Escolar Documentos
Profissional Documentos
Cultura Documentos
Notas de Aula 1
Notas de Aula 1
Notas de Aulas
1 de junho de 2021
Sumário
1 Revisão de Cálculo 4
1.1 Estudo de funções: Continuidade, Diferenciabilidade e Integração . . . . . . . . . 4
1.1.1 Teorema de Rolle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Teorema do Valor Médio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.3 Teorema do Valor Extremo . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.4 Teorema do Valor Intermediário . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.5 Teorema de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Sistemas Numéricos 9
2.1 Sistemas de numeração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.1 Sistemas Decimal e Binário . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2 Exercı́cios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2
SUMÁRIO 3
Revisão de Cálculo
Suponha que f ∈ C[a, b] e que f seja diferenciável em (a, b). Se f (a) = f (b), então existe um
número c ∈ (a, b) tal que f 0 (c) = 0.
yy
f(x)=y
f(x)=y
f’(x)=y
f’(x)=y
f’(c)=0
f’(c)=0
f(a)=f(b)
f(a)=f(b)
xx
aa cc b
b
Suponha que f ∈ C[a, b] e f seja diferenciável em (a, b), então existe c ∈ (a, b) tal que
f (b) − f (a)
f (c) = .
b−a
4
1.1. ESTUDO DE FUNÇÕES: CONTINUIDADE, DIFERENCIABILIDADE E INTEGRAÇÃO5
yy Retas
Retas paralelas
paralelas
Inclinação
Inclinação f’(c)
f’(c)
f(x)=y
f(x)=y
Inclinação
Inclinação
f(b)-f(a)
f(b)-f(a)
b-a
b-a
xx
aa cc b
b
Se f ∈ C[a, b], então existem c1 , c2 ∈ [a, b] com f (c1 ) ≤ f (x) ≤ f (c2 ), para todo x ∈ [a, b].
Além disso, se f for diferenciável em (a, b), então os números c1 , c2 ocorrem nas extremidades de
[a, b] ou nos pontos para os quais f 0 for zero.
yy
f(x)=y
f(x)=y
xx
aa cc22 cc11 b
b
Se f ∈ C[a, b] e k é qualquer número entre f (a) e f (b), então existe um número c em (a, b)
para o qual f (c) = k.
6 CAPÍTULO 1. REVISÃO DE CÁLCULO
f(x)=y
f(x)=y
yy
f(a)
f(a)
kk
f(b)
f(b)
xx
aa cc b
b
Exemplo 1: Mostre que as seguintes equações possuem pelo menos um zero nos intervalos dados.
Exemplo 2: Mostre que f 0 (x) tem pelo menos um zero no intervalo dado:
π
i) f (x) = 1 − ex + (e − 1) sin x , [0, 1]
2
Suponha que f ∈ C n [a, b], que f (n+1) exista em [a, b] e que x0 ∈ [a, b]. Para todo x ∈ [a, b],
existe um número (x) entre x0 e x com
f 00 (x0 )(x − x0 )2 (x − x0 )n
Pn (x) = f (x0 ) + f 0 (x0 )(x − x0 ) + + · · · + f (n) (x0 )
2! n!
n
X f (i) (x0 )(x − x0 )i
=
i=0
i!
1.1. ESTUDO DE FUNÇÕES: CONTINUIDADE, DIFERENCIABILIDADE E INTEGRAÇÃO7
e
f (n+1) ((x))
Rn (x) = (x − x0 )(n+1)
(n + 1)!
A série infinita obtida pelo limite de Pn (x) quando n → ∞ é chamada Série de Taylor de
f em x0 . No caso de x0 = 0, o polinômio de Taylor é frequentemente chamado polinômio de
Maclaurin e a série de Taylor é geralmente chamada Série de Maclaurin.
Exemplo 3: Considere a função f (x) = cos(x) e x0 = 0. Determine.
0 f 00 (x0 )(x − x0 )2
P2 (x) = f (x0 ) + f (x0 )(x − x0 ) +
2!
Assim, temos
f 0 (x) = − sin(x), f 00 (x) = − cos(x)
cos(0)(x)2 x2
P2 (x) = cos(0) − sin(0)(x) − =1−
2! 2
yy
y=P
y=P22=1-x
=1-x22
2
2
y=cos(x)
y=cos(x)
1
1
−π π
2 2
xx
-π
-π -π
-π
Z 0,1
x3 dx
0
Capı́tulo 2
Sistemas Numéricos
A resolução de problemas envolve várias fases que podem ser estruturadas assim:
Os dados de entrada contêm uma imprecisão inerente, isto é, não há como evitar que ocorram,
uma vez que representam medidas obtidas usando equipamentos especı́ficos, como, por exemplo,
no caso de medidas de corrente e tensão num circuito elétrico.
9
10 CAPÍTULO 2. SISTEMAS NUMÉRICOS
Considere os números (347)10 e (10111)2 . Estes números podem ser assim escritos:
(10111)2 = 1 × 24 + 0 × 23 + 1 × 22 + 1 × 21 + 1 × 20
com 0 ≤ ak ≤ β − 1 e k = 0, 1, 2, 3, · · · , j.
Escrito na forma polinomial:
.
O processo de conversão do número (347)10 para a base binária, temos
347 = 2 × 173 + 1
173 = 2 × 86 + 1
86 = 2 × 43 + 0
43 = 2 × 21 + 1
21 = 2 × 10 + 1
10 = 2 × 5 + 0
5=2×2+1
2=2×1+0
1=2×0+1
2.1. SISTEMAS DE NUMERAÇÃO 11
(347)10 = (101011011)2
a. Sistema ternário: 0, 1, 2
Exemplo: (1022)3 = 1 × 33 + 0 × 32 + 2 × 31 + 2 × 30
b. Sistema quartenário: 0, 1, 2, 3
Exemplo: (301)4 = 3 × 42 + 0 × 41 + 1 × 40
c. Sistema octal: 0, 1, 2, 3, 4, 5, 6, 7
Exemplo: (1353)8 = 1 × 83 + 3 × 82 + 5 × 81 + 3 × 80
d. Sistema Hexadecimal: 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, A, B, C, D, E, F
Exemplo: (E2A)1 6 = E × 162 + 2 × 161 + A × 160
Parte inteira:
Parte fracionada:
xf rac = a−1 β −1 + a−2 β −2 + a−3 β −3 + · · ·
(9)10 = 1 · 23 + 0 · 22 + 0 · 21 + 1 · 20
Um número real entre 0 e 1 pode ter representação finita no sistema decimal, mas representaçao
infinita no sistea binário. No caso geral, seja r um número entre 0 e 1 no sistema deciaml e
(0, d1 d2 d3 · · · dj · · · ) sua representação no sistema binário.
Os dı́gitos d1 , d2 , d3 , · · · , dj , · · · são obtidos através do seguinte algorı́tmo:
k = 1 ⇒ 2r1 = 0, 2 ⇒ d1 = 0 e r2 = 0, 2
k = 2 ⇒ 2r2 = 0, 4 ⇒ d2 = 0 e r3 = 0, 4
k = 3 ⇒ 2r3 = 0, 8 ⇒ d3 = 0 e r4 = 0, 8
k = 4 ⇒ 2r4 = 1, 6 ⇒ d4 = 1 e r5 = 0, 6
k = 5 ⇒ 2r5 = 1, 2 ⇒ d5 = 1 e r6 = 0, 2
k = 6 ⇒ 2r6 = 0, 4 ⇒ d6 = 0 e r7 = 0, 4
k = 7 ⇒ 2r7 = 0, 8 ⇒ d7 = 0 e r8 = 0, 8
k = 8 ⇒ 2r8 = 1, 6 ⇒ d8 = 1 e r9 = 0, 6
..
.
Como vemos, o número (0, 1)10 não tem representação finita em base binária.
2.1. SISTEMAS DE NUMERAÇÃO 13
O fato de um número não ter representação finita no sistema binário pode acarretar a ocorrência
de erros aparentemente inexplicáveis em cálculos efeetuados em sistemas computacionais binários.
Um computador que opera no sistema binário irá armazenar uma aproximação para (0, 1)10 ,
uma vez que possui uma quantidade fixa de posições para guardar os dı́gitos da mantissa de
um número, e esta aproximação será usada para realizar os cálculos. Não se pode, portanto,
esperar um resultado exato.
A conversão de um número em base binária, entre 0 e 1, para base decimal é dada da seguinte
maneira:
r1 = 0, 0001111
k = 1 ⇒ w1 = (1010)2 × r1 = 1, 00011 ⇒ b1 = 1 r2 = 0, 00011
k = 2 ⇒ w2 = (1010)2 × r2 = 0, 1111 ⇒ b2 = 0 r3 = 0, 1111
k = 3 ⇒ w3 = (1010)2 × r3 = 1001, 011 ⇒ b3 = 9 r4 = 0, 011
k = 4 ⇒ w4 = (1010)2 × r4 = 11, 11 ⇒ b4 = 3 r5 = 0, 11
k = 5 ⇒ w5 = (1010)2 × r5 = 111, 1 ⇒ b5 = 7 r6 = 0, 1
k = 6 ⇒ w1 = (1010)2 × r6 = 101 ⇒ b6 = 5 r 2 = 0
2.2 Exercı́cios:
Exercı́cio 2.1. Converta para um número decimal cada um dos seguintes números:
a. (100)2
Solução: (100)2 = 1 × 22 + 0 × 21 + 0 × 20 = (4)10
b. (12)5
c. (100)3
d. (AA)16
e. (7, 1)8
a. (45)8 ⇒ base 2
Solução: (45)8 = 4 × 81 + 5 × 80 = 22 × 23 + (22 + 1) × 1 = 25 + 22 + 20 = (100101)2
b. (21)8 ⇒ base 16
c. (1001)2 ⇒ base 8
d. (1001)2 ⇒ base 16
Capı́tulo 3
– se dk+1 ≥ 5, resulta em 1 + dk ;
π ≈ 3, 14159265 · · ·
15
16 CAPÍTULO 3. ARITMÉTICA DE PONTO FLUTUANTE E ERROS
|x − x ∗ |
com x 6= 0.
|x|
Definição 3.2.2. Um limitante do erro é um número não negativo maior do que o erro absoluto.
Ele é as vezes obtido pelos métodos do cálculo para determinar o valor absoluto máximo de
uma função. Esperamos encontrar o menor limitante superior para o erro para obter uma
estimativa do erro real que seja tão precisa quanto possı́vel.
|x − x ∗ |
≤ 5 × 10−t
|x|
5
Exemplo 3.3.1. Dados os números reais x = 7
e y = 13 , use truncamento, com 5 dı́gitos, para
calcular x ⊕ y, x y e x ⊗ y.
Truncando os valores, temos:
Temos
x ⊕ y = f l(1, 04761 × 100 ) = 0, 10476 × 101
Usando aritmética de ponto flutuante normalizado com arredondamento para 4 dı́gitos, temos que
as raı́zes são:
√ p
b2 − 4ac = (−0, 6210 × 102 )2 − (0, 4 × 101 ) × (0, 1 × 101 ) × (0, 1 × 101 )
p p
= (0.3856 × 104 ) − 0, 4 × 101 = 0, 3852 × 104 = 0, 6206 × 102
−0, 6210 × 102 + 0, 6206 × 102 −0, 4 × 10−1
f l(x1 ) = f l( ) = f l( ) = f l(−0, 002 × 10)
0, 2 × 101 0, 2 × 10
f l(x1 ) = −0, 2 × 10−1
−0, 2 × 10
f l(x1 ) = 2 2
= f l(−0, 1610825 × 10−1 ) = −0, 1611 × 10−1
0, 621 × 10 + 0, 6206 × 10
−2c
x2 = √
b − b2 − 4ac
Porém, a resultante não é satisfatória, pois x2 = −0, 5 × 102 , que gera um erro de aproximanda-
mente 19%.
Exercı́cio 3.1. Usando uma série de Maclaurin de ordem 6 para aproximar a função arco tan-
gente, calcule o erro absoluto e o erro relativo nas seguintes aproximações de π usando o
polinômio em vez da função.
1 1
i) 4 arctan + arctan
2 3
1 1
ii) 16 arctan + 4 arctan
5 239
Utilize 5 dı́gitos significativos e erro de arredondamento.
Capı́tulo 4
Os sı́mbolos (.) e (;) são usados em algoritmos para indicar o término de um passo (etapa) e
separar tarefas dentro de um passo, respectivamente.
Para i = 1, 2, 3, · · · , n
Faça xi = ai + i + h
19
20 CAPÍTULO 4. INTRODUÇÃO A ALGORITMOS E CONVERGÊNCIA
Pn
Exemplo 4.0.1. Algoritmo para calcular i=1 xi
ENTRADA n, x1 , x2 , x3 , · · · , xn .
SAÍDA Sum = ni=1 xi .
P
Alguns algoritmos são estáveis para certos dados iniciais, esses são chamados de algoritmos
condicionalmente estáveis.
Definição 4.1.2. Suponha que em alguma etapa dos cálculos seja introduzido um erro E0 > 0 e
que En represente o módulo do erro após n operações.
10
pn = pn−1 − pn−2 , n = 2, 3, ...
3
4.2. CONVERGÊNCIA 21
1
onde c1 e c2 são constantes arbitrárias e p0 = 1 e p1 = .
3
i) Mostre que n
1
p n = c1 + c2 3n
3
é solução da equação.
ii) Usando aritmética de ponto flutuante normalizado de cinco dı́gitos com arredondamento,
determine os termos de p1 , p2 e p3 . Use c1 = 0, 1 × 101 e c2 = −0, 12500 × 10−5 .
4.2 Convergência
Em geral, os métodos numéricos iterativos são dados por sequências as quais devem conver-
gir para a solução exata, pelo menos é o esperado. Logo usa-se um critério para testar esta
convergência.
lim βn = 0 e lim αn = α.
n→∞ n→∞
|αn − α| ≤ k|βn |,
para n suficientemente grande, então dizemos que αn converge para α com a taxa ou ordem de
convergência O(βn ).
Métodos diretos são aqueles que fornecem a “solução exata” após um número finito de operações.
a11 x1 + a12 x2 + · · · + an xn = b1
a x + a22 x2 + · · · + an xn = b2
21 1
...
...
a x + a x + ··· + a x = b
n1 1 n2 2 nn n n
Ainda,
Ax = b
Ou na forma matricial
A x = b
22
5.1. MÉTODOS DIRETOS 23
.
a11 a12 · · · a1n .. a1,n+1
.
a21 a22 · · · a2n .. a2,n+1
AB =
.. .. .. .. .. ..
. . . . . .
..
an1 an2 · · · ann . an,n+1
aj1
Lj ← Lj − · L1
a11
..
a11 a12 · · · a1n . a1,n+1
..
a22 · · ·
0 a2n . a2,n+1
AB =
.. .. .. .. .. ..
. . . . . .
..
0 0 ··· ann . an,n+1
1
2o x2 = · [a2,n+1 − (a23 ∗ x3 + ... + a2n xn )]
a22
..
.
an,n+1
no xn =
ann
Exemplo 5.1.1.
x1 − 3x2 + 2x3 = 11
−2x1 + 8x2 − x3 = −15
− 6x2 + 5x3 = 29
4x
1
24 CAPÍTULO 5. SOLUÇÃO DE SISTEMAS LINEARES
1 −3 2 x1 11
−2 8 −1 x2 = −15
4 −6 5 x3 29
1 −3 2 | 11
AB = −2 8 1 | −15
4 −6 5 | 29
( −2 8 1 −15 )
−2
L2 ← L2 − · L1 ⇒ + Nova L2 = (0 2 3 7)
1
−6 4
( 2 22 )
( 4 −6 5 29 )
−4
L3 ← L3 − · L1 ⇒ + Nova L3 = (0 6 − 3 − 15)
1
−4 12 −8 −44 )
(
( 0 6 −3 −15 )
6
L3 ← L3 − · L2 ⇒ + Nova L3 = (0 0 − 12 − 36)
2
0 −6 −9 −21 )
(
1 −3 2 | 11
AB = 0 |
2 3 7
0 6 −3 | −15
1 −3 2 | 11
AB = 0 2 3 | 7
0 0 −12 | −36
logo,
−36
x3 = =3
−12
1
x2 = [7 − (3 ∗ x3 )] = −1
2
5.1. MÉTODOS DIRETOS 25
// Criando a funç~
ao Eliminaç~
ao de Gauss x=x(A,b)
function x=Eliminacao_de_Gauss(A,b)
// Determinando o tamanho da Matriz A
[m,n]=size(A)
// Mensagem de erro caso a matriz A n~
ao seja de ordem nxn
if m~=n, then
error(’A matriz A deve ser quadrada’)
end
// Definindo a matrzi aumentada [A b]
Au=[A b]
// A matriz aumentada tem uma coluna a mais que a matriz A, logo n_coluna_Au=n+1
n_coluna_Au = n+1
// Estrutura de repetiç~
ao para realizar a Eliminaç~
ao de Gauss na matriz Au
// k => colunas
for k=1:n-1
// i => linhas
for i=k+1:n
// Definindo os multiplicadores que ser~
ao usados para a eliminaç~
ao.
mult=Au(i,k)/Au(k,k)
// Atualizando as linhas da matrzi Au
Au(i,k:n_coluna_Au)=Au(i,k:n_coluna_Au)-mult*Aug(k,k:n_coluna_Au)
end
end
// Criando o vetor soluç~
ao de zeros que será preenchido
x=zeros(n,1)
// Soluç~
ao x(n)
x(n)=Au(n,n_coluna_Au)/Au(n,n)
// Estrutura de repetiç~
ao para calcular as demais entradas do vetor x
for i=n-1:-1:1
x(i)=(Au(i,n_coluna_Au)-Aug(i,i+1:n)*x(i+1:n))/Aug(i,i)
end
26 CAPÍTULO 5. SOLUÇÃO DE SISTEMAS LINEARES
endfunction
Quando um dos pivôs na eliminação de Gauss é zero, fazemos a troca de linhas, isto é
Lk ↔ Lp
Exemplo 5.1.2.
0.003x + 59, 14x = 59, 17 (L1 )
1 2
5, 291x − 6, 13x = 46, 78 (L2 )
1 2
1ª Solução:
−46, 78 + 5, 291 · x1
L 2 : x2 = (5.1)
6, 13
5, 291x1 − 46, 78
L1 : 0, 003x1 + 59, 14 · = 59, 17 (5.2)
6, 13
312, 90974x1 2766, 5692
0, 003x1 + − = 59, 17 (5.3)
6, 13 6, 13
0, 003x1 + 51.045635x1 − 451.31635 = 59, 17 (5.4)
59, 17 + 451.31635 510.48635
x1 = = = 10 (5.5)
51.048635 51.048635
x1 = 10 (5.6)
−46, 78 + 5, 291 · 10 6, 13
x2 = = =1 (5.7)
6, 13 6, 13
Portanto,
10
x=
1
5, 291
L2 − L1 ⇒ L2 − (1763, 66) · L1
0, 003
5.1. MÉTODOS DIRETOS 27
x2 ∼
= 1, 001
59, 17 − 59, 14(1, 001) ∼
x1 = = −10
0, 003
Portanto,
−10
x∼
=
1.001
// Criando a funç~
ao Eliminaç~
ao de Gauss com pivotamento parcial x=x(A,b)
function x=Eliminacao_de_Gauss_com_Pivotamento(A,b)
disp(A) // Comando para mostrar a matriz "A"
disp(b) // Comando para mostrar o vertor "b"
Au=[A b] // Concatenaç~
ao da matriz "A" com o vetor "b" (Matriz aumentada)
[n h]=size(Au) // n-lindas e h-colunas de "Au"
// Estrutura de repetiç~
ao para iniciar a escolha do piv^
o e eliminaç~
ao
for coluna= 1:n-1
disp("Coluna:") // Coluna que se encontra o cálculo
disp(coluna) // Mostra a coluna
pivo=Au(coluna,coluna) // Primeiro piv^
o
for linha= coluna + 1 : n // Laço para examinar o pivotamento
if abs(Au(linha,coluna))>abs(pivo) then // condicional
Linha_do_pivoteamento = linha // linha do novo piv^
o
28 CAPÍTULO 5. SOLUÇÃO DE SISTEMAS LINEARES
disp("Soluç~
ao do sistema é:")
disp(x’)
endfunction
A fatoração é útil pra resolvermos sistemas lineares do tipo AX = b, onde a matriz A será
desmembrada no produto LU , em que L é uma matriz triangular inferior e U é triangular supe-
rior. Embora nem todas as matrizes tenham este tipo de representação, muitas das que ocorrem
frequentemente no estudo de técnicas numéricas o têm.
Etapas
a. Suponha que A = LU . Então, podemos determinar “x” mais facilmente usando o seguinte
processo.
(b) Uma vez que y seja conhecido, o sistema triangular superior U x = y exige somente
θ(n2 ) operações adicionais para determinar x.
Teorema 5.1. Se a eliminação de Gauss puder ser realizada no sistema Ax = b sem trocas de
linhas, então a matriz A pode ser fatorada no produto de uma matriz triangular inferior L e uma
aij
matriz triangular superior U , A = LU em que mij =
aii
1
a11 a12 · · · a1n
m21 1 −0−
a22 · · ·
a2n
U = L = m31
. ..
−0− ..
. a1n ..
.
a1n
mn1 ··· 1
Exemplo 5.1.3.
x1 + x2 + 3x4 = 8
− x3
2x
1 + x2 + x4 = 7
3x1
− x2 − x3 + 2x4 = 14
−x
+ 2x2 + 3x3 − x4 = −7
1
30 CAPÍTULO 5. SOLUÇÃO DE SISTEMAS LINEARES
1 1 0 3 1 1 0 3
1 −1 1 0 −1 −1 −5
2
A= ∼
3 −1 −1 2 0 −4 −1 −7
−1 2 3 −1 0 3 3 0
a. L2 ∗ → L2 − m21 L1 .
b. L3 ∗ → L3 ∗ − m31 L1 .
c. L4 ∗ → L4 − m41 L1 .
a. L3 ∗∗ → L3 ∗ − m32 L2 ∗ .
b. L4 ∗∗ → L4 ∗ − m342 L2 ∗
A seguir um exemplo de algoritmo da Fatoração LU feito para ser executado pelo programa
Octave.
1 0 0 0 y1 8
Falta fazer
2 1 0 0 y 7
· 2 =
Ly = b ⇒
3 4 1 0 y3 14
−1 −3 0 1 y4 −7
y1 + 0 + 0 + 0 = 8
2y
1 + y2 + 0 + 0 = 7
3y1 + 4y2 + y3 + 0 = 14
−y
− 3y2 + 0 + y4 = −7
1
y1 = 8
y2 = 7 − 2 · 8 = −9
y=
y3 = 14 − [3 · 8 + 4 · (−9)] = 26
y4 = −7 − [−8 − 3 · (−9)] = −26
x1 + x2 + 0 + 3x4 = 8
+ x2 − x3 = −9
0 + 5x4
0 + 0 + 3x3 + 13x4 = 26
− 0 − 13x4 = −26
0 + 0
x = Cx + G
onde:
x → vetor n × 1
C → matriz n × n
x → vetor n × 1
G → matriz n × 1
φ(x) = Cx + G.
Para encontrar a solução do sistema partimos de uma solução inicial (“chute”) x0 , que pode
ser qualquer vetor da mesma ordem da solução, porém existirá alguns critéios de escolha, pois
33
34CAPÍTULO 6. TÉCNICAS ITERATIVAS PARA RESOLUÇÃO DE SISTEMAS LINEARES
k = 0 ⇒ φ(x0 ) = Cx0 + G = x1
k = 1 ⇒ φ(x1 ) = Cx1 + G = x2
k = 2 ⇒ φ(x2 ) = Cx2 + G = x3
..
.
lim xk = x
k→∞
Para um sistema 3 × 3:
a x + a12 x2 + a13 x3 = b1 (1)
11 1
S: a21 x1 + a22 x2 + a23 x3 = b2 (2)
a x + a x + a x =b
31 1 32 2 33 3 1 (3)
O processo inicia isolando as componentes do vetor solução na forma das equações abaixo:
b1 [a12 x2 + a13 x3 ]
(1) x1 = −
a11 a11
b2 [a21 x1 + a23 x3 ]
(2) x2 = −
a22 a22
b3 [a31 x1 + a32 x2 ]
(3) x3 = −
a33 a33
−a12 −a13 b1
0
a11 a11 a11
x1 x1
−a21 −a23 b2
x2 =
0 · x2 +
a22 a22
a22
x3
x3
−a
31 −a32 b3
0
a33 a33 a33
6.1. MÉTODOS ITERATIVOS 35
xk+1
1 x1 k
k+1
= C x2 k + G
x2
xk+1
3 x3 k
x1 1 = Cx1 0 + G
x2 1 = Cx2 0 + G
x3 1 = Cx3 0 + G
x1 2 = Cx1 1 + G
x1 2
2
k = 1 ⇒ x2 = Cx2 + G
2 1 ⇒ X = x2 2
x 2 = Cx 1 + G x3 2
3 3
57 [3x2 k − 2x3 k ]
x1 k+1 = −
10 10
(2) Isolando x2 na 2ª equação
20 [2x1 k + x3 k ]
x2 k+1 = −
8 8
(3) Isolando x3 na 3ª equação
4 [x1 k + x2 k ]
x3 k+1 = − −
5 5
Para k = 0, temos (“chute inicial para a solução”):
0
X0 = 0
0
57 [3 · 0 − 2 · 0]
(1) x1 1 = − = 5, 7
10 10
20 [2 · 0 − 0]
(2) x2 1 = − = 2, 5
8 8
4 [0 + 0]
(3) x3 1 = − − = −0, 8
5 5
5, 7
X 1 = 2, 5
−0, 8
Para k = 1, temos:
57 [3 · (2, 5) − 2 · (−0, 8)]
(1) x1 2 = − = 4, 79
10 10
20 [2 · (5, 7) + 0, 8]
(2) x2 2 = − = 0, 975
8 8
−4 [5, 7 + 2, 5]
(3) x3 2 = − = −2, 44
5 5
4, 79
X 2 = 0.975
−2, 44
6.1. MÉTODOS ITERATIVOS 37
Para k = 2, temos:
4, 9195
X 3 = 0, 9975
−1, 983
Uma boa aproximação para a solução do sistema, calculado por software Octave, é
4, 8187
X = 1, 5547
−2, 0747
|X i − X 3 |
Eri =
|X i |
b1 [a12 x2 k +a13 x3 k ]
(1) x1 k+1 = a11
− a11
No processo, no momento de calcular xj k+1 usamos todos os valores x1 k+1 , x2 k+1 , x3 k+1 , ..., xj−1 k+1
que já foram calculados os valores xj+1 k , ..., xn k restantes.
Exemplo 6.1.2.
10x1 + 3x2 − 2x3 = 57 (1)
S: 2x1 + 8x2 + x3 = 20 (2)
x + x + 5x = −4 (3)
1 2 3
Critério de Parada
Nº de iterações
Tolerância (Erro)
dk
dR k =
max{||xi k ||, 1 ≤ i ≤ n}
Se > 0 , como tolerância, então o processo iterativo para em
dR k <
Exemplo 6.1.3.
10x1 + 2x2 + x3 = 7 (1)
x1 + 5x2 + x3 = −8 (2)
2x + 3x + 10x = 6 (3)
1 2 3
Gauss-Jacobi
– = 5 × 10−1
7 [2x2 k +x3 k ]
(1) x1 k+1 = 10
− 10
x1 1 = 0, 7
x2 1 = −1, 6
x3 1 = 0, 6
0, 7
X 1 = −1, 6
0, 6
7 [2.(−1,6)+0,6]
x1 2 = 10
− 10
= 0, 96
−8 [0,7)+0,6]
x2 2 = 5
− 5
= −1, 86
6 [2(0,7)+3(−1,6)]
x3 2 = 10
− 10
= 0, 94
0.96
X 2 = −1, 86
0, 94
7 [2.(−1,86)+0,94]
x1 3 = 10
− 10
= 0, 9994
−8 [0,96+0,94]
x2 3 = 5
− 5
= −1, 9888
6 [2(0,96)+3(−1,86)]
x3 3 = 10
− 10
= 0, 9984
40CAPÍTULO 6. TÉCNICAS ITERATIVAS PARA RESOLUÇÃO DE SISTEMAS LINEARES
0, 9994
2
X = −1, 9888
0, 9984
6.1.3 Convergência
Ax = b
n
X |aij |
αi =
j=1,j6=i
|aii |
α = max αi
1≤i≤n
x̃ → x
Exemplo 6.1.4.
10 2 1
A= 1 5 1
2 3 10
|2| + |1|
α1 = = 0, 3
|10|
|1| + |1|
α2 = = 0, 4
|5|
|2| + |3|
α3 = = 0, 5
|10|
Portanto,
α = max{0.3, 0.5, 0.4} = 0.5 < 1
Capı́tulo 7
Considere o problema de encontrar a raiz (ou solução) de uma equação da forma f (x) = 0.
Essa raiz também é chamada de zero da função f . Numericamente, iremos utilizar técnicas para
aproximar esse valor.
a1 + b 1
c1 =
2
(a) se f (c1 ) e f (a1 ) têm sinais iguais, então definimos c ∈ [c1 , b1 ] com a2 = c1 e b2 = b1 .
(b) se f (c1 ) e f (a1 ) têm sinais opostos, então definimos c ∈ [a1 , c1 ] com a2 = a1 e b2 = c1 .
Método da Bissecção
Entrada a, b; número máximo de iterações N0 .
Saı́da um zero da função f .
Passo 1 Faça i = 1;
41
42 CAPÍTULO 7. SOLUÇÕES DE EQUAÇÕES COM UMA VARIÁVEL
F A = f (a).
Passo 2 Enquanto i ≤ N0 , execute os Passos 3 a 6.
Passo 3 Faça c = (a + b)/2;
F C = f (c).
Passo 4 Se F C = 0, então
Saı́da c;
senão
Passo 5 Faça i = i + 1.
Passo 6 Se F A ∗ F C > 0, então faça a = c;
FA = FC
senão faça b = c;
Passo 7 Saı́da (”O procedimento falhou”);
Pare.
Exemplo 7.1.1. Use o método da bissecção para determinar uma aproximação da raiz de f (x) =
x3 + 4x2 − 10, no intervalo [1, 2] para 10 iterações.
Solução:
43
Outro ponto que deve ser destacado, são os critérios de parada. No exemplo anterior, foi estabe-
lecido apenas um número de iterações, porém existem outros critérios para interromper o processo
iterativo. Por exemplo, podemos selecionar um tolerância > 0 e gerar x1 , x2 , x2 , · · · , xN até
que uma das condições a seguir seja satisfeita:
|xN − xN −1 |
|xN − xN −1 | < , < , |f (xN )| < . (7.1)
|xN |
Quando um computador é utilizado para gerar aproximações, é boa prática definir um limite
superior para o número de iterações. Isso elimina a possibilidade da ocorrência de um laço infinito,
uma situação que pode ocorrer quando a sequência diverge (e também quando a codificação do
programa é incorreta). Agora vejamos o algoritmo com a tolerância como critério de parada
também.
Método da Bissecção
Entrada a, b; tolerância TOL; número máximo de iterações N0 .
Saı́da um zero da função f .
Passo 1 Faça i = 1;
F A = f (a).
Passo 2 Enquanto i ≤ N0 , execute os Passos 3 a 6.
Passo 3 Faça c = (a + b)/2;
F C = f (c).
Passo 4 Se F C = 0 ou (b − a)/2 < T ol, então
Saı́da c;
senão
Passo 5 Faça i = i + 1.
Passo 6 Se F A ∗ F C > 0, então faça a = c;
FA = FC
7.3. ESTIMATIVA DE NÚMERO DE ITERAÇÕES 45
senão faça b = c;
Passo 7 Saı́da (”O procedimento falhou”);
Pare.
Iremos refazer o exemplo anterior usando como critério de parada um erro relativo inferior a
0.0001
Exemplo 7.2.1. Use o método da bissecção para determinar uma aproximação da raiz de f (x) =
x3 + 4x2 − 10, no intervalo [1, 2], que tenha precisão de pelo menos 10−4 .
b 0 − a0 log(b0 − a0 ) − log()
< ⇒ k ≥
2k log(2)
Exemplo 7.3.1. O zero da função f (x) = x log(x) − 1, no inetrvalo [2, 3] com precisão = 10−2 ,
é aproximado com k ≥ 7, pois:
log(3 − 2) − log(10−2 )
k≥ ≈ 6, 64.
log(2)
Exemplo 7.4.1. Encontrar uma raiz da função f (x) = x3 − 9x + 3, no intervalo I = [0, 1] com
erro = 5 × 10−4 , usando o método da falsa posição. Temos a0 = −0.3979 < 0
O processo para aproximar uma raiz da equação f (x) = 0 é posto da seguinte forma:
Dada a equação f (p) = p, podemos definir funções g como um ponto fixo em p de diversas
formas, exemplo:
f (x) = x − g(x)
terá um zero em p
p = g(p) = p2 − 2 ⇒ 0 = p2 − p − 2 ⇒ p = −1 e p = 2.
i) Se g ∈ C[a, b] e g(x) ∈ [a, b], então g terá um ponto fixo em [a, b].
ii) Além disso, se g 0 (x) existe em (a, b) e existir uma constante k < 1 com |g 0 (x)| ≤ k para todo
x ∈ (a, b), então o ponto fixo em [a, b] será único.
7.5. MÉTODO DO PONTO FIXO 47
P (x1 ) = f (x1 ) = y1
P (x2 ) = f (x2 ) = y2
..
.
i=1:n
Teorema 8.1. Seja f definida em n + 1 pontos distintos no intervalo [a, b] então existe um po-
linômio de grau menor ou igual a n tal que P (xi ) = f (xi )
48
8.2. INTERPOLADOR DE LAGRANGE 49
n
X
P (x) = yk Lk
k=0
onde,
n
Y (x − xj )
Lk (x) =
j=0
(xk − xj )
j6=k
Exemplo 8.2.1.
x0 = 0 → y1 = f (x0 ) = 1, 3
x1 = 0, 5 → y2 = f (x1 ) = 2, 5
x2 = 1 → y3 = f (x2 ) = 0, 9.
Estimar f (0, 8)
(x − x1 )(x − x2 ) (x − 0, 5)(x1 )
L0 (x) = =
(x0 − x1 )(x0 − x2 ) (0 − 0, 5)(0 − 1)
(x − x0 )(x − x2 ) (x − 0)(x − 1)
L1 (x) = =
(x1 − x0 )(x1 − x2 ) (0, 5 − 0)(0, 5 − 1)
(x − x0 )(x − x1 ) (x − 0)(x − 0, 5)
L2 (x) = =
(x2 − x0 )(x2 − x1 ) (1 − 0)(1 − 0, 5)
x2 − 15x + 0, 5
L0 (x) =
0, 5
x2 − x
L1 (x) =
−0, 25
x2 − 0, 5x
L2 (x) =
0, 5
Temos que:
P (x) = y0 L0 + y1 L1 + y2 L2 .
Portanto,
P (x) = 1, 3L0 (x) + 2, 5L1 (x) + 0, 9L2 (x) = −5, 6x2 + 5, 2x + 1, 3
Logo,
f (0.8) = P (0, 8) = 1, 8760
Teorema 8.2. Seja f (x) definida em (n+1) pontos distintos e diferenciável em [a, b]. Se P(x)
50 CAPÍTULO 8. INTERPOLAÇÃO E APROXIMAÇÃO POLINOMIAL
ϕ(x) n+1
E(x) = f (x) − p(x) = f (ξ)
n+1
em que
n
Y
ϕ(x) = (x − xi )
i=0
Exemplo 8.3.1.
x0 = 0, 5 → y0 = f (x0 ) = 1, 62
x1 = 0, 6 → y1 = f (x1 ) = 1, 82
x2 = 0, 7 → y2 = f (x2 ) = 2, 01
x3 = 0, 8 → y3 = f (x3 ) = 2, 23
x4 = 0, 9 → y4 = f (x4 ) = 2, 46
x5 = 1, 0 → y5 = f (x5 ) = 2, 72
(1) f (x) = 2
x → y = f (x)
x0 = 0, 6 → y0 = f (x0 ) = 1, 82
x1 = 0, 7 → y1 = f (x1 ) = 2, 01
Onde,
P (x) ∼
= f (x) = y0 ∗ L0 + y1 ∗ L1
8.4. FORMA DE NEWTON-GREGORY PARA O POLINÔMIO INTERPOLADOR 51
x = x0 ∗ L0 (y) + x1 ∗ L1 (y)
(y − y1 ) (y − 2, 01) (y − 2, 01)
L0 (y) = = =
y0 − y1 1, 82 − 2, 01 (−0, 19)
(y − 1, 82) (y − 1, 82)
L1 (y) = =
2, 01 − 1, 82 0, 19
(y − 2, 01) (y − 1, 82)
x = x0 ∗ L0 + x1 ∗ L1 = (0, 6) ∗ + (0, 7) ∗
(−0, 19) (0, 19)
x = −3, 1578y + 6, 3473 + 3, 6842y − 6, 7052
x = 0, 5264y − 0, 3579
Logo,
⇒ 0, 5264 · (2) − 0, 3579 = 0, 6929
Definição 8.4.1. Seja f(x) uma função contı́nua no intervalo [a,b] e sejam x0 , x1 , ...,xn os
(n+1) pontos de [a,b] que se sucedem com passo h, isto é xj = x0 + h. Chamamos de operador de
diferenças ordinárias:
∆0 f (x) = f (x)
∆1 f (x) = ∆0 f (x + h) − ∆0 f (x)
∆2 f (x) = ∆1 f (x + h) − ∆1 f (x)
..
.
Desde que conhecemos f (x) e seu valores sejam conhecidos em x0 , x1 , ...,xn podemos construir
uma tabela de diferenças ordinárias:
Teorema: Seja f(x) uma função contı́nua e diferenciável em um intervalo [a,b].
Sejam x0 , x1 , ...,xn os (n + 1) pontos distintos e igualmente em [a, b]. Então:
52 CAPÍTULO 8. INTERPOLAÇÃO E APROXIMAÇÃO POLINOMIAL
∆n f (xn )
f [x0 , x1 , ..., xn ] =
n!hn
Exemplo 8.4.1.
x → f (x) = y
x0 = 1 → y0 = f (x0 ) = 0, 0000
x1 = 2 → y1 = f (x1 ) = 0, 6931
x2 = 3 → y2 = f (x2 ) = 1, 0986
x3 = 4 → y3 = f (x3 ) = 1, 3863
1, 0986 − 0, 6931
P1 (x) = 0, 6931 + (x − 2)
3−2
Portanto,
P1 (x) = 0, 4055x − 0, 1179
8.4. FORMA DE NEWTON-GREGORY PARA O POLINÔMIO INTERPOLADOR 53
x
Exemplo 8.4.2. Seja f (x) = x+1
com
x → f (x) = y
x0 = 0 → y0 = f (x0 ) = 0
1
x1 = 1 → y1 = f (x1 ) =
2
2
x2 = 2 → y2 = f (x2 ) =
3
Determine: f (1, 3) e P2 (1, 3). Determine o erro relativo entre f(1,3) - P(1,3)
∆0 ∆1 ∆2
1 −1
0 0 2 3
1 12 1
6
2 23
Temos,
∆1 f (x0 ) ∆2 f (x0 )
P2 (x) = ∆0 f (x0 ) + (x − x0 ) + (x − x 0 )(x − x 1 )
1!h1 2!h2
1 −1
P2 (x) = 0 + (x − 0) + (x − 0)(x − 1)
2 6
x x − x2
P2 (x) = +
2 6
2 1
P2 (x) = x − x2
3 6
P2 (1, 3) = 0, 586
e
1, 3
f (1, 3) = = 0, 5652
1, 3 + 1
Logo, o erro relativo será:
x−x ∼
Er = = 2%
x
Caso discreto
xi → f (xi )
x1 → f (x1 )
x2 → f (x2 )
x3 → f (x3 )
..
.
xn → f (xn )
Problema
Critério
Definimos e(xi )=f (xi )–g(xi ) como o erro ou desvio cometido em uma operação “i”. Desse
modo, desejamos que
e(xi ) → 0
Tarefa
- Implementar/Resolver o método dos mı́nimos quadrados.
- Usar Scilab/Matlab.
- Plotar gráficos: Solução e pontos discretos.
- Usar a tabela.
B(1,i) , B(2,i)
B=
xi -2 -1 0 1 2 3
yi 19,01 3,99 -1 4,01 18,99 45
Caso 1:
f (x) ∼
= g(x) = ax + b → g(x) = ag1 (x) + bg2 (x)
f (x) ∼
= ax + b
g1 (x) = x; g2 (x) = 1
Caso 2:
f (x) ∼
= g(x) = ax2 + bx + c
xi 0 1 2 3 4
fi 0,98 -3,01 -6,99 -11,01 -15
Exemplo 8.5.1.
4
X
i) xi = 10
i=0
56 CAPÍTULO 8. INTERPOLAÇÃO E APROXIMAÇÃO POLINOMIAL
4
X
ii) x2i = 30
i=0
4
X
iii) f ixi = −110, 02
i=0
4
X
iv) f i = −35, 03
i=0
10a + 30a = −110, 02
2 1
5a + 10a = −35, 03
2 1
a1 = −3, 996x
a2 = 0, 986
Reta: r1 : −3, 996x + 0, 986
4
X 4
X
e2i = (f i − gi)2
i=0 i=0