Baixe o app para aproveitar ainda mais
Prévia do material em texto
𝑖=1 𝑖=1 Curso: Engenharia Elétrica Alunos: Fúlvio Caed Carvalho da Silva e Giovanna Pereira Martins Disciplina: Cálculo Numérico Nº Matrícula: 2015070116 e 1815070054 Prof. Msc. Hiram Carlos Costa Amaral Turma: EET04_T01 Avaliação: Lista 2 Semestre: 2021/2 Período: 4 Data: 10/05/2022 Nota: 𝑛 𝐸 = ∑[𝑦𝑖 − (𝑎1𝑥𝑖 + 𝑎0)]² 𝑖=1 𝑛 ∑𝑛 𝑥𝑖𝑦𝑖 − (∑𝑛 𝑥𝑖)(∑𝑛 𝑦𝑖) 𝑎1 = 𝑖=1 𝑖=1 𝑖=1 𝑛 𝑖=1 𝑥²𝑖 − (∑ 𝑛 𝑥𝑖)² (∑𝑛 𝑥²𝑖)(∑𝑛 𝑦𝑖) − (∑𝑛 𝑥𝑖𝑦𝑖)(∑𝑛 𝑥𝑖) 𝑎0 = 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑛 𝑖=1 𝑥²𝑖 − (∑ 𝑛 𝑥𝑖)² 𝑛 𝑛 𝑛 𝑛 𝑛 ∑ 𝑥𝑖𝑦𝑖 = ; ∑ 𝑥𝑖 = ; ∑ 𝑦𝑖 = ; ∑ 𝑥²𝑖 = ; (∑ 𝑥𝑖)² = ; 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 5.1 Com base no seguinte conjunto de dados: x 1 2,5 3 4 4,5 6,5 7,5 y 3,5 4 5 5,5 6 7 7,5 (a) Use a regressão linear por mínimos quadrados para determinar os coeficientes m e b da função y = mx + b que melhor se ajusta aos dados. 𝑛 𝑛 𝑛 𝑛 𝑛 2 ∑ 𝑥𝑖𝑦𝑖 = 179,25 ∑ 𝑥𝑖 = 29 ∑ 𝑦𝑖 = 38,5 ∑ 𝑥²𝑖 = 151 (∑ 𝑥𝑖) = 841 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑎1 = 7𝑥179,25 − 29𝑥38,5 7𝑥151 − 841 𝑎1 = 0,640046 𝑎0 = 151𝑥38,5 − 179,25𝑥29 7𝑥151 − 841 𝑎0 = 2,848379 A partir desses cálculos, a equação que melhor se ajusta aos dados é: 𝑛 ∑ 𝑛 ∑ y = 0,640046x + 2,848379 (b) (b) 𝑛 𝐸 = ∑[𝑦𝑖 − (𝑎1𝑥𝑖 + 𝑎0)]² = 0,359086 𝑖=1 Portanto, o erro global será 0,359086. 5.2 Com base no seguinte conjunto de dados: x -3,5 -2,5 -0,5 0 1 2,5 3 y 7,5 6 2,5 1 0 -2,5 -4,5 (a) Use a regressão linear por mínimos quadrados para determinar os coeficientes m e b da função y = mx + b que melhor se ajusta aos dados. 𝑛 𝑛 𝑛 𝑛 𝑛 2 ∑ 𝑥𝑖𝑦𝑖 = -62,25 ∑ 𝑥𝑖 = 0 ∑ 𝑦𝑖 = 10 ∑ 𝑥²𝑖 = 35 (∑ 𝑥𝑖) = 0 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑎1 = 7𝑥(−62,25) − 0𝑥10 7𝑥35 − (0)² 𝑎1 = −1,778571 𝑎0 = 35𝑥10 − (−62,25)𝑥0 7𝑥35 − (0)² 𝑎0 = 1,428571 A partir destes dados, temos que o valor da função será indeterminado. (b) 𝑛 𝐸 = ∑[yi − (𝑎1ixi + 𝑎0)]² 𝑖=1 E = 0,000003 Portanto, o erro global será 0,000003. 5.3 Os dados a seguir fornecem a população aproximada do mundo em anos selecionados de 1850 até 2000. Ano (x) 925 950 975 990 1000 População (Bilhões) (y) 0,65 0,8 1,5 2,2 3 Ano (x) 925 950 975 990 1000 Y(ln(p)) 20,2925 20,5001 21,1287 21,5117 21,8219 Assuma que o crescimento da população possa ser modelado por uma função exponencial 𝑝 = 𝑏𝑒𝑚𝑋, onde x é o ano e p é a população em bilhões. Linearize essa função (Seção 5.3) e use a regressão linear por mínimos quadrados para determinar as constantes b e m para as quais a função fornece o melhor ajuste para os dados. Use essa equação para estimar a população em 1970. (a) Linearizando a equação e usando a regressão linear por mínimos quadrados para determinar os coeficientes m e b da função y = mx + b temos: 𝑝 = 𝑏𝑒𝑚𝑋 → 𝑙𝑛(𝑦) = 𝑚𝑥 + 𝑙𝑛(𝑏) 𝑌 = 𝑙𝑛(p), 𝑋 = 𝑥 , 𝑎1 = 𝑚 , 𝑎0 = 𝑙𝑛(𝑏) 𝑛 𝑛 𝑛 ∑ 𝑥𝑖𝑦𝑖 = 101964,6596 ∑ 𝑥𝑖 = 4840 ∑ 𝑦𝑖 = 105,255 𝑖=1 𝑛 𝑖=1 𝑛 𝑖=1 2 ∑ 𝑥²𝑖 = 4688850; (∑ 𝑥𝑖) = 23425600 𝑖=1 𝑖=1 𝑎1 = 5𝑥101964,6596 − 4840𝑥105,255 5𝑥4688850 − 23425600 𝑎1 = 0,020863 𝑎0 = 4688850𝑥105,255 − 101964,6596𝑥4840 5𝑥4688850 − 23425600 𝑎0 = 0,8554576 A partir desses cálculos, a equação que melhor se ajusta aos dados é: y = 0,020863x + 0,8554576 Então, a equação da regressão linear é y = 0,020863 + 0,8554576. Substituindo y = ln (p) temos: ln(p) = (0,020863)x + 0,8554576, ou: p = e(0,020863)X + 0,8554576 = e(0,020863)X ∙ e 0,8554576 = (1,0211)e(0,020863)X na qual está na forma p = bemX, com b = 1,0211 e m = 0,020863 A população para os anos de 1970: ln(p) = (1,0211)e(0,020863)∙1970 = 1026,9696 5.4 Com base no seguinte conjunto de dados: x -0,1 -0,05 0,1 0,35 0,65 y 2,6 1,5 0,3 0,2 0,1 Determine os coeficientes m e b da função 𝑦 = 1 𝑚𝑥+𝑏 que melhor se ajusta aos dados (linearize a equação (Seção 5.3) e use a regressão linear por mínimos quadrados para determinar o valor dos coeficientes). 1 = 𝑚𝑥 + 𝑏 𝑦 1 𝑌 = 𝑦 , 𝑋 = 𝑥, 𝑎1 = 𝑚, 𝑎0 = 𝑏, (a) Use a regressão linear por mínimos quadrados para determinar os coeficientes m e b da função y = mx + b que melhor se ajusta aos dados. 𝑛 𝑛 𝑛 𝑛 𝑛 2 ∑ 𝑥𝑖𝑦𝑖 = 8,511538 ∑ 𝑥𝑖 = 0,95 ∑ 𝑦𝑖 = 19,3846 ∑ 𝑥²𝑖 = 0,5675 (∑ 𝑥𝑖) = 0,9025 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑎1 = 5𝑥8,511538 − 0,95𝑥19,3846 5𝑥0,5675 − 0,9025 𝑎1 = 12,476651 𝑎0 = 0,5675𝑥4,7 − 8,511538𝑥0,95 5𝑥0,5675 − 0,9025 𝑎0 = −2,800367 A partir desses cálculos, a equação que melhor se ajusta aos dados é: Y =12,476651 x -2,800367 Com m = 𝑎1 = 12,476651 e b = 𝑎0 = −2,800367. 5.5 Com base no seguinte conjunto de dados: x 0,5 1,5 2,5 3,5 5 y 1,1 2,5 2,75 3,05 3,3 Determine os coeficientes m e b da função 𝑦 = 𝑚𝑥 𝑏+𝑥 que melhor se ajusta aos dados (linearize a equação (Seção 5.3) e use a regressão linear por mínimos quadrados para determinar o valor dos coeficientes). 1 𝑏 1 1 = + 𝑦 𝑚 𝑥 𝑚 1 1 𝑏 1 𝑌 = 𝑦 , 𝑋 = 𝑥 , 𝑎1 = 𝑚 , 𝑎0 = 𝑚 , (a) Use a regressão linear por mínimos quadrados para determinar os coeficientes m e b da função y = mx + b que melhor se ajusta aos dados. 𝑛 𝑛 𝑛 ∑ 𝑥𝑖𝑦𝑖 = 2,384585 ∑ 𝑥𝑖 = 3,552380 ∑ 𝑦𝑖 = 2,303626 𝑖=1 𝑛 𝑖=1 𝑛 2 𝑖=1 ∑ 𝑥²𝑖 = 4,726077 (∑ 𝑥𝑖) = 12,619410 𝑖=1 𝑖=1 𝑎1 = 5𝑥2,384585 − 3,552380𝑥2,303626 5𝑥4,726077 − 12,619410 𝑎1 = 0,339622 𝑎0 = 4,726077𝑥2,303626 − 2,384585𝑥3,552380 5𝑥4,726077 − 12,619410 𝑎0 = 0,219432 A partir desses cálculos, a equação que melhor se ajusta aos dados é: y =𝟎, 𝟑𝟑𝟗𝟔𝟐𝟐 x +𝟎, 𝟐𝟏𝟗𝟒𝟑𝟐 Para m temos; M = 1/a0 = 4,5573 E para b = a1 x m: b = 1,5477 5.6 Para medir g (a aceleração da gravidade), realiza-se o experimento a seguir. Uma bola é solta do topo de um edifício de 30 m de altura. À medida que o objeto vai caindo, sua velocidade v vai sendo medida em várias alturas por sensores presos ao edifício. Os dados medidos no experimento são fornecidos na tabela. x (m) 0 2,5 5 7,5 10 12,5 v (m/s) 0 4,925 7,16 8,815 9,67 11,205 Em termos das coordenadas mostradas na figura (positivo para baixo), a velocidade da bola em função da distância x é dada por v² = 2gx. Usando a regressão linear, determine o valor experimental de g. onde 𝑦 = 2𝑔𝑥 + 0 𝑌 = 𝑉², 𝑋 = 2𝑥, 𝑎1 = 𝑚 = 𝑔, 𝑎0 = 𝑏 = 0, De acordo com o enunciado, temos que v² = 2gx. Tal equação deve ser linearizada da forma y=ax, onde a é a aceleração da gravidade que desejamos encontrar. Pelo método dos mínimos quadrados, temos que 𝑛 𝑛 𝑛 ∑ 𝑥𝑖𝑦𝑖 = 6808,476125 ∑ 𝑥𝑖 = 75 ∑ 𝑦𝑖 = 372,286375 𝑖=1 𝑛 𝑖=1 𝑛 𝑖=1 2 ∑ 𝑥²𝑖 = 1375 (∑ 𝑥𝑖) = 5625 𝑖=1 𝑖=1 𝑎1 = 6𝑥6808,476125 − 75𝑥372,286375 6𝑥1375 − 5625 𝑎1 = 4,925477x A partir desses cálculos, a equação que melhor se ajusta aos dados é: y = 4,93x 5.7 A pressão atmosférica p em função da altura h pode ser modelada por uma função exponencial na forma 𝑝 = 𝑏𝑒−𝑚ℎ. Os valores a seguir correspondem à pressão medida em diferentes alturas. Usando a regressão linear, determine as constantes m e b que fazem o melhor ajuste dos dados. Use a equação para estimar a pressão atmosférica em uma altura de 7000 m h (m) 0 2500 5000 7500 10000 p (Pa) 50000 23750 11300 5400 2550 Linearizando a equação e usando a regressão linear por mínimos quadrados para determinar os coeficientes m e b da função y = mx + b temos: 𝑝 = 𝑏𝑒𝑚𝑋 → 𝑙𝑛(𝑦) = 𝑚𝑥 + 𝑙𝑛(𝑏) 𝑌 = 𝑙𝑛(𝑝), 𝑋 = ℎ , 𝑎1 = 𝑚 , 𝑎0 = 𝑙𝑛(𝑏) 𝑛 𝑛 𝑛 ∑ 𝑥𝑖𝑦𝑖 = 214745,777672 ∑ 𝑥𝑖 = 25000 ∑ 𝑦𝑖 = 46,665667 𝑖=1 𝑛 𝑖=1 𝑛 𝑖=1 2 ∑ 𝑥²𝑖 = 187500000; (∑ 𝑥𝑖) = 625000000𝑖=1 𝑖=1 𝑎1 = 5𝑥214745,777672 − 25000𝑥46,665667 5𝑥187500000 − 625000000 𝑎1 = −0,0002973 𝑎0 = 187500000𝑥46,665667 − 214745,777672𝑥25000 5𝑥187500000 − 625000000 𝑎0 = 10,819738 A partir desses cálculos, a equação que melhor se ajusta aos dados é: y = ‒0,0002973x ‒ 10,819738 onde: m = -a1 = 0,0002973; b = e𝑎0 = 49997,9858 A regressão linear para p será: p = 49997,9858 ∙ e−0,0002973∙h Para estimar a pressão atmosférica em uma altura de 7000 m de acordo com a equação acima, temos: 𝑝 = 49997,9858 ∙ e−0,0002973∙7000 p = 6,997 Pa 5.8 No processo de fabricação de fibras eletroforéticas, o diâmetro da fibra d está relacionado à corr ente I. Os I (nA) 10−9 150 150 175 200 200 250 250 325 325 d (μm) 10−6 11 13 13,5 15 17 16,5 16,75 18,5 21 i i seguintes dados são medidos durante a produção: A relação entre a corrente e o diâmetro pode ser modelada com uma equação na forma 𝑑 = 𝑎 + 𝑏√𝐼. Use os dados para determinar as constantes a e b que fazem o melhor ajuste dos dados. onde 𝑑 = 𝑎 + 𝑏√𝐼 → 𝑌 = 𝑎1𝑋 + 𝑎0 𝑌 = 𝑑, 𝑋 = √𝐼, 𝑎1 = 𝑏, 𝑎0 = 𝑎, De acordo com o enunciado, temos que 𝑑 = 𝑎 + 𝑏√𝐼. Tal equação deve ser linearizada da forma 𝑌 = 𝑎1𝑋 + 𝑎0. Pelo método dos mínimos quadrados, temos que 𝑛 𝑛 𝑛 ∑ 𝑥𝑖𝑦𝑖 = 2162,9 ∑ 𝑥𝑖 = 133,686 ∑ 𝑦𝑖 = 142,25 𝑖=1 𝑛 𝑖=1 𝑛 𝑖=1 2 ∑ 𝑥²𝑖 = 2025 (∑ 𝑥𝑖) = 17872,004 𝑖=1 𝑖=1 𝑎1 = 9𝑥2162,9 − 133,686x142,25 9𝑥2025 − 17872,004 𝑎1 = 1,273 𝑎0 = 2025𝑥142,25 − 2162,9 ∙ 𝑥133,686 9𝑥2025 − 17872,004 𝑎0 = −3,097 A partir desses cálculos, a equação que melhor se ajusta aos dados é: y = 1,273X − 3,097 5.9 Determine os coeficientes do polinômio 𝑦 = 𝑎2𝑥² + 𝑎1𝑥 + 𝑎0 que fazem o melhor ajuste dos dados fornecidos no Problema 5.5 x 0,5 1,5 2,5 3,5 5 y 1,1 2,5 2,75 3,05 3,3 O ajuste da curva desses pontos de dados com o polinômio de segunda ordem é feito por regressão polinomial. Os valores dos três coeficientes, e são determinados resolvendo um sistema de três equações lineares, dessa forma: n n n na0 + (∑ xi) a1 + (∑ x2) a2 = ∑ yi i=1 n n i=1 n i=1 n (∑ xi) a0 + (∑ x²i) a1 + (∑ x3) a2 = ∑ xi yi i=1 i=1 i=1 i=1 n n n n (∑ x²i) a0 + (∑ x3) a1 + (∑ x4) a2 = ∑ x²i yi i=1 i i=1 i i=1 i=1 Calculando os somatórios que faltam, temos: clear all; clc; % Step 1 x=[0.5 1.5 2.5 3.5 5]; y=[1.1 2.5 2.75 3.05 3.3]; n=length(x); m=4; % Step 2 for i=1:m xsum(i)=sum(x.^(i)); end % Step 3 % First row of matrix [X] and first element of column vector [Y] X(1,1)=n; Y(1,1)=sum(y); for j=2:(m-1) X(1,j)=xsum(j-1); end % Rows 2 and 3 of matrix [X] and column vector [Y] for i=2:(m-1) for j=1:(m-1) X(i,j)=xsum(j+i-2); end Y(i,1)=sum(x.^(i-1).*y); end % Step 4 a=X\Y com isso, a função retorna o seguinte valor: a = 0,6770 1,2148 -0,1408 O polinômio de segunda ordem que melhor se ajusta aos dados é y = (-0,1408)x² +1,2148x + 0,6770a0 5.10 Usando o método dos mínimos quadrados (Seção 5.8), faça o ajuste dos dados a seguir usando a combinação de uma linha reta, 𝑠𝑒𝑛 𝑥 𝑒 𝑒𝑥. x 0,05 0,2 0,25 0,35 0,35 0,45 y 0,305 0,46 0,485 0,76 0,735 1,015 Na notação da Eq. (5.91) a função de aproximação éF(x) = C1f1(x) + C2f2(x) + C3f3(x), onde f1(x) = ex, f2(x) = sinx e f3(x) = Ax + B . Como A e B são constantes, a função de aproximação pode ser escrito como, éF(x) = C1f1(x) + C2f2(x) + C3f3(x) + C4f4(x)onde C4f4(x) = 1. A equação, portanto, tem quatro termos m = 4, então, e há seis pontos de dados, então n = 6. I I Substituindo essas informações na Eq. (5.97) fornece o seguinte sistema de quatro equações lineares para: C1, C2, C3, C4: 6 6 6 6 6 ∑ C1e2Xi + ∑ C2exisinxi + ∑ C3xiexi + ∑ C4exi = ∑ yiexi i=1 i=1 i=1 i=1 i=1 6 6 6 6 6 ∑ C1exi sinxi + ∑ C2(sinxi)² + ∑ C3xisinxi + ∑ C4sinxi = ∑ yisinxi i=1 6 i=1 6 i=1 6 i=1 6 i=1 6 ∑ C1xiexi + ∑ C2xisinxi + ∑ C3x²i + ∑ C4xi = ∑ yixi i=1 6 i=1 6 i=1 6 i=1 6 i=1 6 ∑ C1exi + ∑ C2sinxi + ∑ C3xi + ∑ C4 = ∑ yi i=1 i=1 i=1 i=1 i=1 Essas equações podem ser reescritas em forma de matriz: 6 𝖥 ∑ C e 6 ∑ C exisinx 6 ∑ C3xiexi 6 ∑ C4exi 1 6 𝖥 ∑ y exi 1 I 1 Ii=1 2 i=1 i i=1 I i=1 I I i I I i=1 I I 6 6 6 6 I I 6 I I ∑ exi sinxi ∑ exisinxi ∑ xiexi ∑ exi I C1 I∑ yisinxiI I i=1 i=1 i=1 i=1 I [ C2] = Ii=1 I I 6 6 6 6 I C3 I 6 I I ∑ exi sinxi ∑ xisinxi ∑ x²i ∑ sinxi I C I ∑ yixi I I i=1 I 6 i=1 6 i=1 6 i=1 I I i=1 I I I 6 I I ∑ exi ∑ sinxi ∑ xi 1 I I ∑ yi I [ i=1 i=1 i=1 ] [ i=1 ] Resolvendo a matriz no MATLAB, temos: clear all; clc; x=[0.05 0.2 0.25 0.35 0.35 0.45]; y=[0.305 0.46 0.485 0.76 0.735 1.015]; n=length(x); % Define the matrix [X] X(1,1)=sum(exp(2.*x)); X(1,2)=sum(exp(x).*sin(x)); X(1,3)=sum(x.*exp(x)); X(1,4)=sum(exp(x)); X(2,1)=X(1,2); X(2,2)=sum((sin(x)).^2); X(2,3)=sum(x.*sin(x)); X(2,4)=sum(sin(x)); X(3,1)=X(1,3); X(3,2)=X(2,3); X(3,3)=sum(x.^2); 2Xi 4 X(3,4)=sum(x); X(4,1)=X(1,4); X(4,2)=X(2,4); X(4,3)=X(3,4); X(4,4)=1; % Define the vector [Y] Y(1,1)=sum(y.*exp(x)); Y(2,1)=sum(y.*sin(x)); Y(3,1)=sum(y.*x); Y(4,1)=sum(y); % Solve for [C] Para abrir o programa: C = X\Y E o valor de saída será: C = 0.2623 -26.6925 27.1685 0.00001 Assim, a equação que melhor se ajusta aos dados é: 𝐹(𝑥) = 0,5314𝑒𝑥 − 26,6925 + 27,1685 + 0,00001. 5.11 A economia de um carro (km/litro) varia com sua velocidade. Em um experimento, são feitas as cinco medições a seguir. Velocidade (km/h) 8 20 32 44 56 Economia (km/litro) 2,1 4,6 5 5,35 4,3 Determine o polinômio de Lagrange de quarta ordem que passa pelos pontos. Use esse polinômio para calcular a economia de combustível a 105 km/h. Solução: O polinômio de Lagrange é dado por: n n n (x − xj) 𝑓(𝑥) = ∑ yiLi(𝑥) = ∑ yi 𝖦 (x − x ) i=1 i=1 j=1 e j≠1 i j Aqui, a economia de combustível é ye a velocidade é x. Desse modo y(x) = y1L1(x) + y2L2(x) + y3L3(x) + y4L4(x) + y5L5(x) onde (x − 20)(x − 32)(x − 44)(x − 56) L1(x) = (8 − 20)(8 − 32)(8 − 44)(8 − 56) = (x − 8)(x − 32)(x − 44)(x − 56) (x − 20)(x − 32)(x − 44)(x − 56) 497664 (x − 8)(x − 32)(x − 44)(x − 56) L2(x) = (20 − 8)(20 − 32)(20 − 44)(20 − 56) = − 124416 (x − 8)(x − 32)(x − 44)(x − 56) L3(x) = (32 − 8)(32 − 20)(32 − 44)(32 − 56) = (x − 8)(x − 20)(x − 32)(x − 56) (x − 8)(x − 32)(x − 44)(x − 56) 82944 (x − 8)(x − 20)(x − 32)(x − 56) L4(x) = (44 − 8)(44 − 20)(44 − 32)(44 − 56) = − 124416 (x − 8)(x − 20)(x − 32)(x − 44) L5(x) = (56 − 8)(56 − 20)(56 − 32)(56 − 44) = Dessa forma, o polinômio de 4º ordem é: (x − 8)(x − 20)(x − 32)(x − 44) 497664 y(x) = (x − 20)(x − 32)(x − 44)(x − 56) − 497664 (x − 8)(x − 32)(x − 44)(x − 56) 124416 (x − 8)(x − 32)(x − 44)(x − 56) + − 82944 (x − 8)(x − 20)(x − 32)(x − 44) + 497664 (x − 8)(x − 20)(x − 32)(x − 56) 124416 Avaliando o polinômio em x = 105 km/h 2,1(105 − 20)(105 − 32)(105 − 44)(105 − 56) 𝑦(𝑥) = 497664 4,6(105 − 8)(105 − 32)(105 − 44)(105 − 56) − 124416 5(105 − 8)(105 − 32)(105 − 44)(105 − 56) + 82944 5,35(105 − 8)(105 − 20)(105 − 32)(105 − 56) − 124416 4,3(105 − 8)(105 − 20)105 − 32)(105 − 44) + = 497664 y(x) = −379,4km/litro 5.12 Determine o polinômio interpolador de Newton de quarta ordem que passa pelos pontos dados no Problema 5.11. Use esse polinômio para calcular a economia de combustível a 48 km/h. x y 8 2,1 4,6 -2,1 = 2,5 = 5 20 - 8 12 24 0,4 - 2,5 2,1 20 4,6 12 12 = - 12 = −0,0073 32 - 8 24 5 -4,6 = 0,4 −0,000174−(−0,0073) = 0,007126 = 1,979 × 10−4 32 - 20 12 0,35 - 0,4 0,05 - 44 - 8 36 −1,301×10−4−1,979×10−432 5 12 12 = 12 = −0,000174 = −7,454 × 10−6 44 - 20 24 5,35-5 = 0,35 56 - 8 −0,00486−(−0,000174) = −1,301 × 10−4 44-32 12 56 - 20 1,05 0,35 1,4 44 5,35 - 12 - 12 56 - 32 = - 12 = −0,00486 24 4,3 - 5,35 = - 1,05 56 - 44 12 56 4,3 Dessa forma, o polinômio é: y(x) = 2,1 + 5 (x − 8) − 0,0073(x − 8)(x − 20) + (1,979 × 10−4)(x − 8)(x − 20)(x 24 − 32) − (7,454 × 10−6)(x − 8)(x − 20)(x − 32)(x − 44) `Para o valor do polinômio em x = 48 km/h: y(x) = 2,1 + 5 (48 − 8) − 0,0073(48 − 8)(48 − 20) + (1,979 × 10−4)(48 − 8)(48 24 − 20)(48 − 32) − (7,454 × 10−6)(48 − 8)(48 − 20)(48 − 32)(48 − 44) y(x) = 5,269 km/h 5.13 Com base no seguinte conjunto de dados: x 0,5 1,25 1 1,5 2 2,5 y 0,5 3,5 2,5 4 1 0,5 (a) Escreva o polinômio de Lagrange que passa pelos pontos e então use-o para calcular o valor interpolado de y em x = 3,5. Solução (𝑥 − 1,25)(𝑥 − 1)(𝑥 − 1,5)(𝑥 − 2)(𝑥 − 2,5) 𝑓(𝑥) = (0,5 − 1,25)(0,5 − 1)(0,5 − 1,5)(0,5 − 2)(0,5 − 2,5) 0,5 (x − 0,5)(𝑥 − 1)(𝑥 − 1,5)(𝑥 − 2)(𝑥 − 2,5) + (1,25 − 0,5)(1,25 − 1)(1,25 − 1,5)(1,25 − 2)(1,25 − 2,5) 3,5 (x − 0,5)(x − 1,25)(x − 1,5)(x − 2)(x − 2,5) + (1 − 0,5)(1 − 1,25)(1 − 1,5)(1 − 2)(1 − 2,5) 2,5 (x − 0,5)(x − 1,25)(x − 1)(x − 2)(x − 2,5) + (1,5 − 0,5)(1,5 − 1,25)(1,5 − 1)(1,5 − 2)(1,5 − 2,5) (x − 0,5)(x − 1,25)(x − 1)(x − 1,5)(x − 2,5) + 1 (2 − 0,5)(2 − 1,25)(2 − 1)(2 − 1,5)(2 − 2,5) (x − 0,5)(x − 1,25)(x − 1)(x − 1,5)(x − 2) + (2,5 − 0,5)(2,5 − 1,25)(2,5 − 1)(2,5 − 1,5)(2,5 − 2) 4 0,5 O valor interpolado de y em x = 3,5 é obtido substituindo este valor de x no polinômio (3,5 − 1,25)(3,5 − 1)(3,5 − 1,5)(3,5 − 2)(3,5 − 2,5) 𝑓(3,5) = (0,5 − 1,25)(0,5 − 1)(0,5 − 1,5)(0,5 − 2)(0,5 − 2,5) 0,5 (3,5 − 0,5)(3,5 − 1)(3,5 − 1,5)(3,5 − 2)(3,5 − 2,5) + (1,25 − 0,5)(1,25 − 1)(1,25 − 1,5)(1,25 − 2)(1,25 − 2,5) 3,5 (3,5 − 0,5)(3,5 − 1,25)(3,5 − 1,5)(3,5 − 2)(3,5 − 2,5) + (1 − 0,5)(1 − 1,25)(1 − 1,5)(1 − 2)(1 − 2,5) (3,5 − 0,5)(3,5 − 1,25)(3,5 − 1)(3,5 − 2)(3,5 − 2,5) + (1,5 − 0,5)(1,5 − 1,25)(1,5 − 1)(1,5 − 2)(1,5 − 2,5) 2,5 4 (3,5 − 0,5)(3,5 − 1,25)(3,5 − 1)(3,5 − 1,5)(3,5 − 2,5) + 1 (2 − 0,5)(2 − 1,25)(2 − 1)(2 − 1,5)(2 − 2,5) (3,5 − 0,5)(3,5 − 1,25)(3,5 − 1)(3,5 − 1,5)(3,5 − 2) + (2,5 − 0,5)(2,5 − 1,25)(2,5 − 1)(2,5 − 1,5)(2,5 − 2) 0,5 f(x) = -7,5 – 1792 +540 + 1620 – 120 + 13,5 = 254 (b) Escreva o polinômio de Newton que passa pelos pontos e então use-o para calcular o valor interpolado de y em x = 3,5. o polinômio de Newton estão na forma: 𝑓(𝑥) = a1 + a2 (x - 0,5) + a3 (x - 0,5)(x - 1,25) + a4 (x - 0,5)(x - 1,25)(x - 1) + a5 (x - 0,5)(x - 1,25)(x - 1)(x - 1,5) + a6(x - 0,5)(x - 1,25)(x - 1(x - 1,5)(x - 2) Os coeficientes podem ser encontrados construindo uma tabela de diferença dividida: xi yi a1 = 1 a2 = 4 a3 = 0 a4 = - 2 a5 = -2,2222 a6 = 4,3111 0,5 0,5 (3,5-0,5) / (1,25- 0,5) = 4 1,25 3,5 (2-2) / (1-0,5) = 0 (2,5-3,5) / (1- 1,25) = 4 (-2-0) / (1,5-0,5) = -2 1 2,5 (1,5-2) / (1,5- 1,,25) = -2 (-3,3333+2) / (2- 0,5) = -2,2222 (4-2,5) / (1,5-1) = 3 (-4,5+2) / (2- 1,25) = -3,3333 (6,4+2,2222) / (2,5-0,5) =4,3111 1,5 4 (-3-1,5) / (2-1) = -4,5 (4,6667+3,3333) / (2,5-1,25)= 6,4 (1-4) / (2-1,5) = -6 (2,5+4,5) / (2,5- 1) = 4,6667 2 1 (-0,5+3) / (2,5- 1,5) = 2,5 (0,5-1) / (2,5-2) = - 1 2,5 0,5 𝑓(𝑥) = 1 + 4(x - 0,5) - 2(x - 0,5)(x - 1,25)(x - 1) - 2,2222(x - 0,5)(x - 1,25)(x - 1)(x - 1,5) + 4,3111(x - 0,5)(x - 1,25)(x - 1(x - 1,5)(x - 2) O valor interpolado de y em x = 3,5 é obtido substituindo este valor de x no polinômio: 𝑓(3,5) = 1 + 4(3,5 - 0,5) - 2(3,5 - 0,5)(3,5 - 1,25)(3,5 - 1) - 2,2222(3,5 - 0,5)(3,5 - 1,25)(3,5 - 1)(3,5 - 1,5) + 4,3111(3,5 - 0,5)(3,5 - 1,25)(3,5 - 1(3,5 - 1,5)(3,5 - 2) 𝑓(3,5) = 122,500 5.14 Interpole os dados do Problema 5.11 usando splines lineares e calcule a economia de combustível à velocidade de (a) 48 km/h Velocidade (km/h) 8 20 32 44 56 Economia (km/litro) 2,1 4,6 5 5,35 4,3 Existem cinco pontos e, portanto, quatro splines. Usando a Eq. (5.65), as equações das splines são: (x − xi+1) f (x) = y (x − xi) + y i (xi − xi+1) i (xi+1 − xi) i+1 Para estimar a economia de combustível a 48 km/h, só é necessário calcular a spline linear entre os pontos (20 km/h, 4,6km/litro) e (32 km/h, 5 km/litro). (x − 32) (x − 20) 4,6 5 fi(x) = (20 − 32) 4,6 + (32 − 20) 5 = − 12 (x − 32) + 12 (x − 20) Para encontrar a economia em 48 km/h, substitui-se 48 km/h por x na equação: 𝑓(48) = − 4,6 12 (48 − 32) + 5 (48 − 20) 12 (b) 105 km/h f(48) = 5,5334 km/litro Para estimar a economia de combustível a 48 km/h, só é necessário calcular a spline linear entre os pontos (44 km/h, 5,35km/litro) e (56 km/h, 4,3 km/litro). (x − 56) (x − 44) fi(x) = (44 − 56) 5,35 + (56 − 44) 4,3 = −0,44583(x − 56) + 0,3583(x − 44) Para encontrar a economia em 105 km/h, substitui-se 105 km/h por x na equação: 𝑓(𝑥) = −0,44583(105 − 56) + 0,3583(105 − 44) f(x) = 0,01267 km/litro 5.15 Interpole os dados do Problema 5.11 usando splines quadráticas e calcule a economia de combustível à velocidade de (a) 48 km/h Velocidade (km/h) 8 20 32 44 56 1 1 2 3 3 4 4 5 Economia (km/litro) 2,1 4,6 5 5,35 4,3 Existem cinco pontos e, portanto, quatro splines. A equação quadrática para a i-ésima spline é fi(x) = aix² + bix + ci Existem quatro polinômios com três coeficientes cada, para um total de 12 coeficientes. Esses coeficientes está a1, b1, c1, a2, b2, c2, a3, b3, c3, a4, b4 e c4. O coeficiente a1está definido para 0. (ou seja, a segunda derivada em o primeiro ponto é definido como zero. Um sistema de 11 equações lineares pode ser escrito para encontre as outras 11 incógnitas. Oito equações são obtidas aplicando as equações para os pontos finais de cada intervalo: i = 1 a1x2 + b1x1 + c1 = y1 → b18 + c1 = 2,1 a1x2 + b1x1 + c1 = y2 → b120 + c1 = 4,6 i = 2 a2x2 + b2x1 + c2 = y2 → a220² + b220 + c2 = 4,6 a2x2 + b2x3 + c2 = y3 → ai32² + b232 + c2 = 5 i = 3 a3x2 + b3x3 + c3 = y3 → a332² + b332 + c3 = 5 a3x2 + b3x4 + c3 = y3 → a344² + b444 + c4 = 5,35 i = 4 a3x2 + b4x4 + c4 = y4 → a444² + b444 + c4 = 5,35 a3x2 + b4x5 + c4 = y5 → a456² + b456 + c4 = 4,3 As três equações finais são obtidas a partir da condição de que nos nós internos as inclinações (primeiras derivadas) dos polinômios de intervalos adjacentes sejam iguais. i = 2 2a1x2 + b1 = 2a2x2 + b2 → b1 − 2(20)a2 − b2 = 0 i = 3 2a2x3 + b2 = 2a3x3 + b3 → 2(32)a3 + b3 − 2(32)a3 − b3 = 0 i = 4 2a3x4 + b3 = 2a4x4 + b4 → 2(44)a3 + b3 − 2(44)a2 − b4 = 0 O sistema de 11 equações lineares pode ser escrito em forma de matriz: clear all; clc; A=[10 1 0 0 0 0 0 0 0 0 0; 20 1 0 0 0 0 0 0 0 0 0; 0 0 20^2 20 1 0 0 0 0 0 0; 0 0 32^2 32 1 0 0 0 0 0 0; 0 0 0 0 0 32^2 32 1 0 0 0; 0 0 0 0 0 44^2 44 1 0 0 0; 0 0 0 0 0 0 0 0 44^2 44 1; 0 0 0 0 0 0 0 0 56^2 56 1; 1 0 -40 -1 0 0 0 0 0 0 0; 0 0 64 1 0 -64 -1 0 0 0 0; 0 0 0 0 0 88 1 0 -88 -1 0]; B=[2.1; 4.6; 4.6; 5; 5; 5.35; 5.35; 4.3; 0; 0; 0]; Comando de execução; coefficients=A\B Resultado: coefficients = 0.2500 -0.4000 -0.0181 0.9722 -7.6222 0.0177 -1.3167 29.0000 -0.0274 2.6556 -58.3889 Os coeficientes para as splines quadráticas são os seguintes: a1 = 0 , b1 = 0,2500, c1 = −0,4000, a2 = −0,0181, b2 = 0,9722, c2 = −7,6222, a3 = 0,0177, b3 = −1,3167, c3 = 29,0000, a4 = −0,0274, b4 = 2,6556 e c4 = −58,3889 Para encontrar a economia de combustível a 48km/h, considere o polinômio entre os pontos (20 km/h, 4,6 km/litro) e (32km/l, 5km/litro). Isso corresponde a i = 2, então este polinômio tem os coeficientesa2, b2 e c2 : f2(x) = −0,0181x² + 0,9722x − 7,6222Para calcular a economia em 48 km/h, substitui-se x = 48 dentro da equação: f2(𝑥) = −0,0181𝑥482 + 0,9722𝑥48 − 7,6222 f2(𝑥) = −2,659km/h (b) 105 km/h Para encontrar a economia de combustível a 105km/h, considere o polinômio entre os pontos (44 km/h, 5,35 km/litro) e (56km/l, 4,3km/litro). Isso corresponde a i = 4, então este polinômio tem os coeficientes a4, b4 e c4 : f4(𝑥) = −0,0274x2 + 2,6556x − 58,3889 Para calcular a economia em 105 km/h, substitui-se x = 105 dentro da equação: f4(𝑥) = −0,0274x1052 + 2,6556x105 − 58,3889 f4(𝑥) = −81,6359 Observe que em ambas as partes a interpolação de spline quadrática subsestima a economia de combustível, dados os valores apresentados. 5.16 Interpole os dados do Problema 5.11 usando splines cúbicas naturais (baseadas nos polinômios de Lagrange [Eqs. (5.86)-(5.89)]) e calcule a economia de combustível à velocidade de (a) 48 km/h Velocidade (km/h) 8 20 32 44 56 Economia (km/litro) 2,1 4,6 5 5,35 4,3 procuramos ajustar a função f(x) dada para a economia de combustível em km/litro em função da velocidade x em km/h usando splines cúbicos. Uma vez que os valores de x são igualmente espaçados, hi = h = 24kmh a equação pode ser simplificado para: ai + 4a i+1 + ai+2 = 6 [ yi+2 − 2yi+1 + yi ] para i = 1,2,3 h² Para splines cúbicos naturais a1 = 0 e a5 = 0. Assim, o sistema de equações acima se reduz a 4 1 0 a1 −0,32 a1 [1 4 1] [a2] = [ 0 ] 0 1 4 a3 −0,2133 Isso pode ser resolvido na janela de comando do MATLAB da seguinte maneira: >> clear all >> A=[4 1 0;1 4 1;0 1 4]; b=[-0.32;0;-0.2133]; >> x=A\b x = -0.0895 0.0381 -0.0628 Desse modo, [a1 a2 a3 a4 a5] = [0 -0,0895 0,0381 -0,0628 0]. Estes são os valores das segundas derivadas em cada ponto. As funções spline cúbicas aproximadas para cada intervalo são encontradas na equação para o caso hi = h = 24kmh. Para 48km/h, o intervalo é entre [x2 x3]: f (x) = a2 (32 − x)³ + a3 (x − 20)³ + [ 4,6 − a2(24)] (32 − x) + [ 5 − a3(24)] (x − 20) 2 6(24) ou 6(24) 24 6 24 6 f2(x) = - 0,004972(32 − x)³ + 0,002167(x − 20)³ + 4,2066(32 − x) + 4,2147(x − 20) Substituindo x = 44 km/h temos: f(48) = 118,6413 km/litro (b) 105 km/h Para 105 km/h o intervalo está entre [x4 x5]: f (x) = a4 (56 − x)³ + a5 (x − 44)³ + [ 4,6 − a4(24)] (56 − x) + [ 5 − a5(24)] (x − 44) 4 6(24) 6(24) 24 6 24 6 Ou f4(x) = - 0,003489(56 − x)³ + 4,20213(56 − x) + 0,2083(x − 44) Substituindo x = 105 km/h encontramos: f4(x) = 217,28km/litro. PROBLEMAS DE PROGRAMAÇÃO NO MATLAB 5.17 Modifique a função RegressaoLinear criada no Programa 5-1. Além de determinar as constantes a1 e a0, a função modificada deve calcular o erro global E de acordo com a Eq. (5.6). Chame a função de [a, Er] = RegLin(x,y). Os argumentos de entrada x e y são vetores com as coordenadas dos pontos. O argumento de saída a é um vetor com dois elementos contendo os valores das constantes a1 e a0. O argumento de saída Er é o valor do erro global. Solução O script a seguir será utilizado para calcula os itens a e b: function [a,Er] = LinReg(x, y) % LinReg calculates the coefficients a1 and a0 of the linear % equation y = a1*x + a0 that best fits n data points, and the overall % error according to Eq. (5.6). % Input variables: % x A vector with the coordinates x of the data points. % y A vector with the coordinates y of the data points. % Output variables: % a Two elements vector with the coefficients a1 and a0. % Er The overall error. nx = length(x); ny = length(y); if nx ~= ny disp('ERROR: The number of elements in x must be the same as in y.') a = 'Error'; Er = 'Error'; else Sx = sum(x); Sy = sum(y); Sxy = sum(x.*y); Sxx = sum(x.^2); a1 = (nx*Sxy - Sx*Sy)/(nx*Sxx - Sx^2); a0 = (Sxx*Sy - Sxy*Sx)/(nx*Sxx - Sx^2); a=[a1; a0]; % Eq. (5.6) Er=sum((y-(a1.*x+a0)).^2); end (a) Use a função para resolver o Exemplo 5-1 Atribuindo para x = (2, 5, 6, 8, 9, 13, 15) e y = (7, 8, 10, 11, 12, 14, 15): Temos: >> x=[2 5 6 8 9 13 15]; >> y=[7 8 10 11 12 14 15]; >> [a,Er]=LinReg(x,y) a = 0.6400 5.6968 Er = 1.4363 Escreve (b) Use a função para resolver o Problema 5.2 Para x = (-3,5; -2,5; -0,5; 0; 1; 2,5; 3) e y = (7,5; 6; 2,5; 1; 0; -2,5; -4,5) Temos: x=[-3.5 -2.5 -0.5 0 1 2.5 3]; y=[7.5 6 2.5 1 0 -2.5 -4.5]; >> [a,Er]=Calculoei(x,y) a = -1.7786 1.4286 Er = 0.9982 5.18 Escreva uma função no MATLAB que determine o melhor ajuste de uma função exponencial na forma 𝑦 = 𝑏𝑒−𝑚𝑥 a um determinado conjunto de dados. Chame a função de [b,m]= ExpoFit(x,y), onde os argumentos de entrada x e y são vetores com as coordenadas dos pontos e os argumentos de saída b e m são os valores dos coeficientes. A função ExpoFit deve usar a abordagem descrita na Seção 5.3 para determinar o valor dos coeficientes. Use a função para resolver o Problema 5.7. Solução A função ficará da seguinte forma: function [b,m] = ExpoFit(x, y) % ExpoFit calculates the coefficients b and m of the exponential % equation y = b*exp(-m*x) that best fits n data points. % Input variables: % x A vector with the coordinates x of the data points. % y A vector with the coordinates y of the data points. % Output variables: % b The coefficient b. % m The coefficient m. nx = length(x); ny = length(y); if nx ~= ny disp('ERROR: The number of elements in x must be the same as in y.') b = 'Error'; m = 'Error'; else Y=log(y); X=x; SX = sum(X); SY = sum(Y); SXY = sum(X.*Y); SXX = sum(X.^2); a1 = (nx*SXY - SX*SY)/(nx*SXX - SX^2); a0 = (SXX*SY - SXY*SX)/(nx*SXX - SX^2); b=exp(a0); m=-a1; end Entradas: h=[0 2500 5000 7500 10000]; p=[50000 23750 11300 5400 2650]; [b,m]=ExpoFit(h,p) Saída: b = 4.9615e+04 m = 2.9424e-04 5.19 Escreva uma função no MATLAB que determine o melhor ajuste de uma função na forma 𝑦 = 𝑏𝑥𝑚 a um determinado conjunto de dados. Chame a função de [b,m]= PowerFit(x,y), onde os argumentos de entrada x e y são vetores com as coordenadas dos pontos e os argumentos de saída b e m são os valores dos coeficientes. A função PowerFit deve usar a abordagem descrita na Seção 5.3 para determinar o valor dos coeficientes. Use a função para resolver o Problema 5.3. Solução Tendo como dados o problema 5.3, temos: Função solução function [b,m] = PowerFit(x, y) % PowerFit calculates the coefficients b and m of the exponential % equation y = b*x^m that best fits n data points. % Input variables: x=[925 950 975 990 1000]; y=[0.65 0.8 1.5 2.2 3]*10^9; % x A vector with the coordinates x of the data points. % y A vector with the coordinates y of the data points. % Output variables: % b The coefficient b. % m The coefficient m. nx = length(x); ny = length(y); if nx ~= ny disp('ERROR: The number of elements in x must be the same as in y.') b = 'Error'; m = 'Error'; else Y=log(y); X=log(x); SX = sum(X); SY = sum(Y); SXY = sum(X.*Y); SXX = sum(X.^2); a1 = (nx*SXY - SX*SY)/(nx*SXX - SX^2); a0 = (SXX*SY - SXY*SX)/(nx*SXX - SX^2); b=exp(a0); m=a1; end Entradas: >> x=[925 950 975 990 1000]; >> y=[0.65 0.8 1.5 2.2 3]*10^9; >> [b,m] = PowerFit(x, y) Saídas: b = 1.9931e-51 m = 20.0431 Portanto, a função de potência que melhor se ajusta aos dados do Problema 5.3 é: y = 1,9931 × 10−57x20,0431 5.20 Escreva uma função no MATLAB que determine o melhor ajuste de uma função na forma 𝑓(𝑥) = 𝑎2𝑥² + 𝑎1𝑥 + 𝑎0a um determinado conjunto de dados. Chame a função de a = QuadFit(x,y), onde os argumentos de entrada x e y são vetores com as coordenadas dos pontos e o argumento de saída a é um vetor de três elementos contendo os valores dos coeficientes 𝑎2, 𝑎1 𝑒 𝑎0. Para solucionar esse problema, vamos utilizar a seguinte função: function a = QuadFit(x, y) % QuadFit calculatesthe coefficients a2,a1 and a0 of the quadratic % polynomial that best fits n data points. % Input variables: % x A vector with the coordinates x of the data points. % y A vector with the coordinates y of the data points. % Output variables: % a A vector with the values of a2,a1 and a0 % The vector [a] is determined by solving the system [X][a]=[Y] nx = length(x); ny = length(y); m = 3; %number of coefficients if nx ~= ny disp('ERROR: The number of elements in x must be the same as in y.') a = 'Error'; else for i=1:(m+1) xsum(i)=sum(x.^(i)); end % First row of matrix [X] and first element of column vector [Y] X(1,1)=nx; Y(1,1)=sum(y); for j=2:m X(1,j)=xsum(j-1); end % Rows 2 and 3 of matrix [X] and column vector [Y] for i=2:m for j=1:m X(i,j)=xsum(j+i-2); end Y(i,1)=sum(x.^(i-1).*y); end a=X\Y; end (a) Use a função para determinar o polinômio quadrático que faz o melhor ajuste dos dados do Exemplo 5-2. O exemplo 5-2 nos fornece os seguintes dados: t=[2 4 6 8 10 12 14 16 18 20 22 24 26 28 30]; V=[9.7 8.1 6.6 5.1 4.4 3.7 2.8 2.4 2.0 1.6 1.4 1.1 0.85 0.69 0.6]; Colocando esse valores na função Quadfit temos: >> t=[2 4 6 8 10 12 14 16 18 20 22 24 26 28 30]; >> V=[9.7 8.1 6.6 5.1 4.4 3.7 2.8 2.4 2.0 1.6 1.4 1.1 0.85 0.69 0.6]; >> a = QuadFit(t, V) a = 10.7215 -0.7480 0.0141 O polinômio quadrático que melhor se ajusta aos dados do Exemplo 5-2 é: 𝑓(𝑥) = 0,0141𝑥2 − 0,7480𝑥 + 10,7215 (b) Escreva um programa que faça o traçado dos pontos do conjunto de dados e do polinômio quadrático que faz o melhor ajuste Para a confecção do gráfico temos: clear all; close all; clc; t=[2 4 6 8 10 12 14 16 18 20 22 24 26 28 30]; V=[9.7 8.1 6.6 5.1 4.4 3.7 2.8 2.4 2.0 1.6 1.4 1.1 0.85 0.69 0.6]; n=length(t); a = QuadFit(t, V); tt=linspace(t(1),t(n),50); VV=a(3).*tt.^2+a(2).*tt+a(1); plot(t,V,'o',tt,VV,':'); xlabel('t (s)'); ylabel('v_R (V)'); legend('Data','Polynomial fit'); Quando o programa é executado, o seguinte gráfico é exibido na janela de figura:
Compartilhar