Baixe o app para aproveitar ainda mais
Prévia do material em texto
Métodos Matemáticos Objetivos Objetivo 1 o Aplicar as principais propriedades de Álgebra Linear; Objetivo 2 o Esclarecer os conceitos de cálculo numérico, tais como: interpolação e integração numérica; Objetivo 3 o Calcular estatísticas, regressão linear, organização de dados, medidas de tendência central e de dispersão. Conteúdo UNIDADE 1 - Introdução à Álgebra Línea Aula 1 - Matrizes Aula 2 - Sistemas Lineares Aula 3 - Autovalores e Auto vetores UNIDADE 2 - Cálculo numérico Aula 1 - Zeros de funções Aula 2 - Interpolação Aula 3 - Integração numérica UNIDADE 3 - Probabilidade e estatística Aula 1 - Introdução à probabilidade e estatística Aula 2 - Medidas de tendência central e de dispersão Aula 3 - Regressão linear e correlação UNIDADE 4 - Estatística aplicada e probabilidade Aula 1 - Estatística descritiva Aula 2 - Probabilidade Aula 3 - Métodos de tomada de decisão Introdução Olá, estudante! Desejamos boas-vindas à disciplina de Métodos Matemáticos. Nesta disciplina, trabalharemos com os tópicos mais importantes da álgebra, cálculo numérico e probabilidade. Inicialmente, abordaremos a Álgebra Linear, com a estrutura algébrica conhecida por matriz e suas principais propriedades. Uma vez definido o que é uma matriz, introduziremos as operações com essa estrutura algébrica e o conceito de determinantes. Para entender melhor, alguns exemplos práticos relacionados à engenharia serão considerados. Em segundo lugar, trabalharemos com os conceitos de cálculo numérico, tais como: interpolação e integração numérica. Estes conceitos são ferramentas fundamentais quando nos deparamos com problemas práticos, cuja solução não é possível de se obter com métodos analíticos, gerando a necessidade do uso de métodos numéricos. Encerraremos a disciplina com os conceitos fundamentais de probabilidade e estatística, em que abordaremos as questões de hipóteses estatísticas, regressão linear, organização de dados, medidas de tendência central e de dispersão, entre outros conceitos importantes. Vale lembrar que essa disciplina é uma das mais importantes na engenharia, pois ela permite, além da álgebra, ênfases em cálculo numérico e estatística, que são fundamentais na profissão de engenheiro, uma vez que esses conceitos formam a base matemática da profissão. Competências Ao fim desta disciplina, você deverá ser capaz de: aplicar matrizes e suas operações na resolução de sistemas lineares e conhecer as aplicações de vetores e suas operações. calcular interpolação polinomial com a finalidade de aproximar funções reais e aproximar a integral definida de uma função por meio de técnicas numéricas. descrever os fundamentos probabilísticos e estatísticos para tomada de decisão necessários na prática profissional da área de exatas e Engenharias. Unidade 1 - Aula 1 - Matrizes Introdução da Unidade Objetivos da Unidade Ao final desta Unidade, você será capaz de: esclarecer a representação de dados na forma matricial; identificar modelagem de problemas aplicados como sistema de equações lineares; aplicar vetores e suas operações na resolução de problemas geométricos aplicados. Estudante, quando escutamos o termo “métodos matemáticos”, é natural que o primeiro conceito que vem em nossa cabeça é a relação com a realização de inúmeros cálculos, às vezes até sem-fim. Mas, será que estamos corretos sobre esse conceito? Para iniciar seu entendimento sobre os conceitos abordados, trabalharemos com a ideia de matrizes, as quais são, em linguagem popular, tabelas com um gama de dados. As matrizes são objetos matemáticos úteis para organização e manipulação de dados computacionalmente. Após essa ênfase no conceito de matrizes, estudaremos outro conceito que é muito comum, especialmente em modelagem: sistemas lineares. Os sistemas lineares podem ser aplicados em diversas situações, por exemplo, no balanceamento de equações químicas, no cálculo de lucros e dividendos de em empresa, nos problemas de otimização, na resistência de vigas, entre muitas outras aplicações comuns em nosso cotidiano. Por fim, encerraremos a unidade com o conceito de autovalores e autovetores, os quais, em geral, são utilizados em problemas de otimização computacional e em aplicações voltadas para a área da física em contexto de mecânica. Para exemplificar, suponha que você tem que lidar com um problema de construção civil, cujo objetivo é avaliar a resistência das vigas. Para resolver essa questão, você, inicialmente, trabalhará com a experimentação da situação e coletará os dados dela. A partir disso, montará a matriz com os dados. Com a matriz em mãos, por meio de sistemas lineares e operações com matrizes, você poderá validar a sua hipótese sobre a resistência das vigas. Esta, porém, não é a única situação em engenharia que você pode utilizar tais conceitos. Existem muitas outras, como predição de níveis de poluição atmosférica, na engenharia ambiental; concentração de solventes, na engenharia química; relatórios financeiros empresariais, no setor público ou privado; entre muitas outras aplicações. Já se imaginou trabalhando com as matrizes e os sistemas lineares sob essa visão? Para lhe auxiliar, aprenderemos, no decorrer desta unidade, um pouco mais sobre esses objetos. Mãos à obra! Introdução da Aula Qual é o foco da aula? Nesta aula, você estudará sobre Matrizes. Objetivos gerais de aprendizagem Ao final desta aula, você será capaz de: identificar a importância do papel das matrizes quando se trata de dados dispostos em tabelas; descrever como realizar operações com dados das matrizes; empregar o conceito de matrizes e determinantes. Situação-problema Nesta aula, entenderemos o conceito de matrizes e determinantes por meio de exemplos práticos e das definições dadas pela matemática em si. Com isso, você compreenderá a importância do papel das matrizes quando se trata de dados dispostos em tabelas e como realizar operações com esses dados. Como exemplo dessa abordagem, podemos considerar uma experimentação de resistência de vigas de uma construção civil, em que se obteve os valores das componentes das forças para cada uma das realizações do experimento. Os dados foram todos dispostos em tabelas, as quais, por sua vez, podem ser dispostas em matrizes para realização de cálculos, a fim de se atingir o objetivo da pesquisa ou do trabalho, que pode ser, por exemplo, o tempo total gasto para realização do experimento ou a escala das forças consideradas nele. Portanto, o uso de operações utilizando-se o conceito de matriz permite um melhor entendimento e interpretações do experimento em questão. Vamos criar uma situação hipotética para exemplificar o uso de matrizes no dia a dia de trabalho, especialmente em áreas relacionadas à engenharia. Imagine que você foi convocado e nomeado para realizar uma verificação do último relatório bimestral de uma empresa de construção civil no ano de 2020 em relação às vendas de cimento e cal. Os dados de venda da empresa são descritos pela matriz: Cada elemento dessa matriz representa o número de unidades dos produtos do tipo i (i = 1). A representação do cimento (i = 2) e a representação da cal vendidos no mês j (j = 1) representam novembro, e j = 2 representa dezembro. De acordo com as exigências, foi- lhe pedido para verificar as seguintes questões: 1. Qual produto e em qual mês foi vendido menos sacos? Qual a maior diferença de vendas entre os produtos nos meses correspondentes? 2. Qual foi a arrecadação bruta da empresa no bimestre com esses dois tipos de produtos, se o pacote de cimento custa R$30,00 e o pacote de cal custa R$50,00? Qual foi a arrecadação bruta de cada mês?Que tal começar esse entendimento agora? Você será acompanhado em todo o processo. Iniciaremos com os conceitos fundamentais de matrizes, para que você possa entender a relação delas com a disposição de dados em tabelas e como realizar operações. Conceito de Matriz Ao estudar métodos matemáticos, deparamo-nos com diversos conceitos. Nesta aula, abordaremos um conceito usual em muitas áreas do conhecimento, o conceito de matrizes. As matrizes são essenciais para muitos problemas, não apenas porque elas “ordenam e simplificam”, mas também porque oferecem novos métodos de resoluções e novos olhares sobre o problema. Neste aspecto, entende-se por uma matriz uma tabela de elementos dispostos em linhas e colunas. Por exemplo, ao coletarmos dados referentes às concentrações de pH do rio Columbia no primeiro trimestre dos anos de 2013 a 2015, podemos dispô-los na tabela a seguir. Concentrações de pH do rio Columbia de acordo com a estação de monitoramento de água Umatilla do estado de Washington, nos Estados Unidos, no período de 2013 a 2015. Fonte: https://bit.ly/384JRCT. Acesso em: 20 jan. 2021. Ao abstrairmos os significados das linhas e colunas, obtemos a seguinte matriz: ______ • Reflita Quando temos uma tabela com uma enorme quantidade de linhas e colunas, isto é, diversas variáveis, é viável a disposição desses dados em forma de matriz? ______ Uma questão que você pode estar se perguntando é: quais são os elementos que as matrizes podem incorporar? Na primeira impressão, pode parecer que as matrizes incorporam apenas números, porém elas podem incorporar muitos outros elementos, por exemplo, funções, matrizes, números complexos etc. De fato, considere a matriz: Essa matriz contém em suas entradas números complexos e equações/funções algébricas. Logo, uma matriz pode também conter uma combinação de elementos de natureza diferente, não sendo exclusivamente formada por apenas números. Outro fator importante quando se trabalha com matriz é a representação dela em termos algébricos. Representamos uma matriz de m linhas e n colunas por: ______ • Assimile ______ Quando se fala de matriz, uma propriedade que merece destaque é a de igualdade de matrizes. Diremos que duas matrizes são iguais se elas têm necessariamente o mesmo número de linhas e colunas e seus termos correspondentes são todos iguais. ______ ෝ Exemplificando Considere as matrizes de concentrações de pH de dois rios aleatórios: Note que, embora os números apresentados em ambas as matrizes sejam iguais, as matrizes não são iguais, pois o número de linhas e colunas são diferentes e os elementos na posição correspondente também são diferentes. ______ Uma segunda propriedade das matrizes é a operação de adição de matrizes. Por exemplo, consideramos as tabelas abaixo, as quais descrevem a produção de materiais de construção em dois anos consecutivos em três regiões brasileiras. Produção de materiais de construção (em milhões de toneladas) no primeiro ano. Fonte: elaborada pelo autor. Produção de materiais de construção (em milhões de toneladas) no segundo ano. Fonte: elaborada pelo autor. Suponha que nosso interesse seja descrever uma tabela que nos dê a produção por material de construção e por região nos dois anos conjuntamente. Como procederemos? Ora, neste caso, partimos da operação conhecida como adição de matrizes. Para realizá- la, devemos verificar se ambas as tabelas têm o mesmo número de linhas e de colunas. No nosso exemplo, essa condição é satisfeita. Logo, basta somar os elementos correspondentes e teremos a resposta para nosso objetivo! Assim: Portanto, a produção por material de construção e por região nos dois anos conjuntamente é descrita pela tabela abaixo. Produção de materiais de construção (em milhões de toneladas) nos dois anos. Fonte: elaborada pelo autor. ______ • Assimile Além da adição e da igualdade de matrizes, duas outras operações são comuns ao estudarmos matrizes: a multiplicação de um escalar (número) por uma matriz e a multiplicação de matrizes. Ambas as operações podem ser definidas formalmente como: A primeira operação definida é relativamente simples, pois basta multiplicar o número por cada elemento da matriz. Quanto à segunda operação, devemos tomar um certo cuidado com ela. Por quê? Vamos ver algumas observações do produto de matrizes: Só podemos multiplicar duas matrizes A e B se o número de colunas de A for igual ao número de linhas de B. O elemento é obtido multiplicando os elementos da i-ésima linha da primeira matriz pelos elementos correspondentes da j-ésima coluna da segunda matriz e somando-se esses produtos. O produto AB das matrizes A e B geralmente é diferente do produto BA das matrizes B e A. Além disso, em qualquer um dos casos, o produto pode não existir. Para exemplificar essa operação, consideraremos a matriz A, que representa o quadro com o número de engenheiros de uma construção civil, e B como uma matriz que representa o número de projetos disponíveis em cada área da empresa, em que: Suponha que o interesse seja multiplicar ambos os quadros, a fim de monitorar os recursos para a disposição dos projetos associados aos engenheiros. Neste caso, queremos trabalhar com o produto da matriz A com a matriz B. Isto é, Como o número de colunas da matriz A é igual ao número de linhas da matriz B, podemos realizar o produto, e o resultado é uma matriz dada pelo número de linhas de A com o número de colunas de B, isto é, a ordem da matriz resultante é . Assim: Portanto, a matriz que representa os recursos para a disposição dos projetos associados aos engenheiros da empresa é dada por: Tipos de Matrizes Agora que sabemos algumas das operações básicas de matrizes, interessa-nos saber quais são os tipos de matrizes que podemos encontrar em nossas situações-problema. Dos tipos conhecidos de matrizes, destacaremos dez deles: Agora que conhecemos os tipos de matrizes e as operações básicas em relação às matrizes, podemos definir o que é um determinante de uma matriz. Esse conceito será útil nas seções posteriores na solução de sistemas lineares envolvendo algumas situações do cotidiano. O que é determinante? Ora, quando nos referimos a esse termo, estamos nos referindo a um número associado a uma matriz quadrada A. Esse número é denotado como det(A) ou |A|. Mas, como encontra-se esse valor? Depende do tamanho da nossa matriz. Nesta aula, trabalharemos com determinantes de matrizes até a ordem . Vamos lá? Para as matrizes de ordem 1x1, não temos nenhum cálculo associado ao determinante, uma vez o que ele será o próprio elemento da matriz. No entanto, para uma matriz de ordem 2x2, o cálculo do determinante é feito realizando o produto dos elementos da diagonal principal subtraindo o produto dos elementos da diagonal secundária. Em termos matemáticos, temos: Para as matrizes , o cálculo é feito da mesma maneira? Não necessariamente. Neste caso, utilizamos a regra de Sarrus para realizar o cálculo. Por esta regra, adicionamos duas novas colunas na matriz inicial, repetindo os valores das duas primeiras colunas. Agora temos três diagonais principais e três secundárias. Procedemos, então, da mesma forma do determinante . Em termos matemáticos, fazemos: Com isso, encerramos a nossa primeira aula sobre os conceitos básicos e fundamentais de matrizes e determinantes, além das operações com esses objetos. Tais conceitos serão de suma importância para orientar sua equipe no trabalho proposto no início da unidade, especialmente para organização de dados. Conclusão Nosso problema aqui é conferir as informações do relatório da empresa, especificamente a matriz que representa as vendas. Para responder à primeira questão, devemos, inicialmente, descrever o quecada linha e cada coluna representa. Para esta empresa, as linhas são os produtos, e as colunas, os meses. Assim, para saber qual produto teve o menor número de sacos vendidos, basta olhar qual é a menor entrada da matriz. Neste caso, é o elemento, sobre o qual se observa que foram vendidos 1.375 sacos de cal. Já para a segunda questão, precisamos identificar a quais elementos a matriz se refere. O número de sacos de cal vendidos em novembro, de acordo com a matriz, é o elemento, e o número de sacos de cimento vendidos em dezembro é representado pelo elemento. Logo, para saber quantos sacos de cal foram vendidos a mais que sacos de cimento, deve-se fazer a seguinte operação: Portanto, em dezembro, foram vendidos 75 sacos de cal a mais que sacos de cimento nessa empresa. Logo, a maior diferença de vendas foi no mês de novembro. Por fim, para a última questão, temos duas operações a se fazer. A primeira delas é somar o número de sacos de cal e de cimento, individualmente. Assim, a arrecadação do último bimestre de 2020 pela empresa foi um total de R$ 273.600,00. Por outro lado, em relação à arrecadação total no bimestre, podemos também trabalhar com o produto de matrizes definido, como: Em que a primeira matriz representa os valores de cada produto, e a segunda matriz 2x2 representa as vendas. Para obter o total arrecadado, basta realizar o produto e somar as entradas, o que, nesse caso, é R$ 273.600,00. A vantagem desse método é que a matriz resultante do produto traz a arrecadação bruta em cada mês, e ela é dada por: Unidade 1 - Aula 2 - Sistemas Lineares Introdução da Aula Qual é o foco da aula? Nesta aula, você estudará sobre Sistemas Lineares. Objetivos gerais de aprendizagem Ao final desta aula, você será capaz de: definir os sistemas de equações lineares; descrever operações elementares, matrizes equivalentes e escalonamento; esclarecer os sistemas não-homogêneos e matrizes invertíveis. Situação-problema Estudante, nesta aula, entenderemos o conceito de sistemas lineares por meio de exemplos práticos e de definições dadas pela matemática em si. Com isso, você compreenderá a importância do papel dos sistemas lineares e como eles podem ser utilizados em situações do dia a dia. Como exemplo dessa abordagem, podemos considerar o balanceamento de equações químicas, muito comuns em aplicações de engenharia química. Balancear uma equação pode nos dizer muitas coisas sobre o comportamento de uma molécula em determinada reação, e os sistemas lineares são fundamentais para trabalharmos com esse conceito, por permitirem calcular com precisão a quantidade de átomos necessários para que se tenha um equilíbrio químico na reação. Estudante, criaremos uma situação hipotética para exemplificar o uso de sistemas lineares no dia a dia de trabalho, especialmente em áreas relacionadas à engenharia. Em engenharia elétrica, uma das aplicações mais comuns de sistemas lineares é a que envolve circuitos elétricos. Suponha que você tenha sido contratado para identificar os valores da corrente elétrica em um circuito elétrico composto por quatro ciclos fechados, no qual as correntes são denotadas como I1, I2, I3, I4, e as direções atribuídas a cada uma dessas correntes são arbitrárias, isto é, se uma corrente tem valor negativo para sua intensidade, então sua direção real é inversa à direção estipulada na situação considerada. Lembrando-se de que o fluxo de corrente num ciclo é governado pelas leis de Kirchhoff (a soma algébrica das quedas de voltagem em torno do ciclo é igual à soma algébrica das fontes de voltagem na mesma direção desse ciclo), foi obtido o seguinte sistema linear para o problema: No relatório que você deve escrever, há as seguintes perguntas: quais são os valores das correntes elétricas nessa situação, de acordo com o sistema de equações obtido? Quais são as direções dessas correntes? Para responder a essas questões, sugere-se trabalhar com a forma linha-reduzida do sistema linear em questão. Além disso, para entregar o relatório completo com suas observações, foi-lhe solicitada a indicação dos campos: nome da empresa, problema, solução, custo e assinatura. Que tal começar esse entendimento agora? Você será acompanhado em todo o processo. Iniciaremos com os conceitos fundamentais de sistemas lineares e suas aplicações em engenharia química; em seguida, trabalharemos com métodos de soluções desses sistemas, especialmente em forma de matrizes. Sistema Linear de Equações Anteriormente, exploramos o conceito de matrizes e suas principais características. Será que é somente esse tipo de estrutura que encontramos no nosso dia a dia? Para responder a essa questão, consideraremos a situação em que você deseja, por exemplo, saber quantas moléculas de hidrogênio (H2) e de oxigênio (O2) são necessárias para formar a água (H2O). Podemos escrever essa relação como: Se conseguir resolver o sistema apresentado, temos o número de moléculas necessárias para satisfazer a reação e, assim, entender um pouco sobre reações químicas na natureza. Essa estrutura aqui introduzida é chamada de sistema linear de equações e será nosso objeto de estudo desta unidade. ______ • Assimile Matematicamente, definimos um sistema linear com m equações e n incógnitas como sendo um conjunto de equações do tipo: ______ Os sistemas lineares são utilizados em muitas situações, por exemplo, tráfego de veículos, balanceamento de equações químicas, funções polinomiais, ruído acústico, sistemas GPS, mecanismos de busca (como o Google), entre muitas outras. Nosso foco será, em especial, as aplicações voltadas para a engenharia. ______ • Exemplificando Como primeiro exemplo, consideremos a combustão da gasolina. Embora a gasolina seja uma mistura de hidrocarbonetos, o composto que predomina é o C8H18. Em estudos de engenharia química, estabelece-se que a combustão completa da gasolina acontece quando reage com o gás oxigênio, que resulta em gás carbônico e água, isto é, Assim, observa-se que: a relação para os átomos de carbono é: 8x=w; a relação para os átomos de hidrogênio é: 18x=2z; a relação para os átomos de oxigênio é: 2y=2w+z. A partir dessas informações, podemos escrever o seguinte sistema linear: ______ Para responder à questão do nosso exemplo, introduziremos um novo conceito: matriz ampliada de um sistema linear. Considere o sistema linear em sua forma geral: Essa matriz é chamada de matriz ampliada do sistema. Nela, cada linha é apenas uma representação abreviada da equação correspondente no sistema. Voltando ao nosso exemplo, podemos reescrever o sistema da combustão de gasolina em forma matricial como: Qual é o próximo passo? Para prosseguir, necessitamos de um outro conceito, o qual chamamos de operações elementares. Elas são operações que realizamos na matriz ampliada do sistema, a fim de obter uma matriz equivalente, que nos trará a solução, caso exista, do sistema. São três tipos de operações que podemos considerar: Veja que agora nossa matriz equivalente tem um aspecto mais simples para obtermos a solução do sistema. Assim, podemos retornar para as equações do sistema, reescrevendo-o de acordo com a matriz equivalente. Portanto, Observe que temos três equações para quatro variáveis. Neste caso, dizemos que o sistema é possível (visto que nenhuma linha é do tipo, por exemplo, 2 = 0) e indeterminado, ou seja, admite infinitas soluções, já que temos uma variável livre. Seja w essa variável livre, logo, temos que: ______ • Reflita Em que outra situação do cotidiano você poderia utilizar sistemas lineares e resolvê-los partindo da ideia de operações elementares? ______ No nosso exemplo, consideramos o conceito de possível e indeterminado em relação à solução do sistema. No entanto, é somenteesse conceito que temos em relação a isso? A resposta é não! Um sistema linear pode ser classificado de três formas: 1. possível e determinado (SPD): quando não há variáveis livres e todos os valores das variáveis considerados podem ser encontrados (observação: a solução (0, 0, ..., 0) é chamada de solução trivial do sistema e será excluída dessa classificação); 2. possível e indeterminado (SPI): quando o número de equações é menor que o número de variáveis, obtendo-se, assim, uma variável livre, a qual gerará infinitas soluções para o sistema; 3. impossível (SI): quando não há variáveis livres e não é possível determinar uma solução do sistema em questão. Neste aspecto, trabalhamos com um novo conceito, que é o de matriz linha-reduzida à forma escada. Tal conceito pode ser definido como: Definição: uma matriz mxn é linha-reduzida à forma escada se: o primeiro elemento não nulo de uma linha não nula é igual a 1; cada coluna que contém o primeiro elemento não nulo de alguma linha tem todos os seus outros elementos iguais a zero; toda linha nula está sempre abaixo de todas as linhas não nulas; se as linhas 1, ..., r são linhas não nulas e se o primeiro elemento não nulo da linha i está na coluna ki, então k1<k2<...kr. Essa definição descreve o que chamamos de escalonamento de uma matriz. Em sistemas lineares, tal escalonamento é útil para definir a solução do mesmo de acordo com a classificação anterior. Um outro conceito que nos auxilia nisso é o conceito de posto e nulidade da matriz reduzida (ou equivalente) do sistema. Tal conceito pode ser definido como: ______ • Assimile Dada uma matriz A de ordem mxn, seja uma matriz B de ordem mxn a matriz-linha reduzida à forma escada linha equivalente a A. O posto de A, denotado por p, é o número de linhas não nulas de B, e a nulidade de a é o número n-p. ______ Assim, podemos reescrever a classificação dos sistemas lineares de acordo com o tipo de solução da seguinte forma: possível e determinado (SPD): quando o posto da matriz ampliada é igual ao posto da matriz dos coeficientes. Ele terá solução única se n=p; possível e indeterminado (SPI): quando o posto da matriz ampliada é igual ao posto da matriz dos coeficientes. Ele terá infinitas soluções se p<n; impossível (SI): quando o posto da matriz ampliada é diferente do posto da matriz dos coeficientes. Matrizes inversas Com isso, encerramos a primeira parte desta aula o que lida com os sistemas lineares. Agora, vamos à segunda parte, que é referente às matrizes inversas. Para trabalhar com inversão de matrizes, lidaremos necessariamente com as operações elementares e a forma matriz-linha reduzida à forma escada. Neste aspecto, dizemos que uma matriz A é invertível se sua matriz-linha reduzida à forma escada é a matriz identidade. Além disso, sendo A-1 a inversa de A, o produto A . A-1 resulta na matriz identidade. Veremos como esse procedimento funciona na prática. Como exemplo, considere a matriz A dada por: Para começar o processo de inversão da matriz A, colocamos a matriz identidade junto à matriz A e aplicamos as operações elementares com as linhas, a fim de reduzir a parte esquerda (que corresponde a A) à forma escada da linha reduzida. Além disso, as operações devem ser feitas simultaneamente na parte direita. Isto é, Conclusão Usando o conceito de forma linha-reduzida por meio de operações elementares, obtém- se que o sistema pode ser reduzido ao sistema: A solução é . Portanto, o valor da intensidade da primeira corrente é 1 amp; da segunda, 2 amp; da terceira, 2 amp; da quarta, -2 amp. Além disso, em termos de direção, as direções das correntes I1, I2, I3 são as mesmas do que foi estipulado no problema, e da corrente I4 a direção é oposta. Por fim, resta escrever o relatório, no qual, você deve seguir este modelo: Nome da empresa XXXXX Problema Intensidade e direções das correntes elétricas em quatro ciclos fechados de um circuito elétrico. Solução De acordo com o sistema linear apresentado, obteve-se que os valores das correntes elétricas são: primeira corrente é 1 amp; da segunda, 2 amp; da terceira, 2 amp; da quarta, -2 amp. Além disso, em termos de direção, as direções das correntes I1, I2, I3 são as mesmas do que foi estipulado no problema, e da corrente I4 a direção é oposta. Custo XXXX Assinatura XXXX Unidade 1 - Aula 3 - Autovalores e Autovetores Introdução da Aula Qual é o foco da aula? Nesta aula, você estudará sobre autovalores e autovetores. Objetivos gerais de aprendizagem Ao final desta aula, você será capaz de: definir espaços vetoriais e diagonalização; explicar as transformações lineares e operadores; comparar autovalores e autovetores. Situação-problema Estudante, nesta aula, abordaremos o conceito de espaços vetoriais e transformações lineares. Os espaços vetoriais são uma das estruturas algébricas mais importantes da álgebra, cujas aplicações são encontradas em diversos aspectos do nosso dia a dia, por exemplo, no espectro de cores, que nos permite fazer mudanças de coordenadas desses espectros baseando-se no conceito dos espaços vetoriais e das transformações lineares. E falando em transformações lineares, esses tipos de operações são a base fundamental da álgebra linear, podendo ser aplicada em engenharia da computação quando trabalhamos com criptografia, por exemplo. Já os autovalores, os autovetores e a diagonização são outras ferramentas que podem ser utilizadas em engenharia biomédica nas questões de crescimento populacional e transformações, e na computação em mecanismos de busca, como o Google. Criaremos uma situação hipotética para exemplificar o uso das transformações lineares em situações do cotidiano. Em um estudo envolvendo engenharia biomédica, um determinado pesquisador trabalhou com espectro de cores, em particular, coordenadas em espectro de cores. Em sua pesquisa, ele tinha por interesse mudar o sistema de cores, a fim de ampliar o espectro visível na retina. Sabe-se que, em geral, o espectro de cores é baseado em RGB (red-green-blue), porém esse pesquisador tinha interesse em criar um novo sistema de cores para determinar o espectro de cores. Ele chamou esse novo padrão de YGM (yellow-gray-magenta), que se baseia em mudanças de coordenadas por meio da transformação linear definida por . No entanto, ele tinha dúvidas em como verificar se a transformação era, de fato, linear e lhe contratou para fazer tal verificação, pois, se ela fosse linear, o sistema de cores dele faria sentido no espectro. Então, baseando-se nos conceitos de transformação linear, como você verificaria se a transformação é linear? O sistema criado pelo pesquisador fez sentido em relação ao espectro de cores? Conseguiu ver a importância desses conceitos? Que tal começarmos a trabalhar com eles e entender melhor sob o ponto de vista matemático e prático? Não se preocupe, vamos lhe acompanhar em todo o processo, e os conceitos serão construídos de forma gradual. Espaço vetorial Nas aulas anteriores, exploramos os conceitos de matrizes e sistemas lineares munidos das suas principais aplicações. Nesta aula, trabalharemos o conceito de uma das estruturas algébricas mais importantes da álgebra linear: o espaço vetorial. Um espaço vetorial V (sobre um campo F) é um conjunto, cujos elementos são chamados de vetores, de modo que se pode adicionar (e subtrair) vetores e multiplicar um vetor por uma constante de F. Essas constantes são chamadas escalares. Matematicamente, os axiomas que definem um espaço vetorial são: V é um grupo Abeliano isto é, valem as propriedades: o Lei comutativa: v + w = w + v. o Lei associativa: u + (v + w) = (u + v) + w. o Elemento neutro: u + 0 = 0 + u = u. o Elemento oposto: u − u = 0. V admite uma multiplicação escalar por elementos de F, isto é,valem as propriedades: o −u = (−1)u. o Distributiva: a(u + v) = au + av. o Associativa: a(bu) = (ab)u. Dentre as aplicações de espaços vetoriais, uma que se faz interessante é a que envolve a mudança de coordenadas nos espectros de cores em relação ao sistema de cores RGB (red-green-blue). Por exemplo, em física, o modelo matemático que se adequa à representação do espaço espectral de cores é necessariamente um espaço vetorial de dimensão finita, em que o processo de reconstrução de cor utiliza uma base de cores primárias, que seria a base do espaço vetorial, gerando o modelo tricromático de Young-Helmholtz, baseado no padrão RGB. Mas, antes de entrar no conceito de base e dimensão, definiremos o que chamamos de subespaço vetorial. Popularmente, dizemos que um subconjunto W de um espaço vetorial V é chamado de subespaço quando se torna um espaço vetorial com as operações herdadas de V, ou seja, quando somas e múltiplos escalares de vetores em W pertencem a W. Matematicamente, dizemos que W é um subespaço vetorial de V quando W⊂V, tal que o ∈ W; u+ v ∈ W e au ∈ W. Uma vez definido o que é subespaço vetorial, podemos trabalhar com o conceito de base e dimensão abordado no exemplo sobre espectro de cores descrito anteriormente. Neste aspecto, dizemos que uma base é uma coleção de vetores B de um espaço vetorial V quando cada vetor em V pode ser escrito de uma maneira única como combinação linear de elementos de B. As bases são precisamente os conjuntos máximos independentes de vetores. As bases também são precisamente os conjuntos de abrangência mínima de vetores e, em particular, cada conjunto de abrangência pode ser reduzido a uma base. Vale lembrar também que todo espaço vetorial tem uma base. Definimos o que é base, mas e o que é dimensão? Para definir esse conceito, tome quaisquer duas bases de V que têm o mesmo “tamanho”. Esse “tamanho” é chamado de dimensão de V, e denotamos por dim(V). ______ • Exemplificando Transformação linear Agora, já sabemos o que é um espaço vetorial e o que é uma base, que são ferramentas de suma importância para definir a nossa próxima estrutura de trabalho, as transformações lineares. E o que é uma transformação linear? Considere V e W dois espaços vetoriais sobre um corpo F. Uma transformação linear de V em W é uma função T : V→W que satisfaz: Para todo e todo escalar . Como primeiro exemplo, consideraremos V um espaço vetorial qualquer, a transformação identidade, definida por definida por I(v) =v, que é uma transformação linear de V em V. De fato: ______ • Exemplificando Quais são as propriedades de uma transformação linear? Para verificarmos isso, sejam V e W espaços vetoriais sobre um corpo F. A transformação linear T: V→ W satisfaz as seguintes propriedades: T(0) = 0 (T transforma o vetor nulo de V no vetor nulo de W). T (−v) = −T(v), para todo v ∈ V. T(v1 − v2) = T(v1) − T(v2), para todo v1,v2∈ V. Se U é um subespaço de V, então a imagem de U por T é um subespaço de W. Sendo T: V→W linear, então: Baseando-se nessas propriedades, podemos trabalhar com o conceito de base também. Isto é, dados V e W dois espaços vetoriais sobre um corpo F e dada uma base de V={ v1, …, vn}, sejam w1, …, wn elementos arbitrários de W. Existe uma única transformação linear T: V→ W, tal que Então: T(αv+u)= (αx1+y1)w1+…+(αxn+ yn)wn Por outro lado: O núcleo da transformação linear tem algumas propriedades importantes para nosso trabalho. Dentre todas elas, destacamos: Ker(T) é um subespaço vetorial de V. A transformação T é injetora se, e somente se, Ker(T) = {0}. Teorema do Núcleo e da Imagem e Isomorfismo Agora, com o núcleo e a imagem de uma transformação linear definidos, podemos definir o resultado fundamental da teoria de transformações lineares, que é o Teorema do Núcleo e da Imagem. Esse teorema traduz a dimensão do espaço vetorial. ______ • Assimile Teorema do Núcleo e da Imagem: sejam V e W espaços vetoriais de dimensão finita sobre um corpo F. Dada a transformação linear T: V→W, então: dim(V) = dim(Ker(T)) + dim(Im(T)) Portanto, a soma das dimensões do Ker(T) e da Im(T) é igual à dimensão do espaço vetorial V. ______ T(x, y, z)= x + y − z = 0⇒ x = −y +z Um outro conceito importante que diz respeito às transformações lineares é o conceito de isomorfismo. Para definir tal conceito, sejam V e W espaços vetoriais sobre um corpo F, suponha que T: V→W é uma transformação linear. Dizemos que T é um isomorfismo se T for bijetora (isto é, T deve ser injetora e sobrejetora). ______ • Reflita Matriz de uma transformação linear Para finalizar nosso estudo de transformações lineares, trabalharemos com a matriz de uma transformação linear, porém, antes, precisamos definir algumas coisas. ______ • Assimile A partir dessa definição, podemos escrever a matriz de ordem mxn da transformação linear F como sendo: É chamada de matriz da transformação linear F em relação às bases B e C e é denotada por (F)B,C. ______ • Assimile Seja V um espaço vetorial de dimensão n e T:V→V uma transformação linear. Dizemos que pT(t) é um polinômio característico de T se for obtido como pT(t)= det (A− kI), em que A é a matriz de T e I é a matriz identidade de ordem. ______ As raízes são 1, -1 nos números reais. As raízes dos polinômios característicos são conhecidas como autovalores de T, que é uma outra definição desse conceito. Uma vez que sabemos o que é autovalor e autovetor, podemos definir o que é diagonalização de operações, que é a definição final desta aula. Vamos lá? Conclusão Isto é: Ou seja: Portanto, T é uma transformação linear e traduz uma reflexão em torno do eixo x, isto é, o sistema proposto pelo pesquisador faz sentido por T ser linear e é baseado na reflexão em torno do eixo x. Unidade 2 - Aula 1 - Zeros de funções Introdução da Unidade Objetivos da Unidade Ao final desta Unidade, você será capaz de: calcular polinômios interpoladores; analisar erros na interpolação; algoritmos para determinação da integral definida de uma função de modo aproximado. Estudante, o que vem à sua cabeça quando escuta o termo métodos numéricos? Aproximações? Se sim, você está em uma linha de pensamento correta! O cálculo numérico é um subtópico dos métodos matemáticos que envolvem aproximações para zeros de funções, aproximações de cálculo de integrais que podem estar relacionadas com a área de uma placa de metal, por exemplo. Para iniciar o entendimento dessa ferramenta que se faz fundamental nos métodos matemáticos, vamos trabalhar com a ideia de como encontrar o zero de uma função usando o computador e os métodos de aproximação quando essa função for de uma natureza mais complexa. Um dos métodos mais conhecidos para isso é o famoso método de Newton-Rhapson, que estabelece critérios para encontrar uma aproximação da raiz de uma equação. Partindo dessa ideia de zeros de funções, em seguida, vamos trabalhar com o que chamamos de polinômio interpolador, que é um método de aproximação, uma função utilizando um polinômio de natureza simples, a fim de facilitar o entendimento do nosso problema. Por fim, vamos estudar os métodos numéricos para aproximar o valor de uma integral, que na prática é fundamental para o cálculo da área, especialmente quando se trabalha com placas de metais em formatos diferentes de figuras planas, por exemplo. Vamos ver cada um desses conceitos devagar no decorrer desta unidade. Introdução da Aula Qual é o foco da aula? Nesta aula, você estudará sobre Zeros de funções. Objetivos gerais de aprendizagem Ao final desta aula, você será capaz de: definir o conceito de Aritmética de ponto flutuante; demonstrar erros e estimativas para o erro; calcular zeros de funções reais por meiode métodos numéricos e seus algoritmos. Situação-problema Estudante! Nesta aula, vamos trabalhar inicialmente com os conceitos de sistemas numéricos a fim de entender o que é um sistema numérico, como operamos um sistema numérico e como o computador e a calculadora entende esses sistemas numéricos. Em seguida, vamos entender o conceito de erro e quais tipos de erros podemos cometer quando trabalhamos com aproximações numéricas. Por fim, vamos trabalhar com os tipos de métodos numéricos que temos para lidar com o problema de encontrar o zero (raíz) de uma função, independente da forma dessa função. Como exemplo dessa abordagem, podemos considerar o problema de encontrar o ponto que maximiza, por exemplo, a temperatura de operação de uma máquina industrial para entender a resistência em casos de acidentes térmicos. Dado a complexidade do problema, muitas vezes, não é possível obter uma solução usando métodos analíticos, fazendo-se assim o uso de métodos numéricos importantes. Vamos criar uma situação hipotética para exemplificar o uso dos métodos numéricos no dia a dia de trabalho, especialmente em áreas relacionadas com a Engenharia. Imagine que você foi convocado para implementar um método numérico para resolver o problema de maximização de lucro de uma dada empresa de software no ano de 2020. O método que a empresa definiu para a implementação no software matemático Maple foi o método do ponto fixo descrito pelos passos: Como você faria para implementar esse algoritmo computacionalmente de forma que ele fosse útil para a empresa? Além disso, a partir dessa implementação, calcule o valor do lucro máximo quando a função que determina o lucro é dada por f(x)=ex−2 assumindo uma aproximação inicial de 0.1 e uma precisão de 1%. Viu como os métodos numéricos são fundamentais? Que tal começar a entender como funcionam agora? Você será acompanhado em todo o processo no decorrer da aula! Vamos iniciar então com algo mais simples, mas que é base para todo o resto dos métodos numéricos: os sistemas numéricos. Sistema de ponto flutuante Você já parou para pensar no que são métodos numéricos? Como utilizamos um sistema numérico? Nesta unidade, nosso foco será trabalhar com métodos numéricos e é importante destacar que, quando falamos de uma solução numérica, não estamos falando de uma solução exata, e sim de uma solução aproximada. E como estamos falando de aproximações, estamos falando necessariamente de precisão numérica, que é sujeita a erros. Assim, vamos começar nossos estudos definindo o que é um sistema de ponto flutuante. ______ • Assimile Todo sistema computacional utiliza algum sistema de aritmética de ponto flutuante para trabalhar com números em que os resultados, em geral, são apresentados em base 10. Esses sistemas são conhecidos como sistemas numéricos de base 10. ______ Agora, vamos entender como funciona esse sistema. Começamos com a mantissa, ela deve ser fracionária nessa representação, isto é, deve ser menor do que 1 para que possamos trabalhar com a unicidade para a representação para cada y ∈ F . Mas como fazemos isso? Ora, devemos trabalhar com o que chamamos de normalização. Essa normalização deve ser feita de forma que d1≠0 para y≠0 para garantir a representação do sistema de ponto flutuante. ______ • Assimile É importante notar que a escolha de uma representação para o zero como sendo o menor expoente que simboliza a mantissa nula não é a melhor forma, pois isso traz perdas de dígitos significativos em operações. Arredondamento simétrico ou truncamento Uma vez definido o que é um sistema de aritmética de ponto flutuante, resta saber se é um conjunto finito. De acordo com a definição do sistema de ponto flutuante (ANDRADE, 2012), podemos notar que a quantidade de números normalizados é definida pela expressão: Essa questão de o sistema de ponto flutuante ser finito deriva, principalmente, da questão em que o computador e a calculadora trabalham com seus cálculos utilizando uma quantidade finita de dígitos. Por exemplo, na calculadora normal temos 8 dígitos, na científica 14, e assim por diante; porém nenhum dos dois trabalha com uma quantidade infinita de dígitos. Nesse aspecto, o uso dos métodos numéricos traz a necessidade de trabalharmos com o roll finito de dígitos. Então, sabemos que precisamos trabalhar com uma quantidade finita de dígitos, mas sabemos também que os números irracionais, por exemplo, têm quantidades infinitas de dígitos. Como procedemos para descartar os dígitos a fim de deixar esse número “finito”? Ora, existem duas maneiras de se fazer isso: arredondamento simétrico ou truncamento. Mas antes de definir o que são ambos, vamos ressaltar que tanto o computador quanto a calculadora trabalham com representação numérica discreta, isto é, dado um número x≠0 no sistema de aritmética de ponto flutuante de base 10, então x é escrito como: Ou ainda, Em que Com essas representações em mente, podemos, então, definir os tipos de arredondamentos. Assim, no que se refere ao arredondamento simétrico, ele pode ser definido como: se o primeiro dígito a ser desprezado é menor que cinco, descartamos todos os dígitos restantes; porém, se esse dígito for maior do que 5, então somamos 1 ao dígito que antecede esse dígito. Por exemplo, considere o número 5.2131412... e suponha que queremos esse número com apenas três casas decimais. Nesse caso, o dígito na quarta casa decimal é igual a 1, que é menor do que 5, então descartamos todos os dígitos a partir da quarta casa decimal e ficamos com o número 5.213. Agora, no que tange ao conceito de arredondamento por truncamento, ele é definido como: após decidir até qual casa decimal vamos utilizar, simplesmente descartamos o restante dos dígitos. ______ • Exemplificando Conseguiu perceber a diferença entre os arredondamentos? Veja que, em ambos os casos, obtemos um resultado diferente do valor original, uma vez que descartamos casas decimais. Essa diferença é o que chamamos de erro, e é importante conhecermos a magnitude desses erros. Assim, vamos trabalhar com dois tipos de erros: o absoluto e o relativo. Suponha que x seja uma aproximação para x. O erro absoluto é definido por: Em geral, o valor exato de não é sempre conhecido. Nesse caso, o cálculo do erro relativo não seria possível, no entanto, podemos utilizar a seguinte expressão do erro relativo quando o valor exato não é conhecido: • Exemplificando Vamos considerar um exemplo em que x = 1234.9 é uma aproximação para x, tal que o erro absoluto seja menor do que 0.1. Assim, podemos dizer que o valor exato x está no intervalo (1234.8, 1235.0). Por outro lado, suponha que y = 7.2 seja uma aproximação para y, tal que o erro absoluto seja menor do que 0.1, então y pertence ao intervalo (7.1,7.3). Será que a interpretação desses erros é igual tanto para x quanto para y? Considerando o erro absoluto, observe que os majorantes são necessariamente iguais, sendo assim o erro absoluto por si só não é suficiente para diferenciar as interpretações dos erros de x e y, pois geram a mesma interpretação. Então trabalhamos com o erro relativo. Note que: Nesse caso, os erros relativos são diferentes. E essa diferença traz o impacto na precisão da estimativa. No caso do x, vemos que a precisão da estimativa dele é maior que a de y, visto que o erro relativo para x é muito menor que o erro relativo para y. ______ • Reflita E se você quisesse uma precisão maior adicionando uma nova casa decimal, poderíamos incluir qual dígito: 4,471 ou 4,476? Seria possível incluir o dígito 4,479? ______ Portanto, para encerrar a primeira parte do nosso conteúdo da seção, iremos finalizar com os conceitos de estabilidade numérica. Em poucas palavras, podemos definir a estabilidade numérica como sendo uma propriedade doalgoritmo, uma vez que algoritmos podem ser bem sensíveis conforme a variação de dados, independentemente do método numérico utilizado. Isto é, de acordo com os dados que temos, um algoritmo pode se tornar instável. E são esses conceitos que nos dão a ideia da segunda parte do nosso conteúdo! Métodos bissecção, de ponto fixo e de Newton-Rhapson Suponha agora que estamos interessados em encontrar, numericamente, uma solução aproximada para a equação f(x)=0, onde f é uma função qualquer. Nesta aula, vamos apresentar os métodos mais comumente utilizados, entre eles o método da bissecção, o método do ponto fixo e o método de Newton-Rhapson. Ou seja, o método da bissecção trabalha com uma sequência convergente com base em intervalos encaixados. Esse método em particular é extremamente lento, mas a convergência é garantida se f for uma função contínua. Com isso, encerramos a nossa primeira aula sobre os conceitos básicos e fundamentais de sistemas numéricos, além dos métodos para encontrar zero de funções! Tais conceitos serão de suma importância para orientar sua equipe no trabalho e também para resolver problemas relativos à modelagem que envolva métodos numéricos. Conclusão Nosso problema aqui é implementar o método do ponto fixo utilizando o software Maple. Note que uma implementação computacional pode ser feita de várias formas diferentes e ainda assim gerar o mesmo resultado. O que vai mudar entre uma e outra é somente a eficiência e visualização do algoritmo. Então, como sugestão dessa implementação, podemos fazer: Assim, utilizando o código acima, encontramos que o valor de x que maximiza o lucro da empresa é x = 0.158593439, que implica então que o lucro da empresa, em bilhões de reais, é de 0.1585942. Unidade 2 - Aula 2 - Interpolação Introdução da Aula Qual é o foco da aula? Nesta aula, você estudará sobre Interpolação. Objetivos gerais de aprendizagem Ao final desta aula, você será capaz de: definir o conceito de interpolação polinomial e forma de Lagrange; identificar erro na erro na interpolação polinomial; aplicar a fórmula interpoladora de Newton. Situação-problema Estudante, nesta aula iremos entender o conceito de interpolação polinomial, que consiste em aproximar uma função usando polinômios. Para isso, dois métodos serão considerados: o método de Lagrange e o método de Newton. A vantagem do uso da interpolação polinomial, por exemplo, é que se uma dada função com forma complexa puder ser aproximada por um polinômio, então o nosso trabalho na modelagem facilita bastante, pois os polinômios são mais flexíveis para se trabalhar. Como exemplo do uso do polinômio interpolador, considere a situação em que você precisa modelar o lucro trimestral de sua empresa. Como, em geral, a curva do lucro é complexa, você pode utilizar o polinômio de Lagrange para aproximá-la e fazer a previsão do lucro. Uma alternativa a isso são os métodos estatísticos que serão trabalhados posteriormente em outras aulas. Em determinada empresa de solventes químicos, deseja-se achar uma forma mais eficiente de trabalhar com a demanda dos produtos. Pensando nisso, a empresa resolveu ajustar o modelo que descrevia a demanda usando um polinômio interpolador a partir do método de Lagrange. No entanto, nenhum dos funcionários tinha conhecimento sobre como fazer isso. Devido a essa carência, a empresa então lhe contratou para resolver o problema. Sabendo que os pontos de demanda eram baseados nos pontos , foi lhe requisitado a equação do polinômio interpolar que passava por esses pontos a fim de entender como estava funcionando a demanda da empresa. Dessa forma, você deveria apresentar a solução passo a passo de como foi encontrado tal polinômio sem o uso de métodos computacionais. Que tal começar esse entendimento agora? Você será acompanhado em todo o processo! Iniciaremos com os conceitos fundamentais de interpolação polinomial. Em seguida, trabalharemos com métodos de interpolação, especialmente o mais popular, que é o de Newton! Polinômio interpolador Anteriormente, exploramos os conceitos relativos a erros e encontrar soluções de f(x)=0 a partir de métodos iterativos. Agora, o nosso foco será encontrar um polinômio que aproxima a função f(x), chamado de polinômio interpolador. Para começar nossos trabalhos neste tópico, vamos supor que que temos (n + 1) pontos distintos x0, x1, . . . , xn, que iremos chamar de “nós”, e que os pontos y0, y1, . . . , yn foram obtidos por meio de alguma função f desconhecida, isto é, yi = f(xi), i = 0, 1, . . . , n. Queremos, então, conhecer ou estimar f(xr) para algum valor xr que não seja necessariamente tabelado. Um modo de fazer isso é interpolar f por uma função polinomial, uma vez que, em geral, temos conhecimento apenas dos pares de pontos (xi, (fxi)) e não da expressão de f em si. Com base nos conceitos de Álgebra Linear, podemos reescrever o sistema anterior em forma de matriz como: ______ • Assimile Matematicamente, uma matriz é dita matriz de Vandermonde se todos os termos de cada uma de suas linhas formam uma progressão geométrica. ______ Assim, podemos enunciar o seguinte resultado (ANDRADE, 2012): Teorema: Dados x0, x1, . . . , xn pontos distintos, existe um único polinômio pn(x), de grau máximo n, que interpola f nos pontos (xi, f(xi)), i = 0, . . . , n. Método de Lagrange e Método de Newton Existem diversos métodos para encontrar o polinômio interpolador, no entanto, nesta aula, iremos trabalhar com dois desses métodos: (i) o método de Lagrange e (ii) o método de Newton. ______ • Exemplificando Dessa forma, encerramos as questões teóricas do método de Lagrange. Mas, para encerrar o conteúdo do método de Lagrange, vamos escrever um código que pode ser utilizado no software Maple para encontrarmos o polinômio interpolador de Lagrange (ANDRADE, 2012). Esse código transcreve exatamente o método de Lagrange aplicado no Exemplificando dado anteriormente. Mas note que o método de Lagrange ainda apresenta uma problemática grande quando adicionamos um ponto (xn+1, yn+1) no sistema. Por quê? Note que ao usar esse método, adicionar um novo ponto implica que devemos recalcular todos os polinômios Lk(x), i =0, 1, . . . , n + 1. Como resolver essa questão? Bem, trabalhamos com o método de Newton (ou método das diferenças divididas). No método de Newton para o polinômio interpolador, ele é obtido a partir de uma construção recursiva utilizando um operador que chamamos de operador das diferenças divididas. Assim, para encontrar o polinômio interpolador pn(x) que interpola f nos pontos x0, x1, . . . , xn pelo método de Newton, utilizamos (ANDRADE, 2012): Chamamos f[x0, x1, x2, . . . , xk] de diferença dividida de ordem k entre os k + 1 pontos x0, x1, x2, . . . , xk. Um ponto importante que podemos destacar é que as diferenças divididas f[x0, x1, x2,wx . . . , xk] são funções simétricas nos seus argumentos (ANDRADE, 2012). Com base nesse operador, podemos construir a seguinte tabela de diferenças divididas para o método de Newton: Ou, no caso geral, Bom, agora que sabemos como funciona o operador de diferenças divididas, vamos trabalhar com a construção do polinômio pn(x) que interpola f(x) nos pontos x0, x1, x2, . . . , xn segundo o método de Newton. Começando com o polinômio que interpola fx em x = x0 e assim sucessivamente, construiremos pk(x), que interpola f(x) em x0, x1, x2, . . . , xk, k=1, …, n . Assim, seja então p0(x) o polinômio de grau zero, que interpola f(x) em x = x0, tal que p0(x) = f[x0]. Nesse caso, para x≠x0 e x ∈ [a, b], temos que: tal que: onde p0(x)=f(x0). Então, chamaremos E0(x)=f(x)−p0(x) de erro ao se aproximar f(x) por p0(x). Agora, seja p1(x) o polinômio de grau menor do que 1 que interpola f(x) em x0 e x1. Temos que: tal que:onde p1(x)= f(x0)+(x−x0)f[x1,x0]. Então, chamaremos E1(x)=f(x)−p1(x) de erro cometido ao se aproximar f(x) por p1(x). De modo geral, repetindo o procedimento anterior n vezes, obtemos: ______ • Assimile ______ • Exemplificando Vamos colocar em prática o método de Newton para encontrar o polinômio interpolador nos pontos (xk, yk) = {(−1,0), (0,1), (1,2), (2,7)}. Assim, pelo método de Newton, obtemos: Dessa maneira, o polinômio interpolador é dado por: ______ • Reflita Pensando no método de Lagrange e no método de Newton, qual dos dois trazem uma aproximação mais concisa de f(x)? Em qual deles o erro cometido é menor? Na prática, qual é mais viável usar? Pense sobre essas questões, especialmente em âmbito de custo computacional de tempo de processamento. ______ Por fim, é válido ressaltar que os erros de interpolação são fundamentais, especialmente quando trabalhamos com modelagem. Em qualquer trabalho que envolva aproximação numérica, sempre estamos buscando pelo menor erro possível e a magnitude desse erro nos traz a versatilidade do nosso modelo. Pensando nesse aspecto, em métodos numéricos, existe um conceito chamado fenômeno Runge que consiste em dizer que o erro é menor na zona central do intervalo e maior nos extremos. Para evitar esse fenômeno, podemos considerar pontos não igualmente espaçados juntamente com polinômios ortonormais, splines ou aproximação por mínimos quadrados. Com isso, finalizamos a nossa aula sobre polinômio interpolador, que é um dos objetos fundamentais quando trabalhamos aproximações numéricas. Conclusão Pensando em como resolver o problema usando o método de Lagrange para determinar o polinômio que interpola os pontos (xk, yk) = {(0,0), (1,3), (2,1), (3,3), (4,0)}, você buscou em seus ensinamentos de cálculo numérico, para relembrar, como era feito tal método sem apoio computacional. Assim, depois de muito esforço, você obteve, pelo método de Lagrange, as equações: Após vários cálculos para simplificação, você concluiu que o polinômio interpolador, segundo o método de Lagrange, é dado por: Unidade 2 - Aula 3 - Integração Numérica Introdução da Aula Qual é o foco da aula? Nesta aula, você estudará sobre integração numérica. Objetivos gerais de aprendizagem Ao final desta aula, você será capaz de: aplicar a Integração através dos métodos numéricos e seus algoritmos. calcular a Fórmula de Newton-Cotes; diferenciar a regra dos Trapézios e de Simpson. Situação-problema Estudante, nesta aula vamos trabalhar basicamente com dois tópicos: regra dos trapézios e regra de Simpson. Ambos os tópicos são ferramentas para aproximar o valor de uma integral, consequentemente de uma área, usando métodos numéricos. Essas ferramentas são importantes, pois, na prática, raramente temos figuras regulares ou até mesmo funções bem-comportadas. A maioria dos problemas são resolvidos usando métodos numéricos devido à versatilidade desses métodos. Imagine só ter que lidar com a modelagem do crescimento populacional ou até mesmo o aumento dos casos de Covid- 19 sem fazer o uso de métodos numéricos. Seria extremamente complexo! Em um estudo envolvendo Engenharia Biomédica, um determinado pesquisador realizou um trabalho voltado para modelagem de marca-passo no coração de pessoas idosas. Em sua pesquisa, ele tinha por interesse achar a área abaixo da curva gerada pelos dados do marca-passo. Sabe-se que a função que governa o marca-passo é descrita por: no intervalo de 0,2 até 0,8 horas. Uma vez que ele tiver a área abaixo dessa curva e sabendo que essa função tem certos padrões de repetição, ele conseguirá estimar a área total para mais do que 0,6 horas, considerada em seu experimento para avaliar a qualidade do marca-passo. Então, baseando-se nos conceitos de integração numérica, como você calcularia a área abaixo da função dada assumindo uma margem de erro de no máximo 1%? Conseguiu ver a importância desses conceitos? Que tal começarmos a trabalhar com eles e entender melhor sob o ponto de vista matemático e prático? Não se preocupe, vamos lhe acompanhar em todo o processo e os conceitos serão construídos de forma gradual! Fórmulas de Newton-Cotes: fórmulas dos trapézios e de Simpson Já vimos anteriormente como trabalhar com os erros de aproximações e também com formas de resolver a equação f(x) = 0 . Agora, nos interessa saber como resolver numericamente as integrais, uma vez que elas, assim como a equação f(x) = 0 , têm diversas aplicações em Engenharia, como no cálculo aproximado da área de placas de metais em construção civil. Nesse aspecto, a ideia da integração numérica consiste, basicamente, na aproximação da função integranda f por um polinômio em que a escolha desse polinômio e dos pontos usados em sua determinação vai resultar nos diversos métodos numéricos de integração. Em Cálculo Diferencial e Integral, é visto que as fórmulas de integração numéricas são somatórios, em que suas parcelas são, necessariamente, valores de f(x) calculados em pontos escolhidos e multiplicados por pesos convenientes, isto é, e o erro: que é conhecida como fórmula de Newton-Cotes para integrais numéricas. Como caso particular dessa fórmula, obtemos as famosas fórmulas dos trapézios e de Simpson, que são estabelecidas com polinômios de grau 1 e grau 2, respectivamente. Vamos iniciar então com a fórmula dos trapézios, ou regra dos trapézios. A fórmula dos trapézios corresponde, basicamente, à interpolação da função a ser integrada por um polinômio de grau 1 (ANDRADE, 2012). A interpolação linear, nesse caso, necessita de dois pontos, então, vamos trabalhar com os extremos do intervalo de integração, isto é, a = x0 e b = x1. Logo, o polinômio linear interpolador é dado por: Para uma melhor visualização dessa ideia, vamos trabalhar com o gráfico exposto na figura abaixo. Gráfico. Fonte: elaborada pelo autor. Assim, observando a figura acima e partindo dos pesos, temos que: onde o erro é descrito pela seguinte equação: • Reflita Como você acha que fica a fórmula dos trapézios se for aplicada diversas vezes sobre subintervalos de um intervalo geral [a, b]? ______ Regra de Simpson. Fonte: elaborada pelo autor. Dessa forma, a partir dos polinômios de Lagrange, obtemos os pesos da fórmula de Simpson: Assim, obtemos a seguinte solução para a integral: onde o erro é dado pela seguinte expressão: • Reflita Como você acha que fica a fórmula de Simpson se for aplicada diversas vezes sobre subintervalos de um intervalo geral [a, b]? • Assimile Embora as fórmulas dos trapézios e de Simpson usem polinômios de grau baixo, note que, em termos de erros, a regra de Simpson não apresenta termos simples como acontece na regra dos trapézios. Intervalos de integração grandes e fórmulas compostas Agora, vamos avaliar outros aspectos dessas fórmulas: intervalos de integração grandes. Quando o intervalo de integração é grande, em geral, não é conveniente aumentar o grau do polinômio interpolador para obter fórmulas mais precisas, pois podemos deixar o problema ainda mais complexo. A alternativa mais usada é subdividir o intervalo de integração e aplicar fórmulas simples repetidas vezes, obtendo-se as fórmulas compostas. Vamos começar com a regra dos trapézios composta. que é chamada de fórmula composta para a regra dos trapézios. Nesse caso, o erro final dessa fórmula tem como base os erros parciais da fórmula simples dos trapézios que são dados por: Logo, o erro final é dado por: ______ • Assimile Se f é um polinômio no qual seu grau é menor que 3, então o erro ______ • Exemplificando ______ Como exercício prático, você pode escrever a aproximação da integral considerando pela regra de Simpson e pela regra dos trapézios usando 6 intervalos. Para finalizar,deixo a reflexão: qual desses métodos é mais viável quando eu tenho uma integral mais complexa? Isto é, que é conhecida como fórmula composta para a regra de Simpson. Da mesma forma que na regra dos trapézios composta, o erro final da regra composta de Simpson pode ser obtido pela soma dos erros parciais. Portanto, o erro final da regra composta de Simpson é dado por: • Assimile Se f é um polinômio no qual seu grau é menor que 3, então o erro é nulo, isto é, a regra de Simpson é exata para polinômios de grau menor que 3 (ANDRADE, 2012). Para finalizar nosso estudo de integração numérica, vamos trabalhar com um exemplo de cálculo de integral com base nas regras de Simpson e dos trapézios com erro menor que 10−4. • Exemplificando Como exercício prático, você pode escrever a aproximação da integral considerando pela regra de Simpson e pela regra dos trapézios usando 6 intervalos. Para finalizar, deixo a reflexão: qual desses métodos é mais viável quando eu tenho uma integral mais complexa? Conclusão Pela definição de área sobre a curva, poderíamos calcular a área exata usando a integração comum dada por: No entanto, foi solicitado o uso de métodos numéricos. Nesse caso, podemos proceder usando a regra dos trapézios com 6 subintervalos. Isto é, para n = 6, temos que h = 0,1 e assim: Assim, calculando o erro da estimativa, obtemos: UNIDADE 3 - Probabilidade e Estatística Unidade 3 - Aula 1 - Introdução à probabilidade e estatística Introdução da Unidade Objetivos da Unidade Ao final desta Unidade, você será capaz de: aplicar os fundamentos de probabilidade e estatística; analisar situações realistas para o profissional de Engenharia e Ciências Exatas; descrever o processo de amostragem. Estudante, o que você pensa quando escuta o termo probabilidade? E o termo estatística? Seria algo como sendo a chance de conseguir alguma coisa, como a chance de vencer em um jogo de videogame ou a chance de ter sucesso com sua startup? Se você pensa dessa forma, você pensa de maneira estatística! Nesta unidade, vamos trabalhar com os principais conceitos de estatística e probabilidade, iniciando com a história da probabilidade. Logo em seguida, vamos trabalhar com as definições de população e amostra que se fazem fundamental na estatística, sendo o carro-chefe dessa disciplina. Por fim, vamos entender como se faz uma amostragem. Os processos de amostragem são diversos na literatura, mas nosso foco aqui será a diferença entre uma amostragem probabilística e uma não probabilística. Além disso, vamos trabalhar também com as medidas de tendência central e dispersão e o modelo de regressão que envolve a correlação das variáveis. Algo que você pode estar se perguntando é: mas como utilizamos a estatística e a probabilidade em áreas como Engenharia? Para exemplificar, suponha que você trabalha com energia solar e seu objetivo seja criar tipos de telhados que proporcionem o uso desse tipo de energia. Nesse caso, você irá realizar um experimento para avaliar se sua proposta traz algum tipo de vantagem para a produção do telhado. Só pelo fato de realizar um experimento, você já está trabalhando com estatística e, posteriormente, para avaliar os resultados desse experimento, você irá precisar de métodos estatísticos e probabilísticos para trazer uma confiança em seu projeto, como um modelo de regressão. Viu como a estatística é importante nesse aspecto? Para lhe auxiliar, vamos, no decorrer desta unidade, aprender um pouco mais sobre ela! Então, mãos à obra! Introdução da Aula Qual é o foco da aula? Nesta aula, você estudará sobre probabilidade e estatística. Objetivos gerais de aprendizagem Ao final desta aula, você será capaz de: aplicar probabilidade e estatística; analisar amostragem probabilística e não probabilística; calcular aplicações da estatística. Situação-problema Estudante, o que você pensa quando escuta o termo probabilidade? E o termo estatística? Seria algo como sendo a chance de conseguir alguma coisa, como a chance de vencer em um jogo de videogame ou a chance de ter sucesso com sua startup? Se você pensa dessa forma, você pensa de maneira estatística! Nesta unidade, vamos trabalhar com os principais conceitos de estatística e probabilidade, iniciando com a história da probabilidade. Logo em seguida, vamos trabalhar com as definições de população e amostra que se fazem fundamental na estatística, sendo o carro-chefe dessa disciplina. Por fim, vamos entender como se faz uma amostragem. Os processos de amostragem são diversos na literatura, mas nosso foco aqui será a diferença entre uma amostragem probabilística e uma não probabilística. Além disso, vamos trabalhar também com as medidas de tendência central e dispersão e o modelo de regressão que envolve a correlação das variáveis. Algo que você pode estar se perguntando é: mas como utilizamos a estatística e a probabilidade em áreas como Engenharia? Para exemplificar, suponha que você trabalha com energia solar e seu objetivo seja criar tipos de telhados que proporcionem o uso desse tipo de energia. Nesse caso, você irá realizar um experimento para avaliar se sua proposta traz algum tipo de vantagem para a produção do telhado. Só pelo fato de realizar um experimento, você já está trabalhando com estatística e, posteriormente, para avaliar os resultados desse experimento, você irá precisar de métodos estatísticos e probabilísticos para trazer uma confiança em seu projeto, como um modelo de regressão. Viu como a estatística é importante nesse aspecto? Para lhe auxiliar, vamos, no decorrer desta unidade, aprender um pouco mais sobre ela! Então, mãos à obra! Conceito de probabilidade Você já parou para pensar em como as coisas ao nosso redor acontecem de forma aleatória? Por exemplo, o cair de uma fruta de uma árvore, uma batida de carro, a queda de um avião, a subida/descida da bolsa de valores, etc. Poucas coisas são, de fato, determinísticas. Nesta aula, vamos explorar esses conceitos e definir o que chamamos de probabilidade, que se faz uma ferramenta mais do que fundamental atualmente e nas mais diversas áreas de trabalho. No que tange ao contexto histórico, acredita-se que essa teoria teve seu início com os matemáticos franceses Blaise Pascal (1623-1662) e Pierre Fermat (1601-1665), quando eles conseguiram derivar probabilidades exatas para determinados problemas de jogos envolvendo dados. Atualmente, essa teoria é aplicada em diversas áreas de estudo como hidrologia, medicina, farmacologia, engenharia, química, educação, dentre outras. Ao estudar probabilidade, duas coisas são levadas em consideração: experimentos e eventos. Um experimento é um processo, seja real ou hipotético, no qual são identificados os resultados no decorrer do tempo. Por outro lado, um evento é um conjunto bem definido relativo aos resultados de um experimento, seja ele real ou hipotético. Além disso, existem duas classificações para os experimentos: aleatórios e determinísticos. Dizemos que um dado experimento é dito aleatório se, mesmo repetindo-o diversas vezes em condições iguais, o resultado não pode ser definido ou, até mesmo, predito. Em contrapartida, dizemos que um experimento é dito determinístico se, repetido diversas vezes, o resultado pode ser definido ou predito. Um outro elemento fundamental em probabilidade é o espaço amostral. Podemos definir espaço amostral como sendo o “conjunto relativo a todos os resultados possíveis que podemos encontrar em um experimento aleatório” (MAGALHÃES, 2002). Denotamos espaço amostral por Ω. Por exemplo, suponha que desejamos representar todas as plantas que produzem O2. Nesse caso, Ω = {Todas as plantas que produzem O2} que define as características comuns aos membros do conjunto. Outro exemplo é o lançamento de uma moeda.Nesse caso, Ω = {cara, coroa} que são as únicas possibilidades de ocorrência no lançamento da moeda. Em especial, os conjuntos de um espaço amostral possuem algumas propriedades especiais, dado Ω um espaço amostral; A, B e C três subconjuntos de um espaço amostral Ω, então as seguintes propriedades são válidas: Voltando ao contexto de probabilidade, na literatura, três interpretações diferentes de probabilidade são consideradas, a saber: a interpretação frequentista, a interpretação clássica e a interpretação subjetiva. É importante destacar que cada uma dessas interpretações pode ser útil na aplicação da teoria das probabilidades a problemas práticos. Vamos começar então com a interpretação frequentista. Interpretação frequentista: seja A um evento qualquer. Se nA é o número de ocorrências do evento A em n repetições independentes do experimento, então dizemos que a probabilidade em que A ocorre é: • Exemplificando Interpretação clássica: seja Ω um determinado espaço amostral e A um evento dado. Se N(Ω) é o número de elementos possíveis no nosso espaço amostral Ω e N(A) é o número de elementos possíveis no nosso evento A, então dizemos que a probabilidade em que A ocorre é: Vale ressaltar que se um experimento aleatório tem como espaço amostral Ω=e1,e2,…,en, então podemos dizer que eventos elementares {ei} são equiprováveis se, porventura, todos esses eventos terem a mesma probabilidade de ocorrência, isto é: Logo, considerando tais eventos, podemos definir a probabilidade de ocorrência de um dado evento ______ • Exemplificando Considere o lançamento de um dado em que o espaço amostral Ω={1, 2, 3, 4, 5, 6} é equiprovável. Dado o evento A = {sair número par na face em um lançamento de um único dado}, de acordo com a interpretação clássica, o número de elementos do evento A = {2, 4, 6} é igual a 3 e a probabilidade de ocorrência do evento A é dada por: ______ Interpretação subjetiva: se o julgamento das probabilidades relativas de várias combinações de resultados preencher determinados requisitos de consistência, então as probabilidades subjetivas dos diferentes eventos possíveis podem ser excepcionalmente determinadas. ______ • Exemplificando Suponha que uma moeda é lançada uma vez. Uma pessoa sem informação especial sobre a moeda ou a maneira que ela é jogada, pode considerar que uma cara e uma coroa têm resultados igualmente prováveis. Entretanto, a pessoa que está jogando a moeda pode sentir que uma cara é muito mais provável de ser obtida do que uma coroa e atribuir uma probabilidade diferente. ______ Agora que sabemos como interpretar uma probabilidade, vamos definir mais dois conceitos importantes: população e amostra. No que tange a esses conceitos, uma população pode ser definida como “grupo de indivíduos com característica(s) em comum”. Já uma amostra, podemos definir como “parte da população”, isto é, uma porção de indivíduos que usaremos para inferir respostas sobre a população. No que tange à seleção de uma amostra, ela pode ser feita de diversas maneiras, porém, em muitos casos, depende exclusivamente dos recursos disponíveis para a coleta dos dados. Em estatística utilizamos uma notação própria para diferenciar medidas usadas para descrever características da amostra e da população. Assim, podemos definir uma estatística como sendo uma medida de descrição de alguma característica da amostra. Por exemplo, X a média da amostra; S representa desvio-padrão da amostra; P a proporção da amostra e Xd a diferença de médias são estatísticas. Já um parâmetro pode ser definido como uma medida usada com finalidade de descrever uma característica da população e, diferente da amostra, é representado por uma letra grega. São exemplos de parâmetros: μ (média populacional); π (proporção populacional); σ (desvio-padrão populacional) e μd (diferença de médias populacionais). Os dois problemas básicos da estatística são: estimação e testes de hipóteses. Vamos, por meio de um exemplo, ilustrar essas duas situações. Suponha que determinado engenheiro químico está interessado em avaliar a média de produção de um determinado efluente, μ, para o tratamento de água nas seguintes condições: rio contaminado por aproximadamente 5 anos com água de péssima qualidade e ecossistema aquático (peixes) degradado. Nesse caso, a nossa população consiste em todas as dosagens da concentração do efluente nas condições citadas. Assim, com os valores de concentração, podemos obter a estimativa da média de produção verdadeira do efluente. Esse é um exemplo de problema de estimação. Por outro lado, suponha que o engenheiro químico deseja saber se a média de produção do efluente A é a mesma da média de produção do efluente B. Para realizar tal comparação, foi considerada uma amostra aleatória de 50 concentrações do efluente B e 50 do efluente A, sob as mesmas condições. Esse é um exemplo de problema de teste de hipóteses. • Reflita Em que outras situações práticas você pode encontrar as diferenças entre os problemas de estimação e testes de hipóteses? Amostragem Agora, para encerrar nosso conteúdo da aula, vamos lidar com a amostragem, que é uma das principais ferramentas da estatística. Como vimos nos exemplos anteriores, um pesquisador trabalha apenas com a amostra, visto que, em muitos casos, trabalhar com a população toda é impossível. A maneira como é selecionada uma amostra é de extrema importância, pois é através dos dados amostrais que estimamos os parâmetros da população para fazer inferências sobre ela. Existem diversas formas/técnicas de se realizar uma amostragem, porém, nesta aula, iremos nos limitar a trabalhar com a amostragem aleatória simples para o uso das técnicas estatísticas aqui apresentadas. Então, podemos definir a amostragem aleatória simples como sendo uma técnica em que todos os indivíduos de uma dada população têm a mesma probabilidade de serem selecionados para a amostra. Em outras palavras, seria análogo à ideia de um sorteio de números como na Mega-Sena, em que temos 60 números na “população” e escolhemos 6 desses números. A escolha de cada um dos 6 números tem a mesma probabilidade. Para facilitar o processo de amostragem aleatória simples, podemos dividi-lo em etapas: 1. definir a população-alvo; 2. definir um quadro par ao processo de amostragem; 3. avaliar os recursos disponíveis para execução do quadro de amostragem; 4. atribuir um número único para cada indivíduo; 5. determinar o tamanho da amostra; 6. realizar a amostragem aleatória simples. Assim como toda técnica de amostragem, a amostragem aleatória simples tem suas vantagens e desvantagens. Entre as vantagens, destacamos: 1. a probabilidade de seleção de um indivíduo é a mesma para todos os indivíduos; 2. em geral, esse método traz amostras representativas; 3. os métodos estatísticos, para lidar com esse tipo de amostragem, são mais simples. No entanto, as desvantagens desse tipo de amostragem são: 1. não se utiliza o conhecimento do pesquisador sobre a população; 2. os erros de amostragem podem ser maiores quando comparados a outros métodos; 3. se lidamos com uma população mais dispersa, os custos de coleta de dados podem ser maiores do que o esperado. Além da amostragem aleatória simples, há outros tipos de amostragem probabilísticas: amostragem sistemática, que, diferente da amostragem simples, dividimos a população em grupos e em cada grupo trabalhamos com a amostragem aleatória simples; amostragem estratificada, que consiste em, basicamente, dividir a população em grupos e subgrupos de acordo com as características de interesse; e, por fim, amostragem por conglomerados, que consiste em selecionar primeiramente o grupo e não o indivíduo, como nos outros tipos de amostragem. Independentemente do tipo de amostragem probabilística, o objetivo é sempre
Compartilhar