Questão 3 (2.5)
Considere os dados:
Considere os dados:
| x | 0.5 | 1.0 | 1.5 | 2.0 |
|---|---|---|---|---|
| y | 1.8 | 2.3 | 2.7 | 3.0 |
a) Ajuste o modelo
por minimos quadrados. Calcule
.
b) Calcule o coeficiente de determinação ele é utilize por que esse coeficiente bus importante e para que ele
b) Calcule o coeficiente de determinação ele é utilize por que esse coeficiente bus importante e para que ele
onde
são os valores observados,
são os valores ajustados pelo modelo e
é a média dos darlos.
c) Explique a importância da análise de resíduos na validação do modelo.
d) Linearize
c) Explique a importância da análise de resíduos na validação do modelo.
d) Linearize
para resolver por mínimos quadrados. Esboce o procedimento passo a passo sem necessidade de resolver explicitamente o sistema linear.
e) Quais são as vantagens do método dos mínimos quadrados em relação à interpolação polinomia?
e) Quais são as vantagens do método dos mínimos quadrados em relação à interpolação polinomia?
Passo 1
O enunciado dá quatro pares de observações
:
E pede cinco coisas:
(a) ajustar o modelo por mínimos quadrados e calcular
;
(b) calcular o coeficiente de determinação pelo fórmula dada e justificar por que ele é importante;
(c) explicar a importância da análise de resíduos na validação do modelo;
(d) linearizar para resolver por mínimos quadrados (apenas esboço do procedimento, sem resolver sistema);
(e) apontar vantagens do método dos mínimos quadrados em relação à interpolação polinomial.
(a) ajustar o modelo
(b) calcular o coeficiente de determinação
(c) explicar a importância da análise de resíduos na validação do modelo;
(d) linearizar
(e) apontar vantagens do método dos mínimos quadrados em relação à interpolação polinomial.
Informações relevantes extraídas do enunciado (valores numéricos que usarei): os quatro pontos acima. Não há figura adicional.
Passo 2
Ideia do ajuste do modelo dado e linearização prática (aula rápida e por que funciona).
- O modelo é
. Se definirmos , então obtemos a relação linear em e :
- Explicação didática: transformar a variável dependente para
nos dá um modelo linear nos parâmetros e . Já sabemos como ajustar modelos lineares por mínimos quadrados: montamos as somas necessárias e resolvemos as equações normais. Essa transformação é válida porque não é zero nos dados (aqui todos positivos), então existe. - Portanto vou ajustar
como variável resposta usando regressão linear com duas regressoras: e . Depois, para prever em qualquer , calculo e devolvo .
Passo 3
Preparação dos dados transformados (faço as contas passo a passo e mostro o porquê de cada soma).
- Calculo
e para cada ponto:
(Valores de
obtidos diretamente das funções trigonométricas; valores de
são reciprocais de
.)
Passo 4
Montagem das somas necessárias para as equações normais (mostro explicitamente o que soma e por quê).
Para regressão linear sem intercepto do tipo com
, as equações normais são:
Para regressão linear sem intercepto do tipo
Calculo as somas (vou apresentar os valores numéricos usados):
Observação didática: cada soma é construída somando os produtos correspondentes ponto a ponto; por exemplo
.]
Passo 5
Escrita explícita do sistema 2×2 e método de resolução (Cramer / inversa 2×2) — faço a conta.
O sistema numérico é
O sistema numérico é
Para resolver, uso a fórmula da inversa de matriz
. O determinante é
Os parâmetros são
Fazendo as multiplicações e divisões (aqui mostro os números intermediários já calculados):
Logo
Breve comentário didático: esses
minimizam a soma dos quadrados das diferenças em
(isto é, em
), porque linearizamos o problema transformando
.]
Passo 6
Previsão de
usando os parâmetros obtidos (explico passo a passo).
- Calculo
. Valor: . - Prevejo
. Substituindo:
- Finalmente
. Portanto
Explicação prática: primeiro ajustamos em
, depois invertimos a previsão para voltar ao espaço original de
.
Passo 7
Cálculo do coeficiente de determinação
(passo a passo) — uso a definição do enunciado.
- Para cada ponto calculo
e depois . Com os acima obtive as previsões (arredondadas):
- A média observada é
- Calculo a soma dos quadrados dos resíduos (SSE):
- Calculo a soma total (SST):
- Pelo enunciado,
Interpretação numérica:
negativo indica que, ao comparar erros no espaço de
, o modelo ajustado (após linearizar em
) tem desempenho pior que um preditor trivial que sempre devolve a média
. Isso ocorre porque ajustamos minimizando erro em
, não diretamente em
; além disso o modelo pode ser inadequado para esses dados.
Passo 8
Explico didaticamente o que significa o
e por que ele é usado.
- O coeficiente de determinação mede a fração da variabilidade total nos dados em
que é “explicada” pelo modelo: quanto mais perto de , melhor; valores perto de indicam que o modelo não explica bem; valores negativos (como aqui) mostram que o modelo é pior que a média. - Por que é importante: dá uma medida resumida da qualidade do ajuste, é amplamente usado para comparar modelos simples, e ajuda a identificar quando um modelo não está capturando a variação dos dados. Atenção:
não diz se o modelo é correto (validações adicionais são necessárias, por exemplo análise de resíduos).
Passo 9
Importância da análise de resíduos (explicação passo a passo e prática).
- Definição rápida: o resíduo em cada ponto é
. A análise dos resíduos procura padrões nesses . - O que verificar e por quê:
- Padrões sistemáticos (curvas, tendência) indicam que o modelo é mal especificado (falta termos, não-linearidade não capturada).
- Heterocedasticidade (variância dos resíduos não constante) indica que os erros não têm variância homogênea — isso afeta inferência e intervalos de confiança.
- Outliers e pontos influentes identificáveis pelos resíduos grandes; esses pontos podem distorcer o ajuste.
- Independência dos resíduos (em séries temporais é crucial); se não for atendida, o ajuste e as inferências estão comprometidos.
- Normalidade dos resíduos (quando se quer construir intervalos ou testes paramétricos) — desvio forte da normalidade indica atenção.
- Conclusão prática: olhar para um gráfico de resíduos versus preditos, histograma de resíduos e Q–Q plot é uma etapa obrigatória antes de aceitar um modelo.
Passo 10
Linearização de
(procedimento passo a passo, sem resolver o sistema).
- Queremos estimar
e por mínimos quadrados. Primeiro isolamos a parte escalável:
- Tomamos logaritmo natural (condição:
para poder tomar log; é imprescindível checar isso nos dados):
- Definindo
, e , obtemos o modelo linear
- Procedimento para estimar por mínimos quadrados:
- Calcular
e para cada observação (verificar ). - Ajustar uma regressão linear simples de
em função de : estima-se e pelas fórmulas usuais de mínimos quadrados (somas de ). - Obter
. - Para prever em
: e .
- Calcular
- Observação pedagógica: esta transformação converte um problema não-linear em um linear nos parâmetros logarítmicos, permitindo aplicar diretamente mínimos quadrados; porém a transformação altera a métrica de erro (minimiza erro em
, não em ), o que deve ser levado em conta.
Passo 11
Vantagens do método dos mínimos quadrados vs interpolação polinomial (lista objetiva e prática).
- Robustez a ruído: mínimos quadrados procuram o melhor ajuste médio quando os dados têm erro; interpolação forçada (passar exatamente por todos os pontos) reproduz também o ruído.
- Evita overfitting: interpolação com polinômios de alto grau tende a oscilar e extrapolar mal; um modelo de mínimos quadrados com poucos parâmetros é mais parcimonioso.
- Estabilidade numérica: polinômios de alto grau podem ser numericamente instáveis; modelos lineares bem escolhidos são, em geral, mais estáveis.
- Interpretação e inferência estatística: mínimos quadrados permitem testes, intervalos de confiança e análise de variância; interpolação simplesmente encaixa pontos sem fornecer inferência.
- Flexibilidade: mínimos quadrados aceitam restrições, transformações e modelos não-lineares (por linearização ou por ajuste não-linear direto), enquanto interpolação polinomial é um caso muito específico.
Resposta
(a)
(b) (valor negativo indica ajuste, em termos de
, pior que usar a média
).
(c) A análise de resíduos é essencial para verificar suposições (linearidade, homocedasticidade, independência, normalidade), detectar outliers/pontos influentes e orientar melhoria do modelo.
(d) Linearização: escreva , tome logaritmos
; então faça regressão linear de
em
, estime
e
, e recupere
. (Requer
.)
(e) Vantagens dos mínimos quadrados sobre interpolação polinomial: mais robustez ao ruído, menor tendência a overfitting, maior estabilidade numérica, possibilidade de inferência estatística e maior flexibilidade de modelagem.
(b)
(c) A análise de resíduos é essencial para verificar suposições (linearidade, homocedasticidade, independência, normalidade), detectar outliers/pontos influentes e orientar melhoria do modelo.
(d) Linearização: escreva
(e) Vantagens dos mínimos quadrados sobre interpolação polinomial: mais robustez ao ruído, menor tendência a overfitting, maior estabilidade numérica, possibilidade de inferência estatística e maior flexibilidade de modelagem.