Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Sumario
1 Introdu
~ao a Teoria de Erros e Estabilidade
1.1
1.2
1.3
1.4
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 3
. 3
. 4
. 5
.
.
.
.
.
.
.
.
.
8
8
9
12
15
15
15
17
17
4 Ajuste de Curvas
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
23
23
24
26
27
28
31
33
33
34
37
38
41
41
42
SUMARIO
SUMARIO
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
51
51
52
52
53
54
54
54
55
56
59
67
CAPITULO
A = 31400 m2;
2.
A = 31416 m2;
3.
A = 31415:92654 m2.
Como justi
ar as diferen
as entre os resultados apresentados no exemplo 1? E possvel obter exatamente esta
area?
Os erros o
orridos dependem da representa
~ao do numero (neste
aso, do numero ) na maquina utilizada1 e
do numero maximo de dgitos usados na sua representa
~ao.
O numero , por exemplo, n~ao pode ser representado atraves de um numero nito de dgitos de
imais. No
exemplo 1, o numero foi es
rito
omo 3.14, 3.1416 e 3.141592654 respe
tivamente. Para
ada representao
foi obtido um resultado diferente, e o erro neste
aso depende ex
lusivamente da aproxima
~ao es
olhida para .
Qualquer que seja a
ir
unfer^en
ia, a sua area nun
a sera obtida exatamente de forma numri
a!
Logo, qualquer
al
ulo que envolva numeros que n~ao podem ser representados atraves de um numero nito de
dgitos n~ao forne
era
omo resultado um valor exato.
0:d1 d2 d3 : : : dt 10e
onde:
1 Cal
uladora
ou omputador.
CNC
0:d1 d2 d3 10e ; 0 dj 9; d1 6= 0; e 2 [ 5; 5:
O menor numero sera
valor absoluto.
1.3 Erros
O formato de um numero em aritmeti
a de ponto
utuante limita a mantissa em k dgitos de
imais. Existem
duas maneiras de obter essa limita
~ao. Um metodo,
hamado de trun
amento,
onsiste em simplesmente
ortar
os dgitos dk +1 dk +2 : : :.
O outro metodo,
hamado de arredondamento trun
a a mantissa em k dgitos (
omo no
aso a
ima), porem
duas situa
~oes podem o
orrer:
1. Se dk +1 5, dk = dk + 1;
2. Se dk +1 < 5, dk = dk .
Exemplo 3. Podemos es
rever o numero na forma de aritmeti
a de ponto
utuante
om 5 dgitos usando:
1. O metodo de Trun
amento:
= 0:31415 101 ;
2. O metodo de Arredondamento:
= 0:31416 101.
Estes dois pro
essos geram erros nos
al
ulos numeri
os e s~ao
onhe
idos
omo erros de trun
amento e erros
de arredondamento, respe
tivamente.
L. A. P. Cant~ao
CNC
O erro absoluto e a diferen
a entre o valor exato de um numero x e seu valor aproximado x :
EAx = jx x j:
Em geral, apenas o valor x e
onhe
ido, e neste
aso, e impossvel obter o valor exato do erro absoluto. O que
se faz e obter um limitante superior ou uma estimativa para o modulo do erro absoluto.
O erro relativo e denido
omo o erro absoluto dividido pelo valor aproximado:
EA jx x j
ERx = jx jx = jx j ; x 6= 0:
(a)
(b)
1;
n!
n=0
5
X
1.
n!
n=0
10
X
x sen x
3. Seja f (x ) = x
os
x sen x .
30000
X
i =1
xi
CNC
5. Os primeiros tr^es termos termos diferentes de zeros da serie de Ma
Laurin para a fun
~ao ar
otangente s~ao
x (1=3)x 3 +(1=5)x 5. Cal
ule o erro absoluto e o erro relativo para as seguintes aproxima
~oes de utilizando
o polin^omio em lugar da fun
~ao ar
otangente:
1
(a) 4 ar
tan 2 + ar
tan 13 (Aprox. 3:14557613, EA = 3:983 10 3 e ER = 1:268 10 3)
1 (Aprox. 3:14162103, EA = 2:838 10 5 e ER = 9:032 10 6 )
(b) 16 ar
tan 15 4 ar
tan 239
6. Use a aritmeti
a
om numeros de tr^es dgitos para exe
utar os
al
ulos a seguir. Cal
ule os erros absolutos
e relativos
omparando-os
om o valor exato determinado
om pelo menos
in
o dgitos.
(a)
(b)
(
)
(d)
13
b + b2 4a
2a
x1 =
b2 4a
:
2a
x2 =
x1
EA
92:26
0:1542
10
10
7 566 10
(b)
0:005421
1:264
( )
10:98
6:875
L. A. P. Cant~ao
0:001149
10 1
1 672 10 4
2 333 10 4
6 257 10 4
6 584 10 5
2:4
(d)
x2
ER
0:02
EA
62:1
0:005419
10
10
6 875 10
4:58
7:566
:
10 7
4 58 10 3
7 566 10 8
6 875 10 3
6:273
3
8
3
ER
10 4
1 157 10 4
4 965 10 5
6 584 10 5
6 257 10 4
3:2
:
CAPITULO
(2.1)
(2.2)
.. . . .. .. = ..
.
. . . .
.
.
xn
bn
an1 an2 ann
Note que Ann denota a matriz de
oe
ientes, x o vetor das in
ognitas e b o vetor
om os valores do lado direito
do sistema (2.1).
Se admitirmos que A e uma matriz inversvel, ou seja, A 1 A = AA 1 = I, onde I e a matriz Identidade,
ent~ao o sistema (2.1) ou (2.2) tem solu
~ao uni
a x = A 1 b. Porem,
al
ular expli
itamente A 1 e em seguida
A 1 b e desa
onselhavel, uma vez que o numero de opera
~oes envolvidas e grande, o que torna este pro
esso n~ao
ompetitivo
om os metodos que estudaremos aqui.
CNC
2x1
x2 + x3 = 2
x2 + 2x3 = 3
x3 = 1
(2.3a)
x1
= 2
(2.3b)
2x1 + x2
= 3
2x1
x2 + 5x3 = 2
ujas respe
tivas solu
~oes podem ser obtidas diretamente, ou seja, para os problemas (2.3a) e (2.3b), temos:
x3 = 1
3 2 =1
x2 =
1
2
+
1 1 =1
x1 =
2
x1 = 2
3 4= 1
x2 =
1
2
4 1= 3
x3 =
5
5
a11 x1 + a12 x2 + +
a22 x2 + +
a1;n 1 xn
a2;n 1 xn
an
1
1
1;n 1 n 1
+
+
a1n xn
a2n xn
+ an 1;n xn
ann xn
= b1
= b2
..
.
= bn 1
= bn
(2.4a)
= b1
+ a22 x2
= b2
..
(2.4b)
.
L. A. P. Cant~ao
a11 x1
a21 x1
CNC
bn
ann
Para k = n 1 ate k = 1 fa
a
soma = bk
Para j = k + 1 ate j = n fa
a
soma = soma akj xj
Fa
a xn =
Fim do la o
6:
xk =
7:
8:
soma
akk
Fim do la o
b1
a11
Para k = 2 ate k = n fa
a
soma = bk
Para j = 1 ate j = k 1 fa
a
soma = soma akj xj
Fa
a x1 =
Fim do la o
6:
7:
8:
soma
xk = a
kk
Fim do la o
Os metodos diretos mais
omuns t^em
omo base as seguintes propriedade elementares de sistemas de equa
~oes
lineares.
Propriedade 1. A solu
~ao do sistema Ax = b n~ao se altera se o submetermos a uma sequ^en
ia de opera
~oes do
tipo:
L. A. P. Cant~ao
a11
a21
..
.
ai 1
..
.
an 1
a12
a22
..
.
ai 2
..
.
an2
CNC
a13
a23
..
.
ai 3
..
.
an3
a1n b1
a2n b2
..
.
bi
..
.
..
.
ain
. . . ...
ann bn
...
l1(1)
l2(1)
..
.
(1)
li
..
.
(1)
ln
os elementos li(1) , para i = 1; 2; : : : ; n, representam as equa
~oes do sistema linear (2.1) a ser triangularizado.
Elimina
~
ao da Primeira Coluna
Suponha que a11 6= 0. Para eliminar a in
ognita x1 das n 1 equa
~oes, subtramos a primeira linha multipli
ada
pelo fator
a
mi 1 = a i 1
11
(2)
(2)
0 a22
a23
a2(2)n b2(2)
l2(2)
..
..
.. . . ..
..
..
.
. .
.
.
.
.
i
i2
i3
in
.
..
..
..
.. . . ..
.
. .
.
.
.
.
.
(2)
bn(2)
ln(2)
0 an(2)2 an(2)3 ann
Elimina
~
ao da Segunda Coluna
Para eliminar a in
ognita x2 das n 2 ultimas equa
~oes repetimos o pro
edimento anterior tomando agora a
segunda linha
omo auxiliar no pro
esso de elimina
~ao, isto e:
a
li(3) = li(2) mi 2 l2(2) ; i = 3 : n; onde mi 2 = i 2 ; i = 3 : n;
a22
supondo que a22 6= 0.
Os
oe
ientes ser~ao modi
ados segundo as rela
~oes:
Para i = 3 : n aij(3) = aij(2) mi 2 a2(2)j ; j = 3 : n
bi(3) = bi mi 2 b2(2) :
L. A. P. Cant~ao
10
CNC
b1
b2(2)
.. ()
(n)
b
(n)
ann
xn = bn(n)
(2)
(3)
(n)
No pro
esso de elimina
~ao, os elementos a11 , a22
, a33
, ..., ann
que apare
em na diagonal prin
ipal da matriz
A s~ao
hamados piv^os e os elementos mij , para i = 1; 2; ; n e k = i + 1; ; n, os multipli
adores.
Se no pro
esso de elimina
~ao um dos piv^os se anular, devemos tro
ar linhas (sempre es
olhendo aquelas abaixo
da diagonal para n~ao perder a elimina
~ao anterior), de modo que es
olhamos elementos n~ao nulos para piv^os.
Para k = 1 ate k = n
1 fa
a
Sele
ione i k tal que aik 6= 0
Se aii = 0 para todo i k ent~ao
A n~ao e inversvel. PARE
Caso
ontrario
Se i =
6 k ent~ao
Troque a linha k
om a linha i
a
m = mik = ik
akk
bi = bi mbk
Para j = k + 1 ate j = n fa
a
aij = aij makj
Fim do la
o
Fim do la
o
Fim do la
o
Estrategia de Pivoteamento
Exemplo 4. Resolva o sistema abaixo usando o algoritmo (3):
11
CNC
Use quatro dgitos na representa
~ao em ponto
utuante e arredondamento ao desprezar o quinto dgito.
Troque a ordem das equa
~oes lineares e resolva novamente o problema usando o mesmo algoritmo.
0:423x1
uja solu
~ao e x1
24:72x2 = 20:49
15:96x2 = 15:96
O pro
edimento usado no exemplo 4 para obter a solu
~ao
orreta do sistema e
hamado de estrategia de
pivoteamento, que
onsiste na tro
a sistemati
a das linhas, de modo que o piv^o seja o maior elemento, em valor
absoluto, da
oluna que estamos eliminando. Assim,
1. no k -esimo passo pro
uramos o elemento piv^o de maior valor absoluto entre os
oe
ientes:
jark j = i max
ja j;
k n ik
2. tro
amos as linhas k e r se for ne
essario.
O algoritmo (4) ilustra esta estrategia.
Existem dois
asos nos quais o metodo de elimina
~ao pode ser apli
ado sem pivoteamento:
1. Uma matriz e diagonalmente dominante, ou seja, seus elementos satisfazem a jaii j >
para todo i .
X
j 6=i
jaij j, i = 1; 2; : : : ; n,
Os metodos de Elimina
~ao de Gauss e Elimina
~ao de Gauss
om Pivoteamento podem ser usados e
onomi
amente quando pre
isamos resolver varios sistemas
om a mesma matriz dos
oe
ientes A e diversos termos
independentes b.
Uma op
~ao seria guardar os
oe
ientes mij
al
ulados no pro
esso de elimina
~ao e usa-los na atualiza
~ao dos
termos independentes b. Computa
ionalmente, esta alternativa e
onhe
ida
omo Fatora
~ao LU da matriz A.
Suponha que seja possvel fatorar a matriz A num produto de uma matriz triangular inferior (
om elementos
da diagonal prin
ipal iguais a 1) L, e uma matriz triangular superior U, isto e:
A = LU =) Ax = b
() LUx = b:
L. A. P. Cant~ao
e Ux = y:
12
CNC
Para k = 1 ate k = n
1 fa a
w = jakk j e r = k
Para j = k ate j = n fa
a
Se jakj j > w ent~ao
w = jajk j e r = j
Fim do
ondi
ional
Fim do la
o
Se w = 0 ent~ao
a
m = mik = a ik
kk
bi = bi mbk
Para j = k + 1 ate j = n fa
a
aij = aij makj
Fim do la
o
Fim do la
o
Fim do la
o
Resolvendo o primeiro sistema,
al
ulamos y que, usado no segundo sistema, forne
era o vetor pro
urado x.
Teorema 1. Dada uma matriz Ann , seja Ak a matriz
onstituda das primeiras k linhas e
olunas de A. Suponha
que det (Ak ) 6= 0 para k = 1; 2; : : : ; (n 1). Ent~ao, existe uma uni
a matriz triangular inferior L = (mij ),
om
mii = 1, 1 i n e uma matriz triangular superior U = (uij ) tais que LU = A. Ainda mais, det (A) =
L. A. P. Cant~ao
13
CNC
5:
9:
mij = aji
i 1
X
Fim do la o
6:
8:
mik ukj
k =1
4:
7:
i 1
X
uij = aij
3:
k =1
Fim do la
o
Fim do la
o
Exe
ute o algoritmo (2) para resolver Ly = b e o algoritmo (1) para resolver Ux = y
Algoritmo 5: Solu
~ao de (2.2) via Fatora
~ao LU
Solu ~ao 2. Considere a matriz abaixo onde a primeira parte refere-se a matriz L e a segunda parte, a matriz U:
1 0 0 3 2 4
1 0 0 3 2
!
a
1a Etapa
Piv^o: a11
4
1 0 0 3 2 4
!
a
2a Etapa
Piv^o:
1
u
1=3
u22 = 3 e multipli
adores: m32 = u32 = 1=3 = 1.
22
u33 = u33 m32 u23
Resolvendo L(Ux) = b
(i) Ly = b
(ii) Ux = y
L. A. P. Cant~ao
y1
= 1
1=3y1 + y2
= 2
4=3y1 + y2 + y3 = 3
3x1 +
2x2 + 4x3 = 1
1=3x2 + 2=3x3 = 5=3
4x3 = 0
=) y = 1; 35 ; 0
T
=) x = ( 3; 5; 0)T
14
CNC
..
.
xi =
..
.
xn =
b1
bi
bn
n
X
j =2
n
X
j 6=i
n 1
X
j =1
a1j xj =a11
(2.5)
aij xj =aii
anj xj =ann
Neste metodo, as equa
~oes (2.5) s~ao usadas para
al
ular uma sequ^en
ia de vetores aproxima
~oes x(1) ,
x(2) , : : :, x(k ) . Dada uma aproxima
~ao ini
ial x(0) , usamos o primeiro termo a direita da i -esima equa
~ao para
denir uma nova aproxima
~ao para xi :
xi(1) = bi
n
X
j 6=i
(2.6)
Usamos agora o vetor x(1) nas equa
~oes (2.5) para
al
ular o novo vetor das aproxima
~oes, x(2) = (x1(2) ,
x , : : :, xn(2) )T . Em resumo, o metodo de Ja
obi
onsiste em
al
ularmos as
omponentes dos vetores x(1) ,
, : : : usando (2.5).
Veri
amos se este metodo
onverge fazendo:
(2)
2
x(2)
max
1i n
(k +1)
xi
xi(k ) <
ou
(k +1)
xi(k )
xi
max (k +1)
1i n
xi
<
onde e uma toler^an
ia su
ientemente pequena. Em testes
omputa
ionais usamos tambem
omo teste de
parada um numero maximo de itera
~oes.
Para ini
iar o pro
esso iterativo e ne
essario forne
er uma aproxima
~ao ini
ial x(0) . Na falta de informa
~ao
sobre a solu
~ao, tomamos x(0) = 0.
2.2.2 Metodo de Gauss-Seidel
Este metodo
onsiste em uma modi
a
~ao do metodo de Ja
obi. Nele, as itera
~oes ser~ao
al
uladas usando as
equa
~oes (2.5), mas aproveitando os
al
ulos ja atualizados de outras
omponentes, para atualizar a
omponente
que esta sendo
al
ulada. Assim, o valor re
em
al
ulado para x1(k +1) sera usado no
al
ulo de x2(k +1) .
L. A. P. Cant~ao
15
CNC
3:
4:
xi
Se max
1i n
aij xj
xi(k ) <
ou
(k +1)
xi(k )
xi
(k +1)
xi
< ent~ao
9:
12:
j =1; j 6=i
(k )
Se k = max ent~ao
8:
11:
n
X
Caso ontrario
7:
10:
(k +1)
xi
x = x(k +1)
5:
6:
1
= a bi
ii
3:
xi
1
= a bi
ii
5:
6:
Caso ontrario
4:
7:
x = x(k +1)
10:
11:
12:
j =1
(k +1)
aij xj
xi(k ) < ou
n
X
(k )
aij xj
j
=i +1
(k +1)
xi(k )
xi
(k +1)
xi
< ent~ao
Se k = max ent~ao
PARE: n~ao houve
onverg^en
ia.
8:
9:
i 1
X
L. A. P. Cant~ao
4:00x1 + 0:24x2
0:08x3 = 8:00
0:09x1 + 3:00x2
0:15x3 = 9:00
0:04x1
0:08x2 + 4:00x3 = 20:00
16
CNC
As
ondi
~oes de
onverg^en
ia de veri
a
~ao simples para os metodos de Ja
obi e Gauss-Seidel s~ao:
1. Os metodos iterativos
de Ja
obi e Gauss-Seidel
onvergem se a matriz A e diagonalmente dominante, ou
n
X
seja: jaii j > jaij j; i = 1 : n.
j 6=i
2. Os metodos iterativos de Ja
obi e Gauss-Seidel
onvergem se A e uma matriz positiva denida: xT Ax > 0
para todo x 6= 0.
x1 + 2x2 = 3
x1
x2 = 0
(e)
(f)
(b)
x1 + x2 = 0
x1
x2 = 0
(g)
( )
x1 + 2x2 = 3
2x1 + 4x2 = 6
(d)
x1 + x2 = 3
2x1
4x 2 = 6
(h)
x1 + 2x2 = 0
2x1 + 4x2 = 0
2x1 + x2 = 1
x1 + x2 = 2
x1
3x 2 = 5
2x1 + x2 = 1
4x1 + 2x2 = 2
x1
3x 2 = 5
2x1 + x2 + x3 = 1
2x1 + 4x2
x3 = 1
2. Utilize o metodo de Gauss usando opera
~oes
om arredondamento para dois dgitos para resolver os sistemas
lineares a seguir. N~ao reordene as equa
~oes. (A solu
~ao exata para
ada sistema e x1 = 1, x2 = 1 e
x3 = 3.)
(a)
4x 1
x2 + x3 = 8
2x1 + 5x2 + 2x3 = 3
x1 + 2x2 + 4x3 = 11
(b)
4x1 + x2 + 2x3 = 9
2x1 + 4x2
x3 = 5
x1 + x2
3x3 = 9
(i)
L. A. P. Cant~ao
3:03x1
12:1x2 + 14x3 = 119
3:03x1 + 12:1x2
7x3 = 120
6:11x1
14:2x2 + 21x3 = 139
17
CNC
(ii)
(iii)
(iv)
1:19x1 + 2:11x2
100x3 + x4
14:2x1
0:122x2 + 12:2x3
x4
100x2
99:9x3 + x4
15:3x1 + 0:110x2
13:1x3
x4
=
=
=
=
1:12
3:44
2:15
4:16
x1
e x2 + 2x3
3x 4
3
2
2
e x3 + p7 x4
p x1 + pe x2
5x1
6x2 + px3
2x 4
1
3 x1 + e2 x2
7x3 + 9 x4
= 11
= 0
= p
= 2
(a) Resolva os sistemas a
ima usando o metodo de Elimina
~ao de Gauss e opera
~oes aritmeti
as
om
aproxima
~ao de tr^es dgitos por trun
amento.
(b) Repita o item a
ima usando o metodo de Elimina
~ao de Gauss
om Pivoteamento.
(
) Resolva os sistemas a
ima usando Fatora
~ao LU e opera
~oes aritmeti
as
om aproxima
~ao de tr^es
dgitos por trun
amento.
(d) Cal
ule o erro relativo dos itens a
ima.
(e) Verique se os sistemas a
ima s~ao
onvergente se apli
armos os Metodos Iterativos de Ja
obi e GaussSeidel. Justique sua resposta.
4. Sejam o sistemas lineares:
(a)
x1 0:5x2 + 0:5x3 = 3
= 12
x1 + x2 + x3
0:5x1 0:5x2 + x3 = 3
(b)
10
1
2
1
2
8
1
2
3 5
1 2
5 1
3 20
x1
x2
x3
x4
48
4
11
150
Resolva-os usando os metodos de Ja
obi e Gauss-Seidel e verique a
onverg^en
ia dos metodos. Justique
os resultados.
5. Resolva os sistemas lineares:
(a)
=
=
=
=
17
29
11
7
(b)
1 2 4
3 1 4
2 14 5
x1
x2
x3
13
8
50
usando o metodo de Elimina ~ao de Gauss om e sem pivoteamento. Compare e verique os resultados.
L. A. P. Cant~ao
18
CNC
3
2
9
x1
x2
x3
5
9
29
x1 + 2x2 + 3x3 = 17
(b) 5x1 x2 + 4x3 = 2
2x1 + 4x2 + x3 = 25
usando Fatora
~ao LU. Verique a uni
idade e a exatid~ao das solu
~oes.
7. Cal
ule o determinante da matriz A usando Fatora
~ao LU .
A =
0
1
0
2
1
1
2
2
1
3
1
1
(b)
L. A. P. Cant~ao
1
1
1
4
1
2
4
3
1
2
3
1
1
4
2
0
0
2
3
0
1
5
2
0
1:012x1
2:132x2 + 3:104x3 = 1:984
2:132x1 + 4:096x2
7:013x3 = 5:049
3:104x1
7:013x2 + 0:014x3 = 3:895
2:1756x1 + 4:0231x2
2:1732x3 + 5:1967x4
4:0231x1 + 6:0000x2
+ 1:1973x4
1:0000x1
5:2107x2 + 1:1111x3
6:0235x1 + 7:0000x2
4:1561x4
= 17:102
= 6:1593
= 3:0004
= 0:0000
19
CAPITULO
= os x
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1.0
7
CNC
Fase I: Isolamento da raiz, isto e, en ontrar um intervalo [a; b que ontenha uma, e somente uma, raiz de
f (x ) = 0.
Fase II: Renamento da raiz, que onsiste em, es olhidas aproxima ~oes ini iais no intervalo en ontrado
na Fase I, melhora-las su
essivamente ate obter uma aproxima
~ao para a raiz dentro de uma pre
is~ao
pre-xada.
A Figura 3.2 exempli
a o Teorema 2 e a Figura 3.3, o
aso onde ha raiz mas n~ao satisfaz as
ondi
~oes do
Teorema.
0.6
0.4
0.2
0.2
0.4
0.6
0.8
1.0
1.0
1.2
1.4
1.6
1.8
2.0
2.2
2.4
2.6
2.8
3.0
Figura 3.2: Amplia
~ao da fun
~ao f (x ) =
os x no intervalo x 2 [1; 3. Note que f 0 (x ) = sen x e f 0 (x ) < 0 neste
intervalo.
A analise gra
a da fun
~ao f (x ) ou da equa
~ao f (x ) = 0 e fundamental para obter boas aproxima
~oes para a
raiz. Para tanto, podemos exe
utar os seguintes pro
edimentos:
!;
1. Esbo
ar o gra
o da fun
~ao f (x ) e lo
alizar as abs
issas dos pontos onde a
urva inter
epta o eixo ox
2. A partir da equa
~ao f (x ) = 0, obter a equa
~ao equivalente g (x ) = h(x ), esbo
ar os gra
os das fun
~oes
g (x ) e h(x ) no mesmo eixo
artesiano e lo
alizar os pontos x onde as duas
urvas se inter
eptam, pois neste
aso f (x ) = 0 () g (x ) = h(x );
3. Usar os programas que tra
am gra
os de fun
~oes, disponveis em algumas
al
uladoras ou softwares matemati
os.
L. A. P. Cant~ao
21
CNC
240
1.0
0.9
200
0.8
0.7
160
0.6
120
0.5
0.4
80
0.3
0.2
40
0.1
0
3
0
2
0.5
0.1
0.3
0.7
1.1
(a)
1.5
1.9
2.3
2.7
(b)
Figura 3.3: f (x ) = 4x 2 4x 3 + x 4 .
Exemplo 7.
1.
f (x ) = x 3 9x + 3: Neste aso, somente o passo (1) e ne essario para lo alizar as possveis razes. Porem
31
64.0
23
45.7
15
27.4
9.1
9.1
27.4
17
45.7
25
4
(a)
64.0
4
(b)
22
CNC
5.00
1.91
h (x )
0.92
f (x )
4.29
0.07
3.57
1.05
2.86
2.04
2.14
g (x )
3.03
0.71
4.01
0.0
0.5
1.0
1.5
2.0
2.5
(a)
3.0
3.5
5.00
4.0
1.43
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
0.00
4.0
(b)
O
riterio de parada interrompe a sequ^en
ia gerada pelos metodos. Este deve avaliar quando xk , na k -esima
itera
~ao, esta su
ientemente proximo da raiz exata. Contudo, o valor exato da raiz e des
onhe
ido na maioria
dos
asos, logo, o pro
esso e interrompido quando pelo menos um dos
riterios a seguir e satisfeito:
1. Avalia
~ao do ponto na fun
~ao:
jf (xk )j ;
jxk xk 1 j
ou
xk
xk
xk
;
Seja f (x ) uma fun
~ao
ontnua no intervalo [a; b e tal que f (a) f (b) < 0, ou seja, f satisfaz as
ondi
~oes do
Teorema 2.
Suponha que o intervalo (a; b)
ontenha uma uni
a raiz da equa
~ao f (x ) = 0. O objetivo deste metodo e
reduzir a amplitude do intervalo que
ontem a raiz ate se atingir a pre
is~ao requerida, neste
aso (b a) < ,
usando para isto a su
essiva divis~ao de [a; b ao meio. A Figura 3.6 mostra este pro
esso.
Os passos para a exe
u
~ao deste metodo s~ao dados pelo Algoritmo 8.
Exemplo 8. Aplique o metodo da Bisse
~ao para en
ontrar a raiz de f (x ) = x 3
para = 10
L. A. P. Cant~ao
9x + 3 no intervalo I = [0; 1,
23
CNC
a=a
x
b=b =b
a+b
xk = 2
Se f (a) f (xk ) < 0 ent~ao
b = xk
Caso ontrario
a = xk
Fim do
ondi
ional
Se jb
aj ent~ao
a+b
PARE, x =
2 e raiz aproximada de f (x )
Isaa
Newton (1642{1727) publi
ou seu metodo para en
ontrar razes de equa
~oes n~ao-lineares em 1687. Este
metodo tambem e
onhe
ido
omo Newton-Raphson, devido a sistematiza
~ao apresentada por Joseph Raphson
em 1690.
O metodo de Newton
ombina duas ideias
omuns nas aproxima
~oes numeri
as: lineariza
~ao e itera
~ao. A
lineariza
~ao substitui a
urva y = f (x ) por sua reta tangente.
Seja x0 uma aproxima
~ao ini
ial da raiz,
omo ilustra a Figura 3.7. Aproximando a
urva y = f (x ) por sua reta
tangente tra
ada no ponto (x0 ; f (x0 )) obtemos a aproxima
~ao linear. En
ontrando o ponto de interse
~ao desta
reta
om o eixo x , obteremos uma nova aproxima
~ao para a raiz, o ponto x1 da gura.
O pro
esso iterativo sera obtido pela repeti
~ao do pro
edimento. A nova aproxima
~ao, representada na Figura
3.7 pelo ponto x2 , foi
al
ulada a partir da reta tangente a
urva y = f (x ) no ponto (x1 ; f (x1 )).
Para estabele
er express~oes analti
as que permitam o
al
ulo de x1 ; x2 ; : : : observamos que a tangente do
L. A. P. Cant~ao
24
a
0
0
0.25
0.25
0.3125
0.3125
0.328125
0.3359375
0.3359375
0.3359375
0.336914
CNC
f (xk )
f (a ) f (x k )
1:375
( )
0:765625
(+)
0:3222656
( )
0:2180176
(+)
0:0531311
( )
0:0713582
(+)
0:0144744
(+)
0:0193443
( )
0:0024384
( )
0:0060175
(+)
0:0017893
xk = (a + b)=2
0.5
0.25
0.375
0.3125
0.34375
0.328125
0.3359375
0.3398438
0.78906
0.336914
0.3374023
b
1
0.5
0.5
0.375
0.375
0.34375
0.34375
0.34375
0.3398438
0.3378906
0.3378906
jb a j
0:5
0.25
0.125
0.06
0.03125
0.014375
0.0078125
0.0039063
0.0019531
0.0009766
x x x x
2
f (x )
! x1 = x0 ff 0((xx0 ))
0
! x2 = x1 ff 0((xx1 ))
1
Generi
amente, o pro
esso
onsiste em evoluir da aproxima
~ao xk para a aproxima
~ao xk +1 usando a formula:
xx +1 = xk
f (xk )
f 0 (xk )
(3.1)
= 10
L. A. P. Cant~ao
25
CNC
Dado x0 , f (x ), f 0 (x ), max e
1:
2:
3:
4:
5:
6:
7:
8:
9:
f (x )
xx +1 = xk f 0 (xk )
k
Se jf (xk +1 )j ou jxk +1 xk j ent~ao
PARE, x = xk +1
Fim do
ondi
ional
Se k = max ent~ao
PARE, o metodo n~ao
onverge para a solu
~ao.
Fim do
ondi
ional
Fim do la o
xk
0.5
0.3333
0.3376068
0.337609
f (xk )
1:375
0:0370
0:0000183
4:545 10
12
f 0 (x k )
8:25
8:6667
8:6581
jxk +1 xk j
1.6667
0.0042735
0.0000021
Uma grande desvantagem do metodo de Newton e a ne
essidade de se obter f 0 (x ) e
al
ular seu valor numeri
o
a
ada itera
~ao. Uma alternativa e usar retas se
antes
omo aproxima
~oes lineares lo
ais da fun
~ao, em vez de
tangentes. Neste
aso, s~ao ne
essarias duas aproxima
~oes para ini
ializarmos o pro
esso, x0 e x1 .
y
f (x )
C = (x ; f (x
0
))
D
x A x
E B
x
26
CNC
e AED:
f (x 0 )
f (x 1 )
=
x0 x2 x1 x2
onde x2 e o ponto denotado por A na Figura 3.8. Expli
itando o valor da in
ognita x2 teremos:
x2 =
x0 f (x1 ) x1 f (x0 )
:
f (x1 ) f (x0 )
k 1
2:
3:
4:
5:
6:
7:
8:
9:
xk 1
0
1
0.375
0.3319415
0.3376346
xk
1
0.375
0.3319415
0.3376346
0.337609
f (xk 1 )
f (x k )
0
5
5
0:3222656
0:3222656 0:0491011
0:0491011 0:0002222
0:0002222
1:464 10
9x + 3 tomando x0 = 0 e
jxk +1 xk j
0.625
0.0430585
0.0056931
0.0000256
27
CNC
Considere n fun
~oes : f1 ; f2 ; : : : ; fn , onde
ada uma delas e uma fun
~ao de n variaveis fi : Rn ! R para
i = 1; 2; : : : ; n, ou seja, x1 ; x2 ; : : : ; xn . Queremos en
ontrar os valores de x1 ; x2 ; : : : ; xn tais que:
=
..
.
=
0
..
.
0
(3.2)
x1 (x1 + 1) + 2x2 = 18
(x1 1)2 + (x2 6)2 = 25
Assim, o sistema (3.2) pode ser representado por uma uni
a equa
~ao vetorial, F(x) = 0.
Como foi feito no
aso de uma equa
~ao n~ao-linear, a ideia da lineariza
~ao sera usada no
aso de sistemas.
Tomando a serie de Taylor
omo uma aproxima
~ao de fun
~oes, em torno de xk , para uma fun
~ao es
alar, temos:
f (x ) = f (xk ) + f 0 (xk )(x xk ) +
f (n) (xk )
f (n+1) ()
f 00 (xk )
n+1
(
x xk )2 + +
(
x xk )n +
2!
n!
(n + 1)! (x xk )
onde x xk . O ultimo termo desta express~ao representa o erro da aproxima
~ao de f (x ) pelo polin^omio de
grau n, o polin^omio de Taylor, formado pelos n + 1 primeiros termos da expans~ao em serie de Taylor.
Observe que, se tomarmos a aproxima
~ao linear (usando os dois primeiros termos da serie de Taylor), teremos:
f (x ) f (xk ) + f 0 (xk )(x xk ):
f (x k )
f 0 (x k ) :
Assim, a serie de Taylor e outra maneira de se obter a fun
~ao de itera
~ao do metodo de Newton.
Apli
ando esta ideia para resolver o sistema (3.2), temos a aproxima
~ao de Taylor
omo:
x = xk
xk ) + E
L. A. P. Cant~ao
(3.3)
(3.4)
28
CNC
onde xk = vetor aproxima
~ao na k -esima itera
~ao e E e um vetor que representa o erro da aproxima
~ao linear.
Analogamente a serie de Taylor de fun
~oes de uma variavel, kEk C kx xk k2 para alguma
onstante C , quando
xk ! x.
Note que, xk denota o vetor obtido na k -esima itera
~ao: xk = (x1k ; x2k ; : : : ; xnk ).
Em (3.4), F0 (x) e a derivada de uma fun
~ao vetorial
om variaveis vetoriais. Esta derivada e uma matriz que
ontem todas as derivadas par
iais de todos os
omponentes da fun
~ao F(x), a matriz Ja
obiana de F(x),
fi (x)
:
J(x) = F0 (x) = [Jij =
xj
Para estabele
er o metodo iterativo, a aproxima
~ao na itera
~ao k + 1 sera denida pelo vetor que anula a parte
linear da equa
~ao (3.4), isto e, o vetor xk +1 e tal que:
F(xk ) + J(xk )(xk +1
J(xk )(xk +1
xk ) = 0
xk ) =
F(xk )
(3.5)
Para expli
itar xk +1 , multipli
amos a equa
~ao a
ima pela inversa da Ja
obiana e teremos:
xk +1 = xk
J 1 (xk ) F(xk );
f1
= 6x12
x1
f2
3
x1 = x2
f1
= 2x 2
x2
f2
2
x2 = 3x1 x2 1
6x12
J(x1 ; x2 ) =
x23
"
L. A. P. Cant~ao
2x2
3x1 x22 1
29
CNC
f para j = 1; 2; : : : ; n, e
Dado x0 , fi para i = 1; 2; : : : ; n, x
1
2
1: Para k = 1 at
e k = max fa
a
2:
Para i = 1 ate i = n fa
a
3:
Fi = fi (xk 1 )
4:
Para j = 1 ate j = n fa
a
f
5:
Jij = i (xk 1 )
xj
6:
Fim do la
o
7:
Fim do la
o
8:
Resolva o sistema Jv = F
9:
xk = xk +1 + v
10:
Se max1i n jfi (x k )j < 1 ent~ao
11:
Ent~ao x = xk
12:
Fim do
ondi
ional
i
... ou ...
Se max1i n jxik xik 1 j < 2 ent~ao
Ent~ao x = xk
13:
14:
15:
16:
17:
8:64 3:4
J (x ) =
4:91 9:4
0
"
F(x ) =
0
"
0:4340
0:1956
v = (0:03488; 0:03902)T
Assim,
x1 = (1:2349; 1:6610)T :
Para o
al
ulo de uma nova aproxima
~ao re
al
ulamos F(x1 ) e a matriz Ja
obiana em x1 . Resolvendo o sistema
linear para obter v, temos que:
x2 = (1:2343; 1:6615)T
f1 (x0 ) = 0:4340
f1 (x1 ) = 7:4607 10 3
f1 (x2 ) = 1:2779 10 4
f2 (x0 ) = 0:1956
f2 (x1 ) = 1:9876 10
f2 (x2 ) = 3:202 10 4
Observe que a solu
~ao do sistema e o
al
ulo do Ja
obiano, a
ada itera
~ao, s~ao dispendiosos. Para e
onomizar
os
al
ulos, podemos manter uma matriz Ja
obiana xa em algumas itera
~oes. Neste
aso, a de
omposi
~ao LU
e adequada na solu
~ao do sistema, pois a mesma e usada em algumas itera
~oes, atualizando-se apenas o termo
L. A. P. Cant~ao
30
CNC
independente do sistema.
(
) 1 x ln x = 0;
(d) 2x 3x = 0;
(e) x 3 + x 1000 = 0.
2. Cal
ular pelo menos uma raiz de
ada equa
~ao abaixo
om 0:001 pelo metodo da Bisse
~ao.
(a) f (x ) = e2x 2x 3 5 = 0;
(b) f (x ) = 2x 3 5x 2 x + 3 = 0;
(
) f (x ) = 5x 2 + log(x + 1) 2 = 0.
3. Seja f (x ) = (x + 2)(x + 1)x (x 1)3 (x 2). Para que zero de f o metodo da Bisse
~ao vai
onvergir quando
for apli
ado nos seguintes intervalos ?
(a) [ 3; 2:5
(x = 2)
(b) [ 2:5; 3
(x = 2)
(
) [ 1:75; 1:5
(x = 1)
( ) Metodo de Newton.
5. Determinar pelo menos uma raiz de
ada equa
~ao abaixo
om 10 4 usando o metodo das Se
antes.
(a) f (x ) = 2x 3 5x 2 10x + 20 = 0;
(b) f (x ) = 5 log x + 3x 4 7 = 0;
(
) f (x ) = 2x + (
os x )x 2 = 0
6. A
har pelo menos uma raiz positiva de
ada equa
~ao
om 10 5 pelo metodo de Newton.
(a) 4x 3 + x +
os x 10 = 0;
(b) x 4 2x 3 + 2x 1 = 0;
(
) f (x ) = (x 2)(ex 2 1) = 0.
7. A fun
~ao f (x ) = (4x 7)=(x 2) se anula em x = 7=4. Cal
ule as itera
~oes do metodo de Newton partindo
das aproxima
~oes ini
iais:
(a) x0 = 1:625;
(b) x0 = 1:875;
(
) x0 = 1:5;
(d) x0 = 1:95;
(e) x0 = 3;
(f) x0 = 7.
31
CNC
9. Demonstrar que a raiz a, a 0 pode ser
al
ulada pela formula de re
orr^en
ia:
p
1
a
xk +1 = (p 1)xk + p 1 ; x0 > 0:
p
xk
!
10. A fun
~ao f (x ) = tg(x ) 6 tem um zero em x = (1=) ar
tan6 0:447431543. Considerando x0 = 0 e
x1 = 0:48, use 10 itera
~oes para
ada um dos seguintes metodos para
al
ular o valor aproximado dessa raiz.
Que metodo e mais bem-su
essido ? Por qu^e ?
(a) Metodo da Bisse
~ao;
11. Use o Metodo de Newton
om x0 = 0 para
al
ular x2 para
ada um dos seguintes sistemas n~ao lineares:
4x 2 20x + 1 x 2 + 8 = 0
(a) 1 1 2 1 4 2
5x2 + 8 = 0
2 x1 x2 + 2x1
Resp.: x2 = (0:4958936; 1:983423)T
(
(b)
sen(4x1x2 ) 2x2 x1 = 0
4 1 (e2x
e) + 4ex22 2ex1 = 0
4
Resp.: x2 = ( 0:5131616; 0:01837622)T
3x1
os(x2 x3 ) 12 = 0
(
) 4x12 625x22 + 2x2 1 = 0
e x x +20x3 + 103 3 = 0
Resp.: x2 = (0:5001667; 0:2508036; 0:5173874)T
x12 + x2 37 = 0
(d)
x1 x22 5 = 0
x1 + x2 + x3 3 = 0
Resp.: x2 = (4:350877; 18:49123; 19:84211)T
1 2
12. Use o metodo de Newton para en
ontrar uma solu
~ao para os seguintes sistemas n~ao-lineares nos domnios
dados. Fa
a itera
~oes ate kxk xk 1 k < 10 6 .
(a) Use x0 = (1; 1)T
(
3x12 x22 = 0
3x1 x22 x13 1 = 0
ln(x + x ) sen(x1 x2 ) = ln 2 + ln
ex x +
os(x1 x2 ) = 0
2
1
2
2
L. A. P. Cant~ao
( ) Use x0 = ( 1; 2; 1)T
x13 + x12 x2 x1 x3 + 6 = 0
ex1 + ex2 x3 = 0
x22 2x1 x3 = 4
6x1 2
os(x2 x3 ) 1 = 0
9x2 + x + sen x3 + 1:06 + 0:9 = 0
60x3 + 3 e x x +10 3 = 0
p
2
1
1 2
32
CAPITULO
Ajuste de Curvas
Introdu
~ao
Apresentaremos aqui os aspe
tos basi
os e teori
os para ajuste de
urvas usando interpola
~ao e aproxima
~ao
de fun
~oes de uma variavel real.
Os problemas de interpola
~ao e aproxima
~ao estudados surgem ao se aproximar uma fun
~ao f por outra fun
~ao
g mais apropriada. Ou ainda, quando ha a ne
essidade de aproximar dados tabelados atraves de uma fun
~ao. Para
isso existem duas
lasses de metodos e a distin
~ao entre elas esta em
onsiderarmos, ou n~ao, a exist^en
ia de erros
nos dados.
1. Interpola
~ao: os dados s~ao pre
isos e portanto pode-se exigir que a
urva de ajuste passe pelos pontos
dados. Em geral, as fun
~oes es
olhidas para o ajuste s~ao polin^omios.
Estabele
e um metodo que permite en
ontrar um polin^omio que passe por n +1 pontos
onhe
idos, denotados
por (x0 ; y0 ), (x1 ; y1 ), ... , (xn ; yn )) onde x0 6= x1 6= x2 6= : : : 6= xn .
2. Metodo dos Quadrados Mnimos:
onsidera-se possveis erros introduzidos na obten
~ao dos dados.
O problema
onsiste em en
ontrar o valor
orrespondente de y = f (x ) para um dado x n~ao perten
ente a
tabela. Um modo de resolver este problema e obter uma fun
~ao que rela
iona as variaveis x e y . Considerando
que os polin^omios s~ao as fun
~oes mais simples e estudadas, ent~ao eles s~ao os mais utilizados para determinar esta
rela
~ao. Um polin^omio
onstrudo
om o intuito de aproximar uma fun
~ao e denominado polin^omio interpolador.
Assim, para resolver o problema basta avaliar o polin^omio no ponto desejado.
Existem varios metodos para
onstruir um polin^omio interpolador a partir de um
onjunto de pares de dados.
Aqui, estudaremos o Polin^omio Interpolador de Lagrange e o de Newton.
CNC
4.1.1 Polin^
omio Interpolador de Lagrange
Dados y0 = f (x0 ), y1 = f (x1 ), ... , yn = f (xn ), desejamos en
ontrar um polin^omio p(x ) tal que p(x0 ) = f (x0 ),
p(x1 ) = f (x1 ), ... , p(xn ) = f (xn ). A Figura 4.1 ilustra este
aso.
y
p(x )
xn
xn
p(xi ) = f (xi );
Prova 1. Seja:
onde
= 0 : n:
=
lkn
para i
n
X
k =0
f (xk )lkn (x )
(4.1)
lkn =
(x x0 )(x x1 ) : : : (x xk 1 )(x xk +1 ) : : : (x xn )
(xk x0 )(xk x1 ) : : : (xk xk 1 )(xk xk +1 ) : : : (xk xn )
n
Y
(x xi ) :
=
(
x xi )
i =0; i 6=k k
Sabemos que:
lkn (xk ) = 1
lkn (xi ) = 0
para i
(4.2)
6= k:
34
CNC
1
x 2 nos pontos x0 = 2, x1 = 2:5 e x3 = 4.
Como ser~ao usados tr^es pontos, o polin^omio interpolador tem grau 2. Pela substitui ~ao dos pontos de interpola ~ao na express~ao 4.2, al ulamos os polin^omios de Lagrange:
(x
l02 (x ) = (x
0
(x
l12 (x ) = (x
1
(x
l22 (x ) = (x
2
x1 )(x
x1 )(x0
x0 )(x
x0 )(x1
x0 )(x
x0 )(x2
x2 )
(x 2:5)(x 4) = x 2 6:5x + 10
=
x2 )
(2 2:5)(2 4)
(x 2)(x 4) = 4x 2 + 24x + 32
x2 )
=
x2 )
(2:5 2)(2:5 4)
3
x1 )
(x 2)(x 2:5) = x 2 4:5x + 5
=
x1 )
(4 2)(4 2:5)
3
0:16
0:0625
p2 (x ) = 0:25(x 2 6:5x + 10) + 3 ( 4x 2 + 24x + 32) + 3 (x 2 4:5x + 5)
= 0:0575x 2 0:4388x + 0:8975
Apenas para
ompara
~ao, tomando x
om erro absoluto de 0:0125.
A Figura 4.2 ilustra este exemplo.
L. A. P. Cant~ao
35
0.29
0.25
0.25
0.21
0.21
0.17
0.17
0.13
0.13
0.09
0.09
0.05
L. A. P. Cant~ao
0.29
0.05
2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 4.0
f (x ) =
2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 4.0
p(x ) = 0:0575x
1.0
1.4
1.3
0.8
1.2
1.1
0.6
0:4388x + 0:8975
0.9
1.0
0.7
0.4
0.8
0.5
0.2
0.6
0.3
0
0.4
0.2
0.1
0.2
0.4
0.6
2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 4.0
l (x ) = x
2
0
6:5x + 10
0.1
0
2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 4.0
2
3
4:5x + 5
3
0.3
2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 4.0
2
1
4x 2 + 24x
32
36
CNC
4.1.2 Polin^
omio Interpolador de Newton
Nem sempre temos
onhe
imento, a priori, do grau adequado para o polin^omio interpolador. Um teste razoavel
onsiste em aumentar o numero de pontos de interpola
~ao,
res
endo portanto o grau do polin^omio interpolador,
e testar se houve melhoria nos
al
ulos. Assim, e importante que o trabalho efetuado anteriormente possa ser
reutilizado para estabele
er a express~ao do novo polin^omio. Note que, ao a
res
entarmos um novo ponto ao
polin^omio de Lagrange, teremos de refazer os
al
ulos. Por outro lado, o Polin^omio de Newton a
res
enta um
novo termo aos
al
ulos efetuados anteriormente.
Considere a forma do polin^omio interpolador de Newton:
pn (x ) = d0 + d1 (x x0 ) + d2 (x x0 )(x x1 ) + : : : + dn (x x0 )(x x1 ) : : : (x xn 1 )
(4.3)
Seja y = f (x ) que passa pelos pontos (xi ; yi ), i = 0; 1; 2; : : : ; n. O operador de diferen
as divididas e denido
omo:
Ordem 0: 0 yi = yi
= [xi
Ordem 1:
Ordem 2:
:::
Ordem n:
0
= xyi +1
i +1
2 yi = xyi +1
i +2
yi
0 yi
xi
yi
xi
= [xi ; xi +1
= [xi ; xi +1 ; xi +2
n 1
n 1
n yi = xyi +1 x yi = [xi ; xi +1 ; xi +2 ; : : : ; xi +n
i +n
i
Sejam os n +1 pontos (xi ; yi ), i = 0; 1; 2; : : : ; n,
om xi distintos, tais que yi = p(xi ), sendo p(x ) um polin^omio
de grau n. Pela deni
~ao de diferen
as divididas, tem-se:
[x; x0 =
ou
0 p (x ) 0 p (x 0 ) p (x ) p (x 0 )
= x x
x x0
0
No entanto,
(4.4)
[x; x0 [x0 ; x1
! [x; x0 = [x0 ; x1 + [x; x0 ; x1 (x x1 ):
x x1
Substituindo esta equa
~ao em (4.4), tem-se:
[x; x0 ; x1 =
(4.5)
Contudo,
[x; x0 ; x1 ; x2 = [x; x0 ; x1x x[x0 ; x1 ; x2 ! [x; x0 ; x1 = [x0 ; x1 ; x2 + [x; x0 ; x1 ; x2 (x x2 ):
2
L. A. P. Cant~ao
37
CNC
(4.6)
i xi yi yi 2 yi 3 yi
0 1 0 2
1
0
1 2 2 5
1
2 4 12 8
3 5 20
Tabela 4.2: Tabela de Diferen
as Divididas.
Es
revendo o polin^omio de Newton, temos:
L. A. P. Cant~ao
(4.7)
38
CNC
(4.8)
Assim, pre
isamos determinar
1 ,
2 , ...,
n de maneira a melhorar a aproxima
~ao. A ideia do metodo dos
quadrados mnimos e a de minimizar a soma dos quadrados dos resduos, ou seja, minimizar:
m
X
i =1
r 2 (xi ) =
m
X
i =1
r 2 (x ) dx =
Z b
a
(f (x ) g (x ))2 dx:
Deni ~ao 1. O produto es alar entre duas fun ~oes f (x ) e g (x ) e denido por:
< f;g
m
X
i
=1
(4.9)
Dada uma tabela
om m valores (xi ; f (xi )), i = 1 : m, queremos en
ontrar a reta (f (x ) ' g (x ) =
1 1 (x ) +
2 2 (x )) que melhor ajusta esta tabela, no sentido dos quadrados mnimos. Tomando 1 (x ) = 1 e 2 (x ) = x ,
temos:
f (x ) ' g (x ) = 1 + 2 x:
L. A. P. Cant~ao
m
X
i =1
[f (xi ) 1 2 xi 2 :
39
CNC
Do Cal
ulo Diferen
ial sabemos que a
ondi
~ao ne
essaria do ponto
rti
o e que as derivadas nele se anulem,
isto e,
<
r;
r
>
=
1
2 < r; r >= 0;
ou ainda, pro
edidas as repe
tivas deriva
~oes
om respeito a
1 e
2 em < r; r > temos:
m
X
i =1
m
X
2 (f (xi ) 1 2 xi ) = 0 e
i =1
2xi (f (xi ) 1 2 xi ) = 0
Estas duas equa ~oes formam um sistema linear nas in ognitas 1 e 2 , que pode ser rees rito na forma:
m
1 +
2
1
m
X
i =1
xi + 2
m
X
i =1
m
X
i =1
xi =
xi2 =
m
X
i =1
m
X
i =1
f (x i )
xi f (xi )
Para ilustrar este pro edimento, onsidere o ajuste da tabela abaixo por uma reta:
xi
0
0.25
0.5
0.75
1.0
f (xi ) 1.000 1.2840 1.6487 2.1170 2.7183
Tabela 4.3: Dados para ajuste de
urva.
Usando os valores da tabela temos:
5
X
i =1
5
X
i =1
Assim, os valores de 1 e
5
X
x i = 2:5;
i =1
f (xi ) = 8:768
5
X
i =1
xi2 = 1:875
xi f (xi ) = 5:4514
2 da melhor reta (no sentido dos quadrados minmos) s~ao obtidos pelo sistema:
5
1 + 2:5
2 = 8:768
2:5
1 + 1:875
2 = 5:4514
Resolvendo o sistema, obtemos
1 = 0:89968 e
2 = 1:70784, ou seja g (x ) = 0:89968 + 1:70784x . Os valores de
g (xi ) e os respe
tivos resduos est~ao na tabela abaixo.
xi
0
f (xi ) 1.000
g (xi ) 0.89968
r (xi ) 0.10032
0.25
1.2840
1.32664
0:04264
0.5
1.6487
1.7536
0:1049
0.75
1.0
2.1170
2.7183
2.18056 2.60752
0:06356 0.11078
i =1
L. A. P. Cant~ao
r 2 (xi ) = 0:039198
40
CNC
2.
3.
Sp (xj ) = f (xj ), j = 0; 1; : : : ; n.
A origem do nome spline vem de uma regua elasti
a, usada em desenhos de engenharia, que pode ser
urvada
de forma a passar por um dado
onjunto de pontos (xj ; yj ), que tem o nome de spline. Sob
ertas hipoteses (de
a
ordo
om a teoria da elasti
idade) a
urva denida pela regua pode ser des
rita aproximadamente
omo sendo
uma fun
~ao por partes,
ada qual um polin^omio
ubi
o, de tal forma que ela e suas duas primeiras derivadas s~ao
ontnuas sempre. A ter
eira derivada, entretanto, pode ter des
ontinuidades nos pontos xi . Esta fun
~ao e uma
spline
ubi
a interpolante
om nos nos pontos xj , segundo a Deni
~ao 2.
Estudaremos aqui dois tipos de Interpola
~ao por Splines: Interpola
~ao por Spline Linear e Interpola
~ao por
Spline Cubi
a.
4.3.1 Interpola
~ao por Spline Linear
A interpola
~ao por spline linear de f (x ), S (x ), nos pontos x1 ; x2 ; : : : ; xn pode ser es
rito na forma de subintervalos [xj 1 ; xj , j = 1; : : : ; n
omo:
Sj (x ) = f (xj 1 )
Assim:
xj x
x xj 1
xj xj 1 + f (xj ) xj xj 1 ;
8 x 2 [xj 1 ; xj :
L. A. P. Cant~ao
41
CNC
x1 x
+ f (x1 ) xx1 xx0
x1 x0
0
2
x
x 1
12 1
+
22 1
= 2 x + 2x 2 = x x 2 [1; 2
S1 (x ) = f (x0 )
x2 x
+ f (x2 ) xx
x2 x1
2
5
x
x
25 2
+
35
S2 (x ) = f (x1 )
x x
x
S3 (x ) = f (x2 ) x 3 x 2 + f (x3 ) x
3
3
x
7
x
+ 2:5 7
=
37 5
ou ainda,
S (x ) =
2
2
x1
x1
= 32 (5 x ) + x 2 = 31 (x + 4) x 2 [2; 5
x2
x2
5 = 1 ( 0:5x + 8:5) ; x 2 [5; 7
5
2
x
se x 2 [1; 2
1
se x 2 [2; 5
3 (x + 4)
1 ( 0:5x + 8:5) se x 2 [5; 7
2
A spline linear apresenta a desvantagem de ter derivada primeira des
ontnua nos pontos xj , j = 1; 2; : : : ; n.
Se usarmos splines quadrati
as, teremos que S2 (x ) tem derivadas
ontnuas ate a ordem 1 apenas e, portanto, a
urvatura de S2 (x ) pode tro
ar nos pontos xj . Por esta raz~ao, as splines
ubi
as s~ao mais usadas.
Deni
~ao 3. Dada uma fun
~ao f (x ) denida em [a; b e um
onjunto de nos a = x0 < x1 < : : : < xn = b, um
spline
ubi
o interpolador S (x ) para f e uma fun
~ao que satisfaz as seguintes
ondi
~oes:
1.
S (x ) e um polin^omio ubi o, indi ado por Sj (x ), no intervalo [xj ; xj +1 para ada j = 0; 1; : : : ; (n 1);
2.
3.
4.
5.
Para se
onstruir o spline
ubi
o interpolador para uma fun
~ao dada, as
ondi
~oes indi
adas na deni
~ao s~ao
apli
adas aos polin^omios
ubi
os
Sj (x ) = aj + bj (x xj ) +
j (x xj )2 + dj (x xj )3
L. A. P. Cant~ao
42
CNC
(4.11)
j +1
j
3hj
Substituindo a equa
~ao (4.12) nas equa
~oes (4.10) e (4.11), respe
tivamente, temos:
dj =
aj +1
L. A. P. Cant~ao
= aj + bj hj +
j hj +
j +13h
j hj3
j
j 2
j
+1
hj
= aj + bj hj +
j hj2 +
3
2
(4.12)
(4.13)
43
CNC
j +1
j 2
hj
3hj
= bj + 2
j hj + (
j +1
j ) hj
bj +1 = bj + 2 j hj + 3
(4.14)
= bj + (
j +1 +
j )hj
Resolvendo a equa
~ao (4.13) para bj , temos:
aj +1 = aj + bj hj +
j hj + j +13h j hj3
j
hj2
bj hj = (aj +1 aj )
3 (2
j +
j +1)
1 (a
hj
bj =
j +1 aj )
h
3 (2
j +
j +1)
2
(4.15)
= h 1 (aj aj 1 ) hj3 1 (2
j 1 +
j )
j 1
Substituindo esses valores na equa
~ao (4.14),
om os ndi
es reduzidos, temos o sistema linear de equa
~oes:
bj = bj 1 + (
j +
j 1 )hj 1
1
hj
hj 1
1
hj (aj +1 aj ) 3 (2
j +
j +1) = hj 1 (aj aj 1) 3 (2
j 1 +
j ) + (
j +
j 1)hj
3
3
hj 1
j 1 + 2
j (hj 1 + hj ) + hj
j +1 = h (aj +1 aj ) h (aj aj 1)
j
j 1
(4.16)
para
ada j = 1; 2; : : : ; (n 1). Esse sistema envolve apenas f
j gnj=0
omo in
ognitas, na medida em que os valores
de fhj gnj =01 e faj gnj=0 s~ao dados, respe
tivamente, pelo espa
amento dos nos fxj gnj=0 e os valores de f nos nos.
Note que, uma vez que os valores de f
j gnj=0 s~ao determinados, essa e uma maneira simples de en
ontrar as
onstantes fbj gnj =01 remanes
entes na equa
~ao (4.15) e fdj gnj=0 da equa
~ao (4.12), e de se
onstruir os polin^omios
ubi
os fSj (x )gnj =01 .
A quest~ao maior que
a em rela
~ao a essa
onstru
~ao e se os valores de f
j gnj=0 podem ser en
ontrados
utilizando-se o sistema de equa
~oes (4.16) e, se a resposta for positiva, se esses valores s~ao uni
os. Os teoremas
a seguir indi
am esse e o
aso quando qualquer das
ondi
~oes de
ontorno dadas na parte (6) da Deni
~ao 3 e
imposta.
Teorema 4. Se f e denida em a = x0 < x1 < : : : < xn = b, ent~ao f tem um uni
o spline interpolador natural
(ou livre) S nos nos x0 ; x1 ; : : : ; xn ; isto e, um spline interpolador que satisfaz as
ondi
~oes de
ontorno S 00 (a) = 0
e S 00 (b) = 0.
Prova 2. As
ondi
~oes de
ontorno nesse
aso impli
am que
n = S 00 (xn )=2 = 0 e que:
L. A. P. Cant~ao
44
CNC
A=
1
0
0
..
.
h0 2(h0 + h1 )
h1
0
h1
2(h1 + h2 ) h2
..
.
..
.
..
..
..
..
..
..
..
..
..
.
..
.
..
.
.
.
.
hn 2 2(hn 2 + hn 1 ) hn 1
0
0
1
e b e x s~ao os vetores:
h1 (a2
b=
3 (an an
h 1
a1 )
h0 (a1
a0 )
..
.
1
(an
an 2 )
0
1
x= .
:
.
.
Teorema 5. Se f e denida em a = x0 < x1 < : : : < xn = b, e diferen
iavel em a e b, ent~ao f tem um spline
interpolador restrito S nos nos
S 0 (a ) = f 0 (a ) e S 0 (b ) = f 0 (b ).
Prova 3. Como f 0 (a) = S 0 (a) = S 0 (x0 ) = b0 , apli ando-se a equa ~ao (4.15), om j = 0, temos:
1 (a a ) h0 (2
+
)
h0 1 0
3 0 1
3f 0(a) = h3 (a1 a0 ) h0 (2
0 +
1 )
0
3
2h0
0 + h0
1 = h (a1 a0 ) 3f 0 (a)
f 0 (a ) =
f 0 (b) = bn = bn 1 + hn 1 (
n 1 +
n )
de maneira que a equa
~ao (4.15) nos permite dizer que j
= n 1 impli a que:
an an 1 hn 1
hn 1
3 (2
n 1 +
n ) + hn 1 (
n 1 +
n )
h
a a
f 0 (b) = n h n 1 + n3 1 (
n 1 + 2
n )
n 1
3f 0 (b) = h 3 (an an 1 ) + hn 1 (
n 1 + 2
n )
n 1
3
hn 1
n 1 + 2hn 1
n = 3f 0 (b) h (an an 1 )
n 1
f 0 (b ) =
L. A. P. Cant~ao
45
CNC
A=
2h 0
h0
0
..
.
h0 2(h0 + h1 )
h1
0
h1
2(h1 + h2 ) h2
..
.
..
.
..
..
..
..
..
..
..
..
0
..
.
..
.
..
.
.
.
.
hn 2 2(hn 2 + hn 1 ) hn 1
0
hn 1
2h n 1
e b e x s~ao os vetores:
a0 ) 3f 0 (a)
h0 (a1
3
h1 (a2
b=
3
h (an an
1
a1 )
h0 (a1
a0 )
..
.
1
3f 0 (b )
(an
an 2 )
(an an 1 )
0
1
x= .
:
.
.
0.1
0:62049958
0.2
0.3
0.4
0:28398668 0:00660095 0:2484244
Como os intervalos est~ao igualmente espa
ados, hj = 0:1, para j = 0; 1; 2; 3. Assim,
xi
yi
usando o Teorema 4,
1
0:1
0
0
0
0:4
0:1
0
0
0:1
0:4
0
0
0
0:1
1
0
1
2
3
0
1:377581
1:4629254
0
S (x ) =
L. A. P. Cant~ao
x 2 [0:1; 0:2)
x 2 [0:2; 0:3)
x 2 [0:3; 0:4
46
CNC
aj
0:62049958
0:28398668
0:00660095
0:24842440
Tabela 4.4:
bj
j
dj
3:4550869
0
8:9957933
3:1852131 2:698738 0:9463033
2:6170764 2:982629 9:9420967
|
0
|
Coe
ientes para os splines naturais.
Exemplo 17. Construa os splines ubi os restritos, om f 0 (0:1) = 3:58502082 e f 0 (0:4) = 2:16529366, para os
0:2
0:1
0
0
0:1
0:4
0:1
0
0
0:1
0:4
0:1
0
0
0:1
0:2
= 0:1,
0
1
2
3
para
0:6596755
1:377581
1:4629254
0:7588225
bj
j
dj
aj
0:62049958 3:5850208 2:1498408 0:4907741
2:297073
0:4745836
0:28398668 3:1403294
0:00660095 2:6666773 2:4394481 0:4498015
|
2:5743885
|
0:24842440
Tabela 4.5: Coe
ientes para os splines restrito.
A partir da Tabela 17, podemos montar a fun
~ao spline:
S (x ) =
x 2 [0:1; 0:2)
x 2 [0:2; 0:3)
x 2 [0:3; 0:4
2. Utilize o polin^omio interpolador de Lagrange e de Newton de grau 1, 2 e 3 para aproximar
ada um dos
seguintes items:
(a) f (8:4) se f (8:1) = 16:94410, f (8:3) = 17:56492, f (8:6) = 18:50515 e f (8:7) = 1882091;
(b) f ( 31 ) se f ( 0:75) = 0:07181250, f ( 0:5) = 0:02475000, f ( 0:25) = 0:33493750 e f (0) =
1:10100000;
L. A. P. Cant~ao
47
CNC
5. Apresentando os dados
xi
yi
4.0
4.2
4.5
4.7
5.1
5.5
5.9
6.3
6.8
7.1
102.56 113.18 130.11 142.05 167.53 195.14 224.87 256.73 299.50 326.72
0.2
0.3
0.6
0.9
1.1
1.3
1.4
1.6
0.050446 0.098426 0.33277 0.72660 1.0972 1.5697 1.8487 2.5015
7. En
ontre os polin^omios de quadrados mnimos de graus 1, 2 e 3 para os dados apresentados na tabela abaixo.
Cal
ule o resduo para
ada
aso (erro).
xi
yi
Resposta:
(b) y = abx
a
(
) y = b + x
1
(d) y = 1 + ebx
9. Suponha que num laboratorio obtivemos experimentalmente os seguintes valores para f (x ) sobre os pontos
xi , i = 1 : 8:
xi
1:0
0:7
0:4
0:1 0:2
0:5
0:8
1:0
f (xi ) 36:547 17:264 8:155 3:852 1:820 0:860 0:406 0:246
2 x ;
48
CNC
x
y
Resposta:
y = 3:001 e
2:5x
8 6
30 10
4
9
2 0 2 4
6 5 4 4
49
CNC
S0 (x ) = 1 + 2x x 3
S1 (x ) = 2 + b(x 1) +
(x 1)2 + d (x 1)3
se 0 x < 1
se 1 x 2
En
ontre b,
e d .
Resposta: b = 1,
= 3 e d = 1.
19. Um spline
ubi
o restrito S para uma fun
~ao f e denido em [1; 3 por:
S (x ) =
se 1 x < 2
se 2 x 3
L. A. P. Cant~ao
50
CAPITULO
1. Geralmente em problemas envolvendo o
al
ulo de integrais n~ao se
onhe
e a express~ao analti
a da fun
~ao
integrando, somente os valores dessa fun
~ao, o que inviabiliza o uso das te
ni
as integra
~ao do Cal
ulo, mas
que s~ao os dados ne
essarios para a integra
~ao numeri
a;
2. Mesmo quando se
onhe
e a express~ao analti
a da fun
~ao integrando, o
al
ulo da fun
~ao primitiva pode
ser trabalhoso e nem sempre simples. Por exemplo, a integral
Z
x2
dx
resulta em uma fun
~ao que n~ao pode ser expressa em termos de
ombina
~oes nitas de outras fun
~oes
algebri
as, logartmi
as ou exponen
iais.
A ideia basi
a da integra
~ao numeri
a reside na aproxima
~ao da fun
~ao integrando por um polin^omio. As
formulas de integra
~ao s~ao somatorios
ujas par
elas s~ao valores da fun
~ao f (x )
al
ulados em pontos e multipli
ados por pesos
onvenientemente es
olhidos. Assim, vamos pro
urar desenvolver formulas de integra
~ao do
tipo:
Z b
n
X
(5.1)
f (x ) dx = wi f (xi );
a
i =0
onde a x0 < x1 < < xn b s~ao hamados pontos de integra ~ao e wi s~ao os pesos da formula de integra ~ao.
CNC
Considere agora o polin^omio de Lagrange de grau n que interpola os (n + 1) pontos (xi ; f (xi )), i = 0 : n
pn (x ) =
n
X
i =0
f (xi )li (x ):
f (x ) l (x ) dx =
n
X
i =0
f (xi )
Z b
a
li (x ) dx:
Assim, de (5.1), o
al
ulo de wi e obtido pela integra
~ao de li (x ), isto e:
wi =
Z b
a
li (x ) dx =
(x x0 ) : : : (x xi 1 )(x xi +1 ) : : : (x xn )
(xi x0 ) : : : (xi xi 1 )(xi xi +1 ) : : : (xi xn ) dx:
Z b
a
(5.2)
Atraves da equa
~ao (5.2) podemos obter formulas do tipo Newton-Cotes para polin^omios de qualquer grau.
5.1.1
F
ormula dos Trapezios: n = 1
A formula dos trapezios
orresponde a interpola
~ao da fun
~ao a ser integrada por um polin^omio de grau n = 1.
Como a interpola
~ao linear pede 2 pontos, tomaremos os extremos do intervalo de integra
~ao, isto e, a = x0 e
b = x1 .
A express~ao (5.2) nos permite en
ontrar os pesos da regra dos trapezios:
w0 =
w1 =
Z x1
x0
(x x1 )
(x0 x1 ) dx =
1 Z x (x x ) dx =
1
h x
Z x1
(x x0 )
(x1 x0 ) dx =
1 Z x (x x ) dx
0
h x
x0
(x x1 )2 x =x = h
2h x =x
2
(x x0 )2 x =x = h
2h x =x
2
Com isso, podemos estabele
er a formula dos trapezios para a integra
~ao no intervalo (x0 ; x1 ):
Z x1
x0
h
f (x ) dx = [f (x0 ) + f (x1 ) :
2
(5.3)
5.1.2 F
ormula de Simpson: n = 2
Para estabele
er a formula de Simpson, interpolamos f (x ) usando um polin^omio de grau 2 que
oin
ide
om
essa fun
~ao nos pontos x0 , x1 e x2 . Assim, tomamos n = 2, x0 = a, x1 = (a +2 b) e x2 = b em (5.2). Integrando
os polin^omios de grau 2, estabele
emos os pesos da formula de Simpson:
L. A. P. Cant~ao
w0 =
Z x2
x0
h
(x x1 )(x x2 )
(x0 x1 )(x0 x2 ) dx = 3
w1 =
Z x2
x0
(x x0 )(x x2 ) dx = 4h
(x1 x0 )(x1 x2 )
3
w2 =
Z x2
(x x0 )(x x1 )
h
(x2 x0 )(x2 x1 ) dx = 3
x0
52
CNC
O
al
ulo das integrais a
ima podem ser simpli
ados lembrando que:
x1 x0 = h; x2 x1 = h; x2 x0 = 2h
Z x1
x0
(x x1 )(x x2 )
(x0 x1 )(x0 x2 ) dx =
t (t h )
h
dt
=
2
3
h 2h
Z h
Dessa maneira, usando polin^omios interpoladores de grau 2, estabele
emos a formula de Simpson:
Z x2
x0
f (x ) dx =
y
y
h
3 [f (x0 ) + 4f (x1 ) + f (x2 ) :
f (x )
= p (x )
(5.4)
n=3
Z x3
x0
n=4
Z x4
x0
3h [f (x ) + 3f (x ) + 3f (x ) + f (x )
0
1
2
3
8
(5.5)
(5.6)
f (x ) l (x ) dx =
f (x ) l (x ) dx =
ln 2 =
1 dx 0:69314718:
x =
Use as formulas de Newton-Cotes apresentadas (formulas (5.3), (5.4), (5.5) e (5.6)) para obter aproxima
~oes
para ln 2. Cal
ule o erro absoluto de
ada aproxima
~ao.
L. A. P. Cant~ao
53
CNC
Z x1
f (x ) dx =
x0
f (x ) dx +
Z x2
x1
f (x ) dx +
Z x3
x2
f (x ) dx : : : +
Z x
x
f (x ) dx
h
2 [f (x0 ) + 2f (x1 ) + 2f (x2 ) : : : + 2f (xn 1 ) + f (xn ) :
=
(5.7)
Se optarmos por apli
ar a formula de Simpson repetida, devemos repartir o intervalo num numero par de
subintervalos, uma vez que
ada parabola requer tr^es pontos de interpola
~ao. Assim, se n e um numero par:
Z b
a
Z x2
f (x ) dx =
x0
f (x ) dx +
Z x4
x2
f (x ) dx + : : : +
Z x
x
f (x ) dx
h
3 [f (x0 ) + 4f (x1 ) + 2f (x2 ) + 4f (x3 ) + : : : + 2f (xn 2 ) + 4f (xn 1 ) + f (xn )
h
= 3 ff (x0 ) + 4 [f (x1 ) + f (x3 ) + : : : f (xn 1 ) +
2 [f (x2 ) + f (x4 ) + : : : + f (xn 2 ) + f (xn )g
(5.8)
Exemplo 19. Ainda al ulando aproxima ~oes para ln 2, aplique as formulas (5.7) e (5.8) no intervalo [1; 2 e
Ini
ialmente, seja g uma fun
~ao
om derivadas de todas as ordens em algum intervalo
ontendo x0
omo um
ponto interior. Ent~ao a expans~ao da serie de Taylor gerada por g em x = x0 e:
g (x ) =
1 g (k ) (x )
X
0
k =0
k!
(x x0 )k
g n (x 0 )
g 00 (x0 )
(
x x0 )2 + : : : +
(x x0 )n + : : :
x0 ) +
2!
n!
(5.9)
Seja g (0) um valor a ser
al
ulado, e g (h) sua aproxima
~ao,
al
ulada em fun
~ao do par^ametro h (isto e,
h = x x0 ). Usando a equa
~ao (5.9) em torno de zero, de g (h) e g (h=2), teremos, respe
tivamente:
h2
h3
g (h) = g (0) + g 0 (0)h + g 00 (0) 2 + g 000(0) 3! + : : :
h
g 2
L. A. P. Cant~ao
2
h3
= g (0) + g 0 (0) h2 + g 00 (0) h8 + g 000(0) 48
+:::
54
CNC
Tomando os dois primeiros termos do lado direito destas duas express~oes, vemos que g (h) e g (h=2) s~ao
aproxima
~oes para g (0). Combinando
onvenientemente estes dois somatorios denimos uma aproxima
~ao mais
pre
isa:
h
1 21 g h
g 1 (h ) = 2g
g
(
h
)
=
g
(
h
)
2
21 1
2
=
2g (0) + 2g 0(0) h
+ 2g 00(0) h
h
g (0) + g 0 (0)h + g 00 (0)
+ 2g 000(0) h
48 + : : :
+ g 000(0) h
3
2
6 =
2
h3
+:::
= g (0) g 00 (0) h4 3g 000(0) 24
Se g1 (h) for usada para
al
ular g (0), ent~ao este sera mais pre
iso. Repetindo a ideia, tomamos agora g1 (h)
e g1 (h=2) para denir outra aproxima
~ao g2 (h). Sejam:
h2
g1 (h) = g (0) g 00 (0) 4
g1
h
2
h3
3g 000(0) 24
+:::
h2
h3
= g (0) g 00 (0) 16
3g 000(0) 192
+:::
Dessa maneira:
h3
g1 (h) = 3g (0) + 3g 000(0) 48 + : : :
h
1
g 2 (h ) = 3 4g 1 2
1
h
g1 (h) = 22 1 22 g1 2
g1 (h)
(5.10)
3
h
= g (0) + g 000(0) 48 + : : :
Em resumo, a ideia e apli
ar su
essivamente
ombina
~oes de aproxima
~oes para melhorar a aproxima
~ao nal.
Pode-se veri
ar que a express~ao generi
a do n-esimo estagio deste pro
edimento e:
gn (h) =
2n gn 1 (h=2) gn 1 (h) = 1 2n g
n
2n 1
2n 1
h
2
g n 1 (h )
(5.11)
Chamemos I1 (h) e I1 (h=2) os resultados obtidos pela regra dos trapezios tomando 2h e h, respe
tivamente,
em (x0 ; x2 ),
omo ilustra a Figura 5.2.
h
h
x
L. A. P. Cant~ao
55
CNC
Exemplo 20. Cal
ule a integral abaixo usando a Extrapola
~ao de Ri
hardson
om n = 4.
Z
x2
dx
0:5
(e)
x 4 dx ;
Z 1:5
1
x 2 ln x dx ;
(Resposta:
0:1922453)
(d)
x2 e
(Tr)
0:17776434,
2x
x 2 4 dx ;
(Resposta:
(Tr)
0:7391053)
Z 0:35
2 dx ;
(f)
2
x
4
0
(Resposta:
(Tr)
0:1768216)
(Sp) (g)
dx ;
0
(Resposta: (Tr) 0:1839397, (Sp) 0:16240168)
x
Z 1:6
(h)
0:8666667,
(Sp)
0:1777643,
(Sp)
Z =4
x sen x dx ;
(Resposta: (Tr) 0:2180895, (Sp) 0:1513826)
0
Z =4
e3x sen 2x dx ;
(Resposta: (Tr) 4:1432597, (Sp) 2:5836964)
0
2. Utilize a regra Trapezoidal Composta (T
) e Simpson Composta (S
)
om os valores indi
ados de n para
aproximar as seguintes integrais:
(a)
x ln x dx , n = 4;
(Resposta: (T
) 0:639900)
L. A. P. Cant~ao
(b)
2
2
x 3 ex dx , n = 4;
(Resposta: (T
) 31:3653)
56
CNC
2
(
)
2 + 4 dx , n = 6;
x
0
(Resposta: (T
) 0:784241)
Z
(d)
(e)
1
2 + 4 dx , n = 8;
x
0
(Resposta: (T
) 0:476977)
Z 5
p 2x dx , n = 8;
(g)
x 4
3
(Resposta: (T
) 0:605498)
(f)
Z
x 2
os x dx , n = 6;
(Resposta: (T
) 6:42872)
0
e2x sen 3x dx , n = 8;
0
(Resposta: (T
) 13:5760)
(h)
Z 3=8
tan x dx , n = 8;
(Resposta: (T
) 0:970926)
0
3. Suponha que f (0) = 1, f (0:5) = 2:5,R f (1) = 2 e f (0:25) = f (0:75) = . Determine se a regra Trapezoidal
Composta
om n = 4 da 1.75 para 01 f (x ) dx .
4. Utilize a integra
~ao de Romberg para
al
ular as seguintes integrais,
om n = 3:
(a)
(b)
(
)
(d)
Z 1:5
1
x 2 ln x dx ; (Resposta: 0:1922593)
x2 e
Z 0:35
0
Z =4
0
(e)
dx ; (Resposta: 0:1606105)
(f)
2 dx ; (Resposta: 0:1768200)
2
x 4
(g)
(h)
2
1
Z =4
0
Z 1:6
1
Z 3:5
3
Z =4
0
2x
p 2x
x
4 dx ; (Resposta: 0:7341567)
4
dx ; (Resposta: 0:6362135)
( os x )2 dx ; (Resposta: 0:6426970)
xi
1:0 1:25 1:5
1:75 2:0
f (xi ) 1:0 0:8 0:6666 0:5714 0:5
6. Use a regra de Simpson
om n = 8 para aproximar o valor medio de f no intervalo dado.
(b) f (x ) = os x , [ 1; 1
7. Para
ontrolar a polui
~ao termi
a de um rio, um biologo registra a temperatura (em F) a
ada hora, de 9h
da manh~a as 5h da tarde. Os dados
onstam da tabela abaixo:
9
10 11 12
1
2
3
4
5
Hora
Temperatura 75:3 77:0 83:1 84:8 86:5 86:4 81:1 78:6 75:1
Use a regra de Simpson e o Teorema do Valor Medio (Cal
ulo) para estimar a temperatura media da agua
entre 9h da manh~a e 5h da tarde.
8. Cal
ule
10
x 4 dx usando:
de imais.
L. A. P. Cant~ao
57
CNC
9. Aproxime a integral impropria fazendo a substitui
~ao u = 1=x e apli
ando ent~ao a regra de Simpson
om
n = 4.
(a)
Z 1
(b)
p 41
x +x
x2
dx (Resposta: 0:49)
dx (Resposta: 0:14)
L. A. P. Cant~ao
(
)
(d)
Z
Z
jx j
3 + 1 dx
x
1
1
p
e x sen x dx
10
os
pxx dx fazendo a substitui
~ao u = px e apli
ando a regra do trapezio
58
CAPITULO
S~ao equa
~oes
ujas in
ognitas s~ao fun
~oes de uma variavel e suas derivadas (
aso unidimensional).
Qual e a ordem de uma EDO ? E a ordem da mais alta derivada da fun
~ao in
ognita.
Qual e a solu
~ao de uma EDO ? E uma fun
~ao denida num intervalo que, juntamente
om suas derivadas,
Tipos de problemas om EDO Para denir uma uni a fun ~ao y (x ), temos de forne er dados adi ionais a equa ~ao
(PVI): pro
uramos y (x ) que, alem de satisfazer a equa
~ao diferen
ial para
x > a, atende as
ondi
~oes preestabele
idas no in
io do intervalo onde vamos resolv^e-la:
Problema de valor ini
ial
y (a) = y0
om y0 e yn onhe idos.
e y (b) = yn ;
CNC
Objetivos Apresentar metodos numeri os que nos onduzam a aproxima ~oes da fun ~ao de uma uni a variavel
y 0(x ) = f (x; y (x ))
(6.1)
ativa, podemos
onstatar que \o numero de desintegra
~oes por unidade de tempo e propor
ional a quantidade
de subst^an
ia presente em
ada instante". Assim, se x = x (t ) representa a quantidade de uma subst^an
ia
radioativa presente em
ada instante t , o modelo matemati
o que representa o fen^omeno da desintegra
~ao
e dado por:
dx (t )
dt = x (t )
onde dx
dt e a varia
~ao int^antanea (desintegra
~ao) sofrida pela subst^an
ia e o par^ametro > 0 representa o
oe
iente de propor
ionalidade, que e
onstante para
ada subst^an
ia espe
a. Usamos o sinal negativo
porque o numero de atomos diminui
om o passar do tempo e, portanto, dx
dt < 0.
(6.2)
L. A. P. Cant~ao
h2 00
2! y ():
60
CNC
Isolando y 0 (x ) na equa
~ao a
ima, a formula avan
ada para a dis
retiza
~ao da derivada e seu erro e:
y 0 (x ) =
y (x + h ) y (x )
h
h 00
2 y ( ):
(6.3)
Isolando y 0 (x ) na equa
~ao a
ima, a formula atrasada para a dis
retiza
~ao da derivada e seu erro e:
y 0 (x ) =
y (x ) y (x h) h 00
+ 2 y ( ):
h
(6.4)
Tomemos agora n = 2 em (6.2), rees
revemos as formulas avan
ada e atrasada, temos:
h2 00
h3 000
y
(
x
)
+
2
3! y ()
h3 000
h2
y (x h) = y (x ) hy 0(x ) + y 00(x )
2
3! y ()
Subtraindo a penultima express~ao da ultima, temos:
y (x + h) = y (x ) + hy 0(x ) +
h3
y (x h) y (x + h) = 2hy 0(x ) 2 3! y 000():
Rearranjando a express~ao a
ima, obtemos a formula
entrada para dis
retiza
~ao da derivada e o seu erro:
y (x + h) y (x h) h2 000
(6.5)
2h
3! y ()
Seguindo as mesmas ideias, podemos estabele
er uma express~ao para o
al
ulo da aproxima
~ao para a segunda
derivada. Tomando n = 3 em (6.2), temos:
y 0 (x ) =
h2 00
h3
h4
y (x ) + y 000(x ) + y (iv ) ()
2
3!
4!
h2
h3 000
h4 (iv )
y (x h) = y (x ) hy 0 (x ) + y 00(x )
y
(
x
)
+
2
3!
4! y ()
y (x + h) = y (x ) + hy 0 (x ) +
Somando estas duas ultimas formulas e expli
itanto y 00 (x ), obtemos uma formula para dis
retizar a derivada de
segunda ordem, bem
omo o erro asso
iado a esta dis
retiza
~ao:
y 00(x ) =
y (x + h ) 2y (x ) + y (x h )
h2
h2 (iv )
12 y ()
(6.6)
L. A. P. Cant~ao
yi yi 1
yi +1 yi
yi +1 yi
0 (x i )
0 (x i )
;
y
;
ou
y
=
=
h
h
2h
61
CNC
yi +1 2yi + yi 1
;
h2
omo dis
retiza
~ao das derivadas de primeira e segunda ordens que apare
em na equa
~ao diferen
ial.
O metodo das Diferen
as Finitas pode ser generalizado em um algoritmo para EDO de segunda ordem.
Sejam p(x ), q (x ) e r (x ) fun
~oes
ontnuas denidas em [a; b. O problema de en
ontrar y (x ) tal que:
y 00(x ) =
om valores de ontorno
y (a) = y0 ; y (b) = yn ;
[a;b
tornam o sistema diagonalmente dominante,
om todas as desigualdades estritas, o que garante a exist^en
ia de
uma uni
a solu
~ao do sistema linear.
Dividindo o intervalo [a; b em n partes iguais de
omprimento h, introduzimos a malha a = x0 < x1 < : : : <
xn = b. Se em
ada ponto interior xi usamos as aproxima
~oes :
y 0 (x i )
=
yi +1 yi
2h
y
2y + y
e y 00(xi )
= i +1 h2i i 1 ;
2 + h qi yi + 1 + h2 pi yi +1 = h2 ri ;
2
para i = 1 : n 1. Note que a primeira e a ultima equa
~oes devem ser modi
adas pela utiliza
~ao da
ondi
~ao de
ontorno.
Exemplo 21. Aproxime numeri
amente a solu
~ao da EDO abaixo usando o metodo de Diferen
as Finitas:
y 00 y 0 + xy = ex (x 2 + 1);
om
ondi
~oes de
ontorno:
usando
y (0) = 0;
x 2 (0; 1)
y (1) = e
L. A. P. Cant~ao
62
CNC
Dado a, b, p (x ), q (x ), r (x ), y0 , yn , n
1:
2:
3:
4:
5:
6:
7:
8:
9:
10:
11:
h = (b a)=n
Para j = 1 ate j = n 1 fa
a
x = a + jh
h
di (j ) = 1 2 p(x )
d (j ) = 2 + h 2 q (x )
h
ds (j ) = 1 + p(x )
2
ti (j ) = h2 r (x )
Fim do la
o
(6.7)
Considerando a malha denida pelo passo h, podemos usar a formula de diferen
as nitas avan
ada para
dis
retizar a derivada de y (x ) no ponto xk . Assim, obtemos uma vers~ao dis
retizada de (6.7):
yk +1 yk
= f (xk ; yk ):
h
(6.8)
Esta equa
~ao permite que
al
ulemos yk +1 a partir de yk , e dene o Metodo de Euler. Sua apli
a
~ao e muito
simples:
y0 = y (x0 )
(6.9)
yk +1 = yk + hf (xk ; yk ); para k = 0; 1; : : :
O Algoritmo 13 ilustra este metodo.
Dado a, b, n, y0 e f (x; y )
1:
2:
3:
4:
5:
h = (b a)=n
Para k = 0 ate k = n 1 fa
a
xk = a + kh
yk +1 = yk + hf (xk ; yk )
Fim do la
o
63
CNC
equa
~ao, e Kutta (1901), para o
aso de sistemas de EDO de primeira ordem. Os Algoritmos 14, 15 e 16
apresentam os metodos de Runge-Kutta (
omo s~ao
onhe
idos) para EDO's de primeira ordem.
Dado a, b, n, y0 e f (x; y )
1:
2:
3:
4:
5:
6:
7:
h = (b a)=n
Para k = 0 ate k = n 1 fa
a
xk = a + kh
m0 = hf (xk ; yk )
m1 = hf (xk + h; yk + m0 )
1
yk +1 = yk + (m0 + m1 )
2
Fim do la o
h = (b a)=n
Para k = 0 ate k = n 1 fa
a
xk = a + kh
m0 = hf (xk ; yk )
h
m
m1 = hf xk + 2 ; yk + 20
m2 = hf (xk +1 ; yk m0 + 2m1 )
1
yk +1 = yk + 6 (m0 + 4m1 + m2 )
Fim do la
o
6:
7:
8:
9:
h = (b a)=n
Para k = 0 ate k = n 1 fa
a
xk = a + kh
m0 = hf (xk ; yk )
h
m
m1 = hf xk + ; yk + 0
2
2
h
m1
m2 = hf xk + 2 ; yk + 2
m3 = hf (xk +1 ; yk + m2 )
1
yk +1 = yk + 6 (m0 + 2m1 + 2m2 + m3 )
Fim do la o
1
y 0 (x ) = 1 + x 2
y (0) = 0
2y 2
Resolva-a usando os metodos de Euler, Runge-Kutta de segunda, ter eira e quarta ordens para x
L. A. P. Cant~ao
2 (0; 1) e h = 0:1.
64
CNC
Compare os resultados obtidos om a sua solu ~ao analti a ( al ule o erro relativo):
y=
x
1 + x2 :
Aten ~ao:
m e o numero de subintervalos.
2. Dado o PVI
2
y 0 = y + t 2 et ; 1 t 2 y (1) = 0;
t
2
t
om as solu
~oes exatas y (t ) = t (e e ). Use o metodo de Euler
om h = 0:1 para aproximar a solu
~ao e
ompare-a
om os valores reais de y .
3. Resolver os problemas de valor ini
ial abaixo, utilizando os metodos de Euler, Runge-Kutta de segunda,
ter
eira e quarta ordens
om o numero de subintervalos n indi
ado:
(a)
(b)
(
)
4. Use o Metodo das Diferen
as Finitas para aproximar as solu
~oes dos problemas abaixo e
ompare
om as
solu
~oes reais.
(a) y 00 + y = 0, 0 x (=4), y (0) = 1, y (=4) = 1; use h = (=20);
p
solu
~ao real: y (x ) =
os x + ( 2 1) sen x .
(b) y 00 + 4y =
os x , 0 x (=4), yp(0) = 0, y (=4) = 0; use h = (=20);
solu
~ao real: y (x ) = 31
os 2x 62 sen 2x + 13
os x .
(
) y 00 = x4 y 0 x22 y + 2 xln2 x , 1 x 2, y (1) = 21 , y (2) = ln 2; use h = 0:05;
solu
~ao real y (x ) = x4 x22 + ln x 23 .
(d) y 00 = 2y 0 y + x ex x , 0 x 2, y (0) = 0, y (2) = 4; use h = 0:2;
5
1
solu
~ao real: y (x ) = 6 x 3 ex 3 x ex +2 ex x 2.
5. Use o Metodo das Diferen
as Finitas para aproximar as solu
~oes dos seguintes PVC:
(a) y 00 = x4 y 0 + x22 y x22 ln x , 1 x 2, y (1) = 21 , y (2) = ln 2; use h = 0:05;
0
(b) y 00 = yx + x32 y + lnxx 1, 1 x 2, y (1) = y (2) = 0; use h = 0:1
L. A. P. Cant~ao
65
Exer ios
8. Cal
ule y (1) para y 0 = y x ; y (0) = 2, utilizando Euler e Runge-Kutta de 4a ordem
om h = 0:2. Compare
seus resultados
om os valores exatos de y (x ) nos pontos xi , sabendo que y (x ) = ex +x + 1.
Resposta: Euler: y (1) = 4:488320, Runge-Kutta de 4a ordem: y (1) = 4:78251, solu
~ao exata: y (1) =
4:718282.
9. Resolva pelo metodo de diferen
as nitas, o PVC:
y 00 + 2y 0 + y = x
y (0) = 2
y (1) = 0
tem a solu
~ao y (x ) = e2 (e4 1) 1 (e2x e 2x ) + x . Use o Metodo das Diferen
as Finitas para aproximar a
solu
~ao e
ompare os resultados
om a solu
~ao real.
(a) Com h = 21 .
(b) Com h = 41 .
11. O PVC:
y 00 = y 0 + 2y +
os x; 0 x 2 ; y (0) = 0:3; y 2 = 0:1
tem a solu
~ao y (x ) = 101 (sen x + 3
os x ). Use o Metodo das Diferen
as Finitas para aproximar a solu
~ao
e
ompare os resultados
om a solu
~ao real.
(a) Com h = 4 .
(b) Com h = 8 .
12. Use o Metodo das Diferen as Finitas para aproximar as solu ~oes de y = e
para o PVC:
10
An
alise Num
eri
a
Algoritmos Num
eri
os
M
etodos Num
eri
os
. 2a Edi
~
ao, Editora da Uni
amp, 2000.
[4 N. J. Higham. A
ura
y and Stability of Numeri
al Algorithms, SIAM { So
iety for Industrial and Applied Mathemati
s,
1996.
[5 M. A. G. Ruggiero, V. L. R. Lopes C
al
ulo Num
eri
o:
1996.
[6 D. Sperandio, J. T. Mendes, L. H. M. e Silva.
M
etodos Num
eri
os. Prenti
e Hall, 2003.
[7 J. Stewart.
~
ao, Makron Books,
. 2a Edi
C
al
ulo Num
eri
o: Cara
ter
sti
as Matem
ati
as e Computa
ionais dos
. Volume I. 5a Edi
~
ao, Pioneira Thomson Learning, 2006.
C
al
ulo
[8 E. W. Sowokowski.
C
al
ulo
om Geometria Anal
ti
a
. Volume 1. 2a Edi
~
ao, Makron Books, 1994.
67