scipy.optimize — Pesquisa de raízes e minimização

O submódulo scipy.optimize fornece rotinas simples para encontrar raízes e mínimos de funções escalares definidas pelo utilizador. Como cada iteração deve efetuar um callback para o callable Python fornecido pelo utilizador, o ganho de velocidade relativamente a uma implementação em Python puro é modesto (tipicamente cerca de 2x).

Funções

scipy.optimize.bisect(f: Callable[[float], float], a: float, b: float, *, xtol: float = xtolerance, maxiter: int = 100) → float

Encontra uma raiz de f no intervalo [a, b] utilizando o método da bissecção. f deve mudar de sinal no intervalo.

Parâmetros:

  • f – callable que aceita um único float e devolve um float.

  • a – extremo esquerdo do intervalo.

  • b – extremo direito do intervalo.

  • xtol – tolerância absoluta na localização da raiz (predefinição xtolerance).

  • maxiter – número máximo de bissecções (predefinição 100).

Retorno:

a localização da raiz como float.

Levanta:

ValueError – se f(a) * f(b) > 0.

scipy.optimize.curve_fit(f: Callable[..., float], xdata: ndarray | list | tuple, ydata: ndarray | list | tuple, p0: ndarray | list | tuple, *, xatol: float = xtolerance, fatol: float = xtolerance, maxiter: int | None = None) → None

Stub para ajuste de curvas por mínimos quadrados não lineares (Levenberg-Marquardt). Presente na tabela do módulo para compatibilidade de API, mas atualmente um marcador de posição: aceita e valida os seus argumentos mas devolve sempre None. Prefira fmin() ou bibliotecas externas até esta rotina ser implementada.

Parâmetros:

  • f – callable do modelo f(x, *params) -> float.

  • xdata – array-like unidimensional de valores independentes.

  • ydata – array-like unidimensional de valores dependentes, com o mesmo comprimento que xdata.

  • p0 – array-like unidimensional de estimativas iniciais dos parâmetros.

scipy.optimize.fmin(f: Callable[[float], float], x0: float, *, xatol: float = xtolerance, fatol: float = xtolerance, maxiter: int = 200) → float

Encontra a posição de um mínimo local da função escalar f utilizando o método do simplex descendente (Nelder-Mead).

Parâmetros:

  • f – callable que aceita um único float e devolve um float.

  • x0 – estimativa inicial.

  • xatol – tolerância absoluta na posição (predefinição xtolerance).

  • fatol – tolerância absoluta no valor da função (predefinição xtolerance).

  • maxiter – número máximo de iterações (predefinição 200).

Retorno:

a localização do mínimo como float.

scipy.optimize.newton(f: Callable[[float], float], x0: float, *, tol: float = xtolerance, rtol: float = rtolerance, maxiter: int = 50) → float

Encontra um zero da função escalar de valores reais f pelo método de Newton-Raphson (secante).

Parâmetros:

  • f – callable que aceita um único float e devolve um float.

  • x0 – estimativa inicial.

  • tol – tolerância absoluta na raiz (predefinição xtolerance).

  • rtol – tolerância relativa na raiz (predefinição rtolerance).

  • maxiter – número máximo de iterações (predefinição 50).

Retorno:

a localização da raiz como float.