Escolar Documentos
Profissional Documentos
Cultura Documentos
Sumario
1 Introduc~ao a Teoria de Erros e Estabilidade
1.1
1.2
1.3
1.4
Representac~ao de Numeros . .
Aritmetica de Ponto Flutuante
Erros . . . . . . . . . . . . . .
Exerccios . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3
3
4
5
8
8
9
12
15
15
15
17
17
3 Equaco~es N~ao-Lineares
20
3.1 Fase I: Isolamento das Razes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Fase II: Renamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4 Ajuste de Curvas
4.1 Interpolac~ao . . . . . . . . . . . . . . . . .
4.1.1 Polin^omio Interpolador de Lagrange
4.1.2 Polin^omio Interpolador de Newton .
4.2 Quadrados Mnimos Lineares . . . . . . . .
4.3 Interpolac~ao com Splines . . . . . . . . . .
4.3.1 Interpolac~ao por Spline Linear . . .
4.3.2 Interpolac~ao por Spline Cubico . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
23
23
24
26
27
28
31
33
33
34
37
38
41
41
42
SUMARIO
SUMARIO
4.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5 Integrac~ao Numerica
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
51
51
52
52
53
54
54
54
55
56
59
67
CAPITULO
A = 31400 m2 ;
2.
A = 31416 m2 ;
3.
A = 31415:92654 m2 .
Como justicar as diferencas entre os resultados apresentados no exemplo 1? E possvel obter exatamente esta
area?
Os erros ocorridos dependem da representac~ao do numero (neste caso, do numero ) na maquina utilizada1 e
do numero maximo de dgitos usados na sua representac~ao.
O numero , por exemplo, n~ao pode ser representado atraves de um numero nito de dgitos decimais. No
exemplo 1, o numero foi escrito como 3.14, 3.1416 e 3.141592654 respectivamente. Para cada representao
foi obtido um resultado diferente, e o erro neste caso depende exclusivamente da aproximac~ao escolhida para .
Qualquer que seja a circunfer^encia, a sua area nunca sera obtida exatamente de forma numrica!
Logo, qualquer calculo que envolva numeros que n~ao podem ser representados atraves de um numero nito de
dgitos n~ao fornecera como resultado um valor exato.
0:d1 d2 d3 : : : dt 10e
onde:
1 Calculadora
ou computador.
CNC
1.3 Erros
O formato de um numero em aritmetica de ponto
utuante limita a mantissa em k dgitos decimais. Existem
duas maneiras de obter essa limitac~ao. Um metodo, chamado de truncamento, consiste em simplesmente cortar
os dgitos dk +1 dk +2 : : :.
O outro metodo, chamado de arredondamento trunca a mantissa em k dgitos (como no caso acima), porem
duas situac~oes podem ocorrer:
1. Se dk +1 5, dk = dk + 1;
2. Se dk +1 < 5, dk = dk .
Exemplo 3. Podemos escrever o numero na forma de aritmetica de ponto
utuante com 5 dgitos usando:
1. O metodo de Truncamento:
= 0:31415 101 ;
2. O metodo de Arredondamento:
= 0:31416 101 .
Estes dois processos geram erros nos calculos numericos e s~ao conhecidos como erros de truncamento e erros
de arredondamento, respectivamente.
L. A. P. Cant~ao
CNC
O erro absoluto e a diferenca entre o valor exato de um numero x e seu valor aproximado x :
EAx = jx x j:
Em geral, apenas o valor x e conhecido, e neste caso, e impossvel obter o valor exato do erro absoluto. O que
se faz e obter um limitante superior ou uma estimativa para o modulo do erro absoluto.
O erro relativo e denido como o erro absoluto dividido pelo valor aproximado:
EA jx x j
ERx = jx jx = jx j ; x 6= 0:
1.4 Exerccios
1. Calcule o erro absoluto e o erro relativo nas aproximac~oes de p e p:
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(a)
(b)
1;
n!
n=0
5
X
1.
n!
n=0
10
X
x sen x
3. Seja f (x ) = x cos
x sen x .
30000
X
i =1
xi
CNC
5. Os primeiros tr^es termos termos diferentes de zeros da serie de MacLaurin para a func~ao arcotangente s~ao
x (1=3)x 3 +(1=5)x 5 . Calcule o erro absoluto e o erro relativo para as seguintes aproximac~oes de utilizando
o polin^omio em lugar da func~ao arcotangente:
1
(a) 4 arctan 2 + arctan 31 (Aprox. 3:14557613, EA = 3:983 10 3 e ER = 1:268 10 3 )
1 (Aprox. 3:14162103, EA = 2:838 10 5 e ER = 9:032 10 6 )
(b) 16 arctan 15 4 arctan 239
6. Use a aritmetica com numeros de tr^es dgitos para executar os calculos a seguir. Calcule os erros absolutos
e relativos comparando-os com o valor exato determinado com pelo menos cinco dgitos.
(a)
(b)
(c)
(d)
13
b + b2 4ac
b2 4ac
b
e
x
:
2 =
2a
2a
Considere a equac~ao x 2 + 62:1x + 1 = 0, cujas razes s~ao aproximadamente x1 = 0:01610723 e x2 =
62:0839.
Calcule a equac~ao acima utilizando arredondamento para quatro dgitos e posteriormente avalie o erro absoluto e relativo para cada raiz.
x1 =
8. Utilize a aritmetica com arredondamento para quatro dgitos e as formulas do exerccio acima para encontar
os valores aproximados mais precisos para as razes das equac~oes quadraticas a seguir. Calcule os erros
absolutos e relativos.
1 =0
(a) 13 x 2 123
x
+
4
6
1
x
(b) 13 x 2 + 123
4
6 =0
2
(c) 1:002x 11:01x + 0:01265 = 0
(d) 1:002x 2 + 11:01x + 0:01265 = 0
Quest~
ao
7
8 (a)
x1
92:26
(b)
0:005421
(c)
10:98
(d)
L. A. P. Cant~ao
EA
0:001149
x2
ER
0:02
10 1
1 672 10 4
2 333 10 4
6 257 10 4
6 584 10 5
2:4
0:1542
10
10
7 566 10
1:264
6:875
EA
62:1
0:005419
10
10
6 875 10
4:58
7:566
:
10 7
4 58 10 3
7 566 10 8
6 875 10 3
6:273
3
8
3
ER
10 4
1 157 10 4
4 965 10 5
6 584 10 5
6 257 10 4
3:2
:
:
:
CAPITULO
(2.1)
(2.2)
.. . . .. .. = ..
.
. . . .
.
.
an1 an2 ann
xn
bn
Note que Ann denota a matriz de coecientes, x o vetor das incognitas e b o vetor com os valores do lado direito
do sistema (2.1).
Se admitirmos que A e uma matriz inversvel, ou seja, A 1 A = AA 1 = I, onde I e a matriz Identidade,
ent~ao o sistema (2.1) ou (2.2) tem soluc~ao unica x = A 1 b. Porem, calcular explicitamente A 1 e em seguida
A 1 b e desaconselhavel, uma vez que o numero de operac~oes envolvidas e grande, o que torna este processo n~ao
competitivo com os metodos que estudaremos aqui.
CNC
2x1
x2 + x3 = 2
x2 + 2x3 = 3
x3 = 1
(2.3a)
x1
= 2
(2.3b)
2x1 + x2
= 3
2x1
x2 + 5x3 = 2
cujas respectivas soluc~oes podem ser obtidas diretamente, ou seja, para os problemas (2.3a) e (2.3b), temos:
x3 = 1
3 2
x2 = 1 = 1
2+1 1 =1
x1 =
2
x1 = 2
3 4
x2 = 1 = 1
2 4 1= 3
x3 =
5
5
a11 x1 + a12 x2 + +
a22 x2 + +
a1;n 1 xn
a2;n 1 xn
an
1
1
1;n 1 n 1
+
+
a1n xn
a2n xn
+ an 1;n xn
ann xn
= b1
= b2
..
.
= bn 1
= bn
(2.4a)
= b1
+ a22 x2
= b2
..
(2.4b)
.
L. A. P. Cant~ao
a11 x1
a21 x1
CNC
bn
ann
Para k = n 1 ate k = 1 faca
soma = bk
Para j = k + 1 ate j = n faca
soma = soma akj xj
Faca xn =
Fim do laco
6:
soma
xk = a
kk
7:
8:
Fim do laco
b1
a11
Para k = 2 ate k = n faca
soma = bk
Para j = 1 ate j = k 1 faca
soma = soma akj xj
Faca x1 =
Fim do laco
6:
7:
8:
soma
xk = a
kk
Fim do laco
Os metodos diretos mais comuns t^em como base as seguintes propriedade elementares de sistemas de equac~oes
lineares.
Propriedade 1. A soluc~ao do sistema Ax = b n~ao se altera se o submetermos a uma sequ^encia de operac~oes do
tipo:
L. A. P. Cant~ao
a11
a21
..
.
ai 1
..
.
an 1
a12
a22
..
.
ai 2
..
.
an 2
CNC
a13
a23
..
.
ai 3
..
.
an 3
a1n b1
a2n b2
..
.
bi
..
.
..
.
ain
. . . ..
.
ann bn
...
l1(1)
l2(1)
..
.
(1)
li
..
.
(1)
ln
os elementos li(1) , para i = 1; 2; : : : ; n, representam as equac~oes do sistema linear (2.1) a ser triangularizado.
Elimina
c~
ao da Primeira Coluna
Suponha que a11 6= 0. Para eliminar a incognita x1 das n 1 equac~oes, subtramos a primeira linha multiplicada
pelo fator
a
mi 1 = a i 1
11
l1(1)
a11 a12 a13 a1n b1
(2)
(2)
0 a22
l2(2)
a23
a2(2)n b2(2)
..
..
.. . . ..
..
..
.
. .
.
.
.
.
0 a a ain bi
..
..
.. . . ..
..
. .
.
.
.
.
(2)
bn(2)
0 an(2)2 an(2)3 ann
(2)
i2
(2)
i3
(2)
(2)
li(2)
..
.
ln(2)
Elimina
c~
ao da Segunda Coluna
Para eliminar a incognita x2 das n 2 ultimas equac~oes repetimos o procedimento anterior tomando agora a
segunda linha como auxiliar no processo de eliminac~ao, isto e:
a
li(3) = li(2) mi 2 l2(2) ; i = 3 : n; onde mi 2 = a i 2 ; i = 3 : n;
22
supondo que a22 6= 0.
Os coecientes ser~ao modicados segundo as relac~oes:
Para i = 3 : n aij(3) = aij(2) mi 2 a2(2)j ; j = 3 : n
bi(3) = bi mi 2 b2(2) :
L. A. P. Cant~ao
10
CNC
b1
(2)
(2)
a2(2)n
a23
0 a22
..
..
.. . . ..
. .
.
.
.
(n)
0 0 0 ann
bn
b2(2)
.. ()
(n)
(n)
(3)
(2)
, ..., ann
que aparecem na diagonal principal da matriz
, a33
No processo de eliminac~ao, os elementos a11 , a22
A s~ao chamados piv^os e os elementos mij , para i = 1; 2; ; n e k = i + 1; ; n, os multiplicadores.
Se no processo de eliminac~ao um dos piv^os se anular, devemos trocar linhas (sempre escolhendo aquelas abaixo
da diagonal para n~ao perder a eliminac~ao anterior), de modo que escolhamos elementos n~ao nulos para piv^os.
Para k = 1 ate k = n
1 faca
Selecione i k tal que aik 6= 0
Se aii = 0 para todo i k ent~ao
A n~ao e inversvel. PARE
Caso contrario
Se i =
6 k ent~ao
Troque a linha k com a linha i
Fim do condicional
Fim do condicional
Para i = k + 1 ate i = n faca
a
m = mik = a ik
kk
bi = bi mbk
Para j = k + 1 ate j = n faca
aij = aij makj
Fim do laco
Fim do laco
Fim do laco
Estrategia de Pivoteamento
Exemplo 4. Resolva o sistema abaixo usando o algoritmo (3):
11
CNC
Use quatro dgitos na representac~ao em ponto
utuante e arredondamento ao desprezar o quinto dgito.
Troque a ordem das equac~oes lineares e resolva novamente o problema usando o mesmo algoritmo.
0:423x1
cuja soluc~ao e x1 = 10 e
24:72x2 = 20:49
15:96x2 = 15:96
O procedimento usado no exemplo 4 para obter a soluc~ao correta do sistema e chamado de estrategia de
pivoteamento, que consiste na troca sistematica das linhas, de modo que o piv^o seja o maior elemento, em valor
absoluto, da coluna que estamos eliminando. Assim,
1. no k -esimo passo procuramos o elemento piv^o de maior valor absoluto entre os coecientes:
jark j = i max
ja j;
k n ik
2. trocamos as linhas k e r se for necessario.
O algoritmo (4) ilustra esta estrategia.
Existem dois casos nos quais o metodo de eliminac~ao pode ser aplicado sem pivoteamento:
1. Uma matriz e diagonalmente dominante, ou seja, seus elementos satisfazem a jaii j >
para todo i .
X
j 6=i
jaij j, i = 1; 2; : : : ; n,
Os metodos de Eliminac~ao de Gauss e Eliminac~ao de Gauss com Pivoteamento podem ser usados economicamente quando precisamos resolver varios sistemas com a mesma matriz dos coecientes A e diversos termos
independentes b.
Uma opc~ao seria guardar os coecientes mij calculados no processo de eliminac~ao e usa-los na atualizac~ao dos
termos independentes b. Computacionalmente, esta alternativa e conhecida como Fatorac~ao LU da matriz A.
Suponha que seja possvel fatorar a matriz A num produto de uma matriz triangular inferior (com elementos
da diagonal principal iguais a 1) L, e uma matriz triangular superior U, isto e:
A = LU =) Ax = b
() LUx = b:
L. A. P. Cant~ao
e Ux = y:
12
Para k = 1 ate k = n
CNC
1 faca
w = jakk j e r = k
Para j = k ate j = n faca
Se jakj j > w ent~ao
w = jajk j e r = j
Fim do condicional
Fim do laco
Se w = 0 ent~ao
a
m = mik = a ik
kk
bi = bi mbk
Para j = k + 1 ate j = n faca
aij = aij makj
Fim do laco
Fim do laco
Fim do laco
Resolvendo o primeiro sistema, calculamos y que, usado no segundo sistema, fornecera o vetor procurado x.
Teorema 1. Dada uma matriz Ann , seja Ak a matriz constituda das primeiras k linhas e colunas de A. Suponha
que det (Ak ) 6= 0 para k = 1; 2; : : : ; (n 1). Ent~ao, existe uma unica matriz triangular inferior L = (mij ), com
mii = 1, 1 i n e uma matriz triangular superior U = (uij ) tais que LU = A. Ainda mais, det (A) =
L. A. P. Cant~ao
13
CNC
uij = aij
3:
Fim do laco
6:
9:
mik ukj
mij = aji
5:
8:
k =1
4:
7:
i 1
X
i 1
X
k =1
Fim do laco
Fim do laco
Soluc~ao 2. Considere a matriz abaixo onde a primeira parte refere-se a matriz L e a segunda parte, a matriz U:
1 0 0 3 2 4
1 0 0 3 2
!
a
4
1 0 0 3 2 4
!
a
1a Etapa
Piv^o: a11 = u11 = 3 e multiplicadores:
1
4
a
a
m21 = u21 = 3 e m31 = u31 = 3 .
11
11
u2j = a2j m21 a1j
j = 2; 3
u3j = a3j m31 a1j
j = 2; 3
2a Etapa
Piv^o:
1
1=3
u
u22 = 3 e multiplicadores: m32 = u32 = 1=3 = 1.
22
u33 = u33 m32 u23
Resolvendo L(Ux) = b
(i) Ly = b
(ii) Ux = y
L. A. P. Cant~ao
y1
= 1
1=3y1 + y2
= 2
4=3y1 + y2 + y3 = 3
3x1 +
2x2 + 4x3 = 1
1=3x2 + 2=3x3 = 5=3
4x3 = 0
T
=) y = 1; 35 ; 0
=) x = ( 3; 5; 0)T
14
CNC
x1 =
..
.
xi =
..
.
xn =
b1
bi
bn
n
X
j =2
n
X
j 6=i
n 1
X
j =1
a1j xj =a11
(2.5)
aij xj =aii
anj xj =ann
Neste metodo, as equac~oes (2.5) s~ao usadas para calcular uma sequ^encia de vetores aproximac~oes x(1) ,
x(2) , : : :, x(k ) . Dada uma aproximac~ao inicial x(0) , usamos o primeiro termo a direita da i -esima equac~ao para
denir uma nova aproximac~ao para xi :
xi(1) = bi
n
X
j 6=i
(2.6)
Usamos agora o vetor x(1) nas equac~oes (2.5) para calcular o novo vetor das aproximac~oes, x(2) = (x1(2) ,
x , : : :, xn(2) )T . Em resumo, o metodo de Jacobi consiste em calcularmos as componentes dos vetores x(1) ,
, : : : usando (2.5).
Vericamos se este metodo converge fazendo:
(2)
2
x(2)
max
1i n
(k +1)
xi
xi(k ) <
ou
(k +1)
xi(k )
xi
max (k +1)
1i n
xi
<
onde e uma toler^ancia sucientemente pequena. Em testes computacionais usamos tambem como teste de
parada um numero maximo de iterac~oes.
Para iniciar o processo iterativo e necessario fornecer uma aproximac~ao inicial x(0) . Na falta de informac~ao
sobre a soluc~ao, tomamos x(0) = 0.
2.2.2 Metodo de Gauss-Seidel
Este metodo consiste em uma modicac~ao do metodo de Jacobi. Nele, as iterac~oes ser~ao calculadas usando as
equac~oes (2.5), mas aproveitando os calculos ja atualizados de outras componentes, para atualizar a componente
que esta sendo calculada. Assim, o valor recem calculado para x1(k +1) sera usado no calculo de x2(k +1) .
L. A. P. Cant~ao
15
CNC
3:
4:
1
xi(k +1) = a
ii
Se max
1i n
ou
(k +1)
xi(k )
xi
(k +1)
xi
< ent~ao
9:
12:
xi(k ) <
Se k = max ent~ao
8:
11:
aij xj(k )
Caso contrario
7:
10:
(k +1)
xi
j =1; j 6=i
x = x(k +1)
5:
6:
bi
n
X
Fim do condicional
Fim do laco
Fim do laco
3:
xi
= a1 bi
ii
4:
5:
6:
7:
10:
11:
12:
j =1
(k +1)
aij xj
xi(k ) < ou
x = x(k +1)
n
X
(k )
aij xj
j
=i +1
(k +1)
xi(k )
xi
(k +1)
xi
< ent~ao
Caso contrario
Se k = max ent~ao
PARE: n~ao houve converg^encia.
8:
9:
i 1
X
Fim do condicional
Fim do condicional
Fim do laco
Fim do laco
L. A. P. Cant~ao
4:00x1 + 0:24x2
0:08x3 = 8:00
0:09x1 + 3:00x2
0:15x3 = 9:00
0:04x1
0:08x2 + 4:00x3 = 20:00
16
CNC
As condic~oes de converg^encia de vericac~ao simples para os metodos de Jacobi e Gauss-Seidel s~ao:
1. Os metodos iterativos
de Jacobi e Gauss-Seidel convergem se a matriz A e diagonalmente dominante, ou
n
X
seja: jaii j > jaij j; i = 1 : n.
j 6=i
2. Os metodos iterativos de Jacobi e Gauss-Seidel convergem se A e uma matriz positiva denida: xT Ax > 0
para todo x 6= 0.
2.3 Exerccios
1. Para cada um dos sistemas lineares seguintes, obtenha uma soluc~ao por meio de metodos gracos, se possvel.
Explique os resultados do ponto de vista geometrico.
(a)
x1 + 2x2 = 3
x1
x2 = 0
(e)
(f)
(b)
x1 + x2 = 0
x1
x2 = 0
(g)
(c)
x1 + 2x2 = 3
2x1 + 4x2 = 6
(d)
x1 + x2 = 3
2x1
4x2 = 6
(h)
x1 + 2x2 = 0
2x1 + 4x2 = 0
2x1 + x2 = 1
x1 + x2 = 2
x1
3x2 = 5
2x1 + x2 = 1
4x1 + 2x2 = 2
x1
3x2 = 5
2x1 + x2 + x3 = 1
2x1 + 4x2
x3 = 1
2. Utilize o metodo de Gauss usando operac~oes com arredondamento para dois dgitos para resolver os sistemas
lineares a seguir. N~ao reordene as equac~oes. (A soluc~ao exata para cada sistema e x1 = 1, x2 = 1 e
x3 = 3.)
(a)
4x1
x2 + x3 = 8
2x1 + 5x2 + 2x3 = 3
x1 + 2x2 + 4x3 = 11
(b)
4x1 + x2 + 2x3 = 9
2x1 + 4x2
x3 = 5
x1 + x2
3x3 = 9
(i)
L. A. P. Cant~ao
3:03x1
12:1x2 + 14x3 = 119
3:03x1 + 12:1x2
7x3 = 120
6:11x1
14:2x2 + 21x3 = 139
17
(ii)
CNC
(iii)
(iv)
1:19x1 + 2:11x2
100x3 + x4
14:2x1
0:122x2 + 12:2x3
x4
100x2
99:9x3 + x4
15:3x1 + 0:110x2
13:1x3
x4
=
=
=
=
1:12
3:44
2:15
4:16
x1
e x2 + 2x3
3x4
3
2
2
e x3 + p7 x4
p x1 + pe x2
5x1
6x2 + px3
2x4
1
3
2
x1 + e x2
7x3 + 9 x4
= 11
= 0
= p
= 2
(a) Resolva os sistemas acima usando o metodo de Eliminac~ao de Gauss e operac~oes aritmeticas com
aproximac~ao de tr^es dgitos por truncamento.
(b) Repita o item acima usando o metodo de Eliminac~ao de Gauss com Pivoteamento.
(c) Resolva os sistemas acima usando Fatorac~ao LU e operac~oes aritmeticas com aproximac~ao de tr^es
dgitos por truncamento.
(d) Calcule o erro relativo dos itens acima.
(e) Verique se os sistemas acima s~ao convergente se aplicarmos os Metodos Iterativos de Jacobi e GaussSeidel. Justique sua resposta.
4. Sejam o sistemas lineares:
(a)
x1 0:5x2 + 0:5x3 = 3
x1 + x2 + x3
= 12
0:5x1 0:5x2 + x3 = 3
(b)
10
1
2
1
2
8
1
2
3 5
1 2
5 1
3 20
x1
x2
x3
x4
48
4
11
150
Resolva-os usando os metodos de Jacobi e Gauss-Seidel e verique a converg^encia dos metodos. Justique
os resultados.
5. Resolva os sistemas lineares:
(a)
=
=
=
=
17
29
11
7
(b)
1 2 4
3 1 4
2 14 5
x1
x2
x3
13
8
50
usando o metodo de Eliminac~ao de Gauss com e sem pivoteamento. Compare e verique os resultados.
L. A. P. Cant~ao
18
CNC
3
2
9
x1
x2
x3
5
9
29
x1 + 2x2 + 3x3 = 17
(b) 5x1 x2 + 4x3 = 2
2x1 + 4x2 + x3 = 25
A =
0
1
0
2
1
1
2
2
1
3
1
1
1
1
1
4
1
2
4
3
1
2
3
1
1
4
2
0
0
2
3
0
1
5
2
0
(b)
L. A. P. Cant~ao
= 17:102
= 6:1593
= 3:0004
= 0:0000
19
CAPITULO
Equaco~es N~ao-Lineares
Introduc~ao
A necessidade de encontrar valores de x = x que satisfacam a equac~ao f (x ) = 0 aparece frequentemente
em uma ampla variedade de problemas provenientes das Ci^encias e das Engenharias. Estes valores especiais s~ao
chamados de razes da equac~ao f (x ) = 0, ou zeros da func~ao f , os quais podem ser vistos na gura 3.1, que
mostra quando a func~ao f (x ) = cos x = 0.
y
1.0
0.8
= cos x
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1.0
7
CNC
Fase I: Isolamento da raiz, isto e, encontrar um intervalo [a; b] que contenha uma, e somente uma, raiz de
f (x ) = 0.
Fase II: Renamento da raiz, que consiste em, escolhidas aproximac~oes iniciais no intervalo encontrado
na Fase I, melhora-las sucessivamente ate obter uma aproximac~ao para a raiz dentro de uma precis~ao
pre-xada.
neste intervalo.
A Figura 3.2 exemplica o Teorema 2 e a Figura 3.3, o caso onde ha raiz mas n~ao satisfaz as condic~oes do
Teorema.
0.6
0.4
0.2
0.2
0.4
0.6
0.8
1.0
1.0
1.2
1.4
1.6
1.8
2.0
2.2
2.4
2.6
2.8
3.0
Figura 3.2: Ampliac~ao da func~ao f (x ) = cos x no intervalo x 2 [1; 3]. Note que f 0 (x ) = sen x e f 0 (x ) < 0 neste
intervalo.
A analise graca da func~ao f (x ) ou da equac~ao f (x ) = 0 e fundamental para obter boas aproximac~oes para a
raiz. Para tanto, podemos executar os seguintes procedimentos:
!;
1. Esbocar o graco da func~ao f (x ) e localizar as abscissas dos pontos onde a curva intercepta o eixo ox
2. A partir da equac~ao f (x ) = 0, obter a equac~ao equivalente g (x ) = h(x ), esbocar os gracos das func~oes
g (x ) e h(x ) no mesmo eixo cartesiano e localizar os pontos x onde as duas curvas se interceptam, pois neste
caso f (x ) = 0 () g (x ) = h(x );
3. Usar os programas que tracam gracos de func~oes, disponveis em algumas calculadoras ou softwares
matematicos.
L. A. P. Cant~ao
21
CNC
240
1.0
0.9
200
0.8
0.7
160
0.6
120
0.5
0.4
80
0.3
0.2
40
0.1
0
3
0
2
0.5
0.1
0.3
0.7
1.1
(a)
1.5
1.9
2.3
2.7
(b)
Figura 3.3: f (x ) = 4x 2 4x 3 + x 4 .
Exemplo 7.
1.
f (x ) = x 3 9x + 3: Neste caso, somente o passo (1) e necessario para localizar as possveis razes. Porem
31
64.0
23
45.7
15
27.4
9.1
9.1
27.4
17
45.7
64.0
25
4
(a)
(b)
L. A. P. Cant~ao
22
CNC
5.00
1.91
h(x )
0.92
f (x )
4.29
0.07
3.57
1.05
2.86
2.04
2.14
g (x )
3.03
0.71
4.01
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
5.00
4.0
1.43
0.0
0.5
1.0
(a)
1.5
2.0
2.5
3.0
3.5
0.00
4.0
(b)
O criterio de parada interrompe a sequ^encia gerada pelos metodos. Este deve avaliar quando xk , na k -esima
iterac~ao, esta sucientemente proximo da raiz exata. Contudo, o valor exato da raiz e desconhecido na maioria
dos casos, logo, o processo e interrompido quando pelo menos um dos criterios a seguir e satisfeito:
1. Avaliac~ao do ponto na func~ao:
jf (xk )j ;
jxk xk 1 j
ou
xk
xk
xk
;
Seja f (x ) uma func~ao contnua no intervalo [a; b] e tal que f (a) f (b) < 0, ou seja, f satisfaz as condic~oes do
Teorema 2.
Suponha que o intervalo (a; b) contenha uma unica raiz da equac~ao f (x ) = 0. O objetivo deste metodo e
reduzir a amplitude do intervalo que contem a raiz ate se atingir a precis~ao requerida, neste caso (b a) < ,
usando para isto a sucessiva divis~ao de [a; b] ao meio. A Figura 3.6 mostra este processo.
Os passos para a execuc~ao deste metodo s~ao dados pelo Algoritmo 8.
L. A. P. Cant~ao
23
CNC
a=a
x
b=b =b
a+b
xk = 2
Se f (a) f (xk ) < 0 ent~ao
b = xk
2:
3:
4:
Caso contrario
5:
a = xk
6:
Fim do condicional
7:
Se jb
aj ent~ao
a+b
PARE, x =
2 e raiz aproximada de f (x )
8:
9:
Fim do condicional
10:
11:
Fim do laco
Isaac Newton (1642{1727) publicou seu metodo para encontrar razes de equac~oes n~ao-lineares em 1687. Este
metodo tambem e conhecido como Newton-Raphson, devido a sistematizac~ao apresentada por Joseph Raphson
em 1690.
O metodo de Newton combina duas ideias comuns nas aproximac~oes numericas: linearizac~ao e iterac~ao. A
linearizac~ao substitui a curva y = f (x ) por sua reta tangente.
Seja x0 uma aproximac~ao inicial da raiz, como ilustra a Figura 3.7. Aproximando a curva y = f (x ) por sua reta
tangente tracada no ponto (x0 ; f (x0 )) obtemos a aproximac~ao linear. Encontrando o ponto de intersecc~ao desta
reta com o eixo x , obteremos uma nova aproximac~ao para a raiz, o ponto x1 da gura.
L. A. P. Cant~ao
24
a
0
0
0.25
0.25
0.3125
0.3125
0.328125
0.3359375
0.3359375
0.3359375
0.336914
CNC
f (xk )
f (a) f (xk )
1:375
( )
0:765625
(+)
0:3222656
( )
0:2180176
(+)
0:0531311
( )
0:0713582
(+)
0:0144744
(+)
0:0193443
( )
0:0024384
( )
0:0060175
(+)
0:0017893
xk = (a + b)=2
0.5
0.25
0.375
0.3125
0.34375
0.328125
0.3359375
0.3398438
0.78906
0.336914
0.3374023
b
1
0.5
0.5
0.375
0.375
0.34375
0.34375
0.34375
0.3398438
0.3378906
0.3378906
jb a j
0:5
0.25
0.125
0.06
0.03125
0.014375
0.0078125
0.0039063
0.0019531
0.0009766
x x x x
2
f (x )
! x1 = x0 ff 0((xx0 ))
0
! x2 = x1 ff 0((xx1 ))
1
f (xk )
f 0 (xk )
(3.1)
25
CNC
Dado x0 , f (x ), f 0 (x ), max e
1:
2:
3:
4:
5:
6:
7:
8:
9:
f (x )
xx +1 = xk f 0 (xk )
k
Se jf (xk +1 )j ou jxk +1 xk j ent~ao
PARE, x = xk +1
Fim do condicional
Se k = max ent~ao
PARE, o metodo n~ao converge para a soluc~ao.
Fim do condicional
Fim do laco
xk
0.5
0.3333
0.3376068
0.337609
f (xk )
1:375
0:0370
0:0000183
4:545 10
12
f 0 (xk )
8:25
8:6667
8:6581
jxk +1 xk j
1.6667
0.0042735
0.0000021
Uma grande desvantagem do metodo de Newton e a necessidade de se obter f 0 (x ) e calcular seu valor numerico
a cada iterac~ao. Uma alternativa e usar retas secantes como aproximac~oes lineares locais da func~ao, em vez de
tangentes. Neste caso, s~ao necessarias duas aproximac~oes para inicializarmos o processo, x0 e x1 .
y
f (x )
C = (x ; f (x
0
))
D
x A x
E B
x
26
CNC
e AED:
f (x0 )
f (x1 )
=
x0 x2 x1 x2
onde x2 e o ponto denotado por A na Figura 3.8. Explicitando o valor da incognita x2 teremos:
x f (x ) x f (x )
x2 = 0 f (x1 ) f 1(x ) 0 :
1
0
k 1
Fim do condicional
Se k = max ent~ao
PARE, o metodo n~ao converge para a soluc~ao.
Fim do condicional
Fim do laco
xk 1
0
1
0.375
0.3319415
0.3376346
xk
1
0.375
0.3319415
0.3376346
0.337609
f (xk 1 )
f (xk )
0
5
5
0:3222656
0:3222656 0:0491011
0:0491011 0:0002222
0:0002222
1:464 10
9x + 3 tomando x0 = 0 e
jxk +1 xk j
0.625
0.0430585
0.0056931
0.0000256
27
CNC
Considere n func~oes : f1 ; f2 ; : : : ; fn , onde cada uma delas e uma func~ao de n variaveis fi : Rn ! R para
i = 1; 2; : : : ; n, ou seja, x1 ; x2 ; : : : ; xn . Queremos encontrar os valores de x1 ; x2 ; : : : ; xn tais que:
=
..
.
=
0
..
.
0
(3.2)
x1 (x1 + 1) + 2x2 = 18
(x1 1)2 + (x2 6)2 = 25
Assim, o sistema (3.2) pode ser representado por uma unica equac~ao vetorial, F(x) = 0.
Como foi feito no caso de uma equac~ao n~ao-linear, a ideia da linearizac~ao sera usada no caso de sistemas.
Tomando a serie de Taylor como uma aproximac~ao de func~oes, em torno de xk , para uma func~ao escalar, temos:
f 00 (x )
f (n) (x )
f (n+1) ()
f (x ) = f (xk ) + f 0 (xk )(x xk ) + 2! k (x xk )2 + + n! k (x xk )n + (n + 1)! (x xk )n+1
onde x xk . O ultimo termo desta express~ao representa o erro da aproximac~ao de f (x ) pelo polin^omio de
grau n, o polin^omio de Taylor, formado pelos n + 1 primeiros termos da expans~ao em serie de Taylor.
Observe que, se tomarmos a aproximac~ao linear (usando os dois primeiros termos da serie de Taylor), teremos:
f (x ) f (xk ) + f 0 (xk )(x xk ):
f (xk )
f 0 (xk ) :
Assim, a serie de Taylor e outra maneira de se obter a func~ao de iterac~ao do metodo de Newton.
Aplicando esta ideia para resolver o sistema (3.2), temos a aproximac~ao de Taylor como:
x = xk
xk ) + E
L. A. P. Cant~ao
(3.3)
(3.4)
28
CNC
onde xk = vetor aproximac~ao na k -esima iterac~ao e E e um vetor que representa o erro da aproximac~ao linear.
Analogamente a serie de Taylor de func~oes de uma variavel, kEk C kx xk k2 para alguma constante C , quando
xk ! x.
Note que, xk denota o vetor obtido na k -esima iterac~ao: xk = (x1k ; x2k ; : : : ; xnk ).
Em (3.4), F0 (x) e a derivada de uma func~ao vetorial com variaveis vetoriais. Esta derivada e uma matriz que
contem todas as derivadas parciais de todos os componentes da func~ao F(x), a matriz Jacobiana de F(x),
@fi (x)
J(x) = F0 (x) = [Jij ] =
:
@xj
Para estabelecer o metodo iterativo, a aproximac~ao na iterac~ao k + 1 sera denida pelo vetor que anula a parte
linear da equac~ao (3.4), isto e, o vetor xk +1 e tal que:
F(xk ) + J(xk )(xk +1
J(xk )(xk +1
xk ) = 0
xk ) =
F(xk )
(3.5)
J 1 (xk ) F(xk );
@f1
2
@x1 = 6x1
@f2
3
@x1 = x2
@f1
@x2 = 2x2
@f2
2
@x2 = 3x1 x2 1
6x12
J(x1 ; x2 ) =
x23
"
L. A. P. Cant~ao
2x2
3x1 x22 1
29
CNC
@f para j = 1; 2; : : : ; n, e
Dado x0 , fi para i = 1; 2; : : : ; n, @x
1
2
1: Para k = 1 at
e k = max faca
2:
Para i = 1 ate i = n faca
3:
Fi = fi (xk 1 )
4:
Para j = 1 ate j = n faca
@f
5:
Jij = @xi (xk 1 )
j
6:
Fim do laco
7:
Fim do laco
8:
Resolva o sistema Jv = F
9:
xk = xk +1 + v
10:
Se max1i n jfi (x k )j < 1 ent~ao
11:
Ent~ao x = xk
12:
Fim do condicional
i
... ou ...
Se max1i n jxik xik 1 j < 2 ent~ao
Ent~ao x = xk
13:
14:
15:
16:
17:
Fim do condicional
Fim do laco
8:64 3:4
J(x ) =
4:91 9:4
0
"
F(x ) =
0
"
0:4340
0:1956
v = (0:03488; 0:03902)T
Assim,
x1 = (1:2349; 1:6610)T :
Para o calculo de uma nova aproximac~ao recalculamos F(x1 ) e a matriz Jacobiana em x1 . Resolvendo o sistema
linear para obter v, temos que:
x2 = (1:2343; 1:6615)T
f1 (x0 ) = 0:4340
f1 (x1 ) = 7:4607 10 3
f1 (x2 ) = 1:2779 10 4
f1 e f2 :
f2 (x0 ) = 0:1956
f2 (x1 ) = 1:9876 10
f2 (x2 ) = 3:202 10 4
Observe que a soluc~ao do sistema e o calculo do Jacobiano, a cada iterac~ao, s~ao dispendiosos. Para economizar
os calculos, podemos manter uma matriz Jacobiana xa em algumas iterac~oes. Neste caso, a decomposic~ao LU
e adequada na soluc~ao do sistema, pois a mesma e usada em algumas iterac~oes, atualizando-se apenas o termo
L. A. P. Cant~ao
30
CNC
independente do sistema.
3.4 Exerccios
1. Localize gracamente as razes das equac~oes a seguir:
(c) 1 x ln x = 0;
(d) 2x 3x = 0;
(e) x 3 + x 1000 = 0.
2. Calcular pelo menos uma raiz de cada equac~ao abaixo com 0:001 pelo metodo da Bissec~ao.
(a) f (x ) = e2x 2x 3 5 = 0;
(b) f (x ) = 2x 3 5x 2 x + 3 = 0;
(c) f (x ) = 5x 2 + log(x + 1) 2 = 0.
3. Seja f (x ) = (x + 2)(x + 1)x (x 1)3 (x 2). Para que zero de f o metodo da Bissec~ao vai convergir quando
for aplicado nos seguintes intervalos ?
(a) [ 3; 2:5]
(x = 2)
(b) [ 2:5; 3]
(x = 2)
5. Determinar pelo menos uma raiz de cada equac~ao abaixo com 10 4 usando o metodo das Secantes.
(a) f (x ) = 2x 3 5x 2 10x + 20 = 0;
(b) f (x ) = 5 log x + 3x 4 7 = 0;
(c) f (x ) = 2x + (cos x )x 2 = 0
6. Achar pelo menos uma raiz positiva de cada equac~ao com 10 5 pelo metodo de Newton.
(a) 4x 3 + x + cos x 10 = 0;
(b) x 4 2x 3 + 2x 1 = 0;
(c) f (x ) = (x 2)(ex 2 1) = 0.
7. A func~ao f (x ) = (4x 7)=(x 2) se anula em x = 7=4. Calcule as iterac~oes do metodo de Newton partindo
das aproximac~oes iniciais:
(a) x0 = 1:625;
(b) x0 = 1:875;
(c) x0 = 1:5;
(d) x0 = 1:95;
(e) x0 = 3;
(f) x0 = 7.
31
CNC
a
1
xk +1 = p (p 1)xk + p 1 ; x0 > 0:
xk
!
11. Use o Metodo de Newton com x0 = 0 para calcular x2 para cada um dos seguintes sistemas n~ao lineares:
4x 2 20x + 1 x 2 + 8 = 0
(a) 1 1 2 1 4 2
5x2 + 8 = 0
2 x1 x2 + 2x1
Resp.: x2 = (0:4958936; 1:983423)T
(
(b)
sen(4x1 x2 ) 2x2 x1 = 0
3x1 cos(x2 x3 ) 12 = 0
(c) 4x12 625x22 + 2x2 1 = 0
e x x +20x3 + 103 3 = 0
Resp.: x2 = (0:5001667; 0:2508036; 0:5173874)T
x12 + x2 37 = 0
(d)
x1 x22 5 = 0
x1 + x2 + x3 3 = 0
Resp.: x2 = (4:350877; 18:49123; 19:84211)T
1 2
12. Use o metodo de Newton para encontrar uma soluc~ao para os seguintes sistemas n~ao-lineares nos domnios
dados. Faca iterac~oes ate kxk xk 1 k < 10 6 .
(a) Use x0 = (1; 1)T
(
3x12 x22 = 0
3x1 x22 x13 1 = 0
ln(x + x ) sen(x1 x2 ) = ln 2 + ln
ex x + cos(x1 x2 ) = 0
2
1
2
2
L. A. P. Cant~ao
x13 + x12 x2 x1 x3 + 6 = 0
ex1 + ex2 x3 = 0
x22 2x1 x3 = 4
6x1 2 cos(x2 x3 ) 1 = 0
9x2 + x + sen x3 + 1:06 + 0:9 = 0
60x3 + 3 e x x +10 3 = 0
p
2
1
1 2
32
CAPITULO
Ajuste de Curvas
Introduc~ao
Apresentaremos aqui os aspectos basicos e teoricos para ajuste de curvas usando interpolac~ao e aproximac~ao
de func~oes de uma variavel real.
Os problemas de interpolac~ao e aproximac~ao estudados surgem ao se aproximar uma func~ao f por outra func~ao
g mais apropriada. Ou ainda, quando ha a necessidade de aproximar dados tabelados atraves de uma func~ao. Para
isso existem duas classes de metodos e a distinc~ao entre elas esta em considerarmos, ou n~ao, a exist^encia de erros
nos dados.
1. Interpolac~ao: os dados s~ao precisos e portanto pode-se exigir que a curva de ajuste passe pelos pontos
dados. Em geral, as func~oes escolhidas para o ajuste s~ao polin^omios.
Estabelece um metodo que permite encontrar um polin^omio que passe por n +1 pontos conhecidos, denotados
por (x0 ; y0 ), (x1 ; y1 ), ... , (xn ; yn )) onde x0 6= x1 6= x2 6= : : : 6= xn .
2. Metodo dos Quadrados Mnimos: considera-se possveis erros introduzidos na obtenc~ao dos dados.
4.1 Interpolac~ao
Seja a Tabela 4.1.
xi
0.1
0.6
0.8
f (xi ) 1.221 3.320 4.953
Tabela 4.1: Dados para interpolac~ao.
CNC
Dados y0 = f (x0 ), y1 = f (x1 ), ... , yn = f (xn ), desejamos encontrar um polin^omio p(x ) tal que p(x0 ) = f (x0 ),
p(x1 ) = f (x1 ), ... , p(xn ) = f (xn ). A Figura 4.1 ilustra este caso.
y
p(x )
xn
xn
p(xi ) = f (xi );
Prova 1. Seja:
para
i = 0 : n:
n
X
f (xk )lkn (x )
(4.1)
k =0
n
onde lk s~ao os polin^omios de Lagrange denidos por:
(x x0 )(x x1 ) : : : (x xk 1 )(x xk +1 ) : : : (x xn )
lkn = (x x )(
x1 ) : : : (xk xk 1 )(xk xk +1 ) : : : (xk xn )
k
0 xk
n
Y
(x xi ) :
=
(
x xi )
i =0; i 6=k k
Sabemos que:
lkn (xk ) = 1
lkn (xi ) = 0
para
(4.2)
i 6= k:
34
CNC
1
x 2 nos pontos x0 = 2, x1 = 2:5 e x3 = 4.
Como ser~ao usados tr^es pontos, o polin^omio interpolador tem grau 2. Pela substituic~ao dos pontos de interpolac~ao na express~ao 4.2, calculamos os polin^omios de Lagrange:
(x
l02 (x ) = (x
0
(x
l12 (x ) = (x
1
(x
l22 (x ) = (x
2
x1 )(x
x1 )(x0
x0 )(x
x0 )(x1
x0 )(x
x0 )(x2
x2 )
(x 2:5)(x 4) = x 2 6:5x + 10
=
x2 )
(2 2:5)(2 4)
x2 )
(x 2)(x 4) = 4x 2 + 24x + 32
=
x2 )
(2:5 2)(2:5 4)
3
(x 2)(x 2:5) = x 2 4:5x + 5
x1 )
=
x1 )
(4 2)(4 2:5)
3
0:0625
0:16
p2 (x ) = 0:25(x 2 6:5x + 10) + 3 ( 4x 2 + 24x + 32) + 3 (x 2 4:5x + 5)
= 0:0575x 2 0:4388x + 0:8975
Apenas para comparac~ao, tomando x
com erro absoluto de 0:0125.
A Figura 4.2 ilustra este exemplo.
L. A. P. Cant~ao
35
L. A. P. Cant~ao
2
0
l (x ) = x
6:5x + 10
0.6
2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 4.0
0.4
0.2
0.2
0.4
0.6
0.8
1.0
l
2
3
x
2
4:5x + 5
2
1
4x 2 + 24x
0:4388x + 0:8975
32
0.3
2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 4.0
0.1
0.1
0.3
0.5
0.7
0.9
1.1
1.3
2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 4.0
0
2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 4.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
0.05
0.05
p(x ) = 0:0575x
0.09
0.09
0.13
0.13
0.17
0.17
f (x ) =
0.21
0.21
0.25
0.25
2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 4.0
0.29
0.29
36
CNC
Nem sempre temos conhecimento, a priori, do grau adequado para o polin^omio interpolador. Um teste razoavel
consiste em aumentar o numero de pontos de interpolac~ao, crescendo portanto o grau do polin^omio interpolador,
e testar se houve melhoria nos calculos. Assim, e importante que o trabalho efetuado anteriormente possa ser
reutilizado para estabelecer a express~ao do novo polin^omio. Note que, ao acrescentarmos um novo ponto ao
polin^omio de Lagrange, teremos de refazer os calculos. Por outro lado, o Polin^omio de Newton acrescenta um
novo termo aos calculos efetuados anteriormente.
Considere a forma do polin^omio interpolador de Newton:
pn (x ) = d0 + d1 (x x0 ) + d2 (x x0 )(x x1 ) + : : : + dn (x x0 )(x x1 ) : : : (x xn 1 )
(4.3)
Seja y = f (x ) que passa pelos pontos (xi ; yi ), i = 0; 1; 2; : : : ; n. O operador de diferencas divididas e denido
como:
Ordem 0: 0 yi = yi
= [xi ]
Ordem 1:
Ordem 2:
:::
Ordem n:
0
= xyi +1
i +1
2 yi = yxi +1
i +2
yi
0 yi
xi
yi
xi
= [xi ; xi +1 ]
= [xi ; xi +1 ; xi +2 ]
n 1
n 1
n yi = xyi +1 x yi = [xi ; xi +1 ; xi +2 ; : : : ; xi +n ]
i +n
i
Sejam os n +1 pontos (xi ; yi ), i = 0; 1; 2; : : : ; n, com xi distintos, tais que yi = p(xi ), sendo p(x ) um polin^omio
de grau n. Pela denic~ao de diferencas divididas, tem-se:
0
0
[x; x0 ] = p(xx) x p(x0 ) = p(xx) xp(x0 )
0
0
ou
(4.4)
No entanto,
(4.5)
Contudo,
[x; x0 ; x1 ; x2 ] = [x; x0 ; x1x] x[x0 ; x1 ; x2 ] ! [x; x0 ; x1 ] = [x0 ; x1 ; x2 ] + [x; x0 ; x1 ; x2 ](x x2 ):
2
L. A. P. Cant~ao
37
CNC
(4.6)
i xi yi yi 2 yi 3 yi
0 1 0 2
1
0
1 2 2 5
1
2 4 12 8
3 5 20
Tabela 4.2: Tabela de Diferencas Divididas.
Escrevendo o polin^omio de Newton, temos:
L. A. P. Cant~ao
(4.7)
38
CNC
(4.8)
Assim, precisamos determinar c1 , c2 , ..., cn de maneira a melhorar a aproximac~ao. A ideia do metodo dos
quadrados mnimos e a de minimizar a soma dos quadrados dos resduos, ou seja, minimizar:
m
X
i =1
r 2 (xi ) =
m
X
i =1
r 2 (x ) dx =
Z b
a
(f (x ) g (x ))2 dx:
< f;g
m
X
i
=1
s~ao conhecidos em xi ; i = 1 : m:
>= Z b
(4.9)
(a; b):
Dada uma tabela com m valores (xi ; f (xi )), i = 1 : m, queremos encontrar a reta (f (x ) ' g (x ) = c1 1 (x ) +
c2 2 (x )) que melhor ajusta esta tabela, no sentido dos quadrados mnimos. Tomando 1 (x ) = 1 e 2 (x ) = x ,
temos:
f (x ) ' g (x ) = c1 + c2 x:
L. A. P. Cant~ao
m
X
i =1
[f (xi ) c1 c2 xi ]2 :
39
CNC
Do Calculo Diferencial sabemos que a condic~ao necessaria do ponto crtico e que as derivadas nele se anulem,
isto e,
@
@
<
r;
r
>
=
@c1
@c2 < r; r >= 0;
ou ainda, procedidas as repectivas derivac~oes com respeito a c1 e c2 em < r; r > temos:
m
X
i =1
m
X
2 (f (xi ) c1 c2 xi ) = 0 e
i =1
mc1 + c2
c1
m
X
i =1
xi + c2
m
X
i =1
m
X
i =1
2xi (f (xi ) c1 c2 xi ) = 0
xi =
xi2 =
m
X
i =1
m
X
i =1
f (xi )
xi f (xi )
Para ilustrar este procedimento, considere o ajuste da tabela abaixo por uma reta:
xi
0
0.25
0.5
0.75
1.0
f (xi ) 1.000 1.2840 1.6487 2.1170 2.7183
Tabela 4.3: Dados para ajuste de curva.
Usando os valores da tabela temos:
5
X
i =1
5
X
i =1
Assim, os valores de
5
X
xi = 2:5;
i =1
f (xi ) = 8:768
5
X
i =1
xi2 = 1:875
xi f (xi ) = 5:4514
c1 e c2 da melhor reta (no sentido dos quadrados minmos) s~ao obtidos pelo sistema:
xi
0
f (xi ) 1.000
g (xi ) 0.89968
r (xi ) 0.10032
0.25
1.2840
1.32664
0:04264
0.5
1.6487
1.7536
0:1049
0.75
1.0
2.1170
2.7183
2.18056 2.60752
0:06356 0.11078
i =1
L. A. P. Cant~ao
r 2 (xi ) = 0:039198
40
CNC
2.
3.
Sp (xj ) = f (xj ), j = 0; 1; : : : ; n.
A origem do nome spline vem de uma regua elastica, usada em desenhos de engenharia, que pode ser curvada
de forma a passar por um dado conjunto de pontos (xj ; yj ), que tem o nome de spline. Sob certas hipoteses (de
acordo com a teoria da elasticidade) a curva denida pela regua pode ser descrita aproximadamente como sendo
uma func~ao por partes, cada qual um polin^omio cubico, de tal forma que ela e suas duas primeiras derivadas s~ao
contnuas sempre. A terceira derivada, entretanto, pode ter descontinuidades nos pontos xi . Esta func~ao e uma
spline cubica interpolante com nos nos pontos xj , segundo a Denic~ao 2.
Estudaremos aqui dois tipos de Interpolac~ao por Splines: Interpolac~ao por Spline Linear e Interpolac~ao por
Spline Cubica.
4.3.1 Interpolac~ao por Spline Linear
A interpolac~ao por spline linear de f (x ), S (x ), nos pontos x1 ; x2 ; : : : ; xn pode ser escrito na forma de subintervalos [xj 1 ; xj ], j = 1; : : : ; n como:
Assim:
x x
x x
Sj (x ) = f (xj 1 ) x j x + f (xj ) x xj 1 ;
j
j 1
j
j 1
8 x 2 [xj 1 ; xj ] :
L. A. P. Cant~ao
41
CNC
x x
x x
S1 (x ) = f (x0 ) x 1 x + f (x1 ) x 1 x0
1
0
0
x 1
2
x
+
22 1
= 2 x + 2x 2 = x x 2 [1; 2]
=
12 1
x x
x
S2 (x ) = f (x1 ) x 2 x + f (x2 ) x
2
1
2
x
5
x
+
35
=
25 2
x
x x
S3 (x ) = f (x2 ) x 3 x 2 + f (x3 ) x
3
3
x
7
x
=
37 5
+ 2:5 7
ou ainda,
S (x ) =
2
2
x1
x1
= 32 (5 x ) + x 2 = 13 (x + 4) x 2 [2; 5]
x2
x2
5 = 1 ( 0:5x + 8:5) ; x 2 [5; 7]
5
2
x
se x 2 [1; 2]
1 (x + 4)
se x 2 [2; 5]
3
1 ( 0:5x + 8:5) se x 2 [5; 7]
2
A spline linear apresenta a desvantagem de ter derivada primeira descontnua nos pontos xj , j = 1; 2; : : : ; n.
Se usarmos splines quadraticas, teremos que S2 (x ) tem derivadas contnuas ate a ordem 1 apenas e, portanto, a
curvatura de S2 (x ) pode trocar nos pontos xj . Por esta raz~ao, as splines cubicas s~ao mais usadas.
Denic~ao 3. Dada uma func~ao f (x ) denida em [a; b] e um conjunto de nos a = x0 < x1 < : : : < xn = b, um
spline cubico interpolador
1.
2.
3.
4.
5.
Para se construir o spline cubico interpolador para uma func~ao dada, as condic~oes indicadas na denic~ao s~ao
aplicadas aos polin^omios cubicos
Sj (x ) = aj + bj (x xj ) + cj (x xj )2 + dj (x xj )3
L. A. P. Cant~ao
42
CNC
(4.11)
cj +1 cj
3hj
Substituindo a equac~ao (4.12) nas equac~oes (4.10) e (4.11), respectivamente, temos:
dj =
aj +1
L. A. P. Cant~ao
= aj + bj hj + cj hj + cj +13h cj hj3
j
cj +1 cj 2
2
= aj + bj hj + cj hj +
hj
3
2
(4.12)
(4.13)
43
CNC
cj +1 cj 2
hj
3hj
= bj + 2cj hj + (cj +1 cj ) hj
bj +1 = bj + 2cj hj + 3
(4.14)
= bj + (cj +1 + cj )hj
Resolvendo a equac~ao (4.13) para bj , temos:
c
c
aj +1 = aj + bj hj + cj hj + j +13h j hj3
j
hj2
bj hj = (aj +1 aj ) 3 (2cj + cj +1 )
1
h
bj = h (aj +1 aj ) 3j (2cj + cj +1 )
2
(4.15)
Substituindo esses valores na equac~ao (4.14), com os ndices reduzidos, temos o sistema linear de equac~oes:
bj = bj 1 + (cj + cj 1 )hj 1
1
hj
hj 1
1
hj (aj +1 aj ) 3 (2cj + cj +1 ) = hj 1 (aj aj 1 ) 3 (2cj 1 + cj ) + (cj + cj 1 )hj
3
3
hj 1 cj 1 + 2cj (hj 1 + hj ) + hj cj +1 = h (aj +1 aj ) h (aj aj 1 )
j
j 1
(4.16)
para cada j = 1; 2; : : : ; (n 1). Esse sistema envolve apenas fcj gnj=0 como incognitas, na medida em que os valores
de fhj gjn=01 e faj gnj=0 s~ao dados, respectivamente, pelo espacamento dos nos fxj gnj=0 e os valores de f nos nos.
Note que, uma vez que os valores de fcj gnj=0 s~ao determinados, essa e uma maneira simples de encontrar as
constantes fbj gjn=01 remanescentes na equac~ao (4.15) e fdj gnj=0 da equac~ao (4.12), e de se construir os polin^omios
cubicos fSj (x )gnj =01 .
A quest~ao maior que ca em relac~ao a essa construc~ao e se os valores de fcj gnj=0 podem ser encontrados
utilizando-se o sistema de equac~oes (4.16) e, se a resposta for positiva, se esses valores s~ao unicos. Os teoremas
a seguir indicam esse e o caso quando qualquer das condic~oes de contorno dadas na parte (6) da Denic~ao 3 e
imposta.
Teorema 4. Se f e denida em a = x0 < x1 < : : : < xn = b, ent~ao f tem um unico spline interpolador natural
(ou livre) S nos nos x0 ; x1 ; : : : ; xn ; isto e, um spline interpolador que satisfaz as condic~oes de contorno S 00 (a) = 0
e S 00 (b) = 0.
Prova 2. As condic~oes de contorno nesse caso implicam que cn = S 00 (xn )=2 = 0 e que:
L. A. P. Cant~ao
44
CNC
A=
(n + 1) (n + 1):
1
0
0
..
.
h0 2(h0 + h1 )
h1
0
h1
2(h1 + h2 ) h2
..
.
..
.
..
..
..
..
..
..
..
..
..
.
..
.
..
.
.
.
hn 2 2(hn 2 + hn 1 ) hn 1
0
0
1
e b e x s~ao os vetores:
h1 (a2
b=
3 (an an
h 1
a1 )
h0 (a1
a0 )
..
.
1
(an
an 2 )
c0
c1
x= .
:
.
.
cn
c0 ; c1 ; : : : ; cn .
Prova 3. Como f 0 (a) = S 0 (a) = S 0 (x0 ) = b0 , aplicando-se a equac~ao (4.15), com j = 0, temos:
1
h
f 0 (a) = h (a1 a0 ) 30 (2c0 + c1 )
0
3
0
3f (a) = h (a1 a0 ) h0 (2c0 + c1 )
0
3
2h0 c0 + h0 c1 = h (a1 a0 ) 3f 0 (a)
0
Do mesmo modo (equac~ao (4.14)):
f 0 (b) = bn = bn 1 + hn 1 (cn 1 + cn )
de maneira que a equac~ao (4.15) nos permite dizer que
j = n 1 implica que:
an an 1 hn 1
hn 1
3 (2cn 1 + cn ) + hn 1 (cn 1 + cn )
a a
h
f 0 (b) = n h n 1 + n3 1 (cn 1 + 2cn )
n 1
3f 0 (b) = h 3 (an an 1 ) + hn 1 (cn 1 + 2cn )
n 1
3
hn 1 cn 1 + 2hn 1 cn = 3f 0 (b) h (an an 1 )
n 1
f 0 (b) =
L. A. P. Cant~ao
45
CNC
A=
2h0
h0
0
..
.
h0 2(h0 + h1 )
h1
0
h1
2(h1 + h2 ) h2
..
.
..
.
..
..
..
..
..
..
..
..
0
..
.
..
.
..
.
.
.
hn 2 2(hn 2 + hn 1 ) hn 1
0
hn 1
2hn 1
e b e x s~ao os vetores:
a0 ) 3f 0 (a)
h0 (a1
3
h1 (a2
b=
3
h (an an
1
3f 0 (b)
a1 )
h0 (a1
a0 )
..
.
1
(an
an 2 )
(an an 1 )
c0
c1
x= .
:
.
.
cn
c0 ; c1 ; : : : ; cn .
Exemplo 16. Construa os splines cubicos naturais, com S 00 (x0 ) = S 00 (xn ) = 0, para:
0.1
0:62049958
0.2
0.3
0.4
0:28398668 0:00660095 0:2484244
Como os intervalos est~ao igualmente espacados, hj = 0:1, para j = 0; 1; 2; 3. Assim,
xi
yi
usando o Teorema 4,
1
0:1
0
0
0
0:4
0:1
0
0
0:1
0:4
0
0
0
0:1
1
c0
c1
c2
c3
0
1:377581
1:4629254
0
S (x ) =
L. A. P. Cant~ao
x 2 [0:1; 0:2)
x 2 [0:2; 0:3)
x 2 [0:3; 0:4]
46
CNC
aj
0:62049958
0:28398668
0:00660095
0:24842440
Tabela 4.4:
bj
cj
dj
3:4550869
0
8:9957933
3:1852131 2:698738 0:9463033
2:6170764 2:982629 9:9420967
|
0
|
Coecientes para os splines naturais.
Exemplo 17. Construa os splines cubicos restritos, com f 0 (0:1) = 3:58502082 e f 0 (0:4) = 2:16529366, para os
0:2
0:1
0
0
0:1
0:4
0:1
0
0
0:1
0:4
0 :1
0
0
0:1
0:2
= 0:1,
c0
c1
c2
c3
para
0:6596755
1:377581
1:4629254
0:7588225
aj
bj
cj
dj
0:62049958 3:5850208 2:1498408 0:4907741
2:297073
0:4745836
0:28398668 3:1403294
0:00660095 2:6666773 2:4394481 0:4498015
|
2:5743885
|
0:24842440
Tabela 4.5: Coecientes para os splines restrito.
A partir da Tabela 17, podemos montar a func~ao spline:
S (x ) =
x 2 [0:1; 0:2)
x 2 [0:2; 0:3)
x 2 [0:3; 0:4]
4.4 Exerccios
1. Obtenha o polin^omio interpolador de Lagrange e Newton para as seguintes func~oes :
(a)
(b)
(c)
(d)
2. Utilize o polin^omio interpolador de Lagrange e de Newton de grau 1, 2 e 3 para aproximar cada um dos
seguintes items:
(a) f (8:4) se f (8:1) = 16:94410, f (8:3) = 17:56492, f (8:6) = 18:50515 e f (8:7) = 1882091;
(b) f ( 13 ) se f ( 0:75) = 0:07181250, f ( 0:5) = 0:02475000, f ( 0:25) = 0:33493750 e f (0) =
1:10100000;
L. A. P. Cant~ao
47
CNC
(c) f (0:25) se f (0:1) = 0:62049958, f (0:2) = 0:28398668, f (0:3) = 0:00660095 e f (0:4) = 0:24842440;
(d) f (0:9) se f (0:6) = 0:17694460, f (0:7) = 0:01375227, f (0:8) = 0:22363362 e f (1:0) = 0:65809197.
3. Seja p3 (x ) o polin^omio interpolador para os dados (0; 0), (0:5; y ), (1; 3) e (2; 2). Encontre y para o caso
em que o coeciente de x 3 em P3 (x ) e 6 (use o polin^omio interpolador de Lagrange).
4. Utilize os seguintes valores e aritmetica com arredondamento de quatro dgitos para obter uma aproximac~ao
para f (1:09), utilizando um polin^omio de Lagrange e um de Newton de 3 grau. A func~ao que esta sendo
aproximada e f (x ) = log10 (tg x ). Utilize esse conhecimento para encontrar um limite para o erro na aproximac~ao:
f (1:00) = 0:1924 f (1:05) = 0:2414 f (1:10) = 0:2933 f (1:15) = 0:3492
5. Apresentando os dados
xi
4.0
4.2
4.5
4.7
5.1
5.5
5.9
6.3
6.8
7.1
yi 102.56 113.18 130.11 142.05 167.53 195.14 224.87 256.73 299.50 326.72
7. Encontre os polin^omios de quadrados mnimos de graus 1, 2 e 3 para os dados apresentados na tabela abaixo.
Calcule o resduo para cada caso (erro).
xi 1.0 1.1 1.3 1.5 1.9 2.1
yi 1.84 1.96 2.21 2.45 2.94 3.18
y1 = 0:620895 + 1:219621x , y2 = 0:5965807 + 1:253293x 0:01085343x 2 e y3 = 0:6290193 +
1:18501x + 0:03533252x 2 0:01004723x 3 .
Resposta:
(b) y = abx
(c) y = b +a x
(d) y = 1 +1ebx
9. Suponha que num laboratorio obtivemos experimentalmente os seguintes valores para f (x ) sobre os pontos
xi , i = 1 : 8:
xi
1:0
0:7
0:4
0:1 0:2
0:5
0:8
1:0
f (xi ) 36:547 17:264 8:155 3:852 1:820 0:860 0:406 0:246
c2 x ;
48
CNC
x
y
Resposta:
y = 3:001 e
2:5x
8 6
30 10
4
9
2 0 2 4
6 5 4 4
49
CNC
S0 (x ) = 1 + 2x x 3
S1 (x ) = 2 + b(x 1) + c (x 1)2 + d (x 1)3
se 0 x < 1
se 1 x 2
Encontre b, c e d .
Resposta: b = 1, c = 3 e d = 1.
19. Um spline cubico restrito S para uma func~ao f e denido em [1; 3] por:
S (x ) =
se 1 x < 2
se 2 x 3
L. A. P. Cant~ao
50
CAPITULO
Integrac~ao Numerica
Introduc~ao
Isto e: por que n~ao restringir o calculo de integrais ao uso das tecnicas de
integrac~ao estudadas no Calculo Diferencial e Integral ? A resposta para essa quest~ao tem por base dois fatos:
Por que Integrac~ao Numerica ?
1. Geralmente em problemas envolvendo o calculo de integrais n~ao se conhece a express~ao analtica da func~ao
integrando, somente os valores dessa func~ao, o que inviabiliza o uso das tecnicas integrac~ao do Calculo, mas
que s~ao os dados necessarios para a integrac~ao numerica;
2. Mesmo quando se conhece a express~ao analtica da func~ao integrando, o calculo da func~ao primitiva pode
ser trabalhoso e nem sempre simples. Por exemplo, a integral
Z
x 2 dx
resulta em uma func~ao que n~ao pode ser expressa em termos de combinac~oes nitas de outras func~oes
algebricas, logartmicas ou exponenciais.
A ideia basica da integrac~ao numerica reside na aproximac~ao da func~ao integrando por um polin^omio. As
formulas de integrac~ao s~ao somatorios cujas parcelas s~ao valores da func~ao f (x ) calculados em pontos e multiplicados por pesos convenientemente escolhidos. Assim, vamos procurar desenvolver formulas de integrac~ao do
tipo:
Z b
n
X
f (x ) dx = wi f (xi );
(5.1)
a
i =0
onde a x0 < x1 < < xn b s~ao chamados pontos de integrac~ao e wi s~ao os pesos da formula de integrac~ao.
CNC
Considere agora o polin^omio de Lagrange de grau n que interpola os (n + 1) pontos (xi ; f (xi )), i = 0 : n
pn (x ) =
n
X
i =0
f (xi )li (x ):
f (x ) l (x ) dx =
n
X
i =0
f (xi )
Z b
a
li (x ) dx:
Z b
a
li (x ) dx =
Z b
a
(x x0 ) : : : (x xi 1 )(x xi +1 ) : : : (x xn )
(xi x0 ) : : : (xi xi 1 )(xi xi +1 ) : : : (xi xn ) dx:
(5.2)
Atraves da equac~ao (5.2) podemos obter formulas do tipo Newton-Cotes para polin^omios de qualquer grau.
5.1.1
F
ormula dos Trapezios: n = 1
A formula dos trapezios corresponde a interpolac~ao da func~ao a ser integrada por um polin^omio de grau n = 1.
Como a interpolac~ao linear pede 2 pontos, tomaremos os extremos do intervalo de integrac~ao, isto e, a = x0 e
b = x1 .
A express~ao (5.2) nos permite encontrar os pesos da regra dos trapezios:
w0 =
w1 =
Z x1
x0
Z x1
x0
(x x1 )
(x0 x1 ) dx =
1 Z x (x x ) =
1
h x
(x x1 )2 x =x = h
2h x =x
2
(x x0 )
(x1 x0 ) dx =
1 Z x (x x ) =
0
h x
(x x0 )2 x =x = h
2h x =x
2
Com isso, podemos estabelecer a formula dos trapezios para a integrac~ao no intervalo (x0 ; x1 ):
Z x1
x0
h
f (x ) dx = 2 [f (x0 ) + f (x1 )] :
(5.3)
5.1.2 F
ormula de Simpson: n = 2
Para estabelecer a formula de Simpson, interpolamos f (x ) usando um polin^omio de grau 2 que coincide com
essa func~ao nos pontos x0 , x1 e x2 . Assim, tomamos n = 2, x0 = a, x1 = (a +2 b) e x2 = b em (5.2). Integrando
os polin^omios de grau 2, estabelecemos os pesos da formula de Simpson:
w0 =
w1 =
w2 =
L. A. P. Cant~ao
Z x2
x0
Z x2
x0
Z x2
x0
h
(x x1 )(x x2 )
(x0 x1 )(x0 x2 ) dx = 3
(x x0 )(x x2 ) dx = 4h
(x1 x0 )(x1 x2 )
3
(x x0 )(x x1 )
h
(x2 x0 )(x2 x1 ) dx = 3
52
CNC
O calculo das integrais acima podem ser simplicados lembrando que:
x1 x0 = h; x2 x1 = h; x2 x0 = 2h
Z x1
x0
(x x1 )(x x2 ) dx =
(x0 x1 )(x0 x2 )
h
t (t h)
dt
=
2
3
h 2h
Z h
h
f (x ) dx = 3 [f (x0 ) + 4f (x1 ) + f (x2 )] :
y
y
f (x )
= p (x )
=
(5.4)
(a)
x
2
(b)
n=3
Z x3
x0
n=4
Z x4
x0
f (x ) l (x ) dx =
3h [f (x ) + 3f (x ) + 3f (x ) + f (x )]
0
1
2
3
8
2h
f (x ) l (x ) dx = 45 [7f (x0 ) + 32f (x1 ) + 12f (x2 ) + 32f (x3 ) + 7f (x4 )]
ln 2 =
Z
1
(5.5)
(5.6)
1
x dx = 0:69314718:
Use as formulas de Newton-Cotes apresentadas (formulas (5.3), (5.4), (5.5) e (5.6)) para obter aproximac~oes
para ln 2. Calcule o erro absoluto de cada aproximac~ao.
L. A. P. Cant~ao
53
CNC
Z x1
f (x ) dx =
x0
f (x ) dx +
Z x2
x1
f (x ) dx +
Z x3
x2
f (x ) dx : : : +
Z x
f (x ) dx
h
2 [f (x0 ) + 2f (x1 ) + 2f (x2 ) : : : + 2f (xn 1 ) + f (xn )] :
=
(5.7)
Se optarmos por aplicar a formula de Simpson repetida, devemos repartir o intervalo num numero par de
subintervalos, uma vez que cada parabola requer tr^es pontos de interpolac~ao. Assim, se n e um numero par:
Z b
a
Z x2
f (x ) dx =
x0
f (x ) dx +
Z x4
x2
f (x ) dx + : : : +
Z x
f (x ) dx
h
3 [f (x0 ) + 4f (x1 ) + 2f (x2 ) + 4f (x3 ) + : : : + 2f (xn 2 ) + 4f (xn 1 ) + f (xn )]
(5.8)
Exemplo 19. Ainda calculando aproximac~oes para ln 2, aplique as formulas (5.7) e (5.8) no intervalo [1; 2] e
Inicialmente, seja g uma func~ao com derivadas de todas as ordens em algum intervalo contendo x0 como um
ponto interior. Ent~ao a expans~ao da serie de Taylor gerada por g em x = x0 e:
g (x ) =
1 g (k ) (x )
X
0
k =0
k
k ! (x x0 )
g 00 (x )
g n (x )
x0 ) + 2! 0 (x x0 )2 + : : : + n! 0 (x x0 )n + : : :
(5.9)
Seja g (0) um valor a ser calculado, e g (h) sua aproximac~ao, calculada em func~ao do par^ametro h (isto e,
h = x x0 ). Usando a equac~ao (5.9) em torno de zero, de g (h) e g (h=2), teremos, respectivamente:
h2
h3
g (h) = g (0) + g 0 (0)h + g 00 (0) 2 + g 000 (0) 3! + : : :
h
g 2
L. A. P. Cant~ao
2
h3
= g (0) + g 0 (0) h2 + g 00 (0) h8 + g 000 (0) 48
+ :::
54
CNC
Tomando os dois primeiros termos do lado direito destas duas express~oes, vemos que g (h) e g (h=2) s~ao
aproximac~oes para g (0). Combinando convenientemente estes dois somatorios denimos uma aproximac~ao mais
precisa:
h
1
h
g1 (h) = 2g 2
g (h) = 21 1 21 g 2
g (h)
=
2g (0) + 2g 0 (0) h
+ 2g 00 (0) h
h
g (0) + g 0 (0)h + g 00 (0)
+ 2g 000 (0) h
48 + : : :
+ g 000 (0) h
3
2
6 =
2
h3
= g (0) g 00 (0) h4 3g 000 (0) 24
+ :::
Se g1 (h) for usada para calcular g (0), ent~ao este sera mais preciso. Repetindo a ideia, tomamos agora g1 (h)
e g1 (h=2) para denir outra aproximac~ao g2 (h). Sejam:
h2
g1 (h) = g (0) g 00 (0) 4
h
g1 2
h3
3g 000 (0) 24
+ :::
h2
h3
= g (0) g 00 (0) 16
3g 000 (0) 192
+ :::
Dessa maneira:
h3
g1 (h) = 3g (0) + 3g 000 (0) 48 + : : :
h
1
g2 (h) = 3 4g1 2
h
1
g1 (h) = 22 1 22 g1 2
g1 (h)
(5.10)
3
h
= g (0) + g 000 (0) 48 + : : :
Em resumo, a ideia e aplicar sucessivamente combinac~oes de aproximac~oes para melhorar a aproximac~ao nal.
Pode-se vericar que a express~ao generica do n-esimo estagio deste procedimento e:
gn (h) =
2n gn 1 (h=2) gn 1 (h) = 1 2n g
n
2n 1
2n 1
h
2
gn 1 (h)
(5.11)
Chamemos I1 (h) e I1 (h=2) os resultados obtidos pela regra dos trapezios tomando 2h e h, respectivamente,
em (x0 ; x2 ), como ilustra a Figura 5.2.
h
h
x
L. A. P. Cant~ao
55
CNC
x2
dx
5.4 Exerccios
1. Use a regra do Trapezio (Tr) (n = 1) e a regra de Simpson (Sp) (n = 2) para aproximar as seguintes
integrais:
(a)
0:5
x 4 dx ;
(e)
Z 1:5
1
x 2 ln x dx ;
(Resposta:
0:1922453)
(d)
0:17776434,
2x
x 2 4 dx ;
(Resposta:
(Tr)
0:7391053)
Z 0:35
2 dx ;
(f)
2
x
4
0
(Resposta:
(Tr)
0:1768216)
(Sp) (g)
dx ;
(Resposta: (Tr) 0:1839397, (Sp) 0:16240168)
0
x e
(Tr)
Z 1:6
(h)
0:8666667,
(Sp)
0:1777643,
(Sp)
Z =4
x sen x dx ;
(Resposta: (Tr) 0:2180895, (Sp) 0:1513826)
0
Z =4
e3x sen 2x dx ;
(Resposta: (Tr) 4:1432597, (Sp) 2:5836964)
0
2. Utilize a regra Trapezoidal Composta (Tc) e Simpson Composta (Sc) com os valores indicados de n para
aproximar as seguintes integrais:
(a)
Z
1
x ln x dx , n = 4;
(b)
2
2
x 3 ex dx , n = 4;
CNC
1
2 + 4 dx , n = 8;
x
0
(Resposta: (Tc) 0:476977)
Z 5
p 2x dx , n = 8;
(g)
x 4
3
(Resposta: (Tc) 0:605498)
2
(c)
2 + 4 dx , n = 6;
x
0
(Resposta: (Tc) 0:784241)
Z
(d)
(e)
(f)
Z
x 2 cos x dx , n = 6;
(Resposta: (Tc) 6:42872)
0
e2x sen 3x dx , n = 8;
0
(Resposta: (Tc) 13:5760)
(h)
Z 3=8
tan x dx , n = 8;
(Resposta: (Tc) 0:970926)
0
3. Suponha que f (0) = 1, f (0:5) = 2:5,R f (1) = 2 e f (0:25) = f (0:75) = . Determine se a regra Trapezoidal
Composta com n = 4 da 1.75 para 01 f (x ) dx .
4. Utilize a integrac~ao de Romberg para calcular as seguintes integrais, com n = 3:
(a)
(b)
(c)
(d)
Z 1:5
1
Z
0
x 2 ln x dx ; (Resposta: 0:1922593)
2 dx ; (Resposta: 0:1768200)
x 4
x sen x dx ; (Resposta: 0:08875677)
(h)
dx ; (Resposta: 0:1606105)
(f)
Z =4
Z =4
2x dx ; (Resposta: 0:7341567)
2
x
4
1
Z 3:5
p 2x dx ; (Resposta: 0:6362135)
(g)
x 4
3
x2 e
Z 0:35
(e)
Z 1:6
Z =4
0
(b) f (x ) = cos x , [ 1; 1]
7. Para controlar a poluic~ao termica de um rio, um biologo registra a temperatura (em F) a cada hora, de 9h
da manh~a as 5h da tarde. Os dados constam da tabela abaixo:
Hora
9
10 11 12
1
2
3
4
5
Temperatura 75:3 77:0 83:1 84:8 86:5 86:4 81:1 78:6 75:1
Use a regra de Simpson e o Teorema do Valor Medio (Calculo) para estimar a temperatura media da agua
entre 9h da manh~a e 5h da tarde.
8. Calcule
Z
0
10
x 4 dx usando:
decimais.
L. A. P. Cant~ao
57
CNC
9. Aproxime a integral impropria fazendo a substituic~ao u = 1=x e aplicando ent~ao a regra de Simpson com
n = 4.
(a)
(b)
Z 1
2
p 41
x +x
x2
dx (Resposta: 0:49)
dx (Resposta: 0:14)
L. A. P. Cant~ao
Z
0
(c)
(d)
Z
1
jx j
3 + 1 dx
x
1
1
p
e x sen x dx
10
cos
pxx dx fazendo a substituic~ao u = px e aplicando a regra do trapezio
58
CAPITULO
S~ao equac~oes cujas incognitas s~ao func~oes de uma variavel e suas derivadas (caso unidimensional).
Qual e a ordem de uma EDO ? E a ordem da mais alta derivada da func~ao incognita.
Qual e a soluc~ao de uma EDO ? E uma func~ao denida num intervalo que, juntamente com suas derivadas,
Tipos de problemas com EDO Para denir uma unica func~ao y (x ), temos de fornecer dados adicionais a equac~ao
y (a) = y0
com y0 e yn conhecidos.
e y (b) = yn ;
CNC
Objetivos Apresentar metodos numericos que nos conduzam a aproximac~oes da func~ao de uma unica variavel
y 0 (x ) = f (x; y (x ))
e y 00 (x ) = f (x; y (x ); y 0 (x ));
(6.1)
dioativa, podemos constatar que \o numero de desintegrac~oes por unidade de tempo e proporcional a quantidade de subst^ancia presente em cada instante". Assim, se x = x (t ) representa a quantidade de uma
subst^ancia radioativa presente em cada instante t , o modelo matematico que representa o fen^omeno da
desintegrac~ao e dado por:
dx (t )
dt = x (t )
onde dx
dt e a variac~ao int^antanea (desintegrac~ao) sofrida pela subst^ancia e o par^ametro > 0 representa o
coeciente de proporcionalidade, que e constante para cada subst^ancia especca. Usamos o sinal negativo
porque o numero de atomos diminui com o passar do tempo e, portanto, dx
dt < 0.
(6.2)
L. A. P. Cant~ao
60
CNC
Isolando y 0 (x ) na equac~ao acima, a formula avancada para a discretizac~ao da derivada e seu erro e:
y (x + h) y (x ) h 00
h
2 y ():
De modo semelhante, tomando h em (6.2), ainda com n = 1, temos:
y 0 (x ) =
(6.3)
h2
y (x h) = y (x ) hy 0 (x ) + 2! y 00 ():
Isolando y 0 (x ) na equac~ao acima, a formula atrasada para a discretizac~ao da derivada e seu erro e:
y (x ) y (x h) h 00
+ 2 y ():
h
Tomemos agora n = 2 em (6.2), reescrevemos as formulas avancada e atrasada, temos:
y 0 (x ) =
(6.4)
h2
h3
y (x + h) = y (x ) + hy 0 (x ) + 2 y 00 (x ) + 3! y 000 ()
h2
h3
y (x h) = y (x ) hy 0 (x ) + 2 y 00 (x ) 3! y 000 ()
Subtraindo a penultima express~ao da ultima, temos:
h3
y (x h) y (x + h) = 2hy 0 (x ) 2 3! y 000 ():
Rearranjando a express~ao acima, obtemos a formula centrada para discretizac~ao da derivada e o seu erro:
y (x + h) y (x h) h2 000
(6.5)
2h
3! y ()
Seguindo as mesmas ideias, podemos estabelecer uma express~ao para o calculo da aproximac~ao para a segunda
derivada. Tomando n = 3 em (6.2), temos:
y 0 (x ) =
h2
h3
h4
y (x + h) = y (x ) + hy 0 (x ) + 2 y 00 (x ) + 3! y 000 (x ) + 4! y (iv ) ()
h2
h3
h4
y (x h) = y (x ) hy 0 (x ) + 2 y 00 (x ) 3! y 000 (x ) + 4! y (iv ) ()
Somando estas duas ultimas formulas e explicitanto y 00 (x ), obtemos uma formula para discretizar a derivada de
segunda ordem, bem como o erro associado a esta discretizac~ao:
y 00 (x ) =
y (x + h) 2y (x ) + y (x h)
h2
h2 (iv )
12 y ()
(6.6)
L. A. P. Cant~ao
yi +1 yi
yi yi 1
yi +1 yi
0 (xi )
0 (xi )
;
y
;
ou
y
=
=
h
h
2h
61
CNC
yi +1 2yi + yi 1
;
h2
como discretizac~ao das derivadas de primeira e segunda ordens que aparecem na equac~ao diferencial.
O metodo das Diferencas Finitas pode ser generalizado em um algoritmo para EDO de segunda ordem.
Sejam p(x ), q (x ) e r (x ) func~oes contnuas denidas em [a; b]. O problema de encontrar y (x ) tal que:
y 00 (x ) =
y (a) = y0 ; y (b) = yn ;
[a;b]
tornam o sistema diagonalmente dominante, com todas as desigualdades estritas, o que garante a exist^encia de
uma unica soluc~ao do sistema linear.
Dividindo o intervalo [a; b] em n partes iguais de comprimento h, introduzimos a malha a = x0 < x1 < : : : <
xn = b. Se em cada ponto interior xi usamos as aproximac~oes :
y 0 (xi )
=
yi +1 yi
2h
y
2y + y
e y 00 (xi )
= i +1 h2i i 1 ;
1 h2 pi yi 1 +
2 + h qi yi + 1 + h2 pi yi +1 = h2 ri ;
2
para i = 1 : n 1. Note que a primeira e a ultima equac~oes devem ser modicadas pela utilizac~ao da condic~ao de
contorno.
Exemplo 21. Aproxime numericamente a soluc~ao da EDO abaixo usando o metodo de Diferencas Finitas:
y 00 y 0 + xy = ex (x 2 + 1);
com condic~oes de contorno:
usando
y (0) = 0;
x 2 (0; 1)
y (1) = e
L. A. P. Cant~ao
62
CNC
Dado a, b, p(x ), q (x ), r (x ), y0 , yn , n
1:
2:
3:
4:
5:
6:
7:
8:
9:
10:
11:
h = (b a)=n
Para j = 1 ate j = n 1 faca
x = a + jh
h
di (j ) = 1 2 p(x )
d (j ) = 2 + h2 q (x )
h
ds (j ) = 1 + 2 p(x )
ti (j ) = h2 r (x )
Fim do laco
(6.7)
Considerando a malha denida pelo passo h, podemos usar a formula de diferencas nitas avancada para
discretizar a derivada de y (x ) no ponto xk . Assim, obtemos uma vers~ao discretizada de (6.7):
yk +1 yk
(6.8)
= f (xk ; yk ):
h
Esta equac~ao permite que calculemos yk +1 a partir de yk , e dene o Metodo de Euler. Sua aplicac~ao e muito
simples:
y0 = y (x0 )
(6.9)
yk +1 = yk + hf (xk ; yk ); para k = 0; 1; : : :
O Algoritmo 13 ilustra este metodo.
Dado a, b, n, y0 e f (x; y )
1:
2:
3:
4:
5:
h = (b a)=n
Para k = 0 ate k = n 1 faca
xk = a + kh
yk +1 = yk + hf (xk ; yk )
Fim do laco
63
CNC
equac~ao, e Kutta (1901), para o caso de sistemas de EDO de primeira ordem. Os Algoritmos 14, 15 e 16
apresentam os metodos de Runge-Kutta (como s~ao conhecidos) para EDO's de primeira ordem.
Dado a, b, n, y0 e f (x; y )
1:
2:
3:
4:
5:
6:
7:
h = (b a)=n
Para k = 0 ate k = n 1 faca
xk = a + kh
m0 = hf (xk ; yk )
m1 = hf (xk + h; yk + m0 )
1
yk +1 = yk + 2 (m0 + m1 )
Fim do laco
h = (b a)=n
Para k = 0 ate k = n 1 faca
xk = a + kh
m0 = hf (xk ; yk )
h
m
m1 = hf xk + 2 ; yk + 20
m2 = hf (xk +1 ; yk m0 + 2m1 )
1
yk +1 = yk + 6 (m0 + 4m1 + m2 )
Fim do laco
6:
7:
8:
9:
h = (b a)=n
Para k = 0 ate k = n 1 faca
xk = a + kh
m0 = hf (xk ; yk )
h
m
m1 = hf xk + 2 ; yk + 20
h
m1
m2 = hf xk + 2 ; yk + 2
m3 = hf (xk +1 ; yk + m2 )
1
yk +1 = yk + 6 (m0 + 2m1 + 2m2 + m3 )
Fim do laco
1
y 0 (x ) = 1 + x 2
y (0) = 0
2y 2
Resolva-a usando os metodos de Euler, Runge-Kutta de segunda, terceira e quarta ordens para x
L. A. P. Cant~ao
2 (0; 1) e h = 0:1.
64
CNC
Compare os resultados obtidos com a sua soluc~ao analtica (calcule o erro relativo):
x
y = 1 + x2 :
6.3 Exerccios
1. Aplique o metodo de Euler, Runge-Kutta de segunda, terceira e quarta ordens para aproximar as soluc~oes
dos seguintes PVI e compare os resultados com os valores reais:
(a)
(b)
(c)
(d)
y 0 = y=t (y=t )2 , 1 t 2, y (1) = 1, com h = 0:1 e x 2 [1; 2]; soluc~ao real: y (t ) = t=(1 + ln t ).
y 0 = 1 + y=t + (y=t )2 , 1 t 3, y (1) = 0 com h = 0:2 e x 2 [1; 2]; soluc~ao real: y (t ) = t tan(ln t ).
y 0 = sen(x )y , x 2 [0; ], y (0) = 1, m = 6; soluc~ao real: y (x ) = ecos(x ) 1 .
p
y 0 = x + 1 y , x 2 [1; 3], y (1) = 1, m = 5; soluc~ao real: y (x ) = e 2x 1 5 =3+x 5=3
:
Atenc~ao:
m e o numero de subintervalos.
2. Dado o PVI
2
y 0 = t y + t 2 et ; 1 t 2 y (1) = 0;
com as soluc~oes exatas y (t ) = t 2 (et e ). Use o metodo de Euler com h = 0:1 para aproximar a soluc~ao e
compare-a com os valores reais de y .
3. Resolver os problemas de valor inicial abaixo, utilizando os metodos de Euler, Runge-Kutta de segunda,
terceira e quarta ordens com o numero de subintervalos n indicado:
(a)
(b)
(c)
4. Use o Metodo das Diferencas Finitas para aproximar as soluc~oes dos problemas abaixo e compare com as
soluc~oes reais.
(a) y 00 + y = 0, 0 x (=4), y (0) = 1, y (=4) = 1; use h = (=20);
p
soluc~ao real: y (x ) = cos x + ( 2 1) sen x .
(b) y 00 + 4y = cos x , 0 x (=4), yp(0) = 0, y (=4) = 0; use h = (=20);
soluc~ao real: y (x ) = 31 cos 2x 62 sen 2x + 13 cos x .
(c) y 00 = x4 y 0 x22 y + 2 xln2 x , 1 x 2, y (1) = 12 , y (2) = ln 2; use h = 0:05;
soluc~ao real y (x ) = x4 x22 + ln x 23 .
(d) y 00 = 2y 0 y + x ex x , 0 x 2, y (0) = 0, y (2) = 4; use h = 0:2;
soluc~ao real: y (x ) = 61 x 3 ex 35 x ex +2 ex x 2.
5. Use o Metodo das Diferencas Finitas para aproximar as soluc~oes dos seguintes PVC:
(a) y 00 = x4 y 0 + x22 y x22 ln x , 1 x 2, y (1) = 12 , y (2) = ln 2; use h = 0:05;
0
(b) y 00 = yx + x32 y + lnxx 1, 1 x 2, y (1) = y (2) = 0; use h = 0:1
L. A. P. Cant~ao
65
Exerccios
8. Calcule y (1) para y 0 = y x ; y (0) = 2, utilizando Euler e Runge-Kutta de 4a ordem com h = 0:2. Compare
seus resultados com os valores exatos de y (x ) nos pontos xi , sabendo que y (x ) = ex +x + 1.
Resposta: Euler: y (1) = 4:488320, Runge-Kutta de 4a ordem: y (1) = 4:78251, soluc~ao exata: y (1) =
4:718282.
9. Resolva pelo metodo de diferencas nitas, o PVC:
y 00 + 2y 0 + y = x
y (0) = 2
y (1) = 0
tem a soluc~ao y (x ) = e2 (e4 1) 1 (e2x e 2x ) + x . Use o Metodo das Diferencas Finitas para aproximar a
soluc~ao e compare os resultados com a soluc~ao real.
(a) Com h = 21 .
(b) Com h = 14 .
11. O PVC:
y 00 = y 0 + 2y + cos x; 0 x 2 ; y (0) = 0:3; y 2 = 0:1
tem a soluc~ao y (x ) = 101 (sen x + 3 cos x ). Use o Metodo das Diferencas Finitas para aproximar a soluc~ao
e compare os resultados com a soluc~ao real.
(a) Com h = 4 .
(b) Com h = 8 .
para o PVC:
10
An
alise Num
erica
Algoritmos Num
ericos
M
etodos Num
ericos
. 2a Edic~
ao, Editora da Unicamp, 2000.
[4] N. J. Higham. Accuracy and Stability of Numerical Algorithms, SIAM { Society for Industrial and Applied Mathematics,
1996.
[5] M. A. G. Ruggiero, V. L. R. Lopes C
alculo Num
erico:
1996.
[6] D. Sperandio, J. T. Mendes, L. H. M. e Silva.
M
etodos Num
ericos. Prentice Hall, 2003.
[7] J. Stewart.
C
alculo
Aspectos Te
oricos e Computacionais
C
alculo Num
erico:
. 2a Edic~
ao, Makron Books,
Caracter
sticas Matem
aticas e Computacionais dos
. Volume I. 5a Edic~
ao, Pioneira Thomson Learning, 2006.
[8] E. W. Sowokowski.
. Volume 1. 2a Edic~
ao, Makron Books, 1994.
C
alculo com Geometria Anal
tica
[9] www.nrbook.com/b/bookcpdf.php
[10] www.mathworks.com/moler/chapters.html
67