Apostila elaborada pelo professor Wanderson Rodrigues Bispo com a colaboração do monitor Shander Sanches

Transcrição

1 CÁLCULO NUMÉRICO Apostila elaborada pelo professor Wanderson Rodrigues Bispo com a colaboração do monitor Shander Sanches Centro Federal de Educação Tecnológica Celso Suckow da Fonseca - CEFET/RJ Unidade Descentralizada de Nova Iguaçu Julho de 2009

2 Sumário 1 Conceitos Gerais em Cálculo Numérico 2 11 Conceitos Básicos Algoritmo Iteração ou Aproximação Sucessiva Aproximação Local 3 12 Erros Erros de Truncamento Erros de Aproximação 3 13 Sistemas de Numeração Binário e Decimal 4 14 Série de Taylor 5 15 Conclusão 6 16 Exercícios 7 2 Resolução Numérica de Sistemas Lineares 9 21 Método de Eliminação de Gauss 9 22 Decomposição LU Métodos Iterativos Exercícios 17 3 Zero de Funções Método da Bisseção Método da Falsa-Posição Método da Iteração Linear Método de Newton-Raphson Exercícios 26 4 Aproximação de Funções Teoria de Interpolação Interpolação Polinomial Fórmula de Lagrange Diferenciação Numérica Fórmula de Newton Ajuste de Curvas Critérios de Ajuste Ajuste Polinomial Exercícios 40 5 Integração Numérica Método dos Trapézios Método de Simpson Método da Quadratura Gaussiana Exercícios 50 1

3 Capítulo 1 Conceitos Gerais em Cálculo Numérico Métodos numéricos são conjuntos de procedimentos utilizados para transformar um modelo matemático num problema numérico ou conjuntos de procedimentos usados para resolver um problema numérico A escolha de método mais eficiente para resolver um problema numérico deve envolver a precisão desejada, a capacidade do método em conduzir bons resultados e o esforço computacional despendido Veja referênica (1) 11 Conceitos Básicos 111 Algoritmo É a descrição sequencial dos passos que caracterizam um método numérico O algoritmo fornece uma descrição completa de operações bem definidas por meio das quais o conjunto de dados de entrada é transformado em dados de saída Por operações bem definidas entendem-se as aritméticas e lógicas que um computador pode realizar Dessa forma, um algoritmo consiste de uma sequência de n passos, cada um envolvendo um número finito de operações Ao fim desses n passos, o algoritmo deve fornecer valores ao menos próximos daqueles que são procurados O número n pode não ser conhecido a priori, é o caso de algoritmos iterativos cuja idéia será enfocada a seguir, nesse caso, em geral tem-se para n apenas uma cota superior 112 Iteração ou Aproximação Sucessiva Uma das idéias fundamentais do cálculo numérico é a de iteração ou aproximação sucessiva Num sentido amplo, iteração significa a repetição de um processo Grande parte dos métodos numéricos é iterativa Um método iterativo se caracteriza por envolver os seguintes elementos constitutivos: (i) Tentativa inicial: consiste em uma primeira aproximação para a solução desejada do problema numérico (ii) Equação de recorrência: equação por meio da qual, partindo-se da tentativa inicial, são realizadas as iterações ou aproximações sucessivas para a solução desejada (iii) Teste de parada: é o instrumento por meio do qual o procedimento iterativo é finalizado 2

4 CAPÍTULO 1 CONCEITOS GERAIS EM CÁLCULO NUMÉRICO Aproximação Local Outro conceito que aparece em cálculo numérico é o de aproximação local de uma função por outra, que seja de manuseio mais simples Por exemplo, aproximar uma função não-linear por uma função linear num determinado intervalo do domínio das funções 12 Erros Na busca da solução do modelo matemático por meio de cálculo numérico, os erros surgem de várias formas e merecem cuidado especial Do contrário, pode-se chegar a resultados distintos do que se esperaria ou até mesmo obter outros que não têm nenhuma relação com a solução do problema original As principais fontes de erros são as seguintes: (i) erros nos dados de entrada; (ii) erros no estabelecimento do modelo matemático; (iii) erros de arredondamento durante a computação; (iv) erros de truncamento, e (v) erros humanos e de máquinas 121 Erros de Truncamento É o erro inerente ao método numérico Surge cada vez que se substitui um procedimento matemático infinito por um processo finito ou discreto 122 Erros de Aproximação A partir do momento que se calcula um resultado por aproximação, é preciso saber como estimar ou delimitar o erro cometido na aproximação Sem isso, a aproximação obtida não tem significado Para estimar ou delimitar o erro, recorre-se a dois conceitos: erro absoluto e erro relativo Com efeito, seja x um valor aproximado para uma quantidade cujo valor exato é x Então se define: i) Erro absoluto - é a diferença, em módulo, entre o valor exato e o valor aproximado de um número Notação: x = x x ii) Erro relativo - é a razão entre o erro absoluto e o valor exato de um número Esse erro é frequentemente dado como porcentagem, por exemplo, 3% de erro relativo significa que o erro é 003 Notação: δ δx = x x Exemplo 11 Se x = 3, e x = 3, , então x = x x = 0, = 1,

5 CAPÍTULO 1 CONCEITOS GERAIS EM CÁLCULO NUMÉRICO 4 e δx = x x 1, = 3, ou seja, o erro relativo é de aproximadamente 0, 032% = 3, , Proposição 11 Sejam x e y valores exatos e x e y Então: valores aproximados de dois números i) (x + y) = x + y x y ii) δ(x + y) = δx x + y + δy x + y iii) (x y) = x y x y iv) δ(x y) = δx x y + δy x y v) (xy) = x y + y x vi) δ(xy) = δx + δy ( x ) vii) y ( x ) viii) δ y y x x y (y ) 2 = δx δy 13 Sistemas de Numeração Binário e Decimal Um número na base 2 é representado utilizando os dígitos 0 e 1 Por exemplo, é um número binário Para convertermos este numero binário para a base decimal (base 10), procedemos da seguinte forma: = = = 22 Como segundo exemplo, vamos obter a representação decimal do número binário Neste caso, = = = 325 A conversão de números decimais para números binários é feita através de divisões sucessivas como mostrado na figura abaixo O resultado é constituído pelos restos das divisões tomados na ordem inversa, assim, temos que 17 =

6 CAPÍTULO 1 CONCEITOS GERAIS EM CÁLCULO NUMÉRICO 5 Para o caso de números fracionários, a conversão é feita utilizando as seguintes regras: 1- Multiplicar o número fracionário por 2; 2- No resultado da multiplicação, a parte inteira será um dígito binário; 3- Separar a parte fracionária e repetir o processo até que a parte fracionária seja igual a 0 Por exemplo, vamos transformar o número decimal em um número binário, ou seja, representado na base 2: = parte inteira = = parte inteira = = parte inteira = = parte inteira = 1 O processo termina porque a próxima parte fracionária a ser utilizada é igual a 0 Assim, o número é escrito como Série de Taylor Uma função f(x) contínua e infinitamente derivável, pode ser representada por uma série de potências da forma: f(x) = n=0 f (n) (a) (x a) n, (11) n! onde f (0) (a) = f(a), e f (n) (a) é a derivada de ordem n de f no ponto a A equação acima denominase série de Taylor da função f em torno do ponto x = a Quando a = 0, a série recebe o nome de Maclaurin O emprego da série de Taylor para representar f(x) está limitado aos casos em que ela é convergente Pela teoria das séries de potências, a série de Taylor é convergente para os valores de x que satisfazem a desigualdade x a < r, onde r é o raio de convergência da série Consegue se mostrar que r = lim n (n + 1) f (n) (a) f (n+1) (a) Se escrevermos h = x a, a equação (11) fica f(a + h) = n=0 h n f (n) (a) n! (12) Na aplicação da série de Taylor, torna-se impossível computar todos os seus termos O que se faz é considerar apenas um número finito deles Se a série é truncada após o n-ésimo termo, tem-se a aproximação: f(a + h) = f(a) + hf (a) + h2 2! f (a) + + hn 1 (n 1)! f (n 1) (a)

7 CAPÍTULO 1 CONCEITOS GERAIS EM CÁLCULO NUMÉRICO 6 Na aproximação acima, comete-se um erro de truncamento, R n (x), que é definido como R n (x) = f (n) (ξ)(x a) n n!, a < ξ < x (13) A equação (13) é chamada fórmula de Lagrange para o erro de truncamento Como ξ não é conhecido explicitamente, a fórmula de Lagrange pode ser usada para delimitar o erro, ou seja, onde M = max f (n) (t) com a t x R n (x) M n! (x a)n, (14) Exemplo 12 Desenvolver a função f(x) = e x em série de Taylor em torno do ponto x = 0 Calcule e 1 usando da série obtida, cinco termos, e delimite o erro cometido solução: Nesse caso, Portanto, f(x) = e x, a = 0, e f(0) = f (0) = f (0) = = f (n) (0) = = 1 e x = 1 + x + x2 2! + x3 3! + + xn n! + e o raio de convergência da série é infinito (verifique!) Então Delimitação do erro: e 1 = ! 1 3! + 1 4! = 0, 375 R 5 ( 1) M 5! ( 1)5 Como M = max e t, com 1 t 0, temos que M = 1, assim, R 5 ( 1) 0, Conclusão Com essas idéias preliminares e que são básicas em cálculo numérico, o fluxograma apresentado no início, que indicava as fases de resolução de um problema real, pode agora ser assim reestruturado: Problema Físico Modelagem Modelo Matemático Implementação Computacional do Método Numérico Análise dos Resultados Escolha do Método Numérico Adequado Solução

8 CAPÍTULO 1 CONCEITOS GERAIS EM CÁLCULO NUMÉRICO 7 16 Exercícios 1 O que são métodos numéricos? Fale um pouco sobre algoritmos 2 Que elementos constituem um método iterativo? 3 Quais as principais fontes de erros em métodos numéricos? Exemplifique o erro de truncamento 4 Converta os seguintes números decimais para a base binária: x = 47, y = 93, z = 2635 e w = Converta os seguintes números binários para a sua correspondente forma na base decimal: x = , y = , z = e w = Calcule a área de um círculo de raio 100 m, utilizando os seguintes valores aproximados para π : 314, 31416, e Determine os erros absoluto e relativo do exercício anterior, considerando como valor exato a área obtida através do último valor de π 8 Determine o raio e o intervalo de convergência das séries de Taylor abaixo: a) b) c) d) ( 1) n x n n=1 2n ( 2) n x n n=0 n=1 (x + 2) n 2 n n 2 ( 1) n (x 1) n n=0 n! 9 Encontre a série de Maclaurin para as funções abaixo: a) f(x) = e 3x b) f(x) = sen (2x) c) f(x) = x d) f(x) = x sen (2x) 10 Desenvolva as funções abaixo em série de Taylor, em torno do ponto dado: a) f(x) = sen x, c = π b) f(x) = 1 x, c = 1 c) f(x) = cos x, c = π

9 CAPÍTULO 1 CONCEITOS GERAIS EM CÁLCULO NUMÉRICO 8 d) f(x) = e x, c = 3 11 Considere a função f(x) = ln x a) Desenvolva a função f(x) em série de Taylor, em torno do ponto x = e; b) Encontre o raio e o intervalo de convergência da série obtida no item anterior; c) Expresse f (x) em termos de série de potências, e determine o seu domínio 12 Considere a função f(x) = 1 x a) Desenvolva a função f(x) em série de Taylor, em torno do ponto x = 2; b) Encontre o raio e o intervalo de convergência da série obtida no item anterior; c) Expresse f (x) e f (x) em termos de série de potências 13 Considere a função f(x) = e 2x a) Determine a série de MacLaurin da função f(x); b) Encontre o raio e o intervalo de convergência da série obtida no item anterior; c) Expresse f (x) em termos de série de potências, e determine o seu domínio 14 Calcular o valor numérico de sen 2, usando a série de Taylor da função sen x (dada abaixo) com número de termos variando de 2 a 10 termos Calcular o erro absoluto para cada caso Esboçar o gráfico do valor do sen 2 calculado por série de Taylor versus o número de termos para verificar que ele converge para o valor exato com o aumento do número de termos da série sen x = ( 1) k x 2k+1 (2k + 1)!, x < 15 Calcular o valor numérico de ln(2, 1) empregando a série de Taylor ln x = k 1 (x 1)k ( 1), 0 < x 2 k k=1 com o número de termos variando de 1 a 20 termos e calcular o erro absoluto para cada caso Esboçar o gráfico do valor do erro versus número de termos Observar pelo erro absoluto que o aumento do número de termos não melhora a precisão do resultado numérico ao contrário do observado no exercício anterior Explicar porque isto acontece

10 Capítulo 2 Resolução Numérica de Sistemas Lineares Métodos Diretos e Métodos Iterativos O objetivo nesse capítulo é apresentarmos métodos numéricos para resolução de sistemas lineares Dependendo do método escolhido, buscaremos uma solução exata ou uma solução aproximada, o que nos permite definir duas classes de métodos: métodos diretos e métodos iterativos No caso dos métodos diretos, as soluções não apresentam nenhum tipo de erro de truncamento, ou seja, a solução encontrada será a solução exata Os erros que possam vir a ocorrer serão decorrentes da máquina empregada (erros de arredondamento) Na segunda classe temos os chamados métodos iterativos, que diferente dos métodos diretos, não produzem soluções exatas e sim, soluções aproximadas 21 Método de Eliminação de Gauss Começaremos nosso estudo com um método direto, o método da eliminação de Gauss Considere o sitema linear abaixo: a 11 x 1 + a 12 x a 1n x n = b 1 a 21 x 1 + a 22 x a 2n x n = b 2 (21) a n1 x 1 + a n2 x a nn x n = b n Podemos escrever o sistema (21) na forma matricial Ax = b onde A = [a ij ] n n, x = {x j } n 1 e b = {b i } n 1 ( n j=1 ) a ij x j = b i, i = 1, 2,, n, Sabemos da álgebra linear que o sistema (21) admite solução se det A 0, ou seja, se A é invertível, e assim sua solução é x = A 1 b Mas do ponto de vista computacional, calcular a inversa de uma matriz é muito custoso e, para evitar esse problema, utilizaremos o método de eliminação de Gauss Eliminação Gaussiana A idéia do método de Gauss é transformar o sistema dado num sistema triangular inferior (ou superior), utilizando escalonamento de matrizes Após esse processo, teremos o seguinte sistema: 9

11 CAPÍTULO 2 RESOLUÇÃO NUMÉRICA DE SISTEMAS LINEARES 10 u 11 x 1 + u 12 x u 1n x n = g 1 u 22 x u 2n x n = g 2 u nn x n = g n (22) Uma vez triangularizado o sistema, através do algoritmo da retrosubstituição, encontramos a solução procurada: onde n j=i+1 x i = g i u ij x j = 0 sempre que j > n n j=i+1 u ij x j u ii, i = n, n 1,, 2, 1, O que garante que o sistema Ax = b é equivalente ao sistema Ux = g é o processo de escalonamento, onde o segundo sistema é obtido a partir do primeiro através de operações elementares Exemplo 21 Vamos utilizar o método de eliminação de Gauss para resolver o seguinte sistema linear 2x 1 + x 2 + x 3 = 7 4x 1 + 4x 2 + 3x 3 = 21 6x 1 + 7x 2 + 4x 3 = 32 Considerando a matriz ampliada do sistema, temos [A b] = Passo 1: zerar a 21 e a 31 defino 1 o pivô: a 11 = 2 defino os multiplicadores de linha = m 21 = a 21 a 11 = 4 2 = 2 m 31 = a 31 a 11 = 6 2 = 3 L 2 = L 2 m 21 L 1 defino as novas linhas da matriz = L 3 = L 3 m 31 L 1 após estas operações teremos uma nova matriz [A b] = (23) Passo 2: zerar a 32 defino 2 o pivô: a 22 = 2

12 CAPÍTULO 2 RESOLUÇÃO NUMÉRICA DE SISTEMAS LINEARES 11 defino os multiplicadores de linha = m 21 = a 21 a 11 = 4 2 = 2 defino as novas linhas da matriz = L 3 = L 3 m 32L 2 e assim, [A b] = = [U g] Usando o algoritmo da retrosubstituição, x 3 = g 3 = 0 {}}{ 3 u 3j x j j=4 u 33 = 3 1 = 3 x 2 = g 2 u 23 x 3 u 22 = 7 1(3) 2 = 2 x 1 = g 1 u 12 x 2 u 13 x 3 u 11 = 7 1(2) 1(3) 2 = 1 e a solução do sistema (23) fica x = (1, 2, 3) T ou x = ALGORITMO DE GAUSS Passo k: (O objetivo é eliminar x k das equações) i = k + 1,, n, com n = dim A assumo a (k) kk = 0 k o pivô definição dos multiplicadores de linha = m ik = a(k) ik a (k) definição das novas linhas da matriz = kk, i = k + 1,, n a (k+1) ij := a (k) ij m ik a (k) kj b (k+1) i := b (k) i m ik b (k) k

13 CAPÍTULO 2 RESOLUÇÃO NUMÉRICA DE SISTEMAS LINEARES Decomposição LU Toda matriz não singular admite uma decomposição em duas matrizes triangulares, uma superior e outra inferior Quem garante esse resultado é o próximo teorema Teorema 21 - Teorema de Gauss Seja A uma matriz quadrada de ordem n tal que det A 0 Sejam U uma matriz triangular superior, { uij se i j U = 0 se i > j, e L uma matriz triangular inferior unitária, 0 se i < j L = 1 se i = j l ij se i > j Então existe e é única a decomposição A = LU, onde U é a matriz resultante do processo de eliminação gaussiana e l ij = m ij (multiplicadores de linha) Aproveitando nosso último exemplo, podemos encontrar a decomposição LU da matriz associada ao sistema (23) A = = L { }} { {}} { U Exercício 21 Resolver o sistema linear abaixo através do método de eliminação de Gauss utilizando quatro casas decimais de precisão na solução x + y + z = 1 2x y + 3z = 0 x + y 5z = 2 23 Métodos Iterativos Vamos agora introduzir dois novos métodos que pertencem a classe dos métodos iterativos Estes métodos não mais resolvem o sistema exatamente, mas sim, a partir de uma estimativa inicial, constróem uma sequência de aproximações que converge para a solução exata do sistema Devido as limitações de memória computacinal, esses métodos se mostram mais interessantes que os diretos, os quais gastam grande quantidade de memória computacional (problemas de interesse da engenharia possuem aproximadamente 10 5 incógnitas)

14 CAPÍTULO 2 RESOLUÇÃO NUMÉRICA DE SISTEMAS LINEARES 13 Método de Gauss Jacobi Considere o sistema linear n a ij x j = b i j=1, i = 1, 2,, n Podemos escrevê lo como: x i = 1 n b i a ij x j a ii j=1 j i, i = 1, 2,, n O método de GJ usa a maneira de escrever um sistema linear para gerar uma sequência de aproximações: x (k+1) i = 1 b i a ii n a ij x (k) j=1 j i } {{ } F ormula de Gauss Jacobi j, i = 1, 2,, n k = 0, 1, 2, Exemplo 22 Resolva numericamente o sistema abaixo usando o método de Gauss-Jacobi 10x 1 + 3x 2 + x 3 = 14 2x 1 10x 2 + 3x 3 = 5 x 1 + 3x x 3 = 14 solução:, chute: x (0) = (0, 0, 0) T, x (0) = Input: x (0) = (0, 0, 0) T K = 0 [ ] x (1) 1 = 1 a 11 b 1 a 12 x (0) 2 a 13 x (0) 3 [ ] x (1) 2 = 1 a 22 b 2 a 21 x (0) 1 a 23 x (0) 3 [ ] x (1) 3 = 1 a 33 b 3 a 31 x (0) 1 a 32 x (0) 2 Output: x (1) = (1, 4, 0, 5, 1, 4) T = 1 10 ( ) = 1, 4 = 1 10 ( ) = 0, 5 = 1 10 ( ) = 1, 4 Input: x (1) = (1, 4, 0, 5, 1, 4) T x (2) 1 1 = 10 ( , 5 1 1, 4) = 1, 11 K = 1 x (2) 2 = 1 10 ( 5 2 (1, 4) 3 (1, 4)) = 1, 20 x (2) 1 3 = 10 ( 14 1 (1, 4) 3 (0, 5)) = 1, 11 Output: x (2) = (1, 11, 1, 20, 1, 11) T Com algumas iterações do algoritmo, convergimos para x = (1, 1, 1) (T )

15 CAPÍTULO 2 RESOLUÇÃO NUMÉRICA DE SISTEMAS LINEARES 14 Exercício 22 Verifique que x (6) 1 = 1, , x (6) 2 = 1, e x (6) 3 = 1, Método de Gauss Seidel Podemos construir uma variante do método de GJ permitindo que as versões atualizadas das componentes de x entre na computação na mesma iteração K na qual são calculadas Isto dá origem ao método de Gauss-Seidel Fórmula Gauss-Seidel : x (k+1) i = 1 a ii b i T ermo novo { }} { i 1 j=1 a ij x (k+1) j antigo {}}{ n a ij x (k) j, i = 1, 2,, n k = 0, 1, 2, j=i+1 Exemplo 23 Refaça o exemplo anterior empregando agora o método GS: Input: x (0) = (0, 0, 0) T K = 0 [ ] x (1) 1 = 1 a 11 b 1 a 12 x (0) 2 a 13 x (0) 3 [ ] x (1) 2 = 1 a 22 b 2 a 21 x (1) 1 a 23 x (0) 3 [ ] x (1) 3 = 1 a 33 b 3 a 31 x (1) 1 a 32 x (1) 2 = 1 10 ( ) = 1, 4 = 1 10 ( 5 2 1, 4 3 0) = 0, 78 = 1 10 (14 1 1, 4 3 0, 78) = 1, 026 Output: x (1) = (1, 4, 0, 78, 1, 026) T Input: x (1) = (1, 4, 0, 78, 1, 026) T x (2) 1 1 = 10 ( 14 3 (0, 78) 1 (1, 026)) = 1, 0634 K = 1 x (2) 1 2 = 10 ( 5 2 (1, 0634) 3 (1, 026)) = 1, x (2) 3 = 1 10 ( 14 1 (1, 0634) 3 (1, 02048)) = 0, Output: x (2) = (1, 0634, 1, 02048, 0, 98752) T Exercício 23 Verifique que x (5) 1 = 0, 99979, x (5) 2 = 0, e x (5) 3 = 1, Estudo de Convergência

16 CAPÍTULO 2 RESOLUÇÃO NUMÉRICA DE SISTEMAS LINEARES 15 Por se tratar de um método iterativo, necessitamos estabelecer critérios de parada para interromper a computação I) Controle do número de iterações : Se a estrutura de repetição do programa exceder um dado número de iterações, interrompemos a computação itera itera máx stop II) Controle na precisão da solução : Se a diferença, em módulo, entre duas aproximações consecutivas for menor que um parâmetro pré-estabelecido ε > 0, finalize a computação (k+1) max i x i x (k) i ε stop Vantagens dos métodos iterativos : Em sistemas mal condicionados (deta = 0), os erros de arredondamento normalmente destroem uma solução direta Já as soluções iterativas propagam pouco este tipo de erro; Caso a matriz for esparsa, também devemos optar por soluções iterativas, pois nestas situações elas apresentam boa velocidade Desvantagens : Sua convergência não será garantida; Para matrizes cheias, apresentam um número maior de contas Comentário Importante : Caso a solução não seja convergente, podemos tentar uma reorganização das equações antes de aplicarmos o método iterativo Por exemplo, considere o sistema abaixo: x 1 + x 2 + 3x 4 = 5 5x 1 + x 2 x 3 x 4 = 4 x 1 x 2 + 5x 3 x 4 = 4 x 1 7x 2 + x 3 + x 4 = 4 Tomando chute x (0) = (0, 0, 0, 0) T, a solução utilizando GS diverge, lim k x(k) x Entretanto, ao reordenamento do sistema, [L 1 L 2, e depois, L 4 L 2 ] (antes) (depois)

17 CAPÍTULO 2 RESOLUÇÃO NUMÉRICA DE SISTEMAS LINEARES 16 a solução converge para x = ( 10000, 10000, 10000, ) T, com 6 iterações Critério de convergência: Toda matriz diagonal dominante é convergente, para qualquer chute inicial Condição de diagonal dominante: a ii > n a ij, i = 1, 2,, n (24) j=1 j i

18 CAPÍTULO 2 RESOLUÇÃO NUMÉRICA DE SISTEMAS LINEARES Exercícios 1 Resolver os sistemas abaixo pelo método de eliminação de Gauss: a) b) c) d) 10x 1 + 2x 2 + x 3 = 15 20x 1 5x 2 + 2x 3 = 32 5x x 2 2x 3 = 33 3x x 2 + x 3 = 16 x 1 5x x 3 = 1 x 1 + 2x 2 + 5x 3 = 2 5x 1 2x 2 = 10 10x 2 3x 3 = 50 2x 1 + 5x 2 2x 3 = 60 50x 1 5x 2 + 2x 3 = 300 2x 2 + 5x 3 = 10 10x 1 20x 3 = Encontre a decomposição LU das matrizes dos coeficientes associados aos sistemas do exercício anterior 3 Considere o seguinte sistema de equações lineares: x 1 + 2x 2 x 3 = 1 2x 1 x 2 = 1 x 2 + 2x 3 x 4 = 1 x 3 + 2x 4 = 1 a) Mostre que esse sistema não satisfaz a condição de diagonal dominante; b) Se permutarmos as linhas desse sistema, podemos utilizar os métodos de Gauss-Jacobi e Gauss-Seidel para resolvê-lo tendo garantia de convergência? 4 Considere o sistema linear abaixo: x 1 3x 2 + x 3 4x 4 = 1 x 2 2x 3 = 3 10x 1 + x 2 + x 4 = 8 x 1 x 3 + 3x 4 = 8 a) Resolva o sistema utilizando o método de eliminação de Gauss; b) Podemos determinar a solução aproximada do sistema, usando o Método de Gauss-Seidel para qualquer aproximação inicial? Porquê?

19 CAPÍTULO 2 RESOLUÇÃO NUMÉRICA DE SISTEMAS LINEARES 18 5 Considere o sistema linear abaixo: ax 1 + 3x 2 + x 3 = 1 ax 1 + 8x 2 + x 3 = 2 x 1 + 2x 2 + 4x 3 = 3 a) Determine para que valores de a se tem garantia de que os métodos de Gauss-Seidel e Gauss-Jacobi geram uma sequência convergente, para qualquer aproximação inicial; b) Escolha o menor valor inteiro positivo de a e determine uma solução aproximada do sistema, usando os métodos acima, com critério de parada estabelecido pelo erro abaixo max i=1,,3 x k+1 i x k i ε = Considere o sistema linear abaixo: x 1 2x 2 5x = 0 4x 1 + x 2 2x = 0 x 1 + 5x 2 + 2x 3 15 = 0 Verifique que, para o sistema de equações dado, o método de Gauss-Jacobi é convergente Utilize-o para obter uma aproximação da solução, x (1), partindo da aproximação x (0) = (105, 216, 30) T 7 Considere o sistema de equações lineares AX = B, onde A = , X = x y z e B = a) Verifique que é possível, partindo de um sistema de equações equivalente ao anterior, provar a convergência do método de Gauss-Seidel para a solução, X, do sistema; b) Considerando X (0) = (06, 07, 02) T, determine X (1) utilizando Gauss-Seidel 8 Explique a diferença entre métodos diretos e métodos iterativos 9 Descreva as vantagens e as desvantagens, caso existam, do método de eliminação de Gauss

20 Capítulo 3 Zero de Funções O estudo das equações algébricas é, juntamente com a trigonometria uma das áreas mais antigas da matemática Ainda na idade média, os matemáticos árabes solucionaram a equação do 2 o grau, e na renascença foram solucionadas as equações do 3 o e 4 o graus Após muito esforço e dedicação por parte dos que pesquisam matemática, ficou provado que para equações de grau maior que 4, não é possível obter uma solução do tipo combinação dos coeficientes da equação É justamente aí que surgem os métodos que capturam as raízrs dessas equações Estes métodos, também conhecidos como iterativos, constroem uma sequência de aproximações que poderá convergir para a solução do problema A seguir, serão apresentados 4 destes métodos: Bisseção, Falsa-Posição, Iteração Linear e Newton-Raphson raiz de uma equação Um escalar ξ é dito um zero de uma função f(x) (ou simplesmente raiz da equação f(x) = 0), se e somente se, f(ξ) = 0 Estes zeros são representados geometricamente pela interseção da função f(x) com o eixo x f(x) x1 x 2 x3 raiz múltipla raízes simples Figura 31: raízes simples e raíz múltipla Conforme ilustrado na figura acima, temos dois tipos de raízes: simples (f (ξ) 0) e múltipla (f (ξ) = 0) Os dois primeiros métodos supracitados (Bisseção e Falsa-Posição) só capturam raízes simples, enquanto que o último (Newton-Raphson) captura ambas 19

21 CAPÍTULO 3 ZERO DE FUNÇÕES Método da Bisseção Seja f(x) uma função contínua no intervalo [a, b] contendo apenas 1 raiz de f(x) (se f(a) f(b) < 0 então existe 1 raiz simples no intervalo) A idéia do método é: 1 escolher [a, b] contendo ξ; 2 calcular o ponto médio do intervalo, c = a + b 2 ; 3 quebrar o intervalo da seguinte forma f(b) f(c) > 0 b := c f(b) f(c) < 0 a := c 4 reinicie o algoritmo Exemplo 31 Aproxime a raiz ξ da equação e x 4x = 0, sabendo que ξ [0, 05] 1 o passo 2 o passo 3 o passo a = 0 b = 05 c = 025 f(a) = 1 f(b) = f(c) = f(b) f(c) < 0 a := c a = 025 b = 05 c = f(a) = 0, 2840 f(b) = f(c) = f(b) f(c) > 0 b := c a = 025 b = c = f(a) = f(b) = f(c) = f(b) f(c) < 0 a := c critérios de parada Se ξ é a aproximação da raiz ξ da equação f(x) = 0 pertencente ao intervalo [a, b], então temos dois critérios de parada: ) I) f( ξ ε II) b a ε, onde ε é um parâmetro pré-estabelecido

22 CAPÍTULO 3 ZERO DE FUNÇÕES 21 f(b) f(x) raiz a c b f(a) 32 Método da Falsa-Posição Figura 32: novo ponto c escolhido É uma variante do método da bisseção, na medida em que utiliza o mesmo algoritmo que o método da bisseção, diferindo apenas na escolha do ponto c, que passa a ser a raiz da secante que liga os pontos ( a, f(a) ) e ( b, f(b) ) Veja a figura 32 O novo valor de c será dado por c = f(b)a f(a)b f(b) f(a) Exercício 31 Verifique que com o método da falsa-posição, após 3 iterações, o exemplo anterior nos leva ao seguinte resultado: c = e f(c) = ALGORITMO BISSECAO entrada: (f(x),a,b,aux) defina c:= (a+b)/2; se b-c <= aux entao raiz:= c e stop; caso contrario, se f(b)f(c) < 0 entao a:=c; caso contrario, b:=c; fim-se; fim-se; reinice o algoritmo ALGORITMO FALSA-POSICAO entrada: (f(x),a,b,aux) defina c:= (f(b)a-f(a)b)/(f(b)-f(a));

23 CAPÍTULO 3 ZERO DE FUNÇÕES 22 se b-c <= aux ent~ao raiz:= c e stop; caso contrário, se f(b)f(c) < 0 ent~ao a:=c; caso contrário, b:=c; fim-se; fim-se; reinice o algoritmo Exercício 32 Encontre as raízes das equações abaixo: a) x 3 9x + 3 = 0; b) x 3 11x x 45 = 0; c) x 3 5x x + 21 = 0; d) e x x = 0 33 Método da Iteração Linear Vamos estudar agora os chamados métodos do ponto fixo O mais simples deles é o método da iteração linear, o qual, mesmo não tendo boa eficiência computacional, é importante para a introdução do método de Newton-Raphson Inicialmente, vamos reescrever o problema Encontrar ξ R tal que f(ξ) = 0 como Encontrar ξ R tal que ξ = φ(ξ), onde φ(x) é uma função de iteração da equação f(x) = 0 Pra tornar estes problemas equivalente, façamos f(x) = x φ(x), assim, como f(ξ) = 0, temos que ξ φ(ξ) = 0 e, portanto, ξ = φ(ξ) Exemplo 32 Considere a equação x 2 + x 6 = 0 A sua função de iteração é a função φ(x) = 6 x Uma vez determinada φ(x), o MIL consiste em construir uma sequência de aproximações {x i } i N a partir de um chute inicial x 0 e gerada através da relação recursiva x i+1 := φ(x i ), i = 0, 1, 2, No exemplo acima, partindo de x 0 = 1, 5 teríamos 1 x 1 = φ(x 0 ) = 6 15 = 21213; 2 x 2 = φ(x 1 ) = = 19694; 3 x 3 = φ(x 2 ) = = 20076; 4 x 4 = φ(x 3 ) = = 19981; 5 x 5 = φ(x 4 ) = = 20005; e, portanto podemos perceber que o processo converge para ξ = 2 Entretanto, o MIL não é incondicionalmente convergente como os métodos da bisseção e falsaposição Ao tomarmos como função de iteração φ(x) = 6 x 2 (note que φ(x) não é única), geramos um processo iterativo divergente, verifique!

24 CAPÍTULO 3 ZERO DE FUNÇÕES 23 estudo da convergência Como vimos, φ(x) não é única Na verdade, sua forma geral é dada pela relação φ(x) = x + A(x)f(x), com A(ξ) 0 Podemos mostrar a equivalência entre os problemas f(ξ) = 0 e ξ = φ(ξ) da seguinte maneira I) Seja ξ tal que f(ξ) = 0, então II) Seja ξ tal que ξ = φ(ξ), então φ(ξ) = ξ + A(ξ) f(ξ) ξ = φ(ξ) }{{} =0 φ(ξ) = ξ + A(ξ)f(ξ) 0 = φ(ξ) ξ = A(ξ)f(ξ), e como A(ξ) 0, temos que f(ξ) = 0 A interpretação gráfica do problema de ponto fixo é a interseção da curva y = φ(x) com a reta y = x, conforme ilustra a figura 33: y=x y y y= ϕ(x) y=x y= ϕ(x) ξ=ϕ (ξ) ξ=ϕ (ξ) ξ x2 x1 x0 x ξ x x x x situação convergente, lim xi = ξ i 00 situação divergente, lim x i ξ i 00 Figura 33: interpretação gráfica do MIL Estas figuras sugerem que, para gerarmos um processo convergente, devemos ter baixas derivadas de φ(x) na vizinhança de ξ Esta sugestão é confirmada pelo teorema de convergênica do MIL Teorema 31 Teorema de Convergência do MIL - Seja ξ uma raiz de f(x) = 0 isolada no intervalo [a, b] centrado em ξ Seja φ(x) uma função de iteração de f(x) = 0 Se: I) φ(x) é tal que φ (x) C 0 [a, b]; II) φ (x) M < 1, x [a, b]; III) x 0 [a, b], então a sequência {x i } gerada pelo processo x i+1 := φ(x i ) converge para ξ

25 CAPÍTULO 3 ZERO DE FUNÇÕES 24 critérios de parada O MIL utiliza os seguintes critérios de parada: I) x i+1 x i ε; II) f(ξ) ε, onde ε é um parâmetro pré-estabelecido Observação 31 Devemos ser cuidadosos com o 1 o critério, pois em algumas situações ele não corresponde à x i ξ ε, conforme ilustra a figura abaixo y ϕ(ξ) ε ξ x i+1 x i x Figura 34: criterio de parada do MIL ALGORITMO MIL entrada(f(x),phi(x),raiz,x0,aux) 1 se f(x0) <= aux entao raiz:= x0 e stop; 2 caso contrario 3 defina k=1; 4 xk:= Phi(k-1); 5 se ( f(xk) <= aux ou xk-x0 <= aux) entao 6 raiz:= xk e stop; 7 caso contrario 8 k:=k+1; 9 ir para o passo 4; 10 fim-se; 11 fim-se; 12 fim-se

26 CAPÍTULO 3 ZERO DE FUNÇÕES Método de Newton-Raphson Vimos que o MIL tem convergência lenta e não garantida A idéia do método de Newton é construir um método de ponto fixo que garanta e acelere a convergência do processo iterativo linear Isto será feito impondo que a derivada da função de iteração seja nula em x = ξ, ou seja, φ (ξ) = 0 Já sabemos que φ(x) = x + A(x)f(x), portanto, φ (x) = 1 + A (x)f(x) + A(x)f (x) φ (ξ) = 1 + A (ξ) f(ξ) +A(ξ)f (ξ) }{{}}{{} =0 =0 A(ξ)f (ξ) = 1 A(ξ) = 1 f (ξ) Logo, a função de iteração do método de Newton será dada por φ N (x) = x f(x) f (x), e a sequênia de aproximações {x i } i N de Newton será gerada pela relação recursiva e assim, temos a fórmula de Newton-Raphson x i+1 = φ N (x i ), i = 0, 1, 2,, x i+1 = x i f(x i) f (x i ) (31) Exercício 33 Utilize expansão em série de Taylor para deduzir a fórmula de Newton-Raphson interpretação geométrica As aproximações futuras geradas pela fórmula de Newton serão as raízes das tangentes à curva y = f(x) avaliadas nas aproximações atuais x i, conforme mostra a figura a seguir, Calculando a derivada de f(x) e avaliando em x i, temos f (x i ) = tan θ = =0 {}}{ f(x i+1 ) f(x i ) x i+1 x i x i+1 x i = f(x i) f (x i ) x i+1 = x i f(x i) f (x i )

27 CAPÍTULO 3 ZERO DE FUNÇÕES 26 y=f(x) f(x ) i θ ξ x i+1 x i Figura 35: criterio de parada do MIL Exemplo 33 Considere ainda o exemplo 32, no qual a partir de uma estimativa inicial x 0 = 15, desejamos obter numericamente a raiz ξ = 2 da equação x 2 + x 6 = 0 Aplicando o método de Newton-Raphson, temos x i+1 = x i f(x i) f (x i ) x i+1 = x i x2 i + x i 6 2x i + 1 = x2 i + 6 2x i + 1, e assim, teremos a seguinte sequência x 1 = φ(x 0 ) = ; x 2 = φ(x 1 ) = ; x 3 = φ(x 2 ) = Observe que, com apenas 3 iterações, obtemos ξ = 2 com precisão de 5 casas decimais! Para uma pequena análise de convergência, apresentamos o teorema abaixo, que descreve as condições para que o método de Newton-Raphson seja convergente Teorema 32 Sejam f(x), f (x), f (x) C 0 [a, b] e seja ξ [a, b] raiz da equação f(x) = 0 Suponha que f (x) 0 Então existe um intervalo I [a, b] tal que ξ I e se x 0 I, a sequência {x i } gerada pela fórmula recursiva x i+1 := φ(x i ), i, irá a convergir para a raiz ξ 35 Exercícios 1 Dê um exemplo de uma função f(x) que tenha pelo menos uma raiz, mas que não pode ser determinada usando o método da bisseção 2 A equação x 2 7x + 12 = 0 tem 3 e 4 como raízes Considere a função de iteração dada por φ(x) = x 2 6x + 12 Determine o intervalo (a, b) onde, para qualquer que seja x 0 escolhido, a sequência x n+1 = φ(x n ) converge para a raiz x = 3

28 CAPÍTULO 3 ZERO DE FUNÇÕES 27 3 Seja f(x) = e x + x 3 a) Prove, analiticamente, que a equação f(x) = 0 tem, no intervalo [0, 1], apenas uma raiz, α; b) Aproxime α utilizando o método da bisseção com 6 iterações 4 Considere a equação x 3 + 3x + 3 = 0 a) Justifique analiticamente que a equação tem uma única raiz real, α, pertencente ao intervalo [ 1, 01] b) Utilize o método de Newton-Raphson para aproximar a raiz α calculando apenas duas iterações, x 1 e x 2 Escolha o chute inicial x 0 5 Considere a equação e x x = 0 a) Justifique analiticamente que a equação tem uma única raiz real, α, pertencente ao intervalo [03, 06] b) Quantas iterações teria de calcular pelo método da bisseção de modo a obter uma aproximação de α com 3 casas decimais significativas, sabendo que, com 4 casas decimais significativas uma aproximação para α é 0, Determine um intervalo (a, b) e uma função de iteração φ(x) associada, de tal forma que, x 0 (a, b), a função de iteração gere uma sequência convergente para a(s) raíz(es) de cada uma das funções abaixo, usando o método iterativo linear (MIL) com tolerância ε : a) f 1 (x) = x e x ; b) f 2 (x) = ln(x) x + 2; c) f 3 (x) = e x 2 x 3 ; d) f 4 (x) = sen (x) x 2 ; e) f 5 (x) = x 4 cos(x) 7 Determine a(s) raiz(es) da função f 1 (x), usando o método da bisseção e o método da falsa posição com tolerância ε Quantas iterações foram necessárias para cada um dos métodos? 8 Determine as raízes do exercício (6), usando o método de Newton-Raphson 9 Determine o ponto de interseção entre as funções f 1 (x) e f 2 (x), f 2 (x) e f 3 (x) e entre f 1 (x), f 2 (x) e f 3 (x) 10 Defina raiz simples e raiz multipla em termos de multiplicidade algébrica Interprete geometricamente cada uma delas

29 Capítulo 4 Aproximação de Funções A teoria de interpolação tem importantes aplicações nas ciências exatas Uma delas é fornecer ferramentas matemáticas para o desenvolvimento de métodos numéricos, nas áreas de integração numérica, teoria de aproximação e solução de equações diferenciais Um 2 o uso importante é desenvolver maneiras de trabalhar com funções tabeladas, por exemplo, interpolar linearmente uma tabela de logaritmos Entretanto, esta aplicação cai cada vez mais em desuso com a popularização das máquinas de calcular 41 Teoria de Interpolação Definição 41 (Interpolação) - Dado um conjunto de pontos suporte (x i, y i ), i = 0, 1, 2,, n, de uma certa função y = f(x), deseja-se calcular uma aproximação para f( x), x x, empregando os pontos dados Para tal, construímos uma função φ(x) que interpola f(x) da seguinte maneira i) φ(x i ) = f(x i ), x i, i = 0, 1,, n; ii) φ( x) = f( x), x x i, i = 0, 1,, n y y ψ= ϕ(ξ) y=f(x) ψ= ϕ(ξ) y=f(x) Boa aproximação x Má aproximação x Figura 41: exemplos de interpolação A função interpolante pode pertencer a várias famílias: a) φ(x) = a 0 + a 1 x + + a n x n 28

30 CAPÍTULO 4 APROXIMAÇÃO DE FUNÇÕES 29 b) φ(x) = a 0 + a 1 e x + a 2 e 2x + + a n e nx c) Splines: colagem de polinômios problema de interpolação geral A partir de uma tabela com n+1 pontos de suporte, deseja-se escolher n+1 funções de base φ j (x), cuja combinação linear será usada para aproximar a função f(x), φ(x) = n a j φ j (x) = a 0 φ 0 (x) + a 1 φ 1 (x) + + a n φ n (x), j=0 φ j (x) - funções de base dadas (conhecidas); a j - coeficientes incógnitos 42 Interpolação Polinomial A escolha mais frequente para as chamadas funções de base, φ j (x), são os monômios φ j (x) = x j, j = 0, 1,, n, assim, o problema de interpolação passa a ser expresso por φ(x) = n a j x j = a 0 + a 1 x + + a n x n j=0 O problema é determinarmos os coeficientes a j! Para encontrarmos esses coeficientes, usamos a definição de interpolação, que diz que φ(x) passa por todos os pontos suporte, ou seja, portanto, φ(x i ) = y i, i = 0, 1,, n, n a j (x j i ) = y i, i = 0, 1,, n, j=0 e assim, temos o seguinte sistema linear a 0 x a 1x a nx n 0 = y 0 a 0 x a 1x a nx n 1 = y 1 a 0 x a 1x a nx n 2 = y 2 (41) a 0 x 0 n + a 1 x 1 n + + a n x n n = y n que também pode ser escrito na forma matricial abaixo

31 CAPÍTULO 4 APROXIMAÇÃO DE FUNÇÕES 30 1 x 1 0 x n 0 1 x 1 1 x n 1 1 x 1 2 x n 2 a 0 a 1 a 2 = y 0 y 1 y 2 1 x 1 n x n n a n y n A primeira matriz que aparece acima é denominada Matriz de Vander-Monde Exemplo 41 Polinômio Linear Encontre o polinômio linear que interpola a função y = e x no intervalo [0, 2] solução: polinômio linear: 2 pontos suporte apenas x i y i x 0 = 0 y 0 = e 0 = 1 x 1 = 2 y 1 = e 2 = 7, a 0 a 1 = 1 7, 3891 a 0 = 1 e a 1 = 3, 1946, e portanto, o polinômio interpolante será φ(x) = 1 + 3, 1946x unicidade do polinômio interpolador Elevando o grau n de φ(x) esbarramos em dois problemas O primeiro consiste em gerar sistemas lineares muito grandes que deverão ser resolvidos, o que pode acontecer se utilizarmos um bom código de resolução de sistemas O segundo problema está intimamente ligado a estrutura da matriz dos coeficientes, que para n muito grande, torna a matriz mal-condicionada limitando o cálculo de φ(x) somente para n pequenos Antes, porém, de apresentarmos outras fórmulas para φ(x), vamos enunciar o teorema da unicidade do polinômio interpolador, que vai garantir a existência de um único φ(x) para um mesmo conjunto de pontos suporte Teorema 41 Existência e Unicidade do Polinômio Interpolador Para n + 1 pontos suporte (x i, y i ), i = 0, 1,, n, x i x j, existe e é único o interpolante φ(x) P k (x), k n, tal que φ(x i ) = y i, i = 0, 1,, n

32 CAPÍTULO 4 APROXIMAÇÃO DE FUNÇÕES Fórmula de Lagrange A fórmula de Lagrange para o cáculo de φ(x) utiliza os chamados polinômios de Lagrange, L j (x) = n k j x x k x j x k A expressão do polinômio interpolador será dado por φ(x) = n y j L j (x) Observação 41 O polinômio de Lagrange tem a propriedade do delta de Kroenecker { 1, i = j L j (x i ) = δ ij = 0, i j j=0 Verifique! Em seguida, mostre que a fórmula de Lagrange passa por todos os pontos suporte, ou seja, φ(x i ) = y i, i Exemplo 42 Interpolar a função log 10 x no intervalo [2, 3] usando apenas dois pontos suporte: solução: x i y i x 0 = 2 y 0 = log 10 2 = 0301 x 1 = 3 y 1 = log 10 3 = 0477 Portanto, φ(x) = 0301L 0 (x) L 1 (x) Calculando os polinômios de Lagrange L 0 (x) e L 1 (x), L 0 (x) = x x 1 = x 3 = (x 3), x 0 x L 1 (x) = x x 0 = x 2 x 1 x = x 2, e portanto, φ(x) = 0301(x 3) (x 2) 44 Diferenciação Numérica Comecemos esse capítulo relembrando a definição de derivada de uma função real f(x) f (x) = lim h 0 f(x + h) f(x) h o que nos motiva a aproximar essa derivada da seguinte maneira: 1 f(x + h) f(x), (42) h

33 CAPÍTULO 4 APROXIMAÇÃO DE FUNÇÕES 32 desde que h > 0 seja um parâmetro muito pequeno Mas será que essa aproximação é boa? Vamos responder essa pergunta utilizando expansão em série de Taylor: f(x + h) = f(x) + hf (x) + h2 2 f (ξ), ξ (x, x + h) f(x + h) f(x) = hf (x) + h2 2 f (ξ), dividindo tudo por h temos f(x + h) f(x) = f (x) + h h 2 f (ξ), o que nos motiva a definir o erro da aproximação 42 como e = h 2 f (ξ) Isto significa que se desejamos obter um erro, por exemplo, 10 vezes menor, temos que reduzir h na mesma proporção, o que, de certa forma, empobrece a aproximação 42 Mas, e se conseguirmos uma aproximação cujo erro seja proporcional a h 2? Com certeza o erro diminuiria muito mais rápido comparado a diminuição do parâmetro h Vamos considerar uma função real f(x) e a reta r que liga os pontos (x h, f(x h)) e (x + h, f(x + h)), onde h é um parâmetro positivo suficientemente pequeno y f(x h) f(x+h) f(x) reta r x h x x+h x Figura 42: interpretação geométrica da fórmula de diferenças centradas Qual é a inclinação da reta r? E o que acontece quando h 0? Podemos observar no gráfico acima que a reta r tem como coeficiente angular m = f(x + h) f(x h), 2h e assim, r tende para a reta tangente a curva no ponto x, ou seja, m f (x), o que significa que podemos aproximar a derivada de f(x) da seguinte maneira: 2 = f(x + h) f(x h) (43) 2h Vamos agora verificar a ordem do erro da aproximação 43 Considerando o intervalo (x h, x+h) e assumindo f(x) uma função suficientemente regular, podemos novamente utilizar expansão em série de Taylor:

34 CAPÍTULO 4 APROXIMAÇÃO DE FUNÇÕES 33 onde ξ (x h, x + h) f(x + h) = f(x) + hf (x) + h2 2 f (x) + h3 3! f (ξ), f(x h) = f(x) hf (x) + h2 2 f (x) h3 3! f (ξ), Subtraindo a segunda da primeira equação, temos e dividindo tudo por 2h obtemos f(x + h) f(x h) = 2hf (x) + 2 h3 6 f (ξ), f(x + h) f(x h) 2h = f (x) + h2 6 f (ξ), e portanto, o erro é da ordem de h 2 Os operadores (aproximações) 1 e 2 são denominados operadores de diferenças finitas de 1 a e 2 a ordem, respectivamente operador de diferenças finitas de ordem n Se considerarmos um conjunto de pontos suporte (x i, f(x i )), e aplicarmos o operador 1 teremos ou ainda, 1 (f(x i )) = f(x i+1) f(x i ) x i+1 x i, 1 f i = f i+1 f i x i+1 x i Podemos generalizar o operador através da tabela abaixo: 0 f i f i 1 f i = f i+1 f i x i+1 x i 2 f i = 1 [ 1 f i ] = 1 f i+1 1 f i x i+2 x i (44) n f i = 1 [ n 1 f i ] = n 1 f i+1 n 1 f i x i+n x i Usando ainda a notação n f i = f[x i, x i+1,, x i+n ], podemos reescrever a tabela 44 como:

35 CAPÍTULO 4 APROXIMAÇÃO DE FUNÇÕES 34 0 f i = f[x i ] 1 f i = f[x i, x i+1 ] 2 f i = f[x i, x i+1, x i+2 ] = f[x i+1, x i+2 ] f[x i, x i+1 ] x i+2 x i (45) n f i = f[x i, x i+1,, x i+n ] = f[x i+1, x i+2,, x i+n ] f[x i, x i+1,, x i+(n 1) ] x i+n x i Podemos representar as diferentes ordens do operador através da seguinte tabela: i x i f i f[x i, x i+1 ] f[x i, x i+1, x i+2 ] f[x i, x i+1,, x i+n ] 0 x 0 f 0 f[x 0, x 1 ] f[x 0, x 1, x 2 ] f[x 0, x 1,, x i+n ] 1 x 1 f 1 f[x 1, x 2 ] f[x 1, x 2, x 3 ] 2 x 2 f 2 f[x 2, x 3 ] f[x 2, x 3, x 4 ] n 1 x n 1 f n 1 f[x n 1, x n ] n x n f n Exercício 41 Dados os pontos de suporte abaixo, monte sua tabela de diferenças finitas: i x i f i Fórmula de Newton Newton teve a idéia de usar o conceito de diferenças finitas escrevendo o polinômio interpolador como sendo a seguinte combinação linear φ(x) = a 0 + a 1 (x x 0 ) + a 2 (x x 0 )(x x 1 ) + + a n (x x 0 )(x x 1 ) (x x n 1 ), com os coeficientes a j calculados a partir do operador Nós faremos a construção de φ(x) de maneira indutiva Inicialmente, construimos φ 0 (x) que interpola f(x) em x 0 e em x 1, e assim sucessivamente construimos φ k (x) que interpola f(x) em x 0, x 1,, x k, k = 0, 1,, n Antes de iniciarmos, é útil observar que é invariante à ordenação dos pontos suporte x i, por exemplo: f i = f[x i, x i+1 ] = f i+1 f i = ( 1)(f i f i+1 ) x i+1 x i ( 1)(x i x i+1 ) = f[x i+1, x i ]

36 CAPÍTULO 4 APROXIMAÇÃO DE FUNÇÕES 35 construção do polinômio interpolador I) Seja φ 0 (x) o interpolante de f(x) em x = 0 Sabemos que e portanto, f[x 0, x] = f(x) f(0) x x 0 f(x) = f 0 + f[x 0, x](x x 0 ), assim, podemos afirmar que φ 0 (x) = f 0 = f[x 0 ] e que e 0 (x) = f[x 0, x](x x 0 ) (função erro que se anula em x = x 0 ) II) Seja, agora, φ 1 (x) o interpolante para f(x) em x 0 e em x 1 Sabemos que f[x 0, x 1, x] = f[x 1, x 0, x] = = f[x 0, x] f[x 1, x 0 ] x x 1 f(x) f(0) x x 0 f[x 0, x 1 ] x x 1 portanto, e assim, = f(x) f 0 f[x 0, x 1 ](x x 0 ), (x x 1 )(x x 0 ) f[x 0, x 1, x](x x 0 )(x x 1 ) = f(x) f 0 f[x 0, x 1 ](x x 0 ), f(x) = f 0 + f[x 0, x 1 ](x x 0 ) + f[x 0, x 1, x](x x 0 )(x x 1 ) Concluimos que φ 1 (x) = f 0 + f[x 0, x 1 ](x x 0 ) e que e 1 (x) = f[x 0, x 1, x](x x 0 )(x x 1 ) (função erro que se anula em x = x 0 e x = x 1 ) III) Generalizando, temos ou ainda φ n (x) = f 0 + f[x 0, x 1 ](x x 0 ) + + f[x 0, x 1,, x n ](x x 0 ) (x x n 1 ), Polinômio de Newton {}}{ φ n (x) = a 0 + a 1 (x x 0 ) + a 2 (x x 0 )(x x 1 ) + + a n (x x 0 )(x x 1 ) (x x n 1 ), (46) onde a 0 = f[x 0 ], a 1 = f[x 0, x 1 ], a 2 = f[x 0, x 1, x 2 ],, a n = f[x 0, x 1, x 2,, x n ] Exercício 42 Construa um interpolante para a tabela abaixo usando poliômio de Newton: x i f i

37 CAPÍTULO 4 APROXIMAÇÃO DE FUNÇÕES Ajuste de Curvas Nas primeiras seções desse capítulo, estudamos como interpolar uma função f(x) a partir de um conjunto de pontos suporte Nas próximas seções, aprenderemos como ajustar uma curva por entre estes pontos, sem necessariamente passar por todos eles y y=f(x) y y=f(x) x x INTERPOLAÇÃO AJUSTE Figura 43: diferença entre interpolação e ajuste Em geral, esta técnica se aplica a um conjunto de dados experimentais (x i, y i ), i = 0, 1,, n os quais desejamos aproximar sua lei de comportamento y = f(x) e a partir daí, calcular f(x) para qualquer valor de x Considere, agora, a figura 46 Sabemos que a função f(x) é linear, mas qual das retas r 1 ou r 2 melhor a aproxima y r2 r1 x Para solucionarmos este problema, tems que definir este tipo de conceito: o de melhor aproximação 461 Critérios de Ajuste Vamos estabelecer alguns critérios de melhor ajuste de uma curva y = φ(x) a um conjunto de pontos suporte Será útil definirmos o conceito de resíduo, ou erro, em cada ponto: R k = φ(x k ) y k, k = 0, 1,, n

38 CAPÍTULO 4 APROXIMAÇÃO DE FUNÇÕES 37 I) resíduos nulos (interpolação) R k = 0 ou, k = 0, 1,, n φ(x k ) y k = 0 Este critério não deve ser utilizado, pois nos leva a um problema de interpolação II) soma dos resíduos mínima n R k = mín ou n ( ) φ(xk ) y k = mín Este critério é simples, porém é sensível ao sinal dos resíduos, conforme ilustra a situação abaixo: y ϕ(x0) = y1 y=f(x) ϕ(x1) = y0 y= (x) ϕ x0 x1 x n=1 R k = ( ) ( ) ( ) ( ) φ(x 0 ) y 0 + φ(x1 ) y 1 = φ(x0 ) y 1 + φ(x1 ) y 0 = 0 Resíduo global pequeno, porém, péssimo ajuste! III) soma dos quadrados dos resíduos mínima Rk 2 = mín ou ( ) 2 φ(xk ) y k = mín Este critério dá origem ao método conhecido como método dos mínimos quadrados Este método surge em várias áreas da ciências exatas com nomes diferentes: regressão linear, suavização de dados, otimização, etc Ele se baseia em aproximar uma função f(x) pela combinação linear φ(x) = n a j φ j (x), j=0

39 CAPÍTULO 4 APROXIMAÇÃO DE FUNÇÕES 38 onde os coeficientes a j são as incógnitas do problema de ajuste e φ j (x) são funções de base conhecidas (escolhidas de acordo com o fenômeno estudado) Para determinarmos os coeficientes a j s, usamos o critério de mínimos quadrados: assim, Rk 2 = mín ou ( n ( ) ) 2 aj φ j (x k ) y k = mín j=0 O último somátório acima também pode ser escrito da seguinte forma (veja o Apêndice A): j=0 n a j φ j (x k )φ i (x k ) = y k φ i (x k ), i = 0, 1,, n, n [ m ] {aj } { m φ i (x k )φ j (x k ) = φ i (x k )y k }, i = 0, 1,, n, j=0 que na sua forma matricial pode ser escrito como φ 0 (x k )φ 0 (x k ) φ 1 (x k )φ 0 (x k ) φ n (x k )φ 0 (x k ) φ 0 (x k )φ 1 (x k ) φ 0 (x k )φ n (x k ) φ 1 (x k )φ 1 (x k ) φ 1 (x k )φ n (x k ) φ n (x k )φ 1 (x k ) φ n (x k )φ n (x k ) a 0 a 1 a n = φ 0 (x k )y k φ 1 (x k )y k φ n (x k )y k PROBLEMA DE AJUSTE GERAL 462 Ajuste Polinomial Afim de construir uma aproximação φ(x) polinomial, particularizaremos o problema geral de ajuste considerando as funções de base monômios da forma x j : φ j (x) = x j, j = 0, 1,, n, obtendo o seguinte problema polinomial de ajuste

40 CAPÍTULO 4 APROXIMAÇÃO DE FUNÇÕES 39 m + 1 x k x n k m x k x k x k x n k x k m x 2 k m x k x 2 k x n k x k x n k x n k x2 k x n k xn k a 0 a 1 a n = y k x k y k x n k y k Observação 42 I) Tanto o problema geral como o polinomial, geram matrizes simétricas, o que facilita bastante a solução numérica do sistema linear II) Podemos estimar o grau do polinômio a ser ajustado através do gráfico dos pontos de suporte Exemplo 43 O número de bactérias, por unidade de volume, existentes em uma cultura após x horas é dado na tabela abaixo: número de horas número de bactérias Estime o número de bactérias (por unidade de volume) existentes na cultura após um período de 24 horas solução: Podemos ver através do gráfico abaixo, que um ajuste polinomial linear, φ(x) = a 0 +a 1 x, é uma escolha razoável: Determinando os coeficientes: m + 1 x k x k m x 2 k a 0 a 1 = y k x k y k

41 CAPÍTULO 4 APROXIMAÇÃO DE FUNÇÕES 40 onde m + 1 = 7, 6 x k = 21, 6 x 2 k = 91, portanto, [ ] { a0 a 1 6 y k = 2825 e } = { }, 6 x k y k = 933, cuja solução é a 0 = e a 1 = Concluimos que o conjunto de pontos será ajustado pelo polinômio φ(x) = x, e portanto, a estimativa do número de bactérias após um período de 24 horas será de φ(24) bactérias, onde φ(24) = (24) = Exercícios 1 Considere os seguintes pontos suporte x 0 = 0, x 1 = 06 e x 2 = 09 Encontre polinômios de grau 1 e de grau 2 para aproximar f(045), onde f é uma função dada abaixo Encontre, também, o valor do erro absoluto: a) f(x) = cos x b) f(x) = 1 + x c) f(x) = ln(x + 1) 2 Sabendo-se que f(081) = , f(083) = , f(086) = e f(087) = , calcule um valor aproximado de f(084), usando: a) Polinômios de Lagrange de graus 1, 2 e 3 b) Polinômios de Newton de graus 1, 2 e 3 3 Considere a tabela abaixo: altura(cm) peso(kg) Usando um interpolador polinomial de grau 2, calcule a altura aproximada de uma pessoa com peso de 70kg 4 Qual é a diferença entre interpolação polinomial e o ajuste de curvas pelo método dos mínimos quadrados? É possível obter um mesmo polinômio que interpola e faz o ajuste de curvas pelo método dos mínimos quadrados? 5 Dada a tabela abaixo, faça o gráfico de dispersão dos dados e ajuste uma curva da melhor maneira possível: x y