Baixe o app para aproveitar ainda mais
Prévia do material em texto
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. 3 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). 𝑦 − 𝑦1 = 𝑦2 − 𝑦1 𝑥2 − 𝑥1 ∙ (𝑥 − 𝑥1) (2) Para compreender melhor a aplicação desse método, veja o exemplo a seguir. Exemplo 1 4 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. Logo, { 𝑃𝑜𝑛𝑡𝑜 1: 𝑥1 = 1 𝑒 𝑦1 = 0 𝑃𝑜𝑛𝑡𝑜 2: 𝑥2 = 4 𝑒 𝑦2 = 1,386294 Substituindo esses pontos na Equação 2, teremos: 𝑦 − 𝑦1 = 𝑦2 − 𝑦1 𝑥2 − 𝑥1 ∙ (𝑥 − 𝑥1) ⇒ 𝑦 − (0) = (1,386294) − (0) (4) − (1) ∙ (𝑥 − (1)) 𝑦 = 1,386294 3 ∙ (𝑥 − 1) 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. 5 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 ∙ 𝑥0 2 + 𝑎3 ∙ 𝑥0 3 +⋯+ 𝑎𝑛 ∙ 𝑥0 𝑛 = 𝑝(𝑥0) 𝑎0 + 𝑎1 ∙ 𝑥1 + 𝑎2 ∙ 𝑥1 2 + 𝑎3 ∙ 𝑥1 3 +⋯+ 𝑎𝑛 ∙ 𝑥1 𝑛 = 𝑝(𝑥1) 𝑎0 + 𝑎1 ∙ 𝑥2 + 𝑎2 ∙ 𝑥2 2 + 𝑎3 ∙ 𝑥2 3 +⋯+ 𝑎𝑛 ∙ 𝑥2 𝑛 = 𝑝(𝑥2) … 𝑎0 + 𝑎1 ∙ 𝑥𝑛 + 𝑎2 ∙ 𝑥𝑛 2 + 𝑎3 ∙ 𝑥𝑛 3 +⋯+ 𝑎𝑛 ∙ 𝑥𝑛 𝑛 = 𝑝(𝑥𝑛) (4) 6 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 𝑥0 2 𝑥0 3 … 𝑥0 𝑛 1 𝑥1 𝑥1 2 𝑥1 3 … 𝑥1 𝑛 1 𝑥2 𝑥2 2 𝑥2 3 … 𝑥2 𝑛 … … … … … … 1 𝑥4 𝑥𝑛 2 𝑥𝑛 3 … 𝑥𝑛 𝑛] ∙ [ 𝑎0 𝑎1 𝑎2 … 𝑎𝑛] = [ 𝑓(𝑥0) 𝑓(𝑥1) 𝑓(𝑥2) … 𝑓(𝑥𝑛)] (5) 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 ∙ (4) + 𝑎2 ∙ (4) 2 = 1,386294 𝑎0 + 𝑎1 ∙ (6) + 𝑎2 ∙ (6) 2 = 1,791759 ⇒ { 𝑎0 + 𝑎1 + 𝑎2 = 0 𝑎0 + 4𝑎1 + 16𝑎2 = 1,386294 𝑎0 + 6𝑎1 + 36𝑎2 = 1,791759 Resolvendo o sistema de equação, temos como solução { 𝑎0 = −0,669590 𝑎1 = 0,721464 𝑎2 = −0,051873 Nesse caso, o polinômio interpolador será dado por 7 𝑝(𝑥) = 𝑎0 + 𝑎1 ∙ 𝑥 + 𝑎2 ∙ 𝑥 2 ⇒ 𝑝(𝑥) = (−0,669590) + (0,721464) ∙ 𝑥 + (−0,051873) ∙ 𝑥2 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 funçãoquadrática 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) 8 Nessa Equação 6, o termo 𝐿𝑘(𝑥) é determinado pela Equação 7. 𝐿𝑘(𝑥) = ∏ (𝑥 − 𝑥𝑖) 𝑛 𝑖=0 𝑖≠𝑘 ∏ (𝑥𝑘 − 𝑥𝑖) 𝑛 𝑖=0 𝑖≠𝑘 (7) Esse termo ∏ (𝑥 − 𝑥𝑖) 𝑛 𝑖=0 𝑖≠𝑘 representa um produtório de (𝑥 − 𝑥𝑖), ou seja: ∏(𝑥 − 𝑥𝑖) 𝑛 𝑖=0 𝑖≠𝑘 = (𝑥 − 𝑥0) ∙ (𝑥 − 𝑥1) ∙ (𝑥 − 𝑥2)… (𝑥 − 𝑥𝑛) 𝑝𝑎𝑟𝑎 𝑖 ≠ 𝑘 O fator (𝑥 − 𝑥𝑘) não deve ser incluído no produto. O termo ∏ (𝑥𝑘 − 𝑥𝑖) 𝑛 𝑖=0 𝑖≠𝑘 representa um produtório de (𝑥𝑘 − 𝑥𝑖), ou seja: ∏(𝑥𝑘 − 𝑥𝑖) 𝑛 𝑖=0 𝑖≠𝑘 = (𝑥𝑘 − 𝑥0) ∙ (𝑥𝑘 − 𝑥1) ∙ (𝑥𝑘 − 𝑥2)… (𝑥𝑘 − 𝑥𝑛) 𝑝𝑎𝑟𝑎 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: 𝐿0(𝑥) = ∏ (𝑥 − 𝑥𝑖) 2 𝑖=0 𝑖≠0 ∏ (𝑥0 − 𝑥𝑖) 2 𝑖=0 𝑖≠0 = (𝑥 − 𝑥1) ∙ (𝑥 − 𝑥2) (𝑥0 − 𝑥1) ∙ (𝑥0 − 𝑥2) 𝐿0(𝑥) = (𝑥 − 4) ∙ (𝑥 − 6) (1 − 4) ∙ (1 − 6) 𝐿0(𝑥) = 𝑥2 − 10𝑥 + 24 15 9 Teremos que 𝐿1(𝑥), em que 𝑘 = 1, será dado por: 𝐿1(𝑥) = ∏ (𝑥 − 𝑥𝑖) 2 𝑖=0 𝑖≠1 ∏ (𝑥1 − 𝑥𝑖) 2 𝑖=0 𝑖≠1 = (𝑥 − 𝑥0) ∙ (𝑥 − 𝑥2) (𝑥1 − 𝑥0) ∙ (𝑥1 − 𝑥2) 𝐿1(𝑥) = (𝑥 − 1) ∙ (𝑥 − 6) (4 − 1) ∙ (4 − 6) 𝐿1(𝑥) = 𝑥2 − 7𝑥 + 6 −6 Teremos que 𝐿2(𝑥), em que 𝑘 = 2, será dado por: 𝐿2(𝑥) = ∏ (𝑥 − 𝑥𝑖) 2 𝑖=0 𝑖≠2 ∏ (𝑥2 − 𝑥𝑖) 2 𝑖=0 𝑖≠2 = (𝑥 − 𝑥0) ∙ (𝑥 − 𝑥1) (𝑥2 − 𝑥0) ∙ (𝑥2 − 𝑥1) 𝐿2(𝑥) = (𝑥 − 1) ∙ (𝑥 − 4) (6 − 1) ∙ (6 − 4) 𝐿2(𝑥) = 𝑥2 − 5𝑥 + 4 10 Nesse caso, o polinômio interpolador será dado por 𝑝(𝑥) = 𝑦0 ∙ ( 𝑥2 − 10𝑥 + 24 15 ) + 𝑦1 ∙ ( 𝑥2 − 7𝑥 + 6 −6 ) + 𝑦2 ∙ ( 𝑥2 − 5𝑥 + 4 10 ) 𝑝(𝑥) = 0 ∙ ( 𝑥2 − 10𝑥 + 24 15 ) + 1,386294 ∙ ( 𝑥2 − 7𝑥 + 6 −6 ) + 1,791759 ∙ ( 𝑥2 − 5𝑥 + 4 10 ) 𝑝(𝑥) = −0,231049𝑥2 + 1,617343𝑥 − 1,386294 + 0,179176𝑥2 − 0,895880𝑥 + 0,716704 𝑝(𝑥) = −0,051873𝑥2 + 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. 10 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) 𝑏1 = 𝑓(𝑥1; 𝑥0) = 𝑓(𝑥1) − 𝑓(𝑥0) 𝑥1 − 𝑥0 𝑏2 = 𝑓(𝑥2; 𝑥1; 𝑥0) = 𝑓(𝑥2; 𝑥1) − 𝑓(𝑥1; 𝑥0) 𝑥2 − 𝑥0 … 𝑏𝑛 = 𝑓(𝑥𝑛; … ; 𝑥2; 𝑥1; 𝑥0) = 𝑓(𝑥𝑛; … ; 𝑥2; 𝑥1) − 𝑓(𝑥𝑛−1;… ; 𝑥1; 𝑥0) 𝑥𝑛 − 𝑥0 11 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 𝑏1 = 𝑓(𝑥1; 𝑥0) = 𝑓(𝑥1) − 𝑓(𝑥0) 𝑥1 − 𝑥0 sendo que 𝑥1 = 4 𝑓(𝑥1) = 𝑓(4) = 1,386294 Logo, 𝑏1 = 𝑓(𝑥1; 𝑥0) ⇒ 𝑏1 = 𝑓(4; 1) = 1,386294 − 0 4 − 1 = 0,462098 Para determinar o coeficiente 𝑏2 𝑏2 = 𝑓(𝑥2; 𝑥1; 𝑥0) = 𝑓(𝑥2; 𝑥1) − 𝑓(𝑥1; 𝑥0) 𝑥2 − 𝑥0 sendo que 12 𝑥2 = 5 𝑓(𝑥2) = 𝑓(5) = 1,609438 𝑓(𝑥2; 𝑥1) = 𝑓(𝑥2) − 𝑓(𝑥1) 𝑥2 − 𝑥1 ⇒ 𝑓(5; 4) = 1,609438 − 1,386294 5 − 4 = 0,223144 Logo, 𝑏2 = 𝑓(𝑥2; 𝑥1; 𝑥0) ⇒ 𝑏2 = 𝑓(5; 4; 1) = 0,202733 − 0,462098 5 − 1 = −0,059739 Para determinar o coeficiente 𝑏3 𝑏3 = 𝑓(𝑥3; 𝑥2; 𝑥1; 𝑥0) = 𝑓(𝑥3; 𝑥2; 𝑥1) − 𝑓(𝑥2; 𝑥1; 𝑥0) 𝑥3 − 𝑥0 sendo que 𝑥3 = 6 𝑓(𝑥3) = 𝑓(6) = 1,791759 𝑓(𝑥3; 𝑥2) = 𝑓(𝑥3) − 𝑓(𝑥2) 𝑥3 − 𝑥2 ⇒ 𝑓(6; 5) = 1,791759 − 1,6094384 6 − 5 = 0,182321 Então, 𝑓(𝑥3; 𝑥2; 𝑥1) = 𝑓(𝑥3; 𝑥2) − 𝑓(𝑥2; 𝑥1) 𝑥3 − 𝑥1 ⇒ 𝑓(6; 5; 4) = 0,182322 − 0,202733 6 − 4 = −0,020411 Logo, 𝑏3 = 𝑓(𝑥3; 𝑥2; 𝑥1; 𝑥0) ⇒ 𝑏3 = 𝑓(6; 5; 4; 1) = (−0,020411) − (−0,051873) 6 − 0 = 0,007865 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 − 0,059739𝑥2 + 0,298693𝑥 − 0,238954 + +0,007865𝑥3 − 0,078654𝑥2 + 0,228097𝑥 − 0,157308 𝑝(𝑥) = 0,007865𝑥3 − 0,138393𝑥2 + 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 13 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 dosdados 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). 14 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 ∑𝑥𝑖 ∑𝑥𝑖 2 … ∑𝑥𝑖 𝑛 … ∑𝑥𝑖 𝑛+1 … … ∑𝑥𝑖 𝑛 ∑𝑥𝑖 𝑛+1 … … … ∑𝑥𝑖 2𝑛 ] [ 𝑎0 𝑎1… 𝑎𝑛 ] = [ ∑𝑦𝑖 ∑𝑥𝑖 ∙ 𝑦𝑖 … ∑𝑥𝑖 𝑛 ∙ 𝑦𝑖] (10) 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. 15 Tabela 5 – Dados mensais do ano de 2020 Novos casos x 99 1238 11923 21704 20286 60091 14768 10220 29070 21825 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 + 𝑎1𝑥 b. Função polinomial quadrática: 𝑝(𝑥) = 𝑎0 + 𝑎1𝑥 + 𝑎2𝑥 2 c. Função polinomial de terceiro grau: 𝑝(𝑥) = 𝑎0 + 𝑎1𝑥 + 𝑎2𝑥 2 + 𝑎3𝑥 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 ∑𝑥𝑖 ∑𝑥𝑖 2 ] [ 𝑎0 𝑎1 ] = [ ∑𝑦𝑖 ∑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 Ou seja, ∑𝑥𝑖 = 191224 ∑𝑥𝑖 2 = 6281151816 ∑𝑦𝑖 = 5230 ∑𝑥𝑖 ∙ 𝑦𝑖 = 148114250 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 16 Isso significa que o sistema matricial será dado por [ 10 191224 191224 6281151816 ] [ 𝑎0 𝑎1 ] = [ 5230 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 ∑𝑥𝑖 2 ∑𝑥𝑖 ∑𝑥𝑖 2 ∑𝑥𝑖 3 ∑𝑥𝑖 2 ∑𝑥𝑖 3 ∑𝑥𝑖 4 ] [ 𝑎0 𝑎1 𝑎2 ] = [ ∑𝑦𝑖 ∑𝑥𝑖 ∙ 𝑦𝑖 ∑𝑥𝑖 2 ∙ 𝑦𝑖] Como a Tabela 7 apresenta 10 pontos, adotamos 𝑚 = 10. Para determinar os somatórios, é preciso calcular os valores de 𝑥², 𝑥³ 𝑒 𝑥4, 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 1,694951012 1,02241013 8,348131012 2,169841014 3,220811012 1,067461012 2,45661013 1,039591013 𝒙𝟒 96059601 2,3491012 2,020891016 2,219011017 1,69351017 1,303881019 4,756491016 1,090951016 7,141351017 2,268911017 𝒚 0 105 779 892 733 1262 415 309 456 279 𝒙𝒚 0 129990 9288017 19359968 14869638 75834842 6128720 3157980 13255920 6089175 𝒙²𝒚 0 160927620 1,107411011 4,201891011 3,016451011 4,556991012 90508936960 32274555600 3,8535E1011 1,328961011 Para esses valores, podemos definir que ∑𝑥𝑖 = 191224 ∑𝑥𝑖 2 = 6281151816 ∑𝑥𝑖 3 = 2,76503 ∙ 1014 17 ∑𝑥𝑖 4 = 1,44489 ∙ 1019 ∑𝑦𝑖 = 5230 ∑𝑥𝑖 ∙ 𝑦𝑖 = 148114250 ∑𝑥𝑖 2 ∙ 𝑦𝑖 = 6, 03076 ∙ 10 12 Isso significa que o sistema matricial será dado por [ 10 191224 6281151816 191224 6281151816 2,76503 ∙ 1014 6281151816 2,76503 ∙ 1014 1,44489 ∙ 1019 ] [ 𝑎0 𝑎1 𝑎2 ] = [ 5230 148114250 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 ∑𝑥𝑖 ∑𝑥𝑖 2 ∑𝑥𝑖 2 ∑𝑥𝑖 3 ∑𝑥𝑖 3 ∑𝑥𝑖 4 ∑𝑥𝑖 2 ∑𝑥𝑖 3 ∑𝑥𝑖 3 ∑𝑥𝑖 4 ∑𝑥𝑖 4 ∑𝑥𝑖 5 ∑𝑥𝑖 5 ∑𝑥𝑖 6 ] [ 𝑎0 𝑎1 𝑎2 𝑎3 ] = [ ∑𝑦𝑖 ∑𝑥𝑖 ∙ 𝑦𝑖 ∑𝑥𝑖 2 ∙ 𝑦𝑖 ∑𝑥𝑖 3 ∙ 𝑦𝑖] Como a Tabela 8 apresenta 10 pontos, adotamos 𝑚 = 10. Para determinar os somatórios, é preciso calcular os valores de 𝑥2, 𝑥3, 𝑥4, 𝑥5 𝑒 𝑥6, e os produtos de 𝑥 e 𝑦, de 𝑥² e 𝑦 e de 𝑥3 e 𝑦 18 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 1,694951012 1,02241013 8,348131012 2,169841014 3,220811012 1,067461012 2,45661013 1,039591013 𝒙𝟒 96059601 2,3491012 2,020891016 2,219011017 1,69351017 1,303881019 4,756491016 1,090951016 7,141351017 2,268911017 𝒙𝟓 9509900499 2,908061015 2,40951020 4,816141021 3,435441021 7,835151023 7,024391020 1,114951020 2,075991022 4,951891021 𝒙𝟔 9,41481011 3,600181018 2,872851024 1,045291026 6,969131025 4,708221028 1,03736E+25 1,139481024 6,03491026 1,080751026 𝒚 0 105 779 892 733 1262 415 309 456 279 𝒙𝒚 0 129990 9288017 19359968 14869638 75834842 6128720 3157980 13255920 6089175 𝒙²𝒚 0 160927620 1,107411011 4,201891011 3,016451011 4,556991012 90508936960 32274555600 3,8535E1011 1,328961011 𝒙𝟑𝒚 0 1,992281011 1,320371015 9,119781015 6,119181015 2,738341017 1,336641015 3,298461014 1,120211016 2,900461015 Para esses valores, podemos definir que ∑𝑥𝑖 = 191224 ∑𝑥𝑖 2 = 6281151816 ∑𝑥𝑖 3 = 2,76503 ∙ 1014 ∑𝑥𝑖 4 = 1,44489 ∙ 1019 ∑𝑥𝑖 5 = 8,18533 ∙ 1023 ∑𝑥𝑖 6 = 4,79824 ∙ 1028 ∑𝑦𝑖 = 5230 ∑𝑥𝑖 ∙ 𝑦𝑖 = 148114250 ∑𝑥𝑖 2 ∙ 𝑦𝑖 = 6, 03076 ∙ 10 12 ∑𝑥𝑖 3 ∙ 𝑦𝑖 = 3,06163 ∙ 10 17 Isso significa que o sistema matricial será dado por [ 10 191224 191224 6281151816 6281151816 2,76503 ∙ 1014 2,76503 ∙ 1014 1,44489 ∙ 1019 6281151816 2,76503 ∙ 1014 2,76503 ∙ 1014 1,44489 ∙ 1019 1,44489 ∙ 1019 8,18533 ∙ 1023 8,18533 ∙ 1023 4,79824 ∙ 1028] [ 𝑎0 𝑎1 𝑎2 𝑎3 ] = [ 5230 148114250 6, 03076 ∙ 1012 3,06163 ∙ 1017 ] 19 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 sãoas 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. 20 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). 𝑅 =∑|𝑓(𝑥𝑖) − 𝑝(𝑥𝑖)| 2 𝑛 𝑖=1 (11) 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 casos x 99 1238 11923 21704 20286 60091 14768 10220 29070 21825 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 − 0,0000001𝑥2 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. 21 Tabela 10 – Determinação do resíduo de uma função Novos casos x 99 1238 11923 21704 20286 60091 14768 10220 29070 21825 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 casos x 99 1238 11923 21704 20286 60091 14768 10220 29070 21825 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 casos x 99 1238 11923 21704 20286 60091 14768 10220 29070 21825 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. 22 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 − 0,0000001𝑥2, 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 casos x 99 1238 11923 21704 20286 60091 14768 10220 29070 21825 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 casos x 99 1238 11923 21704 20286 60091 14768 10220 29070 21825 Mortes y 0 105 779 892 733 1262 415 309 456 279 p(x) -2,221 82,783709 501,197624 283,677965 350,789069 - 6117,085576 497,126429 480,398885 -259,048915 277,39262 |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 23 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 − 0,0000001𝑥2 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. 24 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.
Compartilhar