Universidade Federal de Campina Grande – UFCG Centro de Ciências e Tecnologias – CCT Unidade Acadêmica de Engenharia Química - UAEQ Métodos Numéricos para Engenharia Química Aula 14 Prof. Nilton Silva Conteúdo • Regressão (Prova dia: Definir) – Linear – Não linear • Otimização – Unidimensional • Método de Newton • Método da Secção Dourada – Multidimensional • Simplex • Equações Diferenciais Ordinárias – Método de Euler • Método de Runge-Kutta FUNDAMENTOS - REGRESSÃO LINEAR Dado um conjunto de dados (x1, y1), (x2, y2), ..., (xn, yn), com a seguinte dispersão: FUNDAMENTOS - REGRESSÃO LINEAR Dado um conjunto de dados (x1, y1), (x2, y2), ..., (xn, yn). Por interpolação: FUNDAMENTOS - REGRESSÃO LINEAR Dado um conjunto de dados (x1, y1), (x2, y2), ..., (xn, yn). Por ajuste linear usando ajuste com mínimos quadrados: Uma expressão para a linha reta: y a0 a1 x e onde a0 e a1 são coeficientes interceptação e a inclinação. e é o error, ou resíduo, entre o modelo e as observações. FUNDAMENTOS - REGRESSÃO LINEAR O erro ou desvio entre o modelo e as observações pode ser representado por: e y a0 a1 x Assim o erro, ou residual, é a discrepância entre o valor verdadeiro de y e o valor aproximado, a0+a1x, predito por uma equação linear. FUNDAMENTOS - REGRESSÃO LINEAR Critério para um “melhor” ajuste O melhor ajuste da linha através dos dados poderá ser realizado pela soma dos erros residuais para avaliação nos dados, dado por: n n e y i 1 i i 1 i a0 a1 xi Onde n = total de número de pontos. FUNDAMENTOS - REGRESSÃO LINEAR Critério para um “melhor” ajuste Uma estratégia mais adequada para a minimização da soma dos quadrados residuais entre a medição de y e o calculado com o modelo linear: n n Sr e yi ,medida yi ,mod elo 2 i i 1 n 2 i 1 Sr yi ,medida a0 a1 xi 2 i 1 Permitindo determinar os valores de a0 e a1 por minimização. FUNDAMENTOS - REGRESSÃO LINEAR Ajuste por mínimos quadrados de um reta: n S r 2 yi a0 a1 xi 0 a0 i 1 n S r 2 ( yi a0 a1 xi ) xi 0 a1 i 1 n n n i 1 i 1 i 1 0 yi a0 a1 xi n n n i 1 i 1 i 1 0 yi xi a0 xi a1 xi2 FUNDAMENTOS - REGRESSÃO LINEAR Expressando as equações para as estimativas a0 e a1: na0 xi a1 yi x a x a x y i 0 2 i 1 i i Assim as equações normais são: a1 n xi yi xi yi n xi2 xi a0 y a1 x 1 y yi n 1 x xi n REGRESSÃO LINEAR Exercícios: A partir dos dados experimentais, realizar o ajuste linear. xi yi 1 0.5 2 3 4 5 6 7 2.5 2.0 4.0 3.5 6.0 5.5 24.0 y a0 a1 x e n S r 2 yi ,medida a0 a1 xi 0 a0 i 1 n S r 2 ( yi ,medida a0 a1 xi ) xi 0 a1 i 1 a1 n xi yi xi yi n xi2 xi a0 y a1 x 2 y 1 yi n x 1 xi n QUANTIFICAÇÃO DO ERRO DA REGRESSÃO LINEAR O resíduo na regressão linear representa a distância vertical entre o ponto de dados e a linha reta: Pelo principio de verossimilhança estatistica, o desvio padrão para a regressão pode ser determinado como: sy / x Sr n2 Chamado de erro de estimação. QUANTIFICAÇÃO DO ERRO DA REGRESSÃO LINEAR A diferença entre o a magnitude do erro residual associado com a variável dependente antes da regressão e soma dos quadrados dos resíduos em torno da linha de regressão: St S r r St 2 Onde r² é chamado de coeficiente de determinação e r é o coeficiente de correlação. Para um ajuste perfeito Sr = 0, e r = r² = 1. Se r = r² = 0, Sr = St, representa um ajuste improvável. Um forma alternativa para r: r n xi yi xi yi n x 2 i x 2 i n x 2 i x 2 i REGRESSÃO LINEAR Algoritmo: (n sumxy sumx sumy ) Sub Regress( x, y, n, a1, a 0, syx, r 2) a1 (n sumx 2 sumx sumx) sumx 0; sumxy 0; st 0 sumy 0; sumx 2 0; sr 0 a 0 ym a1 xm for i 1, n for i 1, n sumx sumx x(i ) st st ( y (i ) ym)² sumy sumy y (i ) sr sr ( y (i ) a1 xi a 0)² sumxy sumxy x(i ) y (i ) end sum2 sumx 2 x(i ) x(i ) syx ( sr /(n 2)) 0.5 end r 2 ( st sr ) / st xm sumx / n end Regress ym sumy / n Múltipla Regressão linear Uma extensão útil da regressão linear é o caso em que y é uma função linear de dois ou mais variáveis independentes. y a0 a1 x1 a2 x2 e Do critério de mínimos quadrados: n n i 1 i 1 S r e ( yi a0 a1 x1 a2 x2 ) 2 n S r 2 ( yi a0 a1 x1i a2 x2i ) a0 i 1 n S r 2 x1i ( yi a0 a1 x1i a2 x2i ) a1 i 1 n S r 2 x2i ( yi a0 a1 x1i a2 x2i ) a2 i 1 Múltipla Regressão linear Uma extensão útil da regressão linear é o caso em que y é uma função linear de dois ou mais variáveis independentes. y a0 a1 x1 a2 x2 e Do critério de mínimos quadrados: n n i 1 i 1 S r e ( yi a0 a1 x1 a2 x2 ) 2 n x1i x2 i x x x x 1i 2 1i 1i 2 i a0 yi 1i 2 i a1 x1i yi 2 a 1i 2 x2i yi x x x x 2i Múltipla Regressão linear Exemplo: A partir dos dados calcular os coeficientes a0, a1 e a2, por regressão múltipla. y a0 a1 x1 a2 x2 e x1i 0 x2i 0 yi 5 2 2.5 1 4 1 2 3 6 10 9 0 3 7 2 27 n x1i x2 i x x x x 1i 2 1i 1i 2 i sy / x a0 yi 1i 2 i a1 x1i yi 2 a 1i 2 x2i yi x x x x 2i Sr n (m 1) FUNDAMENTOS - REGRESSÃO NÃO-LINEAR Dado um conjunto de dados (x1, y1), (x2, y2), ..., (xn, yn), com a seguinte dispersão: FUNDAMENTOS - REGRESSÃO NÃO-LINEAR Outro exemplo é o modelo exponencial: y 1e 1 x Onde 1 e 1 são constantes. Esse modelo descreve comportamentos como crescimento populacional ou decaimento radioativo. Outro exemplo é a equação de potencia: y 2 x 2 FUNDAMENTOS - REGRESSÃO NÃO-LINEAR Linearização Linearização Linearização FUNDAMENTOS - REGRESSÃO NÃO-LINEAR Exemplo: Realizar a regressão de dados para a equação de potencia, do seguintes dados: xi yi 1 2 3 4 0.5 1.7 3.4 5.7 5 8.4 y 2x 2 REGRESSÃO NÃO-LINEAR • Os modelos não-lineares são definidos como aqueles que têm uma dependência não linear sobre os seus parâmetros. • Ex.: f ( x) a0 (1 e a1 x )e REGRESSÃO NÃO-LINEAR • O método Newton-Gauss é um algoritmo para minimização da soma dos quadrados dos resíduos entre os dados e a equação não-linear. yi f ( xi ; a0 , a1 ,..., am ) ei • O modelo não linear pode ser expandido em uma série de Taylor em torno da primeira derivada: f ( xi ) j 1 f ( xi ) j f ( xi ) j a0 (a0, j 1 a0, j ) ... f ( xi ) j an (ai , j 1 ai , j ) • Assim: yi f ( xi ) j f ( xi ) j a0 (a0, j 1 a0, j ) ... f ( xi ) j an (an , j 1 an , j ) ei REGRESSÃO NÃO-LINEAR • O método Newton-Gauss: yi f ( xi ) j f ( xi ) j • Na forma matricial: a0 (a0, j 1 a0, j ) ... f ( xi ) j an (an , j 1 an , j ) ei {D} [ Z j ]{A} {E} • Onde: y1 f ( x1 ) y f ( x ) 2 {D} 2 yn f ( xn ) f1 / a0 f / a 0 [Z j ] 2 f n / a0 f1 / an f 2 / a1 f n / a1 f1 / an f 2 / an • Onde o critério de parada: a k ak , j 1 ak , j ak , j 1 100% a0 a {A} 1 an REGRESSÃO NÃO-LINEAR • Exemplo: • Para os dados apresentados, realizar a regressão para o ajuste a1 x da função: f ( x; a0 , a1 ) a0 (1 e xi 0.25 0.75 1.25 1.75 2.25 yi 0.28 0.57 0.68 0.74 0.79 ) Com valores iniciais de a0 = 1 e a1 = 1: f 1 e a1x a0 {D} [ Z j ]{A} {E} f a0 xe a1x a0 a k ak , j 1 ak , j ak , j 1 100%