Baixe o app para aproveitar ainda mais
Prévia do material em texto
P á g i n a | 0 Professor Me. José C. Calheiros – IFSP - Pirituba Prof. Me. J. Cícero Calheiros Cálculo Numérico P á g i n a | 1 Professor Me. José C. Calheiros – IFSP - Pirituba Sumário CAPÍTULO 1 PRODUTO INTERNO E NORMA DE VETORES 1 1.1 Produto Interno ........................................................................................................................................ 2 1.2 Norma de Vetores .................................................................................................................................. 6 1.3 Projeção Ortogonal de Vetores ............................................................................................................ 11 1.3 Norma de Matrizes ............................................................................................................................... 17 CAPÍTULO 2 ERROS E Nº DE CONDIÇÃO 19 2.1 Introdução ............................................................................................................................................. 20 2.2 Erro Absoluto e Erro Relativo ................................................................................................................ 25 2.3 Propagação de Erros ........................................................................................................................... 28 2.4 Exercícios ............................................................................................................................................... 37 2.5 Número de Condição .......................................................................................................................... 39 2.6 Exercícios ............................................................................................................................................... 44 P á g i n a | 2 Professor Me. José C. Calheiros – IFSP - Pirituba CAPÍTULO 3 RAÍZES DE FUNÇÃO REAL OU POLINOMIAL .......................................................................................... 45 3.1 Método da Bisseção ............................................................................................................................ 46 3.2 Critério de Parada .................................................................................................................................. 53 3.3 Exercícios ............................................................................................................................................... 65 3.4 Método do Ponto Fixo .......................................................................................................................... 66 3.4.1 Raízes Funções ................................................................................................................................. 66 3.3 Exercícios ............................................................................................................................................... 70 3.4 Método de Newton .............................................................................................................................. 71 3.4.1 Convergência do M. de Newton.................................................................................................... 75 3.6.2 Critério de Parada do M. de Newton ................................................................................................. 79 3.6.3 Exercícios .............................................................................................................................................. 83 3.6.4 Método de Newton para Sistema de Equações não Lineares ....................................................... 84 3.7 Exercícios ................................................................................................................................................. 92 3.8 Método da Secante ................................................................................................................................ 93 P á g i n a | 3 Professor Me. José C. Calheiros – IFSP - Pirituba 3.9 Exercícios ............................................................................................................................................... 97 CAPÍTULO 4 SOLUÇÃO DE SISTEMA DE EQUAÇÕES LINEARES 98 4.1 Sistema de Equações Lineares Triangulares Superiores ..................................................................... 99 4.2 Sistema de Equações Lineares Triangulares Inferiores ..................................................................... 102 4.3 Sistema de Equações Lineares Método de Eliminação de Gauss ................................................. 104 4.4 Método de Eliminação de Gauss com Pivoteamento Parcial ........................................................ 114 4.5 Método Fatoração LU ........................................................................................................................... 122 CAPÍTULO 5 MÉTODOS ITERATIVOS PARA SISTEMAS LINEARES ........................................................................................ 128 5.1 Método de Gauss-Jacobi .................................................................................................................. 129 5.2 Método de Gauss-Seidel ................................................................................................................... 136 5.3 Convergência dos Métodos Iterativos ............................................................................................. 141 CAPÍTULO 6 MODELAGEM MATEMÁTICA148 6.1 Interpolação Polinomial ....................................................................................................................... 149 6.1.1 Polinômio de Lagrange ..................................................................................................................... 155 P á g i n a | 4 Professor Me. José C. Calheiros – IFSP - Pirituba 6.1.2 Polinômio de Newton – Diferenças Divididas ................................................................................. 160 6.2 Ajuste de Curvas: Método dos Mínimos Quadrados ........................................................................ 165 6.2.2 Ajuste Polinomial de grau 𝑛 ≥ 2 ....................................................................................................... 172 6.2.4 Ajuste Exponencial ............................................................................................................................ 178 6.2.5 Ajuste de uma Curva Logística ........................................................................................................ 182 6.2.6 Regressão Múltipla ............................................................................................................................. 186 6.3 Qualidade dos Ajustes ......................................................................................................................... 189 6.4 Introdução aos Sistema Dinâmicos e Cadeia de Markov ............................................................... 195 6.5 Exercícios .............................................................................................................................................. 203 CAPÍTULO 7 INTEGRAÇÃO NUMÉRICA206 P á g i n a | 1 Professor Me. José C. Calheiros – IFSP - Pirituba P á g i n a | 1 Professor Me. José C. Calheiros – IFSP - Pirituba Capítulo 1 Produto Interno e Norma de Vetores Neste capítulo iniciaremos uma revisão de Produto Escalar (oi interno)de vetores, norma de vetores e matrizes. Norma de vetores e de matrizes será utilizada para impor os critérios de paradas dos algoritmos numéricos que abordados neste livro. Estes dois assuntos serão, rotineiramente, abordados durante todo o processo de aprendizagem dos métodos numéricos. Utilizaremos notação matricial para indicar um vetor. P á g i n a | 2 Professor Me. José C. Calheiros – IFSP - Pirituba 1.1 Produto Interno Considere dois vetores 𝑢 𝑒 𝑣 ∈ ℝ𝑛, tais que 𝑢 = [ 𝑢1 𝑢2 𝑢3 ⋮ 𝑢𝑛] e 𝑣 = [ 𝑣1 𝑣2 𝑣3 ⋮ 𝑣𝑛] Um vetor pode ser escrito, como acima, ou na forma de lista, como segue 𝑢 = (𝑢1, 𝑢2, 𝑢3, 𝑢4, ⋯ , 𝑢𝑛) Particularmente, neste livro, conforme dito na introdução do capítulo, a representação de um vetor será em forma de matriz coluna. Duas operações matemática podem ser feitas com vetores, SOMA e PRODUTO INTERNO (ou ESCALAR) Definição 1.1.1 Soma de Vetores Dado os vetores 𝑢 = [ 𝑢1 𝑢2 𝑢3 ⋮ 𝑢𝑛] e 𝑣 = [ 𝑣1 𝑣2 𝑣3 ⋮ 𝑣𝑛] Soma de vetores é dada por P á g i n a | 3 Professor Me. José C. Calheiros – IFSP - Pirituba 𝑢 + 𝑣 = [ 𝑢1 𝑢2 𝑢3 ⋮ 𝑢𝑛] + [ 𝑣1 𝑣2 𝑣3 ⋮ 𝑣𝑛] = [ 𝑢1 + 𝑣1 𝑢2 + 𝑣2 𝑢3 + 𝑣3 ⋮ 𝑢𝑛 + 𝑣𝑛 ] O produto escalar (Interno) entre dois vetores é dado por: Definição 1.1.2 Produto INTERNO ⟨𝑢, 𝑣⟩ = 𝑢1𝑣1 + 𝑢2𝑣2 + 𝑢3𝑣3 +⋯+ 𝑢𝑛𝑣𝑛 ⟨𝑢, 𝑣⟩ = ∑𝑢𝑖𝑣𝑖 𝑛 𝑖=1 Se usarmos a representação de vetores por matrizes coluna, o produto interno fica ⟨𝑢, 𝑣⟩ = 𝑢𝑡 . 𝑣 = 𝑣𝑡 . 𝑢 𝑢𝑡 e 𝑣𝑡 são chamados de transposto dos vetores. 𝑢𝑡 = [𝑢1 𝑢2 𝑢3 ⋯ 𝑢𝑛] 𝑣𝑡 = [𝑣1 𝑣2 𝑣3 ⋯ 𝑣𝑛] Exemplo 1.1.1 Dado os vetores, encontre ⟨𝑢, 𝑣⟩ 𝑢 = [ 1 − 1 2 2 −3 ] e 𝑣 = [ 3 1 2 0 1] P á g i n a | 4 Professor Me. José C. Calheiros – IFSP - Pirituba ⟨𝑢, 𝑣⟩ = 𝑢𝑡. 𝑣 = [1 −1 2 2 3] [ 3 1 2 0 1] ⟨𝑢, 𝑣⟩ = 1 × 3 + (−1) × 1 + 2 × 2 + 2 × 0 + 3 × 1 ⟨𝑢, 𝑣⟩ = 9 Exemplo 1.1.2 Dado os vetores 𝑢 = [ 1 2 −3 ] e 𝑣 = [ 3 0 1 ], encontre ⟨𝑢, 𝑣⟩ ⟨𝑢, 𝑣⟩ = 1 × 3 + 2 × 0 + (−3) × 1 ⟨𝑢, 𝑣⟩ = 3 + 0 − 3 = 0 Os vetores do exemplo 1.1.2 são denominados ortogonais. Da definição 1.1.1, segue as seguintes propriedades. Propriedades 1.1.2 Dados 𝑢, 𝑣, 𝑒 𝑤 ∈ ℝ𝑛 e 𝜆 ∈ ℝ, temos: I. ⟨𝑢, 𝑢⟩ = 0, se e somente se, 𝑢 = 0; II. ⟨𝑢, 𝑢⟩ > 0, para todo vetor 𝑢 ≠ 0; III. ⟨𝑢, 𝑣⟩ = ⟨𝑣, 𝑢⟩; IV. ⟨𝜆𝑢, 𝑣⟩ = 𝜆⟨𝑢, 𝑣⟩; V. ⟨𝑢 + 𝑤, 𝑣⟩ = ⟨𝑢, 𝑣⟩ + ⟨𝑤, 𝑣⟩; VI. ⟨𝑢 + 𝑤, 𝑣 + 𝑤⟩ = ⟨𝑢, 𝑣⟩ + ⟨𝑢,𝑤⟩ +⟨𝑤, 𝑣⟩ + ⟨𝑤, 𝑤⟩ P á g i n a | 5 Professor Me. José C. Calheiros – IFSP - Pirituba Vamos demonstrar a propriedade VI. 𝑢 + 𝑤 = [ 𝑢1 + 𝑤1 𝑢2 +𝑤2 𝑢3 +𝑤3 ⋮ 𝑢𝑛 + 𝑤𝑛] 𝑣 + 𝑤 = [ 𝑣1 + 𝑤1 𝑣2 + 𝑤2 𝑣3 + 𝑤3 ⋮ 𝑣𝑛 + 𝑤𝑛 ] ⟨𝑢 + 𝑤, 𝑣 + 𝑤⟩ = ∑(𝑢𝑖 +𝑤𝑖)(𝑣𝑖 +𝑤𝑖) 𝑛 𝑖=1 ⟨𝑢 + 𝑤, 𝑣 + 𝑤⟩ = ∑(𝑢𝑖𝑣𝑖 + 𝑢𝑖𝑤𝑖 + 𝑤𝑖𝑣𝑖 +𝑤𝑖𝑤𝑖) 𝑛 𝑖=1 ⟨𝑢 + 𝑤, 𝑣 + 𝑤⟩ = ∑𝑢𝑖𝑣𝑖 𝑛 𝑖=1 +∑𝑢𝑖𝑤𝑖 𝑛 𝑖=1 +∑𝑤𝑖𝑣𝑖 𝑛 𝑖=1 +∑𝑤𝑖𝑤𝑖 𝑛 𝑖=1 ⟨𝑢 + 𝑤, 𝑣 + 𝑤⟩ = ⟨𝑢, 𝑣⟩ + ⟨𝑢,𝑤⟩ +⟨𝑤, 𝑣⟩ + ⟨𝑤,𝑤⟩ ∎ P á g i n a | 6 Professor Me. José C. Calheiros – IFSP - Pirituba 1.2 Norma de Vetores Dado um vetor 𝑢 ∈ ℝ𝑛, define-se norma 𝐿𝑝 de um vetor como Definição 1.2.1 ‖𝑢‖𝑝 = (∑|𝑢𝑖| 𝑝 𝑛 𝑖=1 ) 1 𝑝 = (|𝑢1| 𝑝 + |𝑢2| 𝑝 +⋯+ |𝑢𝑛| 𝑝) 1 𝑝 ; Da definição 3.3, podemos definir três tipos de normas para os valores 𝑝 = 1, 𝑝 = 2 e 𝑝 → ∞ ‖𝑢‖1 =∑|𝑢𝑖| 𝑛 𝑖=1 = |𝑢1| + |𝑢2| + ⋯+ |𝑢𝑛| ‖𝑢‖2 = (∑|𝑢𝑖| 2 𝑛 𝑖=1 ) 1 2 = √|𝑢1|2 + |𝑢2|2 +⋯+ |𝑢𝑛|2 ‖𝑢‖∞ = lim 𝑝→∞ (∑|𝑢𝑖| 𝑝 𝑛 𝑖=1 ) 1 𝑝 = 𝑚á𝑥⏟ 1≤𝑖≤𝑛 {|𝑢𝑖|} Da definição acima, valem as seguintes propriedades: P á g i n a | 7 Professor Me. José C. Calheiros – IFSP - Pirituba Propriedades de norma de vetores I. ‖𝑢‖𝑝 = 0, se e somente se, 𝑢𝑖 = 0 ∀ 𝑖 ∈ ℕ ; II. ‖ 𝜆𝑢‖𝑝 = | 𝜆|‖𝑢‖𝑝, para todo 𝜆 ∈ ℝ; III.‖𝑢 + 𝑣‖𝑝 ≤ ‖𝑢‖𝑝 + ‖𝑣‖𝑝r. Para o ℝ𝑛, um espaço vetorial munido do produto interno usual, podemos definir a norma de um vetor da seguinte forma ‖𝑢‖ = √⟨𝑢, 𝑢⟩ = √𝑢1 2 + 𝑢2 2 + 𝑢3 2 +⋯+ 𝑢𝑛2 Exemplo 1.2.1 Dado o vetor 𝑢 = (2,−1, 0, 3, 5), encontre a norma para 𝑝 = 1, 𝑝 = 2 e 𝑝 = ∞ Da definição de norma, temos ‖𝑢‖𝑝 = (∑|𝑢𝑖| 𝑛 𝑖=1 ) 1 𝑝 = (|𝑢1| 𝑝 + |𝑢2| 𝑝 +⋯+ |𝑢𝑛| 𝑝) 1 𝑝 ‖𝑢‖1 =∑|𝑢𝑖| 5 𝑖=1 = |2| + |−1| + |0| + |3| + |5| = 11 ‖𝑢‖2 = (∑|𝑢𝑖| 5 𝑖=1 ) 1 2 = (|2|2 + |−1|2 + |0|2 + |3|2 + |5|2)2 ‖𝑢‖2 = √22 + (−1)2 + 02 + 32 + 52 = √39 ‖𝑢‖∞ = 𝑚á𝑥⏟ 1≤𝑖≤𝑛 {|2|, |−1|, |0|, |3|, |5|} = 5 P á g i n a | 8 Professor Me. José C. Calheiros – IFSP - Pirituba Fig. 1.1 Representação Geométrica da soma 𝑢 + 𝜆𝑣. Teorema 1.2.1: Desigualdade de Cauchy- Schwarz Sejam 𝑢 e 𝑣 ∈ ℝ𝑛 e considerando o produto interno usual, ou seja ⟨𝑢, 𝑣⟩ = 𝑢1𝑣1 + 𝑢2𝑣2 + 𝑢3𝑣3 +⋯+ 𝑢𝑛𝑣𝑛 Então é válida a desigualdade |⟨𝑢, 𝑣⟩| ≤ ‖𝑢‖‖𝑣‖ Considere os vetores 𝑤, 𝑢 e 𝑣 ∈ ℝ𝑛 tal que 𝑤 = 𝑢 + 𝜆𝑣, conforme Fig. 1.1 Como 𝑤 > 0, podemos escrever ‖𝑤‖2 = ⟨𝑢 + 𝜆𝑣, 𝑢 + 𝜆𝑣⟩ > 0 ⟨𝑢 + 𝜆𝑣, 𝑢 + 𝜆𝑣⟩ = ‖𝑢‖2 + 2⟨𝑢, 𝑣⟩𝜆 + 𝜆2‖𝑣‖2 > 0 ‖𝑢‖2 + 2⟨𝑢, 𝑣⟩𝜆 + 𝜆2‖𝑣‖2 > 0 A desigualdade anterior nada mais é que uma desigualdade do 2º Grau em 𝜆, logo, para que ela seja positiva para todo número real 𝜆 devemos ter o discriminante menor que zero. 4⟨𝑢, 𝑣⟩ 2 − 4‖𝑢‖2‖𝑣‖2 < 0 ⟨𝑢, 𝑣⟩ 2 < ‖𝑢‖2‖𝑣‖2 √⟨𝑢, 𝑣⟩ 2 < √‖𝑢‖2‖𝑣‖2 |⟨𝑢, 𝑣⟩| < ‖𝑢‖‖𝑣‖ P á g i n a | 9 Professor Me. José C. Calheiros – IFSP - Pirituba Fig. 1.2 Representação Geométrica da soma 𝑢 + 𝑣. A igualdade ocorre quando um vetor é múltiplo escalar do outro. De fato, seja 𝑣 = 𝛽𝑢, disto segue que |⟨𝑢, 𝑣⟩| = |⟨𝑢, 𝛽𝑣⟩| |⟨𝑢, 𝛽𝑣⟩| = |𝛽||⟨𝑢, 𝑢⟩| |𝛽||⟨𝑢, 𝑢⟩| = |𝛽|‖𝑢‖2 |⟨𝑢, 𝑣⟩| = |𝛽|‖𝑢‖2 Também temos que ‖𝑢‖‖𝑣‖ = ‖𝑢‖‖𝛽𝑢‖ ‖𝑢‖‖𝑣‖ = |𝛽|‖𝑢‖2 |⟨𝑢, 𝑣⟩| ≤ ‖𝑢‖‖𝑣‖ ∎ O que completa a demonstração da desigualdade de Cauchy-Schwarz Teorema 1.2.2: Desigualdade Triangular Sejam 𝑢 e 𝑣 ∈ ℝ𝑛 e considerando o produto interno usual, então vale ‖𝑢 + 𝑣‖𝑝 ≤ ‖𝑢‖𝑝 + ‖𝑣‖𝑝 Agora vamos demonstrar a desigualdade triangular. Considere o vetor 𝑢 + 𝑣 conforme Fig. 1.2 Façamos o produtor escalar que segue ⟨𝑢 + 𝑣, 𝑢 + 𝑣⟩ = ‖𝑢‖2 + 2⟨𝑢, 𝑣⟩ + ‖𝑣‖2 Como ⟨𝑢, 𝑣⟩ < |⟨𝑢, 𝑣⟩| ≤ ‖𝑢‖‖𝑣‖ P á g i n a | 10 Professor Me. José C. Calheiros – IFSP - Pirituba Fig. 1.3 Subtração de vetores ⟨𝑢 + 𝑣, 𝑢 + 𝑣⟩ = ‖ 𝑢 + 𝑣‖2 obtemos ‖𝑢 + 𝑣‖2 ≤ ‖𝑢‖2 + 2‖𝑢‖‖𝑣‖ + ‖𝑣‖2 ‖𝑢 + 𝑣‖2 ≤ (‖𝑢‖ + ‖𝑣‖)2 ‖𝑢 + 𝑣‖ ≤ ‖𝑢‖ + ‖𝑣‖ ∎ Exemplo 1.2.2 Dado o vetor 𝑢 ∈ ℝ𝑛, mostre que (Faça) ‖𝑢‖ ≤ ∑ |𝑢𝑖| 2𝑛 𝑖=1 . Ângulo entre vetores 𝑢 e 𝑣 ∈ ℝ𝑛 cos 𝜃 = ⟨𝑢, 𝑣⟩ ‖𝑢‖‖𝑣‖ Considere a Fig. 1.3 A lei dos cossenos nos diz que ‖𝑢 − 𝑣‖2 = ‖𝑢‖2 + ‖𝑣‖2 − 2‖𝑢‖‖𝑣‖ cos 𝜃 ‖𝑢 − 𝑣‖2 = ‖𝑢‖2 − 2⟨𝑢, 𝑣⟩ + ‖𝑣‖2 ‖𝑢‖2 − 2⟨𝑢, 𝑣⟩ + ‖𝑣‖2 = ‖𝑢‖2 + ‖𝑣‖2 − 2‖𝑢‖‖𝑣‖cos 𝜃 ⟨𝑢, 𝑣⟩ = ‖𝑢‖‖𝑣‖ cos 𝜃 cos 𝜃 = ⟨𝑢, 𝑣⟩ ‖𝑢‖‖𝑣‖ ∎ Da afirmação anterior, temos que P á g i n a | 11 Professor Me. José C. Calheiros – IFSP - Pirituba 1.3 ProjeçãoOrtogonal de Vetores Fig. 1.4 Projeção Ortogonal Definição 1.2.2: Vetores Ortogonais Se 𝑢 ⊥ 𝑣, então eles são ortogonais e o Ângulo entre ele mede 𝜃 = 90𝑜. O que nos leva a cos 𝜃 = ⟨𝑢,𝑣⟩ ‖𝑢‖‖𝑣‖ = 0 ⟨𝑢, 𝑣⟩ = 0 Considere dois vetores, 𝑢 e 𝑣 ∈ ℝ𝑛, conforme a Fig. 1.4, a projeção ortogonal de 𝑢 sobre a reta 𝑟: 𝑋 + 𝛼𝑣 é definida como 𝑝𝑟𝑜𝑗𝑟𝑢 = 𝜆𝑣 Para encontrarmos 𝜆 ∈ ℝ fazemos o produto escalar entre os vetores 𝑣 e 𝑢 − 𝜆𝑣, que são ortogonais. Disto segue que ⟨𝑣, 𝑢 − 𝜆𝑣⟩ = 0 ⟨𝑣, 𝑢⟩ − 𝜆⟨𝑣, 𝑣⟩ = 0 𝜆‖𝑣‖2 = 〈𝑣, 𝑢〉 𝜆 = 〈𝑣, 𝑢〉 ‖𝑣‖2 Logo 𝑝𝑟𝑜𝑗𝑟𝑢 = 〈𝑣, 𝑢〉 ‖𝑣‖2 𝑣 P á g i n a | 12 Professor Me. José C. Calheiros – IFSP - Pirituba Podemos definir um vetor perpendicular a 𝑣 como segue 𝑤 = 𝑢 − 〈𝑣, 𝑢〉 ‖𝑣‖2 𝑣 Vamos resolver um exemplo. Exemplo 3.2 Dado o vetor 𝑢 = (2, −1, 0, 3, 5) e 𝑣 = (1, 2, 1, 0, 1), encontre a projeção ortogonal de 𝑢 sobre a reta 𝑟: 𝑋 + 𝛼𝑣. Queremos encontrar 𝑝𝑟𝑜𝑗𝑟𝑢 = 〈𝑣,𝑢〉 ‖𝑣‖2 𝑣 ⟨𝑢, 𝑣⟩ = 2 × 1 + (−1) × 2 + 0 × 1 + 3 × 0 + 5 × 1 ⟨𝑢, 𝑣⟩ = 5 ‖𝑣‖2 = 1 + 4 + 1 + 0 + 1 = 7 𝑝𝑟𝑜𝑗𝑣𝑢 = 5 7 (1, 2, 1, 0, 1) = ( 5 7 , 10 7 , 5 7 , 0, 5 7 ) Agora, vamos realizar a projeção ortogonal de um vetor sobre um plano 𝜋, conforme Fig. 1.5, sendo 𝑢1 ⊥ 𝑢2, ou seja ⟨𝑢1, 𝑢2⟩ = 0 P á g i n a | 13 Professor Me. José C. Calheiros – IFSP - Pirituba Fig. 1.5 Projeção ortogonal de 𝑢 sobre o plano 𝜋 Observando a Fig. 1.5 temos que: I. 𝑢 − 𝜆1𝑢1 − 𝜆2𝑢2 é ortogonal a 𝑢1 e 𝑢2; II. ⟨𝑢1, 𝑢 − 𝜆1𝑢1 − 𝜆2𝑢2⟩ = 0; III. ⟨𝑢2, 𝑢 − 𝜆1𝑢1 − 𝜆2𝑢2⟩ = 0. De II, temos ⟨𝑢1, 𝑢 − 𝜆1𝑢1 − 𝜆2𝑢2⟩ = 0 ⟨𝑢1, 𝑢⟩ − 𝜆1 ⟨𝑢1, 𝑢1⟩ − 𝜆2 ⟨𝑢1, 𝑢2⟩ = 0 𝜆1 ‖𝑢1‖ 2 = ⟨𝑢1, 𝑢⟩ 𝜆1 = ⟨𝑢, 𝑢1⟩ ‖𝑢1‖2 A III fica como exercício mostrar que 𝜆2 = ⟨𝑢, 𝑢2⟩ ‖𝑢2‖2 Do que foi feito anteriormente, podemos escrever a projeção ortogonal de 𝑢 sobre o plano 𝜋 como 𝑝𝑟𝑜𝑗𝜋𝑢 = ⟨𝑢, 𝑢1⟩ ‖𝑢1‖2 𝑢1 + ⟨𝑢, 𝑢2⟩ ‖𝑢2‖2 𝑢2 Podemos definir um vetor perpendicular a 𝑣, que é dado por 𝑤 = 𝑢 − 𝑝𝑟𝑜𝑗𝜋𝑢 = 𝑢 − ⟨𝑢, 𝑢1⟩ ‖𝑢1‖2 𝑢1 − ⟨𝑢, 𝑢2⟩ ‖𝑢2‖2 𝑢2 P á g i n a | 14 Professor Me. José C. Calheiros – IFSP - Pirituba O que foi feito anteriormente pode ser estendido de acordo com o teorema que segue. Teorema 3.2 Sejam 𝑢 ∈ ℝ𝑛 o conjunto de vetores, tal que 〈𝑣𝑖 , 𝑣𝑗〉 = 0 para 𝑖 ≠ 𝑗, 𝛽 = {𝑢1, 𝑢2, 𝑢3, ⋯ , 𝑢𝑘}. A PROJEÇÃO ORTOGONAL de 𝑢 sobre o conjunto de vetores 𝛽 é dada por 𝑝𝑟𝑜𝑗𝜋𝑢 = ⟨𝑢, 𝑢1⟩ ‖𝑢1‖ 2 𝑢1 + ⟨𝑢, 𝑢2⟩ ‖𝑢2‖ 2 𝑢2 +⋯+ ⟨𝑢, 𝑢𝑘⟩ ‖𝑢𝑘‖ 2 𝑢𝑘 O vetor 𝑤 = 𝑢 − ⟨𝑢, 𝑢1⟩ ‖𝑢1‖2 𝑢1 − ⟨𝑢, 𝑢2⟩ ‖𝑢2‖2 𝑢2⋯− ⟨𝑢, 𝑢𝑘⟩ ‖𝑢𝑘‖2 𝑢𝑘 é perpendicular a todos os vetores de 𝛽, ou seja ⟨𝑤, 𝑢𝑖⟩ = 0, ∀ 𝑖 ∈ ℕ A prova deste teorema fica como exercício! P á g i n a | 15 Professor Me. José C. Calheiros – IFSP - Pirituba Exemplo 3.3 Encontre a projeção ortogonal e um vetor perpendicular a todos os vetores do plano gerado pelos vetores ortogonais 𝑢1 = (2, −1, 4) e 𝑢2 = (3, 2, −1) do vetor 𝑢 = (1, −1, 2) A projeção ortogonal é dada por 𝑝𝑟𝑜𝑗𝜋𝑢 = ⟨𝑢, 𝑢1⟩ ‖𝑢1‖2 𝑢1 + ⟨𝑢, 𝑢2⟩ ‖𝑢2‖2 𝑢2 enquanto o vetor 𝑤 = 𝑢 − ⟨𝑢, 𝑢1⟩ ‖𝑢1‖2 𝑢1 − ⟨𝑢, 𝑢2⟩ ‖𝑢2‖2 𝑢2 é perpendicular aos dois vetores que geram o plano. 𝑢1 = (2,−1, 4) 𝑢2 = (3, 2, −1) 𝑢 = (1,−1, 2) ⟨𝑢, 𝑢1⟩ = 2 + 1 + 8 = 11 ‖𝑢1‖ 2 = 4 + 1 + 16 = 21 ⟨𝑢, 𝑢2⟩ = 1 × 3 − 1 × 2 + 2 × (−1) = −1 ‖𝑢2‖ 2 = 9 + 4 + 1 = 14 P á g i n a | 16 Professor Me. José C. Calheiros – IFSP - Pirituba 𝑝𝑟𝑜𝑗𝜋𝑢 = 11 21 𝑢1 − 1 14 𝑢2 𝑝𝑟𝑜𝑗𝜋𝑢 = 11 21 (2,−1, 4) − 1 14 (3, 2, −1) 𝑝𝑟𝑜𝑗𝜋𝑢 = ( 22 21 ,− 11 21 , 44 21 ) − ( 3 14 , 2 14 ,− 1 14 ) 𝑝𝑟𝑜𝑗𝜋𝑢 = ( 35 42 ,− 28 42 , 91 42 ) 𝑤 = 𝑢 − 𝑝𝑟𝑜𝑗𝜋𝑢 𝑤 = (1,−1, 2) − ( 35 42 , − 28 42 , 91 42 ) 𝑤 = ( 7 42 ,− 14 42 ,− 7 42 ) P á g i n a | 17 Professor Me. José C. Calheiros – IFSP - Pirituba 1.3 Norma de Matrizes Definição 1.3.1 Seja 𝐴 = [𝑎𝑖𝑗]𝑚×𝑛 ∈ ℝ 𝑚×𝑛 e 𝑥 ∈ ℝ𝑛, definimos ‖𝐴‖𝑝 como sendo a norma induzida ‖𝐴‖𝑝 = sup⏟ ‖𝑥‖𝑝≠0 ‖𝐴𝑥‖𝑝 ‖𝑥‖𝑝 = sup⏟ ‖𝑥‖𝑝=1 ‖𝐴𝑥‖𝑝 Propriedades de norma de Matrizes I. ‖𝐴‖𝑝 = 0, se e somente se, 𝐴 = 0 para todo natural 𝑖; II. ‖𝛽𝐴‖𝑝 = |𝛽|‖𝐴‖𝑝, para todo 𝛽 ∈ ℝ; III. ‖𝐴 + 𝐵‖𝑝 ≤ ‖𝐴‖𝑝 + ‖𝐵‖𝑝; IV. ‖𝐴𝐵‖𝑝 ≤ ‖𝐴‖𝑝‖𝐵‖𝑝; V. ‖𝐴𝑥‖𝑝 ≤ ‖𝐴‖𝑝‖𝑥‖𝑝. Definição 1.3.3 Seja 𝐴 = [𝑎𝑖𝑗]𝑚×𝑛 ∈ ℝ 𝑚×𝑛, definimos ‖𝐴‖1 como sendo ‖𝐴‖1 = 𝑚á𝑥 {∑|𝑎𝑖𝑗| 𝑚 𝑖=1 } ⏟ 1≤𝑗≤𝑛 P á g i n a | 18 Professor Me. José C. Calheiros – IFSP - Pirituba Definição 1.3.4 Seja 𝐴 = [𝑎𝑖𝑗]𝑚×𝑛 ∈ ℝ 𝑚×𝑛, definimos ‖𝐴‖∞ como sendo ‖𝐴‖∞ = 𝑚á𝑥 {∑|𝑎𝑖𝑗| 𝑚 𝑗=1 } ⏟ 1≤𝑖≤𝑚 Exemplo 1.2 Encontre a norma da usando as normas 1 (um) e a norma ∞ (infinita) 𝐴 = [ 1 2 9 4 3 −2 4 7 1 −5 5 −4 0.8 3 11.8 3 8 2.7 5 0 ] ‖𝐴‖1 = 𝑚á𝑥 { |1| + |−2| + |5| + |3| = 11 |2| + |4| + |−4| + |8| = 18 |9| + |7| + |0.8| + |2.7| = 19.5 |4| + |1| + |3| + |5| = 13 |3| + |−5| + |11.8| + |0| = 19.8 ‖𝐴‖1 = 19.8 ‖𝐴‖∞ = 𝑚á𝑥 { |1| + |2| + |9| + |4| + |3| = 19 |−2| + |4| + |7| + |1| + |−5| = 19 |5| + |−4|+ |0.8| + |3| + |11.8| = 24.6 |3| + |8| + |2.7| + |5| + |0| = 18.7 ‖𝐴‖∞ = 24.6 P á g i n a | 19 Professor Me. José C. Calheiros – IFSP - Pirituba Capítulo 2 Erros e Nº de Condição Nos processos de levantamento de dados é natural que haja erros cometidos. Uma medida física, por exemplo, é uma medida com um certo grau de certeza, ou carregada de um erro, devido ao instrumento de medição. Também existem os erros oriundos da limitação da representação dos números na máquina (computador), dentre outras fontes de erros. Estes erros estão sempre presente nos modelos matemáticos, e neste capítulo estudaremos como eles se propagam em outras grandezas (ou variáveis) que dependem de uma, ou mais de uma variável, que contém um erro embutido. P á g i n a | 20 Professor Me. José C. Calheiros – IFSP - Pirituba 2.1 Introdução Fig. 2.1 Gráfico de 𝑦 = 𝑥2 Ex. 2.1 Fig. 2.2 Retângulos Circunscrito ao Gráfico de 𝑦 = 𝑥2 Exemplo 2.1 Encontre o valor aproximado da área abaixo da curva da Fig. 2.1 usando retângulos circunscritos. Resolução: Vamos aproximar a área pedida usando três retângulos circunscritos, como segue: Da Fig. 2.2, podemos calcular, aproximadamente, a área sobre a curva da função 𝑦 = 𝑓(𝑥) = 𝑥2. �̅� ≅ 1 × 1 + 1 × 4 + 1 × 9 �̅� ≅ 14𝑢. 𝑎 Pergunta I A área encontrada é uma boa aproximação para a área real abaixo do gráfico da função 𝑓(𝑥) = 𝑥2 no intervalo [0; 3] ? Para sabermos isso, precisaríamos encontrar o erro cometido na aproximação. Mas isso só e possível se soubermos quanto vale a área abaixo da curva da Fig. I no intervalo dado. Do cálculo I, podemos calcular essa área usando integral definida, como segue: P á g i n a | 21 Professor Me. José C. Calheiros – IFSP - Pirituba 𝐴 = ∫ 𝑥2𝑑𝑥 3 0 = 𝑥3 3 | 3 0 = 27 3 = 9𝑢. 𝑎 Observem que a área verdadeira é bem menor que a encontrada, ao aproximarmos usando três retângulos. Isso nos leva a ver que o erro cometido foi grotesco. Pergunta II Qual o erro cometido ao tomarmos um valor aproximado para umvalor a ser calculado? A resposta a esta pergunta nos levará a resposta da primeira. Para isso, vamos calcular o erro cometido na aproximação da área por �̅� ≅ 14𝑢. 𝑎. 𝐸𝑟𝑟𝑜 = �̅� − 𝐴 = 14 − 9 = 5𝑢. 𝑎 Observem que o erro calculado anteriormente não nos traz muita informação a respeito da qualidade conseguida na aproximação da área abaixo do gráfico da Fig. 2.1 Ele apenas nos diz que erramos em 5 unidades de área. Assim sendo, precisamos encontrar uma outra forma de medirmos esse erro. É aí que entra um erro denominado de erro relativo. Este compara o erro cometido P á g i n a | 22 Professor Me. José C. Calheiros – IFSP - Pirituba Fig. 2.3 Trapézios Circunscrito ao Gráfico de 𝑦 = 𝑥2 com relação ao valor real (no nosso caso, área abaixo da curva dada). 𝐸𝑟𝑟𝑜 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑜 = | �̅� − 𝐴 𝐴 | = 5 9 ≈ 0,56 = 56% O erro relativo nos mostra, com maior qualidade, que a aproximação da área usando apenas três retângulos circunscrito é muito grosseira. Isso nos leva a concluir que precisaremos usar um número maior de retângulos. Vamos supor, agora, que só podemos usar três figuras planas para aproximarmos a área abaixo do gráfico da função e que desejamos encontrar uma aproximação mais precisa (com menor erro) Uma saída seria usarmos trapézios circunscritos. Vamos ver o que ocorre com o erro e o erro relativo. Considere a Fig. 2.3 o lado. A área de cada trapézio é dada por 𝐴𝑇𝑃 = (𝑏 + 𝐵)ℎ 2 A área aproximada será igual a P á g i n a | 23 Professor Me. José C. Calheiros – IFSP - Pirituba �̅� ≅ 1 × 1 2 + (1 + 4) × 1 2 + (4 + 9) × 1 2 �̅� ≅ 1 + 5 + 13 2 �̅� ≅ 8,5𝑢. 𝑎 A área real calculada anteriormente é igual a 𝐴 = 9𝑢. 𝑎 Percebe-se por essa nova aproximação, usando trapézios, que o método usado é bem melhor que o primeiro. Entretanto, para vermos isso precisamos encontrar o erro e o erro relativo, este último mais eficiente para decidirmos se a aproximação é de qualidade ou não. Vamos lá. 𝐸𝑟𝑟𝑜 = �̅� − 𝐴 = 8,5 − 9 = −0,5𝑢. 𝑎 Observem que o erro foi negativo, ou seja, isso significa que o valor aproximado ficou abaixo do valor real. Para evitarmos isso, pois o que nos interessa é apenas o valor absoluto do erro, então usamos módulo (|𝑥| ≥ 0). O erro relativo, usando trapézios, foi de 𝐸𝑟𝑟𝑜 𝑟𝑒𝑙 = | �̅� − 𝐴 𝐴 | = | −0,5 9 | ≈ |−0,056| = 0,056 𝐸𝑟𝑟𝑜 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑜 = 5,6% P á g i n a | 24 Professor Me. José C. Calheiros – IFSP - Pirituba O que foi feito anteriormente nos mostra que, dependendo do método utilizado, o erro cometido pode ser grande ou pequeno. E mais, mostrou nos que o uso de trapézio para o cálculo da área abaixo de uma curva converge mais rapidamente para o seu valor que o uso de retângulos, uma vez que o erro cometido por este último é bem maior que o método trapezoidal. P á g i n a | 25 Professor Me. José C. Calheiros – IFSP - Pirituba 2.2 Erro Absoluto e Erro Relativo Vimos no Exemplo 1.1 que o erro absoluto não é muito adequado para sabermos se uma aproximação é boa ou não, mas que o erro relativo é mais adequado para isso. Em geral, os números não são representados de forma exata nos computadores. Isto nos leva ao chamado erro de arredondamento. Quando resolvemos problemas com técnicas numéricas, estamos sujeitos a este e outros tipos de erros. Nesta seção, veremos quais são estes erros e como controlá-los, quando possível. Quando fazemos aproximações numéricas, os erros são gerados de várias formas, sendo as principais delas as seguintes: 1. Incerteza dos dados: Os modelos matemáticos, oriundos de problemas físicos, biológicos, químicos, dentre outros, cujo dados são coletados (medidas) por instrumentos de medição que possuem acurácia finita, trazem embutidos erros de medição no instrumento de medida utilizado. 2. Arredondamento: Este tipo de erro está relacionado com as limitações existentes na representar números em uma máquina. P á g i n a | 26 Professor Me. José C. Calheiros – IFSP - Pirituba 3. Erros de Truncamento: São cometidos em aproximações de um conceito matemático formado por uma sequência infinita de passos ao aproximarmos por de um procedimento finito. Por exemplo, a aproximação por Série de Taylor de uma função, que pode ser truncada por um polinômio de grau menor ou igual a 𝑛. Numericamente, aproximamos por uma soma finita. Este tipo de erro pode ser estudado analiticamente para cada método empregado e, muitas vezes, envolve matemática avançada estudada em um curso de graduação. Uma questão fundamental é a quantificação dos erros imbricados na computação da solução de um dado problema. Para tanto, precisamos definir medidas de erros (ou de exatidão). As medidas de erro mais utilizadas são o erro absoluto e o erro relativo. Passemos a definição de erro absoluto e erro relativo. P á g i n a | 27 Professor Me. José C. Calheiros – IFSP - Pirituba Considere um valor real 𝑥 e sua aproximação �̅� O erro absoluto e relativo são dados por: ▪ 𝐸𝑎𝑏𝑠 = |�̅� − 𝑥|; ▪ 𝐸𝑟𝑒𝑙 = | �̅�−𝑥 𝑥 |, este podendo ser dado em %. ▪ 𝐸𝑟𝑒𝑙 = 𝐸𝑎𝑏𝑠 |𝑥| × 100% P á g i n a | 28 Professor Me. José C. Calheiros – IFSP - Pirituba 2.3 Propagação de Erros Ao realizarmos uma medida o valor que obtemos é um certo 𝑥 ± 𝛿, onde 𝛿 > 0 muito pequeno (delta) é uma incerteza (ou erro na medição). Por exemplo ao medirmos a massa corporal de uma pessoa e sua altura, estas duas medidas estão carregadas de suas incertezas, uma vez que todo instrumento de medição carrega uma incerteza em seus valores. Vamos supor que medimos a altura e a massa corporal de uma pessoa afim de calcular seu IMC (índice de massa corporal). Para cada medida teremos: ▪ Massa: 𝑚 ± 𝜕𝑚; ▪ Altura: ℎ ± 𝜕ℎ; Queremos saber como estes erros influenciaram no cálculo do IMC, que é dado por: 𝐼𝑀𝐶 = 𝑀 ℎ2 Na verdade, estamos interessados em saber qual será o erro cometido no cálculo do IMC da pessoa. A este fato danos o nome de Propagação de ERRO. Considere a função 𝑓(𝑥) e seja 𝑥 ± 𝛿𝑥, estamos interessados em encontrar o erro absoluto P á g i n a | 29 Professor Me. José C. Calheiros – IFSP - Pirituba 𝛿𝑓 = |𝑓(𝑥 + 𝛿𝑥) − 𝑓(𝑥)| Do cálculo I, podemos aproximar a função 𝑓(𝑥) por um Polinômio de Taylor de grau 𝑛, como segue: 𝑓(𝑥 + 𝛿𝑥) ≅ 𝑓(𝑥) + 𝑓 ′(𝑥)𝛿𝑥 + 𝑓 ′′(𝑥)𝛿𝑥 2 + 𝑓′′(𝑥)𝛿𝑥 3 +⋯ + 𝑓𝑛(𝑥)𝛿𝑥 𝑛 Considerando o erro 𝛿𝑥 ≪ 1 (muito pequeno), podemos truncar o polinômio de Taylor a partir do termo de 𝑂(𝛿𝑥 2), ficando com uma aproximar linear dada por 𝑓(𝑥 + 𝛿𝑥) ≅ 𝑓(𝑥) + 𝑓 ′(𝑥)𝛿𝑥 Reescrevendo a aproximação acima, obtemos 𝑓(𝑥 + 𝛿𝑥) − 𝑓(𝑥) ≅ 𝑓 ′(𝑥)𝛿𝑥 𝛿𝑓 ≅ |𝑓 ′(𝑥)𝛿𝑥| = |𝑓 ′(𝑥)||𝛿𝑥| Sabemos que 𝛿𝑥 > 0, 𝑓 ′(𝑥) = 𝑑𝑓 𝑑𝑥 |𝛿𝑥| = √𝛿𝑥2 = 𝛿𝑥 Logo, podemos escrever a seguinte expressão para o erro em 𝑓 𝛿𝑓 ≅ | 𝑑𝑓 𝑑𝑥 | 𝛿𝑥 P á g i n a | 30 Professor Me. José C. Calheiros – IFSP - Pirituba Exemplo 2.2 Suponha que seja medida, com uma trena, o valor do lado de um terreno com a forma de um quadrado. Esse valor carrega um determinado erro 𝛿𝑥. Queremos saber qual será o erro no valor da área do terreno.A área do terreno é dada por 𝑓(𝑥) = 𝑥2 Vamos encontrar o valor de 𝑓(𝑥 ± 𝛿𝑥) = (𝑥 ± 𝛿𝑥) 2 𝑓(𝑥 ± 𝛿) = 𝑥2 + 2𝑥𝛿𝑥 + 𝛿𝑥 2 De 𝛿𝑓 = |𝑓(𝑥 + 𝛿𝑥) − 𝑓(𝑥)|, obtemos 𝛿𝑓 = |2𝑥𝛿𝑥 + 𝛿 𝑥 2 | Como o erro 𝛿𝑥 > 0 é muito pequeno, podemos ignorar o valor de 𝛿𝑥 2, ficando com 𝛿𝑓 ≅ |2𝑥|𝛿𝑥 Observem que o erro acima é exatamente igual a 𝛿𝑓 ≅ | 𝑑𝑓 𝑑𝑥 | 𝛿𝑥 Vamos supor que a medida de 𝑥, em metros, seja dada por 16 ± 0,05𝑚 , o erro absoluto propagado no cálculo da área do quadrado foi de 𝛿𝑓 ≅ |2 × 16| × 0,05 = 1,6𝑚 2 P á g i n a | 31 Professor Me. José C. Calheiros – IFSP - Pirituba Pergunta III Como poderíamos encontrar o erro em caso de uma medida que precisa de outras duas que contém erros na medição? Para respondermos a essa pergunta, vamos usar o Polinômio de Taylor de grau 1 para funções de duas variáveis. Suponha que uma medida (ou grandeza) seja dada por 𝑓(𝑥, 𝑦). Vamos encontrar o erro cometido no valor de 𝑓 ao calcularmos 𝑓(𝑥 + 𝛿𝑥, 𝑦 + 𝛿𝑦). Do Polinômio de Taylor para funções de duas variáveis, obtemos 𝑓(𝑥 + 𝛿𝑥, 𝑦 + 𝛿𝑦) ≅ 𝑓(𝑥, 𝑦) + 𝜕𝑓 𝜕𝑥 𝛿𝑥 + 𝜕𝑓 𝜕𝑦 𝛿𝑦 𝑓(𝑥 + 𝛿𝑥, 𝑦 + 𝛿𝑦) − 𝑓(𝑥, 𝑦) ≅ 𝜕𝑓 𝜕𝑥 𝛿𝑥 + 𝜕𝑓 𝜕𝑦 𝛿𝑦 O que nos leva ao erro propagado em 𝑓 𝛿𝑓 ≅ |𝑓(𝑥 + 𝛿𝑥, 𝑦 + 𝛿𝑦) − 𝑓(𝑥, 𝑦)| ≅ | 𝜕𝑓 𝜕𝑥 𝛿𝑥 + 𝜕𝑓 𝜕𝑦 𝛿𝑦| Utilizando a desigualdade triangular, obtemos 𝛿𝑓 ≅ | 𝜕𝑓 𝜕𝑥 𝛿𝑥 + 𝜕𝑓 𝜕𝑦 𝛿𝑦| ≤ | 𝜕𝑓 𝜕𝑥 | 𝛿𝑥 + | 𝜕𝑓 𝜕𝑦 | 𝛿𝑦 𝛿𝑓 ≅ | 𝜕𝑓 𝜕𝑥 | 𝛿𝑥 + | 𝜕𝑓 𝜕𝑦 | 𝛿𝑦 P á g i n a | 32 Professor Me. José C. Calheiros – IFSP - Pirituba Observação Pode ser usada a fórmula abaixo para o cálculo da propagação de erros, Desvio Padrão. 𝛿𝑓 ≅ √( 𝜕𝑓 𝜕𝑥 ) 2 𝛿𝑥2 + ( 𝜕𝑓 𝜕𝑦 ) 2 𝛿𝑦2 ≤ | 𝜕𝑓 𝜕𝑥 | 𝛿𝑥 + | 𝜕𝑓 𝜕𝑦 | 𝛿𝑦 Exemplo 2.3 Vamos supor que a área do terreno a ser medido seja retangular com medidas dadas por ▪ Largura: 𝑥 ± 𝛿𝑥; ▪ Comprimento: 𝑦 ± 𝛿𝑦; Encontre a propagação de erros na área do terreno. Observe agora que a área depende de duas medidas, então a área é dada por 𝑓(𝑥, 𝑦) = 𝑥𝑦 A propagação de erros na área é dada por 𝛿𝑓 ≅ | 𝜕𝑓 𝜕𝑥 | 𝛿𝑥 + | 𝜕𝑓 𝜕𝑦 | 𝛿𝑦 𝜕𝑓 𝜕𝑥 = 𝑦 e 𝜕𝑓 𝜕𝑦 = 𝑥 𝛿𝑓 ≅ |𝑦|𝛿𝑥 + |𝑥|𝛿𝑦 Suponha que as medidas 𝑥 e 𝑦 sejam dadas por ▪ Largura: 𝑥 = 16 ± 0,05; ▪ Comprimento: 𝑦 = 30 ± 0,009; P á g i n a | 33 Professor Me. José C. Calheiros – IFSP - Pirituba Então o erro procurado é de 𝛿𝑓 ≅ |30|0,05 + |16|0,009 𝛿𝑓 ≅ 1,644𝑚 2 De forma geral, para grandezas(função) que depende de 𝑛 variáveis, temos 𝛿𝑓 ≅ | 𝜕𝑓 𝜕𝑥1 | 𝛿𝑥1 + | 𝜕𝑓 𝜕𝑥2 | 𝛿𝑥2 +⋯+ | 𝜕𝑓 𝜕𝑥𝑛 | 𝛿𝑥𝑛 Pode-se utilizar a seguinte fórmula para o erro propagado: 𝛿𝑓 ≅ √( 𝜕𝑓 𝜕𝑥1 ) 2 𝛿𝑥1 2 +⋯+ ( 𝜕𝑓 𝜕𝑥𝑛 ) 2 𝛿𝑥𝑛 2 ≤ | 𝜕𝑓 𝜕𝑥1 | 𝛿𝑥1 +⋯+ | 𝜕𝑓 𝜕𝑥𝑛 | 𝛿𝑥𝑛 Para encontrarmos o erro relativo de uma função que depende de 𝑛 variáveis, basta fazer 𝛿𝑓 |𝑓(𝑥)| ≅ | 𝜕𝑓 𝜕𝑥1 | 𝛿𝑥1 + | 𝜕𝑓 𝜕𝑥2 | 𝛿𝑥2 +⋯+ | 𝜕𝑓 𝜕𝑥𝑛 | 𝛿𝑥𝑛 |𝑓(𝑥)| 𝛿𝑓 |𝑓(𝑥)| ≅ 1 |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥1 | 𝛿𝑥1 +⋯+ 1 |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥𝑛 | 𝛿𝑥𝑛 Vamos definir o vetor erro, 𝜹𝒙, e um vetor 𝜹𝒙, cujo as componentes são os módulos das derivadas parciais. P á g i n a | 34 Professor Me. José C. Calheiros – IFSP - Pirituba 𝜹𝒙 = [ 𝛿𝑥1 𝛿𝑥2 𝛿𝑥3 , ⋮ 𝛿𝑥𝑛 ] e 𝜹𝒇 = [ | 𝜕𝑓 𝜕𝑥1 | | 𝜕𝑓 𝜕𝑥2 | | 𝜕𝑓 𝜕𝑥3 | ⋮ | 𝜕𝑓 𝜕𝑥𝑛 | ] Do que foi escrito anteriormente, podemos definir o erro absoluto em 𝑓 como o produto escalar entre os vetores 𝜹𝒇 e 𝜹𝒙. 𝛿𝑓 = ⟨𝜹𝒇, 𝜹𝒙⟩ = | 𝜕𝑓 𝜕𝑥1 | 𝛿𝑥1 + | 𝜕𝑓 𝜕𝑥2 | 𝛿𝑥2 +⋯+ | 𝜕𝑓 𝜕𝑥𝑛 | 𝛿𝑥𝑛 Assim sendo, temos que o erro relativo em 𝑓 pode ser escrito como 𝛿𝑓 |𝑓(𝑥)| = ⟨𝜹𝒇, 𝜹𝒙⟩ |𝑓(𝑥)| para 𝒙 = [ 𝑥1 𝑥2 𝑥3 ⋮ 𝑥𝑛 ] Usando a desigualdade abaixo (demonstrada no Cap. 1), |⟨𝒖,𝒗⟩| ≤ ‖𝒖‖‖𝒗‖ podemos demonstrar que o que o erro relativo propagado pelas variáveis de uma função de várias variáveis tem valor máximo igual a P á g i n a | 35 Professor Me. José C. Calheiros – IFSP - Pirituba 𝛿𝑓 |𝑓(𝑥)| = ‖𝑢‖‖𝑣‖ De fato, como 𝛿𝑓 |𝑓(𝑥)| = ⟨𝒗𝛿𝑟𝑥 ,𝒖𝑘⟩ para 𝒗𝛿𝑟𝑥 = ( 𝛿𝑥1 |𝑥1| , 𝛿𝑥2 |𝑥2| , 𝛿𝑥3 |𝑥3| ,⋯ , 𝛿𝑥𝑛 |𝑥𝑛| ) 𝒖𝜅 = ( |𝑥1| |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥1 | , |𝑥2| |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥2 | , ⋯ , |𝑥𝑛| |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥𝑛 | ) Podemos escrever 𝛿𝑓 |𝑓(𝑥)| = |⟨𝒗𝛿𝑟𝑥 ,𝒖𝑘⟩| ≤ ‖𝒗𝛿𝑟𝑥‖‖𝒖𝜅‖ O que nos fornece como valor máximo para o erro relativo em 𝑓 𝛿𝑓 |𝑓(𝑥)| = ‖𝒗𝛿𝑟𝑥‖‖𝒖𝜅‖. Exemplo 2.4 Seja 𝑓(𝑥1, 𝑥2) = 𝑥1 2+1 𝑥1 2 𝑒 2𝑥2 Sabendo que 𝑥1 = 3 com erro de 0,3 e 𝑥2 = 2 com erro de 0,06. Encontre o erro relativo em 𝑓(𝑥1, 𝑥2). O erro relativo em 𝑓(𝑥1, 𝑥2) é dado por: 𝛿𝑓 |𝑓(𝑥)| ≅ 1 |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥1 | 𝛿𝑥1 + 1 |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥2 | 𝛿𝑥2 Calculando as derivadas parciais, encontramos 𝜕𝑓 𝜕𝑥1 = − 2𝑒2𝑥2 𝑥1 3 P á g i n a | 36 Professor Me. José C. Calheiros – IFSP - Pirituba 𝜕𝑓 𝜕𝑥1 | 𝑥1 = 3; 𝑥2 = 2 = − 2𝑒4 27 𝜕𝑓 𝜕𝑥2 = 2 𝑥1 2 + 1 𝑥1 2 𝑒 2𝑥2 𝜕𝑓 𝜕𝑥2 | 𝑥1 = 3; 𝑥2 = 2 = 20 9 𝑒4 𝑓(3, 2) = 32 + 1 9 𝑒4 = 10 9 𝑒4 Substituindo em ⟨𝜹𝒇,𝜹𝒙⟩ |𝑓(𝑥)| , obtemos 𝛿𝑓 |𝑓(𝑥)| ≅ 1 |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥1 | 𝛿𝑥1 + 1 |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥2 | 𝛿𝑥2 𝛿𝑓 |𝑓(𝑥)| ≅ 1 15 × 0,3 + 2 × 0,06 = 0,14 = 14% 𝛿𝑓 |𝑓(𝑥)| ≅ 9 10𝑒4 |− 2𝑒4 27 | 0,3 + 9 10𝑒4 | 20 9 𝑒4| 0,06 P á g i n a | 37 Professor Me. José C. Calheiros – IFSP - Pirituba 2.4 Exercícios 1. Estime o erro absoluto e relativo no cálculo 𝑓(𝑥) = 𝑥2 sem𝑥 para 𝑥 = 𝜋 3 com erro de 0,1. 2. Encontre o erro relativo do exercício anterior, com 8 casas decimais e compare com o erro relativo referente a 𝑥. O que você pode concluir do resultado? 3. Suponha que a trajetória de um projétil seja dada pela função 𝑓(𝑡) = −5𝑡2 + 300𝑡, onde 𝑡 é o tempo, em h, que o projetil leva para atingir o alvo e 𝑓(𝑡) a trajetória percorrida até atingir o alvo no solo. Se o tempo tem um erro de ±0,00001ℎ e a velocidade na horizontal é, aproximadamente, constante e igual a 2000 𝐾𝑚/ℎ ± 0,00003 𝑘𝑚/ℎ encontre: a) O erro cometido na distância percorrida pelo projétil; b) Suponha que há 400m do alvo haja uma escola. Há risco de o projétil atingir a escola? Por quê? Use: 𝑑 = 𝑣𝑡. 4. Deseja-se construir uma cisterna com capacidade máxima de 1000 litros. Para isso foi feito um buraco com as seguintes medidas: P á g i n a | 38 Professor Me. José C. Calheiros – IFSP - Pirituba • comprimento: 1,0000 𝑚; • Largura: 2,0000m. Se o erro do instrumento de medida indica 0,001m, encontre: a) A profundidade da cisterna; b) O erro cometido no volume da cisterna. P á g i n a | 39 Professor Me. José C. Calheiros – IFSP - Pirituba 2.5 Número de Condição Voltemos ao Exemplo 2.2 da pág. 33. Vamos calcular os erros relativos em 𝑥 e 𝑓. Exemplo 2.5 Encontre os erros relativos das medidas do Exemplo 1.2. Erro absoluto em 𝑓 é dado por 𝛿𝑓 ≅ | 𝑑𝑓 𝑑𝑥 | 𝛿𝑥 O erro relativo é calculado dividindo o erro absolutopelo módulo de 𝑓, como segue Erro relativo em 𝑓(𝑥): 𝛿𝑓𝑟𝑒𝑙 = 𝛿𝑓 |𝑓(𝑥)| ≅ 1 |𝑓(𝑥)| | 𝑑𝑓 𝑑𝑥 | 𝛿𝑥 Erro relativo em 𝑥: 𝛿𝑥𝑟𝑒𝑙 = 𝛿𝑥 |𝑥| . Vamos supor que a medida de 𝑥, em metros, seja dada por 16 ± 0,05𝑚 , o erro absoluto propagado no cálculo da área do quadrado foi de A área do terreno é dada por 𝑓(𝑥) = 𝑥2. Fazendo 𝑥 = 16, 𝛿𝑥 = 0,05 e 𝑓(16) = 256 e calculando 𝑑𝑓 𝑑𝑥 para o valor dado de 𝑥, obtemos P á g i n a | 40 Professor Me. José C. Calheiros – IFSP - Pirituba 𝑑𝑓 𝑑𝑥 | 𝑥 = 16 = 2 × 16 = 32 Erro absoluto em 𝑓: 𝛿𝑓 ≅ | 𝑑𝑓 𝑑𝑥 | 𝛿𝑥 𝛿𝑓 ≅ |32| × 0,05 = 1,6𝑚 2 Disso temos: Erro relativo em 𝑓(16) 𝛿𝑟𝑓 = 𝛿𝑓 |𝑓(16)| ≅ 1.6 |256| = 0,00625 Erro relativo em 𝑥 = 16 𝛿𝑟𝑥 = 0,05 |16| = 0,003125 Vamos agora comparar os dois erros relativos. 𝛿𝑓𝑟𝑒𝑙 𝛿𝑥𝑟𝑒𝑙 = 0,00625 0,003125 = 2 Reescrevendo a elação acima, obtemos 𝛿𝑓𝑟𝑒𝑙 = 2𝛿𝑥𝑟𝑒𝑙 Observem que o erro propagado em 𝑓(𝑥) foi duas vezes o erro na variável medida (em 𝑥) Observem que se dividirmos o erro relativo em 𝑓(𝑥) pelo módulo de 𝑥 ≠ 0 e multiplicarmos, também, pelo mesmo valor, obtemos 𝛿𝑓𝑟𝑒𝑙 = 𝛿𝑓 |𝑓(𝑥)| ≅ |𝑥| |𝑓(𝑥)| | 𝑑𝑓 𝑑𝑥 | 𝛿𝑥 |𝑥| 𝛿𝑓𝑟𝑒𝑙 = 𝛿𝑓 |𝑓(𝑥)| ≅ ( |𝑥| |𝑓(𝑥)| | 𝑑𝑓 𝑑𝑥 | ) 𝛿𝑥𝑟𝑒𝑙 Usando a relação acima para 𝑓(𝑥) = 𝑥2, encontramos P á g i n a | 41 Professor Me. José C. Calheiros – IFSP - Pirituba 𝛿𝑓𝑟𝑒𝑙 = 𝛿𝑓 |𝑓(𝑥)| ≅ |𝑥| |𝑥2| |2𝑥| 𝛿𝑥𝑟𝑒𝑙 𝛿𝑓𝑟𝑒𝑙 = 𝛿𝑓 |𝑓(𝑥)| ≅ 2 |𝑥2| |𝑥2| 𝛿𝑥𝑟𝑒𝑙 Definição 2.1 Seja 𝑓 uma função diferenciável. O número de condicionamento de um problema é definido por 𝜅 = |𝑥| |𝑓(𝑥)| | 𝑑𝑓 𝑑𝑥 | Considere agora uma função 𝑓(𝑥) de n variáveis com 𝑥 = (𝑥1, 𝑥2, 𝑥3, ⋯ , 𝑥𝑛 ). Podemos escrever o erro relativo em 𝑓(𝑥) como sendo o produto escalar entre os vetores 𝒗𝜹𝒓𝒙 = [ 𝛿𝑥1 |𝑥1| 𝛿2 |𝑥2| 𝛿𝑥3 |𝑥3| ⋮ 𝛿𝑥𝑛 |𝑥𝑛|] e 𝒖𝜿 = [ |𝑥1| |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥1 | |𝑥2| |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥2 | |𝑥3| |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥3 | ⋮ |𝑥𝑛| |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥𝑛 | ] 𝛿𝑓 |𝑓(𝑥)| = ⟨𝒗𝜹𝒓𝒙 , 𝒖𝜿⟩ o que nos fornece 𝛿𝑓 |𝑓(𝑥)| = |𝑥1| |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥1 | 𝛿𝑥1 |𝑥1| + ⋯+ |𝑥𝑛| |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥𝑛 | 𝛿𝑥𝑛 |𝑥𝑛| A igualdade anterior pode ser escrita como P á g i n a | 42 Professor Me. José C. Calheiros – IFSP - Pirituba 𝛿𝑓 |𝑓(𝑥)| =∑𝜅𝑖 𝛿𝑥𝑖 |𝑥𝑖| 𝑛 𝑖=1 𝜅𝑖 = |𝑥𝑖| |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥𝑖 | para 1 ≤ 𝑖 ≤ 𝑛 Podemos definir, para funções de várias variáveis, o vetor de condição 𝜿 = [ |𝑥1| |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥1 | |𝑥2| |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥2 | |𝑥3| |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥3 | ⋮ |𝑥𝑛| |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥𝑛 | ] Cada componente 𝜅𝑖 = |𝑥𝑖| |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥𝑖 | do vetor de condição de 𝑓 nos mostra como que o erro em cada variável 𝑥𝑖 afeta o erro total na função. Exemplo 2.6 Dada a função 𝑓(𝑥1, 𝑥2, 𝑥3) = 𝑥1 − 2𝑥2𝑥3 + 𝑥3 2. Encontre o vetor de condição (condicionamento) de 𝑓, assim como o erro absoluto e relativo sabendo que as medidas são dadas por: 𝑥1 = 1 ± 0.0002 𝑥2 = −2 ± 0.0010 𝑥3 = 3 ± 0.0003 P á g i n a | 43 Professor Me. José C. Calheiros – IFSP - Pirituba Calculando as derivadas parciais nos pontos dados, obtemos 𝜕𝑓 𝜕𝑥1 = 1, 𝜕𝑓 𝜕𝑥2 = −2𝑥3 = −6 𝜕𝑓 𝜕𝑥3 = −2𝑥2 + 2𝑥3 = 4 + 6 = 10 𝑓(1,−2, 3) = 1 − 2 × (−2) × 3 + 32 = 22 𝜅1 = |𝑥1| |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥1 | = |1| |22| |1| = 1 22 𝜅2 = |𝑥2| |𝑓(𝑥)| | 𝜕𝑓 𝜕𝑥2 | = |−2| |22| |−6| = 12 22 𝜅3 = |𝑥3| |𝑓(𝑥)| | 𝜕𝑓 𝜕3 | = |3| |22| |10| = 30 22 𝜿 = [ 1 22 12 22 30 22 ] , 𝒗𝛿𝑟𝑥 = [ 0.0002 |1| 0.00010 |−2| 0.0003 |3| ] = [ 0.0002 0.0005 0.0001 ] 𝛿𝑓 |𝑓(𝑥)| = ⟨𝑣𝛿𝑟𝑥 , 𝑢𝜅 ⟩ 𝛿𝑓 |𝑓(𝑥)| = 0.0002 22 + 0.0005 × 12 22 + 0.0001 × 30 22 𝛿𝑓 |𝑓(𝑥)| ≅ 0.00042 Observem que os erros das variáveis 𝑥1 e 𝑥2 são reduzidos na saída, enquanto o erro cometido em 𝑥3 é ampliada de 30 22 ≈ 1.37, ou seja, aumenta em, aproximadamente, 37%. P á g i n a | 44 Professor Me. José C. Calheiros – IFSP - Pirituba 2.6 Exercícios 1. Considere a função 𝑓(𝑥) = √𝑥. Encontre o erro relativo em 𝑓(𝑥) para: a) 𝑥 = 1,56 com erro de 0,01; b) 𝑥 = 1,9999 ± 0.0003. 2. Qual o número de condicionamento do exercício anterior para 𝛿𝑥 qualquer? Intérprete este resultado. 3. Considere a função 𝑓(𝑥) = 10 1−𝑥2 . Calcule o valor de 𝑓(𝑥) para 𝑥 = 0,9995 com um erro de 𝛿𝑥 = 0,0001 e os erros absolutos e relativo. 4. Encontre o número de condição do exercício 3 e faça uma interpretação do resultado. P á g i n a | 45 Professor Me. José C. Calheiros – IFSP - Pirituba Capítulo 3 Raízes de Função Real ou Polinomial Neste capítulo estudaremos métodos numéricos para encontrar aproximações de raízes de funções reais. Iniciaremos os estudos dos métodos numéricos para encontrar raízes aproximadas de funções de uma variável, em seguida aprenderemos como resolver um sistema de equação não lineares através do Método de Newton. Os métodos abordados neste capítulo são de suma importância na obtenção de raízes aproximadas de polinômios. P á g i n a | 46 Professor Me. José C. Calheiros – IFSP - Pirituba 3.1 Método da Bisseção Fig. 3.1 Gráfico de 𝑓(𝑥) Na maioria dos problemas reais, ou modelos matemáticos, encontrar um número 𝑥 = 𝑥𝑟 ∈ ℝ tal que um determinado modelo 𝑓(𝑥) (função) se anule não é tão simples. Considere o gráfico de uma função contínua 𝑓(𝑥), Fig. 3.1. Neste capítulo, estudaremos métodos numéricos para encontrar 𝑥 ∈ ℝ que satisfaça a equação 𝑓(𝑥) = 0. Este valor é denominado raiz da função 𝑓. Observando a Fig. IV (pág. 56) percebemos que a imagem da função 𝑓, à esquerda de 𝑥 = 𝑥𝑟, é negativa, enquanto à direita é positiva (poderia ocorrer o contrário). 𝑓(𝑎) < 0 < 𝑓(𝑏) A desigualdade acima nos diz que no intervalo [𝑎; 𝑏] a função 𝑓 muda de sinal, pelo menos, uma vez. E como 𝑓 é contínua no intervalo considerado, pelo Teorema do Valor Intermediário, existe 𝑥𝑟 ∈ [𝑎; 𝑏] tal que 𝑓(𝑥𝑟) = 0 Ao passarmos por uma raiz com multiplicidade 1 (um), teremos, obrigatoriamente 𝑓(𝑎) × 𝑓(𝑏) < 0 P á g i n a | 47 Professor Me. José C. Calheiros – IFSP - Pirituba A desigualdade acima pode ocorrer em duas situações: 𝑓(𝑎) × 𝑓(𝑏) < 0 { 𝑓(𝑎) < 0 𝑒 𝑓(𝑏) > 0 𝑜𝑢 𝑓(𝑎) > 0 𝑒 𝑓(𝑏) < 0 Teorema (do Valor Intermédio) 3.1 Seja f uma função contínua no intervalo [𝑎, 𝑏]. Se 𝑓(𝑎)𝑓(𝑏) < 0 então existe pelo menos uma raiz da equação 𝑓(𝑥) = 0 no intervalo [𝑎, 𝑏]. O Teorema do Valor intermediário nos garante que existe pelo menos uma raiz e não diz se ela é única. Para que a raiz seja única, a função 𝑓(𝑥) deve satisfazer as hipóteses do Teorema de Rolle. Teorema de Rolle 3.2 Seja f uma função diferençável no intervalo [𝑎, 𝑏]. Se 𝑓 (𝑥)′ ≠ 0 para todo o x em [𝑎, 𝑏], então existe no máximo um 𝑥𝑟 em ]𝑎, 𝑏[ tal que 𝑓(𝑥𝑟) = 0. P á g i n a | 48 Professor Me. José C. Calheiros – IFSP - Pirituba Fig. 3.2 Interpretação Geométrica do Exemplo 3.1.Fig. 3.3: Gráfico de 𝑓(𝑥) Exemplo 3.1 Dada a função 𝑓(𝑥) = 𝑥2 − 5. Construa seu gráfico no intervalo [2; 3] e mostre que 𝑓(2) < 0 < 𝑓(3). 𝑓(2) = 22 − 5 = −1 < 0 𝑓(2) = 32 − 5 = 4 > 0 Logo, temos 𝑓(2) < 0 < 𝑓(3) Graficamente temos a seguinte situação. Observe que a raiz é única no intervalo [1; 2], pois 𝑓′(𝑥) = 2𝑥 > 0, ∀ 𝑥 ∈ [1; 2] Pergunta IV Como podemos encontrar a raiz de uma função 𝑓 contínua em um intervalo [𝑎; 𝑏]? Para responder a esta pergunta, vamos observar o gráfico de 𝑓(Fig. 3.3). Observamos que a raiz (ou zero) da função 𝑓 se encontra dentro do intervalo [𝑎; 𝑏]. Vamos definir a seguinte sequência: P á g i n a | 49 Professor Me. José C. Calheiros – IFSP - Pirituba Fig. 3.4: Representação do intervalo [𝑎; 𝑏] 𝑥1 = 𝑏 + 𝑎 2 𝑎 < 𝑥1 < 𝑏 Observem que 𝑥1 é ponto médio do segmento de tamanho |𝑏 − 𝑎|. ▪ Se 𝑓(𝑎)𝑓(𝑥1) < 0. Então a raiz de 𝑓 estará no intervalo [𝑎; 𝑥1], então faça 𝑏 = 𝑥1; ▪ Se 𝑓(𝑥1)𝑓(𝑏) < 0. Então a raiz de 𝑓 estará no intervalo [𝑥1; 𝑏], então faça a= 𝑥1; O que foi descrito anteriormente pode ser feito indefinidamente. Isso nos levará, em um dado momento, a está muito, mais muito, próximo da raiz 𝑥𝑟, ou até mesmo encontrá-la. Pergunta V Quantas vezes será necessário executar os passos descrito anteriormente para estarmos muito próximos, ou até mesmo, encontrarmos o valor exato da raiz 𝑥𝑟? Vamos representar o intervalo [𝑎; 𝑏] geometricamente Fig. 3.4. P á g i n a | 50 Professor Me. José C. Calheiros – IFSP - Pirituba 𝑥1 = 𝑎 + 𝑏 2 Observem que |𝑥1 − 𝑥𝑟| ≤ |𝑏 − 𝑎| 2 𝑓(𝑎) × 𝑓(𝑥1) → { < 0; 𝑏 = 𝑥1; [𝑎; 𝑥1] > 0; 𝑎 = 𝑥1; [𝑥1, 𝑏] Repetimos o processo para o novo intervalo. 𝑥2 = 𝑎 + 𝑏 2 Novamente, temos |𝑥2 − 𝑥𝑟| ≤ |𝑏 − 𝑎| 22 𝑓(𝑎) × 𝑓(𝑥2) → { < 0; 𝑏 = 𝑥2; [𝑎; 𝑥2] > 0; 𝑎 = 𝑥2; [𝑥2, 𝑏] 𝑥3 = 𝑎 + 𝑏 2 |𝑥3 − 𝑥𝑟| ≤ |𝑏 − 𝑎| 23 𝑓(𝑎) × 𝑓(𝑥3) → { < 0; 𝑏 = 𝑥3; [𝑎; 𝑥3] > 0; 𝑎 = 𝑥3; [𝑥3, 𝑏] ⋮ Na (𝑛 − 1) – é𝑠𝑖𝑚𝑎 etapa, teremos 𝑥𝑛−1 = 𝑎 + 𝑏 2 |𝑥𝑛−1 − 𝑥𝑟| ≤ |𝑏 − 𝑎| 2𝑛−1 P á g i n a | 51 Professor Me. José C. Calheiros – IFSP - Pirituba 𝑓(𝑎) × 𝑓(𝑥𝑛−1) → { < 0; 𝑏 = 𝑥𝑛−1; [𝑎; 𝑥𝑛−1] > 0; 𝑎 = 𝑥𝑛−1; [𝑥𝑛−1, 𝑏] 𝑥𝑛 = 𝑎 + 𝑏 2 |𝑥𝑛 − 𝑥𝑟| ≤ |𝑏 − 𝑎| 2𝑛 𝑓(𝑎) × 𝑓(𝑥𝑛) → { < 0; 𝑏 = 𝑥𝑛; [𝑎; 𝑥𝑛] > 0; 𝑎 = 𝑥𝑛; [𝑥𝑛, 𝑏] ⋮ Na n-nésima etapa teremos |𝑥𝑛 − 𝑥𝑟| ≤ |𝑏 − 𝑎| 2𝑛 Então fazemos 𝑥𝑟 ≈ 𝑎𝑛 + 𝑏𝑛 2 Onde 𝑎𝑛 e 𝑏𝑛 são os últimos valores extremos do intervalo encontrado. A resposta para a pergunta anterior está na desigualdade |𝑥𝑛 − 𝑥𝑟| ≤ |𝑏 − 𝑎| 2𝑛 Ora, se queremos realizar estas etapas a ponto de, em um passo 𝑛 estarmos muito, mais muito próximo da solução exta, então basta definirmos uma tolerância para que isso ocorra. P á g i n a | 52 Professor Me. José C. Calheiros – IFSP - Pirituba Podemos estipular um erro ∈> 0, porém muito pequeno. Por exemplo, poderíamos estipular que o erro cometido na aproximação não seja maior que ∈= 10−5 Aqui entra a parte do cálculo 1, especificamente o conceito de limite, em particular limite de sequências. Observe que lim 𝑛→∞ |𝑥𝑛 − 𝑥𝑟| ≤ lim 𝑛→∞ |𝑏 − 𝑎| 2𝑛 | lim(𝑥𝑛 − 𝑥𝑟)| 𝑛→∞ ≤ |𝑏 − 𝑎| lim 𝑛→∞ 1 2𝑛 = 0 lim(𝑥𝑛 − 𝑥𝑟) = 0 lim𝑥𝑛 = 𝑥𝑟 O que mostra que o método converge para a raiz desejada. P á g i n a | 53 Professor Me. José C. Calheiros – IFSP - Pirituba 3.2 Critério de Parada Vamos supor que desejamos encontrar uma aproximação 𝑥𝑛 para a raiz da igualdade 𝑓(𝑥) = 0 com tolerância, ou precisão, 𝜀 > 0 (pequeno). Ora, considerando a desigualdade que segue, podemos encontrar o número máximo de iterações, ou seja, podemos encontrar o valor do número de iterações 𝑛. |𝑥𝑛 − 𝑥𝑟| ≤ |𝑏 − 𝑎| 2𝑛 < 𝜀 Da desigualdade anterior, podemos escrever |𝑏 − 𝑎| 2𝑛 < 𝜀 → |𝑏 − 𝑎| 𝜀 < 2𝑛 ln ( |𝑏 − 𝑎| 𝜀 ) < ln2𝑛 𝑛 > ln ( |𝑏 − 𝑎| 𝜀 ) ln2 Podemos utilizar como critério de parada o menor inteiro 𝑛0 > 𝑛. Ou um dos critérios, ou todos combinados, a fim de evitar que o algoritmo entre em loop infinito. I. |𝑥𝑛+1 − 𝑥𝑛| < 𝜀; II. |𝑓(𝑥𝑛+1)| < 𝜀; III. 𝑛 número máximo de iterações desejada. P á g i n a | 54 Professor Me. José C. Calheiros – IFSP - Pirituba Exemplo 3.2 Dada a equação 𝑒𝑥 = 𝑥 + 2. Encontra uma aproximação para as raízes da equação anterior com tolerância e encontre o número de iterações em cada caso: a) 10−1; b) 10−2; c) 10−3; d) 10−4. Para cada item, iremos encontrar o número de iterações e após as aproximações para as raízes. Mas antes, precisamos isolar a raiz, ou seja, encontrar um intervalo onde ela(s) se encontra(m). Nosso objetivo é encontrar a raiz da seguinte função 𝑓(𝑥) = 𝑒𝑥 − 𝑥 − 2 = 0 Se fizermos 𝑥 = 1 e depois 𝑥 = 2 na função 𝑓, obtemos 𝑓(1) = 𝑒1 − 3 < 0 𝑓(2) = 𝑒2 > 0 𝑓(1) × 𝑓(2) < 0 Logo, o intervalo a ser usado é [𝑎; 𝑏] = [1; 2] Para o intervalo encontrado, temos 𝑛 > ln ( |𝑏 − 𝑎| ∈ ) ln2 P á g i n a | 55 Professor Me. José C. Calheiros – IFSP - Pirituba a) ∈= 10−1 𝑛 > ln ( |2 − 1| 10−1 ) ln2 𝑛 > ln10 ln2 ≅ 3,32 Então, tomamos 𝑛 = 4 𝑥1 = 2 + 1 2 = 1.5 𝑓(1.5) = 𝑒1.5 − 1,5 − 2 ≅ 0,98 > 0 𝑓(1) × 𝑓(1.5) → { < 0; 𝑏 = 1.5; 𝑥𝑟 ∈ [1; 1.5] 𝑥2 = 1.5 + 1 2 = 1.25 𝑓(1.25) = 𝑒1,2.5 − 1,25 − 2 ≅ 0,24 > 0 𝑓(1) × 𝑓(1.25) → { < 0; 𝑏 = 1.25; 𝑥𝑟 ∈ [1; 1.25] 𝑥3 = 1.25 + 1 2 = 1.125 𝑓(1.125) = 𝑒1,12.5 − 1,125 − 2 ≅ −0,045 < 0 𝑓(1) × 𝑓(1.125) → { > 0; 𝑎 = 1.125; 𝑥𝑟 ∈ [1.125; 1.5] 𝑥4 = 1.125 + 1.25 2 = 1.1875 𝑓(1.1875) = 𝑒1,187.5 − 1,1875 − 2 ≅ 0,091 > 0 P á g i n a | 56 Professor Me. José C. Calheiros – IFSP - Pirituba 𝑓(1.125) × 𝑓(1.1875) → { < 0; 𝑏 = 1.1875; 𝑥𝑟 ∈ [1.125; 1.1875] Para esses valores de a, b e n, temos |1,1875 − 1,125| 24 = 0,001953125 < 0,1 = 10−1 =∈ O que mostra que em 4 iterações, com erro menor que ∈= 0,1, nos aproximamos da raiz de 𝑓(𝑥) = 𝑒𝑥 − 𝑥 − 2 = 0 Tomando o intervalo 𝑥𝑟 ∈ [1.125; 1.1875] aproximação para 𝑥𝑟, com o erro pedido fica 𝑥𝑟 ≈ 1.1875 + 1.125 2 = 1.15625 b) ∈= 10−2 𝑛 > ln ( |2 − 1| 10−2 ) ln2 𝑛 > ln100 ln2 ≅ 6,65 Então, tomamos 𝑛 = 7 𝑥1 = 2 + 1 2 = 1.5 𝑓(1.5) = 𝑒1.5 − 1,5 − 2 ≅ 0,98 > 0 𝑓(1) × 𝑓(1.5) → { < 0; 𝑏 = 1.5; 𝑥𝑟 ∈ [1; 1.5] P á g i n a | 57 Professor Me. José C. Calheiros – IFSP - Pirituba 𝑥2 = 1.5 + 1 2 = 1.25 𝑓(1.25) = 𝑒1,2.5 − 1,25 − 2 ≅ 0,24 > 0 𝑓(1) × 𝑓(1.25) → { < 0; 𝑏 = 1.25; 𝑥𝑟 ∈ [1; 1.25] 𝑥3 = 1.25 + 1 2 = 1.125 𝑓(1.125) = 𝑒1,12.5 − 1,125 − 2 ≅ −0,045 < 0 𝑓(1) × 𝑓(1.125) → { > 0; 𝑎 = 1.125; 𝑥𝑟 ∈ [1.125; 1.5] 𝑥4 = 1.125 + 1.25 2 = 1.1875 𝑓(1.1875) = 𝑒1,187.5 − 1,1875 − 2 ≅ 0,091 > 0 𝑓(1.125) × 𝑓(1.1875) → { < 0; 𝑏 = 1.1875; 𝑥𝑟 ∈ [1.125; 1.1875] 𝑓(1.1875) = 𝑒1,187.5 − 1,1875 − 2 ≅ 0,091 > 0 𝑥5 = 1.1875 + 1,125 2 = 1.15625 𝑓(1.15625) = 𝑒1,1562.5 − 1,15625 − 2 ≅ 0,022 > 0 𝑓(1.125) × 𝑓(1.15625) { < 0; 𝑏 = 1.15625; 𝑥𝑟 ∈ [1.125; 1.15625] 𝑥6 = 1.15625 + 1,125 2 = 1.140625 𝑓(1.140625) = 𝑒1,14062.5 − 1,140625 − 2 ≅ −0,0112 < 0 𝑓(1.125) × 𝑓(1.140625) { > 0; 𝑎 =1.140625; 𝑥𝑟 ∈ [1.140625; 1.15625] P á g i n a | 58 Professor Me. José C. Calheiros – IFSP - Pirituba 𝑥7 = 1.15625 + 1.140625 2 = 1.1484375 𝑓(1.1484375) = 𝑒1,148437.5 − 1,1484375 − 2 ≅ 0.048 > 0 𝑓(1.140625) × 𝑓(1.1484375) → { < 0; 𝑏 = 1.1484375; 𝑥𝑟 ∈ [1.140625; 1.187375] Para esses valores de a, b e n, temos |1,1484375 − 1,140625| 128 ≅ 0,00098 <∈ Tomando o intervalo 𝑥𝑟 ∈ [1.140625; 1.148375] aproximação para 𝑥𝑟, com o erro pedido fica 𝑥𝑟 ≈ 1.148375 + 1.140625 2 = 1.1445 Tente resolver os outros itens. P á g i n a | 59 Professor Me. José C. Calheiros – IFSP - Pirituba O algoritmo, em Python: Método da Bisseção. P á g i n a | 60 Professor Me. José C. Calheiros – IFSP - Pirituba Exemplo 3.3 Encontre o número de condição, em cada item do Exemplo 2.2, o erro absoluto e relativo propagado ao aproximarmos, pelo método da bisseção, a raiz da equação 𝑒𝑥 = 𝑥 + 2, sabendo que o valor com 9 casas decimais corretas é dado por 𝑥𝑟 = 1.146193220 a) Rodando o programa da página anterior, encontramos as seguintes aproximações: | | 𝑘 1 2 3 4 | | 𝑥𝑘 1.5000 1.2500 1.1250 1.1875 Cálculo do erro na aproximação da raiz 𝑥𝑟 = 𝑥4 + 𝑥3 2 ≈ 1.15625 𝛿𝑥 ≅ |1.15625 − 1.146193220| 𝛿𝑥 ≅ 0.01005678 O número de condição é dado por 𝜅 = |𝑥| |𝑓(𝑥)| | 𝑑𝑓 𝑑𝑥 | Para 𝑓(𝑥) = 𝑒𝑥 − 𝑥 − 2, temos 𝑑𝑓 𝑑𝑥 = 𝑒𝑥 − 1 P á g i n a | 61 Professor Me. José C. Calheiros – IFSP - Pirituba 𝜅 = |𝑥| |𝑒𝑥 − 𝑥 − 2| |𝑒𝑥 − 1| Para o valor de 𝑥 encontrado no item (a) do Exemplo 2.2, obtemos 𝑥4 ≈ 1.15625 𝜅 ≈ |1.15625| |𝑒1.15625 − 1.15625 − 2| |𝑒1.15625 − 1| 𝐶𝑜𝑛𝑑 ≈ 115.82 Este número indica que o erro cometido na aproximação da raiz por 𝑥4 ≈ 1.1562 5 será ampliado em quase 116 vezes na saída 𝑓(𝑥) = 𝑒𝑥 O erro propagado em 𝑓 é dado por 𝛿𝑓 = | 𝑑𝑓 𝑑𝑥 | 𝛿𝑥 𝛿𝑓 = |𝑒 𝑥 − 1|0.01005678 𝛿𝑓 = |𝑒 1.15625 − 1|0.01005678 ≅ 0,0219 𝛿𝑓𝑟𝑒𝑙 = 𝛿𝑓 |𝑓(𝑥)| ≅ 1 |𝑓(𝑥)| | 𝑑𝑓 𝑑𝑥 | 𝛿𝑥 𝑓(1.15625) = 0.02174 𝛿𝑓𝑟𝑒𝑙 = 0,0219 |𝑓(1.15625)| ≅ 1.007 𝛿𝑥𝑟𝑒𝑙 = 𝛿𝑥 |𝑥| P á g i n a | 62 Professor Me. José C. Calheiros – IFSP - Pirituba 𝛿𝑥𝑟𝑒𝑙 = 0.01005678 |1,15625| ≅ 0.0087 Observe que 𝛿𝑓𝑟𝑒𝑙 𝛿𝑥𝑟𝑒𝑙 = 1.007 0,0087 ≅ 115.75 Bem próximo do número de condicionamento do problema. Encontrando o valor aproximado usando a raiz com nove casas decimais corretas e comparando com o valor encontrado com a tolerância aceita, podemos concluir que o erro cometido foi muito grande. 𝑓(1.15625) = 𝑒1,1562.5 − 1,15625 − 2 ≅ 0.02174 𝑓(1.146193220) = 𝑒1.14619322 − 1.14619322 − 2 𝑓(1.146193220) ≅ 1,0298 × 10−9 Observem que a aproximação com tolerância de 0.1 é muito ruim. b) Para este item, o programa gera os seguintes valores | | | 𝑘 1 2 3 4 5 6 7 | | 𝑥𝑘 1.5000 1.2500 1.1250 1.8750 1.1563 1.4063 1.1484 P á g i n a | 63 Professor Me. José C. Calheiros – IFSP - Pirituba Cálculo do erro na aproximação da raiz 𝑥𝑟 = 𝑥7 + 𝑥6 2 ≈ 1.1445 𝛿𝑥 ≅ |1.1445 − 1.146193220| 𝛿𝑥 ≅ 0.00169 O número de condição é dado por 𝜅 = |𝑥| |𝑓(𝑥)| | 𝑑𝑓 𝑑𝑥 | Para 𝑓(𝑥) = 𝑒𝑥 − 𝑥 − 2, temos 𝑑𝑓 𝑑𝑥 = 𝑒𝑥 − 1 𝜅 = |𝑥| |𝑒𝑥 − 𝑥 − 2| |𝑒𝑥 − 1| Para o valor de 𝑥 encontrado no item (b) do Exemplo 2.2, obtemos 𝑥4 ≈ 1.1445 𝜅 ≈ |1.1445| |𝑒1.1445 − 1.1445 − 2| |𝑒1,1445 − 1| 𝜅 ≈ 675.09 Este número indica que o erro cometido na aproximação da raiz por 𝑥𝑟 ≈ 1.1445 será ampliado em quase 700 vezes na saída 𝑓(𝑥). O erro propagado em 𝑓 é dado por P á g i n a | 64 Professor Me. José C. Calheiros – IFSP - Pirituba 𝛿𝑓 = | 𝑑𝑓 𝑑𝑥 | 𝛿𝑥 𝛿𝑓 = |𝑒 𝑥 − 1|0.00169 𝛿𝑓 = |𝑒 1.1445 − 1|0.00169 ≅ 0.003618 𝛿𝑓𝑟𝑒𝑙 = 𝛿𝑓 |𝑓(𝑥)| ≅ 1 |𝑓(𝑥)| | 𝑑𝑓 𝑑𝑥 | 𝛿𝑥 𝛿𝑓𝑟𝑒𝑙 = 0.003618 |𝑓(1.1445)| 𝑓(1.1445) ≈ −0.003629 𝛿𝑓𝑟𝑒𝑙 = 0.003618 |−0.003629| ≅ 0.0.9969 𝛿𝑥𝑟𝑒𝑙 = 𝛿𝑥 |𝑥| 𝛿𝑥𝑟𝑒𝑙 = 0.00169 |1.1445| ≅ 0,001477 Observe que 𝛿𝑓𝑟𝑒𝑙 𝛿𝑥𝑟𝑒𝑙 = 0.09969 0.001477 ≅ 674.95 Praticamente igual ao número de condicionamento. Agora faça os demais itens. P á g i n a | 65 Professor Me. José C. Calheiros – IFSP - Pirituba 3.3 Exercícios 1. 1. Escreva um programa, de preferência em Python, para encontrar as raízes da função 𝑓(𝑥) = 𝑥3 + 2𝑥2 − 1 com erro menor que 10−4. 2. 2. Suponha que o número de infectados por um vírus cresça seguindo o modelo 𝑝(𝑡) = 2000.0000 1 + 3𝑒−0.7𝑡 Encontre o valor de 𝑡, em ano aproximado, com erro de 10−5, para que a população atingida seja de 1.000.000. 3. 3. Considere a equação de Lambert dada por: 𝑥𝑒𝑥 = 𝑡 onde é um número real positivo. Mostre que esta equação possui uma única solução 𝑥𝑟 que pertence ao intervalo [0, 𝑡]. Usando esta estimativa como intervalo inicial, quantos passos são necessários para obter o valor numérico de 𝑥𝑟 com erro absoluto inferior à 10−6 quando 𝑡 = 1, 𝑡 = 10 𝑒 𝑡 = 100 através do método da bisseção? Obtenha esses valores. P á g i n a | 66 Professor Me. José C. Calheiros – IFSP - Pirituba 3.4 Método do Ponto Fixo 3.4.1 Raízes Funções Fig. 3.5: Método do Ponto Fixo Ao tentarmos resolver uma equação, ou encontrar as raízes de uma função 𝑓(𝑥) = 0, podemos construir uma outra função 𝜑(𝑥) tal que 𝑥 = 𝜑(𝑥) Por exemplo, encontrar a raízes da função 𝑓(𝑥) = 𝑒𝑥 − 𝑥 − 2 é o mesmo que tentar encontrar um 𝑥, tal que 𝑥 = 𝑒𝑥 − 2⏟ 𝜑(𝑥) A igualdade acima nada mais é que a interseção da reta 𝑦 = 𝑥 com a função 𝜑(𝑥). Graficamente, temos (Fig. 3.5) Nosso objetivo é construir uma função 𝜑(𝑥) que satisfaça a igualdade 𝑥 = 𝜑(𝑥) Vamos supor, por um momento, que a igualdade anterior seja verdadeira, dessa hipótese, podemos construir uma sequência de pontos 𝑥𝑘+1 = 𝜑(𝑥𝑘) no intervalo ]𝑎, 𝑏[ contendo a raiz da função 𝑓(𝑥) = 𝜑(𝑥) − 𝑥 = 0 E mais, como 𝑓(𝑥) é contínua no intervalo dado, 𝜑(𝑥) também o é. P á g i n a | 67 Professor Me. José C. Calheiros – IFSP - Pirituba Da continuidade da função 𝜑(𝑥), podemos escrever (Teorema do Valor Médio), para algum 𝑥 ∈ ]𝑎, 𝑏[ 𝜑′(𝑥) = 𝜑(𝑥𝑘) − 𝜑(𝑥𝑘−1) 𝑥𝑛 − 𝑥𝑛−1 𝜑(𝑥𝑘) − 𝜑(𝑥𝑘−1) = 𝜑 ′(𝑥)(𝑥𝑘 − 𝑥𝑘−1) Da construção da sequência (𝑥𝑘+1 = 𝜑(𝑥𝑘)), temos 𝑥𝑘+1 − 𝑥𝑘 = 𝜑 ′(𝑥)(𝑥𝑘 − 𝑥𝑘−1) Desenvolvendo a sequência anterior para 1 ≤ 𝑘 ≤ 𝑛, obtemos 𝑥2 − 𝑥1 = 𝜑 ′(𝑥)(𝑥1 − 𝑥0) 𝑥3 − 𝑥2 = 𝜑 ′(𝑥)(𝑥2 − 𝑥1) = [𝜑 ′(𝑥)]2(𝑥1 − 𝑥0) 𝑥4 − 𝑥3 = 𝜑 ′(𝑥)(𝑥3 − 𝑥2) = [𝜑 ′(𝑥)]3(𝑥1 − 𝑥0) ⋮ 𝑥𝑛 − 𝑥𝑛−1 = 𝜑 ′(𝑥)(𝑥𝑛−1 − 𝑥𝑛−2) = [𝜑 ′(𝑥)]𝑛−1(𝑥1 − 𝑥0) 𝑥𝑛+1 − 𝑥𝑛 = 𝜑 ′(𝑥)(𝑥𝑛 − 𝑥𝑛−1) = [𝜑 ′(𝑥)]𝑛(𝑥1 − 𝑥0) Da relação anterior, podemos concluir que para a sequência 𝑥𝑘+1 = 𝜑(𝑥𝑘) convergir, teremos que ter I. lim 𝑛→∞ |𝑥𝑛+1 − 𝑥𝑛| = lim 𝑛→∞ |𝜑′(𝑥)|𝑛 |𝑥1 − 𝑥0| = 0 II. De I, temos que, para todo 𝑥 ∈ ]𝑎, 𝑏[ , |𝜑′(𝑥)| = 𝑀 < 1 para algum número real 𝑀; III. ∃ 𝑥𝑟 ∈ ]𝑎, 𝑏[, tal que lim 𝑛→∞ 𝑥𝑛+1=𝜑 ( lim 𝑛→∞ 𝑥𝑛) = 𝜑(𝑥𝑟) = 𝑥𝑟 IV. 𝑥𝑟 é único valor em ]𝑎, 𝑏[ , tal que 𝜑(𝑥𝑟) = 𝑥𝑟 P á g i n a | 68 Professor Me.José C. Calheiros – IFSP - Pirituba Então, para que o Método do Ponto Fixo convirja, devemos ter |𝜑′(𝑥)| < 1 para todo 𝑥 ∈ ]𝑎, 𝑏[. Critérios de parada I. |𝑥𝑛+1 − 𝑥𝑛| < 𝜀; II. |𝑥𝑛+1−𝑥𝑛| |𝑥𝑛|<𝜀; < 𝜀; II. |𝑓(𝑥𝑛+1)| < 𝜀; IV. 𝑛 número máximo de iterações desejada. Exemplo 3.4 Dada a equação 𝑒𝑥 = 𝑥 + 2. Encontra uma aproximação para as raízes da equação anterior com tolerância e encontre o número de iterações em cada caso: Primeiro escrevemos 𝑥 = 𝑒𝑥 − 2. Disto segue que 𝜑(𝑥) = 𝑒𝑥 − 2 𝜑′(𝑥) = 𝑒𝑥 Vamos encontrar o intervalo onde |𝜑′(𝑥)| = 𝑒𝑥 < 1. Ora, isto ocorre para todo 𝑥 < 0. Escrevendo a sequência, obtemos 𝑥𝑘+1 = 𝑒 𝑥𝑘 − 2 Vamos utilizar como chute inicial 𝑥0 = −1.8 𝑥1 = 𝑒 𝑥0 − 2 = 𝑒−1.8 − 2 ≅ −1.8347 P á g i n a | 69 Professor Me. José C. Calheiros – IFSP - Pirituba O algoritmo, em Python: Método do Ponto Fixo 𝑥2 = 𝑒 𝑥1 − 2 = 𝑒−1.8347 − 2 ≅ −1.8403 𝑥3 = 𝑒 𝑥2 − 2 = 𝑒−1.8403 − 2 ≅ −1.8412 𝑥4 = 𝑒 𝑥3 − 2 = 𝑒−1.8412 − 2 ≅ −1.8414 𝑥5 = 𝑒 𝑥4 − 2 = 𝑒−1.814 − 2 ≅ −1.8414 Observem que a partir da quinta iteração, as aproximações com quatro casas decimais ficam em −1.8414. P á g i n a | 70 Professor Me. José C. Calheiros – IFSP - Pirituba 3.3 Exercícios Rodando algoritmo em Python da página anterior, os valores calculados, com precisão de 10−7 foram | | | 𝑘 1 2 3 4 5 6 7 | | 𝑥𝑘 −1.8347011117784136 −1.8403387845060170 −1.8412363696632286 −1.8413788096057715 −1.8414014019899503 −1.8414049850699314 −1.8414049850699314 1. Mostre que a equação cos(𝑥) = 𝑥 Possui uma única solução no intervalo [0, 1]. Use a iteração do ponto fixo para encontrar uma aproximação para a solução com 4 dígitos significativos (o mesmo que um erro de 10−4: erro na quarta casa decimal). 1. Escreva a equação 𝑥𝑒𝑥 = 10 de duas formas diferentes e, usando o método do ponto fixo, verifique, usando um programa de computador, se as sequências geradas são convergentes, tomando 𝑥0 = 2. 2. DO exercício 2, mostre, usando o teste da derivada que as sequências geradas pelo Método do Ponto Fixo, serão convergentes ou não. P á g i n a | 71 Professor Me. José C. Calheiros – IFSP - Pirituba 3.4 Método de Newton Fig. 3.6: Método de Newton Observe a Fig. 3.6 Supondo que 𝑓′(𝑥𝑛) ≠ 0 para todo natural 𝑛, podemos fazer: A reta 𝑟1 passa pelos pontos (𝑥0, 𝑓(𝑥0)) e (𝑥1, 0). Sua equação é dada por 𝑓(𝑥) − 𝑓(𝑥0) = 𝑓 ′ (𝑥𝑛)(𝑥 − 𝑥0) Podemos observar que para 𝑥 = 𝑥1, teremos 𝑓(𝑥1) − 𝑓(𝑥0) = 𝑓 ′(𝑥0)(𝑥1 − 𝑥0) Como 𝑓(𝑥1) = 0, podemos escrever a seguinte igualdade 0 − 𝑓(𝑥0) = 𝑓 ′(𝑥0)(𝑥1 − 𝑥0) − 𝑓(𝑥0) 𝑓′(𝑥0) = 𝑥1 − 𝑥0 𝑥1 = 𝑥0 − 𝑓(𝑥0) 𝑓′(𝑥0) A reta 𝑟2 passa pelos pontos (𝑥1, 𝑓(𝑥1)) e (𝑥2, 0). Sua equação é dada por 𝑓(𝑥) − 𝑓(𝑥1) = 𝑓 ′(𝑥1)(𝑥 − 𝑥1) De forma análoga ao que foi feito para a reta 𝑟1. Podemos observar que para 𝑥 = 𝑥2, teremos 𝑓(𝑥2) − 𝑓(𝑥1) = 𝑓 ′(𝑥1)(𝑥2 − 𝑥1) Como 𝑓(𝑥2) = 0, podemos escrever a seguinte igualdade P á g i n a | 72 Professor Me. José C. Calheiros – IFSP - Pirituba 0 − 𝑓(𝑥1) = 𝑓 ′(𝑥1)(𝑥2 − 𝑥1) − 𝑓(𝑥1) 𝑓′(𝑥1) = 𝑥2 − 𝑥1 𝑥2 = 𝑥1 − 𝑓(𝑥1) 𝑓′(𝑥1) Na (𝑛 − 1) − é𝑠𝑖𝑚𝑎 reta 𝑟𝑛−1, teremos 𝑓(𝑥𝑛) − 𝑓(𝑥𝑛−1) = 𝑓 ′(𝑥𝑛−1)(𝑥𝑛 − 𝑥𝑛−1) 0 − 𝑓(𝑥𝑛−1) = 𝑓 ′(𝑥𝑛−1)(𝑥𝑛 − 𝑥𝑛−1) 𝑥𝑛 = 𝑥𝑛−1 − 𝑓(𝑥𝑛−1) 𝑓′(𝑥𝑛−1) Na 𝑛 − é𝑠𝑖𝑚𝑎 reta 𝑟𝑛, teremos 𝑓(𝑥) − 𝑓(𝑥𝑛) = 𝑓 ′(𝑥𝑛)(𝑥 − 𝑥𝑛) 𝑓(𝑥𝑛+1) − 𝑓(𝑥𝑛) = 𝑓 ′(𝑥𝑛)(𝑥𝑛+1 − 𝑥𝑛) 0 − 𝑓(𝑥𝑛) = 𝑓 ′(𝑥𝑛)(𝑥𝑛+1 − 𝑥𝑛) 𝑥𝑛+1 = 𝑥𝑛 − 𝑓(𝑥𝑛) 𝑓′(𝑥𝑛) Este método leva o nome de Método de Newton. Observem que a partir de um chute inicial, podemos construir, usando o método acima, uma sequência de pontos na reta que convergem para a raiz da função 𝑓. P á g i n a | 73 Professor Me. José C. Calheiros – IFSP - Pirituba Exemplo 3.5 Encontre uma aproximação para √3 usando o Método de Newton. Devemos encontrar a raiz da função 𝑓(𝑥) = 𝑥2 − 3 Primeiro devemos isolar a raiz desejada, ou seja, encontrar um intervalo que contenha a raiz de 𝑓 Pela função, temos 𝑓(1) = 12 − 3 = −2 < 0 𝑓(2) = 22 − 3 = 1 > 0 Logo, podemos encontrar a raiz no intervalo [1; 2 ]. Calculando a derivada de 𝑓 𝑓′(𝑥) = 2𝑥 No intervalo em questão, a derivada é positiva para todo número 𝑥 ∈ [1; 2 ]. Considere a sequência 𝑥𝑛+1 = 𝑥𝑛 − 𝑓(𝑥𝑛) 𝑓′(𝑥𝑛) 𝑥𝑛+1 = 𝑥𝑛 − 𝑥𝑛 2 − 3 2𝑥𝑛 Agora precisamos escolher um chute para a aproximação inicial dentro do intervalo. Vamos escolher 𝑥0 = 1 P á g i n a | 74 Professor Me. José C. Calheiros – IFSP - Pirituba 𝑥1 = 𝑥0 − 𝑥0 2 − 3 2𝑥0 = 1 − 1 − 3 2 = 2 𝑥2 = 𝑥1 − 𝑥1 2 − 3 2𝑥1 = 2 − 4 − 3 4 = 1.75 𝑥3 = 𝑥2 − 𝑥2 2 − 3 2𝑥2 = 1.75 − 1.752 − 3 3.5 = 1.7321428571 Observe que atingimos um valor muito próximo de √3. Vejamos 𝜀 = |√3 − 𝑥3| ≅ 0.0000920495 < 10 −3 O erro relativo seria 𝜀 = |√3 − 𝑥3| √3 ≅ 0.0000531448 < 10−4 Este exemplo mostra que o Método de Newton é muito eficiente. Se tivéssemos escolhido como aproximação inicial 𝑥0 = 𝑎 + 𝑏 2 A convergência seria mais rápida. Tente! P á g i n a | 75 Professor Me. José C. Calheiros – IFSP - Pirituba 3.4.1 Convergên cia do M. de Newton Vamos considerar a função 𝑓(𝑥) e sua aproximação pelo Polinômio de Taylor em torno de 𝑥𝑛, como segue. 𝑓(𝑥) ≅ 𝑓(𝑥𝑛) + 𝑓 ′(𝑥𝑛)(𝑥 − 𝑥𝑛) + 𝑓′′(𝑥𝑛) 2! (𝑥 − 𝑥𝑛) 2 +⋯ + 𝑓𝑛(𝑥𝑛) 𝑛! (𝑥 − 𝑥𝑛) 𝑛 Seja 𝑥𝑟 ∈ ℝ tal que 𝑓(𝑥𝑟) = 0 e 𝑓 ′(𝑥𝑛) ≠ 0 disto segue que 0 ≅ 𝑓(𝑥𝑛) + 𝑓 ′(𝑥𝑛)(𝑥𝑟 − 𝑥𝑛) + 𝑓′′(𝑥𝑛) 2! (𝑥𝑟 − 𝑥𝑛) 2 +⋯ + 𝑓𝑛(𝑥𝑛) 𝑛! (𝑥𝑟 − 𝑥𝑛) 𝑛 Dividindo a relação anterior por 𝑓′(𝑥𝑛), obtemos 0 ≅ 𝑓(𝑥𝑛) 𝑓′(𝑥𝑛) + 𝑥𝑟 − 𝑥𝑛 + 𝑓′′(𝑥𝑛) 2𝑓′(𝑥𝑛) (𝑥𝑟 − 𝑥𝑛) 2 +⋯ + 𝑓𝑛(𝑥𝑛) 𝑛! 𝑓′(𝑥𝑛) (𝑥𝑟 − 𝑥𝑛) 𝑛 𝑥𝑛 − 𝑓(𝑥𝑛) 𝑓′(𝑥𝑛) ≅ 𝑥𝑟 + 𝑓′′(𝑥𝑛) 2! 𝑓′(𝑥𝑛) (𝑥𝑟 − 𝑥𝑛) 2 +⋯ − 𝑓𝑛(𝑥𝑛) 𝑛! 𝑓′(𝑥𝑛) (𝑥𝑟 − 𝑥𝑛) 𝑛 Dado que 𝑥𝑛+1 = 𝑥𝑛 − 𝑓(𝑥𝑛) 𝑓′(𝑥𝑛) Obtemos P á g i n a | 76 Professor Me. José C. Calheiros – IFSP - Pirituba 𝑥𝑛+1 ≅ 𝑥𝑟 + 𝑓′′(𝑥) 2! 𝑓′(𝑥𝑛) (𝑥𝑟 − 𝑥𝑛) 2 +⋯+ 𝑓𝑛(𝑥𝑛) 𝑛! 𝑓′(𝑥𝑛) (𝑥𝑟 − 𝑥𝑛) 𝑛 Do que foi posto acima, podemos escrever 𝑥𝑛+1 = 𝑥𝑟 + 𝑜((𝑥𝑟 − 𝑥𝑛)) 2 Onde 𝑜((𝑥𝑟 − 𝑥𝑛)) 2 = + 𝑓′′(𝑥𝑛) 2! 𝑓′(𝑥𝑛) (𝑥𝑟 − 𝑥𝑛) 2 +⋯ + 𝑓𝑛(𝑥𝑛) 𝑛! 𝑓′(𝑥𝑛) (𝑥𝑟 − 𝑥𝑛) 𝑛 Da relação 𝑥𝑛+1 = 𝑥𝑟 + 𝑜((𝑥𝑟 − 𝑥𝑛)) 2 O erro na aproximação da raiz é dado por |𝜀| = |𝑜((𝑥𝑟 − 𝑥𝑛)) 2 | |𝑥𝑛+1 − 𝑥𝑟| = |∑ 𝑓𝑖(𝑥𝑛) 𝑖! 𝑓′(𝑥𝑛) (𝑥𝑟 − 𝑥𝑛) 𝑖 𝑛 𝑖=2 | |𝑥𝑛+1 − 𝑥𝑟| ≤∑| 𝑓𝑖(𝑥𝑛) 𝑖! 𝑓′(𝑥𝑛) | |(𝑥𝑟 − 𝑥𝑛) 𝑖| 𝑛 𝑖=2 Da hipótese de que existe um 𝑛 ∈ ℕ, tal que |𝑥𝑟 − 𝑥𝑛| ≪ 1, podemos aproximar |𝑥𝑛+1 − 𝑥𝑟| ≅ 1 2 | 𝑓′′(𝑥𝑛) 𝑓′(𝑥𝑛) | |(𝑥𝑟 − 𝑥𝑛) 2| pois, os termos |𝑥𝑟 − 𝑥𝑛| 𝑛, com expoente 𝑛 ≥ 3, podem ser desprezados. P á g i n a | 77 Professor Me. José C. Calheiros – IFSP - Pirituba A relação |𝑥𝑛+1 − 𝑥𝑟| ≅ 1 2 | 𝑓′′(𝑥𝑛) 𝑓′(𝑥𝑛) | |(𝑥𝑟 − 𝑥𝑛) 2| nos diz que, para o Método de Newton convergir para a raiz de 𝑓, é necessário que as seguinteshipóteses sejam satisfeitas: I. 𝑓′(𝑥𝑛) ≠ 0 II. ∃ 𝑀 ∈ ℝ, tal que | 𝑓′′(𝑥𝑛) 𝑓′(𝑥𝑛) | ≤ 𝑀 < 1; III. 𝑓 tem que ser de casse 𝐶2 (derivada segunda contínua) no intervalo ]𝑎; 𝑏[ que contém a raiz; Sendo satisfeitas todas as hipóteses anteriores, então podemos escrever |𝑥𝑛+1 − 𝑥𝑟| ≤ 1 2 𝑀|(𝑥𝑟 − 𝑥𝑛) 2| Esta desigualdade nos leva a |𝑥1 − 𝑥𝑟| ≤ 1 2 𝑀|(𝑥𝑟 − 𝑥0) 2| |𝑥2 − 𝑥𝑟| ≤ 1 2 𝑀|(𝑥𝑟 − 𝑥1) 2| ≤ 𝑀3 23 |(𝑥𝑟 − 𝑥0) 4| |𝑥3 − 𝑥𝑟| ≤ 1 2 𝑀|(𝑥𝑟 − 𝑥2) 2| ≤ 𝑀7 27 |(𝑥𝑟 − 𝑥0) 8| |𝑥4 − 𝑥𝑟| ≤ 1 2 𝑀|(𝑥𝑟 − 𝑥3) 2| ≤ 𝑀15 215 |(𝑥𝑟 − 𝑥0) 16| P á g i n a | 78 Professor Me. José C. Calheiros – IFSP - Pirituba |𝑥5 − 𝑥𝑟| ≤ 1 2 𝑀|(𝑥𝑟 − 𝑥4) 2| ≤ 𝑀31 231 |(𝑥𝑟 − 𝑥0) 32| |𝑥6 − 𝑥𝑟| ≤ 1 2 𝑀|(𝑥𝑟 − 𝑥5) 2| ≤ 𝑀63 263 |(𝑥𝑟 − 𝑥0) 64| ⋮ |𝑥𝑛+1 − 𝑥𝑟| ≤ ( 𝑀 2 ) (2𝑛+1−1) |(𝑥𝑟 − 𝑥0) 2𝑛+1| Da última desigualdade acima, podemos notar que |𝑥𝑛+1 − 𝑥𝑟| |(𝑥𝑟 − 𝑥0)2 𝑛+1 | ≤ ( 𝑀 2 ) (2𝑛+1−1) lim 𝑛→∞ |𝑥𝑛+1 − 𝑥𝑟| |(𝑥𝑟 − 𝑥0)2 𝑛+1 | ≤ lim 𝑛→∞ ( 𝑀 2 ) (2𝑛+1−1) = 0 lim 𝑛→∞ |𝑥𝑛+1 − 𝑥𝑟| = 0 lim 𝑛→∞ 𝑥𝑛+1 = 𝑥𝑟 O que mostra que o método converge para a raiz 𝑥𝑟 de 𝑓. O limite anterior mostra que Método de Newton tem convergência de ordem 𝑝 = 2𝑛+1. P á g i n a | 79 Professor Me. José C. Calheiros – IFSP - Pirituba 3.6.2 Critério de Parada do M. de Newton Considere agora a tolerância para o erro igual a 𝜀 = 10−𝑛, para 𝑛 > 1, tal que |𝑥𝑛+1 − 𝑥𝑛| < 𝜀, disto, segue que Podemos estipular o erro usando a tolerância 𝜀 = 10−𝑛 para 𝑛 > 1. Logo podemos estipular o critério de parada do Método de Newton usando os critérios que seguem, ou uma combinação deles I. |𝑥𝑛+1 − 𝑥𝑛| < 𝜀; II. |𝑓(𝑥𝑛+1)| < 𝜀; III. 𝑛 número máximo de iterações desejada. Exemplo 3.6 Encontre a raiz de 𝑓(𝑥) = 𝑒𝑥 − 𝑥 − 2 com 𝜀 = 10−3. Primeiro vamos isolar a raiz e mostrar que ela é única. • 𝑓(1) = 𝑒1 − 1 − 2 < 0; • 𝑓(2) = 𝑒2 − 2 − 2 > 0. O intervalo a ser usado é [1; 2]. Neste intervalo 𝑓′(𝑥) = 𝑒𝑥 − 1 > 0 Logo a raiz é única. Vamos tomar como chute inicia 𝑥0 = 1 + 2 2 = 1.5 𝑥𝑛+1 = 𝑥𝑛 − 𝑓(𝑥𝑛) 𝑓′(𝑥𝑛) P á g i n a | 80 Professor Me. José C. Calheiros – IFSP - Pirituba 𝑥𝑛+1 = 𝑥𝑛 − 𝑒𝑥𝑛 − 𝑥𝑛 − 2 𝑒𝑥𝑛 − 1 𝑥1 = 𝑥0 − 𝑒𝑥0 − 𝑥0 − 2 𝑒𝑥0 − 1 = 1.5 − 𝑒1.5 − 1.5 − 2 𝑒1.5 − 1 ≅ 1.2180 𝑥2 = 𝑥1 − 𝑒𝑥1 − 𝑥1 − 2 𝑒𝑥1 − 1 𝑥2 = 1.2180 − 𝑒1.2180 − 1.2180 − 2 𝑒1.2180 − 1 𝑥2 ≅ 1.14977 𝑥3 = 𝑥2 − 𝑒𝑥2 − 𝑥2 − 2 𝑒2 − 1 𝑥3 = 1.14977 − 𝑒1.14977 − 1.4977 − 2 𝑒1.14977 − 1 𝑥3 ≅ 1.146678 Vamos calcular o valor de 𝑓(𝑥3) 𝑓(1.146678) = 𝑒1.146678 − 1.146678 − 2 ≅ 0.0010408 Calculando mais uma aproximação. 𝑥4 = 1.146678 − 𝑒1.146678 − 1.146678 − 2 𝑒1.146678 − 1 𝑥4 ≅ 1.1461934 𝑓(1.1461934) = 𝑒1.1461934 − 1.14661934 − 2 𝑓(1.1461934) ≅ 0.000000384983 Observem que, para 𝑥4 = 1.14614934 a função 𝑓 está muito próxima de zero. P á g i n a | 81 Professor Me. José C. Calheiros – IFSP - Pirituba |𝑥4 − 𝑥3| = |1.1461934 − 1.146678| |𝑥4 − 𝑥3| = 0.0004846 |𝑥4 − 𝑥3| < 10 −3 = 𝜀 Uma desvantagem do Método de Newton é a diminuição da convergência do método quando temos raízes múltiplas dentro do intervalo estudado. Para contornarmos essa desaceleração na convergência, basta realizarmos uma modificação simples, bastando multiplicarmos a relação de recorrência 𝑥𝑛+1 = 𝑥𝑛 − 𝑓(𝑥𝑛) 𝑓′(𝑥𝑛) pela multiplicidade 𝑚 da raiz procurada. 𝑥𝑛+1 = 𝑥𝑛 −𝑚 𝑓(𝑥𝑛) 𝑓′(𝑥𝑛) Atividade Realize o teste de velocidade de convergência do Método de Newton para encontrar a raiz de multiplicidade 3 do polinômio com 𝜀1 = 10 −5 e 𝜀2 = 10 −10, com e sem modificação. 𝑝(𝑥) = 𝑥4 + 2𝑥3 − 12𝑥2 + 14𝑥 − 5 P á g i n a | 82 Professor Me. José C. Calheiros – IFSP - Pirituba Algoritmo do Método de Newton em Python P á g i n a | 83 Professor Me. José C. Calheiros – IFSP - Pirituba 3.6.3 Exercícios 1. Depois de acionado um sistema de aquecedores, a temperatura em um forno evolui conforme a equação 𝑇(𝑡) = 500 − 800𝑒−𝑡 + 600𝑒−𝑡/3 onde 𝑇 é dado em Kelvin e 𝑡 em horas. a) Encontre a temperatura de equilíbrio do forno; b) Mostre que o valor máximo da temperatura atingida no forno é de 700𝐾; c) Obtenha o tempo aproximado em h e minutos, com precisão de 10−5, em que a temperatura de equilíbrio foi atingida; d) O sistema emitirá um alerta sempre que a temperatura no forno permanecer por mais de 4h acima de 20% acima da temperatura de equilíbrio, sendo o forno desligado em seguida. Podemos afirmar que o forno foi desligado? Explique. P á g i n a | 84 Professor Me. José C. Calheiros – IFSP - Pirituba 3.6.4 Método de Newton para Sistema de Equações não Lineares Exemplo 3.6 Suponha que desejamos encontrar a solução do seguinte sistema de equações { 𝑥1 2 + 𝑥2 2 = 9 𝑥1 − 𝑥2 = 1 Vamos definir a função 𝐹(𝑋) = ( 𝑥1 2 + 𝑥2 2 − 9 𝑥1 − 𝑦2 − 1 ) 𝑋 = ( 𝑥1 𝑥2 ) Para deduzir o que vamos fazer, vamos definir a função 𝐹(𝑋) = ( 𝑓1(𝑋) 𝑓2(𝑋) 𝑓3(𝑋) ⋮ 𝑓𝑛(𝑋)) Seguindo os passos da seção anterior, podemos aproximar 𝐹(𝑥) em torno de um vetor 𝑋𝑛 = (𝑥1𝑛, 𝑥2𝑛, 𝑥3𝑛⋯ , 𝑥𝑛𝑛) 𝐹(𝑋) ≅ 𝐹(𝑋𝑛) + 𝐹 ′(𝑋𝑛)(𝑋 − 𝑋𝑛) + 𝐹′′(𝑋𝑛) 2! (𝑋 − 𝑋𝑛) 2 +⋯ + 𝐹𝑛(𝑋𝑛) 𝑛! (𝑋 − 𝑋𝑛) 𝑛 Nos interessa a aproximar linear da função 𝐹(𝑋), logo P á g i n a | 85 Professor Me. José C. Calheiros – IFSP - Pirituba 𝐹(𝑋) ≅ 𝐹(𝑋𝑛) + 𝐹 ′(𝑋𝑛)(𝑋 − 𝑋𝑛) Observem que, cada função coordenada de 𝐹(𝑋) = ( 𝑓1(𝑋) 𝑓2(𝑋) 𝑓3(𝑋) ⋮ 𝑓𝑛(𝑋)) Pode ser aproximada pelo Polinômio de Taylor de grau 1 da seguinte forma 𝑓1(𝑋) = 𝑓1(𝑋𝑛) + 𝜕𝑓1 𝜕𝑥1 (𝑥 − 𝑥1𝑛) +⋯+ 𝜕𝑓1 𝜕𝑥𝑛 (𝑥 − 𝑥𝑛𝑛) 𝑓2(𝑋) = 𝑓2(𝑋𝑛) + 𝜕𝑓2 𝜕𝑥1 (𝑥 − 𝑥1𝑛) + ⋯+ 𝜕𝑓2 𝜕𝑥𝑛 (𝑥 − 𝑥𝑛𝑛) 𝑓3(𝑋) = 𝑓3(𝑋𝑛) + 𝜕𝑓3 𝜕𝑥1 (𝑥 − 𝑥1𝑛) +⋯+ 𝜕𝑓3 𝜕𝑥𝑛 (𝑥 − 𝑥𝑛𝑛) ⋮ 𝑓𝑛(𝑋) = 𝑓𝑛(𝑋𝑛) + 𝜕𝑓𝑛 𝜕𝑥1 (𝑥 − 𝑥1𝑛) + ⋯+ 𝜕𝑓𝑛 𝜕𝑥𝑛 (𝑥 − 𝑥𝑛𝑛) O sistema anterior pode ser escrito na forma matricial 𝑋 − 𝑋𝑛 = ( 𝑥1 − 𝑥1𝑛 𝑥2 − 𝑥2𝑛 𝑥3 − 𝑥3𝑛 ⋮ 𝑥𝑛 − 𝑥𝑛𝑛 ) 𝐹′(𝑋𝑛) = ( 𝜕𝑓1 𝜕𝑥1 𝜕𝑓1 𝜕𝑥2 𝜕𝑓1 𝜕𝑥3 ⋯ 𝜕𝑓1 𝜕𝑥𝑛 𝜕𝑓2 𝜕𝑥1 𝜕𝑓2 𝜕𝑥2 𝜕𝑓2 𝜕𝑥3 ⋯ 𝜕𝑓𝑛 𝜕𝑥𝑛 𝜕𝑓3 𝜕𝑥1 ⋮ 𝜕𝑓𝑛 𝜕𝑥1 𝜕𝑓3 𝜕𝑥2 ⋮ 𝜕𝑓𝑛 𝜕𝑥2 𝜕𝑓3 𝜕𝑥3 ⋯ 𝜕𝑓3 𝜕𝑥𝑛 ⋮ ⋱ ⋮ 𝜕𝑓𝑛 𝜕𝑥3 ⋯ 𝜕𝑓𝑛 𝜕𝑥𝑛 ) 𝐹′(𝑋𝑛) é a Matriz Jacobiana. P á g i n a | 86 Professor Me. José C. Calheiros – IFSP - Pirituba Supondo que exista 𝐹′−1(𝑋) ≠ 0 (inversa de 𝐹(𝑋)) para todo 𝑋, podemos, para 𝐹(𝑋𝑟) = 0, escrever 𝐹(𝑋𝑟) ≅ 𝐹(𝑋𝑛) + 𝐹 ′(𝑋𝑛)(𝑋𝑟 − 𝑋𝑛) 0 ≅ 𝐹(𝑋𝑛) + 𝐹 ′(𝑋𝑛)(𝑋𝑟 − 𝑋𝑛) Multiplicando por 𝐹−1(𝑋𝑛) dos dois lados, temos 0 ≅ 𝐹′ −1(𝑋𝑛)𝐹(𝑋𝑛) + 𝐹 ′−1(𝑋𝑛)𝐹 ′(𝑋𝑛)(𝑋𝑟 − 𝑋𝑛) 0 ≅ 𝐹′ −1(𝑋𝑛)𝐹(𝑋𝑛) + 𝑋𝑟 − 𝑋𝑛 𝑋𝑟 ≅ 𝑋𝑛 − 𝐹 ′−1(𝑋𝑛)𝐹(𝑋𝑛) Podemos escrever a seguinte igualdade 𝑋𝑛+1 = 𝑋𝑛 − 𝐹 ′−1(𝑋𝑛)𝐹(𝑋𝑛) Que nos fornece uma sequência de aproximações para a solução do sistema não linear estudado. Os critérios de parada para o Método de Newton para sistema
Compartilhar