O que é interpolação e extrapolação?

Passo 1

O enunciado é curto e direto: pergunta o que é interpolação e o que é extrapolação. Ou seja, pede definições claras, exemplos e como distinguir/usar cada uma. Informações relevantes que temos: nenhuma outra dada — só a necessidade de entender os conceitos, ver fórmulas básicas e saber quais cuidados tomar ao aplicar cada técnica.

Passo 2

Definição intuitiva e curta (antes de entrar em fórmulas):
  • Interpolação: estimar valores de uma função ou série de dados para pontos que ficam entre os pontos conhecidos. É como ligar os pontos e olhar o que está no meio.
  • Extrapolação: estimar valores para pontos fora do intervalo dos dados conhecidos; é projetar além do que foi observado.
Vou dar um exemplo bem simples para fixar a ideia: suponha que se sabe a temperatura às 9h ( 20^\circC) e às 11h ( 24^\circC). Estimar a temperatura às 10h é interpolação (porque 10h está entre 9h e 11h). Estimar a temperatura às 13h é extrapolação (porque 13h está fora do intervalo [9h,11h]).

Passo 3

Enunciado matemático básico (formalizando):
  • Dados pontos (x_0,y_0),(x_1,y_1),\dots,(x_n,y_n) com x_0<x_1<\dots<x_n. Interpolação busca uma função p tal que
p(x_i)=y_i\quad\text{para }i=0,\dots,n,
e usa p(x) para estimar y quando x\in[x_0,x_n].
  • Extrapolação usa um modelo (por exemplo p acima) para estimar y quando x<x_0 ou x>x_n — ou seja, fora do intervalo [x_0,x_n].

Passo 4

Método mais simples: interpolação linear entre dois pontos (fórmula e explicação).
Se só há dois pontos (x_0,y_0) e (x_1,y_1), a reta que passa por eles é o interpolador linear. A fórmula para x entre x_0 e x_1 é
p(x)=y_0+\frac{y_1-y_0}{x_1-x_0}\,(x-x_0).
Explicando as partes: \dfrac{y_1-y_0}{x_1-x_0} é a inclinação (o quanto y muda por unidade de x); (x-x_0) é o deslocamento desde o ponto base; somando a y_0 obtemos o valor na reta. Essa mesma fórmula serve para extrapolar: basta avaliar p(x) para x fora do intervalo, mas atenção — agora é extrapolação (ver riscos adiante).
Exemplo numérico rápido (prático): (x_0,y_0)=(1,2), (x_1,y_1)=(3,6). A inclinação é
m=\frac{6-2}{3-1}=2.
Interpolar em x=2: p(2)=2+2(2-1)=4. Extrapolar em x=5: p(5)=2+2(5-1)=10.

Passo 5

Interpolação polinomial (idéia e fórmula Lagrange) — quando usar e o que significa:
Quer-se um polinômio p_n de grau \le n que passe por todos os n+1 pontos. A forma de Lagrange constrói bases L_j(x) assim:
L_j(x)=\prod_{\substack{0\le i\le n\\\ i\ne j}}\frac{x-x_i}{x_j-x_i},
e o interpolador é
p_n(x)=\sum_{j=0}^{n} y_j\,L_j(x).
Aqui cada L_j é um polinômio que vale 1 em x_j e 0 em todos os outros x_i, por isso a combinação dá exatamente p_n(x_i)=y_i.

Passo 6

Outra forma prática: polinômio de Newton (ideia curta).
A forma de Newton usa diferenças divididas e tem a vantagem de ser fácil de atualizar quando se adiciona um novo ponto. Escrevendo
p_n(x)=a_0+a_1(x-x_0)+a_2(x-x_0)(x-x_1)+\dots+a_n\prod_{k=0}^{n-1}(x-x_k),
os coeficientes a_j são as diferenças divididas calculadas a partir dos y_i. Não vou forçar cálculo longo aqui, só vale saber que é uma representação numericamente conveniente.

Passo 7

Splines — solução prática para evitar problemas de polinômios altos.
Splines cúbicas são funções por partes: em cada intervalo [x_i,x_{i+1}] usa-se um polinômio cúbico, e impõe-se que a função e suas derivadas primeira e segunda sejam contínuas nos nós x_i. Isso produz curvas suaves e evita oscilações indesejadas que acontecem com polinômios de grau alto (fenômeno de Runge). Em geral, para dados reais, spline cúbica é uma escolha muito robusta.

Passo 8

Erro da interpolação polinomial (fórmula e interpretação) — atenção do que depende o erro.
Se a função verdadeira f for suficientemente suave, o erro entre f e o polinômio interpolador p_n tem a forma
f(x)-p_n(x)=\frac{f^{(n+1)}(\xi)}{(n+1)!}\prod_{i=0}^{n}(x-x_i)
para algum \xi entre o menor e o maior x_i. Significado: o erro depende da derivada f^{(n+1)} (que pode ser grande) e do termo \prod(x-x_i) (que cresce muito fora do intervalo dos nós). Conclusão importante: aumentar n nem sempre reduz erro; pode aumentar muito para x próximos às extremidades ou fora do intervalo.

Passo 9

Por que extrapolação é mais arriscada que interpolação — regras práticas:
  • Interpolação usa informação local entre pontos observados; extrapolação tenta “adivinhar” comportamento fora da região observada. Não há garantia de que o modelo (reta, polinômio, spline, regressão) permaneça válido fora do intervalo.
  • O termo \prod_{i}(x-x_i) na fórmula de erro tende a crescer rápido quando x sai de [x_0,x_n], o que aumenta erro.
  • Em extrapolação, prefira modelos com justificativa física ou teórica (por exemplo: crescimento exponencial quando há razão física para isso) e sempre forneça estimativa de incerteza. Se possível, obtenha mais dados na região de interesse.

Passo 10

Boas práticas para uma prova (ou aplicação rápida): checklist simples e aplicável em prova escrita:
  • Identifique os pontos dados (x_i,y_i) e o intervalo [x_0,x_n].
  • Se for pedir valor dentro do intervalo, use interpolação; se pedir fora, diga explicitamente que é extrapolação e aponte o risco.
  • Na prova, prefira o método mais simples que atende ao enunciado (linear ou polinomial de baixo grau, ou spline) e justifique a escolha.
  • Se for interpolação polinomial, lembre-se do erro e, se possível, cite a fórmula do erro.
  • Se for extrapolação, explique a hipótese do modelo (por que supõe-se reta, exponencial, etc.) e comente sobre a confiança da previsão.

Passo 11

Resumo didático e amigável (um último empurrãozinho):
  • Interpolação = estimar “no meio” — mais segura, principalmente com poucos graus (reta, splines).
  • Extrapolação = estimar “fora” — arriscada; exige justificativa do modelo e cautela com crescimento dos erros.
    Se estiver nervoso na prova, responda com clareza qual é o domínio de validade do seu modelo e mostre que você sabe os limites (isso impressiona o corretor mais do que aplicar uma fórmula sem comentário).

Resposta

Interpolação: estimar valores para x dentro do intervalo dos dados conhecidos [x_0,x_n]; constrói-se uma função p tal que p(x_i)=y_i e usa-se p(x) para x\in[x_0,x_n].
Extrapolação: estimar valores para x fora do intervalo dos dados conhecidos ( x<x_0 ou x>x_n); envolve projetar o modelo além da região observada e tem risco maior de erro.

Exercícios relacionados