Como ajustar e julgar um modelo 01 Cole os dados. Linhas de comentário que começam com # ou // são ignoradas, e linhas que não são interpretadas como dois números são reportadas com o número da linha em vez de descartadas em silêncio. 02 Escolha uma família, não uma fórmula. A lista de modelos é organizada por forma; um decaimento pertence ao crescimento/decaimento exponencial, e uma curva de saturação a Michaelis–Menten ou patamar exponencial. 03 Leia os parâmetros com seus intervalos. Um parâmetro cujo intervalo de 95 % cruza o zero não é evidência de que seja necessário; um intervalo estreito não é evidência de que o modelo esteja certo. 04 Compare entre famílias. O modo de comparação classifica os ajustes por AIC, que penaliza parâmetros extras, e mostra o R² ajustado ao lado do R² simples. 05 Confira a banda de previsão antes de extrapolar. A banda alarga-se ao afastar-se dos dados; se você prevê fora do intervalo ajustado, olhe o intervalo, não a curva.
Leituras resolvidas Tome a exponencial y = 2.5·e^(−0.4x) amostrada em x = 0, 0.5, …, 6 e adicione um pequeno ruído alternado de ±0.05:
Ajuste
Parâmetros
R²
R² ajustado
RMSE
AIC
Exponencial (família verdadeira)
a = 2.515414 , b = −0.402286
0.994984
0.994528
0.049678
−72.057
Quadrático
a = 0.070451 , b = −0.777154 , c = 2.436773
0.990802
0.988962
0.067272
−62.174
Patamar exponencial
y₀ = 2.52585 , y<sub>m</sub> = 0.03714 , k = 0.41747
0.995116
0.994140
0.049019
−70.404
Exponencial dupla
a = 0.081428 , b = 63.8975 , c = 2.46857 , d = 0.394163
0.995426
0.993901
0.047440
−69.256
Os parâmetros da exponencial cercam os valores verdadeiros: o intervalo de 95 % é 2.42511 … 2.605718 para a e −0.426244 … −0.378327 para b. Em x = 7 o valor ajustado é 0.150535 com uma banda de 0.128419 … 0.172650 , contra um valor verdadeiro de 0.152025 . Extrapolar para x = 20 dá 0.00080612 contra um verdadeiro 0.00083866 — um erro de 4 % numa região onde não há dados para restringir o ajuste.
Por que mais parâmetros sempre ajustam melhor Os mínimos quadrados minimizam a soma dos resíduos ao quadrado, e adicionar um parâmetro só pode reduzir essa soma. Por isso o R² simples é um mau árbitro: os quatro parâmetros da exponencial dupla alcançam R² = 0.995426 , acima dos 0.994984 do modelo verdadeiro, e o patamar exponencial também o ultrapassa. O R² ajustado e o AIC subtraem uma penalidade pelos parâmetros usados, e a classificação se inverte: a exponencial de dois parâmetros vence no AIC com −72.057 . "Melhor ajuste" é indefinido até você dizer quanto custa um parâmetro.
Os intervalos vêm da curvatura local da superfície de resíduos na solução; são locais e simétricos, e tornam-se pouco confiáveis quando os parâmetros se compensam. A exponencial dupla mostra isso — uma amplitude (a) colapsa para zero contra a outra (c) enquanto sua taxa de decaimento (b) compensa. Um conjunto de dados sem ruído é o caso-limite: o ajuste recupera a = 2.5 , b = −0.4 com SSE 0 , e a banda em x = 7 colapsa para 0.152025 , porque os resíduos não carregam informação de incerteza. Intervalos de largura zero descrevem os dados, não o modelo.
Limites e bordas
Os mínimos quadrados precisam de um ponto de partida e de uma forma. Levenberg–Marquardt é local; um modelo que parte longe dos dados pode convergir para um mínimo local ruim, e o painel reporta a convergência e o número de iterações para você ver quando ele não assentou.
Os dados precisam ser pares numéricos. Valores ausentes não são imputados e unidades não são rastreadas; uma linha mal interpretada é listada com o número da linha, e o modo de comparação recusa conjuntos de dados acima de 5.000 pontos em vez de executá-los às cegas. O que ele não faz. Não escolhe um modelo por você, não testa a normalidade dos resíduos nem trata medições ponderadas e replicadas — ele ajusta o modelo que você nomeia aos pontos que cola. Para estatísticas resumidas e testes de hipótese use Statistics ; para uma regressão linear com inferência sobre os coeficientes, o Regression panel ; para identificação de controlador a partir de um degrau, Control Design .
A armadilha da extrapolação A armadilha clássica é confiar na curva fora dos dados. A exponencial ajustada prevê 0.00080612 em x = 20 enquanto a verdade é 0.00083866 ; a diferença de 4 % parece inofensiva até você notar que a banda de confiança em x = 7 já é ±0.022 , cerca de 15 % do valor, e cresce com a distância. Um ajuste quadrático sobre o mesmo decaimento viraria para cima e cruzaria o zero em algum ponto depois dos dados, uma forma que a física proíbe. Ajuste dentro do intervalo medido, cite a banda e trate qualquer previsão além dele como uma suposição sobre o modelo, não como uma medição.
A segunda armadilha é comparar R² entre conjuntos de dados. O R² é relativo à variância daquela coluna y; o mesmo modelo pode marcar 0,99 num sinal calmo e 0,85 num ruidoso sem ficar pior. Compare modelos nos mesmos dados e use RMSE quando precisar de um erro nas unidades de y — aqui 0.0497 para a exponencial contra 0.0673 para a quadrática.
Onde ele se encaixa Calibrar a resposta de um sensor Ajuste uma exponencial ou lei de potência conhecida aos pontos de calibração e verifique se os parâmetros batem com a física: a = 2.515 contra um nominal de 2,5 é uma afirmação de calibração, enquanto o intervalo 2.425 … 2.606 diz quanto disso é ruído de amostragem. A banda num ponto de trabalho vira a incerteza que você leva para o próximo cálculo.
Escolher entre mecanismos concorrentes Quando dois mecanismos preveem formas diferentes, a tabela de comparação decide por critério de informação em vez de a olho: AIC da exponencial −72.057 contra quadrático −62.174 é uma diferença de quase dez, evidência forte da forma de decaimento; uma diferença de um ou dois pediria mais dados em vez de uma conclusão.
Privacidade Dados, ajustes e bandas são calculados no seu navegador; nada é enviado.
Referências
Wikipedia, Least squares , en.wikipedia.org (访问日期:2026-10-07)— o objetivo que todo ajuste minimiza.
Wikipedia, Coefficient of determination , en.wikipedia.org (访问日期:2026-10-07)— por que o R² nunca cai quando parâmetros são adicionados.
Wikipedia, Akaike information criterion , en.wikipedia.org (访问日期:2026-10-07)— a penalidade de parâmetros usada na tabela de comparação.
Wikipedia, Levenberg–Marquardt algorithm , en.wikipedia.org (访问日期:2026-10-07)— a iteração amortecida de Gauss–Newton por trás do ajuste.
NIST/SEMATECH e-Handbook of Statistical Methods, §4.1 Least Squares, itl.nist.gov (访问日期:2026-10-07)— resíduos, graus de liberdade e incerteza.
Calculators in this hub
Hand-picked tools, one click away. The mini versions compute live and carry your values into the full calculator.
Sources & review
Updated 2026-10-07