CÁLCULO NUMÉRICO

AULA 4

Profª Fernanda Fonseca

CONVERSA INICIAL

O estudo de fenômenos por meio de dados (coletados experimentalmente

ou não) exige uma análise matemática dos padrões desses dados no campo da
física, da engenharia, da estatística, da matemática, entre outras áreas de
conhecimento.
Por esse motivo, é muito importante a definição de modelos matemáticos
que descrevam de forma precisa as relações entre as grandezas envolvidas no
estudo. A compreensão dessas relações permite estimar valores não conhecidos
e prever situações e condições novas.
Nesta aula, estudaremos métodos de interpolação e extrapolação de
dados para estimar funções para conjuntos de dados que se ajustem melhor à
forma com essas grandezas se relacionam. Também estudaremos métodos de
verificação da precisão desses modelos matemáticos para direcionamento da
melhor opção de função a ser adotada no estudo do fenômeno em questão.

TEMA 1 – INTERPOLAÇÃO

Os métodos de interpolação permitem determinar um novo conjunto de

dados internos ao intervalo de valores numéricos tabelados (Jarletti, 2018). Esse
processo consiste em aproximar uma função 𝑔(𝑥) simples (e contínua no
conjunto dos números reais) de um conjunto de pontos que caracterizam uma
função 𝑓(𝑥) desconhecida e/ou mais complexa.
Para isso, utilizamos métodos para determinar uma função interpoladora
𝑔(𝑥) cujos valores da função interpoladora nos pontos de interpolação já
conhecidos de 𝑓(𝑥) são iguais aos da função geradora dos pontos, como mostra
a Figura 1.
 Figura 1 – Pontos de interpolação

Veja que, na Figura 1, para os pontos conhecidos cujas abscissas são,

respectivamente, 𝑥0 e 𝑥1 , o valor da função interpoladora 𝑔(𝑥) é igual ao valor
da função geradora 𝑓(𝑥), que é mais complexa e desconhecida, conforme
equação 1.
𝑓 (𝑥𝑖 ) = 𝑔(𝑥𝑖 ) 𝑠𝑒𝑛𝑑𝑜 𝑖 = 𝑛 𝑝𝑎𝑟𝑎 (𝑛 + 1) 𝑝𝑜𝑛𝑡𝑜𝑠 (1)

Vamos então conhecer alguns métodos de interpolação!

1.1 Interpolação linear

A interpolação linear consiste em uma aproximação da função com uma

reta descrita pela função 𝑔(𝑥). Esse método utiliza apenas dois pontos
conhecidos para interpolação, sendo os dois pontos dos extremos do intervalo a
ser interpolado. Isso faz com que outras características da função sejam
desconsideradas, tornando essa aproximação imprecisa em muitos casos.
Apesar disso, pela sua simplicidade, é um dos métodos de interpolação mais
utilizados (Jarletti, 2018; Chapra; Canale, 2002).
Essa interpolação é caracterizada por uma função linear 𝑔(𝑥 ) = 𝑦, que
pode ser determinada pela Equação 2, implementada sobre os dois pontos
interpoladores (𝑥1 ; 𝑦1 ) e (𝑥2 ; 𝑦2 ).
𝑦2 − 𝑦1
𝑦 − 𝑦1 = ∙ (𝑥 − 𝑥1 ) (2)
𝑥2 − 𝑥1
Para compreender melhor a aplicação desse método, veja o exemplo a
seguir.
Exemplo 1

3
 Estime o valor de 𝑙𝑛(2) utilizando a interpolação linear, considerando os
pontos conhecidos apresentados na tabela a seguir:

Tabela 1 – Exemplo 1

𝒙 1 4 6
𝒚 = 𝒍𝒏 (𝒙) 0 1,386294 1,791759

Resolução
Adotaremos os pontos mais próximos de 𝑥 = 2. Essa proximidade permite
uma estimativa mais precisa do valor desejado.
𝑃𝑜𝑛𝑡𝑜 1: 𝑥1 = 1 𝑒 𝑦1 = 0
Logo, {
𝑃𝑜𝑛𝑡𝑜 2: 𝑥2 = 4 𝑒 𝑦2 = 1,386294
Substituindo esses pontos na Equação 2, teremos:
𝑦2 − 𝑦1 (1,386294) − (0)
𝑦 − 𝑦1 = ∙ (𝑥 − 𝑥1 ) ⇒ 𝑦 − (0) = ∙ (𝑥 − (1))
𝑥2 − 𝑥1 (4) − (1)
1,386294
𝑦= ∙ (𝑥 − 1)
3
𝑦 = 0,462098 ∙ (𝑥 − 1)
𝑦 = 0,462098𝑥 − 0,462098 → 𝐹𝑢𝑛çã𝑜 𝑖𝑛𝑡𝑒𝑟𝑝𝑜𝑙𝑎𝑑𝑜𝑟𝑎

Utilizando essa função, quando 𝑥 = 2, teremos que

𝑦 = 0,462098(2) − 0,462098
𝑦 = 0,462098
Isso significa dizer que, pela interpolação linear aqui realizada, podemos
estimar que 𝑦 = 𝑙𝑛(2) = 0,462098. Entretanto, o valor estimado mostra-se como
uma aproximação do valor real de 𝑦 = 𝑙𝑛(2), conforme é possível observar na
Figura 2.

4
 Figura 2 – Interpolação linear

Sabendo que o valor real de 𝑙𝑛(2) = 0,6931472, essa estimativa

apresenta um desvio relativo de 33,33%.

1.2 Interpolação polinomial

A aproximação de uma curva a uma função linear nem sempre é

adequada, podendo gerar erros bastante grandes nas estimativas, como
observamos no Exemplo 1. A aproximação de uma curva a uma função
quadrática (de formato parabólico), ou com outro polinômio de maior grau, pode
ser mais bem ajustada.
Nesse caso, a função de interpolação mostra-se como um polinômio de
grau menor ou igual a 𝑛 dado pela Equação 3:
𝑝(𝑥 ) = 𝑎0 + 𝑎1 ∙ 𝑥 + 𝑎2 ∙ 𝑥 2 + 𝑎3 ∙ 𝑥 3 + ⋯ + 𝑎𝑛 ∙ 𝑥 𝑛 (3)
Para esse tipo de interpolação, é necessário tratar de 𝑛 + 1 pontos na
tabela de dados.
No processo de interpolação, é necessário determinar os valores dos
coeficientes 𝑎𝑘 para 𝑘 = 0, 1, 2, 3, … , 𝑛 no sistema de equações definidas por
𝑓 (𝑥𝑘 ) = 𝑝(𝑥𝑘 ) para 𝑘 = 0, 1, 2, 3, … , 𝑛 (Equação 4).
𝑎0 + 𝑎1 ∙ 𝑥0 + 𝑎2 ∙ 𝑥02 + 𝑎3 ∙ 𝑥03 + ⋯ + 𝑎𝑛 ∙ 𝑥0𝑛 = 𝑝(𝑥0 )
𝑎0 + 𝑎1 ∙ 𝑥1 + 𝑎2 ∙ 𝑥12 + 𝑎3 ∙ 𝑥13 + ⋯ + 𝑎𝑛 ∙ 𝑥1𝑛 = 𝑝(𝑥1 )
𝑎0 + 𝑎1 ∙ 𝑥2 + 𝑎2 ∙ 𝑥22 + 𝑎3 ∙ 𝑥23 + ⋯ + 𝑎𝑛 ∙ 𝑥2𝑛 = 𝑝(𝑥2 ) (4)
…
{𝑎0 + 𝑎1 ∙ 𝑥𝑛 + 𝑎2 ∙ 𝑥𝑛2 + 𝑎3 ∙ 𝑥𝑛3 + ⋯ + 𝑎𝑛 ∙ 𝑥𝑛𝑛 = 𝑝(𝑥𝑛 )

5
 Denominamos a matriz dos coeficientes do formato matricial desse
sistema de Matriz de Vandermonde (Equação 5), em referência ao matemático
francês Alexandre-Théophile Vandermonde (1735-1796). O determinante dessa
matriz deve ser diferente de zero para que tenhamos uma possível solução
única.
1 𝑥0 𝑥02 𝑥03 … 𝑥0𝑛 𝑎0 𝑓 (𝑥0 )
𝑛
1 𝑥1 𝑥12 𝑥13 … 𝑥1 𝑎1 𝑓 (𝑥1 )
𝑛 ∙ 𝑎2 = 𝑓 (𝑥 ) (5)
1 𝑥2 𝑥22 𝑥23 … 𝑥2 2
… … … … … … … …
[1 𝑥4 𝑥𝑛2 𝑥𝑛3 … 𝑥𝑛𝑛 ] [𝑎𝑛 ] [𝑓 (𝑥𝑛 )]

Vamos observar um exemplo para compreendermos melhor esse método

de interpolação polinomial.
Exemplo 2
Vamos agora estimar o valor de 𝑙𝑛(2) utilizando a interpolação polinomial,
considerando os pontos conhecidos apresentados na tabela a seguir.

Tabela 2 – Exemplo 2

𝒙 1 4 6
𝒚 = 𝒍𝒏 (𝒙) 0 1,386294 1,791759

Resolução
Veja que trabalharemos agora com os três pontos da tabela. Isso significa
que o grau 𝑛 do polinômio interpolador será dado por
𝑛+1=3→𝑛 =2
Ou seja, a função interpoladora será uma função quadrática (função de
segundo grau). Isso significa que o polinômio interpolador será dado por
𝑝(𝑥 ) = 𝑎0 + 𝑎1 ∙ 𝑥 + 𝑎2 ∙ 𝑥 2
Logo, substituindo os valores dos dados da tabela na equação, chegamos
ao seguinte sistema de equações
𝑎0 + 𝑎1 ∙ (1) + 𝑎2 ∙ (1)2 = 0 𝑎0 + 𝑎1 + 𝑎2 = 0
{𝑎0 + 𝑎1 ∙ (4) + 𝑎2 ∙ (4)2 = 1,386294 ⇒ {𝑎0 + 4𝑎1 + 16𝑎2 = 1,386294
𝑎0 + 𝑎1 ∙ (6) + 𝑎2 ∙ (6)2 = 1,791759 𝑎0 + 6𝑎1 + 36𝑎2 = 1,791759
𝑎0 = −0,669590
Resolvendo o sistema de equação, temos como solução { 𝑎1 = 0,721464
𝑎2 = −0,051873

Nesse caso, o polinômio interpolador será dado por

6
 𝑝(𝑥 ) = 𝑎0 + 𝑎1 ∙ 𝑥 + 𝑎2 ∙ 𝑥 2 ⇒ 𝑝(𝑥 ) = (−0,669590) + (0,721464) ∙ 𝑥 + (−0,051873) ∙ 𝑥 2

𝑝(𝑥 ) = −0,669590 + 0,721464𝑥 − 0,051873𝑥²

Utilizando essa função, quando 𝑥 = 2, teremos que

𝑦 = 𝑝(𝑥 ) = −0,669590 + 0,721464 ∙ (2) − 0,051873 ∙ (2)²

𝑦 = 0,565844

Isso significa dizer que, pela interpolação linear aqui realizada, podemos
estimar que 𝑦 = 𝑙𝑛(2) = 0,565844. Entretanto, o valor estimado mostra-se como
uma aproximação do valor real de 𝑦 = 𝑙𝑛(2), conforme é possível observar na
Figura 3.

Figura 3 – Interpolação polinomial (função quadrática)

Sabendo que o valor real de 𝑙𝑛(2) = 0,6931472, essa estimativa

apresenta um desvio relativo de 18,37%. Veja que o desvio da Interpolação
polinomial é menor que o desvio encontrado pela interpolação linear no exemplo
1. Isso significa que a aproximação da curva a uma função quadrática tem um
melhor ajuste.

TEMA 2 – POLINÔMIO INTERPOLADOR DE LAGRANGE

Uma outra forma de interpolação que não exige a resolução de sistemas

de equações, é o método de Interpolação de Lagrange. Segundo Jarletti (2018),
o polinômio interpolador mostra-se como um polinômio de grau menor ou igual
a 𝑛 (Equação 6), tratando de 𝑛 + 1 pontos na tabela de dados.
𝑝𝑛 (𝑥 ) = 𝑦0 ∙ 𝐿0 (𝑥 ) + 𝑦1 ∙ 𝐿1 (𝑥 ) + 𝑦2 ∙ 𝐿2 (𝑥 ) + ⋯ + 𝑦𝑛 ∙ 𝐿𝑛 (𝑥 ) (6)

7
 Nessa Equação 6, o termo 𝐿𝑘 (𝑥 ) é determinado pela Equação 7.
∏𝑛𝑖=0(𝑥 − 𝑥𝑖 )
𝑖≠𝑘
𝐿𝑘 ( 𝑥 ) = (7)
∏𝑛𝑖=0(𝑥𝑘 − 𝑥𝑖 )
𝑖≠𝑘

Esse termo ∏𝑛𝑖=0(𝑥 − 𝑥𝑖 ) representa um produtório de (𝑥 − 𝑥𝑖 ), ou seja:

𝑖≠𝑘
𝑛

∏(𝑥 − 𝑥𝑖 ) = (𝑥 − 𝑥0 ) ∙ (𝑥 − 𝑥1 ) ∙ (𝑥 − 𝑥2 ) … (𝑥 − 𝑥𝑛 ) 𝑝𝑎𝑟𝑎 𝑖 ≠ 𝑘
𝑖=0
𝑖≠𝑘

O fator (𝑥 − 𝑥𝑘 ) não deve ser incluído no produto.

O termo ∏𝑛𝑖=0(𝑥𝑘 − 𝑥𝑖 ) representa um produtório de (𝑥𝑘 − 𝑥𝑖 ), ou seja:
𝑖≠𝑘
𝑛

∏(𝑥𝑘 − 𝑥𝑖 ) = (𝑥𝑘 − 𝑥0 ) ∙ (𝑥𝑘 − 𝑥1 ) ∙ (𝑥𝑘 − 𝑥2 ) … (𝑥𝑘 − 𝑥𝑛 ) 𝑝𝑎𝑟𝑎 𝑖 ≠ 𝑘

𝑖=0
𝑖≠𝑘

O fator (𝑥𝑘 − 𝑥𝑘 ) não deve ser incluído no produto.

Exemplo 3
Estime o valor de 𝑙𝑛(2) utilizando o polinômio interpolador de Lagrange,
considerando os pontos conhecidos apresentados na tabela a seguir:

Tabela 3 – Exemplo 3

𝒙 1 4 6
𝒚 = 𝒍𝒏 (𝒙) 0 1,386294 1,791759

Resolução
Como temos três pontos (𝑛 + 1 = 3), trabalharemos com um polinômio de
grau 𝑛 = 2 dado por
𝑝𝑛 (𝑥 ) = 𝑦0 ∙ 𝐿0 (𝑥 ) + 𝑦1 ∙ 𝐿1 (𝑥 ) + 𝑦2 ∙ 𝐿2 (𝑥 )

Logo, teremos que 𝐿0 (𝑥 ), em que 𝑘 = 0, será dado por:

∏2𝑖=0(𝑥 − 𝑥𝑖 )
𝑖≠0
(𝑥 − 𝑥1 ) ∙ (𝑥 − 𝑥2 )
𝐿0 (𝑥 ) = 2 =
∏𝑖=0(𝑥0 − 𝑥𝑖 ) (𝑥0 − 𝑥1 ) ∙ (𝑥0 − 𝑥2 )
𝑖≠0
(𝑥 − 4) ∙ (𝑥 − 6)
𝐿0 ( 𝑥 ) =
(1 − 4) ∙ (1 − 6)
𝑥 2 − 10𝑥 + 24
𝐿0 ( 𝑥 ) =
15

8
 Teremos que 𝐿1 (𝑥 ), em que 𝑘 = 1, será dado por:
∏2𝑖=0(𝑥 − 𝑥𝑖 )
𝑖≠1
(𝑥 − 𝑥0 ) ∙ (𝑥 − 𝑥2 )
𝐿1 (𝑥 ) = =
∏2𝑖=0(𝑥1 − 𝑥𝑖 ) (𝑥1 − 𝑥0 ) ∙ (𝑥1 − 𝑥2 )
𝑖≠1
(𝑥 − 1) ∙ (𝑥 − 6)
𝐿1 (𝑥 ) =
(4 − 1) ∙ (4 − 6)
𝑥 2 − 7𝑥 + 6
𝐿1 (𝑥 ) =
−6

Teremos que 𝐿2 (𝑥 ), em que 𝑘 = 2, será dado por:

∏2𝑖=0(𝑥 − 𝑥𝑖 )
𝑖≠2
(𝑥 − 𝑥0 ) ∙ (𝑥 − 𝑥1 )
𝐿2 (𝑥 ) = =
∏2𝑖=0(𝑥2 − 𝑥𝑖 ) (𝑥2 − 𝑥0 ) ∙ (𝑥2 − 𝑥1 )
𝑖≠2
(𝑥 − 1) ∙ (𝑥 − 4)
𝐿2 ( 𝑥 ) =
(6 − 1) ∙ (6 − 4)
𝑥 2 − 5𝑥 + 4
𝐿2 (𝑥 ) =
10

Nesse caso, o polinômio interpolador será dado por

𝑥 2 − 10𝑥 + 24 𝑥 2 − 7𝑥 + 6 𝑥 2 − 5𝑥 + 4
𝑝(𝑥 ) = 𝑦0 ∙ ( ) + 𝑦1 ∙ ( ) + 𝑦2 ∙ ( )
15 −6 10
𝑥 2 − 10𝑥 + 24 𝑥 2 − 7𝑥 + 6 𝑥 2 − 5𝑥 + 4
𝑝(𝑥) = 0 ∙ ( ) + 1,386294 ∙ ( ) + 1,791759 ∙ ( )
15 −6 10
𝑝(𝑥) = −0,231049𝑥 2 + 1,617343𝑥 − 1,386294 + 0,179176𝑥 2 − 0,895880𝑥 + 0,716704

𝑝(𝑥 ) = −0,051873𝑥 2 + 0,721463𝑥 − 0,669590

Utilizando essa função, quando 𝑥 = 2, teremos que

𝑦 = 𝑝(2) = −0,051873(2)2 + 0,721463(2) − 0,669590

𝑦 = 0,565844
Isso significa dizer que, pela interpolação de Lagrange aqui realizada,
podemos estimar que 𝑦 = 𝑙𝑛(2) = 0,565844. Entretanto, o valor estimado
mostra-se como uma aproximação do valor real de 𝑦 = 𝑙𝑛(2), conforme é
possível observar na Figura 4.

9
 Figura 4 – Interpolação de Lagrange

Veja que a função interpoladora encontrada pelo Método de Lagrange é

igual à função interpoladora encontrada pela interpolação polinomial quadrática.
Por esse motivo, o erro relativo do valor estimado é o mesmo de 18,37%.

TEMA 3 – POLINÔMIO INTERPOLADOR DE NEWTON

A interpolação de Newton é o método de interpolação mais popular, sendo

a interpolação linear estudada anteriormente um caso da interpolação de
Newton. Consiste em um operador que utiliza diferenças divididas, por isso é
também chamado de método de interpolação polinomial por diferenças divididas
de Newton (Chapra; Canale, 2002). Para interpolação de 𝑛 + 1 pontos, é
possível determinar um polinômio interpolador de grau 𝑛, dado pela Equação 8.
𝑝𝑛 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + ⋯ + 𝑏𝑛 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛−1 ) (8)
Para os quais os coeficientes 𝑏𝑛 são dados por
𝑏0 = 𝑓 (𝑥0 )
𝑓 (𝑥1 ) − 𝑓 (𝑥0 )
𝑏1 = 𝑓 (𝑥1 ; 𝑥0 ) =
𝑥1 − 𝑥0
𝑓 (𝑥2 ; 𝑥1 ) − 𝑓(𝑥1 ; 𝑥0 )
𝑏2 = 𝑓 (𝑥2 ; 𝑥1 ; 𝑥0 ) =
𝑥2 − 𝑥0
…
𝑓 (𝑥𝑛 ; … ; 𝑥2 ; 𝑥1 ) − 𝑓 (𝑥𝑛−1 ; … ; 𝑥1 ; 𝑥0 )
𝑏𝑛 = 𝑓 (𝑥𝑛 ; … ; 𝑥2 ; 𝑥1 ; 𝑥0 ) =
𝑥𝑛 − 𝑥0

10
 Vamos entender melhor por meio de um exemplo.
Exemplo 4
Estime o valor de 𝑙𝑛(2) utilizando o polinômio interpolador de Lagrange,
considerando os pontos conhecidos apresentados na tabela abaixo:

Tabela 4 – Exemplo 4

𝒙 1 4 5 6
𝒚 = 𝒍𝒏 (𝒙) 0 1,386294 1,609438 1,791759

Resolução
Como temos três pontos (𝑛 + 1 = 4), trabalharemos com um polinômio de
terceiro grau (𝑛 = 3) dado pela Equação 8.

𝑝(𝑥 ) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏1 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 𝑏3 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥3 )

Mas para utilizar essa relação, é preciso determinar os coeficientes 𝑏0 ,

𝑏1 , 𝑏2 𝑒 𝑏3 .
Com base nos dados da tabela, temos que:
Para determinar o coeficiente 𝑏0
𝑥0 = 1
𝑏0 = 𝑓 (𝑥0 ) ⇒ 𝑏0 = 𝑓 (1) = 0

Para determinar o coeficiente 𝑏1

𝑓 (𝑥1 ) − 𝑓 (𝑥0 )
𝑏1 = 𝑓 (𝑥1 ; 𝑥0 ) =
𝑥1 − 𝑥0
sendo que
𝑥1 = 4
𝑓(𝑥1 ) = 𝑓 (4) = 1,386294
Logo,
1,386294 − 0
𝑏1 = 𝑓(𝑥1 ; 𝑥0 ) ⇒ 𝑏1 = 𝑓 (4; 1) = = 0,462098
4−1

Para determinar o coeficiente 𝑏2

𝑓 (𝑥2 ; 𝑥1 ) − 𝑓(𝑥1 ; 𝑥0 )
𝑏2 = 𝑓 (𝑥2 ; 𝑥1 ; 𝑥0 ) =
𝑥2 − 𝑥0
sendo que
11
 𝑥2 = 5
𝑓 (𝑥2 ) = 𝑓 (5) = 1,609438
𝑓(𝑥2 ) − 𝑓 (𝑥1 ) 1,609438 − 1,386294
𝑓(𝑥2 ; 𝑥1 ) = ⇒ 𝑓 (5; 4) = = 0,223144
𝑥2 − 𝑥1 5−4
Logo,
0,202733 − 0,462098
𝑏2 = 𝑓 (𝑥2 ; 𝑥1 ; 𝑥0 ) ⇒ 𝑏2 = 𝑓 (5; 4; 1) = = −0,059739
5−1

Para determinar o coeficiente 𝑏3

𝑓 (𝑥3 ; 𝑥2 ; 𝑥1 ) − 𝑓 (𝑥2 ; 𝑥1 ; 𝑥0 )
𝑏3 = 𝑓(𝑥3 ; 𝑥2 ; 𝑥1 ; 𝑥0 ) =
𝑥3 − 𝑥0
sendo que
𝑥3 = 6
𝑓 (𝑥3 ) = 𝑓 (6) = 1,791759
𝑓 (𝑥3 ) − 𝑓(𝑥2 ) 1,791759 − 1,6094384
𝑓(𝑥3 ; 𝑥2 ) = ⇒ 𝑓 (6; 5) = = 0,182321
𝑥3 − 𝑥2 6−5
Então,
𝑓(𝑥3 ; 𝑥2 ) − 𝑓(𝑥2 ; 𝑥1 ) 0,182322 − 0,202733
𝑓(𝑥3 ; 𝑥2 ; 𝑥1 ) = ⇒ 𝑓(6; 5; 4) = = −0,020411
𝑥3 − 𝑥1 6−4
Logo,
(−0,020411) − (−0,051873)
𝑏3 = 𝑓(𝑥3 ; 𝑥2 ; 𝑥1 ; 𝑥0 ) ⇒ 𝑏3 = 𝑓(6; 5; 4; 1) = = 0,007865
6−0

Podemos então reescrever o polinômio interpolador de terceiro grau como

𝑝(𝑥 ) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏1 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 𝑏3 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )

𝑝(𝑥 ) = (0) + (0,462098) ∙ (𝑥 − 1) + (−0,059739) ∙ (𝑥 − 1)(𝑥 − 4) +

+(0,007865) ∙ (𝑥 − 1)(𝑥 − 4)(𝑥 − 5)

𝑝(𝑥 ) = 0,462098𝑥 − 0,462098 − 0,059739𝑥 2 + 0,298693𝑥 − 0,238954 +

+0,007865𝑥 3 − 0,078654𝑥 2 + 0,228097𝑥 − 0,157308

𝑝(𝑥 ) = 0,007865𝑥 3 − 0,138393𝑥 2 + 0,988888𝑥 − 0,858360

Utilizando essa função, quando 𝑥 = 2, teremos que

𝑦 = 𝑝(2) = 0,007865(2)3 − 0,138393(2)2 + 0,988888(2) − 0,858360
𝑦 = 0,628767
12
 Isso significa dizer que, pela interpolação de Lagrange aqui realizada,
podemos estimar que 𝑦 = 𝑙𝑛(2) = 0,628767. Entretanto, o valor estimado
mostra-se como uma aproximação do valor real de 𝑦 = 𝑙𝑛(2), conforme é
possível observar na Figura 5.

Figura 5 – Interpolação de Newton

Sabendo-se que o valor real de 𝑙𝑛(2) = 0,6931472, essa estimativa

apresenta um desvio relativo de 9,29%. Esse é o menor desvio encontrado até
o momento, se compararmos os métodos utilizados nos exemplos anteriores.
Isso significa que a aproximação da curva a uma função de terceiro grau pela
interpolação de Newton é a função que tem o melhor ajuste até o momento.

TEMA 4 – EXTRAPOLAÇÃO E REGRESSÃO NUMÉRICA

A extrapolação numérica consiste em compreender o padrão numérico de

uma série de dados para estender esse comportamento a condições externas
ao intervalo que contém os dados ou para dados coletados com base em
experimentos físicos (Jarletti, 2018).
A extrapolação tem como objetivo estimar função que tenha um bom
ajuste aos dados de forma que permitia estimar uma boa aproximação às
condições a serem extrapoladas. Segundo Jarletti (2018), deve-se escolher a
melhor função de ajuste com base na distribuição dos dados em um diagrama
de dispersão. Chamamos de diagrama de dispersão a distribuição dos pontos
que caracterizam a tabela de dados em um sistema cartesiano (Figura 6).

13
 Figura 6 – Diagrama de dispersão

Esse ajuste é determinado de acordo com a distribuição dos 𝑚 pontos da

tabela de dados, podendo caracterizar uma função polinomial de grau 𝑛 dada
pela Equação 9, definida por regressão numérica.
𝑝𝑛 (𝑥 ) = 𝑦 = 𝑎0 + 𝑎1 ∙ 𝑥 + 𝑎2 ∙ 𝑥 2 + 𝑎3 ∙ 𝑥 3 + ⋯ + 𝑎𝑛 ∙ 𝑥 𝑛 (9)
Para determinar os coeficientes 𝑎𝑖 do polinômio, esse sistema deve ser
representado no formato matricial (Equação 10).

𝑚 ∑ 𝑥𝑖 … ∑ 𝑥𝑖𝑛 ∑ 𝑦𝑖
𝑎0
∑ 𝑥𝑖 ∑ 𝑥𝑖2 … ∑ 𝑥𝑖𝑛+1 [ 𝑎…1 ] = ∑ 𝑥𝑖 ∙ 𝑦𝑖 (10)
… … … … 𝑎𝑛 …
𝑛
[∑ 𝑥𝑖 ∑ 𝑥𝑖𝑛+1 … ∑ 𝑥𝑖2𝑛 ] 𝑛
[∑ 𝑥𝑖 ∙ 𝑦𝑖 ]
A resolução desse sistema matricial permite encontrar os coeficientes do
polinômio dado pela equação 9 que representará a função de ajuste.
Vamos entender melhor a implementação desse método pelo exemplo a
seguir.
Exemplo 5
Com base nos dados referentes aos décimos terceiros dias de cada mês
(de março até dezembro) do ano de 2020, disponibilizados pelo JHU CSSE
Covid-19 Data (JHU, S.d.), para acompanhamento da disseminação do Covid-
19 no Brasil, um estudante de engenharia busca encontrar uma função de ajuste
que permita extrapolar e estimar o desenvolvimento pandêmico para o ano de
2021.

14
 Tabela 5 – Dados mensais do ano de 2020

Novos
99 1238 11923 21704 20286 60091 14768 10220 29070 21825
casos x

Mortes y 0 105 779 892 733 1262 415 309 456 279

Fonte: JHU, s. d.

Para tal fim, o estudante estimou três funções de ajuste:

a. Função polinomial linear: 𝑝(𝑥 ) = 𝑎0 + 𝑎1 𝑥

b. Função polinomial quadrática: 𝑝(𝑥 ) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2
c. Função polinomial de terceiro grau: 𝑝(𝑥 ) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3

Resolução
a. Por meio da regressão linear, o estudante buscou determinar a função
de ajuste de primeiro grau (𝑛 = 1). Nesse caso, a equação 10 será escrita como:

𝑚 ∑ 𝑥𝑖 𝑎0 ∑ 𝑦𝑖
[ ] [𝑎 ] = [ ]
1
∑ 𝑥𝑖 ∑ 𝑥𝑖2 ∑ 𝑥𝑖 ∙ 𝑦𝑖

Como a Tabela 6 apresenta 10 pontos, adotamos 𝑚 = 10.

Para determinar os somatórios, é preciso calcular o quadrado dos valores
de x e os produtos de x e y.

Tabela 6 – Determinação dos somatórios

SOMATÓRIO
𝒙 99 1238 11923 21704 20286 60091 14768 10220 29070 21825 191224
𝒙² 9801 1532644 142157929 471063616 411521796 3610928281 218093824 104448400 845064900 476330625 6281151816
𝒚 0 105 779 892 733 1262 415 309 456 279 5230
𝒙∙𝒚 0 129990 9288017 19359968 14869638 75834842 6128720 3157980 13255920 6089175 148114250

Ou seja,

∑ 𝑥𝑖 = 191224

∑ 𝑥𝑖2 = 6281151816

∑ 𝑦𝑖 = 5230

∑ 𝑥𝑖 ∙ 𝑦𝑖 = 148114250

15
 Isso significa que o sistema matricial será dado por

10 191224 𝑎0 5230
[ ] [𝑎 ] = [ ]
191224 6281151816 1 148114250

Resolvendo esse sistema, o estudante encontrou como solução

𝑎0 = 172,506836
𝑎1 = 0,018329
Logo, a função linear será dada por: 𝑝(𝑥 ) = 172,506836 + 0,018329𝑥
b. Por meio da regressão quadrática, o estudante buscou determinar a
função de ajuste de segundo grau (𝑛 = 2). Nesse caso, a equação 10 será
escrita como:

𝑚 ∑ 𝑥𝑖 ∑ 𝑥𝑖2 ∑ 𝑦𝑖
𝑎0
∑ 𝑥𝑖 ∑ 𝑥𝑖2 ∑ 𝑥𝑖3 [𝑎1 ] = ∑ 𝑥𝑖 ∙ 𝑦𝑖
𝑎2
2
[∑ 𝑥𝑖 ∑ 𝑥𝑖3 ∑ 𝑥𝑖4 ] 2
[∑ 𝑥𝑖 ∙ 𝑦𝑖 ]
Como a Tabela 7 apresenta 10 pontos, adotamos 𝑚 = 10.
Para determinar os somatórios, é preciso calcular os valores de 𝑥², 𝑥³ 𝑒 𝑥 4 ,
e os produtos de 𝑥 e 𝑦 e de 𝑥² e 𝑦.

Tabela 7 – Tabela de dados

𝒙 99 1238 11923 21704 20286 60091 14768 10220 29070 21825

𝒙² 9801 1532644 142157929 471063616 411521796 3610928281 218093824 104448400 845064900 476330625

𝒙³ 970299 1897413272 1,694951012 1,02241013 8,348131012 2,169841014 3,220811012 1,067461012 2,45661013 1,039591013

𝒙𝟒 96059601 2,3491012 2,020891016 2,219011017 1,69351017 1,303881019 4,756491016 1,090951016 7,141351017 2,268911017

𝒚 0 105 779 892 733 1262 415 309 456 279

𝒙 𝒚 0 129990 9288017 19359968 14869638 75834842 6128720 3157980 13255920 6089175

𝒙²𝒚 0 160927620 1,107411011 4,201891011 3,016451011 4,556991012 90508936960 32274555600 3,8535E1011 1,328961011

Para esses valores, podemos definir que

∑ 𝑥𝑖 = 191224

∑ 𝑥𝑖2 = 6281151816

∑ 𝑥𝑖3 = 2,76503 ∙ 1014

16
 ∑ 𝑥𝑖4 = 1,44489 ∙ 1019

∑ 𝑦𝑖 = 5230

∑ 𝑥𝑖 ∙ 𝑦𝑖 = 148114250

∑ 𝑥𝑖2 ∙ 𝑦𝑖 = 6, 03076 ∙ 1012

Isso significa que o sistema matricial será dado por

10 191224 6281151816 𝑎0 5230
[ 191224 6281151816 2,76503 ∙ 1014 ] [𝑎1 ] = [ 148114250 ]
6281151816 2,76503 ∙ 1014 1,44489 ∙ 1019 𝑎2 6, 03076 ∙ 1012

Resolvendo esse sistema, o estudante encontrou como solução

𝑎0 = 120,379912
𝑎1 = 0,024403
𝑎2 = −0,0000001

Logo, a função quadrática será dada por:

𝑝(𝑥 ) = 120,379912 + 0,024403𝑥 − 0,0000001𝑥²

c. Por meio da regressão, o estudante buscou determinar a função de

ajuste de terceiro grau (𝑛 = 3). Nesse caso, a equação 10 será escrita como:

𝑚 ∑ 𝑥𝑖 ∑ 𝑥𝑖2 ∑ 𝑥𝑖3 ∑ 𝑦𝑖
𝑎
∑ 𝑥𝑖 ∑ 𝑥𝑖2 ∑ 𝑥𝑖3 ∑ 𝑥𝑖4 𝑎0 ∑ 𝑥𝑖 ∙ 𝑦𝑖
[𝑎1 ] =
2
∑ 𝑥𝑖2 ∑ 𝑥𝑖3 ∑ 𝑥𝑖4 ∑ 𝑥𝑖5 𝑎 ∑ 𝑥𝑖2 ∙ 𝑦𝑖
3
3
[∑ 𝑥𝑖 ∑ 𝑥𝑖4 ∑ 𝑥𝑖5 ∑ 𝑥𝑖6 ] 3
[∑ 𝑥𝑖 ∙ 𝑦𝑖 ]

Como a Tabela 8 apresenta 10 pontos, adotamos 𝑚 = 10.

Para determinar os somatórios, é preciso calcular os valores de
𝑥 2 , 𝑥 3 , 𝑥 4 , 𝑥 5 𝑒 𝑥 6 , e os produtos de 𝑥 e 𝑦, de 𝑥² e 𝑦 e de 𝑥 3 e 𝑦

17
 Tabela 8 – Tabela de dados (2)

𝒙 99 1238 11923 21704 20286 60091 14768 10220 29070 21825

𝒙² 9801 1532644 142157929 471063616 411521796 3610928281 218093824 104448400 845064900 476330625

𝒙³ 970299 1897413272 1,694951012 1,02241013 8,348131012 2,169841014 3,220811012 1,067461012 2,45661013 1,039591013

𝒙𝟒 96059601 2,3491012 2,020891016 2,219011017 1,69351017 1,303881019 4,756491016 1,090951016 7,141351017 2,268911017

𝒙𝟓 9509900499 2,908061015 2,40951020 4,816141021 3,435441021 7,835151023 7,024391020 1,114951020 2,075991022 4,951891021

𝒙𝟔 9,41481011 3,600181018 2,872851024 1,045291026 6,969131025 4,708221028 1,03736E+25 1,139481024 6,03491026 1,080751026

𝒚 0 105 779 892 733 1262 415 309 456 279

𝒙 𝒚 0 129990 9288017 19359968 14869638 75834842 6128720 3157980 13255920 6089175

𝒙²𝒚 0 160927620 1,107411011 4,201891011 3,016451011 4,556991012 90508936960 32274555600 3,8535E1011 1,328961011

𝒙𝟑  𝒚 0 1,992281011 1,320371015 9,119781015 6,119181015 2,738341017 1,336641015 3,298461014 1,120211016 2,900461015

Para esses valores, podemos definir que

∑ 𝑥𝑖 = 191224

∑ 𝑥𝑖2 = 6281151816

∑ 𝑥𝑖3 = 2,76503 ∙ 1014

∑ 𝑥𝑖4 = 1,44489 ∙ 1019

∑ 𝑥𝑖5 = 8,18533 ∙ 1023

∑ 𝑥𝑖6 = 4,79824 ∙ 1028

∑ 𝑦𝑖 = 5230

∑ 𝑥𝑖 ∙ 𝑦𝑖 = 148114250

∑ 𝑥𝑖2 ∙ 𝑦𝑖 = 6, 03076 ∙ 1012

∑ 𝑥𝑖3 ∙ 𝑦𝑖 = 3,06163 ∙ 1017

Isso significa que o sistema matricial será dado por

10 191224 6281151816 2,76503 ∙ 1014 𝑎0 5230

191224 6281151816 2,76503 ∙ 1014 1,44489 ∙ 1019 𝑎1 148114250
[ ]=[ ]
6281151816 2,76503 ∙ 1014 1,44489 ∙ 1019 8,18533 ∙ 1023 𝑎2 6, 03076 ∙ 1012
4,79824 ∙ 1028 ] 𝑎3
17
[2,76503 ∙ 1014 1,44489 ∙ 1019 8,18533 ∙ 1023 3,06163 ∙ 10

18
 Resolvendo esse sistema, o estudante encontrou como solução

𝑎0 = −9,977155
𝑎1 = 0,078642
𝑎2 = −0,000003
𝑎3 = 0
Logo, a função de ajuste se reduz a uma função de segundo grau, uma
vez que 𝑎3 é igual a zero. A função será dada por:

𝑝(𝑥 ) = −9,977155 + 0,078642𝑥 − 0,000003𝑥²

A Figura 7 mostra o diagrama de dispersão desses pontos com as três

funções de ajuste determinadas pelo estudante.

Figura 7 – Diagrama de dispersão – Exemplo 5

Observando o diagrama de dispersão, as funções 𝑝(𝑥 ) = 172,506836 +

0,018329𝑥 e 𝑝(𝑥 ) = 120,379912 + 0,024403𝑥 − 0,0000001𝑥² são as que melhor
se ajustam aos pontos. Mas como saber qual delas apresenta maior precisão.
Nesse caso, podemos trabalhar com o método dos mínimos quadrados
para cálculo do resíduo das funções de ajuste.

TEMA 5 – AJUSTE DE CURVAS E MÉTODO DOS MÍNIMOS QUADRADOS

Denominamos resíduo a soma do quadrado dos desvios dos pontos

utilizados para ajuste de uma curva. Esse método de determinação do resíduo
de uma função é denominado método dos mínimos quadrados. Quanto menor o
valor desse resíduo, melhor será o ajuste da função estimada.

19
 O resíduo R de uma função de ajuste é calculado pela equação 11,
aplicado em todos os pontos da tabela de dados utilizados na estimativa da
função de ajuste 𝑝(𝑥).
𝑛

𝑅 = ∑|𝑓(𝑥𝑖 ) − 𝑝(𝑥𝑖 )|2 (11)

𝑖=1

Em que 𝑓(𝑥) é o valor de 𝑦 dado na tabela de dados e 𝑝(𝑥) é o valor da

função de ajuste estimada para cada valor de 𝑥 dado na tabela de dados.
Exemplo 6
Com base na Tabela 9 e das funções de ajuste estimadas no exemplo 5,
determine o resíduo de cada função e indique qual a função com melhor
aproximação.

Tabela 9 – Dados mensais do ano de 2020

Novos
99 1238 11923 21704 20286 60091 14768 10220 29070 21825
casos x

Mortes y 0 105 779 892 733 1262 415 309 456 279

Fonte: JHU, s. d.

a. Função polinomial linear:

𝑝(𝑥 ) = 172,506836 + 0,018329𝑥
b. Função polinomial quadrática:
𝑝(𝑥 ) = 120,379912 + 0,024403𝑥 − 0,0000001𝑥 2
c. Função polinomial de terceiro grau:
𝑝(𝑥 ) = −9,977155 + 0,078642𝑥 − 0,000003𝑥²

Resolução
a. Para determinar o resíduo da função 𝑝(𝑥 ) = 172,506836 + 0,018329𝑥,
é preciso calcular a função para cada valor de x da Tabela de dados.
Para 𝑥 = 99, teremos
𝑝(99) = 172,506836 + 0,018329(99)
𝑝(99) = 174,321407
O mesmo será realizado para os outros valores de 𝑥 da Tabela 10.

20
 Tabela 10 – Determinação do resíduo de uma função

Novos
99 1238 11923 21704 20286 60091 14768 10220 29070 21825
casos x

Mortes y 0 105 779 892 733 1262 415 309 456 279

p(x) 174,321407 195,198138 391,043503 570,319452 544,32893 1273,914775 443,189508 359,829216 705,330866 572,537261

Calcula-se então o módulo da diferença entre o valor de y dado

inicialmente na Tabela 10 e o valor de 𝑝(𝑥) calculado para cada valor de 𝑥.
Vamos utilizar os valores de 𝑦 e 𝑝(𝑥) quando 𝑥 = 99.
|𝑦 − 𝑝(𝑥)| = |0 − 174,321405| = 174,321407
O mesmo será realizado para os outros valores de 𝑥 da Tabela 11.

Tabela 11 – Cálculo do módulo da diferença

Novos
99 1238 11923 21704 20286 60091 14768 10220 29070 21825
casos x
Mortes y 0 105 779 892 733 1262 415 309 456 279

p(x) 174,321407 195,198138 391,043503 570,319452 544,32893 1273,914775 443,189508 359,829216 705,330866 572,537261

|y-p(x)| 174,321407 90,198138 387,956497 321,680548 188,67107 11,914775 28,189508 50,829216 249,330866 293,537261

E por fim, determinamos o quadrado de cada um dos módulos da

diferença dos valores de 𝑦 e de 𝑝(𝑥).
Vamos utilizar o módulo da diferença dos valores de 𝑦 e 𝑝(𝑥) quando 𝑥 =
99.
|𝑦 − 𝑝(𝑥 )|2 = (174,321407)2 = 30387,95294
O mesmo será realizado para os outros valores de 𝑥 da Tabela 12.
Tabela 12 – Utilização de módulo de diferença

Novos
99 1238 11923 21704 20286 60091 14768 10220 29070 21825
casos x
Mortes y 0 105 779 892 733 1262 415 309 456 279

p(x) 174,321407 195,198138 391,043503 570,319452 544,32893 1273,914775 443,189508 359,829216 705,330866 572,537261

|y-p(x)| 174,321407 90,198138 387,956497 321,680548 188,67107 11,914775 28,189508 50,829216 249,330866 293,537261

|y-p(x)|² 30387,95294 8135,704099 150510,2436 103478,375 35596,77265 141,9618633 794,6483613 2583,609199 62165,88074 86164,1236

O resíduo R será dado pela soma do quadrado dos módulos calculados

anteriormente.

21
 𝑅 = 30387,95 + 8135,70 + 150510,24 + 103478,38 + 35596,77 + 794,64
+ 2583,61 + 62165,88 + 86164,12
𝑅 = 479959, 27

O mesmo processo será realizado para determinar o resíduo das outras

funções de ajuste.
b. Para determinar o Resíduo da função 𝑝(𝑥 ) = 120,379912 +
0,024403𝑥 − 0,0000001𝑥 2 , é preciso calcular a função para cada valor de 𝑥 da
Tabela 13. Com base nesse valor, determina-se o módulo da diferença entre 𝑦
e 𝑝(𝑥) e também o quadrado do módulo dessa diferença.

Tabela 13 – Determinação do resíduo

Novos
99 1238 11923 21704 20286 60091 14768 10220 29070 21825
casos x
Mortes y 0 105 779 892 733 1262 415 309 456 279
p(x) 122,7948289 150,4375616 397,1210881 602,9162624 574,2669904 1225,687757 458,9540336 359,333732 745,268632 605,3423245
|y-p(x)| 122,7948289 45,4375616 381,8789119 289,0837376 158,7330096 36,3122431 43,9540336 50,333732 289,268632 326,3423245
|y-p(x)|² 15078,57 2064,572004 145831,5034 83569,40734 25196,16834 1318,578999 1931,95707 2533,484577 83676,34146 106499,3128

O resíduo R será dado pela soma do quadrado dos módulos calculados

anteriormente.
𝑅 = 15078,57 + 2064,57 + 83569,41 + 25196,17 + 1318,58 + 1931,96
+ 2533,48 + 83676,34 + 106499,31
𝑅 = 467699,90

c. Para determinar o resíduo da função 𝑝(𝑥 ) = −9,977155 + 0,078642𝑥 −

0,000003𝑥², é preciso calcular a função para cada valor de 𝑥 da Tabela 14.
Levando-se em conta esse valor, determina-se o módulo da diferença entre 𝑦 e
𝑝(𝑥) e também o quadrado do módulo dessa diferença.

Tabela 14 – Exemplo de cálculo do módulo da diferença

Novos
99 1238 11923 21704 20286 60091 14768 10220 29070 21825
casos x
Mortes y 0 105 779 892 733 1262 415 309 456 279
-
p(x) -2,221 82,783709 501,197624 283,677965 350,789069 497,126429 480,398885 -259,048915 277,39262
6117,085576
|y-p(x)| 2,221 22,216291 277,802376 608,322035 382,210931 7379,085576 82,126429 171,398885 715,048915 1,60738
|y-p(x)|² 4,932841 493,5635858 77174,16011 370055,6983 146085,1958 54450903,94 6744,75034 29377,57778 511294,9508 2,583670464

22
 O resíduo R será dado pela soma do quadrado dos módulos calculados
anteriormente.
𝑅 = 4,93 + 493,56 + 77174,16 + 370055,70 + 146085,20 + 54450903,94
+ 6744,75 + 29377,58 + 511294,95 + 2,58
𝑅 = 55592137,35
Veja que a função de ajuste 𝑝(𝑥 ) = 120,379912 + 0,024403𝑥 −
0,0000001𝑥 2 é a função com menor resíduo. Por esse motivo, é a função de
melhor ajuste aos dados dentre as três estimadas. Mas observe que o resíduo
das três funções estimadas ainda é bastante alto, o que indica a necessidade de
busca por uma função de ajuste mais adequada.

FINALIZANDO

Nesta aula, estudamos vários métodos de interpolação e extrapolação de

dados para estimar funções de ajuste adequadas a cada conjunto de dados em
análise. Observamos que cada método permite a aproximação de diferentes
funções aos dados utilizados, devendo por esse motivo ser verificada qual é a
função que apresenta melhor ajuste.
Uma forma de verificar esse ajuste é por meio do método do mínimos
quadrados, que permite realizar uma comparação residual dessas funções para
que a escolha de uma função mais precisa.
A definição dessas funções interpoladoras ou funções de ajuste é de suma
importância para compreender padrões matemáticos que permitem estudar
fenômenos e estimar valores internos ou externos aos intervalos dos dados
estudados.

23
 REFERÊNCIAS

ANTON, H.; BUSBY, R. C. Álgebra linear contemporânea. Porto Alegre:

Bookman, 2006.

CHAPRA, S. C.; CANALE, R. P. Numerical methods for engineers: with

softwares and programming applications. 4. ed. New York: The McGraw-Hill,
2002.

JARLETTI, C. Cálculo numérico. Curitiba: InterSaberes, 2018.

JOHNS HOPKINS UNIVERSITY OF MEDICINE. Disponível em:

<https://coronavirus.jhu.edu/map.html>. Acesso em: 13 jan. 2021.

24