Universidade Zambeze

Faculdade de ciência e tecnologia

Curso: Engenharia Elétrica

Tema: Raízes de Equações e Ajuste de Curvas

Disciplina: Métodos Numéricos

3ª Ano

Discente:

Gabriel Martins Rate

Raul Mario Francisco Maite

BEIRA DEZEMBRO 2021

1
 Universidade Zambeze

Faculdade de ciência e tecnologia

Curso: Engenharia Elétrica

Tema: Raízes de Equações e Ajuste de Curvas

Disciplina: Métodos Numéricos

3ª Ano

Discente:

Gabriel Martins Rate

Raul Mario Francisco Maite

Docente: Beliz Inácio

BEIRA DEZEMRO 2021

2
Índice
1. Introdução.................................................................................................................................4

2. DESENVOLVIMENTO..............................................................................................................5

2.1. Raízes de equações...................................................................................................................5

2.2. PONTO FIXO...........................................................................................................................6

2.2.1. Convergência.....................................................................................................................7

2.2.2. Método da Iteração Linear (MIL)......................................................................................8

2.3. O Método da Secante................................................................................................................9

2.3.1. Diferença entre os métodos da secante e falsa posição....................................................10

2.3.2. Método das Tangentes.........................................................................................................11

2.3.2.1. Estudo da Convergência do Método das Tangentes.....................................................12

2.4. O Método dos Mínimos Quadrados........................................................................................12

2.5. EXERCICOS..........................................................................................................................13

2.4.1. O Ajuste de Curvas..............................................................................................................14

2.4.1.1. Ajuste Linear Simples...................................................................................................15

2.4.2. Ajuste Linear Múltiplo.....................................................................................................15

2.4.3. Ajuste Polinomial.............................................................................................................16

Extensão da regressão linear......................................................................................................17

3
 1. Introdução
Neste presente trabalho, apresentarei vários métodos numéricos para a resolução de funções
reais. Em outras palavras, veremos métodos para encontrar soluções de equações não lineares do
tipo f(x) = 0. Nas mais diversas áreas das ciências exatas ocorrem, frequentemente, situações que
envolvem a resolução de uma equação do tipo f(x) = 0. Método secante, ajuste de curvas, etc.

4
2. DESENVOLVIMENTO

2.1. Raízes de equações

Raízes reais de uma equação

Sabemos que, para algumas equações, como por exemplo, às equações polinomiais do segundo
grau, existem fórmulas explicitas que dão as raízes em função dos coeficientes (ex. regra de
Báskara). No entanto, no caso de polinômios de grau mais elevado e no caso de funções mais
complicadas, é praticamente impossível se achar zeros exatamente. Por isso, temos que dos
contentar em encontrar apenas aproximações para esses zeros (soluções numéricas); mas isto não
é uma limitação muito séria, pois, com os métodos que apresentaremos , conseguimos, a menos
de limitações de maquinas, encontrar os zeros de uma função com qualquer precisão prefixada.

Raízes Múltiplas

Uma raiz múltipla corresponde a um ponto onde a função é tangente ao eixo x. Isso causa
algumas dificuldades para muitos métodos numéricos:

 O fato de a função não mudar de sinal em raízes de multiplicidade par impede o uso dos
métodos intervalares confiáveis, de modo que a análise deve recair nos métodos abertos,
sujeitos à divergência.
 Outro problema possível está relacionado ao fato de que não só f(x), mas também f’(x)
vai à zero na raiz. Isso introduz problemas tanto no método de Newton-Raphson quanto
no da secante, uma vez que ambos contem a derivada (ou sua estimativa) no
denominador. Uma forma simples de contornar esse problema baseia-se no fato de que
f(x) sempre atingirá zero antes de f’(x). Portanto, se uma verificação do zero for incluída
no programa, os cálculos podem ser parados antes de f’(x) atingir zero.
 É possível demonstrar que os métodos de Newton-Raphson e da secante são linearmente
(ao invés de quadraticamente) convergentes para raízes múltiplas. Foram propostas

5
 formas alternativas (modificadas) para contornar tal problema, como empregar as
seguintes formulações:

f (x i )
 x i+1 = x i – m
f ' ( xi )

Onde m é a multiplicidade da raiz, ou ainda.

f ( x i ) f ' (xi )
x i+1 = x i – ' 2
[f ( x i ) ] −f ( xi ) f ' ' (x i)

Exemplos: Considere a equação

667,38
f(c) = [1- e−0,146843 c ] – 40
c

Solucionada anteriormente pelos métodos da bissecção e da falsa posição. Resolva-a também

utilizando os métodos do ponto fixo, Newton-Raphson e secante, empregando como critério de
parada εa = 0,5%. Como estimativa inicial para os métodos de Newton-Raphson e do ponto fixo
empregue x 0= 12, no caso do método da secante, utilize x 0 = 12 e x1 = 16.

Determine a raiz positiva de: 𝑓 (𝑥) = x 10 – 1

Empregando os métodos da bissecção, da falsa posição, de Newton-Raphson e da secante.

Empregue o intervalo inicial [0 ; 1,5] para os métodos da bissecção e da falsa posição, a
estimativa inicial x 0 = 0,01 para o método de Newton-Raphson e os valores de x 0= 0 e x 1=1,5
para o método da secante. Em todos os casos, empregue uma tolerância de 10−12 .

2.2. PONTO FIXO

Método do Ponto Fixo (MPF)

Dada uma função f(x) contínua no intervalo [a,b] onde existe uma raiz única, f(x) = 0, é possível
transformar tal equação em uma equação equivalente x = g(x) e, a partir de uma aproximação
inicial x 0, gerar uma sequência { x k } de aproximações para ξ pela relação x k+1 = g( x k ), uma vez
que g(x) é tal que f(ξ) = 0 se e somente se g(ξ) = ξ.

6
Os métodos abertos usam uma fórmula para prever a raiz. Tal fórmula pode ser reduzida para a
iteração de ponto fixo simples (ou também chamada de iteração de um ponto, substituições
sucessivas ou aproximações sucessivas) reescrevendo a equação 𝑓 (𝑥) = 0 de modo que x esteja
isolado no lado esquerdo da equação: 𝑥 = 𝑔 (x).

Pode-se conseguir essa transformação ou por manipulação algébrica ou simplesmente somando x

em ambos os lados da equação original. A utilidade da equação anterior (01) é que ela fornece
uma fórmula para prever um novo valor de x e função de um valor x anterior. Portanto, dada uma
aproximação inicial para a raiz x i=, a equação anterior pode ser usada para calcular uma nova
estimativa x i+1=, expressa pela fórmula iterativa. x i+1= 𝑔 (x).

2.2.1. Convergência
Tomando-se a equação iterativa do método x i+1 = 𝑔 ( x i) e supondo-se que a solução verdadeira
seja x r = 𝑔 ( x r ¿ ao se subtrair as equações obtém-se x r - x i+1= 𝑔 ( x r ¿ − 𝑔¿).

O Teorema do Valor Médio para derivadas afirma que, se a função g(x) e a sua primeira derivada
forem contínuas sobre um intervalo a ≤ x ≤ b, então existe pelo menos um valor de x = ξ dentro
do intervalo tal que:

g (b)−g( a)
𝑔 (𝜉)=
a−b

O lado direito dessa equação é a inclinação da reta ligando 𝑔 𝑎 e 𝑔 𝑏. Logo, o Teorema do Valor
Médio afirma que existe um ponto entre a e b que tem uma inclinação denotada por 𝑔′ 𝜉 que é
paralela à reta ligando 𝑔 𝑎 a 𝑔 𝑏. Fazendo-se, então, 𝑎 = x i e 𝑏 = x r , o lado direito da equação
anterior (06) pode ser expresso como:

7
𝑔 ( x r) − 𝑔 ( x i) = ¿ − x i ¿ 𝑔′ (𝜉).

Se o erro verdadeiro para a i-ésima iteração for definido por

Et ,i = x r − x i

Então a equação acima torna-se:

Et ,i+1 = 𝑔′ (𝜉) Et ,i

Consequentemente, se |𝑔′ (𝜉)| < 1, os erros diminuem a cada iteração. Para |𝑔′ (𝜉)| > 1, o erro
cresce. Observa-se também que, se a derivada for positiva, os erros serão positivos e, portanto, a
solução será monótona; se a derivada for negativa os erros oscilarão.

Um desdobramento da análise é que ela também demonstra que, quando o método converge, o
erro é aproximadamente proporcional e inferior ao erro no passo anterior. Por essa razão, a
iteração do ponto fixo é dita linearmente convergente.

A descrição gráfica da convergência e da divergência do método do ponto fixo é feita com o

auxílio do método gráfico das duas curvas. Neste caso, se f 1(𝑥) = f 2(𝑥) , pode-se separar a
equação em duas componentes: y 1= f 1(𝑥) e y 2 = f 2(𝑥). Neste caso, os valores de x
correspondentes às intersecções dessas funções representam as raízes da função original.

2.2.2. Método da Iteração Linear (MIL)

 Seja uma função f(x) contínua em um intervalo [a,b] que contenha uma raiz de f(x). O
Método do Ponto Fixo inicia-se reescrevendo a função f(x) como: f(x) = g(x) – x
 Essa forma de escrever f(x) é bastante útil. No ponto x que corresponde à raiz de f(x), isto
é, f(x) = 0, teremos que:
f(x) = g(x) – x =0
g(x) = x
 g(x) é a Função de Iteração para f(x) = 0

Exemplo:

8
A função f(x) = x 2 - x – 2 pode ser reescrita como, f(x) = x 2 – 2 – x = g(x) – x , onde g(x) = x 2
– 2. Essa função tem como ponto fixo o valor x=2, pois g(2) = 2 2 – 2 = 2. E esse é exatamente o
valor da raiz de f(x), pois f(2) = 2 2 – 2 – 2 = 0. Ou seja, no ponto x que corresponde à raiz de
f(x), ao substituirmos o valor de x na função g(x), teremos como resultado o próprio valor de x.
Portanto, a raiz de f(x) será o ponto fixo de g(x), ou seja, o valor que ao ser substituído em g(x)
retorna o próprio valor de x.

2.3. O Método da Secante

Um problema em potencial na implementação do método de Newton-Raphson é o cálculo da
derivada. Embora isso não seja inconveniente para muitas funções, como polinômios, para outras
o cálculo das derivadas pode ser extremamente inconveniente ou difícil. Nesses casos, a derivada
pode ser aproximada por uma diferença dividida regressiva, como em:

f ( x i−1 )−f (x i)
𝑓′ (𝑥𝑖) ≈
xi−1−x i

f ( x i ) (x i−1−x i)
Essa aproximação fornecer a seguinte equação iterativa x i+1 = x i-
f ( x i−1)−f (x i)

A equação acima é a fórmula do Método da Secante. Devese notar que a abordagem exige duas
estimativas iniciais de x. Porém, como não é exigido que f(x) mude de sinal entre as estimativas,
ele não é classificado como um método intervalar.

9
2.3.1. Diferença entre os métodos da secante e falsa posição
Comparando-se as equações iterativas dos métodos da falsa posição e da secante, observa-se que
as mesmas são idênticas em ambos os casos, são utilizadas duas estimativas iniciais para calcular
uma aproximação da inclinação da função que é utilizada para projetar para o eixo x uma nova
estimativa da raiz.

Entretanto, uma diferença crítica entre os métodos é a forma com que um dos valores iniciais é
substituído pela nova estimativa. Enquanto no método da falsa posição garante-se que as duas
estimativas empregadas sempre delimitam a raiz, no método da secante há a substituição dos
valores em sequência escrita, isto é, o novo valor x i+1 substitui x i e o valor de x isubstitui x i−1. Em
certos casos, isso pode levar à divergência.

Embora o método da secante possa ser divergente, quando ele converge, usualmente, o faz a uma
taxa mais rápida do que o método da falsa posição. A inferioridade do método da falsa posição
resulta de uma extremidade permanecer fixa para continuar a limitar a raiz. Essa propriedade,
que é vantajosa do ponto de vista de impedir a divergência, é uma desvantagem com relação à
taxa de convergência.

Vantagens de método secante

 Rapidez processo de convergência;

 Cálculos mais convenientes que do método de Newton;
 Desempenho elevado.

10
Desvantagens de método secante

 Se o cálculo f’(x) não for difícil, então o método logo será substituído pelo de Newton-
Raphson;
 Se o gráfico da função for paralela a um dos eixos e/ou tangencia o eixo das abscissas em
um ou mais pontos, logo não se deve usar o método da Secante;
 Difícil implementação.

2.3.2. Método das Tangentes

O Método das Tangentes é um dos muitos métodos que podem ser usados para tentar aproximar
um zero x de uma função f : [a, b] → R. Com ele, pretende-se gerar uma sequência x0, x1, . . . ,
xn−1, xn, . . . de aproximações de x a partir de uma aproximação inicial (chute inicial) x0. Claro
que esperamos que limn→∞ xn = x, caso contrario, a sequência x0, x1, . . . , xn−1, xn, . . . não
servirá para nada.

Descrição do Método das Tangentes Considere o plano xy onde está o gráfico de f.

 Inicialização: Escolhe-se um chute inicial x0 ∈ [a, b].

 Etapa 1: Obtenção da aproximação x1 a partir de x0:
 Determina-se a reta r1, com equação y = a1x + b1, que é tangente ao gráfico
de f e que passa pelo ponto (x0, f(x0)) do gráfico de f.

11
  Determina-se x1 (no eixo dos x) dado pela intersecção da reta r1 com o eixo
com o eixo dos x.
 n-ésima Etapa: Obtenção da aproximação xn a partir de xn−1 no caso em que xn−1 ∈ [a,
b]:
 Determina-se a reta rn, com equação y = anx + bn, que ´e tangente ao gráfico
de f e que passa pelo ponto (xn−1, f(xn−1)) do gráfico de f.
 Determina-se xn (no eixo dos x) dado pela intersecção da reta rn com o eixo
com o eixo dos x.

2.3.2.1. Estudo da Convergência do Método das Tangentes

E claro que queremos que seja possível fazer á n−ésima etapa do método para todo n ∈ N∗, o que
significa que em cada etapa devemos continuar no intervalo [a, b]. Também, como mencionamos
no inıcio do texto, queremos que limn→∞ xn = x, caso contrário, a sequência x0, x1, . . . , xn−1,
xn, . . . não servirá para nada. Temos o seguinte resultado que garante que, sob certas condições e
com uma conveniente escolha do chute inicial x0, a sequência x0, x1, . . . , xn−1, xn, . . . não sai
do intervalo [a, b] e converge para x, como desejávamos.

2.4. O Método dos Mínimos Quadrados

Motivação para o Surgimento e Utilização do Método O Método dos Mínimos Quadrados tem
sua origem no estudo dos valores máximos e mínimos de funções reais. Mais precisamente, na
determinação do(s) ponto(s) mínimo(s) de uma função que representa o desvio estimado na
busca pelo ajuste. Antes de abordarmos este e outros tópicos envolvidos na dedução e na
aplicação do método, é conveniente nos debruçarmos sobre o problema que motivou a sua
elaboração e seus desdobramentos.

No estudo de qualquer fenômeno, natural ou proveniente de qualquer área de atividade humana,

a sua representação por equações e curvas produzidas pelo relacionamento entre as grandezas
que o regem constitui, certamente, uma das ferramentas mais eficazes desse estudo. Impossível
imaginar o entendimento e o alcance da Teoria de Relatividade de Einstein, das Leis da
Mecânica Clássica elaboradas por Newton, dos juros simples e compostos na Matemática

12
Financeira, sem o suporte das fórmulas matemáticas que expressam todos os princípios aí
envolvidos.

O ajuste de curvas constitui uma alternativa mais adequada que a interpolação na obtenção de
uma função matemática para representar um determinado fenômeno quando se deseja efetuar
análises que vão além do intervalo de valores obtidos experimentalmente. O Método dos
Mínimos Quadrados, que aqui será estudado, surgiu para dar suporte a esse recurso matemático.

2.5. EXERCICOS
Seja x k−1 = 1,5 e x k = 1,7

g(x) = [ x k−1∗f ( x k )– x k∗f (x k−1)]¿ ¿

Cálculo da 1ª aproximação

x 0= 1,5 x1 = 1,7

f( x 0) = 0,875 > 0

f( x 1) = 2,213 > 0

[1.5∗(2,213)– 1,7∗(0,875)]
x2 = = 1,36921.
[2,213−0,875]

13
Dada a função f (x)= x2 +3 x−40, obter sua raiz contida no intervalo [4.5,5 .5], pelo MIL, com
um erro ≤ 10−4 .
a) Algoritmo: x n=g ( x n−1 )
b) Escolha da função de iteração: y=x

2
x −40 ' −2 x
y= y= → divergência oscilante
−3 3
40 '
y ¿ y ¿convergen x 0=4.5
x+ 3
c) Melhor extremo (valor inicial):
y= √ 40−3 x → y ' (4.5)=−0.2914 y ' (5.5)=−0.3094 ∴d) Valor do erro:
erro ≤ 10−4
e) Iterações:

x 1=5.14782
x 2=4.95546
x 3=5.01335
x 4=4.99599
x 5=5.00120
x6 =4.99964
x 7=5.00011
x 8=4.99997
x 9=5.00000|x 9−x 8|=0.00003< erro 

f) Resposta:
A raiz desejada é ξ=5.00000

2.4.1. O Ajuste de Curvas

Definição

É o procedimento matemático que consiste em se determinar, a partir de uma série de pontos

representativos das variáveis que compõem um determinado fenômeno, uma curva que o
expresse matematicamente.

A curva obtida deve permitir com satisfatória segurança a realização de análises e projeções
sobre o fenômeno em questão. Uma boa maneira de demonstrar a utilidade e o alcance do Ajuste
de Curvas é mesmo sem ainda ter exposto os procedimentos que levam à sua execução, exibir

14
um exemplo contendo o problema proposto e a solução obtida, sem exibir os passos
intermediários que levaram a essa solução, para melhor entendimento e avaliação do método.

2.4.1.1. Ajuste Linear Simples

As relações mais simples envolvendo duas variáveis são as relações lineares (RUGGIERO;
LOPES, 1996). Muitos fenômenos da natureza e outros oriundos de atividades humanas podem
ser modelados conforme uma relação linear entre variáveis.

Por exemplo: a função P que relaciona o peso de um corpo e a sua massa m, dada por P(m) =
gm, onde g representa o valor, constante nas proximidades da superfície da Terra, da aceleração
gravitacional; e a função V que retorna o valor de uma prestação, no regime de juros simples, em
função de d dias de atraso, a uma taxa fixa i, dada por V (d) = V0 + diV0, onde V0 é o valor da
prestação original.

Há casos também em que uma adequada manipulação matemática de relações não lineares
conduz a novas variáveis que compartilham entre si uma relação linear. Tal artifício justifica-se
plenamente pela facilidade de manipulação e representação desse tipo de função.

Aplicando os conceitos matemáticos para obtermos o procedimento matemático a ser utilizado

na realização do ajuste, através dos Métodos dos Mínimos Quadrados, a um modelo linear.
Inicialmente, trataremos do ajuste a modelos onde temos apenas uma variável independente,
chamado por isso de Ajuste Linear Simples ou Regressão Linear Simples.

2.4.2. Ajuste Linear Múltiplo

Trata-se do modelo, teoricamente mais completo, em que o ajuste (ainda linear) dispõe-se a
representar um fenômeno em que há mais de uma variável independente envolvida, ou seja, um
modelo expresso matematicamente por y = f(x1, . . . , xp), p ≥ 2. Ou ainda, y = f1(x1) + ... +
fp(xp), p ≥ 2, onde f1, . . . , fp são p funções lineares nas variáveis x1, . . . , xp, respectivamente.
Escrevemos: f1(x1) = α0 1 + α1x1, . . . , fp(xp) = α0 p + αpxp. Fazendo α0 1 + · · · + α0 p = β,
teremos: f(x) = β + α1x1 + · · · + αpxp.

Assumindo, como em todo este trabalho, a independência entre os p parâmetros α1, . . αp e as

respectivas p variáveis x1, . . xp, suponhamos a existência de um fenômeno com características
que permitam tal modelagem matemática e suponhamos também a existência de n pontos (y,

15
x1i , . . . , xpi) que representem tal fenômeno. Assim sendo, o desvio quadrático S oriundo do
erro cometido ao se obter uma função de ajuste para o fenômeno será dado por S = Xn i=1 (yi −
f(x1i , . . . xpi))2 , o que nos permite escrever : S(β, α1, . . . , αp) = Xn i=1 (yi − β − α1x1i − · · ·
− αpxpi) 2

2.4.3. Ajuste Polinomial

É o tipo de ajuste no qual se busca uma curva associada a um polinômio de grau maior ou igual a
dois. Ou seja, a função de ajuste tem a forma f(x) = α0 + α1x + · · · + αpx p, p ≥ 2 (2.19)
Observa-se que ao fazermos, na equação 2.19, x = x1, x2 = x2, . . . xp = xp, a função de ajuste
assume a forma f(x) = α0+α1x1+· · ·+αpxp, que nada mais é que a forma buscada no ajuste
linear múltiplo, visto na seção anterior. Assim sendo, todo procedimento. Fazendo então as
substituições sugeridas e levando adiante tal procedimento, obtemos o sistema de equações que
conduzem aos parâmetros do ajuste.

Onde n é o número de pontos experimentais a partir dos quais se busca o ajuste. Obviamente,
assim como no caso do ajuste linear múltiplo, onde o aumento do número de variáveis
independentes aumenta a complexidade do problema, o mesmo se dá no ajuste polinomial com
relação ao aumento do grau do polinômio de ajuste.

Qualidade do Ajuste

Um estudo detalhado sobre a qualidade do ajuste nos levaria por caminhos e temas que fogem
ao objetivo deste trabalho. Por este motivo, iremos apresentar apenas dois indicadores, ambos de
grande relevância e utilização, para permitirão efetuar uma avaliação satisfatória sobre a
qualidade dos ajustes que serão realizados nas atividades propostas neste trabalho.

O Coeciente de Determinação

Consideremos novamente o conjunto de n pontos representando n ocorrências de um

determinado fenômeno.

Sejam y a variável dependente, yˆ a variável dependente fornecida pela função de ajuste e y = 1 n

Xn i=1 yi o valor médio da grandeza y. Sem maiores dificuldades, podemos constatar que é
verdadeira a seguinte equação: yi = (yi − yˆi) + ( ˆyi − y) + y ⇒ yi − y = (yi − yˆi) + ( ˆyi − y).

O coeficiente de determinação - Representa a dimensão da variação total dos dados em torno

da média dos valores da variável dependente. Vemos que o numerador da fração existente no

16
segundo membro representa a soma dos quadrados dos desvios dos valores da função de ajuste
em relação à media dos valores experimentais, enquanto que o denominador representa a soma
dos quadrados dos desvios de cada ponto experimental em relação à esta média. Pode ser
interpretado como a indicação do quão preciso é o modelo para explicar a variável dependente y.

O coeficiente de determinação r2 - é sempre positivo e pertence ao intervalo [0, 1]. Este

indicador é mais recomendado para o Ajuste Linear Simples e o motivo será exposto na
subseção. Teoricamente, tratando-se do Ajuste Linear Simples, quanto mais próximo de 1 for o
valor de r 2 , melhor será a qualidade do ajuste. Um coeficiente de determinação igual a 1, neste
caso, significa um (improvável) ajuste perfeito.

O Coeciente de Determinação Ajustado (r 2 ajust.) - Nem sempre um valor alto do coeficiente

de determinação r 2 implica uma boa qualidade do ajuste, já que adição de uma nova variável ao
modelo sempre aumenta o valor desse indicador, pois a soma dos quadrados devido à regressão
sempre aumenta com a introdução de uma nova variável, independentemente de sua significância
para o modelo. Sendo assim, modelos com um elevado valor de r2 podem conduzir a estimativas
pouco confiáveis do valor da variável dependente, comprometendo a eficácia do ajuste. Por este
motivo, em modelos com mais de uma variável independente, dá-se preferência à utilização do
coeficiente de determinação ajustado (r2 ajust.).

Este indicador dá uma ideia melhor da proporção de variação da variável dependente explicada
pelo modelo, uma vez que leva em consideração o número de variáveis independentes
envolvidas no ajuste.

Ao contrário do que se observa com o coeficiente de determinação r2 , o coeficiente de

determinação ajustado (r2 ajust.) não aumenta sempre que uma nova variável é adicionada ao
modelo, só apresentando aumento se de alguma maneira houver vantagem na adição de uma
nova variável. De fato, se forem adicionadas variáveis não significativas, o valor de r2 ajust., na
maioria das vezes, decresce. Quando a diferença entre r2 e r2 ajust. é acentuada, há uma boa
possibilidade de que tenham sido incluídos no modelo termos estatisticamente não significativos.

Extensão da regressão linear

Regressão linear:

y  a  bx

17
Regressão múltipla linear (Regressão Polinomial):

z=b 0 +b1 x+ b2 y

 O comportamento espacial de variáveis mapeáveis pode ser mostrado com os valores

distribuindo-se segundo curvas de mesmo valor, também conhecidas como isopletas.
 Tais mapas, como os topográficos, fornecem importantes informações, porém, em
algumas situações os padrões de variação não se mostram muito claros devido a
flutuações locais ou a valores anômalos.
 É comum nessas circunstâncias falar-se em tendências regionais que são mascaradas por
anomalias locais.
 Método da análise de superfícies de tendência: separação entre grandes e sistemáticas
mudanças existentes na área e pequenas, aparentemente não ordenadas, que se impõem
aos padrões mais gerais.

18
Conclusão

Concluído o trabalho, observamos a estrema importâncias das funções, assim como foi apresenta
os métodos de pontos fixos, secante, que possui convergência superlinear. O método da secante
pode ser visto como uma aproximação do método de Newton sem calcular a derivada da função
f.

19