Aproximação por quadrados mínimos

8
8.1 Introdução
A ideia do método de aproximação por quadrados mínimos é aproximar uma função, por
outra, cometendo o menor erro possível.
Vimos que a interpolação polinomial pode não ser confiável para pontos das regiões próximas
aos extremos do intervalo e para pontos fora do intervalo do ajuste realizado (extrapolação).
Surge assim a necessidade de uma ferramenta que permita extrapolação com algum controle de
erro.

8.2 Caso discreto

Consideremos o problema de estimar os valores de uma função em pontos não tabelados, sendo
conhecidos dados obtidos experimentalmente.
Podemos considerar que f seja uma função polinomial, e este caso inclui as retas, assim devemos
ajustar aos dados uma função do tipo

φ(x) = a0 + a1 x + a2 x2 + . . . + an xn .

Podemos também considerar que f tenha comportamento exponencial ou que f tem comporta-
mento de polinômio trigonométrico.

Vamos supor que desejamos ajustar aos dados (x1 , y1 ), (x2 , y2 ), . . . , (xm , ym ), onde yi = f (xi ),
uma função do tipo

φ(x) = α1 g1 (x) + α2 g2 (x) + . . . + αn gn (x), m ≥ n

127
128 CAPÍTULO 8. APROXIMAÇÃO POR QUADRADOS MÍNIMOS

Figura 8.1: dispersão

Assim, devemos determinar os coeficientes αi = 1, 2, . . . , n da função φ tais que

|f (xk ) − φ(xk )|2 , k = 1, 2, . . . , m

seja mínimo. Assim, devemos minimizar a função

m
X
E(α1 , α2 , . . . , αn ) = |f (xk ) − φ(xk )|2 ,
k=1

que é uma função de n variáveis αi , i = 1, 2, . . . , n.

Como E é quadrática o ponto de mínimo global de φ é o ponto crítico de E. Para determinar
∂E
os pontos críticos de E é necessário determinar os pontos tais que = 0, j = 1, 2, . . . , n.
∂αj
Assim, para cada j = 1, 2, . . . , n
m
∂E X
0= =2 [f (xk ) − φ(xk )] (+gj (xk )),
∂αj k=1

que é um sistema de equações lineares:

m
X
[f (xk ) − φ(xk )] gj (xk ) = 0, j = 1, 2, . . . , n.
k=1

Reescrevendo,
P
m
k=1 [f (xk ) − (α1 g1 (xk ) + α2 g2 (xk ) + · · · + αn gn (xk ))] g1 (xk ) = 0



 P
 m [f (xk ) − (α1 g1 (xk ) + α2 g2 (xk ) + · · · + αn gn (xk ))] g2 (xk ) = 0
k=1
.
.. .. ..


 . .
 Pm

k=1 [f (xk ) − (α1 g1 (xk ) + α2 g2 (xk ) + · · · + αn gn (xk ))] gn (xk ) = 0.
8.2. CASO DISCRETO 129

Colocando os coeficientes em evidência, temos

P P P

 [ mk=1 g1 (xk )g1 (xk )] α1 + · · · + [ m k=1 gn (xk )g1 (xk )] αn = m k=1 f (xk )g1 (xk )

 P m P m P m
[
k=1 g1 (xk )g2 (xk )] α1 + · · · + [ k=1 gn (xk )g2 (xk )] αn = k=1 f (xk )g2 (xk )
.
.. ..


 .

[Pm g (x )g (x )] α + · · · + [Pm g (x )g (x )] α = Pm f (x )g (x ).
k=1 1 k n k 1 k=1 n k n k n k=1 k n k

Para simplificar, vamos usar a seguinte notação, por gi representaremos o vetor em Rm dado
por
gi = (gi (x1 ), gi (x2 ), . . . , gi (xm )), i = 1, 2, . . . , n.
Notação análogo para f :
f = (f (x1 ), f (x2 ), . . . , f (xm )).
Usando esta notação, observamos que as expressões entre colchetes no sistema acima são os
produtos internos gi · gj .
Assim, podemos esrever na forma matricial:
    
g1 · g1 g2 · g1 ··· gn · g1 α1 f · g1
 g1 · g2 g2 · g2 ··· gn · g2 
  α2   f · g 2 
   

.. .. .. . = . .
  ..   .. 
    
 . . .
g1 · gn g2 · gn ··· gn · gn αn f · gn

Observamos que a matriz dos coeficientes é simétrica:

aij = gi · gj = gj · gi = aji .

Note que se os vetores gi forem linearmente independentes, então o sistema linear admite uma
única solução.
Como resolver sistemas lineares, em geral, não é uma tarefa fácil, seria muito bom que os
vetores gi fossem também ortogonais, pois neste caso a matriz seria diagonal tornando a solução
do sistema completamente trivial.

Exemplos
• Exemplo 8.2.1 (Caso discreto mais comum)

Os dados (xk , yk ) abaixo foram obtidos experimentalmente. O fenômeno físico é modelado por
uma função f (x) com comportamento exponencial. Ajustar aos dados uma função do tipo
I(x) = BeAx .

xi 1.0 1.25 1.5 1.75 2.0

f (xi ) = yi 5.10 5.79 6.53 7.45 8.46
130 CAPÍTULO 8. APROXIMAÇÃO POR QUADRADOS MÍNIMOS

Esta é uma das mais típicas aplicações. Observe que se aplicarmos ln a I(x) obtemos uma reta

φ(x) = ln I(x) = ln B + Ax.

Assim, devemos ajustar aos novos dados (xi , ln yi ) uma reta. Segue daqui que as funções são
g1 (x) = 1 e g2 (x) = x e devemos determinar as constantes α0 = ln B e α1 = A. Os novos dados
são
xi 1.0 1.25 1.5 1.75 2.0
ln yi 1.629240540 1.756132292 1.876406943 2.008214032 2.135349174

Usando a teoria para o caso discreto, obtemos o seguinte sistema de equações lineares
    
g1 · g1 g2 · g1 α0 f · g1
= .
g1 · g2 g2 · g2 α1 f · g2
Calculando os produtos internos, temos
    
5 7.5 α0 9.404
= .
7.5 11.875 α1 14.422

Usando um dos métodos numéricos de resolução de sistema de equações lineares, obtemos

α0 = 1.122 α1 = 0.5056.

Como α0 = 1.122 = ln B, segue que B = e1.122 = 3.071. Logo, temos I(x) = 3.071e0.5056x .

Exercício 8.2.2 (Emissão de CO2 e o aquecimento global:)

O banco de dados do Carbon Dioxide Information Analysis Center (CDIAC)1 e de Oak Ridge
National Laboratory (ORNL) fornecem os seguintes dados sobre a emisão do carbono CO2 .

Ano 1800 1850 1900 1950 2000

Qtdade 5.0 × 109 1.0 × 1010 1.5 × 1010 2.0 × 1010 2.5 × 1010

Ajustar aos dados uma função do tipo y = beax .

Exercício 8.2.3 (Processo de cicatrização)

O processo de uma cicatrização obedece à lei de Carrel2 , que diz que o logaritmo da área
lesionada decresce linearmente com o tempo. Suponha que temos uma área lesionada e que
foi acompanhada ao longo do tempo como mostram os dados abaixo. Determine a curva que
melhor se ajusta aos dados.

Exercício 8.2.4 (Disponibilidade de água)

8.2. CASO DISCRETO 131

Tabela 8.1: Processo de cicatrização

Tempo(dias) 0 5 10 15 20 25 30 35 40 45 50
2
Área (cm ) 120 90 84 71 55 44 35 27 20 16 11

Tabela 8.2: Disponibilidade de água

1950 1960 1970 1980 2000
105 80.2 61.7 48.8 28.3

A disponibilidade de água potável no mundo vem caindo gradualmente. A tabela, com dados da
América Latina baseados na realidade3 , apresenta a quantidade de água por habitante medida
em 1000 m3 . Determine a curva da forma y = beax que melhor se ajusta aos dados.

Exercício 8.2.5 (Casos importantes em aproximação por quadrados mínimos)

Estude os casos de aproximação por quadrados mínimos em que os dados tenham os seguintes
comportamentos:
(a) Comportamento hiperbólico
1
y= .
a + bx
1
Nesse caso, faça z = e ajuste uma reta A + Bx aos dados (xi , zi ). Em seguida volte problema
y
original.
(b) Comportamento exponencial
y = abx .
Veja o exemplo 8.2.1.
(c) Comportamento geométrico
y = axb .
Nesse caso, se xi > 0 e yi > 0, faça z = ln y = ln a + b ln x = A + Bt, onde A = ln a, B = b e
ln x = t, obtendo uma reta. Em seguida volte ao problema original.

• Exemplo 8.2.6 (Caso discreto)

Dado os pares (xi , yi ) abaixo aproxime essa função por uma parábola,

xi -1 -0.75 -0.6 -0.5 -0.3 0 0.2 0.4 0.5 0.7 1

yi 2.05 1.153 0.45 0.4 0.5 0 0.2 0.6 0.512 1.2 2.05

é conveniente tabelar os dados numa tabela

1
http//cdiac.esd.ornl.gov/ftp/ndp030/global98.ems
2
Médico francês ganhador do prêmio Nobel de Medicina de 1912
3
Ayibotele,1992. The world water assessing the resource
132 CAPÍTULO 8. APROXIMAÇÃO POR QUADRADOS MÍNIMOS

i xi yi x2i xi yi yi x2i x3i x4i

1 -1.0 2.05
2 .0.75 1.153
3 -.06 0.45
4 -0.5 0.4
5 -0.3 0.5
6 0 0
7 0.2 0.2
8 0.4 0.6
9 0.5 0.512
10 0.7 1.2
P 11 1.0 2.05
11 -0.35 9.115 4.2025 -0.10875 5.875562 -0.249875 2.846406

Como queremos aproximar f (x) por uma parábola α0 + α1 x + α2 x2 , as funções são g1 (x) =
1, g2 (x) = x e g3 (x) = x2 ; assim temos
    
g1 · g1 g2 · g1 g3 · g1 α0 f · g1
 g 1 · g 2 g 2 · g 2 g 3 · g 2   α1  =  f · g 2  .
g1 · g3 g2 · g3 g3 · g3 α2 f · g3
Ou seja,     
11 −0.35 4.2025 α0 9.115
 −0.35 4.2025 −0.249875   α1  =  −0.10875  .
4.2025 −0.249875 2.846406 α2 5.875562
Resolvendo o sistema de equações lineares, obtemos α0 = 0.0914, α1 = 0.09696 e α2 = 1.93776.
Segue que a parábola procurada é

φ(x) = 0.0914 + 0.09696x + 1.93776x2 .

O Maple tem rotinas para mínimos quadrados discretos. Veja exemplo.

> restart:
> with(stats):
> xvals:=[0,0.25,0.5,0.75,1];
> yvals:=[1,1.284,1.6487,2.117,2.7183];
> z:=fit[leastsquare[[x,y],y=a*x^2+b*x+c,{a,b,c}]]([xvals,yvals]);
Para obter uma aproximação para y(1.7), digite
> evalf(subs(x=1.7,z));

8.2.1 Diagrama de dispersão

O comportamento dos pontos no plano é que determina a escolha do tipo de função que devemos
determinar que melhor se ajusta aos dados. Isto é, como os pontos estão distribuídos no plano.
8.3. CASO CONTÍNUO 133

Se os pontos estão distribuídos em torno de uma reta, devemos procurar entre as retas aquela
que melhor se ajusta aos dados. Se os pontos estão distribuídos em torno de uma parábola
devemos procurar entre as parábolas aquela que melhor se ajusta aos dados.
No primeiro diagrama de dispersão, veja figuras 8.2.1, vemos que o comportamento é parabólico,
enquanto que o segundo é claramente linear.

8
1.8

1.6 6

1.4
4

1.2
2
1

0.8 –3 –2 –1 0 1 2 3 4

0.6 –2

0.4
–4

0.2
–3 –2 –1 0 1 2 3

Figura 8.2: dispersão–parabólico Figura 8.3: dispersão–linear

8.3 Caso contínuo

Consideremos o espaço vetorial C[a, b] das funções reais contínuas em [a, b] munido do produto
interno Z b
hf, gi = ω(x)f (x)g(x)dx,
a
onde ω(x) ≥ 0 é uma função integrável com ω(x) 6≡ 0 para todo subintervalo de [a, b].
Usando o produto interno acima definimos a norma de f ∈ C[a, b] por
p
kf k = hf, f i .
O produto interno acima introduz no espaço C[a, b] a seguinte noção de distância
d(f, g) = kf − gk,
que torna este espaço vetorial um espaço métrico.
Sejam f ∈ C[a, b] e S, o subespaço de C[a, b], gerado pelo conjunto das funções ϕ1 (x), ϕ2 (x), . . . , ϕn (x)
linearmente independentes em C[a, b].
f

-
f∗
S
134 CAPÍTULO 8. APROXIMAÇÃO POR QUADRADOS MÍNIMOS

Queremos determinar coeficientes ak ∈ R, k = 0, 1, . . . , n, tais que o erro

n
X
kf − ak ϕ k k
|k=1 {z }
ϕ

seja mínimo. Ou equivalentemente,

n Z " n
#2
X b X
kf − ak ϕk k2 = ω(x) f (x) − ak ϕk (x) dx
k=1 a k=1

seja mínimo.
Pn Isto é, os quadrados devem ser mínimos. Geometricamente, a área abaixo de
2
[f (x) − k=1 ak ϕk (x)] deve ser mínima.
Seja " #2
Z b n
X
E(a1 , a2 , . . . , an ) = ω(x) f (x) − ak ϕk (x) dx.
a k=1

A fim de minimizar esta função devemos resolver o seguinte sistema de equações lineares:
Z b " n
#
∂E X
=2 ω(x) f (x) − ak ϕk (x) (−ϕj (x))dx = 0, (8.3.1)
∂aj a k=1

j = 1, . . . , n.
Reescrevendo o sistema:
Z b n
X Z b
ω(x)f (x)ϕj (x)dx = ak ω(x)ϕk (x)ϕj (x)dx, j = 1, . . . , n. (8.3.2)
a k=1 a

Podemos reescrever o sistema acima na forma matricial:

    
ϕ1 · ϕ1 ϕ2 · ϕ1 · · · ϕ n · ϕ 1 a1 f · ϕ1
 ϕ 1 · ϕ 2 ϕ 2 · ϕ 2 · · · ϕ n · ϕ 2   a2   f · ϕ2 
    
 .. .. ..   ..  =  ..  . (8.3.3)
 . . .  .   . 
ϕ1 · ϕn ϕ2 · ϕn · · · ϕ n · ϕ n an f · ϕn

Se as funções ϕi forem linearmente independentes, então o sistema admite uma única solução.

Exemplos
• Exemplo 8.3.1 (Caso Contínuo)

Considere o espaço C[0, 1] munido do produto interno usual dado por

Z 1
hf, gi = f (x)g(x)dx.
0
8.3. CASO CONTÍNUO 135

Aproximar f (x) = sin(πx) em [0, 1] por uma função da forma ϕ(x) = a0 + a1 x + a2 x2 . Assim,
ϕ1 (x) ≡ 1, ϕ2 (x) = x e ϕ3 (x) = x2 . Escrevendo o sistema 8.3.3
    
ϕ1 · ϕ1 ϕ2 · ϕ1 ϕ3 · ϕ1 a0 f · ϕ1
 ϕ 1 · ϕ 2 ϕ 2 · ϕ 2 ϕ 3 · ϕ 2   a1  =  f · ϕ 2  .
ϕ1 · ϕ3 ϕ2 · ϕ3 ϕ3 · ϕ3 a2 f · ϕ3

Calculando os produtos internos, obtemos

    2

1 21 13 a0 π
 1 1 1   a1  =  1 .
2 3 4 π
1 1 1 π 2 −4
3 4 5
a2 π3

Resolvendo o sistema de equações lineares, obtemos

a0 = −0.050465, a1 = 4.12251, a2 = −4.12251.

Assim, a função parabólica que mais se aproxima de f é

ϕ(x) = −0.050465 + 4.12251x − 4.12251x2 .

Veja o gráfico de sin(πx) e da aproximação.

0.8

0.6

0.4

0.2

0 0.2 0.4 0.6 0.8 1

x

Exercício 8.3.2 Considere o espaço C[−1, 1] das funções contínuas f : [−1, 1] → R munido
do produto interno dado por
Z 1
hf, gi = f (x)g(x)dx.
−1

Seja S o subespaço gerado pelos polinômios 1, x, x2 − 13 , x3 − 36 x. Verifique se os polinômios são

ortogonais. Determine a função de S que melhor representa a função sin(x).
136 CAPÍTULO 8. APROXIMAÇÃO POR QUADRADOS MÍNIMOS

Se as funções ϕi (x) forem dadas ortogonais entre si, então o sistema acima (8.3.3) se reduz a
Z b Z b
ω(x)f (x)ϕj (x)dx = aj ω(x)|ϕj (x)|2 dx, j = 1, . . . , n, (8.3.4)
a a

e neste caso
Z b
1
aj = ω(x)f (x)ϕj (x)dx,
αj a

onde
Z b
αj = ω(x)|ϕj (x)|2 dx.
a

Obtemos assim, o seguinte teorema.

Teorema 8.3.3 Seja C[a, b] munido do produto interno

Z b
hf, gi = ω(x)f (x)g(x)dx.
a

Sejam f ∈ C[a, b] e S subespaço de C[a, b] gerado pelo conjunto das funções ϕ1 (x), ϕ2 (x), . . . , ϕn (x)
ortogonais em C[a, b]. A aproximação de f por mínimos quadrados é

n
X
f (x) =
∗
ak ϕk (x),
k=1

onde k = 1, . . . , n e
Z b
ω(x)f (x)ϕk (x)dx
a
ak = Z b
. (8.3.5)
2
ω(x)|ϕk (x)| dx
a

Exercício 8.3.4 Considere o espaço C[−1, 1] das funções contínuas f : [−1, 1] → R munido
do produto interno dado por
Z 1
1
hf, gi = √ f (x)g(x)dx.
−1 1 − x2

Seja S o subespaço gerado pelos polinômios 1, x, 2x2 − 1, 4x3 − 3x. Verifique se os polinômios
são ortogonais. Determine a função de S que melhor representa a função cos(x).
8.4. USANDO MAPLE: O MÉTODO DOS QUADRADOS MÍNIMOS CONTÍNUO 137

8.4 Usando Maple: O método dos quadrados mínimos contí-

nuo
O procedimento em Maple a seguir calcula os coeficientes do método dos quadrados mínimos
no caso contínuo e produto interno
Z b
hf, gi = f (x)g(x)dx.
a

> restart:with(linalg):
> MMQua := proc(inf, sup, f, N) local A,X, b, i, j;
A := matrix(N,N); b := vector(N);
for i to N do for j to N do
A[i,j] := evalf(int(g[i](k)*g[j](k),k=inf..sup));
od; b[i] := evalf(int(g[i](k)*f(k),k=inf..sup));
od;
print(‘Sistema linear‘);print(‘A = ‘,evalm(A));
for i to N do b[i]:=int(f(k)*g[i](k),k=inf..sup); od;
print(‘Solução do sistema linear ‘);X:=linsolve(A,b);end:
## Exemplo 1: Aproximar a função sin(Pi x) no intervalo
##[-1..1] ## um polinômio de grau 3 .
> f := x -> sin(Pi x);
> g[1] := x -> 1; g[2] := x -> x; g[3] := x -> x^2; g[4] := x -> x^3;
> MMQua(-1,1,f,4);
> f := x -> sin(Pi*x);
> g[1] := x -> 1; g[2] := x -> x; g[3] := x -> x^2;
> MMQua(0,1,f,3);
A seguir veremos como o processo de ortogonalização de Gram-Schmidt pode ser usado para
construir polinômios ortogonais.

8.5 Polinômios ortogonais e o método dos quadrados mí-

nimos
Dizemos que uma família de polinômios não nulos p0 (x), p1 (x), . . . , pn (x), . . . é uma família de
polinômios ortogonais, relativamente ao produto interno h·, ·i, se verifica o seguinte
(
0, i 6= j
hpi (x), pj (x)i =
Ci 6= 0, i = j.

No estudo dos polinômios, utiliza-se produtos internos da forma

Z b
hf, gi = ω(x)f (x)g(x)dx,
a
138 CAPÍTULO 8. APROXIMAÇÃO POR QUADRADOS MÍNIMOS

onde ω(x) ≥ 0 e ω(x) 6≡ 0 em cada subintervalo de [a, b] e integrável em [a, b] é chamada de

função peso.
Os seguintes produtos internos são os mais comumente utilizados na determinação de polinômios
ortogonais.
Z 1
(1i) hf, gi = f (x)g(x)dx, isto é, ω(x) ≡ 1 e a = −1, b = 1. Este produto interno dará origem
−1
aos polinômios de Legendre.
Z 1
1 1
(2i) hf, gi = √ f (x)g(x)dx, isto é, ω(x) = √ e a = −1, b = 1. Este produto
1−x 2 1 − x2
−1
interno dará origem aos polinômios de Tchebycheff.
Z ∞
(3i) hf, gi = e−x f (x)g(x)dx, isto é, ω(x) = e−x e a = 0, b = ∞. Este produto interno dará
0
origem aos polinômios de Laguerre.
Z ∞
2 2
(4i) hf, gi = e−x f (x)g(x)dx, isto é, ω(x) = e−x e a = −∞, b = ∞. Este produto interno
−∞
dará origem aos polinômios de Hermite.

Teorema 8.5.1 O conjunto de funções polinomiais {ϕ0 , ϕ1 , . . . , ϕn } construídas como se segue,

é ortogonal em C[a, b] munido do produto interno
Z b
hf, gi = ω(x)f (x)g(x)dx,
a

onde ω(x) ≥ 0 integrável em [a, b] e ω(x) 6≡ 0 em cada subintervalo de [a, b] é a função peso,

ϕ0 (x) = 1, ϕ1 (x) = x − B1 , ∀x ∈ [a, b]

onde Z b
xω(x)|ϕ0 (x)|2 dx
B1 = Za b
,
2
ω(x)|ϕ0 (x)| dx
a

e para k ≥ 2
ϕk (x) = (x − Bk )ϕk−1 (x) − Ck ϕk−2 (x), x ∈ [a, b],
onde Z b
xω(x)|ϕk−1 (x)|2 dx
Bk = Za b
ω(x)|ϕk−1 (x)|2 dx
a
8.5. POLINÔMIOS ORTOGONAIS E O MÉTODO DOS QUADRADOS MÍNIMOS 139

e
Z b
xω(x)ϕk−1 (x)ϕk−2 (x)dx
a
Ck = Z b .
2
ω(x)|ϕk−2 (x)| dx
a

• Exemplo 8.5.2 (Polinômios de Legendre)

Tomando ω(x) = 1, a = −1 e b = 1, os polinômios ortogonais construídos usando o Teorema

8.5.1 são
1 3
P0 (x) = 1, P1 (x) = x, P2 (x) = x2 − , P3 (x) = x3 − x,
3 5

6 3 10 5
P4 (x) = x4 − x2 + , P5 (x) = x5 − x3 + x.
7 35 9 21

Grau Polinômios de Legendre

0 1
1 x
2 3x2 /2 − 1/2
3 5x3 /2 − 3x/2
35 4
4 8
x − 154
x2 + 3/8
63 5
5 8
x − 4 x + 15
35 3
8
x
231 6 315 4 105 2 5
6 16
x − 16 x + 16 x − 16
429 7
7 16
x − 693
16
x5 + 31516
x3 − 1635
x
6435 8 3003 6 3465 4 315 2 35
8 128
x − 32
x + 64
x − 32
x + 128
12155 9
9 128
x − 6435
32
x7 + 900964
x5 − 1155
32
x3 + 315
128
x
46189 10
10 256
x − 256 x + 128 x − 128 x + 3465
109395 8 45045 6 15015 4
256
x2 − 63
256

• Exemplo 8.5.3 (Polinômios de Tchebycheff )

Os polinômios de Tchebycheff {Tn (x)} são ortogonais em (−1, 1) com relação ao produto interno
Z 1
hf, gi = ω(x)f (x)g(x)dx,
−1

1
onde a função peso é ω(x) = (1 − x2 )− 2 .
Eles podem ser deduzidos pelo método de ortogonalização dado pelo Teorema 8.5.1, mas esta
não é a maneira mais simples de obtê-los.
140 CAPÍTULO 8. APROXIMAÇÃO POR QUADRADOS MÍNIMOS

Grau Polinômios de Tchebyceff

0 1
1 x
2 2 x2 − 1
3 4 x3 − 3 x
4 8 x4 − 8 x2 + 1
5 16 x5 − 20 x3 + 5 x
6 32 x6 − 48 x4 + 18 x2 − 1
7 64 x7 − 112 x5 + 56 x3 − 7 x
8 128 x8 − 256 x6 + 160 x4 − 32 x2 + 1
9 256 x9 − 576 x7 + 432 x5 − 120 x3 + 9 x
10 512 x10 − 1280 x8 + 1120 x6 − 400 x4 + 50 x2 − 1

• Exemplo 8.5.4 (Polinômios de Laguerre)

Os polinômios de Laguerre L0 (x), L1 (x), L2 (x), . . . , são obtidos usando o Teorema 8.5.1, com o
produto interno
Z ∞
hf, gi = e−x f (x)g(x)dx,
0

onde a função peso é ω(x) = e−x , a = 0 e b = +∞.

Grau Polinômios de Laguerre
0 1
1 1−x
2 1 − 2 x + 1/2 x2
3 1 − 3 x + 3/2 x2 − 1/6 x3
4 1 − 4 x + 3 x2 − 2/3 x3 + 1/24 x4
5 4 1
5 1 − 5 x + 5 x2 − 5/3 x3 + 24 x − 120 x5
1
6 1 − 6 x + 15/2 x2 − 10/3 x3 + 5/8 x4 − 1/20 x5 + 720 x6
2 35 3 35 4 7 5 7 6 1
7 1 − 7 x + 21/2 x − 6 x + 24 x − 40 x + 720 x − 5040 x7
2 28 3 35 4 7 5 7 6 1 7 1
8 1 − 8 x + 14 x − 3 x + 12 x − 15 x + 180 x − 630 x + 40320 x8
9 1 − 9 x + 18 x2 − 14 x3 + 21 4 21 5 7 6 1 7 1 8 1
4 x − 20 x + 60 x − 140 x + 4480 x − 362880 x
9
45 2 35 4 21 5 7 6 1 1 1
10 1 − 10 x + 2 x − 20 x + 4 x − 10 x + 24 x − 1/42 x + 896 x − 36288 x9 +
3 7 8
3628800 x10

• Exemplo 8.5.5 (Polinômios de Hermite)

Os polinômios de Hermite são obtidos usando o Teorema 8.5.1, com o produto interno
Z ∞
2
hf, gi = e−x f (x)g(x)dx,
−∞

2
onde a função peso é ω(x) = e−x , a = −∞ e b = +∞.
8.5. POLINÔMIOS ORTOGONAIS E O MÉTODO DOS QUADRADOS MÍNIMOS 141

Grau Polinômios de Hermite

0 1
1 2x
2 4 x2 − 2
3 8 x3 − 12 x
4 16 x4 − 48 x2 + 12
5 32 x5 − 160 x3 + 120 x
6 64 x6 − 480 x4 + 720 x2 − 120
7 128 x7 − 1344 x5 + 3360 x3 − 1680 x
8 256 x8 − 3584 x6 + 13440 x4 − 13440 x2 + 1680
9 512 x9 − 9216 x7 + 48384 x5 − 80640 x3 + 30240 x
10 1024 x10 − 23040 x8 + 161280 x6 − 403200 x4 + 302400 x2 − 30240

8.5.1 Propriedades dos Polinômios Ortogonais

Propriedade 1: Se p0 (x), p1 (x), . . . , pn (x) são polinômios ortogonais segundo um produto in-
terno, então qualquer polinômio de grau ≤ n pode ser escrito como combinação linear destes
polinômios. Além disso, pn (x) é ortogonal a todo polinômio de grau menor do que n.

Propriedade 2: Se p0 (x), p1 (x), . . . , pn (x) são polinômios ortogonais segundo o produto interno
Z b
hf, gi = ω(x)f (x)g(x)dx,
a

onde ω(x) ≥ 0 e ω(x) 6≡ 0 em cada subintervalo de [a, b] é contínua em [a, b], então pn (x) possui
n raízes reais distintas.

As fórmulas de quadratura de Gauss, que veremos mais adiante, são baseadas no seguinte
Teorema, que é a propriedade mais importante dos polinômios ortogonais.

Teorema 8.5.6 Sejam p0 (x), p1 (x), p2 (x), . . . , pn (x), pn+1 (x) . . . polinômios não nulos e ortogo-
nais, segundo o produto interno
Z b
hf, gi = ω(x)f (x)g(x)dx,
a

onde ω(x) ≥ 0 e ω(x) 6≡ 0 em cada subintervalo de [a, b] é contínua em [a, b]. Sejam x0 , x1 , x2 , . . . , xn
as raízes de pn+1 (x). Se f (x) é um polinômio de grau menor do que ou igual a 2n + 1, então
Z b n
X
ω(x)f (x)dx = ωk f (xk ),
a k=0

onde Z b
ωk = ω(x)Lk (x)dx
a
142 CAPÍTULO 8. APROXIMAÇÃO POR QUADRADOS MÍNIMOS
Pn
com Pn (x) = k=0 f (xk )Lk (x) é o polinômio interpolador de Lagrange que interpola f nos
pontos xk , k = 0, 1, . . . , n.

Demonstração: Sejam x0 , x1 , . . . , xn as raízes de pn+1 (x). Segue que podemos escrever

pn+1 (x) = a0 (x − x0 )(x − x1 ) · · · (x − xn ).

Seja Pn (x) o polinômio interpolador de f (x) nos pontos x0 , x1 , . . . , xn em [a, b]. Como Rn (x) =
f (x) − Pn (x) é o erro na interpolação, então

f (n+1) (ξ)
f (x) − Pn (x) = Rn (x) = (x − x0 )(x − x1 ) · · · (x − xn ) ,
(n + 1)!

onde ξ ∈ (a, b) depende de x. Como f (x) é um polinômio de grau ≤ 2n + 1, temos que o termo

f (n+1) (x)
q(x) =
(n + 1)!

é um polinômio de grau menor do que ou igual a n. Logo, podemos escrever

f (x) − Pn (x) = b0 pn+1 (x)q(x).

Segue que
Z b Z b
ω(x) [f (x) − Pn (x)] dx = b0 ω(x)pn+1 (x)q(x)dx.
a a

Como pn+1 (x) e q(x) são ortogonais, vale a igualdade

Z b
ω(x) [f (x) − Pn (x)] dx = 0.
a

Isto é,
Z b Z b
ω(x)f (x)dx = ω(x)Pn (x)dx
a a
Z b " n #
X
= ω(x) Lk (x)f (xk ) dx
a k=0
n
X Z b
= f (xk ) ω(x)Lk (x)dx
k=0 a

Xn
= ωk f (xk ).
k=0

Isto conclui a prova do teorema. 

8.5. POLINÔMIOS ORTOGONAIS E O MÉTODO DOS QUADRADOS MÍNIMOS 143

Exercício 8.5.7 1. A tabela a seguir lista o número de acidentes em veículos motorizados

no Brasil em alguns anos entre 1980 e 1998,

Ano Acidentes (em milhares) Acidentes por 10000 veículos

1980 8.300 1.688
1985 9.900 1.577
1990 10.400 1.397
1993 13.200 1.439
1994 13.600 1.418
1996 13.700 1.385
1998 14.600 1.415

a) Calcule a regressão linear do número de acidentes no tempo. Use-a para prever o

número de acidentes no ano 2000.
b) Calcule uma regressão quadrática do número de acidentes por 10000 veículos. Use
esta para prognosticar o número de acidentes por 10000 veículos no ano 2000.
c) Compare os resultados, em qual deles você está mais propenso a acreditar?
OBS: Use 0 em vez de 1980, 5 em vez de 1985 e etc... facilita.

2. A tabela a seguir lista o total de água consumida no Estados Unidos em bilhões de galões
por dia,

Ano 1950 1960 1970 1980 1990

Água 136.43 202.70 322.90 411.20 494.10

a) Encontre uma regressão exponencial de consumo de água no tempo.

b) Use os resultados do item a) para prever o consumo de água nos anos de 1995 e 2000.

3. A resistência à compressão do concreto, σ, decresce com o aumento da razão água/cimento,

ω
c
, (em galões de água por saco de cimento). A resistência à compressão de três amostras
de cilindros para várias razões ωc estão disponíveis na tabela:

ω
c
4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0 8.5 9.0
σ 7000 6125 5237 4665 4123 3810 3107 3070 2580 2287

Usando o método dos mínimos quadrados, ajuste σ, aos dados, utilizando uma função
do tipo k1 exp(−k2 ωc ).

4. Na tabela temos os dados (tk , f (tk )) para uma função f com comportamento exponencial
que modela a intensidade de uma frente de radiação. Determine a regressão exponencial
de f (t), isto é, uma função do tipo I(t) = I0 eαt que melhor represente f .
144 CAPÍTULO 8. APROXIMAÇÃO POR QUADRADOS MÍNIMOS

t 0.2 0.3 0.4 0.5 0.6 0.7

f (t) 3.16 2.38 1.75 1.34 1.00 0.74

5. Na tabela temos os dados (xk , f (xk )) para uma função f com comportamento hiperbólico,
1
isto é da forma, φ(x) = .
a + bx

xk 0 1 2 3 4
f (xk ) 1 0.32256 0.2 0.14286 .11236

a) Encontre uma função que melhor se ajusta aos dados.

b) Use os resultados do item a) para estimar f (1.5).

8.6 Resumo do capítulo

Neste capítulo estudamos o método dos quadrados mínimos, tanto no caso discreto como
no caso contínuo. Vimos que é uma boa alternativa para o problema de aproximação. Estudamos
também alguns tipos de polinômios ortogonais e esuas propriedades, a saber:

1. Polinômios de Legendre, Polinômios de Tchebycheff;

2. Polinômios de Laguerre, Polinômios de Hermite.