UFMT – ICET MATEMÁTICA (2022/2) – Prof. Geraldo L. Diniz, Cálculo numérico – Turmas BF e T.

Respostas da lista 2 - ajuste

7. Calcular f (1.22) por regressão linear para a tabela 1 a seguir.

Tabela 1: Valores medidos para f (x).

x 1.00 1.05 1.10 1.15 1.20 1.25 1.30 1.35
f (x) 1.0 1.01 1.02 1.04 1.05 1.06 1.065 1.08

Solução:

Tabela 2: Valores para ajuste de f (x).

8
X
k 1 2 3 4 5 6 7 8
k=1
x 1.0 1.05 1.10 1.15 1.20 1.25 1.30 1.35 9.40
x2 1.0 1.1025 1.21 1.3225 1.44 1.5625 1.6900 1.8225 11.1500
f (x) 1.0 1.01 1.02 1.04 1.05 1.06 1.065 1.08 8.325
x · f (x) 1.0 1.0605 1.1220 1.196 1.26 1.325 1.3845 1.4580 9.806

Para fazer a regressão linear com os valores da tabela 2, a função de ajuste será φ(x) = α1 + α2 x, com φ1 (x) = 1 e
φ2 (x) = x. Daı́, o sistema linear que se obtém é
 8
! 8
! 8
!
 X X X


 1 α1 + xk α2 = f (xk )      
8.00 9.40 α1 8.325

k=1! k=1 ! k=1 ! ⇒ · = ⇒
8 8 8
 X X
2
X 9.40 11.15 α2 9.806
xk α1 + (xk ) α2 = xk · f (xk )




k=1 k=1 k=1
   
α1 0.770655
= . Logo. φ(x) = 0.770665 + 0.229762x
α2 0.229762
A figura 1 apresenta o resultado da função de ajuste obtida em conjunto com os pontos da tabela.

Figura 1: Gráfico da função φ(x) e dos valores da tabela 1.

Portanto, f (1.22) ≈ φ(1.22) = 0.770665 + 0.229762 × 1.22 ≈ 1.051

2 Respostas da Lista 2 (ajuste) – Cálculo numérico

8. O jornal Folha de São Paulo publicou, no caderno mundo, uma reportagem sobre o crescimento demográfico mundial
da população humana, conforme os dados apresentados na tabela 3.

Tabela 3: População humana mundial.

8000 AC 1 DC 1750 1800 1930 1960 1974 1990 2000
9.3 milhões 300 milhões 800 milhões 1 bilhão 2 bilhões 3 bilhões 4 bilhões 5 bilhões 6 bilhões

Com base nestes dados, faça um ajuste não-linear para obter qual era a população total no nosso planeta no ano
1500 e faça uma estimativa para o ano 2020.
Solução:
No caso deste ajuste, algumas opções para a escolha da função de ajuste seriam φ(t) = a · bt ou φ(t) = a · ebt ou
φ(t) = a · 10bt , que são funções do tipo exponencial, mudando apenas a base. Para as duas primeiras escolhas, a
linearização do problema será tomando z = ln p, em que p é a população mundial dada e no caso da terceira escolha
a linearização será tomando z = log10 p. Daı́, a função de ajuste será da forma φ(t) = c1 + c2 t, com φ1 (t) = 1 e
φ2 (t) = t, cujos sistemas lineares que se obtém são da forma
 9
! 9
! 9
!
 X X X


 1 c1 + tk c2 = p(tk )      
9 5405 c 186.9837865

k=1 k=1 k=1 ! ⇒ 1
9
! 9
! 9 · = ⇒
 X X
2
X 5405 89725777 c2 162053.3733
t k c1 + (tk ) c2 = tk · p(tk )




k=1 k=1 k=1
   
c1 20.4304
= . Logo, φ(t) = 20.389 + 0.000569t. Para a primeira escolha, se tem a = ec1 e b = ec2 ⇒
c2 0.000575
p(t) = (7.16 × 108 ) · 1.00057t , no caso da segunda escolha, então a = ec1 e b = c2 e no caso da terceira escolha, se
tem a = 10c1 e b = c2 , neste caso os valores de c1 e c2 serão outros devido o sistema linear ser diferente para o
termo independente. Portanto, no caso da segunda escolha p(t) = (7.46 × 108 )e0.000575t .
A figura 2 apresenta o resultado da função de ajuste obtida para a segunda escolha em conjunto com os pontos da
tabela.

Figura 2: Gráfico da função p(t) e dos valores da tabela 3.

Por fim, para estimar os valores pedidos, tomando a segunda escolha para p(t) = (7.46 × 108 )e0.000575t , se tem
p(1500) = (7.46 × 108 )e0.000575·1500 = 1.008 × 109 . Enquanto, p(2020) = (7.46 × 108 )e0.000575·2020 = 3.07 × 109 .
Prof. Geraldo L. Diniz 3

Algumas observações:

(i) Observando o gráfico da figura 2, há uma nı́tida diferença para a função de ajuste e os dados reais na parte
final, a partir do ano 1750. Se desconsiderar o dado inicial (8000 AC) os resultados da aproximação melhoram,
conforme pode ser visto na figura 3. Neste caso, a função de ajuste seria p(t) = (2.456 × 108 )e0.0012222·t ⇒
p(1500) ≈ 1.54 × 109 e p(2020) ≈ 2.66 × 109 , apesar de superestimar a população em 1500 e subestimar (e
muito!) a população em 2020.

Figura 3: Gráfico para p(t) e os 8 últimos valores da tabela 3.

(ii) Se forem desconsiderados os dois primeiros valores da tabela, ou seja, 8000 AC e 1 DC, a melhora é considerável,
como pode ser obervado na figura 4, mas somente para este conjunto de dados. Neste caso, a função de ajuste
seria p(t) = (1.051 × 103 )e0.00766·t ⇒ p(1500) = 1.032 × 108 e p(2020) = 5.55 × 109 , valores mais razoáveis, mas
em ambos os casos subestimados.

Figura 4: Gráfico para p(t) e os 7 últimos valores da tabela 3.

4 Respostas da Lista 2 (ajuste) – Cálculo numérico

(iii) Estas observações indicam que, para crescimento populacional, o modelo de Malthus (crescimento exponencial)
pode ser usado, mas para intervalos menores de tempo, por exemplo, para algumas décadas e não para perı́odos
de longo prazo, como obtido nas figuras 2 e 3.

9. Considere a tabela 4 e faça os ajustes indicados a seguir.

Tabela 4: Dados coletados de uma amostragem.

x -8 -6 -4 -2 0 2 4
y 30 10 9 6 5 4 4

1
(a) usando a aproximação y ≈ ;
a + bx
(b) usando a aproximação y ≈ abx
(c) faça um gráfico contendo os valores dados e aqueles obtidos pelas aproximações encontradas em (a) e (b). O
que você pode concluir?

Solução:
1 1
(a) usando a aproximação y ≈ a linearização do problema se faz por z = , o que permite construir a
a + bx y
tabela 5 a seguir.

1
Tabela 5: Dados linearizados para z = .
y
k xk (xk )2 zk xk zk
1 -8.00 64.00 0.0333 -0.2667
2 -6.00 36.00 0.1000 -0.6000
3 -4.00 16.00 0.1111 -0.4444
4 -2.00 4.00 0.1667 -0.3333
5 0.00 0.00 0.2000 0.0000
6 2.00 4.00 0.2500 0.5000
7 4.00 16.00 0.2500 1.0000
7
X
-14 140 1.1111 -0.1444
k=1

Assim, a função de ajuste será φa (x) = a + bx, com φ1 (x) = 1 e φ2 (x) = x.

Daı́, se obtém o seguinte sistema linear:
 7
! 7
! 7
!
 X X X


 1 a+ xk b = zk      
7 −14 a 1.111

k=1 k=1 k=1
7
! 7
! 7
! ⇒ · = ⇒
 X X
2
X −14 140 b −0.144
xk a + (xk ) b = xk · zk




k=1 k=1 k=1
   
a 0.195833
=
b 0.018552
1
Portanto, φa (x) = .
0.195833 + 0.018552x
Prof. Geraldo L. Diniz 5

(b) usando a aproximação y ≈ abx a linearização do problema se faz por z = ln y, o que permite construir a tabela
6 a seguir.

Tabela 6: Dados linearizados para z = ln y.

k xk (xk )2 zk xk zk
1 -8.0 64.0 3.4012 -27.2096
2 -6.0 36.0 2.3026 -13.8155
3 -4.0 16.0 2.1972 -8.7889
4 -2.0 4.0 1.7918 -3.5835
5 0.0 0.0 1.6094 0.0000
6 2.0 4.0 1.3863 2.7726
7 4.0 16.0 1.3863 5.5452
X7
-14.0 140.0 14.0748 -45.0797
k=1

Assim, a função de ajuste linearizada será φb (x) = c1 + c2 x, com φ1 (x) = 1 e φ2 (x) = x, sendo c1 = ln a e
c2 = ln b. Daı́, o sistema linear que se obtém é
 7
! 7
! 7
!
 X X X


 1 c1 + xk c2 = zk      
7 −14 c1 14.0748

k=1 k=1 k=1
7
! 7
! 7
! ⇒ · = ⇒
 X X
2
X −14 140 c2 −45.0797
x k c1 + (xk ) c2 = xk · zk




k=1 k=1 k=1
   
c1 1.70836
=
c2 −0.15116
Como a = ec1 e b = ec2 .
Portanto, φb (x) = 5.5199 · 0.859708x .
(c) A figura 5 apresenta o resultado das funções de ajuste obtidas nos itens (a) e (b) em conjunto com os pontos
da tabela 4.

Figura 5: Gráfico das funções φa (x), φb (x) e dos valores da tabela 4.

Com base na figura 5, aparentemente a função φa (x) produz um melhor ajuste, mas isto só pode ser demons-
7
X 2
trado através do cálculo do resı́duo, dado por Ri = (yk − φi (xk )) , que no caso de φa (x) se tem Ra = 83.66,
k=1
enquanto no caso de φb (x) se tem Rb = 150.40.
1
Portanto, o menor resı́duo é a melhor escolha, neste caso φa (x) =
a + bx
6 Respostas da Lista 2 (ajuste) – Cálculo numérico

10. Cite duas vantagens do método de Newton para a interpolação polinomial sobre os outros métodos?

(a) Permite a melhor escolha do grau do polinômio interpolador.

(b) Fornece a estimativa de erro para o valor interpolado.

11. Na interpolação inversa qual a vantagem do segundo processo sobre o primeiro?

No segundo processo é possı́vel fazer a estimativa do erro para o valor interpolado que foi obtido, enquanto no
primeiro processo de interpolação direta com a resolução da equação obtida, não é possı́vel fazer a estimava de erro
para o valor interpolado.

12. Como se procede para fazer a escolha do grau do polinômio interpolador?

Verificando na coluna das diferenças divididas, aquela que apresenta os valores mais próximos entre si, sua ordem
é que define o grau do polinômio interpolador.

13. Qual a principal diferença entre a interpolação e o ajuste de curvas para uma tabela de pontos?
Na interpolação sempre deve ser satisfeita a condição φ(xi ) = yi , enquanto no ajuste os valores de φ(xi ) devem
estar próximos de yi , o que contorna possı́veis erros na coleta de dados, sem comprometer a função de ajuste.

14. Quais as vantagens e desvantagens do ajuste, comparando-o com a interpolação?

Vantagens:

(a) minimiza os problemas de incerteza dos dados coletados;

(b) produz uma única função que melhor se ajusta aos dados;
(c) permite estimativa para valores que estejam fora do intervalo de tabelamento (extrapolação).

Desvantagens:

(a) maior esforço computacional, quando se tem um grande volume de dados;

(b) requer maior conhecimento sobre comportamento de funções para a escolha da função ideal do ajuste.

Cuiabá, 6 de abril de 2023.