Ajuste de Curvas

Prof. Wellington Passos de Paula

wpassos@gmail.com
Programa
g
1. Introdução
a)) Caso
C Di
Discreto
2. Método dos Quadrados Mínimos
3 Caso Não-Linear
3. Não Linear
 Ajuste de Curvas

Introdução
ç

Prof. Wellington Passos de Paula

wpassos@gmail.com
Introdução
ç
 No capítulo anterior vimos uma forma de trabalhar com
uma função
f definida
d fi id por uma tabela:
b l a iinterpolação
l
polinomial

 Nem sempre a interpolação é aconselhável:

 Quando se quer aproximar um valor da função fora do
intervalo de tabelamento (extrapolação).
 Quando os valores são medidas experimentais com erros.
Nesse caso, a função deve passar pela barra de erros e
não pelos pontos.
Introdução
ç
 Graficamente, a extrapolação e o ajuste por barras de
erros são vistos
i abaixo:
b i

f (x) f ( x)  e x

C
Curva ajustada
j t d

Barra de
erros
f x 

x x
Curva extrapolada
Introdução
ç
 É necessário então ajustar essas funções tabeladas por
uma função
f que seja
j uma “boa
“b aproximação”
i ” e que nos
permita “extrapolar” com certa margem de segurança

 Devemos então aproximar f(x) por outra função x),

escolhida de uma família de funções ou por uma soma
de funções em duas situações distintas:
 Caso discreto: quando a função f é dada por uma tabela
de valores
 Caso contínuo: quando a função f é dada por sua forma
analítica
Introdução
ç
 Caso discreto:

 Caso contínuo:
Introdução
ç – Caso Discreto
 Dados os pontos x1 , f ( x1 )  , x 2 , f ( x 2 )  ,......, x m , f ( x m ) 
em um intervalo
i l [a,b],
[ b] devemos
d escolher
lh ffunções
g 1 ( x) , g 2 ( x) , ....... , g n ( x) , e constantes 1 ,  2 , ....... ,  n
tais que a função
 ( x)  1 g1 ( x)   2 g 2 ( x)  ...   n g n ( x)
se aproxime de f (x)

 Este modelo é dito linear pois os coeficientes a

determinar 1 ,  2 , ....... ,  n aparecem linearmente

 Note que as funções g 1 ( x) , g 2 ( x) , ....... , g n ( x) podem ser

funções não-lineares, como por exemplo
 
g 1 ( x)  e x , g 2 ( x)  1  x 2 , .......
Introdução
ç – Caso Discreto
 Problema 1
 Como escolher as funções g 1 ( x ) , g 2 ( x ) , ....... , g n ( x ) ?

 Podemos escolher as funções g1 ( x ) , g 2 ( x ) , ... , g n ( x )

observando os pontos tabelados (diagrama de
dispersão) ou a partir de conhecimentos teóricos do
experimento

 Assim, dada uma tabela de pontos

x1 , f ( x1 )  , x 2 , f ( x 2 )  ,......, x m , f ( x m )  , devemos,
primeiramente, colocar esses pontos em um gráfico
cartesiano, o que vai nos permitir visualizar a
curva que melhor se ajusta aos dados
 Introdução
ç – Caso Discreto
 Exemplo: Dada a tabela:

x -1,0 -0,75 -0,6 -0,5 -0,3 0 0,2 0,4 0,5 0,7 1,0

f(x) 2,05 1,153 0,45 0,4 0,5 0 0,2 0,6 0,512 1,2 2,05

 Devemos construir o diagrama de dispersão

Introdução – Caso Discreto – Diagrama de
Dispersão
Introdução
ç – Caso Discreto
 Escolhemos 1g ( x )  x 2
a partir da forma dos pontos no
di
diagrama d
de di
dispersão

 Procuramos a função que se aproxime ao máximo

de f (x) e que tenha a forma  ( x )   g
1 1 ( x )   x 2

parábola passando pela origem

 Problema 2:
 Qual o valor de  gera melhor ajuste da parábola?
Introdução
ç – Caso Discreto
 Uma vez escolhidas as funções g1(x), g2(x), ..., gn(x),
temos de
d estabelecer
b l o conceito
i dde proximidade
i id d entre
as funções (x) e f(x) para obter as constantes 1, 2,
3, …, n

 Uma possibilidade é impor que o desvio entre f(x) e

(x), ou seja, dk = (f(xk) - ϕ(xk)) seja mínimo para todos
os pontos (k =1,1 2,
2 ...., m)

 Existem varias formas de impor que os desvios sejam

mínimos. Estudaremos o Método dos Quadrados
Mí i
Mínimos
 Ajuste de Curvas

Método dos Q
Quadrados Mínimos

Prof. Wellington Passos de Paula

wpassos@gmail.com
Método dos Q
Quadrados Mínimos
 Objetivo: encontrar os coeficientes aj tais que a função

 ( x)  1 g1 ( x)   2 g 2 ( x)     n ( x) g n ( x)
se aproxime ao máximo de f(x)

 Método dos Quadrados Mínimos - Consiste em

escolher os j’s de modo q
que a soma dos q
quadrados
dos desvios seja mínima
m m

k 1
dk 
2

k 1
( f ( x k )  ( x k )) 2  deve ser mínimo
Método dos Q
Quadrados Mínimos

 Recapitulando, no caso discreto temos o tabelamento

dos pontos  x1 , f ( x1 )  ,  x2 , f ( x2 ) , ...,  xm , f ( xm )  como
entrada do problema

 Dadas as funções g 1 ( x) , g 2 ( x) , ....... , g n ( x) , escolhidas

de alguma forma, nosso objetivo então é encontrar os
coeficientes 1 ,  2 , ....... ,  n tais que a função

 ( x)  1 g1 ( x)   2 g 2 ( x)   n g n ( x)
Se aproxime ao máximo de f(x)
Método dos Q
Quadrados Mínimos

 Seja o desvio em x k : d k  f ( x k )  ( x k )

 Se a soma dos q
quadrados dos desvios
m m


k 1
dk 
2

k 1
( f ( x k )  ( x k )) 2

é mínima, cada desvio d k  f ( x k )  ( x k )

será pequeno. Assim j’s devem ser tais que
pequeno Assim,
minimizem a função
m
F(1 ,  2 ,  n )   [ f ( xk )   ( xk )]2
k 1

 Se a aproximação (x) for perfeita  somatório acima

será nulo, que é o que acontece na interpolação
Método dos Q
Quadrados Mínimos

 Para obter um ponto mínimo devemos encontrar os

números críticos, ou seja, j’s tais que

F
 0, j  1,2  n
 j
(1 , 2 ,, n )

m
onde F (1 ,  2 ,  ,  n )   k
[ f
k 1
( x )   ( x k )]2

m
  [ f ( xk )  1 g1 ( xk )   2 g 2 ( xk )     n g n ( xk )]
2

k 1
 Método dos Q
Quadrados Mínimos

 Calculando as derivadas, temos

F

 j
(1 , 2 ,, n )
m
2 [ f ( xk )  1 g1 ( xk )   2 g 2 ( xk )     n g n ( xk )][ g j ( xk )]
k 1

 Igualando a zero
zero,
m

[ f ( x )   g (x )  
k 1
k 1 1 k 2 g 2 ( xk )     n g n ( xk )][ g j ( xk )]  0, j  1,2, , n
Método dos Q
Quadrados Mínimos

 Ou seja, temos um sistema linear a resolver:

m
 [ f ( xk )  1 g1 ( xk )   2 g 2 ( xk )     n g n ( xk )][ g1 ( xk )]  0
 k 1
m
 [ f ( xk )  1 g1 ( xk )   2 g 2 ( xk )     n g n ( xk ))][ g 2 ( xk ))]  0
 k 1
 

m
 [ f ( xk )  1 g1 ( xk )   2 g 2 ( xk )     n g n ( xk )][ g n ( xk )]  0
 k 1
Método dos Q
Quadrados Mínimos

 Reescrevendo o sistema

 m m m

[ g1 ( xk ) g1 ( xk )]1    [ g n ( xk ) g1 ( xk )] n   f ( xk ) g1 ( xk )

 k 1 k 1 k 1

 m m m

[ g1 ( xk ) g 2 ( xk ))]1    [ g n ( xk ) g 2 ( xk ))] n   f ( xk ) g 2 ( xk )

 k 1 k 1 k 1
 

 m m m

[ g1 ( xk ) g n ( xk )]1    [ g n ( xk ) g n ( xk )] n   f ( xk ) g n ( xk )

 k 1 k 1 k 1

 Sistema linear com n equações e com n incógnitas

(1, 2, 3, ..., n)
Método dos Q
Quadrados Mínimos

 O sistema linear pode ser reescrito na forma matricial

A = b:
a111  a12 2  ...  a1n n  b1
a   a   ...  a   b
 21 1 22 2 2n n 2

 
an11  an 2 2  ...  ann n  bn

onde A = (aij) tal que

m m
aijj   g i ( xk ) g j ( xk )   g j ( xk ) g i ( xk )  a jji
k 1 k 1

ou seja, A é uma matriz simétrica,   [1 ,  2 , ...,  n ] e

t

m
b  [b1 , b2 , ..., bn ] é tal que bi   f ( xk ) g i ( xk )
t

k 1
Método dos Quadrados Mínimos – Passo a
Passo
 O funcionamento do Método dos Quadrados Mínimos
pode ser dividido em 4 passos:

 Passo 1:
 Depois
p de escolhida a função
ç ajuste
j ((x)) identificar nela

as funções auxiliares g(x) tal que (x) seja do tipo:

 ( x)  1 g1 ( x)   2 g 2 ( x)  ...   n g n ( x)

 Passo 2:
 Montar o sistema de equações. O numero de equações do
sistema é igual ao numero de funções auxiliares gi(x) (
igual ao numero de incógnitas i )
Método dos Quadrados Mínimos – Passo a
Passo
 Passo 2:
 No caso da reta  ( x)  1   2 x  g1 ( x )  1 e
g 2 ( x)  x teremos um sistema com 2 equações:
q ç

 a11 a12  1   b1 

a      
 21 a22   2  b2 

áb l  ( x)  1   2 x   3 x 
2
 N caso d
No de uma parábola
g1 ( x)  1, g 2 ( x)  x e g 3 ( x)  x 2 teremos um sistema
com 3 equações:
õ
 a11 a12 a13  1   b1 
a a22 a23    2   b2 
 21
 a31 a32 a33   3  b3 
Método dos Quadrados Mínimos – Passo a
Passo
 Passo 2:
No caso de uma exponencial simples  ( x )  1 e 
x


g1 ( x)  e x teremos um sistema com 1 equação:

q ç
a11  1  b1

 Passo 3:
 Calcular
C fi i t aij e bi do
l l os coeficientes d passo 2 2. E
Esses
coeficientes são definidos pelos seguintes somatórios e
após seu calculo obteremos números
número de pontos experimentais
m m
aij   g i ( xk ) g j ( xk )  a ji bi   f ( xk ) g i ( xk )
k 1 k 1
Método dos Quadrados Mínimos – Passo a
Passo
 Passo 4:
 Reescrever o sistema de equações do passo 2 (agora os
aijj e bi são números) e resolvê-lo, por exemplo, utilizando
o método de eliminação de Gauss ou algum método
iterativo (Gauss-Jacobi ou Gauss-Seidel).
Método dos Q
Quadrados Mínimos - Retas

 Exemplo: Encontre a reta de quadrados mínimos que

melhor se ajusta aos pontos (2, 1), (5, 2), (7, 3), (8, 3).
Calculemos para g 1 ( x)  1 e g 2 ( x)  x .

Solução:
Nesse caso temos f ( x)   ( x)  1   2 x o que resulta em
termos g 1 ( x)  1 e g 2 ( x)  x . Para encontrarmos 1 e
2, resolveremos o sistema de 2 equações abaixo:

 a11 a12  1   b1 

a      
 21 a22   2  b2 
Método dos Q
Quadrados Mínimos - Retas

 Exemplo: Encontre a reta de quadrados mínimos que

melhor se ajusta aos pontos (2, 1), (5, 2), (7, 3), (8, 3).
Calculemos para g 1 ( x)  1 e g 2 ( x)  x .

Solução:
Escrevendo o sistema em termos dos aij e bi, ficamos assim:
 4   4  4

 g1 ( xk ) g1 ( xk )1   g 2 ( xk ) g1 ( xk ) 2   f ( xk ) g1 ( xk )

 k 1   k 1  k 1
 4
 g ( x ) g ( x )   g ( x ) g ( x ) 
4 4

 1 k 2 k  1

  2 k 2 k  2  f ( xk ) g 2 ( x k )
 k 1 
 k 1 k 1
Método dos Q
Quadrados Mínimos - Retas

 Exemplo: Encontre a reta de quadrados mínimos que

melhor se ajusta aos pontos (2, 1), (5, 2), (7, 3), (8, 3).
Calculemos para g 1 ( x)  1 e g 2 ( x)  x .

Solução:
Calculando os termos da primeira equação:
4 4

 1 k 1 k  1 k
g ( x ) g ( x )   g ( x )   12
 12

2
12
 12
4
k 1 k 1 =1
4

g
k 1
2 ( xk ) g1 ( xk )  2 1  5  1  7  1  8  1  22
= xk =1
4

 f ( x ) g ( x )  1 1  2  1  3  1  3  1  9
k 1
k 1 k
=1
Método dos Q
Quadrados Mínimos - Retas

 Exemplo: Encontre a reta de quadrados mínimos que

melhor se ajusta aos pontos (2, 1), (5, 2), (7, 3), (8, 3).
Calculemos para g 1 ( x)  1 e g 2 ( x)  x .

Solução:
Calculando os termos da segunda equação:
4

 g (x )g
k 1
1 k 2 ( xk )  1 2  1 5  1 7  1 8  22
=1 = xk
4 4

 2 k 2 k  2 k
g ( x ) g ( x )   g ( x )   2 2
 5 2
 7 2

2
8 2
 142
k 1 = xk = xk k 1

 f (x )g
k 1
k 2 ( xk )  2 1  5  2  7  3  8  3  57
= xk
Método dos Q
Quadrados Mínimos - Retas

 Exemplo: Encontre a reta de quadrados mínimos que

melhor se ajusta aos pontos (2, 1), (5, 2), (7, 3), (8, 3).
Calculemos para g 1 ( x)  1 e g 2 ( x)  x .

Solução:
Logo, chegamos ao seguinte sistema de equações:

41  22 2  9  4 22  1   9 

       
221  142 2  57 22 142  2  57
Resolvendo o sistema acima pela Eliminação de Gauss
T

chegamos à solução:  
2 5
7 14 

Método dos Q
Quadrados Mínimos - Retas

 Exemplo: Encontre a reta de quadrados mínimos que

melhor se ajusta aos pontos (2, 1), (5, 2), (7, 3), (8, 3).
Calculemos para g 1 ( x)  1 e g 2 ( x)  x .

Solução:
Substituindo os valores encontrados na equação original:

f ( x )   ( x )  1   2 x

2 5
f ( x)   ( x)   x
7 14
Método dos Q
Quadrados Mínimos - Retas
Método dos Q
Quadrados Mínimos – Parábolas

 Exemplo: Ajuste os dados abaixo pelo método dos

quadrados mínimos utilizando uma parábola do tipo
 ( x )   1   2 x   3 x 2  g1 ( x )  1, g 2 ( x )  x e g 3 ( x )  x 2
x 1 2 3 4 5 6 7 8

f(x) 0,5
, 0,6
, 0,9
, 0,8
, 1,2
, 1,5
, 1,7
, 2,0
,

Solução:
Para encontrarmos 1, 2 e 3 resolveremos o sistema de 3
equações a seguir:
 a11 a12 a13  1   b1 
a a22 a23    2   b2 
 21
 a31 a32 a33   3  b3 
 Método dos Q
Quadrados Mínimos – Parábolas

 Exemplo: Ajuste os dados abaixo pelo método dos

quadrados mínimos utilizando uma parábola do tipo
 ( x )   1   2 x   3 x 2  g1 ( x )  1, g 2 ( x )  x e g 3 ( x )  x 2
x 1 2 3 4 5 6 7 8

f(x) 0,5
, 0,6
, 0,9
, 0,8
, 1,2
, 1,5
, 1,7
, 2,0
,

Escrevendo o sistema em termos dos aij e bi, temos:

 8  8  8  8

 g1 ( xk ) g1 ( xk )1   g 2 ( xk ) g1 ( xk ) 2   g 3 ( xk ) g1 ( xk ) 3   f ( xk ) g1 ( xk )

 k 1   k 1   k 1  k 1

 8  8  8  8

 g1 ( xk ) g 2 ( xk )1   g 2 ( xk ) g 2 ( xk ) 2   g 3 ( xk ) g 2 ( xk ) 3   f ( xk ) g 2 ( xk )

 k 1   k 1   k 1  k 1
 8  8  8  8
 g1 ( xk ) g 3 ( xk )1   g 2 ( xk ) g 3 ( xk ) 2   g 3 ( xk ) g 3 ( xk ) 3   f ( xk ) g 3 ( xk )
 k 1   k 1   k 1  k 1
Método dos Q
Quadrados Mínimos – Parábolas

Calculando os termos da primeira equação:

8 8

 1 k 1 k  1 k
g ( x ) g ( x )   g ( x )   12
 12

2
12
 12
 12
 12
 12
 12
8
k 1 k 1 =1
8

g
k 1
2 ( xk ) g1 ( xk )  1 1  2  1  3  1  4  1  5  1  6  1 
= xk =1
7  1  8  1  36
8

 3 k 1 k
g (
k 1
x ) g ( x )  12
 1  2 2
 1  3 2
 1  4 2
 1  5 2
 1  6 2
1 
= xk 2 =1
7 2  1  82  1  204
8

 f ( x ) g ( x )  0,5 1  0,6  1  0,9  1  0,8 1  1,2

k 1
k 1 k 1 2  1  1,5  1 
=1
1,7 1  2,0  1  9,2
Método dos Q
Quadrados Mínimos – Parábolas

8
Calculando os termos da segunda equação:
 g (x )g
k 1
1 k 2 ( xk )  1  1  1  2  1  3  1  4  1  5  1  6 
=1 = xk
1 7  1 8  36
8 8

 2 k 2 k  2 k
g ( x ) g ( x )   g ( x )  12
 2 2

2
3 2
 4 2
 5 2
 6 2

k 1 = xk = xk k 1

7 2  82  204
8

 3 k 2 k
g (
k 1
x ) g ( x )  12
 1  2 2
 2  3 2
 3  4 2
 4  5 2
 5  6 2
6
= xk2 = xk
7 2  7  82  8  1296
8

 f (x )g
k 1
k 2 ( xk )  0,5  1  0,6  2  0,9  3  0,8  4  1,2
1 2  5  1,5  6 
= xk
1,7  7  2,0  8  50,5
Método dos Q
Quadrados Mínimos – Parábolas

8
Calculando os termos da terceira equação:
 1 k 3 k
g (
k 1
x ) g ( x )  1  12
 1  2 2
 1  3 2
 1  4 2
 1  5 2
 1  6 2

=1 = xk2
1 7 2  1 82  204
8

 2 k 3 k
g (
k 1
x ) g ( x )  1  12
 2  2 2
 3  3 2
 4  4 2
 5  5 2
 6  6 2

= xk = xk2
7  7 2  8  82  1296
8 8

 3 k 3 k  3 k
g ( x ) g ( x )   g ( x )   14
 2
2
4
 3 4
 4 4
 5 4
 6 4

k 1 k 1
= xk2 = xk2
7 4  84  8772
8


k 1
f ( xk ) g 3 ( xk )  0,5  12  0,6  2 2  0,9  32  0,8  4 2  1,2  52 
= xk2
1,5  6 2  1,7  7 2  2,0  82  319,1
Método dos Q
Quadrados Mínimos – Parábolas

Logo, chegamos ao seguinte sistema de equações:

81  36 2  204 3  9,2

361  204 2  1296 3  50,5 
204  1296  8772  319,1
 1 2 3

 8 36 204  1   9,2 

 36 204 1296      50,5 
  2   
204 1296 8772  3  319,1
Resolvendo o sistema acima pela Eliminação de Gauss


chegamos à solução:   0,7587 - 0,0871 0,0316
T
Método dos Q
Quadrados Mínimos – Parábolas

 Exemplo: Ajuste os dados abaixo pelo método dos

quadrados mínimos utilizando uma parábola do tipo
 ( x )   1   2 x   3 x 2  g1 ( x )  1, g 2 ( x )  x e g 3 ( x )  x 2
x 1 2 3 4 5 6 7 8

f(x) 0,5
, 0,6
, 0,9
, 0,8
, 1,2
, 1,5
, 1,7
, 2,0
,

Solução:
Substituindo os valores encontrados na equação original:
f ( x )   ( x )  1   2 x   3 x 2

f ( x)   ( x)  0,7587  0.0871 x  0.0316 x 2

Método dos Q
Quadrados Mínimos – Parábolas
 Método dos Q
Quadrados Mínimos – Parábolas

 Exemplo: Encontre a parábola através dos quadrados

mínimos que melhor se ajusta aos pontos da tabela

x -1,0
1,0 0,75 -0,6
0,6 -0,5
0,5 -0,3
0,3 0 0,2 0,4 0,5 0,7 1,0

f(x) 2,05 1,153 0,45 0,4 0,5 0 0,2 0,6 0,512 1,2 2,05

Solução:
Nesse caso temos f ( x )   ( x )  1   2 x   3 x , ou seja,
2
seja
uma parábola. Todavia, vimos pelo diagrama de dispersão
que uma parábola que passa pela origem seria uma boa
escolha, logo f ( x)   ( x)  1 x o que resulta em termos
2

g1 ( x)  x 2 . Para encontrarmos 1, basta resolvermos a

equação abaixo:
a11  1  b1
Método dos Q
Quadrados Mínimos – Parábolas

Montando os termos da equação:

11 11
[ g1 ( xk ) g1 ( xk )]1  f ( xk ) g1 ( xk )
k 1 k 1
11 11
  g1 ( xk ) 1   f ( xk ) g1 ( xk ) como g1 ( xk )  xk2
2

k 1 k 1
11 11
  ( xk ) 1   ( xk ) f ( xk )
4 2

k 1 k 1

Calculando os termos:
11

 k
( x ) 4
 ( 1,0 ) 4
 0, 75 4
 ( 0,6 ) 4
 ( 0,5) 4
 ( 0,3) 4
 ( 0) 4

k 1

(0,2) 4  (0,4) 4  (0,5) 4  (0,7) 4  (1) 4  2,8464

Método dos Q
Quadrados Mínimos – Parábolas

Calculando os termos:
11

 k
( x ) 2
f ( x k )  ( 1, 0) 2
 2, 05  0, 75 2
 1,153 
k 1

(0,6) 2  0,45  (0,5) 2  0,4  (0,3) 2  0,5 

(0) 2  0  (0,2) 2  0,2  (0,4) 2  0,6  (0,5) 2  0,512 
(0,7) 2 1,2  (1) 2  2,05  5,8756

Substituindo na equação original, temos

2,8464 1  5,8756  1  2,0642   ( x)  2,0642 x 2

Método dos Q
Quadrados Mínimos – Parábolas

 Comentários:
 Note que a parábola pela origem que melhor ajusta os
pontos fornecidos, através Método dos Quadrados
Mínimos, é dada por

 ( x)  2,0642 x 2

parábola da forma  ( x )   1   2 x   3 x p
2
 Uma p permite
um melhor ajuste dos pontos, mas o sistema a ser
resolvido é 3x3 com várias somas e produtos
intermediários, o que aumenta o tempo de processamento
Método dos Q
Quadrados Mínimos – Parábolas

 Exercício: Ajuste os dados abaixo pelo método dos

quadrados mínimos utilizando uma parábola do tipo
 ( x )   1   2 x   3 x 2  g1 ( x )  1, g 2 ( x )  x e g 3 ( x )  x 2

x 0 1 2 3 4

f(x) 27 42 60 87 127

Resposta:  ( x )  28 ,02  7 ,64 x  4, 21 x

2
 Ajuste de Curvas

Caso Não-Linear

Prof. Wellington Passos de Paula

wpassos@gmail.com
Caso Não-Linear
 Em alguns casos, a família de funções escolhidas pode
não ser linear
li nos parâmetros
â
 Ex: Função exponencial do tipo f ( x )   ( x )   1 e  a2 x
,
sendo 1 e 2 positivos

 Para aplicar o Método dos Quadrados Mínimos torna-se

necessário o uso de alguma transformação linear
 Ex: y   1 e 2  z  ln( y )  ln( 1 )   2 x . Se b1  ln( 1 )
a x

e b2   2  ln( y )  b1  b2 x   ( x ) que é um problema

linear nos parâmetros b1 e b2
Caso Não-Linear
 Aplicamos então o Método dos Quadrados Mínimos na
resolução
l d
do problema
bl linearizado.
li i d U Utilizamos
ili então os
valores encontrados para calcular os parâmetros
originais

 Observação: Os parâmetros 1 e 2 não serão ótimos

dentro do critério dos quadrados mínimos, pois vamos
aplicar o método ao problema lineari
linearizado
ado e não ao
problema original
Caso Não-Linear
 Exemplo: Suponhamos que em um laboratório
obtivemos
bi experimentalmente
i l os seguintes
i valores
l para
f(x) sobre os pontos xi, i = 1, 2, ..., 8

x -1,0 -0,7 -0,4 -0,1 0,2 0,5 0,8 1,0

f(x) 36,547 17,264 8,155 3,852 1,820 0,860 0,406 0,246

Fazendo diagrama de dispersão dos dados

Caso Não-Linear

O gráfico de dispersão nos sugere um ajuste

y   ( x )   1e   2 x
 Caso Não-Linear
 Como vimos, a lineaziração a ser feita é

z  ln( y )  ln( 1 e  a 2 x )  ln( 1 )   2 x   ( x )

 Logo, ajustaremos z  ln( y ) por quadrados mínimos,

encontrando  ( x )  b1  b2 x , onde b1  ln( 1 ) e
b2   2. Assim, temos:

x -1,0 -0,7 -0,4 -0,1 0,2 0,5 0,8 1,0

z = ln(y)
(y) 3,599 2,849 2,099 1,349 0,599 -0,151 -0,901 -1,402
 Caso Não-Linear

x -1,0
1,0 -0,7
0,7 -0,4
0,4 -0,1
0,1 0,2 0,5 0,8 1,0

z = ln(y) 3,599 2,849 2,099 1,349 0,599 -0,151 -0,901 -1,402

Solução:
linear. Utilizando g1 ( x )  1 e g 2 ( x )  x
Montando o sistema linear
(caso linear) e lembrando que b1 e b2 serão a solução desse
ssistema:
ste a
 8  8  8

 g1 ( xk ) g1 ( xk )b1   g 2 ( xk ) g1 ( xk )b2   f ( xk ) g1 ( xk )

 k 1   k 1  k 1
 8
 g ( x ) g ( x )b   g ( x ) g ( x )b 
8 8

 1 k 2 k  1

  2 k 2 k  2  f ( xk ) g 2 ( xk )
 k 1 
 k 1 k 1
 Caso Não-Linear

x -1,0
1,0 -0,7
0,7 -0,4
0,4 -0,1
0,1 0,2 0,5 0,8 1,0

z = ln(y) 3,599 2,849 2,099 1,349 0,599 -0,151 -0,901 -1,402

Solução:
Calculando os termos da primeira equação:

8 8

 g1 ( xk ) g1 ( xk )   g1 ( xk )  8
2

k 1 k 1
=1
8

g
k 1
2 ( xk ) g1 ( xk )  0,3
= xk =1
8

 z ( x ) g ( x )  8,041
k 1
k 1 k
=1
 Caso Não-Linear

x -1,0
1,0 -0,7
0,7 -0,4
0,4 -0,1
0,1 0,2 0,5 0,8 1,0

z = ln(y) 3,599 2,849 2,099 1,349 0,599 -0,151 -0,901 -1,402

Solução:
Calculando os termos da segunda equação:

 g (x )g
k 1
1 k 2 ( xk )  0,3
=1 = xk
8

g k 1
2 ( xk ) g 2 ( xk )  3,59
= xk = xk
8

 z( x ) g
k 1
k 2 ( xk )  8,646
= xk
 Caso Não-Linear

x -1,0
1,0 -0,7
0,7 -0,4
0,4 -0,1
0,1 0,2 0,5 0,8 1,0

z = ln(y) 3,599 2,849 2,099 1,349 0,599 -0,151 -0,901 -1,402

Solução:
Logo chegamos ao seguinte sistema de equações:
Logo,

8b1  0,3b2  8,041 8 0,3   b1   8,041 

       
0,3b1  3,59b2  8,646 0,3 3,59 b2   8.646
Resolvendo o sistema acima pela Eliminação de Gauss

chegamos à solução: b  1,099  2,5

T
 Caso Não-Linear

x -1,0
1,0 -0,7
0,7 -0,4
0,4 -0,1
0,1 0,2 0,5 0,8 1,0

z = ln(y) 3,599 2,849 2,099 1,349 0,599 -0,151 -0,901 -1,402

Solução:
Agora b1  ln(1 )  1  e b1  1  e1, 099  3,001
Agora,
 2  b2   2  2,5

Assim, a função  ( x)  1e  2 x  3,001e 2,5 x

Caso Não-Linear

 Existem outras situações em que será preciso fazer a

linearização da curva ajustada aos pontos do diagrama
de dispersão:

1 1
 Hipérbole: y   ( x )  z   1   2 x
1   2 x y

 Curva Exponencial:
p y  1   2x   ( x)
( se y  0, z  ln( y )  ln(1 )  x ln( 2 )  b1  b2 x   ( x))
b1 b2

 Curva Trigonométrica: y  1   2 cos( wx )   ( x )

t  cos( wx )   (t )  1   2t
Caso Não-Linear

 Exercício: O número de bactérias, por unidade de

volume, existente em uma cultura após x horas é dado
na tabela abaixo:

x 0 1 2 3 4 5 6

y 32 47 65 92 132 190 275

2x
a) Ajuste
juste os dados ac
acima
a à cu a y  1e
curva pe
pelo
o método
étodo dos
quadrados mínimos.
Resposta: ln y  3,469  0,355 x  y  32,104e
0 , 355 x

b) Quantas horas seriam necessárias para que o número de

bactérias por unidade de volume ultrapasse 2000?

Resposta: 11,64 hrs