GeraProva GeraProva Provas com IA para professores do Brasil
Matemática1ª sérieBNCC EM13MAT302Difícil⏱ longo

Projete e descreva um algoritmo, implementável em planilha ou em Python, que ajuste um polinômio de 2º grau…

Publicado por Alexandre Lombardi dos Santos, fundador do GeraProva

Habilidade BNCC EM13MAT302

Construir modelos empregando as funções polinomiais de 1º ou 2º graus, para resolver problemas em contextos diversos, com ou sem apoio de tecnologias digitais.

Fonte: Base Nacional Comum Curricular (MEC).

Questão

Projete e descreva um algoritmo, implementável em planilha ou em Python, que ajuste um polinômio de 2º grau por mínimos quadrados a um conjunto de n = 3 medições (xi, yi). Explique como validar o ajuste e como usar o modelo para prever valores novos.

✍️ Questão dissertativa: veja abaixo a resposta esperada e a explicação.

Resposta esperada

Procedimento modelo: 1) Construir matriz de projeto X com linhas [xi^2, xi, 1] e vetor y com yi. 2) Calcular normal equations: (X^T X) ß = X^T y e resolver ß = (a,b,c) = (X^T X)^{-1} X^T y. Em termos de somatórios: monte as somas Sxi^4, Sxi^3, Sxi^2, Sxi, S1, Sxi^2 yi, Sxi yi, Syi e resolva o sistema 3×3. 3) Implementação em Python: usar numpy.linalg.lstsq(X,y) ou numpy.matmul/numpy.linalg.inv; em planilha usar LINEST(yi; {xi^2, xi,1}) ou combinar MMULT e MINVERSE. 4) Validação: analisar resíduos (yi - p(xi)), calcular R², visualizar gráfico de dispersão com curva ajustada e usar validação cruzada simples (dividir dados treino/teste). 5) Predição: para novo x, computar p(x)=a x^2 + b x + c; reportar intervalo de confiança estimado a partir dos resíduos. Observações: tratar multicolinearidade escalando xi se necessário e verificar outliers antes do ajuste.

Explicação

O procedimento descrito fornece um método estruturado para ajustar um polinômio de 2º grau a um conjunto de dados, utilizando a técnica de mínimos quadrados, que é amplamente reconhecida por sua eficácia em modelagem estatística. A validação do ajuste é essencial para garantir a qualidade do modelo, permitindo a análise dos resíduos e a verificação do desempenho preditivo. A abordagem também inclui a previsão de novos valores, o que demonstra a aplicabilidade prática do modelo ajustado.

Raio-X da questão

Dificuldade Difícil
Bloom Criar
Leitura alto
Discriminação alto
Peso pedagógico alto
Autonomia do enunciado completo
Cobertura da habilidade multipla
🧪 Simulado🩺 Diagnóstico🧮 Exige cálculo🏠 Cotidiano🔗 Interdisciplinar⭐ Representativa✍️ interpretativa🧩 desafio
🎯 Conceito central

ajuste de polinômio

📌 Objetivo

avaliacao

🧱 Pré-requisitos

ajuste de polinômio · mínimos quadrados

📚 Reveja

Revisar os métodos de ajuste de curvas e validação de modelos.

⚠️ Erro mais comum

O aluno pode descrever um algoritmo que não considera corretamente a validação do ajuste, resultando em previsões imprecisas.

🌎 Tema transversal

ciencia_tecnologia

🤝 Socioemocional

pensamento_critico

🏫 Contexto

cientifico

Questões parecidas com resolução

Todas as questões de Funções: representações numérica, algébrica e gráfica

🔎 Procurar outra questão

Procure no banco do GeraProva pelo tema ou por um trecho do enunciado. Cada questão já vem com resolução comentada e a análise de cada alternativa.

Professor: monte a prova com questões como esta, com gabarito e folha de respostas, em 30 segundos. Ver planos · Blog

Ocorreu um erro inesperado. Recarregar X

Rejoining the server...

Rejoin failed... trying again in seconds.

Failed to rejoin.
Please retry or reload the page.

The session has been paused by the server.

Failed to resume the session.
Please retry or reload the page.