1 INTERPOLAÇÃO POR NEWTON-GREGORY

É importante, quando avaliamos a eficiência de um algoritmo qualquer,

sabermos como se comporta o número de operações relevantes do algoritmo
em função do tamanho de sua entrada. Este comportamento é chamado de
análise de complexidade de tempo do algoritmo. Quando avaliamos a
quantidade de memória necessária em função do tamanho da entrada,
denominamos análise de complexidade de espaço. Existe uma vasta teoria
sobre técnicas de avaliação formal destas complexidades. Muitas vezes as
manipulações algébricas envolvidas nestas avaliações são complexas e nestes
casos pode-se utilizar métodos numéricos para inferir sobre os comportamentos
dos algoritmos. Para encontrarmos o valor aproximado de uma função
precisamos definir um polinômio, este é denominado polinômio interpolador que
relacionará a função e possibilitará a obtenção de seus valores.
Existem vários métodos para encontrar estes valores aproximados, dentre
eles se destaca o método de Newton-Gregory, mas é impossível falar dele sem
antes falar do método criado por Newton (nomeado em referência a Isaac
Newton) que é um polinômio interpolador para um dado conjunto de pontos, onde
os coeficientes serão calculados através das diferenças divididas. Já o método
aperfeiçoado por Gregory é um caso particular de polinômio de Newton
simplificando a fórmula usando pontos igualmente espaçados.

1.1 APLICAÇÃO DO MÉTODO

A tabela abaixo mostra o crescimento populacional da cidade de Belo
Horizonte no decorrer dos anos. Pede-se para estimar a população da cidade no
ano de 1975.

Calculando o valor da variável auxiliar teremos que:

Z= x –x0 / h = 1975 – 1950 / 10 = 2,5.
O cálculo do polinômio interpolador no ponto 1975 é dado por:
P3(1975) =352.724 + 2,5. 331.184 + [2,5(2,5 –1) /2!] .219.938 + [2,5 .(2,5-1)(2,5-
2)/3!].(-191.100)
P3(1975) = 1.533.349
Em 1975, Belo Horizonte tinha, aproximadamente 1.533.349 habitantes.

1.2 ALGORITMO NEWTON-GREGORY

2 MÉTODO DA SECANTE
É muito semelhante ao Método de Newton, mas substitui o cálculo das
derivadas pelo cálculo de uma razão incremental. Geometricamente,
corresponde a substituir o papel da tangente, no método de Newton, por uma
secante (de onde vem o nome). É claro que isto significa que vamos precisar
sempre de dois pontos para a determinar, o que implica que tenhamos que
considerar duas iteradas iniciais, que designamos por x-1 e x0.
 Em análise numérica, o método da secante é um algoritmo que usa uma
sequência de raízes de linhas secantes para aproximar cada vez melhor a raiz
de uma função f. Este método pode ser pensado como uma aproximação por
diferenças finitas do método de Newton, como já foi comentado a cima. No
entanto, foi desenvolvido independentemente do método de Newton.

2.1 APLICAÇÃO DO MÉTODO

As interações 𝑥𝑛 do método das secantes convergem para uma raiz de f, os
valores iniciais 𝑥0 e 𝑥1 estiverem suficientemente próximas da raiz. A ordem de
convergência do método é 𝑎, onde
1+√5
𝑎= =1,618
2

é a razão áurea. Em particular, a convergência é superlinear. Esse resultado só

vale sob certas condições técnicas: a saber, f deve ser duas vezes
continuamente diferenciável e a raiz em questão deve ser simples (isto é, não
deve ser uma raiz múltipla). Se os valores iniciais não estiverem próximos da
raiz, não se pode garantir que o método das secantes convergirá.
Dessa forma o método é aplicado para encontrar raízes de funções com
valores iniciais como por exemplo a função 𝑓(𝑥) = 𝑥 3 − 10𝑥 2 − 400 com o
valores 𝑥0 = 20 e 𝑥1 = 30, onde o resulta após 8 interações será
aproximadamente 12,5426.
2.2 ALGORTIMO DO MÉTODO DA SECANTE

3 MÉTODO DOS MÍNIMOS QUADRADOS

O Método dos Mínimos Quadrados (MMQ), ou Mínimos Quadrados
Ordinários (MQO) ou OLS (do inglês Ordinary Least Squares) é uma técnica de
otimização matemática que procura encontrar o melhor ajuste para um conjunto
de dados tentando minimizar a soma dos quadrados das diferenças entre o valor
estimado e os dados observados (tais diferenças são chamadas resíduos).
É a forma de estimação mais amplamente utilizada na econometria. Consiste
em um estimador que minimiza a soma dos quadrados dos resíduos da
regressão, de forma a maximizar o grau de ajuste do modelo aos dados
observados.
Um requisito para o método dos mínimos quadrados é que o fator imprevisível
(erro) seja distribuído aleatoriamente, essa distribuição seja normal e
independente. O Teorema Gauss-Markov garante (embora indiretamente) que o
estimador de mínimos quadrados é o estimador não-enviesado de mínima
variância linear na variável resposta.
Outro requisito é que o modelo é linear nos parâmetros, ou seja, as variáveis
apresentam uma relação linear entre si. Caso contrário, deveria ser usado um
modelo de regressão não-linear.
 Credita-se Carl Friedrich Gauss como o desenvolvedor das bases
fundamentais do método dos mínimos quadrados, em 1795, quando Gauss tinha
apenas dezoito anos. Entretanto, Adrien-Marie Legendre foi o primeiro a publicar
o método em 1805, em seu Nouvelles méthodes pour la détermination des
orbites des comètes. Gauss publicou suas conclusões apenas em 1809.

3.1 APLICAÇÃO DO MÉTODO

A aproximação por mínimos quadrados é um método de otimização que
consiste em encontrar a função que melhor se ajusta a um determinado conjunto
de pontos. Neste método, procura-se minimizar o erro resultante do ajuste dos
pontos a uma curva, obtido pelas diferenças entre os valores tabelados e os
valores obtidos pela aproximação, minimizando o quadrado da soma destas
diferenças. O método dos mínimos quadrados é utilizado geralmente para
ajustes lineares, mas em alguns casos pode ser aplicado em outras funções.
Neste caso, o problema é linearizado e então, aplica-se a técnica numérica.
Utilizando-se do método de mínimos quadrados não lineares, podemos
encontrar a curva que melhor se ajusta aos dados uma população em
determinado período, fazendo possíveis previsões sobre seu crescimento, por
exemplo. Neste trabalho, utilizamos o método dos mínimos quadrados para
encontrar uma curva para a população brasileira no período de 1940 a 2000 e
realizamos uma comparação entre os dados projetados pela curva e os dados
divulgados pelo IBGE (Instituto Brasileiro de Geografia e Estatística).

3.2 ALGORITMO MÉTODO DOS MÍNIMOS QUADRADOS

//Obtenção de x e y (dados do experimento)
x=(1:0.1;5)’;
n=length(x);
y=(x-3).*(x-1).*(x-4).*(x-4.5).*(x+1)+8*cos(x)+5*rand(n,1);
//Analisar dos dados e decidir qual curva utilizar
plot (x,y,’.’);
//Utilização do método dos mínimos quadrados para encontrar os parâmetros
A=[x.^5x.^4x.^3x.^2xx.^0cos(x)];
th=inv(A’*A)*A’*y;
th2=pinv(A)*y;
y_ap=A*th;
hold on
plot(x,y_ap,’p’)
//Avaliar o erro
e=y-y_ap;
E=(e’*e)/n%sum(e.^2)=e’*e;
 REFERÊNCIAS BIBLIOGRÁFICAS

GUIMARÃES, Bianca Costa; NASCIMENTO, Luiz Thomaz de. Análise de

Complexidade de Métodos Numéricos para Interpolação. 2010. Disponível
em:
<http://homepages.dcc.ufmg.br/~nivio/cursos/pa02/seminarios/seminario6/semi
nario6.html>. Acesso em: 04 dez. 2017.

MOREIRA JÚNIOR, Felipe Leonardo de Aguiar e Wanderley Innocêncio. Ajuste

de curvas por quadrados mínimos lineares. 2012. Disponível em:
<http://www.mat.ufmg.br/gaal/aplicacoes/quadrados_minimos.pdf>. Acesso em:
04 dez. 1997.