Escolar Documentos
Profissional Documentos
Cultura Documentos
Apostila CN
Apostila CN
Departamento de Informtica
CI-202
MTODOS
NUMRICOS
Prof. Ionildo Jos Sanches
Prof. Digenes Cogo Furlan
E-Mail: ionildo@ionildo.cjb.net
URL: http://www.ionildo.cjb.net/metodos/
CURITIBA
2007
5.2
SUMRIO
1
INTRODUO........................................................................................................................................... 1
CONCEITO DE ERRO.............................................................................................................................. 2
2.1
2.2
2.3
2.4
2.5
2.6
INTRODUO........................................................................................................................................... 2
ERROS NA FASE DE MODELAGEM ............................................................................................................ 2
ERROS NA FASE DE RESOLUO ............................................................................................................. 2
ERROS ABSOLUTOS E RELATIVOS ........................................................................................................... 2
ERRO DE ARREDONDAMENTO ................................................................................................................. 3
ERRO DE TRUNCAMENTO ........................................................................................................................ 4
3.3
3.4
6.2
6.3
4.2
Exemplos ......................................................................................................................................................30
4.7.1
4.8
MTODO DA SECANTE........................................................................................................................... 29
4.6.1
4.7
Casos de convergncia.................................................................................................................................23
Consideraes finais ....................................................................................................................................24
Exemplos ......................................................................................................................................................24
4.5.1
4.5.2
4.5.3
4.6
Exemplos ......................................................................................................................................................31
4.8.1
4.8.2
4.8.3
4.8.4
Introduo....................................................................................................................................................32
Localizao de Razes..................................................................................................................................32
Determinao das Razes Reais ...................................................................................................................34
Mtodo de Newton para Zeros de Polinmios.............................................................................................35
AJUSTE DE CURVAS............................................................................................................................. 69
7.1
7.1.1
7.1.2
Diferenas Divididas....................................................................................................................................63
Propriedade do Operador Diferenas Divididas.........................................................................................64
Exemplos ......................................................................................................................................................64
6.7.1
6.7.2
6.7.3
6.7.4
4.4.1
4.4.2
4.4.3
4.5
6.7
4.3.1
4.3.2
4.3.3
4.4
6.6.1
6.6.2
6.6.3
4.2.1
4.2.2
4.2.3
4.3
6.5
6.6
INTERPOLAO DE LAGRANGE.............................................................................................................. 59
6.4.1
6.4.2
6.3.1
6.3.2
6.4
Conceito de Interpolao.............................................................................................................................54
6.2.1
6.2.2
INTRODUO......................................................................................................................................... 14
4.1.1
4.1.2
4.1.3
4.1.4
INTRODUO......................................................................................................................................... 54
6.1.1
INTERPOLAO.................................................................................................................................... 54
6.1
5.4.1
5.4.2
5.4.3
5.4.4
5.4
Regra de Cramer..........................................................................................................................................39
Mtodo da Eliminao de Gauss .................................................................................................................40
Mtodo de Jordan ........................................................................................................................................42
Exemplos ......................................................................................................................................................42
FATORAO LU.................................................................................................................................... 43
5.3.1
INTRODUO........................................................................................................................................... 6
SISTEMA DE NUMERAO ....................................................................................................................... 7
3.2.1
3.2.2
5.3
5.2.1
5.2.2
5.2.3
5.2.4
INTRODUO......................................................................................................................................... 77
8.1.1
8.2
8.2.1
8.3
Exemplos ......................................................................................................................................................80
8.3.1
8.3.2
8.4
Frmulas de Newton-Cotes..........................................................................................................................78
REGRA DE SIMPSON............................................................................................................................... 83
8.4.1
8.4.2
SISTEMAS LINEARES........................................................................................................................... 38
5.1
INTRODUO......................................................................................................................................... 38
5.1.1
ii
iii
1 Introduo
2 Conceito de Erro
2.1
Modelagem
Modelo
Matemtico
Resoluo
Introduo
A noo de erro est presente em todos os campos do Clculo Numrico. De um lado, os dados,
em si, nem sempre so exatos e, de outro lado, as operaes sobre valores no exatos propagam esses
erros a seus resultados. Finalmente, os prprios mtodos numricos, freqentemente mtodos
aproximados, buscam a minimizao dos erros, procurando resultados o mais prximo possvel do que
seriam valores exatos.
Erro a diferena entre o valor exato e o valor apresentado.
Soluo
No prximo captulo, sobre representao de nmeros reais, iremos analisar vrias situaes em
que ocorrem erros, quando utilizamos o computador para realizar os clculos. A seguir, analisaremos os
erros que ocorrem durante as fases de modelagem e resoluo e tambm sobre erros de arredondamento e
erros de truncamento.
2.2
onde:
d
do
vo
t
: distncia percorrida
: distncia inicial
: velocidade inicial
: tempo
: acelerao
N = N + EAN
EAN = N N
Erro absoluto
O uso deste critrio limita o erro a meia unidade da ltima casa conservada:
E=
Por exemplo, sabendo-se que (3.14, 3.15) tomaremos para um valor dentro deste intervalo e
teremos, ento, |EA| = | - | < 0.01.
Erro Relativo definido como o erro absoluto dividido pelo valor aproximado:
ER N
EAN
N'
N N'
N'
Erro Relativo
claro que EAN s poder ser determinado se N for exatamente conhecido; como isso raro, em
clculos numricos costuma-se trabalhar com uma limitao mxima para o erro, ao invs do prprio
(indicando-se, ento, | E | < , onde o limite).
Por exemplo, se = 3876.373 e s desejamos a parte inteira , o erro absoluto ser:
= | ' | = 0.373
Se fizermos o mesmo com o nmero = 1.373, teremos:
= | ' | = 0.373
Obviamente, o efeito de aproximao de muito maior do que em , mas o erro absoluto o
mesmo nos dois casos. O erro relativo, entretanto, pode traduzir perfeitamente este fato, pois:
0,373
0,373
=
=
0,000096 < 10-4
0,373 < 5*100
3876
1
2.5
Erro de Arredondamento
Ao se aplicar um mtodo numrico, os erros devidos aos valores iniciais, intermedirios e finais
conduzem a um erro global (diferena entre o exato e o obtido) tambm chamado de arredondamento.
Os valores aproximados obtidos podem ser inferiores (valor aproximado por falta) ou superiores
(valor aproximado por excesso) aos exatos; 1.41 o valor aproximado, por falta, de 2 ; 1.26 o valor de
3
2 , aproximado por excesso.
Para concluir este item de erro de arredondamento, deve-se ressaltar a importncia de se saber o
nmero de dgitos significativos do sistema de representao da mquina que est sendo utilizada para
que se tenha a noo da preciso do resultado obtido.
Alm da preciso decimal, o clculo do chamado psilon da mquina nos d uma idia da
exatido da mquina.
O da mquina o menor nmero de ponto flutuante, tal que: 1 + > 1. Alguns mtodos para
clculo de no do seu valor exato, mas isto nem sempre necessrio, pois o que importa a sua ordem
de grandeza.
O programa abaixo, escrito na linguagem C, calcula uma aproximao do da mquina:
#include <stdio.h>
int main()
{
float Eps=1.0;
while (Eps + 1 > 1)
Eps = Eps / 2.0;
printf("A maquina acha que %1.25f vale zero!\n", Eps);
return 0;
}
2.6
Erro de Truncamento
So erros provenientes da utilizao de processos que deveriam ser infinitos ou muito grandes
para a determinao de um valor e que, por razes prticas, so truncados.
Estes processos infinitos so muito utilizados na avaliao de funes matemticas, tais como,
exponenciao, logaritmos, funes trigonomtricas e vrias outras que uma mquina pode ter.
Exemplo: Uma mquina poderia calcular a funo seno(x) e exponencial(x) utilizando as seguintes
tcnicas:
3
5
7
seno(x) = x x + x x + ...
3!
5!
7!
ex = 1 +
Fazendo truncamento:
x2
+
2!
x3
+ ...
3!
seno(x) x
ex 1 +
x3
+
3!
x
x5
5!
x2
+
2!
x7
xn
+ ... + ( 1)n
7!
n!
x3
xn
+ ... +
3!
n!
Introduo
{{
{ {
Complexos (2+3-1 )
Irracionais (; 2 )
Nmeros
Reais
De uma maneira geral, pode-se dizer que o erro de truncamento pode ser diminudo at chegar a
ficar da ordem do erro de arredondamento; a partir desse ponto, no faz sentido diminuir-se mais, pois o
erro de arredondamento ser dominante.
Inteiros (-1004; 2)
Racionais
Fracionrios
Algumas das propriedades bsicas da aritmtica real no valem mais quando executadas no
computador, pois, enquanto na matemtica alguns nmeros so representados por infinitos dgitos, no
computador isso no possvel, pois uma palavra de memria finita e a prpria memria tambm.
Exemplos:
2,
3, e
1
.
3
sero convertidos para o sistema decimal e, finalmente, sero transmitidos ao usurio. Todo este processo
de converso uma fonte de erros que afetam o resultado final dos clculos.
LSB
19
1
2
9
1
Na prxima seo, iremos estudar os processos de converso de nmeros do sistema decimal para
o sistema binrio e vice-versa. Estudaremos tambm a forma de armazenamento feita pelos computadores
digitais.
2
4
0
3.2
Sistema de Numerao
Existem vrios sistemas numricos, dentre os quais destacam-se o sistema decimal (base 10), o
octal (base 8) e o hexadecimal (base 16).
j-1
aj + aj-1 +...+ a2 + a1 + a0
3.2.2
3.2.2.3
Passo 1:
Calcule 2rk.
Se 2rk = 1, faa: dk = 1,
caso contrrio, faa: dk = 0
3.2.2.1
Passo 2:
Passo 3:
k = k + 1.
Volte ao passo 1.
2
0
Passo 0:
1
1
O bit menos significativo de um nmero binrio recebe a notao de LSB (Least Significant Bit) e
o bit mais significativo de MSB (Most Significant Bit).
19(10) = 10011(2)
No sistema de numerao usual, o sistema decimal, usamos dez dgitos 0, 1, ..., 9. Um nmero
maior que 9 representado usando uma conveno que atribui significado posio ou lugar ocupado por
um dgito. Por exemplo, em virtude das posies ocupadas pelos dgitos individuais no nmero 2015, este
nmero tem significado numrico calculado como:
Notamos que um nmero expresso como uma soma de potncias de 10 multiplicadas por
coeficientes apropriados. No sistema decimal, 10 a base do sistema. Existem 10 dgitos, o maior sendo
9. Em um sistema numrico com base , existem dgitos e o maior -1.
MSB
Observar que o algoritmo pode ou no terminar aps um nmero finito de passos. Para r =
(0.125)10 teremos: r1 = 0.125.
k = 1 2r1 = 0.25
d1 = 0
r2 = 0.25 d1 = 0.25
k = 2 2r2 = 0.5
d2 = 0
10
r3 = 0.5
k = 3 2r3 = 1.0
d3 = 1
r4 = 0
Temos ento 0.12510 = 0.0012, sendo portanto a representao binria finita. J para r = 0.110,
teremos: r1 = 0.1
k = 1 2r1 = 0.2
d1 = 0
r2 = 0.2
k = 2 2r2 = 0.4
d2 = 0
r3 = 0.4
k = 3 2r3 = 0.8
d3 = 0
r4 = 0.8
d1
x=
k = 4 2r4 = 1.6
d4 = 1
r5 = 0.6
k = 5 2r5 = 1.2
d5 = 1
r6 = 0.2 = r2
d2
d3
dt
+ ... +
onde:
: a base em que a mquina opera;
di: so nmeros inteiros contidos no intervalo 0 di ( - 1); i = 1, 2, ..., t; d1 0;
e: representa o expoente de e assume valores entre I e S;
I, S: limite inferior e limite superior, respectivamente, para a variao do expoente.
Como r6 = r2, teremos que os resultados para k de 2 e 5 se repetiro e ento: r10 = r6 = r2 = 0.2 e
assim indefinidamente.
Conclumos que: (0.1)10 = (0.00011001100110011...)2 e, portanto, o nmero (0.1)10 no tem
representao binria finita.
O fato de um nmero no ter representao finita no sistema binrio pode acarretar a ocorrncia de
erros aparentemente inexplicveis em clculos efetuados em sistemas computacionais binrios.
Um computador que opera no sistema binrio ir armazenar uma aproximao para (0.1)10, uma
vez que possui uma quantidade fixa de posies para guardar os dgitos de mantissa de um nmero, e esta
aproximao ser usada para realizar os clculos. No se pode, portanto, esperar um resultado exato.
Podemos agora entender melhor por que o resultado da operao:
d1
1
d2
d3
+ ... +
dt
2
102
103
3
3.141510 = 0.31415 101 = 1
10
. 10
102
4
103
104
105
. 10
1000
S=
01.
n=1
no obtido corretamente num computador. Supondo uma mquina digital que trabalhe com apenas 9
dgitos na mantissa, o nmero (0.1)10 seria armazenado como (0.000110011)2 e este nmero representa
exatamente (0.099609375)10. Portanto, todas as operaes que envolvem (0.1)10 seriam realizadas com
esta aproximao. Veremos na prxima seo a representao de nmeros em aritmtica de ponto
flutuante com o objetivo de se entender melhor a causa de resultados imprecisos em operaes numricas.
1000
#include <stdio.h>
int main()
{
int i;
float x=0;
0
2
23
.2
1
* 23
2
Exemplo 2: Numa mquina de calcular cujo sistema de representao utilizado tenha =2, t = 10, I = 15
e S = 15, o nmero 2510 e 3.510 , assim representado:
11
12
1
0
0
1
0
0
0
0
0
1
101
1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10 * 2
2
2
2
2
2
2
2
2
2
2
1100100000
Mantissa
0101
expoente
Cada dgito chamado de bit, portanto, nesta mquina so utilizados 10 bits para a mantissa, 4
para o expoente e mais um bit para o sinal da mantissa (se bit=0 positivo, se bit=1 negativo) e um bit para
o sinal do expoente, resultando, no total, 16 bits, que so assim representados:
0 1 1 0 0 1 0 0 0 0 0 0 0 1 0 1
Valor da Mantissa
Expoente
Sinal da Mantissa
Sinal Exp.
0 1 1 1 0 0 0 0 0 0 0 0 0 0 1 0
1. x G: por exemplo, x = 235.89 = 0.23589 * 103. Observe que este nmero possui 5 dgitos na
mantissa. Esto representados exatamente nesta mquina os nmeros: 0.235*103 e 0.236*103.
Se for usado o truncamento, x ser representado por 0.235*103 e, se for usado o
arredondamento, x ser representado por 0.236*103. Na prxima seo, sobre erros,
estudaremos o truncamento e o arredondamento;
2. | x | < m: por exemplo, x = 0.345*10-7. Este nmero no pode ser representado nesta mquina
porque o expoente e menor que 5. Esta uma situao em que a mquina acusa a ocorrncia
de underflow;
3. | x | > M: por exemplo, x = 0.875*109. Neste caso o expoente e maior que 5 e a mquina acusa
a ocorrncia de overflow.
e [-5,5].
2510 =
t = 3;
Logo, os nmeros que podem ser representados nesta mquina estariam contidos no intervalo
[32736; 32736].
Nesta mquina, ainda, o valor zero seria representado por:
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
O prximo nmero positivo representado seria:
0 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1
Tipo
O subsequente seria:
N de bits
32
64
80
Intervalo
Inicio
Fim
3.4E38
1.7E308
3.4E4932
3.4E+38
1.7E+308
3.4E+4932
0 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1
0.1000000001 * 2-15 = 0.000015289
Atravs desses exemplos pode-se concluir que o conjunto dos nmeros representveis neste
sistema um subconjunto dos nmeros reais, dentro do intervalo mostrado anteriormente.
O tipo long double o tipo de ponto flutuante com maior preciso. importante observar que os
intervalos de ponto flutuante, na tabela acima, esto indicados em faixa de expoente, mas os nmeros
podem assumir valores tanto positivos quanto negativos.
3.4
Propagao de Erros
Durante as operaes aritmticas de um mtodo, os erros dos operandos produzem um erro no
13
EAA+B = Ea + Eb
EAA-B = Ea Eb
EAA*B = aEb + bEa + Eb*Ea
14
Introduo
Seja F(x) uma funo real definida num intervalo [a, b]. Chama-se raiz(es) desta funo em [a, b]
a todo (csi) (a, b) tal que F() = 0, como mostra a figura abaixo.
f(x)
Exemplo: Suponha-se que as operaes abaixo sejam processadas em uma mquina com 4 dgitos
significativos e fazendo-se: x1 = 0.3491*104 e x2 = 0.2345*100 tem-se:
a
0
4.1.1
Os dois resultados so diferentes, quando no deveriam ser, pois a adio uma operao
distributiva. A causa desta diferena foi um arredondamento feito na adio (x2 + x1), cujo resultado tem 8
dgitos. Como a mquina s armazena 4 dgitos, os menos significativos foram desprezados.
Ao se utilizar mquinas de calcular deve-se estar atento a essas particularidades causadas pelo erro
de arredondamento, no s na adio mas tambm nas outras operaes.
x 0
y
x
= lim
x a
f ( x ) f (a )
xa
lim
x0
f ( a + x ) f ( a )
x
Tipos de Mtodos
Pode-se dizer que so dois os mtodos para se achar a(s) raiz(es) de uma equao:
Mtodo direto: quando fornece soluo em apenas um nico passo. Esta raiz exata, a menos de
erros de arredondamento.
Exemplo: Seja F(x) = x2 3x + 2. A soluo direta pode ser obtida atravs da frmula de Baskara com a
b b2 4ac
expresso: X =
, que ter como conjunto soluo {1, 2}.
2a
PROGRAM Baskara;
VAR
a, b, c : INTEGER;
delta : INTEGER;
x1, x2 : REAL;
BEGIN
a := 1; b := -3; c := 2;
{f(x) = x^2 - 3*x + 2}
delta := b*b - 4*a*c;
IF delta >= 0 THEN
BEGIN
x1 := (-b + SQRT(delta)) / (2*a);
x2 := (-b - SQRT(delta)) / (2*a);
WRITELN('x1 = ',x1);
WRITELN('x2 = ',x2);
END
ELSE WRITELN('Nao possui raizes reais');
END.
Mtodo iterativo ou indireto: um processo de clculo infinito, recursivo, em que o valor obtido
a cada passo depende de valores obtidos em passos anteriores. Este tipo de mtodo, na maioria das vezes,
no obtm soluo exata para as razes, mas sim uma soluo aproximada dentro de uma faixa de erro
considerada aceitvel.
15
16
4.1.3
Isolamento de Razes
Nesta fase feita uma anlise terica e grfica da funo f(x). Para tal fim, usa-se freqentemente
um importante teorema da lgebra.
Exerccio: Calcular
Teorema: Se uma funo f(x) contnua num intervalo [a, b] assume valores de sinais opostos nos
pontos extremos deste intervalo, isto , f(a). f(b) < 0, ento o intervalo conter, no mnimo, uma raiz da
equao f(x) = 0; em outras palavras haver, no mnimo, um nmero (a, b) tal que f() = 0.
4 e de
+ xn 1
x
, para n = 1, 2, 3, ...
x n = n 1
2
onde: x: o nmero a ser calculado a raiz
x0: uma atribuio inicial qualquer diferente de zero (por exemplo, x0 = 1).
4.1.3.1
Teorema de Bolzano: Seja F(x) = 0 uma equao algbrica com coeficientes reais e x (a, b):
Como vimos anteriormente, o clculo das duas razes de uma equao do segundo grau, colocada
sob a forma ax2 + bx + c = 0, so facilmente obtidas pela frmula de Baskara. Entretanto, se colocarmos
uma expresso em que aparea uma equao transcendente, a soluo j no to simples, como
demonstram os exemplos abaixo:
ex + x = 0
cos(x) x = 0
ln(x) + x 2 = 0
Mesmo um polinmio de grau maior que trs j no tem uma soluo algbrica simples como a da
equao do segundo grau, a no ser em casos particulares. Vamos analisar como enfrentar esse problema,
to comum em diversas reas da engenharia, da economia, das cincias, da fsica, entre tantas outras.
Essas equaes, com enorme freqncia, nos levam a razes reais no racionais que, ao serem
representadas no computador, necessariamente, o sero de forma aproximada, pelas razes j expostas no
captulo anterior, tendo em vista que necessitariam de infinitos dgitos, em suas mantissas, para serem
representadas.
Alm disso, em geral, estamos interessados em obter esses valores, essas razes, com uma
determinada preciso, com um erro tolervel, com algumas casas decimais, sem a pretenso de obter
valores exatos. Isso mais do que suficiente, para a maioria dos problemas prticos encontrados.
Os mtodos numricos a serem apresentados, partindo de valores inicialmente propostos, buscam
aprimorar esses valores, diminuindo os erros, aproximando-se, assim, dos valores das razes procuradas,
at que os erros sejam aceitveis, podendo-se garantir que sejam erros inferiores a valores pr-definidos.
Alm disto, temos que estipular critrios de parada, pois na pratica no calcularemos infinitos
termos, mas apenas o suficiente para atingirmos a exatido desejada.
Se F(a).F(b) < 0, ento existe um nmero impar de razes reais (contando suas
multiplicidades) no intervalo (a, b).
Se F(a).F(b) > 0, ento existe um nmero par de razes reais (contando suas multiplicidades)
ou no existe razes reais no intervalo (a, b).
Refinamento
Depois de isolar a raiz no intervalo [a, b], passa-se a calcul-la atravs de mtodos numricos.
Como veremos adiante, estes mtodos devem fornecer uma seqncia {xi} de aproximao, cujo limite
a raiz exata . Em cada aproximao xn, da raiz exata , usa-se um destes critrios e compara-se o
resultado com a tolerncia pr-fixada.
A verificao, de que xn est "suficientemente" prxima da raiz, pode ser feita de dois modos
diferentes (que podem levar a resultados diferentes):
| f(xn) |
Na seo anterior vimos como delimitar as razes reais de F(x) = 0. Agora iremos verificar quantas
razes existem no intervalo delimitado. Os mtodos a seguir do uma boa indicao sobre o nmero de
razes do intervalo.
| x n 1 |
4.1.4
17
18
deste mtodo.
Vimos que:
Mtodos de ponto fixo: Nos mtodos de ponto fixo comeamos de uma aproximao inicial x0 e
construmos a seqncia {xi} na qual cada termo dado por xi+1 = (xi), onde uma funo de iterao.
Conforme for , (dzeta) teremos diferentes mtodos de ponto fixo, tais como.
Mtodo de Newton-Raphson;
Mtodo da Iterao Linear.
bk a k =
x1
x4 x
a
0
x2
f(a)
O processo se repete at que se obtenha uma aproximao para a raiz exata , ou seja, que o
critrio de parada seja satisfeito. Ento, por induo, temos:
Algoritmo:
xn =
a+b
,
2
para n = 1, 2, 3, ...
4.2.3
Exemplos
Exemplo 1: Encontrar a raiz da funo f(x) = x.ln(x) 3.2 contida no intervalo [2, 3], com erro 10-2.
a+b
a) Algoritmo: x n =
2
b) Escolha do intervalo:
f(2) = 1.81371
f(3) = 0.09584
[2, 3]
c) Valor do erro:
erro 10-2
d) Iteraes:
Critrio de Parada:
f ( xn ) erro
ou
| b a | erro
Restrio: necessrio conhecer um intervalo que contenha o valor desejado .
4.2.1
Considerando uma preciso e um intervalo inicial [a, b] possvel saber, a priori, quantas
iteraes sero efetuadas pelo mtodo da bisseo at que se obtenha | b a | , usando o algoritmo
< 2k
Consideraes Finais
Dividindo o intervalo [a, b] ao meio, obtm-se x1, havendo, pois, dois subintervalos, [a, x1] e [x1,
b], a ser considerados. Se f(x1) = 0, ento = x1; caso contrrio, a raiz estar no subintervalo onde a
funo tem sinais opostos nos pontos extremos, ou seja, se f(a). f(x1) < 0 ento [a, x1], seno f(a). f(x1)
> 0 e [x1, b].
Portanto, se k satisfaz a relao acima, ao final da iterao k teremos o intervalo [a, b] que contem a
raiz .
log(b0 a 0 ) log( )
<k
log(2)
4.2.2
f(b)
f(x)
b0 a 0
4.2
bk 1 a k 1 b0 a 0
=
2
2k
a
2
2.5
2.75
2.875
2.9375
2.9375
Xn
2.5
2.75
2.875
2.9375
2.96875
2.953125
e) Resposta:
b
3
3
3
3
3
2.96875
f(a)
1.81371
0.90927
0.41810
0.16385
0.03467
0.03467
f(xn)
0.90927
0.41810
0.16385
0.03467
0.03042
0.00217
| xn a |
0.5
0.25
0.125
0.0625
0.03125
0,015625
= | f(xn) |
0.90927
0.41810
0.16385
0.03467
0.03042
0.00217
20
19
y f(b')
f(b)
f(x)
-2
Exerccio 1: Encontrar a raiz de f(x) = x 3, contida no intervalo [1; 2], com erro 10 .
A raiz desejada = 1.734375
Resposta:
Exerccio 2: Encontrar a raiz da funo f(x) = x2 + ln(x) contida no intervalo [0.5, 1], com erro 10-2.
a x2
Resposta:
0
-x
-2
Exerccio 3: Encontrar a primeira raiz positiva da funo f(x) = e sen(x), com erro 10 .
4.3
xn =
a f ( b) + b f ( a )
af (b) bf ( a )
f (b) f ( a )
f ( b) + f ( a )
O algoritmo deste mtodo tambm pode ser encontrado atravs da anlise dos tringulos formados
pela reta (a, f(a)) e (b, f(b)) com o eixo x. Seja o tringulo f(a)x1a e o tringulo f(a)f(b)f(b), ento, pela
propriedade da semelhana de tringulos temos:
x a
ba
f (b) f ( a )
ba
(b a )( f ( a ))
=
= 1
x1 a =
x1 a
f (a )
f (b) f ( a ) f ( a )
f (b) f ( a )
x1 = a
= a
(b a )( f ( a ))
f ( b) f ( a )
Se f(a).f(x1) < 0, ento teremos b = x1, seno a = x1. A partir da o processo se repete at que o
critrio de parada seja satisfeito.
af (b) bf ( a ) af (a ) + af ( a )
f ( b) f ( a )
Resposta:
x1
f(a)
(b a ). f ( a )
, para n = 1, 2, 3, ...
f ( b) f ( a )
Graficamente, este mtodo procura particionar o intervalo [a, b], na interseo da reta que une os
pontos (a, f(a)) e (b, f(b)) com o eixo x. Este ponto representado como xn. Escolhe-se ento um novo
subintervalo conforme for a variao do sinal da curva f.
=a
(b a ). f (a )
f (b) f ( a )
Para n = 1, 2, 3, ...
O mtodo da falsa posio aplicado na figura abaixo mostra que f(x1).f(a) < 0, com isso, o novo
intervalo que contm pelo menos uma raiz real dado por (a, x1). Continuando o processo, determinamos
o ponto x2 e verifica-se, agora, que f(x2).f(x1) < 0, da o processo segue tendo o intervalo (x1, x2).
Aps encontrar o ponto x1, devemos verificar, como no caso da bisseo, se a raiz est entre o
intervalo (a, x1) ou (x1, b). Se f(a).f(x1) < 0, ento teremos b = x1, caso contrrio teremos a = x1. A partir
da o processo se repete at que o critrio de parada seja satisfeito.
4.3.1
Casos especiais
Se f(x) contnua no intervalo [a, b] com f(a).f(b) < 0 ento o mtodo da falsa posio gera uma
seqncia convergente.
Se uma funo cncava ou convexa em [a, b], ou seja, a segunda derivada existe em [a, b] e
f(x) no muda de sinal nesse intervalo, ento no mtodo da falsa posio teremos sempre uma das
extremidades fixa. Este caso especial tambm chamado de Mtodo das Cordas. A figura abaixo mostra
graficamente os quatro casos que podem ocorrer:
21
f "( x ) > 0
f ( a ) < 0 e f ( b) > 0
f "( x ) > 0
b ponto fixo
f(x)
f (a ) > 0 e f ( b) < 0
22
a=1
a ponto fixo
b=2
f(1) = 40 f(2) = 4
d) Valor do erro:
erro 10-2
f(a)
f(b)
e) Iteraes:
f(x)
x1
a
0
x2
x2
x1
x1 = 1
f(a)
( 2 1)( f (1))
(1)( 20)
20
= 1
= 1
= 1,51
( f ( 2) f (1))
( 19 20)
39
f(b)
f "( x ) < 0
a ponto fixo
f (a ) > 0 e f ( b) < 0
f(a).f(x1) = (20).(3,16) = 63,2 > 0, portanto a raiz est no intervalo (x1, b), ento a = x1
b ponto fixo
x 2 = 1,51
( 2 1,51)( f (1,51))
(0,49)( 3,16)
(1,55)
= 1,51
= 151
.
= 1,58
( f ( 2) f (1,51))
19 ( 3,16)
22,16
f(a)
f(x)
f(b)
f(x)
x2
x1
x 3 = 1,58
b
0
x1
f(a)
x2
( 2 1,58)( f (1,58))
(0,42)(0,24)
0,10
= 1,58
= 1,58
= 1,59
( f ( 2) f (1,58))
19 (0,24)
19,24
f(b)
4.3.3
f) Resposta:
= 1,59 a primeira raiz positiva do polinmio.
Consideraes finais
Se o ponto fixo existir e for razoavelmente prximo da raiz, o mtodo tem boa convergncia;
caso contrrio, pode ser mais lento que a bisseo.
Exerccio 1: Calcular a raiz aproximada para a equao f(x) = cos(x) + x, com 0.001.
Exemplos
Exemplo 1: Determinar pelo mtodo da falsa posio a menor raiz positiva da funo de quarto grau f(x)
= x4 26x2 + 24x + 21 at que o erro absoluto seja igual ou inferior a 0.01. Os clculos devem ser
efetuados com 2 casas decimais e com arredondamento.
(b a ). f (a )
f (b) f ( a )
f(x) = x4 26x2 + 24x + 21
f(x) = 4x3 52x + 24
f(x) = 12x2 52
a) Algoritmo:
f(0) = 21, f(1) = 20, f(2) = 19, logo, entre (1, 2) existe uma raiz positiva.
Exerccio 2: Calcular a raiz negativa para a funo f(x) = ex + x, com o erro 0.01. Sabe-se que a raiz
est contida no intervalo [1, 0].
Resposta:
=a
b) Escolha do intervalo:
Em primeiro lugar, deve-se procurar o intervalo onde possivelmente esteja a primeira raiz
positiva. Atravs da anlise do valor da funo nos primeiros pontos do eixo dos x temos que:
c) Valor inicial:
Resposta:
4.4
24
23
y=x
y=x
y=g(x)
y
y=x
y=g(x)
y=g(x)
0
0
x0
x1
x0 x x
2 4
x2
f(x)
0
Divergncia monotnica
g(x) > 1
y=g(x)
x3 x1
Divergncia oscilante
g(x) < 1
y
y=x
y=x
Sendo x0 a primeira aproximao da raiz , calcula-se g(x0). Faz-se ento, x1 = g(x0), x2 = g(x1), x3
= g(x2) e assim sucessivamente.
y=g(x)
Algoritmo:
x2
x n = g ( x n 1 )
x0
4.4.2
| xn xn-1 | erro
x4x2x0 x1x3
A maior dificuldade neste mtodo encontrar uma funo de iterao que satisfaa condio
de convergncia;
Teste de | g'(x) | < 1 pode levar a um engano se x0 no estiver suficientemente prximo da raiz.
A velocidade de convergncia depender de | g'() |: quanto menor este valor maior ser a
convergncia;
Devemos observar que o teste de erro ( | xn xn-1 | erro ) no implica necessariamente que |
xn | erro, conforme vemos na figura abaixo:
Casos de convergncia
x3 + 3
5
g(x) = (5 x 3)
g(x) =
5x 3
x2
g(x) =
Consideraes finais
Melhor extremo:
Empiricamente, sabe-se que o mtodo tem sucesso quando | g'(x) | < 1 em todo intervalo.
O extremo mais rpido para iniciar o mtodo aquele para o qual o mdulo da primeira
derivada menor.
Se | g'(a) | < | g'(b) | ento x0 = a, seno x0 = b.
y=x
y=g(x)
3
x2 5
0
Como podemos ter vrias funes g(x), vamos estabelecer algumas condies para que os
resultados sejam satisfatrios.
Vamos observar graficamente o problema e verificar que h funes g(x) que no so indicadas
para a escolha.
Convergncia monotnica
0 < g(x) < 1
para n = 1, 2, 3, ...
Critrio de Parada:
4.4.1
x1
Convergncia oscilante
1 < g(x) < 0
4.4.3
xn xn-1
Exemplos
Exemplo 1: Dada a funo f(x) = x2 + 3x 40, obter sua raiz contida no intervalo [4.5, 5.5], pelo MIL,
com um erro 10-4.
a) Algoritmo: x n = g ( xn 1 )
b) Escolha da funo de iterao:
y=x
25
x 2 40
y=
3
y=
y=
2x
y' =
3
40
x+3
y' =
40 3x
y' =
divergncia oscilante
Tomemos x0 = b. Ento temos:
40
( x + 3) 2
3
2 40 3x
40 3 x
y'(4.5) = 0.2914
tg = f ' ( x0 )
convergncia oscilante
convergncia oscilante
y' =
f ( x0 )
x0 x1
x1 = x0
f ( x0 )
f ' ( x0 )
3
2 * 40 3x
y'(5.5) = 0.3094
f ( x1 )
.
f ' ( x1 )
x 2 x1 erro , ento x2 a raiz desejada, seno deve-se calcular x3, ..., xn, at que
Algoritmo:
x0 = 4.5
x n = x n 1
d) Valor do erro:
erro 10-4
f ( x n 1 )
,
f ' ( x n 1 )
para n = 1, 2, 3, ...
Critrio de Parada:
x n x n 1 erro
e) Iteraes:
x1 = 5.14782
x2 = 4.95546
x3 = 5.01335
x4 = 4.99599
x5 = 5.00120
x6 = 4.99964
x7 = 5.00011
x8 = 4.99997
x9 = 5.00000
Restrio:
necessrio conhecer um intervalo que contenha o valor desejado .
Melhor extremo:
Para decidir qual o melhor extremo do intervalo (a, b) a iniciar o mtodo, basta verificar
qual dos extremos possui funo e segunda derivada com mesmo sinal:
f(xi). f''(xi) > 0
f) Resposta:
A raiz desejada = 5.00000
4.5.2
Consideraes finais
Exerccio 1: Dada a funo f(x) = x2 + 3x cos(x) 2.45, obter sua raiz contida no intervalo [0.5, 1],
pelo MIL, com um erro 10-2.
Resposta:
f ' ( x0 ) =
Se x1 x 0 erro , ento x1 a raiz desejada, seno deve-se calcular x2, que obtido com base no
26
Interpretao geomtrica do mtodo de Newton
Exemplos
Exemplo 1: Calcular a raiz positiva da equao f(x) = 2x sen(x) 4 = 0, com erro 10-3, usando o
mtodo de NR.
f ( x n 1 )
a) Algoritmo: x n = x n 1
f ' ( x n 1 )
4.5
b) Escolha do intervalo:
f(2) = 0.9093
f(2). f(3) < 0
y
f(x)
f(x0)
f(x1)
a
x2
0
f(a)
b=x0
x1
x'1
f(x) = 2x sen(x) 4
f(x) = 2 cos(x)
f''(x) = sen(x)
f(3) = 1.8589
[2, 3]
27
erro 10-3
1) Se f(a). f(b) > 0, ento existe um nmero par de razes reais (contando suas multiplicidades) ou
no existe razes reais no intervalo (a, b) (Teorema de Bolzano);
2) Se f(a).f(b) < 0, ento existe um nmero mpar de razes reais (contando suas multiplicidades)
no intervalo (a, b) (Teorema de Bolzano);
3) Se f'(a). f'(b) > 0, ento o comportamento da funo neste intervalo poder ser apenas
crescente ou apenas decrescente, e nunca os dois se alternando;
4) Se f'(a). f'(b) < 0, ento a funo ter o comportamento de ora crescer ora decrescer;
5) Se f"(a). f"(b) > 0, ento a concavidade no muda no intervalo em anlise;
6) Se f"(a). f"(b) < 0, ento a concavidade muda no intervalo em anlise.
e) Iteraes:
x1 = 3
f (3)
1.8589
= 3
= 2.3783
f ' (3)
2.9900
f ( 2.3783)
0.0653
= 2.3783
= 2.3543
f ' ( 2.3783)
2.7226
f ( 2.3543)
0.0002
= 2.3543
= 2.3542
f ' ( 2.3543)
2.7058
-4
Exerccio 3: Seja a funo f(x) = sen(x) tg(x). Deseja-se saber uma das razes desta funo, sabendo-se
que est contida no intervalo (3, 4). Todos os clculos devem ser realizados com 4 casas decimais com
arredondamento e erro no superior a 0.001.
f(x) = sen(x) tg(x)
f'(x) = cos(x) sec2(x)
f''(x) = sen(x) 2sec2(x) tg(x)
Resposta: A raiz desejada = 3.1416
4.5.3
Condies de Newton-Raphson-Fourier
Segundo Newton, para haver a convergncia uma raiz em seu mtodo, bastaria que o intervalo
(a, b) em anlise fosse suficientemente pequeno. Contudo, Raphson e Fourier concluram que um
intervalo pequeno aquele que contm uma e somente uma raiz. Com isso, algumas condies foram
estabelecidas para que tal exigncia fosse vlida:
Exemplo 2: Seja a funo f(x) = x2 9.5x + 8.5, obter a raiz contida no intervalo [8, 9]. Os clculos
devem ser realizados com 4 decimais com arredondamento e erro no superior a 0,001.
f ( x n 1 )
a) Algoritmo : x n = x n 1
f ' ( x n 1 )
f(x) = x2 9.5x + 8.5
f(x) = 2x 9.5
f(x) = 2
b) Escolha do intervalo:
f(8) = 3.5;
f(8). f(9) < 0
f(x) = x3 5
f'(x) = 3x2
f''(x) = 6x
Resposta:
28
f(9) = 4
[8, 9]
d) Valor do erro:
erro 10-3
e) Iteraes:
f ( 9)
4
=9
= 8.5294
f ' ( 9)
8.5
| x1 x0 | = | 8.5294 9 | = 0.4706 > erro
=9
= 8.5294
= 8.5001
f (8.5294)
0.2214
= 8.5294
= 8.5001
f ' (8.5294)
7.5588
| x2 x1 | = | 8.5001 8.5294 | = 0.0293 > erro
f (8.5001)
0.0008
= 8.5001
= 8.5000
f ' (8.5001)
7.5002
| x3 x2 | = | 8.5000 8.5001 | = 0.0001 < erro
f) Resposta:
A raiz desejada = 8.5000
29
Exerccio 4: Calcular a raiz da equao f(x) = x3 x + 1 = 0, contida no intervalo [2, 1], com um erro
10-3.
f(x) = x3 x + 1
f(x) = 3x2 1
f(x) = 6x
Resposta:
30
falsa posio que exige que f(xn). f(xn-1) < 0. importante salientar tambm que a raiz no necessita estar
entre as duas aproximaes iniciais (x0 e x1).
A convergncia deste mtodo mais rpido que o mtodo da bisseo e o da falsa posio,
contudo, pode ser mais lento que o mtodo de Newton-Raphson.
Algoritmo:
xn +1 = xn
4.6
Mtodo da Secante
Uma grande desvantagem do mtodo de Newton a necessidade de se obter a derivada f(x) e
calcular o seu valor numrico a cada iterao.
Para contornar este problema podemos substituir o clculo da primeira derivada f(xn) pelo
quociente das diferenas, usando assim, um modelo linear baseado nos dois valores calculados mais
recentemente:
f ( x n ) f ( x n 1 )
f ' ( xn )
x n x n 1
xn + 1 = x
xn + 1 = x
f ( xn)
f ( xn) f ( xn 1)
xn xn 1
para n = 1, 2, 3, ...
Critrio de parada:
| xn+1 xn | erro
4.6.1
Exemplos
Exemplo 1: Calcular a raiz da funo f(x) = x2 + x 6, sendo x0 = 1.5, x1 = 1.7 e o erro 10-2.
a) Algoritmo : x n +1 = x n
b) Valor inicial:
x0 = 1.5
( xn xn 1 ). f ( xn )
f ( xn ) f ( xn 1 ) ,
( xn xn 1 ). f ( xn )
f ( x n ) f ( xn 1 )
x1 = 1.7
c) Valor do erro:
erro 10-2
d) Iteraes:
( xn xn 1). f ( xn )
f ( xn) f ( xn 1)
, para n = 1, 2, 3, ...
Para iniciar o mtodo necessitamos de duas aproximaes (x0 e x1) para a raiz.
y
(0.2)( 1.41)
( 0.282)
= 1.7
= 2.0357
f (1.7) f (1.5)
1.41 ( 2.25)
0.84
| x2 x1 | = | 2.0357 1.7 | = 0.3357 > erro
f(x)
f(x1)
e) Resposta:
xo
x2
x3
x4
x1
f(x0)
Neste mtodo partimos das duas aproximaes iniciais x0 e x1 e determinamos a reta que passa
pelos pontos (x0, f (x0)) e (x1, f (x1)). A interseco desta reta com o eixo x fornece o ponto x2. Em seguida
calculado uma nova aproximao para a raiz a partir dos pontos (x1, f(x1)) e (x2, f (x2)). O processo se
repete at que seja satisfeito o critrio de parada.
Observe que neste mtodo no necessitamos da caracterstica que fundamental no mtodo da
Exerccio 1: Calcular a raiz da funo f(x) = 3x cos(x), sendo x0 = 0, x1 = 0.5 e o erro 10-4. Efetue os
clculos com 5 casas decimais com arredondamento.
Resposta:
31
4.7
32
Mtodo Misto
O mtodo misto, consiste na aplicao seqencial dos mtodos NR e Falsa Posio, nesta ordem.
O mtodo NR aplicado no primeiro passo, sempre a partir do melhor extremo. Ento, com o novo
resultado obtido x1N , determina-se qual valor dos extremos do intervalo ser substitudo ( f(a). f( x1N ) < 0
extremo trocar:
a = 0.7488
b = x1N , seno a = x1N ) e ento aplica-se o mtodo da Falsa Posio. O resultado obtido em x mF ser
utilizado na prxima iterao pelo mtodo NR, mas antes feito o teste do erro para verificar o critrio de
parada.
x 2N = 0.7488
x 2F = 0.7488
Algoritmo:
xm =
x mN + x mF
,
2
para m = 1, 2, 3, ...
e) Resposta:
0.7641 + 0.7643
= 0.7642
=
2
Critrio de parada:
| x mF x mN | erro
4.7.1
f (0.7488)
(0.0521)
= 0.7488
= 0.7643
f (0.7488)
(3.3557)
extremo trocar:
a = 0.7488
Assim, por induo, seguem-se as iteraes seguintes. Quando o critrio de parada for satisfeito,
tira-se a mdia aritmtica simples do resultado da ltima iterao de ambos os mtodos e obtm-se a
resposta desejada.
Exemplos
Exemplo 1: Determinar pelo mtodo misto, a raiz da funo f(x) = 10sen(x) + cos(x) 10x contida no
intervalo [0.5, 1], com tolerncia de 2*10-4 e clculos com 4 casas decimais com arredondamento.
x N + x mF
a) Algoritmo: x m = m
2
Exerccio 1: Dada a funo f(x) = x2 + 3x cos(x) 2.45, obter sua raiz contida no intervalo [0.5, 1] pelo
mtodo misto, com erro 10-3 e clculos com 4 decimais com arredondamento.
f(x) = x2 + 3x cos(x) 2.45
f'(x) = 2x + 3+ sen(x)
f"(x) = 2 + cos(x)
Resposta:
0.82 + 0.82
= 0.8200
2
b) Valor do erro:
erro 0.0002
4.8
c) Escolha do intervalo:
f(0.5) = 0.6718
Embora qualquer um dos mtodos estudados anteriormente possam ser usados para encontrar zeros
de um polinmio de qualquer grau, o fato de os polinmios aparecerem com tanta freqncia em
aplicaes faz com que seja dedicada uma ateno especial.
4.8.1
f(1) = 1.0450
d) Iteraes:
Melhor extremo:
f(0.5) = 0.6718
f"(0.5) = 5.6718
x1N = 1
f(1) = 1.0450
f"(1) = 8.9550
Pn = a0 + a1 x + a 2 x 2 + K + a n x n
N
0
para an0
=1
( 1.0450)
f (1)
= 1
= 0.8078
f (1)
( 5.4384)
Sabemos da lgebra elementar como obter os zeros de um polinmio do segundo grau P2(x), ou
seja, n = 2. Existem frmulas fechadas, semelhantes frmula para polinmios de grau 2, mas bem mais
complicadas, para zeros de polinmios de grau 3 e 4. Agora, para n 5, em geral, no existem frmulas
explcitas e somos forados a usar mtodos iterativos para encontrar os zeros dos polinmios.
extremo trocar:
a = 0.5
Muitos dos teoremas da lgebra so teis na localizao e classificao dos tipos de zeros de um
polinmio. O estudo ser dividido em localizao de razes e determinao das razes reais.
x1F = 0.5
4.8.2
Localizao de Razes
Vejamos alguns teoremas que sero teis para efetuar a localizao de razes.
33
34
se v neg = 0, neg = 2
v = 2 neg:
ou
se v neg = 2, neg = 0
c) P7(x) = + x7 + 1
P7(x) = x7 + 1
1
se v p = 0, p = 2
v = 2 p:
ou
se v p = 2, p = 0
b) P5(x) = + 3x5 2x3 + 4x2 x 1
+
4.8.3
se v p = 0, p = 3
v = 3 p:
ou
se v p = 2, p = 1
Por exemplo, o Mtodo de Newton, que veremos a seguir, a cada iterao deve-se fazer uma
avaliao do polinmio e uma de sua derivada.
4.8.3.1
c) P7(x) = + x + 1
Neste caso, vimos que no existe zero positivo. Temos ainda P7(0) = 1 0. Temos ento que, v =
1 e neg: {v neg = 0 neg = 1}, ou seja, Pn(x) = 0, no tem raiz real positiva, o zero no raiz e tem
apenas uma raiz real negativa donde tem trs razes complexas conjugadas.
P4(x) = a 4 x 4 + a3 x 3 + a 2 x 2 + a1 x + a 0
0
v = 0 e p: {v p 0 p = 0}.
Para determinar o nmero de razes reais negativas, neg, tomamos Pn(x) e usamos a mesma regra
para razes positivas:
b4
se v neg = 0, neg = 3
v = 3 neg:
ou
se v neg = 2, neg = 1
b) P5(x) = + 3x5 2x3 + 4x2 x 1
b3
b2
:
:
Para se calcular o valor numrico de P4(x) em x = c, basta fazer sucessivamente:
b4 = a4
b3 = a3 + b4c
35
36
P5(1) = 2.1
P5(2) = 3.6
b2 = a2 + b3c
b1 = a1 + b2c
b0 = a0 + b1c
P(c) = b0.
Portanto, para Pn(x) de grau n qualquer, calculamos Pn(c) calculando as constantes bj, j = n, n 1,
..., 1, 0 sucessivamente, sendo:
bn = an
bj = aj + bj+1c
j = n 1, n 2, ..., 1, 0
P4(x) = 4a 4 x 3 + 3a3 x 2 + 2a 2 x + a1 .
Usando os valores de aj do clculo anterior e dado que j conhemos b0, b1, b2, b3 e b4:
P4(x) = 4a 4 x 3 + 3a3 x 2 + 2a 2 x + a1
a5 = 1
a4 = 3.7
a3 = 7.4
a2 = 10.8
a1 = 10.8
a0 = 6.8
b5 = 1
b4 = 3.7 + 1(1.5) = 2.2
b3 = 7.4 2.2(1.5) = 4.1
b2 = -10.8 + 4.1(1.5) = 4.65
b1 = 10.8 4.65(1.5) = 3.825
b0 = -6.8 + 3.825(1.5) = 1.0625
P(1.5) = 1.0625
Assim, P4(x) = b4 c + b3 c + b2 c + b1
x1 = x0
P (1.5)
(-1,0625)
= 1.5
= 1.5 (0.2862) = 1.7862
P ' (1.5)
(3.7125)
j = n 1, n 2, ..., 1
b5 = 1
b4 = 3.7 + 1(1.7862) = 1.9138
b3 = 7.4 1.9138(1.7862) = 3.98158
b2 = 10.8 + 3.98158(1.7862) = 3.68812
b1 = 10.8 3.68812(1.7862) = 4.21228
b0 = 6.8 + 4.21228(1.7862) = 0.72398
P(1.7862) = 0.72398
P'(1.5) = 3.7125
c4 = b4
c3 = b3 + c4c
c2 = b2 + c3c
c1 = b1 + c2c
cn = bn
cj = bj + cj+1c
c5 = 1
c4 = -2.2 + 1(1.5) = 0.7
c3 = 4.1 0.7(1.5) = 3.05
c2 = -4.65 + 3.05(1.5) = 0.075
c1 = 3.825 0.075(1.5) = 3.7125
x2 = x1
c5 = 1
c4 = 1.9138 + 1(1.7862) = 0.1276
c3 = 3.98158 0.1276(1.7862) = 3.75366
c2 = 3.68812 + 3.75366(1.7862) = 3.01667
c1 = 4.21228 + 3.01667(1.7862) = 9.60065
P'(1.7862) = 9.60065
P (1.7862)
(0.72398)
= 1.7862
= 1.7862 (0.07541) = 1.71079
P' (1.7862)
(9.60065)
c5 = 1
c4 = 1.98921 + 1(1.71079) = 0.27842
c3 = 3.99688 0.27842(1.71079) = 3.52056
c2 = 3.96218 + 3.52056(1.71079) = 2.06077
c1 = 4.02154 + 2.06077(1.71079) = 7.54707
37
P(1.71079) = 0.08001
38
P'(1.71079) = 7.54707
5 Sistemas Lineares
P (1.71079)
(0.08001)
= 1.71079
= 1.71079 (0.01060) = 1.70019
x3 = x2
P' (1.71079)
(7.54707)
5.1
Introduo
Sistemas Lineares so sistemas de equaes com m equaes e n incgnitas formados por
equaes lineares. Um sistema linear com m equaes e n incgnitas escrito usualmente na forma:
a x + a x +L+ a x = b
12
2
n
1
1n
11 1
a21 x1 + a22 x 2 + L + a x n = b2
2n
................................................
a m1 x1 + a m2 x 2 + L + a mn x n = bm
Exerccio 1: Calcular a raiz positiva do polinmio P(x) = 2x3 2x2 + 3x 1, com erro <= 10-4, pelo
mtodo de Newton para polinmios.
P'(x) = 6x2 4x + 3
onde
aij : coeficientes
xj : incgnitas
bi : constantes
1 i m, 1 j n
j = 1, 2, ..., n
i = 1, 2, ..., m
A resoluo de um sistema linear consiste em calcular os valores de xj, j = 1, 2, ..., n, caso eles
existam, que satisfaam as m equaes simultaneamente.
Usando notao matricial, o sistema linear pode ser representado por AX = B, onde
L a2 n b2
M = a21 a22
.................................
a m1 a m2 L amn bn
chamada matriz completa ou matriz aumentada do sistema.
a11 a12 L a1n
L a2 n
A = a21 a22
a matriz dos coeficientes
............................
a m1 a m2 L a mn
x1
X = x2 o vetor das incgnitas, e
M
x n
b1
B = b2 o vetor constante (termos independentes).
M
bm
5.1.1
39
40
2 x 1 + x 2 x 3 = 0
x1 + 2 x 2 + x 3 = 3
3x1 x 2 x 3 = 2
5.2
O mtodo da eliminao de Gauss consiste em transformar o sistema linear original num outro
sistema linear equivalente com matriz dos coeficientes triangular superior, pois estes so de resoluo
imediata. Dizemos que dois sistemas lineares so equivalentes quando possuem a mesma soluo. O
determinante de sistemas lineares equivalentes so iguais.
5.2.1
Regra de Cramer
Seja um sistema linear com nmero de equaes igual ao nmero de incgnitas (um sistema n x
n), sendo D o determinante da matriz A, e Dx1, Dx2, Dx3, ..., Dxn os determinantes das matrizes obtidas
trocando em M, respectivamente, a coluna dos coeficientes de x1, x2, x3, ..., xn pela coluna dos termos
independentes, temos que:
O sistema S ser compatvel e ter soluo nica se, e somente se, D 0. Neste caso a nica
soluo de S dada por:
x1 = D x1 ,
D
x2 = D x 2 ,
D
x3 = D x 3 ,
D
...
2 etapa: Triangulao
Consiste em transformar a matriz A numa matriz triangular superior, mediante uma
seqncia de operaes elementares nas linhas da matriz.
, xn = D xn
D
A aplicao da Regra de Cramer exige o clculo de n + 1 determinantes ( det A e det Ai, 1 i n);
para n = 20 o nmero total de operaes efetuadas ser 21 * 20! * 19 multiplicaes mais um nmero
semelhante de adies. Assim, um computador que efetue cerca de 100 milhes de multiplicaes por
segundo levaria 3 x 105 anos para efetuar as operaes necessrias.
3 etapa: Retro-substituio
Consiste no clculo dos componentes x1, x2, ..., xn, soluo de AX = B, a partir da soluo
do ltimo componente (xn), e ento substituirmos regressivamente nas equaes anteriores.
Com isso, a regra de Cramer invivel em funo do tempo de computao para sistemas muito
grandes.
Teorema: Seja AX = B um sistema linear. Aplicando sobre as equaes deste sistema uma
seqncia de operaes elementares escolhidas entre:
5.2.1.1
Exemplos
x1 + x 2 + x 3 = 1
2 x1 x 2 + x 3 = 0
x + 2x x = 0
2
3
1
1 1 1
Dx1 = 0 1 1 = 1
0 2 1
3
x2 = D x 2 = ,
D
7
1 1 1
Dx2 = 2 0 1 = 3
1 0 1
e
Seja o sistema linear AX = B, onde A: matriz n x n, triangular superior, com elementos da diagonal
diferentes de zero. Escrevendo as equaes deste sistema, temos:
1 1 1
Dx3 = 2 1 0 = 5
1 2 0
5
x3 = D x 3 =
e a soluo do sistema
D
7
a x + a x + a x + L +
12
2
13 3
11 1
+
a22 x2 a23 x3 + L +
a33 x3 + L +
a x =b
a x =b
a x =b
1n
2n
3n
M
=
ann xn bn
41
42
xn = bn
a nn
3
1 2 1
M = 2 1 1 0
3 1 1 2
L a1n x n
x1 = b1 a12 x 2 a13 x 3
a11
5.2.2.2
Estratgias de Pivoteamento
2 etapa: Triangulao:
Iremos se referir as equaes como: E1 (primeira equao), E2 (segunda equao) e assim por
diante. O componentes x indica o piv.
1
E 3 E 3 3E 1
0
E 2 E 2 2 E1
0
kk
5.2.2.4
Exemplos
1
3
3 6
3
3
1x1 3 x 2 1x3 = 2
1x + 4 x 1x = 2
1
2
3
5.2.3
Mtodo de Jordan
Consiste em aplicar operaes elementares sobre as equaes do sistema linear dado at que se
obtenha um sistema diagonal equivalente.
5.2.4
x1 + 2 x 2 + x3 = 3
2 x1 + x 2 x3 = 0
3x1 x 2 x3 = 2
2
3
Se durante o escalonamento surgir equaes do tipo: 0x1 + 0x2 + ... + 0xn = bm, ento:
i) Se bm = 0, ento eliminaremos a equao e continuamos o escalonamento;
ii) Se bm 0, ento conclui-se que o sistema incompatvel.
1
7
E2 0
3
0
E3 = E3
Estes dois casos merecem ateno especial pois impossvel trabalhar com um piv nulo. E
trabalhar com um piv prximo de zero pode resultar em resultados totalmente imprecisos. Isto porque
em qualquer calculadora ou computador os clculos so efetuados com preciso finita, e pivs prximos
de zero so origem a multiplicadores bem maiores que a unidade que, por sua vez, origina uma ampliao
dos erros de arredondamento.
5.2.2.3
3 etapa: Retro-substituio:
Para se contornar estes problemas deve-se adotar uma estratgia de pivoteamento, ou seja, adotar
um processo de escolha da linha e/ou coluna pivotal.
6
7 4 11
2
3 3
Exemplos
43
x1 + x 2 + 2 x 3 = 4
2 x 1 x 2 x 3 = 0
x 1 x 2 x 3 = 1
Resolvendo o primeiro sistema, calculamos y que, usado no segundo sistema, fornecer o vetor
procurado x.
Dessa maneira, conhecidas L e U, o sistema ser resolvido com 2n2 operaes (dois sistemas
2n 3
operaes do mtodo da
triangulares), o que representa um ganho substancial comparado com as
3
eliminao de Gauss.
1 1 1 1
5.3.1
E 2 E 2 2 E1
E 3 E 3 E1
Os fatores L e U podem ser obtidos atravs de frmulas para os elementos lij e uij, ou ento, podem
ser construdos usando a idia bsica do mtodo da Eliminao de Gauss.
2 etapa: Diagonalizao:
1
0
0
44
1 2 4
3 5 8
2 3 5
1 0 1
1
3
E1 E1 + E 2 0 3 0
3
0 0 1
E 2 E 2 + 15E 3
E3 = E3
2
E2
3
0
0
5
1
3
8
1
3
E1 E1 E 3
1 0 0 1
1
E 2 E 0 1 0 1
3 2
0 0 1 1
E 31 3E 3
4
3
3
1
3
2 x1 + 3 x 2 2 x3 = 3
x1 2 x 2 + x3 = 0
1 2 1
Seja A = 2 3 2
1 2 1
Calculando os mij e uij, usando o processo de Gauss sem estratgia de pivoteamento parcial. Para
triangular A, temos:
5.3
Fatorao LU
A base do mtodo chamado Fatorao ou Decomposio LU, est apoiada na simplicidade de
resoluo de sistemas triangulares.
Etapa 1:
Piv = a11( 0 ) = 1
Ux = y
Multiplicadores:
m21 =
(0)
a 21
2
=
=2
a11( 0 )
1
m31 =
(0)
a31
1
= =1
a11( 0 )
1
Ento:
E1 E1
E 2 E 2 2 E1
E 3 E 3 E1
(1)
= 0
0
1 0
4 2
2
(1)
(1)
e a31
so nulos, podemos guardar os multiplicadores nestas
Uma vez que os elementos a 21
posies, ento:
45
46
3x1 + 2 x 2 + 4 x3 = 1
x1 + x 2 + 2 x3 = 2
4 x1 + 3 x 2 + 2 x3 = 3
1 2 1
A(1) = 2 1 0
1 4 2
Etapa 2:
(1)
Piv = a 22
= 1
Multiplicadores:
m32 =
x1 + x 2 + 2 x 3 = 4
2 x 1 x 2 x 3 = 0
x 1 x 2 x 3 = 1
(1)
a32
4
=
=4
(1)
1
a 22
Ento:
E1 E1
E2 E2
E 3 E 3 4E 2
1
A(2) = 0
0
2
1
0
1
0
2
1 2 1
A(2) = 2 1 0
1 4 2
a x + a x +... + a x = b
a x + a x +... + a x = b
2
1n
22
2n
n1
ou
y1 = 2
2 y1 + y 2 = 3
y1 + 4 y 2 + y 3 = 0
a
a
11
22
n2
+ ... + ann x n = bn
a
a
21
12
a
+ a
31
+ ... + an1
a
a
+ ... + an2
32
ou
y1 = 2; y2 = 1; y3 = 2
22
a
a
nn
11
...
+ ... +
21
a
+a
+ ... +
23
a
a
n1
n2
+ ... +
12
13
nn
1n
2n
+ ... + an 1n
Ento, isola-se em cada uma das equaes ordenadamente, uma das incgnitas.
ou
x1 + 2 x 2 x3 = 2
x 2 = 1
2 x 3 = 2
(1)
x3 = 1; x2 = 1; x1 = 1
11
(1)
2
22
( 0)
( 0)
( 0)
(0)
( 0)
( 0)
( 0)
...
onde,
(0)
1
x ,x
1n
2n
...
y = (2, 1, 2)T
1 2 1 x1 2
0 1 0 . x = 1
2
0 0
2 x3 2
12
a x +a x
1 2 1
U = 0 1 0
0 0
2
2
1 4 1 y 3 0
21
...
Os fatores L e U so:
1 0 0
L = 2 1 0
1 4 1
11
(0)
2
(1)
n
(0)
nn
( 0)
Condies de Parada:
Se para todo
( j)
n
( j 1)
xn
erro , ento
( j)
so as solues do sistema.
nn1
47
5.4.1.1
48
Exemplos
(4)
Exemplo 1: Resolver por Gauss-Jacobi, com 4 decimais com arredondamento e erro menor ou igual a
0,01 o sistema abaixo:
x + 8y z = 16
6x y + z = 7
x + y+ 5z = 18
1
( 7 + 2,2379 2,9371 ) = 1,0501
6
1
y(5) = ( 16 - 1,0498 + 2,9371 ) = 2,2359
8
1
(5)
z = ( 18 1,0498 2,2379 ) = 2,9425
5
x(5) =
a) Verificao da convergncia:
6x y + z = 7
x + 8y z = 16
x + y + 5z = 18
1
= ( 18 1,0562 2,2583 ) = 2,9371
5
Exerccio 1: Dado o sistema, pede-se sua soluo por Gauss-Jacobi, com 4 decimais com
arredondamento e erro menor ou igual a 0,02.
10x + y + z = 12
x + 5y+ 9z = 15
2x +8y 4z = 6
A soluo deste sistema : (0,9975; 1,0051; 0,9916)T
z(0)=0
d) Iteraes:
1
1
( 7 + y(0) z(0) ) = ( 7 + 0 0 ) = 1,1667
6
6
1
1
(1)
(0)
(0)
y = ( 16 x + z ) = ( 16 - 0 + 0 ) = 2
8
8
1
1
(1)
(0)
(0)
z = ( 18 x y ) = ( 18 0 0 ) = 3,6
5
5
x(1) =
1
x = ( 7 + 2 3,6 ) = 0,9
6
1
(2)
y = ( 16 1,1667 + 3,6 ) = 2,3042
8
1
(2)
z = ( 18 1,1667 2 ) = 2,9667
5
5.4.2
11
(k )
1
= ( b1 a12 x 2
22
(k )
2
= ( b2 a21 x1
(k )
n
= ( bn an1 x1
a x
a x
(2)
( k 1)
a13 x 3
( k 1)
a23 x 3
( k 1)
an 2 x 2
( k 1)
... a1n x n
( k 1)
... a2 n x n
( k 1)
( k 1)
... ann 1 x n 1 )
...
a x
nn
( k 1)
DX
1
( 7 + 2,3042 2,9667 ) = 1,0562
6
1
y(3) = ( 16 0,9 + 2,9667 ) = 2,2583
8
1
z(3) = ( 18 0,9 2,3042 ) = 2,9592
5
x(3) =
1
( 7 + 2,2583 2,9592 ) = 1,0498
6
1
y(4) = ( 16 1,0562 + 2,9592 ) = 2,2379
8
j =1
j i
ii
(k )
B (S+ I ) X
( k 1)
D D X = D B D (S + I ) X
X = D (S + I ) X
+D B
1
(k )
(k )
x(4) =
X
onde
( k 1)
(k )
J X
( k 1)
+E
( k 1)
49
J = D (S+ I )
E =D B
50
d) Iteraes:
4,750
5,617
4,850
4,951
5,031
(1)
4,667 ( 2) = 3,483 ( 3) = 3,822 ( 4 ) = 4,057 ( 5) = 3,995
=
X
X
1,200
3,083
3,020
2,934
3,002
4,998
0,033
(6)
( 6)
( 5)
X = 3,991
=
X X 0,004 < erro
3,005
0,003
5.4.2.1
Exemplos
x + y 5z = -6
4x y + z = 19
x + 3y z = 14
obter a sua soluo por Gauss-Jacobi Matricial com 3 decimais com arredondamento e erro menor ou
igual a 0,05. Admitir soluo inicial nula.
a) Verificao da convergncia:
4x y + z = 19
x + 3y z = 14
x + y 5z = -6
b) Obteno do Algoritmo:
0 0 0
0 1 1
1 0 0
=
=
S 0 0 1
I
1 1 0
0 0 0
,
,
1
4
1
D = 0
0
0
0
1
0
3
0 1
Ento,
1
0
4
1
=
0
J
3
0
0
1
4
= 0
5x y = 13
2x + 4y = 14
4 0 0
= 0 3 0
0 0 5
,
19 19
4
14 = 14 3
6
6
5 5
19
= 14
6
,
obter a soluo por Gaus-Jacobi Matricial com 4 decimais com arredondamento e erro menor ou igual a
0,005. Admitir soluo inicial nula.
A soluo deste sistema : (3,0004; 1,9985)T
5.4.3
Derivado do mtodo de Gauss-Jacobi, este mtodo utiliza a cada iterao os valores j prontos na
prpria iterao, para tentar assegurar convergncia mais rpida, ou seja,
0 0 1 1 0
0 1 0 1 = 1
3
1 1 1
0 1
5
5
0
0
1
0
3
1
0
(k )
1
4
4
1
0
3
1
0
5
11
(k )
2
(k )
3
=
=
22
33
c) Atribuio inicial:
0
(0)
=
X 0
0
4
0
1
5
1
19
4
4
1 ( k 1) + 14
X
3
6 3
0
5
( k 1)
a13 x3
( k 1)
a14 x4
(k )
( k 1)
(k )
(k )
( k 1)
(k )
(k )
(k )
( k 1)
a24 x4
( k 1)
... a1n xn
( k 1)
... a2 n xn
( k 1)
... a3n xn
...
(k )
n
(k )
nn
Ento,
0
(k )
X = 13
15
( k 1)
(b1 a12 x2
(k)
i
ii
5.4.3.1
( bi aij x j
j =1
j i
(k ) i > j
)
( k 1) i < j
Exemplos
Exemplo 1: Resolver por Gauss-Seidel, com 4 decimais com arredondamento e erro menor ou igual a
0,005 o sistema abaixo.
x + 8y z = 16
6x y + z = 7
x + y+ 5z = 18
a) Verificao da convergncia:
51
52
6x y + z = 7
x + 8y z = 16
x + y + 5z = 18
x + 8y + z = 30
2x y + 5z = 21
5.4.4
( k 1)
( k 1)
11
(k )
1
22
(k )
2
= b2 a21 x
(k )
n
a x
a x
= b1 a12 x 2
(k )
1
a13 x 3
a23 x
( k 1)
3
... a1n x n
... a2 n x
( k 1)
n
...
a x
nn
z(0)=0
(k )
(k)
(k )
d) Iteraes:
1
( 7 + 0 0 ) = 1,1667
6
1
y(1) = ( 16 1,1667 + 0 ) = 1,8542
8
1
(1)
z = ( 18 1,1667 1,8542 ) = 2,9958
5
DX
x(1) =
(k )
B I X
(k )
( D + I ) 1 ( D + I ) X
1
( 7 + 1,8542 2,9958 ) = 0,9764
6
1
y(2) = ( 16 - 0,9764 + 2,9958 ) = 2,2524
8
1
(2)
z = ( 18 0,9764 2,2524 ) =2,9542
5
(k )
(k )
(D + I ) X
(k )
B S X
= ( D + I ) 1 B ( D + I ) 1 S
1
( k 1)
( k 1)
(k )
=G
( k 1)
( k 1)
+ (D + I ) B
+F
onde,
G
F
1
( 7 + 2,2524 2,9542 ) = 1,0497
6
1
y(3) = ( 16 - 1,0497 + 2,9542 ) = 2,2381
8
1
(3)
z = ( 18 1,0497 2,2381 ) = 2,9424
5
5.4.4.1
= ( D + I ) 1 S
= ( D + I ) 1
Exemplos
|x
(4)
(3)
-x
obter suas solues por Gauss-Seidel Matricial com 3 decimais com arredondamento e erro inferior ou igual a
0,005. Admitir nula a soluo inicial.
a) Verificao da convergncia:
5x y = 19
x + 6y = -21
b) Obteno do Algoritmo:
Exerccio 1: Resolver por Gauss-Seidel, com 4 decimais com arredondamento e erro menor ou igual a
0,01 o sistema abaixo.
7x + y z = 13
( k 1)
= ( D + I ) S X
x(3) =
1
x = ( 7 + 2,2381 2,9424 ) = 1,0493
6
1
(4)
y = ( 16 - 1,0493 + 2,9424 ) = 2,2366
8
1
(4)
z = ( 18 1,0493 2,2366 ) = 2,9428
5
x(2) =
(4)
5 0
=
0 6
Ento,
0 0
=
1 0
0 1
=
0 0
19
=
21
53
1
1
0 0 1 0
5
=
= 5
130 1 6 0 0 0 130
1
= 5
130
19
5
62
15
0 19
=
1 21
6
Logo,
(k )
1
19
0
5 ( k 1) +
5
=
X
1
62
30
15
54
6 Interpolao
6.1
Introduo
A interpolao outra das tcnicas bem antigas e bsicas do clculo numrico. Muitas funes so
conhecidas apenas em um conjunto finito e discreto de pontos de um intervalo [a, b], como, por exemplo,
a tabela abaixo que relaciona calor especfico da gua e temperatura:
x0
x1
x2
x3
x4
x5
x6
x7
Xi
20
25
30
35
40
45
50
55
Temperatura (C)
Calor especfico
0.99907 0.99852 0.99826 0.99818 0.99828 0.99849 0.99878 0.99919
Tabela 1 - Calor especfico da gua.
A partir desses dados suponhamos que se queira calcular:
c) Atribuio inicial:
0
(0)
X = 0
d) Iteraes:
X
X
(1)
( 4)
3,800
2,973
3,001
3,000
( 2)
( 3)
( 4)
=
X =
X =
X =
4,133
3,996
4,000
4,000
( 3)
Interpolar uma funo f(x) consiste em aproximar essa funo por uma outra funo g(x),
escolhida entre uma classe de funes definida a priori e que satisfaa algumas propriedades. A funo
g(x) ento usada em substituio funo f(x).
0,001
=
< erro
0,000
A necessidade de se efetuar esta substituio surge em vrias situaes, como por exemplo:
a) quando so conhecidos somente os valores numricos da funo por um conjunto de pontos
(no dispondo de sua forma analtica) e necessrio calcular o valor da funo em um ponto no tabelado
(como o caso do exemplo anterior).
b) quando a funo em estudo tem uma expresso tal que operaes como a diferenciao e a
integrao so difceis (ou mesmo impossveis) de serem realizadas. Neste caso, podemos procurar uma
outra funo que seja uma aproximao da funo dada e cujo manuseio seja bem mais simples.
As funes que substituem as funes dadas podem ser de tipos variados, tais como: polinomiais,
trigonomtricas, exponenciais e logartmicas. Ns iremos considerar apenas o estudo das funes
polinomiais.
6.1.1
Conceito de Interpolao
x xi, i = 0, 1, 2, ..., 7
Para resolver (a) tem-se que fazer uma interpolao. E, sendo assim, determina-se o polinmio
interpolador, que uma aproximao da funo tabelada. Por outro lado, para resolver (b), deve-se
realizar uma extrapolao.
Consideremos (n + 1) pontos distintos: x0, x1, x2, ..., xn, chamados ns da interpolao, e os
valores de f(x) nesses pontos: f(x0), f(x1), f(x2), ..., f(xn).
A forma de interpolao de f(x) que veremos a seguir consiste em se obter uma determinada
55
56
y1).
g(x0) = f(x0)
g(x1) = f(x1)
g(x2) = f(x2)
M
M
g(xn) = f(xn)
eles.
A figura abaixo mostra, geometricamente, os dois pontos, (x0, y0) e (x1, y1), e a reta que passa por
p1(x)
y1
Graficamente temos:
y0
g(x)
0
(x0, f(x0))
(x1, f(x1))
(x2, f(x2))
(x3, f(x3))
(x5, f(x5))
(x4, f(x4))
x0
x 1 x2
x3
x4
x5
6.2.2
f(x)
6.2
6.2.1
Interpolao Linear
Obteno da Frmula
Dados dois pontos distintos de uma funo y = f(x) : (x0, y0) e (x1, y1), deseja-se calcular o valor de
y para um determinado valor de x entre x0 e x1, usando a interpolao polinomial.
O polinmio interpolador uma unidade menor que o nmero de pontos conhecidos. Assim
sendo, o polinmio interpolador nesse caso ter grau 1, isto ,
P1(x) = a1x + a0
Para determin-lo, os coeficientes a0 e a1 devem ser calculados de forma que tenha:
x0
x1
Exemplos
Exemplo 1: Seja a funo y = f(x) definida pelos pontos (0.00; 1.35) e (1.00; 2.94). Determinar
aproximadamente o valor de f(0.73).
P1(x) = a1x + a0 o polinmio interpolador de 1 grau que passa pelos pontos dados. Ento
teremos:
a) Pontos utilizados:
(0.00;1.35) e
(1.00; 2.94)
a0 = 1.35
a1 = 1.59
c) Polinmio interpolador:
P1(x) = 1.59x + 1.35 (equao da reta que passa pelos pontos dados)
d) Resposta:
P1(0.73) = 1.59 0.73 + 1.35
P1(0.73) = 2.51
O resultado obtido acima est afetado por dois tipos de erros:
P1(x0) = f(x0) = y0
P1(x1) = f(x1) = y1
a 1 x 0 + a 0 = y 0
a1x1 + a 0 = y1
onde a1 e a0 so as incgnitas e
x 0 1
A=
x1 1
Exerccio 1: Dada a funo f(x) = 10x4 + 2x + 1 com os valores de f(0.1) e f(0.2) determinar P1(0.15) e o
erro absoluto cometido.
O determinante da matriz A diferente de zero, sempre que x0 x1, logo para pontos distintos o
sistema tem soluo nica.
O polinmio interpolador P1(x) = a1x + a0 tem como imagem geomtrica uma reta, portanto
estaremos aproximando a funo f(x) por uma reta que passa pelos dois pontos conhecidos (x0, y0) e (x1,
Polinmio interpolador:
P1(0.15) = 1.3085
EA = 0.0034375
Exerccio 2: Calcular o calor especfico aproximado da gua a 32,5 C, usando os valores da tabela 1.
Usando as temperaturas 30 C e 35 C.
57
Polinmio interpolador:
P1(32.5) = 0.99822
6.3
6.3.1
Interpolao Quadrtica
58
Obteno da Frmula
Se conhecermos trs pontos distintos de uma funo, ento o polinmio interpolador ser:
2
a1 = 0.452
c) Polinmio interpolador:
P2(x) = 0.333 x 2 + 0.452x
Exemplo 2: Determinar o valor de f(0.2) e o erro absoluto ocasionado pela aplicao da interpolao
quadrtica, no clculo deste valor, usando os valores tabelados da funo f(x) = x2 2x + 1. Utilizar duas
casas decimais.
x
0.5
0.3
0.1
onde a2, a1 e a0 so as incgnitas e os pontos (x0, y0), (x1, y1) e (x2, y2) so conhecidos.
A matriz dos coeficientes :
a) Pontos utilizados:
( 0.5; 0.25 )
2
0
x x 0 1
V = x12 x1 1
x 22 x 2 1
Exemplos
Exemplo 1: Utilizando os valores da funo seno, dados pela tabela abaixo, determinar a funo
2 sen2 x
, trabalhando com trs casas decimais.
quadrtica que se aproxima de f(x) =
x +1
x
0
sen(x)
0
1
2
2
2
a) Pontos utilizados:
( 0; 0 )
( /6; 0.328 )
( 0.1; 0.81 )
f(x)
0.000
0.328
c) Polinmio interpolador:
P2(x) = x2 2x + 1
0.560
d) Resposta:
P2(0.2) = (0.2)2 2.(0.2) + 1
P2(0.2) = 0.64
( /4; 0.560 )
2
P 2( 6 ) = a 2 6 + a1 6 + a 0 = 0.328
2
P 2( ) = a 2 + a1 + a 0 = 0.560
4
4
4
()
()
( 0.3; 0.49 )
f(x)
0.25
0.49
0.81
a0 = 0
()
()
Podemos observar que o polinmio interpolador igual a funo dada. Isto ocorre porque a funo
dada polinomial de 2 grau e, a partir de trs pontos da funo, consegue-se determin-la sem erro.
Contudo, poder existir o erro de arredondamento.
59
60
Exerccio 1: Usando trs pontos da Tabela 1, determinar o calor especfico aproximado da gua a 31 C
= (1)(2)(3)(1)(2)(1) = 12
6.4
Interpolao de Lagrange
As interpolaes vistas anteriormente so casos particulares da interpolao de Lagrange. Vamos
estudar agora o polinmio interpolador de grau menor ou igual a n, sendo dados n + 1 pontos distintos.
Teorema: Sejam (xi, yi), i = 0, 1, 2, ..., n, n + 1 pontos distintos, isto , xi xj para i j. Existe um
nico polinmio P(x) de grau menor ou igual a n, tal que P(xi) = yi, para todo i.
Pn(x) =
a x
i =0
Obteno da Frmula
0 se k i
Lk(xi) =
e, para isso, definimos Lk(x) por
1 se k = i
a + a x + a x 2 +...+ a x n = y
1 0
2
0
n
0
0
0
2
n
a0 + a1 x1 + a2 x1 +...+ a n x1 = y1
................................................
2
n
+
+
+...+ a n x n = y
n
a0 a1 x n a2 x n
Lk =
Resolvendo o sistema acima, determina-se o polinmio Pn(x). Para provar que tal polinmio
nico, basta que se mostre que o determinante da matriz A, dos coeficientes das incgnitas do sistema,
diferente de zero. A matriz A :
1 x x 2 ... x n
0
0
0
2
n
1 x1 x1 ... x1
A=
............................
2
n
1 x n x n ... x n
Pn(xi) =
onde Lk(x) =
(x x ) .
i
= (x1 x0) (x2 x0) (x2 x1) (x3 x0) (x3 x1) (x3 x2) =
( x xj )
k xj )
(x
j =0
i> j
y
k =0
i> j
Lk ( x i ) = yiLi(xi) = yi
Pn(x) =
(x x )
y
k =0
1
0
27
Seja Pn(x) o polinmio de grau n que interpola f em x0, ..., xn. Podemos representar Pn(x) na
forma Pn(x) = y0L0(x) + y1L1(x) + ... + ynLn(x), onde os polinmios Lk(x) so de grau n. Para cada i,
queremos que a condio Pn(xi) = yi seja satisfeita, ou seja:
P(x) , no mximo, de grau n, se an 0 e, para determin-lo, deve-se conhecer os valores de a0, a1,
..., an. Como Pn(x) contm os pontos (xi, yi), i = 0, 1, ..., n, pode-se escrever que Pn(xi) = yi.
det(A) =
1
0
9
4
Sejam x0, x1, x2, ..., xn, (n + 1) pontos distintos e yi = f(xi), i = 0, 1, ..., n.
n
ou
6.4.1
1
0
3
2
j k
Lk ( x )
61
n
Pn(x) =
k =0
6.4.2
( x xj )
, a frmula da interpolao lagrangeana.
k xj )
y (x
j =0
jk
62
6.5
Exemplos:
Exemplo 1: No caso da interpolao linear, visto anteriormente, temos dois pontos distintos: (x0, f(x0)) e
(x1, f(x1)) com n igual a 1.
Polinmio grau 0
G0
CTE
a) Pontos utilizados:
(0.00; 1.35) e (1.00; 2.94)
P0(x) = a0
Polinmio de grau 1:
( x x1)
( x 0 x1)
( x x 0)
L1(x) =
( x1 x 0 )
passando por x 0
CTE
L0(x) =
Assim, P1(x) = y0
( x x1)
( x x 0)
+ y1
( x 0 x1)
( x1 x 0 )
Polinmio de grau 2:
que exatamente a equao da reta que passa por (x0, f(x0)) e (x1, f(x1)).
+
G2
+
passando por x 0
passando
por
x
e
por
x
0
1
CTE
c) Polinmio interpolador:
( x 1)
( x 0)
P1(x) = 1.35
+ 2.94
= 1.35x + 1.35 + 2.94x = 1.59x + 1.35
(0 1)
(1 0)
que a mesma expresso obtida no exemplo 1 de interpolao linear.
Exerccio 1: Determinar o polinmio de interpolao de Lagrange para a funo conhecida pelos pontos
tabelados abaixo e o resultado em P(0.5):
i
0
1
2
Resposta:
xi
0
1
2
Polinmio de grau n:
yi
0
1
4
Pn(x) = a0 + a1.(x x0) + a2.(x x0).(x x1) + ... + an.(x x0).(x x1).(x x2) ... (x xn-1)
Impondo que Pn(x) passe por todos os n + 1 pontos da tabela, temos que:
Pn(x0) = f(x0)
Pn(x1) = f(x1)
Pn(x2) = f(x2)
M
Pn(xn) = f(xn)
Exerccio 2: Determinar o polinmio interpolador de Lagrange para a funo conhecida pelos pontos da
tabela abaixo:
i
0
1
2
3
Resposta:
P3(x) = x3 4x + 1
xi
1
0
2
3
yi
4
1
1
16
Validade:
x = x0 P0 ( x0) = a0 =
f (x )
0
x = x P (x ) = a + a (x x ) = f (x ) a
1
f (x ) a
a
x x
0
f (x ) P (x )
x x
0
63
64
Dizemos que f[x0,x1,x2,...xk] a diferena dividida de ordem k da funo f(x) sobre os k + 1 pontos.
x = x P ( x ) = a + a ( x x ) + a ( x x )( x x ) = f ( x ) a
2
f (x ) P (x )
( x x )( x x )
1
tabela:
Conhecidos os valores que f(x) assume nos pontos distintos x0, x1, x2, ... xn, podemos construir a
x = x P ( x ) = a + a ( x x ) + ... + a ( x x )...( x x
f (x ) P (x )
a = ( )...( )
x x x x
n
n 1
n 1
)=
n 1
xi
x0
x1
x2
...
xn-2
xn-1
xn
f (x )
n
5
8
xi
f(xi)
1
4
3
4
2
6
x = x P ( x ) = 8
f ( x ) P ( x ) = 4 + 8 = 2
3 + 5
x x
0
P1 ( x ) = 8 + 2( x + 5) = 2 x + 2
3 Hiptese:
f (x ) P (x )
44
x = x a = ( )( ) = (1 + 5)(1 + 3) = 0
x x x x
1
P2 ( x ) = 2 x + 2
4 Hiptese:
x = x a
3
6.6.1
Ordem n
f[x0,x1,x2 ... xn]
...
f (x ) P (x )
3
( x 3 x0)( x 3 x1)( x 3 x 2)
66
= 0 P3 ( x ) = 2 x + 2
( 2 + 5)( 2 + 3)( 2 1)
f [ x1 ] f [ x0 ]
f [ x0 ] f [ x1 ]
=
= f[x1,x0]
x1 x0
x 0 x1
....
f[x0,x1] =
2 Hiptese:
1
Ordem 2
f[x0,x1,x2]
f[x1,x2,x3]
f[x2,x3,x4]
...
f[xn-2,xn-1,xn]
Exemplo:
x = x a
Ordem 1
f[x0,x1]
f[x1,x2]
f[x2,x3]
...
f[xn-2,xn-1]
f[xn-1,xn]
Pode-se provar que as diferenas divididas satisfazem a propriedade de ser simtrico nos
argumentos.
1 Hiptese:
0
6.6.2
Ordem 0
f[x0]
f[x1]
f[x2]
...
f[xn-2]
f[xn-1]
f[xn]
Seja f(x) uma funo tabelada em n + 1 pontos distintos x0, x1, x2, ... xn. Definimos o operador
diferenas divididas por:
f[x0] = f(x0)
f ( x1 ) f ( x0 )
f [ x1 ] f [ x0 ]
f[x0,x1] =
=
x1 x0
( x1 x0 )
f [ x1 , x 2 ] f [ x 0 , x1 ]
f[x0,x1,x2] =
x 2 x0
M
f [ x1 , x 2 ...x n ] f [ x0 , x1 ...x n 1 ]
f[x0,x1,x2, ... xn] =
xn x0
6.6.3
Exemplos
Exemplo 1: Obter f(0.5) usando um polinmio interpolador de Newton do segundo grau (3 pontos).
Considere a seguinte tabela:
0
1
1
2
xi
F(xi)
1
2
2
5
3
10
x0
x1
x2
x3
x4
X
1
0
1
2
3
65
66
onde:
f[x0,x1] =
X
30
35
45
55
x0
x1
x2
x3
Ordem 1
0.0148
0.0133
0.0118
Ordem 2
0.0001
0.0001
Ordem 3
0
Ordem 0
0.5
0.574
0.707
0.819
b) Polinmio interpolador:
P3(x) = 0.5 + 0.0148(x 30) 0.0001(x 30)(x 35) 0.0000002(x 30)(x 35)(x 45)
c) Resposta:
P3(40) = 0.5 + 0.0148(10) 0.0001(10)(5) 0.0000002(10)(5)(5)
P3(40) = 0.64305
Exerccio 1: Obter f(0.47) usando um polinmio interpolador de Newton do segundo grau (3 pontos).
Considere a seguinte tabela:
f [ x1 , x 2 , x 3] f [ x0 , x1 , x 2 ] 1 1
f[x0,x1,x2,x3] =
=
=0
2 +1
x 3 x0
f [ x2 , x3 , x 4] f [ x1 , x 2 , x 3]
11
=
=0
f[x1,x2,x3, x4] =
3 0
x 4 x1
xi
F(xi)
0.2
0.16
0.34
0.22
0.4
0.27
0.52
0.29
0.6
0.32
0.72
0.37
f [ x1 , x 2 , x 3 , x 4] f [ x 0 , x1 , x 2 , x 3]
00
=
=0
3+1
x 4 x0
Exerccio 2: Obter f(0.5) usando um polinmio interpolador de Newton do quarto grau (5 pontos).
Considere a seguinte tabela:
b) Polinmio interpolador:
P2(x) = 2 1(x + 1) + 1(x + 1)(x 0)
P2(x) = 2 (x + 1) + x (x + 1)
P2(x) = 2 x 1 + x2 + x
P2(x) = x2 + 1
xi
F(xi)
30
0.5
35
0.574
1
1
0
1
1
0
2
1
3
2
Polinmio interpolador:
1
1
1
P4(x) = 1 + 0.(x + 1) + (x + 1)(x) + (x + 1)(x)(x 1) + (x + 1)(x)(x 1)(x 2)
2
6
24
P4(0.5) = 1 0.375 0.0625 0.02344 = 0.53906
c) Resposta:
xi
F(xi)
Ordem 0
0.5
0.574
0.707
0.766
Como o polinmio obtido no ter grau 3, devemos escolher um novo conjunto de pontos:
f [ x1 , x 2 ] f [ x 0 , x1 ] 1 + 1
=
=1
f[x0,x1,x2] =
1+1
x 2 x0
f [ x 2 , x 3] f [ x1 , x 2]
3 1
f[x1,x2,x3] =
=
=1
20
x 3 x1
f [ x3 , x4] f [ x2 , x3] 5 3
=
=1
f[x2,x3,x4] =
3 1
x4 x2
f[x0,x1,x2,x3,x4] =
X
30
35
45
50
x0
x1
x2
x3
45
0.707
50
0.766
55
0.819
6.7
Interpolao de Gregory-Newton
Muitas vezes so encontrados problemas de interpolao cuja tabela de pontos conhecidos tem
valores que so igualmente espaados, ou seja:
x1 x0 = x2 x1 = x3 x2 = ... = xn xn-1 = h
67
68
6.7.1
f(x) = f(x)
1f(x) = f(x + h) f(x)
2f(x) = 1f(x + h) 1f(x)
...
nf(x) = n-1f(x + h) n-1f(x)
6.7.2
Ordem 0
f(x0)
f(x1)
f(x2)
...
f(xn-2)
f(xn-1)
f(xn)
Ordem 1
1f(x0)
1f(x1)
1f(x2)
...
1f(xn-2)
1f(xn-1)
Ordem 2
2f(x0)
2f(x1)
2f(x2)
...
2f(xn-2)
...
Ordem n
nf(x0)
...
Prova:
n f ( x0 )
.
n!h n
f[x0] = f(x0)
f ( x1 ) f ( x0 )
f [ x1 ] f [ x0 ]
f ( x 0 + h) f ( x 0 )
f ( x0 )
f[x0,x1] =
=
=
=
x1 x0
( x1 x0 )
h
h
f ( x1 ) f ( x0 )
f [ x1 , x 2 ] f [ x 0 , x1 ]
2 f ( x0 )
h
h
=
=
f[x0,x1,x2] =
x 2 x0
2h
2h 2
M
e por induo podemos mostrar que esta regra valida para valores maiores que 2.
Gregory-Newton usando Diferenas Ordinrias
Pn(x) = f(x0) +
f ( x0 )
2 f ( x0 )
n f ( x0 )
.(x x0) +
.(x x0).(x x1) + ... +
.(x x0).(x x1).(x
2
h
2h
n!h n
x2)...(x xn-1)
6.7.4
2
5
3
10
6.7.3
1
2
a) Tamanho do intervalo:
h=1
xi
x0
x1
x2
...
xn-2
xn-1
xn
0
1
1
2
xi
f(xi)
xi = xi-1 + h xi = x0 + i * h
Exemplos
Exemplo 1: Obter f(0.5) usando um polinmio interpolador de Gregory-Newton (G-N) do segundo grau
(3 pontos). Considere a seguinte tabela:
X
1
0
1
2
3
x0
x1
x2
x3
x4
c) Polinmio interpolador:
1
2
P2(x) = 2 + (x + 1) +
(x + 1)(x)
2
1
2 1
P2(x) = 2 (x + 1) + x (x + 1)
P2(x) = 2 x 1 + x2 + x
P2(x) = x2 + 1
d) Resposta:
P2(0.5) = (0.5)2 + 1 = 1.25
Exerccio 1: Obter f(0.04) usando um polinmio interpolador de Gregory-Newton do segundo grau (3
pontos). Considere a seguinte tabela:
xi
F(xi)
0.01
1.01
0.03
1.09
0.05
1.25
0.07
1.49
1
0
2
0.6931
3
1.0986
4
1.3863
69
7 Ajuste de Curvas
Uma das formas de se trabalhar com uma funo definida por uma tabela de valores a
interpolao polinomial. Contudo, a interpolao no aconselhvel quando:
a) preciso obter um valor aproximado da funo em algum ponto fora do intervalo de
tabelamento, ou seja, quando se quer extrapolar.
b) Os valores tabelados so resultados de algum experimento fsico ou de alguma pesquisa,
porque, nestes casos, estes valores podero conter erros inerentes que, em geral, no so
previsveis.
70
Portanto, natural escolher apenas uma funo g1(x) = x2 e procurar ento (x) = x2 (equao
geral de uma parbola passando pela origem).
Se considerarmos uma experincia onde foram medidos vrios valores de corrente eltrica que
passa por uma resistncia submetida a vrias tenses, colocando os valores correspondentes de corrente e
tenso em um grfico, poderemos ter:
V
Surge ento a necessidade de se ajustar a estas funes tabeladas uma funo que seja uma "boa
aproximao" para os valores tabelados e que permita extrapolar com certa margem de segurana.
Vq
O problema do ajuste de curvas no caso em que temos uma tabela de pontos (x1, f(x1)), (x2, f(x2)),
..., (xm, f(xm)) com x1, x2, ..., xm, pertencentes a um intervalo [a, b], consiste em: escolhidas n funes
g1(x), g2(x), ..., gn(x), contnuas em [a, b], obter n constantes 1, 2, ..., n tais que a funo (x) = 1g1(x)
+ 2g2(x) + ... + ngn(x) se aproxime ao mximo de f(x).
V0
Genericamente, no caso linear, estaremos supondo que os dados sero aproximados por uma
funo do tipo:
f(x) (x) = 1g1(x) + 2g2(x) + ... + ngn(x)
i0
Dizemos que este um modelo matemtico linear porque os coeficientes a determinar, 1, 2, ...,
n, aparecem linearmente, embora as funes g1(x), g2(x), ..., gn(x) possam ser funes no lineares de x,
como por exemplo, g1(x) = ex, g2(x) = (x2 + 2), g3(x) = sen(x), etc.
A escolha das funes pode ser feita observando o grfico dos pontos conhecidos ou baseando-se
em fundamentos tericos do experimento que nos forneceu a tabela.
Portanto, dada uma tabela de pontos (x1, f(x1)), (x2, f(x2)), ..., (xm, f(xm)), deve-se, em primeiro
lugar, colocar estes pontos num grfico cartesiano. O grfico resultante chamado diagrama de
disperso. Atravs deste diagrama pode-se visualizar a curva que melhor se ajusta aos dados.
Exemplo: Seja a tabela:
1
1.0
2.1
2
0.75
1.3
3
0.5
1.1
4
0.25
0.2
5
0
0
neste caso, existe uma fundamentao terica relacionando a corrente com a tenso V = Ri, isto , V
uma funo linear de i.
i
xi
f(xi)
iq
6
0.25
0.5
7
0.5
0.6
8
0.75
1.5
9
1.0
2.2
O problema determinar qual parbola com equao x2 se ajusta melhor ao primeiro grfico e
qual reta, passando pela origem, melhor se ajusta ao segundo grfico.
No caso geral, escolhidas as funes g1(x), g2(x), ..., gn(x) temos de estabelecer o conceito de
proximidade entre as funes (x) e f(x) para obter as constantes 1, 2, ..., n.
Uma maneira impor que o desvio (f(xi) (xi)) seja mnimo, para i = 1, 2, ..., m. Veremos a
seguir o mtodo conhecido como Mtodo dos Quadrados Mnimos.
7.1
Chamaremos de f(x) a funo que ser convenientemente aproximada por outra funo (x). No
caso dos quadrados mnimos lineares, partimos da hiptese de que temos algumas informaes sobre o
comportamento de (x). Poderamos saber, por exemplo, que (x) uma reta, ou seja:
(x) = 1 + 2x
A questo encontrar qual esta reta, ou seja, quais so os valores de 1 e 2 que ajustam os
pontos conhecidos.
1.5
1
Num outro exemplo, vamos procurar valores para 1, 2 e 3 que tornam a funo:
0.5
0
-1.5
-1
-0.5
0.5
1.5
(x) = 1 + 2x + 3x2
71
Sejam dados os pontos (x1, f(x1)), (x2, f(x2)), ..., (xm, f(xm)) e as n funes g1(x), g2(x), ..., gn(x)
escolhidas de alguma forma. Considerando que o nmero de pontos m, tabelados, sempre maior ou igual
a n o nmero de funes escolhidas ou o nmero de coeficientes i a se determinar.
Nosso objetivo encontrar os coeficientes 1, 2, ..., n tais que a funo (x) = 1g1(x) + 2g2(x)
+ ... + ngn(x) se aproxime ao mximo de f(x).
72
m
i =1
i =1
i =1
1 xi + 2 xi2 =
Dada uma tabela com m valores (xi, f(xi)), i = 1, 2, ..., m, queremos encontrar a reta que melhor
ajusta esta tabela, no sentido dos quadrados mnimos. Como o ajuste ser feito por uma reta, tomaremos
g1(x) = 1 e g2(x) = x, isto :
f(x) (x) = 1 + 2x
O resduo para cada par (1, 2) e para cada x ser r(1, 2; x) = f(x) 1 2x. Assim, pelo
mtodo dos quadrados mnimos devemos procurar 1 e 2 que minimizam a funo:
<r, r> (1, 2) = < f(x) 1 2x, f(x) 1 2x> =
( f (x )
i
2 =
i =1
i =1
1 =
f ( x ) x
i
i =1
m
m
m xi2 xi
i =1
i =1
m x i f ( x i ) x i f ( xi )
i =1
i =1
Assim, a soluo do sistema de equaes lineares 1 e 2 dados pelas equaes acima, e com
estes valores os resduos apresentam o seu menor valor.
Como este mtodo consiste em achar o mnimo de uma funo quadrtica, ele conhecido como
mtodo dos mnimos quadrados.
Exemplo 1: Ajustar os dados da tabela abaixo a uma reta de modo que o resduo seja o menor possvel.
i
xi
f(xi)
2 xi ) .
2
f ( xi )
A soluo deste sistema pode ser obtida pelo mtodo da Eliminao de Gauss. Atravs das
substituies retroativas obtm-se:
Seja dk = f(xk) (xk) o desvio em xk. O conceito de proximidade que dk seja mnimo para todo k
= 1, 2, ..., m. No mtodo dos quadrados mnimos consiste em escolher os aj's de tal forma que a soma dos
quadrados dos desvios seja mnima.
7.1.1
1
1.3
2.0
2
3.4
5.2
3
5.1
3.8
4
6.8
6.1
5
8.0
5.8
i =1
Do Clculo Diferencial sabe-se que a condio necessria do ponto crtico que as derivadas nele
se anulem, esto :
<r, r> =
<r, r> = 0
1
2
ou ainda, procedidas as respectivas derivaes na expresso <r, r> temos:
2
i
i =1
m
2 ( f ( xi ) 1 2 xi ) = 0
i =1
2 ( f ( xi ) 1 2 xi )xi = 0
i =1
x
i =1
Aps o desenvolvimento, estas duas equaes formam um sistema linear com as incgnitas 1 e
2, que podem ser reescrito na forma:
i =1
f ( x )
1
i =1
i =1
xi = 0
i =1
i =1
i =1
f ( xi ) 1 xi 2 xi2 = 0
i =1
i =1
b) Resoluo do sistema:
Assim, os valores de 1 e 2 da melhor reta (no sentido dos quadrados mnimos) so obtidos pelo
sistema:
ou
m
f (x )
i =1
i =1
m1 + 2 xi =
5 1 + 24.6 2 = 22.9
74
73
m x i f ( x i ) x i f ( xi )
i =1
2 =
i =1
m xi2 xi
i =1
i =1
m
1 =
i =1
m
i =1
(5)(127.54) (24.6)(22.9)
637.7 563.34
74.36
=
=
= 0.5224
747.5 605.16 142.34
(5)(149.5) (24.6) 2
m
f ( xi ) xi 2
22.9 ( 24.6)(0.5224)
22.9 12.851
i =1
=
=
= 2,0098
m
5
5
Os valores de (xi) e os respectivos resduos (r(xi) = f(xi) (xi)) esto na tabela abaixo:
2
3.4
5.2
3.78596
1.41404
3
5.1
3.8
4.67404
0.87404
x
i =1
m
2
i
i =1
4
6.8
6.1
5.56212
0.53788
( xi ) = 3.6787
Exerccio 1: Considere o ajuste da tabela abaixo por uma reta. Calcular a soma dos quadrados dos
resduos.
1
2
3
4
5
0
0.25
0.5
0.75
1.00
1.0000 1.2840 1.6487 2.1170 2.7183
i =1
m
M
m
n
i
i =1
3
i
4
i
x
i =1
M
n +1
i
i =1
M
n+2
i
i =1
1
2
30.5
m
m
x
i
i =1
m
xi2
i =1
n
i
2
1.5
20.2
3
0
3.3
4
1
8.9
5
2.2
16.8
1 m
f ( xi )
i =1
i =1
m
m
xi3 . 2 = xi f ( xi )
i =1
i =1
m
m 2
4
xi xi f ( xi )
i =1
i =1
x x
i
i =1
m
x
i =1
m
2
i
x
i =1
3
i
2
i
2
i
3
i
4
i
i =1
6
x
6
x
5
Ajuste Polinomial
i =1
6
x
i =1
O ajuste linear simples um caso especial do ajuste polinomial. A equao geral do ajuste
polinomial dada por:
3
i
i =1
m
1 m
f ( xi )
i =1
i
=
1
m
m
xin +1 2 xi f ( xi )
i =1
i =1
m
m
n+ 2
2
xi . 3 = xi f ( xi )
i =1
i =1
M M
M
m
m
2n
n
x
x
f
(
x
)
i i
i
i =1
n i =1
m
2
i
i =1
Resposta:
(x) = 0.89968 + 1,70784x.
7.1.2
5
8.0
5.8
6.18900
0.38900
i =1
i
xi
f(xi)
i =1
m
M
m
2
i
i =1
i
xi
f(xi)
1
1.3
2.0
2.68892
0.68892
i =1
m
Exemplo 1: Ajustar os pontos da tabela abaixo equao (x) = 1 + 2x + 3x2. Calcular a soma dos
quadrados dos resduos.
I
xi
f(xi)
(xi)
r(xi)
i =1
6
3.1
21.4
75
6
76
m
m
x
i
i =1
m
xi2
i =1
i =1
2
i
f ( xi ) = (2) (30.5) + (1.5) (20.2) + (0) (3.3) + (1) (8.9) + (2.2) (16.8) + (3.1) (21.4) = 128.416
i =1
b) Resoluo do sistema:
x
i =1
m
x
i =1
m
xi2 0 f ( xi )
i =1
mi =1
m
3
x f (x )
x
.
=
0
i
i
i
i =1
i =1
m
m
xi4 xi2 f ( xi )
i =1
i =1
m
2
i
3
i
i =1
ou seja,
O sistema :
x
i =1
m
2.8
21.7 1 6.9
6
2.8
21
.
7
30
.064 . 2 = 203.5
2
i
3
i
3 =
3 =
i =1
m
i =1
m
f ( xi )
i =1
4
i
3 =
i =1
f (x )
2
i
f ( xi )
i =1
1 = 2.018
2 = 11.33
3 = 1.222
m = 11
11
4
i
i =1
1
2
30.5
29.566
0.934
2
1.5
20.2
21.7625
1.5625
3
0
3.3
2.018
1.282
4
1
8.9
8.09
0.81
11
5
6
2.2
3.1
16.8
21.4
16.99352 21.36158
0.19352 0.03842
2
i
f ( xi ) = (2.05) + (0.6486) + (0.162) + (0.1) + (0.145) + (0) + (0.008) + (0.096) + (0.128) + (0.588)
i =1
+ (2.05) = 5.8756
Assim, a nossa equao 2.84643 = 5.8756 3 =
Portanto, (x) = 2.0642x2 a parbola que melhor se aproxima, no sentido dos quadrados
mnimos, da funo tabelada.
( xi ) = 5.652312337
i =1
Exerccio 1: Ajustar os pontos da tabela abaixo equao (x) = 1 + 2x + 3x2. Calcular a soma dos
quadrados dos resduos.
1
1.0
2.05
2
0.75
1.153
3
0.6
0.45
4
0.5
0.4
5
0.3
0.5
6
0
0
7
0.2
0.2
8
0.4
0.6
9
0.5
0.512
10
0.7
1.2
11
1
2.05
a partir do diagrama de disperso, deve ser ajustada por uma parbola passando pela origem, ou seja, f(x)
= (x) = 3x2 (neste caso temos apenas uma funo g(x) = x2 e 1 = 0 e 2 = 0).
Temos ento o sistema abaixo:
5.8756
= 2.0642
2.8464
I
xi
f(xi)
1
0.75
1.3
2
0.5
1.1
3
0.25
0.2
4
0
0
5
0.25
0.5
Resposta:
(x) = 0.17619 0.01429x + 2.26666x2.
A soma dos quadrados dos resduos :
r
i =1
( xi ) = 0,250952
6
0.5
0.6
7
0.75
1.5
77
78
y
8 Integrao Numrica
y=f(x)
8.1
Introduo
Do ponto de vista analtico existem diversas regras, que podem ser utilizadas na prtica. Contudo,
embora tenhamos resultados bsicos e importantes para as tcnicas de integrao analtica, como o
Teorema Fundamental do Clculo Integral, nem sempre podemos resolver todos os casos. No podemos
sequer dizer que para uma funo simples a primitiva tambm ser simples, pois f(x) = 1/x, que uma
funo algbrica racional, possui uma primitiva que no o ; a sua primitiva a funo ln(x) que
transcendente.
Quando no conseguirmos calcular a integral por mtodos analticos, mecnicos ou grficos, ento
podemos recorrer ao mtodo algortmico. Em algumas situaes, s podemos usar o mtodo numrico.
Por exemplo, se no possuirmos a expresso analtica de f, no podemos, em hiptese nenhuma, usar
outro mtodo que no o numrico. A integrao numrica pode trazer timos resultados quando outros
mtodos falham.
A=
f ( x )dx
a
Quando f(x) no for somente positiva, pode-se considerar f(x) em mdulo, para o clculo da rea,
conforme figura abaixo:
y
y=f(x)
Sabemos do Clculo Diferencial e Integral que se f(x) uma funo contnua em [a, b], ento esta
funo tem uma primitiva neste intervalo, ou seja, existe F(x) tal que f(x) dx = F(x) + C, com F(x) =
f(x); demostra-se que, no intervalo [a, b],
A
c
f ( x )dx = F ( b) F ( a )
a
c
tais mtodos, embora variados, no se aplicam a alguns tipos de integrandos f(x), no sendo conhecidas
suas primitivas F(x); para tais casos, e para aqueles em que a obteno da primitiva, embora vivel,
muito trabalhosa, podem-se empregar mtodos para o clculo do valor numrico aproximado de
b
f ( x )dx .
A=
f ( x ) + | f ( x )| dx
ou
A = | f ( x )| dx
A idia bsica da integrao numrica a substituio da funo f(x) por um polinmio que a
aproxime razoavelmente no intervalo [a, b]. Assim o problema fica resolvido pela integrao de
polinmios, o que trivial de se fazer. Com este raciocnio podemos deduzir frmulas para aproximar
b
A aplicao de tais mtodos obviamente necessria no caso em que o valor de f(x) conhecido
apenas em alguns pontos, num intervalo [a, b], ou atravs de um grfico.
b
Lembrando que
f ( x )dx
a
f ( x )dx .
a
n i =1
f ( x )xi
i =1
i = 0, 1, ..., n.
f ( x )dx .
8.1.1
a
b
f ( x )dx
representa,
Frmulas de Newton-Cotes
Nas frmulas de Newton-Cotes a idia de polinmio que aproxime f(x) razoavelmente que este
polinmio interpole f(x) em pontos de [a, b] igualmente espaados. Consideremos a partio do intervalo
[a, b] em subintervalos, de comprimento h, [xi, xi+1], i = 0, 1, ..., n-1. Assim xi+1 xi = h = (b a)/n.
numericamente, a rea da figura delimitada por y = 0, x = a, x = b e y = f(x), como mostra a figura abaixo:
f ( x )dx
a
f ( x )dx
x
Ai f ( xi) ,
sendo os coeficientes Ai
i=0
79
80
n 1
R(hn) = h
8.2
Em geral, quando utilizarmos a regra dos retngulos iremos efetuar os clculos atravs do caso (c),
n 1
x + xi +1
.
ou seja, R(hn) = h f ( xi ) , sendo xi = i
2
i =0
8.2.1
i =0
Exemplos
Exemplo 1: Calcular
x + xi +1
f i
1+ x
a) Nmero de intervalos:
n = 10
R1
R2
R3
R1
R2
R1
R3
R2
R3
b) Tamanho do intervalo
ba
h=
= (1 0) / 10 = 0.1
n
c) iteraes:
(a)
(b)
i
0
1
2
3
4
5
6
7
8
9
(c)
No primeiro caso, figura (a), a rea de cada retngulo f(xi) hi; no segundo caso f(xi+1)hi e no
ltimo f((xi + xi+1)/2) hi. Em qualquer caso a soma das reas dos retngulos ser uma aproximao para
b
f ( x )dx .
a
Subdividindo o intervalo [a, b] em n subintervalos, pela regra dos retngulos, que ser indicado
por R(h), dada pelas frmulas:
n 1
f ( x ).hi
R(hn) =
R(hn) =
i=0
n 1
f (x
i +1
).hi
, ou
, ou
i=0
R(hn) =
n 1
xi + xi +1
.hi
2
f
i=0
xi
(0 + 0.1) = 0.05
(0.1 + 0.2) = 0.15
(0.2 + 0.3) = 0.25
(0.3 + 0.4) = 0.35
(0.4 + 0.5) = 0.45
(0.5 + 0.6) = 0.55
(0.6 + 0.7) = 0.65
(0.7 + 0.8) = 0.75
(0.8 + 0.9) = 0.85
(0.9 + 1) = 0.95
f( xi )
0.0499
0.1467
0.2353
0.3118
0.3742
0.4223
0.4569
0.4800
0.4935
0.4993
3.4699
Exemplo 2: Quando no for possvel conhecer f(xi) pode-se usar f( xi ) = (f(xi-1) + f(xi))/2, para o clculo
anterior, ter-se-ia:
ba
Como hi constante, temos h =
. Ento :
n
n 1
R(hn) = h f ( xi )
a) Nmero de intervalos:
n = 10
i =0
ou
n 1
R(hn) = h f ( xi +1 )
i =0
ou
b) Tamanho do intervalo:
ba
= (1 0) / 10 = 0.1
h=
n
c) iteraes:
81
f( xi )
0.0495
0.1457
0.2338
0.3100
0.3724
0.4206
0.4555
0.4788
0.4925
0.4986
3.4574
f(xi)
0
0.0990
0.1923
0.2752
0.3448
0.4000
0.4412
0.4698
0.4878
0.4972
0.5000
i
1
0
1
2
3
4
5
6
7
8
9
82
A rea de cada trapzio (f(xi) + f(xi+1))/2 hi. A soma destas reas ser uma aproximao para
b
f ( x )dx .
a
8.3.1
Dividindo o intervalo [a, b] em n subintervalos, pela regra dos trapzios, o resultado, que ser
indicado por T(h), dada pela frmula:
n 1
T (hn ) = (
i =0
ba
. Ento :
n
n 1
T (hn ) = h (
x dx , para n = 8.
Exerccio 1: Calcular
i=0
T (hn ) =
x3 dx =
mtodo analtico:
f ( xi ) + f ( xi +1 )
).hi
2
f ( xi ) + f ( xi +1 )
)
2
ou
h
[ f ( x0 ) + 2 f ( x1 ) + 2 f ( x2 ) + ... + 2 f ( xn1 ) + f ( xn )]
2
1 1
x4
= = 0.
4
4 4
8.3.2
Exemplos
3, 6
Exemplo 1: Calcular
3, 0
8.3
b = x1
x1
( x x0 )
( x x1 )
f ( x0 ) +
f ( x1 )dx = IT
h
h
f ( x)dx x p ( x)dx = x
1
Assim, IT =
a=
h
[ f ( x0 ) + f ( x1 )] , que a rea do trapzio de altura h = x1 x0 e bases f(x0) e f(x1).
2
f(xi+1)
P 1(x)
f(x)
xi
xi+1
f(xi)
0.3333
0.3226
0.3125
0.3030
0.2941
0.2857
0.2778
ci
1
2
2
2
2
2
1
h
[ f ( x0 ) + 2 f ( x1 ) + 2 f ( x2 ) + ... + 2 f ( x5 ) + f ( x6 )]
2
0.1
T(0.1) =
(3.6469) = 0,182345
2
T ( h6 ) =
xi
3.0
3.1
3.2
3.3
3.4
3.5
3.6
ci. f(xi)
0.3333
0.6452
0.6250
0.6060
0.5882
0.5714
0.2778
3.6469
83
84
b
x2
x2
d) mtodo analtico:
3, 6
3, 6
1
3,0 x dx = ln(x)]3,0 = ln(3.6) ln(3.0) = 0.18232156
x2
x2
x2
f ( x 0)
f ( x1)
f ( x 2)
( x x1)( x x 2)dx 2 ( x x 0)( x x 2 )dx +
( x x 0)( x x1)dx
2 h2 x0
2 h2 x0
h x0
x2
1
(8) = 4
2
f ( x )dx 3 [ f ( x ) + 4 f ( x ) + f ( x )] = Is
mtodo analtico:
(2 x + 3)dx =
x 2 + 3x
x0
= 1 + 3 (0 + 0) = 4
p2(x)
Como a regra dos trapzios aproxima por uma reta e a funo integranda f(x) = 2x + 3 (uma
reta), o valor da integral obtido exato.
Exerccio 2: Calcular
x ln( x)dx
depois, analiticamente.
T(1) =
1
(1.3863) = 0.6932
2
x0=a
0.5
(2.6027) = 0.6507
T(0.5) =
2
T(0.25) =
8.4.1
mtodo analtico:
x ln( x)dx =
1
x ln( x ) x
2
4
] = 2x
2
ln( x ) x
4
f ( x )dx
2
Regra de Simpson
A regra de Simpson obtida aproximando-se f por um polinmio interpolador de 2 grau, ou seja,
uma parbola.
Assim,
] = = 0.63629436
8.4
p 2( x ) =
Aplicando a regra de Simpson repetidas vezes no intervalo [a, b] = [x0, xn]. Vamos supor que x0,
x1, ..., xn so pontos igualmente espaados, h = xi+1 xi, e n par (isto condio necessria pois cada
parbola utilizar trs pontos consecutivos). Assim teremos:
0.125
(10.1951) = 0,6372
2
2
0.25
(5.1191) = 0,6399
2
T(0.125) =
x2=b
x1
h
( x x1)( x x 2 )
( x x 0)( x x 2 )
( x x 0 )( x x1)
f ( x 0) +
f ( x1) +
f ( x 2)
( h)( 2h)
( h)( h)
( 2h)( h)
8.4.2
S ( hn ) =
h
[ f ( x0 ) + 4 f ( x1 ) + 2 f ( x2 ) + 4 f ( x3 ) + 2 f ( x4 ) + ... + 4 f ( xn1 ) + f ( xn )]
3
Exemplos
1
a) Nmero de intervalos:
n = 10
b) Tamanho do intervalo:
ba
= (1 0) / 10 = 0.1
h=
n
c) iteraes:
i
0
1
xi
0.0
0.1
f(xi)
1
1.1052
ci
1
4
ci. f(xi)
1
4.4208
85
2
3
4
5
6
7
8
9
10
S ( h10) =
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.2214
1.3499
1.4918
1.6487
1.8221
2.0138
2.2255
2.4596
2.7183
2
4
2
4
2
4
2
4
1
2.4428
5.3996
2.9836
6.5948
3.6442
8.0552
4.4510
9.8384
2.7183
51.5487
0,1 0,0
[ e + 4 e0,1 + 2 e0, 2 + 4 e0, 3 +...+2 e0,8 + 4 e0, 9 + e1,0] = 1,71829
3
d) mtodo analtico:
1
e dx = e ] = e e
x
= 2,7182818 1 = 1,7182818
1
1
dx , considerando n = 10.
1
x2
+
0
S ( h10) =
0,1
[ f ( x 0) + 4 f ( x1) + 2 f ( x 2) + 4 f ( x 3) +...+2 f ( x 8) + 4 f ( x 9) + f ( x10)] = 3,14157
3
1
mtodo analtico:
1
1
dx = 4( arctg (x)] ) = 4.(arctg(1) arctg(0)) = 3.14159265
2
1
+
x
0
0
4
2
Exerccio 2: Calcular
x ln( x)dx
analiticamente.
S(0.5) =
0.5
(3.8191) = 0,6365
3
S(0.25) =
0.25
(7.6355) = 0.63629167
3
S(0.25) =
0.125
(15.2711) = 0,63629583
3
2
mtodo analtico:
x ln( x)dx =
1
x 2 ln( x ) x 2 2 2 x 2 ln( x ) x 2 2
]1 =
]1 = = 0.63629436
2
4
4
1
x
0
S (0.5) =
0.5
4
[1 + 4(1.25) + 2] = = 1.33333...
3
3
86
1
mtodo analtico:
x
0
+ 1 dx =
4
x
1
0
+ x ]0 = ( + 1) ( + 0) = = 1.33333...
3
3
3
3
1
Como a regra de Simpson se aproxima por uma parbola e, sendo f(x) = x2 + 1 uma parbola, o
valor da integral obtido exato independente do nmero de subintervalos utilizado no clculo.
87
Referncias Bibliogrficas
[1] BARROSO, Lenidas C. et. al., Clculo Numrico (com Aplicaes), 2a edio, Editora Harbra, So
Paulo, 1987.
[2] CLAUDIO, Dalcidio M., MARINS, Jussara M., Clculo Numrico Computacional, 2a edio, Atlas,
1994.
[3] SANTOS, Vitoriano R. B., Curso de Clculo Numrico, 4a edio, LTC, 1982.
[4] RUGGIERO, Mrcia A. G., LOPES, Vera Lcia R., Clculo Numrico: Aspectos Tericos e
Computacionais, 2a edio, Makron Books, So Paulo, 1996.
[5] CAMPOS, R. J. A., Clculo Numrico Bsico. 1 edio, Atlas, 1978
[6] CAMARGO, W. C. M., Apostila de Clculo Numrico. Departamento de Informtica. UFPR.