Ajuste de Curvas Regressão -...

Ajuste de Curvas

Regressão

Computação – 2º Semestre 2016/2017

Ajuste de Curvas

Quando apenas sabemos alguns valores de uma função contínua e queremos estimar outros valores intermédios

Quando queremos obter uma versão simplificada de uma função complexa

Exemplos de aplicações em Ciência e Engenharia para o ajuste de curvas aos dados experimentais:

Análise de tendências: usar a curva obtida para fazer previsões para valores não obtidos experimentalmente

Teste de hipóteses: verificar a correcção de um modelo matemático ou ajustar os seus parâmetros de acordo com os dados experimentais

29 Maio 2017 Ajuste de Curvas – Regressão Linear

Ajuste de Curvas

Dois tipos de abordagens que dependem dos erros

associados aos dados disponíveis:

Regressão: se o erro nos dados é significativo procurar uma curva

que represente todos os pontos sem ter que os intersectar

Interpolação: se os dados são exactos procurar uma curva que

passe por todos os pontos

3Ajuste de Curvas – Regressão Linear9 Maio 2017

Estatística Descritiva

Objectivo: Descrever um conjunto de dados de forma sucinta

Exemplo: foram feitas 24 medidas de uma quantidade

Medidas de tendência central

Média Aritmética: soma dos valores individuais (yi) a dividir pelo seu

número n:

Mediana: o ponto médio de um conjunto ordenado de dados.

Moda: o valor que ocorre mais frequentemente.

Medidas de dispersão

Desvio Padrão:

em que St é a soma do quadrado dos residuos:

Variância:

Coeficiente de variação:

St yi y 2

2 yi y

2 yi 2

c.v. sy

y 100%

Exemplo:

6Ajuste de Curvas – Regressão Linear

097133.0124

22 )097133.0(ys

009435.0

c.v. sy

y 100%

%47.1%1006.6

097133.0

9 Maio 2017

Distribuição dos dados

Histograma: representação visual das frequências de ocorrência

dos valores

Se distribuídos de acordo com a Distribuição Normal:

%95]2,2[%68],[

sysysysy %95]794266.6,405734.6[

9 Maio 2017

Estatística Descritiva no MATLAB

O MATLAB tem várias funções pré-definidas de estatística descritiva. Se s é um vector coluna: mean(s), median(s), mode(s)

Calcula a média, a mediana, e a moda de s.

min(s), max(s)

Calcula o valor mínimo e o valor máximo em s.

var(s), std(s)

Calcula a variância e o desvio padrão de s

Se o argumento s é uma matriz o resultado é calculado para cada coluna.

Histogramas em MATLAB

[n, x] = hist(s, x)

Determina o número de elementos em cada intervalo de dados em s.

x é um vector com os valores centrais dos intervalos.

[n, x] = hist(s, m)

Determina o número de elementos em cada intervalo de dados em s.

m é o número de intervalos usado. Por omissão: m=10

hist(s, x), hist(s, m), hist(s)

Sem argumentos de saída produz o gráfico.

exemplo: >> s=[6.395 6.435 6.485 6.495 6.505 6.515

6.555 6.555 6.565 6.575 6.595 6.605

6.615 6.625 6.625 6.635 6.655 6.655

6.665 6.685 6.715 6.715 6.755 6.775]';

>> format short g

>> mean(s), median(s), mode(s)

exemplo: >> min(s),max(s)

>> range=max(s)-min(s)

range =

>> var(s),std(s)

0.0094348

0.097133

exemplo: >> [n,x] =hist(s)

1 1 3 1 4 3 5 2 2 2

6.414 6.452 6.49 6.528 6.566 6.604 6.642 6.68 6.718 6.756

>> hist(s)

Números Aleatórios em MATLAB

r = rand(m, n)

Gera uma matriz mn de números aleatórios uniformemente distribuídos entre 0 e 1.

r = a + (b-a)*rand(m, n)

Gera uma matriz mn de números aleatórios uniformemente distribuídos entre a e b.

r = randn(m, n)

Gera uma matriz mn de números aleatórios de acordo com uma distribuição normal com média 0 e desvio padrão 1.

r = med + s*randn(m, n)

Gera uma matriz mn de números aleatórios de acordo com uma distribuição normal com média med e desvio padrão s.

Exemplo: bungee jumper

Sabe-se que:

g=9.81 m/s2, m=68.1 kg

Usar a função rand para gerar 1000 valores de cd uniformemente distribuídos entre 0.225 e 0.275 (0.25 kg/m 10%) e calcular a distribuição de velocidades para t=4 s

Usar a função randn para gerar 1000 valores de cd distribuídos de acordo com uma normal com média 0.25 e desvio padrão 0.01443 e calcular a distribuição de velocidades para t=4 s

gmtv d

9 Maio 2017

Exemplo: bungee jumper (distribuição uniforme) Escrever ficheiro uniformCd.m

clc,format short g

n=1000;t=4;m=68.1;g=9.81;

cd=0.25;cdmin=cd-0.025;cdmax=cd+0.025;

cdrand=cdmin+(cdmax-cdmin)*rand(n,1);

meancd=mean(cdrand),stdcd=std(cdrand)

subplot(2,1,1)

hist(cdrand),title('(a) Distribution of drag')

xlabel('cd (kg/m)')

vrand=sqrt(g*m./cdrand).*tanh(sqrt(g*cdrand/m)*t);

meanv=mean(vrand)

subplot(2,1,2)

hist(vrand),title('(b) Distribution of velocity')

xlabel('v (m/s)')

Exemplo: bungee jumper (distribuição uniforme)

>> uniformCd

meancd =

0.24944

stdcd =

0.014162

meanv =

33.126

Números Aleatórios em MATLAB Exemplo: bungee jumper (distribuição normal)

Escrever ficheiro normalCd.m

clc,format short g

n=1000;t=4;m=68.1;g=9.81;

cd=0.25; stdev=0.01443;

cdrand=cd+stdev*randn(n,1);

meancd=mean(cdrand),stdevcd=std(cdrand),cvcd=stdevcd/meancd*100

subplot(2,1,1)

hist(cdrand),title('(a) Distribution of drag')

xlabel('cd (kg/m)')

vrand=sqrt(g*m./cdrand).*tanh(sqrt(g*cdrand/m)*t);

meanv=mean(vrand),stdevv=std(vrand),cvv=stdevv/meanv*100

subplot(2,1,2)

hist(vrand),title('(b) Distribution of velocity')

xlabel('v (m/s)')

Exemplo: bungee jumper (distribuição normal)

>> normalCd

meancd =

0.25067

stdevcd =

0.014622

cvcd =

meanv =

33.102

stdevv =

0.29137

0.88023

Regressão Linear

Ajustar uma linha recta a um conjunto de pares de

observações: (x1, y1), (x2, y2),…,(xn, yn).

y=a0+a1x+e

Em que:

a1- slope

a0- intercept

e- erro (resíduo) entre o modelo e as observações

Regressão Linear

y=a0+a1x+e → e=y a0 a1x

Critérios: Minimizar a soma dos erros residuais

Inadequado: os erros positivos compensam os erros negativos (ambas as linhas minimizam o critério)

i xaaye1

9 Maio 2017

Regressão Linear

Critérios: Minimizar a soma do valor absoluto dos erros

Inadequado: não determina uma única linha (qualquer linha entre as tracejadas minimiza o critério)

i xaaye1

9 Maio 2017

Regressão Linear

Critérios: Minimizar o erro máximo

Inadequado: um grande erro num ponto compromete o resultado (a linha tracejada minimiza o critério)

Regressão Linear

Critérios: Minimizar a soma dos quadrados dos erros

Tem sempre uma única solução!

Denominado: Método dos Mínimos Quadrados

yi a0 a1xi 2

9 Maio 2017

Método dos Mínimos Quadrados

Minimizar a soma dos quadrados dos erros

Mínimo quando as derivadas se anulam:

yi a0 a1xi 2

xxaaya

S ii xaay 10

100 iiii xaxaxy

ii yaxan 10

iiii yxaxax 1

yxyxna

valores médios

9 Maio 2017

Exemplo: dados experimentais para medir como a força de resistência do ar depende da velocidade

(a) dispersão de dados à volta da média da variável dependente

(b) dispersão de dados à volta da linha obtida por regressão

A redução da dispersão representa a melhoria na explicação dos

dados obtida pela regressão linear.

Medida de dispersão para a variável dependente:

Desvio Padrão: em que

Na regressão o resíduo representa a distância vertical entre o observado e a linha recta:

Assumindo uma distribuição

normal do erro da estimativa

“Desvio Padrão” da regressão:

St yi y 2

ir xaayeS1

sy / x Sr

n 29 Maio 2017

St é a soma dos quadrados à volta da média da variável dependente

Sr é a soma dos quadrados dos resíduos à volta da linha de regressão

St-Sr quantifica a redução do erro obtida pela descrição dos dados com a linha de regressão em vez da descrição com o valor médio.

O coeficiente de determinação r2 é dado por:

r2 representa a percentagem da incerteza original explicada pelo modelo.

Para um ajuste perfeito, Sr=0 e r2=1.

Se r2=0, não há melhorias relativamente à simples escolha da média.

Se r2<0, o modelo é pior que a simples escolha da média!

r2 St Sr

(r – coeficiente de correlação)

9 Maio 2017

(a) regressão linear com um coeficiente de determinação maior

(b) regressão linear com um coeficiente de determinação menor

(melhorou!)

(88% da incerteza original é explicada pelo modelo)

9 Maio 2017

Linearização de Relações Não Lineares

A Regressão Linear assume a linearidade entre as

variáveis dependente e independente

No entanto, nem sempre é o caso!

Exemplo:

:limitado ocresciment

:potência

:lexponencia

Em certos casos é possível linearizar o modelo:

xyey x

111:limitado ocresciment

loglog log:potência

ln ln:lexponentia

oLinearizadlinear NãoModelo

Exemplo: dados experimentais para medir como a força de resistência do ar depende da velocidade (modelo potência)

xyxy loglog log 2222

9842.12741.0 xy

9 Maio 2017

Função linregr

function [a, r2] = linregr(x,y)

% linregr: linear regression curve fitting

% [a, r2] = linregr(x,y): Least squares fit of straight

% line to data by solving the normal equations

% input:

% x = independent variable

% y = dependent variable

% output:

% a = vector of slope, a(1), and intercept, a(2)

% r2 = coefficient of determination

n = length(x);

if length(y)~=n, error('x and y must be same length'); end

9 Maio 2017

Função linregr

x = x(:); y = y(:); % convert to column vectors

sx = sum(x); sy = sum(y);

sx2 = sum(x.*x); sxy = sum(x.*y); sy2 = sum(y.*y);

a(1) = (n*sxy-sx*sy)/(n*sx2-sx^2);

a(2) = sy/n-a(1)*sx/n;

r2 = ((n*sxy-sx*sy)/sqrt(n*sx2-sx^2)/sqrt(n*sy2-sy^2))^2;

% create plot of data and best fit line

xp = linspace(min(x),max(x),2);

yp = a(1)*xp+a(2);

plot(x,y,'o',xp,yp)

grid on

9 Maio 2017

Função linregr

Exemplo: dados experimentais para medir como a força de resistência do ar depende da velocidade (modelo linear)

>> x = [10 20 30 40 50 60 70 80];

>> y = [25 70 380 550 610 1220 830 1450];

>> [a, r2] = linregr(x,y)

19.4702 -234.2857

0.8805

Função linregr

>> [a, r2] = linregr(log10(x),log10(y))

1.9842 -0.5620

0.9481

Função pré-definida polyfit

A função pré-definida polyfit usa o método dos

mínimos quadrados para ajustar um polinómio de grau n:

p = polyfit(x, y, n)

x: dados da variável independente

y: dados da variável dependente

n: ordem do polinómio

p: coeficientes do polinómio

f(x)=p1xn+p2x

n-1+…+pnx+pn+1

O comando polyval pode ser usado para calcular um

valor com os coeficiente do polinómio obtidos.

y = polyval(p, x)

Função linregr

Exemplo: dados experimentais para medir como a força de resistência do ar depende da velocidade (modelo linear)

>> x = [10 20 30 40 50 60 70 80];

>> y = [25 70 380 550 610 1220 830 1450];

>> a = polyfit(x,y,1)

19.4702 -234.2857

>> y = polyval(a,45)

641.8750

Regressão Polinomial

O método dos mínimos quadrados pode ser usado para o ajuste de um polinómio de ordem superior.

A ideia é minimizar a soma dos quadrados dos erros residuais.

Exemplo do ajuste de:a) Um polinómio de primeiro grau

b) Um polinómio de segundo grau

44Ajuste de Curvas – Regressão Não Linear9 Maio 2017

Para um polinómio de segundo grau, minimizar:

Encontrar os zeros das derivadas:

Resolver o sistema equações lineares de 33:

yi a0 a1xi a2xi

Em geral, minimizar:

corresponde a resolver um sistema de equações lineares m+1m+1

O “Desvio Padrão” para o ajuste de um polinómio de ordem m a n pontos é:

O coeficiente de determinação r2 é:

yi a0 a1xi a2xi

2 amxi

sy / x Sr

r2 St Sr

Exemplo: ajustar um polinómio de 2º grau aos dados das 2 primeiras colunas da tabela seguinte

Resolver o sistema equações lineares de 33:

Exemplo: ajustar um polinómio de 2º grau aos dados das 2 primeiras colunas da tabela seguinte

Correspondendo ao sistema equações lineares de 33:

Exemplo: ajustar um polinómio de 2º grau aos dados

das 2 primeiras colunas da tabela seguinte>> N = [6 15 55;15 55 225;55 225 979];

>> r = [152.6 585.6 2488.8];

>> a = N\r

2.4786

2.3593

1.8607

Resultando o polinómio:

Regressão Não Linear

Nem todas os modelos podem ser representados por equações lineares de coeficientes e funções básicas. Ex:

Uma solução consiste em transformar as variáveis e resolver o problema de regressão linear resultante. Desvantagens: Nem todas as equações podem ser transformadas

A solução obtida corresponde ao melhor ajuste para as variáveis transformadas e não para as variáveis originais.

A alternativa é usar regressão não linear para determinar directamente o ajuste que minimiza a soma dos quadrados dos erros residuais.

Regressão Não Linear em MATLAB

Escrever uma função que calcule a soma dos quadrados dos

erros residuais.

Usar a função pré-definida fminsearch para encontrar os

valores dos coeficientes que minimizam a função anterior.

xyxy loglog log 2222

9842.12741.0 xy

9 Maio 2017

Escrever no ficheiro fSSR.m:

function f = fSSR(a,xm,ym)

yp = a(1)*xm.^a(2);

f = sum((ym-yp).^2);

Introduzir os dados para ajustar:

>> x = [10 20 30 40 50 60 70 80];

>> y = [25 70 380 550 610 1220 830 1450];

Resolver o problema de minimização:

fminsearch(@fSSR, [1, 1], [], x, y)

2.5384 1.4359

Resultado:

53Ajuste de Curvas – Regressão Não Linear

4359.15384.2 xy

9 Maio 2017

Os coeficientes obtidos maximizam o coeficiente de

determinação r2 e podem ser diferentes dos obtidos por

transformação:

Ajuste de Curvas Regressão -...

Documents

Transcript of Ajuste de Curvas Regressão -...

TURMAS TEORICAS - UFSC

Ajuste de Curvas por Regressão e Ajuste Sigmoidal de Curvas (2)

ELISABETH REGINA DE TOLEDO - UFV...ELISABETH REGINA DE TOLEDO ESTRUTURAS DE COVARIÂNCIAS NO AJUSTE DE CURVAS DE CRESCIMENTO DE BOVINOS DA RAÇA GUZERÁ APROVADA: …

Teoricas Fiscal APD

Interpolacion y Ajuste de Curvas

MINISTÉRIO DA DEFESA EXÉRCITO BRASILEIRO … · INFERIORES ACIONADOS POR MÚSCULOS PNEUMÁTICOS Rio de ... FIG. 5.2 Ajuste das curvas de torque ... FIG. 5.16 Força necessária

Ajuste de curvas de calibracao para tres modelos de medidores ...

Escola Politécnica de Pernambuco Departamento de Ensino Básico Capítulo 09 Ajuste de Curvas, Regressão e Correlação Prof. Sérgio Mário Lins Galdino

Ajuste de Curvas Matlab

NEURORRADIOLOGIA TEORICAS

Capitulo2 Nocoes Teoricas Praticas Fotogrametria

Ajuste de Curvas-jc

1390082123210 Buzan Implicacoes Teoricas 11set

DSOFT Amintas engenharia. Ajuste de Curvas Unidade 6.

AJUSTE DE CURVA B-SPLINE FECHADA COM PESO · PEREIRA, L. R. Ajuste de Curvas B-spline Fechada com Peso. 2014. 165f. Dissertação de ... curva B-spline, de modo que a mesma possuía

Ajuste de Curvas - @professorenan

Cálculo Numérico - Unidade 6 - Ajuste de Curvas

Interpolação e Ajuste de Curvas TM-236 Cálculo Numérico Prof. Luciano K. Araki 2009/2.

PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE MATERIAIS · DESENVOLVIMENTO DE PROGRAMA DE AJUSTE MULTIPARAMÉTRICO DE CURVAS DE TITULAÇÃO POTENCIOMÉTRICA DE COLOIDES MAGNÉTICOS

Ajuste de Curvas