cci22-cap05.ppt [Modo de Compatibilidade] - comp.ita.brpauloac/cci22/cap05_p2_slides.pdf · Ajuste...
-
Upload
vuongkhanh -
Category
Documents
-
view
229 -
download
0
Transcript of cci22-cap05.ppt [Modo de Compatibilidade] - comp.ita.brpauloac/cci22/cap05_p2_slides.pdf · Ajuste...
CCI-22
� Introdução
� Método dos Mínimos Quadrados
� Regressão linear
� Ajuste de funções não-lineares� Ajuste de funções não-lineares
� Ajuste a um polinômio
� Ajuste a outras curvas
� Regressão de funções multivariáveis
� Mensuração da qualidade do ajuste
AJUSTE A UM POLINÔMIO� Se a curva f for ajustada a um polinômio de grau n,
teremos f*(x) = a0 + a1x + ... + anxn
� Seguindo o mesmo procedimento anterior, chegaremos ao seguinte sistema linear:
=
∑
∑
∑
∑∑∑∑∑
∑∑∑∑∑
∑∑∑∑
+++
+
ii
ni
iii
ii
n
i
ni
i
ni
i
ni
i
ni
i
ni
i
ni
ii
ii
ii
ii
i
ni
ii
ii
ii
yx
yx
y
a
a
a
xxxxx
xxxxx
xxxxm
MM
L
MOMMMM
L
L
1
0
2321
1432
32
.
EXEMPLO 2
� Os dados abaixo correspondem ao volume do álcool anídrico em função da temperatura. Considerando um volume inicial de 1cm3 a 0°C, deseja-se uma tabela do volume para temperaturas entre 20 e 40°C
t (°C) 13,9 43,0 67,8 89,0 99,2
v (cm3) 1,04 1,12 1,19 1,24 1,27
� Ajustaremos v(t) à um polinômio de grau 2. Considerando o volume inicial, temos v (t) = 1 + a t + a tinicial, temos v*(t) = 1 + a1t + a2t2
� Sistema de equações normais para as demais constantes:
=
∑
∑
∑∑
∑∑
iii
iii
ii
ii
ii
ii
vt
vt
a
a
tt
tt
2
2
1
43
32
.
=
0202,5661
142,66.
10.841675,110.0750189,2
10.0750189,269,24400
2
1
86
6
a
a
a1 = 0,003068189 a2 = 1,548545.10-7
t 13,9 20 25 30 35 40 43,0 67,8 89,0 99,2
v 1,04 1,12 1,19 1,24 1,27
v* 1,04 1,06 1,08 1,09 1,11 1,12 1,13 1,21 1,27 1,31
EXEMPLO 3
� Ajuste um polinômio de segundo grau aos dados abaixo
A partir dos dados podemos construir o sistema:
x 0 1 2 3 4 5
y 2,1 7,7 13,6 27,2 40,9 61,1
� A partir dos dados podemos construir o sistema:
� m=6
� ∑xi = 15 ∑yi = 152,6 ∑xi2 = 55 ∑xi
3 = 55
� ∑xi4 = 979 ∑xi yi = 585,6 ∑xi
2 yi = 2488,8
=
∑∑∑
∑∑∑∑∑∑∑∑
ii
ii
i
iii
iii
ii
yx
yx
y
a
a
a
xxx
xxx
xxm
2
2
1
0
432
32
2
.
EXEMPLO 3 - CONTINUAÇÃO
� Logo,
=
6,585
6,152
.2255515
55156
1
0
a
a
� Resolvendo o sistema, se obtém:� a0 =2,47857 a1=2,35929 a2 =1,86071� Resolução alternativa no Matlab:
8,248897922555
2a
x=[0 1 2 3 4 5]
y=[2,1 7,7 13,6 27,2 40,9 61,1]
polyfit(x,y,2)
1,86071 2,35929 2,47857
CCI-22
� Introdução
� Método dos Mínimos Quadrados
� Regressão linear
� Ajuste de funções não-lineares� Ajuste de funções não-lineares
� Ajuste a um polinômio
� Ajuste a outras curvas
� Regressão de funções multivariáveis
� Mensuração da qualidade do ajuste
AJUSTE À CURVA EXPONENCIAL� Também é possível ajustar f a uma curva exponencial,
fazendo-se antes uma mudança de variável:� f*(x) = c1ekx, onde c1 e k são constantes� ln f*(x) = ln c1 + kx� z*(x) = c2 + kx, onde z*(x) = ln f*(x)� z* e x estão relacionados linearmente: basta resolver a � z* e x estão relacionados linearmente: basta resolver a
regressão linear� Depois de resolvido esse sistema, volta-se ao problema
original
EXEMPLO
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
A dispersão dos dados sugere um ajuste à
curva exponencial, ver próximo slide
z*(x) = c2 + kx, onde z*(x) = ln f*(x)
próximo slide
x -1,0 -0,7 -0,4 -0,1 0,2 0,5 0,8 1,0
z(x) = ln f(x) 3,599 2,849 2,099 1,349 0,599 -0,151 -0,901 -1,402
=
∑
∑
∑∑
∑
iii
ii
ii
ii
ii
xz
z
k
c
xx
xm2
2.
−
=
646,8
041,8.
59,33,0
3,08 2
k
c
c2 = 1,099
k = -2,5
ln f*(x) = 1,099 – 2,5x
f*(x) = 3,001e– 2,5x
AJUSTE A OUTRAS CURVAS� Equação de Potência: f*(x) = axb
� ln f*(x) = ln a + b.ln x� Sejam z* = ln f*(x) e t = ln x� Portanto, z*(t) = ln a + bt� z* e t estão relacionados linearmente
� Equação f*(x) = abx
� ln f*(x) = ln a + x.ln b� ln f*(x) = ln a + x.ln b� Seja z*(x) = ln f*(x) � Portanto, z*(x) = ln a + x.ln b� z* e x estão relacionados linearmente
� Equação de saturação: f*(x) = ax/(b+x)� 1/f*(x) = b/(ax)+1/a� Seja z* = 1/f*(x) e t=1/x� Portanto, z*(t) = t*b/a + 1/a� z* e t estão relacionados linearmente
CCI-22
� Introdução
� Método dos Mínimos Quadrados
� Regressão linear
� Ajuste de funções não-lineares� Ajuste de funções não-lineares
� Ajuste a um polinômio
� Ajuste a outras curvas
� Regressão de funções multivariáveis
� Mensuração da qualidade do ajuste
REGRESSÃO LINEAR MÚLTIPLA
� É possível estender a regressão linear para o caso de funções lineares de múltiplas variáveis como:� f(x1 , x2 , x3 ..., xn )
� Tomando por exemplo o caso:� f(x1 , x2) = a0 + a1 .x1 + a2 .x2� f(x1 , x2) = a0 + a1 .x1 + a2 .x2
� Define-se a função resíduo como :� R = ∑ (a0 + a1x1i + a2 .x2i – yi)2 , onde o somatório engloba todos os
pontos de ajuste. Isto é, 0 ≤ i ≤ m.
� Para que R seja mínimo, é necessário que:�∂R/∂a0 = 0
� ∂R/∂a1 = 0
�∂R/∂a2 = 0
REGRESSÃO LINEAR MÚLTIPLA� R = ∑ (a0 + a1x1i + a2 .x2i – yi)2
� ∂R/∂a0 = 2 ∑ (a0 + a1x1i + a2 .x2i – yi) = 0� ∂R/∂a1 = 2 ∑ x1i (a0 + a1x1i + a2 .x2i – yi) = 0� ∂R/∂a2 = 2 ∑ x2i (a0 + a1x1i + a2 .x2i – yi) = 0
� Temos então um sistema linear com três incógnitas (a0 , a1 e a2) e três equações,Este sistema pode ser escrito na forma matricial abaixo e resolvido � Este sistema pode ser escrito na forma matricial abaixo e resolvido através de um método numérico, tal como a eliminação de Gauss.
� Desta forma, determina-se o plano que ajusta os pontos tridimensionais dados pelo critério dos mínimos quadrados.
=
∑∑∑
∑∑∑∑∑∑∑∑
ii
ii
i
iiii
iiii
ii
yx
yx
y
a
a
a
xxxx
xxxx
xxm
2
1
2
1
0
2
2212
21
2
11
21
.
.
.
CCI-22
� Introdução
� Método dos Mínimos Quadrados
� Regressão linear
� Ajuste de funções não-lineares� Ajuste de funções não-lineares
� Ajuste a um polinômio
� Ajuste a outras curvas
� Regressão de funções multivariáveis
� Mensuração da qualidade do ajuste
TESTE DE ALINHAMENTO� Há uma maneira simples de averiguar se a curva de
ajuste foi ou não bem escolhida:� Nos m pontos experimentais {(x1,y1), ..., (xm,ym)}, calcular as
correspondentes trocas de variáveis� Por exemplo, zi = ln yi, 1≤i≤m
� Fazer o diagrama de dispersão desses novos dados (z,x)� Fazer o diagrama de dispersão desses novos dados (z,x)� Verificar o alinhamento dos pontos
x -1,0 -0,7 -0,4 -0,1 0,2 0,5 0,8 1,0
Y=f(x) 36,547 17,264 8,155 3,852 1,820 0,860 0,406 0,246
x -1,0 -0,7 -0,4 -0,1 0,2 0,5 0,8 1,0
z(x) = ln f(x) 3,599 2,849 2,099 1,349 0,599 -0,151 -0,901 -1,402
MENSURAÇÃO DA QUALIDADE DA
REGRESSÃO-LINEAR
� Quanto maior a qualidade da regressão, menor será o valor da função resíduo:� R =∑(f*(xi )-yi )2
� Pode-se definir o resíduo em relação a média como:� RM =∑(y* -yi )2 , onde y* = ∑iyi/m
� Define-se o coeficiente de determinação de um ajuste decurvas como:
� O coeficiente de correlação é definido como:
� Em um ajuste perfeito, r=r2= 1. Quanto mais próximo de 1for o coeficiente de determinação melhor o ajuste.
M
M
R
RRr
−
=2
M
M
R
RRr
−
=
EVOLUÇÃO DA POPULAÇÃO BRASILEIRA
� A tabela abaixo fornece dados de evolução da população brasileira (em milhões de habitantes) , ajuste uma curva a este dados e projete o valor da população no ano 2000.
ano 1872 1890 1900 1920 1940 1950 1960 1970 1980 1991
Hab. 9,9 14,3 17,4 30,6 41,2 51,9 70,2 93,1 119,0 146,2
HIPÓTESE: RELAÇÃO EXPONECIAL
� Fazendo o ajuste para y=a*ebx , obtemos os seguintes coeficientes:� 0.0229 -40.6088
� Dessa forma, a = 2.3111*10-18 e b=0,0229� Dessa forma, a = 2.3111*10-18 e b=0,0229
� O coeficiente de determinação pode ser calculado como: 0,9955
EXEMPLO
� Um objeto é suspenso em um túnel de vento e a força é medida em diversos níveis de velocidade:
x (m/s) 10 20 30 40 50 60 70 80
y (N) 25 70 380 550 610 1220 830 1450
� Através de regressão por mínimos quadrados tente ajustar estes dados com: uma reta, uma equação de potência. Verifique qual o melhor ajuste através do coeficiente de determinação e do teste de hipótese.
AJUSTE A UMA RETA
∑ x .y = 318250 ; ∑ x 2 = 20400
a0 = y* – a1x*∑ixi.yi – (∑ixi.∑iyi)/m
∑ixi2 – (∑ixi)2/m
a1 = y* = ∑iyi/m x* = ∑ixi/m
� ∑ixi.yi = 318250 ; ∑ixi2 = 20400
� ∑ixi = 360 ∑iyi = 5135 � y* = 5135/8=641,875 x*=360/8=45� Assim� a1 = 19,4702 a0= -234,2857
AJUSTE A UMA EQUAÇÃO DE POTÊNCIA
Uso de ln(x) e ln(y)
a0 = y* – a1x*∑ixi.yi – (∑ixi.∑iyi)/m
∑ixi2 – (∑ixi)2/m
a1 = y* = ∑iyi/m x* = ∑ixi/m
� Uso de ln(x) e ln(y)� y=a*xb => ln(y)= ln(a)+b*ln(x)� Determina-se os coeficientes:� a1 = 1.9842 a0 = -1.2941
REGRESSÃO LINEAR DE LN(X) VS LN(Y)
� Os dados obtidos para a regressão linear foram� a1 = 1,9842� a0 = -1,2941
� Assim poder-se-ia estimar a força através de:� Assim poder-se-ia estimar a força através de:� F(v)= 0,2741*v1,98
� De fato, a resistência do ar pode ser representada por: � F= c.v2 , onde c é uma constante de proporcionalidade
chamada de coeficiente de arrasto (kg/s)
TESTE DE HIPÓTESE
� Teste da Hipótese de uma Reta� Faz-se o ajuste de uma reta para:� (y medido, y estimado por uma reta)
� Teste da Hipótese de uma Equação de Potência� Faz-se o ajuste de uma reta para:� (y medido, y estimado pela equação de potência)
� Em uma estimativa perfeita um gráfico ( y medido, y estimado) será:� Uma reta com coeficientes:� a1 = 1� a0 = 0
� Desenhando estes gráficos e calculando o ajuste linear obtemos:
TESTE DE HIPÓTESES
� RETA:� Os coeficientes do ajuste linear são:� a1 = 0.8805� a0 = 76.7135� Coeficiente de determinação r2 = 0,8805� Coeficiente de determinação r2 = 0,8805
� Equação de Potência:� Os coeficientes são:� a1 = 1.0497 � a0 = -18.6452� Coeficiente de determinação r2 = 0,9481
REGRESSÃO LINEAR DE LN(X) VS LN(Y)
� Os dados obtidos para a regressão linear foram� a1 = 1,9842� a0 = -1,2941
� Assim poder-se-ia estimar a força através de:� Assim poder-se-ia estimar a força através de:� F(v)= 0,2741*v1,98
� De fato, a resistência do ar pode ser representada por: � F= c.v2 , onde c é uma constante de proporcionalidade
chamada de coeficiente de arrasto (kg/s)