 a22 a23 · · · a2m a31 a32 a33 · · · a3m ... ... ... . . . ... am1 am2 am3 · · · amm α1 α2 α3 ... αm = b1 b2 b3 ... bm aij = n∑ k=1 φi(xk)φj(xk) bi = n∑ k=1 f (xk)φi(xk) Note que a matriz dos coeficientes A é uma matriz simétrica, isto é, aij = aji . Isso facilita os cálculos de montagem da matriz dos coeficientes. O sistema linear pode ser resolvido por MEGPP ou por outro método mais conveniente. As equações que produzem o sistema linear Aα = b chamadas Equações Normais. Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Exemplo Ajuste os dados da tabela abaixo x 0.0 1.0 2.0 3.0 4.0 5.0 f (x) 0.00000 2.75077 2.15249 2.86170 4.23256 3.49705 por uma função da forma g(x) = α1 x + α2 sen(x) + α2 sen(2x). Resolução Da tabela temos n = 6 dados sobre a função f (x). Da função de ajuste temos que φ1(x) = x, φ2(x) = sen(x) e φ3(x) = sen(2x). Para obter o ajuste são necessários m = 3 parâmetros que são os valores de αi , i = 1, . . . , 3. São esses parâmetros que fornecerão os parâmetros de ajuste via Método dos Mínimos Quadrados. Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Exemplo Calculando os termos do sistema linear, temos que: a11 = 6∑ k=1 φ1(xk)φ1(xk) = 6∑ k=1 x2k a12 = 6∑ k=1 φ1(xk)φ2(xk) = 6∑ k=1 xksen(xk) a13 = 6∑ k=1 φ1(xk)φ3(xk) = 6∑ k=1 xksen(2xk) a22 = 6∑ k=1 φ2(xk)φ2(xk) = 6∑ k=1 sen2(xk) a23 = 6∑ k=1 φ2(xk)φ3(xk) = 6∑ k=1 sen(xk)sen(2xk) a33 = 6∑ k=1 φ3(xk)φ3(xk) = 6∑ k=1 sen2(2xk) a21 = a12 a31 = a13 a32 = a23 b1 = 6∑ k=1 f (xk)φ1(xk) = 6∑ k=1 f (xk)xk b2 = 6∑ k=1 f (xk)φ2(xk) = 6∑ k=1 f (xk)sen(xk) b3 = 6∑ k=1 f (xk)φ3(xk) = 6∑ k=1 f (xk)sen(2xk) Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Exemplo Montando o sistema linear, 55.00000 −4.73841 −0.20523−4.73841 3.04710 −0.18952 −0.20523 −0.18952 2.75243 α1α2 α3 = 50.05637−1.88083 2.35769 ⇒ α1α2 α3 = 1.000001.00000 1.00000 Exercício Ajuste os dados da tabela abaixo x 0.0 1.0 2.0 3.0 4.0 5.0 f (x) 0.00000 2.75077 2.15249 2.86170 4.23256 3.49705 por um polinômio de grau 3 p3(x) = α1 + α2x + α3x2 + α4x3. Trabalhe com 5 casas decimais. Resolva o sistema linear associado ao problema via MEGPP. α1= 0.27778 α2= 2.04237 α3=-0.46756 α4= 0.03959 Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Exemplo Montando o sistema linear, 55.00000 −4.73841 −0.20523−4.73841 3.04710 −0.18952 −0.20523 −0.18952 2.75243 α1α2 α3 = 50.05637−1.88083 2.35769 ⇒ α1α2 α3 = 1.000001.00000 1.00000 Exercício Ajuste os dados da tabela abaixo x 0.0 1.0 2.0 3.0 4.0 5.0 f (x) 0.00000 2.75077 2.15249 2.86170 4.23256 3.49705 por um polinômio de grau 3 p3(x) = α1 + α2x + α3x2 + α4x3. Trabalhe com 5 casas decimais. Resolva o sistema linear associado ao problema via MEGPP. α1= 0.27778 α2= 2.04237 α3=-0.46756 α4= 0.03959 Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Exemplo Montando o sistema linear, 55.00000 −4.73841 −0.20523−4.73841 3.04710 −0.18952 −0.20523 −0.18952 2.75243 α1α2 α3 = 50.05637−1.88083 2.35769 ⇒ α1α2 α3 = 1.000001.00000 1.00000 Exercício Ajuste os dados da tabela abaixo x 0.0 1.0 2.0 3.0 4.0 5.0 f (x) 0.00000 2.75077 2.15249 2.86170 4.23256 3.49705 por um polinômio de grau 3 p3(x) = α1 + α2x + α3x2 + α4x3. Trabalhe com 5 casas decimais. Resolva o sistema linear associado ao problema via MEGPP. α1= 0.27778 α2= 2.04237 α3=-0.46756 α4= 0.03959 Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Exemplo Montando o sistema linear, 55.00000 −4.73841 −0.20523−4.73841 3.04710 −0.18952 −0.20523 −0.18952 2.75243 α1α2 α3 = 50.05637−1.88083 2.35769 ⇒ α1α2 α3 = 1.000001.00000 1.00000 Exercício Ajuste os dados da tabela abaixo x 0.0 1.0 2.0 3.0 4.0 5.0 f (x) 0.00000 2.75077 2.15249 2.86170 4.23256 3.49705 por um polinômio de grau 3 p3(x) = α1 + α2x + α3x2 + α4x3. Trabalhe com 5 casas decimais. Resolva o sistema linear associado ao problema via MEGPP. α1= 0.27778 α2= 2.04237 α3=-0.46756 α4= 0.03959 Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear Quando se ajusta uma curva via MMQ uma função f (x) com valores tabelados por uma função g(x) = α1φ1(x) + α2φ2(x) + α3φ3(x) + · · ·+ αmφm(x) dizemos estamos lidando com um caso linear pois os parâmetros αi , i = 1, 2, . . . ,m, a serem estimados aparecem linearmente na expressão de g(x) e φi(x), i = 1, 2, . . . ,m, só depende da variável independente x. Agora, quando o φi(x), i = 1, 2, . . . ,m, depende também do parâmetro a ser estimado, dizemos que o caso é não-linear. Por exemplo, se os dados de uma função f (x) tabelada é melhor ajustada por uma função da forma g(x) = α1φ1(α2 x) + α3φ2(α4 x) estamos diante de um caso não linear pois φ1(x) e φ2(x) dependem, respectivamente, dos parâmetros α2 e α4 que precisam serem estimados. Nessa situação, para aplicar o MMQ é necessário antes linearizar a função de ajuste. Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear Quando se ajusta uma curva via MMQ uma função f (x) com valores tabelados por uma função g(x) = α1φ1(x) + α2φ2(x) + α3φ3(x) + · · ·+ αmφm(x) dizemos estamos lidando com um caso linear pois os parâmetros αi , i = 1, 2, . . . ,m, a serem estimados aparecem linearmente na expressão de g(x) e φi(x), i = 1, 2, . . . ,m, só depende da variável independente x. Agora, quando o φi(x), i = 1, 2, . . . ,m, depende também do parâmetro a ser estimado, dizemos que o caso é não-linear. Por exemplo, se os dados de uma função f (x) tabelada é melhor ajustada por uma função da forma g(x) = α1φ1(α2 x) + α3φ2(α4 x) estamos diante de um caso não linear pois φ1(x) e φ2(x) dependem, respectivamente, dos parâmetros α2 e α4 que precisam serem estimados. Nessa situação, para aplicar o MMQ é necessário antes linearizar a função de ajuste. Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização Ex. 1: f (x) = aeb x : f (x) = aeb x ⇒ ln[f (x)] = ln ( aeb x )⇒ F(x)︷ ︸︸ ︷ln[f (x)] = α1︷ ︸︸ ︷ln(a) · φ1(x)︷︸︸︷1 + α2︷︸︸︷b · φ2(x)︷︸︸︷x F(x) = α1φ1(x) + α2φ2(x) onde F(x) = ln[f (x)] α1 = ln(a) φ1(x) = 1 α2 = b φ2(x) = x Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização Ex. 1: f (x) = aeb x : f (x) = aeb x ⇒ ln[f (x)] = ln (aeb x)⇒ F(x)︷ ︸︸ ︷ ln[f (x)] = α1︷ ︸︸ ︷ ln(a) · φ1(x)︷︸︸︷ 1 + α2︷︸︸︷ b · φ2(x)︷︸︸︷ x F(x) = α1φ1(x) + α2φ2(x) onde F(x) = ln[f (x)] α1 = ln(a) φ1(x) = 1 α2 = b φ2(x) = x Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização Ex. 1: f (x) = aeb x : f (x) = aeb x ⇒ ln[f (x)] = ln (aeb x)⇒ F(x)︷ ︸︸ ︷ln[f (x)] = α1︷ ︸︸ ︷ln(a) · φ1(x)︷︸︸︷1 + α2︷︸︸︷b · φ2(x)︷︸︸︷x F(x) = α1φ1(x) + α2φ2(x) onde F(x) = ln[f (x)] α1 = ln(a) φ1(x) = 1 α2 = b φ2(x) = x Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização Ex. 2: f (x) = abx : f (x) = abx ⇒ ln[f (x)] = ln (abx)⇒ F(x)︷ ︸︸ ︷ ln[f (x)] = α1︷ ︸︸ ︷ ln(a) · φ1(x)︷︸︸︷ 1 + α2︷ ︸︸ ︷ ln(b) · φ2(x)︷︸︸︷x F(x) = α1φ1(x) + α2φ2(x) onde F(x) = ln[f (x)] α1 = ln(a) φ1(x) = 1 α2 = ln(b) φ2(x) = x Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização Ex. 2: f (x) = abx : f (x) = abx ⇒ ln[f (x)] = ln (abx)⇒ F(x)︷ ︸︸ ︷ ln[f (x)] = α1︷ ︸︸ ︷ ln(a) · φ1(x)︷︸︸︷ 1 + α2︷ ︸︸ ︷ ln(b) · φ2(x)︷︸︸︷ x F(x) = α1φ1(x) + α2φ2(x) onde F(x) = ln[f (x)] α1 = ln(a) φ1(x) = 1 α2 = ln(b) φ2(x) = x Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização Ex. 2: f (x) = abx : f (x) = abx ⇒ ln[f (x)] = ln (abx)⇒ F(x)︷ ︸︸ ︷ ln[f (x)] = α1︷ ︸︸ ︷ ln(a) · φ1(x)︷︸︸︷ 1 + α2︷ ︸︸ ︷ ln(b) · φ2(x)︷︸︸︷ x F(x) = α1φ1(x) + α2φ2(x) onde F(x) = ln[f (x)] α1 = ln(a) φ1(x) = 1 α2 = ln(b) φ2(x) = x Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização Ex. 3: f (x) = √ a + bx : f (x) = √ a + bx ⇒ [f (x)]2 = a + bx ⇒ F(x)︷ ︸︸ ︷ [f (x)]2 = α1︷︸︸︷ a · φ1(x)︷︸︸︷ 1 + α2︷︸︸︷ b · φ2(x)︷︸︸︷ x F(x) = α1φ1(x) + α2φ2(x) onde F(x) = [f (x)]2 α1 = a φ1(x) = 1 α2 = b φ2(x) = x Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização Ex. 3: f (x) = √ a + bx : f (x) = √ a + bx ⇒ [f (x)]2 = a + bx ⇒ F(x)︷ ︸︸ ︷ [f (x)]2 = α1︷︸︸︷ a · φ1(x)︷︸︸︷ 1 + α2︷︸︸︷ b · φ2(x)︷︸︸︷ x F(x) = α1φ1(x) + α2φ2(x) onde F(x) = [f (x)]2 α1 = a φ1(x) = 1 α2 = b φ2(x) = x Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização Ex. 3: f (x) = √ a + bx : f (x) = √ a + bx ⇒ [f (x)]2 = a + bx ⇒ F(x)︷ ︸︸ ︷ [f (x)]2 = α1︷︸︸︷ a · φ1(x)︷︸︸︷ 1 + α2︷︸︸︷ b · φ2(x)︷︸︸︷ x F(x) = α1φ1(x) + α2φ2(x) onde F(x) = [f (x)]2 α1 = a φ1(x) = 1 α2 = b φ2(x) = x Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização Ex. 4: f (x) = a + bxc + x2 : f (x) = a + bxc + x2 ⇒ cf (x) + x2f (x) = a + bx ⇒ F(x)︷ ︸︸ ︷ x2f (x) = α1︷︸︸︷ a · φ1(x)︷︸︸︷ 1 + α2︷︸︸︷ b · φ2(x)︷︸︸︷ x + α3︷︸︸︷ (−c) · φ3(x)︷︸︸︷ f (x) F(x) = α1φ1(x) + α2φ2(x) + α3φ3(x) onde F(x) = x2f (x) α1 = a φ1(x) = 1 α2 = b φ2(x) = x2 α3 = −c φ3(x) = f (x) Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização Ex. 4: f (x) = a + bxc + x2 : f (x) = a + bxc + x2 ⇒ cf (x) + x 2f (x) = a + bx ⇒ F(x)︷ ︸︸ ︷ x2f (x) = α1︷︸︸︷ a · φ1(x)︷︸︸︷ 1 + α2︷︸︸︷ b · φ2(x)︷︸︸︷ x + α3︷︸︸︷ (−c) · φ3(x)︷︸︸︷ f (x) F(x) = α1φ1(x) + α2φ2(x) + α3φ3(x) onde F(x) = x2f (x) α1 = a φ1(x) = 1 α2 = b φ2(x) = x2 α3 = −c φ3(x) = f (x) Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização Ex. 4: f (x) = a + bxc + x2 : f (x) = a + bxc + x2 ⇒ cf (x) + x 2f (x) = a + bx ⇒ F(x)︷ ︸︸ ︷ x2f (x) = α1︷︸︸︷ a · φ1(x)︷︸︸︷ 1 + α2︷︸︸︷ b · φ2(x)︷︸︸︷ x + α3︷︸︸︷ (−c) · φ3(x)︷︸︸︷ f (x) F(x) = α1φ1(x) + α2φ2(x) + α3φ3(x) onde F(x) = x2f (x) α1 = a φ1(x) = 1 α2 = b φ2(x) = x2 α3 = −c φ3(x) = f (x) Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização Não existe uma única forma de linearização, mas os parâmetros na função original no final são os mesmos. Tome cuidado!!! Após obter os parâmetros da função linearizada, deve se aos parâmetros da função original. Para ilustrar isso, no exemplo 1, depois de obter α1 e α2, deve se obter a e b da função original. Naquele exemplo, temos que a = eα1 e b = α2. Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização - Exemplo Ajuste os dados da tabela abaixo x 0.15 0.55 0.66 0.70 0.79 1.26 3.24 4.82 f (x) 0.34611 0.65147 0.70619 0.72289 0.75454 0.81391 0.55051 0.39790 por uma função da forma f (x) = a + x1+ bx2 . Resolução É um caso não linear e portanto é necessário antes linearizar para aplicar o MMQ. Linearizando, temos que f (x) = a + x1+ bx2 ⇒ f (x)+bx 2f (x) = a+x ⇒ f (x)−x = a−bx2f (x)⇒ F(x) = α1φ1(x)+α2φ2(x) onde F(x) = f (x)− x, α1 = a, φ1(x) = 1, α2 = −b e φ2(x) = x2f (x). Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização - Exemplo Ajuste os dados da tabela abaixo x 0.15 0.55 0.66 0.70 0.79 1.26 3.24 4.82 f (x) 0.34611 0.65147 0.70619 0.72289 0.75454 0.81391 0.55051 0.39790 por uma função da forma f (x) = a + x1+ bx2 . Resolução É um caso não linear e portanto é necessário antes linearizar para aplicar o MMQ. Linearizando, temos que f (x) = a + x1+ bx2 ⇒ f (x)+bx2f (x) = a+x ⇒ f (x)−x = a−bx2f (x)⇒ F(x) = α1φ1(x)+α2φ2(x) onde F(x) = f (x)− x, α1 = a, φ1(x) = 1, α2 = −b e φ2(x) = x2f (x). Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização - Exemplo Ajuste os dados da tabela abaixo x 0.15 0.55 0.66 0.70 0.79 1.26 3.24 4.82 f (x) 0.34611 0.65147 0.70619 0.72289 0.75454 0.81391 0.55051 0.39790 por uma função da forma f (x) = a + x1+ bx2 . Resolução É um caso não linear e portanto é necessário antes linearizar para aplicar o MMQ. Linearizando, temos que f (x) = a + x1+ bx2 ⇒ f (x)+bx 2f (x) = a+x ⇒ f (x)−x = a−bx2f (x)⇒ F(x) = α1φ1(x)+α2φ2(x) onde F(x) = f (x)− x, α1 = a, φ1(x) = 1, α2 = −b e φ2(x) = x2f (x). Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização - Exemplo Ajuste os dados da tabela abaixo x 0.15 0.55 0.66 0.70 0.79 1.26 3.24 4.82 f (x) 0.34611 0.65147 0.70619 0.72289 0.75454 0.81391 0.55051 0.39790 por uma função da forma f (x) = a + x1+ bx2 . Resolução É um caso não linear e portanto é necessário antes linearizar para aplicar o MMQ. Linearizando, temos que f (x) = a + x1+ bx2 ⇒ f (x)+bx 2f (x) = a+x ⇒ f (x)−x = a−bx2f (x)⇒ F(x) = α1φ1(x)+α2φ2(x) onde F(x) = f (x)− x, α1 = a, φ1(x) = 1, α2 = −b e φ2(x) = x2f (x). Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização - Exemplo É um problema com dois parâmetros para serem estimados e portanto o sistema linear a ser montando para obter esses parâmetros é um sistema de duas equações e duas incógnitas. [ a11 a12 a21 a22 ] [ α1 α2 ] = [ b1 b2 ] ⇒ α1 = b1a22 − b2a12 a11a22 − a212 α2 = b2a11 − b1a12 a11a22 − a212 a11 = 8∑ k=1 φ1(xk)φ1(xk) = 8∑ k=1 1 a12 = a21 = 8∑ k=1 φ1(xk)φ2(xk) = 8∑ k=1 x2k f (xk) a22 = 8∑ k=1 φ2(xk)φ2(xk) = 8∑ k=1 [ x2k f (xk) ]2 b1 = 8∑ k=1 φ1(xk)F(xk) = 8∑ k=1 [f (xk)− xk ] b2 = 8∑ k=1 φ2(xk)F(xk) = 8∑ k=1 x2k f (xk)[f (xk)− xk ] Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização - Exemplo É um problema com dois parâmetros para serem estimados e portanto o sistema linear a ser montando para obter esses parâmetros é um sistema de duas equações e duas incógnitas. [ a11 a12 a21 a22 ] [ α1 α2 ] = [ b1 b2 ] ⇒ α1 = b1a22 − b2a12 a11a22 − a212 α2 = b2a11 − b1a12 a11a22 − a212 a11 = 8∑ k=1 φ1(xk)φ1(xk) = 8∑ k=1 1 a12 = a21 = 8∑ k=1 φ1(xk)φ2(xk) = 8∑ k=1 x2k f (xk) a22 = 8∑ k=1 φ2(xk)φ2(xk) = 8∑ k=1 [ x2k f (xk) ]2 b1 = 8∑ k=1 φ1(xk)F(xk) = 8∑ k=1 [f (xk)− xk ] b2 = 8∑ k=1 φ2(xk)F(xk) = 8∑ k=1 x2k f (xk)[f (xk)− xk ] Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização - Exemplo É um problema com dois parâmetros para serem estimados e portanto o sistemalinear a ser montando para obter esses parâmetros é um sistema de duas equações e duas incógnitas. [ a11 a12 a21 a22 ] [ α1 α2 ] = [ b1 b2 ] ⇒ α1 = b1a22 − b2a12 a11a22 − a212 α2 = b2a11 − b1a12 a11a22 − a212 a11 = 8∑ k=1 φ1(xk)φ1(xk) = 8∑ k=1 1 a12 = a21 = 8∑ k=1 φ1(xk)φ2(xk) = 8∑ k=1 x2k f (xk) a22 = 8∑ k=1 φ2(xk)φ2(xk) = 8∑ k=1 [ x2k f (xk) ]2 b1 = 8∑ k=1 φ1(xk)F(xk) = 8∑ k=1 [f (xk)− xk ] b2 = 8∑ k=1 φ2(xk)F(xk) = 8∑ k=1 x2k f (xk)[f (xk)− xk ] Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização - Exemplo É um problema com dois parâmetros para serem estimados e portanto o sistema linear a ser montando para obter esses parâmetros é um sistema de duas equações e duas incógnitas. [ a11 a12 a21 a22 ] [ α1 α2 ] = [ b1 b2 ] ⇒ α1 = b1a22 − b2a12 a11a22 − a212 α2 = b2a11 − b1a12 a11a22 − a212 a11 = 8∑ k=1 φ1(xk)φ1(xk) = 8∑ k=1 1 a12 = a21 = 8∑ k=1 φ1(xk)φ2(xk) = 8∑ k=1 x2k f (xk) a22 = 8∑ k=1 φ2(xk)φ2(xk) = 8∑ k=1 [ x2k f (xk) ]2 b1 = 8∑ k=1 φ1(xk)F(xk) = 8∑ k=1 [f (xk)− xk ] b2 = 8∑ k=1 φ2(xk)F(xk) = 8∑ k=1 x2k f (xk)[f (xk)− xk ] Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização - Exemplo É um problema com dois parâmetros para serem estimados e portanto o sistema linear a ser montando para obter esses parâmetros é um sistema de duas equações e duas incógnitas. [ a11 a12 a21 a22 ] [ α1 α2 ] = [ b1 b2 ] ⇒ α1 = b1a22 − b2a12 a11a22 − a212 α2 = b2a11 − b1a12 a11a22 − a212 a11 = 8∑ k=1 φ1(xk)φ1(xk) = 8∑ k=1 1 a12 = a21 = 8∑ k=1 φ1(xk)φ2(xk) = 8∑ k=1 x2k f (xk) a22 = 8∑ k=1 φ2(xk)φ2(xk) = 8∑ k=1 [ x2k f (xk) ]2 b1 = 8∑ k=1 φ1(xk)F(xk) = 8∑ k=1 [f (xk)− xk ] b2 = 8∑ k=1 φ2(xk)F(xk) = 8∑ k=1 x2k f (xk)[f (xk)− xk ] Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização - Exemplo É um problema com dois parâmetros para serem estimados e portanto o sistema linear a ser montando para obter esses parâmetros é um sistema de duas equações e duas incógnitas. [ a11 a12 a21 a22 ] [ α1 α2 ] = [ b1 b2 ] ⇒ α1 = b1a22 − b2a12 a11a22 − a212 α2 = b2a11 − b1a12 a11a22 − a212 a11 = 8∑ k=1 φ1(xk)φ1(xk) = 8∑ k=1 1 a12 = a21 = 8∑ k=1 φ1(xk)φ2(xk) = 8∑ k=1 x2k f (xk) a22 = 8∑ k=1 φ2(xk)φ2(xk) = 8∑ k=1 [ x2k f (xk) ]2 b1 = 8∑ k=1 φ1(xk)F(xk) = 8∑ k=1 [f (xk)− xk ] b2 = 8∑ k=1 φ2(xk)F(xk) = 8∑ k=1 x2k f (xk)[f (xk)− xk ] Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização - Exemplo É um problema com dois parâmetros para serem estimados e portanto o sistema linear a ser montando para obter esses parâmetros é um sistema de duas equações e duas incógnitas. [ a11 a12 a21 a22 ] [ α1 α2 ] = [ b1 b2 ] ⇒ α1 = b1a22 − b2a12 a11a22 − a212 α2 = b2a11 − b1a12 a11a22 − a212 a11 = 8∑ k=1 φ1(xk)φ1(xk) = 8∑ k=1 1 a12 = a21 = 8∑ k=1 φ1(xk)φ2(xk) = 8∑ k=1 x2k f (xk) a22 = 8∑ k=1 φ2(xk)φ2(xk) = 8∑ k=1 [ x2k f (xk) ]2 b1 = 8∑ k=1 φ1(xk)F(xk) = 8∑ k=1 [f (xk)− xk ] b2 = 8∑ k=1 φ2(xk)F(xk) = 8∑ k=1 x2k f (xk)[f (xk)− xk ] Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização - Exemplo É um problema com dois parâmetros para serem estimados e portanto o sistema linear a ser montando para obter esses parâmetros é um sistema de duas equações e duas incógnitas. [ a11 a12 a21 a22 ] [ α1 α2 ] = [ b1 b2 ] ⇒ α1 = b1a22 − b2a12 a11a22 − a212 α2 = b2a11 − b1a12 a11a22 − a212 a11 = 8∑ k=1 φ1(xk)φ1(xk) = 8∑ k=1 1 a12 = a21 = 8∑ k=1 φ1(xk)φ2(xk) = 8∑ k=1 x2k f (xk) a22 = 8∑ k=1 φ2(xk)φ2(xk) = 8∑ k=1 [ x2k f (xk) ]2 b1 = 8∑ k=1 φ1(xk)F(xk) = 8∑ k=1 [f (xk)− xk ] b2 = 8∑ k=1 φ2(xk)F(xk) = 8∑ k=1 x2k f (xk)[f (xk)− xk ] Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização - Exemplo É um problema com dois parâmetros para serem estimados e portanto o sistema linear a ser montando para obter esses parâmetros é um sistema de duas equações e duas incógnitas. [ a11 a12 a21 a22 ] [ α1 α2 ] = [ b1 b2 ] ⇒ α1 = b1a22 − b2a12 a11a22 − a212 α2 = b2a11 − b1a12 a11a22 − a212 a11 = 8∑ k=1 φ1(xk)φ1(xk) = 8∑ k=1 1 a12 = a21 = 8∑ k=1 φ1(xk)φ2(xk) = 8∑ k=1 x2k f (xk) a22 = 8∑ k=1 φ2(xk)φ2(xk) = 8∑ k=1 [ x2k f (xk) ]2 b1 = 8∑ k=1 φ1(xk)F(xk) = 8∑ k=1 [f (xk)− xk ] b2 = 8∑ k=1 φ2(xk)F(xk) = 8∑ k=1 x2k f (xk)[f (xk)− xk ] Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização - Exemplo Calculando os dados do sistema linear e em seguida a solução deste, temos que:[ 8 17.65296 17.65296 121.00236 ] [ α1 α2 ] = [ −7.22647 −56.97059 ] ⇒ α1 = (−7.22647)(121.00236)− (−56.97059)(17.65296) 656.391944 = 0.20000 α2 = (−56.97059)(8)− (−7.22647)(17.65296) 656.391944 = −0.50000 Como α1 = a ⇒ a = 0.2 e α2 = −b ⇒ b = 0.5. Logo, a função de ajuste para os dados tabelados é f (x) = 0.2+ x1+ 0.5x2 . Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização - Exemplo Calculando os dados do sistema linear e em seguida a solução deste, temos que:[ 8 17.65296 17.65296 121.00236 ] [ α1 α2 ] = [ −7.22647 −56.97059 ] ⇒ α1 = (−7.22647)(121.00236)− (−56.97059)(17.65296) 656.391944 = 0.20000 α2 = (−56.97059)(8)− (−7.22647)(17.65296) 656.391944 = −0.50000 Como α1 = a ⇒ a = 0.2 e α2 = −b ⇒ b = 0.5. Logo, a função de ajuste para os dados tabelados é f (x) = 0.2+ x1+ 0.5x2 . Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Caso Não Linear - Processo de Linearização - Exemplo Calculando os dados do sistema linear e em seguida a solução deste, temos que:[ 8 17.65296 17.65296 121.00236 ] [ α1 α2 ] = [ −7.22647 −56.97059 ] ⇒ α1 = (−7.22647)(121.00236)− (−56.97059)(17.65296) 656.391944 = 0.20000 α2 = (−56.97059)(8)− (−7.22647)(17.65296) 656.391944 = −0.50000 Como α1 = a ⇒ a = 0.2 e α2 = −b ⇒ b = 0.5. Logo, a função de ajuste para os dados tabelados é f (x) = 0.2+ x1+ 0.5x2 . Alessandro Alves Santana Cálculo Numérico Ajuste de Curvas Exercício Mr. K. P. Lear (1609, Way of Astronomy) teve a idéia de que a Terra se move ao redor do Sol em orbita elıptica, com o Sol em um dos focos. Depois de muitas observações e cálculos, ele obteve a tabela a seguir, onde r é a distância da Terra ao Sol, (em milhões de Km) e x é o ângulo (em graus) entre a linha Terra-Sol e o eixo principal da elipse. x 0 45 90 135 180 r(x) 147 148 150 151 152 Mr. Lear sabe que uma elipse pode ser escrita pela fórmula r = ρ1+ ε cos(x) com os valores da tabela pode se estimar ρ e ε. Assim sendo, faça o ajuste da função dada usando os dados da tabela. Trabalhe com 5 casas decimais. Antes de começar a resolver leia bem o enunciado e olhe bem os dados da tabela. Alessandro Alves Santana Cálculo Numérico
Compartilhar