Escolar Documentos
Profissional Documentos
Cultura Documentos
AJUSTE DE CURVAS
Até agora, o polinômio de aproximação foi definido de tal maneira a coincidir com o valor
da função dada em pontos definidos (interpolação).
Surge então a necessidade de se ajustar a estas funções tabeladas uma função que seja uma
“boa aproximação” para os valores tabelados e que nos permita “extrapolar” com certa margem
de segurança.
Assim, dados 𝑛 pontos (𝑥𝑖 , 𝑦𝑖 ), 𝑖 = 1, ⋯ , 𝑛, deseja-se ajustar a eles uma curva 𝑦̂ = 𝑓(𝑥),
que seja uma “boa aproximação” para esses pontos tabelados, utilizando para isso o Método dos
Mínimos Quadrados.
As funções 𝑔1(𝑥), 𝑔2 (𝑥), ⋯ , 𝑔𝑛 (𝑥) são escolhidas de acordo com a natureza dos dados
experimentais e pode não ser fácil escolhê-las de modo a ter uma solução razoável.
Portanto, a escolha da função pode ser feita observando o gráfico dos pontos tabelados ou
os fundamentos teóricos do experimento em questão.
______________________________________________________________________________________________________________ 1 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
Para analisar o gráfico, coloca-se os pontos tabelados num eixo cartesiano. O gráfico
resultante é conhecido por diagrama de dispersão. Através deste diagrama é possível visualizar
a curva que melhor se ajusta aos dados.
______________________________________________________________________________________________________________ 2 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
𝑦̂𝑖
. 𝑦̂𝑖 = 𝑔(𝑥𝑖 )
𝑦𝑖 . 𝑒𝑖
. . . .
.
𝑥1 𝑥2 𝑥𝑖 𝑥𝑛 𝑥
O ajuste de curvas pelo Método dos Mínimos Quadrados para o caso discreto tem por
objetivo ajustar 𝑦̂ = 𝑓(𝑥), de forma que os desvios quadráticos sejam mínimos, ou seja, minimizar
o erro ao quadrado:
𝑛 𝑛
2
minimizar 𝑒𝑟𝑟𝑜𝑠 = minimizar ∑ 𝑒𝑖2 = minimizar ∑(𝑦𝑖 − 𝑦̂𝑖 )2
𝑖=1 𝑖=1
1. Ajuste de Reta
𝑦̂ = 𝑎0 + 𝑎1 𝑥
2. Ajuste Polinomial
𝑦̂ = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑚 𝑥 𝑚
______________________________________________________________________________________________________________ 3 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
Coeficiente de Determinação
Dados 𝑛 valores de (𝑥𝑖 , 𝑦𝑖 ), pode-se fazer um ajuste 𝑦̂ = 𝑓(𝑥). Uma vez determinada a
função, uma forma de verificar a qualidade da escolha feita é através do Coeficiente de
Determinação dado por:
𝑛
𝑛 ∗ ∑𝑖=1 𝑒𝑖2
𝑅2 = 1 − ( 𝑛 )
𝑛 ∗ ∑𝑖=1 𝑦𝑖2 − (∑𝑛𝑖=1 𝑦𝑖 )2
sendo
0 ≤ 𝑅2 ≤ 1
𝑛 𝑛
______________________________________________________________________________________________________________ 4 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
AJUSTE DE RETA
.
𝑦
. .
. .
𝑥1 𝑥2 𝑥𝑛 𝑥
Assim,
𝑛 𝑛
Do Cálculo Diferencial sabe-se que para obter os pontos de mínimo de uma função deve-
se encontrar seus pontos críticos, portanto
𝑛
𝜕 ∑𝑛𝑖=1 𝑒𝑖2 2 ∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )(−1) = 0
=0
𝜕𝑎0 𝑖=1
⟹ ⟹
𝑛
𝜕 ∑𝑛𝑖=1 𝑒𝑖2
=0 2 ∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )(−𝑥𝑖 ) = 0
{ 𝜕𝑎1
{ 𝑖=1
𝑛 𝑛 𝑛 𝑛
∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 ) = 0 ∑ 𝑦𝑖 − ∑ 𝑎0 − ∑ 𝑎1 𝑥𝑖 = 0
𝑖=1 𝑖=1 𝑖=1 𝑖=1
⟹
𝑛 𝑛 𝑛 𝑛
______________________________________________________________________________________________________________ 5 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
Logo,
𝑛 𝑛
𝑎0 𝑛 + 𝑎1 ∑ 𝑥𝑖 = ∑ 𝑦𝑖
𝑖=1 𝑖=1
𝑛 𝑛 𝑛
𝑎0 ∑ 𝑥𝑖 + 𝑎1 ∑ 𝑥𝑖2 = ∑ 𝑥𝑖 𝑦𝑖
{ 𝑖=1 𝑖=1 𝑖=1
𝑛 ∑ 𝑥𝑖 𝑎0 ∑ 𝑦𝑖
( 2 ) ( )=( )
∑ 𝑥𝑖 ∑ 𝑥𝑖 𝑎1 ∑ 𝑥𝑖 𝑦𝑖
Resolvendo o sistema linear por qualquer método direto visto anteriormente, obtêm-se os
coeficientes da função 𝑦̂ = 𝑎0 + 𝑎1 𝑥 dados por:
∑𝑛𝑖=1 𝑦𝑖 − 𝑎1 ∑𝑛𝑖=1 𝑥𝑖
𝑎0 =
𝑛
______________________________________________________________________________________________________________ 6 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
Exemplos
Resolução
𝑛=5 ∑𝑛𝑖=1 𝑥𝑖2 = 52 ∑𝑛𝑖=1 𝑦𝑖 = 13
∑𝑛𝑖=1 𝑥𝑖 = 12 ∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 = 53
5 ∗ 53 − 12 ∗ 13 109 13 − 0.9397 ∗ 12
𝑎1 = = = 0.9397 𝑎0 = = 0.3448
5 ∗ 52 − (12)2 116 5
∴ 𝑦̂ = 0.3448 + 0.9397𝑥
x −1 1 3 4 5
y 0 1 2 4 6
̂
𝒚 −0.5949 1.2845 3.1639 4.1036 5.0433
Diagrama de Dispersão
______________________________________________________________________________________________________________ 7 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
Exercícios
______________________________________________________________________________________________________________ 8 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
AJUSTE DE POLINOMIAL
. 𝑦̂ = 𝑝𝑚 (𝑥)
. .
. . .
.
𝑥1 𝑥2 𝑥𝑛 𝑥
Resolvendo min ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̂𝑖 )2 de forma análoga ao ajuste de retas, obtém-se o seguinte
sistema linear:
𝑛
𝑛 ∑ 𝑥𝑖 ∑ 𝑥𝑖2 ⋯ ∑ 𝑥𝑖𝑚 𝑎0 ∑ 𝑦𝑖
∑ 𝑥𝑖 ∑ 𝑥𝑖2 ∑ 𝑥𝑖3 ⋯ ∑ 𝑥𝑖𝑚+1 𝑎1 ∑ 𝑥𝑖 𝑦𝑖
∑ 𝑥𝑖2 ∑ 𝑥𝑖3 ∑ 𝑥𝑖4 ⋯ ∑ 𝑥𝑖𝑚+2 𝑎2 = ∑ 𝑥𝑖2 𝑦𝑖
⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋮
( ∑ 𝑥𝑖𝑚 ∑ 𝑥𝑖𝑚+1 ∑ 𝑥𝑖𝑚+2 𝑚+𝑚
⋯ ∑ 𝑥𝑖 ) ( 𝑎𝑚 ) ( ∑ 𝑥𝑖𝑚 𝑦𝑖 )
______________________________________________________________________________________________________________ 9 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
Exemplos
Resolução
𝑦̂ = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2
Logo,
𝑛 ∑ 𝑥𝑖 ∑ 𝑥𝑖2 𝑎0 ∑ 𝑦𝑖 5 12 46 𝑎0 7
( ∑ 𝑥𝑖 ∑ 𝑥𝑖2 ∑ 𝑥𝑖3 ) ∗ ( 𝑎1 ) = ( ∑ 𝑥𝑖 𝑦𝑖 ) ⟹ ( 12 46 198 ) ∗ ( 𝑎1 ) = ( 13 )
∑ 𝑥𝑖2 ∑ 𝑥𝑖3 ∑ 𝑥𝑖4 𝑎2 ∑ 𝑥𝑖2 𝑦𝑖 46 198 898 𝑎2 63
𝒙 0 1 2 4 5
𝒚 4 1 −1 1 2
̂
𝒚 3.8247 1.0390 −0.4935 0.2011 2.4282
̂
𝒆𝒊 = 𝒚 − 𝒚 0.1753 −0.0390 −0.5065 0.7989 −0.4282
⟹ 𝑅 2 = 0.9159
______________________________________________________________________________________________________________ 10 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
Resolução
𝑦̂ = 𝑎0 + 𝑎1 𝑥
5 ∗ 13 − 12 ∗ 7 7 − (−0.2209) ∗ 12
𝑎1 = = −0.2209 𝑎0 = = 1.9302
5 ∗ 46 − 122 5
∴ 𝑦̂ = 1.9302 − 0.2209𝑥
𝒙 0 1 2 4 5
𝒚 4 1 −1 1 2
̂
𝒚 1.9302 1.7093 1.4884 1.0466 0.8257
̂
𝒆𝒊 = 𝒚 − 𝒚 2.0698 −0.7093 −2.4884 −0.0466 1.1743
⟹ 𝑅 2 = 0.0636
Logo, o ajuste polinomial (𝑅 2 = 0.9159) é bem melhor que o ajuste de reta (𝑅 2 = 0.0636).
______________________________________________________________________________________________________________ 11 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
Exercícios
2. Ajuste os dados a seguir pelo Método dos Mínimos Quadrados utilizando uma reta e uma
parábola.
Trace as duas curvas no gráfico de dispersão dos dados.
Compare.
𝒙 1 2 3 4 5 6 7 8
𝒚 0.5 0.6 0.9 0.8 1.2 1.5 1.7 2.0
______________________________________________________________________________________________________________ 12 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
Em alguns casos, a família de funções escolhidas pode ser não linear nos parâmetros, como,
por exemplo, se ao diagrama de dispersão de uma determinada função se ajustar uma exponencial
do tipo 𝑓(𝑥) ≅ 𝑦̂ = 𝑎𝑏 𝑥 .
Para aplicar o método dos mínimos quadrados, é necessário efetuar uma linearização do
problema através de alguma transformação conveniente.
Aplicando 𝑙𝑛 obtém-se:
𝑙𝑛( 𝑦̂) = 𝑙𝑛( 𝑎𝑏 𝑥 )
𝑙𝑛( 𝑦̂) = 𝑙𝑛( 𝑎) + 𝑥 𝑙𝑛( 𝑏)
𝑌̂ = 𝑎0 + 𝑥𝑎1
Outras Curvas
• Exponencial
𝑦̂ = 𝑎𝑒 𝑏𝑥
⟹ 𝑌̂ = 𝑎0 + 𝑏𝑥
com 𝑎 = 𝑒 𝑎0 , 𝑏 = 𝑎1
______________________________________________________________________________________________________________ 13 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
• Geométrica
𝑦̂ = 𝑎𝑥 𝑏
⟹ 𝑌̂ = 𝑎0 + 𝑏𝑙𝑛(𝑥)
⟹ 𝑌̂ = 𝑎0 + 𝑏𝑋
com 𝑎 = 𝑒 𝑎0 , 𝑏 = 𝑎1
• Hipérbole
1
𝑦̂ =
𝑎 + 𝑏𝑥
⟹ 𝑌̂ = 𝑎 + 𝑏𝑥
1
com 𝑌 = 𝑦 𝑎 = 𝑎0 , 𝑏 = 𝑎1
• 𝑦̂ = 𝑎𝑏𝑒𝑥
𝑥
• 𝑦̂ = 𝑎+𝑏𝑥
1
• 𝑦̂ = 1+𝑒𝑎+𝑏𝑥
• 𝑦̂ = 1 + 𝑎𝑒 𝑏𝑥
Teste de alinhamento
Uma vez escolhida uma função não linear para ajustar uma função dada, uma forma de
verificar se a escolha feita foi razoável é aplicar o teste de alinhamento que consiste em:
a) Fazer a “linearização” da função não linear escolhida;
b) Fazer o diagrama de dispersão dos novos dados;
c) Se os pontos do diagrama de dispersão (item 𝑏) estiverem alinhados a função não linear
escolhida foi uma “boa escolha”.
Deve-se ressaltar que uma vez transformada a equação, somente esta será considerada para
os cálculos, pois todo este estudo é válido apenas para modelos lineares.
______________________________________________________________________________________________________________ 14 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
Exemplos
2. Ajuste os pontos
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 = 𝑎𝑏 𝑥
c) Qual a melhor aproximação?
Resolução
1 1
a) 𝑦 = ⟹ 𝑌̂ = 𝑎 + 𝑏𝑥 𝑌= 𝑎 = 𝑎0 𝑏 = 𝑎1
𝑎+𝑏𝑥 𝑦
𝒙 −8 −6 −4 −2 0 2 4
𝒚 30 10 9 6 5 4 4
𝒀 = 𝟏⁄ 𝒚 0.0333 0.1000 0.1111 0.1667 0.2000 0.2500 0.2500
𝑎 = 𝑎0 = 0.1958 𝑏 = 𝑎1 = 0.0186
⟹ 𝑌̂ = 𝑎 + 𝑏𝑥 ⟹ 𝑌̂ = 0.1958 + 0.0186𝑥
1
Mas 𝑌=
𝑦
1 1
∴ 𝑦= ⟹𝑦=
𝑎 + 𝑏𝑥 0.1958 + 0.0186𝑥
______________________________________________________________________________________________________________ 15 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
𝒙 −8 −6 −4 −2 0 2 4
𝒚 30 10 9 6 5 4 4
𝒀 = 𝒍𝒏(𝒚) 3.4012 2.3026 2.1972 1.7918 1.6094 1.3863 1.3863
𝑌̂ = 𝑎0 + 𝑎1 𝑥 ⟹ 𝑌̂ = 1.7084 − 0.1512𝑥
∴ 𝑦 = 𝑎𝑏 𝑥 ⟹ 𝑦 = 5.5199 ∗ 0.8597𝑥
c)
c.1) Diagrama de Dispersão
𝒙 −8 −6 −4 −2 0 2 4
𝒚 30 10 9 6 5 4 4
𝒀 = 𝟏⁄ 𝒚 0.0333 0.1000 0.1111 0.1667 0.2000 0.2500 0.2500
̂ = 𝟎. 𝟏𝟗𝟓𝟖 + 𝟎. 𝟎𝟏𝟖𝟔𝒙
𝒀 0.0470 0.0842 0.1214 0.1586 0.1958 0.2330 0.2702
̂
𝒆𝒊 = 𝒀 − 𝒀 −0.0137 0.0158 −0.0103 0.0081 0.0042 0.0170 −0.0202
𝒆𝟐𝒊 0.0002 0.0002 0.0001 0.0001 0.0000 0.0003 0.0004
______________________________________________________________________________________________________________ 16 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
𝒙 −8 −6 −4 −2 0 2 4
𝒚 30 10 9 6 5 4 4
𝒀 = 𝒍𝒏(𝒚) 3.4012 2.3026 2.1972 1.7918 1.6094 1.3863 1.3863
̂ = 𝟏. 𝟕𝟎𝟖𝟒 − 𝟎. 𝟏𝟓𝟏𝟐𝒙
𝒀 2.9180 2.6156 2.3132 2.0108 1.7084 1.4060 1.1036
̂
𝒆𝒊 = 𝒀 − 𝒀 0.4832 −0.3130 −0.1160 −0.2190 −0.0990 −0.0197 0.2827
𝒆𝟐𝒊 0.2335 0.0980 0.0135 0.0480 0.0098 0.0004 0.0799
Logo, o ajuste feito no item (𝑎) é melhor que o do item (𝑏), pois 𝑅𝑎2 > 𝑅𝑏2
Resolução
𝑙𝑛(𝑦) = 𝑙𝑛(𝑎𝑒 𝑏𝑥 ) ⟹ 𝑙𝑛(𝑦) = 𝑙𝑛(𝑎) + 𝑏𝑥 ⟹ 𝑌̂ = 𝑎0 + 𝑏𝑥 com 𝑎 = 𝑒 𝑎0 , 𝑏 = 𝑎1
𝑌̂ = 𝑎0 + 𝑏𝑥 ⟹ 𝑌̂ = 1.7408 + 0.2628𝑥
∴ 𝑦 = 𝑎𝑒 𝑏𝑥 ⟹ 𝑦 = 5.7017𝑒 0.2628𝑥
______________________________________________________________________________________________________________ 17 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
Coeficiente de Determinação
⟹ 𝑅 2 = 0.9825
Exercícios
1
1. Ajuste os dados à equação 𝑧 = .
1+𝑒 𝑎+𝑏𝑥
1
Dica: 𝑌𝑖 = 𝑙𝑛 ( 𝑧 − 1)
𝑖
1
Solução: 𝑌 = 2.571 − 3.838𝑥 ⟹ 𝑧 =
1+𝑒 2.571−3.838𝑥
𝑅 2 = 0.909
______________________________________________________________________________________________________________ 18 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
Seja 𝑓(𝑥) uma função contínua no intervalo [𝑎, 𝑏], conforme mostra a figura a seguir.
Sejam as funções 𝑔1 (𝑥) e 𝑔2 (𝑥) que definem a função 𝜙(𝑥), também contínuas no
intervalo [𝑎, 𝑏] e escolhidas a partir de algum critério de mérito:
𝜙 (𝑥 ) = 𝛼1 𝑔1 (𝑥 ) + 𝛼2 𝑔2 (𝑥)
Observe que a curva ajustada não necessita passar pelos pontos 𝑓(𝑎) e 𝑓(𝑏).
Determinar 𝑫 significa determinar a área entre as duas curvas. Deseja-se que essa área seja
mínima.
𝑏 𝑏
𝑫 = ∫ [𝑓(𝑥) − 𝜙(𝑥) dx = ∫ [𝑓 2 (𝑥) − 2𝑓(𝑥)𝜙(𝑥) + 𝜙 2 (𝑥)] 𝑑𝑥
]2
𝑎 𝑎
𝑏
= ∫ { 𝑓 2 (𝑥) − 2𝑓(𝑥)[𝛼1 𝑔1 (𝑥) + 𝛼2 𝑔2 (𝑥)] +
𝑎
= 𝐹(𝛼1 ,α2 )
𝑏 𝑏 𝑏
𝜕𝐷
= −2 ∫ 𝑓(𝑥)𝑔1(𝑥)dx + [2 ∫ 𝑔12 (𝑥)dx] 𝛼1 + [2 ∫ 𝑔1 (𝑥)𝑔2 (𝑥)dx] 𝛼2
𝜕𝛼1 𝑎 𝑎 𝑎
𝑏 𝑏 𝑏
𝜕𝐷 2
= −2 ∫ 𝑓(𝑥)𝑔2 (𝑥)dx + [2 ∫ 𝑔2 (𝑥)dx] 𝛼2 + [2 ∫ 𝑔1 (𝑥)𝑔2 (𝑥)dx] 𝛼1
𝜕𝛼2 𝑎 𝑎 𝑎
𝑏 𝑏 𝑏
[∫ 𝑔1 (𝑥)𝑔2 (𝑥)dx] 𝛼1 + [∫ 𝑔22 (𝑥)dx] 𝛼2 = ∫ 𝑓(𝑥)𝑔2 (𝑥)dx
{ 𝑎 𝑎 𝑎
ou seja
𝑎11 𝛼1 + 𝑎12 𝛼2 = 𝑏1
{
𝑎21 𝛼1 + 𝑎22 𝛼2 = 𝑏2
sendo
𝑏
𝑎𝑖𝑗 = 𝑎𝑗𝑖 = ∫ 𝑔𝑖 (𝑥)𝑔𝑗 (𝑥)dx 𝑖, 𝑗 = 1,2
𝑎
𝑏
𝑏𝑖 = ∫ 𝑓(𝑥)𝑔𝑖 (𝑥)dx 𝑖 = 1,2
{ 𝑎
De forma análoga como realizado no caso discreto, pode-se generalizar para uma função
𝜙(𝑥) com 𝑛 termos. Os termos do sistema linear resultante são muito semelhantes, mas com a
diferença de, em vez do somatório para os valores discretos, tem-se a integral no intervalo
contínuo.
______________________________________________________________________________________________________________ 20 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli
____________________________________________________________________________________________________________________
Resolução
A curva a ser ajustada é dada por:
𝜙(𝑥) = 𝛼1 𝑔1 (𝑥) + 𝛼2 𝑔2 (𝑥) = 𝛼1 + 𝛼2 𝑥
𝑔1 (𝑥) = 1; 𝑔2 (𝑥) = 𝑥
∴ 𝜙(𝑥) = 𝛼1 + 𝛼2 𝑥
𝑏 1 1
𝑥2 1
𝑎12 = 𝑎21 = ∫ 𝑔1 (𝑥)𝑔2 (𝑥) dx = ∫ xdx = | =
𝑎 0 2 0 2
𝑏 1 1
𝑥3 1
𝑎22 = ∫ 𝑔22 (𝑥)dx = ∫ 𝑥 2 dx = | =
𝑎 0 3 0 3
𝑏 1 1
4x 4
𝑏1 = ∫ 𝑓(𝑥)𝑔1 (𝑥) dx = ∫ 4x 3 dx = | =1
𝑎 0 4 0
𝑏 1 1
4x 5 4
𝑏2 = ∫ 𝑓(𝑥)𝑔2 (𝑥) dx = ∫ (4x 3 ∗ 𝑥)dx = | =
𝑎 0 5 0 5
18 4
A função 𝜙(𝑥) = 𝑥 − é a reta ajustada a função 𝑓(𝑥) = 𝑥 3 , no intervalo [0 1], pelo método
5 5
dos mínimos quadrados.
______________________________________________________________________________________________________________ 21 / 21
Métodos Numéricos Computacionais
Profa. Márcia Zanoli