Calculo Numerico para Controle e Automacao UFSC

UNIVERSIDADE FEDERAL DE SANTA CATARINA E SISTEMAS DEPARTAMENTO DE AUTOMAC AO
CALCULO NUMERICO PARA CONTROLE E AUTOMAC AO Vers ao preliminar
Eduardo Camponogara Eug enio de Bona Castelan Neto
Florian opolis, Agosto de 2008
Agradecimentos
Agrade co os acad emicos Tiago Villa ca Vianna Ferreira (Engenharia de Controle e Automa ca o Industrial) e Maur cio Rangel Guimar aes Serra (Mestrado em Engenharia El etrica) pelo aux lio na transcri ca o das notas de aula A em L TEX. Augusto Marasca de Conto (Mestrado em Engenharia El etrica) realizou est agio de doc encia em C alculo Num erico, deixando suas contribui co es na parte de fatora ca o LU de matrizes. Agradecimentos especiais v ao para os monitores Felipe Lucci e Vinicius Strey que muito se empenharam na disciplina, contribuindo ao texto, auxiliando os alunos e n ao medindo esfor cos para facilitar a aprendizagem.
ii
Sum ario
1 Introdu c ao ao Estudo da Matem atica Num erica 1.1 Natureza e Objetivos da Matem atica Num erica . . . . . . . 1.2 Algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2.1 O Problema da Ordena ca o . . . . . . . . . . . . . . . 1.3 Algoritmos Num ericos . . . . . . . . . . . . . . . . . . . . . 1.3.1 Inexist encia do Erro L ogico . . . . . . . . . . . . . . 1.3.2 Inexist encia do Erro Operacional . . . . . . . . . . . 1.3.3 Quantidade Finita de C alculos . . . . . . . . . . . . . 1.3.4 Exist encia de um Crit erio de Exatid ao . . . . . . . . 1.3.5 Independ encia da M aquina . . . . . . . . . . . . . . . 1.3.6 Com Precis ao Innita, os Limites de Erro Devem Convergir para Zero . . . . . . . . . . . . . . . . . . . . . 1.3.7 Eci encia . . . . . . . . . . . . . . . . . . . . . . . . 1.4 Passos para a Resolu ca o de um Problema . . . . . . . . . . . 1.4.1 Refer encias . . . . . . . . . . . . . . . . . . . . . . . 2 Introdu c ao ` a Aritm etica de M aquina 2.1 O Sistema de Ponto Flutuante . . . . . . . 2.1.1 Exerc cios . . . . . . . . . . . . . . 2.2 Arredondamentos . . . . . . . . . . . . . . 2.3 Erros . . . . . . . . . . . . . . . . . . . . . 2.4 D gitos Signicativos Exatos . . . . . . . . 2.4.1 Exerc cios . . . . . . . . . . . . . . 2.5 Precis ao e Exatid ao de M aquinas Digitais 2.6 Instabilidade . . . . . . . . . . . . . . . . . 2.6.1 Instabilidade dos Algoritmos . . . . 2.7 Instabilidade de Problemas . . . . . . . . . 2.8 Exerc cios . . . . . . . . . . . . . . . . . . iii 1 1 2 2 5 5 6 6 8 8
. . . . . . . . .
. 8 . 9 . 9 . 10 11 11 16 17 18 20 21 21 23 23 27 29
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
3 Resolu c ao de Equa c oes N ao-Lineares 3.1 Introdu ca o . . . . . . . . . . . . . . . . . . . . . . . 3.1.1 Exemplo de Aplica ca o . . . . . . . . . . . . 3.2 Ordem de Converg encia . . . . . . . . . . . . . . . 3.3 M etodos Iterativos para Resolu ca o de Equa co es . . 3.4 M etodos de Quebra . . . . . . . . . . . . . . . . . . 3.4.1 M etodo da Bisec ca o . . . . . . . . . . . . . 3.4.2 M etodo da Falsa Posi ca o . . . . . . . . . . . 3.5 M etodos de Ponto Fixo . . . . . . . . . . . . . . . . 3.5.1 M etodo da Itera ca o Linear . . . . . . . . . . 3.5.2 Exerc cios . . . . . . . . . . . . . . . . . . . 3.6 M etodo de Newton . . . . . . . . . . . . . . . . . . 3.6.1 Exemplo 1 . . . . . . . . . . . . . . . . . . . 3.6.2 Exemplo 2 . . . . . . . . . . . . . . . . . . . 3.6.3 Detalhes do M etodo de Newton . . . . . . . 3.6.4 Converg encia do M etodo de Newton . . . . 3.6.5 Problemas com o M etodo de Newton . . . . 3.6.6 Exerc cios . . . . . . . . . . . . . . . . . . . 3.7 M etodos de M ultiplos Passos . . . . . . . . . . . . . 3.7.1 M etodo das Secantes . . . . . . . . . . . . . 3.7.2 Breve Introdu ca o ` a Interpola ca o Polinomial 3.7.3 M etodo de M uller . . . . . . . . . . . . . . . 3.8 Acelera ca o de Aitken . . . . . . . . . . . . . . . . . 3.9 Exerc cios . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33 33 34 36 37 38 38 44 48 52 55 56 57 57 58 59 61 62 62 62 65 68 69 71 77 77 84 84 85 85 86 89 89 92 94 95 96 96 97 99
4 Resolu c ao de Sistemas de Equa c oes Lineares 4.1 Revis ao . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2 Erros Computacionais na Solu ca o de Ax = b . . . . . . . 4.2.1 Tipos de Algoritmos . . . . . . . . . . . . . . . . 4.2.2 Tipos de Erros Computacionais nos Algoritmos . 4.3 Etapas da Solu ca o de Sistemas Lineares . . . . . . . . . 4.3.1 Primeira Etapa: Descomplexica ca o . . . . . . . 4.3.2 Segunda Etapa: Os Algoritmos e Suas Estruturas 4.4 M etodo de Elimina ca o de Gauss . . . . . . . . . . . . . . 4.4.1 Exemplo 1 (M etodo de Gauss) . . . . . . . . . . . 4.4.2 Exemplo 2 (M etodo de Gauss) . . . . . . . . . . . 4.4.3 Exemplo 3 (M etodo de Gauss) . . . . . . . . . . . 4.5 Instabilidade Num erica . . . . . . . . . . . . . . . . . . . 4.5.1 Exemplo de Instabilidade Num erica . . . . . . . . 4.6 Algoritmo de Gauss com Pivotamento . . . . . . . . . . . 4.7 Condicionamento de uma Matriz . . . . . . . . . . . . . iv
4.8
4.9 4.10
4.11 4.12 4.13 4.14
4.15
4.16
4.7.1 Exemplo 1 . . . . . . . . . . . . . . . . . . . . . . . . 4.7.2 Exemplo 2 . . . . . . . . . . . . . . . . . . . . . . . . 4.7.3 Exemplo 3 . . . . . . . . . . . . . . . . . . . . . . . . 4.7.4 Vis ao Geom etrica do Condicionamento . . . . . . . . 4.7.5 C alculo do Condicionamento de uma Matriz . . . . . 4.7.6 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . 4.7.7 Propriedades da Condicionamento de Matrizes . . . . Renamento da Solu ca o para o M etodo de Gauss . . . . . . 4.8.1 Descri ca o do M etodo . . . . . . . . . . . . . . . . . . 4.8.2 Gera ca o de Aproxima co es . . . . . . . . . . . . . . . 4.8.3 Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . 4.8.4 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . 4.8.5 An alise do Condicionamento Atrav es do Renamento Equacionamento Matricial: Elimina ca o Gaussiana de Forma Compacta . . . . . . . . . . . . . . . . . . . . . . . . . . . . Decomposi ca o LU . . . . . . . . . . . . . . . . . . . . . . . . 4.10.1 Substitui ca o Direta . . . . . . . . . . . . . . . . . . . 4.10.2 Retrosubstitui ca o . . . . . . . . . . . . . . . . . . . . 4.10.3 Obtendo LU sem Permuta co es . . . . . . . . . . . . . 4.10.4 Problemas do N ao-Pivoteamento . . . . . . . . . . . 4.10.5 Representando as Matrizes LU em Uma Matriz . . . 4.10.6 O Vetor de Pivoteamento . . . . . . . . . . . . . . . 4.10.7 Decomposi ca o LU com Pivoteamento . . . . . . . . . 4.10.8 M etodo de Crout . . . . . . . . . . . . . . . . . . . . Decomposi ca o de Cholesky . . . . . . . . . . . . . . . . . . . M etodo de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . M etodo de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . Singular Value Decomposition (SVD) . . . . . . . . . . . . . 4.14.1 SVD de uma Matriz Quadrada . . . . . . . . . . . . 4.14.2 Determinando o Espa co Gerado e o Espa co Nulo . . 4.14.3 Exemplo 1 . . . . . . . . . . . . . . . . . . . . . . . . 4.14.4 Exemplo 2 . . . . . . . . . . . . . . . . . . . . . . . . 4.14.5 Considera co es Finais sobre Decomposi ca o SVD . . . 4.14.6 Vis ao Geom etrica da Decomposi ca o SVD . . . . . . . 4.14.7 An alise dos Componentes Principais . . . . . . . . . M etodos Iterativos . . . . . . . . . . . . . . . . . . . . . . . 4.15.1 M etodo de Jacobi . . . . . . . . . . . . . . . . . . . . 4.15.2 M etodo de Gauss-Seidel . . . . . . . . . . . . . . . . 4.15.3 Vis ao Geom etrica do M etodo Iterativo . . . . . . . . 4.15.4 Condi co es de Converg encia dos M etodos Iterativos . M etodo do Gradiente Conjugado . . . . . . . . . . . . . . . v
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
99 99 100 100 100 104 104 105 105 105 108 108 109 110 114 114 115 116 118 118 118 119 121 123 125 127 128 129 130 130 131 132 132 135 140 141 143 144 147 147
4.17 Aplica co es de Sistemas de Equa co es Lineares 4.17.1 Interpola ca o com Polin omios . . . . . 4.17.2 Estruturas El asticas Lineares . . . . 4.17.3 Exemplo: n=1 . . . . . . . . . . . . 4.18 Refer encias . . . . . . . . . . . . . . . . . . 4.19 Excerc cios . . . . . . . . . . . . . . . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
151 151 152 153 156 157
5 Sistemas de Equa c oes N ao-Lineares, Otimiza c ao e M nimos Quadrados 165 5.1 Sistemas de Equa co es N ao-Lineares . . . . . . . . . . . . . . . 165 5.1.1 Matriz de Derivadas . . . . . . . . . . . . . . . . . . . 166 5.1.2 Lineariza ca o . . . . . . . . . . . . . . . . . . . . . . . . 166 5.1.3 Aplica ca o: Circuito Est atico N ao-Linear . . . . . . . . 167 5.1.4 Algoritmo de Newton . . . . . . . . . . . . . . . . . . . 169 5.1.5 Converg encia do M etodo de Newton . . . . . . . . . . 171 5.2 Minimiza ca o Irrestrita . . . . . . . . . . . . . . . . . . . . . . 172 5.2.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . 173 5.2.2 Condi co es de Otimalidade para Problemas com uma Vari avel . . . . . . . . . . . . . . . . . . . . . . . . . . 173 5.3 Minimiza ca o de Fun co es de uma Vari avel: M etodo de Newton 178 5.3.1 Interpreta ca o de uma Itera ca o . . . . . . . . . . . . . . 178 5.3.2 Uma Segunda Interpreta ca o . . . . . . . . . . . . . . . 179 5.4 M etodo de Newton com Retrocesso (Backtracking) para Fun co es Convexas . . . . . . . . . . . . . . . . . . . . . . . . . 180 5.4.1 Converg encia do M etodo de Newton com Retrocesso . 181 5.5 Algoritmo de Newton para Minimiza ca o de Fun co es N ao Convexas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181 5.6 M nimos Quadrados e Ajuste de Curvas . . . . . . . . . . . . . 182 5.6.1 Solu ca o por M nimos Quadrados . . . . . . . . . . . . 183 5.6.2 Ajuste de Curvas . . . . . . . . . . . . . . . . . . . . . 184 5.6.3 Ajuste de Curvas: Um Problema de M nimos Quadrados185 5.6.4 Exemplo: Ajuste de Polin omios . . . . . . . . . . . . . 185 5.6.5 Exemplo: Ajuste de Curva . . . . . . . . . . . . . . . . 186 5.6.6 Identica ca o de Sistemas . . . . . . . . . . . . . . . . . 186 5.6.7 Estima ca o por Meio de M nimos Quadrados . . . . . . 190 5.6.8 Identica ca o do Sistema Motor Taco-Gerador . . . . . 190 5.6.9 Resolu ca o de Problemas de M nimos Quadrados . . . . 195 5.7 Sistemas de Equa co es Lineares Sub-Dimensionados . . . . . . 201 5.7.1 Interpreta ca o Geom etrica . . . . . . . . . . . . . . . . 202 5.7.2 Calculando a Solu ca o de Menor Norma . . . . . . . . . 202 5.7.3 Problemas de Minimiza ca o de Normas . . . . . . . . . 203 vi
5.7.4 Sistemas com Mais Vari aveis 5.8 M nimos Quadrados N ao-linear . . 5.9 Refer encias . . . . . . . . . . . . . 5.10 Exerc cios . . . . . . . . . . . . . .
do que Equa co es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . .
. . . .
. . . .
. . . .
. . . .
204 210 211 211
6 Revis ao de Polin omios 219 6.1 Enumera ca o de Ra zes . . . . . . . . . . . . . . . . . . . . . . 221 6.1.1 Enumera ca o das Ra zes de Uma Equa ca o Polinomial . 221 6.1.2 Enumera ca o das Ra zes Complexas . . . . . . . . . . . 222 6.2 Localiza ca o das Ra zes . . . . . . . . . . . . . . . . . . . . . . 225 6.2.1 Localiza ca o das Ra zes Reais de Uma Equa ca o Polinomial225 6.3 Localiza ca o das Ra zes Complexas de Uma Equa ca o Polinomial227 6.4 Separa ca o das Ra zes de Uma Equa ca o Polinomial . . . . . . . 229 6.5 Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231 7 Integra c ao Num erica 233 7.1 O Problema da Integra ca o Num erica . . . . . . . . . . . . . . 233 7.2 Objetivo da Integra ca o Num erica . . . . . . . . . . . . . . . . 234 7.2.1 Filosoas B asicas . . . . . . . . . . . . . . . . . . . . . 234 7.3 F ormulas Newtonianas . . . . . . . . . . . . . . . . . . . . . . 236 7.3.1 Considera co es Iniciais . . . . . . . . . . . . . . . . . . . 236 7.3.2 Regra dos Ret angulos . . . . . . . . . . . . . . . . . . . 236 7.3.3 Regra dos Trap ezios . . . . . . . . . . . . . . . . . . . 238 7.3.4 Regra de Simpson . . . . . . . . . . . . . . . . . . . . . 239 7.3.5 F ormula Geral das Regras Newtonianas . . . . . . . . . 241 7.3.6 Exemplo 1 . . . . . . . . . . . . . . . . . . . . . . . . . 242 7.3.7 Exemplo 2 . . . . . . . . . . . . . . . . . . . . . . . . . 243 7.3.8 Exemplo 3 . . . . . . . . . . . . . . . . . . . . . . . . . 244 7.4 Estimativas de Erros . . . . . . . . . . . . . . . . . . . . . . . 244 7.4.1 Erro de Truncamento na Regra dos Trap ezios Simples . 245 7.4.2 Erro de Truncamento na Regra dos Trap ezios Composta246 7.4.3 Estima ca o Num erica do Erro de Truncamento da Regra dos Trap ezios . . . . . . . . . . . . . . . . . . . . . 248 7.5 Quadratura Gaussiana . . . . . . . . . . . . . . . . . . . . . . 249 7.5.1 Regra de Gauss de Primeira Ordem . . . . . . . . . . . 251 7.5.2 Regra de Gauss de Segunda Ordem . . . . . . . . . . . 251 7.5.3 Exemplo de Aplica ca o . . . . . . . . . . . . . . . . . . 252 7.5.4 Quadratura de Ordem Superior . . . . . . . . . . . . . 254 7.6 Refer encias . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254 7.7 Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254 vii
8 Resolu c ao Num erica de Equa c oes Diferenciais Ordin arias 8.1 Modelagem com Equa co es Diferenciais . . . . . . . . . . . . 8.1.1 Circuito RC . . . . . . . . . . . . . . . . . . . . . . . 8.1.2 Circuito RLC . . . . . . . . . . . . . . . . . . . . . . 8.1.3 Supens ao de Autom ovel (Simplicada) . . . . . . . . 8.1.4 Sistema de Massas Acopladas . . . . . . . . . . . . . 8.1.5 Motor de Corrente Cont nua . . . . . . . . . . . . . . 8.1.6 Sat elite em Orbita . . . . . . . . . . . . . . . . . . . 8.1.7 P endulo Invertido . . . . . . . . . . . . . . . . . . . . 8.2 Exemplos de Equa co es Diferenciais . . . . . . . . . . . . . . 8.3 Problema de Valor Inicial . . . . . . . . . . . . . . . . . . . 8.4 Sistemas de Equa co es Diferenciais . . . . . . . . . . . . . . . 8.5 Equa co es de Diferen cas . . . . . . . . . . . . . . . . . . . . . 8.6 M etodo de Euler . . . . . . . . . . . . . . . . . . . . . . . . 8.6.1 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . 8.6.2 O Algoritmo de Euler . . . . . . . . . . . . . . . . . . 8.7 M etodo de Euler para Sistemas de Equa co es . . . . . . . . . 8.8 M etodos Baseados na S erie de Taylor . . . . . . . . . . . . . 8.8.1 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . 8.9 M etodo de Runge-Kutta . . . . . . . . . . . . . . . . . . . . 8.9.1 M etodo de Runge-Kutta de Segunda Ordem . . . . . 8.10 Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . A Fundamentos Matem aticos A.1 Limites e Continuidade . . . . . . . A.2 Diferencia ca o . . . . . . . . . . . . A.2.1 Aplica ca o de Diferencia ca o . A.3 Teorema do Valor M edio . . . . . . A.4 M aximos e M nimos . . . . . . . . A.5 Introdu ca o a Equa co es Diferenciais A.6 Vetores . . . . . . . . . . . . . . . . A.6.1 Produto Interno . . . . . . . A.6.2 Proje co es . . . . . . . . . . A.6.3 Produto Cruzado . . . . . . A.7 C alculo Vetorial . . . . . . . . . . . A.8 Fun co es de M ultiplas Vari aveis . . A.8.1 Exemplos . . . . . . . . . . A.8.2 Superf cies . . . . . . . . . . A.8.3 Elips oide . . . . . . . . . . . A.8.4 Derivadas Parciais . . . . . A.8.5 Diferencia ca o e Gradiente . viii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
261 262 262 263 266 268 269 270 272 277 278 279 280 280 282 283 283 284 285 286 286 288
297 . 297 . 299 . 302 . 303 . 304 . 304 . 311 . 312 . 314 . 316 . 317 . 319 . 319 . 319 . 319 . 320 . 321
A.9 Convers ao Entre Bases . . . . . . . . . . . . . . . . . . . . . A.9.1 Convers ao de N umeros Inteiros . . . . . . . . . . . . A.9.2 Convers ao de N umeros Puramente Fracion arios . . . A.9.3 Convers ao de N umeros com Parte Fracion aria e Parte Inteira . . . . . . . . . . . . . . . . . . . . . . . . . . A.9.4 Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . A.10 Refer encias . . . . . . . . . . . . . . . . . . . . . . . . . . .
. 321 . 321 . 322 . 323 . 324 . 324
B Exemplos de C odigo Matlab 325 B.1 Cap tulo 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325 B.1.1 Figura 3.2 . . . . . . . . . . . . . . . . . . . . . . . . . 325 B.1.2 M etodo de Ponto Fixo para Fun ca o f (x) = x2 /10 x + 1326 B.1.3 Algoritmo da Bisec ca o . . . . . . . . . . . . . . . . . . 326 C Exerc cios Resolvidos 329
ix
Lista de Figuras
1.1 1.2 1.3 1.4 2.1 2.2 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 3.10 3.11 3.12 3.13 3.14 3.15 3.16 3.17 3.18 3.19 3.20 3.21 3.22 Algoritmo de Ordena ca o . . . . . . . . . . . . . . . . . . . . Exemplo de fun ca o para a qual o algoritmo de Newton pode iterar indenidamente . . . . . . . . . . . . . . . . . . . . . Seq u encia de iterandos gerados pelo algoritmo de Newton. . Passos para solu ca o de um problema. . . . . . . . . . . . . . 3
. 7 . 8 . 10
Elementos do sistema de ponto utuante F = F (2, 3, 1, 2). . 15 Ilustra ca o de equil brio est avel e inst avel. . . . . . . . . . . . 28 Circuito el etrico com componente n ao-linear. . . . . . . . . N umero de zeros para v arias fun co es. . . . . . . . . . . . . . Diculdades com crit erios de converg encia. . . . . . . . . . Ilustra ca o do comportamento do algoritmo da bisec c ao . . . Fun ca o f ( x) = e x x. . . . . . . . . . . . . . . . . . . . . . Diculdade na obten ca o do intervalo inicial . . . . . . . . . . Ra zes do polin omio caracter stico p() = 4 3 + 52 + 4 de A. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ilustra ca o do m etodo da falsa posi ca o . . . . . . . . . . . . . 4 2 Gr aco da fun ca o f (x) = x 14x + 24x 10 . . . . . . . . Itera co es 1, 2, 3 e 4 do m etodo da falsa posi ca o . . . . . . . Itera co es 5, 6, 7 e 8 do m etodo da falsa posi ca o . . . . . . . Converg encia oscilante. . . . . . . . . . . . . . . . . . . . . . Converg encia monot onica. . . . . . . . . . . . . . . . . . . . Diverg encia oscilante. . . . . . . . . . . . . . . . . . . . . . . Diverg encia monot onica. . . . . . . . . . . . . . . . . . . . . Exemplo de seq u encia de iterandos de um processo iterativo. M etodo de ponto xo para raiz de f (x) = x 2 sin(x). . . . Ilustra ca o do m etodo de Newton . . . . . . . . . . . . . . . . Exemplo onde o m etodo de Newton entre em la co innito. . Exemplo onde ocorre diverg encia do m etodo de Newton. . . Ilustra ca o do m etodo das secantes. . . . . . . . . . . . . . . Itera co es 1, 2, 3 e 4 do m etodo das secantes . . . . . . . . . xi . . . . . . . . . . . . . . . . . . . . . . 35 35 38 39 41 41 44 45 47 47 48 52 53 53 54 55 56 58 61 62 63 65
3.23 Itera co es 5, 6, 7 e 8 do m etodo das secantes . . . . . . . . . 3.24 Ilustra ca o de interpola ca o polinomial . . . . . . . . . . . . . 3.25 Interpola ca o da curva f (x) com um polin omio de 2o grau p2 (x) que atravessa os pontos (x0 , f (x0 )), (x1 , f (x1 )) e (x2 , f (x2 )) . 3.26 Porta semi-circular . . . . . . . . . . . . . . . . . . . . . . . 3.27 Reservat orio tipo semiesfera. . . . . . . . . . . . . . . . . . . 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 4.11 4.12 4.13 4.14 4.15 4.16 4.17 4.18 4.19 4.20 4.21 4.22 4.23 4.24 Ilustra ca o dos conceitos de espa co gerado e espa co nulo de uma matriz A . . . . . . . . . . . . . . . . . . . . . . . . . . Ilustra ca o das normas , 2 e 1 . . . . . . . . . . C alculos envolvidos na solu ca o de sistemas de equa co es lineares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Exemplo de circuito el etrico com elementos lineares. . . . . Exemplo de circuito el etrico RLC. . . . . . . . . . . . . . . Componentes de algoritmos diretos. . . . . . . . . . . . . . Componentes de algoritmos iterativos. . . . . . . . . . . . . Ilustra ca o da solu ca o S1 do sistema (4.11) e da solu ca o S2 do sistema (4.12). . . . . . . . . . . . . . . . . . . . . . . . . . Sistema sem solu ca o. . . . . . . . . . . . . . . . . . . . . . Sistema mal-condicionado. . . . . . . . . . . . . . . . . . . Sistema bem-condicionado. . . . . . . . . . . . . . . . . . . Algoritmo de renamento. . . . . . . . . . . . . . . . . . . . Avalia ca o emp rica de sistema bem-condicionado atrav es do m etodo de renamento. . . . . . . . . . . . . . . . . . . . . . Avalia ca o emp rica de sistema mais ou menos malcondicionado atrav es do m etodo de renamento. . . . . . . . Avalia ca o emp rica de sistema mal-condicionado atrav es do m etodo de renamento. . . . . . . . . . . . . . . . . . . . . . Transforma ca o de esferas em elips oides. . . . . . . . . . . . . Ilustra ca o da transforma ca o induzida por uma matriz A sim etrica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ilustra ca o da transforma ca o induzida por uma matriz A sim etrica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ilustra ca o da transforma ca o dada por uma matriz A que gera rota co es e mudan cas em escala. . . . . . . . . . . . . . . . . Regress ao linear entre duas vari aveis. . . . . . . . . . . . . . Transla ca o do centr oide para a origem. . . . . . . . . . . . . Rota ca o do eixo x em torno da origem. . . . . . . . . . . . . Pontos amostrais para an alise de componentes principais. . . Vis ao geom etrica do processo iterativo de Gauss-Seidel, caso convergente. . . . . . . . . . . . . . . . . . . . . . . . . . . xii
. 66 . 67 . 70 . 74 . 75 . 81 . 82 . . . . . . . . . . 86 88 89 90 91 101 101 102 102 107
. 110 . 111 . 111 . 133 . 134 . 134 . . . . . 136 137 138 139 142
. 145
4.25 Vis ao geom etrica do processo iterativo de Gauss-Seidel, caso divergente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.26 Exemplo de dados para interpola ca o com polin omios. . . . . 4.27 Exemplo de estrutura. . . . . . . . . . . . . . . . . . . . . . . 4.28 Exemplo de estrutura com apenas um v ertice . . . . . . . . . 4.29 Exemplo de estrutura com apenas um v ertice e carga n ao nula 4.30 For cas internas ` as barras . . . . . . . . . . . . . . . . . . . . . 4.31 For cas internas ` as barras . . . . . . . . . . . . . . . . . . . . . 4.32 For cas que atuam no n o . . . . . . . . . . . . . . . . . . . . . 4.33 Sistema de treli cas. O desenho n ao est a em escala. (Sx , Sy ) = (2, 2). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 5.10 5.11 5.12 5.13 5.14 5.15 5.16 5.17 5.18 5.19 5.20 Circuito el etrico com componentes n ao-lineares . . . . . . . . Ilustra ca o das curvas de n vel de duas fun co es n ao lineares . Ilustra ca o de dois radares que detectam a dist ancia at e uma aeronave . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ilustra ca o de m nimos locais e globais de uma fun ca o f ( x) . Ilustra ca o de fun ca o convexa: f (z ) f (x) + f (x)(z x) para todo x, z R. . . . . . . . . . . . . . . . . . . . . . . . . . . Vis ao geom etrica do m etodo de Newton aplicado ao problema f ( x) = 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ilustra ca o gr aca das fun co es f (x) e f (x) . . . . . . . . . . Interpreta ca o geom etrica do m etodo de Newton para minimiza ca o de fun co es convexas . . . . . . . . . . . . . . . . . . Problemas do m etodo de Newton aplicado ` a minimiza ca o de fun co es n ao convexas. . . . . . . . . . . . . . . . . . . . . . . n=5em=5 . . . . . . . . . . . . . . . . . . . . . . . . . . n = 15 e m = 17 . . . . . . . . . . . . . . . . . . . . . . . . n = 5 e m = 65 . . . . . . . . . . . . . . . . . . . . . . . . . n = 15 e m = 65 . . . . . . . . . . . . . . . . . . . . . . . . Exemplo de sistema caixa-preta . . . . . . . . . . . . . . . . Exemplo de entradas e sa das de um sistema . . . . . . . . . Motor taco-gerador. . . . . . . . . . . . . . . . . . . . . . . . Motor taco-gerador. . . . . . . . . . . . . . . . . . . . . . . . Modelo de predi ca o y (t) obtido com a equa ca o (5.6) e n = 3. O vetor de erros e = y (t) y (t) tem norma e = 118.5214. Modelo de predi ca o y (t) obtido com a equa ca o (5.6) e n = 10. O vetor de erros e = y (t) y (t) tem norma e = 107.4303. Modelo de predi ca o y (t) obtido com a equa ca o (5.8) e n = 3. O vetor de erros e = y (t) y (t) tem norma e = 0.5495. . . xiii
146 151 152 153 154 155 155 156 161
. 168 . 171 . 172 . 173 . 177 . 179 . 180 . 181 . . . . . . . . . 183 187 187 188 188 189 189 191 192
. 193 . 194 . 195
5.21 Modelo de predi ca o y (t) obtido com a equa ca o (5.8) e n = 10. O vetor de erros e = y (t) y (t) tem norma e = 0.4778. . . . 196 5.22 Ilustra ca o geom etrica do problema de m nimos quadrados . . . 197 5.23 Ilustra ca o geom etrica do problema de m nimos quadrados . . . 198 5.24 Interpreta ca o geom etrica do problema de minimiza ca o de norma202 5.25 Bloco de massa . . . . . . . . . . . . . . . . . . . . . . . . . . 205 5.26 Exemplo de velocidade em fun ca o do tempo. . . . . . . . . . . 207 5.27 Deslocamento da massa . . . . . . . . . . . . . . . . . . . . . 207 5.28 Velocidade da massa . . . . . . . . . . . . . . . . . . . . . . . 208 5.29 For ca aplicada ` a massa no m do per odo . . . . . . . . . . . . 208 5.30 For ca de menor norma aplicada ` a massa ao longo do intervalo 209 5.31 Deslocamento da massa . . . . . . . . . . . . . . . . . . . . . 209 5.32 Velocidade da massa . . . . . . . . . . . . . . . . . . . . . . . 210 5.33 Sistema f sico com dois blocos sujeitos a for cas horizontais . . 213 5.34 Bloco de massa . . . . . . . . . . . . . . . . . . . . . . . . . . 214 6.1 6.2 7.1 7.2 7.3 7.4 7.5 7.6 8.1 8.2 8.3 8.4 8.5 8.6 8.7 8.8 8.9 8.10 8.11 8.12 8.13 8.14 Multiplicidade de ra zes . . . . . . . . . . . . . . . . . . . . . 225 Localiza ca o de ra zes . . . . . . . . . . . . . . . . . . . . . . . 226 Comportamento de integrais Regras dos ret angulos . . . . Regra simples do trap ezio . Regra composta do trap ezio Regra de Simpsom . . . . . Cancelamento de erros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257 258 258 258 259 259 263 263 265 266 268 269 270 272 272 281 282 289 291 292
Circuito RC . . . . . . . . . . . . . . . . . . . . . . . . . . . Curva de descarga do capacitor em um circuito RC . . . . . Circuito RLC . . . . . . . . . . . . . . . . . . . . . . . . . . Resposta do circuito RLC a entrada u(t) = 0. . . . . . . . . Suspens ao de autom ovel simplicada . . . . . . . . . . . . . Sistema de duas massas acopladas . . . . . . . . . . . . . . . Motor de corrente cont nua (CC) controlado pela armadura . Sat elite em orbita . . . . . . . . . . . . . . . . . . . . . . . . Ve culo com p endulo invertido . . . . . . . . . . . . . . . . . Ilustra ca o de uma primitiva F (x) . . . . . . . . . . . . . . . M etodo de Euler . . . . . . . . . . . . . . . . . . . . . . . . Circuito el etrico . . . . . . . . . . . . . . . . . . . . . . . . Sistema mec anico . . . . . . . . . . . . . . . . . . . . . . . Sistema mec anico de dois p endulos . . . . . . . . . . . . . .
A.1 Eliminando a descontinuidade de uma fun ca o. . . . . . . . . . 299 xiv
A.2 Fun ca o exemplo. . . . . . . . . . . . . . . . . . . . . . A.3 Secantes da fun ca o. . . . . . . . . . . . . . . . . . . . A.4 Corte facial do tanque. . . . . . . . . . . . . . . . . . A.5 Ilustra ca o do Teorema do Valor M edio. . . . . . . . . A.6 Pontos de m aximo e m nimo de uma fun ca o. . . . . . zp A.7 Gr aco da fun ca o f (z ) = emz , p, m > 0. . . . . . . . . A.8 Trajet orias para K = 0, 16. . . . . . . . . . . . . . . . A.9 Plano cartesiano. . . . . . . . . . . . . . . . . . . . . . A.10 Soma vetorial. . . . . . . . . . . . . . . . . . . . . . . A.11 Produto interno. . . . . . . . . . . . . . . . . . . . . . A.12 Produto interno. . . . . . . . . . . . . . . . . . . . . . A.13 A area do paralelogramo com lados a e b e precisamente
. . . . 300 . . . . 300 . . . . 303 . . . . 304 . . . . 305 . . . . 310 . . . . 310 . . . . 311 . . . . 312 . . . . 313 . . . . 314 a b .317
C.1 Trajet oria do sistema p endulo invertido. . . . . . . . . . . . . 352 C.2 Trajet oria do sistema p endulo invertido. . . . . . . . . . . . . 353
xv
xvi
Lista de Tabelas
2.1 2.2 2.3 2.4 2.5 3.1 3.2 3.3 3.4 3.5 3.6 4.1 4.2 4.3 4.4 4.5 7.1 7.2 7.3 Opera co es Aritm eticas . . . . . . . . . . . . . . . . . . . . . Opera co es Aritm eticas . . . . . . . . . . . . . . . . . . . . . Elementos do sistema de ponto utuante F (2, 3, 1, 2) . . . Aproxima co es do n umero . . . . . . . . . . . . . . . . . . x Aproxima co es de e obtidas com f (x) para x 0 e com f (x) e 1/f (x) para x < 0. . . . . . . . . . . . . . . . . . . . . . Valores da fun ca o f ( x) = e x x . . . . . . . Aplica ca o do algoritmo da falsa posi ca o . . . . Seq u encia de iterandos . . . . . . . . . . . . . Seq u encia de iterandos . . . . . . . . . . . . . Seq u encia de iterandos produzida pelo m etodo Seq u encia de iterandos produzida pelo m etodo . . . . . . . . . . . . . . . . . . . . . . . . . . . . de Newton de Newton . . . . . . . . . . . . . . . . . . . . 12 12 14 22
. 25 . . . . . . . . . . . 40 46 55 57 58 59 141 143 144 150 150
Conjunto de pontos de um experimento . . . . . . . . . . iterandos obtidos pelo processo iterativo de Jacobi . . . . Iterandos obtidos pelo processo iterativo de Gauss-Seidel iterandos produzidos pelo m etodo do gradiente conjugado dire co es conjugadas . . . . . . . . . . . . . . . . . . . . .
Pondera co es e pontos de amostragem para quadratura Gaussiana254 Pontos da fun ca o f (x) . . . . . . . . . . . . . . . . . . . . . . 255 Pontos da fun ca o f (x) . . . . . . . . . . . . . . . . . . . . . . 255
A.1 Exemplo de convers ao de base: (283)10 = (100011011)2 . . . . 322 A.2 Exemplo de convers ao de base: (0.283)10 = (0.01001)2 . . . . . 323
xvii
xviii
Nota c ao
xix
xx
Cap tulo 1 Introdu c ao ao Estudo da Matem atica Num erica

1.1 Natureza e Objetivos da Matem atica Num erica
Antes do advento dos computadores eletr onicos, nos anos quarenta, m etodos num ericos eram impratic aveis. Mesmo antes dos anos quarenta, dispositivos mec anicos tinham sido desenvolvidos para executar c alculos como, por exemplo, as m aquinas desenvolvidas pela IBM para serem usadas no censo americano. No in cio dos anos quarenta, durante a Segunda Guerra Mundial, computadores eletr onicos foram desenvolvidos nos E.U.A., permitindo o c alculo autom atico de tabelas para artilharia naval e solu ca o de outros problemas log sticos e militares. Nasce, portanto, o interesse cient co e tecnol ogico por m etodos num ericos. A necessidade de um tratamento particular para os m etodos num ericos se refere ao fato de que as propriedades b asicas da aritm etica real n ao valem mais quando executadas no computador. N umeros com innito d gitos como, por exemplo, = 3.1415 . . ., e representado por um n umero nito de d gitos na aritm etica computacionalo computador tem precis ao nita. A matem atica computacional e a area da matem atica que se preocupa com o desenvolvimento, emprego e estudo de m etodos num ericos, podendo ser subdivida em: Matem atica Computacional: estudo da matem atica do ponto de vista computacional. Matem atica Num erica: parte da matem atica computacional que se preocupa com o desenvolvimento de algoritmos para resolu ca o aproximada
1. Introdu c ao ao Estudo da Matem atica Num erica de problemas, a qual utiliza como sistema de opera co es o conjunto {+, , /, } de operadores matem aticos.
Matem atica Simb olica: busca a solu ca o anal tica de problemas matem aticos, por exemplo, a solu ca o anal tica da integral: x2 dx = x3 3
Matem atica Gr aca: trabalha com modelos gr acos buscando solu ca o na forma gr aca. Matem atica Intervalar: trata dados na forma de intervalos, buscando controlar os limites de erro da matem atica num erica. Nesta disciplina nos concentramos na matem atica num erica, onde estudamos processos num ericos para a resolu ca o de problemas visando a m axima economia e conabilidade em termos de fatores envolvidos, tais como: tempo de execu ca o mem oria utilizada erros de arredondamento
1.2
Algoritmos
Informalmente, um algoritmo e um procedimento computacional bem denido que toma um valor (ou seq u encia de valores) como entrada e produz um valor (ou seq u encia de valores) como sa da. Um algoritmo pode ser visto como uma ferramenta para resolver um problema computacional bem-denido, ou seja, um problema cuja especica ca o nos d a em termos gerais a rela ca o desejada entre entrada e sa da. Se espera que os passos de um algoritmo sejam executados no m aximo um n umero nito de vezes, mas por quest oes pr aticas, se deseja que este n umero seja o menor poss vel e bem-comportado.
1.2.1
O Problema da Ordena c ao
Ilustraremos aqui as no co es de problema computacional e algoritmo atrav es do problema de ordena ca o. Entrada ou Inst ancia do Problema: uma seq u encia de n n umeros ( a1 , a2 , . . . , an )
1. Introdu c ao ao Estudo da Matem atica Num erica Sa da: a permuta ca o (reordena ca o) (a1 , a2 , . . . , an ) da entrada tal que: a1 a2 . . . an .
Dada uma sequ encia de entrada (31, 41, 59, 26, 41, 58) um algoritmo de ordena ca o produz a sa da (26, 31, 41, 41, 58, 59). Um algoritmo e dito correto se, para toda a inst ancia, o algoritmo termina com a sa da correta.
Algoritmo de Ordena c ao
( a1 , a2 , . . . , a n ) SORT (a1 , a2 , . . . , an )
A implementa ca o do algoritmo de ordena ca o pode ser denida como: Insertion Sort(A) 1: for j 2 to length[A] do 2: key A[j ] 3: ij1 4: while i > 0 & A[i] > key do 5: A[i + 1] A[i] 6: ii1 7: end while 8: A[i + 1] key 9: end for Abaixo, a demonstra ca o de seu funcionamento, considerando a entrada (5,2,4,6,1,3):
5 2 2 2 1 1 2 5 4 4 2 2 4 4 5 5 4 3 6 6 6 6 5 4 1 1 1 1 6 5 3 3 3 3 3 6
Figura 1.1: Algoritmo de Ordena ca o
1. Introdu c ao ao Estudo da Matem atica Num erica
An alise do Algoritmo de Ordena c ao: Execu c ao
Tempo de
O tempo de execu ca o de um algoritmo (running time) para uma entrada particular consiste do n umero de opera co es primitivas ou passos executados. O tempo de execu ca o do algoritmo de ordena ca o depende da entrada: A ordena ca o de 1000 n umeros leva mais tempo do que a ordena ca o de 10 n umeros. O tempo de ordena ca o de duas entradas pode variar de acordo com o grau de ordena ca o das entradas. Para calcular o tempo de execu ca o T (n) para uma entrada de tamanho n, somamos todas as partes (linhas de 1 a 7), onde tj e o n umero de vezes que o la co while e executado para aquele valor j . Insertion Sort(A) Linha C odigo 1 for j 2 to length[A] 2 key A[j ] 3 ij1 4 5 6 7 A[i + 1] A[i] ii1 A[i + 1] key s1 = (1, 2, 3, 4, 5, 6) s2 = (6, 5, 4, 3, 2, 1) Melhor Caso: percebe-se que a entrada s1 j a est a ordenada portanto tj = 1, caracterizando o melhor caso. O tempo de execu ca o no melhor caso pode ser expresso por: T (n) = an + b Pior Caso: j a a entrada s2 est a no maior grau de desordem poss vel para o tipo de entrada em quest ao sendo tj = j , o pior caso. O tempo de execu ca o no pior caso pode ser expresso por: T (n) = an2 + bn + c Custo c1 c2 c3 c4 c5 c6 c7 Repeti co es n n1 n1
n
while i > 0 & A[i] > A[j ]
tj
j =2
j =2 n j =2
(tj 1) (tj 1)
n1
Quanto tempo leva para ordenar as seq uencias abaixo?
Caso M edio: h a tamb em o caso m edio, que pode ser encontrado sendo a m edia em uma distribui ca o das probabilidades de entrada.
An alise do Algoritmo de Ordena c ao: Ordem de Crescimento

A ordem de crescimento pode ser vista como a taxa de crescimento do tempo de execu ca o em rela ca o ao tamanho da entrada. Logo, consideramos o termo dominante da f ormula T (n) = an2 + bn + c, uma vez que os termos de menor ordem s ao insignicantes para entradas grandes. Dizemos que o tempo de execu ca o e (n2 ).
1.3
Algoritmos Num ericos
Da mesma forma que a solu ca o num erica de equa co es lineares e fundamental ` a solu ca o de equa co es n ao-lineares, algoritmos num ericos s ao fundamentais ` a solu ca o de diversos problemas encontrados em engenharia, como a identica ca o de sistemas, tratamento de sinais e simula ca o. Abaixo seguem as caracter ticas desejadas dos algoritmos.
1.3.1
Inexist encia do Erro L ogico
Um algoritmo n ao apresenta erro l ogico se este sempre produz o resultado correto. Considere o exemplo abaixo. Problema: procura-se a solu ca o x de ax = b Algoritmo ing enuo: x = Algoritmo correto: Equa c ao-Linear(a, b) 1: if a = 0 then 2: if b = 0 then 3: Imprima identidade 4: else 5: Imprima contradi ca o 6: end if 7: else b 8: Retorne x = a 9: end if
b a
1.3.2
Inexist encia do Erro Operacional
O algoritmo pode falhar por violar restri co es f sicas da m aquina. No que segue desenvolvemos um exemplo ilustrativo. Seja T o conjunto de n umeros poss veis de serem representados por uma m aquina onde: a) x T, x T b) t1 = inf {x : x T x > 0} Se temos valores y tais que |y | < t1 dizemos que ocorreu underow ou se |y | > t2 dizemos que ocorreu overow. Considere o problema computacional no qual procuramos |z | = x2 + y 2 . Se implementarmos diretamente a f ormula acima dependendo dos valores x 2 ou y , podemos ter overow em x ou y 2 , embora valha x2 + y 2 < t2 . O algoritmo abaixo procura contornar estes problemas de overow. Norma-Vetorial(x, y ) 1: if x = y = 0 then 2: z=0 3: else 4: if |x| |y | then
5: 6: 7:
c) t2 = sup{x : x T x > 0}
z = | x| else z = |y |
1+
y 2 x x y
1+
8: end if 9: end if 10: Retorne z
1.3.3
Quantidade Finita de C alculos
Em algoritmos iterativos, e necess ario que se estabele ca um crit erio de parada e se prove converg encia. Um algoritmo n ao pode executar indenidamente e quando ele p ara se espera que este tenha produzido o resultado esperado. Considere o problema de determinar, pelo m etodo de Newton, uma raiz da equa ca o f (x) = sign(x) x = 0, onde: se x > 0 sign(x) = 1 sign(x) = 0 se x = 0 sign(x) = 1 se x < 0
1. Introdu c ao ao Estudo da Matem atica Num erica Um algoritmo problem atico e dado por: Newton(f, x0 , ) 1: j 0 2: while |f (xj )| > do 3: if f (xj ) = 0 then f (x ) 4: xj +1 = xj f (xjj ) 5: else 6: Pare e imprima indeni ca o 7: end if 8: j j+1 9: end while 10: Retorne {j, xj }
O gr aco da fun ca o e iterandos consecutivos gerados pelo algoritmo acima s ao ilustrados na Figura 1.2. A seq u encia de iterandos gerados a partir de x0 = 0. 8 e dada na Figura 1.3.
10
6 f(x) = sqrt(x)
2 x(1) = x(n1) = x(n+1) 0 x(0)=x(2)=x(n) 2
4 f(x) = sqrt(x) 6
10 20 15 10 5 0 5 10 15 20 Grfico da Funo f(x) = sqrt(x) / x > 0 e f(x) = sqrt(x) / x < 0
Figura 1.2: Exemplo de fun ca o para a qual o algoritmo de Newton pode iterar indenidamente
8
1
0.8
0.6
0.4
Raiz Aproximada
0.2
0.2
0.4
0.6
0.8
10 Iteracao
12
14
16
18
20
Figura 1.3: Seq u encia de iterandos gerados pelo algoritmo de Newton.
1.3.4
Exist encia de um Crit erio de Exatid ao
fundamental que o algoritmo forne E ca, de antem ao, um crit erio de exatid ao em fun ca o das limita co es de precis ao das m aquinas. Ou seja, se deseja que o algoritmo forne ca: Resultado = Valor Aproximado + Erro
1.3.5
Independ encia da M aquina
desej E avel que o algoritmo produza o mesmo resultado quando executado em diferentes m aquinas. A constante de Euler e = 2.718281828 . . ., por exemplo, ter a representa ca o distinta em diferentes m aquinas. Assim, n ao se deve utilizar o valor, mas sim a representa ca o e = exp(1) que corresponde ao valor adotado pelo compilador.
1.3.6
Com Precis ao Innita, os Limites de Erro Devem Convergir para Zero
Esta exig encia estabelece a depend encia entre a solu ca o ideal em R e a solu ca o de m aquina. Considere o problema de determinar sin() = x dado R. Um algoritmo que n ao satisfaz a condi ca o de erro nulo com precis ao innita e dado abaixo.
sin() 1: x = 0 1 2: Retorne {, x} O algoritmo acima e insens vel ` a precis ao da m aquina e, portanto, n ao satisfaz o crit erio desejado.
1.3.7
Eci encia
Quando se deseja encontrar a solu ca o para um problema, sempre visamos obter economia de rescursos envolvidos. Alguns fatores relevantes s ao: tempo de execu ca o; exatid ao; volume de dados; diculdade de representa ca o; e ec acia. Fazer contas com os dedos da m ao, por exemplo, e ecaz mas n ao e eciente para c alculos aritm eticos n ao triviais. Outro exemplo se refere ao algoritmo de Cramer para a solu c ao de sisten n mas de equa co es lineares: Ax = b, com A R . Os passos do algoritmo s ao: 1) calcule o determinante da matriz dos coecientes; 2) calcule os n determinantes xj resultantes da substitui ca o da coluna j da matriz dos coecientes pelo vetor b; e 3) a solu ca o x = ( x1 , x2 , . . . , xn ) e dada por xj =
x j ,
j = 1 , . . . , n.
O algoritmo de Cramer acima executar a (n + 1)!(n + 1) opera co es aritm eticas mas, por outro lado, o algoritmo de Gauss termina ap os n3 opera co es.
1.4
Passos para a Resolu c ao de um Problema
Os passos recomendados para resolu ca o de um problema atrav es de m etodos num ericos, ilustrados na Figura 1.4, s ao:
10
1. Introdu c ao ao Estudo da Matem atica Num erica a) Modelo matem atico do problema b) Necessidade de simplica ca o c) Uso de valores j a conhecidos d) Par ametros de equa co es termodin amicas e) Escolha ou desenvolvimento do algoritmo f) Deni ca o de par ametros do algoritmo toler ancia solu ca o inicial g) Como a maioria dos problemas n ao tem solu ca o direta e precisa, faz-se o uso de m etodos iterativos. crit erio de parada n umero de itera co es
Resultado Num erico g Truncamento das Itera c oes Escolha de Par ametros Escolha de M etodos
Problema Modelagem
Simplica c ao Resultados de Ci encias Vizinhas d Medi c oes
Figura 1.4: Passos para solu ca o de um problema.
1.4.1
Refer encias
O texto deste cap tulo e um sum ario do Cap tulo 1 do Texto de Cl audio e Marins [1]. O leitor pode consultar este texto para uma discuss ao mais ampla sobre Matem atica Num erica.
Cap tulo 2 Introdu c ao ` a Aritm etica de M aquina

Neste cap tulo trataremos da representa ca o aproximada de n umeros reais em nota ca o digital nas m aquinas computacionais. Ser ao denidos sistema de ponto utuante, fun co es de arredondamento e tipos de erros que surgem com arredondamentos. Discutiremos a diferen ca entre precis ao e exatid ao. Tamb em ser ao apresentadas quest oes relativas ` a instabilidade de algoritmos e de problemas.
2.1
O Sistema de Ponto Flutuante
N umeros reais s ao aproximados por n umeros racionais em m aquinas digitais de precis ao nita (n umero de d gitos limitados), incorrendo erros que podem ser amplicados ` a medida que opera co es aritm eticas s ao executadas. Devemos, portanto, entender como n umeros s ao representados no computador e a maneira com que as opera co es s ao executadas. Tal conhecimento servir a de base para an alise e depura ca o de algoritmos, bem como valida ca o de resultados obtidos atrav es de m etodos num ericos.
12 Exemplo:
2. Introdu c ao ` a Aritm etica de M aquina
Vamos utilizar v arias m aquinas para calcular a express ao abaixo: H X Y E F G = = = = = = 1/2 2/3 H 3/5 H (X + X + X ) H (Y + Y + Y + Y + Y ) H F/E
(2.1)
Os resultados destas opera co es nas m aquinas HP-25, SR-50, PCRII, IBM4341, e Matlab (IBM-PC) aparecem na Tabelas 2.1 e 2.2. Podemos observar que os resultados variam signicativamente, dependendo da capacidade de representa ca o destas m aquinas. Tabela 2.1: Opera co es Aritm eticas HP 25 SR50 PCRII H = 0. 5 H = 0. 5 H = 0. 5 X = 0.166666667 X = 0.166666667 X = 0.166666667 Y = 0. 1 Y = 0. 1 Y = 0. 1 E = 1010 E = 2 1013 E = 1010 F =0 F =0 F =0 G = nd G = nd G = nd
Tabela 2.2: Opera co es Aritm eticas IBM4341 Matlab H = 0. 5 H = 0. 5 X = 0.16666666 X = 0.16666666666667 Y = 0. 1 Y = 0. 1 E = 0.119209 106 E = 1.110223024625157 1016 F = 0.178813 106 F = 1.110223024625157 1016 G = 0.6666 . . . G=1
Abaixo s ao dadas deni co es fundamentais e a especica c ao de sistema de ponto utuante.
13
Deni c ao 2.1 Um x R e dito n umero de ponto utuante normalizado se valerem: 1) x = m be 2) m = 0 d1 d2 . . . dn , n N 3) 1 4) e1 onde: b e chamado de base, b 2 e e chamado de expoente, e1 e o menor expoente e e2 e o maior expoente m e chamado de mantissa n e o n umero m aximo de d gitos usados na representa c ao do n umero dj , j = 1, . . . , n, s ao os d gitos do n umero Deni c ao 2.2 A uni ao de todos os n umeros de ponto utuante com o ZERO, que e representado na seguinte forma: 0 = 0.0000 . . . 0 be1 e chamado de sistema de ponto utuante. Usualmente, procuramos representar um sistema de ponto utuante por F = F (b, n, e1 , e2 ), onde e1 e e2 s ao respectivamente o menor e o maior expoente, b e a base e n e a precis ao. Alguns exemplos de sistemas de ponto utuante: 1) HP25, F (10, 9, 98, 100) 2) IBM 360/370, F (16, 6, 64, 63) 3) B6700, F (8, 13, 51, 77) Algumas propriedades de sistemas de ponto utuante s ao: Menor n umero em m odulo: 0.1 be1 Maior n umero: 0.[b 1][b 1] . . . [b 1] be2 Cardinalidade de F = F (b, n, e1 , e2 ) : #F = 2(b 1)(bn1 )(e2 e1 +1)+1, que pode ser obtido adicionando-se as parcelas: O n umero de mantissas positivas e dado por (b 1)(bn1 ) d1 e b1 e 0 e2 , sendo e1 dj b 1, j = 2, . . . , n 0, e 2 1, e 1 , e 2 Z
14
Tabela 2.3: Elementos do sistema de ponto utuante F (2, 3, 1, 2) mantissa m e be 0.100 0.101 0.110 0.111 -1 1/2 1/4 5/16 3/8 7/16 0 1 1/2 5/8 3/4 7/8 1 2 1 5/4 3/2 7/4 2 4 2 5/2 3 7/2
Como cada uma dessas mantissas pode ter um dos (e2 e1 + 1) expoentes poss veis, temos ao todo (b 1)(bn1 )(e2 e1 + 1) n umeros poss veis Logo, incluindo os negativos e o zero, obtemos #F = 2(b 1)(bn1 )(e2 e1 + 1) + 1 Para qualquer mantissa m, vale b1 |m| < 1, pois:
|m| < 1, pois toda a mantissa tem como primeiro d gito o ZERO |m| b1 , pois se |m| < b1 , n ao ter amos um n umero normalizado, pois o primeiro d gito ap os o ponto n ao e nulo. Exemplo: Seja F = F (2, 3, 1, 2). Para este sistema, as mantissas s ao: 0.100, 0.101, 0.110, e 0.111. Por outro lado, os expoentes admiss veis s ao -1, 0, 1 e 2. Assim temos os seguintes n umeros positivos: (0.100 21 )2 = (0.01)2 = 0 20 + 0 21 + 1 22 = 1/4 (0.100 20 )2 = (0.1)2 = 0 20 + 1 21 = 1/2 (0.100 21 )2 = (1)2 = 1 (0.100 22 )2 = (10)2 = 21 = 2 e assim sucessivamente, obtendo a Tabela 2.3 que tamb em s ao apresentados na Figura 2.1. Outras no co es importantes se referem aos limites de representa ca o de um sistema de ponto utuante.

7 5 16 16 7 4 7 2 5 2 1 2 5 4 3 4 1 2 7 8 5 8 3 8 1 4 1 4 1 2 3 8 5 8 7 8 5 7 16 16 3 4 5 4 3 2 7 4 5 2
15
7 2
Figura 2.1: Elementos do sistema de ponto utuante F = F (2, 3, 1, 2). Regi ao de Underow: regi ao situada entre o maior n umero de ponto utuante negativo e o ZERO e, simetricamente, entre o menor n umero de ponto utuante positivo e o ZERO. Regi ao de Overow: regi oes situadas aqu em do menor n umero de ponto utuante negativo e al em do maior n umero de ponto utuante positivo. Exemplo: Seja F = F (2, 3, 1, 2) um sistema de ponto utuante. Tomemos em 5 5 3 F, x = 4 e y = 3 . Note que z = x + y = 4 +8 = 13 e tal que z / F, 8 8 13 1 pois 8 = (0.1101 2 )2 que possui um d gito a mais na mantissa do que 3 = (0.110 21 )2 ou o permitido. Na realidade, podemos escolher entre 2 7 = (0.111 21 )2 , o que d a origem a diferentes tipos de arredondamentos 4 erros s ao cometidos ao se aproximar o n umero z = x + y com um elemento de F . Nota c ao: Seja {, , , } o conjunto de opera co es executados por um algoritmo de ponto utuante equivalentes ` as opera co es do conjunto {+, , /, }. Podemos vericar facilmente que: x y = x + y e x y = x y . Considere o sistema F = F (2, 5, 98, 100) e os n umeros: (0.1)10 = (0.0001110110011 . . .)2 /F 3 (0.1)10 (0.11101 2 )2 F. Somando (0.11101 23 ) sucessivamente dez vezes, teremos (0.11111)2 = (0.96875)10 = (1.0)10 . Exemplo: Para um sistema de ponto utuante F = F (2, 3, 1, 2), seja: 5 x= , 8 3 y= , 8 3 e z= , 4
16 ent ao:
(x y ) z = ((0.101 20 ) (0.110 21 )) (0.110 20 ) = (0.101 0.011) 0.110 = 1.0 0.110 = 1.11 x (y z ) = = = = 0.101 (0.011 0.110) 0.101 1.001 1.101 1.10
Logo (x y ) z = x (y z ) Exemplo: Para o sistema de ponto utuante F = F (2, 3, 1, 2), seja 7 x= , 8 ent ao, podemos vericar que: x (y z ) = = = = = = (x y ) (x z ) = = = = = = 0.111 (1.01 0.011) 0.111 1.101 0.111 1.10 0.111 0.0111 1.0101 1.01 (0.111 1.01) (0.111 0.011) 1.00011 0.010101 1.00011 0.010101 1.00 0.0101 1.0101 1.01 5 y= , 4 3 e z= , 8
Contudo, neste caso x (y z ) = (x y ) (x z ).
2.1.1
Exerc cios
i. Qual e o valor exato da express ao (2.1)?
2. Introdu c ao ` a Aritm etica de M aquina ii. Considere os sistemas de ponto utuante abaixo: (a) HP25, F (10, 9, 98, 100); (c) B6700, F (8, 13, 51, 77).
17
(b) IBM 360/370, F (16, 6, 64, 63); e Quest oes: (a) Qual e cardinalidade de cada um destes sistemas? (b) Qual e o menor n umero em m odulo que pode ser representado? (c) Qual e o maior n umero em m odulo? (d) Qual e a regi ao de overow? (e) Qual e a regi ao de underow? iii. Em um sistema de ponto utuante F = F (2, 3, 1, 2), seja x = 0.110 21 , y = 0.101 21 e z = 0.100 21 . Calcule (x y ) z e (x z ) y , utilizando o sistema F e truncamento. iv. Para o sistema de ponto utuante F = F (2, 3, 1, 2), encontre x, y, z F tal que x (y z ) = (x y ) (x z ).
2.2
Arredondamentos
Conforme visto na discuss ao acima, h a diferentes maneiras de se aproximar um n umero real para um n umero de ponto utuante. Surge a quest ao de como se realizar tal aproxima ca o. Deni c ao 2.3 Seja F (b, n, e1 , e2 ) um sistema de ponto utuante. Uma fun c ao 2 : R F e considerada um arredondamento se valer: x F, 2(x) = x
Tipos de arredondamento Arredondamento para cima ou por excesso: x Arredondamento para baixo ou por falta: x Arredondamento para o n umero de m aquina mais pr oximo: ox
18 Exemplo
9 / F, Seja F = F (2, 3, 1, 2) o sistema de ponto utuante. O n umero 8 pois: 9 = (1.125)10 = (0.1001 21 )2 . 8 para (0.100 21 )2 = (1.0)10 ou para (0.101 21 )2 = Podemos arredondar 9 8 5 9 ( 4 )10 = (1.25)10 . No primeiro caso, temos ( 8 ) = (0.100 21 ), j a no segundo 1 ) = (0 . 101 2 ) caso temos ( 9 8
Exemplo: Seja F = F (10, 4, 98, 10) o sistema de ponto utuante, e sejam: x = 0.333333 y = 0.348436 z = 0.666666 Ent ao obtemos os seguintes n umeros para os diferentes arredondamento: (x) = 0.3333 (x) = 0.3334 ox = 0.3333 (y ) = 0.3484 (y ) = 0.3485 oy = 0.3484 (z ) = 0.6666 (z ) = 0.6667 oz = 0.6667
Deni c ao 2.4 Um arredondamento 2 : R F e dito por falta se valer: x R, 2(x) x. Deni c ao 2.5 Um arredondamento 2 : R F e dito por excesso se valer: x R, 2(x) x. Deni c ao 2.6 Um arredondamento e dito monot onico se valer: x, y R, x y 2(x) 2(y ). Note que (x) e um arredondamento monot onico por falta, enquanto (x) e um arredondamento monot onico por excesso.
2.3
Erros
Toda vez que executamos um arredondamento que n ao admite uma representa ca o exata em F , cometemos um erro. H a v arias causas de erro. Aqui vamos estudar tr es tipos de erro:
19
Erros Inerentes: aparecem na cria ca o ou simplica ca o de um modelo matem atico de determinado sistema (erros na medi ca o, identica ca o). Erros de Discretiza c ao: erros cometidos quando se substitui qualquer processo innito por um processo nito ou discreto como, por exemplo: e= e aproximado com a s erie nita
T i=0
1 i!
e=
i=0
1 i!
Erros de Arredondamento: surgem quando trabalhamos com m aquinas digitais para representar os n umeros reais. Em geral trabalhamos com arredondamento para o n umero de ponto utuante mais pr oximo ou com o arredondamento por falta. A diferen ca entre o valor arredondado e o valor exato pode ser medida pelo erro absoluto ou pelo erro relativo, cujas deni co es s ao dadas a seguir. Deni c ao 2.7 O erro absoluto EA e dado por: EA = |2(x) x|. Deni c ao 2.8 O erro relativo ER e dado por ER =
|2(x)x| |x|
ou ER =
|2(x)x| |2(x)|
Erros relativos s ao mais usados que os erros absolutos. Um exemplo de erro absoluto e erro relativo e dado abaixo: x = 0.00006 2(x) = 0.00005 EA = 0.00001 0.00001 ER = 0.00005 = 0. 2 Alguns resultados te oricos podem ser estabelecidos sobre limites de erros levando em considera ca o propriedades do sistema de ponto utuante. Teorema 2.1 Seja F = F (b, n, e1 , e2 ) um sistema de ponto utuante. Ent ao vale: | 2 ( x) x| , x R, be1 1 |x| B | 2 ( x) |
20
onde: B e o maior n umero em m odulo do sistema de ponto utuante F , e = b

1 1n b , 2 1n
no caso de x = ox no caso de 2x = x
O teorema acima s o e v alido quando x est a dentro do espectro de repree1 1 senta ca o de F , ou seja, b |x| B . No caso de underow |x| < be1 1 ou overow |x| > B , n ao e poss vel de se obter cotas acima para erro relativo.
2.4
D gitos Signicativos Exatos
Na pr atica, quando obtemos um resultado de uma express ao num erica avaliada numa m aquina e n ao podemos saber o valor exato, torna-se imposs vel calcular o erro relativo ou absoluto. Deni c ao 2.9 Em um sistema decimal, um d gito e signicativo se for 1, 2, . . . , 9. O d gito 0 e signicante, exceto quando for usado para xar a v rgula, ou o ponto decimal, ou preencher o lugar de d gitos descartados. Exemplo 0.008735 30.357 23.000 4 d gitos signicativos 5 d gitos signicativos 2 d gitos signicativos
Deni c ao 2.10 Um d gito signicativo e exato se, arredondando-se o n umero aproximado para uma posi c ao imediatamente ap os aquela posi c ao do d gito, isso zer com que o erro absoluto n ao seja maior do que a meia unidade naquela posi c ao do d gito. Abreviamos o d gito signicativo exato por DIGSE. Exemplo Os n umeros 0.66667 e 0.666998 s ao aproxima co es para 2 . No 3 entanto, todos os d gitos signicativos do primeiro s ao exatos, enquanto no segundo s o os tr es primeiros. Abaixo calculamos os d gitos signicativos exatos de cada aproxima ca o. Primeiro Caso: 0.66667 primeiro d gito |0.66 0.6666 . . . | segundo d gito |0.666 0.6666 . . . | terceiro d gito |0.6666 0.6666666 . . . | . . . quinto d gito = | 0.006666 . . . | < 0.05 = | 0.0006666 . . . | < 0.005 = | 0.00006666 . . . | < 0.0005
|0.666670 0.666666 . . . | = | + 0.00000333 . . . | < 0.000005
2. Introdu c ao ` a Aritm etica de M aquina Logo todos os d gitos s ao signicativos exatos. Segundo Caso: 0.666998 Para o primeiro d gito 9 temos |0.66699 0.66666 . . . | = |0.000323 . . . | < 0.00005 logo, o primeiro d gito 9 j a n ao e exato. Teorema 2.2 Se ER nicativos exatos.
1 m b , 2
21
ent ao o n umero e correto em m d gitos sig-
2.4.1
Exerc cios
i. No sistema F (2, 3, 1, 2), represente a = 5/7 e b = 2/3, utilizando os arredondamentos (x), (x) e o(x). ii. Para o item anterior, calcule o erro absoluto e relativo cometido ao se aproximar a com 2(a), e b com 2(b), para cada fun ca o de arredondamento. iii. Calcule o n umero de d gitos signicativos exatos das aproxima co es x = 3.14169 e y = 3.141412 para . iv. Podemos armar que o arredondamento o(x) e monot onico?
2.5
Precis ao e Exatid ao de M aquinas Digitais
Conforme vimos, para cada m aquina, calculadora ou computador h a um sistema de ponto utuante associado. Este sistema automaticamente dene a precis ao da m aquina. Deni c ao 2.11 (Epsilon de m aquina) O epsilon da m aquina e o menor n umero de ponto utuante tal que: 1 + > 1. Deni c ao 2.12 A precis ao de uma m aquina digital e denida como o n umero de d gitos da mantissa dessa m aquina. Deni c ao 2.13 Exatid ao e uma medida de perfei c ao do resultado.
22
Tabela 2.4: Aproxima co es do n umero Aproxima ca o xj DIGSE (xj , ) 3.1410 3.4 3.1411 3.5 3.1412 3.6 3.1413 3.7 3.1414 3.9 3.1415 4.2 3.1416 5.3 3.1417 4.2 3.1418 3.7 3.1419 3.6
A exatid ao de um resultado depende da precis ao da m aquina e do m etodo utilizado para a obten ca o do resultado. Quando n ao conhecemos o valor exato temos, em geral, que se x = limj xj , ent ao o n umero de d gitos signicativos de xj em rela ca o a xj +1 e dado por: DIGSE (xj , xj +1 ) = 0.3 + log( + |xj +1 xj | ) | xj |
onde e a unidade de erro de arredondamento e b = 10 e a base. Exemplo Considere as aproxima co es para o n umero , conforme Tabela 2.4. Embora todas as aproxima co es possuam uma precis ao de cinco d gitos, somente uma delas possue cinco d gitos signicantes exatos. Logo, exatid ao de um processo depende al em da m aquina, tamb em do algoritmo. Exemplo: Seja o n umero irracional 2 = 1.414213562 . . ..
a) 1.4142 e mais preciso e mais exato que 1.41, pois o primeiro tem maior n umero de casas decimais e aproxima melhor 2; b) 1.4149 e mais preciso que 1.414, pois tem mais casas decimais, por em, e menos exato do que 1.414, j a que o d gito 9 do primeiro n ao e exato.
2. Introdu c ao ` a Aritm etica de M aquina Exerc cios
23
i. Podemos armar que um resultado exato tamb em e preciso? Podemos armar o oposto? ii. Reproduza os valores da Tabela 2.4 utilizando uma plataforma para computa ca o num erica como, por exemplo, Octave ou Matlab.
2.6
Instabilidade
Veremos agora uma s erie de problemas cujos diferentes modos de solu ca o podem acarretar diferentes resultados. Quando os resultados obtidos n ao s ao aceit aveis, os erros podem ser causados: a) pelos modelos ou entrada de dados (erros inerentes) b) pelo arredondamento ou truncamento. Instabilidade pode ser entendida como uma sensibilidade a perturba co es e pode ocorrer tanto no problema em si como no algoritmo, isto e, na maneira de resolv e-lo.
2.6.1
Instabilidade dos Algoritmos
Exemplo 1: fun c ao e x A instabilidade de algoritmos pode ser ilustrada atrav es do exemplo de se 5.5 calcular a constante de Euler. Vamos calcular e e e pela s erie de Taylor. Dado que: ex = 1 + x + Ent ao para x = 1, temos: e = 1 + 1 + 0.5 + . . . = 2.7183 Comparado a soma acima com o valor 2.718 281 828 obtido em uma calculadora, vericamos um erro relativo de 6.6 106 , que e bem pequeno. Por outro lado, para x = 5.5, temos: e5.5 = 1 5.5 + 15.125 27.730 + . . . = 0.002 636 3. e5.5 = 0.004 086 714 39, portanto, o erro relativo e 0.35 que e bem maior que o erro anterior. x2 x3 x4 + + + ... 2 3! 4! (2.2)
Comparando agora com e5.5 dado por uma calculadora, temos que:
24 Qual a causa da diferen ca?
A causa do erro e uma combina ca o de dois fatores: somas de grandezas de diferentes ordens; e subtra ca o de grandezas quase iguais. Tal fen omeno e dito cancelamento subtrativo ou cancelamento catastr oco, que e bastante comum em c alculos. O cancelamento subtrativo n ao e a real causa do erro nal da soma, ele apenas aumentou o efeito do erro nal. Note que na primeira soma (para e), n ao houve tal aumento. Se mudarmos 1 5.5 o c alculo de e para e5.5 e utilizarmos as mesmas parcelas, obteremos 0.0040865 com erro relativo de 6.6 105 . Logo podemos utilizar a s erie de Taylor para argumentos positivos. Na pr atica tamb em devemos utilizar um crit erio de parada mais cuidadoso do que o simples n umero de termos da s erie. Qualidade da Aproxima c ao
T x Seja f (x) = ca o de ex obtida com a expans ao de j =0 j ! a aproxima Taylor de ordem T em torno do ponto x = 0. Na Tabela 2.5 ilustramos os valores obtidos com f (x) para x 0 e, tamb em, as aproxima co es obtidas x para e com f (x) e 1/f (x) quando x < 0. Na mesma tabela s ao apresentados os valores de ex computados atrav es do Matlab, seguidos dos erros relativos induzidos por f (x) e 1/f (x) (apenas quando x < 0) em rela ca o a x e (Matlab). A partir dos valores apresentados na tabela podemos perceber que o erro resultante da aproxima ca o f ( x) e elevado para x < 0.
j
Exemplo 2 Outro exemplo de instabilidade de algoritmo surge do c alculo da integral 1 n x1 denida ln = 0 x e dx para n = 1, 2, . . . Integrando por partes, temos:
1
ln =
0
xn ex1 dx; u = xn e dv = ex1 dx

1
[uv ]1 0
vdu
0 1
= [ xn e x1 ] 1 0
ex1 nxn1 dx
0
= 1 nln1 , n = 2, 3, . . .
(2.3)
25
Tabela 2.5: Aproxima co es de ex obtidas com f (x) para x 1/f (x) para x < 0. x -40 -20 -10 -5 -2 -1 0 1 2 5 10 20 f ( x) 50.810 4.1736e-009 4.5400e-005 6.7379e-003 0.13534 0.36788 1.0000 2.7183 7.3891 1.4841e+002 2.2026e+004 4.8517e+008 1/f (x) 4.2484e-018 2.0612e-009 4.5400e-005 6.7379e-003 0.13534 0.36788 ex (Matlab) 4.2484e-018 2.0612e-009 4.5400e-005 6.7379e-003 0.13534 0.36788 1.0000 2.7183 7.3891 1.4841e+002 2.2026e+004 4.8517e+008
0 e com f (x) e |ex 1/f (x)|/ex 5.4400e-016 2.0066e-016 2.9851e-016 2.5746e-016 2.0509e-016 1.5089e-016
|ex f (x)|/ex 10e020 102.48 7.2342e-007 2.1369e-011 4.1018e-014 3.0179e-014 0.0000 0.0000 2.4040e-014 1.9150e-014 3.3033e-014 2.4571e-014
Podemos calcular analiticamente o valor de l1 , obtendo

1
l1 =
0
xex1 dx
1
= [xex1 ]1 0
ex1 dx
0
= 1 e 0 0 e 1 [ e x1 ] 1 0 0 1 = 1e +e = 1/e. Usando F = F (10, 6, 98, 99), temos os seguintes valores: l1 l2 l3 l4 l5 0.367 0.264 0.207 0.170 0.145 879 242 274 904 480 l6 l7 l8 l9 0.127 120 0.110 160 0.118 720 0.068 480
Olhando o integrando x9 ex1 , vericamos que e sempre positivo em [0, 1] e, no entanto, o valor computado para l9 foi negativo.
26 O que causou o erro?
foi Notemos que s o foi feito um erro de arredondamento em l1 quando 1 e tomado por 0.367879 em vez de 0.367879442. Como a f ormula est a correta, o erro nal e devido apenas a este erro cometido em l1 . Observemos como tal erro ocorreu. Em l2 o erro foi multiplicado por 2, depois em l3 foi multiplicado por 3, etc. Ent ao o erro de l9 e exatamente (2)(3) . . . (9) = 9!. Sendo 1 E1 = [ 0.367879] = 4.412 107 , e teremos no nal Logo, embora a f ormula esteja correta, ela e inst avel. Com rela ca o ao ac umulo de erros, o algoritmo gerado e de m a exatid ao. Um algoritmo est avel e dado por: ln 1 = 1 ln , n n = . . . , 4, 3, 2. (2.4) 4.412 107 9! = 0.1601
1 (em Nesta f ormula, a cada passo, o valor do erro em ln e decrescido por n vez de multiplicado por n). Se come carmos com n 1 voltaremos e ent ao o erro inicial ou erros de arredondamento diminuir ao a cada passo. Resta-nos saber qual ser a o valor inicial para ln . Observamos que: 1 1
ln =
0
xn ex1 .dx
0
xn .dx =
xn+1 n+1
=
0
1 . n+1
Portanto, ln tende a zero quando n tende ao innito. Se aproximarmos l20 para zero e o usarmos como valor inicial, teremos: l20 l19 l18 l17 l16 l15 0 0.050 0.050 0.052 0.055 0.059 000 000 777 719 017 0 0 8 0 6 l14 l13 l12 l11 l10 l9 temos:
1 21
0.062 0.066 0.071 0.077 0.083 0.091
732 947 773 352 877 612
2 7 3 3 1 3.
Majorando o erro em l20 por
1 21
1 1 E19 = 20 21 1 1 E18 = 19 20 . . . . . . E15 = 4 108 .
= 0.0024 = 0.00012
2. Introdu c ao ` a Aritm etica de M aquina Continuando o algoritmo, obtemos: l8 l7 l6 l5 Exemplo 3 0.100 0.112 0.126 0.145 932 383 802 532 0 5 4 0 l4 l3 l2 l1 0.170 0.207 0.264 0.367 893 276 241 879 4 7 1 5
27
Vamos agora considerar o problema de calcular a m edia aritm etica de dois n umeros a e b. Algoritmo 1 1) Entrada(a, b) 2) s a + b s 3) m 2 4) Sa da(m) Algoritmo 2 1) Entrada(a, b) 2) s1 a 2 b 3) s2 2 4) m s1 + s2 5) Sa da(m) Algoritmo 3 1) Entrada(a, b) 2) d1 a b 3) d1 d21 4) m d1 + b 5) Sa da(m)
Para um dado F = F (b, n, l1 , l2 ) podemos ter conforme os valores a, b F os seguintes problemas: Algoritmo 1: overow em 2 Algoritmo 2: underow em 2 e 3 No algoritmo 3 n ao teremos provavelmente nenhum erro operacional, mas poderemos ter um erro no comando (2) se houver cancelamento subtrativo.
Exerc cios
i. Utilizando a expans ao de Taylor de 15a para a fun ca o exponencial, conforme equa ca o (2.2), obtenha as entradas da Tabela 2.5. Utilize uma plataforma para computa ca o num erica tal como Matlab ou Octave. ii. Calcule ln , n = 1, . . . , 15, utilizando as express oes (2.3) e (2.4).
2.7
Instabilidade de Problemas
Na se ca o anterior investigamos a instabilidade inerente a algoritmos. Aqui, nos concentramos nos problemas que geram instabilidade intr nseca.
28
Considere a tarefa de equilibrar um l apis, conforme a Figura 2.2. A segunda tarefa (equil brio) e inst avel pois, se o l apis car de p e, ser a por algumas fra co es de segundo e depois cair a. J a, no caso est avel, uma pequena perturba ca o na posi ca o do l apis n ao acarretar a a queda, voltando este a posi ca o de equil brio. Algo semelhante ocorre com problemas num ericos.
Est avel
Inst avel
Figura 2.2: Ilustra ca o de equil brio est avel e inst avel.
Exemplo Consideremos ent ao o problema de encontrar as ra zes do polin omio: p(x) = x20 210x19 + . . . = (x 1)(x 2)(x 3) . . . (x 19)(x 20) = 0.
(2.5)
Obviamente as ra zes s ao 1, 2, 3, . . . 20 e est ao bem separadas. Computando as ra zes de p(x) + 223 x19 = 0 com Matlab1 obteremos: R1 R2 R3 R4 R5 R6 R7 R8
1
= 1.000 = 1.999 = 3.000 = 3.999 = 5.000 = 5.999 = 7.000 = 7.993
000 999 000 999 000 993 303 025
000 999 000 999 072 056 398 044
R9 = 9.147 281 378 R10 = 9.502 011 297 R11 , R12 = 10.892 998 R13 , R14 = 12.821 708 R15 , R16 = 15.305 903 R17 , R18 = 18.181 314 R19 , R20 = 20.476 768
111 1.149 789 2.123 612 2.775 032 2.548 271 1.039
333 455 365 942 017
128i 162i 983i 153i 467i
Utilizamos as seguintes diretivas: syms x; p = (x 1) (x 2) (x 3) (x 4) (x 5) (x 6) (x 7) (x 8) (x 9) (x 10) (x 11) (x 12) (x 13) (x 14) (x 15) (x 16) (x 17) (x 18) (x 19) (x 20) + 2( 23) x( 19); solve(p)
29
Note que um termo da equa ca o mudou de 210x19 para 210x19 + 223 x19 , ou seja, uma mudan ca no vig esimo d gito da base 2 de um dos coecientes. Apesar desta pequena perturba ca o, o resultado e completamente inesperado e as mudan cas nas ra zes s ao grandes. A raz ao desta mudan ca dr astica n ao e o arredondamento nem o algoritmo e sim um problema de condicionamento. H a certos problemas que, quando sofrem altera ca o nos dados de entrada, t em na sua resposta uma pequena diferen ca proporcional, enquanto outros mostram grande varia ca o no resultado mesmo com uma pequen ssima altera ca o nos dados de entrada. Os primeiros problemas s ao ditos bem condicionados e os segundos s ao ditos mal condicionados. A no c ao de problemas bem e mal condicionados ser a elaborada na parte de solu ca o de sistemas de equa co es lineares.
2.8
Exerc cios
Exerc cio 2.1 Seja P um problema, F um sistema de ponto utuante, e A um algoritmo num erico para resolver P . Prof. Kunz arma que a exatid ao do algoritmo A aumenta se aumentarmos a precis ao da m aquina. Voc e discorda ou concorda com Prof. Kunz? Justique sua resposta. Exerc cio 2.2 Seja P um problema e F um sistema de ponto utuante. Sejam ainda A1 e A2 dois algoritmos distintos para resolver o problema P . Sabemos que A1 e A2 resolvem P . Sem conhecer o funcionamento de A1 e A2 , Prof. Gillet arma que h a duas possibilidades: a) A1 e mais exato e mais r apido do que A2 ; ou b) A2 e mais exato e mais r apido do que A1 . Se voc e concorda com o Prof. Gillet, indique como que se pode descobrir qual algoritmo e melhor. Se voc e discorda, desenvolva uma justicativa. Exerc cio 2.3 D e a deni ca o (sucinta) de erro inerente, de discretiza ca o e de arredondamento. Individualmente, como se pode tratar cada um destes tipos de erro? Exerc cio 2.4 Sejam F1 = (b1 , n1 , e11 , e21 ) e F2 = (b2 , n2 , e12 , e22 ) dois sistemas de ponto utuante. Sabemos que b1 < b2 . Seja x R um n umero real, x1 a representa ca o de x em F1 , e x2 a representa ca o de x em F2 . Prof. Tellis arma que para n1 grande o suciente, |x1 x| |x2 x|. Voc e concorda ou discorda do Prof. Tellis? Justique a sua resposta.
30
Exerc cio 2.5 Seja P um problema num erico e A um procedimento para resolver P . O procedimento A possui erros, por isso n ao e um algoritmo. Seja x = A(x0 ) a sa da produzida pelo procedimento quando este recebe uma estimativa inicial x0 da solu ca o como entrada. Seja x uma solu ca o para P . A probabilidade de A(x0 ) = x e dada por p = 1/3, sendo esta independente de x0 . O Prof. Beans arma que podemos utilizar o procedimento na busca de uma solu ca o de P ? Se voc e concorda, indique como utilizar A. Caso contr ario, justique a impossibilidade. Exerc cio 2.6 Considere o sistema de ponto utuante F = (2, 3, 5, 5). Quantas solu co es admite a equa ca o 1 + x = 1, onde x F ? Utilize arredondamento por falta. Exerc cio 2.7 Assumindo precis ao innita, converta os n umeros abaixo da base bin aria para a base decimal, ou da base decimal para a base bin aria, conforme indica ca o: (11100.1101)2 (0.011011)2 (67)10 (93.125)10 = = = = ( ( ( ( )10 )10 )2 )2
Exerc cio 2.8 Dado o sistema de ponto utuante F = F (10, 8, 99, 99), represente os n umeros abaixo neste sistema de ponto utuante: x1 x2 x3 x4 = (1043.625)10 = (0.0000415)10 = (213.013)4 = (0.00101)2
poss Exerc cio 2.9 E vel existir um sistema de ponto utuante com e1 = 2, e2 = 5, e n = 2 com 37 elementos? Se sim, qual a base deste sistema? Caso contr ario, qual e o menor n umero de elementos que podemos ter com este sistema? Exerc cio 2.10 Considere a integral denida yn = 0 nn logn x ex1 dx. Obtenha uma f ormula recursiva tal que yn seja uma fun ca o de yn1 : yn = f (yn1 ). Calcule analiticamente y1 , depois obtenha y2 , y3 e y4 usando a f ormula recursiva. Exerc cio 2.11 Seja F (b, n, e1 , e2 ) = F (2, 3, 1, 2) um sistema de ponto utuante.
2
2. Introdu c ao ` a Aritm etica de M aquina i. Encontre a regi ao de underow. ii. Encontre a regi ao de overow. iii. Qual e o menor elemento x de F ? iv. Para x = 1/3, encontre x. v. Para x = 1/3, encontre x.
31
Exerc cio 2.12 Seja x = 0.b1 b2 . . . bk a representa ca o ponto utuante de um n umero y . Qual a raz ao para que b1 seja maior do que zero? Exerc cio 2.13 Responda as quest oes abaixo: i. Seja x um n umero real e F (b, n, e1 , e2 ) um sistema de ponto utuante. Seja max = max{x F } e min = min{x F }. Suponha que x est a min max dentro da regi ao de representa ca o de F , ou seja, x . Se adotarmos x como fun ca o de arredondamento, podemos armar que o erro absoluto |x x| e limitado? ii. Seja x um n umero real e F (b, n, e1 , e2 ) um sistema de ponto utuante. max Seja = max{x F } e min = min{x F }. (i) Se x est a dentro da regi ao de representa ca o de F , ou seja, min x max , (ii) se adotarmos x como fun ca o de arredondamento e (iii) se x = 0, ent ao podemos armar que o erro relativo denido por |x x|/x e limitado? sempre poss iii. E vel implementar ox como uma fun ca o de x e x? iv. Assuma que x R n ao est a na regi ao de overow de um sistema de ponto utuante F (b, n, e1 , e2 ). Considere o conjunto S = {x R : x regi ao de overow, x = x}. Podemos armar que S e nito? Exerc cio 2.14 Para a fun ca o f (x) = x sin(x) execute as tarefas abaixo: (x) em torno do ponto x = /2 com uma a) Obtenha uma aproxima ca o f s erie de Taylor de segunda ordem. (O erro deve ser da ordem O(|x|3 )). (/3). b) Calcule f (/3) em vez c) Calcule o erro relativo cometido ao adotarmos o valor f de f (/3). Exerc cio 2.15 Converta o n umero (0.132)4 na base 4 para o seu correspondent na base 5 utilizando at e 5 d gitos na mantissa.
32
Cap tulo 3 Resolu c ao de Equa co es N ao-Lineares

3.1 Introdu c ao
Dada uma fun ca o f : R R, um problema de grande interesse e a determina ca o da exist encia e c alculo de uma raiz x de f , ou seja, x tal que f (x) = 0. O primeiros estudos datam do S eculo IX quando os trabalhos de matem aticos arabes que difundiram a utiliza ca o do sistema decimal e do zero na escrita de n umeros. Com Bhaskara, tornou-se conhecida a f ormula para resolu ca o de equa co es quadr aticas: f (x) = ax2 + bx + c. Mais tarde, os matem aticos Nicolo Fontana e Jer onimo Cardano desenvolveram m etodos para solu ca o de equa co es de 3o e 4o grau. O matem atico Niels Abel provou que as equa co es de quinto grau ou superior n ao podem ser resolvidas de uma forma coerente. Outro resultado relevante e o Teorema Fundamental da Algebra, enunciado por DAlembert em 1746: toda a equa ca o polinomial de grau n possui exatamente n ra zes foi demonstrado por Gauss em 1799. A partir da , at e os dias atuais, os m etodos de c alculo das n ra zes de um polin omio de grau n s ao voltados aos m etodos iterativos. Tais m etodos s ao tamb em aplic aveis ` as equa co es transcedentes1 . Os principais m etodos iterativos para c alculo das ra zes de equa co es alg ebricas ou transcedentes s ao de tr es tipos: M etodos de quebra: Para aplicarmos os m etodos de quebra temos que ter um intervalo [a, b] onde a fun ca o troca de sinal. Partimos o intervalo em dois outros intervalos e vericamos qual cont em a raiz desejada e assim prosseguimos.
S ao fun c oes que n ao podem ser denidas diretamente atrav es de f ormulas alg ebricas como, por exemplo, fun c oes exponenciais, logar tmicas e trigonom etricas.
1
34
3. Resolu c ao de Equa co es N ao-Lineares
M etodos de ponto xo: Come camos de uma aproxima ca o inicial x0 e n constru mos uma seq u encia {xj }j =1 na qual cada termo e dado por xj +1 = g (xj ), onde g e uma fun ca o de itera ca o. Conforme as propriedades de g , surgem diferentes tipos de m etodos de ponto xo. M etodos de m ultiplos passos: Estes m etodos constituem uma generaliza ca o do anterior onde para determinar um ponto xj +1 utilizamos v arios pontos anteriores: xj , xj 1 , . . . , xj p . Com a abordagem iterativa se faz necess ario determinar um intervalo inicial, um ou mais pontos para construirmos a seq u encia {xj } e, mediante certas condi co es, teremos que a raiz x ser a dada por x = lim xj
j
3.1.1
Exemplo de Aplica c ao
Aqui ilustramos a aplica ca o do problema de encontrar a raiz de uma equa ca o n ao-linear em circuitos el etricos. O circuito el etrico exemplo, descrito na Figura 3.1, consiste de uma fonte de tens ao cont nua E em s erie com um resistor e um elemento n ao-linear, cuja queda de tens ao x e dada por uma fun ca o n ao linear g (x) que regula a corrente y que circula na malha, sendo y uma fun ca o da queda de tens ao no componente n ao linear, i.e., y = g (x). Aplicando a lei das malhas no circuito obtemos E = Ry + x = Rg (x) + x portanto g ( x) E x + = 0. R R (3.3) (3.1) (3.2)
O problema e encontrar um ponto de opera ca o para o sistema, ou seja, valores de tens ao ou corrente que denam um ponto de equil brio que nada mais e do que a solu ca o de (3.3). Fazendo f ( x) = g ( x) Ex R
o problema e encontrar um zero de f (x). Para o caso do gr aco dado na Figura 3.1, observamos que a fun ca o f (x) tem tr es poss veis solu co es, cada uma delas denindo um ponto de opera ca o distinto para o circuito. O n umero e exist encia de solu ca o de uma fun ca o n ao-linear f (x) depende intrinsecamente da fun ca o. Alguns exemplos s ao:
35
y g (x )
y = g (x ) (E x)/R x
Figura 3.1: Circuito el etrico com componente n ao-linear. a) f (x) = ex n ao tem zero; b) f (x) = ex ex tem apenas um zero; c) f (x) = ex ex 3x tem tr es zeros; e d) f (x) = cos x 1/2 tem um n umero innito de zeros. Ilustra co es gr acas das fun co es acima est ao na Figura 3.2.
25 20 f(x)=exp(x) 15 0 10 10 5 0 4 20 2 0 2 4 30 4 2 0 2 4 30 20 f(x)=exp(x)exp(x) 10
1.5 1 0.5 0 0.5 f(x)=exp(x)exp(x)3x
0.5
0.5
f(x)=cox(x) 1/2
1 1 1.5 4 2 0 2 4 1.5 5 0 5
Figura 3.2: N umero de zeros para v arias fun co es.
36
3.2
Ordem de Converg encia
O conceito de converg encia e muito importante no estudo da matem atica num erica e ser a utilizado nas pr oximas se co es. Em geral este assume express oes como: a) o m etodo converge como 1/n; b) o m etodo converge como 1/k 3.5 ; c) o m etodo converge como h3 ; d) o erro e da ordem h4 ; e) o erro decai como en ; e f) a taxa de converg encia e log(n)/n. Precisamos de uma no ca o sobre como o erro tende a zero ` a medida que os par ametros variam. Isto nos permite comparar diferentes m etodos. Deni c ao 3.1 Uma seq u encia x0 , x1 , . . . converge para x se dado > 0 existe um I tal que qualquer que seja i > I , |xi x | < . Neste caso, temos:
j
lim xj = x
Deni c ao 3.2 Seja uma seq u encia x0 , x1 , . . . que converge para x . Seja ej = | xj x |. Se existe um n umero p 1 e uma constante c = 0 tal que
j
lim
ej +1 =c ep j
ent ao p e dito ordem de converg encia e c, constante assint otica de erro. Se p = 1, 2, ou 3, ent ao a converg encia e dita linear, quadr atica ou c ubica. Se a seq u encia x0 , x1 , . . . e produzida por uma fun ca o onde xj +1 = (xj , xj 1 , . . . , xj m+1 ) ent ao dizemos que e de ordem m. Quando a converg encia e linear, ent ao isto signica que a cada passo do m etodo o erro e reduzido (aproximadamente) de um fator constante. Se a converg encia e quadr atica, ent ao o erro e assintoticamente reduzido do quadrado do erro anterior.
37
Exerc cios
Considere as s eries: i. xk = 1/k , k = 1, 2, . . .; ii. xk = 1/2k , k = 1, 2, . . .; e iii. xk+1 = k xk + , k = 1, 2, . . ., com (0, 1), R e x1 R. Para cada s erie, voc e pode armar se ela converge? Utilize a deni ca o de converg encia para responder a pergunta. Se for convergente, qual e a taxa de converg encia?
3.3
M etodos Iterativos para Resolu c ao de Equa co es
Qualquer m etodo iterativo e formado de quatro partes: a) Estimativa inicial: uma ou mais aproxima co es para a raiz desejada. b) Atualiza c ao: uma f ormula que atualize a solu ca o aproximada. c) Crit erio de parada: uma forma de estabelecer quando parar o processo iterativo em qualquer caso. d) Estimador de exatid ao: est a associado ao crit erio de parada e prov e uma estimativa do erro cometido. O item (a) e obtido via separa ca o das ra zes, enquanto o item (b) ser a analisado posteriormente caso a caso conforme o m etodo. Vejamos os itens (c) e (d) simultaneamente. Em princ pio, podemos parar um processo iterativo de quatro maneiras: a)
|xj xj 1 | |xj |
< 1
b) |f (xj )| < 2 c) DIGSE (xj , xj 1 ) d) i > L k
38
onde: 1 , 2 s ao valores de toler ancia dados, k e o n umero de d gitos signicativos exatos requeridos na aproxima ca o nal, e L e o n umero m aximo de itera co es permitido. O crit erio (a) se refere ao erro relativo entre xj e xj 1 . O crit erio (b) e um limite para o m odulo do valor de f em xj . Pode ocorrer que um crit erio seja satisfeito sem que os outros sejam, conforme e ilustrado na Figura 3.3. Para certos valores de 1 e 2 , o segundo crit erio pode ser satisfeito na Figura 3.3(a) enquanto o primeiro crit erio pode falhar. Na parte (b) da gura o inverso ocorre.
( b)
(a) f (x ) x x xj xj 1 x xj xj 1 x
Figura 3.3: Diculdades com crit erios de converg encia. O terceiro crit erio est a relacionado com o erro relativo, por em d a uma id eia mais clara da exatid ao obtida.
3.4
M etodos de Quebra
Os m etodos de quebra s ao os mais intuitivos geometricamente, contudo, s ao os que convergem mais lentamente. A partir de um intervalo que contenha uma raiz para f (x) = 0 se parte este intervalo em outros menores que ainda necess contenham pelo menos uma raiz de f (x) = 0. E ario que f troque de sinal no intervalo inicial e seja cont nua dentro do intervalo.
3.4.1
M etodo da Bisec c ao
O m etodo da bisec ca o, inspirado no Teorema de Bolzano, parte de um intervalo [a, b] que contenha uma raiz para f (x) = 0 onde f (a) f (b) < 0,
39
ou seja, f (x) corta o eixo x em pelo menos um ponto de [a, b]. O passos do algoritmo s ao dados a seguir. Passos Gerais do Algoritmo 1) Calcula-se f (x) no ponto m edio de [a, b] : xm =
a+b 2
2) Se f (xm ) = 0 (i.e., f (a) f (xm ) < 0 ou f (xm ) f (b) < 0), escolhe-se um novo intervalo de modo que f tenha sinais opostos nas extremidades 3) Repete-se a partir de (1) at e que tenhamos chegado sucientemente perto da raiz Sejam x0 = a e x1 = b dois pontos que denem um intervalo l0 . Da b Figura 3.4 observa-se que f (a) f (xm ) < 0 onde xm = a+ = x2 . Portanto, 2 determinamos que o intervalo l1 = [x0 , x2 ] cont em uma raiz de f (x) = 0. Mais detalhadamente, o m etodo da bisec ca o pode ser descrito conforme o algoritmo abaixo. A Figura 3.4 ilustra o funcionamento do algoritmo.
f (x)
a I2 I1 I0
Figura 3.4: Ilustra ca o do comportamento do algoritmo da bisec ca o
Bisec c ao(f, a, b, L, 1 , 2 ) 1: x0 a, x1 b, i 0 2: f0 f (x0 ), f1 f (x1 ) 3: if f0 f1 > 0 then 4: Sa da erro: n ao [a, b] n ao satisfaz condi co es iniciais
40
5: 6: 7: 8: 9: 10: 11: 12: 13: 14: 15: 16: 17: 18: 19: 20: 21: 22: 23: 24: 25: 26: 27: 28:
3. Resolu c ao de Equa co es N ao-Lineares end if while |f0 | > 2 e |f1 | > 2 e i L do if |x0 x1 | < 1 |x1 | then Sa da (x0 , x1 ); end if x2 ( x0 + x1 ) /2 f 2 f ( x2 ) if f2 f0 < 0 then x1 x2 f1 f2 else x0 x2 f0 f2 end if ii+1 end while if i > L then Sa da n ao atingiu exatid ao em L itera co es end if if |f0 | 2 then Sa da (x0 ) else Sa da (x1 ) end if
A busca de um intervalo inicial [a, b] onde f (a).f (b) < 0 pode ser exemplicada para a fun ca o f (x) = ex x que est a ilustrada na Figura 3.5. A partir dos valores de f (x) obtidos na Tabela 3.1, podemos deduzir que o intervalo inicial [a, b] = [0.5, 1.0] satisfaz a condi ca o necess aria para aplica ca o do m etodo da bisec ca o. Conforme dados da tabela, podemos fazer a = 0.5 e b = 1.0 tal que [a, b] cont em uma raiz para f (x). Tabela 3.1: Valores da fun ca o f ( x) = e x x x f ( x) 0 1 0.5 0.1065 1.0 -0.6321 1.5 -1.2768 2.0 -1.8646
41
y=x
y = e x x
Figura 3.5: Fun ca o f ( x) = e x x.
Observa c oes: 1) pode ser dif cil encontrar um intervalo inicial, conforme ilustra ca o da Figura 3.6; e 2) se ocorrer um erro de arredondamento, mesmo que pequeno, no momento que se avalia o sinal do ponto m edio, o intervalo resultante pode n ao conter uma raiz.
( a)
( b)
( c)
Figura 3.6: Diculdade na obten ca o do intervalo inicial
42
Ordem de Converg encia da Bisec c ao Seja x a raiz de f (x). Seja ej = |xj x | o erro da itera ca o j . Uma vez x +x que xj +1 = j 2 j1 tal que f (xj )f (xj 1 ) < 0, temos que ej +1 Logo, ej +1 ej 2 ej 1 ej +1 = j ej 2 lim 1 2 (3.4)
Portanto, ca evidenciado que o m etodo da bisec ca o tem converg encia linear. Vamos agora relacionar a converg encia linear com o n umero DIGSE , obtido a cada itera ca o: DIGSE (xj +1 , xj ) DIGSE (xj , xj 1 ) = = 0.3 + log = log Indicando ER (xj ) =
|xj xj 1 | |xj 1 | |xj xj 1 | |xj 1 | |xj +1 xj | |xj |
+ 0.3 + log
|xj +1 xj | |xj |
|xj xj 1 | |xj 1 |
log
e usando (3.4), obtemos
DIGSE (xj +1 , xj ) DIGSE (xj , xj 1 ) = log
E R ( xj ) ER (xj +1 ) log 2 DIGSE (xj +1 , xj ) DIGSE (xj , xj 1 ) + 0.33
A velocidade de converg encia da bisec ca o e 0.3DIGSE / itera ca o, isto e, a cada tr es ou quatro itera co es ganha-se um DIGSE , ou ainda um bit a cada itera ca o. Exemplo: Minimiza c ao de Fun c oes Suponha que cada cm2 de lat ao custa R$ 2, 00. Qual deve ser a altura h (em cm) e o raio r (em cm) de uma lata sem tampa, de menor custo poss vel, tal que seu volume seja maior ou igual a 500cm3 ? Podemos expressar este problema em uma linguagem matem atica conhecida como programa c ao matem atica: P : M inimize f (r, h) = 2(r2 + 2rh) r, h Sujeito a : r2 h 500
43
Observando que h = 500/(r2 ) e substituindo esta express ao em P , obtemos:

500 = 2r2 + P : M inimize f (r, h) = 2(r2 + 2rh) = 2 r2 + 2r r 2 r, h 4500 r
Note que f e uma fun ca o convexa e, portanto, o ponto de m nimo pode ser df encontrado fazendo dr = 0, o que nos leva a: df 2000 = 4r 2 = 0 dr r portanto, o raio otimo e: r = e a altura otima e: h =

500
1
1 3
500
500
2 3
500 3
1 3
500
1 3
= r
Em valores num ericos: (r , h ) = (5.4193, 5.4193). Tarefa: utilize o m etodo da bisec ca o para encontrar a solu ca o otima (r , h ). Exemplo: Autovalores Encontre um autovalor para a matriz A dada por: 0 1 0 0 0 0 1 0 A= 0 0 0 1 4 1 5 1
Os autovalores de uma matriz A Rnn s ao denidos como as ra zes da equa ca o caracter stica de grau n: p() = det(I A) = n + an1 n1 + . . . + a1 + a0 = 0 Assim, podemos obter a equa ca o caracter stica de A como segue: 1 0 0 0 1 0 p() = det 0 0 1 4 1 5 1
44
Fazendo uso da f ormula recursiva para c alculo de determinante, deduzimos que: 1 0 0 1 0 0 1 + 4(1)4+1 det 1 p() = (1)1+1 det 0 0 1 1 5 1 = [2 ( 1) + 1 5] 4[1] = 4 3 + 52 + 4
Fazendo p() = 0 e obtendo as ra zes, podemos vericar que (A) = {2.5616, 1.5616, 1, 1} e o conjunto de autovalores de A. As ra zes de p() s ao ilustradas na Figura 3.7.
20
15
10
10 2
1.5
0.5
0.5
1.5
2.5
Figura 3.7: Ra zes do polin omio caracter stico p() = 4 3 + 52 + 4 de A.
3.4.2
M etodo da Falsa Posi c ao
Sob as mesmas condi co es iniciais do m etodo da bisec ca o, temos ainda v arias maneiras de particionar o intervalo [a, b] que cont em pelo menos uma raiz. Por exemplo, podemos particionar [a, b] na intersec ca o da reta que une os pontos (a, f (a)) e (b, f (b)) com o eixo x. Seja xS tal ponto. Escolhe-se ent ao o novo subintervalo conforme a varia ca o do sinal da curva f . Este procedimento est a ilustrado na Figura 3.8. Da intersec c ao da reta que une
3. Resolu c ao de Equa co es N ao-Lineares os pontos (a, f (a)) e (b, f (b)) com a reta y = 0, temos que: xS = a
y (b, f (b)) f (x)
45
(b a).f (a) f ( b ) f ( a)
xs a b x
(a, f (a)) I0
I1
Figura 3.8: Ilustra ca o do m etodo da falsa posi ca o Falsa Posi c ao(a, b, f, k, Lim) 1: x1 a e x2 b 2: f1 f (x1 ) e f2 f (x2 ) 3: xa a, xS b, e i 1 4: while i Lim e DIGSE (xS , xa ) < k do 5: xa xS xa e xS da itera ca o anterior (x 2 x 1 )f1 6: xS = x1 f2 f1 7: f s = f ( xS ) 8: if fS .f1 < 0 then 9: x2 xS 10: f2 fS 11: else 12: x1 xS 13: f1 fS 14: end if
46
15: ii+1 16: end while 17: Sa da {xS , DIGSE (xS , xa )}
Exemplo 1 A tarefa consiste em encontrar um zero para o polin omio p(x) = x4 2x3 6x2 + 2 onde a = 1 e b = 0. Note que p(a) = 1 e p(b) = 2, portanto o intervalo inicial satisfaz a condi ca o necess aria para aplica ca o do algoritmo da falsa posi ca o. A Tabela 3.2 abaixo ilustra o comportamento do algoritmo para a seq u encia dos 5 primeiros iterandos. Tabela 3.2: Aplica ca o do algoritmo da a xS 1. 0 +0.0 1. 0 0.666 666 666 7 0.703 296 703 3 0.666 666 666 7 0.696 650 702 1 0.666 666 666 7 0.609 603 305 1 0.666 666 666 7 0.696 602 978 6 0.666 666 666 7 falsa posi ca o f ( xS ) +0.123 2.74 102 1.95 104 1.34 106 9.22 109 2.22 1010
i 0 1 2 3 4 5
Exemplo 2 Aqui vamos aplicar o m etodo da falsa posi ca o para encontrar uma raiz 4 2 de f (x) = x 14x + 24x 10. Conforme Figura 3.9 existe uma raiz no intervalo I = [5, 0]. As Figuras 3.10 e 3.11 ilustram o comportamento do m etodo da falsa posi ca o nas 8 primeiras itera co es. O m etodo converge para a raiz x = 4.4593.
Exerc cios
i. Considere um m etodo de quebra que, ao contr ario do m etodo da bisec ca o que testa o ponto m edio (x0 + x1 )/2, testa o ponto xs = (x0 + 3x1 )/4 para fazer a sec ca o do intervalo [x0 , x1 ] em [x0 , xs ] (se f (x0 )f (xs ) < 0) ou [xs , x1 ] (se f (xs )f (x1 ) < 0). Implemente este algoritmo em matlab. Compare o desempenho do m etodo da bisec c ao e o m etodo proposto aqui na busca das ra zes do polin omio caracter stico 4 3 2 p() = + 5 + 4.
47
150
400
100
300
f(x)=x4 14x2 + 24x 10
f(x)=x4 14x2 + 24x 10 4 3 x 2 1 0
50
200
100
50
100
100
150 5
200 5
0 x
Figura 3.9: Gr aco da fun ca o f (x) = x4 14x2 + 24x 10
iteracao 1 300 f(x)=x4 14x2 + 24x 10 200 100 0 100 200 6 f(x)=x4 14x2 + 24x 10 300 200 100 0 100 200 6
iteracao 2
2 x iteracao 3
2 x iteracao 4
300 f(x)=x4 14x2 + 24x 10 200 100 0 100 200 6 f(x)=x4 14x2 + 24x 10 4 2 x 0 2
300 200 100 0 100 200 6
2 x
Figura 3.10: Itera co es 1, 2, 3 e 4 do m etodo da falsa posi ca o
48
iteracao 5 300 f(x)=x4 14x2 + 24x 10 200 100 0 100 200 6

iteracao 6 300 f(x)=x4 14x2 + 24x 10 4 2 x iteracao 7 300 f(x)=x4 14x2 + 24x 10 200 100 0 100 200 6 f(x)=x4 14x2 + 24x 10 300 200 100 0 100 200 6 0 2 200 100 0 100 200 6
2 x iteracao 8
2 x
2 x
Figura 3.11: Itera co es 5, 6, 7 e 8 do m etodo da falsa posi ca o ii. Para o m etodo de quebra dado no item acima, qual e a ordem de converg encia do algoritmo?
3.5
M etodos de Ponto Fixo
Inicialmente relembramos que o problema de interesse e encontrar um ponto x tal que f (x) = 0, onde f (x) e uma fun ca o n ao linear. Fa camos a substitui ca o g (x) = x + c(x).f (x) onde c(x) deve ser escolhida de forma que c(x) = 0 para todo x [a, b]. Sabemos que existe uma raiz no intervalo [a, b]. Assim, o problema de encontrar x tal que f (x) = 0 pode ser transformado no problema de encontrar x tal que g (x) = x. Usando a fun ca o auxiliar, buscamos um ponto xo x tal que x = g ( x ) . Partindo de um ponto inicial x0 utilizamos o processo iterativo xk+1 = g (xk )
49
at e que converg encia seja atingida para o ponto xo x . Note que x = g (x ) f (x ) = 0. A seguir enunciamos alguns resultados fundamentais para aplica ca o de m etodos de ponto xo. Teorema 3.1 Seja I = [a, b] um intervalo e g (x) uma fun c ao satisfazendo: a) g e cont nua em I ; e b) g (I ) I . Ent ao existe pelo menos um x I tal que g (x ) = x , ou seja, g cont em um ponto xo no intervalo I . Prova: Como g (I ) I , ent ao vale a a g ( a) g ( b) b b
Se g (a) = a ou g (b) = b, ent ao temos um ponto xo. Se a e b n ao s ao pontos xos, ent ao g (a) a > 0 e g (b) b < 0. Considere a fun ca o F (x) = g (x) x. Note que F (x) e cont nua com F (a) > 0 e F (b) < 0. Logo, pelo Teorema do Valor Intermedi ario (Teorema A.1) a fun ca o F (x) deve assumir valor 0 para algum x (a, b). Portanto x e um ponto xo de g (x) contido em I . Teorema 3.2 Seja g uma fun c ao denida em I = [a, b], satisfazendo a) g (I ) I ; e b) x I, |g (x)| L < 1 (isto e, g e um operador contrativo). Ent ao existe exatamente um x I tal que x = g (x ). Prova: A condi ca o (b) implica na continuidade da fun ca o g . Pelo Teorema 3.1, existe pelo menos um x I tal que x = g (x ). Sejam x 1 e x2 dois ele mentos distintos de I , satisfazendo x , vericamos 1 = g (x1 ) e x2 = g (x2 ). Da que:
| x 1 x2 | = | g ( x1 ) g ( x2 ) | = |g ( )(x 1 x2 )| para algum [x1 , x2 ] pelo Teorema do Valor M edio L| x 1 x 2 | < | x 1 x2 | Mas isto e uma contradi ca o, portanto x 1 = x2 .
(3.5)
50
Teorema 3.3 Seja g uma fun c ao que satisfaz as condi c oes (a) e (b) do Teorema 3.2. Para x0 I , a seq u encia xk+1 = g (xk ), k = 0, 1, . . . , converge para o ponto x e o erro de truncamento no processo-limite cometido na k - esima itera c ao satisfaz: |x xk | = |etr | < |x xk | = |etr | <
Lk |x 1L 1 L |x 1L k
Prova: A partir do Teorema 3.2, sabemos que existe um ponto xo x u nico. Sabemos tamb em que | xk x | = | g ( xk 1 ) g ( x ) | = |g ( )(xk1 x )| para [xk1 , x ] = | g ( ) | . | xk 1 x | L| x k 1 x | . Sucessivamente, podemos vericar que | xk x | Como L < 1, temos
k
x0 | xk 1 |
(erro a priori) (erro a posteriori)
L| x k 1 x |
L2 | x k 2 x |
Lk | x 0 x | .
lim Lk = 0 lim |xk x | = 0 lim xk = x .

k k
Note que | xk 1 xk | = | g ( xk 2 ) g ( xk 1 ) | = | g ( ) | . | xk 2 xk 1 | L| x k 2 x k 1 | L2 | x k 3 x k 2 | . . . k 1 L | x0 x1 | . Considere uma itera ca o k e j > k , podemos vericar que |xj xk | = |xj xj 1 + xj 1 xj 2 + xj 2 . . . + xk+1 xk | = |(xj xj 1 ) + (xj 1 xj 2 ) + . . . + (xk+1 xk )| |xj xj 1 | + |xj 1 xj 2 | + . . . + |xk+1 xk | Lj 1 | x 0 x 1 | + Lj 2 | x 0 x 1 | + . . . + Lk | x 0 x 1 | Lk (Lj 1k + Lj 2k + . . . + L0 )|x0 x1 | L
k
Li
i=0
| x0 x1 |
Lk | x1 x0 | . 1L
3. Resolu c ao de Equa co es N ao-Lineares Fazendo xj x , conclu mos que |etr | = |x xk | Lk | x1 x0 | . 1L
51
De forma semelhante, pode-se deduzir o erro de truncamento a posteriori conforme enunciado no teorema. Teorema 3.4 Seja g uma fun c ao denida em I = [a, b], satisfazendo a) g e cont nua; b) g (I ) I ; e Ent ao existe exatamente um x I tal que x = g (x ) e o processo iterativo xk+1 = g (xk ), k = 0, 1, . . . , converge para x se x0 I . Prova: Primeiro, vamos demonstrar a unicidade de x . As condi co es (a) e (b) s ao as mesmas do Teorema 3.1, implicando na exist encia de pelo menos um ponto xo em I . Suponha que existam dois pontos xos x 1 , x2 I distintos. Ent ao:
| x 1 x2 | = | g ( x1 ) g ( x2 ) | | x 1 x2 | < | x 1 x2 |
c) |g (x) g (y )|
|x y | para todo x, y I, x = y, e algum < 1.
contradizendo a hip otese. Conclu mos que existe exatamente um ponto xo x em I . Agora, podemos demonstrar a converg encia para o ponto xo x . Note que: | xk x | = | g ( xk 1 ) x | = | g ( xk 1 ) g ( x ) | | xk 1 x | . . . k | x0 x | Desta dedu ca o segue que:
k
lim |xk x |
= |x0 x | lim k =0
k
lim k |x0 x | [Pois < 1]
52
Portanto, conclu mos que limk xk = x . Considere a fun ca o f (x) = x3 5x + 3. Um exemplo de processo iterativo 3 3 +3 1 x+3 e: c ( x ) = 5 que nos leva a g (x) = x + c(x).f (x) g (x) = x + x 5 = x5 . 5
3.5.1
M etodo da Itera c ao Linear
No m etodo da itera ca o linear, dada uma fun ca o f (x), utilizamos como fun ca o auxiliar c(x) = 1 que induz a fun ca o de itera ca o g (x) = x+c(x).f (x) = x + f (x). Dependendo da fun ca o de itera ca o, podemos obter um comportamento desejado (converg encia para a solu ca o) ou indesejado (diverg encia), conforme ilustra ca o nas Figuras 3.12, 3.13, 3.14, e 3.15. Os pontos x que satisfazem a condi ca o x = g (x ) s ao ditos pontos xos de g (x) e representam geometricamente os pontos de intersec ca o da reta y = x com a curva y = g (x).
y
y=x
y = g (x )
x1
x3 x5
x4 x2
Figura 3.12: Converg encia oscilante.
Exemplo 1 Para a fun ca o f ( x) = x x + 1, podemos obter uma fun ca o g (x) fazendo 10 x2 c(x) = 1, que nos leva a g (x) = 10 + 1. Para o intervalo I = [1, 1.5] vamos vericar se as condi co es do Teorema 3.2 s ao satisfeitas.
2
53
y=x
y = g (x )
x5
x4
x3
x2
x1
x0
Figura 3.13: Converg encia monot onica.
y=x
y = g (x ) x4 x2 x0 x1 x3 x5 x
Figura 3.14: Diverg encia oscilante.
54
y y = g (x ) y=x
x0 x1
x2
x3
x4
Figura 3.15: Diverg encia monot onica. Primeiro, vericamos se g (I ) I . Seja x I , ou seja, 1 x 1.5. Note 2 que g (x) 1. 5 x 10 0.5 x 5 x 2.2361. De maneira similar, g (x) 1 x2 0. Portanto, se x I temos que g (x) I . x Ainda resta vericar se |g (x)| < 1. Note que g (x) = 2 . Para x I, 10 21.5 g ( x) = 0. 3. 10 Logo as condi co es do Teorema 3.2 s ao satisfeitas e, se tomarmos x0 I, a seq u encia xk+1 = g (xk ), k = 0, 1, . . . deve convergir para uma solu ca o de f (x) = 0, conforme mostra o Teorema 3.3. Para x0 = 1.5 a seq u encia de iterandos e descrita na Tabela 3.3 e ilustrada na Figura 3.16. Podemos observar que o m etodo convergir a para o valor x = 1.127 016 653 792 58 que e uma das ra zes exatas de f (x) = 0. Exemplo 2 Para a fun ca o f (x) = x 2 sin(x), obtemos a fun ca o de itera ca o g ( x) = 2 sin(x) fazendo c(x) = 1. Vamos vericar se as condi co es do Teorema 3.2 s ao satisfeitas para o intervalo I = ( , 2 ) = (900 , 1200 ) (1.5708, 2.0994). 2 3 )= Observe que 0.866 sin(x) 1 para x I, portanto g (x) 2 sin(2 3 1.7321 para todo x I . Observe tamb em que g (x) 2 sin( ) = 2 para todo 2 x I . Assim conclu mos que g (I ) I . )| = |2 (0.5)| = 1. Como g (x) = 2 cos(x), temos que |g (x)| |2 cos(2 3

1.5
55
1.45
1.4
1.35
1.3
1.25
1.2
1.15
1.1
10
12
14
16
18
20
Figura 3.16: Exemplo de seq u encia de iterandos de um processo iterativo. Tabela 3.3: Seq u encia de iterandos k xk 0 1.5 1.225 1 2 1.150 0625 3 1.132 264 375 390 63 4 1.128 202 261 577 87 . . . . . . 100 1.127 016 653 792 58
Assim, de acordo com os Teoremas 3.2 e 3.2, o processo iterativo convergir a para a raiz se x0 I . A seq u encia obtida para x0 = /2 e dada na Tabela 3.4.
3.5.2
Exerc cios
2
x + 1 do exemplo 1, foi demonstrado que i. Para a fun ca o f ( x) = x 10 o operador iterativo g (x) obtido com c(x) = 1 e convergente dentro do intervalor I = [1, 1.5]. Calcule analiticamente a raiz x I . Com x0 = 1.2, aplique o processo iterativo at e a itera ca o 4 e obtenha x4 . Verique que o erro de truncamento observado |x x4 | est a dentro do limite de erro a priori estabelecido pelo Teorema 3.3. Repita a
56
5
3 y=x 2
o
y=g(x)
0 y=0
0.5
1.5
2.5
3.5
4.5
Figura 3.17: M etodo de ponto xo para raiz de f (x) = x 2 sin(x). verica ca o para o erro de truncamento a posteriori.
3.6
M etodo de Newton
Seja f : R R uma fun ca o diferenci avel. Dado xk , o m etodo de Newton utiliza a expans ao de Taylor em torno do iterando xk para obter o pr oximo iterando: f (xk+1 ) = f (xk ) + df (xk ) k+1 (x xk ) + O( xk+1 xk 2 ) dx
Para xk+1 xk pequeno, fazemos f (xk+1 ) f (xk ) + df (xk ) k+1 (x xk ) dx = f (xk ) + f (xk )(xk+1 xk ) = 0
que nos leva a rela ca o f (xk )(xk+1 xk ) = f (xk ) f ( xk ) xk+1 = xk k f (x )
57
Tabela 3.4: k 0 1 2 3 4 5 6 . . . 7
Seq u encia de iterandos xk /2 2 1.818 1.938 1.866 1.913 1.837 . . . 1.895 441 239
O comportamento do m etodo de Newton pode ser ilustrado na Figura 3.18. O desenvolvimento acima pode ser condensado no algoritmo de Newton, cujos passos s ao dados abaixo. Newton(f, x0 , ) 1: k 0 2: while |f (xk )| > do f (x k ) 3: xk+1 = xk f (x k ) 4: k k+1 5: end while 6: Sa da xk
3.6.1
2
Exemplo 1
Considere o polin omio p(x) = x3 5x2 + 17x + 21, cuja derivada e p ( x) = 0 3x 10x + 17. Tomando como ponto inicial x = 1, o m etodo de Newton gera a seq u encia de iterandos dada conforme Tabela 3.5.
3.6.2
Exemplo 2
Para a fun ca o f (x) = xex 0.2, temos como derivada a fun ca o f ( x) = ex (1 x). Tomando como ponto inicial x0 = 0, o m etodo de Newton produz a seq u encia de iterandos listada na Tabela 3.6.
58
y = f (x) f (x0 )
f (x1 ) x x2 x1 x0 x
Figura 3.18: Ilustra ca o do m etodo de Newton Tabela 3.5: Seq u encia de iterandos produzida pelo m etodo de Newton p ( xk ) p ( xk ) k xk 0 -1.0 -2 30 1 -0.933 333 333 -0.035 259 259 28.927 669 2 -0.932 115 256 -0.000 011 571 28.927 662 3 -0.932 114 856 -0.000 000 000 28.927 662 4 -0.932 114 856 -0.000 000 000 28.927 662
3.6.3
Detalhes do M etodo de Newton
Seja f (x) uma fun ca o cont nua e p(x) uma aproxima ca o de f , em torno 0 do ponto x , obtida atrav es da s erie de Taylor: p(x) = f (x0 ) + f (x0 )(x x0 ) + f (x0 ) + f (m ) ( x 0 ) ( x x0 ) 2 ( x x0 ) 3 + f (x0 ) + ... 2! 3!
( x x0 ) m (3.6) m! De acordo com o Teorema de Taylor, se a (m + 1)- esima derivada e cont nua numa vizinhan ca de x0 , ent ao o erro tem a forma: f (x) p(x) = (x x0 )m+1 f (m+1) () (m + 1)!
59
Tabela 3.6: Seq u encia de iterandos produzida pelo m etodo de Newton f ( xk ) f ( xk ) k xk 0 0 -0.2 1.0 1 0.2 -0.036 253 849 0.654 984 2 0.255 350 689 -0.002 193 918 0.576 838 3 0.259 154 037 -0.000 009 554 0.571 713 4 0.259 171 101 -0.000 000 000 0.571 690
onde = x0 + (x x0 ) para algum (0, 1). Na interpola ca o direta, a fun ca o f e interpolada num ponto pr oximo da raiz dessa fun ca o. Podemos supor, ent ao, que a raiz desse polin omio dar a uma boa aproxima ca o para o zero da fun ca o. O m etodo de Newton leva em conta s o a primeira derivada de (3.6). Logo, k se o ponto aproximado e x , ent ao p(xk+1 ) = f (xk ) + f (xk )(xk+1 xk ) Fazendo p(xk+1 ) = 0, obtemos a nova aproxima ca o da raiz: f (xk ) + f (xk )(xk+1 xk ) = 0 f ( xk ) xk+1 = xk k f (x )
3.6.4
Converg encia do M etodo de Newton
O m etodo de Newton converge quadraticamente se f (x ) = 0 e se x0 e sucientemente pr oximo de x . Seja I = [x , x + ] um intervalo em torno da solu ca o x dentro do qual as seguintes condi co es s ao satisfeitas: i. existe uma constante m > 0 tal que |f (x)| m para todo x I ; e L|x y | para todo
ii. existe uma constante L > 0 tal que |f (x) f (y )| x, y I . Vamos mostrar que se |xk x | , ent ao L k | x x | 2 2m
|xk+1 x |
(3.7)
Em outras palavras, a desigualdade (3.7) e satisfeita com c = L/(2m), garantindo dessa forma converg encia quadr atica para x . Denotando xk+1 por
60 x+ e xk por x, temos que x+ = x
f ( x) f ( x) | x+ x | = | x x | f ( x) f ( x) | f (x) f (x)(x x)| = | f ( x) | |f (x ) f (x) f (x)(x x)| = | f ( x) | m e, portanto, (3.8) |f (x ) f (x) f (x)(x x)| m
x
Lembre-se que f (x ) = 0. N os assumimos que |f (x)| | x+ x |
Para limitar o numerador, podemos proceder como segue |f (x ) f (x) f (x)(x x)| = |
x
x x
(f (u) f (x))du| |f (u) f (x)|du

x
= L
x
|u x|du (3.9)
| x x| 2 = L 2
L Juntando (3.8) e (3.9) obtemos |x+ x | |x x|2 o que prova (3.7). 2m A desigualdade (3.7) por si s o n ao garante que |xk+1 x | 0. Entretanto, se assumirmos que |x0 x | e m/L, ent ao converg encia quadr atica 0 segue imediatamente. Uma vez que |x x | , podemos aplicar (3.7) e obter: L 2 L 0 | x x | 2 /2. | x1 x | 2m 2m Uma vez que |x1 x | , podemos aplicar (3.7) e obter a desigualdade:
| x2 x |
L 1 | x x | 2 2m
L 2 /4 2m
/8.
Repetindo este processo, conclu mos que: |x Observa c oes:

k+1
x |
L k | x x | 2 2m
1 4
2k
61
1) Segundo o desenvolvimento acima, se f (x ) = 0 e f e uma fun ca o cont nua, ent ao e razo avel assumir que as condi co es acima s ao satisfeitas para algum , m e L. Na pr atica, entretanto, e dif cil encontrarmos valores para , m e L, portanto o resultado de converg encia n ao nos ofe0 rece ajuda no sentido de escolhermos o ponto inicial x , mesmo porque isto demandaria conhecimento antecipado da exist encia de uma raiz. 2) O resultado nos diz que se x0 e sucientemente pr oximo de x , ent ao o m etodo de Newton converge com uma taxa quadr atica.
3.6.5
Problemas com o M etodo de Newton
H a situa co es, tipicamente dependendo do ponto inicial, em que o m etodo de Newton n ao converge para uma solu ca o. As Figuras 3.19 e 3.20 ilustram o caso onde o m etodo de Newton pode entrar em la co innito e o caso onde este pode divergir. No caso da fun ca o f (x) = x3 2x + 2, o m etodo de Newton entra em (0) la co innito quando inicia a partir do ponto x = 0. O iterando seguinte ser a x(1) = 1 e o seguinte ao seguinte ser a x(2) = 0, portanto entra em la co innito.
y f (x)
x1 = x3
x0 = x2
Figura 3.19: Exemplo onde o m etodo de Newton entre em la co innito.
62

y
f (x) x1 x0 x
Figura 3.20: Exemplo onde ocorre diverg encia do m etodo de Newton.
3.6.6
Exerc cios
2
i. Para a fun ca o f ( x) = x x + 1, desenvolva o m etodo de Newton 10 obtendo o processo iterativo g (x) = x f (x)/f (x). Para o intervalo I = [1, 1.5], encontre o valor m > 0 tal que f (x) m para todo x I . Encontre a constante Lipschitz L > 0 tal que |f (x) f (y )|/|x y | L para todo x I . Determine a raiz x I . Encontre > 0 que dene = [x , x + ] I tal que se o ponto inicial x0 I , o o intervalo I m etodo de Newton converge quadraticamente para x .
3.7
M etodos de M ultiplos Passos
Ao contr ario dos m etodos anteriores, os m etodos de m ultiplos passos usam os valores de f e suas derivadas, se for o caso, para v arios pontos anteriores. O exemplo mais conhecido e o m etodo das secantes.
3.7.1
M etodo das Secantes
Na pr atica, quando for muito complicado calcular derivadas e utilizar o m etodo de Newton, podemos alternativamente usar o modelo linear tomando como base os dois valores mais recentes de f . A ideia do m etodo pode ser vista na Figura 3.21 abaixo. Partindo de duas aproxima co es x0 e x1 , determinamos a reta que passa por (x0 , f (x0 )) e (x1 , f (x1 )). A intersec ca o dessa reta com o eixo x (denido pela equa ca o y = 0) determina o pr oximo iterando x2 . Continuamos o
63
processo a partir de x1 e x2 . Temos, portanto, o seguinte processo iterativo xk+1 = xk ( xk xk 1 ) f ( xk ) f ( xk ) f ( xk 1 ) (3.10)
f (x)
p1 = (x1 , f (x1 )) p2 = (x2 , f (x2 ))
x1
x2
x4
x3
p3 = (x3 , f (x3 )))
Figura 3.21: Ilustra ca o do m etodo das secantes. Observa c oes: a) Neste m etodo n ao necessitamos da caracter stica que e fundamental no m etodo da Falsa Posi ca o, que exige que haja troca de sinal da fun ca o f no intervalo [xk1 , xk ]. b) Quest oes de overow/underow podem ocorrer. Tanto a f ormula (3.10) quanto a f ormula abaixo podem causar problemas de cancelamento subtrativo ou overow: xk+1 = xk f ( xk 1 ) xk 1 f ( xk ) f ( xk 1 ) f ( xk ) (3.11)
Os problemas potenciais das f ormulas (3.10) e (3.11) podem ser evitados com a f ormula abaixo: xk+1 = xk (xk1 xk ) f ( xk ) f ( xk ) / 1 f ( xk 1 ) f ( xk 1 ) (3.12)
desde que |f (xk )| < |f (xk1 )|. Se isto n ao ocorrer, ent ao fazemos a troca de xk por xk+1 .
64 Secantes(x0 , x1 , f, 1 , 2 , L) 1: f0 f (x0 ); f1 f (x1 ) 2: if |f1 | > |f0 | then 3: swap(x0 , x1 ) 4: swap(f0 , f1 ) 5: end if 6: for k = 0, 1, . . . , L do 7: if |f1 | < 1 then 8: Sa da (x1 , |f (x)| < 1 ) 9: Pare 10: end if 11: S f1 /f0 12: p ( x0 x1 ) s 13: q 1s 14: x2 x1 p/q 15: if |x1 x2 | < 2 |x2 | then 16: Sa da (x2 , |x1 x2 | < 2 |x2 |) 17: Pare 18: end if 19: f 2 f ( x2 ) 20: if |f2 | > |f1 | then 21: x0 x2 22: f0 f2 23: else 24: x0 x1 25: f0 f1 26: x1 x2 27: f1 f2 28: end if 29: end for
Converg encia do M etodo da Secante Observa-se que o m etodo e mais r apido que a itera ca o linear ou bissec ca o; contudo, pode ser mais lento que o m etodo de Newton. Teorema 3.5 Se f (x ) = 0 e f (x ) = 0 e f e cont nua, ent ao existe um intervalo aberto N (x ) = {x : |x x | < }, > 0, tal que se x0 e x1 est ao em N (x ) e s ao distintos, ent ao a seq u encia dada pelo m etodo da secante e tal que lim xk = x
k
3. Resolu c ao de Equa co es N ao-Lineares Exemplo
65
Para o problema de encontrar uma raiz da fun ca o f (x) = x4 14x2 + 24x 10, vamos aplicar o m etodo das secantes. O gr aco de f (x) e ilustrado na Figura 3.9, indicando que existem quatro ra zes. Aplicando o m etodo das secantes com os pontos iniciais x0 = 5 e x1 = 0, obtemos as itera co es dadas nas Figuras 3.22 e 3.23. O m etodo converge para a raiz x = 0.6705.
iteracao 1 150 f(x)=x4 14x2 + 24x 10 100 50 0 50 100 150 6 4 2 x iteracao 3 150 f(x)=x4 14x2 + 24x 10 100 50 0 50 100 150 6 4 2 x 0 2 f(x)=x4 14x2 + 24x 10 150 100 50 0 50 100 150 6 4 2 x 0 2 0 2 f(x)=x4 14x2 + 24x 10 150 100 50 0 50 100 150 6 4 2 x iteracao 4 0 2 iteracao 2
Figura 3.22: Itera co es 1, 2, 3 e 4 do m etodo das secantes
3.7.2
Breve Introdu c ao ` a Interpola c ao Polinomial
Aqui faremos uma breve introdu ca o ao problema de interpola ca o com enfoque em interpola ca o polinomial. A interpola ca o polinomial e base para o desenvolvimento do m etodo de M uller. Polin omio Interpolador de Lagrange Dado um conjunto (x0 , y0 ), (x1 , y1 ), . . . , (xn , yn ) de pontos de uma curva f (x), sendo yk = f (xk ) para k = 0, . . . , n, o polin omio interpolador de Lagrange e um polin omio pn (x) de grau n que passa por todos os pontos. A Figura 3.24 ilustra um polin omio p4 (n) que atravessa os pontos indicados. O
66
iteracao 5 150 f(x)=x4 14x2 + 24x 10 100 50 0 50 100 150 6 4 2 x iteracao 7 150 f(x)=x4 14x2 + 24x 10 100 50 0 50 100 150 6 4 2 x 0 2 0 2

iteracao 6 150 f(x)=x4 14x2 + 24x 10 100 50 0 50 100 150 6 4 2 x iteracao 8 150 f(x)=x4 14x2 + 24x 10 100 50 0 50 100 150 6 4 2 x 0 2 0 2
Figura 3.23: Itera co es 5, 6, 7 e 8 do m etodo das secantes polin omio de Lagrange e denido por:
n
p n ( x) =
k=0
Lk ( x ) x xj xk xj j =0,j =k
n
(3.13)
Lk ( x ) = yk
De forma expl cita, o polin omio (3.13) ca: p n ( x) = (x x1 )(x x2 ) . . . (x xn ) y0 (x0 x1 )(x0 x2 ) . . . (x0 xn ) (x x0 )(x x2 ) . . . (x xn ) + y1 (x1 x0 )(x1 x2 ) . . . (x1 xn ) . . + . (x x0 )(x x1 ) . . . (x xn1 ) yn + (xn x0 )(xn x1 ) . . . (xn xn1 )
A f ormula acima foi inicialmente descoberta por Waring (1779), redescoberta por Euler em 1783, e publicada mais tarde por Lagrange em 1795 [4].
3. Resolu c ao de Equa co es N ao-Lineares Para o caso de n = 2, o polin omio de Lagrange toma a forma: p 2 ( x) =
67
(x x0 )(x x2 ) (x x0 )(x x1 ) (x x1 )(x x2 ) y0 + y1 + y2 (x0 x1 )(x0 x2 ) (x1 x0 )(x1 x2 ) (x2 x0 )(x2 x1 )
Observe que p2 (x) passa pelos pontos (x0 , y0 ), (x1 , y1 ) e (x2 , y2 ).

y 10 8 6 4 2 2 2 4 6 4 6 8 10 12 x p( x )
Figura 3.24: Ilustra ca o de interpola ca o polinomial
Diferen cas Divididas de Newton O m etodo das diferen cas divididas de Newton e um maneira de encontrar um polin omio interpolador (um polin omio que passa por um conjunto particular de pontos). De forma similar ao polin omio interpolador de Lagrange para interpola ca o polinomial, o m etodo de diferen cas divididas de Newton encontra o polin omio u nico que atravessa os pontos. O m etodo de Newton usa a equa ca o recursiva abaixo para realizar a tarefa: f [ x0 , x1 , . . . , xn ] = f [ x1 , . . . , xn ] f [ x0 , . . . , xn 1 ] xn x0 (3.14)
A equa ca o acima leva ` a f ormula de diferen cas divididas de Newton para interpola ca o polinomial, sendo denida por: pn (x) = f (x0 ) + (x x0 )f [x0 , x1 ] + (x x0 )(x x1 )f [x0 , x1 , x2 ] + . . . +(x x0 ) . . . (x xn1 )f [x0 , x1 , . . . , xn ] (3.15)
68
3.7.3
M etodo de M uller
No m etodo da secante tom avamos dois pontos e por eles tra c avamos uma reta (interpola ca o linear). Partiremos agora para a interpola ca o quadr atica. Se tivermos tr es pontos distintos (x0 , f (x0 )), (x1 , f (x1 )) e (x2 , f (x2 )), podemos usar o m etodo das diferen cas divididas de Newton para computar o polin omio interpolador de 2o grau: p2 (x) = f (x2 ) + (x x2 )f [x2 , x1 ] + (x x2 )(x x1 )f [x2 , x1 , x0 ] sendo: f ( x1 ) f ( x2 ) x1 x2 f ( x0 ) f ( x1 ) f [ x1 , x0 ] = x0 x1 f [ x1 , x0 ] f [ x2 , x1 ] f [ x2 , x1 , x0 ] = x0 x2 f [ x2 , x1 ] = a = f [ x2 , x1 , x0 ] b = f [ x2 , x1 ] + ( x2 x1 ) f [ x2 , x1 , x0 ] c = f ( x2 ) podemos escrever (3.16) de forma mais sint etica: p 2 ( x ) = a( x x 2 ) 2 + b ( x x 2 ) + c A interpola ca o de uma curva f (x) com um polin omio p2 (x) e ilustrada na Figura 3.25. Em s ntese, o m etodo de M uller usa como pr oximo iterando o ponto x3 que e raiz do polin omio p2 (x), conforme indicado na gura. A equa ca o: p 2 ( x) = 0 tem duas solu co es: x x2 = b b2 4ac b b2 4ac = x = x2 + 2a 2a (3.16)
Fazendo:
Dentre as duas solu co es, tomamos aquela que e a mais pr oxima de x2 : b + sign(b) b2 4ac x3 = x2 + 2a M uller(f, x0 , x1 , x2 )

1: 2: 3: 4: 5: 6: 7: 8: 9: 10: 11: 12: 13: 14: 15: 16: 17:
69
f 0 f ( x0 ) f 1 f ( x1 ) f 2 f ( x2 ) for i = 1, 2, . . . at e satisfazer crit erio de parada do f (x 1 ) f (x 2 ) f [ x2 , x1 ] x1 x2 0 ) f (x 1 ) f [x1 , x0 ] f (xx 0 x1 0 ]f [x2 ,x1 ] f [x2 , x1 , x0 ] f [x1 ,x x0 x2 a f [ x2 , x1 , x0 ] b f [ x2 , x1 ] + ( x2 x1 ) f [ x2 , x1 , x0 ] c f ( x2 ) b) b2 4ac x3 x2 + b+sign(2 a f 3 f ( x3 ) x0 x1 , f 0 f 1 x1 x2 , f 1 f 2 x2 x3 , f 2 f 3 end for {x2 , f2 }
3.8
Acelera c ao de Aitken
A partir de dois m etodos iterativos de mesma ordem e poss vel construir um novo m etodo de ordem superior aos primitivos, conforme proposta de Aitken. Sejam dois m etodos iterativos: xk xk
(1)
(2)
= 1 ( xk 1 ) = 2 ( xk 1 )
(2)
(1)
ambos de ordem de converg encia p, que convergem para x = . Podemos ent ao construir uma fun ca o (x) dada por ( x) = x1 [2 (x)] 1 (x)2 (x) x 1 (x) 2 (x) + 1 [2 (x)]
Ent ao o m etodo iterativo xk = (xk1 ), k = 1, 2, . . . tem ordem de converg encia superior a p, desde que seja satisfeita a condi ca o: (1 () 1)(2 () 1) = 0
70
p2 ( x ) x0 x1 x3 x2
f (x)
Figura 3.25: Interpola ca o da curva f (x) com um polin omio de 2o grau p2 (x) que atravessa os pontos (x0 , f (x0 )), (x1 , f (x1 )) e (x2 , f (x2 ))
71
3.9
Exerc cios
Exerc cio 3.1 Prof. Wellis arma que se o algoritmo da bisec ca o pode ser aplicado para encontrar a raiz de uma fun ca o f , ent ao tamb em podemos aplicar o m etodo de Newton. Voc e concorda ou discorda da arma ca o? Exerc cio 3.2 Seja f uma fun ca o denida por: x se x 0 f ( x) = x se x < 0 Vamos aplicar o m etodo de Newton para encontrar uma raiz de f (x). Responda as quest oes abaixo. a) Existe uma regi ao de converg encia? b) Existe uma regi ao de diverg encia? c) Existe uma regi ao onde o m etodo entra em la co innito? d) Para os itens que voc e respondeu armativamente, d e as respectivas regi oes. Exerc cio 3.3 Seja g (x) = x + c(x)f (x) um processo iterativo, obtido pelo m etodo de ponto xo com itera ca o linear, para encontrar uma raiz da fun ca o f (x). Prof. Wellis arma que se x e tal que f (x ) = 0, ent ao g (x ) = 0. Voc e concorda ou discorda da arma ca o? Exerc cio 3.4 Seja f (x) = x2 2xex + e2x uma fun ca o. Aplique o m etodo de Newton para encontrar uma aproxima ca o de uma raiz x de f , f (x ) = 0. A aproxima ca o x encontrada deve ser tal que |f (x)| < 103 . Execute no m aximo 10 itera co es do m etodo. Exerc cio 3.5 Uma b oia esf erica de raio R e densidade , ao utuar na agua, afunda de um quantidade x, dada por x3 + 2Rx2 4R3 = 0. Encontre o afundamento quando R = 3 e o material e corti ca ( = 0.25), usando o m etodo da bisec ca o. Exerc cio 3.6 Considere o sistema de equa co es abaixo: y 2 3x2 5x 5 = 0 y + x2 x = 0 Encontre uma solu ca o z = (x , y ) para o sistema acima usando um m etodo num erico. Sabemos que existe uma solu ca o para 1.5 x 0.
72
1 . Prof. Martins arma Exerc cio 3.7 Seja f (x) = xex e c(x) = ex (1+ x) que para qualquer x0 I = [0, 1) o operador de ponto xo g (x) resultante produz uma s erie x0 , x1 , x2 , . . . tal que limk xk = x sendo f (x ) = 0. Se voc e concorda com a arma ca o, apresente uma justicativa formal. Caso contr ario, d e um contra-exemplo.
poss Exerc cio 3.8 Considere a fun ca o raiz quadrada f (x) = x. E vel aplicar o m etodo de Newton (em uma ou mais vari aveis) para calcular f (x)? Se etodo de Newton pode ser aplicado para calcular sim, mostre como o m x? (No seu computador/liguagem de programa c ao, a fun c ao x n ao est a dispon vel) Exerc cio 3.9 Desejamos encontrar uma raiz da fun ca o f (x) = x4 14x2 + 24x 10. Sabemos que existe uma raiz no intervalo I = [5, 0]. Tarefas e observa co es: Tra ce o gr aco da fun ca o no intervalo [5, 5] e no intervalo [5, 0]. Encontre uma raiz em I aplicando os m etodos abaixo: O m etodo da bisec ca o O m etodo da falsa posi ca o O m etodo das secantes com x0 = 5 e x1 = 0 O m etodo de Newton com x0 = 0 e com x0 = 5
Para cada um dos m etodos acima, desenhe a curva da solu ca o aproximada em fun ca o do n umero de itera ca o. As implementa co es devem ser realizadas em Matlab, Octave ou Scilab. Apresentar o c odigo fonte juntamente com os resultados. Exerc cio 3.10 Para a fun ca o F dada por: F (x, y ) = (x y + 1/4)ex 2x2 + cos y
2 y 3
calcule o Jacobiano F . Obtenha o valor do Jacobiano no ponto (x0 , y 0 ) = (1, 0). Obtenha o iterando (x1 , y 1 ) aplicando uma itera ca o do m etodo de Newton a partir do ponto (x0 , y 0 ). Exerc cio 3.11 Responda as quest oes abaixo.
73
i. Seja f uma fun ca o cont nua em I = [a, b], tal que f (a).f (b) < 0. Podemos aplicar o m etodo da bisec ca o e o m etodo de Newton para encontrar tal raiz? ii. Seja f : R R uma fun ca o cont nua e diferenci avel no intervalo I = [a, b]. Sabemos que existe exatamente um x I tal que f (x ) = 0. Sabemos que f (a).f (b) < 0. Sabemos que o m etodo de Newton 0 1 converge para x I . Seja xbs , xbs , . . . a sequ encia de pontos gerada 0 1 pelo m etodo da bisec ca o. Seja xN w , xN w , . . . a sequ encia de pontos 0 gerada pelo m etodo de Newton. Se x0 = x = x , podemos armar Nw bs i i que para algum i temos que xN w = x e xbs = x visto que o M etodo de Newton tem converg encia quadr atica, enquanto o m etodo da bisec ca o tem converg encia linear? iii. Seja f : R R uma fun ca o qualquer para qual sabemos que existe uma raiz u nica x no intervalo [a, b]. Assumindo que os m etodos da bisec ca o e da falsa posi ca o convergem para x , podemos armar que o m etodo da falsa posi ca o converge mais rapidamente para o ponto x do que o m etodo da bisec ca o? iv. Seja g : R R um operador de ponto xo denido por g (x) = x + c(x)f (x). Se f (x) = ax3 + bx2 + cx + d e c(x) = 1, ent ao g ( x) e um polin omio de grau 0, 1, 2 ou 3. Podemos armar que g (x) ter a nenhum, um, dois ou no m aximo tr es pontos xos? v. Uma vez que o m etodo de Newton exige que a fun ca o f : R R seja cont nua e diferenci avel, enquanto que o m etodo da bisec ca o exige que a fun ca o seja apenas cont nua, podemos armar que o m etodo da bisec ca o e mais geral? Em outras palavras, se podemos encontrar a raiz de uma fun ca o usando o m etodo de Newton, ent ao tamb em podemos utilizar o m etodo da bisec ca o? Exerc cio 3.12 Considere as fun co es abaixo: g (x, y ) = 5.3ex x y h(x, y ) = x3 + 2.21x + 2y poss Desejamos encontrar x, y R tal que g (x, y ) = 0 e h(x, y ) = 0. E vel resolver este problema resolvendo o problema de encontrar uma raiz de uma fun ca o f (x), f : R R?
74
Exerc cio 3.14 Seja f (x) = x4 2xex + e2x 4 x uma fun ca o. Aplique o m etodo de Newton para encontrar uma aproxima ca o de uma raiz x de f , ou seja, x tal que f (x ) = 0. A aproxima ca o x encontrada deve ser tal que |f (x)| < 104 . Execute no m aximo 20 itera co es do m etodo. Exerc cio 3.15 Uma porta com formato descrito na Figura 3.26 e composta de uma parte retangular e uma parte semi-circular. A area da parte retangular da porta deve ser maior ou igual a 3.8m2 . Encontre as dimens oes x e y tal que o per metro seja minimizado. Modele o problema matematicamente e encontre as dimens oes desejadas utilizando o m etodo da bisec ca o.
x x
Exerc cio 3.13 Obtenha o polin omio caracter stico p() da matriz A abaixo e gere o gr aco p() . Calcule os autovalores de A aplicando o m etodo da falsa posi ca o. 2 0 4 5 0 0 0 0 5 1 0 0 0 1 A= 4 5 5 0 2 0 0 1 1 0 2
Figura 3.26: Porta semi-circular Exerc cio 3.16 Seja xk =

1 k
uma sequ encia para k = 1, 2, . . . , . Quest oes:
i. Podemos armar que {xk } e convergente? Justique a resposta com k=1 base na Deni ca o 3.1. ii. Se a seq u encia for convergente, qual e a taxa de converg encia? Justique a resposta com base na Deni ca o 3.2.

R
75
R h
Figura 3.27: Reservat orio tipo semiesfera.
Exerc cio 3.17 Seja g (y ) = (y 2 + x)/2y um processo iterativo onde x > 1 e uma constante conhecida. Seja I = (1, x) o intervalo de incerteza. Quest oes: i. Podemos armar que existe um ponto xo y I ? ii. Caso exista ponto xo, podemos armar que ele eu nico? iii. Se existir ponto xo y u nico, podemos armar que com y0 I o processo iterativo yk+1 = g (yk ), k = 0, 1, . . . converge para y ? Exerc cio 3.18 Um reservat orio na forma de semiesfera com raio R = 4m foi instalado em um pr edio rec em-constru do. Ocorreu um erro de dimensionamento do reservat orio: o volume de agua total do reservat orio e bem maior que o limite de 50m3 estabelecido em projeto hidro-sanit ario. Assim, e necess ario determinar o n vel h m aximo que a agua pode atingir no reservat orio para n ao ultrapassar o limite volum etrico. O reservat orio e ilustrado na Figura 3.27. O volume de uma calota esf erica e dado por: V = 2 h (3R h) 3
sendo R o raio e h a altura. Determine a altura h com precis ao 106 utilizando o m etodo do ponto 1 xo com c(x) = 16Rx . Mostre que o processo iterativo resultante converge dentro do intervalo I = [2, 4] segundo a teoria do ponto xo.
76
Cap tulo 4 Resolu c ao de Sistemas de Equa c oes Lineares

Cap tulo
4.1
Revis ao
Sistemas de equa co es lineares surgem na solu ca o de v arios problemas te oricos e pr aticos. Dentre eles, ressaltamos: 1) Intelig encia articial: resolu ca o das equa co es de Bellman 2) Teoria dos grafos: uxo fact vel 3) Circuitos el etricos: an alise de sistemas lineares (forma real e complexa) 4) Teoria de controle: sistemas lineares e a lineariza ca o de sistemas n ao lineares O problema de resolver um sistema de equa co es lineares pode ser colocado como segue: dado uma matriz A Rmn e um vetor b Rm1 , encontre x Rn1 tal que Ax = b. A matriz de coecientes e os vetores podem ser expressos como segue: a11 a21 . . . a12 a22 . . . . . . a1n . . . a2n . ... . . . . . amn
A=
am 1 am 2
78
4. Resolu c ao de Sistemas de Equa co es Lineares
onde bj R, j = 1, . . . , m
onde aij R, i = 1, . . . , m, j = 1, . . . , n e b1 b2 b= . . .
bm
Deni c ao 4.1 A Rmn e dita quadrada se m = n Deni c ao 4.2 A Rnn e dita diagonal se A = diag (d1 , d2 , . . . , dn ), ou seja, d1 0 . . . 0 0 d2 . . . 0 A= . . . . . . . . . . . . 0 0 . . . dn
em outras palavras,
Deni c ao 4.3 A matriz A Rnn abaixo e dita matriz triangular inferior se: a11 0 . . . 0 a21 a22 . . . 0 A= . . ... . . . . . . . an1 an2 . . . ann A = [aij ] e aij = 0 para todo aij onde j > i.
Deni c ao 4.4 Se A Rnn , ent ao A possui um determinante det(A) denido como: det(A) = a11 det(M11 ) a12 det(M12 ) + a13 det(M13 ) . . . onde M1k e a matriz obtida de A eliminando-se a linha 1 e a coluna k . O determinante de uma matriz A R11 e a pr opria matriz. Deni c ao 4.5 A Rnn e dita n ao-singular se det(A) = 0. Deni c ao 4.6 Se A Rnn e uma matriz triangular (inferior ou superior) ent ao: det(A) = a11 a22 . . . ann
79
Deni c ao 4.7 Se A Rnn e n ao-singular ent ao existe A1 Rnn tal que AA1 = I , onde I = diag (1, 1, . . . , 1) Deni c ao 4.8 A matriz adjunta de A, denotada por Adj (A), e denida por: C11 (A) Cn1 (A) . . ... . . Adj (A) = . . C1n (A) Cnn (A)
onde Cij (A) e o (i, j )- esimo cofator de A, ou seja, Cij (A) = (1)i+j det(Mij (A)) sendo Mij (A) a matriz obtida ao se remover a linha i e coluna j de A. Teorema 4.1 Dada uma matriz n ao-singular A Rnn , a sua inversa pode ser obtida a partir da matriz adjunta: A1 = 1 Adj (A) det(A)
Teorema 4.2 A invers ao apresenta as seguintes propriedades: i. A inversa de A1 e A, ou seja, (A1 )1 = A. ii. A inversa da transposta e a transposta da inversa: (AT )1 = (A1 )T . iii. (AB )1 = B 1 A1 . iv. det(A1 ) =
1 . det(A)
v. A inversa de uma matriz triangular inferior (superior) e tamb em triangular inferior (superior). Deni c ao 4.9 Seja A Rmn uma matriz dada por a11 a12 . . . a1n a21 a22 . . . a2n A= . . . ... . . . . . . am1 am2 . . . amn ent ao a tranposta de A, denotada por AT a11 a21 a12 a22 AT = . . . . . . a1n a2n
e dada por: . . . am 1 . . . am 2 . ... . . . . . amn
80
Deni c ao 4.10 Se A = AT , ent ao A e dita uma matriz sim etrica. Deni c ao 4.11 Uma matriz A Rnn e dita positiva denida se, e somente T dita positiva semi-denida se xT Ax 0 se, x Ax > 0 para todo x = 0. E para todo x. Deni c ao 4.12 Seja A Rnn uma matriz quadrada. Se Ax = x para C e x Rn , ent ao e um autovalor e x e um autovetor da matriz A. Teorema 4.3 Se A = AT , ent ao todos os autovalores de A s ao n umeros reais. Teorema 4.4 Uma matriz A = AT e positiva denida (semi-denida) se, e somente se, os autovalores de A s ao todos positivos (n ao negativos). Deni c ao 4.13 Dada uma matriz A Rmn , temos que: 1) range(A) = {y Rm : y = Ax, para algum x Rn } e o espa co gerado por A; 2) null(A) = {x Rn : Ax = 0}; e 3) rank (M ) denota o posto da matriz M, i.e., o n umero m aximo de colunas linearmente independentes de M ; Podemos examinar uma matriz A Rmn como uma geradora para a fun ca o linear f : Rn Rm onde f (x) = Ax para x Rn . Assim, o espa co gerado por A, range(A), e o conjunto das imagens da fun ca o f (x). O espa co nulo de A, null(A), e o conjunto dos valores que tem como imagem o vetor nulo. A Figura 4.1 ilustra estes conceitos. Deni c ao 4.14 Seja S um espa co vetorial. O n umero m aximo de vetores linearmente independentes de S e dito dimens ao de S e denotado por dim(S ). Teorema 4.5 Considere o sistema de equa c oes lineares Ax = b onde A Rmn , x Rn , e b Rm . Ent ao o sistema (4.1): tem solu c ao se b range(A) rank (A) = rank ([A|b]); n ao tem solu c ao se b range(A) rank (A) < rank ([A|b]); tem solu c ao u nica se rank (A) = rank ([A|b]) = n; e (4.1)

Rn y = f (x) range(A) f (x0 ) = 0 null(A) x0 y 0 Rm
81
Figura 4.1: Ilustra ca o dos conceitos de espa co gerado e espa co nulo de uma matriz A tem um n umero innito de solu c oes se rank (A) = rank ([A|b]) < n. Teorema 4.6 Para o sistema de equa c oes lineares (4.1), vale dim(range(A)) + dim(null(A)) = n Como exemplo, considere o sistema de equa co es lineares dado por: x 1 1 3 0 1 x2 = . 4 2 4 1 x3
Podemos vericar que rank (A) = 2 (note que rank (A) min{m, n} = 2). Portanto, rank (A) = rank ([A|b]) o que nos leva a concluir que o sistema tem solu ca o. Uma vez que rank (A) < n, o sistema tem innitas solu co es. A partir do Teorema 4.6, podemos vericar tamb em que dim(range(A)) = rank (A) = 2. Portanto, n = 3 dim(null(A)) = n dim(range(A)) = 1 o que prova que o espa co nulo tem elementos n ao nulos. Deni c ao 4.15 Uma norma (vetorial) e uma fun c ao fazendo: a) x Rn , x|| 0e x =0x=0 x + y : Rn R satis-
b) x Rn , R, x = || x c) x, y Rn , x + y
82
Exemplos
Tr es exemplos de normas vetorais frequentemente encontradas s ao: Norma Euclidiana: x Norma da soma: x
1 2
=
n j =1
n j =1
( xj ) 2
| xj |
Norma do m aximo: x
onde assumimos que x Rn .
= max |xj | : j = 1, . . . , n
x2 x 1
=1 x x
2 1
=1 =1 x1
Figura 4.2: Ilustra ca o das normas
1.
Deni c ao 4.16 Uma norma matricial e uma fun c ao tisfazendo as propriedades: a) A Rnn , A 0e A =0A=0 A + B A B b) A Rnn , R, A = || A c) A, B Rnn , A + B d) A, B Rnn , AB
: Rnn R sa-
Deni c ao 4.17 Toda norma vetorial induz uma norma matricial dada por: Ax , = max x x=0 onde A Rmn .
4. Resolu c ao de Sistemas de Equa co es Lineares Vamos denotar gain(x) = A

Ax x
83
, ent ao: max gain(x). x=0
gain(x) e o fator de amplia ca o do operador f (x) = Ax na dire ca o de x. Certamente, o ganho geralmente depende de x. gain(x) pode ser grande para certos x e pode ser pequeno para outros. Se A < 1, ent ao Ax < x para qualquer x Rn . Se A e grande, ent ao existe um x tal que o operador f (x) amplica, ou seja Ax > x . Exemplo Para I e dada por: =
2,
considere a norma matricial, induzida por
. Ent ao
= max x=0
Ix x
= max x=0
x|| x
=1
Exerc cio Calcule, usando a deni ca o de ganho, A sendo A dada por: 0 1 0 A = 0 0 1 . 1 0 0 Respostas: A 1 = 1, A 2 = 1, A = 1. Algumas normas frequentemente utilizadas s ao as seguintes: 1) Norma m aximo das colunas: A
1
= max 1 j
( n
n i=1
|aij |)
2) Norma m aximo das linhas: A
= max 1 i
n j =1
|aij |
84 3) Norma Euclidiana: A Propriedades: a) Ax b) Ax c) Ax

1 2 2
n i=1
n j =1
aij 2
1 2
A A A
1 2
x
1 2
x x
Aritm etica matricial: i) C = A + B = B + A, A, B Rmn e cij = aij + bij ii) C = AB , A Rmk , B Rkn e cij =
k t=1
ait btj
4.2
Erros Computacionais na Solu c ao de Ax = b
Dois tipos de algoritmos para resolver sistemas do tipo Ax = y , onde A Rmn (ou A Cmn )
4.2.1
Tipos de Algoritmos
A) M etodos Diretos Um m etodo e dito direto quando este utiliza um n umero nito de passos. Exemplos: M etodo de Cramer e Gauss Cramer. 1) Cramer: xj =
det(Aj ) det(A)
quando A Rnn
2) Gauss: pivoteamento 3) Decomposi c ao LU: Escrever A = LU , onde L e triangular inferior e U e triangular superior. LU x = b Lz = b e z = U x 4) Decomposi c ao Cholesky: Se A = AT e A > 0 (positiva denida) ent ao T podemos escrever A como produto dos fatores Cholesky, i.e., LL = A para L triangular inferior. 5) M etodo do Gradiente Conjugado (Otimiza c ao)
4. Resolu c ao de Sistemas de Equa co es Lineares B) M etodos Iterativos
85
Os m etodos de Jacobi e Gauss-Seidel consistem de processos iterativos da forma: xk+1 = G(xk )
4.2.2
Tipos de Erros Computacionais nos Algoritmos
A) Algoritmos Diretos Dado o sistema Ax = y , este ser a representado em uma m aquina de ponto utuante F , F = (b, n, e1 , e2 ) 2A2x = 2y 2A e a representa ca o de A em F . Ax = y 2 x e a representa c a o de x 2y e a representa ca o de y
O algoritmo que executa as opera co es em F vai gerar um erro, obtendo uma solu ca o 2x que poder a ser diferente de x. 2 x = 22x e o erro total do m etodo que consiste em: ET OT AL = (Erro de entrada) + (Erro de aritm etica) O erro de aritm etica e dado ao erro de arredondamento: ET OT AL = (x 2x) + (2x 2 x) = EA B) Algoritmos Iterativos
Da mesma forma que os algoritmos diretos, os algoritmos iterativos cometem erros de entrada e de aritm etica. M etodos iterativos tamb em introduzem erros de discretiza ca o, ou seja, trunca-se uma sequ encia innita {xk : k = 0, 1, . . .} por uma sequ encia nita.
4.3
Etapas da Solu c ao de Sistemas Lineares
Abaixo descrevemos os tr es passos b asicos para solu ca o de um sistema de equa co es lineares. 1) Primeira Etapa: Descomplexica c ao =y Transformar um sistema complexo Ax = y em um sistema real Ax equivalente.
86
2) Segunda Etapa: Estrutura c ao Escolher um algoritmo eciente para calcularmos a solu ca o, levando em considera ca o a estrutura de A, seu tamanho, esparsidade e simetria. Uma matriz A Rmn e dita esparsa se o n umero de entradas aij n ao nulas e bem inferior a nm ou, equivalentemente, a vasta maioria dos elementos s ao nulos. 3) Terceira Etapa: C alculo Consiste no c alculo da solu ca o, bem como na estimativa da exatid ao da mesma.
C alculo
=
C alculos Aritm eticos
Estimativa da Exatid ao
Figura 4.3: C alculos envolvidos na solu ca o de sistemas de equa co es lineares.
4.3.1
Primeira Etapa: Descomplexica c ao
= Transformar um sistema complexo Ax = b em um sistema real Ax b equivalente. Ax pode ser escrito como Ax = b (A + jA )(x + jx ) = (b + jb ) A x + jA x + jA x A x = b + jb portanto, o sistema (4.2) pode ser escrito na forma A x A x = b A x + A x = b Exemplo de Aplica c ao: An alise de Circuitos El etricos Para o circuito da Figura 4.4, obtemos atrav es das Leis de Kircho: E (3 4j )Ri1 (2 2j )R(i1 i2 ) = 0 (2 2j )R(i2 i1 ) + (1 + 3j )Ri2 = 0 Onde E e R s ao par ametros, que variam de circuito para circuito. Fazendo: i1 = i2 E x1 e R E x2 = R
(4.2)
(4.3)
4. Resolu c ao de Sistemas de Equa co es Lineares as equa co es do circuito podem ser expressas como: x (2 2j )R(x1 x2 ) E = 0 E (3 4j )R E R 1 R E (2 2j )R(x2 x1 ) E + (1 + 3 j ) x R = 0 2 R R 1 (3 4j )x1 (2 2j )(x1 x2 ) = 0 (2 2j )(x2 x1 ) + (1 + 3j )x2 = 0 (5 6j ) (2 2j ) 2 + 2j 3+j x1 x2 = 1 0
87
Portanto, podemos transformar o sistema acima em um sistema equivalente em vari aveis reais, fazendo: A = b = 1 0 5 2 2 3 0 0 , A = x1 x2 = 6 2 2 1 , x = b b x 1 x 2 ,
, b =
, x = x x
A A A A
Substituindo as matrizes e vetores por seus respectivos valores, obtemos o sistema de equa co es lineares: 5 2 6 2 x1 1 2 3 2 1 x2 0 6 = 0 2 5 2 x 1 2 1 2 3 x 0 2 Exemplo de Aplica c ao: Regime Permanente de Circuitos El etricos Calcular os valores das correntes do circuito dado na Figura 4.5. Inicialmente obtemos a equa ca o diferencial que modela o comportamento din amico do sistema: V (t) = RI + L d V dt V 1 t = d I dt I+ dt C t=0 d d2 1 = R I + L 2I + I dt dt C 1 + RI + I = LI C
88

(3 4j )R (1 + 3j )R
E i1 (2 2j )R
i2
Figura 4.4: Exemplo de circuito el etrico com elementos lineares. An alise de regime permanente nos d a: = V r + V c + V l V + jLI = RI j I V C = (R j + jL)I V C onde V e o fasor voltagem e I e o fasor corrente. Portanto, podemos expressar o problema de encontrar a corrente e voltagem em regime permanente como a solu ca o de um sistema de equa co es lineares com coecientes e vari aveis complexas. Primeiro, vamos obter as matrizes e vetores de constantes abaixo: A = 5 2 2 3 , A = 6 2 2 1 , b = 1 0 , b = 0 0
Segundo, vamos obter os vetores de vari aveis como segue: x = x1 x2 , x = x 1 x 2
Logo, podemos transformar a busca do ponto de opera ca o do sistema el etrico ao problema de resolver o sistema de equa co es lineares com coecientes e vari aveis reais: b x A A = b x A A

R
89
C L
Figura 4.5: Exemplo de circuito el etrico RLC.
4.3.2
Segunda Etapa: Os Algoritmos e Suas Estruturas
Algoritmos Diretos Estes algoritmos s ao compostos de tr es componentes: o calculador, o renador e o estimador. Algoritmo Iterativo S ao tamb em compostos de tr es partes: o preparador, o calculador e o estimador.
4.4
M etodo de Elimina c ao de Gauss
M etodo direto mais conhecido e mais usado para resolu ca o de um sistema denso, de pequeno e m edio porte, sendo um sistema considerado de pequeno porte se cont em at e 30 vari aveis, m edio porte se cont em at e 50 vari aveis, e de grande porte se cont em mais de 50 vari aveis. O m etodo consiste na aplica ca o sucessiva de propriedades b asicas de algebra linear. 1) Combina c oes lineares: adi ca o de uma linha com um m ultiplo de outra linha, para substituir uma das linhas consideradas. 2) Troca de linhas 3) Multiplica c ao de uma linha por uma constante
90
Calculador
Renador
Estimador
N ao
N ao Exatid ao OK? Sim
N umero M aximo de Renamentos? Sim
Solu c ao Com Exatid ao Requerida
Imposs vel Obter Solu c ao
Figura 4.6: Componentes de algoritmos diretos.
91
Preparador
Calculador
Estimador
N ao
N ao Exatid ao OK? Sim
N umero de Intervalos > M aximo? Sim
Solu c ao com Exatid ao Requerida
Diagn ostico
Figura 4.7: Componentes de algoritmos iterativos.
92
Se a matriz B e obtida a partir de uma matriz A por meio de combina co es lineares de linhas, dizemos que A e B s ao equivalentes. Se A e quadrada ent ao det(A) = det(B ). Algoritmo b asico de Gauss apresenta os seguintes passos: 1) Triangulariza c ao: consiste em transformar a matriz A numa matriz triangular superior, mediante perturba co es e combina co es lineares de linhas. 2) Retrossubstitui c ao: consiste no c alculo dos componentes do vetor x, a partir da solu ca o imediata do u ltimo componente de x, e ent ao substitu mos regressivamente nas equa co es anteriores.
4.4.1
Exemplo 1 (M etodo de Gauss)

lineares dado abaixo = 3 = 6 = 16 = 18
A primeira fase consiste da triangulariza ca o de A, cujos passos s ao ilustrados abaixo. 0) Obtendo a matriz aumentada 3 2 0 1 3 9 8 3 4 6 6 4 8 0 16 3 8 3 4 18
o qual pode ser escrito na forma matricial como segue 3 3 2 0 1 9 6 8 3 4 , y= A= 6 16 4 8 0 18 3 8 3 4
Tomemos como exemplo o sistema de equa co es 3x1 + 2x2 + x4 9x1 + 8x2 3x3 + 4x4 6x1 + 4x2 8x3 3x1 8x2 + 3x3 + 4x4
(4.4)
1) Primeiro passo: zerando os elementos abaixo do elemento a11 . 3 2 0 1 3 E 2 9/3E 1 2 3 1 3 0 0 8 8 2 10 E 3 + 6/3E 1 0 10 3 3 15 E 4 3/3E 1
4. Resolu c ao de Sistemas de Equa co es Lineares 2) Segundo passo: zerando os elementos abaixo de a22 3 3 2 0 1 0 2 3 1 3 2 4 2 E 3 8/2E 2 0 0 0 0 12 8 0 E4 + 10/2E2 abaixo de a33 2 0 1 3 2 3 1 3 0 4 2 2 0 0 2 6
93
3) Terceiro passo: zerando os elementos 3 0 0 E4 + 12/4E3 0
Por meio de retrossubstitui ca o, podemos encontrar uma solu ca o para o sistema original (4.4). Considerando a u ltima equa ca o temos que Substituindo na terceira equa ca o, obtemos: 2x4 = 6 x4 = 3
Obtemos, portanto um sistema equivalente a (4.4) na forma triangular: 3x1 + 2x2 + 0x3 + x4 = 3 + 2x2 3x3 + x4 = 3 + 4x3 2x4 = 2 2x4 = 6
Substituindo na segunda equa ca o, obtemos:
+4x3 2(3) = 2 x3 = 2
Substituindo na primeira equa ca o, obtemos:
+2x2 3 2 + 3 = 3 x2 = 0
Portanto, uma solu ca o para (4.4) e: x1 x2 x= x3 = x4 1) A seja n ao singular, det(A) = 0
3x1 + 2(0) + 0(2) + 3 = 3 x1 = 0 0 0 2 3
Teorema 4.7 O m etodo de Gauss produz, em precis ao innita, uma solu c ao exata do sistema Ax = b desde que:
2) As linhas sejam trocadas sempre que necess ario, caso aii = 0
94
4.4.2

sistema de equa co es lineares abaixo: 2x2 4x2 8x2 2x2 + + 3x3 5x3 8x3 6x3 + x4 1x4 + 1x4 + 4x4 = 1 = 0 = 2 = 1
Iniciamos a solu ca o pelo m etodo de Gauss com a triangulariza ca o do sistema (4.5). 0) Obtendo a matriz aumentada: 1 1 2 3 1 2 4 5 1 0 3 8 8 1 2 1 2 6 4 1
Aqui vamos considerar o 1x1 + 2x1 3 x1 + 1x1 +
(4.5)
2) Segundo passo: trocando as linhas 2 e 3 1 2 3 1 1 E3 0 2 1 2 1 E2 0 0 1 1 2 0 4 3 5 0 3) Terceiro passo: zerando os elementos 1 0 0 0 E 4 2E 2 abaixo de a22
1) Primeiro passo: zerando os elementos abaixo de a11 1 2 3 1 1 E 2 + 2E 1 0 0 1 1 2 E 3 3E 1 0 2 1 2 1 0 4 3 5 0 E4 + E1
4) Quarto passo: zerando os elementos 1 0 0 E4 + E3 0
abaixo de a33
1 2 3 1 2 1 2 1 0 1 1 2 0 1 9 2
1 2 3 1 2 1 2 1 0 1 1 2 4 0 0 10
95
Portanto, atrav es de retrossubstitui ca o podemos vericar que a solu ca o de (4.5) e: x4 = 2/5, x3 = 8/5, x2 = 7/10, x1 = 28/5.
4.4.3
Os passos da aplica ca o do m etodo de Gauss na resolu ca o do sistema (4.6) s ao descritos no que segue. 0) Obtendo a matriz aumentada: 3 2 1 2 3 4 1 1 6 2 4 3 3 6 3 1
Como terceiro exemplo, tomemos os sistema de equa co es: 3x1 + 2x2 1x3 + 2x4 = 1 3x1 + 4x2 + 1x3 + 1x4 = 3 6x1 2x2 + 4x3 3x4 = 5 3x1 6x2 3x3 4x4 = 2
(4.6)
1 3 5 2
1) Primeiro passo: zerando os elementos abaixo de a11 3 2 1 2 1 2 2 1 2 E2 E1 0 E 3 + 2E 1 0 2 2 1 7 E4 + E1 0 4 4 1 3 2) Sistema resultante: 3 0 0 0 2 1 2 2 2 1 0 0 2 0 0 1 1 2 5 7
E3 E2 E 4 + 2E 2
A partir das equa co es obtidas no terceiro passo, vericamos que o sistema n ao tem solu ca o, pois 2x4 = 5 x4 = 7
96
Se o lado direto da terceira equa ca o fosse 14, ent ao as duas u ltimas equa co es do sistema reduzido seriam: 2x4 = 14 x4 = 7 Usando este valor x4 = 7 na terceira equa ca o com qualquer valor de x3 , podemos encontrar uma solu ca o para o sistema. Ou seja, o sistema teria um n umero innito de solu co es. Teorema 4.8 Seja A Rnn uma matriz e b Rn1 um vetor, ent ao Ax = b pode ser resolvida pelo algoritmo de Gauss com:
1 (n 1)(n + 1)n O(n3 ) multiplica c oes ou divis oes n2 + 3 1 n(n 1) + 6 (n 1)(2n 1)n O(n3 ) adi c oes ou subtra c oes
4.5
Instabilidade Num erica
O algoritmo de Gauss pode apresentar problemas no que diz respeito ` a exatid ao dos resultados. Tais problemas podem ser mais facilmente apresentados por meio de exemplos.
4.5.1
Exemplo de Instabilidade Num erica

0.117 102 x + 0.648y = 0.649 0.512x 0.92 103 y = 0.511
Considere o sistema abaixo: (4.7)
Vamos resolver o sistema acima em uma m aquina: cujo sistema de ponto utuante e F = F (10, 3, 3, 3). O arredondamento 2x usado ser a para o n umero mais pr oximo. Primeiro, vamos obter a matriz aumentada de (4.7) 0.117 102 0.648 0.649 0.512 0.92 103 0.511
0.512 Para M = 0.117 = 437.6068376 2(437.6068376) = 438, temos 102 que o m etodo que
M 0.648 = 283.824 2(283.824) = 284 M 0.649 = 284.267 2(284.267) = 284 Portanto, 284 0.92 103 = 284.00092 2(284.00092) = 284 284 + 0.511 = 283.489 2(283.489) = 283
97
Ap os aplicarmos o primeiro passo do m etodo de Gauss, zerando os elementos abaixo de a11 , camos ent ao com o sistema: 0.117 102 x + 0.648y = 0.649 3 0.284 10 y = 0.283 103 Portanto, por meio de retrossusbstitui ca o chegamos a solu ca o x = 0.307 101 = 3.07 y = 0.996 Todavia, obtemos a solu ca o abaixo para o caso de invertermos a ordem das equa co es: x=1 y=1 A solu ca o correta e a seguinte: x = 0.999843279 . . . y = 0.99973937 . . . A causa do erro est a no piv o pequeno e multiplicador muito grande, o que causa erro de arredondamento. Esta observa ca o leva ao desenvolvimento do m etodo de Gauss com pivoteamento.
4.6
Algoritmo de Gauss com Pivotamento
Este algoritmo nada mais e do que o algoritmo de Gauss com uma troca sistem atica de linhas de modo a minimizar os erros de arredondamento. Estrat egia: tome como piv o o elemento de maior valor absoluto. Assim a11 = max{|ai1 | : i = 1, . . . , m} ser a o piv o da primeira itera ca o; a22 = max{|ai2 | : i = 2, . . . , m} ser a o piv o da segunda itera ca o e assim por diante. O m etodo a seguir identica se o sistema tem solu ca o u nica. As linhas n ao ser ao trocadas, mas ser a criado um vetor que aponta para a linha a ser utilizada: sub(i) = i, i = 1, . . . , n. Se as linhas 3 e 7 devem ser trocadas, ent ao: sub(3) = 7 e sub(7) = 3. Algoritmo da elimina ca o Gaussiana com pivoteamento segue abaixo. Gauss triangulariza c ao(n, aij , bi : i = 1, . . . , n, j = 1, . . . , n)
1: for i = 1, . . . , n do 2: sub(i) i
98
3: end for 4: for k = 1, . . . , n do 5: max 0 6: for i = k, . . . , n do 7: Vabs |asub(i),k | 8: if max < Vabs then 9: max Vabs 10: indx i 11: end if 12: end for 13: if max = 0 then 14: Sa da matriz singular 15: end if 16: j sub(k ) 17: sub(k ) sub(indx) 18: sub(indx) j 19: pivo asub(k),k 20: for i = k + 1, . . . , n do a (i),k 21: asub(i),k sub pivo 22: for j = k + 1, . . . , n do 23: asub(i),j asub(i),j asub(i),k asub(k),j 24: end for 25: bsub(i) bsub(i) asub(i),k bsub(k) 26: end for 27: end for
Gauss retrossubstitui c ao(n, aij , bi : i = 1, . . . , n, j = 1, . . . , n)

1: xn
bsub(n) asub(n),n
2: for k = n 1, . . . , 1 do 3: xk bsub(k) 4: for i = k + 1, . . . , n do 5: xk xk asub(k),i xi 6: end for 7: xk a xk

sub(k),k
8: end for 9: Sa da xk : k = 1, . . . , n
99
4.7
Condicionamento de uma Matriz
Seja Ax = b um sistema de equa co es lineares. Dadas duas aproxima co es x1 e x2 , qual delas e melhor? Uma alternativa seria o c alculo dos res duos: r1 = b Ax1 r2 = b Ax2
4.7.1
Exemplo 1
considerar o sistema de equa co es lineares + 0.636y + 0.12z = 0.84 + 0.16y + 0.24z = 0.52 + 0.21y + 0.25z = 0.64
Duas aproxima co es para a solu ca o s ao: x1 = [ 25 14 1 ]T x2 = [ 3 4 0 ] T A partir destes valores, calculamos os res duos: r1 = [ 0.00 0.00 0.08 ]T r2 = [ 0.12 0.24 0.25 ]T (4.8)
Vamos primeiramente 0.24x 0.12x 0.15x
A solu ca o exata e x = [ 3 4 1 ], embora r1 < r2 temos que a solu ca o x2 e melhor que x1 . Conclus ao: nem sempre a aproxima ca o de menor res duo e a melhor ou mais exata. Deni c ao 4.18 (Problema mal-condicionado) Um problema e dito malcondicionado se pequenas altera c oes nos dados de entrada ocasionam grandes erros no resultado nal.
4.7.2
Exemplo 2
0.992x 0.873y = 0.119 0.481x 0.421y = 0.060
O sistema de equa co es lineares abaixo (4.9)
100
tem como solu ca o x = 1 e y = 1. Considere o sistema com uma pequena perturba ca o 0.001, que gera uma aproxima ca o do sistema (4.9): 0.992x 0.873y = 0.120 0.481x 0.421y = 0.060 (4.10)
cuja solu ca o e x = 0.815 e y = 0.789. Um erro de aproxima ca o da ordem 1% na entrada gera um erro de aproximadamente 18% na sa da. Mais precisamente: E1 = = = E2 = = = |0.119 0.120| |0.119| 0.008 1% |0.815 1| | 1| 0.185 18%
4.7.3
Exemplo 3
1x + 3y = 11 1.5x + 4.501y = 16.503 ( a) ( b)
Considere os sistemas lineares abaixo: (4.11)
cuja solu ca o exata e x = 2 e y = 3. Tomemos agora uma perturba ca o de (4.11): 1x + 3y = 11 ( a) (4.12) 1.5x + 4.501y = 16.500 ( c) cuja solu ca o e x = 10.28 e y = 0.24. Os sistemas (4.11) e (4.12) podem ser ilustrados geometricamente, como mostra a Figura 4.8.
4.7.4
Vis ao Geom etrica do Condicionamento
As Figuras 4.9, 4.10, e 4.11 ilustram sistemas sem solu ca o, malcondicionados e bem-condicionados, respectivamente.
4.7.5
C alculo do Condicionamento de uma Matriz
Seja o sistema linear Ax = b e uma modica ca o Ax = b . Seja x a solu ca o de (A, b) e x a solu ca o de (A, b ). Qual e a modica ca o da solu ca o como uma
101
y (a) (b) (c) S1
S2 x
Figura 4.8: Ilustra ca o da solu ca o S1 do sistema (4.11) e da solu ca o S2 do sistema (4.12).
(a)
(b)
Sem Solu c ao
Figura 4.9: Sistema sem solu ca o.
102
y (a)
Mal Condicionado
x (b)
Figura 4.10: Sistema mal-condicionado.
(a)
Bem Condicionado (b)
Figura 4.11: Sistema bem-condicionado.
103
fun ca o da modica ca o em b? Esta resposta pode ser dada de forma alg ebrica conforme segue: b b = Ax Ax = A(x x ) (x x ) = A1 (b b ) Tomando a norma de (4.13) temos x x = A1 (b b ) onde e uma norma vetorial. Portanto, pela desigualdade triangular, temos que: x x A1 b b onde A e uma norma matricial induzida por x x x A1 x . Assim,
(4.13)
b b
Uma vez que, b = Ax, deduzimos o seguinte b = Ax Portanto, altera ca o relativa da solu ca o provocada pela perturba ca o de b
xx x
b = Ax b A x A 1 x b
(4.14)
fator de valor relativo da amplica ca o perturba ca o feita no sistema Ax = b
(4.15)
A A1
b b b
Deni c ao 4.19 Dado um sistema Ax = b, seu n umero de condicionamento e dado por (A) = A A1 Portanto, quanto maior o valor de (A), mais sens vel o sistema ser a.
104
4.7.6
Exemplo
x1 + 104 x2 = 104 x1 + x2 = 2
Tomemos como exemplo o sistema de equa co es lineares abaixo: (4.16)
A partir de (4.16) obtemos a matriz A do sistema e sua inversa A1 : A= Uma vez que A
1 104 1 1
A 1 =
1 4 10 1 A1
1 104 1 1
= 104 + 1 e A1
= 1.0002, vericamos que

(A) = A 104
4.7.7
Propriedades da Condicionamento de Matrizes
Algumas propriedades do n umero de condicionamento de uma matriz A s ao: 1) (A) 1, pois 1 = I = AA1 A . A1 = (A)
2) (I ) = 1 3) R, (A) = (A). Demonstra ca o: (A) = A (A)1 1 1 = | | A A | | = A A1 | | = (A)
4) Se D = diag (d1 , d2 , . . . , dn ), ent ao: (D ) = max{|dj | : j = 1 . . . , n} min{|dj | : j = 1 . . . , n}
Uma deni ca o alternativa do n umero de condicionamento de uma matriz A e dada por: : x = 0} max{ Ax x (A) = min{ Ax : x = 0} x
4. Resolu c ao de Sistemas de Equa co es Lineares Observa c ao: D gitos Signicativos
105
Aplicando o logaritmo nos dois lados da desigualdade (4.15), obtemos: log x x x log (A) b b b b b b (4.17)
= log (A) + log
Por meio de aproxima ca o, a desigualdade acima nos leva a: DIGSE (x ) e, portanto, DIGSE (x ) Se (A) = 10j , ent ao j d gitos signicativos poder ao ser perdidos. DIGSE (b ) log (A) log (A) DIGSE (b )
4.8
Renamento da Solu c ao para o M etodo de Gauss
Conforme visto, o c alculo do condicionamento e dif cil e oneroso do ponto de vista computacional. O m etodo de Gauss, mesmo com pivoteamento, n ao produz em geral nenhuma estimativa sobre a exatid ao da resposta. Com a t ecnica dos renamentos podemos obter uma medida da exatid ao da resposta, bem como avaliar se o sistema dado e bem ou mal condicionado.
4.8.1
Descri c ao do M etodo
Os passos do m etodo de renamento s ao dados na seq u encia. Passo 1: obter uma primeira aproxima ca o x1 da solu ca o exata de Ax = b (via Gauss com pivoteamento). Passo 2: Renar a solu ca o obtida a partir de xk , gerando uma aproxima ca o k+1 x e obtendo mediante condi co es de converg encia x = lim xk .
k
4.8.2
Gera c ao de Aproxima c oes

x1 + z 1 = x, onde Ax = b
A partir de x1 , queremos determinar z 1 , tal que:
Portanto, z1 e a diferen ca entre a solu ca o exata x e a solu ca o aproximada x1 .
106
Primeiro Renamento: Determinar z 1 O renamento e dado por: x1 + z 1 = x z 1 = x x1 e multiplicando por A os dois lados da igualdade, temos Az 1 = = = = A(x x1 ) Ax Ax1 b Ax1 r1
Note que z 1 pode ser calculado resolvendo os sistema de equa co es: Az 1 = r1 Note que z 1 pode ser calculado com facilidade. S o precisamos aplicar as opera co es que levaram ` a triangulariza ca o de A ao vetor de res duos r1 . Obtemos ent ao x2 = x1 + 2 z 1 . Segundo Renamento: Determinar z 2 Determinar o segundo renamento, z 2 , consiste em encontrar: z 2 = x x2 Az 2 = A(x x2 ) Az 2 = b Ax2 = r2 Assim, calculamos z 2 e obtemos: x3 = x2 + 2 z 2 Obtemos, portanto, uma sequ encia x1 , x2 , . . . , xk , para a qual veremos uma condi ca o de converg encia. Teorema 4.9 Seja Ax = b um sistema de equa c oes lineares e xk a sequ encia obtida por renamentos. Se: (a) (A) <
1 16(n3 +3n2 )
(b) os res duos rk s ao calculados com precis ao dupla. Ent ao xk converge para a solu c ao exata.
107
CALCULADOR Resolver Ax = b via Gauss em m aquina F (b, n, e1 , e2 )
REFINADOR C alculo de Res duos rk = b Axk F (b, 2n, e 1 , e2 )
ESTIMADOR xk+1 xk + z k onde Az k = rk
Sim N ao
EXATIDAO OK? Sim Imprima Solu c ao
k < limite?
N ao Imposs vel obter solu c ao com exatid ao desejada
Figura 4.12: Algoritmo de renamento.
108
4.8.3
Algoritmo
Para aplicar o m etodo dos renamentos, precisamos resolver o sistema Az k = rk . O algoritmo e descrito na Figura 4.12.
4.8.4
Exemplo
sistema de equa co es lineares abaixo: 4.6231x3 = 0.064700 1.3253x3 = 1.0473 1.4794x3 = 0.6789 (4.18)
em uma m aquina de ponto utuante dada por F = F (10, 5, 98, 100). Os passos do algoritmo s ao descritos no que segue. 1) Triangulariza c ao: Inicialmente, vamos triangularizar a matriz aumentada. A matriz aumentada [A|b] e dada por: 0.0647 2.4579 1.6235 4.6231 1.4725 0.9589 1.3253 1.0473 2.6951 2.8965 1.4794 0.6789 Trocando as linhas 1 e 3, obtemos 2.6951 2.8965 1.4794 0.6789 E3 1.4725 0.9589 1.3253 1.0473 2.4579 1.6235 4.6231 0.0647 E1
Para ns de exemplo, considere o 2.4579x1 + 1.6235x2 + 1.4725x1 + 0.9589x2 2.6951x1 + 2.8965x2
Zerando os elementos abaixo de a11 , obtemos: 2.6951 2.8965 1.4794 0.6789 E2 1.4725/2.6951E1 0 0.6236 0.51702 1.4182 E3 2.4579/2.6951E1 0 1.0374 5.9822 0.68839 E3 E2 2.6951 2.8965 1.4794 0.6789 0 1.0374 5.9822 0.68839 0 0.6236 0.51702 1.4182 2.6951 2.8965 1.4794 0.6789 0 1.0374 5.9822 0.68839 0 0 4.1132 1.0044
E3 E3
0.6236 E 1.0374 2
Logo, temos a matriz A em sua forma triangular superior.
109
2) Retrossubstitui c ao: Fazendo a retrossubstitui ca o, calculamos a solu ca o aproximada para (4.18): x3 = 0.24419 x2 = 2.0717 x1 = 1.8406 Seja x1 = [1.8406 2.0717 0.24419]T a primeira solu ca o aproximada. 2) Renamento: em F (10, 10, 98, 100)
Utilizando aproxima ca o x1 calculamos 0.064821801 Ax1 = 1.047355377 0.678823304
o que nos permite calcular o res duo 0.000121801 0.064821801 0.0648 r1 = bAx1 = 1.0473 1.047355377 = 0.000055377 0.000076696 0.678823304 0.6789 Resolvemos Az 1 = r1 usando as trocas e os multiplicadores j a calculados, obtendo z 1 e arredondando os valores de z 1 para precis ao simples. Temos ent ao: 1 0.000004228 z1 1 = 0.000025110 z 1 = z2 1 0.000057765 z3 Assim, podemos obter a segunda aproxima ca o x2 = x1 + z 1 dada por: 1.8405 x2 = 2.0717 0.24419
4.8.5
An alise do Condicionamento Atrav es do Renamento
Para an alise do comportamento dos sistemas lineares sem o uso do condicionamento de A, podemos detectar o mal condicionamento sem calcular (A) diretamente ou aproximadamente. Se os res duos r1 , r2 , . . . , rk , s ao
110
pequenos, mas as corre co es z 1 , z 2 , . . . , z k , s ao grandes, ent ao o sistema e malcondicionado. Para sistemas bem-condicionados, os renamentos n ao devem ser feitos mais do que duas vezes. A avalia ca o emp rica de sistemas lineares mal-condicionados pode ser feita atrav es de um gr aco, conforme ilustram as Figuras 4.13 (sistema bemcondicionado), 4.14 (sistema mais ou menos mal-condicionado), e 4.15 (sistema mal-condicionado).
p: precis ao da m aquina k : n umero de renamentos p DIGSE (xk )
Figura 4.13: Avalia ca o emp rica de sistema bem-condicionado atrav es do m etodo de renamento.
4.9
Equacionamento Matricial: Elimina c ao Gaussiana de Forma Compacta
Vamos construir matrizes que expressam a elimina ca o Gaussiana em termos matriciais. O equacionamento ser a ilustrado atrav es de um exemplo. Seja Ax = b um sistema de equa co es lineares dado por: 7 10 7 0 2 6 eb= 4 A = 3 6 5 1 5 Fazendo: 1 0 0 M1 = m21 1 0 , m31 0 1
111
Figura 4.14: Avalia ca o emp rica de sistema mais ou menos mal-condicionado atrav es do m etodo de renamento.
Figura 4.15: Avalia ca o emp rica de sistema mal-condicionado atrav es do m etodo de renamento.
112
onde m21 = 0.3 e m31 = 0.5, obteremos: 1 0 0 M1 = 0 . 3 1 0 0. 5 0 1 Portanto, 7 10 7 0 M1 Ax = M1 b 0 0.1 6 x = 6.1 2. 5 0 2. 5 5
Em outras palvras, a pr e-multiplica ca o de Ax = b com a matriz M1 resultou no zeramento dos elementos abaixo de a11 . Repetindo os passos acima para o elemento da coluna 2, abaixo de a22 , executaremos o segundo passo da triangulariza ca o de A. Seja ent ao: 1 0 0 1 0 , M2 = 0 0 m32 1 onde m32 = 25, o que nos leva a: 1 0 0 M2 = 0 1 0 0 25 1
Portanto, o m etodo de Gauss pode ser escrito como: M2 M1 Ax = M2 M1 b
Pr e-multiplicando M1 Ax = M1 b com a matriz M2 , obteremos 10 7 0 7 6 x = 6. 1 M2 (M1 A)x = M2 (M1 )b M2 (M1 A) = 0 0.1 0 0 155 155
onde M2 M1 A = U e uma matriz triangular superior. Em geral, para um n n sistema A R , temos (Mn1 . . . M2 M1 )Ax = (Mn1 . . . M2 M1 )b O que acontece quando temos que trocar linhas, durante o pivoteamento? Seja Pij a matriz obtida ao trocarmos as linhas i e j da matriz identidade I . Ent ao, Pij A troca as linhas i e j da matriz A.
113
Exemplo
Sejam as matrizes 1 0 0 10 7 0 2 6 , e P23 = 0 0 1 A = 3 0 1 0 5 1 5 10 7 0 P23 A = 5 1 5 3 2 6
ent ao P23 A e precisamente
Equacionamento do Matricial do M etodo de Gauss

Portanto, o m etodo de Gauss pode ser expresso como: U = A = = A = = Mn1 Pn1 Mn2 Pn2 . . . M2 P2 M1 P1 A
1 1 1 1 1 1 P1 M1 P2 M2 . . . Pn 1 Mn 1 U LU
T 1 T 1 T 1 P1 M1 P2 M2 . . . Pn 1 Mn 1 U LU
Uma vez que Pj1 = PjT sempre que Pj for uma matriz de permuta ca o de 1 linhas. Note que Mi pode ser facilmente obtida a partir de Mi : a matriz inversa Mi1 e id entica ` a matriz Mi , exceto que o sinal dos elementos abaixo da diagonal principal t em sinais opostos aos elementos correspondentes em Mi .
Exemplo de Pj1 = PjT

0 0 1 0 0 1 1 0 0 0 1 0 0 1 0 = 0 1 0 1 0 0 1 0 0 0 0 1
Exerc cio
1 1 do exemplo. Verique a proe M2 i. Calcule as matrizes inversas M1 1 priedade que relaciona Mi a Mi . Obtenha a representa ca o A = LU .
114
4.10
Decomposi c ao LU
Ax=b (4.19)
Dado um sistema de equa co es lineares, com A n ao-singular,
a decomposi ca o LU busca encontrar tr es matrizes n n de maneira que P A=LU onde: P e uma matriz de pivoteamento (tamb em indicada na literatura como matriz de permuta ca o); L e uma matriz triangular inferior (Lower); e U e uma matriz triangular superior (Upper). Este m etodo busca transformar o problema em dois problemas f aceis de serem resolvidos, que e a resolu ca o de sistemas lineares com matrizes triangulares. De posse das matrizes P LU , o processo de resolu ca o e:
1
(4.20)
Ax = b LU x = b
(4.21)
Ent ao denimos y = U x e pr e-multiplicamos a equa ca o (4.21) por P , obtendo: P P 1 L y = P b Ly = P b
(4.22)
O sistema na equa ca o (4.22) pode ser resolvido por substitui ca o direta, o que nos leva a encontrar y . Assim, possu mos elementos para resolver: U x=y por retrosubstitui ca o. (4.23)
4.10.1
Substitui c ao Direta
Ly =b
Admita o sistema de equa co es lineares:
115
Podemos observar que
onde L e uma matriz diagonal inferior. Usaremos um exemplo com L R33 para exemplicar o processo, onde: b1 y1 l11 0 0 l21 l22 0 y2 = b2 b3 y3 l31 l32 l33 y1 = b1 l11
e obtemos seu valor de imediato. No passo seguinte temos que l21 y1 + l22 y2 = b2 1 (b2 l21 y1 ) y2 = l22 mas y1 j a e conhecido, ent ao pode-se obter o valor de y2 . Desta maneira, y3 e eventuais yn podem ser calculados sucessivamente.
4.10.2
Retrosubstitui c ao
Admita agora o sistema de equa co es lineares: U x=y onde U e uma matriz diagonal com U R33 para apresentar u11 u12 0 u22 0 0 superior. Utilizamos novamente um exemplo o processo, onde: y1 x1 u13 u23 x2 = y2 y3 x3 u33
Da mesma maneira que na se ca o anterior, mas iniciando a partir da u ltima linha de U , temos que: x3 = x2 y3 u33 1 = (y2 u23 x3 ) u22 . . .
116
4.10.3
Obtendo LU sem Permuta c oes
Primeiro consideraremos o problema da obten ca o da fatora ca o sem a matriz de permuta co es. Este caso especial e obtido fazendo P = I (identidade) no caso geral. Admita a seguinte divis ao das matrizes A = L U : a11 A12 A21 A22 = 1 0 L21 L22 u11 U12 0 U22
onde A21 e L21 R(n1)1 s ao matrizes colunas; A12 e U12 R1(n1) s ao matrizes linhas; e A22 , L22 , U22 R(n1)(n1) agrupam o restante das matrizes originais. Do produto obtemos: a11 A12 A21 A22 = u11 U12 u11 L21 L21 U12 + L22 U22
Assim podemos obter a primeira linha de U e a primeira coluna de L, fazendo: u11 = a11 U12 = A12 1 L21 = A21 u11 e ainda obtemos: L22 U22 = A22 L21 U12 = A22 1 A12 A21 a11 (4.25)
(4.24)
que nos permite calcular L22 e U22 fatorando A22 L21 U12 . Assim, chegamos ao seguinte algoritmo recursivo: 1) calcular a primeira linha de U : u11 = a11 e U12 = A12 ; 2) calcular a primeira coluna de L: L12 = ( a1 )A21 ; 11 3) calcular a decomposi ca o das sub-matrizes L22 e U22 : L22 U22 = A22 L21 U12 . Este algoritmo ca da seguinte maneira em pseudo-c odigo: LU-Solve(A) 1: n rows[A] 2: for k 1 to n do 3: ukk akk 4: for i k + 1 to n do

5: lik aik /ukk 6: uki aki 7: end for 8: for i k + 1 to n do 9: for j k + 1 to n do 10: aij aij lik ukj 11: end for 12: end for 13: end for 14: Retorna L e U
117
O algoritmo assume que a matriz U j a possui zeros abaixo de sua diagonal, e que a matriz L possui zeros acima de sua diagonal e 1s nela. Exemplo Calcular a fatora ca o LU de 2 3 1 A = 6 13 5 2 19 10 It k = 1: 2 3 1 1 0 0 2 3 1 6 4 2 = 3 1 0 0 0 0 1 1 2 16 9 2 3 1 2 3 1 1 0 0 6 4 2 = 3 1 0 0 4 2 0 0 1 4 1 2 16 1 2 3 1 1 0 0 2 3 1 6 4 2 = 3 1 0 0 4 2 0 0 1 1 4 1 2 16 1
It k = 2:
It k = 3:
Discuss ao do Algoritmo Podemos observar que o algoritmo modica a matriz A e que os valores contidos nas linhas e colunas k s o s ao utilizados em sua itera ca o, assim e poss vel que as matrizes L e U sejam montadas na pr opria matriz A.
118
4.10.4
Problemas do N ao-Pivoteamento
Um exemplo simples mostra que nem todas as matrizes n ao-singulares podem ser fatoradas por A = LU : A= 0 1 1 1
Se aplicarmos o algoritmo, teremos u11 = 0. Para calcularmos L21 = u1 A21 , 11 teremos uma divis ao por zero. Assim, elementos nulos na posi ca o do piv o devem ser evitados utilizando, por exemplo, uma troca de linhas. De fato, a troca de linhas e bastante comum, procurando que o piv o assuma o elemento de maior norma da coluna restante. Esta heur stica se mostra bastante eciente para manter a estabilidade num erica do algoritmo, salvo em casos raros.
4.10.5
Representando as Matrizes LU em Uma Matriz
Pela sua deni ca o, a matriz U apresenta elementos n ao nulos acima de sua diagonal e nela. A matriz L os possui abaixo de sua diagonal e nela. Uma conseq u encia desta implementa ca o e que os elementos da diagonal principal de L sempre ser ao 1. Assim, podemos representar as duas matrizes em uma s o, pois v arios elementos j a s ao conhecidos de antem ao: u11 u12 u13 . . . l21 u22 u23 l31 l32 u33 . ... . . ln 1 ln 2 ln 3 . . . u1n u2n u3n . . . unn
A =
4.10.6
O Vetor de Pivoteamento
No algoritmo que ser a apresentado a seguir, e utilizado um vetor ao inv es da matriz para representar a permuta ca o entre linhas. Estas nota co es s ao equivalentes. No vetor, o elemento [i] indica qual e a linha da matriz I que deve estar no local de i.
4. Resolu c ao de Sistemas de Equa co es Lineares Exemplo O vetor = (2, 4, 1, 3) e equivalente 0 1 0 0 A= 1 0 0 0 a matriz ` 0 0 0 1 0 0 1 0
119
4.10.7
Decomposi c ao LU com Pivoteamento
A demostra ca o formal do algoritmo com pivoteamento e um pouco mais complicada que do primeiro, e n ao ser a coberta neste material. Foi demonstrado que esta decomposi ca o existe sempre se a matriz A for n ao-singular. Nesta implementa ca o a decomposi ca o ser a executada na pr opria matriz A, obtendo a representa ca o apresentada na se ca o 4.10.5. As permuta co es ser ao representadas pelo vetor . O algoritmo possui quatro etapas distintas: as tr es primeiras linhas s ao a inicializa ca o das vari aveis e vetores; da linha 5 ` a 11 a coluna e varrida a partir de k , na busca do elemento de maior norma; nas tr es linhas seguintes e executada a opera ca o de troca de linhas; por m, nas linhas 15 ` a 18 s ao calculados os novos fatores da matriz. O algoritmo em pseudo-c odigo e: LUP-Solve(A) 1: n rows[A] 2: for i 1 at e n do 3: [ i] i 4: end for 5: for k 1 at e n do 6: p0 7: for i k at e n do 8: if |aik | > p then 9: p |aik | 10: k i 11: end if 12: if p = 0 then 13: Sa da matriz singular 14: Pare 15: end if 16: Troque [k ] [k ] 17: for i 1 at e n do 18: Troque aki ak i
120
19: end for 20: for i k + 1 at e n do 21: aik aik /akk 22: for j k + 1 at e n do 23: aij aij aik akj 24: end for 25: end for 26: end for 27: end for 28: Retorne A e
Exemplo Calcular a fatora ca o LUP da matriz 2 0 2 0, 6 3 3 4 2 A= 5 5 4 2 1 2 3, 4 1

2 0 2 0, 6 1 2 3 3 4 2 3 (5) 5 4 2 1 2 3, 4 1 4 (5) 5 4 2 3 2 0, 6 0 1, 6 3, 2 1 0, 4 2 0, 4 0, 2 0, 2 1 4, 2 0, 6 4 (5) 5 4 2 3 2 3 3 4 2 1 2 0 2 0, 6 1 2 3, 4 1 4
Itera ca o k = 1:
Itera ca o k = 2:
5 5 4 2 3 2 0, 6 0 1 , 6 3 ,2 1 0, 4 (2) 0, 4 0, 2 0, 2 1 4, 2 0, 6 4 5 5 4 2 3 1 0, 4 (2) 0, 4 0, 2 2 0, 6 0 1, 6 3, 2 0, 2 0, 5 4 0, 5 4 5 5 4 2 3 1 0, 4 (2) 0, 4 0, 2 2 0, 6 0 1, 6 3, 2 0, 2 1 4, 2 0, 6 4
4. Resolu c ao de Sistemas de Equa co es Lineares Itera ca o k = 3:

5 5 4 2 3 1 0, 4 2 0, 4 0, 2 2 0, 6 0 1, 6 3, 2 0, 2 0, 5 (4) 0, 5 4 5 5 4 2 3 1 0, 4 2 0, 4 0, 2 4 0, 2 0, 5 (4) 0, 5 0, 6 0 0, 4 3 2 1 0 0 0 1 0 0 2 0 2 0, 6 0 0, 4 3 1 0 3 4 2 0 = 5 4 2 0, 2 0, 5 1 1 5 0, 6 0 0, 4 1 2 3, 4 1 0 5 5 4 2 3 1 0, 4 2 0, 4 0, 2 4 0, 2 0, 5 (4) 0, 5 0, 6 0 1, 6 3, 2 2
121
Assim,
0 1 0 0 0 0 0 1
5 5 4 2 0 0 2 0, 4 0, 2 0 4 0, 5 0 0 0 0 0 0 3 1
4.10.8
M etodo de Crout
decomsistema a14 a24 a34 a44
Aqui apresentamos um algoritmo alternativo para encontrar a posi ca o LU sem pivoteamento. Podemos obter LU resolvendo um de equa co es n ao lineares conforme segue: l11 0 0 0 u11 u12 u13 u14 a11 a12 a13 l21 l22 0 0 0 u22 u23 u24 a21 a22 a23 = l31 l32 l33 0 0 a31 a32 a33 0 u33 u34 l41 l42 l43 l44 0 0 0 u44 a41 a42 a43 L U = A Isto signica que aij = li1 u1j + li2 u2j + . . . + lin unj Alguns exemplos de equa co es: a13 = l11 u13 + l12 u23 + l13 u33 + l14 u43 = l11 u13 a32 = l31 u12 + l32 u22 + l33 u32 + l34 u42 = l31 u12 + l32 u22 a22 = l21 u12 + l22 u22 + l23 u32 + l24 u42 = l21 u12 + l22 u12
122 H a tr es casos: 1) i < j : 2) i = j : 3) i > j :
aij = li1 u1j + li2 u2j + . . . + lii uij aij = li1 u1j + li2 u2j + . . . + lii uij aij = li1 u1j + li2 u2j + . . . + lij ujj
(4.26) (4.27) (4.28)
O sistema de equa co es (4.26), (4.27), e (4.28) possui n2 equa co es e n2 + n vari aveis (a diagonal e representada duas vezes). Uma vez que o n umero de vari aveis e maior que o n umero de inc ognitas, podemos especicar n das inc ognitas arbitrariamente. Ent ao fazemos, lii = 1, i = 1, . . . , n (4.29)
O algoritmo de Crout, que ser a apresentado a seguir, resolve o sistema 2 de N + N equa co es (4.26), (4.27), (4.28), e (4.29) atrav es de uma simples reordena ca o das equa co es. Crout(A) 1: Dena lii = 1, i = 1, . . . , n 2: for j = 1, . . . , n do 3: for i = 1, . . . , j do
4: 5: 6: 7:
Use (4.26), (4.27), e (4.29) para resolver uij : uij = aij end for for i = j + 1, j + 2, . . . , n do Use (4.28) para resolver lij : lij =
1 (aij ujj j 1 k=1
i 1 k=1
lik ukj
lik ukj )
8: end for 9: end for
Exemplo Aqui vamos aplicar o Algoritmo de Crout para encontrar a decomposi ca o LU da matriz 10 7 0 2 6 A = 3 5 1 5 Passos executados pelo algoritmo: 1) u11 = a11 2) l21 =
1 (a21 u11 11 k=1 lik ukj
= a11 = 10
11 k=1
lik ukj ) = 0.3

1 (a31 u11 11 k=1
123
3) l31 =
lik ukj ) = 0.5
4) u12 = a12 5) u22 = a22 6) l32 =
11 k=1
lik ukj = a12 = 7 = a22 l21 u12 = 2 (0.3)(7) = 2 2.1 = 0.1
21 k=1 lik ukj
1 (a32 u22
21 k=1
l3k uk2 ) = 25
7) u13 = a13 8) u23 = a23 9) u33 = a33 Portanto,
11 k=1 21 k=1
lik ukj = a13 = 0 l2k uk3 = a23 l31 u13 = 6 (0.3)(0) = 6
31 k=1
l3k uk3 = a33 l31 u13 l32 u23 = 5(0.5)(0)(25)6 = 155 1 0 0 1 0 L = 0. 3 0.5 25 1 10 7 0 6 U = 0 0. 1 0 0 155
o que nos permite vericar 1 0 1 LU = 0.3 0.5 25
que 0 10 7 0 10 7 0 0 0 0. 1 6 = 3 2 6 1 0 0 155 5 1 5
4.11
Decomposi c ao de Cholesky
Aqui consideramos uma variante da fatora ca o LU aplicada a matrizes sim etricas e positiva denidas. Seja A uma matriz sim etrica e positiva deT nida, ou seja A = A e A 0, ent ao existem uma matriz triangular inferior T L tal que A = LL . Para se calcula a matriz L, inicialmente colocamos a matriz A na forma abaixo: A= a11 AT 21 A21 A22
124
onde a11 e um escalar, A21 e uma matriz linha, A21 e um vetor coluna e A22 e uma submatriz de dimens ao apropriada. Note que o escalar a11 > 0 visto que A 0. Ent ao o fator Cholsky L pode ser colocado em uma forma apropriada L= l11 0 L21 L22
onde l11 e um escalar, L21 e um vetor coluna e L22 e uma matriz de mesma dimens ao de A22 . Logo, A= a11 AT l 0 21 = 11 L21 L22 A21 A22 l11 LT 21 0 LT 22 =
2 l11 l11 LT 21 = LLT T l11 L21 (L21 LT 21 + L22 L22 )
Os passos para obten ca o do fator Cholesky s ao: i. Calcule a primeira coluna de L:

2 l11 = a11 = l11 =
l11 L21 = A21 = L21
a11 1 A21 = l11
ii. Recursivamente compute a fatora ca o de Cholesky da submatriz

T T L21 LT L22 LT 21 + L22 L22 = A22 = 22 = A22 L21 L21 T Sendo o termo L21 LT 21 conhecido, enquanto o L22 L22 desconhecido, podemos expressar a fatora ca o Cholesky da submatriz como segue T L22 LT 22 = A22 L21 L21 1 = A22 A21 AT 21 l11 1 = A22 A21 AT 21 a11
Exemplo
5 3 1 5 0 0 25 15 5 A = 15 18 0 = 3 l22 0 = 0 l22 l32 0 0 l33 1 l32 l33 5 0 11
125
18 0 l 0 = 22 0 11 l32 l33 Portanto, 9 3 l 0 = 22 3 10 l32 l33
l22 l32 3 + [3 1] 0 l33 1
l22 l32 3 0 = 0 l33 1 l33
3 1 0 l33
2 10 = 1 + l33 l33 = 3
o que nos leva ao fator Cholesky 5 0 0 L= 3 3 0 . 1 1 3
4.12
M etodo de Gauss-Jordan
O m etodo de Gauss-Jordan transforma a matriz A do sistema Ax = b em uma matriz diagonal. 1a Etapa: transformar Ax = b em U x = b, onde U e uma matriz triangular superior. 2a Etapa: transformar o sistema U x = b em um sistema Dx = b onde D e uma matriz diagonal.
Observa c ao: a primeira e segunda etapas podem ser realizadas simultaneamente. A k - esima equa ca o ser a usada para zerar os coecientes das equa co es 1 , 2 , . . . , k 1 , k + 1 , . . . , n.
Exemplo
Abaixo seguem os passos envolvidos na primeira etapa do m etodo de Gauss-Jordan. Vamos considerar a matriz aumentada [A|b] de um sistema
126
de equa co es lineares Ax = b. 1 1 3 4 1 2 8 6 2 0 3 5 15 5 0 1 0 0 1 0 0
Com base no sistema equivalente obtido na primeira etapa, podemos deduzir que a solu ca o para Ax = b e dada por: x1 = 35, x2 = 4, x3 = 6
0 7 7 4 2 2 0 1 6 0 0 35 2 0 8 0 1 6
3 4 1 2 2 4 4 3 2
Podemos utilizar o m etodo de Gauss-Jordan para obter a inversa da matriz. 1 3 4 8 16 A = 2 3 5 15 Para isto, tomamos a matriz aumentada [A|I ] e aplicamos os mesmos passos da primeira etapa, conforme indicado abaixo: 1 0 0 1 3 4 1 3 4 1 0 0 2 8 16 0 1 0 0 2 2 2 1 0 3 5 15 0 0 1 0 4 3 3 0 1 3 1 0 7 4 0 2 1 0 1 1 0 1 2 0 0 1 7 2 1 7 1 0 0 45 25 2 3 1 0 1 0 6 2 7 2 1 0 0 1 A1 45 25 7 2 1 = 6 3 2 7 2 1
Logo,
Os passos executados acima podem ser descritos de outra forma A1 [A|I ] [A1 A|A1 I ] [ I | A 1 ]
127
4.13
M etodo de Gauss-Jordan
O m etodo de Gauss-Jordan transforma a matriz A do sistema Ax = b em uma matriz diagonal. 1a Etapa: transformar Ax = b em U x = b, onde U e uma matriz triangular superior. 2a Etapa: transformar o sistema U x = b em um sistema Dx = b onde D e uma matriz diagonal. Observa c ao: a primeira e segunda etapas podem ser realizadas simultaneamente. A k - esima equa ca o ser a usada para zerar os coecientes das equa co es 1 , 2 , . . . , k 1 , k + 1 , . . . , n.
Exemplo
Abaixo seguem os passos envolvidos na primeira etapa do m etodo de Gauss-Jordan. Vamos considerar a matriz aumentada [A|b] de um sistema de equa co es lineares Ax = b. 1 3 4 1 1 3 4 1 2 8 6 2 0 2 2 4 3 5 15 5 0 4 3 2 7 1 0 7 2 4 0 2 0 0 1 6 1 0 0 35 0 8 0 2 0 0 1 6 Com base no sistema equivalente obtido na primeira etapa, podemos deduzir que a solu ca o para Ax = b e dada por: x1 = 35, x2 = 4, x3 = 6 Podemos utilizar o m etodo de Gauss-Jordan para obter a inversa da matriz. 1 3 4 8 16 A = 2 3 5 15
128
Para isto, tomamos a matriz aumentada [A|I ] e aplicamos os mesmos passos da primeira etapa, conforme indicado abaixo: 1 0 0 1 3 4 1 3 4 1 0 0 2 8 16 0 1 0 0 2 2 2 1 0 3 5 15 0 0 1 0 4 3 3 0 1 3 1 0 7 4 0 2 1 0 1 1 0 1 2 0 0 1 7 2 1 7 1 0 0 45 25 2 3 1 0 1 0 6 2 7 2 1 0 0 1 Logo, A1 45 25 7 2 1 = 6 3 2 7 2 1
Os passos executados acima podem ser descritos de outra forma A1 [A|I ] [A1 A|A1 I ] [ I | A 1 ]
4.14
Singular Value Decomposition (SVD)
SVD e uma t ecnica poderosa para tratar de conjuntos de equa co es ou matrizes que s ao singulares ou quase singulares. Em muitos casos SVD n ao apenas faz um diagn ostico do problema, mas tamb em encontra uma solu ca o, no sentido de que SVD encontra uma solu ca o num erica u til. Seja A Rmn uma matriz com m linhas e n colunas, m n, ent ao A pode ser escrita como: A = U V T onde: U Rmn , cujas colunas s ao ortogonais, Rnn e a diagonal cujas entradas s ao n umeros positivos ou zeros (valores singulares) V Rnn , que e ortogonal.
4. Resolu c ao de Sistemas de Equa co es Lineares Em outras palavras 1 0 A=U 0 . . . 0
129
0 0 2 0 0 3 . . . . . . 0 0
... ... ... ...
0 0 0 . . .
0 n
tal que U T U = V T V = diag (1, 1, . . . , 1) Para A Rnn , temos
T V = U diag (1 , . . . , n ) V T
A = U V T , U Rnn , V Rnn e Rnn SVD tamb em pode ser aplicado quando m < n. Neste caso os valores singulares j , j = m + 1, . . . , n, s ao todos nulos e as colunas correspondentes de U s ao nulas. A decomposi ca o SVD pode ser executada sempre, n ao importando qu ao singular a matriz seja e a decomposi ca o e quase- unica. A decomposi ca o SVD e u nica a menos de permuta co es das colunas de U , dos elementos de , e colunas de V (ou linhas de V T )
4.14.1
SVD de uma Matriz Quadrada
Seja A Rnn uma matriz quadrada A = U V T a decomposi ca o SVD correspondente. Se A e n ao-singular, podemos calcular sua inversa A1 = = = = = Note que AA1 = = = = = = (U V T )(U V T )1 (U V T )V 1 U T U (V T V )1 U T U (1 )U T UUT I (U V T )1 (V T )1 U 1 (V T )1 1 U 1 V 1 U T V diag (1/1 , 1/2 , . . . , 1/n )U T
130
A inversa de A n ao pode ser calculada quando j e pr oximo de zero, para algum j , o que indica que a matriz e quase-singular. A condi ca o de A, (A), pode ser calculada a partir da diagonal de conforme segue (A) = max{j : j = 1, . . . , n} min{j : j = 1, . . . , n}
Dizemos que matriz A e singular se (A) = e mal-condicionada de (A) e um n umero grande. Observa c ao: O algoritmo para c alculo de decomposi ca o SVD pode ser encontrado em pacotes num ericos, tais como Matlab, Scilab e Mathematica. O algoritmo de decomposi ca o SVD e intrincado e por esta raz ao n ao ser a apresentado neste texto.
4.14.2
Determinando o Espa co Gerado e o Espa co Nulo
Podemos determinar o espa co gerado (range(A)) e o espa co nulo (null(A)) de uma matriz singular A atrav es da decomposi ca o SVD. Seja o sistema Ax = b, onde A Rnn e uma matriz quadrada. Lembramos que n null(A) = {x R : Ax = 0}, range(A) = {y Rn : y = Ax para algum x}, e dim(range(A)) + dim(null(A)) = n. O que SVD tem a ver com null(A) e range(A)? SVD explicitamente produz bases para null(A) e range(A). As colunas de U cujos wj correspondentes s ao n ao nulos, formam uma base ortonormal de range(A). As colunas de V cujos wj correspondentes s ao nulos formam uma base ortonormal para o espa co nulo.
4.14.3
Exemplo 1
Consideremos o sistema de equa co es lineares Ax = b dado por 1 3 4 2 8 6 x = 3 5 15 1 5 2 1 2 1 3
4. Resolu c ao de Sistemas de Equa co es Lineares A decomposi ca o SVD nos d a A = U V T , onde 0.2594 0.0876 0.7692 0.4840 0.6269 0.1987 U = 0.8050 0.5555 0.2083 0.2245 0.5393 0.5705 19.5468 0 0 0 6.0765 0 = 0 0 0.0292 0.1978 0.0352 0.9796 0.8552 0.1320 V = 0.5012 0.8424 0.5171 0.1515
131
(4.30)
Com base na decomposi ca o SVD acima, podemos vericar que o n umero de condi ca o da matriz A e (A) = 670.2104.
4.14.4
Exemplo 2
A decomposi ca o SVD de B = U V T e dada pelas matrizes:
Aqui ilustramos como a decomposi ca o SVD pode ser empregada para se encontrar o espa co gerado e o espa co nulo de uma matriz. Considere a matriz: 1 3 4 2 2 8 6 6 B= 3 5 15 2 1 2 2 3 0.2707 0.1120 0.0693 0.9536 0.5352 0.7314 0.3316 0.2619 U = 0.7834 0.6011 0.0554 0.1477 0.1627 0.3019 0.9392 0.0134 20.0342 0 0 0 0 6 . 7846 0 0 = 0 0 1.8975 0 0 0 0 0 0.1761 0.0782 0.7934 0.5774 0.4660 0.5580 0.3716 0.5774 V = 0.8172 0.5271 0.2333 0.0000 0.2899 0.6362 0.4218 0.5774
132
Note que B e singular, (B ) = . Com base na decomposi ca o SVD acima, podemos calcular uma base para o espa co nulo de B . 0.5774 0.5774 N ull(B ) = range( 0.0000 ) 0.5774 e tamb em uma base para o espa co gerado por B 0.2707 0.1120 0.0693 0.5352 0.7314 0.3316 ) Range(B ) = Range( 0.7834 0.6011 0.0554 0.1627 0.3019 0.9392
4.14.5
Considera c oes Finais sobre Decomposi c ao SVD
Considere o sistema Ax = b, onde A Rnn , b Rn1 , e x Rn1 . Suponha que A e singular, ou seja, det(A) = 0, e b range(A). Neste caso, existem innitas solu co es x que satisfazem Ax = b. Em particular, seja x tal que Ax = b, ent ao A(x + y ) = b, y null(A). Considere o problema abaixo: P : Minimize x 2 x Rn Sujeito a : Ax = b Em palavras, o problema P se refere a encontrar a solu ca o x para Ax = b 1 1 que tenha a menor norma. Seja 1 = diag ( ), fazendo = 0 sempre que j j 1 T o valor singular wj for nulo. Ent ao x = V diag ( j )U b e a solu ca o otima de P.
4.14.6
Vis ao Geom etrica da Decomposi c ao SVD
Transforma co es lineares apresentam v arias aplica co es. Considere uma n n matriz A R e a transforma ca o linear f (x) = Ax. Note que dois vetores de mesma dire ca o s ao mapeados em vetores de mesma dire c ao pela fun ca o f (x). Como exemplo, considere os vetores x e x = x com R {0}. Ent ao f (x) = Ax e f (x ) = Ax = A(x) = Ax o que nos permite entender a transforma ca o a partir da vis ao geom etrica da transforma ca o de vetores unit arios. Uma transforma ca o linear (n ao-singular) A transforma esferas em
133
elips oides. A Fig. 4.16 ilustra a transforma ca o induzida pela matriz A dada por: A= 1.47 0.98 0.98 1.47
2 v2 v1 0 v1 1 1
(4.31)
1 v2 0
2 2
2 2
Figura 4.16: Transforma ca o de esferas em elips oides. Uma maneira de entender o que A faz e encontrar quais vetores s ao mapeados para os eixos principais do elips oide. Se tivermos sorte, A = U U T com U ortogonal, o que ocorre quando A e sim etrica, ent ao os autovetores de A denem os eixos do elips oide. A decomposi ca o por autovetores de A nos diz quais vetores ortogonais t em comprimento redimensionado (ver Fig. 4.17): 1 2 T (4.32) A = v1 v2 . . . vn v1 v2 . . . vn ... n Avi = i vi (4.33) Note que f (vi ) = Avi = i vi , ou seja, um autovetor vi mat em a dire ca o sofrendo apenas um ajuste no comprimento (e sentido, caso i < 0) conforme o autovalor i . Como exemplo, a decomposi ca o por autovetores da matriz A dada em (4.31) pode ser expressa como segue: A = U U T = 0.7071 0.7071 0.7071 0.7071 0.49 0 0 2.45 0.7071 0.7071 0.7071 0.7071 (4.34)
134
2

2
1 v1
1 v2 v2 0 v1
2 2
2 2
Figura 4.17: sim etrica.
Ilustra ca o da transforma ca o induzida por uma matriz A
Esta transforma ca o e ilustrada na Fig. 4.18. Note que o vetor v1 = [0.7071 0.7071] tamb em mat em dire ca o e sentido, tendo seu comprimento reduzido pela metade conforme fator 1 = 0.49. Por outor lado, o vetor v2 = [0.7071 0.7071] mant em a dire ca o e sentido, mas o comprimento e expandido pelo fator 2 = 2.45.
1 v2 0 v1
1 v1 v2
2 2
2 2
Figura 4.18: sim etrica.
Ilustra ca o da transforma ca o induzida por uma matriz A
Em geral uma matriz A tamb em induz rota co es, n ao apenas altera co es nas escalas como indica a Fig. 4.19. A transforma ca o dada por A pode ser
4. Resolu c ao de Sistemas de Equa co es Lineares melhor entendida atrav es da decomposi ca o SVD: A = U V T 1 2 ... n
T
135
(4.35)
u1 u2 . . .
un
v1 v2 . . .
vn
(4.36)
onde as matrizes U e V s ao ortonormais e i 0 s ao os valores singulares. T Logo, temos que AV = U V V = U . Para um vetor vi a transforma ca o dada por A leva a um vetor Avi = i ui : 1 2 T vi Avi = u1 u2 . . . un v1 v2 . . . vn ... n (4.37) 0 . . . i = i ui . . . 0
u1 u 2 . . .
un
(4.38)
Para qualquer matriz quadrada A Rnn existem matrizes ortogonais U, V Rnn e uma matriz diagonal , tal que os elementos i da diagonal de s ao n ao negativos com A = U V T . Os elementos da diagonal de (1 , . . . , n ) s ao ditos valores singulares e tipicamente se assume que eles est ao ordenados com 1 2 n . As colunas de U (u1 , . . . , un ) s ao chamadas de vetores singulares ` a esquerda e denem os eixos do elips oide (ver Fig. 4.19). As colunas de V (v1 , . . . , vn ) s ao chamadas de vetores singulares a direita e denem os vetores que sujeitos ` ` a transforma c ao levam aos eixos do elips oide, Avi = i ui .
4.14.7
An alise dos Componentes Principais
Considere um experimento com um n umero n de pessoas onde se mede a altura de cada indiv duo em cent metros e polegadas. Neste experimento necess e avaliado o impacto de suplementos nutricionais na altura. E ario manter ambas as medidas de altura? Provavelmente n ao, pois a altura e
136
2

2
1 v2 0 v1
1 1 u1 0 2 u2
2 2
2 2
Figura 4.19: Ilustra ca o da transforma ca o dada por uma matriz A que gera rota co es e mudan cas em escala.
uma caracter stica de uma pessoa independentemente de como ela e medida, seja em cent metros, seja em polegadas. Em uma situa ca o mais complexa, um question ario poderia ser elaborado para avaliar a satisfa ca o de pessoas com suas vidas. Neste question ario h a quest oes sobre os atividades de lazer (item 1) e qu ao freq uentemente dedicam tempo para recrea ca o e lazer (item 2). As chances desses dois itens estarem correlacionados s ao muito altas. Existindo alto grau de correla ca o (medida estat stica de depend encia entre duas vari aveis aleat orias), conclu mos que os itens s ao redudantes. Podemos sumarizar a depend encia entre duas vari aveis atrav es de um gr aco, contendo em uma dimens ao uma das vari aveis e na outra dimens ao, a outra vari avel. Uma reta pode ent ao ser ajustada para representar um relacionamento linear entre as vari aveis, como ilustra a Fig. 4.20. Se pud essemos denir uma vari avel que aproximasse a reta em tal gr aco, ent ao estar amos capturando a ess encia dos dois itens. O question ario aplicado aos sujeitos do experimento acima poderia tomar como base este novo fator, representado pela linha, que captura a ess encia dos itens 1 e 2. De certa maneira, reduzimos as duas vari aveis a um u nico fator. Observe que o novo fator e na verdade uma combina ca o linear das duas vari aveis. O exemplo de combinar duas vari aveis correlacionadas em um u nico fator ilustra a id eia b asica por tr as da an alise de componentes principais. Estendendo o caso de duas vari aveis para o cen ario de m ultiplas vari aveis, ent ao o c omputo dos fatores principais se torna mais complexo, mas o princ pio de modelar duas ou mais vari aveis por um u nico fator permanece. Em linhas gerais, a extra ca o dos componentes principais consiste em uma rota ca o que maximiza vari ancia (variance maximization rotation) aplicada ao espa co nativo das vari aveis. Para o exemplo dado acima, visto na Fig. 4.20, pode-
137
2 y 0 2 4 4 2 0 2 4 x 6 8 10 12
Figura 4.20: Regress ao linear entre duas vari aveis.
mos imaginar uma transla ca o dos pontos de forma que o centro de massa se torne a origem, seguida de uma rota ca o do eixo x em torno da origem que aproxime a reta de regress ao. Este tipo de rota ca o e dita maximizadora de vari ancia pois o crit erio da rota ca o e maximizar a vari ancia (variabilidade) do novo fator, enquanto minimiza a vari ancia em torno da nova vari avel. Este procedimento e ilustrado nas Figs. 4.21 e 4.22. Na presen ca de mais de duas vari aveis, podemos entend e-las como denindo um espa co, da mesma forma que duas vari aveis denem um plano. Quando temos tr es vari aveis, o espa co e tridimensional. Embora a visualiza ca o do espa co n ao seja poss vel, podemos ainda rotacionar os eixos buscando maximizar vari ancia da mesma forma que no caso bidimensional. Ap os identicarmos a linha na qual a vari ancia e m axima, ainda resta alguma vari ancia em torno da linha, como pode ser observado na Fig. 4.20. Na an alise dos componentes principais, ap os extrairmos o primeiro fator, isto e, ap os a primeira reta ter sido tra cada atrav es dos dados, podemos continuar e denir outra reta que maximiza a vari ancia restante e assim sucessivamente. Uma vez que fatores consecutivos s ao denidos atrav es da maximiza ca o da variabilidade que n ao e capturada pelo fator precedente, conclu mos que os fatores s ao independentes um do outro. Em outras palavras, fatores consecutivos n ao s ao correlacionados, ou seja, s ao ortogonais entre si. No exposto acima, utilizamos a t ecnica de an alise dos componentes principais como um m etodo de redu ca o de dados, isto e, um m etodo para reduzir o n umero de vari aveis. Surge portanto a quest ao de quantos fatores devem
138
2 y 0 2 4 4 2 0 2 4 x 6 8 10 12
Figura 4.21: Transla ca o do centr oide para a origem.
` medida que extra ser extra dos. A mos fatores, eles representam cada vez menos a variabilidade observada nos dados. A decis ao de quando parar vai depender de quanto a variabilidade residual pode ser atribu da ao fen omeno aleat orio, a qual n ao pode ser capturada por uma rela ca o determin stica. A natureza desta decis ao e arbitr aria e dependente da aplica ca o. Entretanto, existem linhas gerais e crit erios para apoiar nesta tomada de decis ao. Mas o que a decomposi c ao SVD tem a ver com a an alise dos componentes principais? A decomposi ca o SVD nos permite computar os componentes principais e tamb em uma medida de quanta variabilidade e capturada por cada um dos componentes. Suponha que nos e dado um conjunto {p1 , . . . , pn } de vetores correspondendo aos pontos amostrais, onde pj Rm1 e um vetor coluna. Montamos a matriz X com os pontos amostrais: | | | X = p1 p2 . . . pn | | | Os componentes principais (ou eixos) s ao os autovetores da matriz XX T , que podem ser calculados atrav es de uma fatora ca o por autovalores: 1 T T ... XX = U U m
Note que os autovetores de XX T s ao precisamente as colunas da matriz U .
139
2 y 0 2 4 4 2 0 2 4 x 6 8 10 12
Figura 4.22: Rota ca o do eixo x em torno da origem.
Podemos computar os componentes principais atrav es da fatora ca o SVD de X , fazendo:
X = U V T XX T = U V T (U V T )T = U V T V T U T = U 2 U T
Logo, os vetores singulares esquerdos (as colunas de U ) correspondem aos componentes principais, que s ao ordenados de acordo com os valores singulares de X (i ). Como exemplo, considere o conjunto de pontos do R3 dados na Tab. 4.1. Primeiramente, obtemos a matriz:
2025.4 21.4 1509.4 XX T = 21.4 101.9 491.5 1509.4 491.5 3659.3
140
Realizando a decomposi ca o SVD, produzimos: XX T = U 2 U T 0.5036 0.8500 0.1548 U = 0.0915 0.2307 0.9687 0.8591 0.4736 0.1940 3 4.5965 10 1.1900 103 = 0 Observe que o primeiro componente captura aproximadamente 79.43% da variabilidade, enquanto o segundo componente captura cerca de 20.57% da variabilidade. J a o terceiro componente n ao captura nenhuma variabilidade. Isto est a de acordo com o experimento realizado, para o qual a dimens ao x teve um componente aleat orio com fator 5, enquanto a dimens ao y teve um componente aleat orio com fator 81 . Por outro lado, a dimens ao z n ao teve nenhuma aleatoriedade sendo denida pela express ao z = 0.7x + 5y 1. A Fig. 4.23 ilustra os pontos dados na Tab. 4.1. Note que os pontos variam nas dimens oes x e y de forma arbitr aria, por outro lado, observe que o valor de z e uma fun ca o linear de x e y . Em outras palavras, os pontos dados est ao contidos em um plano.
4.15
M etodos Iterativos
Os m etodos diretos n ao s ao os mais indicados para resolver sistemas esparsos e os sistemas de grande porte. O renamento do algoritmo de Gauss e uma forma de m etodo iterativo. Os algoritmos iterativos partem de uma solu ca o inicial e sistematicamente geram uma sequ encia de iterandos. Dada uma aproxima ca o inicial x0 da solu ca o de Ax = b, o processo iterativo pode ser descrito como: xk+1 = G(xk ), k = 1, 2, . . . , Aqui vamos estudar os m etodos de Jacobi e de Gauss-Seidel.
Os pontos (x, y, z ) foram gerados atrav es das express oes: x = 5 rand() 12.5); y = 8 rand() 4; z = 0.7 x + 5 y 1, onde rand() produz um n umero aleat orio uniformemente distribu do no intervalo (0, 1).
1
141
Tabela 4.1: Conjunto de pontos j xj yj 1 -7.7494 -2.1509 2 -9.4658 -0.1121 3 -8.0435 2.0968 4 -10.2177 -3.8520 5 -8.3930 -0.4424 6 -9.4228 2.3355 7 -7.8909 1.9057 8 -11.6187 -0.7544 9 -7.8227 3.3352 10 -10.4486 3.1492 11 -12.2105 -1.1771 12 -8.4342 -3.9211 13 -11.8055 -2.3779 14 -11.5064 0.8303 15 -11.1391 -2.4095 16 -12.4236 1.9743 17 -10.2745 3.4545 18 -10.1700 -0.6508 19 -8.2689 0.2012 20 -11.4868 1.3771
de um experimento zj -17.1790 -8.1868 3.8534 -27.4122 -9.0869 4.0815 3.0046 -12.9048 10.2003 7.4319 -15.4327 -26.5095 -21.1533 -4.9028 -20.8448 0.1749 9.0804 -11.3730 -5.7821 -2.1552
4.15.1
M etodo de Jacobi
equa co es lineares quadrado, expresso na b1 x1 a1n a2n x2 b2 (4.39) . = . . . . . . . . bn xn ann
Assumindo que ajj = 0 para j = 1, . . . , n, podemos expressar (4.39) na forma: xj = 1 ( b j aj 1 x 1 aj 2 x 2 . . . ajj . . . aj,(j 1) xj 1 aj,(j +1) xj +1 . . . aj,n xn
Seja Ax = b um sistema de forma: a11 a12 . . . a21 a22 . . . . . . . . . . . . an 1 an 2 . . .
(4.40)
para j = 1 , . . . , n, onde s ao conhecidos os valores de x1 , x2 , . . . , xj 1 , xj +1 , . . . , xn a serem utilizados no lado direito da express ao acima.
142
20 10 0 z 10 20 30 4 2 0 2 y 4 13 12 11 x 10 9 8 7
Figura 4.23: Pontos amostrais para an alise de componentes principais.
O M etodo de Jacobi consiste no processo iterativo dado por

+1 xk = j
1 k b j aj 1 x k 1 aj 2 x 2 . . . ajj k k aj,(j 1) xk (4.41) j 1 aj,(j +1) xj +1 . . . aj,n xn , j = 1, . . . , n
Se o sistema Ax = y e n ao singular, sempre ser a poss vel obter ajj = 0 se trocarmos as equa co es adequadamente. Em sistemas esparsos, o m etodo de Jacobi evita multiplica co es desnecess arias, simplicando a express ao acima. Jacobi(x1 , . . . , xn , aij , bj , lim) 1: k 1 2: while k < lim do 3: for j = 1, . . . , n do (bj aj 1 x1 aj 2 x2 . . .aj,(j 1) xj 1 aj,(j +1) xj +1 . . .aj,n xn ) 4: zj = a1 jj 5: end for 6: if Teste de converg encia e satisfeito then 7: Sa da (zj : j = 1, . . . , n) 8: else 9: xj z j , j = 1, . . . , n 10: end if 11: k k+1 12: end while 13: Sa da Algoritmo n ao convergente
4. Resolu c ao de Sistemas de Equa co es Lineares Exemplo do M etodo de Jacobi Vamos tomar como exemplo o 5x1 + x1 + 4x2 + 2x3 x 1
143
sistema de equa co es lineares dado por: 3x4 x5 x5 x4 + 4x4 2x5 x4 + 2x5 = 2 = 3 = 1 = 0 = 1
(4.42)
O processo iterativo acima ao ser aplicado na resolu ca o de (4.42) produz a seq u encia de iterandos dada na Tabela 4.2. Tabela 4.2: iterandos obtidos pelo processo iterativo de Jacobi Itera ca o 1 2 ... 35 36 x1 1 1.20 . . . 0.0869574059 0.086957108 x2 1 1.25 . . . 0.6086962107 0.608696020 x3 1 0.00 . . . -0.6521793252 -0.652173522 x4 1 0.75 . . . -0.3043470441 -0.304347311 x5 1 0.00 . . . -0.6521733252 -0.652173522
Primeiramente, obtemos o operador iterativo que corresponde ` as equa co es: k+1 1 k x1 = 5 (2 + 3xk 4 + x5 ) +1 1 k (3 + xk = 4 xk 2 1 + x5 ) k+1 1 (4.43) ( 1 + xk x3 = 2 4) k +1 1 k k x = ( x + 2 x ) 4 1 5 4 k k ( 1 + x x5 +1 = 1 4) 2
4.15.2
M etodo de Gauss-Seidel
+1 No m etodo anterior observamos que, quando xk e calculado, na reali2 k+1 dade j a possu mos o valor x1 que e mais pr oximo da solu ca o do que xk 1. Isto sugere o m etodo Gauss-Seidel, que corresponde ao processo iterativo modicado: 1 +1 +1 +1 +1 xk = ( b j aj 1 x k aj 2 x k . . . aj,(j 1) xk 1 2 j j 1 aii k aj,(j +1) xk j = 1, . . . , n (4.44) j +1 aj,n xn ),
Gauss Seidel(x1 , . . . , xn , aij , bj , lim)
144
5: end for 6: if Teste de converg encia e satisfeito then 7: Sa da (zj : j = 1, . . . , n) 8: else 9: xj z j , j = 1, . . . , n 10: end if 11: k k+1 12: end while 13: Sa da Algoritmo n ao convergente
1: k 1 2: while k < lim do 3: for j = 1, . . . , n do 4: zj = a1 (bj aj 1 z1 aj 2 z2 . . . aj,(j 1) zj 1 aj,(j +1) xj +1 . . .aj,n xn )

jj
Observa c ao: se o teste de converg encia n ao usa os valores xj 1 ent ao o processo iterativo pode ser substitu do por: xj = 1 ( b j aj 1 x 1 aj 2 x 2 . . . ajj aj,(j 1) xj 1 aj,(j +1) xj +1 . . . aj,n xn ), j = 1, . . . , n
Resultados do algoritmo ao ser aplicado ao exemplo anterior, resolu ca o do sistema de equa co es lineares (4.42), e ilustrado na Tabela 4.3. Tabela 4.3: Iterandos obtidos pelo processo iterativo de Gauss-Seidel Itera ca o 1 2 3 ... 18 x1 1 1.200 0.8600 . . . 0.0869585 x2 1 1.300 0.9400 . . . 0.6086963 x3 1 0.000 -0.1000 . . . -0.6521724 x4 1 0.800 0.1650 . . . -0.3043465 x5 1 -0.100 -0.4175 . . . -0.6521732
4.15.3
Vis ao Geom etrica do M etodo Iterativo
Para ns de ilustra ca o, vamos considerar um sistema linear gen erico em duas vari aveis em duas equa co es: ax + by = m cx + dy = n
4. Resolu c ao de Sistemas de Equa co es Lineares portanto, A= a b c d eb= m n
145
Processo iterativo do m etodo de Jacobi e dado por: xk+1 = yk+1 =

1 (m byk ) a 1 (n cxk ) d
enquanto que o processo iterativo do m etodo de Gauss-Seidel toma a forma:

1 xk+1 = a (m byk ) 1 yk+1 = d (n cxk+1 )
As Figuras 4.24 e 4.25 ilustram gracamente o comportamento do processo iterativo Gauss-Seidel para os casos de converg encia e diverg encia, respectivamente.
y (I)
y0
(II)
y1 y2 (x , y ) x2 x1 x0 x
Figura 4.24: Vis ao geom etrica do processo iterativo de Gauss-Seidel, caso convergente.
Algoritmos Preparadores para o Gauss-Seidel/Jacobi: Objetivo de um algoritmo preparador e transformar o sistema Ax = b em uma forma equivalente x = Bx + d, de modo a se obter um esquema iterativo convergente expresso na forma xk+1 = Bxk + d. Dois preparadores s ao o preparador cl assico e o preparador unit ario.
146
(I)
y2 y0 y1 (x , y )
(II)
x1
x0
x2
Figura 4.25: Vis ao geom etrica do processo iterativo de Gauss-Seidel, caso divergente. 1) Preparador Cl assico: (b1 a12 x2 a13 x3 . . . a1n xn ) x1 = a1 11 x2 = a1 (b2 a21 x1 a23 x3 . . . a2n xn ) 22 . . . . . = . 1 xn = ann (bn an1 x1 an2 x2 . . . an,(n1) xn1 ) o qual pode ser escrito de uma forma mais compacta 1 xj = ajj
n
bj
ajk xk
k=1,k=j
, j = 1, . . . , n
2) Preparador Unit ario: x1 = b1 + (1 a11 )x1 a12 x2 . . . a1n xn x2 = b2 a21 x1 + (1 a22 )x2 . . . a2n xn . . . . . = . x = b a x a x . . . + (1 a )x
n n n1 1 n2 2 nn
que tamb em pode ser colocado de forma mais compacta: xj = bj

j 1 k=1 n
ajk xk + (1 ajj )xj
ajk xk , j = 1, . . . , n
k=j +1
147
4.15.4
Condi c oes de Converg encia dos M etodos Iterativos
As condi co es de converg encia est ao relacionadas com os algoritmos preparadores. Vamos inicialmente estudar a condi ca o de converg encia do m etodo de Jacobi para o preparador cl assico. Teorema 4.10 Seja o sistema de equa c oes lineares modicado x = Bx + d. Se B < 1, ent ao o algoritmo de Jacobi converge. Prova: Seja x e uma solu ca o de Ax = b x = Bx + d. Ent ao, xk+1 x = = = < Portanto lim xk x = 0.
k
Bxk + d x Bxk + d (Bx + d) B ( xk x ) B xk x xk x
Corol ario 4.1 Seja o sistema Ax = y . Ent ao, se a matriz A e diagonaln
mente dominante, |aii | > Jacobi e convergente.
j =1,j =i
|aij | para i = 1, . . . , n, ent ao o m etodo de
Note que B
Como exemplo, considere o operador iterativo de Jacobi dado por (4.43). Este operador pode ser escrito na forma x(k+1) = Bx(k) + d, onde: 0 0 0 3/5 1/5 2/5 1/4 0 0 0 1/4 3/4 1 / 2 B = 0 0 0 1/2 0 b= 1/4 0 0 0 2/4 0 0 0 0 1/2 0 1/2
= 0.8, o que implica a converg encia do operador iterativo.
4.16
M etodo do Gradiente Conjugado

Ax = b (4.45)
Aqui, consideramos o problema de resolver o sistema de equa co es lineares:
148
onde A = AT Rnn e uma matriz positiva denida. Existe uma rela ca o entre a solu ca o do sistema Ax = b e o problema de encontrar o m nimo de uma fun ca o quadr atica: 1 min f (x) = xT Ax bT x n x R 2 (4.46)
Uma vez que f e convexa, o ponto m nimo x de (4.46) induz gradiente de f nulo: f (x ) = Ax b = 0 Isto sugere que o sistema linear (4.45) pode ser resolvido atrav es de m etodos iterativos de otimiza ca o baseados em gradiente. A partir de um chute inicial x(0) , tais m etodos geram uma sequ encia {x(k) } que converge para a solu ca o (k ) (k+1) x . Dado o iterando x , o m etodo de descenso produz x fazendo: x(k+1) = x(k) k f (x(k) ) = x (k ) + k p k = x(k) + k (b Ax(k) )
onde pk e a dire ca o de descenso que corresponde ao negativo do gradiente (k ) de f no ponto x . O vetor de res duos rk = b Ax(k) dene a dire ca o de descenso. A escolha do passo k e fundamental para converg encia global do m etodo de descenso. O m etodo do gradiente conjugado consiste de um m etodo de descenso onde as dire co es pk s ao mutuamente conjugadas. Ou seja, qualquer par de dire co es pi e pj da sequ encia {pk } satisfaz a rela ca o: pT i Apj = 0 Duas dire co es pi e pj s ao ditas conjugadas se s ao ortogonais com respeito ao T T produto interno A pi , pj = pi , Apj = pi Apj . Note que um conjunto {pk } com n dire co es mutuamente conjugadas forma n uma base do R . Logo, a solu ca o x para Ax = b pode ser escrita da seguinte forma: x = 1 p 1 + 2 p 2 + + n p n Os coecientes k s ao dados por:
pT k Ax
(4.47)
Ax = 1 Ap1 + 2 Ap2 + + n Apn = = k = pT k 1 Ap1 k pT k Apk + pT k 2 Ap2 + +
(4.48) (4.49) (4.50)
pT k n Apn
pT pT k Ax kb = T T pk Apk pk Apk
149
Portanto, de posse de um conjunto {pk } de n dire co es mutuamente con jugadas, a solu ca o x pode ser facilmente obtida atrav es dos coecientes k calculados com a express ao (4.50) que s ao substitu dos em (4.47). O m etodo do gradiente conjugado produz o conjunto {pk } atrav es dos gradientes obtidos por meio dos res duos rk em um processo iterativo. Seja x(0) o iterando inicial e dena r(0) = b Ax(0) e p0 = f (x(0) ) = r0 . O n 1 conjunto {pk }k e obtido como segue: =0 pk+1 = rk pT k Ark pk , T pk Apk k = 0, . . . , n 2 (4.51)
Portanto, chegamos ao algoritmo do gradiente conjugado (GC) conforme pseudo-c odigo abaixo: Gradiente-Conjugado(A, b, x(0) , , n) 1: r0 b Ax(0) 2: p0 = r0 3: k 0 4: while rk > do r T rk 5: k pTkAp k x(k+1) x(k) + k p(k) rk+1 = rk k Apk r T rk+1 k k+1 Tr rk k pk+1 rk+1 + k pk k k+1 end while
k
6: 7: 8:
9: 10: 11:
O m etodo do gradiente conjugado termina em no m aximo n passsos se erros de arredondamento n ao s ao encontrados. Tipicamente, a solu ca o x(n ) e uma excelente aproxima ca o. O n umero de passos n ao deve exceder subs tancialmente em n passos. E prefer vel interromper o processo iterativo e reinici a-lo a partir da solu ca o aproximada encontrada na primeira etapa. O m etodo do gradiente conjugado pode ser aplicado quando A e uma matriz arbitr aria resolvendo o sistema normal: AT Ax = AT b (4.52)
uma vez que AT A e sim etrica e positiva semi-denida qualquer que seja a matriz A. Sendo um sistema iterativo, n ao e necess ario montar AT A de forma expl cita em mem oria, mas simplesmente executar opera co es matriciais e vetoriais embutidas no operador iterativo. Portanto, o m etodo GC e
150
particularmente eciente quando A e uma matriz esparsa. As seguintes modica co es s ao sucientes para que o algoritmo Gradiente-Conjugado aceite uma matriz A qualquer: p0 = AT r0
T rk AAT rk T pT k A Apk rT AAT rk+1 k = k+1 T AAT rk rk pk+1 = AT rk+1 + k pk
k =
Por em, a desvantagem em montar as equa co es normais (4.52) e que o T 2 n umero de condicionamento (A A) e igual a (A) , assim reduzindo a taxa de converg encia do m etodo GC. Aplicando-se o m etodo do gradiente conjugado ao sistema linear (4.42), obt em-se os iterandos dados na Tabela 4.4. As dire co es conjugadas com respeito ` a matriz AT A s ao dadas na Tabela 4.5. Note p(i) , AT Ap(j ) = 0 para i = j . Tabela 4.4: iterandos produzidos pelo m etodo do gradiente conjugado x(k) \k 0 1 2 3 4 5 (k ) x1 62.9447 71.8333 42.8618 28.8714 30.1741 0.0870 (k ) x2 81.1584 48.8943 24.0198 25.0221 17.7009 0.6087 (k ) x3 -74.6026 -58.5635 -37.5481 19.1819 21.6932 -0.6522 (k ) x4 82.6752 47.7951 48.5802 32.1188 33.4815 -0.3043 (k ) x5 26.4718 52.7845 69.3574 44.9740 37.5150 -0.6522
p(k) \k (k ) p1 (k ) p2 (k ) p3 (k ) p4 (k ) p5
Tabela 4.5: dire co es conjugadas 0 1 2 3 0.2559e+3 -645.4612 -75.3341 16.3974 -0.9289e+3 -554.1837 5.3973 -92.1580 0.4618e+3 468.2044 305.4747 31.6107 -1.0042e+3 17.4912 -88.6395 17.1533 0.7575e+3 369.2289 -131.2972 -93.8918
4 -23.4300 -13.3103 -17.4012 -26.3103 -29.7223
151
4.17
Aplica co es de Sistemas de Equa co es Lineares
Nesta se ca o ilustramos aplica co es de sistemas de equa co es lineares a problemas de interesse.
4.17.1
Interpola c ao com Polin omios
Problema: dados os pontos D = {(t1 , y1 ), . . . , (tn , yn )} construa um polin omio 2 n 1 p ( t ) = x1 + x2 t + x3 t + . . . + xn t que passe pelos pontos dados. Portanto, os dados s ao os pontos {(t1 , y1 ), . . . , (tn , yn )} e as vari aveis s ao {x1 , x2 , . . . , xn }, que correspondem aos coecientes do polin omio. A Figura 4.26 ilustra uma fun ca o desconhecida f (x), para a qual conhecemos o seu valor em alguns pontos e desejamos encontrar uma interpola ca o.
y4
y1 y3 y2
t1
t2
t3
t4
t5
t6
t7
Figura 4.26: Exemplo de dados para interpola ca o com polin omios. Podemos transformar o problema na solu ca o de um sistema de equa co es lineares: p( t 1 ) p( t 2 ) . . . p( t ) n
n 1 = x1 + x2 t 1 + x3 t 2 = y1 1 + . . . + xn t 1 n 1 2 = x2 + x2 t 2 + x3 t 2 + . . . + xn t 2 = y2 . = . . n 1 = xn + x2 t n + x3 t 2 = yn n + . . . + xn t n
(4.53)
152
O sistema (4.53) pode ser colocado na forma matricial:

n 1 1 t1 t2 1 . . . t1 n 1 1 t2 t2 2 . . . t2 . . . . . . . . . . . . . . . 2 n 1 1 tn tn . . . tn
x1 x2 . . . xn
y1 y2 . . . yn
Portanto, a busca do polin omio interpolador p(t) para o conjunto de pontos D, i.e. um polin omio que passe pelos elementos de D, foi reduzida ` a solu ca o de um sistema de equa co es lineares.
4.17.2
Estruturas El asticas Lineares
Considere uma estrutura conforme Figura 4.27, sendo esta formada em geral por n n os (pontos de jun ca o conectados por barras) e um conjunto de for cas externas aplicadas aos pontos dado por f R2n (vetor de for cas externas, vertical e horizontal, aplicadas aos pontos). Nosso problema e determinar os alongamentos/compress oes provocados nas barras pelas cargas, ou seja, queremos determinar o vetor de alongamentos verticais e horizontais s R2n . Para s pequeno, o deslocamento pode ser aproximado por uma fun ca o linear f = As onde A e dita matriz de resist encia a qual depende do material e da geometria. Portanto, o problema de encontrar os alongamentos se reduz a obter a matriz A e resolver o sistema de equa co es f = As, sendo o vetor de for cas externas f (cargas) conhecido.
Carga 1 Carga 2 Carga 3 Carga 4
Figura 4.27: Exemplo de estrutura.
153
4.17.3
Exemplo: n=1
Aqui ilustramos o processo para o caso mais simples, onde o n umero de v ertices e n = 1, conforme a ilustra ca o dada na Figura 4.28.
11 00 00 11
1 L1 F = ( Fx , Fy )
S = (Sx , Sy ) L2
1 0 0 1 0 1
Figura 4.28: Exemplo de estrutura com apenas um v ertice Quando as cargas aplicadas s ao nulas, f = 0, a posi ca o do n o e s = ( sx , sy ) como indicado na gura. Quando uma carga e aplicada, f = 0, a posi ca o do n o e dada por s + s = (sx + sx , sy + sy ). No que segue vamos mostrar que para s pequeno, s e dado por fx fy = a11 a12 a21 a22 sx sy f = As
onde os coecientes aij dependem apenas do material e da geometria da estrutura. Considere agora a Figura 4.29. Assumindo que o n o superior est a localizado na origem, deduzimos que sx = l1 sin 1 sy = l1 cos 1 l1 + l1 = ( sx + sx ) 2 + ( sy + sy ) 2
2 s2 x + sy +
sx sx + sy sy 2 s2 x + sy
A aproxima ca o pode ser obtida atrav es da expans ao de Taylor de primeira 2 2 ordem. Por exemplo, fazendo g (sx , sy ) = sx + sy , sx = sx + sx , e sy =
154 sy + sy , podemos calcular g (sx , sy ) g (sx , sy ) +
g (sx , sy ) g (sx , sy ) ( sx sx ) + ( sy sy ) sx sy g (sx , sy ) g (sx , sy ) sx + sy = g ( sx , sy ) + sx sy 2s y 1 1 2s x 2 = s + sy s2 x x + sy + 2 2 2 s2 2 s2 x + sy x + sy sx sx + sy sy 2 = s2 x + sy + 2 s2 x + sy l1 + l1 = l1 + sin 1 sx cos 1 sy
Portanto, e para, s pequeno, temos que l1 = sin 1 sx cos 1 sy .
11 00 00 11
1 L1
L1 + L1
(Sx , Sy ) + (Sx , Sy ) L2
1 0 0 1 0 1
L2 + L2
Figura 4.29: Exemplo de estrutura com apenas um v ertice e carga n ao nula De maneira similar ao desenvolvimento acima, podemos concluir que l2 = sin 2 sx + cos 2 sy Em nota ca o matricial, o problema ca: l1 l2 = sin 1 cos 1 sin 2 cos 2 sx sy
Vamos agora considerar as for cas necess arias para deformar barras (material el astico), conforme ilustra ca o nas Figuras 4.30 e 4.31. Mais precisamente,
4. Resolu c ao de Sistemas de Equa co es Lineares F1 e F2 s ao for cas internas ` as barras; k1 e k2 s ao constantes que dependem da geometria e do material.
155
11 00 00 11
F1
Figura 4.30: For cas internas ` as barras
1 0 0 1 0 1
F2
Figura 4.31: For cas internas ` as barras O pr oximo passo consiste do c alculo das for cas de equil brio nos n os. As for cas que atuam no n o s ao ilustradas na Figura 4.32. Decompondo as for cas internas as barras, as quais devem equilibrar as for cas externas, obtemos as equa co es: F1 sin 1 + F2 sin 2 = fx F1 cos 1 + F2 cos 2 = fy Sabemos que F1 F2 e fx fy = = k1 0 0 k2 l1 l2 F1 F2 sin 1 cos 1 sin 2 cos 2 sx sy
Portanto fx = fy = A
sin 1 sin 2 cos 1 cos 2 k1 0 0 k2
sin 1 sin 2 cos 1 cos 2 sx sy
156
11 00 00 11
1 F1 Fx F2 (f x , f y )
1 0 0 1 0 1
4.18
Figura 4.32: For cas que atuam no n o
Refer encias
O texto deste cap tulo e uma s ntese do texto de Cl audio and Marins [1]. Em particular, as seguintes se co es s ao resumos de [1] com modica co es e introdu ca o de exemplos: se ca o 4.2 (erros computacionais); se ca o 4.3 (etapas de solu ca o de sistemas lineares); se ca o 4.4 (m etodo de elimina ca o de Gauss); se ca o 4.5 (instabilidade num erica); se ca o 4.6 (m etodo de Gauss com pivoteamento); se ca o 4.7 (condicionamento de matrizes); se ca o 4.8 (renamento de solu ca o por meio do m etodo de Gauss); se ca o 4.9 (equacionamento matricial); se ca o 4.15 (m etodos iterativos). O exemplo de aplica ca o em estruturas el asticas lineares foi retirado das notas de aula da disciplina EE103: Applied Numerical Computing [7]. As se co es sobre decomposi ca o LU e SVD foram inspiradas nos textos de Press et al. [5] e Cormen et al. [2].
157
4.19
Excerc cios
Exerc cio 4.1 Seja a equa ca o polinomial abaixo, chamada equa c ao Diofantina, utilizada na teoria de controle: A(s)D(s) + B (s)N (s) = (s) (4.54)
Nesta equa ca o s ao conhecidos os polin omios N (s) e D(s) e deseja-se determinar A(s) e B (s). Para tanto, considera-se tamb em como conhecido o polin omio caracter stico desejado, (s), o qual deve ter todas as suas ra zes com parte real negativa: Re(si ) < 0. Nos itens seguintes, utilizar-se- a: N ( s) D ( s) (s) A(s) B ( s) sendo d2 = 0. Tarefas: a) Mostre que a solu ca o da equa c ao Diofantina (4.54) pode ser obtida atrav es da solu ca o do sistema de equa co es lineares (4.55), cujas inc ognitas s ao os coecientes dos polin omios A(s) e B (s): d 0 0 n0 0 a0 0 d 1 d 0 n1 n 0 a1 1 (4.55) d 2 d 1 n2 n1 b 0 = 2 0 d 2 0 n2 b1 3 b) Considere N (s) = 1 + s e D(s) = 1 + 2.5s + s2 e (s) = (4 + s)(10 + 6s + s2 ) = 40 + 34s + 10s2 + s3 . Monte o sistema (4.55) correspondente e utilize o m etodo de Gauss com pivoteamento para determinar o sistema triangular que permite determinar os coecientes de A(s) e B (s). (Mostrar a cada passo as trocas de linhas realizadas, o piv o e os os fatores multiplicativos). c) Sejam N (s), D(s) e (s) utilizados no item anterior. Considere A(s) = s e reformule o sistema (4.55) para encontrar os coecientes de B (s) utilizando o m etodo dos m nimos quadrados. D e o polin omio caracter stico que e efetivamente obtido ao se utilizar A(s) dado e B (s) calculado. = = = = = n0 + n1 s + n2 s 2 d 0 + d 1 s + d 2 s2 0 + 1 s + 2 s2 + 3 s3 a0 + a1 s b0 + b1 s
158
d) Considere a matriz denida positiva P = S T S , obtida a partir de: ST = 1 1 0 0 0 1 1 0
Determine a decomposi ca o de Choleski de P . Exerc cio 4.2 O sistema de equa co es lineares a coecientes reais a seguir foi montado para encontrar a solu ca o x C 2 de um sistema de equa co es a coecientes complexos Ax = b, com A C 22 e b C 2 : t1 3 0. 7 1 1 1 1 2 1 0 t2 0 = 1 1 3 0. 7 v 1 0 1 0 1 2 v2 1 Para o sistema a coecientes reais acima: a) Aplique o crit erio das linhas e conclua sobre a converg encia dos m etodos de Jacobi e de Gauss-Siedel. b) Aplique o crit erio de Sassenfeld e conclua sobre a converg encia do m etodo de Gauss-Siedel. c) Fa ca uma itera ca o do m etodo de Gauss-Siedel; considere a aproxima ca o inicial: T T t10 t20 v10 v20 = 0 0 0 0 d) Determine o sistema de equa co es lineares a coecientes complexos correspondente. Exerc cio 4.3 Considere o sistema de equa co es lineares Ax = b e o processo iterativo x = Bx + d correspondendo ao m etodo de Jacobi. Responda as quest oes abaixo. a) Prof. Cl ovis arma que se B < 1 ent ao o m etodo de Jacobi sempre converge, qualquer que seja o ponto inicial x(0). Isto e diferente do m etodo de Newton, cuja converg encia depende do ponto inicial. Voc e concorda com a arma ca o do Prof. Cl ovis? Justique a sua resposta. b) Prof. Cl ovis tamb em arma que se o processo iterativo x(k + 1) = Bx(k ) + d converge para um ponto xo x a partir de um ponto inicial x(0) = x , ent ao o processo iterativo sempre converge para um ponto xo qualquer ponto inicial x . Voc e concorda ou discorda da arma ca o? Justique a sua resposta.
159
Exerc cio 4.4 Seja x a solu ca o do sistema linear Ax = b, onde x Rn , A Rnn e b Rn . Considere o sistema Ay = b +b obtido ao perturbarmos o lado direito do sistema original. Prof. Wilson arma que se conhecermos (A), o n umero de condicionamento da matriz A, ent ao pode-se estabelecer n uma regi ao S R que depende de (A) tal que y S . Se voc e discorda do Prof. Wilson, justique a resposta. Se voc e concorda com o Prof. Wilson, mostre como que se obt em S ? Exerc cio 4.5 Considere o sistema de equa co es lineares Ax = b, onde x Rn , A Rnn e b Rn com n = 2. Ao aplicarmos o preparador cl assico do m etodo de Jacobi, obtemos x = Bx + d. E poss vel que o m etodo de Jacobi venha a se comportar como o m etodo de Gauss-Seidel? Para uma resposta negativa, justique a resposta. Para uma resposta armativa, indique que condi ca o leva ao mesmo comportamento dos m etodos. Exerc cio 4.6 Considere os sistemas abaixo indicados: Ax1 = b1 , Ax2 = b2 , . . . , Axk = bk , onde A Rnn e xj , bj Rn para j = 1, . . . , k . Como que voc e encontraria as solu co es x1 , . . . xk ? O seu m etodo deve ser o mais eciente poss vel. Exerc cio 4.7 Seja Ax = b um sistema de equa co es lineares, onde A Rnn e x, b Rn com n = 2. A Profa. Mirian arma que se det(A) = 0, ent ao qualquer que seja o preparador do m etodo de Gauss-Seidel, o m etodo iterativo n ao converge. Voc e concorda ou discorda da arma ca o? Justique sua resposta. Exerc cio 4.8 Aplique os m etodos de Gauss com pivoteamento, m etodo iterativo de Jacobi, m etodo iterativo de Gauss-Seidel, e decomposi ca o LU para resolver o sistema de equa co es abaixo: (descreva todos os passos executados por cada m etodo) 2x1 3x2 + 12x3 5x4 = 6 5x1 + 10x2 3x3 + 2x4 = 14 x1 + 2x2 5x3 + 12x4 = 10 10x1 + 5x2 + 2x3 + x4 = 18
Exerc cio 4.9 Seja M = max (M T M ) uma norma-matricial para M n n R , onde max (M ) e denido como o maior autovalor da matriz M . Considere as matrizes quadradas abaixo: 1/3 0 0 10 1 5 1/3 0 0 0 1 1 5 6 7 C = 23 1 0 B= A= 0 1 4 8 33 4 3/7 7/8 9
160 Calcule A
,
4. Resolu c ao de Sistemas de Equa co es Lineares B

1
e C .
Prof. Kuhn arma que se o m etodo de Jacobi for obtido a partir do preparador cl assico, ent ao para qualquer ponto inicial x0 R3 o processo iterativo resultante converge para uma solu ca o. Voc e concorda ou discorda da arma ca o do Prof. Kuhn? Justique a sua resposta. Exerc cio 4.11 As quest oes abaixo se referem a um sistema Ax = b onde mn AR . (Justique as respostas.) i. Se m = n, como voc e faria para calcular o condicionamento de A? ii. Prof. Kuhn arma que se n > m, ou seja, se h a mais vari aveis do que equa co es, ent ao o sistema tem uma ou mais solu co es. Voc e concorda ou discorda da arma ca o? iii. Prof. Kuhn arma que se o sistema linear tem mais do que uma solu ca o, ent ao devem existir innitas solu co es. Voc e concorda ou discorda? iv. Prof. Kuhn tamb em arma que se rank (AT ) = n e b range(A) ent ao o sistema tem solu ca o u nica. Voc e concorda ou discorda? Exerc cio 4.12 Estamos interessados em encontrar uma solu ca o para o sisn n tema Ax = b, onde A R . i. Sob quais condi co es o sistema tem um n umero innito de solu co es? ii. Que condi ca o a matriz A Cholesky? 1 1 iii. Para a matriz B = 3 deve satisfazer para se aplicar a fatora ca o 3 7 14 0 2 2
Exerc cio 4.10 Seja o sistema Ax = b dado pelas equa co es abaixo: 1 1 x2 + x = 10.5 3x1 3 4 3 x1 + 2x2 + x4 = 6 2. 1x1 + 2x2 3. 5x3 = 3. 7
0 0 . Obtenha U e calcule a solu ca o 1 2 1 es da do sistema Ax = b para b1 = 0 e b2 = 1 atrav 2 1 decomposi ca o LU.
1 5 7 1 1 tora ca o LU, onde L = 3
, sabemos que ela admite uma fa-
161
Exerc cio 4.13 Modele o sistema de treli cas descrito na Figura 4.33, de forma a obter as matrizes A, B , e C tal que: F1 l1 F1 l1 fx F 2 = B l2 l 2 = A Sx = C F2 . fy Sy F3 l3 F3 l3 Obtenha portanto a matriz M = CBA de maneira que: fx fy =M Sx Sy .
Para uma carga f = [ fx fy ]T = [ 1N 1.5N ]T e constantes k1 = 30N/m, k2 = 28N/m e k3 = 35N/m, obtenha o deslocamento S resolvendo o sistema de equa co es lineares utilizando a fatora ca o LU. (Sugest ao: utilize Octave/Matlab para calcular a decomposi ca o LU de M ).
y ( m) 1 1 1 2 2 l2 F2 2 3 l1 F1 fy F3 fx (Sx , Sy ) l3 3 x ( m)
Figura 4.33: Sistema de treli cas. O desenho n ao est a em escala. (Sx , Sy ) = (2, 2). Exerc cio 4.14 Quest oes de Verdadeiro/Falso. i. Seja p uma norma vetorial denida por p N. Ent ao obrigatorian mente x x p para qualquer x R .
162
ii. Seja A Rnn uma matriz quadrada. Se A tem inversa, ent ao A1 1 . A iii. Seja A Rnn uma matriz quadrada que possui inversa. Suponha que A = U U T tal que (i) U T U = I e U = 1 e (ii) e uma matriz diagonal. Ent ao obrigatoriamente (A) = (). iv. Seja A Rnn uma matriz tal que A = AT e A1 existe. Ent ao, com certeza Ak = A.A . . . A (A multiplicada k vezes) e tal que (Ak ) = (A)k . v. Seja Ax = b um sistema de equa co es lineares onde A Rnn tal que rank (A) = n. Considere o m etodo de Jacobi dado por x(k+1) = D1 [(D A)x(k) + b], onde D e a matriz diagonal de A. Se A < 1 ent ao o m etodo de Jacobi e convergente para a solu ca o. vi. Seja Ax = b um sistema de equa co es lineares onde A Rmn , onde m > n, mas tal que b range(A). Ent ao o m etodo de m nimos quadrados (min Ax b ) pode ser aplicado e encontra uma solu ca o x de erro m nimo, ou seja, Ax b = 0. vii. Seja Ax = b um sistema de equa co es lineares onde A Rmn e tal que n > m (h a mais vari aveis do que equa co es). Ent ao o sistema tem uma ou mais solu co es. viii. Seja Ax = b um sistema de equa co es lineares onde A Rmn . Se rank (AT ) = n e b range(A) ent ao o sistema tem solu ca o u nica. ix. Para x Rn , seja x norma vetorial.
= min{|xj | : j = 1, . . . , n}. Ent ao x
e uma
Exerc cio 4.15 Seja A Rnn uma matriz quadrada. Dados os autovalores 1 , 2 , . . . , n de A, formule o problema de encontrar os autovetores como um problema (ou problemas) que pode ser resolvido numericamente. Como voc e resolveria este problema num erico? Exerc cio 4.16 Seja Ax = b um sistema de equa co es lineares, onde A n n n 1 n 1 R ,bR e x R . Seja a matriz D = diag (a11 , a22 , . . . , ann ) (matriz com a diagonal de A) invers vel, o que nos leva a obter o processo iterativo de Jacobi (cl assico) x(k+1) = D1 [b (A D)x(k) ]. (4.56)
163
O processo iterativo de Jacobi obtido com o preparador unit ario e dado por x(k+1) = b + (I A)x(k) . (4.57)
Professor Kuhn arma que se o processo iterativo de Jacobi (4.56) converge, a partir de um ponto inicial x(0) Rn , ent ao o processo iterativo de Jacobi (0) (4.57) tamb em converge a partir de x .
164
Cap tulo 5 Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados

Neste cap tulo estudaremos o problema de encontrar uma solu ca o para um sistemas de equa co es n ao-lineares, para o qual vamos estender o algoritmo de Newton apresentado em cap tulo anterior. Aplica co es deste problema tamb em ser ao discutidas. No co es b asicas de otimiza c ao, incluindo conceitos de otimalidade e um algoritmo inspirado no m etodo de Newton com retrocesso ser a proposto para resolver problemas de minimiza ca o. Trataremos ainda de problemas de interpola ca o, m nimos quadrados e minimiza ca o de norma. Este dois u ltimos problemas est ao relacionados com os problemas de encontrar uma solu ca o de um sistema de equa co es lineares sem solu ca o (m nimos quadrados) e com innitas solu co es (minimiza ca o de norma).
5.1
Sistemas de Equa co es N ao-Lineares
O problema de encontrar uma solu ca o para um sistema de n equa co es n ao-lineares em n vari aveis e expresso por: f 1 ( x1 , x2 , . . . , xn ) = 0 f 2 ( x1 , x2 , . . . , xn ) = 0 . . . f (x , x , . . . , x ) = 0 n 1 2 n
f ( x) = 0
(5.1)
onde x Rn e f : Rn Rn .
166
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados
5.1.1
Matriz de Derivadas
Para f : Rn Rn diferenci avel, podemos calcular o gradiente de f, denotado por f :

f1 x1 f2 x1 f1 x2 f2 x2
f ( x) = . . .
. . .
... ... . . . ...
f1 xn f2 xn
. . .
(5.2)
fn x1
fn x2
fn xn
O gradiente f e conhecido tamb em por Jacobiano. Exemplo: C alculo do Jacobiano Considere a fun ca o f : R2 R2 denida por: f ( x) = e2x1 +x2 x1 x2 1 x2
O gradiente de f obtido segundo a express ao (5.2) e: f ( x) = 2e2x1 +x2 1 e2x1 +x2 2x1 1
5.1.2
Lineariza c ao
Podemos desenvolver a expans ao de Taylor para uma fun ca o f : Rn Rn , da mesma forma que desenvolvemos para uma fun ca o f : R R. Assumindo que f = [f1 , . . . , fn ]T , vamos primeiramente obter a expans ao de Taylor de primeira ordem para fi em torno de um ponto x : fi (x) fi ( x) + fi fi fi ( x)(x1 x 1 ) + ( x)(x2 x 2 ) + . . . + ( x)(xn x n ) x1 x2 xn n fi = fi ( x) + ( x)(xj x j ) xj j =1 = fi ( x) + fi ( x) T ( x x )
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados 167 Portanto f 1 ( x) f 2 ( x) . . . f n ( x) f1 ( x) f2 ( x) . . . fn ( x) f1 ( x) f2 ( x) . . . fn ( x) x n ) x n ) fn fn fn ( x)(x1 x 1 ) + x2 ( x)(x2 x 2 ) + . . . + xn ( x)(xn x n ) x1 f1 f1 f1 ( x) x2 ( x) . . . xn ( x) ( x1 x 1 ) x1 f2 f2 f2 ( x) x2 ( x) . . . xn ( x) ( x2 x 2 ) x1 . . . . . . fn fn fn ( xn x n ) ( x) x ( x) . . . x ( x) x x 1 ) + x 1 ) + x 2 ) + . . . + x 2 ) + . . . + . . .
1 2 n
f1 ( x)(x1 x1 f2 ( x)(x1 x1
f1 ( x)(x2 x2 f2 ( x)(x2 x2
f1 ( x)(xn xn f2 ( x)(xn xn
De forma mais compacta, f (x) = f ( x) + f ( x)(x x ) = f ( x) + f ( x)x
Exemplo: Expans ao de Taylor Linearizando a fun ca o do exemplo anterior em torno do ponto x = [0 0] obtemos: f ( x) = 1 0 + 1 1 0 1 . x1 x2
5.1.3
Aplica c ao: Circuito Est atico N ao-Linear
Aqui vamos considerar o problema de analisar o comportamento em regime permanente do circuito n ao-linear ilustrado na Figura 5.1. Dois resistores n ao-lineares caracterizados pelas equa co es: i1 = g ( v 1 ) i2 = g ( v 2 ) onde g (v ) e uma fun ca o n ao-linear da tens ao atrav es do resistor.
168

R I1 + E + V1 V2 R I2 +
Figura 5.1: Circuito el etrico com componentes n ao-lineares Desenvolvendo as equa co es associadas ao circuito obtemos: E = R ( i1 + i2 ) + v 1 E = R(i1 + i2 ) + Ri2 + v2 E = Rg (v1 ) + Rg (v2 ) + v1 E = Rg (v1 ) + Rg (v2 ) + Rg (v2 ) + v2
E v1 R E v2 R
= g ( v1 ) + g ( v2 ) = g ( v 1 ) + 2g ( v 2 )
E g (v1 ) + g (v2 ) + v1R = 0 v2 E = 0 g ( v 1 ) + 2g ( v 2 ) + R
Portanto, os valores de tens ao atrav es dos resistores podem ser obtidos resolvendo o sistema de equa co es n ao-lineares acima. Outra maneira de se obter um sistema de equa co es equivalente segue vR1 + v1 = E v R1 = E v 1 vR1 v1 = E iR 1 = R R vR2 + v2 = v1 vR2 = v1 v 2 vR2 v2 iR 2 = R = v1 R v2 i 2 = v1 iR 2 = i2 R v1 v2 g ( v2 ) = R v2 = 0 g ( v 2 ) v1 R iR 1 E v1 R = i1 + i2 = g ( v1 ) +
v1 v2 R
g ( v1 ) +
v1 E R
v1 v2 R
= 0
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados 169 Portanto, o problema se reduz a encontrar uma raiz para o sistema de equa co es abaixo: v2 E + v1 = 0 g (v1 ) + v1R R v1 v2 g ( v2 ) R = 0 Podemos ent ao colocar o sistema (5.3) na forma: f1 ( v1 , v2 ) = g ( v1 ) + f2 ( v1 , v2 ) = g ( v2 ) ou, de forma mais compacta, f (v ) = f1 ( v1 , v2 ) f2 ( v1 , v2 ) =0
v1 E R v1 v2 R
v1 v2 R
= 0 = 0
Vamos agora calcular o Jacobiano de f em torno de um ponto v = ( v1 , v 2 ): f ( v1 , v 2 ) = g ( v1 ) + 2/R 1/R 1/R g ( v2 ) + 1/R
Portanto, a expans ao de Taylor de primeira ordem para f em torno do ponto ( v1 , v 2 ) tem a forma: f (v1 , v2 ) f ( v1 , v 2 ) + f ( v1 , v 2 ). v1 v 1 v2 v 2
Com base na expans ao de Taylor acima, podemos desenvolver o m etodo de Newton para o problema de an alise do circuito n ao-linear. Desejamos que: f ( v1 , v 2 )+f ( v1 , v 2 ). v1 v 1 v2 v 2 =0 v1 v2 = v 1 f 1 ( v1 , v 2 ).f ( v1 , v 2 ) v 2
assumindo que f ( v1 , v 2 ) e invers vel.
5.1.4
Algoritmo de Newton
Newton(f, x(0) , ) 1: k 0 2: while f (x(k) ) > do 3: x(k+1) x(k) f 1 (x(k) ).f (x(k) ) 4: k k+1 5: end while 6: Return x(k)
170
Observe que cada itera ca o requer uma avalia ca o de f (x) (i.e., n fun co es es2 calares) e de f (x) (i.e., n derivadas parciais). Note tamb em que o m etodo de Newton assume que f (xk ) e n ao singular pois, caso contr ario, o m etodo k 1 k k n ao est a denido. Na pr atica, calcula-se x f (x ).f (x ) atrav es da solu ca o de um sistema de equa co es lineares: a) Calcule Jk = f (xk ) e gk = f (xk ) b) Resolva o sistema:
1 xk+1 = xk Jk gk Jk (xk+1 xk ) = gk Jk xk = gk , xk = xk+1 xk
c) Obtenha o pr oximo iterando: xk+1 = xk + xk Exemplo 1 Considere o problema de encontrar uma solu ca o para o sistema de equa co es n ao-lineares abaixo:
2 f1 (x1 , x2 ) = log(x2 1 + 2x2 + 1) 0.5 = 0 f 2 ( x1 , x2 ) = x2 x2 = 0 1 + 0. 2
O sistema possui duas equa co es e duas vari aveis, conforme ilustra ca o na Figura 5.2. As solu co es para o sistema s ao (0.70, 0.29) e (0.70, 0.29). Exemplo 2: Rastreamento com Radares Aqui vamos considerar o cen ario onde dois radares est ao localizados em posi co es conhecidas, (p1 , q1 ) e (p2 , q2 ), os quais podem determinar a dist ancia de suas posi co es at e uma aeronave que est a se deslocando dentro do espa co a ereo. Denotando por 1 e 2 as dist ancias destes radares at e a aeronave, o problema e determinar a localiza ca o (x, y ) da aeronave. O problema e ilustrado na Figura 5.3. Podemos colocar o problema na forma de duas equa co es e duas vari aveis: f1 (x, y ) = f2 (x, y ) = ( p 1 x ) 2 + ( q 1 y ) 2 1 = 0 ( p 2 x ) 2 + ( q 2 y ) 2 2 = 0
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados 171

1 x2 0.8 f2(x)=0 f1(x)=0
0.6
0.4 0
0.2
0 x1 0.2
0.4
0.6
0.8
1 1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
Figura 5.2: Ilustra ca o das curvas de n vel de duas fun c oes n ao lineares Assumindo que (x, y ) = (p1 , q1 ) e (x, y ) = (p2 , q2 ), o Jacobiano de f = (f1 , f2 ) pode ser obtido como segue: xp 1 y q1 f1 /x f1 /y (p x)2 +(q y )2 (p1 x)2 +(q1 y )2 = 1 xp 2 1 f (x, y ) = y q2 f2 /x f2 /y 2 2 2 2
(p2 x) +(q2 y ) (p2 x) +(q2 y )
Fazendo
z=
x y
e f (z ) =
f1 (x, y ) f2 (x, y )
O m etodo de Newton assume a forma: z k+1 = z k f 1 (z k ).f (z k )
5.1.5
Converg encia do M etodo de Newton
Teorema 5.1 Se f (x) e n ao-singular e x0 e sucientemente pr oximo de uma solu c ao x , f (x ) = 0, ent ao existe uma constante > 0 tal que: xk+1 x xk x
2
Em outras palavras, se as condi co es do teorema s ao satisfeitas, o algoritmo de Newton converge com taxa quadr atica. Contudo, na pr atica, n ao sabemos o valor de e n ao sabemos qu ao pr oximo de x o iterando inicial x0 deve estar.
172

Radar 1 ( p1 , q1 ) Radar 2 ( p2 , q2 )
(x, y )
Figura 5.3: Ilustra ca o de dois radares que detectam a dist ancia at e uma aeronave
5.2
Minimiza c ao Irrestrita
Um problema geral com aplica co es diversas e o problema de encontrar um m nimo de uma fun ca o qualquer sem restri co es. Em nota ca o matem atica, o problema toma a forma: Minimize f (x) x Rn onde f : Rn R e uma fun ca o e x Rn e um vetor de vari aveis de decis ao. Deni c ao 5.1 (M nimo Global) x e um otimo global se f (x ) todo x Rn . f (x) para
Deni c ao 5.2 (M nimo Local) x e otimo local se existe > 0, tal que n f (x ) f (x) para todo x R tal que x x . A Figura 5.4 ilustra os conceitos de m nimos locais e globais. Os pontos x1 , x2 , e x4 s ao m nimos locais enquanto que o ponto x3 e um m nimo global. Deni c ao 5.3 (Valor Otimo) O valor otimo (ou m nimo) de f e o maior R tal que f (x) para todo x Rn , neste caso = min f (x). Se x e uma solu c ao otima, ent ao f (x ) = min f (x). Se f (x) n ao tem limite inferior, ent ao dizemos que min f (x) = .

y
f (x)
x1
x2
x3
x4
Figura 5.4: Ilustra ca o de m nimos locais e globais de uma fun ca o f ( x)
5.2.1
Exemplos
Os exemplos de fun co es abaixo ilustram os conceitos de valor otimo e solu ca o otima. 1) f (x) = (x 1)2 tem valor otimo obtido com x = 1. 2) f (x) = nita.
1 x2 +1
tem valor otimo 0, mas n ao e atingido por nenhuma solu ca o
3) f (x) = x n ao tem valor otimo, min f (x) = .
5.2.2
Condi c oes de Otimalidade para Problemas com uma Vari avel
Seja f (x) uma fun ca o de uma vari avel, f : R R, para a qual desejamos encontrar um m nimo. Vamos assumir que f e duas vezes diferenci avel. Proposi c ao 5.1 (Condi c ao necess aria) Se x e um otimo local, ent ao f ( x ) = 0 e f ( x ) 0. Prova: Primeiro, vamos mostrar que f (x ) = 0. Suponha que existe m nimo local x tal que f (x ) = 0. Pela expans ao de Taylor de primeira ordem, temos que: f (x) = f (x ) + f (x )(x x )
174
para |x x | sucientemente pequeno. Dena x = f (x ) + x com > 0 sucientemente pequeno para que a expans ao seja v alida. Ent ao: f (x) = f (x ) + f (x )(f (x ) + x x ) = f ( x ) f ( x ) 2 < f ( x ) [pois f (x ) = 0 e > 0] Isto nos leva a concluir que x n ao e m nimo local, contradizendo a hip otese. Conclu mos que se x e m nimo local ent ao obrigatoriamente f (x ) = 0. Segundo, vamos mostrar que f (x ) 0. Suponha que x e m nimo local e que f (x ) < 0. Pela expans ao de Taylor de segunda orgem, temos que: 1 f (x) = f (x ) + f (x )(x x ) + f (x )(x x )2 2 1 2 = f (x ) + f (x )(x x ) [pois f (x ) = 0] 2 para |x x | sucientemente pequeno. Dena x = + x com | | > 0 sucientemente pequeno para garantir a validade da expans ao de Taylor. Ent ao: 1 f (x) = f (x ) + f (x )(x x )2 2 1 = f (x ) + f (x )( + x x )2 2 1 = f (x ) + f (x ) 2 2 < f ( x ) [pois f (x ) < 0 e 2 > 0] implicando em existir x na vizinhan ca de x com objetivo estritamente menor. Mas isto signica que x n ao pode ser um m nimo local, contradizendo a hip otese. Portanto, se x e um m nimo local ent ao obrigatoriamente f (x ) 0. . Proposi c ao 5.2 (Condi c ao suciente) Se x satisfaz f (x ) = 0 e f (x ) > 0, ent ao x e um otimo local. Prova: Seja x um ponto que satisfaz as condi co es f (x ) = 0 e f (x ) > 0. Seja x = + x um ponto na vizinhan ca de x com = 0. Com | |
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados 175 sucientemente pequeno, pela expans ao de Taylor de segunda ordem, vale: 1 f (x) = f (x ) + f (x )(x x ) + f (x )(x x )2 2 1 = f (x ) + f (x )( + x x )2 2 1 2 = f (x ) + f (x ) 2 > f ( x ) [pois f (x ) > 0 e 2 > 0] Logo, existe uma vizinhan ca N (x ) em torno de x tal que f (x ) < f (x) para todo x N (x )\{x }, satisfazendo as condi co es de otimalidade local. Deni c ao 5.4 (Fun c ao convexa) Uma fun c ao f : R R e convexa se para todo x, y R e [0, 1] valer: f (x + (1 )y ) f (x) + (1 )f (y )
Proposi c ao 5.3 Se f e convexa, ent ao todo o m nimo local e tamb em um m nimo global. Prova: Seja x um m nimo local e suponha, por absurdo, que x n ao seja um m nimo global. Seja x um m nimo global e considere o segmento de reta que une os pontos x e x , ou seja, x = x + (1 )x onde (0, 1]. Por convexidade de f , temos que: f ( x) f ( x) + (1 )f (x ) < f (x ) + (1 )f (x ) = f ( x )
[Pois f ( x) < f (x )]
Qualquer vizinhan ca N de x cont em um peda co do segmento de reta acima denido e, portanto, sempre existir a um x em N que satisfa ca a desigualdade f (x) < f (x ). Conclui-se que x n ao e um otimo local, contradizendo a hip otese. Proposi c ao 5.4 Uma fun c ao diferenci avel f e convexa se e somente se f (z ) f (x) + f (x)(z x) para todo x, z R.
176
Prova: (Necessidade) Suponha que f e convexa. Uma vez que f e diferenci avel, vale:
0
lim
f (x + (z x)) f (x) = f (x)(z x)
(5.3)
Sendo f convexa, temos que: f (x + (z x)) f (x + (z x)) f (x) f (x + (z x)) f (x) f (z ) + (1 )f (x), (f (z ) f (x)), f ( z ) f ( x) , [0, 1] [0, 1] [0, 1] (5.4)
Fazendo 0 em (5.4) e usando (5.3), deduzimos que: f ( z ) f ( x) f (x + (z x)) f (x) 0 = f (x)(z x) f (z ) f (x) + f (x)(z x) lim
(Suci encia) Suponha que f (z ) f (x) + f (x)(z x) para todo x, z R. Seja z = x +(1 )y para x, y R e [0, 1]. A partir desta desigualdade, deduzimos: f ( x) f (y ) f (z ) + f (z )(x z ) f (z ) + f (z )(y z )
Multiplicando a primeira por , multiplicando a segunda por (1 ) e somando os resultados, obtemos: f (x) + (1 )f (y ) f (z ) + ((x z ) + (1 )(y z ))f (z ) = f (z ) + (x + (1 )y z (1 )z )f (z ) = f (z ) + (z z )f (z ) = f (z ) = f (x + (1 )y )
demonstrando que f e convexa. A Proposi ca o 5.4 e ilustrada na Fig. 5.5. Para qualquer ponto x, note que a reta y (z ) = f (x) + f (x)(z x) dene um limite inferior para f (z ), ou seja, y (z ) f (z ). Proposi c ao 5.5 Seja f uma fun c ao duas vezes continuamente diferenci avel. Se f (x) 0 para todo x, ent ao f e convexa.
f (z )
f (x) + f (x)(z x) f (x)
Figura 5.5: Ilustra ca o de fun ca o convexa: f (z ) todo x, z R.
f (x) + f (x)(z x) para
Prova: A partir da expans ao de Taylor de segunda ordem, para quaisquer x e z tem-se: 1 f (z ) = f (x) + f (x)(z x) + f (x + (z x))(z x)2 2 para alguma [0, 1]. Uma vez que f (y ) 0 para todo y , deduzimos que: f (z ) f (x) + f (x)(z x) Logo, segue da Proposi ca o 5.4 que f e convexa.
Exemplos de Fun c oes Convexas

1) f (x) = ax2 + bx + c com a > 0, pois f (x) = 2ax + b e f (x) = 2a. b e um otimo local u nico. Portanto, f (x) > 0 para todo o lugar. x = 2a 2) Para f (x) = log(ex + ex ) temos que f ( x) = f (x) =
ex e x ex + e x 4 (ex + e x )2
Portanto, f (x) > 0 para todo x e x = 0 e um otimo global. 3) Para f (x) = x4 , temos f ( x) = 4x3 f (x) = 12x2 Logo f (x) 0 em todo o lugar e x = 0 e um otimo global u nico.
178
4) Para f (x) = x3 , podemos vericar que f (x) = 6x. Embora f (0) = 0 e f (0) = 0, x = 0 n ao e um otimo local.
5.3
Minimiza c ao de Fun co es Vari avel: M etodo de Newton

Minimize f (x) xR
de
uma
Considere o problema de minimiza ca o irrestrita em uma vari avel
onde f : R R. Podemos realizar a busca por um ponto x que satisfaz as condi co es de otimalidade de primeira ordem aplicando o m etodo de Newton na equa ca o f (x) = 0. Neste caso, o algoritmo de Newton consistir a dos passos dados abaixo. Newton-Minimize(f, x(0) , ) 1: k 0 2: while |f (x(k) )| > do f (x ( k ) ) 3: x(k+1) x(k) f (x(k) ) 4: k k+1 5: end while 6: return x(k) Alguns problemas podem surgir na aplica ca o da estrat egia acima: o m etodo converge somente se iniciarmos com um ponto x0 pr oximo da solu ca o x , onde f (x ) = 0; e pode convergir para um ponto de m aximo ou de inex ao.
5.3.1
Interpreta c ao de uma Itera c ao
Considere a lineariza ca o f (x ) em torno do ponto x, conforme desenvolvimento abaixo: Fazendo flin (x ) = 0 teremos f (x ) flin (x ) = f (x) + f (x)(x x)
flin (x ) = 0 f (x) + f (x)(x x) = 0 f ( x) x = x f ( x)

f (x)
flin x x
Figura 5.6: Vis ao geom etrica do m etodo de Newton aplicado ao problema f ( x) = 0
5.3.2
Uma Segunda Interpreta c ao
Tomemos a aproxima ca o quadr atica f (x ) de f (x): 1 f (x ) h(x ) = f (x) + f (x)(x x) + f (x)(x x)2 2 Fa ca x+ o m nimo de h(x ), ou seja, h (x ) = 0 f (x) + f (x)(x x) = 0 f ( x) x = x f ( x)
Exemplo
Tomando como exemplo a fun ca o f (x) = log (ex + ex ), calculamos as derivadas de primeira e segunda ordem: e x e x f ( x) = x e + e x 4 f (x) = x ( e + e x ) 2
As fun co es f (x) e f (x) podem ser observadas na Figura 5.7.
180

3.5 1
0.8 3 0.6
0.4 2.5 0.2
0.2 1.5 0.4
0.6 1 0.8
0.5 4
1 4
Figura 5.7: Ilustra ca o gr aca das fun co es f (x) e f (x)
5.4
M etodo de Newton com Retrocesso (Backtracking) para Fun co es Convexas
Convex-Backtracking-Minimize(f, x(0) , , )
1: k 0 2: while |f (x(k) )| > do 3:
4: 5: 6: 7: 8: 9: 10:
f (x k ) vk f (x ) k while f (xk + vk ) > f (xk ) + f (xk )vk do vk v2k end while xk+1 xk + vk k k+1 end while return x(k)
O par ametro (0, 0.5) e > 0. O la co mais interno e dito backtracking: decres ca o passo vk at e que f (xk + vk ) f (xk ) + f (xk )vk A Figura 5.8 ilustra o funcionamento do m etodo. O passo vk que induz o pr oximo iterando xk+1 = xk + vk s o e aceito se o decr escimo induzido na fun ca o e maior do que o previsto pela reta f (xk ) + f (xk )vk . Note que
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados 181 para vk sucientemente pequeno, a condi ca o imposta e satisfeita. Portanto, o m etodo come ca com o passo de Newton vk = f (xk )/f (xk ) e reduz o passo at e que vk vmax .
f (x) f (x + v )
f (x) + f (x)v vmax f (x) + f (x)v v
Figura 5.8: Interpreta ca o geom etrica do m etodo de Newton para minimiza ca o de fun co es convexas
5.4.1
Converg encia do M etodo de Newton com Retrocesso
Teorema 5.2 Se f (x) > 0 em todo o lugar e f tem um ponto o timo global x , ent ao o m etodo de Newton com backtracking converge globalmente para x com taxa de converg encia quadr atica.
5.5
Algoritmo de Newton para Minimiza c ao de Fun co es N ao Convexas
f (x ) Seja x+ = x f ca o de segunda ordem (x) o minimizador da aproxima 1 2 f2 (y ) = f (x) + f (x)(y x) + 2 f (x)(y x) da fun ca o f (x) em torno do ponto x. Para o exemplo ilustrado na Figura 5.9, a solu ca o x+ e pior do que a solu ca o corrente x. Na verdade, a aplica ca o pura do m etodo vair convergir para um ponto de m aximo. Uma maneira de contornar este problema consiste em seguir a l ogica abaixo:
Se f (x) descenso)
0, fa ca x+ = x f (x) (tome o passo dado pelo m etodo de
182

f (x ) f (x)
Se f (x) > 0, fa ca x + = x
(aceita o passo de Newton)
A estrat egia esbo cada acima pode ser sintetizada no algoritmo abaixo. Nonconvex-Backtracking-Minimize(f, x(0) , , )
1: k 0 2: while |f (x(k) )| > do 3: if f (xk ) > 0 then 4: vk f (xk k) 5: else 6: v k f ( xk ) 7: end if 8: while f (xk + vk ) > f (xk ) + f (xk )vk do 9: vk v2k 10: end while 11: xk+1 xk + vk 12: k k+1 13: end while 14: return x(k)
f (x )
Observa co es: a) os iterandos satisfazem f (xk+1 ) < f (xk ) b) o algoritmo converge para um m nimo local c) pr oximo do m nimo local x , se f (x ) > 0, o algoritmo toma passos de Newton que garante converg encia quadr atica local.
5.6
M nimos Quadrados e Ajuste de Curvas
Consideremos inicialmente um sistema com mais equa co es do que vari aveis: a11 x1 + a12 x2 + . . . + a1n xn = b1 a21 x1 + a22 x2 + . . . + a2n xn = b2 a31 x1 + a32 x2 + . . . + a3n xn = b3 . . . a x + a x + ... + a x = b m1 1 m2 2 mn n m
f (x)
x+
f2 ( y )
Figura 5.9: Problemas do m etodo de Newton aplicado ` a minimiza ca o de fun co es n ao convexas. o qual pode ser colocado na forma mais compacta como: Ax = b onde A Rmn , x Rn1 , e b Rm1 . Vamos assumir que n ao existe solu ca o x tal que Ax = b.
5.6.1
Solu c ao por M nimos Quadrados
O problema e encontrar uma solu ca o aproximada de Ax = b, formalmente, queremos minimizar o erro que pode ser colocado em nota ca o matem atica como segue: P : Minimize Ax b x Rn onde r = Ax b e chamado de res duo. A solu ca o x para P com menor erro residual r = Ax b e chamada de solu ca o de m nimos quadrados. O problema P pode ser colocado em uma forma equivalente P : P : Minimize x Rn Ax b
2
= (Ax b)T (Ax b) =
m i=1
2 ( aT i x bi )
onde aT e a i- esima linha de A. i
184
Exemplo
Considere o problema de encontrar uma solu ca o para um sistema de tr es equa co es a duas vari aveis: = 1 2x1 x1 + x2 = 0 (5.5) 2x2 = 1 A solu ca o por m nimos quadrados para (5.5) pode ser colocada na forma abaixo: Minimize f = (2x1 1)2 + (x2 x1 )2 + (2x2 + 1)2 x1 , x2 Para encontrar a solu ca o o tima, as derivadas parciais de f devem ser nulas, ou seja, o gradiente f de f deve ser nulo. Portanto: f ( x) = 0 f = 10x1 2x2 4 = 0 x1 f = 2x1 + 10x2 + 4 = 0 x2 1 1 e x2 = 3 3
Logo, a solu ca o e: x1 =
5.6.2
Ajuste de Curvas
O problema geral de ajuste de curvas pode ser colocado como segue. Ajuste a curva dada pela fun ca o: g ( t ) = x1 g 1 ( t ) + x2 g 2 ( t ) + . . . + xn g n ( t ) aos dados (t1 , y1 ), . . . , (tm , ym ), ou seja, gostar amos que: g (t1 ) g (t2 ) . . . g (tm ) = y1 = y2 . = . . = ym
onde gi (t) : R R, i = 1, . . . , n, s ao fun co es quaisquer mas conhecidas; tais fun co es s ao ditas bases. Note que:
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados 185 a) as vari aveis do problema s ao x1 , x2 , . . . , xn ; e b) tipicamente m n. Algumas aplica co es de ajuste de curvas s ao: a) suaviza ca o de dados; b) desenvolvimento de modelos para dados amostrais; e c) extrapola ca o.
5.6.3
Ajuste de Curvas: Um Problema de M nimos Quadrados
Podemos colocar o problema de ajuste de curvas como um problema de m nimos quadrados, o qual assume a forma:
m
Minimize f = =
i=1 m
( g ( t i ) yi ) 2 [ x1 g 1 ( t i ) + x2 g 2 ( t i ) + . . . + x n g n ( t i ) yi ] 2
i=1
que, por sua vez, pode ser expresso de forma matricial: Minimize x Rn onde g1 (t1 ) g1 (t2 ) . . . Ax b
2
A=
g2 (t1 ) . . . gn (t1 ) g2 (t2 ) . . . gn (t2 ) . . . . . . . . . g1 (tm ) g2 (tm ) . . . gn (tm )
e b =
y1 y2 . . . ym
5.6.4
Exemplo: Ajuste de Polin omios
O problema consiste em ajustar o polin omio g (t) = x1 + x2 t + x3 t2 + . . . + xn tn1 aos dados (t1 , y1 ), . . . , (tm , ym ), onde m n, sendo que desejamos que g ( t 1 ) = y1 g ( t 2 ) = y2 . . . . = . . g ( t m ) = ym
186
Em forma matricial, desejamos resolver o problema: Minimize x Rn onde 1 t1 t2 1 1 t2 t2 2 1 t3 t2 3 . . . . . . . . . 1 tm t2 m Ax b

2
Se m = n e o sistema tiver solu ca o u nica, pode-se utilizar um m etodo de solu ca o de equa co es lineares.
A=
n 1 . . . t1 n 1 . . . t2 n 1 . . . t3 . . . . . . n 1 . . . tm
e b =
y1 y2 y3 . . . ym
5.6.5
Exemplo: Ajuste de Curva
Aqui desejamos encontrar um polin omio que melhor aproxima a fun ca o 1 f (t) = 1+25t2 no intervalo [1, 1]. N ao sabemos de antem ao quantos pontos dever ao ser utilizados para realizar a aproxima ca o, ou seja, n ao sabemos o valor de m. Al em disso, n ao sabemos qual grau deve ser adotado para o polin omio, portanto vamos ter que realizar alguns experimentos num ericos e tra car gr acos que nos ajudem a identicar os valores mais adequados para m (n umero de pontos amostrais) e n (sendo n 1 o grau do polin omio interpolador). A Figura 5.10 ilustra a aproxima ca o de f (t) obtida ao ajustarmos p(t) = 2 n 1 x1 + x2 t + x3 t + . . . + xn t a um conjunto de m = 5 pontos sendo o grau do polin omio n 1 = 4 (n = 5). A Figura 5.11 ilustra a aproxima ca o de f (t) com um polin omio de grau n 1 = 14 (n = 15) ao conjunto de m = 17 pontos. A Figura 5.12 ilustra a aproxima ca o de f (t) com um polin omio de grau n 1 = 4 (n = 5) a um conjunto de m = 65 pontos. Por m, a Figura 5.13 mostra gracamente a aproxima ca o de f (t) obtida com um polin omio p(t) de grau n 1 = 14 (n = 15) a um conjunto de m = 65 pontos.
5.6.6
Identica c ao de Sistemas
O problema de identica ca o de sistema trata da busca de modelos de sistemas que n ao conhecemos seus elementos e conex oes. Temos apenas valores de entrada e seus respectivos valores de sa da. Para o sistema ilustrado na Figura 5.14, por exemplo, podemos realizar um conjunto de experimentos
1.2 y 1
0.8 g(t) 0.6 f(t) 0.4
0.2
0 x 0.2
0.4 1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
Figura 5.10: n = 5 e m = 5
1.4 y 1.2
0.8 f(t) 0.6
g(t)
0.4
0.2 x 0
0.2 1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
Figura 5.11: n = 15 e m = 17
188
1.2 y 1
0.8
0.6
f(t)
g(t) 0.4
0.2 x 0
0.2 1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
Figura 5.12: n = 5 e m = 65
1 y 0.9
0.8
0.7 g(t) 0.6 f(t) 0.5
0.4
0.3 x
0.2
0.1
0 1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
Figura 5.13: n = 15 e m = 65
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados 189 que consistem em injetar valores u(t), t = 0, . . . , N , e observar as respectivas sa das temporais y (t), t = 0, . . . , N .
u ( t)
SISTEMA
y ( t)
Figura 5.14: Exemplo de sistema caixa-preta Considere o exemplo de entradas e sa das de um sistema qualquer conforme Figura 5.15. Um modelo simples e amplamente utilizado para modelagem de sistema e dado por: y (t) = h0 u(t) + h1 u(t 1) + h2 u(t 2) + + hn u(t n) (5.6)
Este modelo e conhecido por moving average com n atrasos. Assim y (t) e o valor de predi ca o de y (t) produzido pelo modelo para a entrada corrente, u(t), e as n entradas anteriores, u(t 1), u(t 2), . . . , u(t n). Portanto, a predi ca o e uma combina ca o linear da entrada corrente e das n entradas anteriores, sendo h0 , h1 , . . . , hn os par ametros que denem a combina ca o linear das entradas.
3 2 1 0 1 2 3 0 10 20 30 40 50 60 70 t 3 y(t) 2 1 0 1 2 3 0 10 20 30 40 50 60 70 t 80 80 u(t)
Figura 5.15: Exemplo de entradas e sa das de um sistema
190
5.6.7
Estima c ao por Meio de M nimos Quadrados
Aqui vamos considerar o problema de encontrar um modelo (i.e., par ametros h0 , . . . , hn ) tal que o erro de predi ca o seja minimizado:
t =N
Minimize h0 , . . . , hn
E=
t =n
( y (t) y (t))2
1 2
(5.7)
onde: y (t) = h0 u(t) + h1 u(t 1) + h2 u(t 2) + . . . + hn u(t n). Note que o erro E pode ser expresso na forma matricial, fazendo:
t =N
1 2
E =
t =n
( y (t) y (t))2
Ax b u( n ) u(n 1) u(n 2) u(n + 1) u( n ) u(n 1) u(n + 2) u(n + 1) u( n ) . . . . . . . . . u( N ) u(N 1) u(N 2) yn h0 yn+1 h1 x = h2 e b = yn+2 . . . . . . yN hn ... ... ... . . . u(0) u(1) u(2) . . .
A =
. . . u( N n )
Logo, o problema (5.7) pode ser colocado como um problema de m nimos quadrados: Minimize Ax b 2 x Rn+1
5.6.8
Identica c ao do Sistema Motor Taco-Gerador
O motor taco-gerador e um sensor de velocidade largamente utilizado na ind ustria. Ele consiste em um gerador de tens ao ligado a um motor por uma correia ou engrenagem como indica a Fig. 5.16. Conforme varia a velocidade angular do motor varia a tens ao gerada pelo taco-gerador. Em motores el etricos, a velocidade angular do motor depende da tens ao aplicada sobre ele. Desta forma, pode-se estabelecer uma rela ca o causal entre a entrada de
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados 191 tens ao u aplicada ao motor e a tens ao de sa da y mostrada pelo taco-gerador (fun ca o da velocidade angular do motor).
Figura 5.16: Motor taco-gerador. A rela ca o entre a tens ao de entrada u e a tens ao de sa da y pode ser obtida de duas formas diferentes: Modelagem F sico-Matem atica: baseada nas leis da f sica e da matem atica que caracterizam o sistema. No caso do motor taco-gerador, aplicando as Leis de Newton, chegar amos ` a seguinte equa ca o diferencial: J L onde: J e o momento de in ercia do motor; d2 y (t) dy (t) Ka + ( J R + B L ) + ( B R + K K ) y ( t ) = u( t ) a b dt2 dt Kc
Ka e a constante de proporcionalidade entre a corrente na armadura e o torque no motor; Kb e a constante de proporcionalidade entre a velocidade angular e a for ca contra-eletromotriz do motor el etrico; Kc e a constante de proporcionalidade entre a velocidade angular do gerador e a tens ao y ; B e o atrito do motor el etrico; L e a indut ancia da armadura do motor el etrico;
R e a resist encia da armadura do motor el etrico
192
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados A modelagem f sico-matem atica de sistemas ser a objeto de estudo no Cap tulo 7 que trata da s ntese e solu ca o num erica de equa co es diferenciais.
Modelagem Experimental ou Identica c ao de Sistemas: onde a partir da entrada e da sa da do sistema estima-se um modelo matem atico similar ao modelo real. Na Fig. 5.17 s ao dadas as curvas da entrada u(t) e da sa da y (t) obtidas atrav es de um ensaio em laborat orio.
Tensao de Entrada: u(t)
10
10
20
50
100
150 Tempo (t)
200
250
300
6 Tensao de Saida: y(t) 4 2 0 2 4 6 0 50 100 150 Tempo (t) 200 250 300
Figura 5.17: Motor taco-gerador. O modelo de predi ca o y (t) est a ilustrado nas Figs. 5.18 e 5.19 para n = 3 e n = 10, respectivamente. Como pode ser observado nestas guras, o modelo de predi ca o n ao e satisfat orio como indicam as normas dos vetores de erro, e = y (t) y (t), que apresentam o valor e = 118.5214 para o caso n = 3 e e = 107.4303 para o caso n = 10. O modelo de predi ca o pode ser aprimorado utilizando-se a equa ca o alternativa a seguir: y (t) = h0 u(t) + h1 u(t 1) + h2 u(t 2) + + hn u(t n)+ + w1 y (t 1) + w2 y (t 2) + + wn y (t n) (5.8)
6 4 2 py(t) 0 2 4 6 0 50 100 150 Tempo 200 250 300
6 4 y(t) py(t) 2 0 2 4 6 0 50 100 150 Tempo 200 250 300
Figura 5.18: Modelo de predi ca o y (t) obtido com a equa ca o (5.6) e n = 3. O vetor de erros e = y (t) y (t) tem norma e = 118.5214.
194
6 4 2 py(t) 0 2 4 6 0 50 100 150 Tempo 200 250 300
6 4 y(t) py(t) 2 0 2 4 6 0 50 100 150 Tempo 200 250 300
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados 195 que leva em considera ca o as sa das passadas al em das entradas passadas. Os resultados obtidos com a equa ca o de predi ca o alternativa (5.8) est ao ilustrados nas Figs. 5.20 e 5.21. Podemos observar uma qualidade satisfat oria do modelo alternativo.
6 4 2 py(t) 0 2 4 6 0 50 100 150 Tempo 200 250 300
0.2
y(t) py(t)
0.1
0.1
50
100
150 Tempo
200
250
300
5.6.9
Resolu c ao de Problemas de M nimos Quadrados
Nesta se ca o vamos desenvolver uma f ormula com a solu ca o expl cita do problema de m nimos quadrados. Primeiramente, vamos lembrar que o problema tem a forma: Minimize Ax b 2 x Rn Seja A = [a1 , a2 , . . . , an ] onde aj Rm1 e o vetor correspondente a j - esima coluna de A. Ent ao a dist ancia Ax b e a dist ancia do vetor b ao vetor a1 x 1 + a2 x 2 + . . . + a n x n
196
6 4 2 py(t) 0 2 4 6 0 50 100 150 Tempo 200 250 300
0.1 0.05 y(t) py(t) 0 0.05 0.1
50
100
150 Tempo
200
250
300
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados 197 Logo o problema e encontrar uma combina ca o das colunas de A que seja mais pr oxima de b. A combina ca o Ax que minimiza o erro e precisamente a projeta ca o de b no espa co gerado pelas colunas de A (range(A) = {Ax : x Rn }). Abaixo ilustramos este aspecto geom etrico do problema. Exemplo Considere o problema de m nimos quadrados onde: 1 1 1 eb= 4 A= 1 2 2 0 0
Gracamente, as colunas de A, o vetor b e a solu ca o xLS do problema de m nimos quadrados s ao ilustrados na Figura 5.22.
x3 a2 b AxLS AxLS b x2
a1
x1
Figura 5.22: Ilustra ca o geom etrica do problema de m nimos quadrados
Solu c ao do Problema de M nimos Quadrados Para o problema de m nimos quadrados dado na Se ca o 5.6.9, se rank (A) = n, ent ao a solu ca o eu nica e dada por: xLS = (AT A)1 AT b Em outras palavras, se x = xLS ent ao Ax b 2 > AxLS b 2 . Note que assumimos que A Rmn com m n. Note que podemos encontrar a solu ca o xLS resolvendo o sistema de equa co es lineares em n vari aveis e n equa co es dado por: AT Ax = AT b
198
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados Primeiro, vamos mostrar que AT A e n ao-singular. AT Ax = 0 xT AT Ax = 0 Ax 2 = 0 Ax = 0 x = 0 pois A tem posto completo
Portanto, a u nica solu ca o para AT Ax = 0 e x = 0 que implica que AT A n ao e singular. Segundo, vamos mostrar que se x = xLS tem-se Ax b 2 > AxLS b 2 . Ax b
2
= = = >
A ortogonalidade dos vetores acima pode ser verica como segue: (A(x xLS ))T (AxLS b) = = = = Interpreta c ao Geom etrica
Ax b + AxLS AxLS 2 A(x xLS ) + (AxLS b) 2 A(x xLS ) 2 + (AxLS b) 2 pois A(x xLS ) e (AxLS b) s ao ortogonais 2 AxLS b j a que x = xLS (x xLS )T AT (AxLS b) (x xLS )T (AT AxLS AT b) (x xLS )T (AT b AT b) 0
A solu ca o otima para o problema de m nimos quadrados, xLS , e tal que AxLS e a proje ca o de b sobre o espa co gerado pelas colunas de A, como ilustra a Figura 5.23
b AxLS b < Ax b b AxLS AxLS b Ax Ax
Figura 5.23: Ilustra ca o geom etrica do problema de m nimos quadrados Note que AT AxLS = AT b (Ax)T (bAxLS ) = 0. Portanto, (bAxLS ) Ax, para todo x Rn . Assim, b Ax 2 = b AxLS 2 + A(x xLS )
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados 199 Interpreta c ao Alternativa Dena f : R R como:
m
f (x) = b Ax
=
i=1
2 ( b i aT i x)
onde: aT 1 aT 2 . . . aT m
A=
sendo ai Rn1 o vetor correspondente a i- esima linha de A, i = 1, . . . , m. Note que f e uma fun ca o diferenci avel em n vari aveis. A solu ca o xLS e um minimizador de f , caracterizado por:
f (xLS ) =
f (xLS ) x1 f (xLS ) x2
. . .
f (xLS ) xn
=0
m T i=1 (ai x
Quais s ao as derivadas parciais de f (x) = vericado que f /xj e dado por:
bi )2 ? Pode ser
f = xj
i=1
2(aT i x bi )aij
200
Logo, o gradiente de f no ponto x e: f ( x) = =

i=1 m
f (x) x1 f (x) x2
. . .
f (x) xn
2(aT i x
=
i=1 m
2(aT i x b i ) ai
bi )
ai 1 ai 2 . . . ain
=
i=1
2(ai aT i x ai b i )
= 2(AT Ax AT b) Conclus ao, f ( x) = 0 AAT x = AT b 2(AT Ax AT b) = 0 AT Ax AT b = 0 x = xLS
Resolu c ao Num erica do Problema de M nimos Quadrados Desejamos encontrar xLS que e a solu ca o do problema AT Ax = AT b. Note que: AT A e sim etrica; AT A e positiva semi-denida, ou seja, xAT Ax 0 para todo x Rn ; e AT A e positiva denida se A tem posto completo, ou seja, xT AT Ax = ||Ax||2 > 0 para todo x = 0. Portanto, se A tem posto completo podemos fazer uso da fatora ca o Cholesky T para encontrar uma matriz triangular inferior L tal que LL = AT A. Uma vez calculada a matriz Cholesky L, podemos facilmente encontrar a solu ca o xLS .
5.7
Sistemas de Equa co es Lineares SubDimensionados
Considere o problema de encontrar uma solu ca o para o sistema de mn equa co es lineares Ax = b, A R e m n, para o qual existem innitas solu co es. Em tal situa ca o, pode ser u til encontrar uma solu ca o de menor norma, matematicamente: Minimize Sujeito a : x Ax = b Um vetor x que resolve este problema e dito solu ca o por norma m nima. Teorema 5.3 Se rank (A) = m, ent ao AAT e n ao singular e xLN = AT (AAT )1 b e a solu c ao u nica que minimiza x (em outras palavras, se Ax = b para x = xLN , ent ao x > xLN ). Prova: Primeiro, vamos mostrar que AAT e n ao singular. Seja y Rm no espa co nulo de AAT . Ent ao: AAT y = 0 y T AAT y = 0 AT y 2 = 0 AT y = 0 y=0 Segundo, vamos mostrarq que xLN e uma solu ca o: AxLN = AAT (AAT )1 b = b, logo, xLN e uma solu ca o para Ax = b. Terceiro, vamos mostrar que xLN e uma solu ca o otima e u nica. Considere qualquer outra solu ca o x para Ax = b tal que x = xLN . Ent ao: (x xLN )T xLN = = = = (x xLN )T AT (AAT )1 b (Ax AxLN )T (AAT )1 b (b b)T (AAT )1 b 0
[pois rank (A) = m]
Portanto, (x xLN ) e ortogonal a xLN . Logo, x

2
= = >
x xLN + xLN 2 x xLN 2 + xLN xLN 2
Conclu mos que xLN e solu ca o u nica.
202
5.7.1
Interpreta c ao Geom etrica

O xLN x x xLN
{z : Az = b}
Figura 5.24: Interpreta ca o geom etrica do problema de minimiza ca o de norma xLN e a solu ca o de Ax = b mais pr oxima da origem, em outras palavras, xLN e a proje ca o da origem no espa co de solu co es de Ax = b. Se Ax = b, ent ao x xLN e ortogonal a xLN .
5.7.2
T
Calculando a Solu c ao de Menor Norma

=
O problema ent ao e calcular xLN conforme a express ao xLN T 1 A (AA ) b. Solu c ao por meio da fatora c ao Cholesky 1) Obtenha C = AAT 2) Obtenha uma fatora ca o Cholesky C = LLT 3) Execute as mudan cas de vari aveis dadas xLN = AT z z = (AAT )1 b e T AA z = b por: (LLT )z = b Lw = b LT z = w
Assim o problema consiste em resolver as equa co es: xLN = AT z LT z = w Lw = b
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados 203 4) Calcule w resolvendo por substitui ca o a equa ca o Lw = b 5) Calcule z resolvendo por substitui ca o a equa ca o LT z = w 6) Calcule xLN = AT z
Exemplo
Seja o problema de minimiza ca o de norma dado por A= 1 1 1 1 1 1 0 1 2 2 4 2 2 3 2 e calculamos a fatora ca o Cholesky: L= 2 1 0
1 2
eb=
0 1
Primeiro, obtemos C = AAT :
4 2 2 3 2
= AAT = LLT =
2 1
0
1 2
2 0
1
1 2
Resolvendo Lw = b, obtemos 2 1 0
1 2
w1 w2
0 1
w 1 = 0, w 2 =
Resolvendo LT z = w, obtemos: 2 0 1
1 2
z1 z2
0 2
z 1 = 1, z 2 = 2
Por m, calculamos xLN = AT z : 1 1 1 0 xLN = 1 1 2 1 1 2
1 2
1 1 = 0 0
5.7.3
Problemas de Minimiza c ao de Normas
Aplica co es: sistemas de equa co es lineares com falta de equa co es solu ca o por minimiza ca o de norma
204
5.7.4
Sistemas com Mais Vari aveis do que Equa c oes
Para sistemas subdimensionados, com mais vari aveis do que equa co es: a11 x1 a21 x1 a31 x1 . . . a x + a12 x2 + a22 x2 + a32 x2 . . + . + . . . + a1n xn + . . . + a2n xn + . . . + a3n xn . . + ... + . = b1 = b2 = b3 . = . .
m1 1
+ am2 x2 + . . . + amn xn = bm
Ou seja, um sistema Ax = b onde A Rmn , x Rn1 e b Rm1 . A matriz A e gorda, m n, tem mais vari aveis do que equa co esi.e., h a v arias escolhas de x que levam a uma mesma solu ca o b.
Exemplo: Transfer encia de Massa

Vamos aqui considerar o problema de deslocar um bloco, conforme Figura 5.25, de um ponto a outro em um intervalo de tempo. Alguns dados do problema s ao: a massa e unit aria, m = 1Kg ; a velocidade e posi ca o s ao nulas no instante t = 0s; o bloco est a sujeito a uma for ca F (t); s ao dados a posi ca o e velocidade nal da massa no instante t = 10s; e a for ca ser a discretizada no tempo, constante em subintervalos, tal que F (t) = xj para j 1 t < j , j = 1, . . . , 10. O problema consiste em encontrar a sequ encia de for cas x = (x1 , . . . , xn ) que move a massa da origem s(0) = 0 at e a posi ca o nal s(10) = 1 tendo velocidade nula na chegada, s (10) = 0. Seja: F (t) = xj para j 1 t < j , j = 1, . . . , 10 a sequ encia de for cas;
s(t) a posi ca o da massa no instante t = 10; e s (t) a velocidade da massa no instante t = 10.
F ( t)
Figura 5.25: Bloco de massa
A partir da Lei de Newton, temos que no instante t a acelera ca o da massa e dada por s (t) = F (t)/m = F (t), pois m = 1Kg . Integrando a acelera ca o no tempo, podemos calcular a velocidade da massa no instante t = 10:
10
s (10) =
0 1
F (t)dt
2 10
=
0 1
F (t)dt +
1 2
F (t)dt + . . . +
9 10
F (t)dt x10 dt
=
0
x1 dt +
1 1
x2 dt + . . . +
9 2
10
= x1
0 10
dt + x2
1
dt + . . . + x10
9
dt
= x1 + x2 + . . . + x10 =
i=1
xi
206
Da mesma forma, podemos fazer uso da velocidade m edia em cada subintervalo para calcular a posi ca o da massa em fun ca o do tempo:
10
s(10) =
0 1
s (t)dt
2 10
=
0
s (t)dt +
1
s (t)dt + . . . +
9
s (t)dt
= = =
s(3) s(2) s(2) s(1) s(1) + s(2) + + ... + s(1) + 2 2 2 s(10) s(9) + s(9) + 2 x1 + x2 x1 x1 + x2 + x3 x1 x2 x1 + x1 + + x1 + x2 + + ... 2 2 2 x1 + . . . + x10 x1 . . . x9 + x1 + . . . + x9 + 2 x1 x2 x3 x10 + x1 + + x1 + x2 + + . . . + x1 + . . . + x9 + 2 2 2 2 x1 x2 x3 x10 9x1 + + 8x2 + + 7x3 + + ... + 2 2 2 2 10 1 + 10 i xi 2 i=1
Para o entendimento da express ao s(10), o leitor pode observar a Fig. 5.26 que traz a curva da velocidade em fun ca o do tempo. No m do primeiro intervalo, a velocidade e s (1) = x1 e, portanto, a integral da curva dada pela area do tri angulo e precisamente a posi ca o da massa, ou seja, s(1) = x1 /2. No m do segundo intervalo, a velocidade e s (2) = x1 + x2 e, portanto, a integral da curva at e t = 2 nos d a a posi ca o s(2) = x1 /2 + x1 + (x1 + x2 x1 )/2 = x1 /2 + (x1 + x2 /2). E assim sucessivamente. Em nota ca o matricial o problema pode ser colocado como o de encontrar 10 x R tal que Ax = b, onde: A=
19 2
17 2
15 2
1 ... 2 1 1
eb=
1 0
Uma solu ca o e x1 , . . . , x8 = 0, x9 = 1 e x10 = 1. As Figuras 5.27, 5.28 e 5.29 ilustram o deslocamento s(t), velocidade s (t) e for ca aplicada x(t) ao longo do tempo. Uma segunda solu ca o e x1 = 1, x2 = 1 e x3 , . . . , x10 = 0. 2 2 2 Ambas as solu co es t em norma x = x1 + x2 2 + . . . + x10 = 2. A solu ca o de menor norma tem vetor de for cas ilustrado na Figura 5.30. O vetor de for cas e xLN = [0.0545 0.0424 0.0303 0.0182 0.0061 0.0545
S(t)
x1 + x2 + x3 + x4 x1 + x2 + x3
x1 + x2 x1
Figura 5.26: Exemplo de velocidade em fun ca o do tempo.
1.4
1.2
s(t): posicao 1
0.8
0.6
0.4
0.2
9 tempo (s)
10
Figura 5.27: Deslocamento da massa
208
1.2
s(t): velocidade
0.8
0.6
0.4
0.2
0.2
9 tempo (s)
10
Figura 5.28: Velocidade da massa
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1 0 1 2 3 4 5 6 7 8 9 tempo (s) 10 x(t): forca
Figura 5.29: For ca aplicada ` a massa no m do per odo
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados 209 0.0424 0.0303 0.0182 0.0061]T , com xLN = 0.1101 e xLN 2 = 0.0121. O deslocamento s(t) e velocidade s (t) induzidos pela for ca aplicada s ao ilustrados nas Figuras 5.31 e 5.32.
0.06 x(t)
0.04
0.02
0.02
0.04
0.06
9 tempo (s)
10
Figura 5.30: For ca de menor norma aplicada ` a massa ao longo do intervalo
1.4
1.2
s(t)
0.8
0.6
0.4
0.2
9 tempo (s)
10
Figura 5.31: Deslocamento da massa
210

0.16 s(t) 0.14
0.12
0.1
0.08
0.06
0.04
0.02
9 tempo (s)
10
Figura 5.32: Velocidade da massa
5.8
M nimos Quadrados N ao-linear
Considere o problema de encontrar uma solu ca o para m equa co es n aolineares em n vari aveis: r1 ( x 1 , . . . , x n ) = 0 r2 ( x 1 , . . . , x n ) = 0 . . . r (x , . . . , x ) = 0
m 1 n
onde ri : Rn R para i = 1, . . . , m. O problema pode ser colocado em forma vetorial r(x) = 0, onde r : Rn Rm e denida como: x1 r1 ( x 1 , . . . , x n ) x2 r2 ( x 1 , . . . , x n ) r ( x) = ex= . . . . . . xn rm ( x 1 , . . . , x n )
Tipicamente, para m n, n ao existe x Rn tal que r(x) = 0. Assim, nos resta buscar uma solu ca o aproximada x tal que: Minimize x Rn r ( x)
2
Para o caso r(x) = Ax b, o problema se reduz a um problema de m nimos 2 quadrados linear. Note que a fun ca o g (x) = r(x) pode e tipicamente
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados 211 tem m ultiplos m nimos locais. Encontrar um m nimo global e extremamente dif cil, logo camos satisfeitos com m nimos locais de boa qualidade. Para se ter uma id eia da aplica ca o pr atica de tal problema, o problema de treinar redes Neurais pode ser visto como um caso particular do problema de m nimos quadrados n ao-linear.
Exemplo: Projeto de Indutor CMOS

Considere o problema de projetar simultaneamente em placa de sil cio um conjunto de 50 indutores. A indut ancia do indutor i e uma fun ca o de um vetor x = (x1 , x2 , . . . , x5 ) de par ametros de projeto, sendo dada por:
x3 x4 x5 2 Li e x 1 nx i w i d i Di
O problema consiste em encontrar o vetor de par ametros x = (x1 , x2 , . . . , x5 ) tal que Li = Li para i = 1, . . . , 50, sendo Li a indut ancia desejada para o i- esimo indutor. Podemos portanto colocar o problema como um problema de m nimos quadrados n ao-linear fazendo:
x3 x4 x5 2 ri ( x ) = e x 1 n x i wi di Di Li , i = 1, . . . 50
O problema ent ao ca:

m
Minimize
i=1
x3 x4 x5 2 2 [ e x 1 nx i w i d i Di L i ]
x1 , . . . , x5 Ser a que e poss vel resolver o problema acima como um problema de m nimos quadrados linear?
5.9
Refer encias
Os t opicos sobre sistemas de equa co es n ao-lineares, m nimos quadrados, minimiza ca o de norma e introdu ca o ` a otimiza ca o, apresentados neste cap tulo, s ao s nteses das notas de aula de Vandenberghe [7].
5.10
Exerc cios
p( t ) = c0 + c1 t + c2 t 2 + c3 t 3 q (t) = d0 + d1 t + d2 t2 + d3 t3
Exerc cio 5.1 Considere os polin omios:
212
Tal que p(t1 ) = y1 , p(t2 ) = y2 , p(t3 ) = y3 , p(t4 ) = q (t4 ), p (t4 ) = q (t4 ), q (t5 ) = y5 , q (t6 ) = y6 e q (t7 ) = y7 , sendo que t1 , . . . , t7 e y1 , . . . , y3 , y5 , . . . , y7 s ao dados. Formule o problema de encontrar os polin omios p(t) e q (t) de maneira que eles possam ser encontrados atrav es de um m etodo num erico. Sua formula ca o deve ser t ao eciente quanto poss vel. Exerc cio 5.2 Aplique o m etodo de Newton de forma a encontrar todas as solu co es do seguinte sistema de equa co es n ao-lineares: (ilustre os passos seguidos pelo algoritmo para cada uma das ra zes encontradas)
2 log(x2 1 + 2x2 + 1)
1 = 0 2 x2 x2 1 + 0. 2 = 0
Exerc cio 5.3 Resolva o sistema de equa co es: x2 + 2zy 3 + y 4 = 9 3x3 6x2 z y 3 = 4 x 2z y = 0
pelo m etodo de Newton para obter precis ao at e a terceira casa decimal. Use cada uma das tentativas iniciais: i) (x0 , y0 , z0 ) = (2.5, 0.5, 1); ii) (x0 , y0 , z0 ) = (3, 0, 2); iii) (x0 , y0 , z0 ) = (3.5, 0.1, 1.2); e iv) (x0 , y0 , z0 ) = (3, 2, 0). Exerc cio 5.4 Considere o problema de otimiza ca o abaixo: P : Minimize Sujeito a : x Ax = b Comparando P ao problema P de encontrarmos uma solu ca o para Ax = b, sob quais condi co es em termos do posto da matriz A, rank (A), faz sentindo resolvermos o problema P em vez de P ? D e uma aplica ca o do problema P . Exerc cio 5.5 Considere o problema de otimiza ca o abaixo: : Minimize P x Ax b
2
ao problema P de encontrarmos uma solu Comparando P ca o para Ax = b, sob quais condi co es em termos do posto da matriz A, rank (A), faz sentindo em vez de P ? D . resolvermos o problema P e uma aplica ca o de P
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados 213 Exerc cio 5.6 Considere o sistema mec anico da Fig. 5.33. H a dois blocos, sendo um de massa m1 = 1kg localizado na posi ca o 0m e outro de massa m2 = 2kg localizado na posi ca o 10m. Denota-se por xj a for ca aplicada ao bloco 1 e por yj a for ca aplicada ao bloco 2, ambas durante o intervalo de tempo j 1 t < j (segundos), e dadas em N . Durante o intervalo de tempo, as for cas n ao podem ser modicadas. Seja x = [x1 . . . x10 ] e y = [y1 . . . y10 ] os vetores de for cas para o intervalo de tempo [0, 10s). Desejamos deslocar o bloco 1 at e uma posi ca o k e o bloco 2 at e a posi ca o k + 1, de forma que ambos quem adjacentes ao m dos 10s, sem que haja colis ao. Tarefas Espec cas: 1) Encontrar os vetores de for cas x e y , bem como a posi ca o k , de forma 2 2 que f (x, y ) = x + y seja minimizada, tal que no instante 10s ambos os blocos quem adjacentes e com velocidade nula. 2) Simular o comportamento dos blocos para as for cas aplicadas, ilustrando as for cas, as velocidades e posi ca o dos blocos em fun ca o do tempo. A simula ca o dever a ser feita atrav es da integra ca o num erica das equa co es diferenciais ordin arias do movimento dos objetos. Utilizar um ou mais m etodos de solu ca o num erica (e.g., Euler or RungeKutta). Implementar a simula ca o em Matlab, C, Pascal, Octave, ou outra linguagem de programa ca o/simula ca o.
m1 m2 y ( t)
x ( t)
10
Figura 5.33: Sistema f sico com dois blocos sujeitos a for cas horizontais Exerc cio 5.7 O problema consiste em deslocar um bloco no plano, conforme Figura 5.34 do ponto (x0 , y0 ) at e o ponto (x1 , y1 ) em um intervalo de tempo de 20 s. Dados do problema: a massa e unit aria, m = 1Kg ; a velocidade inicial e nula em t = 0s; a posi ca o inicial e (x0 , y0 ) = (1, 1)m; o bloco est a sujeito a uma for ca horizontal ux (t) e uma for ca vertical uy (t) conforme indicado na gura;
214
a posi ca o do bloco em t = 20s deve ser (x1 , y1 ) = (2, 3)m; a velocidade nal deve ser nula; e a for ca ser a discretizada no tempo, constante em subintervalos de 1s, y x tal que ux (t) = vj e uy ( t ) = v j para j 1 t < j , j = 1, . . . , n, n = 20.
y x x y Encontre a sequ encia de for cas v x = (v1 , . . . , vn ) e v y = ( v1 , . . . , vn ) que move a massa da posi ca o (x(0), y (0)) = (x0 , y0 ) at e o ponto (x(20), y (20)) = (x1 , y1 ), tendo velocidade nula na chegada, x (20) = 0 e y (20) = 0. Tarefas:
1) modele o problema como um problema de minimiza ca o de norma; 2) calcule as sequ encias de for cas que minimizam (v x , v y ) e indique o valor desta norma; 3) gere gr acos da for ca, posi ca o e velocidade em fun ca o do tempo: (v x (t), v y (t)), (x(t), y (t)) e (x (t), y (t)).
( x 1 , y1 )
u y ( t) ( x 0 , y0 )
u x ( t)
Figura 5.34: Bloco de massa
1 3 Exerc cio 5.8 Considere a fun ca o f ( x) = 2 x 10x2 + 3x + 100. Encontre:
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados 215 a) os pontos x R que satisfazem as condi co es de primeira-ordem para m nimo local; b) os pontos que satisfazem as condi co es necess arias de segunda-ordem para m nimo local; e c) os pontos que satisfazem as condi co es sucientes de segunda-ordem para m nimo local. Exerc cio 5.9 O projeto de uma fam lia de m capacitores em circuito integrado tem como par ametros as vari aveis x, y , k , z , t. A capacit ancia Cj do indutor j e dada pela express ao:
k z t C j = e x ay j bj g j d j
onde aj , bj , gj , e dj s ao constantes conhecidas. Seja cj a capacit ancia desejada para o j - esimo capacitor. O problema e encontrar valores para as vari aveis x, y , k , z , e t tal que Cj = cj para j = 1, . . . , m. Sabemos que n ao h a solu ca o para o problema. Prof. Antunes arma que se pode resolver o problema por meio de m nimos quadrados, n ao sendo necess ario resolver um problema de regress ao n ao-linear. Voc e concorda ou discorda? Justique. Exerc cio 5.10 Seja f : Rn Rn uma fun ca o n ao-linear cont nua e diferencialmente cont nua. Prof. Alberto disp oe de um pacote de otimiza ca o de fun co es n ao-lineares cont nuas que resolve problemas da forma: Min g (x), onde x Rn , g : Rn R e g e cont nua e diferenci avel. Pode-se utilizar o pacote de software para encontrar uma raiz para f , i.e., um ponto x Rn tal que f (x) = 0? Justique a sua resposta. Exerc cio 5.11 Quest oes de verdadeiro/falso. i. Prof. Kunz arma que n ao existe m nimo local para a fun ca o f ( x) = ex . ex + e x ii. Seja f : Rn R uma fun ca o cont nua e diferenci avel. Prof. Kunz n arma que se x R e um m nimo local, ent ao obrigatoriamente f (x) = 0. iii. Seja f : Rn R uma fun ca o cont nua e diferenci avel. Prof. Kunz arma que se existe um m nimo local, ent ao deve existir um m nimo global.
216
iv. Seja f : R R uma fun ca o cont nua e duas vezes diferenci avel. Para um certo x R, tem-se f (x) = 0 e f (x) 0. Prof. Kunz arma que x e um m nimo local. v. Seja f : R R uma fun ca o cont nua e duas vezes diferenci avel tal que f (x) 0 para todo x R. Prof. Kunz arma que se x e um m nimo local, ent ao obrigatoriamente x tamb em e um otimo global. vi. Considere a fun ca o f (x) = ex /x2 . Dejamos encontrar o m nimo global de f (x) na regi ao R = [1, ). Prof. Kunz diz que se x R e um m nimo local para f (x) na regi ao R, ent ao x e obrigatoriamente um m nimo global. vii. Sejam f (x, y ) e g (x, y ) duas fun co es cont nuas e diferenci aveis. Prof. Kunz arma que se ( x, y ) e um m nimo local de h(x, y ) = f (x, y ) + g (x, y ) ent ao ( x, y ) e tamb em um m nimo local para f e g . viii. Considere o problema de encontrar x Rn tal que: Minimize Sujeito a : x Ax = b onde A Rmn . Prof. Kunz arma que n ao faz sentido resolver este problema quando h a mais equa co es do que vari aveis, ou seja, quando m > n. ix. Seja Ax = b um sistema onde A Rnn . Prof. Kuhn arma que se rank (AT ) = n, ent ao obrigatoriamente b range(A) e, portanto, as solu co es do problema de m nimos quadrados (xLS ) e do problema de minimiza ca o de norma (xLN ) s ao id enticas, ou seja, xLS = xLN . Exerc cio 5.12 Seja f : R R uma fun ca o n ao-linear cont nua e diferencialmente cont nua. Prof. Kunz disp oe de um pacote para solu ca o de sistemas de equa co es e desigualdades n ao-lineares, que encontra, caso exista, uma solu ca o x para: g ( x) < 0 h ( x) = 0 onde g : R R e h : R R s ao fun co es cont nuas e diferenci aveis. Prof. Kunz arma que se pode utilizar o pacote de software para encontrar um m nimo local para f (x). Voc e concorda ou discorda do Prof. Kunz? Se voc e discorda, mostre porque n ao podemos utilizar o pacote de software. Se voc e concorda, mostre como que um m nimo local pode ser encontrado.
5. Sistemas de Equa co es N ao-Lineares, Otimiza c ao e M nimos Quadrados 217 Exerc cio 5.13 Considere o sistema de equa co es lineares dado por: B1 B2 x= b1 b2 Bx = b (5.9)
onde B1 Rm1 n , B2 Rm2 n , B R(m1 +m2 )n e os vetores x, b1 , b2 e b t em dimens oes apropriadas. Sabe-se que o sistema (5.9) n ao possui solu ca o, mas o sub-sistema B1 x = b1 possui innitas solu co es. Deseja-se resolver o seguinte problema de m nimos quadrados sob restri co es: Minimize Sujeito a: Bx b B 1 x = b1
2
(5.10a) (5.10b) (5.10c)
poss E vel resolver esta generaliza ca o do problema de m nimos quadrados usando apenas os modelos e algoritmos desenvolvidos na disciplina? Se sim, mostre como a solu ca o pode ser obtida. Caso contr ario, argumente uma justicativa da impossibilidade. Exerc cio 5.14 A aplica ca o do m etodo de Newton para determinar uma raiz da fun ca o f (x) = x3 2x + 2 pode entrar em la co innito. i. Obtenha uma fun ca o F : R2 R2 tal que toda a solu ca o do sistema de equa co es n ao lineares F (y ) = 0 dene um par de pontos, x = y1 e x = y2 , para os quais o m etodo de Newton entra em la co innito quando aplicado ` a equa ca o f (x) = 0. ii. Aplique o m etodo de Newton ao sistema F (x) = 0 e obtenha uma solu ca o y = (y1 , y2 ).
218
Cap tulo 6 Revis ao de Polin omios

Deni c ao 6.1 Um polin omio p e uma fun c ao com dom nio e imagem em um conjunto C ou R dado na forma: p: C C x p ( x ) = a0 x n + a1 x n 1 + + an 1 x + an O n umero inteiro n e dito grau do polin omio. Teorema 6.1 Se p(x) e um polin omio de grau n, ent ao para qualquer existe um polin omio q (x) u nico tal que: p(x) = (x )q (x) + p() O Teorema 6.1 nos diz que, se dividirmos p(x) por (x ) ent ao encontramos como quociente um polin omio de grau n 1, se n > 1, e o resto e o valor do polin omio calculado em .
Exemplo
Considere o polin omio p(x) = 3x5 + 4x4 2x3 x2 + 3x 4 de grau 5. Para calcularmos o valor do polin omino para x = 2, p(2), podemos fazer as seguintes contas: p(2) = 3 25 + 4 24 2 23 22 + 3 2 4
(n+1)n multiplica co es. o que implica em executarmos n adi co es e n j =1 j = 2 2 Portanto, o procedimento executa (n) adi co es e (n ) multiplica co es, o que nos leva a concluir que a complexidade computacional do procedimento acima e da ordem (n2 ) opera co es computacionais elementares. Ser a que este e o procedimento mais eciente?
220 Entretanto, observamos que: p ( x) = = = = =
6. Revis ao de Polin omios
3x5 + 4x4 2x3 x2 + 3x 4 (3x4 + 4x3 2x2 x + 3)x 4 ((3x3 + 4x2 2x 1)x + 3)x 4 (((3x2 + 4x 2)x 1)x + 3)x 4 ((((3x + 4)x 2)x 1)x + 3)x 4
o que resulta no c alculo de p(2) com apenas n adi co es e n multiplica co es. Este segundo procedimento e muito mais eciente que o anterior, tem uma complexidade computacional de (n) opera co es. O esquema de c alculo de p(x) acima pode ser utilizado para dividirmos p(x) por (x ) e da calculamos q (x) = b0 x4 + b1 x3 + b2 x2 + b3 x + b4 e p().
Esquema de Horner/Briot-Runi
O esquema para calcular o quociente e ilustrado na tabela abaixo, onde estamos buscando o quociente q (x) da divis ao do polin omio p(x) = 3x5 + 4x4 2x3 x2 + 3x 4 por (x ), com = 2. 3 =2 3 b0 4 6 10 b1 -2 20 18 b2 -1 36 35 b3 3 70 73 b4 -4 146 142 R = p(2)
A partir da tabela acima, obtemos o quociente atrav es dos coecientes da 4 3 2 linha mais abaixo, ou seja, q (x) = 3x + 10x + 18x + 35x + 73 e tamb em o resto p(2) = 142. Portanto, p(x) = (x 2)q (x) + 142. Na forma mais geral, o m etodo Briot-Runi pode ser expresso atrav es das opera co es indicadas na tabela a seguir: a0 a0 b0 a1 b0 a1 + b 0 b1 a2 b1 a2 + b 1 b2 a3 b2 a3 + b 2 b3 ... ... . . . an 1 bn 2 an 1 + b n 2 bn 1 an bn 1 an + b n 1 R = p( )
Corol ario 6.1 Se p(x) e um polin omio de grau n > 1 e p() = 0 ent ao existe um polin omio u nico de grau n 1, tal que p(x) = (x )q (x). Neste caso, q (x) e chamado de polin omio reduzido.
221
6.1
6.1.1
Enumera c ao de Ra zes
Enumera c ao das Ra zes de Uma Equa c ao Polinomial
Enumerar as ra zes de um polin omio p(x) consiste em dizermos quantas ra zes o polin omio possui e de que tipo elas s ao. No que segue s ao apresentados alguns teoremas e outros resultados te oricos que podem nos auxiliar na tarefa de enumera ca o. Teorema 6.2 O n umero de ra zes positivas de uma equa c ao polinomial p(x) com coecientes reais, nunca e maior que o n umero de trocas de sinal T na sequ encia de seus coecientes n ao nulos, e se e menor, ent ao e sempre por um n umero par. Exemplo Como exemplo, tome o polin omio p(x) = x3 +2x2 3x5, o qual apresenta a sequ encia de sinais (+, +, , ). Logo, segundo o Teorema 6.2, T = 1 e pode-se armar com exatid ao que p(x) tem uma raiz positiva j a que ele n ao pode ter um n umero negativo de ra zes. Observa c ao: A mesma regra acima, dada pelo Teorema 6.2, pode ser aplicada para a enumera ca o das ra zes reais e negativas de p(x), calculando-se p(x), pois as ra zes positivas de: p ( x) = x3 + 2x2 + 3x 5 se referem ` as ra zes negativas de p(x). Notando que a sequ encia de sinais de p(x) e (, +, +, ), conclu mos que T = 2 e da deduzimos que p(x) pode ter duas ou zero ra zes negativas. Tomando como base as dedu co es de que p(x) tem uma raiz positiva e duas ou nenhuma raiz negativa, podemos deduzir que: Se p(x) tiver duas ra zes negativas, ent ao n ao ter a nenhuma raiz complexa. Se, contudo, n ao tiver ra zes negativas, ent ao ter a duas complexas. bom lembrar que, se um polin E omio tem todos os coecientes reais e se houver uma ra z complexa, ent ao sua conjugada, tamb em ser a raiz do polin omio.
222 Exemplo
Seja p(x) = x4 x3 + x2 x + 1 um polin omio de quarto grau. Temos que T = 4 e, portanto, p(x) tem quatro, duas ou n ao tem ra zes positivas. Procedendo ` a an alise de p(x) = x4 + x3 + x2 + x + 1, observamos que T = 0 e da vericamos que p(x) n ao tem ra zes negativas. Logo p(x) pode ter quatro ra zes positivas, ou duas ra zes positivas e duas complexas, ou nenhuma positiva e quatro complexas. H a apenas tr es possibilidades quanto aos tipos das ra zes.
6.1.2
Enumera c ao das Ra zes Complexas
Nesta se ca o damos continuidade a formas e m etodos de se enumerar ra zes, onde ser ao enunciados resultados te oricos e procedimentos de enumera ca o. Teorema 6.3 (Regra de du Gua) Dada a equa c ao polinomial p(x) = 0 de grau n sem ra zes nulas e se para algum k , 1 k < n tivermos a2 ak+1 ak1 k ent ao p(x) ter a ra zes complexas. O Teorema 6.3 nos d a condi co es sucientes para exist encia de ra zes complexas. Note que se as condi co es do teorema n ao puderem ser aplicadas, o polin omio pode ter ra zes complexas. A regra da Lacuna abaixo enunciada permite a conclus ao sobre a exist encia de ra zes complexas Teorema 6.4 (Regra da Lacuna) Se os coecientes de p(x) forem todos reais e para algum k , 1 k < n tivermos ak = 0 e ak+1 ak1 > 0, ent ao p(x) = 0 ter a ra zes complexas. Se os coecientes forem todos reais e existirem dois ou mais coecientes nulos sucessivos, ent ao p(x) = 0 ter a ra zes complexas. Exemplo Vamos agora exemplicar a aplica ca o dos teoremas enunciados. Inicialmente, tomemos o polin omio p(x) = 2x5 + 3x4 + x3 + 2x2 5x + 3, para o qual vericamos que T = 2, e da descobrimos que p(x) tem duas ra zes ou 5 4 3 2 zero ra zes positivas. A partir de p(x) = 2x + 3x x + 2x + 5x + 3, calculamos que T = 3, e da deduzimos que p(x) tem tr es ra zes ou uma ra z real negativa. Na tabela abaixo listamos todas as poss veis combina co es de tipos de ra zes.
6. Revis ao de Polin omios Reais Positivas 2 2 0 0 Reais Negativas 3 1 3 1 Complexas 0 2 2 4 Total 5 5 5 5
223
Pela regra de du Gua (ver Teorema 6.3), temos que a2 2 a3 a1 1 3 2 = 6. Da chegamos ` a conclus ao que p(x) tem ra zes complexas e, por conseguinte, podemos eliminar a primeira alternativa do quadro anterior, restando apenas tr es possibilidades para as ra zes. Exemplo Repetindo os passos anteriores, tomemos agora o polin omio de sexto grau 6 5 3 2 p(x) = 2x 3x 2x + x x + 1. A partir do fato que T = 4, conclu mos que p(x) tem quatro, ou duas ra zes, ou zero ra zes positivas. Atrav es do polin omio p(x) = 2x6 + 3x5 + 2x3 + x2 + x + 1, temos que T = 0, portanto, p(x) n ao tem ra zes reais negativas. Pela Regra da Lacuna temos que p(x) = 0 tem ra zes complexas pois: a2 = 0 e a1 a3 > 0. Os poss veis arranjos de tipos e n umeros de ra zes e dado no quadro abaixo: Reais Positivas 4 2 0 Reais Negativas 0 0 0 Complexas 2 4 6 Total 6 6 6
Deni c ao 6.2 Seja f (x) = 0 uma equa c ao onde f : R R e uma fun c ao qualquer. Se f ( x) = 0, ent ao dizemos que x e uma raiz de f . Deni c ao 6.3 Se x e um zero de f (x) ent ao a multiplicidade m de x e o nmo de todos os n umeros k , tais que: | f ( x) | < xx |x x |k lim Exemplo Consideremos a fun ca o f (x) = x 2 , uma raiz de x 2 = 0 ex = 0. Esta raiz 1 tem multiplicidade 2 , pois
x0
1 1
lim
| x| 2
|x 2 |
1
< mas lim
1 |x 2 | . = para a < x0 | x| a 2
224
Teorema 6.5 Se x e um zero de f e se para algum inteiro m, f (x) e m vezes continuamente diferenci avel, ent ao a multiplicidade de x e pelo menos m vezes se, e somente se, f ( x) = f ( x) = f ( x) = . . . = f m1 ( x) = 0 A multiplicidade e exatamente m se f m ( x) = 0
Teorema 6.6 Seja p(x) um polin omio de grau n > 1. A multiplicidade de um zero de p(x) e m se, e somente se, p() = p () = p () = . . . = pm1 () = 0 p m ( ) = 0. Teorema 6.7 Seja p(x) = a0 xn + a1 xn1 + . . . + an1 x + an , um polin omio de grau n. Ent ao existem n umeros distintos 1 , 2 , . . . , s (que podem ser complexos) e inteiros m1 , m2 , . . . , ms tal que para uma constante c u nica temos: p ( x) = c ( x 1 ) m1 . ( x 2 ) m2 . . . ( x s ) ms
s
mj = n.
j =1
O teorema acima e decorr encia do teorema fundamental da Algebra, que diz que todo polin omio com coecientes complexos admite pelo menos uma raiz complexa. Nem todo o polin omio real admite uma ra z real, por exemplo x2 + 1 s o admite ra zes complexas. Teorema 6.8 Se os coecientes de p(x) s ao reais e e a multiplicidade de uma raiz ent ao perto de o polin omio p(x) deve ter uma das formas da Figura 6.1.
Observa c oes: A enumera ca o de ra zes reais ou complexas pode ser feita aproximadamente pelo m etodo gr aco a ser visto posteriormente. A exist encia de um m aximo local negativo, ou m nimo local positivo indica a exist encia nas proximidades de ra zes complexas.
225
=1
=1
=1
=1
=2,4,6,...
=1,3,5,...
=1,3,5,...
=2,4,6,...
Figura 6.1: Multiplicidade de ra zes
6.2
6.2.1
Localiza c ao das Ra zes

Localiza c ao das Ra zes Reais de Uma Equa c ao Polinomial
Dada a equa ca o polinomial p(x) = 0 podemos ter uma id eia mais ou menos precisa sobre quantos e de que tipo s ao as ra zes de equa ca o polino preciso tamb mial. Este t opico foi objeto de estudo na se ca o anterior. E em saber onde elas est ao localizadas, o que ser a o foco na presente se ca o. Ser ao apresentadas deni co es e teoremas que permitem realizar a localiza ca o das ra zes. Deni c ao 6.4 Localizar as ra zes de p(x) = 0 e determinar um intervalo que contenha todas as ra zes reais de p(x). Localizar as ra zes complexas e determinar os raios interno e externo que contenham as ra zes complexas de p ( x) = 0. A Figura 6.2 ilustra o conceito de localiza ca o de ra zes reais e complexas. Teorema 6.9 (Laguerre) Dado o polin omio p(x) de coecientes reais e dado um n umero , obtemos p(x) = (x )q (x) + R. Se os coecientes de q (x) e R forem todos positivos ou nulos, ent ao teremos que todas as ra zes reais positivas xj vericam xj < .
226
b a a b a b
Figura 6.2: Localiza ca o de ra zes Cota de Laguerre-Thibault Dado p(x) = 0 de coecientes reais, fa ca a dea ca o de p(x) por x 1, x 2, x 3 . . ., at e x m, onde q (x) tenha todos os coecientes positivos ou nulos, assim como R(x) > 0 tal m e chamado de cota superior das ra zes reais de p(x) = 0. Para determinar a cota inferior basta fazer o mesmo procedimento para p(x) e assim determina-se a cota inferior. Exemplo Tomemos como exemplo o polin omio p(x) = x5 + x4 9x3 x2 + 20x 12 e considere a tarefa de localizarmos as ra zes de p(x) = 0. 1 1 1 1 2 1 1 3 1 1 1 2 1 2 3 1 3 4 -9 2 -7 -9 6 -3 -9 12 3 -1 -7 -8 -1 -6 -7 -1 9 8 20 -8 -12 20 -14 6 20 24 44 -12 12 0 -12 12 0 -12 132 120
Logo temos que todas as ra zes positivas de p(x) = 0 s ao menores que 3. Para pesquisar a localiza ca o das ra zes negativas utiliza-se o mesmo procedimento, mas desta vez este e aplicado ao polin omio obtido ao multiplicar-se p(x) = x5 + x4 + 9x3 x2 20x 12 por 1.
6. Revis ao de Polin omios 1 1 1 1 2 1 1 3 1 1 -1 1 0 -1 2 1 -1 3 2 -9 0 -9 -9 2 -7 -9 6 -3 1 -9 -8 1 -14 -13 1 -9 -8 20 -8 12 20 -26 -6 20 -24 -4 12 12 24 12 -12 0 12 -12 0
227
-1 -9 1 20 12 4 4 12 12 52 288 1 3 3 13 72 300 Portanto, as ra zes pertencem ao intervalo [-4,3]. Teorema 6.10 ( Cota de Vene ) Para toda a raiz positiva de p(x) = 0 onde a0 = 0, verica-se que: 0 1+ M a0 + a1 + . . . + ap
onde M e o valor absoluto do menor dos coecientes negativos e ap e o ultimo coeciente positivo antes do primeiro coeciente negativo. Exemplo Vamos ilustrar a Cota de Vene com o polin omio p(x) = x5 + x4 9x3 12| = x2 + 20x 12. Note que M = | 12| = 12 e ap = 1. Logo, 0 1 + | 1+1 12 1 + 2 = 7.
6.3
Localiza c ao das Ra zes Complexas de Uma Equa c ao Polinomial

p ( x ) = a0 x n + a1 x n 1 + . . . + a n 1 x + an
Teorema 6.11 (Cota de Kojima) Dado o polin omio
toda a raiz , real ou complexa, verica que | | q1 + q2
228 onde q1 e q2 s ao os valores maiores de: ai a0 Exemplo

1 i
, i = 1, 2, . . . , n.
Seja o polin omio p(x) = x5 + x4 9x3 x2 + 20x 12, onde a0 = 1, a1 = 1, a2 = 9, a3 = 1, a4 = 20, e a5 = 12. Podemos ent ao vericar que a s erie de fatores e: 1 1 , 9 2 , 1 3 , 20 4 , 12 5
1 1 1 1 1
= {1, 3, 1, 2.114743537, 1.643751829} .
Da vericamos que q1 = 3 e q2 = 2.114742527. Logo, temos que toda raiz satisfaz || 5.114742527, o que nos d a o raio externo do anel que cont em as ra zes de p(x). 1 Para determinar o raio interno do anel, devemos calcular p( x ) = 12x5 + 20x4 x3 9x2 + x + 1 e aplicar o mesmo procedimento, pois as ra zes de 1 ) s ao os inversos das de p(x). Temos ent ao que: p( x 20 12
1 1
1 12
1 2
9 12
1 3
1 12
1 4
1 12
1 5
{1.666, 0.288675239, 0.908560296, 0.537284, 0.608364342} . Da vericamos que q1 = 1.666 e q2 = 0.908560296. c = 2.575226902 e da a = 0 . 388315288 0 . 388315288 < | | < 5 . 114742527. cota inteira e 1 c Teorema 6.12 (Cota de Cauchy) Dado um polin omio real p(x), ent ao toda raiz real ou complexa, de p(x) = 0 satisfaz: | | < | | sendo = limi xi com x0 = 0 e xi = a1 n 1 a2 n 2 an 1 an | | xi | xi 1 + . . . + | | x i 1 + | | 1 + | a0 a0 a0 a0
1 n
6. Revis ao de Polin omios Exemplo
229
Tomemos o polin omio p(x) = x5 + x4 9x3 x2 + 20x 12. Ent ao x0 = 0 e a0 = 1, o que nos leva a produzir a s erie:
3 2 5 xk+1 = [x4 k + 9xk + xk + 20xk + 12]
1
Podemos ent ao vericar que 5 12 = 1.643751829 x1 = x2 = 2.485458195 . . . x10 = 3.805140857 Como resultado, podemos armar que n ao h a nenhuma raiz fora do c rculo centrado em zero e de raio 4.0.
6.4
Separa c ao das Ra zes de Uma Equa c ao Polinomial
Deni c ao 6.5 Separar as ra zes de uma equa c ao polinomial e o processo de encontrar uma sequ encia de subintervalos distintos, tais que cada subintervalo contenha exatamente uma raiz real e cada raiz real esteja num subintervalo. Teorema 6.13 (Bolzano) Se f for uma fun c ao continua em [a, b] e trocar de sinal nos extremos desse intervalo, ent ao existe pelo menos uma raiz real de f em [a, b]. Teorema 6.14 (Budan) Seja pk (a) o valor da derivada de ordem k de p(x) calculada para x = a. Seja va o n umero de varia c oes de sinal da sequ encia: p(a), p (a), p (a), . . . , p(n+1) (a) tomadas nesta ordem. Ent ao o n umero de ra zes de p(x) = 0 no intervalo (a, b) e igual ou menor que |va vb | por um m ultiplo de 2. Exemplo Seja p(x) = x3 2x2 x + 2 um polin omio de grau 3. Pela regra de Descartes temos duas varia co es de sinal e da segue que existem duas ra zes,
230
ou n ao temos ra zes positivas. Vamos agora calcular a forma anal tica das derivadas de p(x): p ( x) = 3x2 4x 1 p (x) = 6x 4 p (x) = 6 Calculando a cota de Laguerre-Thibault, conforme tabelas que seguem abaixo, podemos deduzir que as ra zes positivas s ao menores que 3 (cota superior igual a 3). 1 1 1 1 2 1 1 -2 1 -1 -2 2 0 -1 -1 -2 -1 0 -1 2 -2 0 2 -2 0
-2 -1 2 3 3 3 6 1 1 12 8 Aplicando o Teorema de Budan, temos que v0 = 2 e v3 = 0, conforme tabelas abaixo, logo h a duas ou nenhuma raiz real em [0, 3]. p(0) p (0) p (0) p (0) Exemplo Considere agora o polin omio: p ( x) = x4 4x3 + 6x2 + 4x + 1 de grau 4. O n umero de varia co es de sinal de p(x) e 4, donde podemos ter quatro, duas ou nenhuma raiz positiva. Vamos ent ao calcular a Cota de Laguerre-Thibault, conforme desenvolvimento abaixo. 1 1 1 -4 1 -3 6 -3 3 4 3 7 1 7 8 = = = = 2 1 4 6 p(3) p (3) p (3) p (3) = = = = 8 10 14 6
6. Revis ao de Polin omios 1 2 1 1 3 1 1 -4 2 -2 -4 3 -1 6 -2 4 6 -3 3 4 8 12 4 3 7 1 24 25 1 21 22
231
-4 6 4 1 4 4 0 24 56 1 0 6 28 57 Uma vez que a Cota de Laguerre-Thibault e 4, podemos aplicar o Teorema de Budan calculando v0 e v4 , mas antes disso temos que obter as derivadas de p(x) : p ( x) p (x) p (x) p (x) = = = = 4x3 12x2 + 12x + 4 12x2 24x + 12 24x 24 24
Da calculamos os valores das derivadas nos pontos x = 0 e x = 4, obtendo os resultados do quadro abaixo. p(0) p (0) p (0) p (0) p (0) = = = = = 1 4 12 24 24 p(4) p (4) p (4) p (4) p (4) = = = = = 81 108 108 72 24
Portanto, deduzimos que v0 = 2 e v4 = 0. O teorema ent ao nos diz que o n umero de ra zes em (0, 4) e menor ou igual a |v0 v4 | = 2 por um m ultiplo de 2. Portanto, deve haver duas ou nenhuma raiz no intervalo (0, 4).
6.5
Exerc cios
p(x) = x7 + 4x6 7x5 34x4 24x3 x + 1
Exerc cio 6.1 Considere o polin omio:
a) Prof. Miguel arma que p(x) deve obrigatoriamente possuir pelo menos uma raiz real negativa e pelo menos duas ra zes complexas. Voc e concorda ou discorda da arma ca o? Justique a resposta.
232
b) Prof. Cl ovis arma que toda raiz de p(x) verica || 7.24. Voc e concorda ou discorda do Prof. Cl ovis? Justique a resposta. Exerc cio 6.2 Considere o polin omio: p(x) = 2x7 + 4x6 7x5 + 12x4 x 1 Para cada arma ca o, indique se voc e concorda ou discorda e justique a sua resposta. a) Prof. Miguel arma que p(x) deve obrigatoriamente possuir pelo menos uma raiz real positiva. b) Prof. Julius arma que p(x) possui pelo menos duas ra zes reais negativas. c) Prof. Antunes arma que p(x) possui pelo menos duas ra zes complexas. d) Prof. Albus arma que, se p(x) possuir uma raiz complexa, ent ao se e uma raiz complexa, ela satisfaz a rela ca o: || 4. Exerc cio 6.3 Dado o polin omio: q (x) = 2x7 + 6x6 10x5 30x4 + 8x3 + 24x2 , execute as tarefas abaixo dando justicativas. a) Encontre os n umeros poss veis de ra zes reais positivas. b) Encontre os n umeros poss veis de ra zes reais negativas. c) Podemos dizer que q (x) possui ra zes complexas? d) Se q (x) possui ra zes reais, ent ao localize estas ra zes. e) Se q (x) possui ra zes complexas, ent ao localize estas ra zes.
Cap tulo 7 Integra c ao Num erica

Ao contr ario da diferencia ca o, a integral de uma fun ca o f (x) n ao necessariamente possui uma solu ca o anal tica. Por exemplo, a integral limitada 2 b x2 F (x) = a e dx da fun ca o f (x) = ex n ao possui solu ca o anal tica. Ent ao, como podemos encontrar F (x)? Uma solu ca o aproximada (arbitrariamente aproximada para o caso de uma m aquina de precis ao ilimitada) pode ser obtida por meio de m etodos num ericos. Este m etodos ser ao objeto de estudo no presente cap tulo.
7.1
O Problema da Integra c ao Num erica

b a
Os m etodos para o c alculo de integrais denidas F (x) = agrupadas em quatro tipos:
f (x)dx s ao
M etodo Anal tico: Este m etodo consiste em se encontrar a solu ca o 1 anal tica de F (x), por exemplo F (x) = x dx = ln x + c. Por ou2 tro lado, F (x) = ex dx n ao pode ser escrita como uma combina ca o nita de outras fun co es alg ebricas, logar tmicas ou exponenciais. No x 1 caso de F (x) = 0 1+x8 dx, podemos obter F (x) atrav es de v arias etapas mas estas podem levar a erros e, al em disso, o resultado pode envolver algumas fun co es que ser ao avaliadas numericamente que, por sua vez, poderiam acarretar erros num ericos. H a tamb em ferramentas computacionais inspiradas em algoritmos de Intelig encia Articial (IA) que encontram as primitivas de v arias fun co es, tais como as ferramentas encontradas em pacotes de software como Mathematica, Maple e Matlab. M etodo Mec anico: Tais m etodos fazem uso de instrumentos que calculam a area delimitada por uma curva qualquer, todavia s ao limitados quanto
234
7. Integra c ao Num erica ao n umero de dimens oes e t em aplica co es restritas.
M etodo Gr aco: Toma como base o desenho de y = f (x) no intervalo [a, b] que gera uma seq u encia de iterandos no gr aco at e que se obtenha o resultado. Estes m etodos s ao pouco empregados uma vez que n ao s ao autom aticos e portanto n ao podem ser aplicados em sistemas computacionais. M etodo Num erico ou Algor tmico: Os m etodos num ericos podem ser empregados em geral e tem grande apelo pr atico uma vez que podem ser embutidos em ambientes computacionais.
7.2
Objetivo da Integra c ao Num erica
O m etodo num erico para calcular a integral de f (x) utiliza exclusivamente as opera co es aritm eticas necess arias ao c alculo de f (x), o que pode ser conveniente, assim dispensando o c omputo das derivadas de f . Usualb mente vamos calcular a integral de f (x) de a at e b, ou seja, F (x) = a f (x)dx, onde < a < b < +.
7.2.1
Filosoas B asicas
Para calcular o valor aproximado da integral denida vamos utilizar uma combina ca o linear de valores da fun ca o f (x) em certos pontos xj , a xj b, chamados de n os e certos valores wj que constituem os pesos. Mais formalmente, vamos aproximar F (x) com a express ao:
b a n+1
f (x)dx = w1 f (x1 ) + w2 f (x2 ) + . . . + wn+1 f (xn+1 ) =
wj f (xj ) (7.1)
j =1
De acordo com os valores dos pesos e com a escolha de n os, temos no lado direito de (7.1) o que chamamos de Regra de Integra c ao. A determina ca o dos pesos e dos n os e feita de acordo com v arias losoas que se agrupam em duas subdivis oes: Fixas: A escolha de n os n ao depende do comportamento espec co da fun ca o a ser integrada, mas apenas da regra a ser utilizada. Adaptativa: A escolha dos pontos {xj } depende do comportamento da fun ca o, de modo que a densidade seja maior onde a fun ca o f (x) varia com menos suavidade.
7. Integra c ao Num erica
235
Tanto na losoa xa como na adaptativa, empregamos v arios tipos de regras. As mais importantes s ao: F ormulas de Newton-Cotes: Determinamos os pontos xj = x0 + jh que ao obtis ao igualmente espa cados de uma dist ancia h. Os pesos wj s dos a partir de um polin omio de grau m que interpola f nos pontos (xj , f (xj )). Portanto, a regra obtida e exata para qualquer polin omio de grau menor ou igual a m. F ormulas de Gauss: Determinamos os pontos xj e os pesos wj de modo que a regra seja exata para qualquer polin omio de grau p = 2n + 1, onde n e o n umero de pontos a serem tomados no intervalo [a, b]. Os pontos xj assim obtidos n ao s ao igualmente espa cados. F ormulas baseadas nos m etodos de extrapola c ao do limite: As f ormulas Newtonianas podem apresentar uma converg encia lenta. Uma forma de se aumentar a velocidade de converg encia e aplicar uma f ormula de Newton-Cotes para h = hj , hj +1 < hj , obtendo-se uma b sequ encia de aproxima co es da integral a f (x)dx. As integrais a serem calculadas podem ser pr oprias ou impr oprias, convergentes ou n ao. As integrais impr oprias s ao aquelas nas quais o intervalo de integra ca o ou integrando s ao ilimitados. Tais integrais s ao denidas como um limite de integrais pr oprias, como est a a seguir:
i. ii.
f (x)dx = limx
x a
f (x)dx, quando o limite existe

b x
f (x)dx = limx
f (x)dx
iii. No caso de integrando n ao limitado, f e denida no intervalo (a, b) que e b b ilimitada numa vizinhan ca de a, ent ao: a f (x)dx = limra+ r f (x)dx, quando o limite existe. Al em dos problemas anteriores, podemos ter integrais pr oprias, convergentes, por em mal comportadas. Isto ocorre quando a fun ca o n ao tem um comportamento polinomial, apresenta picos ou oscila co es frequentes. A Figura 7.1 ilustra as quest oes relativas a fun co es pr opias e impr opias.
236
7.3
7.3.1
F ormulas Newtonianas
Considera c oes Iniciais
As f ormulas Newtonianas s ao de aplica ca o mais simples quando temos a express ao de f ou quando obtemos uma tabela de pontos dados experimentalmente. As f ormulas dadas pela interpola ca o de f por polin omios de grau 1, 2 ou m podem ser aplicadas no intervalo [a, b] constituindo regras simples, ou em subdivis oes [xj , xj +1 ] do intervalo [a, b] formando regras compostas. As f ormulas Newtonianas podem ser: Fechadas: Quando o integrando f e calculado em x0 = a e xm = b sendo que a fun ca o f deve ser denida nestes pontos. Abertas: Quando o integrando n ao e avaliado em ambas as extremidades do intervalo [a, b] e sim em pontos pr oximos, assim xmr = a e xm+r = b e 0 < r m s ao utilizados quando h a descontinuidade nos extremos. Com termos de corre c ao: O integrando e avaliado em pontos xj fora do intervalo [a, b] para fornecer uma corre ca o ao valor calculado por uma regra fechada.
7.3.2
Regra dos Ret angulos
Seja o intervalo nito [a, b] no eixo x, que e particionado em n subintervalos [xj , xj +1 ], j = 1, . . . , n, onde x1 = a, xn+1 = b, e hj = xj +1 xj . Seja f uma fun ca o cont nua, cuja integral n ao e conhecida. Nosso objetivo e b alculo das areas de ret angulos. Este procecalcular F (x) = a f (x)dx pelo c dimento e ilustrado na Figura 7.2, a qual exemplica tr es tipos de regras. Na Figura 7.2(a), a area de cada ret angulo e dada por A = f (xj )hj , na Figura 7.2(b) a area e dada por A = f (xj +1 )hj , e por m na Figura 7.2(c) a area e xj +xj +1 dada por A = f ( 2 )hj . Em qualquer das escolhas, a soma das areas dos b ret angulos ser a uma aproxima ca o de a f (x)dx que denotaremos por I (f ):
b
I (f ) =
a
f (x)dx
Considerando um intervalo de intregra ca o [a, b] subdividido em n subintervalos, teremos:

n
I (f ) = Ij =
Ij
j =1 xj +1
f (x)dx, j = 1, . . . , n
xj
237
onde Ij e area do j - esimo ret angulo, sendo dada por uma das tr es f ormulas acima. Duas regras para integra ca o s ao: Regra Simples: Uma f ormula simples para aproxima ca o de I (f ) e utilizar apenas um ret angulo, o que resulta nas express oes abaixo dependendo de como o ret angulo e obtido: I (f ) I (f ) = f (a)(b a) = f (b)(b a) a+b )(b a) I (f ) = f( 2
Regra Composta: O intervalo [a, b] e subdividido em n sub-intervalos. Pela regra dos ret angulos, a integral ser a indicada por R(hj ) e as regras de integra ca o s ao:
n
R (hj ) =
j =1 n
f ( xj ) h j f (xj +1 )hj
j =1 n
R (hj ) = R (hj ) =
j =1
f(
xj + xj +1 )hj 2
variando conforme o tipo de ret angulo, onde xj +1 = xj + hj . No caso em que hj = h e uma constante, ent ao temos:
n
R (hj ) = h
j =1 n
f ( xj ) f (xj +1 )
j =1 n
R (hj ) = h R (hj ) = h
j =1
f(
xj + xj +1 ) 2
e consequentemente xj +1 = xj + h.
238
7.3.3
Regra dos Trap ezios
Se aproximarmos f por um polin omio f (x) de grau 1 ao inv es de um polin omio de grau zero, como foi realizado na regra dos ret angulos, teremos: af (b) bf (a) f ( a) f ( b ) x+ ab ab f (a)x bf (a) af (b) f (b)x + = ab ab xb ax = f ( a) + f ( b) ab ab xa xb + f ( b) ab ba
f ( x) =
que pode ser colocado na forma: f ( x ) = f ( a)
Utilizando a aproxima ca o linear f (x) de f (x), podemos vericar que:

b a
f (x)dx = =
f (x)dx
a b
f ( a)
a b
xb dx + ab
f ( b)
a
xa dx ba
b
f ( a) = ab = = = = = Ou seja:
b a
f ( b) (x b)dx + ba
2 b
(x a)dx
a b a
f ( b ) ( x a) 2 f ( a) ( x b ) + ab 2 ba 2 a 2 f ( a) ( a b) f ( b ) ( b a) 2 + ab 2 ba 2 f (a)(a b) f (b)(b a) + 2 2 f (a)(a b) + f (b)(b a) 2 ba [f (a) + f (b)] 2 ba f (x)dx [f (a) + f (b)] = 2
239
que corresponde ` a regra simples do trap ezio, conforme ilustra ca o na Figura 7.3. Se subdividirmos o intervalo [a, b] em n subintervalos e em cada um deles aproximarmos f por uma reta teremos a regra dos trap ezios composta. Indicando por T (hj ) a aproxima ca o de I (f ) pela regra composta dos trap ezios, teremos:
n
T (hj ) =
j =1 n
Tj ( h j ) f (xj ) + f (xj +1 ) hj 2
=
j =1
onde hj = xj +1 xj , j = 1, . . . , n. Se hj = h, para todo j , podemos simplicar a express ao, obtendo: T (h) = h ou ainda, T (h) = h [f (x1 ) + 2f (x2 ) + 2f (x3 ) + . . . + 2f (xn ) + f (xn+1 )] 2 f (xn ) + f (xn+1 ) f ( x1 ) + f ( x2 ) f ( x2 ) + f ( x3 ) + + ... + 2 2 2
7.3.4
Regra de Simpson
Se aproximarmos f por um polin omio f de grau 2 (uma par abola) teremos a chamada Regra de Simpson. Por em, para interpolarmos f por uma par abola precisamos de 3 pontos para construirmos a f ormula da regra simb . ples. Sejam a e b dois pontos dados e ym , o ponto m edio dado por ym = a+ 2 Pelo polin omio de Lagrange temos que: f ( x) = f ( x) (x b)(x ym ) (x a)(x b) (x a)(x ym ) = f ( a) + f ( ym ) + f ( b) (a b)(a ym ) (ym a)(ym b) (b a)(b ym ) Podemos obter f (x) atrav es do polin omio de Gregory-Newton, usando as diferen cas nitas: f ( x ) = f ( a) + ( x a) 2 f ( a) f ( a) + (x a)(x ym ) h 2h 2
240 onde,
f ( a) = f ( y m ) f ( a) 2 f ( a) = f ( b ) 2 f ( y m ) + f ( a) Fazendo uma mudan ca de vari avel: x() = a + h, [0, 2] dx = h dx = hd d x a = a + h a x a = h De acordo com esta mudan ca de vari avel, temos que x(0) = a, x(1) = ym , e b a x(2) = b para h = 2 . Da deduzimos que: (x a)(x ym ) = h a + h ( a + a + 2h ) 2 2a + 2h 2a 2h = h 2 = h [ 1] h = ( 1)h2
Podemos ent ao obter a integral aproximada:

b 2
f (x)dx =
a 0 2
=
0
f (a) ( 1)h2 2 f (a) hd + h 2h 2 ( 1)2 f (a) f ( a) + f ( a) + hd 2 f (a) + h [ f ( a) ] 2 0 2 + f ( a) 2

2
= h
2 f ( a) 3 2 + 2 3 2 0
2 0
1 = h[2f (a) + 2(f (ym ) f (a)) + (f (b) 2f (ym ) + f (a))] 3 Portanto

b
f (x)dx =
a
h [f (a) + 4f (ym ) + f (b)], 3
a b e h = b . onde: ym = a+ 2 2 A aproxima ca o quadr atica f (x) de f (x) no intervalo [a, b], com ponto m edio em ym , e ilustrada na Figura 7.5.
7. Integra c ao Num erica Regra Composta de Simpson
241
Seguindo a mesma t ecnica de integra ca o da regra composta dos trap ezios, mas desta fez utilizando o integrador de Simpson, obtemos a Regra Composta de Simpson:
n
S (hj ) =
j =1 n
Sj ( h ) hj [f (xj ) + 4f (yj ) + f (xj +1 )] 3
=
j =1
j , j = 1 , . . . , n. onde yj = j 2 j+1 e hj = j+1 2 Expandindo a express ao de Simpson e assumindo que hj = h para todo j , podemos express a-la na forma:
x +x
S (h) =
h [ f ( x1 ) + 4f ( y1 ) + 2f ( x2 ) + 4f ( y2 ) + 2f ( x3 ) + . . . 3 +2f (xn ) + 4f (yn ) + f (xn+1 )] .
7.3.5
F ormula Geral das Regras Newtonianas
Podemos generalizar os procedimentos anteriores e aproximar f por um polin omio de grau m. Lembre que na regra dos ret angulos utilizamos um polin omio interpolador de grau 0, na regra dos trap ezios um polin omio de grau 1, e por u ltimo um polin omio de grau 2 na regra de Simpson. Ao adotarmos um polin omio de grau m, precisamos determinar m + 1 pontos no intervalo [a, b] para a aplica ca o da regra simples. Seja: h > 0 a dist ancia entre os n os; x0 = a o n o inicial; xk = x0 + hk , k = 0, . . . , m, os demais n os; e fk = f (xk ) o valor da fun ca o nos diferentes n os.
242
Com base nestas deni co es, a f ormula de interpola ca o de Newton nos d a:

m
f ( x) =
k=0
u k
k f0 + Rm+1 , onde
u = u k Rm+1
x x0 h u(u 1)(u 2) . . . (u k + 1) = k! h = u(u 1) . . . (u m)f m+1 ( ), x0 < < xm (m + 1)! com a somat oria , temos:
Integrando f e trocando a integral

b a m
f (x)dx = h ak =
ak k f0 + Rm+1 , onde
k=0
u k

du; = u m+1
b x0 a x0 e= h h f (m+1) ( (u))du
Rm+1 = hm+1
7.3.6
Exemplo 1
1 x2 e dx, 0
Tomemos como tarefa o c alculo de da Regra dos Trap ezios.
com n = 4 e n = 8 atrav es
Caso i, n = 4: Nesta situa ca o os par ametros e n os s ao como segue: h = x1 x2 x3 x4 x5 Usando a express ao: T (h) = h [f (x1 ) + 2f (x2 ) + 2f (x3 ) + . . . + 2f (xn ) + f (xn+1 )] 2 = = = = = ba = 0.25 4 0 0.25 0. 5 0.75 1. 0
7. Integra c ao Num erica e substituindo os valores acima, obtemos: T (h) = 0.125[1 + 2 0.9394130632 + 2 0.778800783 +2 0.589788 + 0.367879441] = 0.742984098 Caso ii, n = 8: Nesta situa ca o os par ametros e n os s ao como segue: h x1 x2 x3 x4 x5 x6 x7 x8 x9 Usando a express ao: T (h) = obtemos: T (0.125) = h [f (x1 ) + 2f (x2 ) + 2f (x3 ) + . . . + 2f (xn ) + f (xn+1 )] 2 = = = = = = = = = = 0.125 0 0.125 0.25 0.375 0. 5 0.625 0.75 0.875 1. 0
243
0.125 [f (x1 ) + 2f (x2 ) + 2f (x3 ) + . . . + 2f (x8 ) + f (x9 )] 2 = 0.745865615
Comparando os dois resultados, vimos que podemos conar em dois d gitos de cada resultado, ent ao:
1 0
2 e x = 0.74
7.3.7
Exemplo 2
Calcular f (x) sendo f a fun ca o tabelada a seguir, usando a regra de Simpson: xj 1.9 2.0 2.1 2.2 2.3 fj 3.41773 3.76220 4.14431 4.56791 5.03722
244 Usando a regra de Simpson, temos:

b a
f (x)dx =
h [f (x1 ) + 4f (x2 ) + 2f (x3 ) + 4f (x2 ) + . . . + 4f (xn ) + f (xn+1 )] 3 h = 0. 1 n = 4
Substituindo os valores acima, obtemos: S (f ) = 0. 1 [3.41773 + 4 3.76220 + 2 4.14431 + 4 4.56791 + 5.03722] 3 = 1.68880
7.3.8
Exemplo 3
2 1
Calcular
x ln xdx, usando a regra de Simpson, para n = 1 e n = 2.
Caso i, n = 1: Nesta situa ca o, os par ametros s ao conforme segue: 1 2 h [f (1) + 4f (1.5) + f (2)] S (1) = 3 1 = [0 + 2.432790649 + 1.386294361] 6 = 0.636514163 h = Caso ii, n = 2: Nesta situa ca o, os par ametros s ao conforme segue: 1 4 h [f (1) + 4f (1.25) + 2f (1.5) + 4f (1.75) + f (2)] S (0.25) = 3 0.25 = [0 + 1.115717756 + 1.216395324 + 3.917310515 + 1.386294361] 3 = 0.636309829 h =
7.4
Estimativas de Erros
b a n+1
Para transformar a express ao abaixo numa igualdade: f (x)dx = w j f ( xj )

j =1
245
consideraremos o erro que estamos cometendo. Embora o erro n ao possa ser calculado exatamente, em muitos casos ele pode ser estimado com boa precis ao. O processo de integra ca o num erica constitui um problema bem con claro que, ao aproximarmos f por um polin dicionado em princ pio. E omio f , estamos cometendo um erro mas se observarmos a Figura 7.6 veremos que a soma dos erros se anula ` a medida que n aumenta. Adotaremos a nota ca o abaixo para erros: ET T S indicar a o erro de truncamento da regra dos trap ezios simples; e ET T C indicar a o erro de truncamento da regra dos trap ezios composta.
7.4.1
Erro de Truncamento na Regra dos Trap ezios Simples

b
Levando os erros em considera ca o, a integral pode ser colocada na forma: f (x)dx =

a
( b a) [f (a) + f (b)] + ET T S 2
Teorema 7.1 Se f (x) e duas vezes diferenci avel em [a, b], ent ao o erro de truncamento ET T S e dado por: ET T S = Exemplo de Aplica c ao Calcular a integral I =
2 e x dx 1 x
h3 f ( ), onde [a, b] 12
pela regra dos trap ezios simples.
I = T (1) 1 [f (1) + f (2)] = 2 = 0.5(3.678794412 101 + 6.76676416 102 ) = 0.5(4.355470828 101 ) = 2.1777735414 101 O valor exato para 12 casas decimais e 2.170483423687x101 e, portanto, o erro absoluto e: |2.1777735414 101 2.170483423687 101 | = 4.729 102
246
Comparando o erro absoluto com o erro indicado pelo Teorema 7.1, precisamos inicialmente calcular as derivadas: e x e x x2 x 1 1 e x + = x x2 e x e x e x e x f (x) = + 2 +2 3 + 2 x x x x 2 2 1 + 2 + 3 e x = x x x f ( x) = Fazendo = 1, [1, 2] temos que: f ( ) = 5e1 = 1.839
1 logo, o erro de truncamento previsto pelo teorema e | 12 .f ( )| = 0.15325. Portanto, conrma-se que o erro absoluto e menor que o previsto.
3
7.4.2
Erro de Truncamento na Regra dos Trap ezios Composta
Teorema 7.2 Se f e duas vezes continuamente diferenci avel em [a, b], ent ao o erro de truncamento da f ormula composta dos trap ezios, para n subintervalos, e dado por: ET T C = Prova. Seja agora h = i = 1, 2, . . . , n, temos:
xi b a n
h2 (b a)f ( ), [a, b] 12
b a . h
e n =
Para cada subintervalo [xi1 , xi ],
f (x)dx =
xi 1
h [f (xi ) + f (xi1 )] + ET T i , onde 2 h3 f ( i ) , i [ x i 1 , x i ] 12
ET T i = Uma vez que:

b x2
x3
xn
f (x)dx =
a x1
f (x)dx +
x2
f (x)dx + . . . +
x n 1
f (x)dx
7. Integra c ao Num erica e pela regra composta, temos que:

b a
247
h f (x)dx = [f (x0 ) + 2f (x1 ) + . . . + 2f (xn1 ) + f (xn )] + 2
ET T i
i=1
mas,
n n
ET T i =
i=1 i=1
h3 f ( i ) , i [ x i 1 , x i ] 12
n
h3 = 12
f (i )
i=1 n
( b a) 3 = 12n3
f (i )
i=1
Como f (x) e cont nua, f (x) assume todos os valores entre seus m aximos e m nimos em [a, b]. Portanto, existe algum [a, b] tal que:
n
f (i ) n
f ( ) = Logo, ET T C =
i=1
(b a)3 nf ( ) 12n3 (b a)3 = f ( ) 12n2 h2 = (b a)f ( ) 12
Exemplo de Aplica c ao Considerando o exemplo anterior, vamos calcular 1 e x dx, com n = 2, 4, . . . , 256. Os resultados destes c alculos, juntamente com o erro absoluto e os limites de erro calculados s ao listados na tabela abaixo.
2
x
248 Valor calculado 0.2177735413 0.1832634907 0.1737575538 0.1715074075 0.1706897700 Erro absoluto 4.729 102 1.280 102 3.270 103 8.240 104 2.060 104
7. Integra c ao Num erica Limite de erros 1.53 101 3.83 102 9.58 103 2.40 103 5.60 104
h 1 5.0 101 2.5 101 1.25 101 6.25 102 . . .
n 1 2 4 8 16
3.906 103 256 0.1704847700 8.070 107 2.34 106 Podemos observar que cada vez que o n umero de intervalos n e dobrado, o erro absoluto e reduzido por um fator de aproximadamente 4, o que est a de acordo com o resultado do teorema.
7.4.3
Estima c ao Num erica do Erro de Truncamento da Regra dos Trap ezios
O que fazer quando f (x) n ao estiver dispon vel? Duas possibilidades s ao: i. Calcular f (x) numericamente ) e comparar os resultados ii. Calcular T (h) e T ( h 2 No caso (i), a segunda derivada f (x) e calculada numericamente pela s erie de Taylor se f e sucientemente diferenci avel: f (x) = f ( x + h ) 2f ( x) + f ( x h ) + O (h2 ) h2
Logo, um limite de |f (x)| pode ser calculado por:

1 j n
max
f (xj +1 ) 2f (xj ) + f (xj 1 ) h2
O limite acima pode ser u til no caso da integra ca o para pontos tabelados igualmente espa cados de h. No caso (ii), podemos utilizar o Teorema 7.2: (b a) 2 h f (1 ), 1 [a, b] 12 h (b a) h2 I T( ) = f (2 ), 2 [a, b] 2 12 4 I T (h) =
7. Integra c ao Num erica Assumindo que f (1 ) = f (2 ), temos que: h 4[I T ( )] 2 h 4I 4T ( ) 2 h 3I 3T ( ) 2 h I T( ) 2 = I T (h) = I T (h) h = T ( ) T (h) 2 ) T (h) T (h 2 = 3
249
Chegamos ` a conclus ao de que o erro de truncamento, ao calcularmos T ( h ) 2 h e, aproximadamente, a ter ca parte entre as duas aproxima co es T ( 2 ) e T (h). ) podemos Este m etodo e particularmente vantajoso, pois, ao calcularmos T ( h 2 reutilizar os valores de f usados para calcular T (h). Ou seja, f ( a) f ( b) + f (a + h) + f (a + 2h) + . . . + f (a + (n 1)h) + 2 2 h h 1 h 3h T( ) = f ( a) + f ( a + ) + f ( a + h ) + f ( a + ) + f ( a + 2 h ) 2 2 2 2 2 1 f ( b) + . . . + f (a + (n 1)h) + f (a + (n )h) + 2 2 T (h) = h Portanto, 1 h h T ( ) = T (h) + 2 2 2 1 f (a + (j )h) 2 j =1
n
logo o n umero de avalia co es e reduzido pela metade.
7.5
Quadratura Gaussiana
Os m etodos de integra ca o num erica apresentados acima (a saber, regra dos ret angulos, dos trap ezios e de Simpson) tomam como base uma regra simples para escolha dos pontos de avalia ca o da fun ca o f (x), onde xj +1 = xj + h. Esses m etodos s ao particularmente adequados para dados tabulados de forma regular, tais como medidas de laborat orio e valores obtidos de programas de computador que produzem tabelas. Se, por outro lado, tivermos a liberdade de escolher os pontos nos quais a fun ca o f ( x) e avaliada, ent ao uma escolha cuidadosa pode levar a uma maior precis ao da avalia ca o da fun ca o. Este m etodo, conhecido por Integra c ao
250
Gaussiana ou Integra c ao de Gauss-Legendre, apresenta outras vantagens em v arias situa co es. Na avalia ca o da integral:
b
f (x)dx
a
(7.2)
n ao e necess ario avaliar a fun ca o nos pontos extremos do intervalo, a e b. Esta propriedade eu til quando se avalia integrais impr oprias, tais como aquelas com limites innitos. Para efeitos de simplica ca o, fazemos uma mudan ca de vari avel com x=a+ o que implica: ba (t + 1) 2
onde:
ba dt 2 Al em disso, para x = a temos t = 1 e para x = b temos t = 1. Por meio da mudan ca de vari avel e normaliza ca o do intervalo de integra ca o, podemos representar (7.2) por: (b a) +1 F (t)dt (7.3) 2 1 dx = ba (t + 1)) (7.4) 2 Logo, daqui em diante, vamos considerar apenas o problema normalizado: F (t) = f (a +
+1
F (t)dt
1
(7.5)
A forma mais simples de integra ca o Guassiana se alicer ca na escolha de um polin omio aproximador otimo do integrando F (t) sobre o intervalo [1, +1]. Os detalhes da determina ca o desse polin omio, ou seja, a determina ca o dos coecientes de t no polin omio, ser ao abordados mais ` a frente. Faremos uma aproxima ca o de (7.5) por valores da fun ca o e pondera co es para valores de t [1, +1], conforme a express ao:
+1 n
F (t)dt =
1 j =1
(G ) j F (tj ) + En , n
(7.6)
onde j e tj s ao escolhidos de maneira que a regra seja exata para polin omios de grau 2n 1. Regras desta natureza s ao ditas Gaussianas e os pontos tj n ao s ao necessariamente igualmente espa cados. No que segue discutimos o c alculo das pondera co es j e dos pontos de avalia ca o t j .
251
7.5.1
Regra de Gauss de Primeira Ordem
Nesta situa ca o, n = 1 e aproximaremos (7.5) de forma exata com um polin omio de grau p = 2n 1 = 1, o que leva ` a express ao:
+1 1
F (t)dt = 1 F (t1 ) + E1
(G )
(7.7)
Vamos encontrar os valores para situa co es onde F (t) = tk para k {0, 1}. Para k = 0:
+1 +1
F (t)dt = O que leva a: Para k = 1:

1 1
1dt = [t]+1 1 = 2
1 F (t1 ) = 2 1 t0 1 1 = 2
+1 +1
F (t)dt = Da segue que:

1 1
t2 +1 tdt = [ ]1 = 0 2
1 F (t1 ) = 0 1 t1 1 = 0 t1 = 0 Dos desenvolvimentos acima, conclu mos que:

+1 1
F (t)dt = 2F (0) + E1
(G )
(7.8)
7.5.2
Regra de Gauss de Segunda Ordem

+1 1
Nesta situa ca o, n = 2 e aproximaremos (7.5) com a express ao: F (t)dt = 1 F (t1 ) + 2 F (t2 ) + E2
(G )
(7.9)
Agora, 1 , 2 , t1 e t2 devem ser escolhidos de forma que (7.9) seja exata para polin omios de grau at e p = 2n 1 = 3. Vamos encontrar os valores para situa co es onde F (t) = tk para k {0, 1, 2, 3}. Para k = 0:
+1 +1 +1
F (t)dt =
1 1
t dt =
1
dt = 2
0 = 1 F (t1 ) + 2 F (t2 ) = 1 t0 (7.10) 1 + 2 t2 = 1 + 2
252 Para k = 1:
+1 1
F (t)dt =
t2 =0 t1 dt = [ ]+1 2 1 1 1 = 1 F (t1 ) + 2 F (t2 ) = 1 t1 (7.11) t2 1 + 2 t2 = 1 t1 + 2
+1
Para k = 2:
+1 +1
F (t)dt =
1 1
2 t3 2 = 1 t2 t2 dt = [ ]+1 1 = 1 + 2 t2 3 3
(7.12)
Para k = 3:
+1 +1
F (t)dt =
1 1
t4 3 t3 dt = [ ]+1 = 0 = 1 t3 1 + 2 t2 4 1
(7.13)
A partir das equa co es (7.10)(7.13) chegamos a um sitema de equa co es n aolineares: 1 + 2 = 2 1 t1 + 2 t2 = 0 2 2 1 t2 1 + 2 t2 = 3 3 = 0 1 t3 + t 2 2 1 (7.14) (7.15) (7.16) (7.17)
Podemos resolver (7.14)(7.17) fazendo, primeiramente, 1 = 2 = 1, o que resolve (7.14). Da , obtemos a partir de (7.15) que t1 = t2 . Substiuindo 2 2 estes resultados em (7.16), deduzimos que t2 1 + t 2 = 2t 2 = 2/3 t 2 = 1/ 3 e, por sua vez, descobrimos que t1 = 1/ 3. Observe ainda que os valores obtidos para os par ametros satisfazem a equa ca o (7.17). Com base nestes desenvolvimentos, conclu mos que:
+1 1
F (t)dt = 1 F (t1 ) + 2 F (t2 ) + E2
(G )
1 1 (G ) = F ( ) + F (+ ) + E2 3 3
(7.18)
7.5.3
Exemplo de Aplica c ao
6 x3 dx 2 3
Como exemplo, vamos calcular of valor da integral denida meio da quadratura Gaussiana de segunda ordem.
por
253
Etapa 1: A primeira etapa corresponde ` a mudan ca de vari avel. Com a = 2, 3 b = 6 e f (x) = x /3, obtemos: x = a+ = = = ( b a) (t + 1) 2 (6 2) 2+ (t + 1) 2 4 + 2t dx = 2dt ba f (a + (t + 1)) 2 f (4 + 2t)
F (t) =
Chegamos assim ` a equival encia:

6 2
x3 dx = 3
b a
ba f (x)dx = 2
+1 1
+1
+1
F (t)dt = 2
1 1
(2t + 4)3 dt 3
Etapa 2: Com n = 2, temos estes valores, obtemos:
1 1 F (t)dt F ( ) + F (+ ). Calculando 3 3
1 (2/ 3 + 4)3 = 7.678358 F ( ) = 3 3 1 (2/ 3 + 4)3 F (+ ) = = 45.655075 3 3 Ent ao, calculamos que:
6 2
x3 dx = 2 3
+1 1
(2t + 4)3 dt = 2 (7.678358 + 45.655075) 3 = 2 53.333333 = 106.666666
Analiticamente,
6 2
x4 x3 dx = 3 43
=
2
64 24 = 106.666666 12
vericando o erro nulo para o caso de um polin omio de grau 3.
254
Tabela 7.1: Pondera co es e pontos de amostragem para quadratura Gaussiana n j tj 1 1 = 2 t1 = 0 2 1 = 2 = 1 t1 = 1 / 3 e t = 1 / 2 3 3 1 = 2 = 5/9 t 1 = 0. 6 e t 2 = 0. 6 3 = 8/9 t3 = 0 4 1 = 4 = 0.3478548451 t1 = 0.8611363116 e t4 = t1 2 = 3 = 0.6521451549 t2 = 0.3399810436 e t3 = t2
7.5.4
Quadratura de Ordem Superior
Atrav es de desenvolvimento semelhante ao apresentado acima, e poss vel encontrar as pondera co es j e os pontos de avalia ca o tj para a integra ca o Gaussiana de ordem 3, 4, e maior. Abaixo apresentamos na Tabela 7.5.4 os valores j a calculados destes par ametros para quadratura de ordem at e 4. Com rela ca o aos erros cometidos pela regra da quadratura Gaussiana, estimativas dos erros podem ser estabelecidas conforme a ordem da quadratura. Para n = 2, 1 (iv) (G ) E2 = F ( ), para [1, +1] 135 Portanto, 1 (G ) max{|F (iv) ( )| : [1, +1]} |E2 | 135 Para o caso de f (x) corresponder a um polin omio de grau igual ou inferior a 3, o erro produzido pela quadratura e nulo.
7.6
Refer encias
O conte udo deste cap tulo foi inspirado nos textos de Cl audio e Marins [1] e de Dyer e Ip [3].
7.7
Exerc cios
2
Exerc cio 7.1 Calcule 1 ex dx usando i) a regra dos ret angulos simples e ii) a regra dos trap ezios simples. Exerc cio 7.2 Considere a Tabela 7.2 com pontos de uma fun ca o desconhecida f (x), mas cont nua. Tarefas:
7. Integra c ao Num erica a) Calcule b) Calcule

4 0 4 0 4
255
f (x)dx usando a Regra de Simpson f (x)dx usando a Regra dos Trap ezios
angulos com altura dada pela c) Calcule 0 f (x)dx usando a Regra dos Ret m edia dos valores da fun ca o nos extremos de cada subintervalo.
x f ( x)
0.0 -4271
Tabela 7.2: Pontos da fun ca o f ( x) 0.5 1.0 1.5 2.0 2.5 3.0 -2522 499 1795 4358 7187 10279
3.5 13633
4.0 17217
Exerc cio 7.3 Seja f (x) uma fun ca o duas vezes diferenci avel no intervalo [a, b]. Ent ao o erro de truncamento produzido pela regra dos trap ezios simb ples, ET T S , obtido ao se calcular a f (x)dx e dado por ET T S = h3 f ( ), 12 onde [a, b].
Calcule o erro m aximo de ET T S gerado ao aplicarmos a regra dos trap ezios 2 x para calcular 1 ex2 dx. Exerc cio 7.4 Calcule o erro m aximo de ET T S gerado ao aplicarmos a regra dos trap ezios simples para calcular /2 [2x4 3x3 +2x2 x+1sin(x/2)]dx. Exerc cio 7.5 Desejamos calcular 4 f (x)dx da forma mais precisa poss vel. N ao conhecemos a fun ca o f (x), mas sabemos os valores de f em alguns pontos, conforme Tabela 7.3. Sabendo que f (x) e um polin omio de grau 6, como que voc e calcularia a integral? Basta explicar com clareza como que voc e resolveria o problema. N ao e necess ario calcular o valor da integral.
4
Tabela 7.3: Pontos da fun ca o f ( x) x -3 -2 -1 0 1 2 3 f (x) 1339 171 7 1 3 79 751
Exerc cio 7.6 Calcule aproxima co es para as integrais I1 e I2 por meio dos m etodos:
256
i. regra dos ret angulos simples (extremo ` a esquerda); ii. regra dos ret angulos composta (extremo ` a esquerda), com n = 10; iii. regra dos trap ezios simples; iv. regra dos trap ezios composta, com n = 10; v. regra de Simpson simples; vi. regra de Simpson composta, com n = 10; vii. quadratura Gaussiana de 2a ordem; e viii. quadratura Gaussiana de 3a ordem.
3
I1 =
0 5
(3x3 + 2x2 + 2x 2)dx e x dx x+1

2
I2 =
0
Outras tarefas: i. calcule o valor anal tico de I1 ; ii. calcule o erro absoluto das aproxima co es calculadas acima para I1 , itens (a)-(h) acima; iii. calcule o erro m aximo cometido com a regra dos trap ezios simples com base nos resultados te oricos, assumindo que n ao se conhece o valor exato de I1 ; e iv. calcule o erro m aximo cometido com a regra dos trap ezios composta com base nos resultados te oricos, assumindo que n ao se conhece o valor exato de I1 .
257
(a)
(b) f (x )
f (x )
Integral pr opria - Bem comportada - Integrando suave, polinomial
Integral pr opria - Mal comportada - Integrando n ao suave, com varia c oes bruscas y (d)
(c)
f (x ) f (x )
Integral impr opria - Intervalo de integra c ao limitado - Integrando n ao limitado
Integral impr opria - Integrando pode ser limitado ou ilimitado
Figura 7.1: Comportamento de integrais
258
(a )
( b)
(c )
x1
x2
x3
x4
x1
x2
x3
x4
x1
x2
x3
x4
Figura 7.2: Regras dos ret angulos f ( x)
f ( x)
Figura 7.3: Regra simples do trap ezio
x1 = a x2
x3
x4
x5
x6 = b
Figura 7.4: Regra composta do trap ezio
259
f ( x) f ( x)
ym
Figura 7.5: Regra de Simpsom
f ( x) f ( x)
a Figura 7.6: Cancelamento de erros
260
Cap tulo 8 Resolu c ao Num erica de Equa c oes Diferenciais Ordin arias
Fen omenos f sicos frequentemente envolvem rela co es entre uma vari avel independente x e uma vari avel dependente y , que n ao s ao f aceis ou mesmo poss veis de serem descritas como uma fun ca o da vari avel independente: y = f (x). Por outro lado, podemos muitas vezes estabelecer a rela ca o entre y e x atrav es de seus valores e as derivadas da fun ca o desconhecida dy/dx. Em circuitos el etricos, por exemplo, desejamos encontrar a voltagem como uma fun ca o do tempo, v (t), que pode ser escrita como uma rela ca o das derivadas de v no tempo e as propriedades do circuito. Uma rela ca o expressa como uma fun ca o da vari avel independente x, da vari avel dependente y e suas derivadas y (x), y (x), . . . e dita equa c ao diferencial. Uma rela ca o que envolve derivadas at e ordem n e dita equa c ao diferencial ordin aria (EDO), podendo ser colocada na forma matem atica: f (x, y (x), y (x), . . . , y (n) (x)) = 0 Neste cap tulo faremos uma breve introdu ca o ` a modelagem de fen omenos f sicos atrav es de equa co es diferenciais, desenvolveremos ainda m etodos para encontrar solu co es num ericas para equa co es e sistemas de equa co es diferenciais ordin arias. No caso da vari avel independente ser o tempo t, o sistema de equa co es diferenciais ordin arias toma a forma: x 1 = f 1 ( x1 , . . . , xn ) x 2 = f 2 ( x1 , . . . , xn ) . . . . . . x n = f n ( x1 , . . . , xn )
262
8. Resolu c ao Num erica de Equa co es Diferenciais Ordin arias
Mais especicamente, estaremos interessados no problema de encontrar a trajet oria x(t), t [0, T ], a partir de um estado inicial x(0) Rn onde x(t) = (x1 (t), . . . , xn (t)).
8.1
Modelagem com Equa co es Diferenciais
Objetivando ilustrar a modelagem com equa co es diferencias, desenvolveremos a seguir modelos de sistemas din amicos.
8.1.1
Circuito RC
O circuito RC e composto de uma fonte de tens ao, vi (t), em s erie com um resistor R e um capacitor C , conforme ilustra ca o da Figura 8.1. Da F sica, sabemos que a corrente no capacitor e proporcional ` a taxa de varia ca o da tens ao atrav es do capacitor, matematicamente: dvc (t) , (8.1) dt sendo a capacit ancia C a constante de proporcionalidade. Pela lei de Kircho, a soma das quedas dos potenciais ao longo da malha deve ser nulo, o que leva ` a express ao: vi (t) Ri(t) vc (t) = 0 (8.2) i( t ) = C
Substituindo i(t) em (8.2) pela rela ca o (8.1), surge uma equa ca o diferencial de primeira ordem: vi (t) RC
dvc (t) dvc (t) 1 1 vc (t) = 0 = = vc ( t ) + vi (t) (8.3) dt dt RC RC o Considere o caso simples onde vi (t) = 0 para todo t e vc (0) = vc , correspondendo ` a situa ca o de descarga do capacitor. Ent ao, a solu ca o anal tica de (8.3) pode ser obtida: dvc (t) 1 dvc (t) dt = vc ( t ) = dt RC vc ( t ) RC T T dt dvc (t) = RC t=0 t=0 vc (t) t ln vc (t) = +k (8.4) RC onde k e uma constante. Portanto, a partir de (8.4), deduzimos que a tens ao no capacitor decresce exponencialmente na taxa inversa de RC :
o RC vc (t) = e RC +k = ek e RC = vc e
t t t
(8.5)

+ R
263
+ v i ( t)
i ( t)
+ C v c ( t)
Figura 8.1: Circuito RC Para um circuito RC onde R = 2 , C = 0.1 F e vc (0) = 2 V , a curva de tens ao no capacitor em fun ca o do tempo pode ser observada na Figura 8.2. Esta curva caracteriza a descarga da energia do capacitor que, por sua vez, e dissipada pelo resistor.
2 1.8
1.6
1.4
1.2 Vc (V)
0.8
0.6
0.4
0.2
0.1
0.2
0.3
0.4
0.5 Tempo (s)
0.6
0.7
0.8
0.9
Figura 8.2: Curva de descarga do capacitor em um circuito RC
8.1.2
Circuito RLC
O circuito RLC consiste de uma fonte de tens ao vi (t) em s erie com um resistor R, um indutor L e um capacitor C , de acordo com o diagrama da Figura 8.3. A lei de Kircho nos diz que a soma das quedas dos potenciais ao longo da malha deve ser nulo, portanto: di(t) vc ( t ) = 0 (8.6) dt Lembramos que a queda de tens ao no indutor e proporcional ` a taxa de varia ca o da corrente, sendo L a constante de proporcionalidade. Uma vez que a vi (t) Ri(t) L
264
corrente atrav es do capacitor e proporcional ` a taxa de varia ca o da queda de tens ao no capacitor, obtemos juntamente com (8.6), o sistema de equa co es a diferenciais de 1 ordem: vi (t) = Ri(t) + L i( t ) = C dvc (t) dt di(t) + vc ( t ) dt (8.7) (8.8)
que, por sua vez, pode ser colocado na forma matricial: di(t)/dt dvc (t)/dt = R/L 1/L 1/C 0 i( t ) vc ( t ) + 1/L 0 vi ( t ) (8.9)
Alternativamente, o sistema de primeira ordem (8.9) pode ser colocado como uma equa ca o diferencial de segunda ordem, bastando para isto substituir (8.8) em (8.7): d 2 vc ( t ) dvc (t) vi (t) = LC + RC + vc ( t ) 2 dt dt (8.10)
Aqui ilustramos como se transforma uma EDO de ordem n em um sistema EDO de primeira ordem com n equa co es. Denindo x como vari avel de estado: vc ( t ) x1 ( t ) = x( t ) = dvc (t)/dt x2 ( t ) e estabelecendo u(t) como a entrada e y (t) como a sa da, teremos: u( t ) = v i ( t ) , y ( t ) = vc ( t )
Note que a entrada e a tens ao vi (t), enquanto a sa da (o que e observado) e a queda de tens ao no capacitor. Agora podemos expressar a EDO (8.10) de 2a ordem em um sistema EDO de 1a ordem: x 1 (t) x 2 (t) = 0 1 1/LC R/L 1 0 x1 ( t ) x2 ( t ) x1 ( t ) x2 ( t ) + 0 1/LC u(t) (8.11) (8.12)
y (t) =
As equa co es diferenciais do circuito RLC , conforme (8.11)(8.12), fazem parte dos sistemas de equa co es diferenciais lineares: x = Ax + Bu (8.13)

+ v i ( t) + R + L + C v c ( t)
265
i ( t)
Figura 8.3: Circuito RLC para A Rnn , x Rn , B Rnm e u Rm . Supondo que u e uma fun ca o de x como, por exemplo, u = Kx onde K e a matriz de ganhos, podemos assumir que (8.13) e da forma: x = Ax (8.14)
Uma solu ca o anal tica para (8.14) pode ser obtida. Quando este sistema se reduz a uma equa ca o, x = ax, a solu ca o e trivial, assumindo a forma at x(t) = e . O caso geral n ao e muito diferente do caso particular, para tanto, denimos a fun ca o exponencial de matriz como: eAt = I + At + 1 22 1 33 A t + A t + ... = 2! 3!
k=0
(At)k k!
(8.15)
Ent ao, x(t) = eAt x0 e a solu ca o de (8.14) com x(0) = x0 . Basta vericar que: 1 1 d d At I + At + A2 t2 + A3 t3 + . . . x0 e x0 = dt dt 2! 3! 1 1 = 0 + A + A2 t + A3 t2 + A4 t3 + . . . x0 2! 3! 1 1 = A I + At + A2 t2 + A3 t3 + . . . x0 2! 3! At = Ae x0
(8.16)
Uma propriedade fundamental de sistemas din amicos sob a a ca o de controladores e a estabilidade, que pode ser entendida como a converg encia do estado x(t) para um ponto de equil brio x . De maneira simplicada, dizemos que o sistema (8.14) e est avel se:
t
lim x(t) = x
266
Sob quais condi co es o sistema caracterizado pela equa c ao x = ax e est avel? E f acil de vericar que a estabilidade e garantida a partir de qualquer ponto inicial x0 = x(0) quando a < 0, o que equivale a dizer que lim eat x0 = 0. O que podemos dizer sobre a converg encia de um sistema multivari avel caracterizado pelo sistema EDO x = Ax? Converg encia pode ser garantida quando eAt , em outras palavras, quando a s erie I + At + A2 t2 /2!+ A3 t3 /3!+ . . . e convergente, o que ocorre quando todos os autovalores de A tem parte real negativa. A Figura 8.4 ilustra a resposta do circuito RLC para uma entrada nula, u(t) = 0, com R = 2 , C = 0.1 F , L = 0.4 H , vc (0) = 2 V e v c (0) = 10 V /s. S ao dadas as curvas vc (t) e v c (t) para t [0, 4] s. Observe que o circuito RLC e convergente para a origem a partir do ponto inicial dado. Na verdade, o circuito e est avel como pode ser vericado calculando os autovalores de A, a saber 2 4j , os quais tem parte real negativa garantindo converg encia a partir de qualquer estado inicial.
3
2 Vc (V)
0.5
1.5
2 Tempo (s)
2.5
3.5
10
5 dVc/dt (V/s)
10
0.5
1.5
2 Tempo (s)
2.5
3.5
Figura 8.4: Resposta do circuito RLC a entrada u(t) = 0.
8.1.3
Supens ao de Autom ovel (Simplicada)
A suspens ao de uma roda de ve culo automator pode ser representada, de forma simplicada, pela massa M (Kg ) suportada pela roda, um conjunto de molas representado pela mola ideal com constante K (N/m) e um amortecedor representado pelo sistema de absor ca o B (N s/m). A Figura 8.5 apresenta os diversos componentes do sistema de suspens ao. Conforme eixos coordenados, o sistema est a em repouso na posi ca o y = 0 e velocidade y = 0.
267
O sistema de suspens ao e submetido a uma for ca externa f (t) dependente do terreno e da carga do ve culo. As for cas e respectivas dire co es de refer encia est ao indicadas na gura. De acordo com a lei de Newton, a soma das for cas
n
que atuam no sistema deve igualar a massa vezes a acelera ca o, ou seja, f FM FK FB = M d2 y (t)/dt2 . Formalmente: f (t) M g Ky (t) B dy (t) d2 y (t) = M dt dt2 2 B dy (t) K 1 d y (t) + + y ( t ) = g + f (t) dt2 M dt M M
i=1
F i = M a,
(8.17) (8.18)
Da mesma forma que no circuito RLC , vamos denir o estado do sistema como x(t), sendo este dado por: x1 ( t ) x2 ( t ) = y (t) dy (t)/dt (8.19)
Procedendo ` a mudan ca de vari avel, substitu mos x(t) no lugar de y (t) e dy (t)/dt em (8.17)(8.18), obtendo: x1 ( t ) x2 ( t ) que nos leva a: x 1 (t) x 2 (t) = =
B dy (t) M dt
y (t) dy (t)/dt
x 1 (t) x 2 (t)
y (t) y (t)
(8.20)
x2 ( t ) K y (t) M x2 ( t ) K x (t) M 1
g+
1 f (t) M 1 f (t) M
B M x2 ( t )
g+
(8.21)
Separando as inu encias do estado e externas, o sistema (8.21) assume a forma: x 1 x 2 = y = 0 1 K/M B/M 1 0 x1 x2 x1 x2 + 0 1/M u+ 0 1 g (8.22) (8.23)
onde u = f (t) e a entrada (for ca externa), x(t) e o estado e y = x1 (t) ea sa da (posi ca o).
268

y M x B FB K FK f
FM
Figura 8.5: Suspens ao de autom ovel simplicada
8.1.4
Sistema de Massas Acopladas
O sistema de duas massas acopladas pode ser visto na Figura 8.6. Assumimos que a for ca exercida pela mola e nula quando os blocos est ao separados de uma dist ancia y , FK = 0, enquanto a for ca exercida pelo amortecedor e nula se a varia ca o de velocidade da massa M1 em rela ca o ` a a M2 e nula, FB = 0. Aplicando a 2 lei de Newton, a soma das for cas aplicadas em cada massa iguala a massa vezes a acelera ca o, em nota c ao matem atica, isto equivale a dizer que: M1 y 1 (t) = = M2 y 2 (t) = = FK + FB K [ y2 ( t ) y1 ( t ) y ] + B [ y 2 (t) y 1 (t)] (8.24) f (t) FK FB f ( t ) K [ y2 ( t ) y1 ( t ) y ] B [ y 2 (t) y 1 (t)] (8.25)
Deixando o vetor x(t) denir as vari aveis de estado como: y1 ( t ) x1 ( t ) x2 ( t ) y 1 (t) x3 ( t ) = y2 ( t ) y 2 (t) x4 ( t )
podemos representar o sistema EDO de segunda ordem (8.24)(8.25) como um sistema EDO de primeira ordem, x = Ax + Bu, com vari avel de estado
8. Resolu c ao Num erica de Equa co es Diferenciais Ordin arias dada pelo vetor x, como segue: 0 1 0 0 x 1 (t) B K B K x M1 2 ( t ) = M1 M1 M1 x 0 0 1 3 (t) 0 B K B K x 4 (t) M2 M M2 M2 2 com u(t) = f (t).
y2 y1 M1 FB B FK K M2 f ( t)
269
0 x1 ( t ) x 2 ( t ) K y M1 x 3 ( t ) + 0 K y x4 ( t ) M
2
0 0 + 0 u
1 M2
(8.26)
Figura 8.6: Sistema de duas massas acopladas
8.1.5
Motor de Corrente Cont nua
Um modelo simplicado do motor de corrente cont nua controlado pela armadura aparece na Figura 8.7. Neste esquema, va (t) e a tens ao aplicada a armadura, que est ` a em s erie com o resistor Ra , o indutor La da armadura e a tens ao vb (t) induzida pela corrente ia (t). A corrente da armadura gera um torque T (t) = km ia (t) proporcional ` a magnitude da corrente. O torque gerado movimenta a carga e o movimento rotacional produz a tens ao v b ( t ) (for ca eletromotriz). O sistema ilustra a convers ao de energia el etrica em energia mec anica. Sendo J o coeciente de in ercia da carga e D o coeciente viscoso da mesma, temos pela 2a lei de Newton que: T (t) = km ia (t) d2 (t) d(t) = J +D 2 dt dt vb (t) = kb w(t) d(t) = kb dt
(8.27)
(8.28)
270
onde w(t) e a velocidade angular. Equacionando o circuito da armadura, obtemos: v a ( t ) = Ra ia ( t ) + La dia (t) + vb ( t ) dt d(t) dia (t) + kb = Ra ia ( t ) + La dt dt
T
(8.29)
Note que (8.29) e um sistema de equa co es diferenciais ordin arias de primeira ordem.
Ra La
Agora, escolhendo x(t) = ia (t) (t) d(t)/dt e u(t) = va (t), podemos colocar as equa co es (8.27)(8.29) na forma: 1/La x1 ( t ) Ra /La 0 kb /La x 1 (t) x2 (t) + 0 u(t) (8.30) x 0 0 1 2 (t) = 0 x3 ( t ) km /J 0 D/J x 3 (t)
+ va + vb
T ia
J, D
Figura 8.7: Motor de corrente cont nua (CC) controlado pela armadura
8.1.6
Sat elite em Orbita
Aqui consideramos a din amica de um sat elite em orbita em torno da Terra, como mostra a Figura 8.8. Adota-se o sistema de coordenadas polares, onde r(t) e a dist ancia entre o sat elite e a Terra e (t) eo angulo em rela ca o ` a refer encia. Tanto o angulo quanto a dist ancia variam no tempo, portanto o movimento do sat elite e caracterizado por r(t), r (t), (t) e (t). O sat elite est a equipado com um sistema de propuls ao que produz uma impuls ao na dire ca o tangencial ` a sua trajet oria, Ft (t), e uma impuls ao ortogonal ` a trajet oria, Fr (t). Conforme diagrama da gura, a velocidade tangencial vt (t)
8. Resolu c ao Num erica de Equa co es Diferenciais Ordin arias est a relacionada ` a velocidade angular pela equa ca o: vt ( t ) = r ( t ) (t) J a a velocidade radial e precisamente a taxa de varia ca o radial: vr ( t ) = r (t) A energia cin etica total do sistema, k (t), instant anea e dada por: k (t) = 1 [ vt ( t ) 2 + vr ( t ) 2 ] 2 1 = [r (t)2 (t)2 + r (t)2 ] 2 cM r (t)2
271
(8.31)
Conforme o operador Lagrange, temos que: d dt d dt k (t) k (t) r (t) r(t) k (t) k (t) (t) (t) = Fr (t) = Ft (t) (8.32) (8.33)
onde c e a constante gravitacional. Desenvolvendo (8.32), conclu mos que: Mr (t) M r(t) (t)2 = Fr (t) ou, alternativamente, r (t) = r(t) (t)2 c + Fr (t) r (t)2 (8.34) cM r (t)2
Similarmente, desenvolvendo (8.33), conclu mos que: 2M r ( t ) r (t) (t) + M r (t)2 (t) = Ft (t) ou (t) = Ft (t) 2r (t) (t) + r (t) M r (t)2 (8.35)
Em s ntese, a din amica do sat elite em orbita e caracterizada pelas equa co es ordin arias de segunda ordem (8.34)(8.35): c + Fr (t) r (t)2 2r (t) (t) Ft (t) (t) = + r (t) M r (t)2 r (t) = r(t) (t)2 (8.36) (8.37)
272
vt M vr
Figura 8.8: Sat elite em orbita
8.1.7
P endulo Invertido
Aqui, ilustramos a concep ca o do sistema din amico que caracteriza o movimento de um ve culo com p endulo invertido acoplado, conforme mostra a Figura 8.9. Ser ao obtidas as equa co es diferenciais que regem o movimento do ve culo e do p endulo em resposta a for cas externas e a a ca o da gravidade.
Fz Fy
m mg l
Figura 8.9: Ve culo com p endulo invertido
8. Resolu c ao Num erica de Equa co es Diferenciais Ordin arias Sistema Din amico
273
Para tornar o desenvolvimento mais simples, assumimos que o carro e o p endulo se movem no mesmo plano, e que podemos desprezar a fric ca o, a massa da haste e a for ca do vento. O problema cl assico de controle consiste em encontrar uma lei de controle que mantenha o p endulo na posi ca o vertical, o qual se encontra deslocado da posi ca o podendo estar se deslocando para baixo. Faz-se ent ao uso da for ca horizontal para trazer o p endulo de volta a posi ` ca o vertical. A for ca horizontal e denotada por u(t), a posi ca o do horizontal do ve culo e dada por y (t) enquanto que a posi ca o horizontal da massa do p endulo e denotada por yp (t), e o angulo da haste do p endulo em rela ca o ao eixo vertical e denotado por (t). Assumimos que no sistema de coordenadas (y, z ) a origem de z e a posi ca o onde a haste est a acoplada ao carro, ou seja, z = 0 na origem do angulo . De acordo com as leis de Newton, as for cas aplicadas segundo o eixo horizontal devem estar em equil brio, ou seja, a massa do carro multiplicada pela acelera ca o acrescida da massa do p endulo multiplicada por sua acelera ca o deve igualar a for ca externa. Matematicamente, este princ pio leva ` a equa ca o: d2 d2 M 2 y + m 2 yp = u (8.38) dt dt A posi ca o da massa do p endulo pode ser expressa como uma fun ca o de y e do angulo : yp = y + l sin (8.39) zp = l cos onde l e o comprimento da haste do p endulo. E substituindo (8.40) em (8.38) obtemos: d2 d2 (8.40) M 2 y + m 2 (y + l sin ) = u dt dt Observando que: d sin dt d2 sin dt2 d cos dt d2 cos dt2 = (cos ) 2 + (cos ) = (sin ) = (sin ) 2 (sin ) = (cos ) (8.41) (8.42) (8.43) (8.44)
podemos colocar (8.40) na forma: 2 + ml(cos ) = u (M + m) y ml(sin ) (8.45)
274
Aplicando agora as leis de Newton ao movimento rotacional, vericamos que os torques aplicados ` a massa do p endulo devem estar em equil brio, ou seja, o torque resultante da acelera ca o angular deve igualar ao torque resultante da a ca o da gravidade. Isto leva ` a equa ca o (Fy cos )l (Fz sin )l = (mg sin )l (8.46) As for cas Fy e Fz s ao as componentes das for cas que atuam na massa do p endulo, podendo ser obtidas a partir das equa co es (8.39) e (8.41)(8.44), resultando nas equa co es: Fy = m d2 yp dt2 d2 = m 2 (y + l sin ) dt 2 + l cos = m y l sin
(8.47)
Fz
d2 = m 2 zp dt 2 + l sin = m l cos
(8.48)
Substituindo (8.47) e (8.48) em (8.46) e observando que l se cancela, obtemos a equa ca o: 2 + l cos cos + m l cos 2 + l sin sin mg sin = m y l sin 2 + ml cos cos = my cos ml sin cos 2 + ml sin sin +ml cos sin = my cos + ml
(8.49)
Portanto, as equa co es que descrevem o sistema s ao (8.45) e (8.49), que justapostas levam ao sistema: 2 + ml(cos ) = u (M + m) y ml(sin ) (8.50) = mg sin my cos + ml O sistema de equa co es diferenciais (8.50) e relativamente complexo em virtude de sua natureza n ao-linear. Modelo Matricial No que segue, modicamos o sistema (8.50) de maneira a deixar as em fun vari aveis y e ca o das demais. O sistema (8.50) e equivalente a: = u + ml(sin ) 2 (M + m) y + ml(cos ) = mg sin my cos + ml
8. Resolu c ao Num erica de Equa co es Diferenciais Ordin arias que pode ser colocado em forma matricial: (M + m) ml cos m cos ml y = 2 u + ml sin mg sin
275
(8.51)
E multiplicando pela matriz inversa ambos os lados da igualdade (8.51) obtemos:

y = = 1 (M + m)ml m2 l cos2 1 (M + m)l ml cos2 2 ml ml cos u + ml sin (8.52) m cos (M + m) mg sin 2 mlg sin cos lu + ml2 sin 2 + (M + m)g sin cos u ml sin cos
Sistema de Equa c oes de 1a Ordem Podemos expressar (8.52) em um sistema envolvendo apenas derivadas de vari aveis por meio de uma mudan ca de vari aveis, fazendo: y x1 x2 y x3 = x4 o que nos leva a concluir que: x 1 = x2 u + ml sin x3 x4 2 mg sin x3 cos x3 x 2 = (M + m) m cos2 x3 x 3 = x4 cos x3 u ml sin x3 cos x3 x4 2 + (M + m)g sin x3 x 4 = (M + m)l ml cos2 x3 y x 1 x 2 = y x 3 x 4
(8.53)
(8.54)
Conclu mos que o sistema pode ser modelado pelas equa co es (8.50) ou, equivalentemente, pelas equa co es (8.54) por meio da mudan ca de vari aveis denida por (8.53). De forma mais compacta, (8.54) pode ser colocado em forma vetorial fazendo x = (x1 , x2 , x3 , x4 ) e F (x, u) corresponder ao lado direito do sistema (8.54), o que leva ` a: x = F (x, u) (8.55)
276 Lineariza c ao
Podemos, alternativamente, considerar uma lineariza ca o do sistema (8.50) em torno do ponto de equil brio = 0 e = 0, colocando o p endulo na posi ca o vertical, o que ser a objeto de an alise mais ` a frente. ) = 0 e for Tomando como ponto de equil brio a posi ca o (y, y, , ca u = 0 e assumindo pequenas perturba co es no ponto de equil brio1 , podemos simplicar o modelo x = F (x, u) por meio de uma aproxima ca o linear fazendo uso da s erie de Taylor: x = F (0, 0) + x F (0, 0)x + u F (0, 0)u = x F (0, 0)x + u F (0, 0)u
(8.56)
Fazendo F (x, u) = [f1 , f2 , f3 , f4 ]T , com f1 = x2 , f2 = (u + ml sin x3 x4 2 mg sin x3 cos x3 )/[(M + m) m cos2 x3 ], f3 = x4 e f4 = ( cos x3 u ml sin x3 cos x3 x4 2 + (M + m)g sin x3 )/[(M + m)l ml cos2 x3 ], podemos proceder a lineariza ca o, conforme segue. Para f1 , obtemos: f1 = 0 f 1 = 0, f 1 = 1, f 1 = 0, f 1 = 0, x1 x2 x3 x4 u Para f2 , obtemos: f 2 = 0, f2 = 0 x1 x2
ml cos x3 x4 2 mg cos2 x3 + mg sin2 x3 f2 = x3 (M + m) m cos2 x3 (u + ml sin x3 x4 2 mg sin x3 cos x3 )(2m cos x3 sin x3 ) [(M + m) m cos2 x3 ]2 mg f2 (0) = x3 M 2ml sin x3 x4 f2 = f2 (0) = 0 2 x4 (M + m) m cos x3 x4 1 1 f2 = f2 (0) = 2 u (M + m) m cos x3 u M Para f3 , obtemos: f 3 = 0, f 3 = 0, f 3 = 0, f 3 = 0, f 3 = 1, x1 x2 x3 x4 u
1
Note que F (0, 0) = 0 o que implica x =0
8. Resolu c ao Num erica de Equa co es Diferenciais Ordin arias Para f4 , obtemos:
277
f 4 = 0, f4 = 0 x1 x2
2 2 sin x3 u ml cos2 x3 x2 4 + ml sin x3 x4 + (M + m)g cos x3 f4 = x3 (M + m)l ml cos2 x3 [2ml cos x3 sin x3 ][ cos x3 u ml sin x3 cos x3 x4 2 + (M + m)g sin x3 ] [(M + m)l ml cos2 x3 ]2 (M + m)g f4 (0) = x3 Ml 2ml sin x3 cos x3 x4 f4 = f4 (0) = 0 x4 (M + m)l ml cos2 x3 x4 cos x3 1 f4 = f4 (0) = 2 u (M + m)l ml cos x3 u Ml
Problemas como o descrito acima tem as rela co es entre as vari aveis descritas em termos de equa co es diferenciais, ou seja, equa co es que envolvem um fun ca o desconhecida e algumas de suas derivadas. Uma equa ca o que envolve derivadas at e ordem n e chamada de equa ca o diferencial ordin aria (ODE).
A partir das derivadas 0 x 1 x 2 = 0 x 3 0 x 4 0
fi (0)/xj , geramos a aproxima ca o linear: 1 0 0 x1 0 mg 1 0 0 M x2 + M u 0 0 1 x3 0 (M + m )g 1 M x4 0 Ml 0 l
(8.57)
8.2
Exemplos de Equa co es Diferenciais
Exemplo
Uma lista de equa co es diferenciais exemplo segue abaixo: a) b) c)
dy dx dy dx dy dx
= y + x2 = y2 = 2x + 3
dy d) ex dx + 7xy = x2 + 1
e)
dy dx
=y+1
278 f)
d2 y dx2

dy + 3 dx 17y = 0
g) xyy + xy = 0 h) ex y + 2y + 3xy = x + 3 As equa co es dadas em (a) e (e) s ao equa co es diferenciais de primeira ordem e lineares. J a as equa co es (f) e (h) s ao equa co es diferenciais de segunda ordem e lineares, enquanto que a equa ca o (g) e uma equa ca o diferencial de segunda ordem e n ao-linear.
Exemplo
Considere a equa ca o diferencial linear de primeira ordem: dy = 2x + 3 dx que pode ser escrita como y = f (x) sendo f (x) = 2x +3 uma fun ca o cont nua para a < x < b. A solu ca o da equa ca o e dada por: y = = f (x)dx + c (2x + 3)dx
= x2 + 3x + c
8.3
Problema de Valor Inicial
O problema de valor inicial consiste em encontrar uma solu ca o para a equa ca o diferencial y (n) (x) = f (x, y, y , . . . , y (n1) ) sendo as condi co es iniciais dadas por: y ( a) = 1 y ( a) = 2 . . . . . . (n1) y ( a) = n No que segue desenvolveremos m etodos num ericos para resolver of problema (8.58). (8.58)
279
8.4
Sistemas de Equa co es Diferenciais
Quando o problema acima tem solu ca o, ent ao ele tem, em geral, v arias solu co es, ou seja, uma fam lia de solu co es. Com as condi co es iniciais abaixo, temos o problema do valor inicial: y1 ( x) = y ( x) y2 ( x) = y ( x) . . . y ( x) = y n 1 ( x) n
Um sistema de equa co es diferenciais de primeira ordem tem a seguinte forma: y1 (x) = f1 (x, y1 , y2 , . . . , yn ) y (x) = f2 (x, y1 , y2 , . . . , yn ) 2 (8.59) . . . y (x) = f (x, y , y , . . . , y )
n n 1 2 n
Exemplo
Note que a equa ca o diferencial do problema de valor inicial, (8.58), pode ser colocada na forma de um sistema de equa co es diferenciais de primeira ordem, conforme modelo dado por (8.59). Para tanto, basta proceder como segue: y (n) (x) = f (x, y, y , . . . , y (n1) ) y1 = y (n ) (n1) y2 = y y = f (x, y, y , . . . , y ) . . . yn = y (n1) y1 = y y = y 2 . . . y = y (n ) n y1 = y2 y = y 2 3 (8.60) . . . y = f (x, y , y , . . . , y )
n 1 2 n
Considere o problema de valor inicial dado por: y (x) = xy + ex y (x) + x2 + 1, 0 x<1 (8.61)
280
tal que y (0) = 1, y (0) = 0, e y (0) = 1. Podemos ent ao transformar (8.61) em um sistema de equa co es de primeira ordem, fazendo: = y2 y1 y1 = y y2 = y3 y2 = y (8.62) y3 = xy2 + ex y1 + x2 + 1 y3 = y y1 (0) = 1, y2 (0) = 0, y3 (0) = 1
8.5
Equa co es de Diferen cas
Uma equa ca o de diferen cas de ordem n e uma sequ encia de equa co es da forma: g k ( yk + n , yk + n 1 , . . . , yk ) = 0, k = 0, 1, 2 . . . yj = j , j = 0, 1, 2 . . . , n 1 (8.63)
Os gk s ao fun co es de n + 1 vari aveis e os valores j s ao dados espec cos. Uma solu ca o de tal equa ca o e uma sequ encia (y0 , y1 , . . . , yn1 , yn , yn+1 , . . .) que satisfaz as equa co es (8.63). Uma forma especial das equa co es (8.63) e: n y k + n + n 1 y k + n 1 + . . . + yk = 0 , k = 0 , 1 , 2 , . . . yj = j , j = 0, 1, 2, . . . , n 1 (8.64)
Em (8.64), os gk independem de k e s ao fun co es lineares homog eneas de todas as vari aveis, e por esta raz ao s ao chamadas de equa co es de diferen cas lineares homog eneas, com coecientes constantes.
Exemplos
Abaixo listamos tr es exemplos de equa co es de diferen cas lineares: a) yk+2 5yk+1 + 6yk = 0, y0 = 0, y1 = 1 b) yk+1 yk = 0 e y0 = 0 c) yk+3 2yk+2 yk+1 + 2yk = 0, y0 = 0, y1 = 3, e y2 = 1
8.6
M etodo de Euler
Estudaremos agora m etodos que aproximam uma equa ca o diferencial por uma equa ca o de diferen cas. Determinar numericamente uma solu ca o de uma
281
equa ca o diferencial e encontrar os valores (y1 , y2 , . . . , yn ) atrav es de uma aproxima ca o da equa ca o de diferen cas. Tal aproxima ca o introduz um erro de truncamento e um erro de arredondamento. Vamos resolver a ODE de primeira ordem da forma y = f (x, y ) sujeita a condi ` ca o inicial y (x0 ) = y0 . Primeiramente, vamos analisar o problema gracamente. Suponhamos que y = F (x) e que a solu ca o anal tica seja a curva mostrada no gr aco da gura abaixo.
y y = F (x) y2
y1 y0
x0
x1
x2
Figura 8.10: Ilustra ca o de uma primitiva F (x) Para fazer uma estimativa de y1 , em torno do ponto (x0 , y0 ) vamos considerar que: dy |(x ,y ) = f (x0 , y0 ) dx 0 0 que pode ser aproximado em torno de (x0 , y0 ) por: y y0 = f ( x0 , y0 ) x x0 Observando que, se h = x1 x0 tender a zero, a ordenada do ponto Q ( y ) tende a y1 e da : y = y0 + hf (x0 , y0 ) (8.65) y1 = y0 + hf (x0 , y0 ) Generalizando, temos a seguinte equa ca o a diferen cas, que e a express ao de Euler: yk+1 = yk + hf (xk , yk ) (8.66)
282

y y y1 Q( x 1 , y ) P ( x 1 , y1 )
y0
x0
x1
Figura 8.11: M etodo de Euler Outro enfoque consiste em considerar a aproxima ca o: y ( x) = Introduzindo a nota ca o xk = a + kh, = 0, 1, 2, . . . [y (x + h) y (x)] h (8.67)
de modo que a = x0 < x1 < x2 < . . . < xn = b. Fazendo yk representar uma aproxima ca o para y (xk ) onde y (x) e a solu ca o de y = f (x, y (x)), ent ao (8.67) sugere que: [yk+1 yk ] y ( xk ) = h Portanto, yk+1 yk = hy (xk ) yk+1 = yk + hf (xk , yk ) (8.68) que e novamente a express ao do m etodo de Euler.
8.6.1
Exemplo
Resolver a equa ca o diferencial y = 2x + 3, para x = {1.0, 1.1, 1.2, 1.3}, tendo como condi co es iniciais y = 1 quando x = 1. Temos que f (x, y ) = 2x + 3, x0 = 1, y0 = 1, h = 0.1. Passo 0 Temos, pelas condi co es iniciais que: y0 = 1 x0 = 1
8. Resolu c ao Num erica de Equa co es Diferenciais Ordin arias Passo 1 Calculamos y1 para x1 = 1.1 conforme segue: y1 = = = x1 = x0 = x1 = y0 + hf (x0 , y0 ) 1 + 0.1(2 1 + 3) 1. 5 x0 + h 1. 0y0 = 1. 0 1. 1y1 = 1. 5
283
Passo 2 Calculamos y2 para x2 = 1.2 conforme segue: y2 = = = x2 = y1 + hf (x1 , y1 ) 1.5 + 0.1(2 1.1 + 3) 2.02 1. 2
Passo 3 Calculamos y3 para x3 = 1.3 conforme segue: y3 = y2 + hf (x2 , y2 ) = 2.56 x3 = 1. 3
8.6.2
O Algoritmo de Euler
Algoritmo de Euler (f, a, b, , h) xa y Enquanto x b y y + hf (x, y ) xx+h Saida(x,y) Fim enquanto
8.7
M etodo de Euler para Sistemas de Equa co es
Aqui vamos estender o m etodo de Euler desenvolvido na se ca o para resolver numericamente sistemas de equa co es diferenciais.. Vejamos inicialmente
284
um sistema de duas equa co es: y = f (t, y, z ) z = g (t, y, z ) Fazendo h0 = t1 t0 , temos: y (t1 ) = = z (t1 ) = =
y1 y0 + h 0 f ( t 0 , y0 , z 0 ) z1 z 0 + h 0 g ( t 0 , y0 , z 0 )
Generalizando para um passo h qualquer, temos: yk+1 = yk + hf (tk , yk , zk ) zk+1 = zk + hg (tk , yk , zk ) Para um conjunto de n equa co es o m etodo assume a forma: k+1 k k k k = y1 + hf1 (x(k ), y1 , y2 , . . . , yn ) y1 y k+1 = y k + hf (x(k ), y k , y k , . . . , y k ) 2 2 2 1 2 n . . . y k+1 = y k + hf (x(k ), y k , y k , . . . , y k ) n n n 1 2 n
(8.69)
Logo, as equa co es (8.69) nos d ao um processo iterativo para calcular a solu ca o num erica aproximada de y (x) a partir de um conjunto de condi co es iniciais. Isto signica que a trajet oria {(xk , y k ) : k = 0, 1, 2, . . .}, conforme (8.69), produz uma solu ca o aproximada para y (x).
8.8
M etodos Baseados na S erie de Taylor

y = f (x, y (x)) y ( x0 ) = y0
Tomemos como ponte de partida a equa ca o diferencial ordin aria:
Seja y = F (x) a solu ca o, ou seja, F (x) = f (x, y ) com F (x0 ) = y0 . Assumiremos que F e diferenci avel at e ordem n. Expandindo F (x) na s erie de Taylor em torno de x0 , temos: F ( x) = F ( x0 ) + x x0 (x x0 )2 F ( x0 ) + F ( x0 ) + . . . 1! 2! ( x x 0 ) n (n ) + F ( x0 ) n!
(8.70)
8. Resolu c ao Num erica de Equa co es Diferenciais Ordin arias Sabemos que: F ( x0 ) = y0 F ( x0 ) = f ( x0 , y0 ) = y0
285
Entretanto precisamos ainda determinar y0 , y0 , . . . , y0 . N ao conhecemos estas derivadas pois F (x) n ao e conhecida. Se f for sucientemente deriv avel, elas podem ser determinadas considerando-se a derivada total em rela ca o a x, pois f e fun ca o impl cita de y . Isto nos leva aos desenvolvimento abaixo:
(n )
y = f (x, y (x)) y = f (x, y (x)) dy + f = f y dx x = fy (x, y (x)).f (x, y (x)) + fx (x, y (x)) = fy f + fx
y f dy yf x dy fx y = f . + f + f . . y dx x x dx x 2 2 = fxx + 2fxy f + fyy f + fx fy + fy f
(8.71)
8.8.1
Exemplo
Considere a ODE y = x + y 2 e a condi ca o inicial y (0) = 1. Conforme desenvolvimento acima, sabemos que y = fx + fy f = 1 + 2y y. Observando que fx = 1, fy = 2y , fxx = 0 e fxy = 0, podemos vericar que:
2 y = fyy f 2 + fx fy + fy f
= = = =
2(x + y 2 )2 + 1.(2y ) + (2y )2 (x + y 2 ) 2(x + 2xy 2 + y 4 ) + 2y + 4y 2 x + 4y 4 2x + 4xy 2 + 2y 4 + 2y + 4y 2 x + 4x4 6y 4 + 2y + 4xy 2 + 4y 2 x + 2x
286 Asim temos:
2 2 y (0) = 0 + y0 = y0 = 1
y (0) = = = = y (0) = = = =
1 + 2yy 1 + 2y0 y0 1 + 2. 1. 1 3 6y 4 + 2y + 4xy 2 + 4y 2 x + 2x 4 6y0 + 2y0 6. 1 + 2. 1 8
Isto nos leva ` a solu ca o aproximada: 3 8 y ( x) = 1 + x + x2 + x3 + E T 2 6 Onde ET denota o erro cometido.
8.9
M etodo de Runge-Kutta
Os m etodos de Runge-Kutta s ao obtidos pela s erie de Taylor em que se omite os termos de mais alta ordem na expans ao. Se cancelarmos os termos que cont em pot encias de h de ordem maior que p, obtemos um m etodo de ordem p. O m etodo de Euler estudado anteriormente e de primeira ordem. Para desenvolvermos os m etodos, vamos expandir yk+1 em vez de F (x) como descrito na equa ca o (8.70), ou seja: yk+1 = y (xk ) + hy (xk ) + h3 h2 y (xk ) + y (xk ) 2 6 (8.72)
8.9.1
M etodo de Runge-Kutta de Segunda Ordem
Assumindo que y (x) e tr es vezes continuamente diferenci avel, ent ao o teorema de Taylor nos d a: yk+1 = y (xk ) + hy (xk ) + h3 h2 y (xk ) + y (k ) 2 6 (8.73)
8. Resolu c ao Num erica de Equa co es Diferenciais Ordin arias para algum k [xk , xk+1 ]. Usando a nota ca o y (xk ) = f (xk , y (xk )) vemos que
287
h2 df (x, y (x)) y (xk+1 ) = y (xk ) + hf (xk , y (xk )) + [ ] + O(h3 ) (8.74) 2 dx

(x)) poder amos usar uma das f ormulas de (8.71), mas Para calcular df (x,y dx ter amos o problema das derivadas parciais, ent ao usamos uma aproxima ca o dada pela deriva ca o do polin omio interpolador de grau um, ou seja:
p ( x) = f ( x1 ) ent ao:
x x2 x x1 + f ( x2 ) x1 x2 x2 x1 1 1 + f ( x2 ) x1 x2 x2 x1 (8.75)
p ( x) = f ( x1 ) da temos com h = x2 x1 que:
df (x, y (x)) 1 = [f (x + h, y (x + h)) f (x, y (x))] + O(h) dx h
Escrevendo a equa ca o (8.75) para x = xk e substituindo em (8.74), temos: y (xk+1 ) = y (xk ) + hf (xk , y (xk )) h2 f (xk+1 , y (xk+1 )) f (xk , y (xk )) + O (h3 ) + 2 h h = y (xk ) + [f (xk+1 , y (xk+1 )) + f (xk , y (xk ))] 2 h (8.76) = yk + [f (xk+1 , yk+1 ) f (xk , yk )] 2 Todavia, a f ormula (8.76) n ao pode ser utilizada para calcular y1 , y2 , . . . por causa do termo yk+1 = y (xk+1 ) no lado direito da igualdade. As f ormulas do tipo (8.76) s ao chamadas f ormulas impl citas. Substituindo yk+1 em f (xk+1 , yk+1 ) pela express ao do m etodo de Euler, temos: f (xk+1 , yk+1 ) = f (xk+1 , y (xk ) + hy (xk ) + O(h2 )) = f (xk+1 , y (xk ) + hy (xk )) + O(h2 ) A substitui ca o de (8.77) em (8.76), nos leva a: h yk+1 = yk + [f (xk , yk ) + f (xk+1 , yk + hf (xk , yk )] + O(h3 ) (8.78) 2 (8.77)
288
que e conhecida como f ormula de Runge-Kutta de segunda ordem. Para uma equa ca o diferencial do tipo y = f (x, y ), com condi ca o inicial y (x0 ) = y0 , O m etodo Runge-Kutta de segunda-ordem pode ser reescrito da seguinte forma: xk+1 = xk + h k1 + k2 , yk+1 = yk + 2 onde: k1 = hf (xk , yk ) k2 = hf (xk+1 , yk + k1 )
8.10
Exerc cios
d 2 x( t ) + x(t) = r(t) , com dt2 t0 t tf x( t 0 ) = x0 e x( t f ) = xf
Exerc cio 8.1 Considere o Problema com Condi co es de Contorno a seguir: (8.79)
O problema, cont nuo na vari avel t, consiste em determinar a fun ca o x(t) que satisfaz (8.79). Este problema pode ser tratado computacionalmente atrav es da discretiza ca o do intervalo de tempo considerado. Como r(t) e uma fun ca o conhecida, divide-se o intervalo [t0 , tf ] em n +1 subintervalos igualmente espa cados e considera-se a informa ca o relativa a r(t) em n instantes de tempo discretos: tk = t0 + kT r ( t k ) = rk , k = 1 , 2 , . . . , n
Deseja-se, ent ao, calcular os valores aproximados de x(t) nos instantes determinados, levando em considera ca o as condi co es de contorno: x( t k ) = xk , k = 1, 2, . . . , n com x(t0 ) = x0 e x(tf ) = x (t0 + (n + 1)T ) = xf Para tanto, pode-se utilizar a aproxima ca o seguinte: d 2 x( t ) x( t + T ) 2x( t ) + x( t T ) 2 dt T2 (8.80)
a) Equacione a estrat egia de discretiza ca o delineada acima, conhecida como M etodo das diferen cas nitas, sob a forma de um sistema de equa co es lineares que permita determinar as aproxima c oes xk .
8. Resolu c ao Num erica de Equa co es Diferenciais Ordin arias b) Considere r(t) = t, t0 = 0, tf = 1, x(0) = x(1) = 0 e n = 6:
289
i. Utilize um m etodo direto para obter a solu ca o do sistema de equa co es correspondente. Justique a escolha de m etodo. ii. Utilize o M etodo de Gauss-Siedel para encontrar uma aproxima ca o para a solu ca o (10 itera co es / aproxima ca o inicial nula). Analise a converg encia do m etodo. Exerc cio 8.2 Para o circuito dado na Figura 8.12, a equa ca o diferencial ordin aria de segunda ordem que descreve o comportamento din amico do sistema e dada por: L d2 d 1 i(t) + R i(t) + i(t) = 3.5 cos (3.5t) 2 dt dt C
Executar as seguintes tarefas: a) Calcular utilizando o m etodo de Euler o valor da corrente ap os 3.8 segundos, assumindo que i(0) = i (0) = 0. Utilizar passo de integra ca o sucientemente pequeno. A implementa ca o deve ser feita em Matlab, Octave ou Scilab. b) Calcular utilizando o m etodo de Runge-Kutta o valor da corrente ap os 3.8 segundos, assumindo que i(0) = i (0) = 0. Utilizar passo de integra ca o sucientemente pequeno. A implementa ca o deve ser feita em Matlab, Octave ou Scilab. c) Gerar gr aco da curva i(t) para o per odo de integra ca o. d) Gerar gr aco da curva i (t) para o per odo de integra ca o.
R=1 t=0 sin(3, 5t) C = 0, 005F
L = 3H
Figura 8.12: Circuito el etrico
290
Exerc cio 8.3 Para o p endulo invertido ilustrado na Figura 8.9, a din amica ) = do movimento pode ser aproximada em torno do estado (y, y, , (0, 0, 0, 0) pelas equa co es diferenciais abaixo: = u (M + m) y + ml 2g + y 2l = 0 (8.81)
onde M = 10Kg , m = 0.5Kg , g = 9.8m/s2 , e l = 50cm. Executar as seguintes tarefas: e x = (x1 , x2 , x3 , x4 ), obter um a) Fazendo x1 = y, x2 = y, x3 = , x4 = sistema de equa co es diferenciais x = F (x, u) equivalente ao sistema de equa co es (8.81). b) Seja a lei de controle dada por u(t) = Kx(t) onde K = [ 3.1623 10.1554 494.4166 110.6079 ] Obter a trajet oria de x(t) para t [0, 10s] usando o m etodo de RungeKutta e fazendo x(0) = [ 0.2 0 0.5 0 ]T . Apresentar em gr acos as curvas x1 (t), . . . , x4 (t). Qual e o valor de x(10)? c) Repetir o item (b) com x(0) = [ 0.3 0 0.8 0 ]T . Exerc cio 8.4 Considere o sistema mec anico da Figura 8.13, onde: M = 5kg , massa do corpo; K = 3m/N , coeciente da mola; D = 1N s/m, coeciente de atrito viscoso; F = 10e2t N , for ca aplicada no corpo; e V (t), velocidade do corpo. A equa ca o diferencial que caracteriza o movimento do corpo e dada por: 5 d2 V (t) dV (t) 1 + V (t) = 20e2t +4 2 dt dt 3
Sabemos que para t = 0s a velocidade do corpo e 1.5m/s e a acelera ca o e 2 0.5m/s .
291
a) Calcular utilizando o m etodo de Euler a velocidade e acelera ca o do corpo ap os 5s. Utilizar passo de integra ca o sucientemente pequeno. A implementa ca o deve ser feita em Matlab, Octave ou Scilab. b) Calcular utilizando o m etodo de Runge-Kutta de 2a ordem a velocidade e acelera ca o do corpo ap os 5s. Utilizar passo de integra ca o sucientemente pequeno. A implementa ca o deve ser feita em Matlab, Octave ou Scilab. c) Apresentar gr aco da curva V (t) para o per odo de integra ca o. d) Apresentar gr aco da curva V (t) para o per odo de integra ca o.
V ( t) K M F
Figura 8.13: Sistema mec anico
Exerc cio 8.5 A din amica do movimento do sistema de dois p endulos descrito Figura 8.14 pode ser descrita pelas equa co es diferenciais abaixo: = d 1 ( d 2 2 + 1 ) 1 1 1 2 2 2 = m2 2 + I2 d2 2 sin 2 2 m 2 l1 2 u+ d 2 1 d1 d1 1 2 2 2 d 1 = m1 1 + m 2 ( l1 + 2 + 2l1 2 cos 2 ) + I1 + I2 2 d 2 = m2 ( 2 + l1 2 cos 2 ) + I2 2 2 sin 2 2m2 l1 2 2 1 sin 2 + (m1 1 + m2 l1 )g cos(1 ) + 2 = m l 1 2 1 2 2 2 = m2 2 g cos(1 + 2 ) 2 (8.82) onde u e o torque aplicado na junta, m1 = m2 = 1 s ao as massas das hastes, l1 = l2 = 1 s ao os comprimentos das hastes, 1 = 2 = 1/2 s ao os comprimentos at e o centro de massa das barras, I1 = I2 = 1 s ao os momentos de in ercia das barras, e g = 9.8 e a acelera ca o da gravidade. Todas as unidades est ao no sistema internacional.
292
1 , x3 = 2 , x4 = 2 e x = (x1 , x2 , x3 , x4 ), obter a) Fazendo x1 = 1 , x2 = um sistema de equa co es diferenciais x = F (x, u) equivalente ao sistema de equa co es (8.82). b) Quando nenhum torque externo e aplicado, u(t) = 0, obter a trajet oria de x(t) para t [0, 10s] usando o m etodo de Runge-Kutta de 2a ordem e fazendo x(0) = [ , 0 . 2 , , 0 . 1]. Apresentar em gr acos as curvas 7 10 x1 (t), . . . , x4 (t). Qual e o valor de x(10)?
Torque
Figura 8.14: Sistema mec anico de dois p endulos y (t) = f (t, y (t)) y ( t 0 ) = y0 , t 0
Exerc cio 8.6 Seja o PVI:
tf
a) Represente gracamente e d e uma explica ca o para um passo do m etodo de Euler. b) Elabore um pseudo-c odigo para a implementa ca o computacional do m etodo de Runge-Kutta de 2a -ordem. Considere: i) dados de entrada (fornecidos pelo usu ario): a condi ca o inicial, o intervalo de c alculo e o n umero de itera co es desejadas; ii) que para valores particulares de (t, y ), o valor num erico de f (t, y (t)) obtidos pela chamada de uma rotina (ou fun ca o auxiliar) com a sintaxe: Fty = avaliaF(t,y);
293
iii) dados de sa da: o programa correspondente ao pseudo-c odigo dever fornecer os valores aproximados de y (t) ao longo das itera co es e os valores correspondentes da vari avel independente.
294
Refer encias Bibliogr acas

[1] D. M. Cl audio and J. M. Marins. C alculo Num erico Computacional. Atlas, 1994. [2] T. H. Cormen, C. E. Leiserson, and R. L. Rivest. Introduction to Algorithms. MIT Press, Cambridge, MA, 1990. [3] C. C. Dyer and S. S. Ip. An Elementary Introduction to Scientic Computing. Division of Physical Sciences, Univerisity of Toronto at Scarborough, January 2000. [4] H. Jereys and B. S. Jereys. Methods of Mathematical Physics. Cambridge University Press, Cambridge, England, 3rd edition, 1988. [5] W. H. Press, B. P. Flannery, S. A. Teukolsky, and W. T. Vetterling. Numerical Recipes in FORTRAN: The Art of Scientic Computing. Cambridge University Press, Cambridge, England, 2nd edition, 1992. [6] S. L. Salas, E. Hille, and J. T. Anderson. Calculus: One and Several Variables, with Analytic Geometry. John Wiley and Sons, New York, NY, 5th edition, 1986. [7] L. Vandenberghe. Applied Numerical Computing. Lecture Notes for EE103, 2001.
296
Refer encias Bibliogr acas
Ap endice A Fundamentos Matem aticos

A.1 Limites e Continuidade
xc
Informalmente, lim f (x) = l signica que para x pr oximo mas diferente de c, f (x) est a pr oximo de l, o que signica dizer que se | x c| e pequeno mas diferente de zero, ent ao | f ( x) l | e pequeno. Dizer que limxc f (x) = l signica dizer que |f (x) l| pode tornar-se arbitrariamente pequeno simplesmente fazendo |x c| sucientemente pequeno mas diferente de zero. Se voc e tomar > 0, ent ao |f (x) l| pode se tornar menor do que se 0 < |x c| < para um sucientemente pequeno. A deni ca o a seguir formaliza este princ pio. Deni c ao A.1 O limite de uma fun c ao lim f (x) = l sse para cada > 0 existe > 0 tal que se 0 < |x c| < , ent ao |f (x) l| <
xc
Exemplo A.1 Mostre que limx2 (2x 1) = 3. (Encontrando ) Seja > 0. Desejamos encontrar > 0 tal que, se 0 < |x 2| < , ent ao |(2x 1) 3| < Primeiramente, estabelecemos a conex ao entre |(2x 1) 3| e |x 2|.
298 A conex ao e simples,
A. Fundamentos Matem aticos
|(2x 1) 3| = |2x 4| = 2|x 2|.
(A.1)
Para fazer |(2x 1) 3| menor do que , precisamos apenas fazer |x 2| ser . (Mostrando que funciona) duas vezes menor. Isso sugere a escolha de = 2 Para mostrar que esta escolha funciona, note que se 0 < |x 2| < 2 , ent ao 2|x 2| < e de (A.1) temos que |(2x 1) 3| < . Deni c ao A.2 (O limite ` a esquerda de uma fun c ao) Seja f uma fun c ao denida no intervalo (a, c). lim f (x) = l sse para cada > 0 existe > 0 tal que se c < x < c, ent ao |f (x) l| <
xc
Deni c ao A.3 (O limite ` a direita de uma fun c ao) Seja f uma fun c ao denida no intervalo (c, d). lim f (x) = l sse para cada > 0 existe > 0 tal que se c < x < c + , ent ao |f (x) l| <
xc +
Segue das deni co es acima que

xc
lim f (x) = l sse lim = l e lim =l +

xc xc
Dizemos que um processo e cont nuo se ele e realizado sem interrup ca o e sem mudan cas bruscas. Na matem atica, a palavra cont nuo tem um signicado diferente. Seja f uma fun ca o denida no intervalo aberto (c , c + ). Deni c ao A.4 A fun c ao f e cont nua no ponto c se e somente se limxc f (x) = c. Se o dom nio da fun ca o f cont em o intervalo aberto (c , c + ), ent ao h a apenas duas raz oes para f n ao ser cont nua no ponto c: i) f (x) n ao tem um limite quando x tende para c, neste caso dizemos que c e uma descontinuidade; ii) f (x) tem um limite l, mas o limite l e diferente de c. No u ltimo caso, podemos eliminar a descontinuidade redenindo f de forma que f (x) = l. A Figura A.1 ilustra a transforma ca o de uma fun ca o descont nua (a) em uma fun ca o cont nua (b). Uma fun ca o que e cont nua dentro de um intervalo n ao tem saltos nem interrup co es, portanto a sua curva n ao e quebrada. Com base nestes princ pios, dois teoremas podem ser estabelecidos.
299
( a)
( b)
Figura A.1: Eliminando a descontinuidade de uma fun ca o.
Teorema A.1 (Teorema do valor intermedi ario) Se f e cont nua no intervalo [a, b] e C e um n umero entre f (a) e f (b), ent ao existe c [a, b] tal que f ( c) = C . Teorema A.2 (Teorema do m aximo e m nimo) Se f e cont nua em [a, b], ent ao f tem um valor m aximo M e m nimo m no intervalo [a, b].
A.2
Diferencia c ao
Considere uma fun ca o f : R R e o ponto (x, f (x)) de seu gr aco, conforme Figura A.2. Como que se obt em, quando esta existe, a tangente da curva no ponto (x, f (x))? Para responder esta quest ao, tomamos um n umero pequeno h = 0 e na curva obtemos o ponto ((x + h), f (x + h)), conforme ilustra ca o na Figura A.3. Agora tra camos a reta secante que passa pelos pontos (x, f (x)) e ((x + h), f (x + h)). Dependendo de h > 0 ou h < 0, a secante ter a diferentes ` inclina co es. A medida que h tende para zero da direita, a secante tende para uma posi ca o limite, o mesmo ocorrendo quando h tende para zero da esquerda. A reta nesta posi ca o limite e dita tangente da curva no ponto (x, f (x)). Uma vez que as secantes tem inclina ca o dada por: f ( x + h ) f ( x) h espera-se que a tangente, a posi ca o limite destas secantes, tenha inclina ca o
300
(x, f (x))
x Figura A.2: Fun ca o exemplo.
y
f (x) Secante f (x )
(x + h, f (x + h))
Limite
(x, f (x))
Limite
(x, f (x)) (x + h, f (x + h))
Secante
x h>0
h<0
Figura A.3: Secantes da fun ca o.
A. Fundamentos Matem aticos dada por: f ( x + h ) f ( x) . h 0 h lim Deni c ao A.5 Uma fun c ao f e dita diferenci avel no ponto x se f ( x + h ) f ( x) existe. xc h lim
301
Se este limite existe, ent ao a derivada de f no ponto x e denotada por f (x). Teorema A.3 Se f e diferenci avel no ponto x, ent ao f e cont nua em x. Teorema A.4 (Regra do produto) Se f e g s ao duas fun c oes diferenci aveis no ponto x, ent ao ( f g ) ( x) = f ( x) g ( x) + f ( x) g ( x) . Deni c ao A.6 (Derivada da soma e m ultiplo escalar) Seja um n umero real. Se f e g s ao diferenci aveis no ponto x, ent ao f + g and f s ao diferenci aveis no ponto x tal que: (f + g ) (x) = f (x) + g (x) and (f ) (x) = f (x). Aqui vamos considerar a diferencia ca o de fun co es compostas. Suponha que y e uma fun ca o diferenci avel em u: y = f ( u) eu e uma fun ca o diferenci avel em x: u = g ( x) . Portanto, y e uma fun ca o de x: y = f (u) = f (g (x)). Podemos dizer que y tem uma derivada em rela ca o a x? Sim, y tem uma uma derivada em rela ca o a x dada pela f ormula: dy dy du = . dx du dx A f ormula acima e conhecida como regra da cadeia, a qual diz que a taxa de varia ca o de y com respeito a x e a taxa de varia ca o de y com respeito a u
302
vezes a taxa de varia ca o de u com respeito a x. Como exemplo, considere as fun co es a seguir: y = 2u e u = 3x. Ent ao, temos que y = 2x. Note que dy du dy = 6, = 2, =3 dx du dx o que nos leva a conrmar a regra da cadeia pois: dy du dy = . dx du dx Teorema A.5 (Regra da cadeia) Se g e diferenci avel no ponto x e f e diferenci avel no ponto g (x), ent ao a composi c ao f.g e diferenci avel no ponto x tal que (f.g ) (x) = f (g (x))g (x).
A.2.1
Aplica c ao de Diferencia c ao
Um tanque cujo corte facial e um tri angulo eq uil atero recebe agua na taxa de 4 cm3 /min. Tendo a abertura do tanque 12 cm de comprimento, com que velocidade a agua est a subindo no instante em que ela atinge a profundidade 1 de 1 2 cm? A Figura A.4 ilustra o corte facial do tanque. Seja x a profundidade da agua e V o volume de agua em cm3 . Sabemos que dV = 4 cm3 /min e dt x 3 x desejamos saber dx quando x = 3 cm. Note que l = tan(60 . Portanto, o) = dt 2 3 agua armazenado no tanque a area da se ca o facial e lx = 33 x2 e o volume de x2 3 2 e 12 = 4 3x . 3 Diferenciando V = 4 3x2 com respeito a t obtemos dx dV = 8 3x . dt dt Substituindo x =
3 2
dV dt
= 4, temos 4=8 3 3 2 dx dt
o que nos leva a concluir que 1 dx = 3. dt 9
303
cm, o n vel da agua est a subindo No instante em que a agua atinge a altura 1 1 2 1 a uma taxa de 9 3cm/s.
l
N vel da Agua
60o
Figura A.4: Corte facial do tanque.
A.3
Teorema do Valor M edio
O Teorema do Valor-M edio foi primeiramente enunciado pelo matem atico Joseph Louis Lagrange (17361813), cujas aplica co es podem ser encontradas em v arios problemas da matem atica. Teorema A.6 (Torema do Valor M edio) Se f e uma fun c ao diferenci avel em (a, b) e cont nua em [a, b], ent ao existe um n umero c (a, b) tal que f ( c) = f ( b ) f ( a) . ba
O n umero c e a inclina ca o da reta l que passa atrav es dos pontos (a, f (a)) e (b, f (b)). Dizer que existe pelo menos um n umero c tal que f ( c) = f ( b ) f ( a) ba
signica dizer que o gr aco da fun ca o f tem pelo menos um ponto (c, f (c)) no qual a tangente e paralela a l. Esta congura ca o e ilustrada na Figura A.5.
304

Tangente
(b, f (b)) l (c, f (c))
f (x)
(a, f (a))
Figura A.5: Ilustra ca o do Teorema do Valor M edio.
A.4
M aximos e M nimos
Em problemas de Engenharia e F sica, rotineiramente se deseja determinar qu ao grande ou qu ao pequena uma certa quantidade pode ser. Se o problema admite uma formula ca o matem atica, ent ao podemos em princ pio reduzi-lo ao problema de encontrar o valor m nimo ou m aximo de uma certa fun ca o. No que segue, vamos considerar os valores m aximos e m nimos de uma fun ca o em um intervalo aberto. Deni c ao A.7 (M nimo/M aximo Local) Uma fun c ao f tem um m aximo local no ponto c sse f (c) f (x) para todo x suciente pr oximo de c. A fun c ao tem um m nimo local no ponto c sse f (c) f (x) para todo x suciente pr oximo de c. As no co es de pontos de m aximo e m nimo locais s ao ilustradas na Figura A.6.
A.5
Introdu c ao a Equa co es Diferenciais
Na Natureza e comum encontrarmos sistemas cujas grandezas variam no tempo. Se uma quantitade y varia no tempo de acordo com uma equa ca o diferencial, ent ao y e tipicamente descrita por uma equa ca o que envolve y e

y
(a, f (a))
305
(c, f (c))
M aximo Local M aximo
f (x)
M nimo Local
(b, f (b)) Local
Figura A.6: Pontos de m aximo e m nimo de uma fun ca o. suas derivadas. Tal equa ca o e conhecida como equa c ao diferencial. Exemplos de equa co es diferenciais s ao: y = 2y + ey , 2y y + 2y = 0, y + 2y y = x. Equa co es diferenciais s ao essencias na modelagem matem atica de fen omenos f sicos, tendo in umeras aplica co es reais em engenharia, f sica e matem atica. Muitas vezes os problemas de interesse s ao t ao complexos que a an alise destes torna-se intrat avel. A investiga ca o do impacto de novas pol ticas cambiais na economia de um pa s e a inu encia do ac umulo de res duos poluentes em um ecosistema conguram sistemas de complexidade consider avel. Em tais sistemas, o t opico de interesse pode ser identicado com certa facilidade mas, por outro lado, e muito dif cil de se chegar a conclus oes. As rela co es entre as grandezas podem n ao ser aparentes. Em tais situa co es, se faz necess ario o emprego de modelos simplicados que tomam como hip oteses premissas restritivas. Por exemplo, na modelagem de sistemas mec anicos podemos desconsiderar as varia co es da gravidade e a resist encia do ar para velocidades baixas. Contudo, e importante que as hip oteses sejam enunciadas de forma a deixar claro as limita co es e a regi ao de validade. Se as hip oteses podem ser escritas em nota ca o matem atica, ent ao as ferramentas de modelagem e solu ca o matem atica podem ser empregadas no tratamento do problema. O processo de transcrever, formular, analisar e resolver um problema em um contexto matem atico e conhecido como modelagem matem atica. O objetivo da modelagem matem atica e melhor enteder um fen omeno do mundo real, o que n ao e uma tarefa trivial. Muitas vezes, desejamos construir um modelo que nos permita fazer predi co es que por sua vez podem ser empregadas para inuenciar a evolu ca o de eventos. Por exemplo, o modelo de
2
306
um tanque de biomassa pode ser utilizado na determina ca o da temperatura e composi ca o que garantam maior gera ca o de energia. Equa c oes Diferenciais de Primeira Ordem A ordem de uma equa ca o diferencial e a ordem da derivada mais alta que aparece na equa ca o. As equa co es y + 2y = x3 and y xy/2 = ex s ao equa co es de primeira ordem; y 2y + y = 2x and y + 4y = 0 s ao equa co es de segunda ordem. Uma fun ca o y e dita uma solu c ao da equa ca o diferencial se ela satisfaz a equa ca o. Por exemplo, a fun ca o y = x + e2x e uma solu ca o da equa ca o diferencial y + 2y = 2x + 1. Basta vericar que y + 2y = (x + e2x ) + 2(x + e2x ) = 1 2e2x + 2x + 2e2x = 2x + 1. Para ilustrar a solu ca o de equa co es diferenciais de primeira ordem, vamos considerar equa co es lineares na forma y + p ( x) y = q ( x) onde p e q (x) s ao fun co es cont nuas. No caso mais simples, quando p(x) = 0 para todo x, a equa ca o se reduz a y = q ( x) . (A.2)
As solu co es desta equa ca o s ao antiderivadas de q podendo ser escritas na forma y = Q(x). Portanto, y = Q( x) + c (A.3) e uma solu ca o com c sendo uma constante arbitr aria. A equa ca `o (A.3) e dita solu c ao geral e qualquer solu ca o de (A.2) pode ser obtida ajustando o valor da constante c. A fun ca o y = x2 , por exemplo, resolve a equa ca o diferencial 2 y = 2x. A solu ca o geral e portanto y = x + c.
A. Fundamentos Matem aticos Para resolver uma equa ca o na forma y + p ( x) y = q ( x) primeiramente calculamos P ( x) = p(x)dx
307
sem considerar constantes. Multiplicamos a equa ca o diferencial por eP (x) obtendo e P (x ) y + e P (x ) p ( x ) y = e P (x ) q ( x ) . O lado esquerdo da equa ca o acima e d P (x ) [e y] dx portanto, a equa ca o pode ser escrita como d P (x ) [e y ] = e P (x ) q ( x ) . dx Integrando, obtemos e P (x ) y = e a solu ca o e dada por y = e P (x ) { Modelo Presa-Predador Objetivando ilustrar a modelagem matem atica, vamos considerar um cen ario de duas esp ecies onde uma serve de alimento a outra. Digamos que as esp ecies s ao raposas e coelhos. Se a popula ca o de coelhos cresce, ent ao as raposas encontram presas com mais facilidade e em decorr encia de melhor alimento tamb em crescem em n umero. Ap os algum tempo, a popula ca o de coelhos decresce. Como conseq u encia, a popula ca o de raposas tamb em decresce em virtude da diculdade de encontrar alimento. A redu ca o da popula ca o de raposas, por sua vez, facilita o crescimento da popula ca o de coelhos, levando de volta ao in cio do ciclo. eP (x) q (x)dx + c}. eP (x) q (x)dx + c
308
Seja x o n umero de raposas e y o n umero de coelhos no instante t. Vamos considerar as esp ecies separadamente. Se n ao h a raposas, a popula ca o de coelhos cresce exponencialmente, o que pode ser modelado pela equa ca o dy = ay, dt a > 0. (A.4)
Por outro lado, se n ao h a coelhos, a popula ca o de raposas decresce exponencialmente conforme modelo dx = bx, dt b > 0. (A.5)
Para considerar a intera ca o entre esp ecies, vamos assumir que h a um n umero abundante de coelhos e raposas. Vamos assumir tamb em que a taxa na qual raposas matam coelhos e proporcional ao produto xy . Assim, subtra mos um termo proporcional a xy de (A.4), dessa forma modelando a redu ca o da popula ca o de coelhos. Adicionamos tamb em um termo proporcional a xy ` a express ao (A.5), modelando o crescimento da popula ca o de raposas. O modelo em equa co es diferenciais ca dy = ay sxy, dt dx = rxy bx, onde a, b, r, s > 0. dt
O termo xy e adotado em vez da express ao x + y pois a quantitdade xy ea maior poss vel quando x e y s ao aproximadamente iguais. O maior n umero de presas ser ao capturadas quando n ao h a um n umero relativo elevado de raposas a procura de presas e quanto n ao h a um n umero muito pequeno de coelhos. As equa co es diferenciais A.5 forma um sistema de equa co es. Podemos resolver o sistema eleminando a vari avel independente t: dy/dt dy = dx dx/dt que pode ser escrita como y (a sx) dy = . dx x(ry b)
A. Fundamentos Matem aticos Separando as vari aveis obtemos dy y (a sx) ry b dy y ry b ln y + sx a ln x ry + sx ln xa y b ry + sx c ery+sxc = = = = = = dx , x(ry b) (a sx) dx, x c, c, ln xa y b , xa y b , xa y b . ery esx
309
e c = Fazendo k = ec , a solu ca o ca
xa y b . (A.6) ery esx Note que k pode ser calculado com base nos valores iniciais de x e y (x(0) e y (0)). Observe tamb em que k n ao depende do tempo. Para analisar o comportamento da solu ca o, note que o lado direito de (A.6) e composto de dois termos similares da forma: zp f (z ) = mz , p, m > 0. e O gr aco da curva f (z ) tem a forma dada na Figura A.7. Se xarmos o valor de x em (A.6) e resolvermos a equa ca o para y , obteremos dois valores. Ou seja, f (z ) assume este valor em dois pontos, z1 e z2 . A exce ca o ocorre quando y = b/r onde z = p/m. Nesse valor de y , x assume seu valor m aximo ou m nimo. De forma similar, linhas horizontais ordinariamente interceptam o gr aco de (A.6) duas vezes, sendo que y assume seu valor m aximo ou m nimo quando x assume o valor a/s. O gr aco de (A.6) e uma curva conhecida como trajet oria. Trajet orias para dois valores de K e par ametros xos para a, b, r e s aparecem na Figura A.8. Para determinar a dire ca o das trajet orias, conforme indicado pelas setas, basta vericar que k = dx = x(ry b) > 0 sse y > b/r. dy Portanto, o movimento e no sentido hor ario. O ponto E = (a/s, b/r) e um ponto de equil brio. As duas popula co es n ao mudam com o passar do tempo. Na pr atica tal equil brio n ao ocorre. O comportamento c clico ilustrado pela gura melhor representa o caso real.
310
f (z )
p p ( me )
z1
p m
z2
z
zp , emz
Figura A.7: Gr aco da fun ca o f ( z ) =
p, m > 0.
y
7 6 5 4
x=
a s
=4 K = 0, 16
y=
3 2 1
b r
=3
10
Figura A.8: Trajet orias para K = 0, 16.
311
A.6
Vetores
Uma tripla x = (x1 , x2 , x3 ) que dene uma dire ca o v = x1 i + x2 j + x3 k e um vetor do plano cartesiano, onde i e o vetor de comprimento unit ario que d a a dire ca o do eixo x, j e o vetor de comprimento unit ario que d a a dire ca o do eixo y , e k e unit ario e d a a dire ca o do eixo z . Os vetores i, j e k s ao ortogonais entre si. Note que i = (1, 0, 0), j = (0, 1, 0) e k = (0, 0, 1). O ponto 0 = (0, 0, 0) e a origem do plano cartesiano e serve de refer encia. A Figura A.9 ilustra o plano cartesiano. Neste ap endice vamos diferenciar escalares de vetores adotando fonte em negrito para os vetores. z
x Figura A.9: Plano cartesiano. A ado ca o do plano cartesiano para representa ca o de vetores facilita opera co es b asicas sobre vetores. Por exemplo, a soma vetorial de dois vetores a = (a1 , a2 , a3 ) e b = (b1 , b2 , b3 ) pode ser obtida fazendo: a + b = ( a1 , a2 , a3 ) + ( b 1 , b 2 , b 3 ) = ( a1 + b 1 , a2 + b 2 , a3 + b 3 ) A multiplica ca o de um vetor a por um escalar tamb em e simples, sendo dada por: a = (a1 , a2 , a3 ) A soma vetorial de dois vetores a e b est a exemplicada na Figura A.10. Dois vetores n ao nulos a e b s ao ditos paralelos se a = b para algum escalar . Dois vetores paralelos a e b t em a mesma dire c ao se > 0; eles t em dire c oes opostas se < 0. O comprimento de um vetor e medido por meio de normas. A norma l-2 ou norma Euclidiana de um vetor x = (x1 , x2 , x3 ) e denida como: x =
2 2 x2 1 + x2 + x3
312
z a+b b a 0 y
x Figura A.10: Soma vetorial.
Note que toda a norma
(1) x 0 para todo x R3 ; (2) x = || x para todo x R3 e R; e (3) a + b a + b para todo a, b R3 .
satisfaz as propriedades:
A.6.1
Produto Interno
O produto interno tem in umeras aplica co es em f sica e geometria. Para dois vetores arbitr arios a = (a1 , a2 , a3 ) e b = (b1 , b2 , b3 ), o produto interno e um escalar denotado por a b e denido por: a b = a1 b 1 + a2 b 2 + a3 b 3 Observe que a a = a 2 . O produto interno de um vetor a qualquer com o vetor nulo e zero: a0=0 e 0a=0 Podemos mostrar que o produto interno e comutativo vericando que: a b = a1 b 1 + a2 b 2 + a3 b 3 = b 1 a1 + b 2 a2 + b 3 a3 = b a Escalares tamb em s ao pass veis de fatora ca o conforme a dedu ca o abaixo demonstra: a b = a1 b1 + a2 b2 + a3 b3 = (a1 b1 + a2 b2 + a3 b3 ) = a b
313
Da maneira semelhante ao desenvolvido acima pode-se mostrar que o produto interno e distributivo, ou seja, a (b + c) = a b + a c. Se dois vetores a e b s ao n ao nulos, ent ao o produto interno a b pode ser interpretado geometricamente tomando como base o tri angulo formado pelos vetores a, b e a b conforme indicado na Figura A.11. Pela lei dos cosenos, temos que: ab o que nos leva a: 2 a b cos = a 2 + b 2 a b 2 2 2 2 2 2 = [ a2 1 + a2 + a3 ] + [ b 1 + b 2 + b 3 ] [(a1 b1 )2 + (a2 b2 )2 + (a3 b3 )2 ] 2 2 2 2 2 = [ a2 1 + a2 + a3 ] + [ b 1 + b 2 + b 3 ] 2 2 2 2 2 [ a2 1 2 a1 b 1 + b 1 + a2 2 a2 b 2 + b 2 + a3 2 a3 b 3 + b 3 ] = 2 a1 b 1 + 2 a2 b 2 + 2 a3 b 3 = 2a b ab= a b cos (A.7)
2
= a
+ b
2 a
b cos
portanto, conclu mos que:
a b
ab
Figura A.11: Produto interno. A partir da express ao (A.7) podemos vericar que o produto interno nos ` d a uma medida do quanto as dire co es de dois vetores se assemelham. A medida que as dire co es de dois vetores se tornam opostas o produto interno entre eles decresce. 1) Quanto dois vetores a e b t em a mesma dire ca o, = 0, o produto interno se torna: ab= a b que e o m aximo valor poss vel para o produto interno a b.
314
2) Quando a e b t em dire co es opostas, = , o produto interno assume o valor: ab= a que e o m nimo valor poss vel para a b. , o produto interno assume o valor: 3) Quando a e b s ao ortogonais, = 2 ab=0 Conclu mos que dois vetores s ao perpendiculares se e somente se o produto interno entre eles e nulo. b
A.6.2
Proje c oes
Se b e um vetor n ao nulo, ent ao um vetor a arbitr ario pode ser escrito de maneira u nica como a soma de um vetor b paralelo a b e um vetor b ortogonal a b: a = b + b Uma ilustra ca o da decomposi ca o de a em b (proje ca o de a sobre b) e b e dada na Figura A.12.
a b b
b Figura A.12: Produto interno.
A proje ca o de a sobre b e denotada por projb (a). Para a ilustra ca o da Figura A.12, projb (a) = b . Note que a proje ca o de a em b e um m ultiplo do vetor b, ou seja: projb (a) = b = b
315
Podemos calcular por meio da rela ca o trigonom etrica dada na Figura A.12: = = = a cos b cos a b 1 ab b
Logo, conclu mos que a proje ca o de a em b pode ser denida como: projb (a) = b ab = b b = (a b)ub onde ub = b/ b e o vetor unit ario na dire ca o de b. Vale ressaltar que a proje ca o de um vetor sobre outro pode ser facilmente calculada a partir do produto interno entre eles. Para calcular a representa ca o do vetor a em termos de componentes ortogonais e paralelas ao vetor b, basta calcular b e depois subtrair de a para obter b . A desigualdade de Schwartz, |a b| a b , e facilmente demonstrada a partir do produto interno: |a b| = | a b cos | = a b | cos | a b
(A.8)
Fazendo uso da desigualdade de Schwartz podemos tamb em demonstrar a desigualdade triangular: a+b a + b Para tanto, basta vericar que: a+b
2
= = = =
(a + b) (a + b) aa+ab+ba+bb a a + 2a b + b b a a + 2|a b| + b b a 2+2 a b + b 2 ( a + b )2
Logo, deduzimos que a + b a + b .
316
A.6.3
Produto Cruzado
Na mec anica e eletromagnetismo a no ca o de produto cruzado desempenha um papel relevante. Na Mec anica, o produto cruzado est a relacionado ` a momento de angular, torque e fen omenos de rota ca o. No Eletromagnetismo, o produto cruzado permite expressas leis das for cas que atuam sobre cargas el etricas em movimento. Para vetores a = a1 i + a2 j + a3 k e b = b 1 i + b 2 j + b 3 k , o produto cruzado a b e denido como: a b = ( a2 b 3 a3 b 2 ) i + ( a3 b 1 a1 b 3 ) j + ( a1 b 2 a2 b 1 ) k Diferentemente do produto interno a b que e um escalar, o produto interno ab e um vetor. Tomando como base o determinando de matrizes, podemos expressar o produto cruzado como um determinante: ab= i j k a1 a2 a3 b1 b2 b3 = a2 a3 a a a a i 1 3 j+ 1 2 k b2 b3 b1 b3 b1 b2
As seguintes propriedade de produto cruzado podem ser vericadas por meio de manipula co es alg ebricas: 1) (Anticomutatividade) b a = a b; 2) (Autocancelamento) a a = 0; 3) (Fatora c ao de escalares) a b = a b; 4) (Distributividade sobre soma) a (b + c) = (a b) + (a c); 5) (Ortogonalidade) (a b) a e (a b) b; e 6) a b
2
= a
(a b)2 .
Se um dos vetores a e b e nulo, a = 0 ou b = 0, ent ao a b = 0. Caso nenhum dos vetores seja nulo, ent ao podemos expressar o produto interno como: a b = a b cos e usando a propriedade (6) podemos vericar que: ab
2
= = = =
a a a a
2 2 2 2
b 2 (a b)2 b 2 a 2 b 2 cos2 b 2 (1 cos2 ) b 2 sin2
A. Fundamentos Matem aticos que por sua vez implica em: ab = a b sin
317
Esta express ao nos diz que a norma do produto cruzado de dois vetores n ao nulos e precisamente a area do paralelogramo cujos lados s ao denidos por estes vetores. Esta propriedade e ilustrada na Figura A.13.
b sin a
Figura A.13: A area do paralelogramo com lados a e b e precisamente ab .
A.7
C alculo Vetorial
Dadas fun co es reais f1 , f2 e f3 (fj : R R), ent ao para cada t R podemos denir o vetor: f ( t ) = f1 ( t ) i + f2 ( t ) j + f3 ( t ) k (A.9)
que induz uma fun ca o vetorial f . Por exemplo, fazendo f1 (t) = sin t, f2 (t) = cos t, f3 (t) = 0, obtemos a fun ca o vetorial: f (t) = sin ti + cos tj Note que para todo t, f (t) = sin2 t + cos2 t = 1
Deni c ao A.8 (Limite) Uma fun c ao f dada por (A.9) possui um limite em t0 se e somente se f1 , f2 e f3 possuem limite em t0 . Seja u = x1 i + x2 j + x3 k. Dizemos que:
t t 0
lim f (t) = u lim f1 (t) = x1 ,

t t 0 t t 0 t t 0
lim f2 (t) = x2 , e (A.10)
lim f3 (t) = x3
318
Deni c ao A.9 (Continuidade) Dizemos que uma fun c ao vetorial f e cont nua em t0 se e somente se cada componente e cont nua em t0 . Matematicamente, f e cont nua se e somente se
t t 0
lim f1 (t) = f1 (t0 ), lim f2 (t) = f2 (t0 ) e lim f3 (t) = f3 (t0 )

t t 0 t t 0
De forma mais compacta, f e cont nua limtt0 f (t) = f (t0 ). Deni c ao A.10 (Diferencia ca o) Uma fun c ao vetorial f e diferenci avel em t se e somente se cada um de seus componentes e diferenci avel em t. Logo
( t ) j + f3 (t)k f ( t ) = f1 ( t ) i + f2
sendo f (t) dita derivada de f dem t. Podemos tamb em denir f (t) como o limite do vetor do quociente de diferen ca: f (t + h) f (t) f (t) = lim h 0 h Regras de diferencia ca o: i. (f + g) (t) = f (t) + g (t) ii. (f ) (t) = f (t) (para todo escalar ) iii. [u(t)f (t)] = u (t)f (t) + u(t)f (t) iv. (f g) (t) = f (t) g (t) + f (t) g(t) v. (f g) (t) = f (t) g(t) + f (t) g (t) vi. f (u(t)) = f (u(t))u (t) (regra da cadeia) Deni c ao A.11 (Integra ca o) Para uma fun c ao vetorial f cont nua em [a, b], a integral de f e denida componente a componente:
b b b b
f (t)dt =
a a
f1 (t)dt i +
a
f2 (t)dt j +
a
f3 (t)dt k
Regras de integra ca o: i. ii. iii. iv.

b [f (t) a b a b a b a
+ g(t)]dt =
b a
b a
f (t)dt +
b a
g(t)dt
f (t)dt =
f (t)dt (para todo escalar )

b a
c f (t)dt = c f (t) dt
b a
f (t)dt (para todo vetor c)
f (t)dt
319
A.8
A.8.1
Fun co es de M ultiplas Vari aveis

Exemplos
Seja D R2 um subconjunto do plano xy e seja f (x, y ) uma fun ca o que associa a cada ponto (x, y ) de D um escalar. Tal fun ca o e dita fun c ao de duas vari aveis. O conjunto D e dito dom nio de f . O conjuunto I = {f (x, y ) : (x, y ) D} e dito varredura de f . Dois exemplos: Para D = R2 , a fun ca o f (x, y ) = xy associa um valor real a cada elemento de D. Seja D = {(x, y ) : x2 + y 2 < 1} o disco aberto de raio unit ario no plano a denida dentro do disco aberto xy . A fun ca o f (x, y ) = 1 2 2 est D.
1(x +y )
Seja D R3 um subconjunto do espa co xyz . Uma fun ca o f (x, y, z ) que associa um valor real a cada ponto (x, y, z ) de D e dita fun c ao de tr es vari aveis. Da mesma forma que no caso anterior, D e o dom nio de f e {f (x, y, z ) : (x, y, z ) D} e a varredura. Como exemplo, Seja D = {(x, y, z ) : x2 + y 2 + z 2 < 1} uma bola tridimensional aberta de raio unit ario. A cada ponto (x, y, z ) D associamos o n umero f (x, y, z ) = 1 (x2 + y 2 + z 2 ).
A.8.2
Superf cies
As superf cies no espa co xyz denidas por equa co es da forma: ax2 + by 2 + cz 2 + dxy + exz + f yz + hx + iy + jz + k = 0 (A.11)
s ao conhecidas por superf cies quadr aticas. Exemplos de superf cies desta fam lia s ao: i) elips oide; ii) hiperbol oide de uma folha; iii) hiperbol oide de duas folhas; iv) c onica quadr atica.
A.8.3
Elips oide
O elips oide com centro na origem e sim etrico com respeito aos tr es eixos consiste das solu co es da equa ca o: x2 y 2 z 2 + 2 + 2 =1 a2 b c
320
2 2 2
+y +z = 1} intercepta os eixos coordenados O elips oide = {(x, y, z ) : x a2 b2 c2 em 6 pontos: (a, 0, 0), (0, b, 0), e (0, 0, c). Esses pontos s ao conhecidos por v ertices. A superf cie denida por e limitada, satisfazendo: |x| a, |y | b, e | z | c. Todos os tra cos do elips oide denem elipses. Por exemplo, o tra co no plano xy e obtido fazendo z = 0 que consiste da equa ca o: x2 y 2 + 2 =1 a2 b a qual dene uma elipse no plano xy . Todas as se co es paralelas aos planos coordenados s ao tamb em elipses. Por exemplo, fazendo y = y0 , teremos:
2 y0 x2 z 2 + = 1 a2 c2 b2
Esta elipse e a interse ca o do elips oide com o plano denido por y = y0 . Os n umeros a, b e c s ao os semi-eixos do elips oide. Quando todos os semi-eixos s ao iguais, a superf cie dene uma esfera.
A.8.4
Derivadas Parciais
Seja f uma fun ca o de x, y e z , por exemplo, considere f (x, y, z ) = 3x2 y 5x cos(y ) + sin(z )x2 . A derivada parcial de f com respeito a x e a fun ca o f obtida diferenciando f com respeito a x, enquanto que y e z s ao tomadas x como constantes. Para o exemplo dado, f = 6xy 5 cos(y ) + 2 sin(z )x x obtida diferenciando A derivada parcial de f com respeito a y e a fun ca o f y f com respeito a y , enquanto que x e z s ao tomadas como constantes. Para o exemplo dado, f = 3x2 + 5x sin(y ) y Da mesma forma para z , obtemos f = x2 cos(z ) z
A. Fundamentos Matem aticos Formalmente, as derivadas parciais s ao denidas em termos dos limites: f (x + h, y, z ) f (x, y, z ) f = lim h 0 x h f f (x, y + y, z ) f (x, y, z ) = lim h 0 y h f f (x, y, z + h) f (x, y, z ) = lim h 0 z h
321
Deni c ao A.12 Seja f : Rn R uma fun c ao multivariada. Se as primeiras derivadas parciais de f s ao cont nuas no ponto x, ent ao f e diferenci avel em x e f f f (x)i + (x)j + (x)k f ( x ) = x y z
A.8.5
Diferencia c ao e Gradiente
f ( x + h ) f ( x) h
No caso de fun co es univariadas, o quociente
era dito derivada de f no ponto x quando o quociente tinha limite para h 0. No caso multivariado, podemos tomar a diferen ca f (x + h) f (x), mas o quociente f (x + h) f (x) h n ao faz sentido j a que h e um vetor. Seja o(h) um n umero que e proporcional ao comprimento de h, i.e. h . n Dizemos que f : R R e diferenci avel no ponto x se e somente se existe um vetor y tal que f (x + h) f (x) = y h + o(h) Tal vetor y, quando denido, eu nico. Este vetor e dito gradiente de f no ponto x e denotado por f (x).
A.9
A.9.1
Convers ao Entre Bases

Convers ao de N umeros Inteiros
Sendo N um n umero inteiro expresso em uma base S , representado por NS , deseja-se converter esse mesmo n umero ` a base R (R = S ), ou seja transformar NS em MR mantendo-se o valor do dado. Para fazermos tal convers ao
322
Tabela A.1: Exemplo de convers ao de base: n 0 1 2 3 4 5 Nn 283 141 70 35 17 8 An 1 1 0 1 1
(283)10 = (100011011)2 6 7 8 9 4 2 1 0 0 0 0 1
podemos lan car m ao do m etodo da sequ encia de divis oes. Inicialmente dividiremos N por R, que gerar a um resto A1 e um quociente N1 , que depois de dividido por R gerar a um resto A2 e um quociente N2 . Repetiremos esse processo at e chegarmos a um Nn1 < R, que produzir a um An = Nn1 . Uma vez feitas todas as divis oes necess arias podemos construir o M , M = An An1 . . . A1 . Esse resultado pode ser melhor entendido se repararmos que: N = R N1 + A1 = R (R N2 + A2 ) + A1 = R (R (R N3 + A3 ) + A2 ) + A1 . . . = R (R (R (. . . (R Nn1 + An1 ) . . .) + A2 ) + A1 = R (R (R (. . . (R An + An1 ) . . .) + A2 ) + A1 Ou seja: N = An Rn1 + An1 Rn2 + . . . + A2 R + A1 Comprovando que NS = MR . Exemplo: Deseja-se converter o n umero (283)10 para a base bin aria. De acordo com o m etodo das divis oes sequenciais, teremos a Tabela A.9.1 Lembrando que Nn e o quociente e An e o resto da divis ao de Nn1 por R, no caso 2. Uma vez calculados os valores de An podemos dizer que (283)10 = (100011011)2 , de acordo com M = An An1 . . . A1 e 283 = 1 28 + 1 24 + 1 23 + 1 21 + 1 20 .
A.9.2
Convers ao de N umeros Puramente Fracion arios
Como vimos, a convers ao de um n umero inteiro N pode ser representada n 1 n 2 por: N = An R + An1 R + . . . + A2 R + A1 . Por extens ao,
323
Tabela A.2: Exemplo de convers ao de base: (0.283)10 = (0.01001)2 i N F R = R N F Ai -1 0.283 2 = 0.566 0 -2 0.566 2 = 1.132 1 -3 0.132 2 = 0.264 0 -4 0.264 2 = 0.528 0 -5 0.528 2 = 1.056 1 podemos dizer que a parte fracion aria de um n umero (aqui chamada de N F ) tem sua convers ao para a base R dada por: N F = A1 R1 + A2 R2 + A3 R3 + . . . Podemos denir os valores de A1 ,A2 , etc por uma sequ encia de multiplica co es, ou seja ao pegarmos o N F e multiplicarmos por R, teremos um novo n umero, o qual sua parte inteira ser a igual ao fator A1 . Se subtrairmos o valor de A1 da multiplica ca o, teremos um novo n umero fracion ario sem parte inteira, e podemos aplicar novamente o m etodo. O n umero de itera co es determinar a o n umero de casas ap os a v rgula (precis ao) da convers ao. N F = A1 R1 + A2 R2 + A3 R3 + . . . N F R = A1 + A2 R1 + A3 R2 + . . . R ( N F R A 1 ) = A2 + A3 R1 + . . . A parte inteira de N F R ser a o valor de A1 . A parte inteira de R (N F R A1 ) ser a o valor de A2 . E assim sucessivamente at e o n umero desejado de casas ap os a v rgula. Exemplo: Deseja-se converter o n umero (0.283)10 para a base bin aria, com uma precis ao de 5 casas ap os a v rgula. De acordo com o m etodo das multiplica co es sequenciais, teremos a Tabela A.9.2. Uma vez montada a tabela e f acil visualizar os valores de Ai e por consequ encia chegar a convers ao desejada: (0.283)10 = (0.01001)2
A.9.3
Convers ao de N umeros com Parte Fracion aria e Parte Inteira
Caso um n umero contenha tanto parte inteira quanto fracion aria, devemos proceder a convers ao separadamente e juntar as duas solu co es no nal,
324 pois:
NT = N + N F N = An Rn1 + An1 Rn2 + . . . + A2 R + A1 N F = A1 R1 + A2 R2 + A3 R3 + . . . Portanto: NT = An Rn1 + An1 Rn2 + . . . + A2 R + A1 +A1 R1 + A2 R2 + A3 R3 + . . .
Exemplo: Deseja-se converter o n umero (283.283)10 para a base bin aria, com uma precis ao de 5 casas ap os a v rgula. Utilizando os resultados j a encontrados nos exemplos anteriores, chegamos ao resultado: (283.283)10 = (100011011.01001)2
A.9.4
Exerc cios
i. Um dado n umero tem sua representa ca o dada por (275.65625)10 , pedese sua representa ca o na base bin aria com precis ao de 5 casas decimais. ii. Desao: Usando o MatLab (ou similar), implementar um algoritmo que transforme um certo n umero decimal em um bin ario, e vice versa.
A.10
Refer encias
Os conceitos apresentados neste ap endice s ao resumos editados e traduzidos do livro texto de Salas, Hille e Anderson [6]. O leitor interessando em aprofundar os t opicos acima pode consultar diretamente o referido texto.
Ap endice B Exemplos de C odigo Matlab

B.1
B.1.1
Cap tulo 3
Figura 3.2
x =[]; y1 = []; y2 = []; y3 = []; y4 = []; y5 = []; j = 0; for k=-3:0.1:3 j = j+1; x(j) = k; y1(j) = exp(k); y2(j) = exp(k) - exp(-k); y5(j) = 0; end clf; subplot(2,2,1); plot(x,y1); hold; plot(x,y5); subplot(2,2,2); plot(x,y2); hold; plot(x,y5); j=0; for k=-2:0.1:2 j = j+1;
326
x3(j) = k; y3(j) = exp(k) - exp(-k) -3*k; end subplot(2,2,3); plot(x3,y3); hold; plot(x,y5); x4 = []; y4b = []; j=0; for k=-5:0.1:5 j = j+1; x4(j) = k; y4(j) = cos(k) - 0.5; y4b(j) = 0; end subplot(2,2,4); plot(x4,y4); hold; plot(x4,y4b);
B. Exemplos de C odigo Matlab
B.1.2
M etodo de Ponto Fixo para Fun c a o f ( x) = 2 x /10 x + 1
%-------------------------% Iterative Process x = []; l = []; x(1) = 1.5; l(1) = 1; for k=2:100 x(k) = (x(k-1)^2)/10 + 1; l(k) = k; end plot(l,x);
B.1.3
Algoritmo da Bisec c ao
function [x] = bissec(funcao,a,b); % BISSEC calcula a raiz de fun coes nao-lineares dentro de um % intervalo estabelecido. Ela recebe os seguintes parametros: % % -> BISSEC(funcao,a,b)

% % % % % % % % % % % %
327
- funcao = funcao definida por apenas uma variavel qualquer. Deve estar entre aspas simples. - a = extremo esquerdo do intervalo de avalia cao - b = extremo direito do intervalo de avalia cao Exemplo: >> BISSEC(2*x^2+3*x-6,1,3) ans % 1.1375
if (nargin ~= 3) error(A fun cao BISSEC precisa de tres parametros. Mais informa coes: >> help bissec); end lim=1000; e1=10^(-10); e2=10^(-10); x0=a; x1=b; i=0; f0=subs(funcao,x0); f1=subs(funcao,x1); if (f0*f1 > 0) error(Nao existe raiz entre a e b); end while (i < lim) if (abs(f0) <= e2) x=x0; break end if (abs(f1) <= e2) x=x1; break end if ((abs(x0-x1)) < (e1*(abs(x1)))) x=x0; break end x2=(x0+x1)/2; f2=subs(funcao,x2);
328
if ((f2*f0) < 0) x1=x2; f1=f2; else x0=x2; f0=f2; end i=i+1; end if (i > lim) error(Nao atingiu exatidao); end
Ap endice C Exerc cios Resolvidos

Cap tulo 2
Se c ao 2.1
i. G = = F E (Y + Y + Y + Y + Y ) H (X + X + X ) H 3 5 H H 5 2 3 H H 3 3 6H 2 4H 0 0
= = Indetermina ca o.
ii. (a) HP25, F (10, 9, 98, 100) (a) (b) (c) (d) (e) 358200000001 0.100000000 1098 0.999999999 10100 {x : |x| > 0.999999999 10100 } {x : 0 < |x| < 0.100000000 1098 }
330 (b) IBM 360/370, F (16, 6, 64, 63) (a) (b) (c) (d) (e)
C. Exerc cios Resolvidos
(c) B6700, F (8, 13, 51, 77) (a) (b) (c) (d) (e)
4.026531841 0.100000 1664 0.F F F F F F 1663 {x : |x| > 0.F F F F F F 1663 } {x : 0 < |x| < 0.100000 1664 }
124107374985217 0.1000000000000 851 0.7777777777777 1077 {x : |x| > 0.7777777777777 1077 } {x : 0 < |x| < 0.1000000000000 851 }
iii. 0.110 para ambos os casos
Se c ao 2.4.1
i. (a) = 5 8 (a) = 5 56 1 28 5 56 1 24 1 12 1 24 3 4 o ( a) = 3 4 1 8 1 20 ( b) = 5 8 (b) = 3 4 o ( b) = 5 8
ii. EA ((a)) = EA ((a)) = EA (o(a)) = EA ((b)) = EA ((b)) = EA (o(b)) =
ER ((a)) = ER ((a)) = ER (o(a)) = 1 8
ER ((b)) = ER ((b)) = ER (o(b)) =
1 16 1 8
1 16
iii. DIGSE (x) = 4 DIGSE (y ) = 4 iv. Sim
331
Se c ao 2.8
Exerc cio 2.1 N ao. Aumento de precis ao n ao implica aumento de exatid ao. Exerc cio 2.2 N ao. H a muitos algoritmos mais exatos por em com custos temporais maiores para chegar a solu ca o. Exerc cio 2.3 Erro Inerente: Erro intr nseco ao modelo matem atico adotado. Para corrigi-lo, faz-se necess aria uma revis ao do modelo identicando as origens de tal erro. Erro de Discretiza c ao: Erro que aparece quando substitui-se um processo innito por um processo nito. Para diminui-lo, deve ser aumentado o n umero de itera co es ou termos relevantes. Erro de Arredondamento: Surge ao trabalharmos com m aquinas digitais e sistemas de ponto utuante, onde faz-se necess ario o arredondamento. Pode ser minimizado utilizando o arredondamento para o n umero de m aquina mais pr oximo (ox). Exerc cio 2.6 17 Exerc cio 2.7 28.8125; 0.421875; 1000011; 1011101.001 Exerc cio 2.10
2 2
yn =
0 2
n logn x x1
dx =
0
xn ex1 dx
2
y1 =
0 2
xex1 dx =
1+e e
yn =
0
xn ex1 dx = 2n e nyn1
y1
1 + e2 = e 2(e2 1) e 2 2( e + 3) = 23 e 3y2 = e 2 8(e 3) = 24 e 4y3 = e
y2 = 22 e 2y1 = y3 y4
Exerc cio 2.11 (a) { 0 < | x| < 0.250 } (b) { | x| > 3.5 } (c) 0.250
332 (d) 0.3125 (e) 0.375
Exerc cio 2.12 b1 precisa ser maior que zero pois se fosse zero ter amos duas representa co es diferentes em ponto utuante para o mesmo n umero, o que e n ao desej avel. Exerc cio 2.13 ii. N ao iii. Sim iv. Sim Exerc cio 2.14 Item a)
(x + x) f = x sin(x) + 1 sin(x) + x cos(x) x + 2 x cos(x) x2 1 1 + cos(x) x sin(x) + 3 sin(x) + 2 2 x 2 x 4(x) 2 1 x0 sin(x0 ) + sin(x0 ) + x0 cos(x0 ) (x x0 ) + 2 x0 + = 4(x0 ) 1
3 2
i. Sim
(x) f
sin(x0 ) +
1 cos(x0 ) (x x 0 )2 + cos(x0 ) x0 sin(x0 ) 2 x0 2 x0 2
1.2533 + 0.3985 x
3
1 sin cos sin + + x + 2 2 2 2 2 2 2 2 cos 2 x 1 2 1 3 sin + sin + cos 2 2 2 2 2 2 2 2 4 2 2

2 2 (x 2) 1.3803 2 2
Item b) f
= 0.8552. Item c) f
= 0.8862, ER = 3.50.
Exerc cio 2.15 Convers ao de n umeros na base 4 para base 5 em ponto utuantes.
Tem-se os algorismos na base a ser transformada: N4 = 0.132 Para facilitar o processo converte-se esse n umero ` a uma base familiar(base 10, por exemplo): N4 N10 = 0 40 + 1 41 + 3 42 + 2 43 = 0 + 8+6+1 15 = = 0, 46875 32 32 1 3 2 + + = 4 16 64
333
A partir do n umero obtido, aplica-se o m etodo de convers ao j a conhecido(base 10 para outra base qualquer): i. O n umero escrito na base 10 e multiplicada pelo n umero de algorismos poss veis na nossa base(5, para base 5, 2 para base 2); ii. Do n umero resultante da multiplica c ao subtrai-se o maior n umero inteiro poss vel que ainda o mantenha positivo; iii. Esse n umero inteiro e o primeiro elemento da mantissa do algorismo j a convertido e a mantissa resultante da subtra c ao passa novamente pelos processos 1,2,3. 0, 46873 5 2, 34375 2 0, 34375 5 1, 71875 1 0, 71875 5 3, 59375 3 0, 59375 5 2, 96875 2 0, 96875 5 3, 84375 4 Logo, o n umero N4 = 0, 132, N10 = 0, 46875 em base 5 e 0, 21324 ... 1 1 1 1 1 + + + + 5 25 125 625 3125
*O n umero obtido atrav es desse m etodo possui innitosalgorismo, visto que poemos multiplicar innitamentea mantissa por 54 , logo o valor resultante, no seu reconvertidos ser a uma aproxima c ao do valor real. Entretanto, existem casos em que a mantissa assume o valor zero, logo nesse caso o n umero tem d gitos nitos.
334
Cap tulo 3
Se c ao 3.9
Exerc cio 3.1 Discordo. H a casos onde o M etodo de Newton n ao converge para a solu ca o entrando em la cos innitos ou divergindo. Exerc cio 3.2 x x
k+1
k+1
f ( xk ) xk k = x k =x + = xk 2xk = xk 1 f (x ) k
k 2 x
f ( xk ) = x k = xk f (x )
k
xk
1 2 xk
= xk 2xk = xk
se x > 0 se x < 0
b) N ao
a) Sim. x = {0} c) Sim. x = {0}
Exerc cio 3.3 Discordo. Exerc cio 3.4 x = 0.56116456934659 Exerc cio 3.5 x = 1.8 Exerc cio 3.6 ( x x2 ) 2 3x2 5x 5 = 0 x4 2x3 2x2 5x 5 = 0 Aplicando-se o M etodo da Bissec ca o na equa ca o acima com (a, b) = (1.5, 0) tem-se como solu ca o z = (0.9006426, 1.7117997). Exerc cio 3.7 g ( x) = x + c ( x) f ( x) g (x) = x + (xex ) g ( x) = x2 x+1 1 ex (1 + x)
Para o ponto xo convergir para uma solu ca o com x0 I = [0, 1), a fun ca o deve obedecer a tr es condi co es:
C. Exerc cios Resolvidos i. Deve ser cont nua em I . Visivelmente satisfeita. ii. g (I ) I
335
Como g (0) = 0 e g (1) = 0.5 e todos os outros pontos de g (I ) est ao dentro de I , a condi ca o 2 e satisfeita. iii. |g (I )| < 1 g ( x) = x2 + 2x (x + 1)2
Como |g (0)| = 0 e |g (1)| = 0.75 e todos os outros pontos de g (I ) est ao dentro de I , a condi ca o 3 e satisfeita. Exerc cio 3.8 Pode-se calcular a raiz de um n umero xs pelo m etodo de Newton. y = xs 2 y = xs 2 y xs = 0 Aplicando o M etodo de Newton na equa ca o f (y ) = y 2 xs acima visando encontrar uma solu ca o positiva yn positiva: yn+1 = yn yn+1 yn+1 f ( yn ) f ( yn ) y 2 xs = yn n 2yn xs 1 yn + = 2 yn
Se iterar-se esta fun ca o a partir de um chute inicial y0 pr oximo ` a solu ca o, o m etodo ir a convergir para a solu ca o ideal. Exerc cio 3.9 Implemente em uma plataforma computacional. Exerc cio 3.10 F (x, y ) = f1 /x f1 /y f2 /x f2 /y
336 F = e x
2 y 2
C. Exerc cios Resolvidos 2xex y (x y + 1 ) e x 4 4x

2 2 2 y 2
1 2yex y (x y + 4 ) sin y
F (1, 0) = F (1, 0) =
0.55181916 0.36787944 4 0 0.45984930 3
Para calcular o primeiro iterando utiliza-se a f ormula: x1 y1 = = = Exerc cio 3.11 i) Falso ii) Falso iii) Falso iv) Falso v) Falso Exerc cio 3.12 Substituindo as express oes: f (x) = x3 + 2.21x + 2(5.3ex x) = x3 + 0.21x + 10.6ex Basta aplicar algum m etodo num erico para encontrar um x tal que f (x ) = 0. Exerc cio 3.13 P () = 5 + 24 + 723 + 342 647 918 autovalores(A) = {2.2307, 2, 6.4588, 3.4468, 9.2427} Exerc cio 3.14 Desenvolver em uma plataforma computacional. x0 y0 1 0 F 1 ( x0 , y0 ) F ( x0 , y0 ) 0 0.25 2.71828183711 0.375 0.45984930 3
0.25 2.375
C. Exerc cios Resolvidos Exerc cio 3.15 O problema consiste em: min P (x, y ) = min x + 2x + 2y A(x, y ) = 2xy = 3.8 Fazendo as devidas substitui co es: f (x) = x + 2x + 3. 8 x 3 .8 f ( x) = + 2 2 x 7 .6 f (x) = 3 x
337
Note que para x > 0, f (x) est a crescendo, ent ao f ( x) e convexa. Portanto, o ponto de m nimo pode ser encontrado fazendo f (x) = 0. f ( x) = 0 3. 8 +2 2 = 0 x x = Tem-se que x = 0.859694 e y = 2.210088. Exerc cio 3.17 O processo iterativo em da aplica ca o do m etodo de New adv ton para computar f (x) = x. a) Primeiramente, observe que g (y ) e continua em I e portanto nos resta mostrar que g (y ) I para todo y I . g (y ) I 1 < g (y ) < x y2 + x 1< <x 2y 1 < (y 2 + x)/2y 2y < y 2 + x y 2 2y + x > 0. Analisando as ra zes da fun ca o quadr atica, temos que = b2 4ac = 4 4x < 0 x > 1. Portanto a quadr atica tem somente ra zes complexas e sendo convexa nunca assumir a valor negativo, vericando-se assim que 1 < (y 2 + x)/2y para todo y I . Por outro lado, (y 2 + x)/2y < x y 2 + x < 2yx y 2 2xy + x < 0. Analisando as ra zes da fun ca o quadr atica, temos que 2 2 2 = b 4ac = (2x) 4x = 4x 4x = 4x(x 1). > 0 3. 8 +2
338
C. Exerc cios Resolvidos 4x2 4x > 0 4x2 > 4x x2 > x |x| > 1, que e vericado j a que x > 1. Considere as duas ra zes da quadr atica dadas por: 2x + 4(x2 x) b + y = = 2 a 2 = x + x2 x > x (j a que x > 1) 2x 4(x2 x) b y = = 2 a 2 2 =x x x Note que: y > 1 x x2 x > 1 (x 1) > x2 x 2 (x 1)2 > x2 x x2 2x + 1 > x2 x 2x + 1 > x x<1
Assim, a raiz y 1 e a raiz y > x. J a que a quadr atica y 2 2xy + x<0 e convexa, na regi ao denida pelo intervalo I = (1, x) esta assume valor estritamente negativo e, portanto, (y 2 + x)/2y < x. O desenvolvimento acima mostra que g (y ) e cont nua e g (I ) I , garantindo a exist encia de um ponto xo em I .
339
Cap tulo 4
Se c ao 4.19
Exerc cio 4.1 a) Aplicando na equa c ao Diofantina, tem-se: (a0 +a1 s)(d0 +d1 s+d2 s2 )+(b0 +b1 s)(n0 +n1 s+n2 s2 ) = 0 +1 s+2 s2 +3 s3 Por igualdade de polin omios: a0 d 0 + b 0 n0 = 0 a d + b d + b n + b n = 1 0 0 1 1 0 0 1 1 a0 d 2 + a1 d 1 + b 0 n2 + b 1 n1 = 2 a1 d 2 + b 1 n2 = 3 a0 0 1 a1 = b0 2 b1 3
Escrevendo em modo matricial: d 0 0 n0 0 d 1 d 0 n1 n0 d 2 d 1 n2 n1 0 d 2 0 n2 b) Pelos dados fornecidos: n1 = 1 n0 = 1 d0 = 1 d 1 = 2. 5 0 = 40 1 = 34 Substituindo na matriz: 1 0 2. 5 1 1 2. 5 0 1 1 1 0 0
n2 = 0 d2 = 1 2 = 10
3 = 1
0 a0 1 a1 1 b0 0 b1
40 34 = 10 1
Ap os aplicar o M etodo de Gauss com pivoteamento: A(s) = 29 + s B (s) = 69 + 36.5s
340 c) 1 0 1 1 0 1 Exerc cio 4.2 b0 b1
40 = 33 7. 5
a) O crit erio das linhas diz que dado um sistema de equa co es Ax = b, se n

j =1 ; j =i
| aij | < | aii | , i = 1, 2, ..., n
ent ao o M etodo de Gauss-Seidel gera uma seq u encia convergente. Aplicando-o para as linhas da matriz: 1a 2a 3a 4a linha) linha) linha) linha) |0.7| + | 1| + |1| < |3| Verdadeiro |1| + | 1| + |0| < |2| Falso |1| + | 1| + |0.7| < |3| Verdadeiro |1| + |0| + |1| < |2| Falso
N ao se pode armar nada sobre os M etodos de Jacobi e GaussSeidel a partir do crit erio das linhas pois a condi ca o suciente n ao foi corroborada. b) Aplicando o crit erio de Sassenfeld obteve-se os seguintes : 1 = 0.9 21 = 0.45 3 = 0.45 4 = 0.675
Por este crit erio, pode-se concluir que h a converg encia garantida. c) t11 t21 v11 v21 Exerc cio 4.3 a) Sim. Vide Teorema 4.5. b) Sim. A converg encia e uma caracter stica intr nseca ao sistema, independente do chute inicial. Se converge para um ponto inicial diferente da solu ca o, convergir a para todos.
t
1 3
1 5 1 6 18 36
C. Exerc cios Resolvidos Exerc cio 4.4 ||b b || ||x x || (A) ||x|| ||b|| ||b (b b)|| ||x y || (A)||x|| ||b|| ||b|| ||x y || (A)||x|| ||b|| S= y n : ||x y || (A)||x|| ||b|| ||b||
341
Exerc cio 4.5 O m etodo de Jacobi pode portar-se como o m etodo de GaussSeidel. Para tanto, o chute inicial x0 for igual a solu ca o x . Exerc cio 4.6 A solu ca o mais sensata e a fatora ca o LU da matriz A, o que facilita a resolu ca o de diferentes problemas com matrizes b diferentes. Caso optasse por outros m etodos, como Elimina ca o de Gauss, a matriz A teria que ser processada a cada modelo diferente. Exerc cio 4.7 Falso. O m etodo iterativo pode ou n ao convergir caso det(A) = 0. Para tanto, devem ser analisados os outros crit erios como crit erio das linhas, diagonal dominante ou crit erio de Sassenfeld. Exerc cio 4.8 Desenvolver sobre uma plataforma computacional. A solu c ao e: x1 x2 x3 x4 Exerc cio 4.9 || A|| = 24 = 0.6126 1.9404 1.5985 1.2270 || C || = 4
|| B ||1 = 40
Exerc cio 4.10 A matriz B = D1 (A D) dene o processo iterativo de Jacobi com preparador cl assico. Note que B 1 = 1.1 e B = 1.1714, n ao permitindo concluir que o processo converge. No entanto, B 2 = max (B T B ) = 0.9530 < 1, garantindo que o processo iterativo xk+1 = Bxk + D1 b e convergente. Exerc cio 4.11 i. (A) = ||A||.||A1 ||
ii. N ao. O sistema ter a obrigatoriamente innitas solu c oes, n ao podendo ter apenas uma.
342
C. Exerc cios Resolvidos iii. Sim. Um sistema linear tem uma solu ca o, innitas solu co es ou nenhuma solu ca o. iv. Correto.
Exerc cio 4.12 i. rank (A) = rank ([A|b]) < n
ii. A matriz 1 iii. U = 0 0
Para b1 : x1 = Para b2 : x2 =
A deve ser denida positiva. 1 3 2 2 0 1 7.25 2.75 3 16.25 6.75 7 fx fy
Exerc cio 4.13
= CBA
Sx Sy
onde:
C=
B= A=
Resolvendo o sistema para as condi co es especicadas, chega-se ` a: S = Exerc cio 4.14 i. FALSO ii. VERDADEIRO iii. VERDADEIRO iv. VERDADEIRO v. FALSO 0.0162 0.0275
sin 1 sin 2 cos 3 cos 1 cos 2 cos 3 k1 0 0 0 k2 0 0 0 k3 sin 1 cos 1 sin 2 cos 2 cos 3 sin 3
C. Exerc cios Resolvidos vi. FALSO vii. FALSO viii. VERDADEIRO Exerc cio 4.15 Avn = n vn ( A n I ) v n = 0 A 1 I 0 0 0 A I 0 2 ... 0 0 0 0 0 A n I 4 1 1 4 x1 x2 v1 v2 . . . vn = 0 0 . . . 0
343
Exerc cio 4.16 Falso. Testar os diferentes preparadores para o sistema: = 0 0
O sistema com preparador unit ario n ao convirgir a enquanto o sistema com preparador cl assico convirgir a.
344
Cap tulo 5
Se c ao 5.10
Exerc cio 5.1 1 1 1 1 0 0 0 0 Exerc cio 5.2 x1, k+1 x2, k+1 onde: f1 /x1 = f1 /x2 = f2 /x1 = f2 /x2 = f1 = f2 = 2x1, k + 2x2 2, k + 1) log(10) 4x2, k 2 (x1, k + 2x2 2, k + 1) log(10) 2x1, k 1 1 2 log(x2 1, k + 2x2, k + 1) 2 x2, k x2 + 0 . 2 1, k ( x2 1, k = x1, k x2, k f1 /x1 f1 /x2 f2 /x1 f2 /x2
1
t1 t2 t3 0 0 0 0 1 1 2 t2 t2 t3 0 0 0 0 2 2 3 t3 t3 t3 0 0 0 0 2 3 2 t4 t4 t4 1 t 4 t 4 t3 4 2 0 1 2 t 3 t 1 2t 4 3t 2 4 4 4 3 t 0 0 0 1 t5 t2 5 5 0 0 0 1 t6 t2 t3 6 6 0 0 0 1 t7 t2 t3 7 7
c0 c1 c2 c3 d0 d1 d2 d3
= f1 f2
y1 y2 y3 0 0 y5 y6 y7
Exerc cio 5.3 1 f1 f1 /x f1 /y f1 /z xk xk+1 yk+1 = yk f2 /x f2 /y f2 /z f2 f3 f3 /x f3 /y f3 /z zk zk+1
1 2 3 4 2 3 3 xk + 2z k yk + yk 2xk 6z k yk + 4yk 2yk xk xk+1 2 3 2 3x3 yk+1 = yk 9x2 3yk 6x2 k 6xk z k yk k 12xk zk k xk 2z k yk 1 1 2 zk zk+1
345
Exerc cio 5.4 Faz sentido utilizar P quando rank (A) = rank ([A|b]) < n, ou seja, tem-se um sistema subdimensionado com innitas solu co es. S ao aplic aveis em sistemas de otimiza ca o onde procura-se a solu ca o de menor norma. quando rank (A) < rank ([A|b]), ou Exerc cio 5.5 Faz sentido utilizar P seja, n ao h a solu ca o para o sistema. Neste caso tenta-se minimizar o erro da solu ca o encontrada. Tem aplica co es em problemas similares como ajuste de curvas, ajuste de polin omios e identica c ao de sistemas discretos por predi ca o. Exerc cio 5.7 3 1 2 2 2 20 x v19 x v20 y v1 vy 2 1 1 . . 3 1 . 2 2 2 20 y v19 y v20 1 1
x v1 x v2 . . .
1
39 2
1
37 2
=
201
0 1
1
39 2
1
37 2
=
201
0 4
Exerc cio 5.8 a) 13.1816 e 0.1517 b) 13.1816 c) 13.1816 poss Exerc cio 5.9 E vel. C j = cj
ln Cj = ln cj
k z t ln(ex ay j bj gj dj ) = ln cj
x + y ln aj + k ln bj + z ln gj + t ln dj = ln cj O problema se constitui ent ao 1 ln a1 ln b1 ln g1 1 ln a2 ln b2 ln g2 A= . . . 1 ln am ln bm ln gm em min ||Aw b|| 2 , aonde x ln d1 y ln d2 w= k z ln dm t
b=
ln c1 ln c2 . . . ln cn
346 Exerc cio 5.11 i. FALSO ii. VERDADEIRO iii. FALSO iv. FALSO v. VERDADEIRO vi. VERDADEIRO vii. FALSO viii. FALSO ix. VERDADEIRO
Exerc cio 5.12 Se g (x) = f (x) e h(x) = f (x) ent ao existe x tal que: g ( x) < 0 h ( x) = 0 f (x) > 0 f ( x) = 0
Ent ao x satisfaz a condi ca o suciente de segunda ordem para m nimo local. Ent ao pode-se aplicar o pacote de software.
347
Cap tulo 6
Se c ao 6.5
Exerc cio 6.1 a) Calculando a Cota de Laguerre-Thibault: x7 + 4x6 7x5 34x4 24x3 x + 1 (+, +, , , , , +) T = 2 x7 + 4x6 + 7x5 34x4 + 24x3 + x + 1 (, +, +, , +, +, +) T = 3
p ( x) S p ( x) S
= = = =
Possui 2 ou nenhuma ra zes positivas e, 3 ou 1 ra zes negativas. Por a5 = 0, pode-se concluir pela Regra da Lacuna que para haver ra zes complexas a4 a 6 > 0. a4 a6 > 0 (24) (1) > 0 24 > 0
Possui ra zes complexas conjugadas. VERDADEIRO b) Pela Cota de Kojima, tem-se a seguinte s erie de fatores: {4, 2.646, 3.24, 2.213, 1, 1}. A soma dos dois maiores fatores e 7.24. Desta forma, pode-se armar que o m odulo de toda e qualquer raiz de p (x) e menor que 7.24. VERDADEIRO Exerc cio 6.2
p ( x) S p ( x) S
= = = =
2x7 + 4x6 7x5 + 12x4 x 1 (+, +, , +, , ) T = 3 2x7 + 4x6 + 7x5 + 12x4 + x 1 ( , +, +, +, +, ) T = 2
Possui 3 ou 1 ra zes positivas e, 2 ou nenhuma ra zes negativas. Por a5 e a4 serem nulos, pode-se concluir pela Regra da Lacuna que h a ra zes complexas conjugadas.
348
C. Exerc cios Resolvidos Pela Cota de Kojima, tem-se a seguinte s erie de fatores: {2, 1.8708, 1.8171, 0.8909, 0.9057}. A soma dos dois maiores fatores e 3.8708. Desta forma, pode-se armar que o m odulo de toda e qualquer raiz de p (x) e menor que 4. a) VERDADEIRO b) FALSO c) VERDADEIRO d) VERDADEIRO.
Exerc cio 6.3 q ( x) h ( x) S h ( x) S = = = = = (2x5 + 6x4 10x3 30x2 + 8x1 + 24)x2 2x5 + 6x4 10x3 30x2 + 8x1 + 24 (+, +, , , +, +) T = 2 2x5 + 6x4 + 10x3 30x2 8x1 + 24 (, +, +, , , +) T = 3
a) q(x) tem duas ou nenhuma raiz positiva b) q(x) tem tr es ou uma raiz positiva c) N ao possui ra zes complexas (vericar com a Regra da Lacuna) d) As ra zes s ao {0, 0, 1, 2, 1, 2, 3} (tentar encontrar as cotas superior e inferior) e) N ao h a ra zes complexas.
349
Cap tulo 7
Se c ao 7.7
Exerc cio 7.1 i) 4.4816890 ii) 5.0536689 Exerc cio 7.2 a) 20598 b) 20851 c) Pela Esquerda = 15479 Pela Direita = 26223.
Exerc cio 7.3 Considerando = 1, por ser aonde f ( ) possui maior m odulo, tem-se que max {ET T S } = 0.3372 Exerc cio 7.4 f (x) = 24 3x3 + 2x2 x + 1 sin x 2 3 2 f (x) = 8x 9x + 4x 1 cos x 2 2 f (x) = 24x 18x + 4 + sin x 2 : Considerando = , por ser aonde f ( ) possui maior m odulo, e h = 2 max {ET T S } =
3 2
12 max {ET T S } = 59.85562
24 2 18 + 4 + sin
350
Cap tulo 8
Se c ao 8.10
Exerc cio 8.2 i(3.8) = 0.0043 Exerc cio 8.3 [Item a)] Partindo das equa co es diferenciais dadas no problema reescritas abaixo: =u (M + m) y + ml 2g + y 2l =0 Primeiramente e preciso modicar as vari aveis utilizadas, como sugerido no prrblema. As novas vari aveis utilizadas s ao as seguintes: y = x1 y = x2 = x3 = x4 (M + m) x 2 + mlx 4 = u 2l x 4 2gx3 + x 2 = 0 Pode-se manipular estas duas equa co es de forma a obter um sistema da forma x = F (x, u). Isolando x 2 da primeira equa ca o e substituindo na segunda equa ca o obt em-se a seguinte express ao: x 4 = 2g ( M + m ) u x3 l (2M + m) l (2M + m)
Com estas novas vari aveis, as equa co es cam da seguinte forma:
Realizando o mesmo procedimento, agora isolando x 4 da segunda equa ca o e substituindo na primeira equa ca o, t em-se o seguinte resultado: mg u x 2 = x3 + m M+ 2 M+m 2 Sabendo que x 1 = x2 e x 3 = x4 pode-se montar o seguinte sistemas do tipo x = F (x, u): 0 0 1 0 0 x1 x 1 mg 1 0 x 0 0 x2 (M + m M+ m ) 2 2 = 2 + u x 0 1 x3 3 0 0 0 2g (M +m) 1 x x 4 0 0 l(2M +m) 0 4 l(2M +m)
351
[Item b)] Substituindo os valores das vari aveis do problema e da lei de controle u = kx, pode-se simplicar as equa co es, chegando ` a um problema do tipo x = (A bk ) x, dado por x 1 0 1 0 0 x1 x 0, 9908 47, 7577 10, 7910 2 = 0, 3085 x2 x x3 3 0 0 0 1 x 4 0, 3085 0, 9908 28, 1577 10, 7910 x4 (C.1) Este sistema de equa co es dene o movimento do p endulo invertido ao longo do tempo. Para calcular estas sa das aplica-se o m etodo de Runge-Kutta para equa co es diferenciais do tipo x = F (x, t) com condi ca o inicial x (t0 ) = x0 conhecida e h dado como o intervalo de integra ca o . Aplicando o m etodo chega-se ` as seguintes express oes: tk+1 = tk + h k1 + k2 xk+1 = xk + 2 k1 = h F (xk , tk ) k2 = h F (xk + k1 , tk+1 ) As condi co es iniciais do problema s ao conhecidas e dadas por: t0 = 0 h = 0, 1 x0 = 0, 2 0 0, 5 0
T T
x (0) = x 0 =
0 23, 9406 0 14, 1406
onde x 0 foi calculado com o sistema de equa co es (C.1). Pode-se exemplicar a solu ca o do problema calculando a primeira itera ca o. Para este caso t em-se os seguintes valores: t 1 = 0, 1 k1 = h x 0
= 0 2, 3941 0 1, 4141 k2 = h x 1 =hx (x0 + k1 , t1 ) =
0, 2394 1, 1053 0, 1414 0, 1253

T
x (0, 1) =
0, 3197 1, 7497 0, 4293 0, 7697
352
C. Exerc cios Resolvidos A tabela a seguir apresenta alguns pontos da trajet oria de x. x (0) 0, 2 0, 0 0, 5 0, 0 x (0, 1) 0, 3197 1, 7497 0, 4293 0, 7697 x (9, 9) 0, 0845 0, 0553 0, 0037 0, 0022 x (10) 0, 0896 0, 0483 0, 0035 0, 0021
x1 x2 x3 x4
A seguir est a um gr aco representando a evolu ca o de x (t) no intervalo de 0 ` a 10 segundos para as condi co es iniciais dadas.
Trajetrias de x(t) 5 x1(t) x2(t) x3(t) x4(t) 4
2 Amplitude 1 0 1 2 0
5 Tempo (s)
10
Figura C.1: Trajet oria do sistema p endulo invertido.
[Item c)] Modicando agora a condi ca o inicial x0 e aplicando o mesmo procedimento chega-se ao gr aco de x (t) dado a seguir. Percebem-se varia co es em rela ca o ` as amplitudes se comparadas ao gr aco anterior, por em apresentando comportamento semelhante ao longo da trajet oria. x (0) 0, 3 0, 0 0, 8 0, 0 x (0, 1) 0, 1094 2, 7898 0, 6878 1, 2218 x (9, 9) 0, 1201 0, 0908 0, 0058 0, 0033 x (10) 0, 1286 0, 0800 0, 0054 0, 0032
x1 x2 x3 x4
353
Trajetrias de x(t) 7 x1(t) x2(t) x3(t) x4(t)
Amplitude
5 Tempo (s)
10
Figura C.2: Trajet oria do sistema p endulo invertido.
Exerc cio 8.4
= x2 x 1 = V = 4 x2 x 2 = V 5
1 x 15 1
4e2t
a) b)
V (5) = 0.4343 m/s
V (5) = 0.4365 m/s
(5) = 0.0306 m/s2 V (5) = 0.0307 m/s2 V

Calculo Numerico para Controle e Automacao UFSC

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Calculo Numerico para Controle e Automacao UFSC

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDADE FEDERAL DE SANTA CATARINA E SISTEMAS DEPARTAMENTO DE AUTOMAC AO

CALCULO NUMERICO PARA CONTROLE E AUTOMAC AO Vers ao preliminar

Eduardo Camponogara Eug enio de Bona Castelan Neto

Florian opolis, Agosto de 2008

4.11 4.12 4.13 4.14

151 151 152 153 156 157

204 210 211 211

. 321 . 321 . 322 . 323 . 324 . 324

. 66 . 67 . 70 . 74 . 75 . 81 . 82 . . . . . . . . . . 86 88 89 90 91 101 101 102 102 107

146 151 152 153 154 155 155 156 161

. 193 . 194 . 195

A.1 Eliminando a descontinuidade de uma fun ca o. . . . . . . . . . 299 xiv

. 25 . . . . . . . . . . . 40 46 55 57 58 59 141 143 144 150 150

Cap tulo 1 Introdu c ao ao Estudo da Matem atica Num erica

Figura 1.1: Algoritmo de Ordena ca o

1. Introdu c ao ao Estudo da Matem atica Num erica

An alise do Algoritmo de Ordena c ao: Execu c ao

while i > 0 & A[i] > A[j ]

Quanto tempo leva para ordenar as seq uencias abaixo?

1. Introdu c ao ao Estudo da Matem atica Num erica

An alise do Algoritmo de Ordena c ao: Ordem de Crescimento

Algoritmos Num ericos

Inexist encia do Erro L ogico

1. Introdu c ao ao Estudo da Matem atica Num erica

Inexist encia do Erro Operacional

8: end if 9: end if 10: Retorne z

Quantidade Finita de C alculos

2 x(1) = x(n1) = x(n+1) 0 x(0)=x(2)=x(n) 2

10 20 15 10 5 0 5 10 15 20 Grfico da Funo f(x) = sqrt(x) / x > 0 e f(x) = sqrt(x) / x < 0

1. Introdu c ao ao Estudo da Matem atica Num erica

Figura 1.3: Seq u encia de iterandos gerados pelo algoritmo de Newton.

Exist encia de um Crit erio de Exatid ao

Independ encia da M aquina

Com Precis ao Innita, os Limites de Erro Devem Convergir para Zero

1. Introdu c ao ao Estudo da Matem atica Num erica

Passos para a Resolu c ao de um Problema

Simplica c ao Resultados de Ci encias Vizinhas d Medi c oes

Figura 1.4: Passos para solu ca o de um problema.

Cap tulo 2 Introdu c ao ` a Aritm etica de M aquina

O Sistema de Ponto Flutuante

2. Introdu c ao ` a Aritm etica de M aquina

Abaixo s ao dadas deni co es fundamentais e a especica c ao de sistema de ponto utuante.

2. Introdu c ao ` a Aritm etica de M aquina

2. Introdu c ao ` a Aritm etica de M aquina

2. Introdu c ao ` a Aritm etica de M aquina

2. Introdu c ao ` a Aritm etica de M aquina

Contudo, neste caso x (y z ) = (x y ) (x z ).

i. Qual e o valor exato da express ao (2.1)?

2. Introdu c ao ` a Aritm etica de M aquina

2. Introdu c ao ` a Aritm etica de M aquina

2. Introdu c ao ` a Aritm etica de M aquina

onde: B e o maior n umero em m odulo do sistema de ponto utuante F , e = b

D gitos Signicativos Exatos

|0.666670 0.666666 . . . | = | + 0.00000333 . . . | < 0.000005

ent ao o n umero e correto em m d gitos sig-

Precis ao e Exatid ao de M aquinas Digitais

2. Introdu c ao ` a Aritm etica de M aquina

2. Introdu c ao ` a Aritm etica de M aquina Exerc cios

Instabilidade dos Algoritmos

24 Qual a causa da diferen ca?

2. Introdu c ao ` a Aritm etica de M aquina

xn ex1 dx; u = xn e dv = ex1 dx

2. Introdu c ao ` a Aritm etica de M aquina