Apostila elaborada pelo professor Wanderson Rodrigues Bispo com a colabora¸c˜ao do monitor Shander Sanchez
Centro Federal de Educa¸c˜ao Tecnol´ogica Celso Suckow da Fonseca - CEFET/RJ Unidade Descentralizada de Nova Igua¸cu
Mar¸co de 2008
Sum´ ario
1 Erros em C´ alculo Num´ erico 2
1.1 Introdu¸c˜ao . . . . 2
1.2 Exerc´ıcios . . . . 4
2 Resolu¸c˜ ao Num´ erica de Sistemas Lineares 6 2.1 M´etodo de Elimina¸c˜ao de Gauss . . . . 6
2.2 Decomposi¸c˜ao LU . . . . 9
2.3 M´etodos Iterativos . . . . 10
2.4 Exerc´ıcios . . . . 14
3 Zero de Fun¸c˜ oes 17 3.1 M´etodo da Bisse¸c˜ao . . . . 18
3.2 M´etodo da Falsa-Posi¸c˜ao . . . . 19
3.3 M´etodo da Itera¸c˜ao Linear . . . . 20
3.4 M´etodo de Newton-Raphson . . . . 23
3.5 Exerc´ıcios . . . . 25
4 Aproxima¸c˜ ao de Fun¸c˜ oes 27 4.1 Teoria de Interpola¸c˜ao . . . . 27
4.2 Interpola¸c˜ao Polinomial . . . . 28
4.3 F´ormula de Lagrange . . . . 30
4.4 Diferencia¸c˜ao Num´erica . . . . 30
4.5 F´ormula de Newton . . . . 33
4.6 Ajuste de Curvas . . . . 35
4.6.1 Crit´erios de Ajuste . . . . 36
4.6.2 Ajuste Polinomial . . . . 38
4.7 Exerc´ıcios . . . . 40
5 Integra¸c˜ ao Num´ erica 42 5.1 M´etodo dos Trap´ezios . . . . 42
5.2 M´etodo de Simpson . . . . 44
5.3 M´etodo da Quadratura Gaussiana . . . . 47
5.4 Exerc´ıcios . . . . 50
1
Erros em C´ alculo Num´ erico
1.1 Introdu¸c˜ ao
Na computa¸c˜ao dos m´etodos num´ericos, normalmente surgem 3 tipos de erro: erros de arredondamento, erros inerentes e erros de truncamento. Analisaremos cada um a seguir.
1. Erros de arredondamento
S˜ao erros introduzidos pelos computadores, gra¸cas ao car´ater finito de sua mem´oria de armazenamento.
2. Erros Inerentes
S˜ao erros contidos nos dados de entrada do programa. S˜ao normalmente provenientes de imperfei¸c˜oes nos levantamento de dados (falha humana ou de aparelhos de medi¸c˜ao).
3. Erros de Truncamento
S˜ao os erros dos m´etodos num´ericos propriamente ditos. S˜ao organizados por simpli- fica¸c˜oes quando da dedu¸c˜ao das f´ormulas num´ericas. Por exemplo, considere o c´alculo do numero e:
e = X
∞ n=11
n! = 1 + 1 2! + 1
3! + 1 4! + 1
5! + termos truncados
Assim, o erro no c´alculo do n´umero e est´a associado aos termos truncados da s´erie acima.
Defini¸c˜ ao 1.1 - N´ umero Aproximado
2
CAP´ITULO 1. ERROS EM C ´ ALCULO NUM ´ ERICO 3 E a aproxima¸c˜ao de um valor exato, sendo a diferen¸ca entre os dois bem pequena. Con- ´ sideramos um valor exato quando n˜ao existe aproxima¸c˜ao ou incerteza associado a ele.
Defini¸c˜ ao 1.2 - D´ıgitos Significativos
Os d´ıgitos 1, 2, · · · , 9 constituem algarismos significativos de um n´umero. O n´umero 0 tamb´em constitue um algarismo significativo, exceto nos casos em que ´e usado para fixar a posi¸c˜ao da parte decimal ou preencher casas decimais de d´ıgitos desprezados.
Exemplos 1.1
• 3, 124 → 4 d´ıgitos significativos
• 405 → 3 d´ıgitos significativos
• 0, 0095 → 2 d´ıgitos significativos
• 45, 1300 → 4 d´ıgitos significativos (no caso em que os zeros preenchem espa¸cos vazios)
• 45, 1300 → 6 d´ıgitos significativos (no caso em que os zeros s˜ao ori´undos de arredonda- mento)
Erros de Aproxima¸c˜ ao
No caso de erros de truncamento, que s˜ao erros obtidos atrav´es dos m´etodos num´ericos aplicados, podemos ainda definir os tipos de erro que ocorrem na aproxima¸c˜ao de um valor exato. Considere x e x
∗valores exato e aproximado de um n´umero, respectivamente.
i) Erro absoluto - ´ E a diferen¸ca, em m´odulo, entre o valor exato e o valor aproximado de um n´umero. Nota¸c˜ao: “∆”.
∆x = |x − x
∗|
ii) Erro relativo - ´ E a raz˜ao entre o erro absoluto e o valor exato de um n´umero. Nota¸c˜ao:
“ δ ”.
δx = ∆x x Exemplo 1.1 Se x = 3, 251408 e x
∗= 3, 2524643, ent˜ao
∆x = |x − x
∗| = 0, 0010554 = 1, 0554 × 10
−3e
δx = ∆x
x = 1, 0554 × 10
−33, 251408 = 3, 24597836 × 10
−4.
Proposi¸c˜ ao 1.1 Sejam x e y valores exatos e x
∗e y
∗valores aproximados de dois n´umeros.
Ent˜ao:
i) ∆(x + y) = ∆x + ∆y
ii) δ(x + y) = δx x
∗x
∗+ y
∗+ δy y
∗x
∗+ y
∗iii) ∆(x − y) = ∆x − ∆y
iv) δ(x − y) = δx x
∗x
∗− y
∗+ δy y
∗x
∗− y
∗v) ∆(xy) = x
∗∆y + y
∗∆x
vi) δ(xy) = δx + δy vii) ∆
³ x y
´
' y
∗∆x − x
∗∆y (y
∗)
2viii) δ
³ x y
´
= δx − δy
1.2 Exerc´ıcios
1. Demonstre a proprosi¸c˜ao 1.1 da se¸c˜ao anterior.
2. Calcule a ´area de um c´ırculo de raio 100 m, utilizando os seguintes valores aproximados para π : 3.14, 3.1416, 3.14159 e 3.1415926.
3. Determine os erros absoluto e relativo do exerc´ıcio anterior, considerando como valor exato a ´area obtida atrav´es do ´ultimo valor de π.
4. Efetue os seguintes arredondamentos:
a) 38.46235 para 3 casas decimais;
b) 2.57325 para 4 casas decimais;
c) 0.00731235 para 6 casas decimais;
d) 0.8004982 para 5 casas decimais.
5. Sejam f (x, y) = e
x−y, x ¯ = 7, 321 e ¯ y = 6, 242. Determine f(¯ x, y), e apresente o ¯ resultado de acordo com o n´umero de algarismos significativos que pode garantir.
Despreze o erro da fun¸c˜ao exponencial e os erros dos c´alculos intermedi´arios.
6. O volume de uma esfera de raio r ´e dado por V =
43πr
3. Sabendo que ¯ r = 22, 50cm e
¯
π = 3, 142, obtenha o valor aproximado do volume da esfera e apresente o resultado de acordo com o n´umero de algarismos significativos que pode garantir. Despreze os erros de arredondamento das opera¸c˜oes elementares.
7. Calcule um valor aproximado de cos(38
o) a partir da express˜ao cos(x) = p
1 − sen
2(x), considerando o valor aproximado de sen(38
o) com 5 casas decimais significativas.
Apresente o resultado de acordo com o n´umero de algarismos significativos que pode
garantir. Despreze o erro do valor da ra´ız quadrada e dos c´alculos intermedi´arios e
considere 1 um n´umero exato.
CAP´ITULO 1. ERROS EM C ´ ALCULO NUM ´ ERICO 5
8. As arestas de um paralelep´ıpedo retˆangulo medem aproximadamente ¯ a = 30cm, ¯ b =
40cm e ¯ c = 20cm. Com que aproxima¸c˜ao devem ser medidas as arestas para se obter o
volume do paralelep´ıpedo com um erro absoluto que, em m´odulo, n˜ao exceda 192cm
3?
9. Pretende-se calcular a ´area de um c´ırculo de raio aproximadamente igual a 25cm, com
um erro absoluto que, em m´odulo, nao exceda 0.05cm
2. Com que aproxima¸c˜ao se deve
medir o raio do c´ırculo e quantas casas decimais significativas se devem usar no valor
aproximado de π? (Despreze os erros das opera¸c˜oes elementares.)
Resolu¸c˜ ao Num´ erica de Sistemas Lineares
M´ etodos Diretos e M´ etodos Iterativos
O objetivo nesse cap´ıtulo ´e apresentarmos m´etodos num´ericos para resolu¸c˜ao de sistemas lineares. Dependendo do m´etodo escolhido, buscaremos uma solu¸c˜ao exata ou uma solu¸c˜ao aproximada, o que nos permite definir duas classes de m´etodos: m´etodos diretos e m´etodos iterativos. No caso dos m´etodos diretos, as solu¸c˜oes n˜ao apresentam nenhum tipo de erro de truncamento, ou seja, a solu¸c˜ao encontrada ser´a a solu¸c˜ao exata. Os erros que possam vir a ocorrer ser˜ao decorrentes da m´aquina empregada (erros de arredondamento).
Na segunda classe temos os chamados m´etodos iterativos, que diferente dos m´etodos diretos, n˜ao produzem solu¸c˜oes exatas e sim, solu¸c˜oes aproximadas.
2.1 M´ etodo de Elimina¸c˜ ao de Gauss
Come¸caremos nosso estudo com um m´etodo direto, o m´etodo da elimina¸c˜ao de Gauss. Con- sidere o sitema linear abaixo:
a
11x
1+ a
12x
2+ · · · + a
1nx
n= b
1a
21x
1+ a
22x
2+ · · · + a
2nx
n= b
2... . .. ...
a
n1x
1+ a
n2x
2+ · · · + a
nnx
n= b
n(2.1)
Podemos escrever o sistema (2.1) na forma matricial Ax = b
³ X
nj=1
a
ijx
j= b
i, i = 1, 2, · · · , n
´
, onde A = [a
ij]
n×n, x = {x
j}
n×1e b = {b
i}
n×1.
Sabemos da ´algebra linear que o sistema (2.1) admite solu¸c˜ao se det A 6= 0, ou seja, se A
´e invert´ıvel, e assim sua solu¸c˜ao ´e x = A
−1b. Mas do ponto de vista computacional, calcular a inversa de uma matriz ´e muito custoso e, para evitar esse problema, utilizaremos o m´etodo de elimina¸c˜ao de Gauss.
6
CAP´ITULO 2. RESOLUC ¸ ˜ AO NUM ´ ERICA DE SISTEMAS LINEARES 7 Elimina¸c˜ ao Gaussiana
A id´eia do m´etodo de Gauss ´e transformar o sistema dado num sistema triangular inferior (ou superior), utilizando escalonamento de matrizes. Ap´os esse processo, teremos o seguinte sistema:
u
11x
1+ u
12x
2+ · · · + u
1nx
n= g
1u
22x
2+ · · · + u
2nx
n= g
2... . .. ...
u
nnx
n= g
n. (2.2)
Uma vez triangularizado o sistema, atrav´es do algoritmo da retrosubstitui¸c˜ao, encon- tramos a solu¸c˜ao procurada:
x
i= g
i−
X
n j=i+1u
ijx
ju
ii, i = n, n − 1, · · · , 2, 1, onde
X
n j=i+1u
ijx
j= 0 sempre que j > n.
O que garante que o sistema Ax = b ´e equivalente ao sistema Ux = g ´e o processo de escalonamento, onde o segundo sistema ´e obtido a partir do primeiro atrav´es de opera¸c˜oes elementares.
Exemplo 2.1 Vamos utilizar o m´etodo de elimina¸c˜ao 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
. (2.3)
Considerando a matriz ampliada do sistema, temos
[A | b] =
2 1 1 | 7 4 4 3 | 21 6 7 4 | 32
. Passo 1: zerar a
21e a
31• defino 1
opivˆo: a
11= 2
• defino os multiplicadores de linha = ⇒
m
21=
aa2111=
42= 2 m
31=
aa3111=
62= 3
• defino as novas linhas da matriz = ⇒
L
02= L
2− m
21L
1L
03= L
3− m
31L
1ap´os estas opera¸c˜oes teremos uma nova matriz
[A | b]
0=
2 1 1 | 7 0 2 1 | 7 0 4 1 | 11
.
Passo 2: zerar a
032• defino 2
opivˆo: a
022= 2
• defino os multiplicadores de linha = ⇒ m
21=
aa2111=
42= 2
• defino as novas linhas da matriz = ⇒ L
003= L
03− m
32L
02e assim,
[A | b]
00=
2 1 1 | 7
0 2 1 | 7
0 0 −1 | −3
= [U | g]
Usando o algoritmo da retrosubstitui¸c˜ao,
x
3=
g
3−
z }| {
= 0X
3 j=4u
3jx
ju
33= −3
−1 = 3
x
2=
g
2− u
23x
3u
22= 7 − 1(3)
2 = 2
x
1=
g
1− u
12x
2− u
13x
3u
11= 7 − 1(2) − 1(3)
2 = 1
e a solu¸c˜ao do sistema (2.3) fica
x = (1, 2, 3)
Tou x =
1 2 3
.
ALGORITMO DE GAUSS
Passo k: (O objetivo ´e eliminar x
kdas equa¸c˜oes)
• i = k + 1, · · · , n, com n = dim A
CAP´ITULO 2. RESOLUC ¸ ˜ AO NUM ´ ERICA DE SISTEMAS LINEARES 9
• assumo a
(k)kk6= 0 → k
opivˆo
• defini¸c˜ao dos multiplicadores de linha = ⇒ m
ik= a
(k)ika
(k)kk, i = k + 1, · · · , n
• defini¸c˜ao das novas linhas da matriz = ⇒
a
(k+1)ij:= a
(k)ij− m
ika
(k)kjb
(k+1)i:= b
(k)i− m
ikb
(k)k.
2.2 Decomposi¸c˜ ao LU
“Toda matriz n˜ao singular admite uma decomposi¸c˜ao em duas matrizes triangulares, uma superior e outra inferior”. Quem garante esse resultado ´e o pr´oximo teorema.
Teorema 2.1 - Teorema de Gauss
Seja A uma matriz quadrada de ordem n tal que det A 6= 0. Sejam U uma matriz trian- gular superior,
U =
½ u
ijse i ≤ j 0 se i > j , e L uma matriz triangular inferior unit´aria,
L =
0 se i < j 1 se i = j l
ijse i > j
.
Ent˜ao existe e ´e ´unica a decomposi¸c˜ao A = LU , onde U ´e a matriz resultante do processo de elimina¸c˜ao gaussiana e l
ij= m
ij(multiplicadores de linha).
Aproveitando nosso ´ultimo exemplo, podemos encontrar a decomposi¸c˜ao LU da matriz associada ao sistema (2.3)
A =
2 1 1 4 4 3 6 7 4
=
z }|
L{
1 0 0 2 1 0 3 2 1
z }|
U{
2 1 1
0 2 1
0 0 −1
.
Exerc´ıcio 2.1 Resolver o sistema linear abaixo atrav´es do m´etodo de elimina¸c˜ao de Gauss utilizando quatro casas decimais de precis˜ao na solu¸c˜ao.
x + y + z = 1
2x − y + 3z = 0
−x + y − 5z = 2
.
2.3 M´ etodos Iterativos
Vamos agora introduzir dois novos m´etodos que pertencem a classe dos m´etodos iterativos.
Estes m´etodos n˜ao mais resolvem o sistema exatamente, mas sim, a partir de uma estimativa inicial, constr´oem uma sequˆencia de aproxima¸c˜oes que converge para a solu¸c˜ao exata do sistema. Devido as limita¸c˜oes de mem´oria computacinal, esses m´etodos se mostram mais interessantes que os diretos, os quais gastam grande quantidade de mem´oria computacional (problemas de interesse da engenharia possuem aproximadamente 10
5inc´ognitas).
M´ etodo de Gauss–Jacobi Considere o sistema linear X
nj=1
a
ijx
j= b
i, i = 1, 2, ... , n Podemos escrevˆe–lo como:
x
i= 1 a
ii
b
i− X
nj=1 j6=i
a
ijx
j
, i = 1, 2, ... , n
O m´etodo de G.J. usa a maneira de escrever um sistema linear para gerar uma sequˆencia de aproxima¸c˜oes:
x
(k+1)i= 1 a
ii
b
i− X
nj=1 j6=i
a
ijx
(k)j
| {z }
F ormula de Gauss−Jacobi
, i = 1, 2, ... , n k = 0, 1, 2, ...
Exemplo 2.2 Resolva numericamente o sistema abaixo usando o m´etodo de Gauss-Jacobi.
10x
1+ 3x
2+ x
3= 14 2x
1− 10x
2+ 3x
3= −5
x
1+ 3x
2+ 10x
3= 14
, chute: x
(0)= (0, 0, 0)
T, x
(0)=
0 0 0
solu¸c˜ao:
Input: x
(0)= (0, 0, 0)
TK = 0
x
(1)1=
a111h
b
1− a
12x
(0)2− a
13x
(0)3i
=
101(14 − 3 × 0 − 1 × 0) = 1, 4 x
(1)2=
a122h
b
2− a
21x
(0)1− a
23x
(0)3i
=
−101(−5 − 2 × 0 − 3 × 0) = 0, 5 x
(1)3=
a133
h
b
3− a
31x
(0)1− a
32x
(0)2i
=
101(14 − 1 × 0 − 3 × 0) = 1, 4
Output: x
(1)= (1, 4 , 0, 5 , 1, 4)
TCAP´ITULO 2. RESOLUC ¸ ˜ AO NUM ´ ERICA DE SISTEMAS LINEARES 11 Input: x
(1)= (1, 4 , 0, 5 , 1, 4)
TK = 1
x
(2)1=
101( 14 − 3 × 0, 5 − 1 × 1, 4) = 1, 11 x
(2)2=
−101( −5 − 2 × (1, 4) − 3 × (1, 4)) = 1, 20 x
(2)3=
101( 14 − 1 × (1, 4) − 3 × (0, 5)) = 1, 11 Output: x
(2)= (1, 11 , 1, 20 , 1, 11)
TCom algumas itera¸c˜oes do algoritmo, convergimos para x = (1, 1, 1)
(T). ¥
Exerc´ıcio 2.2 Verifique que x
(6)1= 1, 000251, x
(6)2= 1, 005795 e x
(6)3= 1, 000251.
M´ etodo de Gauss–Seidel
Podemos construir uma variante do m´etodo de G.J. permitindo que as vers˜oes atualizadas das componentes de x entre na computa¸c˜ao na mesma itera¸c˜ao K na qual s˜ao calculadas.
Isto d´a origem ao m´etodo de Gauss-Seidel.
F´ormula Gauss-Seidel :
x
(k+1)i=
a1ii
b
i−
T ermo novo
z }| { X
i−1j=1
a
ijx
(k+1)j−
antigo
z }| { X
nj=i+1
a
ijx
(k)j
, i = 1, 2, ... , n k = 0, 1, 2, ...
Exemplo 2.3 Refa¸ca o exemplo anterior empregando agora o m´etodo GS:
Input: x
(0)= (0, 0, 0)
TK = 0
x
(1)1=
a111h
b
1− a
12x
(0)2− a
13x
(0)3i
=
101(14 − 3 × 0 − 1 × 0) = 1, 4 x
(1)2=
a122h
b
2− a
21x
(1)1− a
23x
(0)3i
=
−101(−5 − 2 × 1, 4 − 3 × 0) = 0, 78 x
(1)3=
a133
h
b
3− a
31x
(1)1− a
32x
(1)2i
=
101(14 − 1 × 1, 4 − 3 × 0, 78) = 1, 026 Output: x
(1)= (1, 4 , 0, 78 , 1, 026)
TInput: x
(1)= (1, 4 , 0, 78 , 1, 026)
TK = 1
x
(2)1=
101( 14 − 3 × (0, 78) − 1 × (1, 026)) = 1, 0634
x
(2)2=
−101( −5 − 2 × (1, 0634) − 3 × (1, 026)) = 1, 02048
x
(2)3=
101( 14 − 1 × (1, 0634) − 3 × (1, 02048)) = 0, 98752
Output: x
(2)= (1, 0634 , 1, 02048 , 0, 98752)
T. ¥
Exerc´ıcio 2.3 Verifique que x
(5)1= 0, 99979 , x
(5)2= 0, 99985 e x
(5)3= 1, 00007.
Estudo da Convergˆ encia
Por se tratar de um m´etodo iterativo, necessitamos estabelecer crit´erios de parada para interromper a computa¸c˜ao.
I) Controle do n´umero de itera¸c˜oes :
Se a estrutura de repeti¸c˜ao do programa exceder um dado n´umero de itera¸c˜oes, interrompemos a computa¸c˜ao.
itera ≥ itera m´ax → stop
II) Controle na precis˜ao da solu¸c˜ao :
Se a diferen¸ca, em m´odulo, entre duas aproxima¸c˜oes consecutivas for menor que um parˆametro pr´e-estabelecido ε > 0, finalize a computa¸c˜ao .
max
i¯ ¯
¯ x
(k+1)i− x
(k)i¯ ¯
¯ ≤ ε → stop
Vantagens dos m´ etodos iterativos :
• Em sistemas mal condicionados (detA ∼ = 0), os erros de arredondamento normalmente destroem uma solu¸c˜ao direta. J´a as solu¸c˜oes iterativas propagam pouco este tipo de erro;
• Caso a matriz for esparsa, tamb´em devemos optar por solu¸c˜oes iterativas, pois nestas situa¸c˜oes elas apresentam boa velocidade.
Desvantagens :
• Sua convergˆencia n˜ao ser´a garantida;
• Para matrizes cheias, apresentam um n´umero maior de contas.
Coment´ario :
Caso a solu¸c˜ao n˜ao seja convergente, podemos tentar uma reorganiza¸c˜ao das equa¸c˜oes
antes de aplicarmos o m´etodo iterativo. Por exemplo, considere o sistema abaixo:
CAP´ITULO 2. RESOLUC ¸ ˜ AO NUM ´ ERICA DE SISTEMAS LINEARES 13
−x
1+ 3x
2+ 5x
3+ 2x
4= 10 x
1+ 9x
2+ 8x
3+ 4x
4= 15 2x
1+ x
2+ x
3− x
4= −3
x
2+ x
4= 2
Tomando chute x
(0)= (0, 0, 0, 0), a solu¸c˜ao de ”GS”diverge, lim
k→∞
x
(k)6= x .Entretanto, ao reordenamentodo sistema, [L
1↔ L
3]
−1 9
1 1
(antes)
−→
2
9 5
1
(depois)
a solu¸c˜ao converge para:
x = ( −1, 000001 , 0, 000001 , 0, 999999 , 1, 999999 )
T.
Crit´erio de convergˆencia:
“Toda matriz diagonal dominante ´e convergente, para qualquer chute inicial.”
Condi¸c˜ao de diagonal dominante:
|a
ii| ≥ X
nj=1 j6=i
|a
ij| , ∀i = 1, 2, ... , n.
2.4 Exerc´ıcios
1. Resolver os sistemas abaixo pelo m´etodo de elimina¸c˜ao de Gauss:
a)
10x
1+ 2x
2+ x
3= 15 20x
1− 5x
2+ 2x
3= 32 5x
1+ 15x
2− 2x
3= 33
b)
3x
1+ 10x
2+ x
3= −16 x
1− 5x
2+ 10x
3= 1 x
1+ 2x
2+ 5x
3= 2
c)
5x
1− 2x
2= 10
10x
2− 3x
3= −50
−2x
1+ 5x
2− 2x
3= 60
d)
50x
1− 5x
2+ 2x
3= 300
− 2x
2+ 5x
3= 10
10x
1− 20x
3= −950
2. Encontre a decomposi¸c˜ao LU das matrizes dos coeficientes associados aos sistemas do exerc´ıcio anterior.
3. Considere o seguinte sistema de equa¸c˜oes 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 n˜ao satisfaz a condi¸c˜ao de diagonal dominante;
b) Se permutarmos as linhas desse sistema, podemos utilizar os m´etodos de Gauss- Jacobi e Gauss-Seidel para resolvˆe-lo tendo garantia de convergˆencia?
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
CAP´ITULO 2. RESOLUC ¸ ˜ AO NUM ´ ERICA DE SISTEMAS LINEARES 15 a) Resolva o sistema utilizando o m´etodo de elimina¸c˜ao de Gauss;
b) Podemos determinar a solu¸c˜ao aproximada do sistema, usando o M´etodo de Gauss- Seidel para qualquer aproxima¸c˜ao inicial? Porquˆe?
5. Considere o seguinte sistema linear:
½ 0, 78000x
1− 0, 56300x
2= 0, 21700 0, 91300x
1− 0, 65900x
2= 0, 25400
a) Calcule os vetores E
1= A¯ x
1− b e E
2= A¯ x
2− b, onde ¯ x
t1= (0, 34100; −0, 08700) e
¯
x
t2= (0, 99900; −1, 00100). Considerando os resultados obtidos para E
1e E
2, qual das duas aproxima¸c˜oes {¯ x
t1; ¯ x
t2} ´e a melhor?
b) Resolva o sistema dado usando o m´etodo de elimina¸c˜ao de Gauss trabalhando com 5 casas decimais;
c) Sabendo que a solu¸c˜ao exata do sistema ´e {1; −1} e observando os ´ıtens anteriores, pergunta-se: o sistema ´e bem condicionado? Justifique.
6. Considere o sistema linear abaixo:
kx
1+ 3x
2+ x
3= 1 kx
1+ 6x
2+ x
3= 2 x
1+ 6x
2+ x
3= 3
a) Determine para que valores de k se tem garantia de que os m´etodos de Gauss-Seidel e Gauss-Jacobi geram uma sequˆencia convergente, para qualquer aproxima¸c˜ao inicial;
b) Escolha o menor valor inteiro positivo de k e determine uma solu¸c˜ao aproximada do sistema, usando os m´etodos acima, com crit´erio de parada estabelecido pelo erro abaixo
max
i=1,···,4|x
k+1i− x
ki| ≤ ε = 1 × 10
−3.
7. Considere o sistema linear abaixo:
x
1− 2x
2− 5x
3+ 18 = 0
−4x
1+ x
2− 2x
3+ 8 = 0
−x
1+ 5x
2+ 2x
3− 15 = 0 .
Verifique que, para o sistema de equa¸c˜oes dado, o m´etodo de Gauss-Jacobi ´e conver-
gente. Utilize-o para obter uma aproxima¸c˜ao da solu¸c˜ao, x
(1), partindo da aproxima¸c˜ao
x
(0)= (1.05, 2.16, 3.0)
T.
8. Considere o sistema de equa¸c˜oes lineares AX = B, onde
A =
−1 2 4 5 −2 1
2 3 0
, X =
x y z
e B =
17.0 4.8 9.3
.
a) Verifique que ´e poss´ıvel, partindo de um sistema de equa¸c˜oes equivalente ao anterior, provar a convergˆencia do m´etodo de Gauss-Seidel para a solu¸c˜ao, X
∗, do sistema;
b) Considerando X
(0)= (0.6, −0.7, 0.2)
T, determine X
(1)utilizando Gauss-Seidel.
9. Explique a diferen¸ca entre m´etodos diretos e m´etodos iterativos.
Cap´ıtulo 3
Zero de Fun¸c˜ oes
O estudo das equa¸c˜oes alg´ebricas ´e, juntamente com a trigonometria uma das ´areas mais anti- gas da matem´atica. Ainda na idade m´edia, os matem´aticos ´arabes solucionaram a equa¸c˜ao do 2
ograu, e na renascen¸ca foram solucionadas as equa¸c˜oes do 3
oe 4
ograus.
Ap´os muito esfor¸co e dedica¸c˜ao por parte dos que pesquisam matem´atica, ficou provado que para equa¸c˜oes de grau maior que 4, n˜ao ´e poss´ıvel obter uma solu¸c˜ao do tipo combina¸c˜ao dos coeficientes da equa¸c˜ao. ´ E justamente a´ı que surgem os m´etodos que capturam as ra´ızrs dessas equa¸c˜oes.
Estes m´etodos, tamb´em conhecidos como iterativos, constr´oem uma sequˆencia de aprox- ima¸c˜oes que poder´a convergir para a solu¸c˜ao do problema. A seguir, ser˜ao apresentados 4 destes m´etodos: Bisse¸c˜ao, Falsa-Posi¸c˜ao, Itera¸c˜ao Linear e Newton-Raphson.
raiz de uma equa¸c˜ ao
Um escalar ξ ´e dito um zero de uma fun¸c˜ao f (x) (ou simplesmente raiz da equa¸c˜ao f(x) = 0), se e somente se, f (ξ) = 0. Estes zeros s˜ao representados geometricamente pela interse¸c˜ao da fun¸c˜ao f (x) com o eixo x.
f(x)
x3
raízes simples
raiz múltipla
x1 x2
Figura 3.1: ra´ızes simples e ra´ız m´ultipla
Conforme ilustrado na figura acima, temos dois tipos de ra´ızes: simples (f
0(ξ) 6= 0) e
17
m´ultipla (f
0(ξ) = 0). Os dois primeiros m´etodos supracitados (Bisse¸c˜ao e Falsa-Posi¸c˜ao) s´o capturam ra´ızes simples, enquanto que o ´ultimo (Newton-Raphson) captura ambas.
3.1 M´ etodo da Bisse¸c˜ ao
Seja f (x) uma fun¸c˜ao cont´ınua no intervalo [a, b] contendo apenas 1 raiz de f (x) (se f (a) · f (b) < 0 ent˜ao existe 1 raiz simples no intervalo). A id´eia do m´etodo ´e:
1. escolher [a, b] contendo ξ;
2. calcular o ponto m´edio 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 3.1 Aproxime a raiz ξ da equa¸c˜ao e
x− 4x = 0, sabendo que ξ ∈ [0, 0.5].
1
opasso
a = 0 b = 0.5 c = 0.25
f (a) = 1 f (b) = −0.3513 f (c) = 0.2840 f (b) · f (c) < 0 ⇒ a := c
2
opasso
a = 0.25 b = 0.5 c = 0.3750
f (a) = 0, 2840 f (b) = −0.3513 f (c) = −0.0450 f (b) · f (c) > 0 ⇒ b := c
3
opasso
a = 0.25 b = 0.3750 c = 0.3125 f (a) = 0.2840 f (b) = −0.0450 f (c) = 0.1168 f (b) · f (c) < 0 ⇒ a := c
...
crit´ erios de parada
Se ¯ ξ ´e a aproxima¸c˜ao da raiz ξ da equa¸c˜ao f(x) = 0 pertencente ao intervalo [a, b], ent˜ao temos dois crit´erios de parada:
I) |f ³ ξ ¯ ´
| ≤ ε II) |b − a| ≤ ε,
onde ε ´e um parˆametro pr´e-estabelecido.
CAP´ITULO 3. ZERO DE FUNC ¸ ˜ OES 19
3.2 M´ etodo da Falsa-Posi¸c˜ ao
E uma variante do m´etodo da bisse¸c˜ao, na medida em que utiliza o mesmo algoritmo que ´ o m´etodo da bisse¸c˜ao, 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 3.2.
a
c b raiz
f(a) f(b)
f(x)
Figura 3.2: novo ponto “c” escolhido O novo valor de “c” ser´a dado por
c = f (b)a − f (a)b f(b) − f (a) .
Exerc´ıcio 3.1 Verifique que com o m´etodo da falsa-posi¸c˜ao, ap´os 3 itera¸c˜oes, o exemplo anterior nos leva ao seguinte resultado: c = 0.3575 e f(c) = −0.0002.
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));
se |b-c| <= aux ent~ao raiz:= c e stop;
caso contr´ario,
se f(b)f(c) < 0 ent~ao a:=c;
caso contr´ario, b:=c;
fim-se;
fim-se;
reinice o algoritmo
Exerc´ıcio 3.2 Encontre as ra´ızes das equa¸c˜oes abaixo:
a) x
3− 9x + 3 = 0;
b) x
3− 11x
2+ 39x − 45 = 0;
c) x
3− 5x
2+ 17x + 21 = 0;
d) e
−x− x = 0.
3.3 M´ etodo da Itera¸c˜ ao Linear
Vamos estudar agora os chamados m´etodos do ponto fixo. O mais simples deles ´e o m´etodo da itera¸c˜ao linear, o qual, mesmo n˜ao tendo boa eficiˆencia computacional, ´e importante para a introdu¸c˜ao do m´etodo 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) ´e uma fun¸c˜ao de itera¸c˜ao da equa¸c˜ao f (x) = 0.
Pra tornar estes problemas equivalente, fa¸camos f (x) = x − ϕ(x), assim, como f(ξ) = 0, temos que ξ − ϕ(ξ) = 0 e, portanto, ξ = ϕ(ξ) .
Exemplo 3.2 Considere a equa¸c˜ao x
2+ x − 6 = 0. A sua fun¸c˜ao de itera¸c˜ao ´e a fun¸c˜ao ϕ(x) = √
6 − x.
Uma vez determinada ϕ(x), o M.I.L. consiste em construir uma sequˆencia de aprox- ima¸c˜oes {x
i}
i∈Na partir de um chute inicial x
0e gerada atrav´es da rela¸c˜ao recursiva x
i+1:= ϕ(x
i) , i = 0, 1, 2, · · · .
No exemplo acima, partindo de x
0= 1, 5 ter´ıamos 1. x
1= ϕ(x
0) = √
6 − 1.5 = 2.1213;
2. x
2= ϕ(x
1) = √
6 − 2.1213 = 1.9694;
CAP´ITULO 3. ZERO DE FUNC ¸ ˜ OES 21 3. x
3= ϕ(x
2) = √
6 − 1.9694 = 2.0076;
4. x
4= ϕ(x
3) = √
6 − 2.0076 = 1.9981;
5. x
5= ϕ(x
4) = √
6 − 1.9981 = 2.0005;
e, portanto podemos perceber que o processo converge para ξ = 2.
Entretanto, o M.I.L. n˜ao ´e incondicionalmente convergente como os m´etodos da bisse¸c˜ao e falsa-posi¸c˜ao. Ao tomarmos como fun¸c˜ao de itera¸c˜ao ϕ(x) = 6 − x
2(note que ϕ(x) n˜ao ´e
´unica), geramos um processo iterativo divergente, verifique!
estudo da convergˆ encia
Como vimos, ϕ(x) n˜ao ´e ´unica. Na verdade, sua forma geral ´e dada pela rela¸c˜ao ϕ(x) = x + A(x)f (x),
com A(ξ) 6= 0. Podemos mostrar a equivalˆencia entre os problemas f (ξ) = 0 e ξ = ϕ(ξ) da seguinte maneira
I) Seja ξ tal que f (ξ) = 0, ent˜ao
ϕ(ξ) = ξ + A(ξ) f (ξ)
|{z}
=0
∴ ξ = ϕ(ξ).
II) Seja ξ tal que ξ = ϕ(ξ), ent˜ao
ϕ(ξ) = ξ + A(ξ)f(ξ) ∴ 0 = ϕ(ξ) − ξ = A(ξ)f(ξ),
e como A(ξ) 6= 0, temos que f (ξ) = 0. ¥
A interpreta¸c˜ao gr´afica do problema de ponto fixo ´e a interse¸c˜ao da curva y = ϕ(x) com a reta y = x, conforme ilustra a figura 3.3:
y= (x)ϕ y= (x)ϕ
i 00
situação convergente, lim xi =ξ
i 00
situação divergente, lim xi ≠ ξ
x2 x1 x0 x x
y
y=x
y
x0 x1 x2
y=x
ξ ξ
ξ=ϕ (ξ) ξ=ϕ (ξ)
Figura 3.3: interpreta¸c˜ao gr´afica do MIL
Estas figuras sugerem que, para gerarmos um processo convergente, devemos ter baixas
derivadas de ϕ(x) na vizinhan¸ca de ξ. Esta sugest˜ao ´e confirmada pelo teorema de con-
vergˆenica do M.I.L.
Teorema 3.1 Teorema de Convergˆ encia do M.I.L. - Seja ξ uma raiz de f(x) = 0 isolada no intervalo [a, b] centrado em ξ. Seja ϕ(x) uma fun¸c˜ao de itera¸c˜ao de f(x) = 0. Se:
I) ϕ(x) ´e tal que ϕ
0(x) ∈ C
0[a, b];
II) |ϕ
0(x)| ≤ M < 1, ∀x ∈ [a, b];
III) x
0∈ [a, b],
ent˜ao a sequˆencia {x
i} gerada pelo processo x
i+1:= ϕ(x
i) converge para ξ.
crit´ erios de parada
O M.I.L utiliza os seguintes crit´erios de parada:
I) |x
i+1− x
i| ≤ ε;
II) |f (ξ)| ≤ ε,
onde ε ´e um parˆametro pr´e-estabelecido.
Observa¸c˜ ao 3.1 Devemos ser cuidadosos com o 1
ocrit´erio, pois em algumas situa¸c˜oes ele n˜ao corresponde `a |x
i− ξ| ≤ ε, conforme ilustra a figura abaixo.
xi+1 xi
ξ
ε x y
ϕ(ξ)
Figura 3.4: 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);
CAP´ITULO 3. ZERO DE FUNC ¸ ˜ OES 23 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.
3.4 M´ etodo de Newton-Raphson
Vimos que o M.I.L. tem convergˆencia lenta e n˜ao garantida. A id´eia do m´etodo de Newton ´e construir um m´etodo de ponto fixo que garanta e acelere a convergˆencia do processo iterativo linear. Isto ser´a feito impondo que a derivada da fun¸c˜ao de itera¸c˜ao seja nula em x = ξ, ou seja, ϕ
0(ξ) = 0.
J´a sabemos que ϕ(x) = x + A(x)f (x), portanto, ϕ
0(x) = 1 + A
0(x)f (x) + A(x)f
0(x)
∴ ϕ
0(ξ)
| {z }
=0
= 1 + A
0(ξ) f (ξ)
|{z}
=0
+A(ξ)f
0(ξ)
∴ A(ξ)f
0(ξ) = −1
∴ A(ξ) = −1
f
0(ξ) .
Logo, a fun¸c˜ao de itera¸c˜ao do m´etodo de Newton ser´a dada por ϕ
N(x) = x − f(x)
f
0(x) ,
e a sequˆenia de aproxima¸c˜oes {x
i}
i∈Nde Newton ser´a gerada pela rela¸c˜ao recursiva x
i+1= ϕ
N(x
i), i = 0, 1, 2, · · · ,
e assim, temos a f´ormula de Newton-Raphson
x
i+1= x
i− f (x
i)
f
0(x
i) . (3.1)
Exerc´ıcio 3.3 Utilize expans˜ao em s´erie de Taylor para deduzir a f´ormula de Newton-
Raphson.
interpreta¸c˜ ao geom´ etrica
As aproxima¸c˜oes futuras geradas pela f´ormula de Newton ser˜ao as ra´ızes das tangentes `a curva y = f (x) avaliadas nas aproxima¸c˜oes atuais x
i, conforme mostra a figura a seguir,
xi
xi+1
f(x )i
ξ
y=f(x)
θ
Figura 3.5: criterio de parada do MIL Calculando a derivada de f (x) e avaliando em x
i, temos
f
0(x
i) = tan θ =
z }| {
=0f (x
i+1) −f(x
i) x
i+1− x
ix
i+1− x
i= − f (x
i)
f
0(x
i) x
i+1= x
i− f (x
i)
f
0(x
i) .
Exemplo 3.3 Considere ainda o exemplo 3.2, no qual a partir de uma estimativa inicial x
0= 1.5, desejamos obter numericamente a raiz ξ = 2 da equa¸c˜ao x
2+ x − 6 = 0. Aplicando o m´etodo de Newton-Raphson, temos
x
i+1= x
i− f (x
i) f
0(x
i)
⇒ x
i+1= x
i− x
2i+ x
i− 6
2x
i+ 1 = x
2i+ 6 2x
i+ 1 , e assim, teremos a seguinte sequˆencia
x
1= ϕ(x
0) = 2.06250;
x
2= ϕ(x
1) = 2.00076;
x
3= ϕ(x
2) = 2.00000.
Observe que, com apenas 3 itera¸c˜oes, obtemos ξ = 2 com precis˜ao de 5 casas decimais!
CAP´ITULO 3. ZERO DE FUNC ¸ ˜ OES 25 Para uma pequena an´alise de convergˆencia, apresentamos o teorema abaixo, que descreve as condi¸c˜oes para que o m´etodo de Newton-Raphson seja convergente.
Teorema 3.2 Sejam f (x), f
0(x), f
00(x) ∈ C
0[a, b] e seja ξ ∈ [a, b] raiz da equa¸c˜ao f(x) = 0.
Suponha que f
0(x) 6= 0. Ent˜ao existe um intervalo I ⊂ [a, b] tal que ξ ∈ I e se x
0∈ I, a sequˆencia {x
i} gerada pela f´ormula recursiva x
i+1:= ϕ(x
i), ∀i, ir´a a convergir para a raiz ξ.
3.5 Exerc´ıcios
1. Dˆe um exemplo de uma fun¸c˜ao f (x) que tenha pelo menos uma raiz, mas que n˜ao pode ser determinada usando o m´etodo da bisse¸c˜ao.
2. A equa¸c˜ao x
2− 7x + 12 = 0 tem 3 e 4 como ra´ızes. Considere a fun¸c˜ao de itera¸c˜ao dada por ϕ(x) = x
2− 6x + 12. Determine o intervalo (a, b) onde, para qualquer que seja x
0escolhido, a sequˆencia x
n+1= ϕ(x
n) converge para a raiz x = 3.
3. Seja f(x) = e
x+ x − 3.
a) Prove, analiticamente, que a equa¸c˜ao f (x) = 0 tem, no intervalo [0, 1], apenas uma raiz, α;
b) Aproxime α utilizando o m´etodo da bisse¸c˜ao com 6 itera¸c˜oes.
4. Considere a equa¸c˜ao x
3+ 3x + 3 = 0.
a) Justifique analiticamente que a equa¸c˜ao tem uma ´unica raiz real, α, pertencente ao intervalo [−1, −0.1].
b) Utilize o m´etodo de Newton-Raphson para aproximar a raiz α calculando apenas duas itera¸c˜oes, x
1e x
2. Escolha o chute inicial x
0.
5. Considere a equa¸c˜ao e
−x− x = 0.
a) Justifique analiticamente que a equa¸c˜ao tem uma ´unica raiz real, α, pertencente ao intervalo [0.3, 0.6].
b) Quantas itera¸c˜oes teria de calcular pelo m´etodo da bisse¸c˜ao de modo a obter uma aproxima¸c˜ao de α com 3 casas decimais significativas, sabendo que, com 4 casas deci- mais significativas uma aproxima¸c˜ao para α ´e 0, 5672.
6. Determine um intervalo (a, b) e uma fun¸c˜ao de itera¸c˜ao ϕ(x) associada, de tal forma que, ∀x
0∈ (a, b), a fun¸c˜ao de itera¸c˜ao gere uma sequˆencia convergente para a(s) ra´ız(es) de cada uma das fun¸c˜oes abaixo, usando o m´etodo iterativo linear (MIL) com tolerˆancia ε ≤ 1 × 10
−3:
a) f
1(x) = √
x − e
−x; b) f
2(x) = ln(x) − x + 2;
c) f
3(x) = e
x2− 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 fun¸c˜ao f
1(x), usando o m´etodo da bisse¸c˜ao e o m´etodo da falsa posi¸c˜ao com tolerˆancia ε ≤ 1 × 10
−3. Quantas itera¸c˜oes foram necess´arias para cada um dos m´etodos?
8. Determine as ra´ızes do exerc´ıcio (6), usando o m´etodo de Newton-Raphson.
9. Determine o ponto de interse¸c˜ao entre as fun¸c˜oes 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).
Cap´ıtulo 4
Aproxima¸c˜ ao de Fun¸c˜ oes
A teoria de interpola¸c˜ao tem importantes aplca¸c˜oes nas ciˆencias exatas. Uma aplica¸c˜ao ´e fornecer ferramentas matem´aticas para o desenvolvimento de m´etodos num´ericos, nas ´areas de integra¸c˜ao num´erica, teoria de aproxima¸c˜ao e solu¸c˜ao de equa¸c˜oes diferenciais.
Um 2
ouso importante ´e desenvolver maneiras de trabalhar com fun¸c˜oes tabeladas, por exemplo, interpolar linearmente uma tabela de logaritmos. Entretanto, esta aplica¸c˜ao cai cada vez mais em desuso com a populariza¸c˜ao das m´aquinas de calcular.
4.1 Teoria de Interpola¸c˜ ao
Defini¸c˜ ao 4.1 (Interpola¸c˜ao) - Dado um conjunto de pontos suporte (x
i, y
i), i = 0, 1, 2, · · · , N de uma certa fun¸c˜ao y = f(x), deseja-se calcular uma aproxima¸c˜ao para f (¯ x), x ¯ 6= x, em- pregando os pontos dados. Para tal, constru´ımos uma fun¸c˜ao 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 6= x
i, i = 0, 1, · · · , N.
Má aproximação Boa aproximação
y
x y
x ψ= (ξ)ϕ
ψ= (ξ)ϕ y=f(x)
y=f(x)
Figura 4.1: exemplos de interpola¸c˜ao
27
A fun¸c˜ao interpolante pode pertencer a v´arias fam´ılias:
a) ϕ(x) = a
0+ a
1x + · · · + a
nx
nb) ϕ(x) = a
0+ a
1e
x+ a
2e
2x+ · · · + a
ne
nxc) Splines: colagem de polinˆomios.
problema de interpola¸c˜ ao geral
A partir de uma tabela com n + 1 pontos de suporte, deseja-se escolher n + 1 fun¸c˜oes de base ϕ
j(x), cuja combina¸c˜ao linear ser´a usada para aproximar a fun¸c˜ao f (x),
ϕ(x) = X
nj=0
a
jϕ
j(x) = a
0ϕ
0(x) + a
1ϕ
1(x) + · · · + a
nϕ
n(x), ϕ
j(x) - fun¸c˜oes de base “dadas” (conhecidas);
a
j- coeficientes inc´ognitos.
4.2 Interpola¸c˜ ao Polinomial
A escolha mais frequente para as chamadas fun¸c˜oes de base, ϕ
j(x), s˜ao os monˆomios ϕ
j(x) = x
j, j = 0, 1, · · · , n, assim, o problema de interpola¸c˜ao passa a ser expresso por
ϕ(x) = X
nj=0