Академический Документы
Профессиональный Документы
Культура Документы
NUMERICO
Sum
ario
1 Conceitos Gerais em C
alculo Num
erico
1.1 Conceitos Basicos . . . . . . . . . . . . . .
1.1.1 Algoritmo . . . . . . . . . . . . . .
1.1.2 Iteracao ou Aproximacao Sucessiva
1.1.3 Aproximacao Local . . . . . . . . .
1.2 Erros . . . . . . . . . . . . . . . . . . . . .
1.2.1 Erros de Truncamento . . . . . . .
1.2.2 Erros de Aproximacao . . . . . . .
1.3 Sistemas de Numeracao Binario e Decimal
1.4 Serie de Taylor . . . . . . . . . . . . . . .
1.5 Conclusao . . . . . . . . . . . . . . . . . .
1.6 Exerccios . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
2
2
2
3
3
3
3
4
5
6
7
2 Resolu
c
ao Num
erica de Sistemas Lineares
2.1 Metodo de Eliminacao de Gauss . . . . . .
2.2 Decomposicao LU . . . . . . . . . . . . . .
2.3 Metodos Iterativos . . . . . . . . . . . . . .
2.4 Exerccios . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
9
9
12
12
17
3 Zero de Fun
c
oes
3.1 Metodo da Bissecao . . . . .
3.2 Metodo da Falsa-Posicao . . .
3.3 Metodo da Iteracao Linear . .
3.4 Metodo de Newton-Raphson .
3.5 Exerccios . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
19
20
21
22
25
26
4 Aproxima
c
ao de Fun
c
oes
4.1 Teoria de Interpolacao . .
4.2 Interpolacao Polinomial .
4.3 Formula de Lagrange . . .
4.4 Diferenciacao Numerica .
4.5 Formula de Newton . . .
4.6 Ajuste de Curvas . . . . .
4.6.1 Criterios de Ajuste
4.6.2 Ajuste Polinomial
4.7 Exerccios . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
28
28
29
31
31
34
36
36
38
40
5 Integra
c
ao Num
erica
5.1 Metodo dos Trapezios . . . . . . .
5.2 Metodo de Simpson . . . . . . . .
5.3 Metodo da Quadratura Gaussiana
5.4 Exerccios . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
42
42
44
46
50
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Captulo 1
Conceitos Gerais em C
alculo
Num
erico
Metodos numericos sao conjuntos de procedimentos utilizados para transformar um modelo matematico num problema numerico ou conjuntos de procedimentos usados para resolver um problema
numerico. A escolha de metodo mais eciente para resolver um problema numerico deve envolver a
precisao desejada, a capacidade do metodo em conduzir bons resultados e o esforco computacional
despendido. Veja referenica (1).
1.1
1.1.1
Conceitos B
asicos
Algoritmo
a descricao sequencial dos passos que caracterizam um metodo numerico. O algoritmo fornece
E
uma descricao completa de operacoes bem denidas por meio das quais o conjunto de dados de
entrada e transformado em dados de sada. Por operacoes bem denidas entendem-se as aritmeticas
e logicas que um computador pode realizar. Dessa forma, um algoritmo consiste de uma sequencia
de n passos, cada um envolvendo um n
umero nito de operacoes. Ao m desses n passos, o algoritmo
deve fornecer valores ao menos proximosdaqueles que sao procurados. O n
umero n pode nao ser
conhecido a priori, e o caso de algoritmos iterativos cuja ideia sera enfocada a seguir, nesse caso,
em geral tem-se para n apenas uma cota superior.
1.1.2
Iterac
ao ou Aproximac
ao Sucessiva
Uma das ideias fundamentais do calculo numerico e a de iteracao ou aproximacao sucessiva. Num
sentido amplo, iteracao signica a repeticao de um processo. Grande parte dos metodos numericos
e iterativa. Um metodo iterativo se caracteriza por envolver os seguintes elementos constitutivos:
(i) Tentativa inicial: consiste em uma primeira aproximacao para a solucao desejada do problema numerico.
(ii) Equa
c
ao de recorr
encia: equacao por meio da qual, partindo-se da tentativa inicial, sao
realizadas as iteracoes ou aproximacoes sucessivas para a solucao desejada.
(iii) Teste de parada: e o instrumento por meio do qual o procedimento iterativo e nalizado.
1.1.3
Aproximac
ao Local
Outro conceito que aparece em calculo numerico e o de aproximacao local de uma funcao por outra,
que seja de manuseio mais simples. Por exemplo, aproximar uma funcao nao-linear por uma func
ao
linear num determinado intervalo do domnio das funcoes.
1.2
Erros
Na busca da solucao do modelo matematico por meio de calculo numerico, os erros surgem de varias
formas e merecem cuidado especial. Do contrario, pode-se chegar a resultados distintos do que se
esperaria ou ate mesmo obter outros que nao tem nenhuma relacao com a solucao do problema
original.
As principais fontes de erros sao as seguintes:
(i) erros nos dados de entrada;
(ii) erros no estabelecimento do modelo matematico;
(iii) erros de arredondamento durante a computacao;
(iv) erros de truncamento, e
(v) erros humanos e de maquinas.
1.2.1
Erros de Truncamento
o erro inerente ao metodo numerico. Surge cada vez que se substitui um procedimento matematico
E
innito por um processo nito ou discreto.
1.2.2
Erros de Aproximac
ao
A partir do momento que se calcula um resultado por aproximacao, e preciso saber como estimar
ou delimitar o erro cometido na aproximacao. Sem isso, a aproximacao obtida nao tem signicado.
Para estimar ou delimitar o erro, recorre-se a dois conceitos: erro absoluto e erro relativo. Com
efeito, seja x um valor aproximado para uma quantidade cujo valor exato e x. Entao se dene:
i) Erro absoluto - e a diferenca, em modulo, entre o valor exato e o valor aproximado de um
n
umero. Notacao: .
x = |x x |
ii) Erro relativo - e a razao entre o erro absoluto e o valor exato de um n
umero. Esse erro e
frequentemente dado como porcentagem, por exemplo, 3% de erro relativo signica que o
erro e 0.03. Notacao: .
x
x =
x
Exemplo 1.1 Se x = 3, 251408 e x = 3, 2524643, ent
ao
x = |x x | = 0, 0010554 = 1, 0554 103
x
1, 0554 103
=
= 3, 24597836 104 ,
x
3, 251408
Proposi
c
ao 1.1 Sejam x e y valores exatos e x e y valores aproximados de dois n
umeros.
Ent
ao:
i) (x + y) = x + y
ii) (x + y) = x
x
y
+
y
x + y
x + y
iii) (x y) = x y
iv) (x y) = x
x
y
+
y
x y
x y
v) (xy) = x y + y x
vi) (xy) = x + y
(x)
y x x y
vii)
y
(y )2
(x)
viii)
= x y
y
1.3
Sistemas de Numerac
ao Bin
ario e Decimal
Um n
umero na base 2 e representado utilizando os dgitos 0 e 1. Por exemplo, 101102 e um n
umero
binario. Para convertermos este numero binario para a base decimal (base 10), procedemos da
seguinte forma:
101102 = 1 24 + 0 23 + 1 22 + 1 21 + 0 20 = 16 + 0 + 4 + 2 + 0 = 22.
Como segundo exemplo, vamos obter a representacao decimal do n
umero binario 11.012 . Neste
caso,
1
11.012 = 1 21 + 1 20 + 0 21 + 1 22 = 2 + 1 + 0 + = 3.25.
4
A conversao de n
umeros decimais para n
umeros binarios e feita atraves de divisoes sucessivas
como mostrado na gura abaixo. O resultado e constitudo pelos restos das divisoes tomados na
ordem inversa,
17 2
2
1
8
2
0
4
2
0
2
2
0
1
1
0
assim, temos que 17 = 100012 .
Para o caso de n
umeros fracionarios, a conversao e feita utilizando as seguintes regras:
1- Multiplicar o n
umero fracionario por 2;
2- No resultado da multiplicacao, a parte inteira sera um dgito binario;
3- Separar a parte fracionaria e repetir o processo ate que a parte fracionaria seja igual a 0.
Por exemplo, vamos transformar o n
umero decimal 0.1875 em um n
umero binario, ou seja,
representado na base 2:
0.1875 2
0.3750 2
0.7500 2
0.5000 2
=
=
=
=
0.3750
0.7500
1.5000
1.0000
parte
parte
parte
parte
inteira
inteira
inteira
inteira
=0
=0
=1
=1
O processo termina porque a proxima parte fracionaria a ser utilizada e igual a 0. Assim, o
n
umero 0.187510 e escrito como 0.00112 .
1.4
S
erie de Taylor
Uma funcao f (x) contnua e innitamente derivavel, pode ser representada por uma serie de
potencias da forma:
f (x) =
f (n) (a)
n=0
n!
(x a)n ,
(1.1)
onde f (0) (a) = f (a), e f (n) (a) e a derivada de ordem n de f no ponto a. A equacao acima denominase serie de Taylor da funcao f em torno do ponto x = a. Quando a = 0, a serie recebe o nome de
Maclaurin.
O emprego da serie de Taylor para representar f (x) esta limitado aos casos em que ela e
convergente. Pela teoria das series de potencias, a serie de Taylor e convergente para os valores de
x que satisfazem a desigualdade
|x a| < r ,
onde r e o raio de convergencia da serie.
Consegue se mostrar que
r = limn (n + 1)
|f (n) (a)|
.
|f (n+1) (a)|
n=0
hn
f (n) (a)
.
n!
(1.2)
Na aplicacao da serie de Taylor, torna-se impossvel computar todos os seus termos. O que se
faz e considerar apenas um n
umero nito deles. Se a serie e truncada apos o n-esimo termo, tem-se
a aproximacao:
f (a + h) = f (a) + hf (a) +
h2
hn1 (n1)
f (a) + +
f
(a).
2!
(n 1)!
(1.3)
A equac
ao (1.3) e chamada formula de Lagrange para o erro de truncamento.
Como nao e conhecido explicitamente, a formula de Lagrange pode ser usada para delimitar
o erro, ou seja,
|Rn (x)|
M
(x a)n ,
n!
(1.4)
e1 = 1 1 +
1
1
1
+ = 0, 375 .
2! 3! 4!
Delimitac
ao do erro:
M
|(1)5 | .
5!
Como M = max |et |, com 1 t 0, temos que M = 1, assim,
R5 (1)
1.5
Conclus
ao
Com essas ideias preliminares e que sao basicas em calculo numerico, o uxograma apresentado no
incio, que indicava as fases de resolucao de um problema real, pode agora ser assim reestruturado:
Problema Fsico
Modelagem
/ Modelo Matem
atico
Implementacao Computacional o
do Metodo Numerico
Escolha do Metodo
Numerico Adequado
/ Soluc
ao
1.6
Exerccios
b)
c)
d)
(1)n xn
n=1
n=0
n=1
n=0
2n
(2)n xn
(x + 2)n
2n n2
(1)n (x 1)n
n!
1
1 + 3x
b) f (x) =
d) f (x) = ex , c = 3
11. Considere a funcao f (x) = ln x .
a) Desenvolva a funcao f (x) em serie de Taylor, em torno do ponto x = e;
b) Encontre o raio e o intervalo de convergencia da serie obtida no item anterior;
c) Expresse f (x) em termos de serie de potencias, e determine o seu domnio.
12. Considere a funcao f (x) =
1
.
x
x2k+1
(1)k
, |x| < .
sen x =
(2k + 1)!
k=0
k=1
(1)k1
(x 1)k
, 0<x2
k
com o n
umero de termos variando de 1 a 20 termos e calcular o erro absoluto para cada caso.
Esbocar o graco do valor do erro versus n
umero de termos. Observar pelo erro absoluto que
o aumento do n
umero de termos nao melhora a precisao do resultado numerico ao contr
ario
do observado no exerccio anterior. Explicar porque isto acontece.
Captulo 2
Resoluc
ao Num
erica de Sistemas
Lineares
M
etodos Diretos e M
etodos Iterativos
O objetivo nesse captulo e apresentarmos metodos numericos para resolucao de sistemas lineares.
Dependendo do metodo escolhido, buscaremos uma solucao exata ou uma solucao aproximada, o
que nos permite denir duas classes de metodos: metodos diretos e metodos iterativos. No caso
dos metodos diretos, as solucoes nao apresentam nenhum tipo de erro de truncamento, ou seja, a
solucao encontrada sera a solucao exata. Os erros que possam vir a ocorrer serao decorrentes da
maquina empregada (erros de arredondamento).
Na segunda classe temos os chamados metodos iterativos, que diferente dos metodos diretos,
nao produzem solucoes exatas e sim, solucoes aproximadas.
2.1
M
etodo de Eliminac
ao de Gauss
a11 x1 + a12 x2
a21 x1 + a22 x2
..
an1 x1 + an2 x2
+ a1n xn
+ a2n xn
= b1
= b2
..
.
(2.1)
+ ann xn = bn
n
(
)
aij xj = bi , i = 1, 2, , n ,
j=1
Sabemos da algebra linear que o sistema (2.1) admite solucao se det A = 0, ou seja, se A e
invertvel, e assim sua solucao e x = A1 b. Mas do ponto de vista computacional, calcular a inversa
de uma matriz e muito custoso e, para evitar esse problema, utilizaremos o metodo de eliminac
ao
de Gauss.
Elimina
c
ao Gaussiana
A ideia do metodo de Gauss e transformar o sistema dado num sistema triangular inferior (ou
superior), utilizando escalonamento de matrizes. Apos esse processo, teremos o seguinte sistema:
NUMERICA
CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES
u11 x1 + u12 x2
u22 x2
..
+
+
..
.
+ u1n xn
+ u2n xn
= g1
= g2
.
..
.
10
(2.2)
unn xn = gn
uij xj
j=i+1
, i = n, n 1, , 2, 1,
uii
j=i+1
O que garante que o sistema Ax = b e equivalente ao sistema U x = g e o processo de escalonamento, onde o segundo sistema e obtido a partir do primeiro atraves de operacoes elementares.
Exemplo 2.1 Vamos utilizar o metodo de eliminac
ao de Gauss para resolver o seguinte sistema
linear
2x1 + x2 + x3 = 7
4x1 + 4x2 + 3x3 = 21 .
(2.3)
2 1 1 | 7
[A | b] = 4 4 3 | 21 .
6 7 4 | 32
Passo 1: zerar a21 e a31
defino 1 o piv
o: a11 = 2
defino os multiplicadores de linha =
m21 =
m31 =
a21
a11
4
2
= 2
a31
a11
6
2
= 3
L2 = L2 m21 L1
L3 = L3 m31 L1
ap
os estas operac
oes teremos uma nova matriz
2 1 1 | 7
[A | b] = 0 2 1 | 7 .
0 4 1 | 11
defino 2 o piv
o: a22 = 2
NUMERICA
CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES
defino os multiplicadores de linha = m21 =
a21
a11
4
2
11
=2
2 1 1 | 7
[A | b] = 0 2 1 | 7 = [U | g]
0 0 1 | 3
z }| {
3
g3
u3j xj
j=4
x3 =
u33
3
1
= 3
7 1(3)
2
= 2
7 1(2) 1(3)
2
= 1
g2 u23 x3
x2 =
u22
g1 u12 x2 u13 x3
x1 =
u11
e a soluc
ao do sistema (2.3) fica
x = (1, 2, 3)T
1
ou x = 2 .
3
ALGORITMO DE GAUSS
Passo k: (O objetivo e eliminar xk das equacoes)
i = k + 1, , n, com n = dim A
(k)
aik
(k)
akk
, i = k + 1, , n
(k+1)
(k)
(k)
.
(k+1)
bi
:=
(k)
bi
(k)
mik bk
NUMERICA
CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES
2.2
12
Decomposic
ao LU
Toda matriz n
ao singular admite uma decomposic
ao em duas matrizes triangulares, uma superior
e outra inferior. Quem garante esse resultado e o proximo teorema.
0
1
L=
lij
se i < j
se i = j .
se i > j
Ent
ao existe e e u
nica a decomposic
ao A = LU , onde U e a matriz resultante do processo de
eliminac
ao gaussiana e lij = mij (multiplicadores de linha).
Aproveitando nosso u
ltimo exemplo, podemos encontrar a decomposicao LU da matriz associada
ao sistema (2.3)
U
}|
}|
z
{
{
2 1 1
1 0 0
2 1 1
A = 4 4 3 = 2 1 0 0 2 1 .
6 7 4
3 2 1
0 0 1
x + y + z =
2x y + 3z =
x + y 5z =
2.3
metodo de eliminac
ao de Gauss uti-
1
0 .
2
M
etodos Iterativos
Vamos agora introduzir dois novos metodos que pertencem a classe dos metodos iterativos. Estes
metodos nao mais resolvem o sistema exatamente, mas sim, a partir de uma estimativa inicial,
constroem uma sequencia de aproximacoes que converge para a solucao exata do sistema. Devido as
limitacoes de memoria computacinal, esses metodos se mostram mais interessantes que os diretos, os
quais gastam grande quantidade de memoria computacional (problemas de interesse da engenharia
possuem aproximadamente 105 incognitas).
NUMERICA
CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES
13
M
etodo de GaussJacobi
Considere o sistema linear
n
aij xj = bi
, i = 1, 2, ... , n
j=1
xi =
aij xj , i = 1, 2, ... , n
bi
aii
j=1
j=i
O metodo de G.J. usa a maneira de escrever um sistema linear para gerar uma sequencia de
aproximacoes:
1
(k+1)
(k)
xi
=
aij xj , i = 1, 2, ... , n k = 0, 1, 2, ...
bi
aii
j=1
|
{z
j=i
F ormula de GaussJacobi
10x1 + 3x2 + x3 = 14
2x1 10x2 + 3x3 = 5
x1 + 3x2 + 10x3 = 14
, x(0)
0
= 0
0
soluc
ao:
Input: x(0) = (0, 0, 0)T
[
]
(1)
(0)
(0)
1
[
]
(1)
(0)
(0)
1
x2
= a22 b2 a21 x1 a23 x3
=
K=0
[
]
1
10 (14 3 0 1 0)
1
10 (5 2 0 3 0)
1
10 (14 1 0 3 0)
= 1, 4
= 0, 5
= 1, 4
=
= 1, 11
x1
10 ( 14 3 0, 5 1 1, 4)
(2)
1
K=1
x2
= 10 ( 5 2 (1, 4) 3 (1, 4)) = 1, 20
(2)
1
( 14 1 (1, 4) 3 (0, 5)) = 1, 11
x3
= 10
Output: x(2) = (1, 11 , 1, 20 , 1, 11)T
Com algumas iteraco
es do algoritmo, convergimos para x = (1, 1, 1)(T ) .
NUMERICA
CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES
(6)
(6)
14
(6)
M
etodo de GaussSeidel
Podemos construir uma variante do metodo de G.J. permitindo que as versoes atualizadas das
componentes de x entre na computacao na mesma iteracao K na qual sao calculadas. Isto da
origem ao metodo de Gauss-Seidel.
Formula Gauss-Seidel :
T ermo novo
z
}|
{ z antigo
}|
{
i1
n
(k+1)
(k+1)
(k)
1
xi
= aii bi
aij xj
aij xj
, i = 1, 2, ... , n
j=1
j=i+1
k = 0, 1, 2, ...
[
]
(1)
(0)
(0)
1
x
=
b
a
x
a
x
=
12 2
13 3
a11 [ 1
1
]
(1)
(1)
(0)
x2
= a122 b2 a21 x1 a23 x3
K=0
=
[
]
1
10
(14 3 0 1 0)
1
10 (5 2 1, 4 3 0)
1
10 (14 1 1, 4 3 0, 78)
1, 4
0, 78
= 1, 026
=
= 1, 0634
x1
10 ( 14 3 (0, 78) 1 (1, 026))
(2)
1
K=1
x2
= 10 ( 5 2 (1, 0634) 3 (1, 026)) = 1, 02048
(2)
1
x3
= 10
( 14 1 (1, 0634) 3 (1, 02048)) = 0, 98752
(5)
(5)
(5)
Estudo de Converg
encia
NUMERICA
CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES
15
max stop
Vantagens dos m
etodos iterativos :
Em sistemas mal condicionados (detA
= 0), os erros de arredondamento normalmente destroem uma solucao direta. Ja as solucoes iterativas propagam pouco este tipo de erro;
Caso a matriz for esparsa, tambem devemos optar por solucoes iterativas, pois nestas situac
oes
elas apresentam boa velocidade.
Desvantagens :
Sua convergencia nao sera garantida;
Para matrizes cheias, apresentam um n
umero maior de contas.
Coment
ario Importante :
Caso a solucao nao seja convergente, podemos tentar uma reorganizacao das equacoes antes de
aplicarmos o metodo iterativo. Por exemplo, considere o sistema abaixo:
x1
5x1
x
1
x1
+ x2
+ x2 x3
x2 + 5x3
7x2 + x3
+ 3x4
x4
x4
+ x4
= 5
= 4
= 4
= 4
Tomando chute x(0) = (0, 0, 0, 0)T , a solucao utilizando GS diverge, lim x(k) = x .Entretanto,
k
(antes)
1
5
1
(depois)
7
5
3
NUMERICA
CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES
16
Crit
erio de converg
encia:
Toda matriz diagonal dominante e convergente, para qualquer chute inicial.
Condi
c
ao de diagonal dominante:
|aii | >
j=1
j=i
|aij | , i = 1, 2, ... , n.
(2.4)
NUMERICA
CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES
2.4
17
Exerccios
a)
10x1 + 2x2 + x3 = 15
20x1 5x2 + 2x3 = 32
b)
3x1 + 10x2 + x3 = 16
x1 5x2 + 10x3 =
1
x1 + 2x2 + 5x3 =
2
5x1
c)
d)
2x1
2x2
= 10
10x2 3x3 = 50
+ 5x2 2x3 = 60
10x1
20x3 = 950
2. Encontre a decomposicao LU das matrizes dos coecientes associados aos sistemas do exerccio
anterior.
x1 + 2x2 x3
2x1 x2
x2 + 2x3 x4
x3 + 2x4
=
=
=
=
1
1
1
1
x1
10x1
x1
3x2 + x3 4x4
x2 2x3
+ x2
+ x4
x3 + 3x4
= 1
= 3
= 8
= 8
NUMERICA
CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES
18
ax1 + 3x2 + x3 = 1
ax1 + 8x2 + x3 = 2
x1 + 2x2 + 4x3 = 3
a) Determine para que valores de a se tem garantia de que os metodos de Gauss-Seidel e
Gauss-Jacobi geram uma sequencia convergente, para qualquer aproximacao inicial;
b) Escolha o menor valor inteiro positivo de a e determine uma solucao aproximada do sistema,
usando os metodos acima, com criterio de parada estabelecido pelo erro abaixo
maxi=1, ,3 |xk+1
xki | = 1 103 .
i
x1
2x2 5x3 + 18 = 0
4x1 + x2 2x3 + 8 = 0 .
x1 + 5x2 + 2x3 15 = 0
Verique que, para o sistema de equacoes dado, o metodo de Gauss-Jacobi e convergente.
Utilize-o para obter uma aproximacao da solucao, x(1) , partindo da aproximacao x(0) =
(1.05, 2.16, 3.0)T .
7. Considere o sistema de equacoes lineares AX = B, onde
1 2 4
x
17.0
A = 5 2 1 , X = y e B = 4.8 .
2
3 0
z
9.3
Captulo 3
Zero de Func
oes
O estudo das equacoes algebricas e, juntamente com a trigonometria uma das areas mais antigas
da matematica. Ainda na idade media, os matematicos arabes solucionaram a equacao do 2o grau,
e na renascenca foram solucionadas as equacoes do 3o e 4o graus.
Apos muito esforco e dedicacao por parte dos que pesquisam matematica, cou provado que
para equacoes de grau maior que 4, nao e possvel obter uma solucao do tipo combinac
ao dos
justamente a que surgem os metodos que capturam as razrs dessas
coecientes da equacao. E
equacoes.
Estes metodos, tambem conhecidos como iterativos, constroem uma sequencia de aproximac
oes
que podera convergir para a solucao do problema. A seguir, serao apresentados 4 destes metodos:
Bissecao, Falsa-Posicao, Iteracao Linear e Newton-Raphson.
f(x)
x1
x2
x3
raiz mltipla
razes simples
19
CAPITULO 3. ZERO DE FUNC
OES
3.1
20
M
etodo da Bissec
ao
Seja f (x) uma funcao contnua no intervalo [a, b] contendo apenas 1 raiz de f (x) (se f (a) f (b) < 0
entao existe 1 raiz simples no intervalo). A ideia do metodo e:
1. escolher [a, b] contendo ;
2. calcular o ponto medio do intervalo, c =
a+b
;
2
1o passo
2o
a=0
b = 0.5
c = 0.25
f (a) = 1
f (b) = 0.3513 f (c) = 0.2840
a := c
a = 0.25
b = 0.5
c = 0.3750
f (a) = 0, 2840 f (b) = 0.3513 f (c) = 0.0450
passo
b := c
3o passo
a = 0.25
b = 0.3750
c = 0.3125
f (a) = 0.2840 f (b) = 0.0450 f (c) = 0.1168
a := c
..
.
crit
erios de parada
Se e a aproximacao da raiz da equacao f (x) = 0 pertencente ao intervalo [a, b], entao temos
dois criterios de parada:
( )
I) |f |
II) |b a| ,
onde e um parametro pre-estabelecido.
CAPITULO 3. ZERO DE FUNC
OES
21
f(b)
f(x)
raiz
a
c
f(a)
3.2
M
etodo da Falsa-Posi
c
ao
uma variante do metodo da bissecao, na medida em que utiliza o mesmo algoritmo que o metodo
E
da bisse
(cao, diferindo
) ( apenas
) na escolha do ponto c, que passa a ser a raiz da secante que liga os
pontos a, f (a) e b, f (b) . Veja a gura 3.2.
O novo valor de c sera dado por
c=
f (b)a f (a)b
.
f (b) f (a)
ALGORITMO BISSECAO
entrada:
(f(x),a,b,aux)
ALGORITMO FALSA-POSICAO
entrada:
(f(x),a,b,aux)
CAPITULO 3. ZERO DE FUNC
OES
22
3.3
M
etodo da Iterac
ao Linear
Vamos estudar agora os chamados metodos do ponto xo. O mais simples deles e o metodo da
iteracao linear, o qual, mesmo nao tendo boa eciencia computacional, e importante para a introducao do metodo de Newton-Raphson.
Inicialmente, vamos reescrever o problema Encontrar R tal que f () = 0 como Encontrar
R tal que = (), onde (x) e uma funcao de iteracao da equacao f (x) = 0.
Pra tornar estes problemas equivalente, facamos f (x) = x (x), assim, como f () = 0, temos
que () = 0 e, portanto, = () .
Exemplo
3.2 Considere a equac
ao x2 + x 6 = 0. A sua func
ao de iterac
ao e a func
ao (x) =
6 x.
Uma vez determinada (x), o M.I.L. consiste em construir uma sequencia de aproximac
oes
{xi }iN a partir de um chute inicial x0 e gerada atraves da relacao recursiva xi+1 := (xi ) ,
i = 0, 1, 2, .
No exemplo acima, partindo de x0 = 1, 5 teramos
CAPITULO 3. ZERO DE FUNC
OES
23
estudo da converg
encia
Como vimos, (x) nao e u
nica. Na verdade, sua forma geral e dada pela relacao
(x) = x + A(x)f (x),
com A() = 0. Podemos mostrar a equivalencia entre os problemas f () = 0 e = () da seguinte
maneira
I) Seja tal que f () = 0, entao
() = + A() f () = ().
|{z}
=0
y
y= (x)
y=x
y= (x)
= ()
= ()
x2
x0
x1
lim xi =
situao convergente,
i
x2
x1
x0
lim xi
situao divergente,
00
00
CAPITULO 3. ZERO DE FUNC
OES
24
crit
erios de parada
O M.I.L utiliza os seguintes criterios de parada:
I) |xi+1 xi | ;
II) |f ()| ,
onde e um parametro pre-estabelecido.
Observa
c
ao 3.1 Devemos ser cuidadosos com o 1o criterio, pois em algumas situac
oes ele n
ao
corresponde `
a |xi | , conforme ilustra a figura abaixo.
()
x i+1
xi
ALGORITMO MIL
entrada(f(x),Phi(x),raiz,x0,aux)
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
CAPITULO 3. ZERO DE FUNC
OES
3.4
25
M
etodo de Newton-Raphson
Vimos que o M.I.L. tem convergencia lenta e nao garantida. A ideia do metodo de Newton e
construir um metodo de ponto xo que garanta e acelere a convergencia do processo iterativo
linear. Isto sera feito impondo que a derivada da funcao de iteracao seja nula em x = , ou seja,
() = 0.
Ja sabemos que (x) = x + A(x)f (x), portanto,
(x) = 1 + A (x)f (x) + A(x)f (x)
() = 1 + A () f () +A()f ()
|{z}
| {z }
=0
=0
A()f () = 1
A() =
1
.
f ()
N (x) = x
e a sequenia de aproximacoes {xi }iN de Newton sera gerada pela relacao recursiva
xi+1 = N (xi ), i = 0, 1, 2, ,
e assim, temos a formula de Newton-Raphson
xi+1 = xi
f (xi )
.
f (xi )
(3.1)
interpreta
c
ao geom
etrica
As aproximacoes futuras geradas pela formula de Newton serao as razes das tangentes `a curva
y = f (x) avaliadas nas aproximacoes atuais xi , conforme mostra a gura a seguir,
Calculando a derivada de f (x) e avaliando em xi , temos
=0
z }| {
f
(xi+1 ) f (xi )
f (xi ) = tan =
xi+1 xi
xi+1 xi =
xi+1 = xi
f (xi )
f (xi )
f (xi )
.
f (xi )
CAPITULO 3. ZERO DE FUNC
OES
26
y=f(x)
f(xi )
xi
x i+1
xi+1 = xi
f (xi )
f (xi )
x2i + xi 6
x2 + 6
= i
,
2xi + 1
2xi + 1
Para uma pequena analise de convergencia, apresentamos o teorema abaixo, que descreve as
condicoes para que o metodo de Newton-Raphson seja convergente.
Teorema 3.2 Sejam f (x), f (x), f (x) C 0 [a, b] e seja [a, b] raiz da equac
ao f (x) = 0.
Suponha que f (x) = 0. Ent
ao existe um intervalo I [a, b] tal que I e se x0 I, a sequencia
{xi } gerada pela f
ormula recursiva xi+1 := (xi ), i, ir
a a convergir para a raiz .
3.5
Exerccios
1. De um exemplo de uma funcao f (x) que tenha pelo menos uma raiz, mas que nao pode ser
determinada usando o metodo da bissecao.
2. A equacao x2 7x + 12 = 0 tem 3 e 4 como razes. Considere a funcao de iteracao dada por
(x) = x2 6x + 12. Determine o intervalo (a, b) onde, para qualquer que seja x0 escolhido,
a sequencia xn+1 = (xn ) converge para a raiz x = 3.
CAPITULO 3. ZERO DE FUNC
OES
27
3. Seja f (x) = ex + x 3.
a) Prove, analiticamente, que a equacao f (x) = 0 tem, no intervalo [0, 1], apenas uma raiz,
;
b) Aproxime utilizando o metodo da bissecao com 6 iteracoes.
4. Considere a equacao x3 + 3x + 3 = 0.
a) Justique analiticamente que a equacao tem uma u
nica raiz real, , pertencente ao intervalo
[1, 0.1].
b) Utilize o metodo de Newton-Raphson para aproximar a raiz calculando apenas duas
iteracoes, x1 e x2 . Escolha o chute inicial x0 .
5. Considere a equacao ex x = 0.
a) Justique analiticamente que a equacao tem uma u
nica raiz real, , pertencente ao intervalo
[0.3, 0.6].
b) Quantas iteracoes teria de calcular pelo metodo da bissecao de modo a obter uma aproximacao de com 3 casas decimais signicativas, sabendo que, com 4 casas decimais signicativas uma aproximacao para e 0, 5672.
6. Determine um intervalo (a, b) e uma funcao de iteracao (x) associada, de tal forma que,
x0 (a, b), a funcao de iteracao gere uma sequencia convergente para a(s) raz(es) de cada
uma das funcoes abaixo, usando o metodo iterativo linear (MIL) com tolerancia 1 103 :
a) f1 (x) = x ex ;
b) f2 (x) = ln(x) x + 2;
x
c) f3 (x) = e 2 x3 ;
d) f4 (x) = sen (x) x2 ;
x
e) f5 (x) = cos(x).
4
7. Determine a(s) raiz(es) da funcao f1 (x), usando o metodo da bissecao e o metodo da falsa
posicao com tolerancia 1 103 . Quantas iteracoes foram necessarias para cada um dos
metodos?
8. Determine as razes do exerccio (6), usando o metodo de Newton-Raphson.
9. Determine o ponto de intersec
ao entre as funcoes f1 (x) e f2 (x), f2 (x) e f3 (x) e entre
f1 (x), f2 (x) e f3 (x).
10. Dena raiz simples e raiz multipla em termos de multiplicidade algebrica. Interprete geometricamente cada uma delas.
Captulo 4
Aproxima
c
ao de Fun
c
oes
A teoria de interpolacao tem importantes aplicacoes nas ciencias exatas. Uma delas e fornecer
ferramentas matematicas para o desenvolvimento de metodos numericos, nas areas de integrac
ao
numerica, teoria de aproximacao e solucao de equacoes diferenciais.
Um 2o uso importante e desenvolver maneiras de trabalhar com funcoes tabeladas, por exemplo,
interpolar linearmente uma tabela de logaritmos. Entretanto, esta aplicacao cai cada vez mais em
desuso com a popularizacao das maquinas de calcular.
4.1
Teoria de Interpolac
ao
Defini
c
ao 4.1 (Interpolac
ao) - Dado um conjunto de pontos suporte (xi , yi ), i = 0, 1, 2, , n, de
uma certa funca
o y = f (x), deseja-se calcular uma aproximac
ao para f (
x), x
= x, empregando os
pontos dados. Para tal, construmos uma func
ao (x) que interpola f (x) da seguinte maneira
i) (xi ) = f (xi ), xi , i = 0, 1, , n;
ii) (
x)
x),
x = xi , i = 0, 1, , n.
= f (
=()
y=f(x)
y=f(x)
=()
Boa aproximao
x
M aproximao
DE FUNC
CAPITULO 4. APROXIMAC
AO
OES
29
problema de interpola
c
ao geral
A partir de uma tabela com n + 1 pontos de suporte, deseja-se escolher n + 1 funcoes de base j (x),
cuja combinacao linear sera usada para aproximar a funcao f (x),
(x) =
j=0
4.2
Interpolac
ao Polinomial
A escolha mais frequente para as chamadas funcoes de base, j (x), sao os monomios j (x) =
xj , j = 0, 1, , n, assim, o problema de interpolacao passa a ser expresso por
(x) =
aj xj = a0 + a1 x + + an xn .
j=0
aj (xji ) = yi , i = 0, 1, , n,
j=0
..
..
.
.
= y0
= y1
= y2
..
.
= yn
(4.1)
DE FUNC
CAPITULO 4. APROXIMAC
AO
OES
1 x10
xn0
x11
xn1
1 x12
.. ..
. .
..
.
xn2
..
.
1 x1n
xnn
30
a0
a1
a2
..
.
an
y0
y1
y2
..
.
yn
yi
y0 = e0 = 1
y1 = e2 = 7, 3891
1 0
1 2
a0
a1
7, 3891
unicidade do polin
omio interpolador
Elevando o grau n de (x) esbarramos em dois problemas. O primeiro consiste em gerar sistemas
lineares muito grandes que deverao ser resolvidos, o que pode acontecer se utilizarmos um bom
codigo de resolucao de sistemas. O segundo problema esta intimamente ligado a estrutura da matriz
dos coecientes, que para n muito grande, torna a matriz mal-condicionada limitando o calculo de
(x) somente para n pequenos.
Antes, porem, de apresentarmos outras formulas para (x), vamos enunciar o teorema da
unicidade do polin
omio interpolador, que vai garantir a existencia de um u
nico (x) para um
mesmo conjunto de pontos suporte.
Teorema 4.1 Exist
encia e Unicidade do Polin
omio Interpolador
Para n + 1 pontos suporte (xi , yi ), i = 0, 1, , n, xi = xj , existe e e u
nico o interpolante
(x) Pk (x), k n, tal que (xi ) = yi , i = 0, 1, , n.
DE FUNC
CAPITULO 4. APROXIMAC
AO
OES
4.3
31
F
ormula de Lagrange
x xk
.
xj xk
k=0
k=j
yj Lj (x).
j=0
Observa
c
ao 4.1 O polin
omio de Lagrange tem a propriedade do delta de Kroenecker
{
1 , i=j
Lj (xi ) = ij =
0 , i = j
Verifique! Em seguida, mostre que a f
ormula de Lagrange passa por todos os pontos suporte, ou
seja, (xi ) = yi , i.
yi
y0 = log10 2 = 0.301
y1 = log10 3 = 0.477
4.4
Diferenciac
ao Num
erica
Comecemos esse captulo relembrando a denicao de derivada de uma funcao real f (x)
f (x + h) f (x)
h0
h
f (x) = lim
f (x + h) f (x)
,
h
(4.2)
DE FUNC
CAPITULO 4. APROXIMAC
AO
OES
32
desde que h > 0 seja um parametro muito pequeno. Mas sera que essa aproximacao e boa? Vamos
responder essa pergunta utilizando expansao em serie de Taylor:
f (x + h) = f (x) + hf (x) +
h2
f (), (x, x + h)
2
f (x + h) f (x) = hf (x) +
h2
f (),
2
h
f ().
2
Isto signica que se desejamos obter um erro, por exemplo, 10 vezes menor, temos que reduzir h
na mesma proporcao, o que, de certa forma, empobrece a aproximacao 4.2. Mas, e se conseguirmos
uma aproximacao cujo erro seja proporcional a h2 ? Com certeza o erro diminuiria muito mais rapido
comparado a diminuicao do parametro h.
Vamos considerar uma funcao real f (x) e a reta r que liga os pontos (x h, f (x h)) e
(x + h, f (x + h)), onde h e um parametro positivo sucientemente pequeno.
y
f(xh)
f(x+h)
f(x)
reta r
xh
x+h
f (x + h) f (x h)
,
2h
e assim, r tende para a reta tangente a curva no ponto x, ou seja, m f (x), o que signica que
podemos aproximar a derivada de f (x) da seguinte maneira:
2 =
f (x + h) f (x h)
.
2h
(4.3)
Vamos agora vericar a ordem do erro da aproximacao 4.3. Considerando o intervalo (xh, x+h)
e assumindo f (x) uma funcao sucientemente regular, podemos novamente utilizar expansao em
serie de Taylor:
DE FUNC
CAPITULO 4. APROXIMAC
AO
OES
33
f (x + h) = f (x) + hf (x) +
h2
h3
f (x) + f (),
2
3!
f (x h) = f (x) hf (x) +
h2
h3
f (x) f (),
2
3!
onde (x h, x + h).
Subtraindo a segunda da primeira equacao, temos
f (x + h) f (x h) = 2hf (x) + 2
h3
f (),
6
Se considerarmos um conjunto de pontos suporte (xi , f (xi )), e aplicarmos o operador 1 teremos
1 (f (xi )) =
f (xi+1 ) f (xi )
,
xi+1 xi
ou ainda,
1 fi =
fi+1 fi
.
xi+1 xi
fi+1 fi
xi+1 xi
2 fi = 1 [1 fi ] =
1 fi+1 1 fi
xi+2 xi
(4.4)
..
.
n fi = 1 [n1 fi ] =
n1 fi+1 n1 fi
.
xi+n xi
Usando ainda a notacao n fi = f [xi , xi+1 , , xi+n ], podemos reescrever a tabela 4.4 como:
DE FUNC
CAPITULO 4. APROXIMAC
AO
OES
34
0 fi = f [xi ]
1 fi = f [xi , xi+1 ]
f [xi+1 , xi+2 ] f [xi , xi+1 ]
xi+2 xi
(4.5)
..
.
n fi = f [xi , xi+1 , , xi+n ] =
xi
x0
x1
x2
..
.
fi
f0
f1
f2
..
.
f [xi , xi+1 ]
f [x0 , x1 ]
f [x1 , x2 ]
f [x2 , x3 ]
..
.
4.5
xi
0.2
0.4
0.6
0.8
1.0
fi
1.22
1.49
1.82
2.23
2.72
F
ormula de Newton
Newton teve a ideia de usar o conceito de diferencas nitas escrevendo o polinomio interpolador
como sendo a seguinte combinacao linear
(x) = a0 + a1 (x x0 ) + a2 (x x0 )(x x1 ) + + an (x x0 )(x x1 ) (x xn1 ),
com os coecientes aj calculados a partir do operador .
Nos faremos a construcao de (x) de maneira indutiva. Inicialmente, construimos 0 (x) que
interpola f (x) em x0 e em x1 , e assim sucessivamente construimos k (x) que interpola f (x) em
x0 , x1 , , xk , k = 0, 1, , n.
Antes de iniciarmos, e u
til observar que e invariante `a ordenacao dos pontos suporte xi , por
exemplo:
fi+1 fi
(1)(fi fi+1 )
fi = f [xi , xi+1 ] =
=
= f [xi+1 , xi ].
xi+1 xi
(1)(xi xi+1 )
DE FUNC
CAPITULO 4. APROXIMAC
AO
OES
35
constru
c
ao do polin
omio interpolador
f (x) f (0)
x x0
e portanto,
f (x) = f0 + f [x0 , x](x x0 ),
assim, podemos armar que 0 (x) = f0 = f [x0 ] e que e0 (x) = f [x0 , x](x x0 ) (funcao erro
que se anula em x = x0 ).
II) Seja, agora, 1 (x) o interpolante para f (x) em x0 e em x1 . Sabemos que
f [x0 , x] f [x1 , x0 ]
x x1
f [x0 , x1 , x] = f [x1 , x0 , x] =
f (x) f (0)
f [x0 , x1 ]
x x0
x x1
portanto,
f [x0 , x1 , x](x x0 )(x x1 ) = f (x) f0 f [x0 , x1 ](x x0 ),
e assim,
f (x) = f0 + f [x0 , x1 ](x x0 ) + f [x0 , x1 , x](x x0 )(x x1 ).
Concluimos que 1 (x) = f0 + f [x0 , x1 ](x x0 ) e que e1 (x) = f [x0 , x1 , x](x x0 )(x x1 )
(funcao erro que se anula em x = x0 e x = x1 ).
III) Generalizando, temos
n (x) = f0 + f [x0 , x1 ](x x0 ) + + f [x0 , x1 , , xn ](x x0 ) (x xn1 ),
ou ainda
Polinomio de Newton
}|
{
z
n (x) = a0 + a1 (x x0 ) + a2 (x x0 )(x x1 ) + + an (x x0 )(x x1 ) (x xn1 ),
(4.6)
onde a0 = f [x0 ], a1 = f [x0 , x1 ], a2 = f [x0 , x1 , x2 ], , an = f [x0 , x1 , x2 , , xn ].
Exerccio 4.2 Construa um interpolante para a tabela abaixo usando poli
omio de Newton:
xi
6
7
8
9
fi
0.70
0.63
0.57
0.50
DE FUNC
CAPITULO 4. APROXIMAC
AO
OES
4.6
36
Ajuste de Curvas
Nas primeiras secoes desse captulo, estudamos como interpolar uma funcao f (x) a partir de um
conjunto de pontos suporte. Nas proximas secoes, aprenderemos como ajustar uma curva por entre
estes pontos, sem necessariamente passar por todos eles.
y=f(x)
y=f(x)
INTERPOLAO
AJUSTE
r2
r1
Para solucionarmos este problema, tems que denir este tipo de conceito: o de melhor aproximacao.
4.6.1
Crit
erios de Ajuste
Vamos estabelecer alguns criterios de melhor ajuste de uma curva y = (x) a um conjunto de
pontos suporte. Sera u
til denirmos o conceito de resduo, ou erro, em cada ponto:
Rk = (xk ) yk , k = 0, 1, , n.
DE FUNC
CAPITULO 4. APROXIMAC
AO
OES
37
Rk = 0
ou
, k = 0, 1, , n.
(xk ) yk = 0
Este criterio nao deve ser utilizado, pois nos leva a um problema de interpolacao.
II) soma dos resduos mnima
Rk = mn
k=0
ou
(
)
(xk ) yk = mn
k=0
Este criterio e simples, porem e sensvel ao sinal dos resduos, conforme ilustra a situacao abaixo:
y
y=f(x)
(x0) = y1
(x1) = y0
y= (x)
x0
n=1
x1
)
) (
) (
) (
(
Rk = (x0 ) y0 + (x1 ) y1 = (x0 ) y1 + (x1 ) y0 = 0
k=0
Rk2 = mn
k=0
ou
(
)2
(x
)
y
= mn
k
k
k=0
Este criterio da origem ao metodo conhecido como metodo dos mnimos quadrados. Este metodo
surge em varias areas da ciencias exatas com nomes diferentes: regressao linear, suavizacao de dados,
otimizacao, etc...
Ele se baseia em aproximar uma funcao f (x) pela combinacao linear
(x) =
j=0
aj j (x),
DE FUNC
CAPITULO 4. APROXIMAC
AO
OES
38
onde os coecientes aj sao as incognitas do problema de ajuste e j (x) sao funcoes de base conhecidas (escolhidas de acordo com o fenomeno estudado).
Para determinarmos os coecientes aj s, usamos o criterio de mnimos quadrados:
Rk2 = mn
k=0
ou
m (
n
(
)2 )
(x
)
y
= mn
j
j
k
k
k=0
j=0
Ou
ltimo somatorio acima tambem pode ser escrito da seguinte forma (veja o Apendice A):
m
n
aj j (xk )i (xk ) =
k=0 j=0
assim,
n [
m
j=0
yk i (xk ), i = 0, 1, , n,
k=0
m
]{ } {
}
i (xk )j (xk ) aj =
i (xk )yk , i = 0, 1, , n,
k=0
k=0
0 (xk )0 (xk )
0 (xk )1 (xk )
k=0
k=0
m
m
1 (xk )0 (xk )
1 (xk )1 (xk )
k=0
k=0
..
..
..
.
.
.
m
m
n (xk )1 (xk )
n (xk )0 (xk )
k=0
k=0
0 (xk )n (xk )
k=0
1 (xk )n (xk )
k=0
..
(x ) (x )
n
a0
a1
..
.
an
0 (xk )yk
k=0
m
1 (xk )yk
=
k=0
..
n (xk )yk
k=0
k=0
Ajuste Polinomial
DE FUNC
CAPITULO 4. APROXIMAC
AO
OES
xk
x2k
m+1
k=0
k=0
m
m
m
x
x
x
xk x2k
k
k k
k=0
k=0
k=0
..
..
..
..
.
.
.
.
m
m
m
xnk
xnk xk
xnk x2k
k=0
k=0
k=0
39
xnk
k=0
xk xk
k=0
..
xnk xnk
a0
a1
..
.
an
yk
k=0
m
xk y k
=
k=0
..
xnk yk
k=0
k=0
Observa
c
ao 4.2
I) Tanto o problema geral como o polinomial, geram matrizes simetricas, o
que facilita bastante a soluc
ao numerica do sistema linear.
II) Podemos estimar o grau do polin
omio a ser ajustado atraves do gr
afico dos pontos de suporte.
Exemplo 4.3 O n
umero de bacterias, por unidade de volume, existentes em uma cultura ap
os x
horas e dado na tabela abaixo:
n
umero de horas
0 1
2
3 4 5 6
n
umero de bacterias 32 34 37.5 39 43 47 50
Estime o n
umero de bacterias (por unidade de volume) existentes na cultura ap
os um perodo
de 24 horas.
solu
c
ao:
Podemos ver atraves do gr
afico abaixo, que um ajuste polinomial linear, (x) = a0 + a1 x, e uma
escolha razo
avel:
50
48
46
44
42
40
38
36
34
32
Determinando os coeficientes:
xk
m+1
k=0
m
m
xk
x2k
k=0
k=0
yk
k=0
a0
=
m
a1
xk yk
k=0
DE FUNC
CAPITULO 4. APROXIMAC
AO
OES
onde
m + 1 = 7,
xk = 21,
k=0
portanto,
x2k = 91,
k=0
7 21
21 91
40
yk = 282.5 e
k=0
xk yk = 933,
k=0
}
] {
} {
a0
282.5
,
=
a1
933
cuja soluca
o e a0 = 31.1964 e a1 = 3.0536. Concluimos que o conjunto de pontos ser
a ajustado
pelo polin
omio
(x) = 31.1964 + 3.0536x,
e portanto, a estimativa do n
umero de bacterias ap
os um perodo de 24 horas ser
a de (24) bacterias,
onde
(24) = 31.1964 + 3.0536(24) = 104.4829.
4.7
Exerccios
b) f (x) = 1 + x
c) f (x) = ln(x + 1)
2. Sabendo-se que f (0.81) = 16.94410, f (0.83) = 17.56492, f (0.86) = 18.50515 e f (0.87) =
18.82091, calcule um valor aproximado de f (0.84), usando:
a) Polinomios de Lagrange de graus 1, 2 e 3
b) Polinomios de Newton de graus 1, 2 e 3
3. Considere a tabela abaixo:
altura(cm) 183 173 188 163 178
peso(kg)
79 69 82 63 73
Usando um interpolador polinomial de grau 2, calcule a altura aproximada de uma pessoa
com peso de 70kg.
4. Qual e a diferenca entre interpolacao polinomial e o ajuste de curvas pelo metodo dos mnimos
possvel obter um mesmo polinomio que interpola e faz o ajuste de curvas pelo
quadrados? E
metodo dos mnimos quadrados?
5. Dada a tabela abaixo, faca o graco de dispersao dos dados e ajuste uma curva da melhor
maneira possvel:
x 0.5 0.75 1.0 1.5 2.0 2.5 3.0
y 2.8 0.6 1.0 3.2 4.8 6.0 7.0
DE FUNC
CAPITULO 4. APROXIMAC
AO
OES
41
10. Aproximar a funcao y = 3 x no intervalo [0, 1] por um polinomio de terceiro grau, usando
os valores de x com incremento de 0.1. Resolva este mesmo problema com um polinomio de
segundo grau e compare os resultados.
Captulo 5
Integrac
ao Num
erica
Neste captulo veremos como calcular numericamente uma integral denida. Muitas integrais nao
tem solucao exata, ou tem solucao exata muito complexa, por esse motivo, os metodos numericos
surgem como uma ferramenta super importante para o calculo de tais integrais.
Sabemos que a integral denida de uma funcao f (x) pode ser vista como a area sob a curva
y = f (x), por exemplo, se f (x) = x2 entao, como vemos na gura a seguir, sua area (no intervalo
[0, 1]) sera dada pela seguinte integral
y=x2
A
1
x2 dx =
A=
0
x3 1 1
= u.a.
3 0 3
5.1
M
etodo dos Trap
ezios
O metodo dos trapezios substitui o integrando f (x) da integral por uma funcao linear por partes.
Considere a gura 5.1. Primeiro, aproximamos a integral do exemplo anterior pela area do triangulo
denido ligando os pontos (0, f (0)) e (1, f (1)), em seguida, acrescentamos o ponto (0.5, f (0.5)) e
aproximamos a integral pela soma das areas das duas guras planas denidas.
A ideia do metodo e particionar o intervalo de integracao, de modo a aproximar ao maximo o
valor da integral denida. Vamos generalizar um pouco mais o problema entao. Considere a gura
abaixo:
42
NUMERICA
CAPITULO 5. INTEGRAC
AO
43
A = 1(1)/2 = 0.5
erro
0.5
f(x)
fi
fi+1
Ai
A
x0
fi+2
i+1
A2
x1 x2
xi
xi+1
xi+2
xn
Ao particionarmos o intervalo de integracao [x0 , xn ], denimos varios trapezios, e assim, aproximamos a integral pela soma das areas desses trapezios. Portanto, temos as seguintes formulas:
1. Metodo dos Trapezios Elementar (2 pontos de integracao):
)
h(
I=
fi + fi+1
2
2. Metodo dos Trapezios Composto (n + 1 pontos de integracao):
)
h(
f0 + 2f1 + + 2fn2 + 2fn1 + fn ,
I=
2
onde h = xi+1 xi e constante e fi = f (xi ).
Observa
c
ao 5.1
1. A precis
ao do metodo e inversamente proporcional ao passo:
prec h .
NUMERICA
CAPITULO 5. INTEGRAC
AO
44
erro
truncamento
n crtico
5.2
M
etodo de Simpson
No metodo de Simpson, ao inves de substituirmos o integrando f (x) por uma poligonal, empregaremos uma aproximacao parabolica, necessitando, portanto, agrupar os pontos 3 a 3.
y
f(x)
f(c)
f(a)
f(b)
b
Para calcularmos a integral a f (x)dx (veja gura acima) com o metodo dos trapezios, utilizaramos 2 pontos de integracao e aproximaramos a integral pelo valor da area A = c1 f (a)+c2 f (b),
com c1 = c2 = ba
2 .
No metodo de Simpson teremos tres coecientes, aproximando a integral pela seguinte expressao:
A = c1 f (a) + c2 f (c) + c3 f (b).
O problema e determinarmos esses coecientes, para isso, aplicaremos a formula geral acima a
tres situacoes nas quais ela fornecera a solucao exata da integral.
A1 =
(1)dx =
A2 =
xdx
A3 =
2h
x2 dx =
h
2h3
3
NUMERICA
CAPITULO 5. INTEGRAC
AO
45
y
111111111
000000000
000000000
111111111
000000000
111111111
A
000000000
111111111
000000000
111111111
000000000
111111111
111111111111111111
000000000000000000
1
11111111
00000000
00000000
11111111
00000000
11111111
A
00000000
11111111
11111111111111111
00000000000000000
00000000
11111111
00000000
11111111
00000000
11111111
y=x
1111111111
0000000000
0000000000
1111111111
0000000000
1111111111
A
0000000000
1111111111
111111111111111111
000000000000000000
0000000000
1111111111
y=x2
2h
0
2h3
3
h
4h
e c2 =
3
3
)
h(
fi1 + 4fi + fi+1
3
)
h(
f0 + 4f1 + 2f2 + 4f3 + 2f4 + + 2fn2 + 4fn1 + fn
3
NUMERICA
CAPITULO 5. INTEGRAC
AO
46
Exemplo 5.1 Calcule a integral abaixo utilizando o metodo dos trapezios e o metodo de Simpson,
ambos com 5 pontos de integrac
ao
6
I(f ) =
x2 dx.
2
xi fi
2 4
3 9
4 16
5 25
6 36
h = xi+1 xi = 1, i.
a) Metodo dos Trapezios
A =
=
=
)
h(
f0 + 2f1 + 2f2 + 2f3 + f4
2
)
1(
4 + 2(9) + 2(16) + 2(25) + 36
2
140
= 70 u.a (soluc
ao aproximada).
2
b) Metodo de Simpson
A =
=
=
5.3
)
h(
f0 + 4f1 + 2f2 + 4f3 + f4
3
)
1(
4 + 4(9) + 2(16) + 4(25) + 36
3
208
= 69.33 u.a. (soluc
ao exata).
3
M
etodo da Quadratura Gaussiana
NUMERICA
CAPITULO 5. INTEGRAC
AO
47
y
erro
B
c a
b d
A1 =
(1)dx =
A2 =
xdx
c1 f1 (x1 )
c1 f2 (x1 )
c1 f3 (x1 )
c1 f4 (x1 )
x2 dx =
2
3
x3 dx =
A4 =
A3 =
+
+
+
+
c2 f1 (x2 )
c2 f2 (x2 )
c2 f3 (x2 )
c2 f3 (x2 )
= 2
= 0
= 32
= 0
NUMERICA
CAPITULO 5. INTEGRAC
AO
48
111111111
000000000
000000000
111111111
000000000
111111111
A
000000000
111111111
000000000
111111111
000000000
111111111
111111111111111111
000000000000000000
1
11111111
00000000
00000000
11111111
00000000
11111111
A
00000000
11111111
11111111111111111
00000000000000000
00000000
11111111
00000000
11111111
00000000
11111111
y=x
1111111111
0000000000
0000000000
1111111111
0000000000
1111111111
A
0000000000
1111111111
111111111111111111
000000000000000000
0000000000
1111111111
y=x2
y=x2
3
y
y=x3
A
000000000000000000
111111111111111111
4 1
c1 (1)
c1 (x1 )
c (x2 )
1 13
c1 (x1 )
+ c2 (1)
+ c2 (x2 )
+ c2 (x22 )
+ c2 (x32 )
= 2
= 0
= 23
= 0
1
1
x1 =
e x2 =
.
3
3
Logo a formula da Quadratura de Gauss com 2 pontos de integracao sera dada por
)
( 1 )
1
A=f
+f
3
3
(
NUMERICA
CAPITULO 5. INTEGRAC
AO
49
O raciocnio anterior pode ser estendido a n pontos de integracao. Abaixo mostramos uma
tabela com os valores dos ci s e dos xi s avaliados para n = 2, 3 e 4 pontos de integracao.
n
ci
xi
2
c1 = c2 = 1
x1 = x2 = 0.5773
3 c1 = c3 = 0.5555 x1 = x3 = 0.7746
c2 = 0.8889
x2 = 0
4 c1 = c4 = 0.3479 x1 = x4 = 0.8611
c2 = c3 = 0.6522 x2 = x3 = 0.33998
troca de vari
aveis
Como a formula de Gauss foi deduzida para x [1, 1], devemos realizar uma troca das vari
aveis
de integrac
ao para um domnio generico x [a, b], de modo a podermos calcular a integral
b
I(f ) =
f (t)dt.
a
e esta nova funcao F (x) sera o integrando usado na formula de Gauss, conforme ilustra o exemplo
a seguir.
Exemplo 5.2 Resolver a integral abaixo utilizando o metodo da quadratura de Gauss com 2 pontos
de integrac
ao
t2 dt.
I(f ) =
2
4)2 .
Empregando a f
ormula de Gauss para 2 pontos de integrac
ao
( )
( )
1
I(f ) =
F 13 + F
3
(
)2
(
)2
1
= 2 13 + 4 + 2
+
4
3
=
NUMERICA
CAPITULO 5. INTEGRAC
AO
5.4
Exerccios
1.
50
a) Utilize o metodo de Simpson para aproximar a integral abaixo com 5 pontos de integrac
ao
(utilize 5 casas decimais):
1
(x5 x3 x 1) dx.
0
x
a)
e dx
c)
x dx
1
b)
1
dx
x
0.6
d)
0
1
dx.
1+x
4. De um exemplo de uma funcao, onde o metodo dos trapezios calcula o valor exato da integral.
5. De um exemplo de uma funcao, onde o metodo de Simpson calcula o valor exato da integral.
6. Calcule a area denida por f (x) pelo metodo de Simpson:
x
2
4
6
8 10 12 14 16 18
f (x) 0.5 0.9 1.1 1.3 1.7 2.1 1.5 1.1 0.6
x3 ex dx.
0
Sabe-se que o valor exato da integral e I = 0.5634363. Denotemos por It (h) e Is (h), o resultado
da integral obtido, respectivamente, pelos metodos dos trapezios e de Simpson. Seja h = 0.5.
a) Calcule It (h) e It (h/2);
b) Calcule Is (h) e Is (h/2);
4It (h/2) It (h)
c) Calcule R1 (h) =
(Metodo de Romberg);
3
d) Compare com o valor exato e conclua qual e o melhor resultado.
8. A curva de carga tpica de uma cidade e dada pela gura abaixo:
Considere as medidas de potencia a cada hora:
NUMERICA
CAPITULO 5. INTEGRAC
AO
51
MW
31
Horas
0
Hora M W
1
30
2
28
3
29, 8
4
32
5
33
6
38
10
12
14
Hora M W
7
40
8
39
9
33
10
32, 5
11
31
12
39
16
18
20
Hora M W
13
42
14
38
15
34
16
30
17
29
18
31
22
24
Hora M W
19
39
20
45
21
50
22
44
23
40
24
30
Estime o consumo de energia diario dessa cidade utilizando os metodos abaixo e, em seguida,
compare os resultados:
a) Metodo dos trapezios composto;
b) Metodo de Simpson composto.
Refer
encias Bibliogr
aficas
[1] Sperandio, D., Mendes, J. T., Monken e Silva, L. H., C
alculo Numerico: Caractersticas
Matem
aticas e Computacionais dos Metodos Numericos. Editora Pearson Prentice Hall, Sao
Paulo, 2003.
52