Esta questão propõe uma análise progressiva do Método dos Mínimos Quadrados, culminando em uma interpretação paramétrica do ajuste de curvas. Considere os pontos P1(1,1) e P2(2,2). Mostre que a reta que melhor se ajusta a estes pontos é simplesmente y = x. Adicione o ponto P3(3,4) ao conjunto de dados. Utilize o método matricial (ATA)X = ATY para encontrar a nova equação da reta y = ax + b que minimiza o erro quadrático para os pontos P1, P2 e P3. Adicione um quarto ponto ao modelo, mas agora com uma ordenada variável: P4(4,c).

Análise do Método dos Mínimos Quadrados com Parâmetro

Esta questão apresenta um estudo progressivo do Método dos Mínimos Quadrados, começando de um caso simples até chegar à análise paramétrica. Vamos resolver cada parte passo a passo.

Parte 1: O Caso Trivial

Com apenas dois pontos, não há necessidade de minimização porque dois pontos definem exatamente uma reta.

Cálculo da inclinação:
$$m = \frac{y2 - y1}{x2 - x1} = \frac{2 - 1}{2 - 1} = 1$$

Equação da reta:
$$y - y1 = m(x - x1) \Rightarrow y - 1 = 1(x - 1) \Rightarrow y = x$$

Como os dois pontos já estão alinhados na reta $y = x$, o erro quadrático é zero. ✅

Parte 2: O Desalinhamento

Com três pontos, precisamos usar o método matricial para encontrar a melhor aproximação.

Montagem das Matrizes

Para os pontos P1(1,1), P2(2,2), P3(3,4):

$$A = \begin{pmatrix} 1 & 1 \\ 2 & 1 \\ 3 & 1 \end{pmatrix}, \quad Y = \begin{pmatrix} 1 \\ 2 \\ 4 \end{pmatrix}$$

Cálculo de $A^TA$ e $A^TY$

$$A^TA = \begin{pmatrix} 1 & 2 & 3 \\ 1 & 1 & 1 \end{pmatrix} \begin{pmatrix} 1 & 1 \\ 2 & 1 \\ 3 & 1 \end{pmatrix} = \begin{pmatrix} 14 & 6 \\ 6 & 3 \end{pmatrix}$$

$$A^TY = \begin{pmatrix} 1 & 2 & 3 \\ 1 & 1 & 1 \end{pmatrix} \begin{pmatrix} 1 \\ 2 \\ 4 \end{pmatrix} = \begin{pmatrix} 19 \\ 7 \end{pmatrix}$$

Sistema Linear $(A^TA)\hat{x} = A^TY$

Subtraindo: $7a - 6a = 9,5 - 7 \Rightarrow a = 2,5$

Substituindo em $6a + 3b = 7$: $6(2,5) + 3b = 7 \Rightarrow 15 + 3b = 7 \Rightarrow b = -\frac{8}{3}$

Resposta da Parte 2: $$y = 2,5x - \frac{8}{3}$$

Parte 3: O Parâmetro c

Agora adicionamos P4(4, c) ao conjunto, tornando c uma variável que afeta o ajuste.

Dados Atualizados (n = 4 pontos)

Matriz Normal com Parâmetro

$$A^TA = \begin{pmatrix} 30 & 10 \\ 10 & 4 \end{pmatrix}, \quad A^TY = \begin{pmatrix} 23+4c \\ 7+c \end{pmatrix}$$

Sistema Resolvido

Subtraindo: $5a = 5,5 + 1,5c \Rightarrow a = 1,1 + 0,3c$

Substituindo em eq2: $10(1,1 + 0,3c) + 4b = 7 + c \Rightarrow 11 + 3c + 4b = 7 + c$

$$b = -1 - 0,5c$$

Resumo da Função de Regressão

$$\boxed{y = (1,1 + 0,3c)x + (-1 - 0,5c)}$$

## Análise Detalhada

a) Equação em função de c

A equação completa da reta de regressão é:
$$y = (1,1 + 0,3c)x + (-1 - 0,5c)$$

Onde:

• Coeficiente angular: $a = 1,1 + 0,3c$
• Coeficiente linear: $b = -1 - 0,5c$

b) Quando a inclinação é nula (a = 0)

$$1,1 + 0,3c = 0 \Rightarrow c = -\frac{1,1}{0,3} = -\frac{11}{3} \approx -3,67$$

Significado geométrico: Com $c = -11/3$, a reta de regressão se torna horizontal. Isso significa que, estatisticamente, não há relação linear entre x e y quando este ponto específico está presente — todas as variações de x não alteram significativamente o valor previsto de y.

c) Quando a reta passa pela origem (b = 0)

$$-1 - 0,5c = 0 \Rightarrow c = -\frac{1}{0,5} = -2$$

Significado geométrico: Com $c = -2$, a reta de regressão passa exatamente pelo ponto $(0, 0)$. Isso indica que, quando x = 0, o valor previsto de y também é zero, estabelecendo uma relação proporcional direta entre as variáveis.

Conclusão

Este exercício demonstra como o Método dos Mínimos Quadrados pode ser estendido para cenários paramétricos, permitindo analisar como diferentes valores afetam o modelo de regressão. É uma ferramenta poderosa para entender sensibilidade e comportamento de modelos estatísticos! 📊