UNIVERSIDADE FEDERAL DE JUIZ DE FORA

Programa de Pós-graduação em Modelagem

Computacional

Filipe Fernandes de Paula

Trabalhos de Métodos Numéricos

Trabalho apresentado à disci-

plina de métodos numéricos do
PGMC na Universidade Federal
de Juiz de Fora.

Professores: Heder e Hélio

Juiz de Fora
Setembro de 2017
Conteúdo
1 Demonstrações 2
1.1 Precisão de Sistema Com Arredondamento Para o Mais Próximo 2
1.2 Usar eliminação de Gauss Para Fatorar Uma Matriz em A = LU 3
1.3 Teorema de Diferenças Divididas . . . . . . . . . . . . . . . . 5
1.4 Integração Numérica . . . . . . . . . . . . . . . . . . . . . . . 6

2 Aproximação da Função Exponencial por Expansão de Tay-

lor 8

3 Solução Numérica de Sistemas Lineares 9

3.1 Eliminaçao de Gauss . . . . . . . . . . . . . . . . . . . . . . . 10
3.2 Método dos Gradientes Conjugados . . . . . . . . . . . . . . . 10
3.3 Sistema Linear Com Matriz de Hilbert . . . . . . . . . . . . . 11

4 Interpolação Polinomial 12
4.1 Interpolação por Partes Com Polinômio de Segundo Grau . . . 13
4.2 Splines Cúbicas . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.2.1 Aplicação de Splines Cúbicas . . . . . . . . . . . . . . 15

5 Solução Numérica de Sistemas Não-Lineares 15

A Implementação de Função Exponencial Por Expansão de Tay-

lor 18

B Implementação da Matriz de Hilbert 20

C Implementação da Elimininação de Gauss 21

D Implementação do Método dos Gradientes Conjugados 22

E Implementação de interpolação por partes Com Polinômio

de Segundo Grau 23

F Implementação de Splines Cúbicas 24

G Implementação do Método de Newton para Sistemas Não-

Lineares 26

1
1 Demonstrações
1.1 Precisão de Sistema Com Arredondamento Para o
Mais Próximo
Objetivo: Mostrar que em um sistema com arredondamento para o mais
próximo, a precisão é dada por,

|f l(x) − x| 1
≤ β 1−p (1)
|x| 2

Um número x pode ser escrito como,

x = xm β e + xr β e−p (2)
onde,

• xm β e parte representável em máquina;

• xr β e−p parte não representável em máquina;

• β é a base;

• p é a precisão do sistema;

• e é o expoente do número x;

• xm e xr são mantissas.

Pode-se, então, aplicar a definição de precisão (equação 1),

|f l(x) − x| |xm β e − (xm β e + xr β e−p )| | − xr β e−p | | − xr β e−p | xr β e−p

= = ≤ ≤
|x| |xm β e + xr β e−p | |xm β e + xr β e−p | |xm β e | xm β e

Pode-se escolher valores para xm e xr para o pior caso,

• O menor valor que xm pode apresentar é 1 (o sistema é normalizado);

• O maior valor que xr pode apresentar é quando x está exatamente à

mesma distância de dois números representáveis em máquina. Para
esse caso, xr = β/2, o que significa, que o máximo erro que pode ser
β
cometido devido ao arredondamento é β e−p
2

2
 Assim, pode-se escrever,
β e−p 1
mach = β
2 βe
O que leva à,

β 1−p
mach = (3)
2

1.2 Usar eliminação de Gauss Para Fatorar Uma Matriz

em A = LU
Objetivo: Mostrar que a eliminação de Gauss pode ser usada para fazer
uma fatoração LU de uma matriz (A = LU ).

A eliminação de Gauss consiste em operações que transformam a matriz

A em uma matriz triangular superior U equivalente. O primeiro passo do
método é dado por,

aj,1
(Linha[j] − mj1 · Linha[j] → (Linha[j]), onde mj,1 = (4)
a1,1

As operações acima podem ser representadas por uma matriz, chamada

de matriz de transformação gaussiana, que é dada por,
 
1 0 ... ... 0
. .. 
 −m_{2, 1} 1 . . .

(1)
 .
M =  −m_{3, 1} 0 . . . . .. 
 . . 


 .
.. . . .
.. . . . . 0


−m_{n, 1} 0 . . . 0 1
Assim, a matriz A após multiplicada por M (1) apresenta todos os elemen-
tos da primeira coluna abaixo da primeira linha iguais a zero,

A(2) = M (1) A (5)

Generalizando o método acima, tem-se

A(k+1) = M (k) A(k) = M (k) M (k−1) . . . M (1) A (6)

Onde M (k) é da segunte forma,

3
  
1 0 0 ... ... ... 0
0 1 0 0

 .. . . .. 

. . 1 0 .
. .. 
. ... ...
M (k) = . 0 .

. .. . . .
 .. . −mk+1,k . . . . .. 
 
.. .. .. . . . 0
. . . 0 
0 . . . 0 −mn,k 0 0 1
O processo finliza com a formação de uma matriz triangular superior A(n)
 
a1,1 a1,2 . . . a1,n
.. .. .. 
(n)  0
 . . . 
A = . . .
 .. .. . . an−1,n 


0 ... 0 an,n

A(n) = M (n−1) M (n−2) . . . M (1) A = U (7)

Para reverter a eliminação de Gauss é preciso anular os efeitos da matriz
gaussiana. isso pode ser feito multiplicando A(n) = U pelas inversas de M (k) ,
 
1 0 0 ... ... ... 0
0 1 0 0

 .. . . .. 

. . 1 0 .
. .. 
(k) (k) −1 . . . . . . .
L = [M ] =  . 0 .
 
. .. . . .
 .. . mk+1,k . . . . .. 
 
.. .. .. . . . 0
. . . 0 
0 . . . 0 mn,k 0 0 1

 
1 0 ... 0
... ... .. 
m .

L = L(1) L(2) . . . L(n−1) =  .2,1 .. ..
 ..

. . 0
mn,1 ... mn−1,n 1
Dessa forma tem-se que,
  
(1) (2) (n−1) (n−1) (n−2) (1)
LU = L L . . . L M M ...M A

4
 Como L(k) = [M (k) ]−1 , então L(k) M (k) = M (k) [M (k) ]−1 = 1. Assim, tem-
se

LU = A (8)
Então, pode-se concluir que a matriz de multiplicadores provenientes da
eliminação de Gauss (L) e a matriz triangular superior resultante desse mé-
todo (U ), podem ser utilizadas para realizar uma fatoração LU de uma matriz
A.

1.3 Teorema de Diferenças Divididas

Objetivo: Demonstrar a seguinte equivalência,

f (n) (c)
= f [x0 , x1 , . . . , xn ] (9)
n!

Seja f ∈ [a, b] e x0 , x1 , . . . , xn números distintos em [a, b]. Pode-se escrever

uma aproximação polinomial de f da seguinte forma,
n
X i−1
Y
Pn (x) = f [x0 ] + f [x0 , xi ] (x − xj ) (10)
i=1 j=0

Uma função g(x) pode ser definida de forma que g(xi ) = 0, i = 0, 1, 2, . . . , n,

g(x) = f (x) − Pn (x) (11)

ou seja, g(x) tem n + 1 raízes distintas em [a, b]. Dessa forma, pode-se
utilizar o teorema generalizado de Rolle, o qual segue o enunciado,

Teorema Generalizado de Rolle. Para g ∈ C n [a, b], se g(x) = 0 em

n + 1 pontos distintos em [a, b], então existe um número c ∈ [a, b], tal que
g (n) (c) = 0.

Derivando g(x) n vezes, tem-se

g (n) (x) = f (n) (x) − Pn(n) (x) (12)

(n)
Usando a equação 10 para calcular Pn (x), tem-se,

P (n) (x) = f [x0 , . . . , xn ]n! (13)

Substituindo 12 em 13 e usando o Teorema Generalizado de Rolle, chega-
se a,

5
 g (n) (c) = f (n) (nx)− = f [x0 , . . . , xn ]n! = 0 (14)
Dessa forma, tem-se

f (n) (c)
= f [x0 , . . . , xn ] (15)
n!

1.4 Integração Numérica

Objetivo: Montar uma regra de integração numérica na forma
Z 1
f (x)dx = w1 f (−1) + w2 f (t2 ) + w3 f (t3 ) + w4 f (1) (16)
−1

que seja exata para polinômios do mais alto grau possível.

Avalie a regra elaborada num polinômio do maior grau possível e que pos-
sua todos os coeficientes diferentes de zero e mostre que a integral numérica
é exata.

A regra de integração 16 é semelhante à quadratura de Gauss, sendo que

a diferença está no fato de que t0 = −1 e t3 = 1. O polinômio de maior grau
possível é 5.
Pode-se então escrever uma aproximação para função f (t) como,

f (t) = c0 φ0 (x) + c1 φ1 (x) + c2 φ2 (x) + c3 φ3 (x) + c4 φ4 (x) + c5 φ5 (x) (17)

Com φi (x) = ti , t1 = −1 e t4 = 1. De acordo com o método dos coefici-

entes indeterminados, podemos escrever,
R1
φ0 =1 ⇒ w1 + w2 + w3 + w4 = −1 dt = 2
R1
φ1 =t ⇒ −w1 + w2 t2 + w3 t3 + w4 = −1 tdt = 0
R1
φ2 = t2 ⇒ w1 + w2 t22 + w3 t23 + w4 = −1 t2 dt = 2/3
R1
φ3 = t3 ⇒ −w1 + w2 t32 + w3 t33 + w4 = −1 t3 dt = 0
R1
φ4 = t4 ⇒ w1 + w2 t42 + w3 t43 + w4 = −1 t4 dt = 2/5
R1
φ5 = t5 ⇒ −w1 + w2 t52 + w3 t53 + w4 = −1 t5 dt = 0

Dessa forma, tem-se o sistema de equações não-lineares 18, que ao ser

resolvido fornece: wi e ti necessários para definir a regra de integração sendo
desenvolvida.

6
 

 w1 + w2 + w3 + w4 = 2

−w1 + w2 t2 + w3 t3 + w4 = 0



w + w t2 + w t2 + w = 2/3

1 2 2 3 3 4
3 3
(18)


 −w1 + w2 t2 + w3 t3 + w4 = 0
w1 + w2 t42 + w3 t43 + w4 = 2/5





−w1 + w2 t52 + w3 t53 + w4 = 0


Para resolver o sistema 18 é preciso simplifica-lo, assumindo que t2 = −t3 .

Assim, é possível desconsidera última equação do sistema e aplicar o método
de Newton, então encontrando o seguinte resultado,

Tabela 1: Resultado obtidos na resolução do sistema 18.

w1 0.1666666666
w2 0.8333333333
w3 0.8333333333
w4 0.1666666666
t2 0.4472135954
t3 = −t2 -0.4472135954

I = 0.1666666666(f (−1) + f (1)) + 0.8333333333f (0.4472135955)+

(19)
0.8333333333f (−0.4472135955)

Para verificar que a fórmula 19 é exata para polinômios de grau 2n −

3, vamos comparar o resultado dado pela regra encontrada e a integração
convencional. Parra isso, utiliza-se o polinômio genérico 20 de grau 5 (para
n = 4).

φ5 (x) = a5 x5 + a4 x4 + a3 x3 + a2 x2 + a1 x + a0 (20)
Integrando 20 tem-se,
Z 1
2 2
φ5 (x)dx = a4 + a2 + 2a0 (21)
−1 5 3
Pode-se também aplicar a regra de integração numérica 19, que resulta
em,

7
 Z 1
φ5 (x)dx = 0.1666666666(φ5 (−1) + φ5 (1))+
−1
0.8333333333φ5 (0.4472135954) + 0.8333333333φ5 (−0.4472135954) =
(22)
0.399999999a4 + 0.666666666a2 + 2a0 =
2 2
a4 + a2 + 2a0
5 3

Dessa forma, podemos verificar que a integração numérica utilizando qua-

dratura de Lobatto é exata para um polinômio de grau ≤ 2n − 3.

2 Aproximação da Função Exponencial por Ex-

pansão de Taylor
Série de Taylor (equação 23) é uma ferrementa que permite representar fun-
ções em uma série de potência. Esse fato é extremamente útil, e é amplamente
utlizada para várias aplicaçoes em diversas áreas.
∞
X f (n) (x0 )
f (x) = (x − x0 )n (23)
n=0
n!
A expansão de Taylor pode ser usada para avaliar funções de difícil repre-
sentação em um computador, como função exponencial. Expandido a função
exponencial em série de Taylor com x0 = 0, tem-se,

x2 x3
ex = 1 + x + + + ... (24)
2! 3!
A expressão 24 pode ser facilmente inserida no computador e o valor de ex
pode ser facilmente avaliado. No entanto, a série de Taylor é um somatório
infinito, levando à necessidade de truncamento da série, devido à limitações
computacionais. Esse truncamento pode ser feito levando em conta três
fatores:

• o termo xn /n! se torna tão pequeno que não é mais possível representa-
lo computacionalmente, então esse termo se torna zero;

• O valor de xn cresce excessivamento, não havendo representação para

tal número;

8
 • O valor de n! fica tão grande que não existe como representa-lo no
computador.

Os três casos acima são usados como pontos de parada para o algoritmo
que avalia a função exponencial, garantindo que a série seja truncada quando
nã é mais possível representar os próximos termos computacionalmente.
Para o cálculo de valores com x < 0 é mais acurado utilizar a equação 25.
A tabela 2 mostra resultados comparando valores de uma função exponencial
implementada utilizando expansão de Taylor apresentada (expo(x)) com uma
função nativa da linguagem (exp(x)). Podemos observar que as diferenças
são muito pequenas.
1
e−x = (25)
ex

Tabela 2: Resultados obtidos.

x expo(x) exp(x) expo(x) − exp(x)
1 2.718282 2.718282 2.994566e-016
5 1.484132e+002 1.484132e+002 3.191891e-014
10 2.202647e+004 2.202647e+004 5.902834e-012
15 3.269017e+006 3.269017e+006 3.092282e-011
20 4.851652e+008 4.851652e+008 1.199078e-007
-1 3.678794e-001 3.678794e-001 4.306993e-017
-5 6.737947e-003 6.737947e-003 1.639432e-018
-10 4.539993e-005 4.539993e-005 9.423242e-021
-15 3.059023e-007 3.059023e-007 2.481542e-024
-20 2.061154e-009 2.061154e-009 4.564034e-025

3 Solução Numérica de Sistemas Lineares

Sistemas lineares são conjuntos de equações acopladas. Essas equações são
provenientes da modelagem matemática de um problema multivariável. A
solução do sistema fornece os valores das n varáveis independentes,
Os sistemas lineares são frequentemente escritos em formato de matrizes,
como a seguir,

[A]{X} = {B} (26)

9
     
a11 a12 a13 . . . a1n x1 b1
 a21 a22 a23 . . . a2n   x2   b2 
..   ..  =  .. 
    
 .. .. .. . .
 . . . . .  .   . 
an1 an2 an3 . . . ann xn an
A solução de sistemas lineares, então, se resume a encontrar um vetor X
que satisfaça a igualdade 26.

3.1 Eliminaçao de Gauss

Eliminação de Gauss é um método utilizado encontrar solução de sistemas
lineares. Este método consiste em aplicar sucessivas operações elementares
em um sistema linear, para transforma-lo em um sistema triangular superior,
deforma que ambos sistemas tenham as mesmas soluções.
Com a matriz A transformada em uma matriz U triagular superior equiva-
lente, é possível encontrar o vetor de soluções X facilmente apenas utilizando
retrosubstituições.
   
a11 a12 a13 . . . a1n u11 u12 u13 . . . u1n
 a21 a22 a23 . . . a2n   0 u22 u23 . . . u2n 
⇒
   
 .. .. .. ... ..   .. .. .. . . .. 
 . . . .   . . . . . 
an1 an2 an3 . . . ann 0 0 0 . . . unn

3.2 Método dos Gradientes Conjugados

O método do gradiente conjugado é um método iterativo, utilizado para so-
lução de sistemas lineares com matriz simétrica e positiva definida. Esse
método é indicado para solução de sistemas com matrizes esparsas, que fre-
quentemente aparecem em aplicações.
O algoritmo se baseia em reduzir o resíduo (r = b−Ax) a cada iteração, de
forma que o vetor solução X convirja. Para isso é definida uma função f (x)
(equação 27), de tal forma que 5f (x) = Ax − b. Assim, fazendo 5f (x) = 0
tem-se a solução do sistema, ou seja, a solução de Ax = B é igual ao ponto
de minímo de 5f (x).
1
f (x) = X T AX − X T b (27)
2
Assim, o método dos gradientes conjugados tem os seguintes passos,

1. Estimativa inicial de X (0) ;

10
 2. Determinar o resíduoi inicial r(0) = b − AX (0) ;

3. Repitir
[r(k) ]T r(k)
(a) α = ;
[s(k) ]T As(k)
(b) X (k+1) = X (k) + αs(k) ;
(c) r(k+1) = r(k) − αAs(k) ;
(d) Verifique se o resíduo é suficientemente pequeno;
[r(k+1) ]T r(k+1)
(e) α = ;
[r(k) ]T r(k)
(f) s(k+1) = s(k) + βs(k) ;

3.3 Sistema Linear Com Matriz de Hilbert

A matriz de Hilbert é uma matriz quadrada simétrica e positiva definida, em
que os elementos são dados por,
1
Hij = (28)
i+j−1
Essa matriz tem a característica de ter seu condicionamento piorado a
medida que que sua dimensão aumenta. Dado um problema em que é pre-
ciso resolver um sistema linear que a matriz A é de Hilbert e o vetor B é
encontrado de forma que Xi = 1.25, tem-se os resultados da tabela 3.

Tabela 3: Resultado para Solução de sistemas lineares utilizando a matriz de

Hilbert.
||X||∞
n
Eliminação
de Gauss Gradientes Conjugados
4 1.250000000000679
6 1.250000000087363
8 1.250000115977172
10 1.250055470573613
12 1.550152442330903
14 30.227263386454485
16 29.922353243087652
18 30.861495154512276
20 50.482156771860183
Método dos
1.250000001670359
1.256009367443071
1.261276188350049
1.253891076485558
1.256435408724752
1.259068385005129
1.261638930057563
1.264065814000261
1.253480007600434

11
 Podemos observar que devido ao mal condicionamento da matriz, a eli-
minação de Gauss leva a resultados muito errados a medida que a dimensão
cresce. Por outro lado, devido ao método de gradientes conjugados ser itera-
tivo, ele fornece resultados mais precisos mesmo que para grandes dimensões
da matriz de Hilbert.

4 Interpolação Polinomial
O objetivo é aplicar uma técnica de interpolação polinômial a um conjunto
de pontos mostrados nas tabelas 4 e 5 e plotado na figura 1, de forma a obter
o resultado da figura 2.

Tabela 4: Pontos a serem interpolados (parte 1).

x 0.9 1.3 1.9 2.1 2.6 3.0 3.9 4.4 4.7 5.0 6.0
f (x) 1.3 1.5 1.85 2.1 2.6 2.7 2.4 2.15 2.05 2.1 2.25

Tabela 5: Pontos a serem interpolados (parte 2).

x 7.0 8.0 9.2 10.5 11.3 11.6 12.0 12.6 13.0 13.3
f (x) 2.3 2.25 1.95 1.4 0.9 0.7 0.6 0.5 0.4 0.25

Figura 1: Pontos a serem interpolados

12
 Figura 2: Objetivo de se aplicar interpolação.

4.1 Interpolação por Partes Com Polinômio de Segundo

Grau
Uma maneira de abordar o problema é interpolar o conjunto de pontos uti-
lizando vários polinômios de segundo grau. Cada polinômio Pk (x) interpola
um total de três pontos, de forma que são necessários um conjunto de polinô-
mios para interpolar os pontos. Aplicando essa técnica não há continuidade
da primeira derivada ao longo dos polinômios.
Para encontrar os polinômios de segundo grau pode-se utilizar a forma
de Lagrange (equação 29) em cada subconjunto de três pontos.

Pk (x) = f (Xk,1 )Lk,1 (x) + f (xk,2 )Lk,2 (x) + f (xk,3 )Lk,3 (x) (29)

3
Y (x − xj )
Lk,i = (30)
j=1,j6=i
xi − xj

Aplicando o método descrito, o resultado pode ser observado na figura 3.

Pode-se observar a descontinuidade da derivada primeira entre os polinômios.

4.2 Splines Cúbicas

Interpolação por spline é uma técnica que utiliza polinômios de grau k con-
tínuo por partes e derivável k − 1 vezes. No caso de uma spline cúbica, o
polinômio é de grau 3 e duas vezes continuamente diferenciável. pode-se
definir a spline como,

Si (x) = ai x3 + bi x2 + ci x + di , ti ≤ x ≤ ti+1 , i = 1...n (31)

13
 Figura 3: Conjunto de polinômios de segundo grau interpolando pontos.

Onde ti são os pontos a serem interpolados e x um ponto que pode ser

obtido através da interpolação. Para uma interpolação suave, é preciso que
os polinômios dados por 31 satisfaçam as seguintes condições,
1. Si (xi ) = f (xi ) e Si (xi+1 ) = f (xi+1 );
2. Si+1 (xi+1 ) = Si (xi+1 );
0
3. Si+1 (xi+1 ) = Si0 (xi+1 );
00
4. Si+1 (xi+1 ) = Si00 (xi+1 );
Escolhendo uma spline cúbica natural, tem-se as seguintes condições adi-
cionais,
5. S 00 (x1 ) = S 00 (xn ) = 0;
Manipulando algebricamente os plolinômios Si (x) e aplicando as condi-
ções 1 a 5, tem-0se os seguintes resultados,
   
zi+1 3 zi 3 f (xi+1 ) zi+1 f (xi ) zi
Si (x) = (x−ti ) + (ti+1 −x) + − hi (x−ti )+ − hi (ti+1 −x)
6hi 6hi hi 6 hi 6
(32)
Onde hi = ti+1 − ti . O termo zi = S 00 (xi ) pode ser encontrado resolvendo
o seguinte sistema,
    
v1 h2 z2 u2
h2 v2 h3   z3   u3 
.. .. ..
    
. . .   z4   u4 
=

  
. .   ..   .. 
.. . . hn−3   .   . 


hn−3 vn−2 zn−1 un−1

14
 Onde,

• hi = ti+1 − ti , i = 1...n − 1;
 
1
• bi = f (xi+1 ) − f (xi ) , i = 1...n − 1;
hi
• vi = 2(hi−1 − hi ), i = 1...n − 2;

• ui = 6(bi − bi−1 ), i = 1...n − 2;

• z1 = zn = 0.

4.2.1 Aplicação de Splines Cúbicas

Aplicando splines cúbicos no conjunto de pontos tem-se o resultado mostrado
na figura 4.

Figura 4: Splines cúbicas.

5 Solução Numérica de Sistemas Não-Lineares

A solução de sistemas não-lineares consiste em linearizar o sistema, e então
resolver o sistema linear resultante. A linearização, em geral, é feita pelo
cálculo da matriz Jacobiana. utilizando o método de Newton é possivel
encontrar a solução de sistemas lineares como a seguir,

xk+1 = xk − Jf−1 (xk )f (xk ) (33)

∂fi (x)
{Jf (x)}ij = (34)
∂xj

15
 Na prática, a matriz Jacobiana Jf (x) não é invertida, o seguinte sistema
linear é resolvido e utilizado para encontrar a próxima iteração,

Jf (xk )sk = −f (xk ) (35)

xk+1 = xk − sk (36)
O Jacobiano do sistema pode ser calculado numericamente utilizando
diferenças finitas. O método de Newton é aplicado nos sistemas não-lineares
abaixo,
 
2 2 2 2
x
 1
 + x 2 + x 3 = 1 x1 + x1 − 2x2 x3 = 0.1

(1) 2x21 + x22 − 4x3 = 0 (2) x2 − x22 + 3x1 x3 = −0.2

 2 
3x1 − 4x2 + x23 = 0
 2
3x1 − 4x2 + x23 = 0.3
 
2 2
10x1 − 2x2 + x2 − 2x3 − 5 = 0
 x1 + x2 − 37 = 0

(3) 8x22 + 4x23 − 9 = 0 (4) x1 − x22 − 5 = 0
 
8x3 x2 + 4 = 0 x1 + x2 + x3 − 3 = 0
 

 
x1 + 2x22 − x2 − 2x3 = 0 3x − cos(x2 x3 ) − 0.5 = 0
 1

 

 2
(5) x1 − 8x22 + 10x3 = 0 (6) x21 − 81(x2 − 0.1)2 + sen(x3 ) + 1.06 = 0
2
 x1 − 1 = 0 e−x1 x2 + 20x3 + 10π − 3 = 0

 

7x2 x3 3

 x1 + 10x2 = 0
x1 + cos(x1 x2 x3 ) − 1 = 0 √5(x − x ) = 0


 
3 4
(7) (1 − x1 )1/4 0.05x23 − 0.15x3 − 1 = 0 (8) 2
 (x2 − x3 ) = 0
√
 2
−x1 − 0.1x22 0.01x2 + x3 − 1 = 0


10(x1 − x4 )2 = 0
 

 x1 + x2 = 2 
 4x1 − x2 + x3 = x1 x4

x x + x x = 0 
−x + 3x − 2x = x x
1 3 2 4 1 2 3 2 4
(9) 2 2
(10)


 x x
1 3 + x 2 x4 = 2/3 

 x 1 − 2x 2 + 3x 3 = x x
3 4
x1 x33 + x2 x34 = 0
  2 2 2
x1 + x2 + x3 = 1

16
 As soluções dos sistemas acima são dadas a seguir,

   
  
x1
 x1 0.016798055859590
0.785196933062355
(2) x2  = −0.211775320104744
(1) x2  = 0.496611392944656
x3 0.369922830745872 x3 0.230954842219084
   
    x1 5.999999999999992
x1 0.5000000000000
(3) x2  =  1.0000000000000  (4) x2  =  1.000000000000097 
x3 −0.5000000000000 x3 −4.000000000000089
   
    x1 0.500000000137425
x1 0.749273637078407
(5) x2  = 0.514726831687997 (6) x2  =  0.000000015026585 
x3 0.155813859970018 x3 −0.523598775967385
  
    x1
x1 −0.000000000000000  x2  
(8)1   = 
(7) x2  =  0.099999999040639  x3  
x3 0.999999980796400 x4
   
   x1 0.869271122258328
x1 x2  −0.488859511009560
x2   (10) 
(9)1 x3  = −0.073376389276397
  
  = 
x3  
x4 x4 4.477967243009013

1
Os sistemas 8 e 9 são matrizes quase singulares com det(A) ≈ 0, o que implica em o
sistema conter infinitas ou nenhuma solução.

17
A Implementação de Função Exponencial Por
Expansão de Taylor
Implentação em C da função exponencial utilizando expansão de Taylor.
#include <stdio.h>
#include <stdlib.h>
#include <math.h>
#include <float.h>

double fat(int a)
{
if ((a == 1) || (a == 0))
{
return 1;
}
else
{
return fat(a-1)*a;
}
}

double expo(double x)
{
double ex = 1;
double inc = 1;
int i;

if(x >= 0)
{
ex = 1+x;
}
else
{
ex = 1-x;
}

for(i = 2; (inc > 0.0) && (fat(i) < DBL_MAX) && (pow(abs(x),i) <
DBL_MAX);i++)
{

18
 inc = pow(abs(x),i)/fat(i);
ex = ex + inc;
}

if(x < 0)
{
ex = 1/ex;
}

return ex;
}

int main()
{
int i, nums[] = {1, 5, 10, 15 , 20, -1, -5, -10, -15 , -20};

for(i = 0; i <= 8; i++)

{
printf("%lf \t\t %lf \t\t %e\n\n", expo(nums[i]), exp(nums[i
]), fabs(expo(nums[i]) - exp(nums[i])));
}

return 0;
}

19
 B Implementação da Matriz de Hilbert
Código desenvolvido em MATLAB para criar uma matriz de Hilbert N xN .
1 % Gera uma m a t r i z de H i l b e r t nxn .
2

3 function A = createHilbert (n)

4

5 a = zeros (n) ;
6

7 for i = 1:n
8 for j = 1:n
9 a ( i , j ) = 1/ ( i+j −1) ;
10 end
11 end
12

13 A = a;
14 end

20
 C Implementação da Elimininação de Gauss
Código desenvolvido em MATLAB para encontrar solução de um sistema
linear utilizando eliminação de Gauss.
1 f u n c t i o n x = g a u s s (A, b )
2

3 [ n , n ] = s i z e (A) ;
4

5 f o r k =1:( n−1)
6 f o r i =(k+1) : n
7 m = A( i , k ) /A( k , k ) ;
8 f o r j=k : n
9 A( i , j ) = A( i , j ) − m∗A( k , j ) ;
10 end
11 b ( i ) = b ( i ) − m∗b ( k ) ;
12 end
13 end
14 x = subTriSup (A, b ) ;
15 end

1 % C a l c u l a a s o l u c a o X de um s i s t e m a Ax=b , para A sendo

uma m a t r i z t r i a n g u l a r s u p e r i o r .
2

3 f u n c t i o n x = subTriSup (U, b )
4

5 [ n , n ] = s i z e (U) ;
6

7 x = zeros (n , 1 ) ;
8

9 x ( n ) = b ( n ) /U( n , n ) ;
10

11 f o r i = ( n−1) : −1:1
12 x( i ) = b( i ) ;
13 f o r j =( i +1) : n
14 x ( i ) = x ( i ) − x ( j ) ∗U( i , j ) ;
15 end
16 x ( i ) = x ( i ) /U( i , i ) ;
17 end
18 end

21
 D Implementação do Método dos Gradientes
Conjugados
IMplementação em MATLAB do método dos gradientes conjugados.
1 f u n c t i o n x = gradConj (A, b )
2

3 [ n , n ] = s i z e (A) ;
4

5 t o l = 0 . 0 0 0 0 0 1 ; % T o l e r a n c i a do r e s i d u o
6

7 x = zeros (n , 1 ) ;
8 s0 = b ; % Chute i n i c i a l e x = 0
9 r 0 = b ; % Chute i n i c i a l e x = 0 , p o i s r = b − A∗x
10 s1 = s0 ;
11 r1 = r0 ;
12

13 f o r k =1:100
14 alpha = ( ( r 1 . ’ ) ∗ r 1 ) / ( ( s1 . ’ ) ∗A∗ s1 ) ;
15 x = x + alpha ∗ s0 ;
16 r 1 = r 0 − alpha ∗A∗ s0 ;
17 i f ( norm ( r1 , I n f ) <= t o l )
18 break ;
19 else
20 beta = ( ( r 1 . ’ ) ∗ r 1 ) / ( ( r 0 . ’ ) ∗ r 0 ) ;
21 s1 = r 1 + b eta ∗ s0 ;
22 s0 = s1 ;
23 r0 = r1 ;
24 end
25 end
26 end

22
 E Implementação de interpolação por partes
Com Polinômio de Segundo Grau
Código desenvolvido em MATLAB interpolar um conjunto de pontos utili-
zando um polinômio de segundo grau por partes.
1 function plotPoly2 (x , fx )
2

3 n=l e n g t h ( x ) ;
4

5 inner_points = 20;
6

7 f o r k=1: f l o o r ( n /2 )
8 z = l i n s p a c e ( x (2∗ k−1) , x (2∗ k+1) , i n n e r _ p o i n t s ) ;
9 L = zeros (1 , inner_points ) ;
10 f o r m=1: i n n e r _ p o i n t s
11 f o r i =(2∗k−1) : ( 2 ∗ k+1)
12 c = 1;
13 d = 1;
14 f o r j =(2∗k−1) : ( 2 ∗ k+1)
15 i f ( i ~= j )
16 c = c ∗( z (m)−x ( j ) ) ;
17 d = d ∗( x ( i )−x ( j ) ) ;
18 end
19 end
20 L(m) = L(m) + f x ( i ) ∗( c /d ) ;
21 end
22 end
23 hold on ;
24 plot (z ,L, ’b ’ ) ;
25 end
26

27 end

23
 F Implementação de Splines Cúbicas
Código desenvolvido em MATLAB interpolar um conjunto de pontos utili-
zando o método de splines cúbicas.
1 function a = cubicSplineCoefficients (x , fx )
2

3 n = length (x) ;
4

5 % pre−c a l c u l o s
6 h = x ( 2 : n ) − x ( 1 : n−1) ;
7 b = ( f x ( 2 : n )−f x ( 1 : n−1) ) . / h ;
8 v = 2∗( h ( 1 : n−2)+h ( 2 : n−1) ) ;
9 u = 6∗( b ( 2 : n−1)−b ( 1 : n−2) ) ;
10

11 % Cria m a t r i z t r i d i a g o n a l para e n c o n t r a r as d e r i v a d a s
segundas
12 A = d i a g ( h ( 2 : n−2) , −1) + d i a g ( v ) + d i a g ( h ( 2 : n−2) , 1 ) ;
13

14 % z e o v e t r o de d e r i v a d a s segundas em cada ponto

15 z = g a u s s (A, u ) ;
16

17 % I n c l u s a o das c o n d i c o e s n a t u r a i s no v e t o r de
d e r i v a d a s segunda
18 z = [0; z; 0];
19

20 % C a l c u l o dos c o e f i c i e n t e s a1 , a2 , a3 e a4
21 % S i ( x ) = a1 ∗( x−x ( i ) ) ^3 + a2 ∗( x ( i +1)−x ) ^3 + a3 ∗( x−x ( i
) ) + a4 ∗( x ( i +1)−x )
22 a1 = z ( 2 : n ) . / ( ( h ( 1 : n−1) ) ∗6) ;
23 a2 = z ( 1 : n−1) . / ( ( h ( 1 : n−1) ) ∗6) ;
24 a3 = f x ( 2 : n ) . / h ( 1 : n−1)−z ( 2 : n ) . ∗ ( h ( 1 : n−1) ) / 6 ;
25 a4 = f x ( 1 : n−1) . / h ( 1 : n−1)−z ( 1 : n−1) . ∗ ( h ( 1 : n−1) ) / 6 ;
26

27 a = [ a1 a2 a3 a4 ] ;
28

29 end

24
1 function plotSpline (x , fx )
2

3 n = length (x) ;
4

5 a = cubicSplineCoefficients (x , fx ) ;
6

7 inner_points = 20;
8

9 f o r i =1:n−1
10 x_sp = l i n s p a c e ( x ( i ) , x ( i +1) , i n n e r _ p o i n t s ) ;
11 x i = repmat ( x ( i ) , 1 , i n n e r _ p o i n t s ) ;
12 x i 1 = repmat ( x ( i +1) , 1 , i n n e r _ p o i n t s ) ;
13 y_sp = a ( i , 1 ) ∗( x_sp−x i ) .^ 3 + a ( i , 2 ) ∗( xi1−x_sp ) . ^ 3
+ a ( i , 3 ) ∗( x_sp−x i ) + a ( i , 4 ) ∗( xi1−x_sp ) ;
14

15 hold on ;
16 p l o t ( x_sp , y_sp , ’ b ’ )
17 end
18 s c a t t e r ( x , fx , ’ r ’ ) ;
19

20 end

25
 G Implementação do Método de Newton para
Sistemas Não-Lineares
Implementação do método de Newton em MATLAB para resolver sistemas
não lieares.
1 f u n c t i o n x = SolveNonLinearSystem ( f , x , t o l )
2

4 w h i l e ( norm ( f ( x ) ) > t o l )
5 j = JacobianNum ( f , x ) ;
6 s = g a u s s ( j ,− f ( x ) ) ;
7

8 x = x + s;
9 end
10

11 end

1 f u n c t i o n j = JacobianNum ( f , x )
2

3 n = length (x) ;
4

5 h = 1e −6;
6

7 j = zeros (n) ;
8

9 H = zeros (n , 1 ) ;
10

11 f o r i =1:n
12 H( i ) = h ;
13 j ( : , i ) = ( f ( x + H) − f ( x − H) ) /(2∗ h ) ;
14 H = zeros (n , 1 ) ;
15 end
16

17 end

26