O que é a interpolação polinomial de Lagrange?
A interpolação polinomial de Lagrange é uma forma de construir um polinômio a partir de pontos de coordenadas conhecidos. Se você tiver \(n+1\) pontos,
$$
(x_0,y_0), (x_1,y_1), \ldots, (x_n,y_n)
$$
e cada valor de \(x\) for diferente, a interpolação de Lagrange criará um polinômio \(P(x)\) de grau no máximo \(n\) que passa por todos eles:
$$
P(x_i)=y_i \quad \text{for every } i=0,1,\ldots,n
$$
O objetivo não é encontrar uma linha de tendência ou uma curva suavizada. O objetivo é encontrar a curva polinomial exata que corresponde aos pontos fornecidos. Depois que esse polinômio é conhecido, você pode calculá-lo em outro valor de \(x\) para estimar ou verificar um valor correspondente de \(y\).
A interpolação geralmente é mais significativa entre o menor e o maior valor conhecido de \(x\). Calcular o polinômio fora desse intervalo é extrapolação, que pode ser muito menos confiável mesmo quando o polinômio corresponde exatamente a cada ponto informado.
Por que a interpolação de Lagrange é importante
A interpolação de Lagrange é útil porque fornece uma fórmula direta para o polinômio interpolador sem precisar resolver primeiro um sistema completo de equações. Ela funciona com valores de \(x\) espaçados de forma irregular, o que a torna mais flexível do que fórmulas que pressupõem espaçamento uniforme.
Estudantes costumam usá-la para entender a interpolação polinomial, os polinômios de base e a ideia de uma curva ser forçada a passar por pontos de dados conhecidos. Usuários técnicos podem usá-la para reconstruir um modelo polinomial simples a partir de valores de amostra, testar métodos numéricos, comparar métodos de interpolação ou visualizar como um polinômio se comporta entre os pontos.
Ela também serve como um lembrete útil de que “passar por todos os pontos” nem sempre é o mesmo que “fazer a melhor previsão”. Um polinômio interpolador de alto grau pode oscilar bastante entre os pontos, especialmente quando são usados muitos pontos igualmente espaçados.
Termos importantes
-
Ponto ou nó: Um par de coordenadas conhecido \((x_i,y_i)\) usado para construir o polinômio de interpolação.
-
Valores distintos de \(x\): Cada \(x_i\) de entrada deve ser único. Se dois pontos tiverem o mesmo \(x\), mas valores diferentes de \(y\), eles não definem um valor de função comum nesse \(x\).
-
Polinômio de base de Lagrange: Um polinômio especial \(L_i(x)\) que é igual a \(1\) no próprio nó \(x_i\) e a \(0\) nos outros nós de entrada.
-
Polinômio interpolador: O polinômio final \(P(x)\) formado pela combinação de todos os polinômios de base.
-
Grau: A maior potência de \(x\) com coeficiente diferente de zero depois que o polinômio é simplificado.
-
Interpolação: Estimativa de um valor dentro do intervalo de valores conhecidos de \(x\).
-
Extrapolação: Estimativa de um valor fora do intervalo de valores conhecidos de \(x\).
-
Forma baricêntrica: Uma forma numericamente eficiente de calcular o mesmo polinômio interpolador.
-
Condicionamento numérico: O quanto um cálculo é sensível a pequenas alterações ou erros de arredondamento nos valores de entrada.
Como funciona a interpolação de Lagrange
A interpolação de Lagrange começa construindo um polinômio de base para cada ponto de entrada. Para o ponto \((x_i,y_i)\), o polinômio de base é
$$
L_i(x)=\prod_{\substack{j=0\\j\ne i}}^n \frac{x-x_j}{x_i-x_j}
$$
Essa fórmula é projetada de modo que \(L_i(x_i)=1\). Em todos os outros nós de entrada \(x_j\), um fator do numerador se torna \(0\), portanto \(L_i(x_j)=0\) quando \(j\ne i\).
O polinômio interpolador é então a soma ponderada dos polinômios de base:
$$
P(x)=\sum_{i=0}^{n} y_iL_i(x)
$$
Cada \(y_i\) dimensiona seu próprio polinômio de base. Quando \(x=x_i\), todos os outros termos de base se tornam \(0\), enquanto \(L_i(x_i)=1\), de modo que o resultado final é \(P(x_i)=y_i\).
Para a avaliação numérica, o mesmo polinômio pode ser escrito na forma baricêntrica. Uma versão comum usa os pesos
$$
w_i=\frac{1}{\displaystyle\prod_{\substack{j=0\\j\ne i}}^n(x_i-x_j)}
$$
e calcula, para \(x\) diferente de qualquer um dos nós de entrada,
$$
P(x)=\frac{\displaystyle\sum_{i=0}^{n}\frac{w_i y_i}{x-x_i}}{\displaystyle\sum_{i=0}^{n}\frac{w_i}{x-x_i}}
$$
Quando o valor de avaliação \(x\) é exatamente um dos valores de entrada de \(x_i\), o valor interpolado deve ser o valor correspondente de \(y_i\). Retornar esse valor diretamente também evita a divisão por zero na expressão baricêntrica. Um valor próximo ainda é uma entrada diferente e deve ser calculado normalmente; o arredondamento exibido não é motivo para unir dois nós distintos.
Exemplos práticos de interpolação de Lagrange
Exemplo 1: dois pontos produzem uma reta
Suponha que os pontos conhecidos sejam \((0,2)\) e \((3,8)\). Com dois pontos, o polinômio interpolador tem grau no máximo \(1\), portanto é uma reta.
Os polinômios de base são
$$
L_0(x)=\frac{x-3}{0-3}=\frac{3-x}{3}
$$
e
$$
L_1(x)=\frac{x-0}{3-0}=\frac{x}{3}
$$
Portanto, o polinômio interpolador é
$$
P(x)=2\left(\frac{3-x}{3}\right)+8\left(\frac{x}{3}\right)
$$
Simplificando, obtemos
$$
P(x)=2+2x
$$
Em \(x=1.5\),
$$
P(1.5)=2+2(1.5)=5
$$
Exemplo 2: uma quadrática simples
Suponha que os pontos conhecidos sejam \((-1,2)\), \((0,1)\) e \((1,2)\). Esses pontos formam uma curva quadrática simétrica.
Os polinômios de base são
$$
L_0(x)=\frac{x(x-1)}{2}
$$
$$
L_1(x)=1-x^2
$$
$$
L_2(x)=\frac{x(x+1)}{2}
$$
O polinômio interpolador é
$$
P(x)=2L_0(x)+1L_1(x)+2L_2(x)
$$
Substituindo os polinômios de base, obtemos
$$
P(x)=2\left(\frac{x(x-1)}{2}\right)+(1-x^2)+2\left(\frac{x(x+1)}{2}\right)
$$
Depois de simplificar,
$$
P(x)=x^2+1
$$
Em \(x=0.5\),
$$
P(0.5)=(0.5)^2+1=1.25
$$
Exemplo 3: um problema com valores duplicados de \(x\)
Agora suponha que os pontos incluam \((1,2)\) e \((1,5)\). A interpolação polinomial comum não pode tratá-los como dois valores diferentes de função no mesmo \(x\).
A fórmula de Lagrange também criaria um denominador igual a zero, pois contém termos como
$$
x_i-x_j
$$
Se \(x_i=x_j\), essa diferença é \(0\). Na interpolação de Lagrange padrão, valores repetidos de \(x\) não são definidos, a menos que seja usado um método diferente, como a interpolação de Hermite com informações sobre derivadas.
Como interpretar o resultado
O polinômio \(P(x)\) é o polinômio expandido que passa pelos pontos informados, supondo que os valores de \(x\) sejam únicos e que os valores de entrada sejam válidos. Os coeficientes são determinados inteiramente pelos pontos que você informa.
O resultado da previsão é o valor de \(P(x)\) no valor de \(x\) escolhido para a previsão. Sua unidade é a mesma dos valores de \(y\), enquanto a entrada da previsão usa a mesma unidade dos valores de \(x\).
O grau informa a maior potência efetiva de \(x\) no polinômio exibido. Com \(n+1\) pontos, o grau é no máximo \(n\), mas pode ser menor se os termos principais se cancelarem. Por exemplo, cinco pontos que estejam todos em \(y=x^2+1\) ainda descrevem um polinômio de grau \(2\), e não um polinômio de grau \(4\).
As etapas da base mostram como cada ponto contribui para o polinômio final. Um termo de base, por si só, é uma razão adimensional, mas depois de ser multiplicado por \(y_i\), sua contribuição tem a mesma unidade dos valores de \(y\).
A tabela de comparação deve mostrar cada ponto informado coincidindo com o valor calculado \(P(x)\), com deltas próximos de zero após o arredondamento. Pequenos deltas diferentes de zero geralmente refletem o arredondamento numérico, e não uma curva matemática diferente.
Uma mensagem de estabilidade “Boa” significa que a calculadora não detectou nenhuma de suas condições de aviso programadas. Isso não significa que a interpolação tenha precisão garantida para todos os fins, especialmente com muitos pontos, valores de \(x\) muito próximos, intervalos de \(x\) muito amplos ou previsões extrapoladas.
O gráfico é um recurso visual. Ele ajuda você a ver a curva, os pontos informados e o comportamento da previsão, mas não prova que a interpolação seja confiável fora do intervalo de dados conhecido.
Erros comuns e equívocos
-
Usar valores duplicados de \(x\): A interpolação de Lagrange padrão exige que cada \(x_i\) seja distinto.
-
Usar apenas um ponto: Um ponto não é suficiente para definir uma curva de interpolação nesta calculadora. São necessários pelo menos dois pontos válidos.
-
Confundir interpolação com regressão: A interpolação força a curva a passar por todos os pontos. A regressão ou o ajuste por mínimos quadrados encontra uma curva que resume os dados e geralmente não passa por todos os pontos.
-
Supor que mais pontos sempre melhoram o resultado: Mais pontos podem criar um polinômio de grau maior, e a interpolação de alto grau pode oscilar significativamente.
-
Arredondar cedo demais: Coeficientes arredondados podem fazer um polinômio parecer mais simples ou menos preciso do que o cálculo interno completo.
-
Ignorar a escala: Valores de \(x\) muito próximos ou intervalos de \(x\) muito amplos podem amplificar o erro numérico. Reescalar os dados às vezes pode melhorar o condicionamento do trabalho numérico.
-
Tratar extrapolação como interpolação: Um valor fora do intervalo de entrada de \(x\) pode parecer razoável no gráfico, mas pode ser muito sensível ao comportamento do polinômio nas extremidades.
-
Importar vários pares em uma linha: Os dados de pontos importados devem ter um par de \(x,y\) em cada linha não vazia. Linhas com valores ausentes ou colunas extras são rejeitadas; corrija os dados colados em vez de esperar que os campos sejam descartados silenciosamente.
Quando usar a interpolação de Lagrange
Use a interpolação de Lagrange quando precisar de um polinômio que passe exatamente por pontos conhecidos e os valores de \(x\) sejam distintos.
Ela é especialmente útil para:
-
Aprender como funciona a interpolação polinomial.
-
Construir um polinômio interpolador exato a partir de um conjunto pequeno de pontos.
-
Calcular um polinômio em um valor de \(x\) entre pontos conhecidos.
-
Verificar se os pontos estão em uma curva polinomial simples.
-
Comparar a interpolação de Lagrange com a interpolação de Newton, splines ou regressão.
-
Visualizar como a posição dos pontos afeta uma curva polinomial.
Para dados reais com ruído, métodos de regressão, suavização ou splines podem ser mais adequados do que um único polinômio forçado a passar por todos os pontos.
Limitações e pontos importantes
A interpolação de Lagrange é matematicamente exata quando os valores de entrada são exatos e os valores de \(x\) são distintos. Uma calculadora, porém, trabalha com números decimais finitos e aritmética de ponto flutuante, portanto os resultados exibidos podem incluir efeitos de arredondamento.
Esta calculadora exibe a maioria dos resultados numéricos com um número limitado de casas decimais, trata valores extremamente pequenos como zero, omite termos polinomiais cujos coeficientes são muito próximos de zero e remove coeficientes principais próximos de zero ao informar o grau. Essas escolhas tornam o resultado mais fácil de ler, mas também significam que o polinômio exibido pode ser uma versão arredondada do cálculo interno.
Valores duplicados de \(x\) não são compatíveis. Menos de dois pontos válidos não podem produzir um resultado de interpolação. Valores decimais e negativos são compatíveis, mas expressões simbólicas, frações exatas, \(\text{NaN}\) e infinito não são valores de coordenadas válidos.
Conjuntos grandes de pontos podem ser numericamente delicados. A calculadora avisa quando são usados mais de \(8\) pontos, quando valores adjacentes de \(x\) em ordem crescente estão mais próximos do que \(10^{-4}\) ou quando o intervalo de \(x\) representado é muito amplo. Esses avisos indicam uma possível instabilidade numérica, não necessariamente um erro de entrada.
O intervalo de visualização do gráfico pode ser ajustado para incluir os pontos e os valores amostrados da curva. A quantidade de amostras da curva afeta a suavidade do gráfico e é limitada a um intervalo compatível, portanto o gráfico é uma aproximação da curva desenhada, e não um resultado matemático separado.
Este método não é interpolação de Hermite, interpolação por spline cúbica, regressão por mínimos quadrados nem um método de suavização. Ele não usa restrições de derivadas e não escolhe uma curva de melhor ajuste.
A calculadora pode calcular uma previsão fora do intervalo dos pontos informados, mas isso é extrapolação. Para decisões importantes envolvendo engenharia, segurança, finanças, relatórios científicos, obrigações legais ou registros oficiais, confira o resultado e use um método profissional ou processo de revisão adequado.
Como usar esta calculadora
-
Informe pelo menos dois pares de pontos válidos \(x\)-\(y\) ou importe pares de pontos, com um par por linha.
-
Adicione ou exclua linhas de pontos para escolher o conjunto de pontos incluído na interpolação.
-
Ajuste os limites do gráfico se precisar de uma janela de visualização diferente.
-
Informe o valor de \(x\) da previsão em que deseja calcular \(P(x)\).
-
Ajuste a quantidade de amostras da curva se quiser um gráfico mais suave ou mais simples dentro do intervalo compatível.
-
Use uma predefinição de exemplo se quiser começar com um conjunto de pontos quadrático, cúbico ou oscilatório de amostra.
-
Confira o polinômio, a previsão, o grau, a mensagem de estabilidade, as etapas da base, a tabela de comparação e o gráfico.
-
Copie o polinômio ou a previsão quando necessário, ou baixe a imagem do gráfico para referência.
Perguntas frequentes
Quantos pontos são necessários para a interpolação de Lagrange?
São necessários pelo menos dois pontos válidos nesta calculadora. Dois pontos produzem uma reta, três pontos podem produzir uma quadrática e \(n+1\) pontos produzem um polinômio de grau no máximo \(n\).
Por que os valores de \(x\) precisam ser únicos?
A fórmula divide por diferenças como \(x_i-x_j\). Se dois valores de \(x\) forem iguais, o denominador se torna zero. Além disso, uma função comum não pode atribuir dois valores diferentes de \(y\) ao mesmo valor de \(x\).
O polinômio exibido é exato?
O polinômio interpolador matemático é exato para dados de entrada exatos. O resultado exibido pela calculadora é arredondado e baseado em aritmética de ponto flutuante, portanto podem aparecer diferenças numéricas muito pequenas ou coeficientes que parecem simplificados.
Por que o grau é menor do que o número de pontos menos um?
O grau máximo para \(n+1\) pontos é \(n\), mas o polinômio simplificado real pode ter um grau menor. Isso acontece quando os pontos estão em um polinômio de grau menor ou quando os coeficientes principais se cancelam até ficarem próximos de zero.
A interpolação de Lagrange é igual à regressão?
Não. A interpolação de Lagrange passa por todos os pontos informados. A regressão ou o ajuste por mínimos quadrados geralmente busca uma curva que minimize o erro geral e pode não passar exatamente por nenhum ponto específico.
Por que muitos pontos podem tornar a interpolação instável?
Um conjunto maior de pontos pode produzir um polinômio de alto grau. A interpolação polinomial de alto grau pode ser sensível ao arredondamento, ao espaçamento dos pontos e ao comportamento nas extremidades, além de oscilar entre os pontos.
Posso usar a previsão fora do intervalo conhecido de \(x\)?
Você pode calcular o polinômio fora do intervalo dos pontos, mas isso é extrapolação. Valores extrapolados podem mudar drasticamente com pequenas alterações nos pontos de entrada, portanto devem ser interpretados com cuidado.
Fontes e referências
Livros e livros didáticos abertos
-
Tobin A. Driscoll e Richard J. Braun. Fundamentals of Numerical Computation: Julia Edition. Society for Industrial and Applied Mathematics, 2022. Seções 9.1 “Polynomial interpolation”, 9.2 “The barycentric formula” e 9.3 “Stability of polynomial interpolation”. Interpolação polinomial, fórmula baricêntrica e seção sobre estabilidade. Acesso em 29 de junho de 2026.
-
Jeffrey R. Chasnov. Numerical Methods. Conteúdo-fonte do LibreTexts / Hong Kong University of Science and Technology. Seção 5.1 “Polynomial Interpolation”. edição do LibreTexts. Acesso em 29 de junho de 2026.
-
Qingkai Kong, Timmy Siauw e Alexandre M. Bayen. Python Programming and Numerical Methods: A Guide for Engineers and Scientists. Elsevier / Academic Press, 2021. Capítulo 17.4 “Lagrange Polynomial Interpolation”. capítulo complementar online. Acesso em 29 de junho de 2026.
Fontes online e artigos de periódicos
-
Eric W. Weisstein e Branden Archer. “Lagrange Interpolating Polynomial”. MathWorld—A Wolfram Resource. página do MathWorld. Acesso em 29 de junho de 2026.
-
Nicholas J. Higham. “The Numerical Stability of Barycentric Lagrange Interpolation”. IMA Journal of Numerical Analysis, vol. 24, nº 4, 2004, p. 547–556. DOI: 10.1093/imanum/24.4.547. resumo no Research Explorer da University of Manchester. Acesso em 29 de junho de 2026.
