Escolar Documentos
Profissional Documentos
Cultura Documentos
NUMERICOS
prof. sergio roberto de freitas
sfreitas@nin.ufms.br
Departamento de Computacao e Estatstica
Centro de Ciencias Exatas e Tecnologia
Universidade Federal de Mato Grosso do Sul
12/01/2000
s.r.freitas
Conte
udo
1 Introdu
c
ao
1.1 Soluc
oes N
ao Construtivas . . . . . . . . . . . . . . . . .
1.2 Soluc
oes Construtivas . . . . . . . . . . . . . . . . . . .
1.3 Problemas Reais x Metodos Numericos . . . . . . . . . .
1.3.1 C
alculo da Idade da Lua . . . . . . . . . . . . . .
1.3.2 Crescimento de Bacterias em uma Colonia . . . .
1.3.3 Deflex
ao de uma Viga Simplesmente Engastada .
1.3.4 C
alculo de Probabilidades - Distribuicao Normal
2 Erros
2.1 N
umero Aproximado . . . . . . . . . . . . . . . . . .
2.2 Erros Absolutos e Relativos . . . . . . . . . . . . . .
2.2.1 Erro Absoluto . . . . . . . . . . . . . . . . . .
2.2.2 Cota para o Erro . . . . . . . . . . . . . . . .
2.2.3 Erro Relativo . . . . . . . . . . . . . . . . . .
2.3 Fontes de Erros . . . . . . . . . . . . . . . . . . . . .
2.3.1 Erros Inerentes . . . . . . . . . . . . . . . . .
2.3.2 Erros de Truncamento . . . . . . . . . . . . .
2.3.3 Erros de Arredondamento . . . . . . . . . . .
2.3.4 Aritmetica de Ponto Flutuante . . . . . . . .
2.3.5 Representac
ao de um N
umero com t Digitos .
2.4 Erros de Arredondamento . . . . . . . . . . . . . . .
2.4.1 Arredondamento Truncado . . . . . . . . . .
2.4.2 Arredondamento Simetrico . . . . . . . . . .
2.4.3 Cotas para os Erros de Arredondamento . . .
2.4.4 Casas Decimais Exatas . . . . . . . . . . . . .
2.5 Propagac
ao dos Erros . . . . . . . . . . . . . . . . .
2.5.1 Propagac
ao dos Erros Absolutos . . . . . . .
2.5.2 Propagac
ao dos Erros Relativos . . . . . . . .
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
9
9
10
11
11
13
13
14
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
17
17
17
17
18
18
18
18
19
19
20
21
21
21
22
24
24
25
25
27
Conte
udo
2.6
s.r.freitas
Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . .
30
3 Zeros de Fun
c
oes
3.1 Delimitac
ao dos zeros de uma funcao . .
3.1.1 Metodo Grafico . . . . . . . . . .
3.1.2 Metodo Analtico . . . . . . . . .
3.2 Metodo da Bisseccao - MB . . . . . . .
3.3 Metodo Iterativo Linear - MIL . . . . .
3.3.1 Criterios de Parada . . . . . . .
3.3.2 Ordem de Convergencia do MIL
3.4 Metodo Iterativo Linear Modificado . .
3.5 Metodo de Newton - MN . . . . . . . .
3.5.1 O Algoritmo de Newton . . . . .
3.5.2 Interpretacao Geometrica . . . .
3.5.3 Condicoes de Convergencia . . .
3.5.4 Ordem de Convergencia . . . . .
3.6 Metodo da Secante - MS . . . . . . . . .
3.6.1 Interpretacao Geometrica do MS
3.6.2 Ordem de Convergencia . . . . .
3.7 Exerccios Propostos . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
33
34
34
36
39
43
49
52
55
59
59
60
61
64
66
67
68
69
4 Zeros de Polin
omios
4.1 N
umeros Complexos . . . . . . . . . .
4.2 Delimitac
ao dos Zeros . . . . . . . . .
4.3 Zeros Racionais . . . . . . . . . . . . .
4.4 Metodo de Horner - Avaliacao de P(z)
4.5 Algoritmo de Horner - Caso Real . . .
4.6 Algoritmo de Horner - Caso Complexo
4.7 Deflac
ao de um Polinomio . . . . . . .
4.8 Exerccios Propostos . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
71
71
74
76
77
77
79
81
83
.
.
.
.
.
.
.
.
85
85
88
89
90
91
92
92
93
.
.
.
.
.
.
.
.
5 Solu
c
ao de Sistemas Lineares
5.1 Conceitos Fundamentais . . . . . . . . . . . . . .
5.2 Sistema de Equacoes Lineares . . . . . . . . . . .
5.2.1 Interpretacao Geometrica de Sistemas 2x2
5.2.2 Interpretacao Geometrica de Sistemas 3x3
5.3 Metodos Diretos . . . . . . . . . . . . . . . . . .
5.3.1 Metodo de Cramer . . . . . . . . . . . . .
5.3.2 Solucao de Sistemas Triangulares . . . . .
5.3.3 Eliminacao Gaussiana . . . . . . . . . . .
4
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Conte
udo
s.r.freitas
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
96
98
98
100
104
105
106
109
110
111
112
113
117
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
119
. 119
. 121
. 122
. 126
. 130
7 Interpola
c
ao
7.1 Interpolac
ao Linear . . . . . . . . . . . . . . . . . . . . .
7.1.1 Estudo do Erro . . . . . . . . . . . . . . . . . . .
7.1.2 Cota para o Erro . . . . . . . . . . . . . . . . . .
7.2 Interpolac
ao Polinomial . . . . . . . . . . . . . . . . . .
7.3 F
ormula de Lagrange . . . . . . . . . . . . . . . . . . . .
7.3.1 Estudo do Erro . . . . . . . . . . . . . . . . . . .
7.3.2 Cota para o Erro . . . . . . . . . . . . . . . . .
7.4 F
ormulas de Newton . . . . . . . . . . . . . . . . . . . .
7.4.1 Operadores . . . . . . . . . . . . . . . . . . . . .
7.4.2 Tabulac
ao das Diferencas . . . . . . . . . . . . .
7.4.3 F
ormula de Newton para Diferencas Progressivas
7.4.4 Estudo do Erro . . . . . . . . . . . . . . . . . . .
7.4.5 F
ormula de Newton para Diferencas Regressivas
7.5 Exerccios Propostos . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
133
133
135
136
136
138
140
141
144
144
147
148
150
154
160
8 Integra
c
ao Num
erica
163
8.1 Metodo dos Trapezios . . . . . . . . . . . . . . . . . . . . . . 164
8.1.1 Cota para o Erro na Formula do Trapezio . . . . . . . 167
5
Conte
udo
8.2
8.3
8.4
8.5
s.r.freitas
Metodo de Simpson . . . . . . . . . . . . . . . .
8.2.1 Cota para o Erro na Formula de Simpson
Metodo dos Tres Oitavos . . . . . . . . . . . . . .
Simpson+Tres Oitavos . . . . . . . . . . . . . . .
Exerccios Propostos . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
169
173
177
178
181
9 M
etodos Num
ericos para EDOS
9.1 Introduc
ao . . . . . . . . . . . . . . . . . . . . .
9.2 Considerac
oes Gerais sobre EDOs . . . . . . .
9.3 EDOs de Primeira Ordem . . . . . . . . . . . .
9.4 Problema de Valor Inicial - PVI . . . . . . . . .
9.5 Metodo de Picard . . . . . . . . . . . . . . . .
9.6 Soluc
ao por Serie de Taylor . . . . . . . . . . .
9.7 Erro Local e Erro Global . . . . . . . . . . . . .
9.8 Metodos de Passo-Simples . . . . . . . . . . . .
9.9 Metodo de Euler . . . . . . . . . . . . . . . . .
9.10 Interpretac
ao Geometrica do Metodo de Euler .
9.11 Metodo de Heun . . . . . . . . . . . . . . . . .
9.12 Metodo de Runge-Kutta - RK4 . . . . . . . . .
9.13 Metodos de Predicao-Correcao . . . . . . . . .
9.14 Sistema Preditor-Corretor de Milne . . . . . . .
9.15 Passo-Simples X Predicao-Correcao . . . . . . .
9.16 Sistemas de EDOs . . . . . . . . . . . . . . . .
9.17 Runge-Kutta para Sistemas de EDOS . . . . .
9.18 EDO de Ordem Superior . . . . . . . . . . . . .
9.19 Problemas de Fronteira de Segunda Ordem . .
9.20 Metodo do Artilheiro . . . . . . . . . . . . . . .
9.21 Exerccios Propostos . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
183
183
184
184
185
186
189
191
192
192
193
195
197
199
203
203
204
206
206
208
209
212
13 Projetos
13.1 Idade da Lua . . . . . . . . . . . .
13.2 C
alculo da Inversa de uma Matriz
13.3 Um problema de Geometria . . . .
13.4 Principio de Arquimedes . . . . . .
13.5 Caten
aria . . . . . . . . . . . . . .
13.6 Distribuic
ao de Temperatura numa
13.7 Circuito Eletrico . . . . . . . . . .
13.8 Problema de Custos . . . . . . . .
13.9 Equac
ao de Van der Pol . . . . . .
13.10Problema de Refracao . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
215
215
216
216
217
217
219
219
220
221
222
. . . .
. . . .
. . . .
. . . .
. . . .
Placa
. . . .
. . . .
. . . .
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Conte
udo
s.r.freitas
13.11Deflex
ao de uma Viga Simplesmente Engastada . . . . . . . . 222
13.12Deflex
ao de uma Viga Simplesmente Apoiada . . . . . . . . . 223
Conte
udo
s.r.freitas
Captulo 1
Introdu
c
ao
A matem
atica e, de alguma maneira, usada na maioria das aplicacoes da
ciencia e da tecnologia. Tem sempre havido uma relacao muito proxima
entre a matem
atica de um lado e a ciencia e tecnologia do outro.
Algumas de suas
areas surgiram e foram desenvolvidas na tentativa, as vezes
ate frustrada, de solucionar problemas reais, ou seja, aqueles relacionados
com alguma situac
ao pr
atica.
Com frequencia estes problemas reais nao podem ser convenientemente solucionados atraves de f
ormulas exatas. Assim se for possvel aceitar uma
soluc
ao aproximada os m
etodos num
ericos serao as ferramentas adequadas para sua soluc
ao.
Uma grande fonte de metodos numericos sao as solucoes e demonstracoes
matem
aticas que geram m
etodos construtivos ou algortmicos. Os algortmos gerados s
ao utilizados para se obter as solu
c
oes num
ericas.
1.1
Solu
c
oes N
ao Construtivas
Um exemplo de soluc
ao que n
ao gera m
etodo contrutivo sao as demonstracoes de teoremas de existencia e unicidade feitas por contradicao. Este
tipo de demonstrac
ao, geralmente, baseia-se na suposicao da nao existencia
de soluc
ao, ou de sua n
ao unicidade, e nos conduz a uma contradicao. Uma
prova deste tipo evidentemente nao nos fornece informacoes que nos possibilite determinar a soluc
ao. Apesar disso e de vital importancia nos permitindo, de antem
ao, evitar a procura de solucoes para problemas sem solucao.
9
1.2. Soluc
oes Construtivas
1.2
s.r.freitas
Solu
c
oes Construtivas
p
x0
x0 =
p devemos
(1+p)
2
Figura 1.1:
p < p.
Escolhe-se ent
ao x0 , primeira aproximacao para
aritmetica entre 1 e p.
p, tomando-se a media
xn :=
(1 + p)/2
(xn1 +
se
p
xn1
n=0
(1.1)
)/2 se n 1
Vamos utilizar
o algortmo proposto acima para calcular algumas aproximac
oes para 2.
10
n
0
1
2
3
4
s.r.freitas
converge para p ?
Na verdade este e sempre um ponto crucial quando estamos utilizando um
algoritmo ou metodo numerico, ou seja a necessidade de provar que o metodo
ou algoritmo proposto realmente nos leva `a solucao do problema.
Utilizando alguns teoremas da analise matematica pode-se demonstrar que
a seq
uencia definida em (1.1)converge para p.
A seguir daremos exemplos de problemas reais e os respectivos metodos
numericos que s
ao utilizados para sua solucao.
1.3
Problemas Reais x M
etodos Num
ericos
1.3.1
C
alculo da Idade da Lua
s.r.freitas
e proporcional ao n
umero de atomos radioativos presentes. Isto pode ser
modelado do seguinte modo
Seja N (t) o n
umero de atomos radioativos na amostra no instante t. Entao
a atividade satisfaz a equacao diferencial
dN (t)
= N (t) = cte > 0
dt
(1.2)
(1.3)
Como n
ao e possvel explicitar o valor de t na equacao 1.3.
A soluc
ao deste problema exigira a utilizacao de metodos numericos para
determinar Zeros de Fun
c
oes
12
1.3.2
s.r.freitas
Crescimento de Bact
erias em uma Colonia
Seja N (t) o n
umero de bacterias existentes em uma colonia no instante t.
Um laboratorista colheu os seguintes dados sobre o tamanho da colonia.
t/horas
N (t)
0
27
1
42
2
60
3
87
4
127
5
185
(1.4)
Temos aqui um problema de previsao. Para determinar a funcao N (t) devemos encontrar as constantes e de modo que N (t) se ajuste aos valores da
tabela da melhor maneira possvel. Uma vez determinadas essas constante
teremos uma f
ormula explcita para N (t) e poderemos prever o tamanho da
colonia para t = 24 simplesmente calculando N (24). A solucao deste problema exigir
a a utilizac
ao de metodos numericos para Ajuste de Curvas.
1.3.3
Deflex
ao de uma Viga Simplesmente Engastada
L
x
s.r.freitas
A vari
avel y mede a deflexao da viga com a direcao positiva sendo tomada
para baixo.
Denotando por EI o modulo de rigidez `a flexao da viga pode-se mostrar que
a deflex
ao y(x) e solucao do seguinte problema de valor inicial para uma
equac
ao diferencial de segunda ordem
y 00
P
EI (L
(1+(y 0 )2 ) 2
x)
y(0) = 0
y 0 (0) = 0
A soluc
ao deste problema utilizara os metodos numericos para Solu
c
ao de
Equa
c
oes Diferenciais Ordin
arias.
1.3.4
C
alculo de Probabilidades - Distribui
c
ao Normal
ez /2
(z) =
2
Funcao de Densidade
R
0
-3
-2
-1
(z)dz
1
(z) dz =
2
ez /2 dz
(1.5)
s.r.freitas
para determinac
ao de uma primitiva da funcao (z). Podemos nesse caso
utilizar um m
etodo de integra
c
ao num
erica para resolve-la.
As tabelas com os valores dessa integral para diversos valores de que aparecem nos livros de estatstica s
ao construidas utilizando metodos numericos.
15
16
s.r.freitas
Captulo 2
Erros
Nenhum resultado obtido atraves de calculos eletronicos ou metodos numericos tem valor se n
ao tivermos conhecimento e controle sobre os possveis
erros envolvidos no processo.
A an
alise dos resultados obtidos atraves de um metodo numerico representa
uma etapa fundamental no processo das solucoes numericas.
2.1
N
umero Aproximado
Um n
umero x
e dito uma aproximacao para o n
umero exato x se existe uma
pequena diferenca entre eles. Geralmente, nos calculos os n
umeros exatos
nao s
ao conhecidos e deste modo sao substituidos por suas aproximacoes.
Dizemos que x
e um n
umero aproximado por falta do valor exato x se x
< x.
Se x
> x temos uma aproximacao por excesso.
Exemplo 2.1.1
o
de
2 por falta
2.2
2.2.1
Erro Absoluto
17
2.2.2
s.r.freitas
Na pr
atica, o valor exato e quase sempre nao conhecido. Como o erro e
definido por ex := x x
conseq
uentemente tambem sera nao conhecido.
Uma soluc
ao para este problema e ao inves de determinar o erro determinar
uma cota para o erro. Isso permitira que, mesmo n
ao conhecendo o erro,
saber que ele est
a entre dois valores conhecidos.
Dizemos que um n
umero > 0 e uma cota para o erro ex se |ex | <
.. .
|ex | < |x x
| < x
<x<x
+
Assim, mesmo n
ao conhecendo o valor exato, podemos afirmar que ele esta
entre x
e x
+ que sao valores conhecidos.
2.2.3
Erro Relativo
Considere : x = 100 ; x
= 100.1 e y = 0.0006 ; y = 0.0004.
Assim ex = 0.1 e ey = 0.0002.
Como |ey | e muito menor que |ex | poderiamos imaginar que a aproximacao
y de y e melhor que a x
de x. Numa analise mais cuidadosa percebemos
que as grandezas dos n
umeros envolvidos sao muito diferentes.
Inspirados nessa observacao definimos:
Ex :=
ex
x
2.3
2.3.1
Fontes de Erros
Erros Inerentes
S
ao os erros que existem nos dados e sao causados por erros inerentes aos
equipamentos utilizados na captacao dos dados.
18
2.3.2
s.r.freitas
Erros de Truncamento
X xn
x2 x3
e =1+x+
+
+ =
2!
3!
n!
x
n=1
2.3.3
Erros de Arredondamento
Erros de Arredondamento s
ao os erros originados pela representacao dos
n
umeros reais utilizando-se apenas um n
umero finito de casas decimais.
Como se sabe, desde a mais simples calculadora ate o mais potente computador, utiliza apenas um n
umero finito de casas decimais para representar
um n
umero real.(n
umero real e denominado n
umero de ponto flutuante nas
linguagens de programac
ao)
Dizemos ent
ao que os equipamentos eletronicos utilizam nos calculos a chamada aritmetica finita.
Ao longo desse captulo veremos que algumas propriedades que sao validas
nas operac
oes com os n
umeros na chamada aritmetica infinita, por exemplo a lei comutativa da adic
ao (a+b=b+a), podem nao valer na aritmetica
finita.
Exemplo 2.3.2
Suponha que tenhamos um computador que trabalha com 5 casas decimais
e que nele estejam armazenados os n
umeros : x = 0.23454 e y = 0.15567.
Queremos calcular z = xy. Observe que como x e y tem 5 casas decimais
z ter
a 10 casas decimais. Como proceder para armazenar z com 10 casas
decimais nesse computador que so pode armazenar n
umeros com 5 casas
decimais ?
19
s.r.freitas
2.3.4
Aritm
etica de Ponto Flutuante
(2.1)
3
123.432 = 0.123432 x 10
(2.2)
123.432 = 12343.2 x 10
(2.3)
5
123.432 = 0.00123432 x 10
(2.4)
Estas representac
oes podem ser unificadas impondo-se a condicao de que o
n
umero que multiplica a potencia de 10 esteja entre 0.1 e 1.
Observe que :
12.3432 > 1
12343.2 > 1
0.00123432 < 0.1
0.1 < 0.123432 < 1
Assim, apenas igualdade (2.2) satisfaz a condicao imposta.
Dizemos que um n
umero nao nulo x esta representado na forma normalizada na base 10 se
x = m x 10e
onde
1
|m| < 1
10
m e dita mantissa do n
umero x e e seu expoente.
De um modo esquem
atico podemos sempre representar um n
umero de ponto
flutuante como
sinal
a1
mantissa
a2 an
expoente
e
2.3.5
s.r.freitas
Representac
ao de um N
umero com t Digitos
Seja x 6= 0 um n
umero de ponto flutuante. Assim x pode ser escrito como
x = 0.a1 a2 . . . at at+1 . . . an x 10e com ai {0, 1, 2, . . . , 9} e a1 6= 0
Como
+
0.
0.
0.
a1
0
a1
a2
0
a2
...
...
...
at
0
at
at+1
at+1
...
...
an
an
(2.5)
(2.6)
Fazendo
f = 0.a1 a2 . . . at
g = 0.at+1 . . . . . . an
(2.7)
(
0.1 |f | < 1
0g<1
(2.8)
2.4
Erros de Arredondamento
2.4.1
Arredondamento Truncado
s.r.freitas
Vamos considerar x
= f 10e como uma aproximacao para x.
O erro cometido ao aproximarmos x por x
e denominado erro de arredondamento truncado sendo definido por
ex := x x
= g 10et
AO!
AT EN C
2.4.2
Arredondamento Sim
etrico
Como j
a vimos x R pode ser escrito separando-se t digitos na forma
normalizada como x = f 10e + g 10et .
Quando consideramos a aproximacao x
para x definida por
f 10e
se 0 < g < 0.5
x
=
(2.9)
f 10e + 10et
se 0.5 g < 1
ent
ao o erro cometido e denominado erro de arrendondamento sim
etrico
e e dado por
ex =
g 10et
(g 1) 10et
se
se
Proposi
c
ao 2.4.1 O arredondamento simetrico definido em (2.9) e equivalente `
a conhecida regra de arredondamento de um n
umero com t casas
decimais:
22
s.r.freitas
Se o valor do algarismo que fica na (t + 1)-esima casa decimal for menor do que 5 arredondamos o n
umero desprezando-se todos algarismos
ap
os a t-esima casa decimal;
Se for maior ou igual a 5 soma-se 1 ao algarismo na t-esima casa
decimal e desprezam-se os algarismos restantes.
Antes de demonstrar a proposicao vejamos um exemplo.
Exemplo 2.4.2
Sejam x = 0.236721 e y = 0.4513486. Se estivermos arredondando os
n
umeros x e y usando 3 casa decimais teremos x = 0.237 e y = 0.451
pois no primeiro caso temos na quarta casa decimal temos algarismo 7 que e
maior que 5 e assim devemos somar 1 ao algarismo na terceira casa decimal
(6 + 1 = 7) e desprezar os restantes. No segundo caso temos algarismo 3 na
quarta casa decimal, que e menor que 5 e entao apenas desprezamos todos
algarismos a partir da quarta casa decimal.
Demonstra
c
ao. x
= f 10e se 0 g < 0.5
Como f = 0.a1 . . . at e g = 0.at+1 . . . an temos
x
= (0.a1 a2 . . . at ) 10e se 0 g < 0.5
0 g < 0.5 0 0.at+1 . . . an < 0.5 at+1 < 5.
Isto mostra a primeira parte da equivalencia. Para a segunda parte temos
x
= (0.a1 a2 . . . at ) 10e + 10et se g 0.5
g 0.5 0.at+1 . . . an 0.5 at+1 5
Basta agora verificar que
x
= (0.a1 a2 . . . at ) 10e + 10et = (0.a1 . . . at + 10t ) 10e =
( 0.a1 . . . at + 0. 00
. . . 1} ) 10e = (0.a1 . . . at + 1) 10e
| {z
t
AO!
AT EN C
Na aritm
etica finita ou seja quando os n
umeros de ponto
flutuante s
ao representados apenas por um n
umero finito de casas decimais
as operac
oes aritmeticas envolvendo estes n
umeros introduzem sempre um
erro de arredondamento. Como ja salientamos todo equipamento eletronico
de calculo desde a mais simples calculadora ate o mais potente main frame
utiliza a aritmetica finita em seus calculos.
Veremos a seguir que os erros introduzidos pela aritmetica finita podem ser
controlados.
23
2.4.3
s.r.freitas
Proposi
c
ao 2.4.2
Suponha que estejamos utilizando arredondamento truncado e uma aritmetica finita com t casas decimais.
Ent
ao 101t e uma cota para o erro relativo cometido a cada operac
ao efetuada.
Demonstra
c
ao.
|Ex | =
|ex |
|g| 10et
10et
10et
=
<
=
= 101t
|
x|
|f | 10e
(0.1)10e
10e1
Proposi
c
ao 2.4.3 Suponha que estejamos utilizando arredondamento simetrico e uma aritmetica finita com t casas decimais.
1
Ent
ao 101t e uma cota para o erro relativo cometido a cada operac
ao
2
efetuada.
Demonstra
c
ao.
g 10et
se 0 < g < 12
ex =
(g 1) 10et
se 12 g < 1
g 10et /f 10e
ex
=
Ex =
|Ex | =
2.4.4
se
0<g<
se
1
2
1
2
g<1
1
1
1
1
|g| <
e
g < 1 |g 1| <
2
2
2
2
1
|g|10et
< 101t
e
|f |10
2
se
0<g<
|g 1|10et
|g 1|10et
1
<
< 101t
et
et
et
|f |10
+ 10
|f |10
2
se
1
2
1
2
g<1
2.5. Propagac
ao dos Erros
s.r.freitas
2.5
Propaga
c
ao dos Erros
2.5.1
Propagac
ao dos Erros Absolutos
Seja x
uma aproximac
ao para x e y uma aproximacao para y ou seja
ex = x x
e ey = y y Ent
ao temos:
1. Soma
ex+y = ex + ey
Demonstra
c
ao.
e(x+y) = (x + y) (
x + y) = (x x
) + (y y) = ex + ey
2. Subtra
c
ao
exy = ex ey
Demonstra
c
ao.
e(xy) = (x y) (
x y) = x x
(y y) = ex ey
3. Multiplica
c
ao
ex.y = x
ey + yex
Demonstra
c
ao.
Por definicao ex = x x
e ey = y y
xy = (
x + ex )(
y + ey ) = x
y + yex + x
ey + ex ey
25
(2.10)
2.5. Propagac
ao dos Erros
s.r.freitas
e(xy) = (xy) (
xy) x
ey + yex
4. Divis
ao
e( xy ) =
ex
ey
y
(
y )2
Demonstra
c
ao.
Como x = x
+ ex e y = y + ey temos:
x
(
x + ex )
1
=
= (
x + ex )
y
(
y + ey )
y(1 +
ey
y )
(2.11)
(1 ) =
=
y
y
y
(
y )2
pois como
x x
ex
x
ey 2 pois ex ey 0
y
y
y
(
y)
Assim e bastante razoavel considerar
ex
x
e( xy ) =
ey 2
y
(
y)
26
2.5. Propagac
ao dos Erros
2.5.2
s.r.freitas
Propagac
ao dos Erros Relativos
1. Soma e Subtra
c
ao
E(xy) =
ex ey
ey
ex
x
y
=
=
Ex
Ey
x
y
x
y x
y
x
y
x
y
y
Ex
Ey
x
y
x
y
2. Multiplica
c
ao
Exy =
e(xy)
x
ey + yex
x
ey
ey
yex
ex
=
=
+
=
+
= Ex + Ey
x
y
x
y
x
y
x
y
y
x
Exy = Ex + Ey
3. Divis
ao
E( xy ) =
e( xy )
x
y
x
ex ey
y ex
e( xy ) = (
ey ) =
= Ex Ey
2
x
x
y
(
y)
x
E( xy ) = Ex Ey
2.5. Propagac
ao dos Erros
s.r.freitas
(x1 + x2 )
x3
E(x1 +x2 ) +
Ex + r2
x1 + x2 + x3
x1 + x2 + x3 3
x1 + x2
=
r1 + r2
x1 + x2 + x3
=
(x1 + x2 + x3 )
E
+
x1 + x2 + x3 + x4 (x1 +x2 +x3 )
x4
Ex + r3 (Ex4 = 0)
x1 + x2 + x3 + x4 4
x1 + x2 + x3
x1 + x2
=
(r1
+ r2 ) + r3
x1 + x2 + x3 + x4
x1 + x2 + x3
x1 + x2 + x3
x1 + x2
(r1
+ r2 ) + r3
w
x1 + x2 + x3
1
(r2 (x1 + x2 + x3 ) + r1 (x1 + x2 ) +
w
r3 (x1 + x2 + x3 + x4 )
1
= (x1 (r1 + r2 + r3 ) + x2 (r1 + r2 + r3 ) +
w
x3 (r2 + r3 ) + x4 r4 )
Portanto temos :
1
(x1 (|r1 | + |r2 | + |r3 |) + x2 (|r1 | + |r2 | + |r3 |) +
w
x3 (|r2 | + |r3 |) + x4 |r4 |)
1
1
1
(3x1 + 3x2 + 2x3 + x4 ) 101t (pois |ri | 101t )
w
2
2
|Ew |
2.5. Propagac
ao dos Erros
s.r.freitas
a b
(a b)
Exemplo 2.5.2 Considere as expressoes u =
ev=
.
c
c
c
Supondo a, b e c positivos e exatos mostre que embora tenhamos u = v na
aritmetica infinita o erro relativo por arredondamento em v pode ser muito
maior que em u se a ' b.
E(a b) =
a
b
Ea
Eb + r1 = r1
ab
ab
(Ea = Eb = 0)
Eu = E (ab) = E(a b) Ec + r2 = r1 + r2 Ec = 0
c
1
Assim |Eu | |r1| + |r2 | 2 101t = 101t
2
Por outro lado
E( ac ) = Ea Ec + r3 = r3
E( b ) = Eb Ec + r4 = r4
c
Ev =
( ac )
( ac )
|Ev | |
( cb )
E( ac )
( cb )
( ac )
( cb )
E( b ) + r5 =
c
a
b
r3
r4 + r5
ab
ab
a
b
|a| + |b|
1
||r3 | + |
||r4 | + |r5 | (
+ 1) 101t
ab
ab
|a b|
2
lim (
ab
|a| + |b|
+ 1) = +
|a b|
29
2.6
s.r.freitas
Exerccios Propostos
1 Seja w =
n
X
xi e xi aproximacoes para xi .
i=1
1000
X
i=1
1 1 1 1
+ + +
2 3 4 5
para que tenhamos uma aproximacao para a soma com 3 casas decimais exatas.
Sugest
ao: Pode ser provado que o erro cometido quando se trunca
uma serie alternada decrescente no termo de ordem n e menor que o
valor absoluto do termo de ordem n + 1. Por exemplo, se aproximar1 1
mos a serie por, digamos, 1 + o erro cometido sera menor que
2 3
1
.
4
5 Suponha que a seja um n
umero positivo e exato e que o n
umero 2
possa ser representado de maneira exata num computador.
Determine limites para os erros relativos cometidos em u = a + a e
v = 2a e conclua que este limites sao iguais.
6 Suponha que a seja um n
umero positivo e exato e que o n
umero 3
possa ser representado de maneira exata num computador.
Determine cotas para os erros relativos cometidos em u = a + a + a e
v = 3a.
Conclua que a cota para a expressao u e maior que a cota para a
express
ao v.
30
s.r.freitas
31
s.r.freitas
32
Captulo 3
Zeros de Func
oes
Dada uma func
ao f : R R dizemos que a R e um zero da funcao f se
f (a) = 0 .
Observe que determinar os zeros de uma funcao f e equivalente a determinar
as raizes da equac
ao f (x) = 0, ou seja determinar os valores x R que
satisfazem f (x) = 0.
Exemplos
a) f (x) = 3x 4
b) f (x) = x2 + 2x 3
c) f (x) = sen(x) x
d) f (x) = xex 2
Podemos sem grandes dificuldades determinar os zeros das funcoes dos items
a) e b).
No caso da func
ao do item a) temos um u
nico zero x = 4/3.
Para a func
ao do item b) podemos usar a formula de Baskhara para encontrar as raizes x1 = 1 e x2 = 3 da equacao x2 + 2x 3 = 0.
Para a func
ao do item c) o valor x = 0 e evidentemente um zero de f . Sera
que n
ao existe outro zero?
No caso da func
ao do item d) n
ao e nada evidente que a funcao tenha algum
zero e caso tenha qual seja seu valor. Assim o problemas de determinacao
de zeros de uma func
ao envolvem obviamente as seguintes questoes basicas:
A func
ao tem algum zero ?
Ele e u
nico ?
Qual e seu valor ?
33
3.1. Delimitac
ao dos zeros de uma funcao
3.1
s.r.freitas
Delimita
c
ao dos zeros de uma fun
c
ao
3.1.1
M
etodo Gr
afico
Como j
a foi observado, determinar os zeros de f e equivalente a determinar
as raizes da equac
ao f (x) = 0. Tendo como base esta observacao o metodo
gr
afico consiste em :
Escrever f como a diferenca de funcoes g e h ou seja f = g h onde
possamos sem muito esforco esbocar os graficos das funcoes g e h;
Usar f (x) = 0 g(x) = h(x);
Esbocar, da melhor maneira possvel, os graficos de g e h e determinar
por inspec
ao os intervalos onde estao os pontos de interseccao de g(x)
e h(x) ou seja os pontos x
onde g(
x) = h(
x)
Exemplo 3.1.1 Delimitar os zeros da funcao f (x) = ex + x2 2 .
Solu
c
ao
f (x) = 0 ex + x2 2 = 0 ex = 2 x2
Assim temos g(x) = ex e h(x) = 2 x2 (Veja Figura 3.1)
g(x) = ex
2
x
1
x
2
h(x) = 2 x2
Figura 3.1:
.. . x
1 zero de f (0, 2) e x
2 zero de f ( 2, 0)
34
3.1. Delimitac
ao dos zeros de uma funcao
s.r.freitas
h(x) = ln(x)
1
x
1
g(x) = x
Figura 3.2:
.. . x
zero de f : x
(0, 1)
Exemplo 3.1.3 Delimitar os zeros da funcao f (x) = ex 1/x .
Solu
c
ao
f (x) = 0 ex 1/x = 0 ex = 1/x (Veja Figura 3.3)
h(x) = ex
1
g(x) = 1/x
x
1
Figura 3.3:
.. . x
zero de f : x
(0, 1)
35
3.1. Delimitac
ao dos zeros de uma funcao
3.1.2
s.r.freitas
M
etodo Analtico
ent
ao c (a, b) : f (c) = 0.
AO!
AT EN C
f (x) > 0 se x 0
Observe (Figura 3.4) que f (x) < 0 se x < 0
mas f (x) 6= 0 x R
Note que a func
ao f definida acima e descontnua no ponto x = 0 pois
lim f (x) 6= f (0) . ( lim f (x) = + e f (0) = 2)
x0+
x0+
Exemplo 3.1.6 f : R R
f (x) = xex 2
Solu
c
ao
f (0) = 2 e f (1) = e 2 > 0 = f (0)f (1) < 0 = x
zero de f tal que
x
(0, 1)
36
3.1. Delimitac
ao dos zeros de uma funcao
s.r.freitas
y = 1/x
x
Figura 3.4:
Uma pergunta natural neste ponto e sobre a existencia ou nao de outro zero
neste intervalo. O teorema a seguir nos ajuda a responder essa questao.
Teorema de Rolle
Seja f : R R ; contnua em [a, b] e derivavel em (a, b).
Sejam x1 , x2 [a, b] tal que f (x1 ) = f (x2 ) = 0.
Entao x1 (x1 , x2 ) tal que f 0 () = 0.
O teorema afirma que entre dois zeros da funcao sempre existe um zero da
derivada.
Nas provas de unicidade usaremos o teorema de Rolle na sua forma contrapositiva
Contra-positiva do Teorema de Rolle
Se f 0 (x) 6= 0, x (a, b) ent
ao f (x) 6= f (z), x, z (a, b) com x 6= z
Exemplo 3.1.7 Prove que f : R R; f (x) = xex 2 tem um u
nico zero
em (0, 1).
Solu
c
ao
Temos que:
f (x) = xex 2 = f 0 (x) = ex (1 x).
.. . f 0 (x) = ex (1 x) 6= 0
x (0, 1).
3.1. Delimitac
ao dos zeros de uma funcao
s.r.freitas
38
3.2
s.r.freitas
M
etodo da Bissec
c
ao - MB
(bk1 ak1 )
, k = 1, 2, 3, . . .
2
para
k = 1, 2, 3, . . .
xk
(
(xk , bk1 ) se f (xk ) < 0
(ak , bk ) :=
(ak1 , xk ) se f (xk ) > 0
(3.1)
Observe que:
Se f (xk ) = 0 ent
ao n
os encontramos o zero x
= xk que estamos procurando.
f (ak ) < 0 e f (bk ) > 0 pela construcao de (ak , bk )
Proposi
c
ao 3.2.1 Considerando a seq
uencia de intervalos definidos em
(3.1) e ap
os n etapas teremos (Figura 3.5)
39
s.r.freitas
(b0 a0 )
2n
an
xn+1
bn
i) x
(an , bn );
ii) (bn an ) =
b0 a0
;
2n
iii) |xn+1 x
|
(b0 a0 )
2n
Demonstra
c
ao.
i) Pela construc
ao dos intervalos em (3.1) nota-se que
TV I
=
=
=
=
(b0 a0 )/2
(b1 a1 )/2
(b2 a2 )/2
(b3 a3 )/2
..
.
an + bn
xn+1 (an , bn )
2
.. . |xn+1 x
| < (bn an ) = (b0 a0 )/2n ( Veja Figura 3.5 )
iv) 0 lim |xn+1 x
| < lim (b0 a0 )/2n = 0
n
.. . lim xn+1 = x
40
s.r.freitas
Pela proposic
ao 3.2.1, para se determinar uma aproximacao x para x
k
0
1
2
3
4
5
6
7
ak
1
1.5
1.5
1.625
1.6875
1.71875
1.71875
1.72657
bk
2
2
1.75
1.75
1.75
1.75
1.73438
1.73438
xk+1
1.5
1.75
1.625
1.6875
1.71875
1.73438
1.72657
x
= (1.72657 + 1.73438)/2 = 1.73048
f (xk+1 )
<0
>0
<0
<0
<0
>0
<0
Exemplo 3.2.2
Determine o zero de f (x) = x + ln(x) com erro inferior a 102 .
Como j
a vimos anteriormente o zero x (0, 1).
Como comprimento do intervalo onde se encontra o zero e a precisao desejada
sao os mesmos do exemplo anterior, o n
umero de etapas tambem sera mesma
ou seja n = 7.
41
ak
0
0.5
0.5
0.5
0.5625
0.5625
0.5625
0.5625
bk
1
1
0.75
0.625
0.625
0.5938
0.5781
0.5703
s.r.freitas
xk+1
0.5
0.75
0.625
0.5625
0.5938
0.5781
0.5703
x
= 0.5664
42
f (xk+1 )
<0
>0
>0
<0
>0
>0
>0
3.3
s.r.freitas
M
etodo Iterativo Linear - MIL
Como j
a vimos, para utilizar o metodo da bisseccao e necessario que exista
um intervalo no qual a func
ao troca de sinal.
claro que existem funcoes que nao satisfazem esta propriedade. Uma
E
funcao f tal que f (x) 0 tem obviamente zeros que nao podem ser determinados atraves do metodo da bisseccao.
Assim ser
ao necess
arios outros metodos para se determinar aproximacoes
para os zeros nestes casos.
Um desses metodos e o m
etodo iterativo linear que como veremos a seguir
esta intimamente ligado ao m
etodo das aproxima
c
oes sucessivas.
O metodo das aproximac
oes sucessivas determina aproximacoes para pontos fixos de func
oes como ser
a visto em seguida.
Defini
c
ao 3.3.1 Dada uma func
ao f : R R, dizemos que R e ponto
fixo de f f () =
Exemplos
1 - f (x) = x R e ponto fixo de f ;
2 - f (x) = x3
AO!
AT EN C
s.r.freitas
para alguma g
AO!
AT EN C
o
g(x)
e determinar os pontos de interseccao entre as curvas
(
y=g(x)
(Veja a figura 3.6)
y=x
y
y=x
g() =
y = g(x)
x
Figura 3.6:
f
E
acil ver que e sempre possvel transformar f (x) = 0 x = g(x) para
alguma g.
De fato, basta ver que f (x) = 0 x = x + f (x) e assim escolher
g(x) = x + f (x).
Pode-se mostrar tambem que esta equivalencia nao e u
nica ou seja a equacao
f (x) = 0 pode dar origem a diversas equacoes equivalentes x = g(x).
Vejamos alguns exemplos deste fato.
i - f (x) = ex x
(
x = ex
f (x) = 0 ex x = 0
x = ln(x)
ii - f (x) = x2 2
44
s.r.freitas
x = x + x 2
f (x) = 0 x2 2 = 0 x = 2/x
x = (x + 2/x)/2
Proposi
c
ao 3.3.1 Metodo das Aproximac
oes Sucessivas (MAS)
Seja g : R R contnua e x0 arbitr
ario R.
Considere a seq
uencia (xn ) definida recursivamente por:
(
x0 se n = 0
xn :=
(Veja figura 3.7)
g(xn1 ) se n 1
y
y=x
Observe que:
x1 = g(x0 )
x2 = g(x1 )
(x0 , x1 )
(x1 , x1 )
(x1 , x2 )
x0 x2 x1
y = g(x)
x
Se lim(xn ) = ent
ao g() = ou seja e um ponto fixo de g.
Demonstra
c
ao.
= lim (xn )
n
def. xn
lim g(xn1 )
g continua
y=x
s.r.freitas
y
y = g(x)
y=x
y = g(x)
x0
x1
x2 x
x0 x2 x
x1
A proposic
ao (3.3.2), a seguir, esclarece esta questao.
Na demonstrac
ao a seguir vamos utilizar o seguinte teorema do
c
alculo diferencial
Teorema do Valor M
edio (TVM)
Seja f : [a, b] R contnua em [a, b] e derivavel em (a, b).
Ent
ao x1 , x2 [a, b], (x1 , x2 ) : f (x1 ) f (x2 ) = f 0 ()(x1 x2 )
Proposi
c
ao 3.3.2 Metodo Iterativo Linear
Seja f : (a, b) R ; x
(a, b) zero de f e x0 (a, b) arbitr
ario.
Considerando a equivalencia f (x) = 0 x = g(x) definimos a seq
uencia
(xn ) recursivamente como
(xn ) :=
x0
g(xn1 )
se
se
n=0
n1
Ent
ao temos:
(i) Se |g 0 (x)| L < 1
figura 3.8
(ii) Se |g 0 (x)| M > 1
a figura 3.9
Demonstra
c
ao. Vamos demonstrar inicialmente o item (i).
Como x
e zero de f = x
e ponto fixo de g pois pela equivalencia temos
46
s.r.freitas
f (
x) = 0 x
= g(
x)
|xk x
| = |g(xk1 ) g(
x)|
Usando a hip
otese |g 0 (x)| L
|xk x
| L|xk1 x
|
(T V M )
|g 0 ()||xk1 x
|
k N
(3.2)
x (a, b) temos
k N
(3.3)
0 lim |xn x
| lim Ln |x0 x
| = 0
(*)
0 L < 1 = lim Ln = 0
ou
(3.4)
xn x
(M ) (x0 x
)
(3.5)
s.r.freitas
g 0 (x) > 1
g 0 (x) < 1
y = g(x)
y=x
y=x
x2
x1 x
x0
x
y = g(x)
x2
x1 x0 x
Exemplo 3.3.1 Considere f (x) = xex 1, que como ja vimos no exemplo 3.1.3, tem um zero x
(0, 1)
Vamos determinar uma aproximacao para este zero usando o MIL.
(
i) g(x) = ex
f (x) = xex 1 = 0 x = ex =
ii) g(x) = ln(x)
i) g 0 (x) = ex = |g 0 (x)| = |ex | = ex
Como a func
ao f (x) = ex e decrescente no intervalo (0, 1), teremos
ex < e0 para todo x (0, 1).
Concluimos ent
ao que|g 0 (x)| < 1 x (0, 1).
Assim escolhendo x0 (0, 1) a seq
uencia xn := g(xn1 ) = exn1 convergira
para x
que e o ponto ponto fixo de g e portanto o zero de f .
ii) g 0 (x) = ln x = |g 0 (x)| = |1/x| > 1
Essa escolha para g nao e adequada.
48
x (0, 1).
s.r.freitas
k
0
1
2
3
4
5
6
7
8
9
10
11
12
3.3.1
xk = g(xk1 ) = exk1
0.5 (arbitrario)
0.6065
0.5452
0.5797
0.5601
0.5712
0.5649
0.5684
0.5664
0.5676
0.5669
0.5673
0.5671
|xk xk1 |
0.1065
0.0613
0.0345
0.0187
0.0111
0.0063
0.0020
0.0020
0.0012
0.0007
0.0004
0.0002
Crit
erios de Parada
Como a seq
uencia xn e convergente = lim |xk xk1 | = 0. Ou seja a
k
2 e zero de f )
s.r.freitas
xk = g(xk1 )
1.750000000
1.446428571
1.414572310
1.414213608
1.414213562
|xk xk1 |
3.03571428571429 101
3.18562610229276 102
3.58702541713773 104
4.54908342106819 108
x = arctg(
s.r.freitas
x+1
x+1
) = g(x) = arctg(
)
2
2
g 0 (x) =
1
2
.. . g(x) = arctg(
1
1
<
2
2
(x + 1)
1+
4
x+1
) e a func
ao de iteracao adequada.
2
AT EN C
AO!
x = x + f (x).
Infelizmente esta equivalencia nos fornece a funcao de iteracao g(x) = x +
f (x) que e, maioria das vezes, inadequada pois |g 0 (x)| = |1 + f 0 (x)| e quase
sempre maior do que 1.
AT EN C
AO!
51
3.3.2
s.r.freitas
Ordem de Converg
encia do MIL
Defini
c
ao 3.3.2 Ordem de Convergencia
Considere xn tal que lim xn = .
n
|en+1 |
=k
|(en )p |
onde : k = cte e en := xn
Observe que:
lim
|en+1 |
= k |en+1 | C|(en )p | para alguma contante C e n n0
|(en )p |
|en+1 |
= |g 0 ()|
n |(en )|
lim
Proposi
c
ao 3.3.4 Seja f : (a, b) R e x
(a, b) zero de f .
Considere a equivalencia f (x) = 0 x = g(x) em (a, b)
Se |g 0 (x)| L < 1 x (a, b) |
x xn |
L
|xn xn1 |
1L
Demonstra
c
ao. Usando o TVM, podemos escrever que:
Para algum entre xn e xn+1
xn+1 xn = g(xn ) g(xn1 ) = g 0 ()(xn xn1 )
.. .
n N
n N
s.r.freitas
Como
|xm xn | = |(xm xm1 ) + (xm1 xm2 ) + + + (xn+1 xn )|
Temos
|xm xn | |xm xm1 | + |xm1 xm2 | + + |xn+1 xn )|
(Lm + Lm1 + + L)|xn xn1 |
Mas
m
X
Li =
i=1
L(1 Lm )
L Lm+1
=
( serie geometrica de raz
ao L)
1L
1L
.. .
(L Lm+1 )
|xn+1 xn |
m
1L
lim Lm+1 = 0
temos
|
x xn |
L
|xn xn1 |
1L
Corol
ario 3.3.1 Pela proposic
ao anterior, para determinar x
zero de f
com erro inferior a > 0, devemos fazer iterac
oes ate atingir a condic
ao
1L
L
|xn xn1 |
< ou seja |xn xn1 | <
1L
L
Exemplo 3.3.4 Seja f : (1, 1) R dada por f (x) = ex 3x Usando o
MIL determine uma aproximac
ao para o zero de f com erro inferior `a 103
f (1)f (1) < 0 x
(1, 1)
f (x) = 0 ex 3x = 0 x = ex /3 g(x) = ex /3
g 0 (x) = ex /3 |g 0 (x)| 0.9 x (1, 1)
Assim devemos calcular iterac
oes xn ate que
1 0.9 3
)10 = 1.1 104
0.9
53
xn = g(xn1 )
0.5 (arbitr
ario)
0.54957
0.57750
0.59386
0.60366
0.60960
0.61323
0.61546
|xn xn1 |
s.r.freitas
n
8
9
10
11
12
13
14
0.04957
0.02793
0.01636
0.00979
0.00594
0.00363
0.00223
54
xn = g(xn1 )
0.61684
0.61769
0.61821
0.61853
0.61874
0.61886
0.61894
x
0.61994
|xn xn1 |
0.00138
0.00085
0.00052
0.00032
0.00020
0.00012
0.00008
3.4
s.r.freitas
M
etodo Iterativo Linear Modificado
A seguinte modificac
ao no MIL foi proposta por Weigstein. Como veremos a seguir essa modificac
ao acelerar
a a convergencia das seq
uencias
ja convergentes para o MIL, e o que e melhor, tornara as seq
uencias divergentes convergentes. Vamos considerar, como de praxe, a equivalencia
f (x) = 0 x = g(x) e x
um zero de f .
Denotando hn = g(xn ) xn podemos definir a seq
uencia de iterados para o
MIL como:
xn+1
(
x0
:=
xn + hn
arbitr
ario,
n 1.
(3.6)
x
n+1
(
x0
:=
xn + hn
arbitrario,
n 1.
(3.7)
onde o valor de deve ser escolhido de modo que xn+1 fique mais proximo
de x
. A melhor escolha e sem d
uvida quando xn+1 = x
. Vamos impor essa
condic
ao e determinar o valor de . (Veja figura 3.10)
tg() =
( 1)hn
1
=
hn
g(
x) g(xn )
= g 0 (); (xn , x
) (T V M )
(
x xn )
1 g 0 ()
Como n
ao conhecemos o valor de g 0 () vamos usar a seguinte aproximacao
0
para g ()
g 0 ()
g(xn ) g(xn1 )
g(xn ) xn
=
xn xn1
xn xn1
55
s.r.freitas
g(
x)
( 1)hn
g(xn )
hn
hn
xn
xn+1
Figura 3.10:
1
xn xn1
=
g(xn xn )
2xn xn1 g(xn )
1
xn xn1
xn xn1
xn1 g(xn ) x2n
(f (xn ) xn ) =
2xn xn1 g(xn )
g(xn ) + xn1 2xn
todo iterativo
vamos a seguir analisar o comportamento do me
modificado.
CONVERGENTE
|g 0 ()|
(
0 < g 0 () < 1 ou,
< 1
1 < g 0 () < 0.
s.r.freitas
Logo o metodo neste caso diminue os passos de um fator entre 1/2 e 1. (Veja
a figuras em 3.8)
DIVERGENTE
|g 0 ()|
(
g 0 () > 1 ou,
> 1
g 0 () < 1.
n = 1, 2, 3, . . .
xn := g(xn1 )
hn := g(xn ) xn
xn xn1
xn+1 := xn + hn
n := n + 1
Vejamos a seguir alguns exemplos da utilizacao do Algoritmo.
Exemplo 3.4.1 Determinar, atraves do Metodo Iterativo Modificado, o zero de f (x) = xex 1; x (0, 1).
f (x) = 0 x = g(x) onde g(x) = ex .
57
s.r.freitas
xn
5.0000000000E-01
5.6762387641E-01
5.6714331444E-01
|xn+1 xn |
|f (xn )|
6.7623876409E-02
4.8056196647E-04
1.3284890447E-03
6.6407665145E-08
Exemplo 3.4.2 Determinar, atraves do Metodo Iterativo Modificado, o zero de f (x) = x2 2 no intervalo (0, 2).
f (x) = 0 x = g(x) onde g(x) = 2/x.
|g 0 (x)| = 2/x2 > 1 x (0, 1). Observe que para esse caso nao podemos
garantir a convergencia para o MIL.
n
0
1
2
3
4
5
xn
6.0000000000E-01
1.9666666667E+00
1.4918079096E+00
1.4162315443E+00
1.4142150002E+00
1.4142132227E+00
|xn+1 xn |
|f (xn )|
1.3666666667E+00
4.7485875706E-01
7.5576365338E-02
2.0165440983E-03
1.7774764274E-06
1.8677777778E+00
2.2549083916E-01
5.7117869801E-03
4.0667036956E-06
9.6075928013E-07
Exemplo 3.4.3 Determinar, atraves do Metodo Iterativo Modificado, o zero de f (x) = ex 3x no intervalo (1, 1).
f (x) = 0 x = g(x) onde g(x) = ln(3x).
|g 0 (x)| = |1/x| > 1 x (1, 1). Tambem para esse caso nao podemos
garantir a convergencia para o MIL.
n
0
1
2
3
4
xn
5.0000000000E-01
5.7768577349E-01
6.1359764200E-01
6.1896009982E-01
6.1906127102E-01
|xn+1 xn |
|f (xn )|
7.7685773491E-02
3.5911868511E-02
5.3624578131E-03
1.0117120109E-04
4.8852591801E-02
6.2716107495E-03
1.1564755368E-04
1.7964339349E-08
58
3.5
s.r.freitas
M
etodo de Newton - MN
onde Rn =
3.5.1
h2 00
hn n
f (x) + +
f (x) + Rn
2
n!
hn+1 n+1
f
() para algum [x, x + h]
(n + 1)!
O Algoritmo de Newton
Podemos ent
ao, desprezando-se o termo
2 00
2 f (),
considerar
f (xn )
f 0 (xn )
e ent
ao xn+1 xn
f (xn )
f 0 (xn )
Definimos ent
ao a seq
uencia de aproximacoes no metodo de Newton do
seguinte modo
ario) se n = 0
x0 (arbitr
xn+1 :=
(3.8)
f (xn )
xn f 0 (xn )
se n 1
59
AT EN C
AO!
s.r.freitas
a func
ao
f (x)
como funcao de iteracao no MIL pois
f 0 (x)
f (xn )
:= g(xn ) = xn 0
f (xn )
g(x) = x
xn+1
3.5.2
Interpreta
c
ao Geom
etrica
(xn , f (xn ))
xn+1
xn
Figura 3.11:
s.r.freitas
ser
a dada por :
xn+1 := xn
(xn exn 1)
1 x2n exn
=
exn (1 + xn )
exn (1 + xn )
(3.9)
3.5.3
xn
1.0 (arbitrario)
0.683939721
0.577454477
0.567229738
0.567143297
0.567143290
|xn+1 xn |
0.316060279
0.106485243
0.010224739
0.000086441
0.000000006
Condic
oes de Converg
encia
Proposi
c
ao 3.5.1 Convergencia do Metodo de Newton
Seja f : (a, b) R e x
(a, b) zero de f .
(
a)f 0 (x) 6= 0 x (a, b), x 6= x
;
Se
00
b)f (x) e continua em (a, b)
Ent
ao h > 0 : |g 0 (x)| L < 1 x I = [
x h, x
+ h] , onde
f (x)
g(x) = x 0
f (x)
AO!
AT EN C
A proposic
ao anterior garante a convergencia da seq
uencia
xn+1 = g(xn ) para o zero x
desde que x0 seja escolhido convenientemente,
ou seja x0 I.
Podemos ent
ao afirmar que:
Desde que o valor inicial x0 seja escolhido suficientemente proximo de x
estar
a garantida a convergencia doMetodo de Newton
Demonstra
c
ao.
g 0 (x) = 1
(3.10)
Como f (
x) = 0 g 0 (
x) = 1
s.r.freitas
f 0 (
x)2
=0
f 0 (
x)2
xn
0.2 (arbitrario)
0.095652174
0.047380354
0.023636755
0.011811767
0.005905059
0.002952427
0.001476200
0.000738099
0.000369049
0.000184525
|xn+1 xn |
0.104347826
0.048271820
0.023743599
0.011824988
0.005906708
0.002952633
0.001476226
0.000738102
0.000369050
0.000184525
Tabela 3.1:
AT EN C
AO!
s.r.freitas
xn
2.0 (arbitrario)
1.571428571
1.278312361
1.099631469
1.018541981
1.000808550
1.000001630
1.000000000
|xn xn1 |
0.428571429
0.293116210
0.178680893
0.081089488
0.017733430
0.000806920
0.000001630
Tabela 3.2:
n
0
1
2
3
4
5
6
n1 )
xn = xn1 ff0(x
(xn1 )
1.5 (arbitrario)
1.232142857
1.075375542
1.011308128
1.000307850
1.000000237
1.000000000
|xn xn1 |
0.267857143
0.156767315
0.064067414
0.011000278
0.000307613
0.000000237
Tabela 3.3:
Defini
c
ao 3.5.1 Ordem de um Zero
Dizemos que x
e um zero de ordem m de f x
e zero de f e todas suas
derivadas ate a ordem m 1, ou seja
f 0 (
x) = f 00 (
x) = = f m1 (
x) = 0
f m (
x) 6= 0
s.r.freitas
f 0 (1)
f (1) = 0 e
3.5.4
6= 0
f 0 (1)
.. .
6= 0
.. .
0 e zero duplo de f
1 e zero simples de f
.. .
1 e zero simples de f
Ordem de Converg
encia
Proposi
c
ao 3.5.2 Ordem de Convergencia do Metodo
Seja f : R R satisfazendo as condic
oes da Proposic
ao 3.5.1 e (xn ) a
seq
uencia definida em (3.8).
Suponhamos x
um zero de ordem m de f .
Ent
ao:
i) Se m = 1 o metodo tem ordem de convergencia p = 2
ii) Se m > 1 o metodo tem ordem de convergencia p = 1
Demonstra
c
ao de i)
Temos que en+1 := x
xn+1 e en := x
xn x
= xn + en
Taylor
0 = f (
x) = f (xn + en ) = f (xn ) + en f 0 (xn ) +
e2n 00
f (n )
2
e2n 00
f (xn )
e2
f (n ) = 0
= en + n f 00 (n )
2
f (xn )
2
xn+1
.. .
|en+1 |
1 |f 00 (n )|
=
|en |2
2 |f 0 (xn )|
64
s.r.freitas
|en+1 |
1 |f 00 (
x)|
=
0
n |en |2
2 |f (
x)|
.. . lim
Demonstra
c
ao de ii)
Suponhamos x
um zero de f com ordem m > 1. Assim temos
f (
x) = f 0 (
x) = = f m1 (
x) = 0 e f m (
x) 6= 0
(3.11)
como en = x
xn temos
Taylor
f (xn ) = f (
x en ) = f (
x) en f 0 (
x) +
e2n 00
em
f (
x) (1)m n f m (n )
2
m!
x
en n x
em
n m
f (n )
m!
f 0 (xn ) = f 0 (
x en ) = f 0 (
x) en f 00 (
x) +
(1)m1
em1
n
f m (n )
(m 1)!
.. . f 0 (xn ) = (1)m
e2n 000
f (
x)
2
x
en n x
em1
n
f m (n )
(m 1)!
Assim temos
1 f m (n )
f (xn )
=
en
f 0 (xn )
m f m (n )
.. . xn+1 = xn
f (xn )
1 f m (n )
=
x
+
e
n
n
f 0 (xn )
m f m (n )
65
s.r.freitas
1 f m (n )
1
f m (n )
=
e
(
1)
n
m f m (n )
m
f m (n )
x
en n x
|en+1 |
1
|f m (
x)|
1
= | 1| m
= | 1|
n |en |
m
|f (
x|
m
lim
3.6
M
etodo da Secante - MS
f (xn ) f (xn1
xn xn1
temos
xn+1 := xn f (xn )(
xn xn1
xn1 f (xn ) xn f (xn1 )
)=
f (xn ) f (xn1 )
f (xn ) f (xn1 )
Observe que neste caso sao necessarios 2 valores iniciais para definir a seq
uencia xn+1 ou seja
xn+1 :=
x0 , x1 arbitrarios
para n 2
f (xn ) f (xn1 )
66
s.r.freitas
r
(xn , f (xn ))
xn1
xn+1
x
xn
(xn1 , f (xn1 ))
Figura 3.12:
3.6.1
Interpretac
ao Geom
etrica do MS
Seja r a reta que passa pelos pontos (xn , f (xn ) e (xn1 , f (xn1 )
.. . r : y f (xn ) = (
f (xn ) f (xn1 )
)(x xn )
xn xn1
f (xn ) = (
xn+1 =
f (xn ) f (xn1 )
)(xn+1 xn )
xn xn1
e2x 1
3. Determine uma
ex 1
aproximac
ao para o zero de f usando o metodo da secante e calculando as
iterac
oes ate que |xn+1 xn | < 103
Exemplo 3.6.1 Considere f : R R, f (x) =
67
3.6.2
s.r.freitas
xn+1
x0 = 1
0.917283206
0.857764050
0.710454815
0.694528899
0.693159100
0.693147189
|xn+1 xn |
x1 = 3
2.082716794
0.059519156
0.147309235
0.015925917
0.001369798
0.000011912
Ordem de Converg
encia
Proposi
c
ao 3.6.1 Ordem de Convergencia do Metodo da Secante.
Com a utilizac
ao de algumas tecnicas matem
aticas que n
ao est
ao ao nosso
alcance no momento e possvel demonstrar que o metodo da secante tem
ordem de convergencia
|en+1 |
=
|en |1.618
68
3.7
s.r.freitas
Exerccios Propostos
5
5 com erro inferior a 102 .
4 Quantas etapas s
ao necessarias para calcular o zero de f (x) = ex x2
usando o metodo da Bisseccao e erro inferior a 101 .
5 Dada f (x) = x3 + x 1000 .
a) Mostre que existe um zero de f em (9, 10);
b) Determine uma func
ao de iteracao g para o Metodo Iterativo
Linear de modo que f (x) = 0 x = g(x) e |g 0 (x)| < 1 x
(9, 10) .
6 Coloque a equac
ao x + 2ln(x) = 0 sob a forma x = g(x) de modo que
a seq
uencia xn := g(xn1 ) convirja para a raiz, partindo de um x0
arbitrariamente escolhido.
7 Considere a func
ao f (x) = x3 x 5 que tem um zero no intervalo
(0,3). f (x) = 0 x = g(x) onde :
(a) g(x) = x3 5;
p
(b) g(x) = 3 (x + 5);
(c) g(x) = 5/(x2 1);
69
s.r.freitas
70
Captulo 4
Zeros de Polin
omios
Ate agora foram consideradas sempre funcoes definidas em R e com valores
reais, ou seja, func
oes do tipo f : R R.
Vamos agora tratar o caso especial das funcoes polinomiais com coeficientes
reais ou seja P : C C onde P e definida por
P (z) = a0 z n + a1 z n1 + + an1 z + an
com
ai R
4.1
N
umeros Complexos
4.1. N
umeros Complexos
s.r.freitas
y
z = a + ib
r
r2 = x2 + y 2 r =
p
x2 + y 2
1
1 z
1
1
=
= 2 z = 2
(a ib)
z
z z
|z|
a + b2
4)
w
1
1
1
=w = 2
(a ib)(c + id) = 2
(ac + bd) + i(ad bc)
2
z
z
a +b
a + b2
Conjugado de um complexo
Dado o complexo z = a+ib definimos conjugado desse complexo e denotamos
z o complexo z := a ib.
Propriedades do conjugado
Sejam z, w C e R.
1)
=
2) z + w = z + w
72
4.1. N
umeros Complexos
s.r.freitas
3) z n = (
z )n
Exemplo 4.1.1 Mostre que se P (z) = a0 z n +a1 z n1 + +an1 z+an , ai
R ent
ao
P (z) = P (
z)
Solu
c
ao
P (z) =
a0 z n + a1 z n1 + + an1 z + an =
a0 z n + a1 z n1 + + an1 z n1 + an =
a0 (
z )n + a1 (
z )n1 + + an1 (
z ) + an = P (
z)
observac
ao da proposic
ao 4.1.1) Pelo Teorema Fundamental da Algebra
o
polinomio deve ter exatamente n raizes e como n por hipotese e impar
chegamos a uma contradic
ao. Assim nossa suposicao da nao existencia de
raizes reais e falsa ou seja existe ao menos uma raiz real.
73
4.2. Delimitac
ao dos Zeros
4.2
s.r.freitas
Delimita
c
ao dos Zeros
z3
R
z2
z1
Figura 4.2:
Proposi
c
ao 4.2.1 Seja P (z) = a0 z n + a1 z n1 + + an com ai R e
a0 6= 0. Considere A = max{|a1 |, |a2 |, . . . , |an |}. Ent
ao as raizes pertencem
A
ao circulo de centro 0 e raio R = 1 +
|a0 |
(figura 4.2)
Demonstra
c
ao.
1
|a0 ||z|n A( |z|
|z|1 ) > (|a0 |
.. . Se |a0 |
A
n
|z|1 )|z|
A
0 |P (z)| > 0 P (z) nao tem zeros.
|z| 1
A
A
< 0 |z| < 1 +
=R
|z| 1
|a0 |
74
4.2. Delimitac
ao dos Zeros
AO!
AT EN C
s.r.freitas
AO!
AT EN C
s.r.freitas
z3
r
z2
z1
Figura 4.3:
4.3
Zeros Racionais
Defini
c
ao 4.3.1 Sejam m, n Z. Dizemos que m divide n e denotamos
m | n r Z : n = mr
Exemplos
2 | 6 pois 6 = (3)(2)
5 | 35 pois 35 = (7)(5)
2 6 | 7 pois 6 m Z : 7 = 2m
Proposi
c
ao 4.3.1 Seja P (z) = a0 z n + a1 z n1 + + an onde ai Z e
a0 6= 0 e n 1 . Se p/q e uma raiz racional, na forma irredutvel, de
P (z) = 0 ent
ao
p | an e q | a0
Demonstra
c
ao. Vamos mostrar inicialmente que p | an .
Seja p/q zero de P (z) na forma irredutvel ou seja P (p/q) = 0 e p 6 | q
.. .
a0 ( pq )n + a1 ( pq )n1 + + an1 ( pq ) + an = 0
n
n1
= an
a0 pn + a1 pn1 q + + an1 pq n1
= an q n
= an q n
76
s.r.freitas
4.4
M
etodo de Horner - Avalia
c
ao de P(z)
P (zi )
P 0 (zi )
n1
4.5
s.r.freitas
AO!
AT EN C
bi = ai + bi1
1
5+1 = 6
7 + 6 = 13
3 + 13 = 10
9 + 10 = 1
78
4.6
s.r.freitas
+ r(z)
onde grau de Q(z) = n 2 e grau de r(z) 1
Assim para calcular P (w) basta calcular r(w).
Para determinar Q(z) e r(z) procedemos da seguinte maneira
Vamos denotar m = 2 e n = (2 + 2 )
(4.1)
0 para k = 2, 1
bk := ak + nbk2 + mbk1 para k = 0, . . . , n 1
an + nbn2 para k = n
79
s.r.freitas
ai
b2 = 0
b1 = 0
1
2
4
0
1
5bi2 + 4bi1
bi = ai 5bi2 + 4bi1
5 0 + 4 0 =
0
5 0 + 4 1 =
4
5 1 + 4 2 =
3
5 2 + 4 7 = 18
5 7
= 35
1
2
7
18
36
P (w) = b3 w + b4 = 18w 36
P (2 + i) = 18(2 + i) 36 = 18i
Q(z) = b0 z 2 + b1 z + b2 Q(z) = z 2 + 2z + 7
AO!
AT EN C
Observe que :
z| 4 2z 3{z
+ 4z 2 1} = (z 2 4z + 5) (z 2 + 2z + 7) + (18z 36)
|
{z
} |
{z
} | {z }
P (z)
(zw)(zw)
Q(z)
r(z)
z0 arbitrario para n = 0
zn :=
P (zn1 )
zn1 0
para n 1
P (zn1 )
A cada iterac
ao utilizamos o algoritmo de Horner para calcular os valores
0
P (zn1 ) e P (zn1 )
80
4.7. Deflac
ao de um Polin
omio
s.r.freitas
n
0
1
2
3
4
5
6
7
n
0
1
2
3
4
5
4.7
n1 )
zn = zn1 PP0(z
(zn1 )
0.000000000 + i0.500000000
0.529411765 + i1.117647059
0.217788266 + i0.803412190
0.169048237 + i1.018642769
0.020983783 + i0.982389404
0.000656032 + i0.999467607
0.000000773 + i1.000000202
0.000000000 + i1.000000000
n1 )
zn = zn1 PP0(z
(zn1 )
1.000000000 + i0.500000000
0.797752809 + i0.123595506
1.024460575 + i 0.064559285
0.996723659 + i 0.003299911
0.999999773 + i0.000021694
1.000000000 + i 0.000000000
|zn zn1 |
8.13489216821836 101
4.42552547629475 101
4.42681242720937 101
1.52438148201554 101
2.75671287848809 102
8.45606337689375 104
7.99089125510903 107
|zn zn1 |
4.27298806063391 101
2.94616082730499 101
6.72461705016758 102
4.66540243223790 103
2.16947925761601 105
Defla
c
ao de um Polin
omio
Deflatar um polin
omio P (z) consiste em escrever P (z) como
P (z) = (z r1 ) (z rk )(z 1 ) (z r )
(z w1 )(z w1 ) (z ws )(z ws )
ao raizes racionais
r1 , r2 , . . . , rk s
onde: 1 , 2 , . . . , r s
ao raizes reais
w1 , w1 , . . . , ws , ws s
ao raizes complexas
com
ai R
4.7. Deflac
ao de um Polinomio
s.r.freitas
82
4.8
s.r.freitas
Exerccios Propostos
1 Seja P (z) = z 5 3z 2 + 3z + 1 .
Calcule P () para = 3, = 2i e = 4 3i usando Metodo de
Horner.
2 Delimite as raizes dos polinomios abaixo :
P (z) = z 7 + 4z 5 2z 3 + 5z 2 + 2
P (z) = 2z 5 + 6z 3 11z + 1
P (z) = z 3 + 5z 2 + 2z
P (z) = z 2 + 2z + 1
P (z) = 2z 5 100z 2 + 2z 1
3 Seja P (z) = a0 z n + a1 z n1 + + an com ai R e a0 6= 0 .
Considere A = max{|a1 |, |a2 |, . . . , |an |}
Mostre que as raizes pertencem ao circulo de centro (0, 0)
A
e raio R = 1 +
|a0 |
4 Seja P (z) = a0 z n + a1 z n1 + + an com ai R e an 6= 0 .
Considere B = max{|a0 |, |a1 |, . . . , |an1 |}
Mostre que as raizes s
ao exteriores ao circulo de centro (0, 0) e raio
r = 1/(1 +
B
)
|an |
Teorema de Lagrange
Considere o polin
omio P (x) = a0 xn +a1 xn1 + +an1 x+an ,p
a0 > 0
Seja ak o primeiro coeficiente negativo de P (x). Entao S = 1+ k B/a0
e uma cota superior para as raizes positivas de P (x) = 0 onde B e o
m
aximo dos valores absolutos dos coeficientes negativos de P (x).
Obs: Trabalhando com P (x) podemos conseguir um limite inferior
para as raizes negativas e com P (1/x) podemos conseguir uma cota
inferior para as raizes positivas de P (x)
5 Determine uma cota superior e inferior para as raizes positivas e negativas dos polin
omios
P (z) = 2z 8 + 4z 6 3z 5 + 7z 4 4z 2 + 1
83
s.r.freitas
P (z) = z 7 z 6 + 4z 5 3z 2 2z 3
Seja P (z) = a0 z n + a1 z n1 + + an onde ai Z e a0 6= 0 e n 1 .
Se p/q e uma raiz racional, na forma irredutvel, de P (z) = 0 entao
p | an e q | a0
6 Determine as raizes racionais dos polinomios
P (z) = 2z 4 + z 3 + 4z 2 + 4z + 1
P (z) = 3z 3 + z 2 + z 2
P (z) = 30z 3 17z 2 3z + 2
7 Dado o polin
omio P (z) = z 3 + z 2 + z + 1 determine uma aproximacao
para um zero do polinomio usando 2 iteracoes no metodo de Newton
usando como valores iniciais: z0 := 0.5 e z0 := i
84
Captulo 5
Solu
c
ao de Sistemas Lineares
Estima-se que em 75% dos problemas cientficos a solucao de um sistema
linear de equac
oes aparece em algum estagio da solucao. Podemos, entre
outros, citar os seguintes problemas :
Interpolac
ao, ajuste de curvas, solucao de sistemas de equacoes nao linerares, soluc
ao de equac
oes diferenciais usando diferencas finitas e calculo de
autovalores e autovetores.
5.1
Conceitos Fundamentais
Defini
c
ao 5.1.1 Matriz Real
Uma matriz real A = Anm e um conjunto de n m elementos ordenados
do seguinte modo
a11 a12
..
..
..
A= .
.
.
an1 an2
a1m
..
.
anm
A notac
ao n m significa que a matriz tem n linhas e m colunas.
Tambem usaremos a seguinte notacao para a matriz A
A = (aij ) i = 1, . . . , n; j = 1, . . . , m
Se m = n a matriz e dita quadrada.
Um vetor coluna e uma matriz consistindo de uma u
nica coluna.
85
s.r.freitas
Defini
c
ao 5.1.2 Matriz Diagonal
Uma matriz
D e dita diagonal D = (dij ) i, j = 1, . . . , n onde
(
0 se i 6= j
dij :=
di se i = j
.. .
D=
d1 0
0 d2
..
.. . .
.
.
.
0 0
0
0
..
.
dn
Se di = 1 i = 1, . . . , n ent
ao D e dita matriz identidade de ordem n e
denotada In .
.. .
In =
1 0
0 1
.. .. . .
.
. .
0 0
0
0
..
.
Defini
c
ao 5.1.3 Igualdade de Matrizes
(
A = (aij ) i = 1, . . . , n; j = 1, . . . , m
Sejam
B = (bij ) i = 1, . . . , n; j = 1, . . . , m
Ent
ao A = B aij = bij i = 1, . . . , n; j = 1, . . . , m
Operac
oes com Matrizes
Anm = (aij )
Sejam Bnm = (bij )
R
Definimos ent
ao soma de matrizes e multiplica
c
ao de matriz por um
86
s.r.freitas
k
X
aij bjk
j=1
Defini
c
ao 5.1.4 Matriz Transposta
Seja a matriz A dada por Anm = (aij )
Ent
ao a transposta de A que denotamos por At e dada por
At = Bmn = (bij ) := aji i = 1, . . . , n; j = 1, . . . , m.
Defini
c
ao 5.1.5 Matriz Triangular
Matriz triangular
l11
l21
L= .
..
l1n
0 0
u11 u12
l22 0
0 u22
.. . .
.. U = ..
..
.
. .
.
.
l21 lnn
0
0
formas
..
.
u1n
u2n
..
.
unn
s.r.freitas
5.2
Sistema de Equa
c
oes Lineares
(5.1)
..
..
.. .. = ..
.
.
.
.
.
. . .
a1n a21 ann
xn
bn
A forma Ax = b e a sua equivalente dada por (5.1) sao ditas formas vetoriais
do sistema de equac
oes.
Um sistema linear pode tambem ser representado na seguinte forma
a11 x1 + a12 x2 + + a1n xn = b1
a21 x1 + a22 x2 + + a2n xn = b2
..
..
..
.
.
.
an1 x1 + an2 x2 + + ann xn = bn
Resolver o sistema (5.1) significa determinar um vetor coluna
x
= (x1 , . . . , xn )t satisfazendo todas equacoes de (5.2)
88
(5.2)
s.r.freitas
claro que se A e n
E
ao singular entao temos
Ax = b x = A1 b e ent
ao (A1 b) e a solucao do sistema linear.
Teoricamente o problema est
a resolvido mas na pratica havera a necessidade
1
do calculo A . Como veremos, determinar a inversa de uma matriz nao e
uma tarefa computacional das mais faceis.
No que segue vamos analizar o significado geometrico de sistemas lineares
do tipo Ax = b e suas respectivas solucoes para matrizes A22 e A33
5.2.1
Interpretac
ao Geom
etrica de Sistemas 2x2
r1 :
r2 :
a1 x + b1 y = c1
a2 x + b2 y = c2
(5.3)
a1 b1
a2 b2
x
y
=
c1
c2
(5.4)
Resolver o sistema (5.3) significa determinar um par de valores x e y satisfazendo simultaneamente as equacoes em (5.3).
Geometricamente isto significa determinar, caso exista, o ponto de interseccao de r1 e r2 . Ou seja P = (
x, y) = r1 r2 (Veja Figura 5.1)
89
s.r.freitas
r1
r2
x
Figura 5.1:
AO!
AT EN C
Observe que
5.2.2
Interpreta
c
ao Geom
etrica de Sistemas 3x3
a1 x + b1 y + c1 z = d1
a2 x + b2 y + c2 z = d2
a3 x + b3 y + c3 z = d3
(5.5)
90
s.r.freitas
a1 b1 c1
x
d1
a2 b2 c2 y = d2
a3 b3 c3
z
d3
(5.6)
Note que
1 2 = {(x, y, z) R3 : a1 x + b1 y + c1 z = d1 e a2 x + b2 y + c2 z = d2 }
representa uma reta em R3 .
Assim a soluc
ao (
x, y, z) de (5.5), caso exista, e dada pela interseccao da
reta r = 1 2 com o plano 3 .
a1 b1 c1
det(A) = det a2 b2 c2 = 0
a3 b3 c3
representa o fato geometrico de que r k 3 ou r 3 .
Se det(A) 6= 0 ent
ao existe uma u
nica solucao P = (
x, y, z) de (5.5) e
P =r 3 (figura 5.2)
z
r
P
Figura 5.2:
5.3
M
etodos Diretos
s.r.freitas
M
etodos Diretos
Os metodos diretos s
ao aqueles em que apos um n
umero finito de etapas e
n
ao se considerando os erros de arredondamento encontramos a solucao do
sistema.
5.3.1
M
etodo de Cramer
Ai = .
..
..
..
..
..
.
.
.
.
an1
ani1 bn ani+1
ann
Ent
ao a soluc
ao do sistema e dado pelo vetor coluna x onde x = (x1 , . . . , xn )t
e xi = det(Ai )/det(A) i = 1, . . . , n.
O incoveniente deste metodo e que temos que resolver n + 1 determinantes
de ordem n para determinar a solucao.
Para valores grandes de n isto e uma tarefa computacional muito cara e
quase sempre invi
avel.
5.3.2
Soluc
ao de Sistemas Triangulares
+ u1n xn = b1
+ u2n xn = b2
unn xn = bn
xn = bn /unn
(5.7)
xn1 = (bn1 un1n xn )/unn
n
X
1
(bi
uik xk ) i = n, n 1, . . . , 1
uii
k=i+1
92
s.r.freitas
Como as incognitas xi s
ao determinadas na ordem inversa, ou seja,
determina-se inicialmente xn e por u
ltimo x1 , este algoritmo e as vezes
denominado algoritmo da retro-substitui
c
ao.
Um sistema linear da forma Lx = b, onde L e triangular inferior, pode ser
resolvido de forma similar.
Supondo lii 6= 0 i = 1, . . . , n entao as incognitas podem ser determinadas
atraves de
i1
xi =
X
1
(bi
lik xk ) i = 1, . . . , n
lii
k=1
2x1 + x2 x3 = 3
2x2 x3 = 1
x3 = 1
x3 = 1
x2 = 1/2(1 + x3 ) = 0
x = (2, 0, 1)t
5.3.3
Eliminac
ao Gaussiana
(5.8)
s.r.freitas
Exemplo 5.3.2
Considere o sistema dado por
l1 x1 + x2 + x3 = 4
l2 2x1 + 3x2 + x3 = 9
l3 x1 x2 x3 = 2
Passo 1
Podemos eliminar a incognita x1 nas linha l2 e na linha l3 fazendo
repectivamente as seguintes operacoes:
l2 (2)l1 + l2 (substituir l2 por (2) l1 + l2 )
l3 (1)l1 + l3
teremos ent
ao o seguinte sistema equivalente
l1 x1 +
x2
+ x3 = 4
l2
x2
x3 = 1
l3
2x2 2x3 = 6
Passo 2
Vamos agora eliminar a incognita x2 na linha l3 fazendo a seguinte
operac
ao: l3 (2)l2 + l3
Teremos ent
ao o seguinte sistema equivalente
l1 x1 + x2 + x3 = 4
l2
x2 x3 = 1
l3
4x3 = 4
Temos agora um sistema triangular que pode ser resolvido com o algoritmo
da retro-substituic
ao.
4x3 = 4 = x3 = 1
.. . x = (1, 2, 1)t
x2 = 1 + x3 = x2 = 2
x1 = (4 x2 x3) = x1 = 1
Vamos analizar agora o caso geral
Suponha que a matriz Ann = (aij ) referente ao sistema dado por (5.8) e
n
ao singular, ou seja, det(A) 6= 0.
94
s.r.freitas
aij
mi1 = a11
i = 2, . . . , n
a(1) = a + m a
ij
i1 1j i = 2, . . . , n
ij
(1)
bi = bi + mi1 b1 i = 2, . . . , n
Assim as u
ltimas n 1 equac
oes do sistema se tornam
(2)
(2)
(2)
a22 x2 + + a2n xn = b2
(2)
(2)
(2)
a2n x2 + + ann xn = bn
Este sistema tem n 1 equac
oes e n 1 incognitas.
Com um procedimento an
alogo, e supondo ak1
kk 6= 0 podemos eliminar xk
das n k u
ltimas equac
oes do sistema fazendo:
(k1)
aik
m
=
(k1)
ik
akk
(k+1)
aij
i = 1, . . . , n
(k)
(k)
i = 1, . . . , n , j = k + 1, . . . , (n + 1)
(5.9)
(1)
(1)
(1)
(n)
(n)
ann xn = bn
(1)
(1)
= bi .
s.r.freitas
AO!
AT EN C
k = 1, 2, . . . , n 1
i = k + 1, . . . , n
m
ik = aik /akk
j = 1, 2, . . . , n + 1
(1)
(2)
(3)
(n)
5.3.4
Estrat
egias para Escolha do Piv
o
x1 + x2 + x3 = 1
x1 + x2 + 2x3 = 2
x1 + 2x2 + 2x3 = 1
Ap
os a primeira etapa da eliminacao temos
x1 + x2 +x3 = 1
0x1 +0x2 +x3 = 1
0x1 + x2 x3 = 0
(2)
104 x1 + x2 = 1
x1 + x2 = 2
Ap
os a primeira etapa da eliminacao temos:
4
10 x1 +
x2
=
1
+ (104 1)x2 = (104 2)
96
s.r.freitas
Estrat
egia para Esc
olha do Piv
o
Na k e-sima etapa escolha r de modo que
(k)
(k)
|ark | = max{|aik | i = k, . . . , n}
Ent
ao troque as linha r e k
Vamos analizar, sob esta estrategia, o sistema dado em (ii)
(1)
104 x1 + x2 = 1
x1 + x2 = 2
(1)
.. .
x1 +
x2
=
2
4
+ (10 1)x2 = 2 104 1
5.3.5
s.r.freitas
C
alculo de Determinantes
.
A = ...
..
an1 an2 ann
Atraves do metodo de eliminacao de Gauss podemos transformar equivalentemente a matriz A em uma matriz U que e triangular superior, ou seja,
(1)
(1)
(1)
(2)
(2)
a22 a1n
U =
(n)
ann
(1)
onde como j
a fizemos antes estamos denotando a1j = a1j j = 1, . . . , n
Considerando que essas transformacoes nao alteram o valor do determinante
mas apenas seu sinal caso tenhamos efetuado alguma troca de linha, temos
que det(A) = (1)ts det(U ) onde estamos denotando por ts o n
umero de
trocas de linhas para o metodo de Gauss.
Assim temos
(1) (2)
(n)
det(A) = (1)ts det(U ) = (1)ts a11 a22 . . . ann
5.3.6
C
alculo da Inversa de uma Matriz
i = 1, . . . , p
..
.
..
.
A = ...
. ..
. ..
an1 an2 ann
bn1 bnp
98
s.r.freitas
(1)
(1)
(1)
a11 a12 a1n b11 b1p
(2)
(2)
(2)
(2)
(n)
(n)
(n)
ann bn1 bnp
Basta agora resolver os p sistemas triangulares
(1) (1)
(1)
(1)
a11 a12 a1n
b11
x1
(2)
(2)
(2)
(n)
(n)
x
n
ann
bn1
(1)
(1)
(1)
(2)
(2)
a22 a1n
...
(n)
ann
1 1 1
A= 1 1 2
1 2 2
b1 = (1, 0, 1)t , b2 = (1, 2, 1)t e b3 = (1, 1, 0)t
Assim a matriz A ser
a dada por
1
1
A=
1
1
1
2
1
2
2
(1)
b1p
x1
(2)
x2 b2p
(n)
xn
bnp
Exemplo 5.3.3
1 1
1
0
2 1
1
1
0
A matriz triangularizada
1 1
1
1 1 1
0
2 1
A = 0 1 1
0 0 1
1
1
0
99
...
s.r.freitas
1 1 1
1
1 1 1 1
1 1
0 1 1
0
0 1 1
2
0 1
,
,
0 0 1
1
0 0 1
1
0 0
Temos respectivamente as solucoes: x1 = (1, 1, 1)t , x2
1
1
1 1
1
0
= (3, 1, 1)t e
x3 = (2, 1, 0)t
A determinac
ao da inversa de uma matriz Ann nao singular pode ser considerada como um problema do tipo visto acima.
Se A1
e a inversa de A entao AA1 = In .
nn
Supondo ent
ao que as colunas de A1 sao os vetores colunas
x1 = (x11 , x21 . . . , xn1 )t , x2 = (x12 , x22 . . . , xn2 )t , . . . , xn = (x1n , x2n . . . , xnn )t
para determinar A1 devemos resolver os sistemas:
Ax1 = e1
Ax2 = e2 ,
...
Axn = en
onde ei e o vetor que tem todas componentes nulas menos a i-esima que e
1, ou seja, ei = (0, . . . , 1, . . . , 0)t
................................... =
1 0 0
.............................
5.3.7
Na soluc
ao numerica de sistemas lineares, devido a inevitavel utilizacao da
aritmetica finita, os erros de arredondamento sao inevitavelmente introduzidos nos c
alculos necessarios para a obtencao da solucao.
Para muitos problemas praticos sao conhecidos apenas aproximacoes para
claro que para esses casos a
os componentes da matriz A e do vetor b. E
soluc
ao ser
a uma solucao aproximada da solucao exata.
100
s.r.freitas
Seria desej
avel que boas aproximacoes para A e b acarretassem boas solucoes
aproximadas para a soluc
ao exata.
No que segue necessitaremos de algum modo medir o tamanho de vetores
e matrizes.
As ferramentas adequadas para estas medidas sao as normas vetoriais e
normas matriciais.
Defini
c
ao 5.3.1 Normas Vetoriais
Norma vetorial e uma func
ao definida em Rn e com valores reais, ou seja
k
k: Rn R satisfazendo as propriedades:
1)
k x k 0
2)
k x k= 0 x = 0
3)
k x + y kk x k + k y k
4)
k x k= || k x k
onde R
Defini
c
ao 5.3.2 Norma Euclideana
k x kE :=
n
X
!1/2
x2i
i=1
Defini
c
ao 5.3.3 Norma da Soma
n
X
i=1
Defini
c
ao 5.3.4 Norma do M
aximo
k x kE = 1 + 4 + 9 + 25 = 39
k x kS = 1 + 2 + 3 + 5 = 11
k x kM = max{1, 2, 3, 5} = 5
101
|xi |
s.r.freitas
Defini
c
ao 5.3.5 Normas Matriciais
Seja Ann = aij . Definimos norma matricial como a func
ao
k
k : Mnn R
satisfazendo
1)
k A k 0
2)
k A k= 0 A = 0
3)
k A + B kk A k + k B k
4)
k A k= || k A k
onde R
Defini
c
ao 5.3.6 Norma do M
aximo
k A kM
1/2
n
X
:= max
|aij|
1in
j=1
Defini
c
ao 5.3.7 Norma de Frobenius
k A kF :=
n
X
1/2
(aij)2
i,j=1
Defini
c
ao 5.3.8 Norma L
k A kL :=
XX
i
|aij |
Defini
c
ao 5.3.9 Consistencia entre Normas
Uma norma matricial e dita consistente com a norma vetorial se
k Ax kk A k k x k
Pode-se mostrar que a norma matricial do m
aximo e consistente com a
norma vetorial do m
aximo, ou seja
k Ax kM k A kM k x kM
102
s.r.freitas
Defini
c
ao 5.3.10 Vetor Residual
Vamos considerar o sistema Ax = b, onde A e n
ao singular.
Supondo x
uma soluc
ao aproximada do sistema, definimos ent
ao o vetor
residual da soluca
o aproximada relativa ao sistema Ax = b como
r = A
xb
AO!
AT EN C
Desde que r = 0 0 = A
x b A
x=bx
= A1 b e de
se esperar que se k r k 0 ent
ao x
seria uma boa solucao aproximada.
O exemplo abaixo nos mostra que esta suposicao nem sempre e verdadeira.
Exemplo 5.3.5
Sejam A =
1.2969 0.8648
0.2161 0.1441
e b = (0.8642, 0.1441)t
Suponha x
= (0.9911, 0.4870)t uma solucao aproximada de Ax = b.
r = A
x b = (108 , 108 ) k r kM = 108 .
Podemos deste modo esperar que x seja uma boa aproximacao para a solucao
exata. Mas isso e falso pois a solucao e x = (2, 2).
Vamos analizar o que pode estar ocorrendo considerando a representacao
geometrica do sistema.
r1 : 1.2969x + 0.8648y = 0.8642
r2 : 0.2161x + 0.1441y = 0.1441
A inclinac
ao da reta r1e 1.2969/0.8648 = 1.49965309 104 e de r2 =
0.2161/0.1441 = 1.49965302 104
Assim temos que r1 e quase paralela a r2 .
.. . det(A) 0 A e quase singular.
Defini
c
ao 5.3.11 Sistema Inst
avel
Dizemos que um sistema linear Ax = b e instavel ou equivalentemente que
a matriz A e mal condicionada se pequenas variac
oes na matriz A ou no
vetor b acarretam grandes variac
oes na soluc
ao.
Um sistema linear e dito est
avel se n
ao e inst
avel.
103
s.r.freitas
AO!
AT EN C
A decis
ao sobre a estabilidade de um sistema e de fundamental
import
ancia na an
alise de sua solucao numerica. Como ja foi dito, os erros
de arrendondamento sao inevitaveis quando utilizamos a aritmetica finita
e esses erros podem nos conduzir a resultados totalmente erroneos caso o
sistema seja inst
avel.
Assim, a an
alise da estabilidade um sistema linear, torna-se de fundamental
import
ancia para que sua solucao numerica possa ser considerada confiavel.
O exemplo anterior nos da uma pista de que sistemas quase singulares ou
seja aqueles em que det(A) 0 nos indica um certo grau de instabilidade
da soluc
ao.
5.3.8
Medida da Instabilidade
Como j
a vimos uma das maneiras de se medir o grau de instabilidade de um
claro que se os elementos da matriz A
sistema e verificar se det(A) 0. E
forem pequenos ent
ao existe grande probabilidade de det(A) ser pequeno.
Para contornar este problema definimos
k(A) =
|det(A)|
kAk
|det(A)|
= 108 /1.4702 = 6.8 109
k A kM
104
5.4
s.r.freitas
Exerccios Propostos
3 Dado o sistema:
x1 + 0.99x2 = 1.99
0.99x1 + 0.98x2 = 1.97
2
6
2 6.00001
b = (1, 4)t
x = (10, 2)t
105
5.5
s.r.freitas
M
etodos Iterativos
Os Metodos Iterativos sao caracterizados pela busca da solucao de um sistema linear atraves de etapas. Para cada etapa o metodo fornece uma
aproximac
ao para a solucao do sistema.
Quando o n
umero de etapas tende a infinito a seq
uencia de aproximacoes
tende para a soluc
ao exata do sistema.
Defini
c
ao 5.5.1 Seq
uencia de Vetores
Uma seq
uencia de vetores e uma seq
uencia do tipo x(1) , x(2) , x(3) , . . . onde
(i) (i)
(i)
x(i) Rn ou seja x(i) = (x1 , x2 , . . . , xn ).
Defini
c
ao 5.5.2 Limite de uma Seq
uencia de Vetores
lim x(n) = lim (x(n) ) = 0 lim k x(n) k= 0
Proposi
c
ao 5.5.1
Suponha a equivalencia Ax = b x = Bx + d e a seq
uencia
(
x(0) arbitr
ario para n = 0
x(n) :=
(n1)
Bx
+ d para n 1
Afirmamos que:
Se lim x(n) = ent
ao e soluc
ao do sistema Ax = b.
n
Demonstra
c
ao.
=
()
Assim temos = B + d = A = b
106
s.r.freitas
B = (bij ) :=
d=(
se i = j,
aij
aii
se i 6= j.
b1
bn t
,... ,
)
a11
ann
Demonstra
c
ao.
matricial Ax = b.
.
.
.
x1
x2
x1
x2
..
.
xn
0
b21
..
.
b11 . . .
0
...
..
.
bn1
...
b1n
b2n
0
107
x1
x2
..
.
xn
d1
d2
..
.
dn
s.r.freitas
x = (x1 , x2 , . . . , xn )t
n t
1
2
d = ( ab11
, ab22
, . . . , abnn
)
x = Bx + d onde
0
. . . aa1n
11
a2n
0
.
.
.
a22
B=
an1 . . .
0
ann
Proposi
c
ao 5.5.3 Seja Ax = b, A n
ao singular. Considere a equivalencia
Ax = b x = Bx + d. Se k B k < 1 ent
ao a seq
uencia x(n) dada
por
(
x(0) arbitr
ario para n = 0
(n)
x :=
Bx(n1) + d para n 1
converge para a soluc
ao de sistema Ax = b
Demonstra
c
ao.
Assim temos:
Ay = b e pela equivalencia y = By + d.
Devemos provar que lim x(k) = y ou seja que lim k x(k) y k= 0
k
0
0
Temos que: limk k x(k) y k= 0
108
s.r.freitas
Na demonstrac
ao anterior e necessaria a utilizacao de normas vetoriais e
matriciais consistentes para que seja valida a desigualdade
k B(x(k1) y) kk B k k x(k1) y k
5.6
M
etodo de Jacobi - MJ
(5.11)
Escrevendo a equac
ao matricial (5.11) em termos de suas componentes temos:
(k)
b1
(k1)
12 (k1)
x1
0
aa11
x2
. . . aa1n
xn
a11
11
(k) a (k1)
b2
a2n (k1)
x2 2n x
0
. . . a22 xn
a22
. = a22 1
+ .
.
..
.
(k1)
n1
aann
x1
(k)
xn
(k)
Ou seja: xi
= (bi
...
n
X
(k1)
aij xj
)/aii
bn
ann
i = 1, 2, . . . n
j=1
j6=i
Definimos ent
ao o Algoritmo de Jacobi como:
x(0) = (0, 0, . . . , 0)t
(
para k = 1, 2, . . .
P
(k)
(k1)
xi = (bi nj=1 aij xj
)/aii
i = 1, 2, . . . , n
j6=i
2x1 + x2 = 1
x1 + 4x2 = 3
(5.12)
Entao as equac
oes de iterac
ao para o Algoritmo de Jacobi sao dadas por:
(
(k1)
(k)
x1
= (1 x2
)/2
(k1)
(k)
= (3 + x1
)/4
x2
A tabela abaixo mostra o resultado das iteracoes
109
(k)
x1
0.0000
0.5000
0.8750
0.9375
0.9844
0.9922
(k)
x2
0.0000
-0.7500
-0.8750
-0.9688
-0.9844
-0.9961
k
6
7
8
9
10
s.r.freitas
(k)
x1
0.9980
0.9990
0.9998
0.9999
1.0000
(k)
x2
-0.9980
-0.9995
-0.9998
-0.9999
-1.0000
Nesse caso e facil resolver o sistema (5.12) por um metodo direto e achar
a soluc
ao x1 = 1, x2 = 1. Assim, neste caso, podemos observar que as
iterac
oes est
ao se aproximando da solucao exata (1, 1)t quando k .
claro que no caso geral, onde obviamente nao se conhece a solucao do
E
sistema, ser
a necess
ario adotarmos um criterio de parada para as iteracoes.
5.7
Crit
erio de Parada para as Itera
c
oes
Proposi
c
ao 5.7.1 Suponha que seja soluc
ao de Ax = b e que
lim k x(k) k= 0. Ent
ao temos lim k x(k) x(k1) k= 0.
k
Demonstra
c
ao.
(k)
kx
(k1)
k=k x
(k1)
+x
(k)
kk x
temos
(k1)
k+k x
(k)
x(k1) k= 0
s.r.freitas
5.8
M
etodo de Gauss-Seidel - MGS
Observando as equac
oes de iteracao no metodo de Jacobi ou seja
(k)
xi
= (bi
n
X
(k1)
aij xj
)/aii
i = 1, 2, . . . , n
j=1
j6=i
xi
= (bi
i1
X
(k)
aij xj
j=1
n
X
(k1)
aij xj
)/aii
i = 1, 2, . . . , n
j=i+1
Definimos ent
ao o Algoritmo de Gauss-Seidel como:
x(0) = (0, 0, . . . , 0)t
para k = 1, 2, . . .
P
Pn
(k1)
(k)
(k)
)/aii
xi = (bi i1
j=i+1 aij xj
j=1 aij xj
i = 1, 2, . . . , n
3x1 x2 + x3 = 9
x1 = (9 + x2 x3 )/3
x1 4x2 + 2x3 = 17
x2 = (17 x1 2x3 )/(4)
2x1 + x2 + 6x3 = 24
x3 = (24 2x1 x2 )/6
111
5.9. Interpretac
ao Geometrica do MGS
s.r.freitas
A equac
oes de iterac
ao para o metodo de Gauss-Seidel sao dadas por
(k)
(k1)
(k1)
x3
)/3
x1 = (9 + x2
(k)
(k)
(k1)
x2 = (17 x1 2x3
)/(4)
(k)
(k)
(k)
x3 = (24 2x1 x2 )/6
A tabela abaixo mostra o resultado das iteracoes com criterio de parada
dado por mk < 0.0001
k
0
1
2
3
4
5
xk1
0.000
3.000
0.639
0.844
1.001
1.009
5.9
xk2
0.000
-3.500
-2.299
-1.954
-1.978
-2.000
xk3
0.000
3.583
4.170
4.044
3.996
3.997
mk
xk1
1.001
1.000
1.000
1.000
1.000
k
6
7
8
9
10
5.8387
2.7134
0.4202
0.1658
0.0236
xk2
-2.001
-2.000
-2.000
-2.000
-2.000
xk3
4.000
4.000
4.000
4.000
4.000
mk
0.0083
0.0018
0.0003
0.0001
0.0000
Interpreta
c
ao Geom
etrica do MGS
y
r2
(x11 , x12 )
(x21 , x12 )
(x21 , x22 )
(x01 , x02 )
r1
x
(x11 , x02 )
r1 : a1 x1 + b1 x2 = c1
r2 : a2 x1 + b2 x2 = c2
112
r1 : x1 = (c1 b1 x2 )/a1
r2 : x2 = (c2 b2 x2 )/a2
s.r.freitas
5.10
n
X
|aij | i = 1, . . . , n
j=1
j6=i
Exemplo 5.10.1
3 1
1
5 2
A= 2
1
3
7
s.r.freitas
e a norma do m
aximo matricial definida por
k A kM
1/2
n
X
:= max
|aij|
1in
j=1
1/2
n
X
max
|bij| < 1
k B kM < 1
(1in)
n
X
j=1
1/2
|bij |
<1
i = 1, . . . , n
j=1
n
X
j=1
n
X
j=1
|bij | < 1
i = 1, . . . , n
|aij |
<1
|aii |
i = 1, . . . , n
j6=i
n
X
i = 1, . . . , n
j=1
j6=i
AO!
AT EN C
s.r.freitas
xk1
0.0000
3.0000
0.0000
1.5000
0.7500
1.1250
0.9375
1.0313
0.9844
1.0078
xk2
0.0000
1.5000
0.7500
1.1250
0.9375
1.0313
0.9844
1.0078
0.9961
1.0020
mk
3.3541
3.0923
1.5462
0.7731
0.3865
0.1933
0.0966
0.0483
0.0242
k
10
11
12
13
14
15
16
17
18
xk1
0.9961
1.0020
0.9990
1.0005
0.9998
1.0001
0.9999
1.0000
1.0000
xk2
0.99902
1.00049
0.99976
1.00012
0.99994
1.00003
0.99998
1.00001
1.00000
mk
0.01208
0.00604
0.00302
0.00151
0.00075
0.00038
0.00019
0.00009
0.00005
Observe que
limk (xk1 , xk2 ) = (1, 1)
AO!
AT EN C
115
s.r.freitas
Exemplo 5.10.3
Vamos considerar o sistema linear Ax = b dado por
x1 + 3x2 = 1
1 3
A=
nao e diagonalmente dominan5x1 x2 = 1
5 1
te.
Trocando as linhas 1 e 2 temos o sistema equivalente Cx = d
5x1 x2 = 1
5 1
C=
que e diagonalmente dominanx1 + 3x2 = 1
1 3
te.
Exemplo 5.10.4 Seja Ax = b dado por
3 1 2
3x1 x2 + 2x3 = 1
5x1 x2 3x3 = 2 A = 5 1 3
x1 3x2 + x3 =
1
1 3 1
Podemos transformar Ax = b equivalentemente em Cx = d com as seguintes
operac
oes
i) l1 l2
ii) l2 l3
iii) l3 l1 l3
Teremos agora o
5x1 x2
x1 3x2
2x1 + 0x2
sistema equivalente Cx = d
3x3 = 2
+ x3 =
1 C=
5x3 = 3
116
dado por
5 1 3
1 3 1
2 0 5
5.11
s.r.freitas
Exerccios Propostos
1 2 4
A = 3 1 1
b = (6, 5, 4)t
2 4 1
a) Calcule a Matriz de Iteracao B relativa a Ax = b
b) Sem calcular os xi voce pode garantir a convergencia ?
possivel transformar o sistema anterior num equivalente onde posc) E
samos garantir a convergencia ?
4 Considere sistema linear
A= 2
10
Ax = b onde :
10 1
2 10
b = (12, 13, 14)t
1 1
s.r.freitas
118
Captulo 6
Ajuste de Curvas
Com muita freq
uencia nos problemas praticos existe a necessidade de se representar dados conseguidos experimentalmente por uma relacao funcional.
Este problema pode, de um modo geral, ser descrito matematicamente do
seguinte modo:
Dada uma famlia de funcoes
G = {1 , . . . n } onde i : [a, b] R, i = 1, . . . , n
e uma tabela da func
ao f
x0
f (x0 )
x1
f (x1 )
xm
f (xm )
6.1
Caso Linear
n
X
i=0
119
ci i (x)
s.r.freitas
Vamos ent
ao considerar a formulacao matematica do problema acima.
Dados :
(xi , fi ), i = 0, . . . , m tabela de f
0 (x), 1 (x), , n (x) funcoes quaisquer.
AO!
AT EN C
c0 0 (x0 ) + c1 1 (x0 ) +
c0 0 (x1 ) + c1 1 (x1 ) +
..
..
.
.
c0 0 (xm ) + c1 1 (xm ) +
+
+
cn n (x0 )
cn n (x1 )
..
.
=
=
f (x0 )
f (x1 )
..
.
+ cn n (xm ) = f (xm )
6.2
s.r.freitas
M
etodo dos Mnimos Quadrados-MMQ
1
1
2
3
3
1.5
d2
(x0 , f0 )
d0
d1
(x1 , f1 )
g(x)
Figura 6.1:
2
X
di
i=0
2
X
|di |
i=0
s.r.freitas
n
ao e deriv
avel na origem.
O metodo adequado para a solucao consiste em minimizar a soma do quadrado dos desvios, ou seja,
M inimizar
2
X
d2i
i=0
d2i
m
X
=
(g(xi ) f (xi ))2
i=0
seja mnimo
(6.1)
i=0
Observe que
m
m
X
X
2
(g(xi ) f (xi )) =
(c0 0 (xi ) + + cn n (xi ) fi )2
i=0
i=0
logo as u
nicas vari
aveis na expressao (6.1) sao as incognitas c0 , . . . , cn . Assim
o problema agora se resume em determinar c0 , . . . , cn que tornam mnima
a express
ao (6.1).
Vamos considerar
S(c0 , . . . , cn ) =
m
X
(c0 0 (x) + + cn n (x) fi )2
i=0
6.3
s.r.freitas
m
X
(c0 0 (xi ) + + cn n (xi ) fi )2
i=0
temos :
S
k
m
X
(c0 0 (x) + + cn n (x) fi )2
k
i=0
m
X
m
X
i=0
m
X
(ck k (xi ))
k
i=0
.. .
S
=0
k
m
X
para k = 0, 1, . . . , n
i=0
m
X
k (xi )fi
k = 0, 1, . . . , n
i=0
(
onde :
akj
bk
Pm
Pm
123
AO!
AT EN C
s.r.freitas
e o seguinte :
Seja M =
n (x0 )
n (x1 )
..
.
0 (xm ) 1 (xm )
n (xm )
0 (x0 )
0 (x1 )
..
.
1 (x0 )
1 (x1 )
..
.
e y=
fm
f
E
acil verificar que A = M t M e b = M t y ou seja:
Ac = b
M tM c = M ty
(sistema normal)
1 1
1
1 1 1
M = 1 2 Mt =
y= 3
1 2 3
1 3
1.5
. . M Mc = M y
3 6
6 14
c0
c1
=
5.5
11.5
f0
f1
..
.
s.r.freitas
0
1.0
2
1.6
4
1.4
6
0.6
8
0.2
10
0.8
12
1.0
2t
2t
) + a2 cos(
)
12
12
M =
0
0.00
1.00
2
0.87
0.50
4
0.87
-0.50
6
0.00
-1.00
8
-0.87
-0.50
10
-0.87
0.50
12
0.00
1.00
1
0.00
1.00
1
0.87
0.50
1
0.87 0.50
1
0.00 1.00
1 0.87 0.50
1 0.87
0.50
1
0.00
1.00
6.60
b = M t y = 1.74
1.80
s.r.freitas
.. . temos :
7c0 = 6.6 c0 = 0.94
3.03c1 = 1.74 c1 = 0.57
4c2 = 1.8 c2 = 0.45
Logo
H(t) 0.94 + 0.57sen(2t/12) + 0.45cos(2t/12)
6.4
s.r.freitas
0
27
1
42
2
60
3
87
4
127
5
185
Solu
c
ao
Como j
a foi apresentado na introducao o problema consiste em ajustar
os dados para uma func
ao do tipo g(t) = t .
Como o problema e n
ao linear devemos lineariza-lo usando o sugerido
no item b).
= ln(g(t))
G(t)
F (t)
= ln(f (t))
.
. . G(t) = c0 + c1 t onde c0 = ln(), c1 =
t/horas
F (t) = ln(f (t))
0
3.30
1
3.74
2
4.09
3
4.47
4
4.84
5
5.22
( t) = 1;( t) = t.
M =
1
1
1
1
1
1
0.00
1.00
2.00
3.00
4.00
5.00
1
1
1
1
1
1
; Mt =
127
s.r.freitas
1
c0 + c1 x
d) Considere
g(x) = x
Podemos fazer a seguinte transformacao
G(x) = ln(g(x)) = ln() + ln()x
Resolvemos agora o seguinte problema linear:
s.r.freitas
e) Considere
g(x) =
p
c0 x + c1 x2
F (x) = (f (x))2
G(x) = c0 x + c1 x2
129
6.5
s.r.freitas
Exerccios Propostos
1 Dada a tabela
x
f (x)
1
2.1
3
0.9
4
0.6
6
0.9
0
1
/4
0.71
/2
2
3 Seja g(x) = c0 + c1 ln(x). Ajustar f (x) por uma funcao do tipo acima
sabendo-se que f passa pelos pontos (1, 1); (2, 2); (3, 3).
4 Seja M (t) a massa de um material radioativo. Num laboratorio foram
feitas as seguintes medicoes
t
M (t)
0.2
3.16
0.3
2.38
0.4
1.75
0.5
1.34
0.6
1.00
60
66
61
85
62
89
63
78
64
97
65
105
66
93
67
112
68
88
69
117
70
115
5
290
7
560
9
1144
11
1810
12
2300
s.r.freitas
x
c0 + c1 x
404
0.586
x
f (x)
0.0
2.00
470
0.358
539
0.292
600
0.234
8
0.2
2.04
0.4
2.25
0.6
2.33
0.8
2.56
1.0
2.83
0.0
2.00
0.2
2.04
0.4
2.25
0.6
2.33
0.8
2.56
1.0
2.83
b
c
+ 2
x x
10
x
f (x)
1.0
6.00
1.3
8.34
1.6
11.60
1.9
16.13
2.2
22.42
131
2.5
31.18
s.r.freitas
132
Captulo 7
Interpola
c
ao
Interpolac
ao e o processo de estimar os valores de uma funcao f para valores
de x diferentes de x0 , x1 , . . . , xn conhecendo-se apenas os valores de f (x) nos
pontos x0 , x1 , . . . , xn .
Geralmente neste caso a tecnica a ser utilizada e a de ajustar funcoes polinomiais aos dados (x0 , f0 ), . . . (xn , fn ) de uma maneira adequada.
7.1
Interpola
c
ao Linear
x0
f0
x1
f1
xn
fn
(fi+1 fi )
(xi+1 xi )
133
(figura 7.1)
7.1. Interpolac
ao Linear
s.r.freitas
f (x)
P1 (x)
(xi+1 , f (xi+1 ))
P1 ()
f ()
(xi , f (xi ))
xi
xi+1
Assim temos
f () P1 () = fi + ( xi )
(fi+1 fi )
(xi+1 xi )
(7.1)
0.1
0.010
0.2
0.199
0.3
0.296
0.4
0.384
134
(0.199 0.010)
(0.2 0.1)
0.189
) = 0.1045
0.1
7.1. Interpolac
ao Linear
s.r.freitas
Por outro lado como 0.3 < 0.32 < 0.4 usando (7.1) temos :
f (0.32) P1 (0.32) = 0.296 + (0.32 0.30)
= 0.296 + (0.02)(
7.1.1
(0.384 0.296)
(0.4 0.3)
0.088
) = 0.3136
0.1
Estudo do Erro
0
0
00
W (1 ) = W (2 ) = 0 (1 , 2 ) : W () = 0
Mas como W 00 (t) = f 00 (t) 2A
Temos 0 = W 00 () = f 00 () 2A A = f 00 ()/2
.. . E(x) = (x xi )(x xi+1 )
f 00 ()
2
135
7.2. Interpolac
ao Polinomial
7.1.2
s.r.freitas
|f 00 ()|
M2
|(x xi )(x xi+1 )|
|(x xi )(x xi+1 )|
2
2
Observando que |(x xi )(x xi+1 )| atinge seu valor maximo no ponto
(xi+1 xi )2
(xi + xi+1 )
x0 =
temos |(x xi )(x xi+1 )|
=
2
4
|E(x)|
M2
(xi+1 xi )2
8
(7.2)
Exemplo 7.1.1 Vamos calcular uma cota para o erro cometido na aproximac
ao para sen(0.15) do Exemplo 7.1.1 da pagina 134.
Solu
c
ao
f (x) = sen(x) e x [0.1, 0.2]
f 0 (x) = cos(x);f 00 (x) = sen(x)
.. . |f 00 (x)| = | sen(x)| sen(0.2) = 0.199 < 0.2
x [0.1, 0.2]
Usando a f
ormula para a cota dada em (7.2) com xi = 0.1;xi+1 = 0.2 e
M2 = 0.2 temos
|E(x)| <
7.2
0.2
(0.2 0.1)2 = 0.00025
8
Interpolac
ao Polinomial
Como j
a foi dito Interpolacao e o processo de estimar valores de uma funcao
f (x) para x 6= xi , i = 1, . . . , n onde utilizamos apenas os valores
(xi , fi ), i = 1, . . . , n.
O problema neste caso pode ser proposto como
Dados n + 1 pares de valores (xi , fi ), i = 0, . . . , n com xi 6= xj para i 6= j.
Determinar um polinomio de grau n que passa por estes n + 1 pontos.(Veja
figura 7.2
A seguir vamos demonstrar que este problema tem sempre solucao e esta
soluc
ao e u
nica.
136
7.2. Interpolac
ao Polinomial
s.r.freitas
y
(xn , yn )
Pn (x)
(x1 , y1 )
(x0 , y0 )
(x2 , y2 )
x
Proposi
c
ao 7.2.1 Sejam n + 1 pontos dados por (xi , fi ), i = 0, . . . , n onde
xi 6= xj para i 6= j.
Ent
ao existe um u
nico polin
omio de grau n que passa por esses pontos.
Demonstra
c
ao.
Pn (x) = a0 + a1 x + a2 x + + an x =
n
X
ai xi
ai = cte
i=0
a0 + a1 x0 + a2 x20 + + an xn0 = f0
a0 + a1 x1 + a2 x21 + + an xn1 = f1
..
..
..
..
.
.
.
a0 + a1 xn + a2 x2n + + an xnn = fn
O sistema acima ter
a soluc
ao u
nica desde que o determinante da matriz dos
coeficientes das inc
ognitas seja nao nulo.
Denotando A =
1 x0 x20
1 x1 x21
.. ..
..
. .
.
1 xn x2n
137
xn0
xn1
..
.
xnn
7.3. F
ormula de Lagrange
s.r.freitas
Y
(xj xi )
j>i
7.3
F
ormula de Lagrange
138
7.3. F
ormula de Lagrange
s.r.freitas
grau n.
ii)
Lk (xi ) =
n
Y
(xi xj )
(xk xj )
j=0
j6=k
Pn (x) =
n
X
Li (x)fi
(7.3)
i=0
Observe que:
a) Pn (x) e um polin
omio de grau n pois e a soma de Li (x)fi que e um
polin
onio de grau n para i = 0, , n;
b) Satisfaz
Pn (xj ) =
n
X
Li (xj )fi = fj , j = 0, . . . , n
i=0
Exemplo 7.3.1 Determine P3 (x), polinomio de grau 3 que passa pelos pon139
7.3. F
ormula de Lagrange
s.r.freitas
0
2
P3 (x) =
1
4
n
X
3
5
4
0
i=0
L0 (x) =
(x 1)(x 3)(x 4)
(x 1)(x 3)(x 4)
=
(1)(3)(4)
12
L1 (x) =
x(x 3)(x 4)
x(x 3)(x 4)
=
(1)(2)(3)
6
L2 (x) =
x(x 1)(x 4)
x(x 1)(x 4)
=
(3)(2)(1)
6
7.3.1
Estudo do Erro
Proposi
c
ao 7.3.1
Seja f (n + 1) vezes deriv
avel em (a, b) e x0 < x1 < xn (a, b).
Ent
ao para x (a, b), x 6= xi , (a, b) tal que
f (x) = Pn (x) +
n
Y
k=0
Demonstra
c
ao.
(x xk )
f (n+1) ()
(n + 1)!
Cosidere a func
ao
(t x0 ) (t xn )
(x x0 ) (x xn )
(a, b) : W (n+1) () = 0
(7.4)
140
7.3. F
ormula de Lagrange
s.r.freitas
Como (t x0 ) (t xn ) e um polin
omio de grau (n + 1) com coeficiente
do termo de maior grau 1, sua derivada de ordem (n + 1) e (n + 1)!
Assim temos
(n + 1)!
(x x0 ) (x xn )
(7.5)
(n + 1)!
= 0 =
(x x0 ) (x xn )
f (n+1) ()
=
(n + 1)!
n
Y
f (n+1) ()
Pn (x) +
(x xk )
(n + 1)!
f (x) = Pn (x) + (x x0 ) (x xn )
k=0
(x xk )
k=0
7.3.2
f (n+1) ()
(n + 1)!
Proposi
c
ao 7.3.2 Suponhamos v
alidas as mesmas hip
oteses da proposic
ao
7.3.1 e que M = cte : |f (n+1) (x)| M x (a, b)
n
Y
M
Ent
ao
|x xk |
e uma cota para o erro na interpolac
ao polino(n + 1)!
k=0
mial.
Demonstra
c
ao.
|E(x)| =
|x xk |
n
Y
M
|f (n+1) ()|
|x xk |
(n + 1)!
(n + 1)!
k=0
141
7.3. F
ormula de Lagrange
s.r.freitas
n
X
Lk (x)fk
k=0
Lk (x) =
=
Observe que na u
ltima equacao introduzimos o fator (x xk ) no numerador
e denominador.
Denotando :
N = (x x0 )(x x1 ) (x xk ) (x xn )
Dk = (xk x0 )(xk x1 ) (x xk ) (xk xn )
Temos que Lk (x) =
.. . Pn (x) =
n
X
N
Dk
Lk (x)fk =
k=0
n
n
X
X
fk
N
fk = N
Dk
Dk
k=0
k=0
M
(n + 1)!
k
0
1
..
.
(x x0 )
(x1 x0 )
..
.
(x0 x1 )
(x x1 )
..
.
Dk
(xn x0 )
xn x1
fk
fk /Dk
(x0 xn )
(x1 xn )
..
.
(x xn )
P
Tabela 7.1:
A tabela 7.1 deve ser utilizada para facilitar os calculos.
142
fk /Dk
7.3. F
ormula de Lagrange
k
0
1
2
3
0.4500
0.2000
0.4000
0.6000
-0.2000
0.2500
0.2000
0.4000
s.r.freitas
-0.4000
-0.2000
0.0500
0.2000
-0.6000
-0.4000
-0.2000
-0.1500
Dk
-0.0216
0.0040
-0.0008
-0.0072
fk
2.7180
3.3200
4.0550
4.9530
fk /Dk
-125.8333
830.0000
-5068.7500
-687.9167
-5052.5000
0
1.0
2.718
1
1.2
3.320
2
1.4
4.055
3
1.6
4.953
Vamos fazer os c
alculos conforme sugerido na tabela 7.1 com n = 3 e x =
1.45 sendo que f (x) = ex (Veja tabela 7.2)
143
7.4. F
ormulas de Newton
7.4
s.r.freitas
F
ormulas de Newton
7.4.1
Operadores
(Operador Deslocamento)
Proposi
c
ao 7.4.1 Sejam f, g F e R. Ent
ao temos :
a) E[f (x) + g(x)] = E[f (x)] + E[g(x)]
b) [f (x) + g(x)] = [f (x)] + [g(x)]
c) [f (x) + g(x)] = [f (x)] + [g(x)]
Um operador que satisfaz a propriedade acima e dito Operador Linear
Vamos mostrar que e linear ou seja provar b) .
Demonstra
c
ao.
[f (x) + g(x)] = f (x + h) + g(x + h) (f (x) + g(x))
= (f (x + h) f (x) + g(x + h) g(x)
= [f (x)] + g(x)
De maneira an
aloga podemos mostrar que E e sao tambem lineares.
Defini
c
ao 7.4.1 Definimos potencia de um operador recursivamente da seguinte maneira:
0
[f (x] := f (x)
n [f (x] := (n1 [f (x)]) n 1
0 [f (x] := f (x)
n [f (x] := (n1 [f (x)])
n1
144
7.4. F
ormulas de Newton
s.r.freitas
Proposi
c
ao 7.4.2 Os operadores n e n s
ao lineares ou seja
n [f (x) + g(x)] = n [f (x)] + n [g(x)]
n [f (x) + g(x)] = n [f (x)] + n [g(x)]
Demonstra
c
ao.
(Hip
otese de Induc
ao)
Demonstra
c
ao.
7.4. F
ormulas de Newton
s.r.freitas
Pela proposic
ao anterior temos
k [f (x)]
= f (k) (), (x, x + hk)
hk
Pelo fato de que lim = x pois x < < x + h e da continuidade de f (k)
h0
temos lim f
h0
(k)
() = f (k) (x)
k [f (x)]
= f (k) (x)
h0
hk
.. . lim
Corol
ario 7.4.2 Seja Pn (x) = xn + a1 xn1 + + an um polin
omio de grau
n. Ent
ao valem as propriedades:
n Pn (x) = n!hn
n+1 Pn (x) = 0
n Pn (x) = n!hn
n+1 Pn (x) = 0
Demonstra
c
ao. Basta usar a proposic
ao anterior com f (x) = Pn (x) e
(n)
(n+1)
lembrar que Pn (x) = n! e Pn
(x) = 0
146
7.4. F
ormulas de Newton
7.4.2
s.r.freitas
Tabulac
ao das Diferen
cas
k f (xj ) = k f (xj+1 )
Tabulac
ao das Diferencas Progressivas
x
x0
x1
x2
..
.
f
f0
f1
f2
..
.
xn
fn
f
f0
f1
f2
2 f
2 f0
2 f1
2 fn2
3 f
3 f0
3 f1
3 fn3
n1 f
n1 f0
n1 f1
n f
n f0
fn1
Tabulac
ao das Diferencas Regressivas
147
7.4. F
ormulas de Newton
x
x0
x1
x2
x3
..
.
f
f0
f1
f2
f3
..
.
xn
fn
s.r.freitas
f1
f2
f3
2 f
2 f2
2 f3
3 f
3 f3
n1 f
n f
fn1
fn
2 fn1
2 fn
3 fn1
3 fn
n1 fn1
n1 fn
n fn
Exemplo 7.4.1
x
2.0
2.2
2.4
2.6
2.8
3.0
f (x) = log(x)
0.30103
0.34242
0.38021
0.41497
0.44716
0.47712
7.4.3
f
0.04139
0.03779
0.03476
0.03219
0.02996
2 f
-0.00360
-0.00303
-0.00257
-0.00223
3 f
0.00057
0.00046
0.00034
4 f
-0.00011
-0.00012
5 f
-0.00001
F
ormula de Newton para Diferen
cas Progressivas
e h = cte > 0.
Na deduc
ao da f
ormula de Newton vamos utilizar a proposicao abaixo que
pode ser provada por inducao finita.
Proposi
c
ao 7.4.4
Pk (xi ) = fi , i = 0, . . . , n
148
j Pk (x0 ) = j f0 , j = 0, . . . , k
7.4. F
ormulas de Newton
s.r.freitas
Vamos construir a f
ormula de Newton partindo do caso n = 1. Para isso
vamos determinar um polin
omio de grau 1 tal que
P1 (x0 ) = f0
P1 (x1 ) = f1
Vamos ent
ao considerar:
P0 :=
f0
P1 (x) = P0 +
.. .
A1 =
f0
(x x0 )
h
j = 0, . . . , (k 1)
(7.7)
qk (x) = (x x0 ) (x xk1 )
Ak = cte a ser determinada
Como qk (xj ) = 0, j = 0, . . . , (k 1) temos
Pk (xj ) = Pk1 (xj ), j = 0, . . . , (k 1).
Por outro lado aplicando o operador k a ambos os membros da equacao
149
7.4. F
ormulas de Newton
s.r.freitas
k f0
hk k!
k1
Y
j=0
7.4.4
Estudo do Erro
Como j
a foi dito anteriormente dados (n + 1) pontos existe um u
nico po evidente entao que o polin
omio de grau n que interpola esses pontos. E
lin
omio interpolador, por ser u
nico, independe do metodo que utilizemos
150
7.4. F
ormulas de Newton
s.r.freitas
para determin
a-lo. Conseq
uentemente a formula do erro sera dada em qualquer caso por
E(x) = f (x) Pn (x) =
n
Y
(x xj )
j=0
f (n+1) ()
(n + 1)!
(x0 , xn )
z
hn+1 f (n+1) ()
n+1
Usando a aproximac
ao n+1 f0 hn+1 f (n+1) () temos
E(z)
z
n+1 f0
n+1
Para facilitar os c
alculos podemos usar a seguinte tabulacao para determinar
o polin
omio interpolador
0 f0
P0
1 f0
P1
z
2 f0
P2
(z 1)
2
3 f0
P3
(z 2)
3
k f0
Pk
(z k + 1)
k
n f0
Pn
(z n + 1)
n
AO!
AT EN C
(z k + 1)
Ck :=
Ck1
k
Pk := Pk1 + Ck k f0
151
7.4. F
ormulas de Newton
s.r.freitas
Exemplo 7.4.2
Dada a tabela:
x
ln(x)
2
0.69310
3
1.09800
4
1.38630
5
1.60940
Tabulac
ao das Diferencas Progressivas
xi
2.00
3.00
4.00
5.00
fi
0.69310
1.09800
1.38630
1.60940
fi
0.40490
0.288300
0.22310
2 fi
-0.11660
-0.06520
3 fi
0.05140
Tabulac
ao do Polin
omio Interpolador
0.69310
0.69310
0.40490
0.83482
0.35000
-0.11660
0.84808
-0.32500
0.05140
0.85129
-0.55000
P0 = 0.69310
P1 = 0.69310 + (0.3500)(0.40490) = 0.83482
P2 = 0.83482 + (0.3500)(0.32500)(0.11660) = 0.84808
P3 = 0.84808 + (0.3500)(0.32500)(0.5500)(0.05140) = 0.85129
.. .
ln(2.35) 0.85129
Exemplo 7.4.3 Abaixo e dada uma tabela com os valores da funcao logartmica na base 10 a qual denotaremos log(x). Usando a formula de Newton determine uma aproximacao para log(1005) e calcule uma cota para o
152
7.4. F
ormulas de Newton
s.r.freitas
f
3.0000000
3.0043214
3.0086002
3.0128372
f
0.0043214
0.0042788
0.0042370
2 f
-0.0000426
-0.0000418
3 f
0.0000008
Tabulac
ao do polin
omio
3.0000000
3.0000000
0.0043214
3.0021607
0.5000000
-0.0000426
3.0021660
-0.2500000
0.0000008
3.0021661
-0.5000000
1 1
ln(x)
f 0 (x) =
ln(10)
ln(10) x
1 6
6
1
|f (4) (x)| =
4
ln(10) x
ln(10) (x)4
6
1
0.0003 = M4
ln(10) (1000)4
x (1000, 1030)
7.4. F
ormulas de Newton
s.r.freitas
AT EN C
AO!
Como o leitor ja deve ter observado atraves dos exemplos dados, ate agora sempre calculamos aproximacoes para valores proximos ao
valor inicial da tabela. Para se obter boas aproximacoes usando a formula
de Newton para Diferencas Progressivas e essencial que o valor a ser interpolado pr
oximo ao valor inicial x0 .
A seguir veremos como proceder quando o valor a ser interpolado estiver na
vizinhanca do ponto final da tabela.
7.4.5
F
ormula de Newton para Diferen
cas Regressivas
As proposic
oes a seguir para as diferencas regressivas sao equivalentes `a
aquelas j
a vistas para as diferencas progressivas e serao utlizadas na deducao
da f
ormula de Newton.
Proposi
c
ao 7.4.5 Seja f contnua e com derivadas ate ordem k no intervalo (x hk, x) , com k N e h = cte > 0. Ent
ao temos
k f (x) = f (k) (k )hk ,
para algum
k (x hk, x)
Proposi
c
ao 7.4.6 Se Pn (x)e um polin
omio de grau n, ent
ao valem as propriedades:
n Pn (x) = n!hn
n+1 Pn (x) = 0
k f n
(x xn )(x xn1 ) (x xnk+1 )
k!hk
154
7.4. F
ormulas de Newton
s.r.freitas
x xnk+1
x xn + (k 1)h
x xn
=
=
+k1=w+k1
h
h
h
.. .
(x xn ) (x xn1 )
(x xnk+1 )
= w(w + 1) (w + k 1)
h
h
h
Considerando que
w(w + 1)(w + 2) (w + k 1)
k w
= (1)
podemos escrever
k!
k
w
Pk (x) = Pk1 (x) +
(1)k k fn
k
Podemos ent
ao escrever o polinomio de grau n como
w
w
w
2
Pn (x) = fn
fn +
fn + +
(1)n n fn
1
2
n
O erro ser
a dado por
n+1
E(w) = h
w
(1)n+1 f n+1 ()
n+1
(x0 , xn )
w
(1)n+1 n+1 fn
n+1
155
7.4. F
ormulas de Newton
s.r.freitas
AO!
AT EN C
(w k + 1)
Ck :=
Ck1
k
Pk := Pk1 + Ck (1)k k fn
Exemplo 7.4.4 Considere a tabela de diferencas abaixo que contem os valores da func
ao sen(x) onde o argumento esta dado em graus.
x
20o
25o
30o
35o
40o
f
0.342020
0.422618
0.500000
0.573576
0.642788
f
0.080598
0.077382
0.073576
0.069211
2 f
-0.003216
-0.003805
-0.004365
3 f
-0.000589
-0.000560
4 f
0.000029
7.4. F
ormulas de Newton
s.r.freitas
Solu
c
ao
k f0
Pk
(z k + 1)/k
z=
0.342020
0.342020
0.080598
0.374259
0.400000
-0.003216
0.374645
-0.300000
-0.000589
0.374608
-0.533333
0.000029
-0.650000
(22 20)
= 0.4
5
P0 = 0.342020
P2 = P1 + z
(z 1) 2
f0 = 0.374259 + (0.4)(0.3)(0.003216) = 0.374645
2
P3 = P2 + z
(z 1) (z 2) 3
f0
2
3
z
E(z)
4 f0
4
Vamos agora calcular uma aproximacao para sen(380 ). Como 380 esta mais
proximo do final da tabela devemos usar a formula de Newton para dife157
7.4. F
ormulas de Newton
s.r.freitas
rencas regressivas.
AO!
AT EN C
j fn = j fnj
Isto nos permite usar a tabela de diferencas progressivas para determinar
as diferencas regressivas que sao necessarias na formula de Newton para as
diferencas regressivas.
1k k fn
Pk
0.6427876
0.6427876
(wk+1)
k
-0.0692112
0.6151031
0.4000000
-0.0043653
0.6156270
-0.3000000
0.0005600
0.6156628
-0.5333333
0.0000290
0.6156616
-0.6500000
(38 40)
= 0.4
5
P0 = 0.6427876
w
P1 = P0 +
f3 = 0.6427876 + (0.400000)(0.0692112) = 0.6151031
1
w
P2 = P1 +
2 f2 = 0.6151031 + (0.4)(0.3)(0.0043653) = 0.6156270
2
w
P3 = P2 +
3 f1 = 0.6156270 + (0.4)(0.3)(0.53333)(0.0005600)
3
= 0.6156628
w
P4 = P3 +
4 f0 = 0.6156628 + (0.4)(0.3)(0.53333)(0.65)
4
(0.0000290) = 0.6156616
w=
E(w) =
w k
h (1)k+1 f k+1 () (x0 , xn )
k
w
w
5
5 5
portanto |E(w)| = |
|5 |(1) f ()| M5 |
|55
k
5
158
7.4. F
ormulas de Newton
s.r.freitas
sen(xo ) = sen(x
)
180
d
d
(sen(xo )) =
(sen(x
)) =
cos(x
)=
cos(xo )
dx
dx
180
180
180
180
5
5
5
o
(5)
o
.. . f (5) (x) =
cos(x
)
|f
(x)|
=
|cos(x
)|
= M5
(180)5
(180)5
(180)5
|E(w)| 55 (0.4)(0.3)(0.53333)(0.65)(0.72)(
159
5
) 1.52 107
(180)5
7.5
s.r.freitas
Exerccios Propostos
1 Considerando que:
I[f (x)] := f (x) ;
E[f (x)] := f (x + h) ;
[f (x)] := f (x + h) f (x) ;
[f (x)] := f (x) f (x h) .
Prove que:
(a)
(b)
(c)
(d)
(e)
E =+I ;
= E ;
(I + )(I ) = I ;
= ;
= (I + )1 .
2 Usando a tabela
x
arctg(x)
1
0.79
2
1.11
3
1.25
1
1
2
-1
5
0
-1
2
3
0
4 Dada a tabela :
xi
f (x) = 1/x
1
1.00
2
0.50
3
0.33
5
0.20
0
1.000
1
2.718
2
7.389
3
20.086
160
4
54.598
s.r.freitas
0
1
1
2
2
4
3
8
4
16
1
0.000
2
0.301
3
0.477
4
0.602
et dt;
z
erf (z)
0.00
0.0000000
0.05
0.0563720
0.10
0.1124629
0.15
0.1679960
0.20
0.2227026
9 Dada a tabela
x
P (x)
0
-1
2
5
4
7
6
13
s.r.freitas
1
h
2 f0
3 f0
+ (3z 2 6z + 2)
+
2!
3!
4
f0
+(4z 3 18z 2 + 22z 6)
]
4!
[f0 + (2z 1)
Sugest
ao: Aproxime f por um polinomio de grau 4 usando formula de
Newton.
11 Mostre que
f 00 (x) =
1 2
6z 2 18z + 11 4
3
[
f
+
(z
1)
f
+
f0 ]
0
0
h2
12
2
105
4
43
6
25
8
17
10
13
162
Captulo 8
Integra
c
ao Num
erica
Seja f uma func
ao contnua no intervalo [a, b] da qual se conhece uma primitiva F . Ent
ao o valor da integral definida de f pode ser calculada usando
a formula de Newton-Leibnitz
8.1
s.r.freitas
M
etodo dos Trap
ezios
Z
Seja I =
f (x) dx =
a
..
I=
n1
X Z xi+1
i=0
n1
X
Ii
f (x) dx
xi
i=0
f (x)
Ii
a = x0
h
xi
xi+1
b = xn
Figura 8.1:
xi+1
Ii =
xi+1
f (x) dx =
xi
temos
Z
xi+1
P1 (x) dx +
xi
E(x) dx
xi
164
s.r.freitas
fi+1
fi
IiT =
xi+1
P1 (x)dx
xi
xi
xi+1
Figura 8.2:
xi+1
xi+1
f (x) dx
xi
P1 (x) dx
xi
EiT =
xi+1
E(x) dx
xi
s.r.freitas
f
ormula de Newton para diferencas progressivas ou seja,
Fazendo a mudanca de variavel z = (x xi )/h temos
z
P1 (z) = fi +
fi = fi + zfi
1
x = xi z = 0
x = xi+1 z = 1
z = (x xi )/h dz = dx/h
.. .
xi+1
Z
P1 (x) dx = h
(fi + zfi ) dz
1
z 2 1
= h fi z + fi ( )
2 0
0
fi
)
= h(fi +
2
fi+1 fi
h
= h(fi +
) = (fi + fi+1 )
2
2
xi
Definimos a f
ormula do trapezio para o intervalo [xi , xi+1 ] como
IiT =
h
(fi + fi+1 )
2
Para obtermos a f
ormula do trapezio no intervalo [a, b] basta considerar que
n1
X
I=
Ii e assim temos
i=0
InT
=
=
=
=
n1
X
IiT
i=0
n1
X
h
(fi + fi+1 )
2
i=0
h
[(f0 + f1 ) + (f1 + f2 ) + (f2 + f3 ) + + (fn1 + fn )]
2
n1
n1
X
f0 + fn X
h
(f0 + fn + 2
fi ) = h(
+
fi )
2
2
i=1
i=1
166
s.r.freitas
n1
InT =
(b a) f0 + fn X
(
+
fi )
n
2
i=1
8.1.1
[a, b]
= (h3 f 00 (i )(1/12)
.. .
EiT =
1 3 00
h f (i )
12
Para determinar o erro no intervalo [a, b] basta somar os erros nos intervalos
[xi , xi+1 ], ou seja
EnT =
n1
X
n1
EiT =
i=0
Supondo
1 3 X 00
h
f (i ) i (xi , xi+1 )
12
i=0
f 00 (x)
s.r.freitas
P
00
00
que: Existe (a, b) tal que n1
i=0 f (i ) = nf ().
Usando que n = (b a)/h temos
EnT =
f 00 ()
f 00 () (b a)3
(b a)h2 =
12
12
n2
EnT =
AO!
AT EN C
f 00 () (b a)3
12
n2
Observe que:
i) lim EnT = 0
n
dx
1 + x2
e usando a f
ormula do trapezio com n = 10.
Solu
c
ao
h = (1 0)/10 h = 0.1 .. . xi = ih , i = 0, , 10
fi = f (xi ) =
1
1
=
, i = 0, , 10
2
1 + (ih)2
1 + xi
168
fi
1.0000
0.9901
0.9615
0.9174
0.8621
0.8000
0.7353
0.6711
0.6098
0.5525
0.5000
s.r.freitas
(f0 + fn )/2
0.7500
Pn1
fi
7.0998
i=1
InT
0.7850
Exemplo 8.1.2
Z 1
2
Seja I =
ex dx.
0
2
2
f 0 (x) = 2xex
2
f 00 (x) = ex (4x2 + 2)
.. . |f 00 (x)| e(4 + 2) = 6e = 16.31 x (0, 1)
Podemos ent
ao considerar M2 = 17 como cota para f 00 (x) em (0, 1).
r
r
M2 (b a)3
17 1
n>
=
= 11.9
12
12 102
Basta tomar ent
ao n = 12.
8.2
M
etodo de Simpson
Rb
Seja I = a f (x) dx. Para este caso vamos considerar uma subdivisao do
intervalo [a, b] num n
umero par de subintervalos ou seja n = 2k, k N .
(Veja figura 8.3)
169
s.r.freitas
f (x)
Ii
a = x0
h
xi1
h
xi
xi+1
b = xn
Figura 8.3:
xi1
Z
Vamos denotar Ii =
f (x) dx
xi1
xi1
Ii
P2 (x) dx
xi1
fi
fi+1
fi1
IiS =
xi+1
P2 (x)dx
xi1
xi1
xi
xi+1
Figura 8.4:
Como j
a fizemos anteriormente no caso do metodo do trapezio vamos deter170
s.r.freitas
h
(fi1 + 4fi + fi+1 )
3
IiS =
h
(fi1 + 4fi + fi+1 )
3
171
s.r.freitas
h
(f0 + 4f1 + f2 )
3
h
i=3
I3S = (f2 + 4f3 + f4 )
3
h
S
i=5
I5 = (f4 + 4f5 + f6 )
3
..
..
.
.
h
S
i = 2j + 1 I2j+1
= (f2j + 4f2j+1 + f2j+2 )
3
..
..
.
.
h
i=n
(fn2 + 4fn1 + fn )
3
I1S =
i=1
h
3
Observando que na soma anterior os valores de f com ndice par, excetuandose os ndices 0 e n = 2k, aparecem sempre duplicado teremos
S
I2k
k1
j=1
j=1
X
X
h
= ((f0 + f2k ) + 2
f2j + 4
f2j1 )
3
I=
k1
X
f2j+1
j=0
Teremos:
S
I2k
=
(b a)
(U + 4I + 2P )/3
2k
Exemplo 8.2.1
Vamos utilizar a f
ormula de Simpson para determinar uma aproximacao
172
dx
, usando n = 10
1 + x2
Solu
c
ao Seja f (x) =
i
0
1
2
3
4
5
6
7
8
9
10
xi
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
s.r.freitas
f (xi )
1.00000000
0.99009901
0.96153846
0.91743119
0.86206897
0.80000000
0.73529412
0.67114094
0.60975610
0.55248619
0.50000000
1
1 + x2
U
1.5
I
3.93115733
P
3.16865764
InS
0.78539815
8.2.1
xi+1
=
xi1
h
Ei (x) dx =
6
Como a func
ao g(z) = z(z 1)(z 2) troca de sinal em [0, 2] nao e possvel
utilizar a mesma tecnica utilizada na deducao do erro para a formula do
173
s.r.freitas
trapezio.
Na demonstrac
ao que segue iremos utilizar o seguinte resultado.
Teorema Fundamental do C
alculo Integral
Z x
d
Seja (x) =
f (t) dt. Entao
(x) = f (x)
dx
a
Como E(x) = f (x) P2 (x) temos que
Z xi +h
Z
EiS = R(h) =
f (x) dx
xi h
..
P2 (x) dx
xi h
xi +h
f (x) dx
R(h) =
xi +h
xi h
h
(f (xi h) + 4f (xi ) + f (xi + h))
3
(8.1)
00
00
000
R (t)dt = 2/3
t2 f (4) (3 ) dt =
0
0
Z h
(4)
2/3f (2 )
t2 dt = 2/9h3 f (4) (2 ), 2 (xi1 , xi )
R (h) = R (0) +
174
s.r.freitas
Z h
R00 (t)dt = 2/9
t3 f (4) (2 ) dt =
0
0
Z h
2/9f (4) (2 )
t3 dt = 1/18h4 f (4) (1 ), 1 (xi1 , xi )
R0 (h) = R0 (0) +
R (t)dt = 1/18
t4 f (4) (1 ) dt =
0
0
Z h
1/18f (4) (1 )
t4 dt = 1/90h5 f (4) (i ), i (xi1 , xi )
R(h) = R(0) +
Assim temos
EiS =
1 5 (4)
h f (i ) i (xi1 , xi )
90
EnS
k
X
(8.2)
i=1
k
X
i=1
.. .
EnS =
n 5 (4)
(b a)h4 (4)
h f () =
f () (a, b)
180
180
EnS =
(b a)5 (4)
f () para algum (a, b)
180n4
175
(8.3)
AO!
AT EN C
s.r.freitas
Observe que:
i) lim EnS = 0
n
M4
(b a)5
180n4
Z
r
5
4 M4 (b a)
n
>
determine n de modo que
180
n
par
a
176
s.r.freitas
et dt
Solu
c
ao
2
f (x) = et
f 0 (t) = et (2t)
2
f 00 (t) = et (4t2 2)
2
|4et | 4 e
Temos ent
ao que:
|f iv (t)| 24
t (0, 1.43)
r
n>
24(1.43)5 4
10 = 9.45
180
Assim n = 10.
.. . (1.43) = 0.143/3(U + 4I + 2P ) = 0.95685505
8.3
M
etodo dos Tr
es Oitavos
Rb
Seja I = a f (x) dx.
Vamos considerar uma subdivisao do intervalo [a, b] em 3 subintervalos.
177
xi
0.00
0.14
0.29
0.43
0.57
0.72
0.86
1.00
1.14
1.29
1.43
f (xi )
1.00000000
0.97975866
0.92145992
0.83190170
0.72095108
0.59976042
0.47894764
0.36714405
0.27016132
0.19083063
0.12939313
s.r.freitas
U
1.12939313
I
2.96939546
P
2.39151996
h = (b a)/3 ; xi = a + ih i = 0, 1, 2, 3
Considerando P3 (x) o polinomio que interpola os quatro pontos
(x0 , f0 ), (x1 , f1 ), (x2 , f2 ), (x3 , f3 ), podemos considerar a seguinte aproximac
ao
b
x3
f (x) dx
P3 (x) dx
x0
I 3/8 =
3h
(f0 + 3f1 + 3f2 + f3 )
8
8.4
3h5 (
f 4)() (x0 , x3 )
80
Simpson+Tr
es Oitavos
s.r.freitas
existe esta necessidade pois como veremos a seguir esta formula sera sempre
utilizada em conjunto com a f
ormula de Simpson.
Suponha que seja necess
ario calcular numericamente e com o menor erro
Z b
possvel a integral I =
f (x) dx
a
Caso 1
Suponha que a func
ao f seja dada por sua formula.
Como nesse caso podemos calcular os valores f (xi ) escolhemos n = 2k adequado e utilizamos a f
ormula de Simpson.
Caso 2
Suponha que f seja dada por tabela e que tenhamos um n
umero impar de
pontos nessa tabela.
Como temos um n
umero impar de pontos temos n = 2k subintervalos e
entao podemos utilizar a f
ormula de Simpson.
Caso 3
Suponha que f seja dada por uma tabela de e que tenhamos um n
umero
par de pontos na tabela. Teremos entao n = 2k + 1 subintervalos impossibilitando a utilizac
ao da f
ormula de Simpson.
Se n = 3 usamos I 3/8 para os valores f0 , f1 , f2 , f3 .
Se n > 3 e n = 2k + 1 usamos a formula dos 3/8 para os quatro valores
iniciais f0 , f1 , f2 , f3 e a f
ormula de Simpson para os 2k 1 pontos restantes
f3 , f4 , , fn .
AO!
AT EN C
0
0
0.5
80
1.0
60
1.5
95
179
2.0
100
2.5
110
3.0
100
3.5
90
s.r.freitas
Sabendo-se que o carro chegou a cidade B apos 3.5 horas de viajem, Calcular
a dist
ancia entre as duas cidades.
Solu
c
ao
Denotando por s(t) a distancia percorrida pelo carro no tempo t temos que
Z 3.5
ds
.
= v(t) . . s(3.5) s(0) =
v(t) dt
dt
0
Como temos um n
umero par de pontos vamos utilizar a formula
3h
h
[v0 + 3v1 + 3v2 + v3 ] + [(v3 + v7 ) + 4v5 + 2(v4 + v6 )]
8
3
s(3.5) =
1.5
0.5
(240 + 180 + 60 + 95) +
((95 + 90) + 440 + 200) 245Km
8
3
180
8.5
s.r.freitas
Exerccios Propostos
1 Use a f
ormula de Simpson com n = 2 para calcular a integral
2
(3x3 3x + 1) dx
Compare seu resultado com o valor exato da integral. Qual seria sua
explicac
ao para justificar um resultado tao bom.
2 Podemos calcular ln(5) com erro inferior `a 103 usando :
Z
ln(5) =
1
dx
x
Pergunta-se :
(a) Se usarmos a f
ormula dos trapezios em quantos subintervalos deveremos dividir o intervalo [1, 5] ?
(b) E se usarmos a f
ormula de Simpson ?
(c) Calcule ln(5) usando a formula de Simpson.
3 Calcule :
Z
sen(x)
dx
1+x
0.0
1.5
0.5
0.75
1.0
0.5
1.5
0.75
2.0
1.5
2.5
2.75
3.0
5.5
3.5
6.75
5 Seja r = f () a equac
ao de uma curva dada em coordenadas polares.
Calcular a
area da regi
ao limitada pela curva sabendo-se que:
r = f ()
Obs:Area =
0
2
1
2
/2
1
Z
3/2
1
2
2
r2 d
181
s.r.freitas
6 Usando a f
ormula de Simpson e 5 pontos calcule o comprimento da
elpse dada pela equacao
y2
+ x2 = 1
4
Z br
1+(
Sugest
ao: l(c) =
a
dy 2
) dx
dx
7 Determine em quantos subintervalos devemos dividir [0.5, 1] para calcular I com erro inferior `a 105
Z 1
I=
cos(x) dx
0.5
8 Qual o erro m
aximo cometido ao calcularmos
Z 1
2
I=
ex dx , usando formula de Simpson e n=10.
0
1.0
0.0
2.0
0.6
3.0
0.9
4.0
1.2
5.0
1.4
6.0
1.5
7.0
1.7
Calcular a
area limitada por : eixo x, retas x=1 e x=7 e pela curva.
10 Calcular o valor de com erro inferior `a 104 .
Z 1
1
Obs: = 4
dx
1
+
x2
0
182
Captulo 9
M
etodos Num
ericos para
EDOS
9.1
Introdu
c
ao
g = e a aceleracao da gravidade
b = cte < 0
9.2. Considerac
oes Gerais sobre EDOs
s.r.freitas
k = cte < 0
9.2
Considera
c
oes Gerais sobre EDOs
y n = derivada de ordem n
(9.1)
Uma func
ao y = (x) e dita uma solucao da equacao (9.1) se:
a) y = (x) possue derivadas ate ordem n;
b) y n (x) = f (x, (x), , n1 (x)).
Exemplo 9.2.1
x2
+k
2
y 0 = y y = ex
y0 = x y =
Exemplo 9.2.2
9.3
9.4
s.r.freitas
Exemplo 9.4.2
0
y
= y
y(0) = 0
y = ex e soluc
ao u
nica.
AO!
AT EN C
y
= 4x y
y(0) =
0
O leitor pode comprovar que y = 0 e y = x4 sao solucoes do PVI
Teorema 9.4.1 Existencia e Unicidade de Soluc
oes das E.D.Os
Dado o P.V.I
y0
= f (x, y)
y(x0 ) =
y0
Seja f : D 7 R onde D e uma regi
ao do plano R2
f
Se
e limitada em D e (x0 , y0 ) e um ponto no interior de D, ent
ao o PVI
y
tem soluc
ao u
nica.
185
s.r.freitas
A demonstrac
ao desse teorema foge aos nossos objetivos.
Voltando ao exemplo 9.4.3 podemos verificar que
f
2x
f (x, y) = 4x y .. .
=
y
y
2x
f
torna-se ilimitada quando y 0
Como lim = temos que
y0
y
y
9.5
M
etodo de Picard
Considere
o PVI
y0
= f (x, y)
y(x0 ) =
y0
D = {(x, y) R2 : |x x0 | < a e |x x0 | < b}; f e
f
contnuas em D
y
x0
x0
y(x) = y(x0 ) +
f (t, y(t) dt
(9.2)
x0
De ac
ordo com (9.2) definimos o algoritmo de Picard
y0 (x) := y0 R
x
yk (x) := y0 + x0 f (t, yk1 (t)) dt k = 1, 2,
Pode-se provar que
|(x) yk (k)|
M N k1 k
h
k!
(x)soluc
ao do PVI
h = min{a, }
M
M
=
max{|f
(x, y)|, (x, y) D}
186
s.r.freitas
Exemplo 9.5.1
y 0 = x2 + y 2
y(0) =
0
f (x, y) = x2 + y 2
y0 (x) = 0
y1 (x) =
t2 dt =
f (t, y0 (t)) dt =
0
y2 (x) =
t2 + (
f (t, y1 (t)) dt =
0
y3 (x) =
=
Z
f (t, y2 (t)) dt =
0
x3
x3
3
t3 2
x3 x7
) dt =
+
3
3
63
t2 + (
.. . (x)
x7
63
2x11
2079
x15
59535
x3 x7 2x11
x15
+
+
+
3
21
231
315
187
t3
t7
+ )2 dt =
3
63
s.r.freitas
Exemplo 9.5.2
y0 = y
y(0) = 1
f (x, y) = y
y0 (x) = 1
Z
y1 (x) = 1 +
Z
f (t, y0 (t)) dt =
dt = 1 + x
0
y2 (x) = 1 +
Z
f (t, y1 (t)) dt =
(1 + t) dt = 1 + x +
0
y3 (x) = 1 +
Z
f (t, y2 (t)) dt =
(1 + t +
0
y4 (x) = 1 +
Z
f (t, y3 (t)) dt =
x2 x3 x4
1+x+
+
+
2
3!
4!
.. . yk (x) =
t2
x2 x3
) dt = 1 + x +
+
2
2
3!
(1 + t +
k
X
xk
i=0
k!
Observe que
k
X
xk
i=0
k!
X
xk
i=0
k!
188
x2
2
= ex
t2 t3
+ ) dt =
2
3!
9.6. Soluc
ao por Serie de Taylor
9.6
s.r.freitas
Solu
c
ao por S
erie de Taylor
y0
= f (x, y(x)
y(x0 ) =
y0
h2 00
h3
y (xn ) + y 000 (xn )+
2
6
hk k
hk+1 k+1
y (xn ) +
y () (xn , xn + h)
k!
(k + 1)!
d
f
f
f
f
f (x, y(x)) =
dx +
dy =
+f
dx
x
y
x
y
h2 f
f
h3
(
+f
) + y 000 ()
2 x
y
6
Podemos ent
ao definir
yn+1 = yn + h[f +
h f
f
(
+f
)]
2 x
y
9.6. Soluc
ao por Serie de Taylor
s.r.freitas
e a soluc
ao do PVI usando o algoritmo de Taylor
i = 0, , n
h f
f
Exemplo 9.6.1
Dado o PVI
0
y
= y
y(0) = 1
Faca uma tabela para a solucao aproximada do PVI usando h = 0.1 e n = 5.
Solu
c
ao
f (x, y) = y;
f
f
= 0;
=1
x
y
.. . T (x, y) = y +
h
h
(f (x, y).1) = y(1 + )
2
2
h
)]
2
0.00
1.00000
1.00000
0.00000
0.10
1.10500
1.10517
0.00017
0.20
1.22102
1.22140
0.00038
190
0.30
1.34923
1.34986
0.00063
0.40
1.49090
1.49182
0.00092
0.50
1.64745
1.64872
0.00127
s.r.freitas
AT EN C
AO!
Observando a tabela acima podemos notar que o erro vai aumentando a cada iterac
ao. Como veremos a seguir sera necessario fazer a
distinc
ao entre o chamado erro local e o erro global. Como ja foi enfatizado
anteriormente o algoritmo de Taylor tem erro local de ordem h3 significando
que a cada etapa calculada a diferenca entre a solucao exata e a aproximacao
e uma func
ao e = e(h) onde e(h) = O(h3 ).
Relembre que e(h) = O(h3 ) significa que e(h) e proporcional a h3 .
9.7
(a x0 )
) = y(a)
n
Defini
c
ao 9.7.1 Erro Local
Definimos erro local e denotamos por ei o erro cometido em cada iterac
ao
ou seja
ei = |y(xi ) yi |
Defini
c
ao 9.7.2 Erro Global
Definimos erro global e denotamos por E o erro total cometido ou seja
E = |y(a) yn |
191
s.r.freitas
AT EN C
AO!
9.8
M
etodos de Passo-Simples
Defini
c
ao 9.8.1 Um algoritmo para resolver um PVI e dito ser de passo
simples se a aproxic
ao yi+1 for calculada utilizando apenas o resultados do
passo anterior.
Assim podemos definir os algoritmos de passo simples como sendo aqueles
do tipo
yi+1 = yi + (xi , yi )
9.9
M
etodo de Euler
Seja
y0
= f (x, y)
y(x0 ) =
y0
Observando que
y(x + h) = y(x) + hy 0 (x) +
h2 00
y () (x, x + h)
2
temos que
y(xi + h) y(xi ) + hy 0 (xi , yi ) = y(xi ) + hf (xi , yi )(fig 9.1)
Definimos ent
ao o Algoritmo de Euler
Dados x0 , y0 , h. Geramos aproximacoes yi para y(xi ) atraves de
i = 0, 1, 2, 3,
yi+1 = yi + hf (xi , yi )
xi+1 = xi + h
AO!
AT EN C
9.10. Interpretac
ao Geometrica do Metodo de Euler
9.10
s.r.freitas
Interpreta
c
ao Geom
etrica do M
etodo de Euler
y
yi+1
y(xi+1 )
yi
xi
y(x)
xi+1
Exemplo 9.10.1
0
y
= y
Dado o PVI
y(0) = 1
Faca uma tabela da soluc
ao aproximada, usando o metodo de Euler, com
193
9.10. Interpretac
ao Geometrica do Metodo de Euler
s.r.freitas
h = 0.1 e n = 10.
Solu
c
ao
x0 = 0; y0 = 1; f (x, y) = y
.. . yi+1 = yi + hf (xi , yi ) = yi hyi = yi (1 h)
A tabela abaixo mostra os resultados das iteracoes bem como as comparacoes
com a soluc
ao exata y(x) = ex
xi
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
yi
1.0000
0.9000
0.8100
0.7290
0.6561
0.5905
0.5314
0.4783
0.4305
0.3874
0.3487
exi
1.0000
0.9048
0.8187
0.7408
0.6703
0.6065
0.5488
0.4966
0.4493
0.4066
0.3679
194
|exi yi |
0.0000
0.0048
0.0087
0.0118
0.0142
0.0160
0.0174
0.0183
0.0189
0.0191
0.0192
s.r.freitas
y0 = y
y(0) = 1
9.11
M
etodo de Heun
h 0
(y (xi ) + y 0 (xi+1 ))
2
s.r.freitas
aproximac
ao dada por yi+1 = yi + hf (xi , yi ).
Assim teremos
yi+1 = yi +
h
(f (xi , yi ) + f (xi+1 , hf (xi , yi ))
2
Podemos ent
ao considerar o algoritmo de Heun. Dados x0 , y0 , h. Geramos
aproximac
oes yi para y(xi ) atraves de
i = 0, 1, 2, 3,
k1 = f (xi , yi )
k = f (xi + h, yi + hk1 )
2
h
yi+1 = yi + (k1 + k2 )
xi+1 = xi + h
AO!
AT EN C
ei =
O(h3 )
Exemplo 9.11.1 Vamos resolver o mesmo problema do exemplo 9.10.1 utilizando o metodo de Heun no sentido de comparar os resultados.
0
y
= y
Dado o PVI
y(0) = 1
Faca uma tabela da solucao aproximada, usando o metodo de Heun, com
h = 0.1 e n = 10.
Solu
c
ao
x0 = 0; y0 = 1; f (x, y) = y
k1 = f (xi , yi ) = yi
k2 = f (xi + h, yi + hk1 ) = (yi + hk1 )
h
(k1 + k2 )
2
A tabela abaixo mostra os resultados das iteracoes bem como as comparacoes
com a soluc
ao exata y(x) = ex
yi+1 = yi +
196
9.12
yi
1.000000
0.905000
0.819025
0.741218
0.670802
0.607076
0.549404
0.497210
0.449975
0.407228
0.368541
exi
1.000000
0.904837
0.818731
0.740818
0.670320
0.606531
0.548812
0.496585
0.449329
0.406570
0.367879
s.r.freitas
|exi yi |
0.000000
0.000163
0.000294
0.000399
0.000482
0.000545
0.000592
0.000625
0.000646
0.000658
0.000662
M
etodo de Runge-Kutta - RK4
s.r.freitas
k1 = f (xi , yi )
h
h
k2 = f (xi + , yi + k1 )
2
2
h
h
k3 = f (xi + , yi + k2 )
2
2
k4 = f (xi + h, yi + hk3 )
xi+1 = xi + h
Exemplo 9.12.1
0
y
= 1 x + 4y
Dado
y(0) =
1
Determinar uma aproximacao para y(0.2) usando h = 0.2.
Solu
c
ao
f (x, y) = 1 x + 4y
k1 = f (0, 1) = 5
k2 = f (0.1, 1.5) = 6.9
k3 = f (0.1, 1.69) = 7.66
k4 = f (0.2, 2.532) = 10.928
y1 = 1 + 0.2/6[5 + 2(6.9 + 7.66) + 10.928] = 2.5016
198
s.r.freitas
Exemplo 9.12.2
0
y
= x2 + y 2
Dado
y(0) =
0
Determine uma aproximac
ao para y(xi ) usando h = 0.05 e n = 6.
Solu
c
ao
x0 = 0; y0 = 0; f (x, y) = x2 + y 2
k1 = f (xi , yi ) = x2i + yi2
k2 = f (xi + h/2, yi + h/2k1 ) = (yi + hk1 )
h
(k1 + k2 )
2
A tabela abaixo mostra os resultados das iteracoes.
yi+1 = yi +
yi
yi
0.00
0.00
9.13
0.05
0.000813
0.10
0.003000
0.15
0.007315
0.20
0.014513
0.25
0.025364
0.30
0.040667
M
etodos de Predi
c
ao-Corre
c
ao
(9.3)
xk
h
(f (xk , yk ) + f (xk+1 , yk+1 )
2
199
s.r.freitas
Observe que nesse caso para calcular yk+1 sera necessario conhecer yk+1 .
Podemos contornar esse problema predizendo o valor de yk+1 com a ajuda do
metodo de Euler. Esta abordagem nos conduz ao seguinte sistema preditorcorretor
yk+1 = yk + hf (xk , yk )
h
C
P
Observa
c
oes:
i) Na f
ormula do preditor temos ei = O(h2 ) (ordem do erro local do
metodo de Euler) e na do corretor temos EiT = O(h3 ) (ordem do erro
na formula do trapezio);
ii) A f
ormula do corretor pode ser utilizada tantas vezes quanto julgarmos
necess
ario;
iii) A f
ormula do preditor nos permite avancar do ponto xk para xk+1 .
comum, na literatura, escrever o sistema preditor-corretor com a
iv) E
seguinte a seguinte notacao
yk+1 = yk + hf (xk , yk )
m+1
h
m
yi+1 = yi + hf (xi , yi )
m = 0, 1, 2, 3,
h
m+1
m
))
yi+1
= yi + (f (xi , yi ) + f (xi + h, yi+1
x
= xi + h
i+1
m+1
yi+1 = yi+1
200
s.r.freitas
Exemplo 9.13.1
0
y
= y
Dado o PVI
y(0) = 1
Faca uma tabela para y(x) de x = 1 ate x = 0.6 com h = 0.1 e usando o
corretor 3 vezes em cada etapa.
Solu
c
ao
y10 = y0 + hf (0, 1) = 1 + (0.1)1 = 1.1
y11 = y0 + h/2(f (0, 1) + f (0.1, 1.1)) = 1 + (0.1)/2(1 + 1.1) = 1.105
y12 = y0 + h/2(f (0, 1) + f (0.1, 1.105)) =
1 + (0.1)/2(1 + 1.105) = 1.10525
y13 = y0 + h/2(f (0, 1) + f (0.1, 1.10525)) =
1 + (0.1)/2(1 + 1.10525) = 1.1052625
As demais iterac
oes est
ao na tabela abaixo bem como a solucao exata como
u
ltima coluna.
yi0
1.1000000
1.2157887
1.3437657
1.4852139
xi
0.10
0.20
0.30
0.40
yi1
1.1050000
1.2213151
1.3498737
1.4919648
yi2
1.1052500
1.2215914
1.3501791
1.4923024
yi3
1.1052625
1.2216052
1.3501944
1.4923192
exi
1.105171
1.221403
1.349859
1.491825
Uma quest
ao interessante a ser discutida e sobre o valor de m, ou seja, sobre
quantidade de vezes que devemos utilizar o corretor. Uma tecnica para se
determinar uma estimativa para m e a seguinte:
Vamos considerar a ttulo de praticidade o exemplo anterior ou seja
0
y
= y
y(0) = 1
y 0 (x) = y(x) y 00 (x) = y 0 (x) y 00 (0) = y 0 (0) = y(0) = 1
y 000 (x) = y 00 (x) y 000 (0) = y 00 (0) = 1
Como o erro da f
ormula do corretor e dada por EiT
considerar para efeitos pr
aticos que y 000 () y 000 (0) = 1
.. .
EiT
(0.1)3
1 = 0.00033
12
201
h3 000
y () podemos
12
s.r.freitas
Assim, para o exemplo anterior, nao se deve esperar mais do que 3 casas
decimais exatas, bastando usar o corretor duas vezes.
Exemplo 9.13.2
y0 = x 1
Dado o PVI
y
y(0) =
1
Faca uma tabela para y(x) de x = 0 ate x = 0.4 com h = 0.1. Determine
uma estimativa para m.
Solu
c
ao
y 0 (x) = x
1
1
y 0 (0) = 0
= 1
y(x)
y(0)
y 00 (x) = 1 +
y 0 (x)
y 0 (0)
00
y
(0)
=
1
+
=0
(y(x))2
(y(0))2
y 000 (x) =
y(x)4
y 000 (0) =
.. .
EiT 2
(0.01)3
0.00067
3
Assim n
ao devemos esperar mais do que 3 casas decimais exatas.
xi
0.10
0.20
0.30
0.40
yi0
0.9000000
0.7982261
0.6903929
0.5693739
yi1
0.8994444
0.7961792
0.6857831
0.5595193
yi2
0.8994101
0.7960182
0.6852962
0.5579727
Podemos ent
ao considerar as aproximacoes
y(0.1) 0.899
y(0.2) 0.796
y(0.3) 0.685
y(0.4) 0.557
202
yi3
0.5577249
9.14
s.r.freitas
4h
0
erro = O(h5 )
yi+1 = yi3 + 3 (2fi fi1 + 2fi2 )
h
m+1
m
erro = O(h5 )
yi+1 = yi1 + (fi1 + 4fi + fi+1 ), m = 0, 1,
3
Onde estamos denotando fi = f (xi , yi ).
AO!
AT EN C
9.15
xi
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
RK4
1.0000000
1.6089333
2.5050062
3.8294145
5.7927853
8.7093175
13.047713
19.507148
P-C Milne
5.7938573
8.7113786
13.0522270
19.5150861
Valor Exato
1.00000000
1.6090418
2.5053299
3.8301388
5.7942260
8.7120041
13.052522
19.515518
Passo-Simples X Predi
c
ao-Corre
c
ao
Uma das vantagens dos metodos de passo-simples e que eles sao autosuficientes enquanto os metodos preditor-corretor em geral nao sao.
No caso por exemplo do sistema de Milne houve a necessidade de se utilizar
203
s.r.freitas
9.16
Sistemas de EDOs
Usando a notac
ao vetorial o PVI sera dado por
(
dY
= F (x, Y )
dx
Y (x0 ) =
Y0
Y (x) = (y1 (x), , yn (x))t ;
Onde
F (x, Y ) = (f1 (x, Y ), , fn (x, Y ))t ;
Podemos ent
ao aplicar todos os metodos ja vistos para os sistemas considerando a notac
ao vetorial.
Vamos escrever as equacoes para o metodo de Euler.
Denotando o i-esimo iterado como y i teremos
Y i+1 = Y i + hF (xi , Y i )
y1i+1
y2i+1
..
.
yni+1
y1i
y2i
..
.
yni
+
h
f1 (xi , Y i )
f2 (xi , Y i )
..
.
fn (xi , Y i )
1i+1
y2 = y2i + hf2 (xi , y1i , y2i , . . . , yni )
...
...
...
...
i+1
i
i
yn = yn + hfn (xi , y1 , y2i , . . . , yni )
204
s.r.freitas
dY
= F (x, Y )
dx
Y (x0 ) =
Y0
Y =
y1
y2
F =
f1 (x, Y )
f2 (x, Y )
Onde
0
(
y1
1
0
x0 = 0, Y =
=
y20
0
e
F =
f1 (x, y1 , y2 )
x + (y2 )2
=
f2 (x, y1 , y2 )
(y1 )2
Escrevendo as equac
oes para o metodo de Euler temos
y1i+1 = y1i + h[xi + (y2i )2 ]
y2i+1 = y2i + h[(y1i )2 ]
xi+1 = xi + h
Vamos considerar h = 0.1 e i = 0, 1, 2, 3, 4
y11 = 1 + 0.1[0 + 02 ] = 1.00
y21 = 0 + 0.1[1.0002 ] = 0.10
y12 = 1 + 0.1[0.1 + (.1)2 ] = 1.01
y22 = 0.1 + 0.1[1.00] = 0.20
y13 = 1.01 + 0.1[0.2 + (0.2)2 ] = 1.03
y23 = 0.2 + 0.1[(1.01)2 ] = 0.30
y14 = 1.03 + 0.1[0.3 + (0.3)2 ] = 1.07
y24 = 0.3 + 0.1[(1.03)2 ] = 0.41
205
9.17
(
s.r.freitas
dY
= F (x, Y )
dx
Y (x0 ) =
Y0
K 1 = F (xi , Y i )
K 2 = F (xi + h/2, Y i + h/2K 1 )
K 3 = F (xi + h/2, Y i + h/2K 2 )
K 4 = F (xi + h, Y i + hK 3 )
3
4
k12
k1
k1
k2
k3
2
k4
2 .. 3 .. 4 2
Onde K 1 =
K = . K = . K = .. ;
2
3
.
kn
kn
1
kn ;
kn4
;
;
k11
k21
..
.
Teremos ent
ao a metodo RK4 na notacao vetorial
Y i+1 = Y i +
h 1
[K + 2K 2 + 2K 3 + K 4 ]
6
AO!
AT EN C
9.18
s.r.freitas
y1 = y
y2 = y
y3 = y 00
..
..
.
.
yn = y (n1)
Na forma vetorial podemos escrever
dY
= F (x, Y )
dx
y1
f1 (x, Y )
y2
f2 (x, Y )
Y = . F =
..
..
.
yn
f1 (x, Y )
f2 (x, Y )
..
.
fn1 (x, Y )
fn (x, Y )
fn (x, Y )
= y2
= y3
= yn
= f (x, y1 , y2 , . . . , yn )
f1 (x, Y )
.
0
.. Y =
Y =
eF =
y2
f2 (x, Y )
f1 (x, y1 , y2 ) = y1
onde
f2 (x, y1 , y2 ) = f (x, y, y 0 )
207
s.r.freitas
; F =
f1 (x, Y )
y2
=
f2 (x, Y )
y1
9.19
xi
0.00
0.10
0.20
0.30
0.40
0.50
y1i
0.000000
0.099833
0.198669
0.295520
0.389418
0.479425
y2i
1.000000
0.995004
0.980067
0.955337
0.921061
0.877583
(xi ) = sen(xi )
0.000000
0.099833
0.198669
0.295520
0.389418
0.479426
Ate agora foram tratados metodos numericos para solucao de problemas envolvendo equac
oes diferenciais e seus valores iniciais os denomindados PVIs.
Como j
a foi visto nesses problemas as condicoes iniciais sao conheciadas num
u
nico ponto. No que segue iremos considerar problemas em que as condicoes
s
ao esspecificadas em mais que um ponto.
Um problema tpico que trataremos sera o seguinte
00
= f (x, y, y 0 )
y
y(a) =
y(b) =
s.r.freitas
rencas Finitas. N
ao trataremos aqui deste metodo.
Iremos utilizar um metodo, denominado Metodo do Artilheiro , que consiste
em transformar um problema de fronteira (PF) em um problema de valor
inicial (PVI).
9.20
M
etodo do Artilheiro
y(b) =
y 00
y(a)
0
y (a)
o PVI
= f (x, y, y 0 )
=
=
s
A soluc
ao desse PVI que
obviamente depende tambem de s iremos denotar
por y(x, s).
O problema agora e determinar s de modo que y(b, s) = . Denotando
g(s) = y(b, s) o problema e reduz-se a determinar um zero da funcao
g(s). Um metodo bastante eficiente para determinar aproximacoes de um
zero de g(s) e o Metodo da Secante que, relembrando, e o seguinte:
Dados s0 , s1
s g(s ) sk g(sk1 )
sk+1 = k1 k
k = 1, 2, 3, . . .
g(sk ) g(sk1 )
Propomos ent
ao o seguinte procedimento para a solucao de um Problema
de Fronteira do tipo abaixo
00
= f (x, y, y 0 )
y
y(a) =
y(b) =
s.r.freitas
= f (x, y, y 0 )
y 00
y(a) =
3) Resolver o PVI
0
y (a) =
sk
Calculando y(x, sk ) de x = a, ate x = b usando qualquer um dos
metodos j
a discutidos anteriormente.
4) Determinar sk+1 atraves da formula
sk+1 =
AO!
AT EN C
y(1)
s.r.freitas
xi
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
s0 = 2
y(xi , s0 )
0.000000
0.199667
0.397338
0.778836
0.778836
0.958850
1.129284
1.288434
1.434711
1.566653
1.682941
s1 = 1
y(xi , s1 )
0.000000
0.099833
0.198669
0.295520
0.389418
0.479425
0.564642
0.644217
0.717356
0.783326
0.841470
s2 = 1.188396
y(xi , s2 )
0.000000
0.118642
0.236098
0.351195
0.462783
0.569747
0.671018
0.765585
0.852503
0.930902
1.000000
211
sen(x)/sen(1)
0.000000
0.118642
0.236098
0.351195
0.462783
0.569747
0.671018
0.765585
0.852502
0.930902
1.000000
9.21
s.r.freitas
Exerccios Propostos
1) Dado o PVI
(
y0 = x + y2
y(0) = 1
Calcule y4 (x) usando o metodo de Picard
2) Mesmo problema anterior para o PVI
(
y 0 = 2y 2x2 3
y(0) = 2
x2
3) Seja y(x) = e
et dt
Integral de Dawson
s.r.freitas
(
y 0 = 1 2xy
7)
y(0) = 0
Calcule aproximadamente y(0.1) usando o Metodo de Runge-Kutta e
h = 0.05
8) Usando o sistema Preditor-Corretor :
(
P : yk+1 := yk + hf (xk , yk )
m+1
m ))
C : yk+1
:= yk + h2 (f (xk , yk ) + f (xk+1 , yk+1
Calcule y(0.3) aproximadamente usando h = 0.1 e usando o corretor
duas vezes, onde y(x) e a solucao do PVI
(
y0 = x + y
y(0) = 0
9) Mesmo problema anterior para o PVI
n
y 0 = 10y 9y(0) = 1
10) Reescreva o sistema de EDOs abaixo como um um sistema de EDOs
de primeira ordem.
(
y 000 = x2 yy 00 yz 0
z 00 = zxz 0 + 4y 0
11) Calcule, usando o Metodo de Euler P (t) = (x(t), y(t)), t = 0.1, 0.2, 0.3
onde :
x0 (t) = 1 2t
y 0 (t) = t xy
x(0) = 1
y(0) = 0
12) Usando o Metodo de Heun calcule aproximacoes para y(1.1) e y(1.2)
onde y(x) e soluc
ao do PVI
00
2 0
3
y + y y = x
y(1) = 1
0
y (1) = 1
213
s.r.freitas
00
02
yy + y + 1 = 0
y(0) = 1
y(1) = 2
15) Resolva o seguinte problema de fronteira usando h = /30
00
02
2
2yy y + 4y = 0
y(/6) = 1/4
y(/2) = 1
214
Captulo 13
Projetos
Projetos s
ao problemas reais que envolvem alguma modelagem matematica e
metodos numericos. Espera-se que o algortmo referente ao metodo numerico
utilizado seja desenvolvido numa linguagem cientfica de programacao e os
resultados analisados.
13.1
Idade da Lua
A utilizac
ao da desintegrac
ao radioativa para a datacao de materiais nos
conduz `
a soluc
ao da seguinte equacao
NP207
b
=
NP206
b
(
235
onde:
238
NU238 (e238 t 1)
1 (e238 t 1)
=
139 (e235 t 1)
NU235 (e235 t 1)
= 0.97 109
= 0.15 109
Tipo de Material
Material Fino
Material Fino
Rocha
Rocha
206
NP207
b /NP b
0.623
0.609
0.445
0.446
13.2. C
alculo da Inversa de uma Matriz
s.r.freitas
uma equac
ao do tipo
eat 1
=k
ebt 1
1
ln(1 + k(ebt 1))
a
13.2
C
alculo da Inversa de uma Matriz
Procedimentos
I
B = I A1
13.3
Um problema de Geometria
Achar o
angulo da base de um triangulo isosceles sabendo-se que sua area e
duas vezes a
area do crculo circunscrito.
Area
do crculo=(AD)2 tg 2 (/2)
Area
do tri
angulo=(AD)2 tg() (Veja figura 13.1)
216
s.r.freitas
C
/2
A
Figura 13.1:
13.4
Principio de Arquimedes
r
h
Figura 13.2:
Sugestoes:
1) O volume V da colota esferica de raio r e altura h e dado por
V = h2 (3r h)
3
2) Use o Princpio de Arquimedes.
13.5
Caten
aria
13.5. Caten
aria
s.r.freitas
L
f
S
Figura 13.3:
L
2T
)senh(
)=S
2T
onde:
S e o comprimento do cabo;
L e a dist
ancia entre os postes;
Uma vez conhecido T f pode-se determinar f atravez de
T
L
f = ( )cosh(
1)
2T
Determine f usando os seguintes dados:
S = 32m; L = 30m e = 0.5kgf /m
218
13.6. Distribuic
ao de Temperatura numa Placa
13.6
s.r.freitas
Distribui
c
ao de Temperatura numa Placa
400
1m 200
Tij
200
100
2m
13.7
Circuito El
etrico
s.r.freitas
15
V volts
10
Figura 13.5:
11v1
v2
v6
20v1 +41v2 15v3 6v5
3v2
+7v3 4v4
v3
+2v4
v5
3v2 10v4 +28v5 15v6
2v1 15v5 +47v6
= 5V
= 0
= 0
= 0
= 0
= 0
13.8
Problema de Custos
O Centro de Ciencias Exatas e Tecnologia da UFMS e composto dos seguintes departamentos: Hidraulica, Matematica, Computacao, Fsica, Qumica,
Eletrica e Construc
ao Civil. O Centro e responsavel pelos seguintes cursos
de graduac
ao: Engenharia, Matematica, Fsica, Quimica, Eletrica e Analise
de Sistemas. Os orcamentos anuais e o n
umero de matriculas por departa220
13.9. Equac
ao de Van der Pol
s.r.freitas
mento est
ao representados na tabela abaixo:
Departamento
Hidr
aulica (H)
Matem
atica(M)
Computac
ao (C)
Fsica(F)
Qumica(Q)
Eletrica (E)
Const. Cvil(CC)
Orcamento em $
25634.00
45721.00
63245.00
65478.00
67975.00
54234.00
30327.00
Matrculas
212
170
246
159
210
327
253
H
0
0
0
0
5
15
30
M
20
60
15
15
5
5
0
C
60
18
72
5
0
5
0
F
10
7
5
73
5
5
0
Q
0
6
7
3
81
3
0
E
10
10
5
5
0
68
7
CC
0
7
3
10
5
5
45
13.9
Equa
c
ao de Van der Pol
Na an
alise da soluc
ao de equacoes diferenciais modelando sistemas oscilatorios e comum fazer-se o gr
afico do plano de fases da equacao. O plano
de fase consiste em plotar os pontos do tipo (y(x), y 0 (x)) onde y(x) e a solucao da equac
ao diferencial e y 0 (x) sua derivada.
Desenhe o plano de fases da equacao de Van der Pol.
00
y (x) 0.1(1 y 2 )y 0 + y = 0
y(0) = 1
0
y (0) = 0
221
13.10
s.r.freitas
Problema de Refra
c
ao
I = (x, 0)
r
B = (1, 1)
Figura 13.6:
Sugest
ao: Use o principio de Fermat
13.11
sen(i)
sen(r)
=
v1
v2
Deflex
ao de uma Viga Simplesmente Engastada
L
x
13.12. Deflex
ao de uma Viga Simplesmente Apoiada
s.r.freitas
y 00
P
= EI
(L x)
(1+(y0 )2 ) 2
y(0) = 0
y 0 (0) = 0
L = 250cm
I = 16/3cm4
Supondo que
E = 7 105 kg/cm2
P = 30kg
Calcule a deflex
ao da viga para os pontos xi = 25i, i = 1, . . . , 10.
13.12
Deflex
ao de uma Viga Simplesmente Apoiada
L
x
Figura 13.8:
Considere a deflex
ao de uma viga simplesmente apoiada.(figura 13.8) Sabese que a deflex
ao y(x) e regida pela equacao diferencial:
d2 y
P
+
y=0
2
dx
EI
223
13.12. Deflex
ao de uma Viga Simplesmente Apoiada
s.r.freitas
P = carga compressiva.
Como a viga e simplesmente apoiada temos as condicoes:
y(0) = y(L) = 0
Introduzindo a vari
avel nao dimensional z = x/L temos
(
L2
y 00 (x) + PEI
y=0
y(0) = y(1) = 0
Resolva o problema acima usando
consistente.
P L2
EI
224