AJUSTE DE CURVAS

REGRESSÃO LINEAR

INTERPOLAÇÃO LINEAR

INTERPOLAÇÃO NÃO
LINEAR
MODELO LINEAR

• Qual a melhor reta?

• A melhor reta é aquela que passa o mais perto

possível de todos os pontos.

• Para a melhor reta a soma dos quadrados dos

resíduos deve ser a menor possível  MÉTODO
DOS MÍNIMOS QUADRADOS
MINIMIZAÇÃO DOS RESÍDUOS

𝑒𝑖 = 𝑦𝑖 − 𝑦𝑖
RESÍDUOS QUADRÁTICOS

Dados Resíduos
12 2
+ 8 -2
ΣResíduos2 ≠ 0
___
10 0
___
Soma 30 0
 ___
3
Média 10 resíduos = 0
𝑦=𝑦
MÉTODO DOS MÍNIMOS QUADRADOS

𝑦1 = 𝑏1 + 𝑏2 𝑥1
⋮
𝑦7 = 𝑏1 + 𝑏2 𝑥7

𝐲 = 𝐗𝐛 𝐛 = 𝐗𝑡 𝐗 −1 𝑡
𝐗 𝐲

𝑦1 1 𝑥1
𝑏1
𝐲= ⋮ 𝐗= ⋮ ⋮ 𝐛=
𝑦7 1 𝑥7 𝑏2
EXEMPLO 13:
Considere um processo industrial onde o rendimento depende da temperatura
conforme os dados tabelados abaixo.

Desenvolva um script no MATLAB para construir um modelo linear entre

rendimento e temperatura usando o método dos mínimos quadrados. Adicione
um gráfico com os dados tabelados e com a reta que representa o modelo.
ANÁLISE DOS RESÍDUOS
• O exame dos resíduos é fundamental para avaliar a qualidade
do ajuste de qualquer modelo.

• A avaliação numérica dos resíduos é feita através da ANÁLISE

DE VARIÂNCIA (ANOVA).

• A análise de variância é baseada na decomposição algébrica

dos desvios das respostas observadas em relação à média.

𝑆𝑄𝑒𝑚 𝑡𝑜𝑟𝑛𝑜 𝑑𝑎 𝑚é𝑑𝑖𝑎 = 𝑆𝑄𝑑𝑒𝑣𝑖𝑑𝑜 à 𝑟𝑒𝑔𝑟𝑒𝑠𝑠ã𝑜 + 𝑆𝑄𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙

𝑆𝑄𝑡𝑜𝑡𝑎𝑙 = 𝑆𝑄𝑟𝑒𝑔 + 𝑆𝑄𝑟𝑒𝑠

ANOVA

𝑆𝑄𝑡𝑜𝑡𝑎𝑙 = 𝑆𝑄𝑟𝑒𝑔 + 𝑆𝑄𝑟𝑒𝑠

2
𝑦𝑖 − 𝑦 = 𝑦𝑖 − 𝑦 2 + 𝑦𝑖 − 𝑦𝑖 2

COEFICIENTE DE COEFICIENTE DE
DETERMINAÇÃO DETERMINAÇÃO
AJUSTADO
𝑆𝑄𝑟𝑒𝑔
2
𝑅 = 2 𝑛−1
𝑆𝑄𝑡𝑜𝑡𝑎𝑙 𝑅𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑜 =1− 1 − 𝑅2
𝑛−𝑝
TABELA DA ANOVA

• ANÁLISE DE VARIÂNCIA (ANOVA):

• Para cada soma quadrática está associado um grau de liberdade (GL):
• SQT  (n – 1)
• SQR  (p – 1)
• SQr  (n – p)
• SQ/GL = MQ
• MQr é uma estimativa da variância dos pontos em torno do modelo
• MQr pode ser interpretada como uma medida do erro médio
quadrático da equação de regressão

𝑒𝑟𝑟𝑜 𝑝𝑎𝑑𝑟ã𝑜 𝑑𝑒 𝑒𝑠𝑡𝑖𝑚𝑎𝑡𝑖𝑣𝑎 = 𝑀𝑄𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙

TABELA DA ANOVA

• ANÁLISE DE VARIÂNCIA (ANOVA)

• As MQ são utilizadas para avaliar se a equação de regressão é
estatisticamente significativa.
• Para o teste de significância é usada uma distribuição F.

𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜

𝑀𝑄𝑟𝑒𝑔
𝐹𝐺𝐿𝑟𝑒𝑔 ,𝐺𝐿𝑟𝑒𝑠 =
𝑀𝑄𝑟𝑒𝑠
O MODELO DE REGRESSÃO É
ESTATISTICAMENTE SIGNIFICATIVO
TABELA DA ANOVA
EXEMPLO 14:

Monte um script no MATLAB para fazer uma ANOVA para a regressão

realizada no Exemplo 13. Calcule também os valores de R2, Raj2 e do erro
padrão de estimativa.
REGRESSÃO POLINOMIAL
2 𝑛
𝑦 = 𝑏1 + 𝑏2 𝑥 + 𝑏3 𝑥 + ⋯ + 𝑏𝑛+1 𝑥

𝐲 = 𝐗𝐛 𝐛 = 𝐗𝑡 𝐗 −1 𝑡
𝐗 𝐲

𝑦1 1 𝑥1 𝑥12 ⋯ 𝑥1𝑛 𝑏1
𝐲= ⋮ 𝐗= ⋮ ⋮ ⋮ ⋱ ⋮ 𝐛= ⋮
𝑦𝑖 1 𝑥𝑖 𝑥𝑖2 ⋯ 𝑥𝑖𝑛 𝑏𝑛+1
EXEMPLO 15:
Compare um ajuste linear e com um polinômio de ordem dois para os dados
abaixo.
LINEARIZAÇÃO DE RELAÇÕES NÃO LINEARES
EXEMPLO 16:
A decomposição da vitamina C, geralmente, segue uma cinética de primeira
ordem conforme a equação abaixo.
𝑣𝑖𝑡 𝐶 = 𝑣𝑖𝑡 𝐶 0 𝑒 −𝑘𝑡
Foram coletados os dados abaixo para uma temperatura de 40°C.

Determine o valor da constante de velocidade para 40°C, faça a ANOVA e

plote os resultados.
REGRESSÃO MÚLTIPLA - 𝐛 = 𝐗 𝑡 𝐗 −1 𝑡
𝐗 𝐲

MODELO LINEAR 1 𝑥1 𝑥2
𝐗= ⋮ ⋮ ⋮
𝑦 = 𝑏1 + 𝑏2 𝑥1 + 𝑏3 𝑥2 1 𝑥1 𝑥2

MODELO LINEAR COM 1 𝑥1 𝑥2 𝑥1 𝑥2

INTERAÇÃO 𝐗= ⋮ ⋮ ⋮ ⋮
𝑦 = 𝑏1 + 𝑏2 𝑥1 + 𝑏3 𝑥2 + 𝑏4 𝑥1 𝑥2 1 𝑥1 𝑥2 𝑥1 𝑥2

MODELO QUADRÁTICO
1 𝑥1 𝑥12 𝑥2 𝑥22 𝑥1 𝑥2
𝑦= 𝑏1 + 𝑏2 𝑥1 + 𝑏3 𝑥12 + 𝑏4 𝑥2 𝐗= ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
+𝑏5 𝑥22 + 𝑏6 𝑥1 𝑥2 1 𝑥1 𝑥12 𝑥2 𝑥22 𝑥1 𝑥2
 EXEMPLO 17

Considerando os dados da tabela ao lado, ajuste um

modelo polinomial de segunda ordem. Faça um
gráfico de previsto e observado, um gráfico de
superfície e a tabela da ANOVA.

𝑦 = 𝑏1 + 𝑏2 𝑥1 + 𝑏3 𝑥12 + 𝑏4 𝑥2 + 𝑏5 𝑥22 + 𝑏6 𝑥1 𝑥2
INTERPOLAÇÃO

• Utilizada para fazer a estimativa de valores intermediários de tabelas de

dados precisos.
• Linear
• Splines

• No MATLAB
>> vi = interp1(x,v,xi,’linear’)
>> vi = interp1(x,v,xi,’spline’)
EXEMPLO 18

Compare uma interpolação linear e por splines da função seno.