Baixe o app para aproveitar ainda mais
Prévia do material em texto
� ���������� ����� ������������� ���������� ����� ������������� �� Sumário 1. Teoria dos Erros ........................................................................................................... 03 2. Representação de Números no Computador ............................................................... 04 2.1. Representação de Números Inteiros ..................................................................... 05 2.2. Representação de Números Fracionários ............................................................. 06 3. Aritmética de Ponto Fixo ............................................................................................... 07 4. Aritmética de Ponto Flutuante ...................................................................................... 07 4.1. Erro Absoluto e Relativo ........................................................................................ 09 4.2. Arredondamento e Truncamento .......................................................................... 09 5. Zeros de Funções Reais ............................................................................................... 11 5.1. Isolamento das Raízes ...........................................................................................13 5.2. Refinamento .......................................................................................................... 15 5.3. Critérios de Parada ............................................................................................... 15 5.4. Métodos Numéricos .............................................................................................. 16 5.4.1. Método da Bissecção ................................................................................... 16 5.4.2. Método das Cordas ou Posição Falsa .......................................................... 18 5.4.3. Método de Newton ou Newton- Raphson ..................................................... 21 5.4.4. Método da Secante …………………………………….....................…………. 25 6. Sistemas Lineares ………………………………………………..................….………….. 26 6.1. Classificação de um Sistema Linear ………………………...................…………… 27 6.2. Sistemas Triangulares ……………………………………...................……………… 29 6.3. Método de Eliminação de Gauss ………………………..................……………….. 29 6.4. Cálculo de Determinantes ………………………………..................……………….. 32 6.5. Método de Eliminação de Gauss com Pivoteamento Parcial ……….................… 33 6.6. Método Iterativo de Gauss-Seidel ……………………………..................……….… 34 7. Interpolação Polinomial ……………………………………………..................………….. 36 7.1. Existência e Unicidade do Polinômio Interpolador ………..................…………….. 37 7.2. Formas de se Obter )(xpn ………………….................................………..……… 38 7.2.1. Resolução do Sistema Linear ....................................................................... 38 7.2.2. Polinômio Interpolador de Lagrange ............................................................ 39 7.2.3. Polinômio Interpolador na Forma de Newton ............................................... 41 8. Integração Numérica .................................................................................................... 42 8.1. Formulas de Newton-Cotes ................................................................................... 44 ���������� ����� ������������� �� 8.1.1. Regra do Trapézio Simples .......................................................................... 44 8.1.2. Regra do Trapézio Composto ...................................................................... 46 8.1.3. 1º Regra de Simpson ou Simpson 1/3 Simples ............................................ 48 8.1.4. 1º Regra de Simpson Composta ou Simpson 1/3 Composto ......................................................................................................... 51 9. Ajuste de Curvas .......................................................................................................... 52 9.1. Método dos Mínimos Quadrados – Ajuste Linear ................................................. 52 Listas de Exercícios .......................................................................................................... 57 1º Lista de Exercícios .................................................................................................. 58 2º Lista de Exercícios .................................................................................................. 60 3º Lista de Exercícios .................................................................................................. 62 4º Lista de Exercícios .................................................................................................. 66 5º Lista de Exercícios ................................................................................................. 69 ���������� ����� ������������� �� 1. Teoria dos Erros Estudaremos métodos numéricos para a resolução de problemas que surgem nas mais diversas áreas. A resolução de tais problemas envolve várias fases que podem ser assim estruturadas: Em uma primeira etapa temos que obter um modelo matemático que representa de maneira mais conveniente o problema que queremos estudar. Construído o modelo matemático do problema, na segunda etapa procuramos encontrar a solução. Muitas vezes não é possível encontrar a solução exata do problema, nessa situação aplicamos alguns métodos numéricos para obtermos a solução numérica do modelo matemático. A solução numérica de um problema tem como característica marcante à aproximação. Um método numérico da origem a processos numéricos (algoritmos), pelos quais uma solução numérica é calculada, após a execução de um número finito de operações elementares. Uma solução numérica é tanto mais precisa quanto mais próxima estiver da solução exata, isto é, quanto menor for o erro que lhe estiver associado. A solução obtida pelo processo numérico pode diferir da solução do problema real. Nesse caso, as fontes de erro que levam a essa diferença são: Problema Real Levantamento de dados Construção do Modelo Matemático Escolha do Método Numérico Adequado Implementação deste Método Análise dos Resultados Obtidos Se Necessário: Reformular o Modelo Matemático e/ou Escolher Novo Método Numérico Problema Real Levantamento de dados Construção do Modelo Matemático Escolha do Método Numérico Adequado Implementação deste Método Análise dos Resultados Obtidos Se Necessário: Reformular o Modelo Matemático e/ou Escolher Novo Método Numérico ���������� ����� ������������� �� 1. Simplificações no modelo matemático: Este erro se deve ao fato que temos introduzido simplificações na construção do modelo matemático para tornar o problema físico solúvel. Por exemplo, para calcular o período de um pêndulo, desprezamos sua massa. 2. Erro de Truncamento: Quando um modelo matemático envolve, por exemplo, a avaliação de uma série infinita, cometemos erro de truncamento ao avaliar esta série utilizando um número finito de termos. O erro de truncamento é inerente ao processo numérico; este tipo de erro subsistiria ainda que todas as operações aritméticas fossem executadas exatamente, isto é, ainda que não existisse o erro de arredondamento. Exemplo: � ∞ = = 0 !n n x n x e 3. Erro de Arredondamento: Todos os instrumentos de auxilio na execução de métodos numéricos (computador, máquina de calcular,etc) trabalham com a representação dos números na forma decimal, com uma quantidade fixa de algarismos significativos. Entretanto, o resultado de uma operação aritmética qualquer não pode ser representado necessariamente desta forma, obrigando o seu arredondamento. Esses erros podem danificar os resultados quando temos um número grande de operações. 4. Erros nos dados: Freqüentemente os dados são obtidos através de medidas experimentais, portanto, sujeitos a imprecisões. Além disso, os erros nos dados podem ser ocasionados pela necessidade de se arredondar um dado de entrada. 2. Representação de Números no Computador Na vida cotidiana usamos números tomando como base um sistema de posicionamento na base 10 (sistema decimal), nesse sistema o número 327.302 significa 321012 10.210.010.310.710.210.3 −−− +++++ . ���������� ����� ������������� �� Os cálculos no computador são efetuados com base nos impulsos enviados por componentes elétricas, logo dois estados podem ocorrer: on” – na presença de corrente e “off” – na ausência de corrente. Dessa forma torna-se conveniente representar os números nos computadores usando o sistema binário, de base 2, visto que na base 2 somente dígitos ‘0’ e ‘1’ são utilizados. Nesse sistema qualquer número pode ser expresso por uma combinação de zeros e uns. 2.1. Representação de Números Inteiros Um número inteiro não negativo N será representado no sistema binário por: )...( 011 aaaaN nn −= 0 0 1 1 1 1 2.2....2.2. aaaaN n n n n ++++= − − onde os coeficientes 1=na e 0121 ,,, aaaa nn −− são ‘0’ ou ‘1’. A conversão de um número do sistema binário para o sistema decimal pode ser efetuada a partir da definição acima. Exemplos: 1) =2)11( 2) =2)1101( 3) =2)11011( 4) =2)101010( A conversão de um inteiro do sistema decimal para o sistema binário é obtida pelo método das divisões sucessivas que consiste em dividirmos o número por dois, em seguida, o resultado da divisão é novamente dividido por dois, seguimos esse procedimento sucessivas vezes até que o quociente 1 seja encontrado. Exemplos: 1) =2)17( 2) =2)22( ���������� ����� ������������� �� 2.2. Representação de Números Fracionários Se um número real X tem parte inteira Xi e parte fracionária Xf então, X pode ser escrito como X=Xi+Xf. A parte fracionária Xf pode ser escrita como fração binária da seguinte forma: n nf bbbX −−− +++= 2....2.2. 22 1 1 , onde 0=jb ou 1, j∀ . Assim, o número real X será representado juntando as partes Xi e Xf, ou seja: ).......()( 210112 nnn bbbaaaaX −= A conversão de um número fracionário do sistema binário para o sistema decimal pode ser efetuada como segue: Exemplos: 1) =2)01,0( 2) =2)1,0( 3) =2)101,0( A conversão de um número fracionário do sistema decimal para o sistema binário pode ser efetuada da seguinte forma: Exemplos: 1) X=20,6875 2) X=0,6 Observação: No item b) do exemplo acima observamos que a parte fracionária 0,2 se repetiu, o que implica que os próximos cálculos serão os mesmos que obtidos a partir de 0,2. Assim, o número fracionário 0,6 na base 10 não tem representação finita na base 2. Isto ocorre em muito outros números fracionários implicando em “erros”. Embora o sistema binário tenha uma série de vantagens para a utilização em sistemas digitais, também apresenta algumas desvantagens. Uma das desvantagens de representarmos os números decimais em binário é que a representação binária requer um ���������� ����� ������������� �� número maior de bites para representação, ou seja, requer mais espaço físico para armazenar o mesmo número. Por exemplo o número 10 12 2 )4096(2)0001000000000( == necessita de 13 dígitos binários para representar o número equivalente em decimal, o qual é escrito com apenas 4 dígitos. 3. Aritmética de Ponto Fixo Os primeiros computadores empregavam uma representação dos números chamada de representação de ponto fixo, em que, para cada operação, o usuário tinha que especificar quantos dígitos deveriam ser usados para representar as partes inteiras e fracionárias de um número real. Assim, dado um número real, 0≠x , ele será representado em ponto fixo por: � = −±= n ki i ixx β onde k e n são inteiros satisfazendo nk < e usualmente 0≤k e 0>n e os ix são inteiros satisfazendo β≤≤ ix0 . Por exemplo, na base 10=β , o número 1997,16 é representado por 210123 2 3 10.610.110.710.910.910.116,1997 −− −= − +++++==� i i ix β 4. Aritmética de Ponto Flutuante Em geral calculadoras e computadores usam o sistema computacional de aritmética de ponto flutuante em cálculos científicos. A representação de um número em ponto flutuante, que é mais flexível que a representação em ponto fixo, é universalmente utilizada nos dias atuais. Um número X qualquer pode ser representado em aritmética de ponto flutuante na base β como: e tdddxfl β)....(.)( 21±= ���������� ����� ������������� �� onde: � β é a base em que a máquina opera; � )...(. 21 tddd formam a mantissa do número e representa seus t dígitos significativos, com 10 −≤≤ βid , ti ,...,1= 01 ≠d . � e é o expoente que varia no intervalo [-N,N], para algum N>0, sendo que estes limites dependem da máquina utilizada. Observações: � Um número X na representação de ponto flutuante é dito normalizado quando o dígito 1d de sua mantissa é tal que 01 ≠d . � O número t de dígitos significativos do sistema de ponto flutuante corresponde à precisão da máquina. � O número zero pertence a qualquer sistema e é representado com mantissa igual a zero e com o menor expoente possível na máquina. Dado um número real X sua representação em aritmética de ponto flutuante de t dígitos é obtida através de truncamento ou de arredondamento. Esse número não poderá ser representado neste sistema se o expoente e estiver fora do intervalo [-N,N]. Neste caso, ocorre os erros de “underflow” se Ne −< e “overflow” se Ne > . A união de todos os números em ponto flutuante, incluindo o zero, normalizados, na base β , com t dígitos significativos e com limites de expoente –N e N, é denominado de sistema de ponto flutuante da máquina e denotaremos por ),,,( NNtF −β . Consideremos, por exemplo, uma máquina que opera no sistema )5,5,3,10( −F . Os números serão representados na seguinte forma nesse sistema: eddd 10..0 321 , 90 ≤≤ id , 01 ≠d , ]5,5[−∈e . O menor número, em valor absoluto, representado nesta máquina é: 65 1010.100,0 −− ==m e o maior número, em valor absoluto é: ���������� ����� ������������� �� 9990010.999,0 5 ==M . De forma geral, para um sistema de ponto flutuante normalizado ),,,( NNtF −β , o menor número em valor absoluto é determinado por: Nm −= β.1,0 e o maior número representável é determinado por: .).1)...(1)(1(,0 NM ββββ −−−= Algumas linguagens de programação permitem que as variáveis sejam declaradas com precisão dupla. Neste caso, esta variável será representada no sistema de aritmética de ponto flutuante da máquina, mas com aproximadamente o dobro de dígitos disponíveis na mantissa, permitindo maior precisão e um intervalo maior de representatividade dos números. É importante observar que, neste caso, o tempo de execução e requerimentos de memória aumentam de forma significativa. 4.1. Erro Absoluto e Relativo Definimos como Erro Absoluto a diferença entre o valor exato de um número X e de seu valor aproximado *X ; ou seja: **)( XXXEA −= . O Erro Relativo é definido como o erro absoluto dividido pelo valor aproximado: * * * *)( *)( X XX X XEAXER − == .4.2. Arredondamento e Truncamento Sabemos que qualquer número real X pode ser representado na forma normalizada como: e ttddddX β)....(. 121 +±= . No truncamento a mantissa é obtida mantendo-se os t primeiros dígitos decimais, isto é, e tdddXfl β)....(.)( 21±= . ���������� ����� ������������� ��� Se X for obtido por arredondamento então o valor )1( . 2 1 +− teββ é adicionado a X e então faz-se o truncamento, isto é, se 51 ≥+td somamos 1 a td e truncamos. Se 51 <+td somente truncamento é efetuado. Assim, arredondar um número X, por outro com um número menor de dígitos significativos, consiste em encontrar um número *X , pertencente ao sistema de numeração, tal que *XX − seja o menor possível. Em geral, seja e ttt aaaaaX β)....(. 2121 ++±= . Então se um computador trabalha com t casas decimais na base β , a representação de X em ponto flutuante é: � � � �� � � >>+± <<± == + + 2 ,)].1...00()...[( 2 0,)....( *)( 121 121 βββ ββ n e n n e n aseaaa aseaaa XXfl onde t−= β)1...000( . O erro absoluto nessa representação é: ,...).0...00(* 21 enn tzeros aaXX β++±=− ��� se 21 β <+na te nn aaXX − ++±=− β...).(* 21 logo, tete nn aaXX −− ++ <±=− ββ 2 1 ...).(* 21 . Assim: teXEA −< β 2 1 *)( . Para o erro relativo temos: ���������� ����� ������������� ��� t e tete aaXX XX XER − −− <<< − = ββ ββ 2 1 ...).(. 2 1 2 1 * * *)( 21 ou seja: tXER −< β 2 1 *)( . Exemplo: Dar a representação dos números a seguir no sistema de aritmética de ponto flutuante )4,4,3,10( −F . X Representação Arredondamento Representação Truncamento 1,25 10,053 -238,16 2,71828... 0,000007 718235,82 28,23699 1025,2120 0,000000089 56239874,95 5. Zeros de Funções Reais A solução de muitos problemas nas mais diversas áreas das ciências exatas requer a resolução de diversos tipos de equações. Dentre elas, há o interesse particular na determinação da solução de equações da forma 0)( =xf , onde )(xf é uma função definida em um certo intervalo. Um número real z é um zero da função )(xf ou uma raiz da equação 0)( =xf se 0)( =zf . Em alguns casos, as raízes das equações 0)( =xf podem ser reais ou complexas. Estudaremos somente métodos para determinação das raízes reais. ���������� ����� ������������� ��� z1 z2 x f(x) (c) z3z1 z2 x f(x) (c) z3 Graficamente, as raízes são representadas pelas abscissas dos pontos onde uma curva intercepta o eixo x. Sabemos que, para algumas equações, como, por exemplo, as equações polinomiais de grau menor ou igual a 4, existem métodos diretos que fornecem todas as raízes. No entanto, no caso de polinômios de grau mais alto e no caso de funções mais complicadas, é praticamente impossível determinar as raízes exatamente. Nestes casos precisamos recorrer a métodos numéricos. A idéia central destes métodos é partir de uma aproximação inicial para a raiz e em seguida refinar essa aproximação através de um processo iterativo. Para encontrarmos numericamente a raiz de uma equação, duas etapas devem ser seguidas: � Isolamento: Determinar um intervalo [a,b], o menor possível, que contenha uma raiz da equação 0)( =xf . z1 z2 x f(x) f(x) xz1 z2 z3 (a) (b) z1 z2 x f(x) f(x) xz1 z2 z3 f(x) xz1 z2 z3 (a) (b) ���������� ����� ������������� ��� � Refinamento: Escolhidas aproximações iniciais no intervalo encontrado na 1º etapa melhorá-las sucessivamente até se obter uma aproximação para a raiz com uma precisão prefixada. 5.1. Isolamento das Raízes Nesta etapa é feita uma análise teórica e gráfica da função )(xf . É importante ressaltar que o sucesso da 2º etapa depende fortemente da precisão desta análise. Na análise teórica de raízes reais através do gráfico, usamos freqüentemente o teorema de Bolzano a seguir. Teorema Seja )(xf uma função contínua que assume valores de sinais opostos nos extremos do intervalo [a,b], isto é, 0)().( <bfaf . Então existe pelo menos um ponto zx = entre a e b tal que 0)( =zf . Graficamente: Observação: Se a derivada )(' xf existir e preservar sinal em (a,b) então este intervalo contém uma única raiz z de )(xf . Graficamente: f(x) xz1 z2 z3 z x f(x) a b a b f(x) xz1 z2 z3 z x f(x) a b a b ],[,0)(' baxxf ∈∀> f(x) xzz x f(x) a b a ba ],[,0)(' baxxf ∈∀<],[,0)(' baxxf ∈∀> f(x) xzz x f(x) a b a ba ],[,0)(' baxxf ∈∀< ���������� ����� ������������� ��� Uma forma de se isolar as raízes de )(xf usando os resultados anteriores é tabelar )(xf para vários valores de x e analisar as mudanças de sinal de )(xf e o sinal da derivada nos intervalos em que )(xf mudou de sinal. Exemplos: Encontrar um intervalo que contenha cada uma das raízes de )(xf utilizando o Teorema 1 e o sinal de )(' xf . 1) 39)( 3 +−= xxxf 2) xexxf −−= 5)( A análise gráfica da função )(xf ou da equação 0)( =xf é fundamental para se obter boas aproximações para a raiz. Para tanto, é suficiente utilizar um dos seguintes processos: i. Esboçar o gráfico da função )(xf e localizar as abscissas dos pontos onde a curva intercepta o eixo x; ii. A partir da equação 0)( =xf , obter a equação equivalente )()( xhxg = , esboçar os gráficos das funções )(xg e )(xh no mesmo eixo cartesiano e localizar os pontos x onde as duas curvas se interceptam, pois neste caso )()(0)( zhzgzf =⇔= . Exemplos: Encontrar um intervalo que contenha cada uma das raízes de )(xf utilizando um método gráfico. 1. 39)( 3 +−= xxxf 2. xexxf −−= 5)( 3. 1log)( −= xxxf 4. xxxf 4,02log5)( +−= ���������� ����� ������������� ��� 5.2. Refinamento Todos os métodos que estudaremos para encontrar a solução de uma equação pertencem à classe dos métodos iterativos. Um método iterativo consiste em uma seqüência de instruções que são executadas passo a passo, algumas das quais são repetidas em ciclos. A execução de um ciclo recebe o nome de iteração. Cada iteração utiliza resultados das iterações anteriores e efetua determinados testes que permitem verificar se foi atingido um resultado “próximo” do esperado. Para aplicar qualquer método iterativo devemos ter sempre uma idéia sobre a localização da raiz a ser determinada. Essa localização é obtida, como vimos anteriormente, através de gráficos ou do teorema 1. A partir da localização da raiz, escolhemos então 0x como uma aproximação inicial para a raiz z de 0)( =xf . Com essa aproximação inicial e um método iterativo, refinamos a solução até obtê-la com uma determinada precisão (número de casas decimais corretas). 5.3. Critérios de Parada Todos os métodos iterativos necessita realizar um teste para verificar quão próximo a raiz aproximada z está da raiz exata de )(xf . Para realizarmos tal teste devemos antes determinar uma precisão ε pré-fixada que normalmente escolhemos com sendo m−10 onde m é o número de casa decimais que queremos corretas no resultado. Para obtermos uma raiz z com uma determinada precisão ε devemos realizar durante o processo iterativo um dos seguintes teste: I) ε<− xz ou se II) ε<)(zf Apesar de utilizarmos como teste de parada o fato de ε<)(zf , é preciso ter muito cuidado pois a menos que se tenha uma idéia muito clarado comportamento da função o fato desse teste ser satisfeito não implica necessariamente que z esteja próximo da raiz procurada, como pode ser observado no seguinte exemplo: considere 0ln)( 3 == − xxxf , onde a única raiz é 1=z . Calculando )(xf para x=2, 4, 8, 16, 32, .... obtemos, ���������� ����� ������������� ��� respectivamente: 0,0866; 0,0217; 0,00406; 0,0006769; 0,0001058; ... isto é, quanto mais longe estamos de z, menor é o valor de )(xf . Com o teste ε<− xz , também devemos ter cuidado, pois se os números x e z forem muito grandes e ε for muito pequeno, pode não ser possível calcular a raiz com uma precisão tão exigente. Como por exemplo, se resolvermos a equação 0)2000)(1()( =−−= xxxf com 410−=ε usando esse critério de parada, verificaremos que o número de iterações necessárias para encontramos a raiz é muito grande. E isso ocorre porque a raiz que estamos procurando tem módulo grande e portanto é muito difícil tornar a diferença acima menor que ε . Observação: Em programas computacionais, além do teste de parada usado para cada método, deve-se ter o cuidado de estipular um número máximo de iterações para se evitar que o programa entre em “looping” devido a erros no próprio programa ou à inadequação do método usado para o problema em questão. 5.4. Métodos Numéricos 5.4.1. Método da Bissecção Seja f(x) uma função contínua em um certo intervalo [a,b], com a<b, e tal que f(a).f(b)<0. Vamos supor que no intervalo [a,b] existe uma única raiz da equação f(x)=0. O objetivo deste método é reduzir a amplitude do intervalo que contém a raiz até se atingir a precisão requerida, ε<− )( ab , ou seja até uma certa quantidade de iterações, usando para isto sucessivas divisões de [a,b] ao meio. Inicialmente, dividimos o intervalo [a,b] ao meio para determinar a possível raiz aproximada, ou seja: 20 ba x + = Se 0)( 0 =xf , então x0 é uma raiz. Caso contrário, verificamos se: f(a).f(x0)<0 ou f(x0).f(b)<0. ���������� ����� ������������� ��� a bz x f(x) a bz x f(x) Se a 1º condição for satisfeita, a raiz ],[ 0xaz ∈ e então tomamos b=x0; se a 2º condição for satisfeita, então a raiz ],[ 0 bxz ∈ e então tomamos a=x0. O processo é repetido até que seja obtida uma aproximação para a raiz exata z, com uma tolerância ε desejada. Graficamente: As iterações são realizadas da seguinte forma: 2 00 0 ba x + = � � � � � = = ∈ � � � � � � > > < 01 01 00 0 0 0 ),( 0)( 0)( 0)( xb aa xaz xf bf af 2 11 1 ba x + = � � � � � = = ∈ � � � � � � > > < 12 12 11 1 1 1 ),( 0)( 0)( 0)( bb xa bxz xf bf af 2 22 2 ba x + = � � � � � = = ∈ � � � � � � > > < 23 23 22 2 2 2 ),( 0)( 0)( 0)( bb xa bxz xf bf af Exemplos: Encontrar as raízes das equações abaixo pelo método da bissecção. 1) 210,01log −==− εxx ; 2) 210,0ln −− ==− εxe x . ���������� ����� ������������� ��� a bz x f(x) a bz x f(x) 5.4.2. Método das Cordas ou Posição Falsa Se f(x) uma função contínua com sua derivada de segunda ordem constante no intervalo [a,b] e tal que f(a).f(b)<0. Supondo que o intervalo (a,b) contém uma única raiz da equação f(x)=0. Neste método tomamos a reta secante que passa pelos pontos a e b, e onde ela cruza o eixo x temos a raiz aproximada z. Graficamente: Devemos observar que neste método apenas um dos extremos a ou b, se move. O ponto móvel é o ponto para o qual a função f(x) apresenta sinal contrário ao da segunda derivada f’’(x). Analisando os sinais de f(x) e f’’(x) podemos ter apenas quatro situações distintas. Caso I a bz x f(x) a bz x f(x) ���������� ����� ������������� ��� Caso II Caso III a b z x f(x) a b z x f(x) a b z x f(x) a b z x f(x) ���������� ����� ������������� ��� Caso IV A equação da reta secante é determinada da seguinte forma: )( 00 xxmyy −=− onde 01 01 xx yy m − − = Considerando que ))(,(),( 00 afayx = e ))(,(),( 11 bfbyx = , temos: ab afbf m − − = )()( No ponto onde a reta secante corta o eixo x temos y=0, logo: xafbfbafabf aafbafxafbfaafabf ax ab afbf af xxmy )]()([)()( )()()]()([)()( )()()()( )(0 00 −=+− +−−=+− − − − =− −=− )()( )()( afbf abfbaf x − − = a bz x f(x) a bz x f(x) ���������� ����� ������������� ��� O critério de parada que utilizaremos nesse método é ε<)(xf . Exemplos: Encontrar as raízes das equações abaixo pelo método da posição falsa. 1) 610,01log −==− εxx ; 2) 610,0ln −− ==− εxe x . 5.4.3. Método de Newton ou Newton – Raphson Seja f(x) uma função contínua no intervalo [a,b] com f’(x) e f’’(x) também contínuas com 0)(' ≠xf e z a única raiz da equação f(x)=0 no intervalo dado. Geometricamente, o processo de Newton – Raphson parece com o método das cordas só que agora temos, em vez de cordas, as retas tangentes, conforme podemos verificar nas figuras abaixo. O ponto no qual traçamos a reta tangente, ou seja, o ponto de tangência é o ponto para o qual f(x) apresenta mesmo sinal de f’’(x). Analisando os sinais de f(x) e f’’(x) podemos ter apenas quatro situações distintas. Caso I a bz x f(x) a bz x f(x) ���������� ����� ������������� ��� Caso II Caso III a b z x f(x) a b z x f(x) a b z x f(x) a b z x f(x) ���������� ����� ������������� ��� Caso IV Analisando a figura do Caso I, observando que a tangente do ângulo α é dada por: )(' )( )(' )( )()(')( )(')( 0 0 0 0 bf bfbx bf bf xb bfbfxb bf xb bf tg +−=− =− =− = − =α )(' )( 0 bf bfbx −= Considerando o ângulo β temos: a bz x f(x) a bz x f(x) ���������� ����� ������������� ��� )(' )( )(' )( )()(')( )(')( 0 0 01 0 0 10 0010 0 10 0 xf xf xx xf xf xx xfxfxx xf xx xf tg +−=− =− =− = − =β )(' )( 0 0 01 xf xf xx −= Generalizando temos: )(' )( 1 1 1 − − − −= k k kk xf xf xx , ,...3,2,1=k Uma vantagem do método de Newton é que sua convergência é quadrática, isto significa que a quantidade de dígitos significativos corretos duplica à medida que os valores de kx se aproxima de z. Mas esse fato não acontece nas primeiras iterações. A desvantagem do método de Newton está no fato de termos que calcular a derivada da função e em cada iteração calcular o seu valor numérico, o que pode ser muito caro computacionalmente. Além disso, a função pode não ser diferenciável em algunspontos do domínio. O critério de parada que utilizaremos nesse método é ε<)(xf . Exemplos: 1. Determinar as raízes das equações abaixo utilizando o método de Newton. a. 610,01log −==− εxx ; b. 610,0logsen −==− εxx . ���������� ����� ������������� ��� 5.4.4. Método da Secante Como foi observado anteriormente, uma grande desvantagem do método de Newton é a necessidade de se obter f’(x) e calcular seu valor numérico a cada iteração. Há várias maneiras de modificar o método de Newton a fim de eliminar essa desvantagem. Uma forma é substituir a derivada f’(x) pelo quociente das diferenças: 1 1)()()(' − − − − ≈ kk kk xx xfxf xf onde xk e xk-1 são duas aproximações para a raiz. Substituindo a equação acima no método de Newton, temos: )()( ))(( )()( )( )(' )( )(' )( 1 1 1 1 1 1 1 1 1 1 − − + − − + + − − − − − −= − − −= −= −= kk kkk kk kk kk k kk k k kk k k kk xfxf xxxf xx xx xfxf xf xx xf xf xx xf xf xx ou ainda: )()( )()()()( 1 11 1 − −− + − +−− = kk kkkkkkkk k xfxf xxfxxfxfxxxf x )()( )()( 1 11 1 − −− + − − = kk kkkk k xfxf xfxxfx x Observemos que são necessárias duas aproximações, x0 e x1, para se iniciar o método. O critério de parada que utilizaremos é ε<)(xf . Exemplos: Encontrar as raízes das equações abaixo utilizando o método das secantes. 1. 610,01log −==− εxx ���������� ����� ������������� ��� 2. 610,0logsen −==− εxx 3. A raiz positiva de 610,05 −− ==− εxex 6. Sistemas Lineares A resolução de sistemas lineares é um problema que surge nas mais diversas áreas. Na área de Engenharia, por exemplo, existe uma variedade de problemas que podem ser resolvidos através da análise linear, entre eles podemos citar: determinação de potencial em redes elétricas, cálculo da tensão na estrutura metálica da construção civil, etc. O problema matemático nesses casos se reduz a resolver um sistema de equações simultâneas. A solução de um conjunto de equações é muito mais difícil quando as equações são não lineares, entretanto, a maioria das aplicações envolve somente equações lineares. Uma equação é linear se cada termo contém não mais do que uma variável e cada variável aparece na primeira potência. Por exemplo, 31043 −=−+ zyx é linear, mas 33 −=− zxy e 03 =−+ zyx não é linear. Um sistema com n equações e n variáveis (incógnitas) é escrito usualmente, na forma: � � � � � � � =+++ =+++ =+++ nnnnnn nn nn bxaxaxa bxaxaxa bxaxaxa � ���� � � 2211 22222121 11212111 onde ija : coeficientes i,j=1, ..., n jx : variáveis j=1,..., n ib : constantes i=1, ..., n. A resolução de um sistema linear consiste em calcular os valores de jx , (j=1, ..., n), caso eles existam, que satisfaçam as n equações simultaneamente. Usando a notação matricial, o sistema linear pode ser representado como segue: ���������� ����� ������������� ��� , 2 1 2 1 21 22221 11211 � � � � � � � � = � � � � � � � � � � � � � � � � nnnnnn n n b b b x x x aaa aaa aaa �� � ���� � � ou simplesmente Ax=b, Onde A é a matriz dos coeficientes, b é o vetor do termo independente e x é a solução. 6.1. Classificação de um sistema Linear A classificação de um sistema linear é feita em função do número de soluções que ele admite, da seguinte maneira: � Sistema Possível e determinado: é todo sistema que admite uma única solução. Exemplo: � � � =− =+ 2 6 yx yx Representação geométrica: � Sistema Possível e indeterminado: é todo sistema que possui mais de uma solução. Exemplo: � � � =+ =+ 222 1 yx yx Representação geométrica: 2 4 6 2 4 6 x+y=6 x-y=2 2 4 6 2 4 6 x+y=6 x-y=2 ���������� ����� ������������� ��� � Sistema Impossível: é todo sistema que não admite solução. Exemplo: � � � =+ =+ 4 1 yx yx Representação geométrica: Nosso objetivo será o de desenvolver métodos numéricos para resolver sistemas lineares de ordem n, que tenham solução única. Observe que tais sistemas são aqueles onde a matriz dos coeficientes é não singular, isto é, 0)det( ≠A . Métodos Numéricos para a solução de sistemas de equações lineares são divididos principalmente em dois grupos: � Métodos Exatos: são aqueles que forneceriam a solução exata, se não fossem os erros de arredondamento, com um número finito de operações. 1 2 1 2 x+y=1 2x+2y=2 1 2 1 2 x+y=1 2x+2y=2 4 4 x+y=1 x+y=4 4 4 x+y=1 x+y=4 ���������� ����� ������������� ��� � Métodos Iterativos: são aqueles que permitem obter a solução de um sistema com uma dada precisão através de um processo infinito convergente. Definição: Dois sistemas lineares são equivalentes quando admitem a mesma solução Com base na definição acima, não fica difícil deduzir que uma maneira de obter a solução de um sistema linear através de métodos numéricos é transformá-lo em outro equivalente cuja solução seja facilmente obtida. Em geral, nos métodos exatos transformamos o sistema original num sistema equivalente, cuja solução é obtida resolvendo-se sistemas triangulares. 6.2. Sistemas Triangulares Um sistema linear Ax=b é dito triangular superior se a matriz A for triangular superior, isto é, aij=0 para i>j. Neste caso, tal sistema terá o seguinte aspecto: � � � � � � � = =++ =+++ nnnn nn nn bxa bxaxa bxaxaxa �� � � 22222 11212111 Assim, a solução de um sistema triangular superior é obtida por retro-substituição, isto é, determinamos o valor de xn na última equação; substituímos esse valor na penúltima equação e determinamos o valor de xn-1 e assim por diante. 6.3. Método de Eliminação de Gauss O método consiste em transformar convenientemente o sistema linear original em um sistema triangular equivalente através de uma seqüência de operações elementares sobre as linhas do sistema original, isto é, o sistema equivalente é obtido através da aplicação repetida da operação “substituir uma equação pela diferença entre essa mesma equação e uma outra equação multiplicada por uma constante diferente de zero”. É claro que tal operação não altera a solução do sistema, isto é, obtêm-se com ela outro sistema equivalente ao original. O objetivo é organizar essa seqüência de operações de tal forma que o sistema linear resultante seja triangular superior. ���������� ����� ������������� ��� Usaremos a notação )(k ija para denotar o coeficiente da linha i e coluna j no final do k- ésimo passo, bem como )(k ib será o i-ésimo elemento do vetor constante no final do passo k. Em primeiro lugar montamos a matriz aumentada: , | | | | )0( )0( 2 )0( 1 )0()0()0( )0()0()0( )0()0()0( 21 22221 11211 � � � � � � � � nb b b aaa aaa aaa nnnn n n � � ����� � onde para i, j=1,2,...,n, )0(ija =aij, )0( ib =bi e 0)0(11 ≠a . Primeiro Passo: O elemento )0( 11a é chamado pivô deste passo; Os elementos )0( 11 )0( 1 1 a a m ii = , para i=2,...,n, são os multiplicadores do 1º passo. A eliminação da variável x1 das equações 2,...,n é feita da seguinte forma: a i-ésima equação é substituída por ela mesma, menos a primeira equação multiplicada por mi1. Ao final desse passo teremos a matriz , | | | | 0 0 )1( )1( 2 )1( 1 )1()1( )1()1( )1()1()1( 2 222 11211 � � � � � � � � nb b b aa aa aaa nnn n n � � ���� � � onde )0( 1 )1( 1 jj aa = para j=1,...,n )0( 1 )1( 1 bb = ���������� ����� ������������� ��� e )0( 11 )0()1( . jiijij amaa −= i=2,...,n e j=1,...,n )0( 11 )0()1( .bmbb iii −= i=2,...,n Segundo Passo: O pivô seria o elemento da posição )1(22a sendo preciso que ele seja diferente de zero. E isso é verdade pela hipótese que 0det ≠A . Os multiplicadores desse passo serão os elementos )1( 22 )1( 2 2 a a m ii = , para i=3,...,n. A variável x2 é eliminada das equações 3,...,n da seguinte forma: a i-ésima equação é substituída por ela mesma, menos a segunda equação multiplicada por mi2. Ao final desse passo teremos a matriz , | | | | 00 0 )2( )2( 2 )2( 1 )2( )2()2( 22 )2()2()2( 2 11211 � � � � � � � � nb b b a aa aaa nn n n � � ���� � � onde )1()2( ijij aa = para i=1,2 e j= 1,2,...,n )1()2( ii bb = para i=1,2 e )1( 22 )1()2( . jiijij amaa −= i=3,...,n e j=2,...,n )1( 22 )1()2( .bmbb iii −= i=3,...,n Seguindo raciocínio análogo procede-se até o passo n-1 e a matriz, ao final deste passo, será: ���������� ����� ������������� ��� , | | | | 00 0 )1( )1( 2 )1( 1 )1( )1()1( 22 )1()1()1( 2 11211 � � � � � � � � − − − − −− −−− n n n n n nn nnn b b b a aa aaa nn n n � � ���� � � e o sistema linear )1()1( . −− = nn bxA é triangular superior e equivalente ao sistema linear original. Observação: Computacionalmente o método de Eliminação de Gauss simples pode dar problemas por dois motivos: � Erro de arredondamento quando se tem que dividir por um número muito pequeno (próximo de zero); � Divisão por zero. Exemplos: Resolva o sistema linear pelo método de eliminação de Gauss: 1. � � � � � =−+ =++ =++ 3234 22 1423 321 321 321 xxx xxx xxx 2. � � � � � � � =++− −=++ −=−+− −=−+− 434 2 203322 82 4321 321 4321 4321 xxxx xxx xxxx xxxx 6.4. Cálculo de Determinantes Podemos calcular o determinante de qualquer matriz quadrada nxn utilizando o método de Eliminação de Gauss reduzindo essa matriz em uma matriz triangular superior. Uma matriz triangular superior tem um determinante facilmente calculável, basta multiplicar os ���������� ����� ������������� ��� termos da diagonal, ou seja, se A é uma matriz triangular superior nxn seu determinante é dado por: nnaaaaA ...det 332211= Exemplo: Considere o sistema: � � � � � � = � � � � � � � � � � � � − 13 7 7 823 142 126 3 2 1 x x x a. Resolva-o pelo método de Eliminação de Gauss, b. Calcule o determinante de A, usando a matriz triangular obtida no item a.. 6.5. Método de Eliminação de Gauss com Pivoteamento Parcial Exemplo: Através do método de Eliminação de Gauss, resolver o sistema linear: � � � =+ =+ 20,1 10001,0 21 21 xx xx usando em todas as operações três dígitos significativos. No exemplo acima encontramos uma solução para o sistema muito diferente da solução exata desse sistema. Isso acontece devido ao fato de termos que calcular os multiplicadores )1( )1( − − = j jj j ij ij a a m em cada passo j do processo, e como o pivô )1( −jjja está próximo de zero obtemos resultados totalmente imprecisos. Assim, teremos problemas ao aplicar o método de Eliminação de Gauss se o pivô estiver próximo de zero ou for zero. Isto acontece porque calculadoras ou computadores trabalham com um número finito de casas decimais, e pivôs próximos de zero dão origem a multiplicadores bem maiores que a unidade. ���������� ����� ������������� ��� Para se contornar este problema deve-se adotar uma estratégia de pivoteamento, que consiste em: i) no início de cada passo, escolher na coluna correspondente o elemento de maior valor absoluto; ii) fazer uma permutação nas equações do sistema, de modo que esse elemento venha a ocupar a posição de pivô. Exemplo: Resolver o sistema do exemplo anterior pelo método de Eliminação de Gauss com pivoteamento parcial. 6.6. Método Iterativo de Gauss-Seidel A solução de um sistema linear Ax=b também pode ser obtida utilizando um processo iterativo que consiste em calcular uma seqüência x(1), x(2), x(3), ..., x(k) de aproximações da solução x do sistema, a partir de uma aproximação inicial x(0). O método de Gauss-Seidel consiste em escolhida uma aproximação inicial )x,...,x,x(x )0(n)0(2)0(1)0( = calcular a seqüência de aproximações x(1), x(2), ..., x(k) utilizando as equações [ ] [ ] [ ])k( 1n1nn)k(22n)k(11nn nn )k( n )1k( nn2 )1k( 323 )k( 1212 22 )k( 2 )1k( nn1 )1k( 313 )1k( 2121 11 )k( 1 xa...xaxab a 1 x xa...xaxab a 1 x xa...xaxab a 1 x − − −− −−− −−−−= −−−−= −−−−= ��� , k=1,2,... Um método iterativo como o de Gauss-Seidel pode ser melhor em relação a um método direto como o método de Eliminação de Gauss nas seguintes circunstâncias: I) quando podemos assegurar uma rápida convergência do método iterativo; II) quando a matriz é de ordem elevada com pequena porcentagem de elementos diferentes de zero. Os métodos iterativos utilizam menos memória que os métodos exatos. O critério de parada é determinado por ���������� ����� ������������� ��� ,�xx max )1k( i )k( i <− − onde � é a tolerância. Quando utilizamos o método iterativo de Gauss-Seidel para resolver um sistema linear Ax=b, devemos nos preocupar com a convergência da seqüência de aproximações da solução. Existem condições sobre os elementos da matriz A dos coeficientes do sistema que, se satisfeitas, são suficientes para garantir a convergência do método de Gauss- Seidel. Consideraremos as seguintes condições: o critério da diagonal dominante e o critério de Sassenfeld. I) Critério da Diagonal Dominante Uma matriz quadrada A de ordem nxn é dita diagonal dominante quando n,...,1i,aa n ij 1j ijii =�> ≠ = II) Critério de Sassenfeld Seja � � � � � �+�= �� � � � �+= �� � � � �= += − = = = n 1ij ijj 1i 1j ijii i n 3j j222 1 22 21 2 n 2j j111 1 a�a a 1 � a a 1 � a a � a a 1 � ��� se 1�Max i < então o método de Gauss-Seidel converge para a soluçãodo sistema Ax=b. Exemplos: 1. Resolva o sistema linear � � � � � =++ =++ =++ 0x6x3x3 6xx4x3 5xxx5 321 321 321 ���������� ����� ������������� ��� pelo método de Gauss-Seidel com � � � � � � = 0 0 0 x )0( e 110−=ε . 2. Resolva o sistema abaixo por Gauss-Seidel � � � � � � � =−++− =−++ −=++− =+++ 2t10zy3x 2t7z10yx 8t2z3y10x2 13tz5y3x10 com � � � � � � � � − = 1 3 4 2 x )0( e 110−=ε . 7. Interpolação Polinomial A aproximação de funções por polinômios é um dos métodos mais utilizados para interpolar uma função, isso ocorre pelo fato que polinômios são facilmente computáveis, suas derivadas e integrais são novamente polinômios, suas raízes podem ser encontradas com relativa facilidade, etc. assim, é vantajoso substituir uma função complicada por um polinômio que a represente. Além disso, temos o Teorema de Weirstrass que afirma que: toda função contínua pode ser arbitrariamente aproximada por um polinômio. Interpolar uma função f(x) consiste em “substituir” esta função, por outra função g(x) com o objetivo de se realizar ou facilitar certas operações. A necessidade de se efetuar esta “substituição” surge em várias situações, como por exemplo: a) Quando não conhecemos a expressão analítica de f(x), isto é, são conhecidos somente seus valores numéricos para um conjunto de pontos e necessitamos manipular f(x) como, por exemplo, calcular seu valor em um ponto não tabelado. Exemplo: Ano 1960 1970 1980 1990 Nº de Habitantes 352.724 683.908 123.503 1.814.990 Deseja-se saber o número aproximado de habitantes em 1985. ���������� ����� ������������� ��� b) Quando conhecemos a expressão analítica de f(x), porém é extremamente complicada e operações como a diferenciação e a integração são difíceis (ou mesmo impossíveis) de serem realizadas. O problema geral da interpolação por meio de polinômios consiste em, dados (n+1) pontos distintos )),(,()),...,(,()),(,( 1100 nn xfxxfxxfx queremos aproximar f(x) por um polinômio )(xpn de grau n≤ , tal que: )()( )()( )()( 22 11 00 xfxp xfxp xfxp n n n = = = � � )()( nnn xfxp = ou seja, )()( kkn xfxp = , nk ,...,2,1,0= 7.1. Existência e Unicidade do Polinômio Interpolador Representaremos )(xpn por n nn xaxaxaaxp ++++= ...)( 2210 assim, obter )(xpn , significa obter os coeficientes naaa ,...,, 10 . Da condição )()( kkn xfxp = , k∀ obtemos as equações: )(... )(... 11 2 12111 00 2 02010 xfxaxaxaa xfxaxaxaa n n n n =++++ =++++ � � � � � � )(...2210 nnnnnn xfxaxaxaa =++++ ���������� ����� ������������� ��� que formam um sistema linear (n+1)x(n+1). Escrevendo esse sistema na forma matricial, temos: A X b � � � � � � � � � � n nnn n n n xxx xxx xxx xxx � ����� � � � 2 2 2 22 1 2 11 0 2 00 1 1 1 1 � � � � � � � � � � na a a a � 2 1 0 = � � � � � � � � � � )( )( )( )( 2 1 0 nxf xf xf xf � A matriz dos coeficientes desse sistema é conhecida como “Matriz de Vandermonde” e sabe-se que se nxxx ,...,, 10 forem distintos então 0)det( ≠A , logo A é não singular e o sistema tem solução única, ou seja, naaa ,...,, 10 são unicamente determinados. 7.2. Formas de se Obter )(xpn Sabemos que o polinômio )(xpn que interpola f(x) em nxxx ,...,, 10 é único. No entanto, existem várias formas para se obter tal polinômio, entre elas temos: a resolução de um sistema linear (n+1)x(n+1), o polinômio interpolador de Lagrange e o polinômio interpolador na forma de Newton. 7.2.1. Resolução do Sistema Linear Exemplo: 1. Determinar o polinômio interpolador da função y=f(x) dada pela tabela: x -1 0 3 f(x) 15 8 -1 Observações: a) Observemos que nos pontos tabelados, o valor do polinômio encontrado e o valor da função, devem coincidir. Se os valores forem diferentes teremos cometido erros de cálculo. ���������� ����� ������������� ��� b) A determinação do polinômio de interpolação por meio de solução de sistemas é muito trabalhosa, além de poder ocorrer erros de arredondamento, fazendo com que a solução obtida seja irreal. 2. Obter o polinômio )(3 xp que interpola f(x) nos pontos 3210 ,,, xxxx , de acordo com a tabela abaixo: x 0.1 0.2 0.3 0.4 f(x) 5 13 -4 -8 7.2.2. Polinômio Interpolador de Lagrange Sejam nxxx ,...,, 10 , (n+1) pontos distintos. Seja )(xpn o polinômio de grau n≤ que interpola f(x) em nxxx ,...,, 10 . Podemos representar )(xpn na forma )()(...)()()()()( 1100 xLxfxLxfxLxfxp nnn +++= , onde os polinômios )(xLi são de grau n. Para cada k queremos que a condição )()( kkn xfxp = seja satisfeita, ou seja: )()()(...)()()()()( 1100 kknnkkkn xfxLxfxLxfxLxfxp =+++= A forma mais simples de se satisfazer esta condição é impor: � � � = ≠ = kise kise xL ki 1 0)( e para isso, definimos )(xLi por ))...()()...()(( ))...()()...()(()( 1110 1110 niiiiiii nii i xxxxxxxxxx xxxxxxxxxx xL −−−−− −−−−− = +− +− . É fácil verificar que realmente 1)( =ii xL e 0)( =ki xL se ik ≠ . Como o numerador de )(xLi é um polinômio de n fatores da forma: iknkxx k ≠=− ,,...,0),( , ���������� ����� ������������� ��� então )(xLi é um polinômio de grau n e, assim )(xpn é um polinômio de grau menor ou igual a n. Além disso, para nkxx k ,...,0, == temos: )()()()()()( 0 kkkk n i kiikn xfxLxfxLxfxp === � = . Então, a forma de Lagrange para o polinômio interpolador é: � = = n i iin xLxfxp 0 )()()( ou seja, )()(...)()()()()( 1100 xLxfxLxfxLxfxp nnn +++= onde ∏ ∏ ≠ = ≠ = − − = n ij j ji n ij j j k xx xx xL 0 0 )( )( )( Exemplos: 1. Conhecendo-se a seguinte tabela x -1 0 3 f(x) 15 8 -1 a. Determine o polinômio de interpolação na forma de Lagrange. b. Calcule uma aproximação para f(1), usando o item a.. 2. A tabela abaixo relaciona o calor específico da água em função da temperatura: ºC Cal/c ºc 20 0,99807 30 0,99826 45 0,99849 55 0,99919 a. Encontre o polinômio de Lagrange. ���������� ����� ������������� ��� b. Através dele calcule o calor específico para 25ºC. 7.2.3. Polinômio Interpolador na forma de Newton Seja f(x) uma função tabelada em n+1 pontos distintos: nxxx ,...,, 10 . Definimos o operador diferenças divididas por: )(],...,,,[],...,,[],...,,,[ )3(],,[],,[],,,[ )2(],[],[],,[ )1()()(][][],[ )()(][ 0 121021 210 03 210321 3210 02 1021 210 01 01 01 01 10 00 Ordemn xx xxxxfxxxf xxxxf Ordem xx xxxfxxxf xxxxf Ordem xx xxfxxf xxxf Ordem xx xfxf xx xfxf xxf OrdemZeroxfxf n nn n − − = − − = − − = − − = − − = = − �� Dizemos que ],...,,[ 10 nxxxf é a diferença dividida de ordem n da função f(x) sobre os n+1 pontos: nxxx ,...,, 10 . Dada a função f(x)e concedidos os valores que f(x) assume nos pontos distintos nxxx ,...,, 10 , podemos construir a tabela: x Ordem 0 Ordem 1 Ordem 2 Ordem 3 ... Ordem n x0 f[x0] f[x0,x1] x1 f[x1] f[x0,x1,x2] f[x1,x2] f[x0,x1,x2,x3] x2 f[x2] f[x1,x2,x3] . f[x2,x3] f[x1,x2,x3,x4] . x3 f[x3] f[x2,x3,x4] : f[x0,x1,x2,...,xn] f[x3,x4] : . . x4 f[x4] : . f[xn-3,xn-2,xn-1,xn] . : : . f[xn-2,xn-1,xn] . . f[xn-1,xn] xn f[xn] ���������� ����� ������������� ��� As diferenças dividas satisfazem a propriedade de simetria nos argumentos, ou seja, ...],...,,[],...,,[],...,,[ 010110 === − xxxfxxxfxxxf nnnn . Assim, podemos fazer qualquer permutação dos argumentos que teremos a mesma diferença dividida. A forma de Newton para o polinômio de grau n≤ que interpola f(x) em nxxx ,...,, 10 é: ],...,,[))...()(( ...],,[))((],[)()()( 10110 210101000 nn n xxxfxxxxxx xxxfxxxxxxfxxxfxp − −−−+ ++−−+−+= Exemplos: 1. Encontrar usando a forma de Newton, o polinômio p2(x), que interpola f(x) nos pontos dados abaixo. x -1 0 2 f(x) 4 1 -1 2. Uma fábrica consome energia elétrica durante uma jornada típica de trabalho da qual a seguinte tabela é retirada: Hora Kw/h 14:00 h 139 14:30 h 152 15:00 h 165 15:30 h 163 16:00 h 142 16:30 h 119 17:00 h 97 Estime o consumo de energia às 16 h 15 min., considerando os pontos de 15 h 30 min às 17 h. 8. Integração Numérica Em muitas aplicações da Matemática é necessário efetuar o cálculo da integral de alguma função. Por exemplo, quando medimos a velocidade de um objeto em vários instantes e queremos saber o espaço que ele percorreu neste intervalo de tempo, precisamos integrar a função velocidade. ���������� ����� ������������� ��� Estudaremos alguns métodos numéricos para calcular a integral definida de uma função. Uma fórmula que forneça um valor numérico aproximado da integral de uma função é chamada Quadratura Numérica ou Fórmula de Integração Numérica. O problema da integração numérica consiste na determinação de um valor aproximado da integral �= b a dxxfI )( . Os limites contidos na integral I podem ser infinitos, mas consideraremos somente o caso quando [a,b] for finito. Integrar numericamente uma função )(xfy = num dado intervalo [a,b] é integrar um polinômio )(xpn que aproxime )(xf no dado intervalo. Em particular, se )(xfy = for dada por uma tabela, ou seja, por um conjunto de pares ordenados )),(,()),...,(,()),(,( 1100 nn xfxxfxxfx onde ax =0 e bxn = , podemos usar como polinômio de aproximação para a função )(xfy = no intervalo [a,b] o seu polinômio de interpolação. Usamos integração numérica nos seguintes casos: i) quando não conhecemos a expressão analítica de f(x) e desejamos calcular sua integral; ii) quando conhecemos a expressão analítica de f(x), mas é de difícil manuseio; iii) quando a função é dada simplesmente através de uma tabela – conjunto de pares ordenados obtidos como resultado de experiências. Aproximaremos a integral pela seguinte fórmula de quadratura: �� = == n k kk b a xfAdxxfI 0 )()( . Fórmulas de quadratura são fórmulas que aproximam a integral através de uma combinação linear de pontos da função. Seja )(xpn o polinômio de interpolação da função )(xfy = sobre os (n+1) pontos. Pela fórmula de Lagrange, temos que: ���������� ����� ������������� ��� � = = n k kkn xLxfxp 0 )()()( . Integrando o polinômio interpolador de Lagrange e o seu termo de erro de truncamento em [a,b] obtemos: ( ) dx n xf xxdxxLxfdxxfI b a n k n k b a n k kk b a � ∏� �� = + = + −+== 0 )1( 0 )!1( ))(()()()( ξ ( ) )1())(()!1( 1)()( 0 )1( 0 dxxfxx n xfAdxxfI b a n k n k n k kk b a � ∏�� = + = − + +== ξ onde )(xξ está em [a,b] para cada x e, � == b a kk nkdxxLA ,...,0,)( . Observemos que o erro na integração é dado por: ( ) dxxfxx n E b a n k n k� ∏ = + − + = 0 )1( ))(()!1( 1 ξ . 8.1. Fórmulas de Newton-Cotes As fórmulas de Newton-Cotes são aplicadas na integração de funções conhecidas em pontos eqüidistantes. Estas fórmulas são de dois tipos: fechadas ou abertas. As fórmulas fechadas usam também os valores da função a ser integrada nos extremos do intervalo de integração; as fórmulas abertas não usam esses valores. Estudaremos apenas as fórmulas fechadas. 8.1.1. Regra do Trapézio Simples Para determinar a regra mais simples de integração numérica, vamos considerar o polinômio de Lagrange do 1º grau. )()( )()()( )()()()()()( 1 01 0 0 10 1 11001 xf xx xx xf xx xx xLxfxLxfxp − − + − − =+= ���������� ����� ������������� ��� abh −= Assim, fazendo n=1, x0=a, x1=b e h=b-a na equação (1) temos: dxxxxxxfdxxf xx xx xf xx xxdxxfI x x x x b a ��� −−+ � � � � � − − + − − == 1 0 1 0 ))())((´´( !2 1)()( )()()( )()( 101 01 0 0 10 1 ξ onde o segundo termo do lado direito da igualdade acima é o erro cometido na integração, ou seja: dxxxxxxfE x x� −−= 1 0 ))())((´´( !2 1 10ξ . Assim, trabalhando apenas com o 1º termo do lado direito de I temos: �� � � � � � − − + − − == 1 0 )()( )()()( )()( 1 01 0 0 10 1x x b a dxxf xx xx xf xx xxdxxfI [ ]�� −+−−= � � � � � − + − − = 1 0 1 0 )()()()(1)()()()( 10011001 x x x x dxxfxxxfxx h dxxf h xx xf h xx I 1 0 )( 2 )()( 2 )(1 1 2 0 0 2 1 x x xfxxxfxx h I � � � � � − + −− = � � � � � − + − + − + −− = )( 2 )()( 2 )()( 2 )()( 2 )(1 1 2 00 0 2 10 1 2 01 0 2 11 xfxxxfxxxfxxxfxx h I [ ])()( 2 )( 2 )( 2 1 101 2 0 2 xfxfhxfhxfh h I += � � � � � += Assim, a regra do trapézio simples para calcular numericamente uma integral é como segue: f x f(x) a=x0 b=x1 h f x f(x) a=x0 b=x1 h ���������� ����� ������������� ��� [ ])()( 2 10 xfxfhI += . E o erro cometido é dado por: [ ]dxxxxxxxfdxxxxxxfE x x x x �� ++−=−−= 1 0 1 0 1010 2 10 )()´´(2 1))())((´´( !2 1 ξξ 1 0 10 210 3 2 )( 3 )´´( 2 1 x x xxxx xxxfE � � � � � + + −= ξ � � � � � − + +−+ + −= 010 2 0 10 3 0 110 2 1 10 3 1 2 )( 32 )( 3 )´´( 2 1 xxxx xxx xxxx xxxfE ξ � � � � � −++− = � � � � � −++ − = 6 33)´´( 2 1 2626 )´´( 2 1 1 2 0 3 0 2 10 3 11 2 0 3 0 2 10 3 1 xxxxxxfxxxxxxfE ξξ [ ] [ ]3301 )´´(12 1)()´´( 12 1 hfxxfE −=−−= ξξ )´´( 12 3 ξfhE −= onde 2 ba + =ξ Exemplos: 1. Aproxime as seguintes integrais pela regra trapezoidal simples e calcule o erro. a) � 1,2 2 x dx b) � 1 5,0 4dxx 2. Calcular a integral de 56)( −= xxf no intervalo [1,9] pela fórmula dos trapézios simples. 8.1.2. Regra do Trapézio Composto Uma forma de melhorar o valor aproximado da integral calculada pela regra dos trapézios simples é dividir o intervalo [a,b] em n partes iguais e aplicar a regra dos trapézios a cadauma dessas n partes. ���������� ����� ������������� ��� Sabemos que: dxxfdxxfdxxfdxxfdxxfI n n n x x x x x x x x b a ����� − +++=== 1 21 00 )(...)()()()( 1 [ ] [ ] [ ])()( 2 ...)()( 2 )()( 2 12110 nn xfxfhxfxfhxfxfhI ++++++= − [ ])()(2...)(2)(2)( 2 1210 nn xfxfxfxfxfhI +++++= − � � � � � ++= � − = )()(2)( 2 1 1 0 n n i i xfxfxfhI E o erro cometido na integração é dado por: )´´( 12 3 ξfnhE −= Exemplos: 1. Calcule � 1,2 2 x dx para n=10 e calcule o erro. 2. Considerando h=1, calcular a integral da função 56)( −= xxf no intervalo [1,9] e calcule o erro. f x f(x) a=x0 b=xn hh ...x1 n abh −= f x f(x) a=x0 b=xn hh ...x1 n abh −= ���������� ����� ������������� ��� h h x0=a x1 x2=b x f(x) h h x0=a x1 x2=b x f(x) 8.1.3. 1º Regra de Simpson ou Simpson 1/3 Simples Esta regra consiste em determinar uma fórmula para integrar f(x) utilizando 3 pontos, 10 , xx e 2x . Dessa forma, está formula utiliza uma aproximação de f(x) por um polinômio de grau 2. Como fizemos na regra do trapézio, aproximaremos f(x) por um polinômio de Lagrange, nesse caso de grau 2. Seja )(2 xp o polinômio que interpola f(x) nos pontos hxxax +== 010 , e bhxx =+= 202 . 2 abh −= )())(( ))(()())(( ))(()())(( ))(()( )()()()()()()( 2 1202 10 1 2101 20 0 2010 21 2 2211002 xf xxxx xxxx xf xxxx xxxx xf xxxx xxxx xp xLxfxLxfxLxfxp −− −− + −− −− + −− −− = ++= Sabemos que: ( ) )1())(()!1( 1)()()( 0 )1( 0 dxxfxx n xLxfdxxfI b a n k n k b a n k kk b a � ∏� �� = + = − + +== ξ Assim, fazendo n=2, bxax == 20 , e f(x)=p2(x) na equação acima obtemos: ( )( )( ) dxxfxxxxxx dxxf xxxx xxxx xf xxxx xxxx xf xxxx xxxxI x x x x � � −−−+ + � � � � � −− −− + −− −− + −− −− = 2 0 2 0 ))(( !3 1 )())(( ))(()())(( ))(()())(( ))(( )3( 210 2 1202 10 1 2101 20 0 2010 21 ξ onde o segundo termo do lado direito da igualdade acima é o erro cometido na integração, ou seja: ���������� ����� ������������� ��� dxxxxxxxxfE x x� −−−= 2 0 ))()())((´´´( !3 1 210ξ . Assim, trabalhando apenas com o 1º termo do lado direito de I temos: dxxf xxxx xxxx xf xxxx xxxx xf xxxx xxxxI x x� � � � � � −− −− + −− −− + −− −− = 2 0 )())(( ))(()())(( ))(()())(( ))(( 2 1202 10 1 2101 20 0 2010 21 dxxf hh xxxx xf hh xxxx xf hh xxxxI x x� � � � � � −− + − −− + −− −− = 2 0 )())(2( ))(()())(( ))(()()2)(( ))(( 2 10 1 20 0 21 dxxf hh xxxx xf hh xxxx xf hh xxxxI x x� � � � � � −− + − −− + −− −− = 2 0 )())(2( ))(()())(( ))(()()2)(( ))(( 2 10 1 20 0 21 ��� −−+−−−−−= 2 0 2 0 2 0 ))(( 2 )())(()())(( 2 )( 102 2 202 1 212 0 x x x x x x dxxxxx h xfdxxxxx h xfdxxxxx h xfI Vamos resolver a integral acima realizando a seguinte mudança de variável: hdudxxhuxhuxx h xx u =�+=�=−� − = 00 0 Assim, temos: )2(2 )1( 202 101 −=−=−+=− −=−=−+=− uhhhuxxhuxx uhhhuxxhuxx e logo quando 0xx = temos: 00000 =�=�=−�=− uhuhuxxhuxx e quando 2xx = temos: 22020 =�=�=−�=− uhhuhuxxhuxx Logo, a integral I se torna: ��� −+−−−−= 2 02 22 02 12 02 0 )]1(][[ 2 )()]2(][[)()]2()][1([ 2 )( hduuhhu h xfhduuhhu h xfhduuhuh h xf I ��� −+−−−−= 2 0 3 2 22 0 3 2 12 0 3 2 0 )1( 2 )()2()()2)(1( 2 )( duuuh h xfduuuh h xfduuuh h xfI ��� −+−−+−= 2 0 222 0 2 1 2 0 20 )( 2 )()2()()23( 2 )( duuuxhfduuuxhfduuuxhfI ���������� ����� ������������� ��� 2 0 23 2 2 0 23 1 2 0 23 0 232 )( 2 2 3 )(2 2 3 32 )( � � � � � −+ � � � � � −− � � � � � +−= uuxhfuu xhfuuuxhfI )( 3 )( 3 4)( 33 2 2 )( 3 4)( 3 2 2 )( 210 2 1 0 xfhxfhxfhxhfxhfxhfI ++= � � �� � + � � �� � −− � � �� � = Assim, a regra de Simpson 1/3 simples é: [ ])()(4)( 3 210 xfxfxfhI ++= E o erro cometido é dado por: dxxxxxxxfdxxxxxxxxfE x x x x �� −−−=−−−= 2 0 2 0 ))()(( 6 )´´´())()())((´´´( !3 1 210210 ξξ Usando a mesma mudança de variável utilizada acima, obtemos: �� −−=−−= 2 0 42 0 )2)(1( 6 )´´´())2())(1()(( 6 )´´´( duuuufhhduuhuhhufE ξξ �� +−=−−= 2 0 23 42 0 4 )23( 6 )´´´()2)(1( 6 )´´´( duuuufhduuuufhE ξξ 0 2 2 3 3 46 )´´´()23( 6 )´´´( 2 0 23442 0 23 4 = � � � � � +−=+−= � uuufhduuuufhE ξξ O resultado acima não é aceitável, logo devemos considerar outra expressão para o erro cometido numa integração utilizando a regra de Simpson 1/3 simples. Consideraremos a expressão obtida fazendo n=3 no erro em (1), ou seja: ( ) ��∏ −−−−=−+= = + 2 0 ))(())()()(( !4 1))(()!1( 1 )4( 3210 0 )1( x x b a n k n k dxxfxxxxxxxxdxxfxx n E ξξ Realizando a mudança de variável já utilizada, obtemos: �� −−−=−−−−= 2 0 )4( )4( 3210 ))3())(2())(1()((24 )())(())()()(( !4 1 2 0 hduuhuhuhhufdxxfxxxxxxxxE x x ξξ �� −+−=−−−= 2 0 234 )4(52 0 )4(5 )6116( 24 )()3)(2)(1( 24 )( duuuuufhduuuuufhE ξξ � � �� � −= � � � � � −+−= 15 4 24 )( 2 6 3 11 4 6 524 )( )4(52 0 2345)4(5 ξξ fhuuuufhE ���������� ����� ������������� ��� 90 )()4(5 ξfhE −= Exemplo: Aproxime a seguinte integral pela regra de Simpson 1/3 simples e calcule o erro. � 1,2 2 x dx 8.1.4. 1º Regra de Simpson Composta ou Simpson 1/3 Composto A regra de Simpson 1/3 composta é obtida considerando o intervalo [a,b] e dividindo-o em n subintervalos iguais de amplitude h, e a cada par de subintervalos aplicamos a 1º regra de Simpson simples. Observe que o número n deve ser par para termos um número par de subintervalos. n abh −= Sabemos que: dxxfdxxfdxxfdxxfdxxfI n n n x x x x x x x x b a ����� − +++=== 2 4 2 2 00 )(...)()()()( [ ] [ ] [ ])()(4)( 3 ...)()(4)( 3 )()(4)( 3 12432210 nnn xfxfxfhxfxfxfhxfxfxfhI +++++++++= −− h h x0=a x1 xn=b x f(x) h h hh ... x2 xn-2xn-1x3 x4 h h x0=a x1 xn=b x f(x) h h hh ... x2 xn-2xn-1x3 x4 ���������� ����� ������������� ��� [ ])()(4)(2...)(2)(4)(2)(4)( 3 1243210 nnn xfxfxfxfxfxfxfxfhI ++++++++= −− � � � � � � � +++= �� − = = − = −= )()(2)(4)( 3 2 1 2 1 1 12 0 n n j ji i n j ji i xfxfxfxfhI E o erro cometido na integração é dado por: 90 )( 2 )4(5 ξfhnE −= Exemplos: 1. Calcule � 40 )( pi dxxsenpara a. n=8 utilizando Simpson 1/3 composto; b. e calcule o erro. 2. Considerando h=1, calcular a integral da função 56)( −= xxf no intervalo [1,9] e calcule o erro. 9. Ajuste de Curvas 9.1. Método dos Mínimos Quadrados – Ajuste Linear Já vimos uma forma de se trabalhar com uma função definida por uma tabela de valores que foi a interpolação polinomial. Mas, em muitas ocasiões, o método da interpolação não é aconselhável. Em particular: • quando é preciso obter um valor aproximado da função para valores fora do intervalo tabelado, ou seja, quando se quer extrapolar; • em experimentos físicos ou em alguma pesquisa em que existem erros inerentes devidos aos instrumentos etc., os quais não são previsíveis. Assim, não há necessidade de calcular exatamente a função f(x) que origina os pontos tabelados, e sim a função que melhor se ajusta aos pontos dados. Observemos a figura: ���������� ����� ������������� ��� Como podemos dizer qual das retas melhor se ajusta aos pontos dados? O critério que vamos utilizar para medir a qualidade do ajuste é a distância entre a reta e a função tabelada f(x). Assim, nosso objetivo é aproximar f(x) por uma função G(x) que seja combinação linear de funções conhecidas, isto é: G(x)=a1g1(x)+a2g2(x) de tal modo que à distância de f(x) a G(x) seja a menor possível. )()( xGxfMin i − Substituindo G(x) na equação acima temos: ),()()()()()( 212211 aaHxgaxgaxfMinxGxfMin ii =−−=− �� == −−=−= n i iii n i ii xgaxgaxfxGxfaaMinH 1 2 2211 1 2 21 ))()()(())()((),( Usando o cálculo diferencial, sabemos que, para obter um ponto de mínimo de H(a1,a2), temos que encontrar, primeiramente, seus pontos críticos, ou seja, encontrar a1 e a2 tais que: 0 21 = ∂ ∂ = ∂ ∂ a H a H � � � � � � � =−−−= ∂ ∂ =−−−= ∂ ∂ � � = = 0))()).(()()((2 0))()).(()()((2 1 22211 2 1 12211 1 n i iiii n i iiii xgxgaxgaxf a H xgxgaxgaxf a H ���������� ����� ������������� ��� � � � � � � � =++− =++− � � = = 0)))(()()()()(( 0))()())(()()(( 1 2 221212 1 122 2 111 n i iiiii n i iiiii xgaxgxgaxgxf xgxgaxgaxgxf � � � � � � � =+ =+ �� � ��� == = === n i ii n i n i iii n i ii n i ii n i i xgxfxgaxgxga xgxfxgxgaxga 1 2 1 1 2 22121 1 1 1 212 1 2 11 )()())(()()( )()()()())(( (1) Comparando G(x) com a equação geral da reta y=ax+b, obtemos: � � � � � � � == = = = 1)( )( 0 2 1 2 1 xxg xxg ba aa Substituindo os dados acima em (1) obtemos: � � � � � � � =+ =+ �� � ��� == = === n i i n i n i i n i ii n i i n i i xfbxa xxfbxxa 11 1 2 111 2 1).()1(1. )(1.)( � � � � � � � =+ =+ �� � ��� == = === n i i n i n i i n i ii n i i n i i xfbxa xfxxbxa 11 1 111 2 )(1 )( � � � � � � � =+ =+ �� ��� == === n i i n i i n i ii n i i n i i xfbnxa xfxxbxa 11 111 2 )( )( Na forma matricial temos: ���������� ����� ������������� ��� � � � � � � � =�� � � � � � � � � � � � � � �� = = = == n i i n i ii n i i n i i n i i xf xfx b a nx xx 1 1 1 11 2 )( )( Exemplos: 1. A estimativa da população do Estado de São Paulo apresenta-se de acordo com a tabela: Ano População (x106) 1950 9 1960 13 1970 18 1980 25 1990 31 2000 37 a. Efetue analítica e graficamente o ajuste linear. b. Através dele estime a população para o ano de 2004. c. 50 milhões de habitantes ocorrerão quando? 2. Janeiro de 1999 foi chamado “Janeiro Negro” pois se iniciou a desestabilização do real em relação ao dólar, apresentado abaixo: Dia R$ 12 1,21 13 1,32 14 1,32 15 1,47 16 1,47 17 1,47 18 1,59 19 1,56 20 1,59 21 1,71 a. Efetue analítica e graficamente o ajuste linear. ���������� ����� ������������� ��� b. Através dele estabeleça a flutuação cambial para 29 de janeiro. c. R$ 2,20 por dólar ocorrerão quando? 3. A estimativa da população Brasileira apresenta-se de acordo com a tabela: Ano População (x106) 1940 41 1950 52 1960 70 1970 93 1980 119 1990 146 2000 170 a. Efetue analítica e graficamente o ajuste linear. b. Em que ano a população brasileira ultrapassou o índice de 100 milhões? c. Através dele estime a população para o ano de 2004. d. 215 milhões de habitantes ocorrerão quando? 4. A tabela abaixo mostra as alturas e pesos de uma amostra de nove homens entre as idades de 25 a 29 anos, extraída ao acaso entre funcionários de uma grande indústria: Altura (cm) 183 173 168 188 158 163 193 163 178 Peso (Kg) 79 69 70 81 61 63 79 71 73 a. Ajuste uma reta que descreve o comportamento do peso em função da altura, isto é, peso=f(altura). b. Estime o peso de um funcionário com 175 cm de altura; e estime a altura de um funcionário com 80 Kg. c. Ajuste agora a reta que descreve o comportamento da altura em função do peso, isto é, altura=g(peso). d. Resolva o item (b) com essa nova função e compare os resultados obtidos. e. Coloque num gráfico as equações obtidas em (a) e (c) e os pontos dados e compare-as. ���������� ����� ������������� ��� ���������� ����� ������������� ��� 1º Lista de Exercícios Representação de Números no Computador 1. Converter os números abaixo para a base decimal. a. (1100011)2 b. (101,0011)2 c. (1111111)2 d. (0,0111111)2 e. (1010101)2 f. (1,010011)2 g. (11,100110)2 h. (1001001)2 2. Converter os números abaixo para a base binária. a. (39)10 b. (2345)10 c. (10,1217)10 d. (0,1)10 e. (0,125)10 f. (347)10 g. (33,023)10 h. (13,25)10 3. Dado o sistema de ponto flutuante F(2, 3, -2, 2), determine qual o menor e o maior número representado nesse sistema? Represente os números x1=0,38; x2=5,3; x3=0,15 dados na base 10, nesse sistema. 4. Represente os números abaixo no sistema de ponto flutuante F(10,5, -5,5). Número Representação truncada Representação Arredondada 6 10 2 ���������� ����� ������������� ��� 9 1 pi 7 1 7 100 5. Considere os sistema F(2, 5, -3, 3). Qual o maior e o menor número na base 10 que podemos representar deste sistema? 6. Considere o sistema F(2, 8, -4, 4) e os números x1=0,10110011x22 e x2=0,10110010x22. Qual dos dois números representa melhor (2,8)10? 7. Considere o sistema F(2, 8, 10, 10). Represente os números 81 =x , 22 ex = , 57,33 =x , onde todos estão na base 10. Existe algum com representação exata nesse sistema? ���������� ����� ������������� ��� 2º Lista de Exercícios – Zeros de Funções Reais 1. Localize graficamente as raízes das equações
Compartilhar