Professional Documents
Culture Documents
5*(a+b);FX=f(x(k));FA=f(a);FB=f(
b);e_rel=+Inf;whilek<kmax&&abs(e_rel)>tolif
FA*FX<=0b=x(k);FB=FX;elsea=x(k);FA=FX;endk=
k+1;x(k)=0.5*(a+b);FX=f(x(k));e_rel=(x(k1),
x(k));endz=x(k);n=size(A,1);fori=1:nforj=1:
nifi==jC(i,j)=0;elseC(i,j)=A(i,j)/A(i,i);en
Clculo Numrico
dendd(i,1)=)=((j1)/n)^(i);s(n+1,1);b(i)/A(i
,i);endk=1;x=ones(n,1);e_rel=+Inf;whilek<km
ax&e_rel>tolk=k+1;x_ant=x;fori=1:nx(i)=C(i,
:)*x+d(i);ende_rel=t(x_ant,x);endn=length(c
);y=0;fork=1:ny=y.*x+c(k);endn=length(x);fo
ri=1:nX(i,m+1)=1;forj=m:1:1X(i,j)=x(i)*X(i,
j+1);endA=zeros(n+1,n+1);for)=((j1)/n)^(i1)
;s(n+1,1))=((j1)/n)^(i1);sfori=0:nwhilek<1;
Notas de Aula
Clculo Numrico
Notas de Aula
aadornef@ucs.br
19 de fevereiro de 2015
verso 11
Sumrio
Apresentao
1 Introduo ao Matlab
1.1
Obtendo ajuda
1.2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
1.3.1
1.3.2
Estrutura de sequncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.3
Estruturas de deciso
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.4
Estruturas de repetio
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
1.4
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
2.1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
2.3
17
2.3.1
Erro de arredondamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
2.3.2
Erro de truncamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
2.4
Notao
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5
2.6
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
i
14
18
20
21
ii
SUMRIO
2.7
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3 Zeros de funes
22
25
3.1
Denio do problema
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
3.2
Mtodo da bisseo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
3.2.1
Critrios de parada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
3.3
Mtodo de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
3.4
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
4 Sistemas Lineares
34
4.1
Denio do problema
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
4.2
Mtodo de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
4.2.1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
36
Pivotamento Parcial
4.3
Mtodos iterativos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
4.4
Mtodo de Gauss-Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
4.4.1
40
Convergncia
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5
Mtodo de Gauss-Seidel
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
4.6
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
5 Interpolao
47
5.1
Denio do problema
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
5.2
Mtodo de Vandermonde . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
48
5.3
Mtodo de Lagrange
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
5.3.1
50
5.3.2
51
5.4
5.5
Mtodo do
spline
cbico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
5.4.1
Denio e propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
5.4.2
53
5.4.3
Determinao do
spline
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
54
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
iii
SUMRIO
6 Ajuste de funes
61
6.1
Denio do problema
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
6.2
Resduo quadrtico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
6.3
Ajuste polinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
6.3.1
63
6.3.2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
64
6.4
Ajuste exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
6.5
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
7 Integrao Numrica
74
7.1
Denio do problema
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
74
7.2
74
7.2.1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
76
7.3
78
7.4
79
7.5
Mtodo do
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
7.6
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
83
Spline
Cbico
Denio do problema
8.2
Mtodo de Euler
86
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
8.3
Mtodo de Runge-Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
89
8.4
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
93
96
Lista de Algoritmos
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
VPol . . . . . . . . . .
MVander . . . . . . . .
PivotamentoParcial
EpsilonMaq . . . . . .
ErroRel . . . . . . . .
RaizQuadrada . . . .
ZeroBisseo . . . . .
ZeroNewton . . . . .
SLGaussProv . . . . .
SLGauss . . . . . . . .
ErroRelVet . . . . .
SLGaussJacobi . . . .
SLGaussSeidel . . . .
ILagrange . . . . . . .
CoefSpline3 . . . . . .
ISpline3 . . . . . . . .
AjustePol . . . . . . .
QuadNCAdapt . . . .
QuadRec . . . . . . . .
QuadSpline3 . . . . .
EDOEuler . . . . . . .
EDORK4 . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
12
. . . . . . . . . . . . . . . . . . . .
12
. . . . . . . . . . . . . . . . . . . .
13
. . . . . . . . . . . . . . . . . . . .
17
. . . . . . . . . . . . . . . . . . . .
20
. . . . . . . . . . . . . . . . . . . .
21
. . . . . . . . . . . . . . . . . . . .
27
. . . . . . . . . . . . . . . . . . . .
29
. . . . . . . . . . . . . . . . . . . .
36
. . . . . . . . . . . . . . . . . . . .
37
. . . . . . . . . . . . . . . . . . . .
39
. . . . . . . . . . . . . . . . . . . .
40
. . . . . . . . . . . . . . . . . . . .
42
. . . . . . . . . . . . . . . . . . . .
50
. . . . . . . . . . . . . . . . . . . .
56
. . . . . . . . . . . . . . . . . . . .
56
. . . . . . . . . . . . . . . . . . . .
66
. . . . . . . . . . . . . . . . . . . .
80
. . . . . . . . . . . . . . . . . . . .
80
. . . . . . . . . . . . . . . . . . . .
82
. . . . . . . . . . . . . . . . . . . .
87
. . . . . . . . . . . . . . . . . . . .
91
iv
Apresentao
cada vez mais intenso o uso de tcnicas computacionais para a resoluo de problemas nas Cincias Exatas e Engenharias. Boa parte dessas
tcnicas requer o conhecimento dos fundamentos do
Clculo Numrico.
Notas de Aula
Desempenho:
No Captulo 1, veremos uma explicao breve das funcionalidades bsicas do Matlab (incluindo clculo e programao). No Captulo 2, apresentamos a forma de representao numrica bem como os conceitos de
Base: A maioria das tcnicas mais avanadas toma por base as ideias,
ou combinaes de ideias, de mtodos mais simples como os aqui
estudados.
erro (de truncamento e arredondamento) inerentes aos processos computacionais. O estudo dos mtodos numricos propriamente ditos se iniciam
propostos.
sistemas de equaes lineares. No Captulo 5 estudamos o problema da interpolao polinomial (Vandermonde e Lagrange) e por
spline
implementao
presente texto enfatiza essa viso, atravs dos exerccios propostos onde a
muitos
ideias
cos apresentados
Existem
indicam que o
spline
cbico. Em
pelo smbolo
em sala de aula tivemos que optar por escolher apenas um punhado deles.
aplicao
desse conhecimento.
Aos
vi
APRESENTAO
aprendizagem
de
tais linguagens.
A princpio, qualquer linguagem pode ser utilizada (C, Pascal, Java,
...), desde que apresente os comandos matemticos mnimos necessrios.
Por preferncia pessoal do autor, estas notas utilizam a linguagem do
Matlab.
Primeiramente, os algoritmos, apresentados em pseudo-cdigo, esto escritos usando uma estrutura sinttica muito similar a do Matlab o que faz
com que a implementao seja bastante simplicada. Em segundo lugar,
ao longo do texto, diversos pargrafos precedidos pelo smbolo
mostram
Eliana S. Soares,
Mnica Scotti,
Vania P. Slaviero,
WinEdt
o software matemtico
Captulo 1
Introduo ao Matlab
See also log1p, log2, log10, exp, logm, reallog.
2. No menu
com),
comandos so digitados,
chamado
Enter
a Figura 1.1.
>>,
Variveis
>> a = 3, b = 7, c = a + b
1
so
underscores :
CAPTULO 1.
INTRODUO AO MATLAB
>> soluo
soluo =
|
Error: The
statements
O uso de
= a * b * c
a * b * c
input character is not valid in MATLAB
or expressions.
;
do resultado:
Figura 1.1:
>> a = 1 + 3
a = 4
>> b = 5 - 2;
>>
a = 3
b = 7
c = 10
>> b = 5;
>> h = 7;
>> A = b * h
A = 35
>> fatorial_de_5 = 5 * 4 * 3 * 2 * 1
fatorial_de_5 = 120
Se uma varivel no explicitada pelo usurio, o resultado ser armazenado na varivel
ans:
Var
% base
% altura
% rea do retngulo
Operaes elementares
O Matlab realiza operaes matemticas elementares como uma calcula-
>> 7 * 8
ans = 56
O Matlab distingue letras maisculas de minsculas. Assim
%:
dora.
>> 4 + 5
% adio
ans = 9
>> 4 - 5
% subtrao
ans = -1
>> 4 * 5
% multiplicao
ans = 20
>> 4 / 5
% diviso
ans = 0.8000
>> 1 * 2 + 3 / 4 - 5
% Qual o resultado?
CAPTULO 1.
>> n = abs(-500)
n = 500
>> r = rem(n, 3)
r = 2
Exponencial e Logaritmo:
Potncia de base natural:
ex
>> exp(4)
ans = 54.5982
Arredondamento:
>> x = sqrt(10)
x = 3.1623
>> a = floor(x), b = ceil(x),
a = 3
% arredonda para o
b = 4
% arredonda para o
c = 3
% arredonda para o
Logaritmos:
c = round(x)
inteiro inferior
inteiro superior
inteiro mais prximo
Operaes trigonomtricas:
O nmero
INTRODUO AO MATLAB
>> pi
ans = 3.1416
Seno, cosseno e tangente de um ngulo em radianos:
ln x, log10 x, log2 x
>> log(5)
ans = 1.6094
>> log10(1000)
ans = 3
>> log2(512)
ans = 9
Vetores e matrizes
O Matlab opera com vetores e matrizes com facilidade.
Vetor denido por seus elementos:
>> x = [1 2 3 4 5]
x = 1
2
3
CAPTULO 1.
INTRODUO AO MATLAB
>> y = 1 : 0.5 : 3
y = 1.0000
1.5000
2.0000
2.5000
3.0000
>> x + y
% adio
ans = 2.0000
3.5000
5.0000
6.5000
8.0000
>> x .* y
% multiplicao elemento-elemento
ans = 1
3
6
10
15
>> x.^2
% potncia dos elementos
ans =
1
4
9
16
25
>> exp(y)
% operaes elementares
ans = 2.7183
4.4817
7.3891 12.1825 20.0855
>> dot(x, y)
% produto escalar entre x e y
ans = 35
>> n = length(x) % tamanho do vetor
n = 5
Matriz denida por seus elementos:
>> inv(A)
ans =
6.0000
-4.0000
13.0000
% o determinante de A
% a matriz inversa da A
-2.0000
1.0000
-4.0000
3.0000
-2.0000
6.0000
>> A.^2
ans =
4
4
9
% multiplicando matrizes: A * A
-2
9
10
-4
-2
7
% cada elemento de A ao quadrado
0
9
4
1
0
4
length
size
vetor
matriz.
Operaes matriciais:
>> det(A)
ans = 1
>> A^2
ans =
7
10
-8
>> A = [1 2 3; 4 5 6], x = [2 4 6]
A =
1
2
3
4
5
6
x =
2
4
6
>> A', x'
ans =
1
4
2
5
3
6
ans =
2
4
6
Matrizes especiais:
enquanto o
CAPTULO 1.
>> B = zeros(3,2)
B =
0
0
0
0
0
0
% matriz de zeros
>> W = ones(2,3)
W =
1
1
1
1
1
1
>> I = eye(3)
I =
1
0
0
0
1
0
0
0
1
% matriz de uns
>> rand(2,4)
ans =
0.6223
0.7159
INTRODUO AO MATLAB
% matriz identidade
0.1355
0.9021
0.2896
0.7814
>> A = [1 5; 3 -4]
A =
1
5
3
-4
>> M = max(A)
M =
3
5
>> MM = max(max(A))
MM =
5
>> S = sum(A)
S =
4
1
>> S = sum(sum(A))
S =
5
Os colchetes
[ ]
% Uma matriz A
justapor
(concatenar) vetores
ou matrizes:
>> x =
x =
4
>> M =
M =
5
>> m =
m =
-3
>> S =
S =
4
[4 -2 5 0 -3]
-2
max(x)
% Um vetor x
0
-3
% O maior elemento de x
min(x)
% O menor elemento de x
sum(x)
Funo annima
O comando
Por exemplo:
CAPTULO 1.
INTRODUO AO MATLAB
5
0.0044
argumento
0.0001
quad
0.0000
2 < z < 2:
Grcos
O Matlab possui uma variedade de comandos para produzir grcos.
comando
>>
>>
>>
>>
>>
>>
>>
plot,
z = -4 : 0.1 : 4;
d = f(z);
plot(z, d ,'r--')
grid on
xlabel('valor da varivel aleatria')
ylabel('densidade de probabilidade')
title('Distribuio normal padro')
%
%
%
%
%
%
%
valores para z
valores para f(t)
grfico
grade
rtulo horiz.
rtulo vert.
ttulo
Figura 1.2:
CAPTULO 1.
INTRODUO AO MATLAB
gramas.
pro-
P2 = 8.1
P3 = 8.6
H = 3 / (1/P1 + 1/P2 + 1/P3)
Exemplo:
Uma
function
tions :
Uso:
Entrada de dados:
Sada de dados:
function
especco
geral
function. Observe
script.
script
globais (workspace )
workspace ou no corpo do texto
workspace ou eco na tela
Variveis:
scripts
script.
func-
locais
argumentos
argumentos
corpo do
Figura 1.3:
scripts
de algum problema.
function.
scripts e functions .
Os
functions
Deciso:
script
Repetio:
de dados.
Exemplo:
clear all
clc
P1 = 7.6
Um
Sequncia:
enquanto
cutado;
A seguir veremos como essas estruturas lgicas podem ser implementadas na linguagem do Matlab, isto , qual a
utilizados
sintaxe
dos comandos
CAPTULO 1.
INTRODUO AO MATLAB
Exemplo:
ax2 + bx + c = 0
com
a 6= 0:
clear all
clc
a = 1
b = 2
c = -4
d = b^2 - 4*a*c
x1 = (-b + sqrt(d))/(2*a)
x2 = (-b - sqrt(d))/(2*a)
switch...case.
Exemplo:
Figura 1.4:
script.
if...else...end
if...else...end:
CAPTULO 1.
INTRODUO AO MATLAB
function T = Tabuada(n)
T = zeros(10,1);
for i = 1 : 10
T(i) = i * n;
end
C = 2;
elseif H >= 6.0
C = 1;
else
C = 0;
end
Exemplo:
mdia, com
Exemplo:
switch...case:
Exemplo:
while...end.
Exemplo:
for...end:
while...end:
% IC lateral direito
case +1
z_alfa = norminv(1 - alfa);
a = xb - z_alfa * sig / sqrt(n);
b = +inf;
end
for...end aninhados :
clear all
clc
T = zeros(10,10);
for j = 1 : 10
% para cada coluna j ...
for i = 1 : 10
% para cada linha i ...
T(i,j) = i * j;
end
end
T
Exemplo:
% IC bilateral
case 0
z_alfa_2 = norminv(1 - alfa/2);
a = xb - z_alfa_2 * sig / sqrt(n);
b = xb + z_alfa_2 * sig / sqrt(n);
for...end
CAPTULO 1.
10
INTRODUO AO MATLAB
for i = 1 : n - 1
% Se elementos fora de ordem...
if L(i) > L(i + 1)
temp = L(i);
L(i) = L(i + 1);
L(i + 1) = temp;
cont = cont + 1;
end
end
end
1.11.
1.12.
1.2.
a = e2 ,
1.3.
a = cos(60 ), b = tg(/4).
1.4.
1.5.
a = |5|, b = 9!.
z = [0
1.10.
u = [1
0 0
1 1
1.9.
0,1
c = sqrt(y) - log(y)
7.
b = 3 2, c = 3 8.
w = [0,0
1
2
3
1
.
0
3
1 1
a = 25 , b =
1.8.
1.1.
2 0
1.13. >> a = 1 + 2 / 3 - 4 * 5
Nos problemas 1.1 a 1.6 a seguir, escreva a linha de comando do Matlab necessria
para calcular os valores dados. Justique.
x = [6
0
3
B=
1
2
7
3
Comandos do Matlab
1.7.
A=
1
4
1.4 Problemas
1.6.
5]
(um vetor-linha),
0,2
9,8
0 0]
1
9,9
y = [6 2
5]T
(um vetor-coluna).
10,0].
1 1]T
1.23.
c =
1.0e+003 *
0.0033
0.1742
-6.6277
CAPTULO 1.
11
INTRODUO AO MATLAB
1.33.
Nos problemas 1.24 a 1.27 a seguir, desenhe os grcos das funes mostradas. Adicione grade, legenda, rtulos nos eixos x e y e ttulo. Use os comandos
plot, grid, legend, xlabel, ylabel, title.
1.24.
h(x) = 2 + 3 cos(x)
1.27.
i(x) =
1.28.
Se
1.35.
Captulo 4).
function
(a) Escreva um
recebe um vetor de
script
do problema anterior.
menor
de operaes.
1.36.
p,
script
function que
mean.
Escreva uma
function
H(x).
xn
o valor
e determina
x
polyval
a linha 4, assim
comando
1.37.
Em 1674, Leibniz
elementos aleatrios e, em
max.
sum.
a, b
William George Horner (1786 - 1837), clrigo metodista e estudioso ingls, conhe-
somente possvel
a, b
de
pode
1 1 1
= 4 1 + + ,
3 5 7
Runi na Itlia e, antes disso, no sculo XIII por Zhu Shijie na China [38].
function
cido pelo mtodo (que leva seu nome) de resoluo de equaes algbricas publicado em
F (x)
1.32.
function
n
isprime.
e retorna o valor 1 se
m.
(a) Escreva um
d conmod ou
matriz
Use os comandos
1.31.
e retorne um vetor
function
inclusive.
Programao no Matlab
uma
n,
1.30.
entre 1 e
x+1
x1
1.29.
Escreva uma
>>
>>
>>
>>
1.34.
Sugesto: modique a
g(x) = ex 1
1.26.
function
rem.
primo e 0 se
f (x) = x2 + x 4
1.25.
Escreva uma
bom
[38].
mal em um mundo
CAPTULO 1.
12
INTRODUO AO MATLAB
Algoritmo 1 VPol
entrada : c, x
sada : y
Algoritmo 2 MVander
entrada : x, m
sada : X
n tamanho de c
y 0
para i 1 : n
y y x + ci
1:
2:
3:
4:
2:
3:
4:
m
5:
n tamanho de x
X Zeros(n, m + 1)
para i 1 : n
Xi,m+1 1
para j m : 1 : 1
Xi,j xi Xi,j+1
1:
5:
6:
[4, p. 132].
Escreva uma
aproximao P (n)
function
para o valor de
usando os
1.39.
um
vetor
Escreva uma
Alexandre-Thophile
do Matlab.
determinante
Leonardo
Abaci
1.40.
Seu livro
Liber
A revista
e retorna a razo
Fk
.
Fk1
aumenta, a razo
Rk
aproxima-se de um certo
1 j n 1. Em seguida,
i j o elemento de maior
valor absoluto p (denominado piv). Se p est na linha i, sendo i 6= j , ento
permuta as linhas i e j entre si. O programa retorna a matriz C pivotada. Esse
C,
k2
e um inteiro
sequncia de Fibonacci 4 .
Fk = Fk1 + Fk2 .
1, 1, 2, 3, 5, 8, 13, 21, . . .
3
function
F2 = 1,
Rk =
A sequncia
conhecida como
F1 = 1,
x =
vander
m
com
x1 x21 x1 1
2
xm
2 x2 x2 1
X= .
.
.
. ,
.
.
.
..
.
.
.
2
m
xn xn xn 1
matriz de Vandermonde3 .
m
8:
cuja diferena
1.38.
denominada
7:
j,
tal que
nas linhas
CAPTULO 1.
INTRODUO AO MATLAB
Algoritmo 3 PivotamentoParcial
entrada : C, n, j
sada : C
Inicializao
1:
2:
3:
4:
5:
6:
7:
8:
9:
10:
11:
12:
p |Cj,j |
k j
Busca piv
para i j + 1 : n
se |Ci,j | > p ento
p |Ci,j |
k i
m
m
Pivotamento impossvel
se p = 0 ento
Erro: Pivotamento impossvel
m
Permutao das linhas j e k
se k > j ento
13:
14:
15:
16:
m
T Cj,:
Cj,: Ck,:
Ck,: T
13
Captulo 2
perfeita.
1.
Determinao do mtodo:
borao necessria?
Codicao e implementao:
sucessivos.
3.
Processamento:
4.
Anlise de resultados:
o problema?
resultado?
Resolver o problema.
O resultado o esperado? soluo para
Qual a preciso do
Denio do problema:
do problema? terico ou prtico? Quais as informaes disponveis? Quais reas do conhecimento so aplicveis?
2.
Modelagem matemtica:
Soluo:
da gua
deslocada
d,
esfera
CAPTULO 2.
15
f (x)
f (x)
f (x)
f (x)
2552
10,0
552,0
11,80
17,83
*11,860
0,4349
2440
10,2
492,0
11,82
12,03
*11,862
-0,1444
2136
10,4
432,1
11,84
6,23
11,864
-0,7235
1688
10,6
372,2
*11,86
0,43
11,866
-1,3027
1144
10,8
312,5
*11,88
-5,36
11,868
-1,8818
*10
552
11,0
253,0
11,90
-11,14
11,870
-2,4608
a
d
Figura 2.1:
*12
-40
11,2
193,7
11,92
-16,92
11,872
-3,0398
14
-584
11,4
134,7
11,94
-22,70
11,874
-3,6187
16
-1032
11,6
76,1
11,96
-28,47
11,876
-4,1977
18
-1336
*11,8
17,8
11,98
-34,24
11,878
-4,7765
20
-1448
*12,0
-40,0
12,00
-40,00
11,880
-5,3553
submersa
d 11,861
Importante:
cm.
Me g = Ma g
Z d h
i
4r3
2
e
= a
r2 (x r) dx
3
0
d2 (3r d)
= a
3
3
4e r = a d2 (3r d).
estimativa nal
1
Arquimedes
poca.
(2.1)
renamentos
estimativa inicial
para determinao de reas e volumes anteciparam o clculo integral dois mil anos
antes de Newton e Leibniz. Homem bastante prtico, inventou uma grande variedade
de mquinas e dispositivos, incluindo polias e bombas d'gua [38].
d3 30d2 + 2552 = 0.
(2.2)
que satisfaz
(2.2). A soluo
valores de
de forma sistemtica.
x e f (x)
0 x 20. Como a funo contnua e troca de
10 x 12 (assinalado com *), deduzimos que o valor
sinal
no intervalo
procurado de
est
depois que
de
CAPTULO 2.
16
ria normalizada
(semelhante a
notao cientca ).
base bin-
Por exemplo,
x = (5,125)10
Figura 2.2:
= 4 + 1 + 0,125
= 22 + 20 + 23
= 1 22 + 0 21 + 1 20 + 0 21 + 0 22 + 1 23
= (101,001)2
= (1,01001)2 2
= (1,01001)2 2
f = 01001
expoente
e = 10
p = 11
so, respectivamente, a
parte fracionria
bits )
dgitos binrios
do nmero. Aqui os detalhes tcnicos so um tanto complicados mas podemos simplicar um pouco dizendo que o expoente
est em um intervalo
[emin , emax ].
limitado).
k = 64
bits com
limitado.
t = 2, emin = 2
Usando o Matlab
>> eps
ans = 2.2204e-016
Observe-se que
nito). Observe que existe um espao entre cada dois nmeros (pois
p = 11 dgitos
2046 expoentes,
Com
sentam
emax = 2.
putacional.
Isso determina a
nito, discreto
t = 52
x.
(s, e1 , e2 , . . . , ep , f1 , f2 , . . . , ft ) .
do conjunto
e de um
para o expoente.
e o
especicado por
bit s
(pois
Fmax
Fmin
por um conjunto de
(10)2
= (1,f )2 2(e)2 ,
onde
t = 2, emin = 2
menor nmero
emax = 2.
so possveis
desde
nmero representvel
emin
(2.4)
CAPTULO 2.
17
Algoritmo 4 EpsilonMaq
entrada : nenhuma
sada :
Usando o Matlab
enquanto 1 + t > 1
2:
3:
t t/2
4:
m
5:
2t
Usando o Matlab
aritmticos indenidos e
:
>> realmax
ans = 1.7977e+308
resultados
Usando o Matlab
>> 1/0
ans = Inf
>> 0/0
ans = NaN
Observe-se que,
No Matlab,
t 1
1:
(2.5)
Soluo:
= 2t = 22 = 0,25
Usando o Matlab
>> realmin
ans = 2.2251e-308
O menor nmero representvel (no-normalizado)
CAPTULO 2.
18
innitos
...,
(0)16 =
(e)16 = (1110)2 , (f)16 =
uma quantidade
nita
res
b.
Usando o Matlab
nita
innita :
0,6
11,861501508120412 d 11,861501508120413.
possui
No entanto, no poderamos
preciso da mquina no
tamanho menor que esse.
a
Esse tipo de situao pode acarretar erros de arredondamento nas operaes aritmticas de ponto utuante. Por exemplo:
Usando o Matlab
11,860 d 11,862.
pido no intervalo
2 (e
= 2,7183 . . .)
renar
e=
+
X
1
1
1
1
1
= 1 + 1 + + + + +
k!
2! 3! 4! 5!
(2.6)
k=0
seis
trs
primeiros termos
primeiros termos
2,7167.
2,5000
2.4 Notao
No estudo dos erros computacionais, alguns termos e denies (bem como
sua notao) so importantes. Seguem alguns:
2
CAPTULO 2.
1.
19
Valor exato, x.
iguais
Valor aproximado, x.
Ateno:
3.
Erro, .
e a
(2.7)
|rel | 8 107
= 0,8 106
1264
e
465
2,718279569892473 2,718281828459046
=
= 2,258566572432841 106 .
6.
Tolerncia, tol.
parada
manuais,
critrio de
usa-se, em
0,5 103 . Para clculos computacionais, os valo0,5 106 (preciso simples) e 0,5 1012 (preciso
geral, o valor de
rel
erro relativo
Por exemplo,
Por exemplo,
res tpicos so
estendida).
xx
.
=
x
Por exemplo,
2,718279569892473 2,718281828459046
2,718281828459046
= 8,308802085150933 107 .
rel =
erro
erro relativo
utiliza-se, em geral, o
5.
quanto o
valor absoluto
2,718279569892473 2,71828
=xx
.
4.
quantidade de
1264
2,718279569892473.
465
Por exemplo,
x=
x=
x
.
1264
465
x
=e
x
= e = 2,718281828459046...
2.
ento esses
em relao a
destas quantidades.
Dgitos signicativos exatos, DSE. Se os nmeros x e x so arredondados para os primeiros k dgitos decimais e esses dgitos so
Soluo:
x
= = 3,141592653589793 . . .
3,142857142857143 . . . o erro dado por
Como
=xx
3,142857142857143 3,141592653589793
= 0,00126448926735.
x =
22
7
CAPTULO 2.
20
Algoritmo 5 ErroRel
entrada : x1 , x2
sada : rel
1:
se x2 = 0 ento
2:
3:
4:
5:
x
.
rel x1
seno
m
rel
x1 x2
x2
estimar
Exemplo 2.4.
Encontre, de forma iterativa, uma representao decimal de x = 53 usando apenas as quatro operaes aritmticas.
O erro relativo
xx
3,142857142857143 3,141592653589793
=
3,141592653589793
= 4,024994347707008 104 .
Soluo:
rel =
Os valores de
temos que
erro relativo.
(7,5)2 = 56,25
x1 = 7,5
ErroRel.
cota
para
Se
x
=
53
=xx
53
(um
resduo
de 3,25).
Um
ento
x
= x ,
primeira estimativa
|| = |x x
| 0,5.
No entanto, o valor
x
3,141592653589793 3,14 DSE = 3.
vez do
a < b a < b.
7<x
< 8. Fazendo a
x1 = 7,5
x 3,142857142857143 3,14
x
= 0, ento o erro
armar que
f (x) = x estritamente
crescente
Assim, se
49 < 53 < 64 podemos
Veja o
(2.8)
logo
x
2 = (x )2 ,
Importante: Note que se as entradas do algoritmo, x1 e x2 , representam duas aproximaes para um dado valor exato x
ento a sada, rel
representa a diferena relativa entre as aproximaes. Caso as entradas do
algoritmo sejam x e x
representando uma aproximao e um valor exato
ento a sada, rel representa o erro relativo entre a aproximao e o valor
Se
exato.
e, portanto,
53 = x2 2x + 2 .
|| < 1
ento
2 < ||,
logo
53 x2 2x
1
x2 53
=
2x
2
53
x
.
x
(2.9)
CAPTULO 2.
21
x1 = 7,5
Da estimativa inicial
Algoritmo 6 RaizQuadrada
entrada : n, x, tol, kmax
sada : x, rel , k
1 0,2167.
2:
x2 = x1 1
4:
= 7,2833
x2
por
xk
(7,2833)2 =
obtemos
Substituindo
5:
1
2
x+
3:
= 7,5 0,2167
Agora, o valor
k 1
rel +
1:
53
x
6:
7:
m
8:
k k + 1
u x
x 12 x + nx
rel ErroRel(u, x)
.
mar
(2.10)
de
x5
x6
DSE (estimativa)
7,500000000000000
7,283333333333333
7,280110602593441
7,280109889280553
2,9748 102
4,4268 104
9,7981 108
4,7580 1015
7,280109889280518
7,280109889280518
3
6
de valores sucessivos
xk1 xk
.
xk
O algoritmo
16.
RaizQuadrada
generaliza o problema.
estimativa
inicial, renamentos sucessivos, estimativa para erro relativo, nmero mximo de passos permitido, tolerncia para erro relativo, etc.
14
16
Observaes:
1. O valor calculado para
relativa
esti-
Durante o
xk
diferena relativa
rel diferena
estimados :
x:
x6
Matlab:
de estimativas
uma
Dizemos que
lim xk = x
.
>> sqrt(53)
ans = 7.280109889280518
k+
A velocidade com que a sequncia converge para o valor exato indica quo
rpida ser a aproximao. Quanto
maior
CAPTULO 2.
menor
22
tolerncia.
Dada uma sequncia
positivas
xk
x
,
se existem constantes
tais que
(2.11)
c dito coeciente assinttico de convergncia e r dito ordem de convergncia. Quanto maior o valor de r, mais rpida ser a
ento
convergncia da sequncia:
linear;
Se
r=1
Se
r > 1,
superlinear;
Se
r = 2,
quadrtica.
c < 1,
2.1.
2.2.
|k |
|xk x
|
lim
r = lim
r = c,
k+ |k1 |
k+ |xk1 x
|
mquina, (b) o menor nmero representvel Fmin e (c) o maior nmero representvel Fmax .
2.3.
em
overow.
overow ?
2.4.
em
O que underow ?
underow.
2.5.
x=
2.6.
1
4
4
y = 11 3 + .
1
5
11
6 31
2.7.
Na aritmtica, a igualdade
|k | c |k1 |r .
1
6
1
6
1
6
1
6
1
6
1
6.
1
n = 1 verdadeira para todo n 6= 0. Na
aritmtica computacional isso nem sempre verdade. Encontre o menor inteiro
DSE
dobra
quadrtica :
a cada passo.
2.7 Problemas
2.8.
NaN
2.9.
eps
do Matlab.
Nos problemas 2.10 a 2.13 a seguir, determine (a) o erro , (b) o erro relativo
rel e (c) o nmero de dgitos signicativos exatos DSE obtidos ao se aproximar
x
por x.
Nos problemas 2.1 e 2.2 a seguir, suponha que uma mquina tenha representao de ponto utuante com os parmetros dados. Determine (a) a preciso da
2.10.
. x
= 123 456, x = 123 400;
CAPTULO 2.
2.11.
2.12.
23
. x
= 1,000000, x = 0,999999;
. x
= 2, x = 577
408 ;
2.13.
. x
= = (1 +
2.14.
5)/2, x =
2.17.
O nmero
s com,
no mximo,
987
610 ;
2.16.
A = r2 ,
2.18.
onde
2.19.
aproximaes
para
A=
d
onde
relativo
valor
2
8
d ,
9
p1 =
p2 =
rel
3 18
2
( 16
9 )
p3 = 3
p4 =
p5 =
3 17
377
120
p6 =
p7 =
355
113
10
autor
poca
Babilnios
2000
a. C.
Egpcios
2000
a. C.
Chineses
1200
a. C.
Arquimedes
300
Ptolomeu
200
Chung Hing
300
Valentius Otho
1573
a. C.
2.20.
f(n) = n! = n (n 1) 3 2 1.
Em 1730, Stirling desenvolveu a frmula de aproximao
2.15.
3
. rel = 7,23 10
Ahmes
2n
n n
e
(1680? a.C. - 1620? a.C.) escriba egpcio que transcreveu uma srie de
f (n) =
f(n)
rel
f (n)
para
CAPTULO 2.
2.21.
24
sen(x) = x
x5
x7
x3
+
+
3!
5!
7!
t =
sen(x):
2
2
= sen( 4 )
usando os
n = 3, 6, 9
pri-
rel
de cada aproximao.
2.22.
a=
b=
834.
2.23.
calcular os valores
a=
23
b=
n.
sqrt
Use-o para
527.
Sugesto: Leia atentamente a seo 2.5 e obtenha uma frmula recursiva semelhante a 2.10. Compare os resultados nais com
nthroot.
2.24.
x1 = 1,
xk = 1 +
2.25.
x1 = 1,
xk =
1
xk1 ,
x
=
2 + xk1 ,
1+ 5
2
x
=2
z = x
+ y (
z 6= 0),
xx
y =
exatos
y y
.
y
tal que:
x
(
x 6= 0)
x x
+ y y
;
x
+ y
(a)
z =
(b)
Captulo 3
Zeros de funes
3.1 Denio do problema
Seja
f : R R.
Um nmero
dito
zero de f
z,
seja zero de
Soluo:
g(x) = x3 x2 1
zeros.
respectivas funes,
f.
z = {0, 1}.
muito prximos
da mquina.
efetivamente
f (z) = 0.
O problema que estudaremos consiste em
Sendo
z=0
um zero de multiplicidade
2.
J o zero de
no
e a frmula
e h(x) = ex sen(x).
z3
impossvel,
ha
f (1) = 13 12 = 1 1 = 0.
J para
1.
Isolamento:
No
Matlab:
Determinao de um
g(z2 )
h(z3 )
no so
sucientes.
2.
Renamento:
de parada
exatamente
25
seja satisfeito.
[a, b] reduzido
CAPTULO 3.
26
ZEROS DE FUNES
abaixo
que acima
ele passou
do eixo horizontal em
sobre
o eixo horizontal!
(1, 2).
do eixo horizontal em
[1, 2].
g(1) = 3
g(2) = 3,
existe
isto ,
um zero em
Figura 3.1:
de seu zero.
O mtodo da bisseo consiste nos seguintes passos
1.
1. Partir de um intervalo inicial
[a, b]
tal que
f (a)
f (b)
tenham sinais
contrrios;
2.
2. Dividir o intervalo
[a, b]
em dois subintervalos
x=
o ponto mdio entre
[a, b]
tal que
f (a)
[x, b],
sendo
xk .
f (z) = 0
4.
k > kmax .
estimativas
f (xk ).
e seu zero.
3.
a diferena entre
b;
f (b)
g(x) = x3 x2 1
xk1 xk
< tol;
|rel |
xk
bk ak
< tol;
|rel |
2xk
Os critrios 1 e 2 estabelecem
a+b
2
resduo
rel
entre
da funo, isto ,
mximo de iteraes.
[a, x]
O grco da funo
Soluo:
critrios de parada :
Usando o
CAPTULO 3.
27
ZEROS DE FUNES
>> x = 1 : 0.2 : 2
x =
1.0000
1.2000
1.4000
>> y = x.^3 - x.^2 - 1
y =
-1.0000 -0.7120 -0.2160
Vericamos que
1.6000
1.8000
2.0000
0.5360
1.5920
3.0000
isolamos
Algoritmo 7 ZeroBisseo
entrada : f, a, b, tol, kmax
sada : x, rel , k
Estimativa inicial
o zero
nesse intervalo.
Agora, com
1:
2:
ak
xk
bk
g(ak )
g(xk )
g(bk )
rel
1,4000
1,5000
1,6000
-0,2160
0,1250
0,5360
1,4000
1,4500
1,5000
-0,2160
-0,0539
0,1250
0,0345
1,4500
1,4750
1,5000
-0,0539
0,0334
0,1250
-0,0169
1,4500
1,4625
1,4750
-0,0539
-0,0108
0,0334
0,0085
1,4625
1,4688
1,4750
-0,0108
0,0112
0,0334
-0,0043
1,4625
1,4656
1,4688
-0,0108
0,0002
0,0112
0,0021
1,4625
1,4641
1,4656
-0,0108
-0,0053
0,0002
0,0011
8:
1,4641
1,4648
1,4656
-0,0053
-0,0026
0,0002
-0,0005
1,4648
1,4652
1,4656
-0,0026
-0,0012
0,0002
-0,0003
9:
3:
4:
5:
6:
7:
k 1
x 12 (a + b)
f x f (x)
f a f (a)
f b f (b)
rel +
Processo iterativo
enquanto k < kmax e |rel | > tol
se f a f x 0 ento
b x
fb fx
10:
seno
11:
Assim podemos estabelecer
Para obter
x = 1,465571231876768
necessrias 49 iteraes.
e de
g(b)
algoritmo
z 1,47
com 3 DSE.
12:
13:
com
rel = 3,0301
1016 so
sinal
de
g(a)
ZeroBisseo
critrios de parada 1 e 4.
condies necessrias
16:
17:
18:
19:
15:
20:
Convergncia
[a, b]
inicial.
m
14:
m
a x
fa fx
k k + 1
u x
x 12 (a + b)
f x f (x)
rel ErroRel(u, x)
CAPTULO 3.
28
ZEROS DE FUNES
seguramente
Trocando
x0
por
convergente.
2. Como
|k |
1
2
|k1 |,
por
tem-se
cessrias cerca de 3,3 iteraes para cada DSE adicional: uma con-
pois
f (z) = 0.
z x
inicial x1
para o zero de
convergem para
3
de Taylor :
z.
f,
estimativa
Geometricamente,
f 00 (x0 )(x x0 )2
f (k) ()(x x0 )k
f (x) = f (x0 ) + f 0 (x0 )(x x0 ) +
++
.
2!
k!
gente ao grco de
xk
em
obtendo
f (x)
,
f 0 (x)
frmula de iterao :
xk = xk1
x2 , x3 , que
f em sua srie
projeo
f (xk1 )
.
f 0 (xk1 )
(xk1 , f (xk1 ))
Isaac
tarum
ons
Method of uxi-
Joseph
Society.
Em seu
Royal
dente, o mesmo mtodo para encontrar zeros de funes [38]. A frmula iterativa (3.1)
tal como conhecida atualmente devida a Thomas Simpson em seu
Brook
de 1740 [37].
Contribuiu signicativamente
para o estabelecimento do Clculo. Criou o clculo de diferenas nitas, inventou a tcnica da integrao por partes, e generalizou a expanso em srie que leva seu nome em
seu livro
balho foi reconhecida e enaltecida por Lagrange em 1772 como o Teorema Fundamental
do Clculo Diferencial [38].
Figura 3.2:
(3.1)
CAPTULO 3.
29
ZEROS DE FUNES
Soluo:
intervalo
1,5.
encontra-se no
x=
2:
4:
k 1
F f (x)
D f 0 (x)
rel +
1:
3:
Como
Com
Algoritmo 8 ZeroNewton
entrada : f, f 0 , x, tol, kmax
sada : x, rel , k
Estimativa inicial
Processo iterativo
enquanto k < kmax e |rel | > tol
5:
6:
7:
8:
xk
g(xk )
g 0 (xk )
rel
1,5000
0,1250
3,7500
10:
1,4667
0,0039
3,5200
0,0227
11:
1,4656
0,0000
3,5126
0,0007
1,4656
0,0000
3,5126
0,0000
z 1,47
com 3 DSE.
9:
apenas 6 itera-
es!
O algoritmo
ZeroNewton
m
12:
k k + 1
u x
x x F/D
F f (x)
D f 0 (x)
rel ErroRel(u, x)
ZeroBisseo.
garantida
em todos os
casos. A Figura 3.3 mostra o caso de uma funo em que a aplicao do mtodo de Newton produz uma sequncia de estimativas
divergente.
xk
garantem
Convergncia:
z, f
sucientemente
suave
(contnua e diferenci-
vel);
(b) a estimativa inicial
x1
est sucientemente
prxima
de
z.
xk z ,
temos
quadrtica :
rpido
|k | |k1 |2 ,
a quantidade de DSE
velocidade.
robustez
e do l-
CAPTULO 3.
30
ZEROS DE FUNES
Usando o Matlab
comando
fzero.
3.4 Problemas
Mtodo da Bisseo
Nos problemas 3.1 a 3.4 a seguir so dados a expresso de uma funo f e um
intervalo [a, b]. Para cada uma das funes faa o seguinte: (a) Desenhe o grco
da funo no intervalo dado, vericando que a funo contnua e que f (a) e
f (b) tem sinais contrrios. (b) Use o mtodo da bisseo e, partindo do intervalo
dado, preencha uma tabela contendo os valores de k, ak , xk , bk , f (ak ), f (xk ),
f (bk ) e rel como no Exemplo 3.2. Preencha a tabela para as 4 primeiras iteraes.
3.1.
Figura 3.3:
Newton.
3.2.
Uma sequncia de estimativas divergente para o mtodo de
3.3.
3.4.
3.5.
k
em
. f (x) = ex + x2 10
.
[1, 1].
em
[2, 4].
metade
Tk =
Determine o nmero
tamanho
T0 = b a
Tk1
.
2
seja reduzido a
CAPTULO 3.
3.6.
31
ZEROS DE FUNES
3.7.
3.8.
3.9.
3.10.
3.11.
ZeroBisseo
para
so equivalentes.
3.12.
3.19.
3.20.
3.21.
3.22.
3.23.
ZeroNewton
para
. f (x) = x 2x 5
3.14.
. f (x) = x + ln(x)
3.15.
. f (x) = x cos(x)
. f (x) = x cos(x2 )
3.17.
3.24.
elevada. A funo
em
em
em
em
[, ], x1 = 1,0.
estimativa inicial
= 1)
fn (x) = (x 1)n
com multiplicidade
n.
Determine o nmero de
Verique que a sequncia recursiva dada pela equao (2.10) pode ser
f (x) = x 53
f1 , f2 , . . . , f10 .
Use a
x1 = 2.
3.25.
3.26.
1
10
+ xex
com
x1 = 2.
f (x) = x3 x 3
com
x1 = 3.
f (x) =
Sortidos
3.27.
numricos (aproximados) so
analticos (exatos). A determinao
3.16.
Mtodo de Newton
3.13.
original e pelo modicado para encontrar os zeros das funes dadas nos proble-
a 3.4. Use
3.18.
exatamente
4
Frmula de Cardano 4
Girolamo
Pes-
g(x) = x3 x2 1
CAPTULO 3.
3.28.
32
ZEROS DE FUNES
3.29.
3.30.
f (x) = e ln x
no intervalo
com
(0, 2]
(em metros).
k = 1,3807 1023 J/K
de onda
e
x > 0.
xmin
3.31.
Um estudante comprou um
notebook
[25].
S() para
[0,5; 4,0] 106 m.
onde
o valor nanciado,
max =
onde
F i
o nmero de parcelas e
S.
Encontre
3.34.
Q
z,
ocorre em
max
dado por
hc
,
zkT
o zero de
f,
x
+ ex 1.
5
max .
Tf Ti dada
B
C
Q = nR A(Tf Ti ) + (Tf2 Ti2 ) + (Tf3 Ti3 ) .
2
3
por
Sugesto: Use
o zero positivo de
f (x) =
3.32.
n ,
1 (1 + i)
o valor da parcela,
T = 3500 K.
f 0 (xmin ) = 0.
P =
a temperatura
3.35.
t 0,
onde
u0
S=
onde
tal
geomtrica
3.33.
1
a constante de amortecimento,
2RC
1
0 =
a frequncia angular de oscilao (natural),
LC
p
d = 02 2 a frequncia angular de oscilao (amortecida).
r2
( sen()),
2
o raio do crculo e
o ngulo
que a rea
A tenso
Lei da Radiao,
um circuito em que
2c2 h
1
S() =
,
5
hc/kT
e
1
= 200
, L
t3
C = 40 F e u0 = 50 V. Substitua
u(t) e determine os instantes t1 , t2 e
= 0,3 H,
CAPTULO 3.
3.36.
os
Na lgebra Linear, os
zeros
33
ZEROS DE FUNES
A=
3.37.
1 , 2
xk = xk1
0 3
1
2 .
2
3
de
2[f 0 (x
de
quarto
termo e
2f (xk1 )f 0 (xk1 )
.
2
00
k1 )] f (xk1 )f (xk1 )
pA (x).
segunda derivada
por
3
0
3
usar a informao da
3.38.
do polinmio caracterstico
A.
[a, b] no
(a, f (a))
c sobre o
(b, f (b)) como
ponto
interpolao linear
a o mtodo da bisseo.
c=a
f (a)
(b a).
f (b) f (a)
(b) Modique o algoritmo ZeroBisseo de modo a empregar a tcnica da interpolao linear. Compare o nmero de iteraes necessrias para encontrar
os zeros das funes dadas nos problemas 3.1 a 3.4 com o algoritmo Zero-
Bisseo original.
rbita do cometa que leva seu nome. Halley props que os cometas que apareceram em
1531 e 1607 eram, de fato, um mesmo cometa e deveria reaparecer em 1758. O mtodo
para a determinao de razes de equaes polinomiais foi desenvolvido em 1694.
frmula tal como conhecida atualmente devida a Schrder [42].
Captulo 4
Sistemas Lineares
4.1 Denio do problema
Um
a11 x1 +
a21 x1 +
a12 x2
a22 x2
.
.
.
.
.
.
consistente :
ou, simplesmente,
sistema linear
com
equaes e
+
+
am1 x1 + am2 x2 +
+
+
a1n xn
a2n xn
.
.
.
=
=
a11 a12
a21 a22
A= .
.
.
..
.
am1 am2
a1n
a2n
.
.
.
amn
se
no existe
soluo;
resolver
+ amn xn = bm
diretos :
O problema em questo
.
.
.
Ax = b, sendo
x1
b1
x2
b2
, x = .. , b = ..
.
.
xn
bm
uma
inconsistente :
b1
b2
existe
se
iterativos :
determinados (m = n)
com soluo
nica.
A resoluo de
sub-determinado :
determinado :
Se
Se
m < n;
m = n;
sobre-determinado :
Se
O mtodo de Gauss
eliminao gaussiana )
m > n.
Carl
O procedimento,
ser classicado em
da lgebra:
34
CAPTULO 4.
35
SISTEMAS LINEARES
escalonamento
retro-substituio.
A etapa do escalonamento consiste em, atravs de operaes-linha elementares, obter um sistema linear
Ax = b
a
Cx = d
forma escalonada
a1,1
a1,2
a2,1
a2,2
.
.
.
.
.
.
an1,1 an1,2
an,1
an,2
c1,1 c1,2
0 c2,2
..
.
.
.
.
0
0
0
0
k da matriz C,
ci: ci: + mcj:
k,
isto , linha
ck:
a1,n1
a2,n1
a1,n
a2,n
b1
b2
.
.
.
.
.
.
.
.
.
c1,n
c2,n
d1
d2
.
.
.
.
.
.
.
.
.
xi =
di
Redimensionar
Adicionar
uma linha:
cii
3 x1 +
x2
x3
3 x1 + 3 x2
x3
9 x1 + 4 x2
x2 + 3 x3
Soluo:
Escalonamento :
Pallas obtidas entre 1803 e 1809 e obteve um sistema de seis equaes lineares e seis
= 5
= 5
.
= 17
= 12
lineares que consiste exatamente no que conhecemos hoje como o mtodo da eliminao
gaussiana. Alm disso, apresenta uma prova formal do mtodo dos quadrados mnimos
1 2
1 4
0 8
3 7
5
5
.
17
12
piv.
= 3) denominado
mij a seguir so
m21 =
d2 = d2 + m21 d1 ,
m31
d3 = d3 + m31 d1 ,
d4 = d4 + m41 d1 .
incgnitas. Nesse texto, Gauss descreve uma forma sistemtica de resoluo de sistemas
2 x4
4 x4
8 x4
7 x4
3 1
3 3
[C|d] = [A|b] =
9 4
0 1
ditos
+
+
+
+
completa
m 6= 0.
i = n, n 1, . . . , 2, 1.
ci: cj: .
ci: mci: ,
cij xj
j>i
No Matlab, a operao
Permutar
todas as colunas.
inversa) por
[A|b] [C|d]
Usando o Matlab
m41
CAPTULO 4.
36
SISTEMAS LINEARES
Algoritmo 9 SLGaussProv
entrada : A, b
sada : x
Inicializao
Assim, obtemos
3
0
0
0
1
2
1
1
1 2
0 2
3 2
3 7
5
0
.
2
12
1:
Prosseguindo com o piv
c32
1
=
c22
2
c42
1
=
=
c22
2
c22 = 2:
2:
m32 =
d3 = d3 + m32 d2 ,
m42
d4 = d4 + m42 d2 ,
3
0
0
0
1
2
0
0
1 2
0 2
3 1
3 6
5:
c33 = 3,
c43
3
=
= = 1
c33
3
7:
5
0
.
2
12
8:
9:
10:
obtemos
11:
d4 = d4 + m43 d3 ,
3
0
0
0
Retro-substituio.
12:
de linhas de
Escalonamento
para j 1 : n 1
para i j + 1 : n
m Ci,j /Cj,j
Ci,: Ci,: + mCj,:
m
m
Retro-substituio
x Zeros(n, 1)
para i n : 1 : 1
m
1
2
0
0
1 2
0 2
3 1
0 5
Os elementos de
5
0
.
2
10
forma vetorial,
x1 = 1, x2 = 2, x3 = 0
x4 = 2
ou, de
1
2
x=
0 .
2
so obtidos:
10
d4
=
=2
c44
5
d3 (c34 x4 )
2 (1 2)
x3 =
=
=0
c33
3
d2 (c23 x3 + c24 x4 )
0 (0 0 + 2 2)
x2 =
=
= 2
c22
2
d1 (c12 x2 + c13 x3 + c14 x4 )
5 (1 (2) 1 0 + 2 2)
x1 =
=
=1
c11
3
x4 =
4:
6:
obtemos
m43
3:
n nmero
C [A|b]
O algoritmo
SLGaussProv (provisrio )
calonamento de Gauss.
CAPTULO 4.
37
SISTEMAS LINEARES
Algoritmo 10 SLGauss
entrada : A, b
sada : x
Inicializao
1:
2:
3:
4:
5:
6:
n nmero
C [A|b]
9:
10:
11:
12:
13:
de linhas de
m
m Ci,j /Cj,j
Ci,: Ci,: + mCj,:
Ax = b
A e o vetor-coluna b, possvel
m
Retro-substituio
x Zeros(n, 1)
para i n : 1 : 1
m
>> A = [3 1 -1 2; 3 3 -1 4; 9 4 0 8; 0 1 3 7];
>> b = [5; 5; 17; 12];
>> x = A\b
x =
1.0000
-2.0000
-0.0000
2.0000
Escalonamento
para j 1 : n 1
C PivotamentoParcial(C, n, j )
para i j + 1 : n
7:
8:
Usando o Matlab
uma resposta:
1. a soluo, se o sistema linear for possvel e determinado;
2. uma soluo, se o sistema linear for possvel e indeterminado;
|cjj | |cij | ,
Esse procedimento, denominado
i > j.
pivotamento parcial,
Uma maneira de vericar que tipo de soluo est sendo obtida vericar a
alm de evi-
tar a diviso por zero, garante ainda que os multiplicadores sero pequenos
(|mij |
ritmo
1),
PivotamentoParcial
Note
que, o sistema linear que no tiver soluo nica ou no tiver soluo, ser
detectado pela algoritmo de pivotamento.
>> rref(A)
ans =
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
In ,
CAPTULO 4.
38
SISTEMAS LINEARES
iterativos
x(1)
uma matriz
x(k) = Cx(k1) + d.
Se
, a
x
C e d levam a mtodos
critrios de parada.
1.
2.
3.
Soluo:
rel
(1)
x x(2)
=
x(2)
p
(1,0002 0,9994)2 + (2,0086 2,0015)2 + (2,9978 + 3,0007)2
p
=
0,99942 + 2,00152 + (3,0007)2
p
5,9460 105
=
14,0090
= 0,0021
Como
kk
q
kvk = v12 + v22 + + vn2 .
k > kmax .
O smbolo
x(2)
0,9994
= 2,0015 .
3,0007
x(k)
(k1)
x
x(k)
rel
< tol.
x(k)
(k)
Ax b
rel =
< tol.
kbk
1,0002
= 2,0086 ,
2,9978
(4.1)
O algoritmo
ErroRelVet
aproximao vetorial.
(p. 20)
2,0
3,0]T .
ErroRel
CAPTULO 4.
39
SISTEMAS LINEARES
Algoritmo 11 ErroRelVet
entrada : u, v
sada : rel
1:
se kvk = 0 ento
2:
3:
0
a
21
a22
C=
.
.
a.
n1
ann
rel kuk
seno
4:
5:
m
rel
ku vk
kvk
feita da seguinte
a11 x1
a21 x1
Isolando
x1
+ a12 x2
+ a22 x2
.
.
.
.
.
.
Ax = b
+
+
an1 x1 + an2 x2 +
da primeira equao,
x2
= b1
= b2
.
.
.
.
.
.
Soluo:
+ ann xn = bn
xn
Carl
da
n-sima
a12
x2
a11
a21
=
x1
a22
=
a1n
xn
a11
a2n
xn
a22
.
.
.
b1
a11
b2
+
a22 ,
.
.
.
an,n1
bn
xn1 +
ann
ann
ber eine neue ausungsart der bei der methode der kleinsten quadrate vorkommenden linearen gleichungen introduz o mtodo iterativo para resoluo
1845, no artigo
de sistemas lineares. No mesmo artigo faz uso de rotaes planares para aumentar a
dominncia diagonal da matriz. Uma abordagem pioneira do que se chama atualmente
pr-condicionamento
[38, 5].
(4.2)
Em seguida, a partir de
20
0 9
A = 1 5 1 ,
2
2 5
de
d=
.
..
bn
ann
.
.
.
.
.
.
n1
xn =
x1
ann
2
an2
ann
.
.
.
b1
a11
b2
a22
equao obtemos
x1
x2
+ 9 x3 = 78
20 x1
x1 5 x2 +
x3 = 5 ,
2 x1 + 2 x2 + 5 x3 =
8
na forma
+ a1n xn
+ a2n xn
.
.
.
a1n
a11
a2n
a22
sendo
maneira.
Consideremos o sistema linear
a12
a11
0
x = Cx + d,
78
b = 5 ,
8
e de (4.2) temos
0,00
C = 0,20
0,40
0,00 0,45
0,00 0,20 ,
0,40 0,00
3,90
d = 1,00 .
1,60
CAPTULO 4.
40
SISTEMAS LINEARES
(k)
(k)
(k)
x1
x2
x3
1,0000
1,0000
1,0000
-3,4500
1,0000
0,8000
1,2105
-3,5400
1,8500
2,5800
0,4153
-2,7390
2,2240
2,2760
0,2226
-2,8758
2,0030
1,8060
0,1362
-3,0873
1,9364
1,9491
0,0639
-3,0229
2,0073
2,0604
0,0352
-2,9728
2,0167
2,0062
0,0181
-2,9972
1,9958
1,9825
0,0097
10
-3,0079
1,9959
2,0005
0,0051
11
-2,9998
2,0017
2,0048
0,0026
1:
12
-2,9978
2,0009
1,9992
0,0014
2:
13
-3,0003
1,9994
1,9988
0,0007
3:
14
-3,0006
1,9998
2,0004
0,0004
4:
rel
Algoritmo 12 SLGaussJacobi
entrada : A, b, tol, kmax
sada : x, rel , k
Matriz e vetor de iterao
5:
A soluo do sistema, com 3 DSE,
O algoritmo
SLGaussJacobi
funciona sempre ?
A resposta
no.
Vejamos por qu na
seo seguinte.
8:
x(1)
11:
14:
tal que
+ ,
x(1) = x
o erro de aproximao.
15:
16:
17:
18:
19:
20:
(2)
(1)
= Cx
+d
= C(
x + ) + d
= C
x + C + d
+ d) + C
= (C x
+ C.
=x
m
9:
10:
13:
onde o vetor
7:
12:
4.4.1 Convergncia
Sendo
6:
n nmero de linhas de A
C Zeros(n, n)
d Zeros(n, 1)
para i 1 : n
para j 1 : n
se i 6= j ento
Ci,j Ai,j /Ai,i
m
di bi /Ai,i
m
Processo iterativo
k 1
x Uns(n, 1)
rel +
enquanto k < kmax e rel > tol
k k + 1
u x
x Cx + d
rel ErroRelVet(u, x)
m
CAPTULO 4.
41
SISTEMAS LINEARES
E assim
linear, isto , kk+1 k c kk k. A velocidade de convergncia ser maior quanto menor for o raio espectral da
matriz de iterao C ou, de forma semelhante, maior for a dominncia di-
+ C2
x(3) = x
+ C3
x(4) = x
agonal da matriz
.
.
.
(k)
k1
+C
=x
.
x(1) , x(2) , . . .
neces-
srio que
(4.3)
k+
onde
1 , 2 . . .
so os autovalores de
dominante, isto ,
|aii | >
X
j6=i
|aij | ,
C;
ou a matriz
diagonal-
1 i n.
calcular a componente
(autovalor complexo)
(autovalor complexo)
(autovalor real)
(raio espectral)
Na segunda iterao (k
j >i
da
da iterao
(2)
x1 = C1,: x + d1 ,
0,00
= 3,4500.
do
j < i, j calculadas
calculada por
= [0,00
(k1)
xj
corrente.
(k)
xi
(k)
iterao anterior e das componentes xj ,
Soluo:
Usando o Matlab
para fazer com que o processo iterativo seja mais rpido. A ideia bsica
lim Ck = 0.
O mtodo de Gauss-Seidel
A segunda (i
Philipp
= 2)
0,45] [1,0000
componente de
1,0000
1,0000]T 3,90,
calculada a partir de
(vetor
ptica (desenvolveu a teoria da aberrao ptica em telescpios astronmicos) e anlise matemtica (desenvolveu o importante conceito de convergncia no-uniforme). A
denominao
mtodo de Gauss-Seidel
CAPTULO 4.
42
SISTEMAS LINEARES
atualizada ).
(2)
x2 = C2,: x + d2 ,
= [0,20
0,00
= 1,8900.
A terceira (i
= 3)
0,20] [3,4500
componente de
1,0000]T + 1,00,
1,0000
calculada a partir de
atualizadas ).
Algoritmo 13 SLGaussSeidel
entrada : A, b, tol, kmax
sada : x, rel , k
Matriz e vetor de iterao
(vetor
(2)
x3 = C3,: x + d3 ,
= [0,40
= 2,2240.
0,00] [3,4500
0,40
1,8900
1:
1,0000]T + 1,60,
2:
3:
4:
5:
6:
(k)
(k)
x1
x2
(k)
x3
7:
rel
8:
9:
1,0000
1,0000
1,0000
-3,4500
1,8900
2,2240
1,0401
10:
-2,8992
2,0246
1,9498
0,1560
11:
-3,0226
1,9945
2,0112
0,0341
-2,9949
2,0012
1,9975
0,0077
-3,0011
1,9997
2,0006
0,0017
-2,9997
2,0001
1,9999
0,0004
12:
13:
14:
15:
16:
17:
a metade
18:
19:
para uma dada tolerncia. Nos Exemplos 4.3 e 4.4 observamos que, com
20:
21:
22:
SLGaussSeidel
n nmero de linhas de A
C Zeros(n, n)
d Zeros(n, 1)
para i 1 : n
para j 1 : n
se i 6= j ento
Ci,j Ai,j /Ai,i
m
m
di bi /Ai,i
m
Processo iterativo
k 1
x Uns(n, 1)
rel +
enquanto k < kmax e rel > tol
k k + 1
u x
para i 1 : n
xi Ci,: x + di
m
m
rel ErroRelVet(u, x)
CAPTULO 4.
43
SISTEMAS LINEARES
Usando o Matlab
4.3.
4.4.
4.5.
0,2
A = 0,0
0,8
assegurar que os vetores sejam sempre vetores-coluna. Caso contrrio, as operaes de produto matriz-vetor resultaro em erros:
>> A = [2 1; -1 3]
A =
2
1
-1
3
>> x = [1 2], y = A*x
x =
1
2
Error using *
Inner matrix dimensions must agree.
0,3
0,5
2,2
0,1
0,3 ,
0,6
2
2 0
1 1 0
,
5
2 1
6
7 8
1
0
A=
1
2
0,6
b = 0,0 .
4,4
3
2
b=
2 .
12
4.6.
no
Ax = b
com
4.7.
2 3
A= 2 3
1 4
5
4 ,
1
1
b = 8 .
8
Para
4.8.
4.6 Problemas
Mtodo de Gauss
A=
4.2.
e um vetor
Ax = b
b101
aleatrios.
4.1.
A1010
4
2
2
1
,
b=
8
0
4.9.
b.
o sistema linear
Ax = b
dado por
43 86 16
72 ,
A = 23 46
32
30
58
.
Ax
cuja soluo
x = [1 1
1]T .
59
b = 49 ,
56
3
A= 0
6
1
2
2
4 ,
1 2
4
b = 0 .
4
4.10.
aritmticas (+,
contador
de operaes
CAPTULO 4.
44
SISTEMAS LINEARES
Erro Relativo
Nos problemas 4.11 e 4.12 a seguir so dados duas estimativas sucessivas x(1) e
x(2) para a soluo de um sistema linear. Determine a diferena relativa rel das
estimativas.
4.11.
.
x(1) =
4.12.
1,75
2,01
x(2) =
x(1)
4.13.
1,9974
= 0,1996 ,
3,2897
1,77
1,99
onde
1,9997
= 0,2003 .
3,2975
Ax = b dado por
1 + t 1
t
A=
, b=
,
1 1
0
0<t1
uma constante.
do sistema.
Mtodo de Gauss-Jacobi
4.19.
4
1
A=
0
0
2
0
4
2
1
4
0 1
0
,b =
2
4
0
9
.
0
4
Mtodo de Gauss-Seidel
Nos Problemas 4.20 a 4.23 a seguir, utilize o mtodo de Gauss-Seidel e determine:
(a) a matriz C e o vetor d de iterao; (b) as primeiras 4 estimativas de soluo:
x(k) , k = 1, . . . , 4. (c) Estime o erro relativo da ltima iterao.
4.20.
4.21.
4.22.
4.23.
4.24.
4.25.
4.26.
A=
4.16.
20 5 1
32
A = 2 10 2 , b = 20 .
1 4 10
14
4.15.
4.18.
4.14.
x(2)
4.17.
2
1
5
A= 2
1
entre esse algoritmo e o original refazendo os problemas 4.15 a 4.18 acima com
1
2
2
5
2
1
5
2 ,b = 1 .
5
9
b=
2
6
.
CAPTULO 4.
45
SISTEMAS LINEARES
4.30.
Sortidos
4.27.
no
h1 = 2 m e
(2 k 9)
2 x1
3 x1
2 x2
6 x2
diagonal dominante.
diagonal dominante
+
+
5 x3
3 x3
2 x3
+
+
+
2 x4
3 x4
2 x4
= 1
= 2
= 3
= 4
preservando
reescrito
na forma
a soluo.
qualquer
4.31.
ordem
n)
Para vericar esse fato, altere o algoritmo SLGaussJacobi para que ele inicie o
A=
estimativa inicial
x(1) = [0 0 0]T .
x(1) = [1 2 n]T .
4.32.
1,3
2,0
6,0
6,2
3,7
5,7
4.29.
que vimos.
Determine os valores de
pela
10 x1
11 x1
x2
10 x2
=
=
mdia aritmtica
1,5
6,7
6,9
7,2
4,7
5,5
100
100
100
500
T2
T5
T8
T3
T6
T9
500
100
T1
T4
T7
100
100
100
100
500
Tk , (k = 1, . . . , 9),
500
500
Tk
obtido
T6 =
T3 + T9 + T5 + 500
.
4
placa homognea, para mais detalhes ver [2, p. 254] ou [29, p. 11]).
4.33.
x3
x2
+ 2 x2
7,1
6,9
0,8
4,5
4,4
3,5
17
8
x1
x1
x1
0,1
1,9
5,8
0,5
3,6
6,3
100
vergentes.
6,8
0,9
0,3
6,1
6,0
0,1
100
100
diagonal dominante
4,5
0,4
0,2
3,1
0,1
3,8
Considere o quadro:
tol = 0,5
observar que se
converge para
hk
2hk1 + hk+1
.
3
1012
x(1) .
x(k) = Cx(k1) + d
postes
cesso iterativo
h10 = 8 m.
a do ltimo
10
hk =
4.28.
3 x3
= 6
= 3
= 9
x1 K2 Cr2 O7 + x2 N a2 C2 O4 + x3 H2 SO4
CAPTULO 4.
46
SISTEMAS LINEARES
onde
se
= 1,
uma
x1 , x2 , . . . , x8 .
elementos (K, Cr, O, N a, C, H, S ) podemos obter um sistema linear com 7 equaes e 8 incgnitas. Para a
x8 = 1.
rel
em (4.1), outras normas podem ser utilizadas como, por exemplo, a norma-,
denida por
4.35.
y 00 + x2 y 0 4xy = 0,
y(0) = 0, y(1) = 5
x [0, 1]
2 k 2 h3 yk1 4 1 + 2kh3 yk + 2 + k 2 h3 yk+1 = 0
com
k = 1, 2, . . . , (n 1), h = 1/n, y0 = 0
(a) Faa
n = 5,
yn = 5.
4.36.
O mtodo denominado
successive overrelaxation
ui
xi
y(x) = x4 + 4x.
xi (Ci,: x + di ) + (1 )ui ,
4.34.
de iteraes.
Captulo 5
Interpolao
5.1 Denio do problema
Seja
f :RR
valores, isto ,
y1 = f (x1 ),
onde
y2 = f (x2 ),
...,
yn = f (xn ),
interpolao consiste em
funo de interpolao g
O problema da
detal
que
g(x1 ) = f (x1 ),
g(x2 ) = f (x2 ),
...,
g(xn ) = f (xn ).
f (u) g(u)
v =
u
/ {x1 , x2 , . . . , xn } e x1 < u < xn . A Figura 5.1
(x1 , y1 ), (x2 , y2 ), . . . , (xn ,yn ) ditos nodos de interpolao,
quando
mostra os pontos
uma nica
[x1 , xn ].
nais.
Figura 5.1:
spline
Tambm chamadas
spline
linear (funes
3).
47
CAPTULO 5.
48
INTERPOLAO
[x1 , xn ].
A matriz
terpolador (5.2).
spline
cbico.
1 consiste em determinar um
polinmio in-
p(x2 ) = y2 ,
...,
p(xn ) = yn .
(5.1)
Pode-se mostrar [10, p. 196] que existe um polinmio que satisfaz as condies dadas em (5.1) com grau
dem de interpolao.
c0 , c1 , . . . , cn1
m n 1.
O valor
n1
dito
.
.
.
incgnitas
+ c1 x1
+ c1 x2
X=
(5.2)
0,0
1,0
4,0
6,0
1,0
2,3
2,2
3,7
.
.
.
.
.
.
.
.
.
.
.
.
+ c2 x2n + c1 xn + c0 = yn
(5.3)
cn1 , . . . , c2 , c1 , c0 .
xn1
1
xn1
2
.
.
.
xn1
n
x21
x22
.
.
.
.
.
.
x2n
xn
x1
x2
Soluo:
Como
n = 4,
p(x) = c3 x3 + c2 x2 + c1 x + c0
+ c0 = y1
+ c0 = y2
Xc = y correspondente
0
0 0 1
c3
1
1 1 1
c2
64 16 4 1 c1 =
216 36 6 1
c0
e o sistema linear
1,0
2,3
,
2,2
3,7
equaes lineares
+ c2 x21
+ c2 x22
do polinmio
nas
or-
matriz de Vandermonde.
cn1
1
..
.
1
. , c = c2
.
.
c1
1
c0
Xc = y
y1
y2
, y = .. .
yn
com
0,0817
0,7417
c=
1,9600 .
1,0000
Assim, o polinmio interpolador
(5.4)
CAPTULO 5.
O valor de
49
INTERPOLAO
v = f (5)
estimado por
p(5) = 2,4667.
e o ponto
(u,v).
Usando o Matlab
os
coecientes
conjunto de
do seguinte modo:
3.7];
1
1
1
1
valor
do polinmio
=
=
construmos um
(x x2 )(x x3 )(x x4 ) (x xn )
(x1 x2 )(x1 x3 )(x1 x4 ) (x1 xn )
(x x1 )(x x3 )(x x4 ) (x xn )
(x2 x1 )(x2 x3 )(x2 x4 ) (x2 xn )
(x x1 )(x x2 )(x x4 ) (x xn )
(x3 x1 )(x3 x2 )(x3 x4 ) (x3 xn )
Li (x) =
j=1,j6=i
x xj
,
xi xj
i = 1, . . . , n.
Li (xj ) =
valores
n1
base
no es-
pode torna-se
n1.
1, i = j
.
0, i =
6 j
p.
ou seja,
ter
v,
coecientes
de
L1 (x)
L2 (x)
L3 (x)
L (x)
mal-condicionada
u,
na abcissa
e SLGauss (p. 37) j foram implementados, o Exemplo 5.1 pode ser resolvido
2 determinar
i=1
2
Joseph-Louis
Leons lmentai-
Aparentemente Lagrange
desconhecia que o mesmo mtodo tenha sido antecipado por Edward Waring em 1779 e
por Leonhard Euler em 1783 [38, 31].
CAPTULO 5.
50
INTERPOLAO
Algoritmo 14 ILagrange
entrada : x, y, u
sada : v
Inicializao
1:
2:
3:
Figura 5.2:
4:
5:
Polinmios auxiliares.
n tamanho de x
m tamanho de u
v Zeros(m, 1)
Interpolao
para k 1 : m
s 0
para i 1 : n
6:
onde as ordenadas
yi
p(x) =
yi
i=1
O valor
v = f (u) p(u)
O algoritmo
ILagrange
n
Y
j=1,j6=i
9:
10:
x xj
xi xj
estimado substituindo-se
(5.5)
por
em (5.5).
grange.
n=2
nodos temos
v 2 = y1
u x2
u x1
+ y2
,
x1 x2
x2 x1
para j 1 : n
se j 6= i ento
8:
n
X
p yi
7:
(5.6)
11:
m
p p (uk xj )/(xi xj )
12:
m
13:
s s + p
14:
m
15:
vk s
16:
m
CAPTULO 5.
n=4
51
INTERPOLAO
interpolao linear
(pois
temos
p(5) =1,0
(u x1 )(u x3 )(u x4 )
(u x2 )(u x3 )(u x4 )
+ y2
+
(x1 x2 )(x1 x3 )(x1 x4 )
(x2 x1 )(x2 x3 )(x2 x4 )
(u x1 )(u x2 )(u x4 )
(u x1 )(u x2 )(u x3 )
y3
+ y4
,
(x3 x1 )(x3 x2 )(x3 x4 )
(x4 x1 )(x4 x2 )(x4 x3 )
v4 =y1
(5.7)
Importante: Ao usar
nodos mais prximos de u.
cutivos
x1
x2
interpolao cbica
(pois
que resulta em
tais que
= 2,4667,
x1 < u < x 2
ou nodos consecutivos
x1 , x2 , x3
x4
tais que
plo 5.1.
Soluo:
Para
n = 2,
x1 = 4,0
x2 = 6,0.
Assim,
desconhecido.
v2 = 2,2
5,0 6,0
5,0 4,0
+ 3,7
,
4,0 6,0
6,0 4,0
[8, p. 106 e
f.
v2 = 1,10 + 1,85
= 2,95.
n = 4,
que resulta em
Para
estimar
x4 = 6,0.
No entanto, se
est na
regio central
do conjunto de
fenmeno de Runge 3 .
3
CAPTULO 5.
52
INTERPOLAO
Figura 5.3:
Figura 5.4:
spline
Interpolao por
spline
linear e cbico.
O termo
spline
pode ser rastreado at o sculo 18, mas pelo nal do sculo 19 foi
utilizado para se referir a uma rgua exvel de madeira ou borracha dura usada por
splines
mecnicas foram
CAPTULO 5.
53
INTERPOLAO
spline
mk = s00k (xk ) .
(5.16)
S(x) =
s1 (x),
s2 (x),
..
.
sk (x),
xk x < xk+1
O termo
x1 x < x2
x2 x < x3
xk x < xk+1 ,
do
(5.8)
suavidade.
spline
denido um polinmio
s00k (x)
(5.9)
k = 1, . . . , n 1,
yk+1 , k = 1, . . . , n 1.
so sua
s0k+1 (xk+1 ),
s00k (xk+1 ) =
s00k+1 (xk+1 ),
dk ,
k = 1, . . . , n 1,
(5.17)
(5.18)
x = xk
mk
,
2
em (5.19) obtemos
mk = 2bk .
(5.19)
Assim
k = 1, . . . , n 1,
(5.20)
(5.11)
k = 1, . . . , n 2,
k = 1, . . . , n 2.
(5.10)
s0k (xk+1 ) =
ak , bk , ck
= 6ak (x xk ) + 2bk .
bk =
sk (xk+1 ) =
a incli-
yk ,
pk
a concavidade
por
sk (xk ) =
mk
dk = yk ,
(5.9) obtendo
sk (x) = ak (x xk )3 + bk (x xk )2 + ck (x xk ) + dk .
continuidade
hk
(5.12)
(5.13)
ak , bk , ck , dk
tais
6ak hk + mk = mk+1 ,
ak =
hk = xk+1 xk ,
(5.14)
yk+1 yk
pk =
,
hk
(5.15)
mk+1 mk
,
6hk
k = 1, . . . , n 1,
(5.21)
CAPTULO 5.
54
INTERPOLAO
Substituindo-se
ak , bk
dk
mk+1 mk 3 mk 2
hk +
h + ck hk + yk = yk+1
6hk
2 k
mk+1 mk
mk
yk+1 yk
hk +
hk + ck =
6
2
hk
(2mk + mk+1 )hk
yk+1 yk
.
ck =
hk
6
Usando (5.15) obtemos
ck = pk
ak , bk , ck
hk , pk (conhecidos) e mk (desconhecido).
mk aplicamos a condio (5.12) em (5.18)
k = 1, . . . , n 1,
dk
do denominado
Hm = P,
com
1
h1
0
0
0
0
0
2(h1 + h2 )
h2
ak , bk , ck
ck+1
m1 = 0
mn = 0,
0
6(p2 p1 )
6(p3 p2 )
.
.
P=
.
6(pn2 pn3 )
6(pn1 pn2 )
0
spline
o seguinte
subdeterminado
pois
e o vetor
mk .
hk
pk .
diagonal
(5.23)
condies de contorno
k = 1, . . . , n 2,
linear
0
0
0
0
hn1
1
obtemos
equaes e
hn2
2(hn2 + hn1 )
0
n2
2(hn3 + hn2 )
hn2
0
+ 2bk hk + ck = ck+1
temos
0
h3
hn3
0
m1
m2
m3
.
.
m=
.
mn2
mn1
mn
3ak h2k
0
h2
2(h2 + h3 )
yk ,
(5.24)
H=
(5.22)
so dados em termos de
ak , bk , ck
dk .
CAPTULO 5.
Soluo:
55
INTERPOLAO
hk
1,0
1,3000
3,0
-0,0333
2,0
0,7500
hk
pk :
pk
1
1
H=
0
0
0
8
3
0
0
3
10
0
P:
valores
Usando o Matlab
>> x
>> y
>> u
>> v
v =
e
e
spline
cbico
y.
y.
spline:
m3 = 0,8676
ak , bk , ck
determina os coecientes do
de nodos
isto ,
pertence ao
O algoritmo
0,00
8,00
P=
4,70
0,00
Hm = P, obtemos:
0,0000
1,3254
m=
0,8676 ,
0,0000
m2 = 1,3254;
CoefSpline3
m1 = 0,0000;
u=5
2,7331
e o vetor
0
0
,
2
1
notamos que
O algoritmo
Em seguida, determinamos a matriz
v = f (5),
m4 = 0,0000.
=
=
=
=
[0; 1; 4; 6];
[1.0; 2.3; 2.2; 3.7];
5;
spline(x, y, u)
2.4667
dk :
Os
valores calculados pelo Matlab diferem dos calculados pelo algoritmo ISpline3
pois as condies de contorno so diferentes.
O comando
spline
usa, por
ak
bk
ck
dk
-0,2209
0,0000
1,5209
1,0000
0,1218
-0,6627
0,8582
2,3000
-0,0723
0,4338
0,1716
2,2000
S 000 (x)
em
x2
xn1
[8, p. 148].
Spline Toolbox.
Portanto, o
spline
S(x) =
3
2
0,2209(x 0) + 0,0000(x 0) + 1,5209(x 0) + 1,0000,
3
0,1218(x 1) 0,6627(x 1)2 + 0,8582(x 1) + 2,3000,
0x1
1x4 ,
4x6
(5.25)
5.5 Problemas
Mtodo de Vandermonde
Use o mtodo de Vandermonde e determine o polinmio interpolador aos nodos
dados nos problemas 5.1 e 5.2.
CAPTULO 5.
56
INTERPOLAO
Algoritmo 15 CoefSpline3
entrada : x, y
sada : C
Determinao de h e p
1:
2:
3:
4:
5:
6:
7:
8:
9:
10:
11:
12:
13:
14:
15:
16:
17:
18:
19:
20:
21:
22:
23:
n tamanho de x
h Zeros(n 1, 1)
p Zeros(n 1, 1)
para k 1 : n 1
hk xk+1 xk
pk (yk+1 yk )/hk
m
Determinao de H, P e m
H Zeros(n, n)
P Zeros(n, 1)
H1,1 1
P1 0
para k 2 : n 1
Hk,k1 hk1
Hk,k 2(hk1 + hk )
Hk,k+1 hk
Pk 6(pk pk1 )
m
Hn,n 1
Pn 0
m SLGaussSeidel(H; P; 0,5 1012 ; 100)
24:
25:
26:
27:
m
Ck,1
Ck,2
Ck,3
Ck,4
(mk+1 mk )/(6hk )
mk /2
pk ((2mk + mk+1 ) hk )/6
yk
Algoritmo 16 ISpline3
entrada : x, y, u
sada : v
Determina coecientes
1:
C CoefSpline3(x, y)
Interpolao
2:
3:
4:
5:
n tamanho de x
r tamanho de u
v Zeros(r, 1)
para i 1 : r
Determina intervalo
k 1
6:
7:
k k + 1
8:
m
Determina ordenada
9:
10:
11:
12:
m
t ui xk
vi ((Ck,1 t + Ck,2 )t + Ck,3 )t + Ck,4
CAPTULO 5.
5.1.
Mtodo de Lagrange
.
x
y
5.2.
5.3.
57
INTERPOLAO
5.6.
. Use
v = f (12) aos
3
2
-1
-1
5.7.
35
41
81
89
13
15
19
20
27
60
p,
em milhes de habi-
[c, v] = IVander(x,y,u).
o Exemplo 5.1.
5.4.
p (106
Erfc(x).
Erro Complementar
Erfc(0,5).
(use o comando
do Matlab).
erfc
5.8.
1950
1960
1970
1980
1991
2000
2010
51,9
71,0
94,5
121,1
146,9
169,6
190,8
hab.)
v2 =
x
5.5.
(anos)
5.9.
Erfc(x)
u = 12 (x2 + x3 )
1,0000
0,2
0,7773
0,4
0,5716
0,6
0,3961
0,8
0,2579
5.10.
1,0
0,1573
v4 =
5.11.
x1 , x2 , x3 e x4 so igualmente
ento
0,0
ento
y1 + y2
.
2
espaados e
u = 12 (x1 + x2 )
y1 + 9 y2 + 9 y3 y4
.
16
Erfc(0,5)
usando
-1
-5
-32
5 1 = 4,
5.12.
f (x) =
16
25
36
49
64
81
100
f (x)
10
x.
53.
Matlab.
sqrt(53)
do
CAPTULO 5.
5.13.
58
INTERPOLAO
ordem, J0 (x).
Bessel de primeira
5.15.
k
xk
J0 (xk )
0,0
1,0000
0,5
0,9385
1,0
0,7652
1,5
0,5118
2,0
0,2239
2,5
-0,0484
3,0
-0,2601
3,5
-0,3801
4,0
-0,3971
Um
spline
S(2,5)
S(6,0).
por
S(x) =
v2 , v4
interpolao
(b) Calcule
simtricos
w2 , w4
w6 ,
nodos de interpolao
spline
e encontre os valores de
5.16.
a, b
c.
{x4 , x5 , x6 , x7 }
1,75,
{x4 , x5 , x6 , x7 , x8 , x9 }.
isto , calculados em
{x4 , x5 },
J0 (1,75).
(c) O que se pode concluir a respeito do efeito da simetria dos nodos de interpolao?
5.17.
resolver
o sistema.
Hm = P
0,00
1,91
m=
2,73 .
0,00
spline
5.18.
interpolador.
5.19.
funo da potncia
5.14.
No necessrio
no-simtricos
dado
(x 1)3 + 2(x 1) + 1,
1x2
a(x 2)3 + b(x 2)2 + c(x 2) + 2, 2 x 3
x = {1, 2, 3}
(em lmens) em
[14]:
spline
(a) Encontre o
spline
P (W )
51
55
58
60
E(lm)
607
704
795
864
5.20.
a1 = 0,48
a2 = 0,33
a3 = 0,09
b1 = 0,00
b2 = 1,43
b3 = 0,55
c1 = 3,48
c2 = 2,05
c3 = 0,27
d1 = 2,00
d2 = 5,00
d3 = 6,00.
1
f (x) = 1 + x + sen(x).
2
As expresses para o polinmio interpolador p(x) e para o spline interpolador S(x)
foram dadas nas equaes (5.4) e (5.25), respectivamente. Desenhe, na mesma
spline.
CAPTULO 5.
59
INTERPOLAO
5.24.
Sortidos
5.21.
torno do
A tabela a seguir, adaptada de [8, p. 115], mostra o peso
cultivadas
(em dias).
5.25.
(dias)
(mg)
6,67
17,33
10
42,67
13
37,33
17
30,10
20
29,31
28
28,74
5.26.
spline
spline
D = 0,0.
y1 = yn , xa tambm:
0
s1 (x1 ) = s0n1 (xn )
s001 (x1 ) = s00n1 (xn )
polinmio
= 6(p1 pn1 )
= 0
torno do
interpolador e o
E = 0,5
Hm = P
Ateno : Use
H no
mais plausvel?
(b) Encontre o peso mximo da colnia determinando o ponto de mximo do
spline
5.22.
interpolador.
menor
de operaes aritmticas.
, , ).
manho 3 a 20 e determine o
problema com
cada
nmero
contadores
Verique isso,
de operaes arit-
cada
3
2
-1
spline
cbico
s01 (x1 )
=
s0n1 (xn ) =
E
D
5.27.
g(x) = sen(x).
mens e mulheres brasileiros a partir da sua idade no ano-base de 2010 [13]. Por
exemplo, uma mulher que tinha 20 anos de idade em 2010, tinha esperana de
viver
mais
59,29 anos, isto , sua expectativa de vida de 79,29 anos. Para idades
spline
Vandermonde a quantidade
5.23.
2h1 m1 + h1 m2
hn1 mn1 + 2hn1 mn
= 6(p1 E)
= 6(D pn1 )
CAPTULO 5.
60
INTERPOLAO
Idade
Homem
Mulher
69,73
77,32
66,88
74,01
10
62,00
69,09
15
57,12
64,16
20
52,55
59,29
25
48,19
54,46
30
43,81
49,66
35
39,45
44,90
40
35,15
40,22
45
30,97
35,66
50
26,97
31,25
55
23,16
27,00
60
19,63
22,97
65
16,37
19,19
70
13,43
15,71
75
10,96
12,63
80
9,01
10,06
(c) Determine a
5.28.
sua
expectativa de vida.
data de nascimento.
pV
Use
todos
os nodos e o
pL .
pV
pL .
Quantos so os DSE?
5.29.
pV
pL
t0 =
t1950
10 .
interpolao inversa
por
no eixo da
y.
zero
da funo dada
Captulo 6
Ajuste de funes
6.1 Denio do problema
n nodos (x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) e uma
funo de ajuste f : R R determinada por um conjunto de parmetros = {0 , 1 , . . . , m }. O problema do ajuste de funes consiste em
Considere um conjunto de
0 , 1
f (x) = 2 x2 + 1 x + 0
ajuste de funes
ajuste.
tambm denominado
ajuste de curvas
ou simplesmente
servaes experimentais
anlise de ob-
Figura 6.1:
1
2
neiramente desenvolvido por Legendre e Gauss .
Adrien-Marie
foi pio-
dados.
ajuste:
de dados.
des cometes
extrapolao
estudada no Captulo 5
fora
interpolao
61
CAPTULO 6.
62
AJUSTE DE FUNES
pode
m.
por
f (x) = 0,25x + 2,5
exemplo, a Figura 6.5 mostra uma funo polinomial (de grau 2) e uma
aos nodos.
(6.1)
Soluo:
Para
Como determinar se uma curva passa o mais perto possvel de um conjunto de nodos? Ou, em outras palavras, como medir a
qualidade
de um
e os nodos
por
SQE =
n
X
i=1
[yi f (xi )] .
renas
f (xi ).
ajustados, as diferenas
yi
dife-
interpoladora
A notao
proveniente de
soma qua-
yi
f (xi )
yi f (xi )
[yi f (xi )]
0,5
4,4
2,375
2,025
4,1006
2,8
1,8
1,800
0,000
0,0000
4,2
1,0
1,450
-0.450
0,2025
6,7
0,4
0,825
-0.425
0,1806
8,3
0,2
0,425
-0.225
0,0506
melhor o ajuste.
SQE ,
xi
SQE ,
f.
entre os nodos. A funo dada por (6.1), obtida olho, apenas uma
entre todas (da o ttulo de provisria). O
qual a funo que
xi
yi
1
2
3
4
5
0,5
2,8
4,2
6,7
8,3
4,4
1,8
1,0
0,4
0,2
quadrtico
mnimo.
melhor
problema do ajuste
determinar
f (x) = m xm + m1 xm1 + + 2 x2 + 1 x + 0 ,
m,
com
m+1
(6.2)
CAPTULO 6.
63
AJUSTE DE FUNES
fazendo
X=
onde
xm
1
xm
2
.
.
.
xm
n
denominada
x21
x22
x1
x2
.
.
.
.
.
.
x2n xn
1
..
.
1
. , = 2
.
.
1
1
0
matriz de planejamento.
y1
y2
, y = .. ,
yn
n (m + 1).
sempre
que, em geral,
polinomial de
m << n
m.
e os
nodos
no
no
Figura 6.2:
isto ,
f (x1 ) = y1 ,
f (x2 ) = y2 ,
...,
f (xn ) = yn .
de
f (x1 ) = m xm
+
f (x2 ) = m xm +
2
+ 2 x21
+ 2 x22
+ 2 x2n + 1 xn + 0 = yn
.
.
.
.
.
.
f (xn ) = m xm
+
n
equaes e
m+1
+ 1 x1
+ 1 x2
.
.
.
+ 0 = y1
+ 0 = y2
.
.
.
.
.
.
(6.4)
incgnitas
m , . . . , 2 , 1 , 0 .
(6.5)
uma
combinao
x1 a1 + x2 a2 + + xn an = b,
sendo as
n componentes de x os pesos
pertence ao espao-
A, Col(A).
X = y,
(6.6)
com
.
.
.
Ax = b
(6.3)
b
/ Col(A),
(b b)
seja ortogonal a
CAPTULO 6.
64
AJUSTE DE FUNES
quadrados mnimos.
Isto , pela
a2
cada ak
v
O vetor
Col(A)
a1
Figura 6.3:
XT X = XT y.
a projeo ortogonal de
A). Lembrando
uT v = 0, ento
(os vetores-coluna de
aT1 (b b) = 0,
sobre
Col(A).
n
n
X
X
2
ky yk =
(yi yi ) =
[f (xi ) yi ]2 = SQE .
aT2 (b b) = 0,
...,
b = Ax ,
i=1
aTn (b b) = 0,
AT (b b) = 0,
Soluo:
temos
T
i=1
que equivalente a
e, como
so ortogonais quando
(6.9)
A (Ax b) = 0,
x=
e nalmente
AT Ax = AT b.
(6.7)
sempre tem soluo. Sua soluo x dita soluo dos quadrados mnimos do sistema linear (6.6). Essa denominao
O sistema linear (6.7)
b,
y=
4,4
1,8
1,0
0,4
0,2
X,
0,5
2,8
4,2
6,7
8,3
XT :
determinada
b b,
v
u n
uX
kb bk = t (bi bi )2 ,
Assim, temos
0,5
2,8
4,2
6,7
8,3
X=
(6.8)
1
1
1
1
1
, XT = 0,5
2,8
1
4,2
1
6,7
1
8,3
1
i=1
mnima
e uma soma de
quadrados.
A matriz
XT X
T
e o vetor
X X=
XT y
139,51
22,5
22,5
5
,
X y=
15,78
7,80
.
.
CAPTULO 6.
65
AJUSTE DE FUNES
0,5050
3,8323
,
f (xi )
(6.10)
so
SQE = 1,8761.
Soluo:
2)
e sua transposta
X=
0,25 0,5
7,84 2,8
17,64 4,2
44,89 6,7
68,89 8,3
1
1
1
1
1
XT
so
Figura 6.4:
0,25
XT = 0,5
1
7,84
2,8
1
17,64
4,2
1
44,89
6,7
1
68,89
8,3 .
1
A matriz
drados mnimos.
CAPTULO 6.
66
AJUSTE DE FUNES
0,0940
= 1,3426 ,
4,9787
Algoritmo 17 AjustePol
entrada : x, y, m
sada : , v, SQE
Matriz de Vandermonde e resoluo do sistema linear
1:
X MVander(x, m)
2:
3:
4:
f (xi )
f (0,5) = 4,3310;
so
f (2,8) = 1,9565;
f (6,7) = 0,2032;
e o resduo quadrtico
5:
f (4,2) = 0,9981;
6:
A XT X
b XT y
SLGauss(A,b)
f (8,3) = 0,3111;
O algoritmo
SQE = 0,0803.
linomial de ordem
qualquer.
Usando o Matlab
polyfit,
do algoritmo AjustePol.
Observao:
polinmio interpolador forem moderadamente elevados, a matriz de Vandermonde associada ao sistema linear pode se tornar mal-condicionada e
promover erros de arredondamento. Por exemplo, no Problema 6.9 se usarmos os valores 1960, ..., 2010 ou 6, ..., 11 teremos previses ligeiramente
diferentes.
Figura 6.5:
ponencial.
melhor.
mudana de escala
na
CAPTULO 6.
67
AJUSTE DE FUNES
xi
yi
zi = ln yi
0,5
4,4
1,4816
2,8
1,8
0,5878
4,2
1,0
0,0000
6,7
0,4
-0,9163
8,3
0,2
-1,6094
linear
a um conjunto de dados.
a = e0 = 5,3641 b = 1 = 0,3936.
Existem diversos mtodos para determinar a funo de ajuste exponencial. Uma maneira de proceder consiste em, inicialmente, observar que
y = aebx
Como os coecientes
ln y = bx + ln a
f (x) = 5,3641e0,3936x .
(6.12)
y > 0.
SQE =
n
X
[f (xi ) yi ]2 = 0,0014.
i=1
da funo polinomial
z = 1 x + 0
aos nodos
com
1 = 0,3936 0 = 1,6797
funo exponencial
f (x) = aebx
z = 1 x + 0
o algoritmo AjustePol
(x, ln y)
O ajuste exponencial muito utilizado em vrios problemas de enge-
zi = ln yi
para
i = 1 : n:
e deixado como
Soluo:
AjustePol
modelos lineares.
CAPTULO 6.
68
AJUSTE DE FUNES
6.5 Problemas
6.4.
Ajuste polinomial
6.1.
t
.
2006
135
2007
147
2008
157
2009
157
2010
171
p1 (x) = 1 x + 0 ,
dados.
N (t)
de ajuste de ordem
1.
6.5.
-1
6.6.
e o peso
(a) Determine o polinmio de ordem 2,
p2 (x) = 2 x2 + 1 x + 0 ,
T
P
(anos)
(peas/h)
0
28
1
28
2
26
53,0
80
67,5
344
416
72,0
348
73,5
262
68,5
360
73,0
332
37,0
34
(em anos).
22
4
19
(a) Encontre o polinmio ajuste
P (H)
(em polegadas)
(lb)
72,0
(pol)
que se ajusta
aos dados.
6.3.
1000 vnculos)
6.2.
N (
(ano)
de ordem 1 (reta).
SQE .
CAPTULO 6.
6.7.
69
AJUSTE DE FUNES
(em graus).
f (t)
( )
50
2,75
52
1,45
54
0,50
56
0,15
58
0,20
60
0,85
tmin
(c) Determine o ms
(%)
(d) Determine, o ms
6.9.
tmax
E(t)
mnima.
E(t)
mxima.
C de Dixido de Carbono
e 2010 [48].
1960
316,91
1970
325,68
no qual a
1980
338,68
1990
354,35
ngulo de Brewster
2000
369,52
2010
389,85
F ()
de ordem 2.
3 [25, p. 31].
f (t)
medidos no observatrio de
t2
(B , FB ).
(ppm)
Deseja-se estimar a concentrao de CO2 para o ano de 2020. Para tanto, uma
E,
em kilowatt-hora, consumida
David
e encontre o polinmio
f (t)
t1
t = 2
3.
para janeiro,
de ajuste de ordem
6.8.
t = 1
(a) Faa
(ms)
(kWh)
jan
159
fev
148
mar
176
abr
203
mai
250
jun
230
jul
289
ago
291
set
314
out
256
nov
220
dez
192
(a) A partir dos dados da tabela, determine uma funo de ajuste polinomial
p1 (t)
Estime o valor de
t2
t1
p1 (2020).
p2 (t)
p2 (7).
Ajuste Exponencial
6.10.
6.11.
function [a, b] = AjusteExp(x, y) para encontrar a funo de ajuste exponencial a um conjunto de nodos dados. Para vericar a correo da implementao
CAPTULO 6.
6.12.
70
AJUSTE DE FUNES
6.13.
tncia
(em
horse power )
tempo de acelerao
60 milhas/hora.
de alguns automveis.
P (HP)
T (s)
P (HP)
T (s)
85
17,6
110
13,5
76
14,7
75
15,5
67
19,9
72
19,5
105
14,5
180
12,5
88
16,0
200
15,0
88
16,5
140
13,2
65
21,0
52
19,4
88
18,0
71
14,9
71
24,8
75
18,2
155
14,9
98
19,0
60
22,1
61
19,0
85
17,0
140
10,5
85
16,7
60
22,0
semilogy.
T (P )
aos dados.
de 80 HP.
(c) Determine a potncia esperada de um automvel com tempo de acelerao
de 14 s.
6.14.
Lei de Moore 4 .
Gordon
1 1012 .
Sortidos
6.15.
ativo at 1987. Dono de uma das grandes fortunas do mundo, em 2001 doa 600 milhes
de dlares ao Caltech para investimentos em pesquisa e tecnologia. (Adaptado de [52])
CAPTULO 6.
71
AJUSTE DE FUNES
0,1
3,81
2,0
4,00
4,1
12,61
O problema do ajuste no-linear geral est alm do nvel proposto neste texto.
4,4
14,56
4,6
15,96
5,2
20,64
6.18.
6,7
35,49
7,4
43,96
8,4
57,76
9,3
71,89
P P
x2i xi xi yi
,
P 2
P 2
n xi ( xi )
P
P P
n xi yi xi yi
1 =
P
P 2 .
n x2i ( xi )
P
0 =
(a) Use o programa AjustePol para ajustar um polinmio de ordem 5 ao conjunto de dados.
6.16.
yi
menor
Exemplo 6.2.
6.19.
Como medida da
medida so alteradas.
um ajuste polinomial (grau 1) aos dados do Problema 6.6 para dois sistemas de
c =
0.0000
-0.0012
0.0925
-1.1288
6.2356
6.20.
onde
SQT =
n
X
i=1
O programa deve ter feito alguma conta errada pois o primeiro coeciente do polinmio zero e correspondem a um polinmio de ajuste
de grau 3, o que impossvel.
E(t) = C + A sen
e
(yi y)
y =
1X
yi .
n i=1
bm o coeciente de determinao.
C = 227,3333, A = 70,1327
SQE
,
SQT
(a) Altere a implementao do algoritmo AjustePol para que ele calcule tam-
onde
r2 = 1
6.17.
6
t+ ,
= 0,5545.
6.21.
r2 ?
CAPTULO 6.
exponencial
72
AJUSTE DE FUNES
polinomial
6.23.
A presso sangunea
ao conjunto de dados.
p = 0 + 1 ln m,
6.22.
condicionado
onde
(c) Estime a populao do Brasil para o ano de 2020 usando os dois modelos.
o peso da criana.
ajuste
(0, 0),
isto ,
f (x) = 1 x
(com
Os coecientes
0 = 0).
P
xi yi
1 = P 2 .
xi
V
(mL)
98
103
113
110
131
112
(gf )
1 ;
10
13,3
20
25,5
6.24.
30
37,9
40
50,3
50
62,9
60
75,3
70
87,4
80
100,3
90
111,8
100
124,5
r = 0 + 1 (r cos ),
usando as coordenadas polares
(rad)
(u.a.)
0,88
3,00
1,10
2,30
1,42
1,65
1,77
1,25
2,14
1,01
fsc (V ) = 1 V + 0 .
Verique que
0 6= 0.
so constantes a serem
91
81
mento)
(mmHg)
61
(em mi-
(lb)
44
dado por
O mtodo dos quadrados mnimos pode ser aplicado a qualquer funo linear
em seus coecientes, como m fm (x,y)+ +1 f1 (x,y)+0 f0 (x,y) = y , mudando
apenas a estrutura da matriz de planejamento X. Os problemas 6.23 e 6.24 a
seguir (adaptados de [29, p. 374]) podem ser resolvidos especicando corretamente
a matriz de planejamento.
r()
1 ;
em coordenadas polares.
CAPTULO 6.
6.25.
para ajustar a
73
AJUSTE DE FUNES
funo logstica
funo exponencial
p(x) =
1
,
1 + e0 +1 x
x
p(x)
6,2
8,5
9,4
10,1
12,7
13,9
15,8
19,3
0,02
0,05
0,25
0,33
0,69
0,88
0,93
0,99
1 ;
Captulo 7
Integrao Numrica
7.1 Denio do problema
Q=
f (x) dx.
(7.1)
a
O problema da
integrao numrica
O problema da integrao
algbrica
x0 = a,
em
e
w0 , w1 , . . . , wn
(7.2)
so os
pesos
...,
[a, b]
xn = a + nh = b
(7.3)
ba
n
da ponderao.
os mtodos de
splines
no intervalo de integrao
h=
com a
dos
x2 = a + 2h,
x1 = a + h,
n + 1 nodos
so
2. A funo
onde
um resultado
mdia ponderada
numrico.
2 de ordem
do
por um
Roger
logaritmos e nos mtodos de aproximao racional por fraes continuadas. Sua obra
pstuma,
Harmonia mensurarum
74
CAPTULO 7.
75
INTEGRAO NUMRICA
Tabela 7.1:
exata
w0
w1
w2
w3
1/2
1/2
1/6
4/6
1/6
1/8
3/8
3/8
1/8
7/90
32/90
12/90
32/90
w4
Regra
retngulo
trapzio
a de Simpson3
a
2 de Simpson
7/90
Soluo:
Para a estimativa de
a = 1,
b = 4,
Boole
R4
1
x dx usando
ordem 2, tem-se
h=
ba
41
=
= 1,5000.
n
2
Figura 7.1:
xi
f (xi )
wi
1,0000
1,0000
0,1667
2,5000
1,5811
0,6667
4,0000
2,0000
0,1667
Thomas Simpson (1710 - 1761) matemtico ingls. Em 1737 publica seu A New
Treatise of Fluxions, um livro didtico de alta qualidade dedicado ao clculo de uxes, a
2
hoje como regra de Simpson, embora aparea em seu livro, devido Newton como o
prprio Simpson reconheceu [38].
3
George
Dierences
[38].
CAPTULO 7.
76
INTEGRAO NUMRICA
Assim temos
os nodos
Q2 = (b a)
wi f (xi )
= 4,6623.
Para a estimativa de
a = 1,
h=
ba
41
=
= 0,7500.
n
4
xi
f (xi )
wi
1,0000
1,0000
0,0778
1,7500
1,3229
0,3556
2,5000
1,5811
0,1333
3,2500
1,8028
0,3556
4,0000
2,0000
0,0778
Passo 1:
x = a + (b a)t,
com
dx = (b a)dt.
Z
Q=
=
Q
Z
1
"
x dx =
x3/2
3/2
f [a + (b a)t](b a) dt.
(t) = f [a + (b a)t],
Passo 2:
14
= 4,6667,
3
(2 DSE) e erro relativo em
(t) dt.
[a, b]
e transformada na
[0, 1].
com
tk =
k
,
n
k = 0, . . . , n.
(7.5)
#4
o erro relativo em
Z
f (x) dx =
Redenindo
rel
wi f (xi )
= 4,6665.
(7.4)
Q = (b a)
obtemos
Q4
pesos
seguintes passos:
Assim temos
Q4 = (b a)
[1,
mtodo de Gauss
ordem 4, tem-se
b = 4,
no
(7.6)
(7.7)
n
(t) cn tn + + c1 t + c0 ,
CAPTULO 7.
obtm-se, no lado
77
INTEGRAO NUMRICA
esquerdo
de (7.6),
(cn tn + + c1 t + c0 ) dt
0
Z
Z 1
Z 1
n
t dt + c0
t dt + + c1
= cn
(t) dt =
0
direito
Passo 3:
1 dt
(7.8)
+ w1
+ w1 t1
+ w1 t21
+ w2
+ w2 t2
+ w2 t22
w1 tn1
w2 tn2
.
.
.
.
.
.
+
+
+
+
(7.9)
+ w2
+ w2 n2
2
+ w2 n2
.
.
.
+ w2
2 n
n
+ wn
=
+ wn t n =
+ wn t2n =
1
1/3
.
.
.
+
=
n
+ wn t n =
(7.10)
.
.
.
1/(n+1)
+
+
+
+
+ wn =
+ wn =
+ wn =
.
.
.
+
=
+ wn =
1
1/2
1/3
.
.
.
C=
1
1
1
0 (1/n)n (2/n)n
.
.
.
.
.
.
.
.
.
.
.
.
w0
1
1 1 1
0 1/2 1 w1 = 1/2 .
1/3
w2
0 1/4 1
que pode ser resolvido com a ajuda do algoritmo SLGauss (p. 37):
>> C = [1 1 1; 0 1/2
>> format rat
>> w = SLGauss(C,d)
w =
1/6
2/3
1/6
ordens distintas
rel
(7.11)
,
w
=
w0
w1
w2
.
.
.
wn
1; 0
,
d
=
1
1/2
1/3
.
.
.
1/(n+1)
1/4
com
1
2/n
(2/n)2
, obtenha os
(7.11)
Q utiliza-se, em
Qj calculadas por
1/(n+1)
Cw = d,
1
1
1/n
0
0 (1/n)2
Para
1/2
Soluo:
w0 + w1
+ w1 n1
2
+ w1 n1
n
+ w1 n1
de (7.6),
Comparando os fatores de
w0
w0 t 0
w0 t20
w0 tn0
resulta
1
1
= cn
+ + c1 + c0 1,
n+1
2
e, no lado
n = 0, 1, 2, 3, 4,
com
j>i
Qi
Qi Qj
,
Qj
j = 2i).
Exemplo 7.3. Determine uma estimativa de erro relativo para a integral do Exemplo 7.1.
CAPTULO 7.
Soluo:
78
INTEGRAO NUMRICA
Como
Q2 = 4,6623
Q4 = 4,6665
tem-se
Q2 Q4
Q4
4,6623 4,6665
4,6665
9,0130 104
rel
simples
mentaes computacionais.
Figura 7.2:
estimativas.
Para corrigir esse problema, no mtodo de Newton-Cotes composto, inicialmente divide-se o intervalo original [a, b] em m subintervalos
(composies) de tamanho
H=
ba
.
m
Sj .
simples
resultados parciais
Qm,n =
m
X
j=1
Sj ,
com
Sj = H
n
X
Soluo:
em
m = 3
wi f (xi ).
i=0
O intervalo original de
intervalos de tamanho
S1 = H
Sj
da integral:
wi f (xi )
CAPTULO 7.
S2 = H
79
INTEGRAO NUMRICA
wi f (xi )
= 1,5785
preciso
mas no muito
eciente
S3 = H
a maior erro).
wi f (xi )
mtodo de Newton-
= 1,8692
Q1,2
j
1
xi
f (xi )
wi
1,0000
1,0000
0,1667
1,5000
1,2247
0,6667
2,0000
1,4142
0,1667
2,0000
1,4142
0,1667
2,5000
1,5851
0,6667
3,0000
1,7321
0,1667
3,0000
1,7321
0,1667
3,5000
1,8708
0,6667
4,0000
2,0000
0,1667
Sj
Q2,2
[a, b]
usando
n = 2);
[a, c]
[c, b]
1,2189
1,5785
1,8692
Q3,2 =
No Matlab obtemos
2,2203
Figura 7.3:
Determinao de
Q1,2
Q2,2
no mtodo de Newton-Cotes
CAPTULO 7.
80
INTEGRAO NUMRICA
Algoritmo 18 QuadNCAdapt
entrada : f, a, b, tol, kmax
sada : Q, rel , k
Inicializao
1:
2:
3:
4:
5:
6:
7:
k 0
c (a + b)/2
fa f (a)
fc f (c)
fb f (b)
Algoritmo 19 QuadRec
entrada : f, a, c, b, fa , fc , fb , k, tol, kmax
sada : Q, rel , k
Inicializao
1:
2:
3:
4:
Q1,2
Q2,2
sucientemente pequena, o
[a, c]
recursivamente
[c, b].
6:
QuadNCAdapt
QuadRec
sistematizam o mtodo.
menos
mais
a partir de
Q1,2
Q2,2 ,
QuadRec
Q1,2
Q2,2
so estimativas para
usando,
Q2,2 Q Q1,2 .
Q
16
5
Werner
(7.12)
9:
nazista e da guerra na europa, teve que migrar por pases da europa diversas vezes:
Ucrnia (1934), Checoslovquia (1937), Noruega (1938), Sucia (1940), novamente Noruega (1947) e nalmente retorna a Alemanha (1968). Em 1955 publica seu
Vereinfachte
11:
12:
13:
14:
15:
16:
Numerische Integration
8:
10:
7:
pontos de avaliao da
funo.
No passo 10 do algoritmo
5:
17:
k k + 1
d (a + c)/2
e (c + b)/2
fd f (d)
fe f (e)
Estimativas
ba
(fa + 4fc + fb )
6
ba
(fa + 4fd + 2fc + 4fe + fb )
Q2,2
12
rel ErroRel(Q1,2 , Q2,2 )
se (|rel | tol e k 3) ou k kmax
Q1,2
Retorno
seno
Recurso
m
CAPTULO 7.
81
INTEGRAO NUMRICA
Isolando
Problema 7.13).
QE
(Ver
e da direita
QD .
se o erro relativo total pela mdia ponderada dos erros relativos em cada
parcela (Ver Problema 2.26).
Usando o Matlab
o comando
quad.
106 .
A implementao toma
Figura 7.4:
vel.
Pontos de avaliao de
funo interpoladora
polinomial ou
cbico (como visto na seo 5.4) e estimar o valor de sua integral denida.
Se o intervalo
[a, b]
particionado por
CAPTULO 7.
e o spline
S(x)
82
INTEGRAO NUMRICA
Algoritmo 20 QuadSpline3
entrada : x, y
sada : Q
Matriz de coecientes do spline
1:
C CoefSpline3(x, y)
Estimativa para Q
Q=
f (x) dx
a
S(x) dx
a
n1
X Z xk+1
k=1 xk
n1
X Z xk+1
k=1
xk
2:
sk (x) dx
3:
4:
ak (x xk )3 + bk (x xk )2 + ck (x xk ) + dk dx
5:
(7.13)
6:
7:
n tamanho de x
Q 0
para k 1 : n 1
h xk+1
xk
Ck,3
2
ak 4 bk 3 ck 2
h + hk + hk + dk hk
4 k
3
2
Ck,1
4 h
Q Q +
m
Ck,2
3
h+
h + Ck,4 h
hk = xk+1 xk
o tamanho do
k -simo
subintervalo obtemos a
Q=
n1
X
k=1
ak 4 bk 3 ck 2
h + hk + hk + dk hk
4 k
3
2
partir de (7.14):
Q=
(7.14)
Exemplo 7.5. Reconsidere o Exemplo 5.1. Determine a integral denida de f no intervalo de 0 a 6 a partir dos nodos dados aplicando o
mtodo dos splines cbicos.
n1
X
k=1
= 14,5810
Soluo:
Qp = 14.3400.
rel 0,0165
(1 DSE).
CAPTULO 7.
83
INTEGRAO NUMRICA
7.6 Problemas
Newton-Cotes simples
R1
7.2.
Re
7.3.
7.4.
R1
7.5.
ex dx.
1
1 x
0
f,
uma
para
7.13.
da integral.
tm =
n = 4.
n = 10.
Use
format long
para
7.14.
Qm,2
Q
16,
Q2m,2
Q
m = 1, 2, 4.
(= 1, 2, 3, ou 4) e retorna uma
m1
X
1
fi
= h (f0 + fm ) +
2
i=1
"
Qm,1
o Exemplo 7.1.
com
Newton-Cotes composto
Para as integrais dadas nos Problemas 7.8 a 7.11 a seguir: (a) Determine Q6,1 ,
uma estimativa para a integral usando m = 6 composies do mtodo de NewtonCotes de ordem n = 1; (b) Determine Q3,2 , uma estimativa para a integral usando
m = 3 composies do mtodo de Newton-Cotes de ordem n = 2 [Repare que os
nodos so os mesmos, os pesos que mudam]; (c) Determine a diferena relativa
entre Q6,1 e Q3,2 .
7.8.
7.9.
7.10.
de composies
de Simpson).
estimativa
(b) Determine
function Q = QuadNCComp(f, a, b, m, n)
os extremos
7.7.
e
7.12.
sen(x) dx.
Newton-Cotes de ordem
dx.
de Newton-Cotes de ordem
7.6.
mente uma
Para as integrais dadas nos Problemas 7.1 a 7.4 a seguir (a) Aplique as frmulas
de Newton-Cotes de ordem 1, 2, 3 e 4 para estimar as integrais, (b) Determine
o valor exato de cada integral (resolva analiticamente) e (c) Determine o erro
relativo de cada estimativa feita no item (a).
7.1.
7.11.
fi = f (xi ),
equivalente a
xi = a + ih,
(i = 0, . . . , m),
h=
ba
m
composies de ordem 1.
Newton-Cotes adaptvel
7.15.
gem preferida. Para vericar a correo da implementao, compare as aproximaes obtidas com os valores exatos das integrais dos Problemas 7.1 a 7.4.
As integrais dadas nos Problemas 7.16 a 7.19 a seguir no podem ser resolvidas analiticamente. Use o mtodo de Newton-Cotes adaptvel para estimar o
valor das integrais com tol = 0,5 1012 e kmax = 15.
CAPTULO 7.
7.16.
84
INTEGRAO NUMRICA
y = sen(t) no intervalo
Z p
L=
1 + cos2 (t) dt.
Comprimento da curva
de 0 a
7.17.
x = 1:
2
Erf(x) =
7.18.
et dt.
a espcie. Use
/2
K(k) =
0
7.19.
k = 0,5:
Sortidos
1
p
dt.
1 k 2 sen2 (t)
7.24.
6
Integral de Fresnel . Use
x = 1:
Z x
C(x) =
cos
t2 dt.
2
0
de
.
.
splines
splines ;
7.25.
(7.14).
7.22.
so equivalentes. Para
no intervalo dado.
7.21.
no
Splines
7.20.
(1923). Destrudo na 2
7.23.
4x2
f (x) = H 1 2 .
L
de ano novo de 2009 [41]. O uxo, medido de hora em hora, dado em veculos
por minuto.
splines
para estimar a
quantidade total
de
26 veculos/min s 24 h.
Augustin-Jean
Cuidado com as
L/2
S=
unidades de medida.
6
Suas mais
integrais de Fresnel
surgem da descrio do
L/2
1 + [f 0 (x)] dx.
CAPTULO 7.
85
INTEGRAO NUMRICA
y
H
L2
7.26.
L
2
D = 1,5 m,
comprimento
C = 4m
h = 1,2 m.
D
h
Z
V (h) = 2C
0
p
x(D x) dx.
V (h) = C
D2
D p
D2
2h
+ h
h(D h)
arcsin 1
.
8
2
4
D
Captulo 8
Equaes
diferenciais
u0 , u00 , . . . , u(k) .
passo xo.
ordinria.
denidas em um intervalo
u e suas derivadas:
ordem
O mtodo de Euler
0
u = F (t, u)
atb
u(a) = ua ,
Trocando
funo incgnita a
A resoluo
u(ti )
por
ti
(intervalo)
(8.1)
u0 (t)
por
F (ti , ui )
temos
(valor inicial)
1
u00 (t)h2
u(k) ()hk
+ +
.
2!
k!
(equao diferencial)
0
determina a derivada u em termos de
onde a funo
Nesse
a equao dita
[a, b]
= ti +h),
passo varivel.
por sua derivada de mais alta ordem. As equaes diferenciais podem ser
Um
Caso contrrio de
e de da prpria
Leonhard Euler (1707 - 1783), matemtico suo, fez inmeras contribuies para
u.
numrica
ti
em
[a, b]:
logaritmos naturais,
e o dimetro de um crculo,
muitas outras [38].
86
para o
CAPTULO 8.
87
ti+1 = ti + h
ui+1 = ui + F (ti , ui )h.
u(0) = 1
Soluo:
t1 = 0;
Das frmulas recursivas, temos
u1 = 1.
F (ti , ui ) = 1 + ti 2ui .
E, assim:
Figura 8.1:
t2 = t1 + h = 0 + 0,2 = 0,2
u2 = u1 + F (t1 , u1 )h
Algoritmo 21 EDOEuler
entrada : F, a, b, ua , h
sada : t, u
Inicializao
= 1 + F (0, 1) 0,2
= 1 1 0,2
= 0,8
ti
ui
F (ti , ui )
0,0000
1,0000
-1,0000
0,2000
0,8000
-0,4000
0,4000
0,7200
-0,0400
0,6000
0,7120
0,1760
0,8000
0,7472
0,3056
1,0000
0,8083
1:
2:
3:
4:
5:
6:
7:
8:
9:
10:
11:
O algoritmo
EDOEuler
12:
sistematiza o mtodo de Euler.
n b1 + (b a)/hc
t Zeros(n, 1)
u Zeros(n, 1)
i 1
ti a
ui ua
Determinao de u(t)
enquanto ti < b
k F (ti , ui )
ti+1 ti + h
ui+1 ui + kh
i i + 1
m
= 0,2).
CAPTULO 8.
88
Anlise de erro
A soluo exata (analtica) do PVI dado no Exemplo 8.1
u
(t) =
1
3e2t + 2t + 1 ,
4
(8.2)
ui calculados
exatos u
i e os erros
h = 0,2,
os valores
=uu
.
i
ui
u
i
1,0000
1,0000
0,0000
0,8000
0,8527
-0,0527
0,7200
0,7870
-0,0670
0,7120
0,7759
-0,0639
0,7472
0,8014
-0,0542
0,8083
0,8515
-0,0432
Figura 8.2:
h = 0,2, h = 0,1
h = 0,01.
F0
F 00
proporcional ao passo
h.
so dadas por
F (t,u) +
F (t,u) u0 ,
t
u
0
F 00 (t,u) = F 0 (t,u) +
F (t,u) u0 .
t
u
F 0 (t,u) =
h3
h2
+ F 00 (ti ,ui ) .
2!
3!
(8.3)
F,
CAPTULO 8.
89
(a, b)
u0 (t) = F (t, u)
[ti , ti+1 ]
ti+1
com
ti+1
u (s) ds =
ti
ti
obtendo
ti+1
Figura 8.3:
F (, u( )) d
ui+1 = ui +
= ui + Qi .
integral
Qi ,
j que no se
calculada no
incio
e no
o seu mtodo numrico para a resoluo das equaes diferenciais que surgem do estudo de espectros atmicos. Seu trabalho seminal
ber emperische
Runge sem-
pre foi atltico e ativo, na festa de aniversrio de 70 anos divertiu seu netos e amigos
plantando bananeira [38, 31, 20].
Martin
ramento,
regra do
[ti , ti+1 ]:
ui+1 = ui + 12 (k1 + k2 )h
que d origem ao mtodo de
O(h2 ).
de
k1
F em ti+1 .
Observe que
estimativa
do intervalo
k2 = F (ti + h, ui + k1 h)
regra do retngulo do mtodo de NewtonCotes (como visto no Captulo 7) com o nodo no incio do intervalo [ti , ti+1 ].
Dierentialgleichungen
m
k1 = F (ti , ui )
Carle
trapzio
Qi
(8.4)
Para encontrar
conhece
O valor da integral
do mtodo de Newton-Cotes.
ti
para
o valor
da
1a regra de Simpson :
k1 = F (ti , ui )
k2 = F (ti + h2 , ui + k1 h2 )
k3 = F (ti + h2 , ui + k2 h2 )
k4 = F (ti + h, ui + k3 h)
ui+1 = ui + 16 (k1 + 2k2 + 2k3 + k4 ) h
CAPTULO 8.
O(h4 ).
k2 e k3
Observe que
so
90
k1
estimativas
o valor
para
no meio do intervalo e
k4
para
E, assim:
t2 = t1 + h = 0 + 0,2 = 0,2
no m do
intervalo.
k = F (t,u)
F (ti , ui ) = 1 + ti 2ui .
1
6
Figura 8.4:
Pontos de avaliao de
F (t,u)
ti
ui
k1
k2
k3
k4
0,0
1,0000
-1,0000
-0,7000
-0,7600
-0,4960
-0,7360
0,2
0,8528
-0,5056
-0,3045
-0,3447
-0,1677
-0,3286
0.4
0.7871
-0.1742
-0.0393
-0.0663
0.0524
-0.0555
0.6
0.7760
0.0480
0.1384
0.1204
0.1999
0.1276
0.8
0.8015
0.1970
0.2576
0.2455
0.2988
0.2503
1,0
0.8516
ordem 2 e 4.
A Figura 8.5 mostra os valores calculados usando o mtodo de Euler e
Exemplo 8.2. Use o mtodo de Runge-Kutta de 4a ordem para resolver o PVI dado no Exemplo 8.1 com passo h = 0,2.
Soluo:
t1 = 0;
u1 = 1.
O algoritmo
EDORK4
Anlise de erro
a ordem no
max = 8,0842
max = O(h ),
a
isto , o erro proporcional a 4 potncia do tamanho do passo, o que
Exemplo 8.2
h = 0,1
= 4,3477106 e para h = 0,05 temos max = 2,4993107 . Na
garante um DSE a mais cada vez que se divide o passo por 2: Para
temos max
h/2).
CAPTULO 8.
91
Algoritmo 22 EDORK4
entrada : F, a, b, ua , h
sada : t, u
Inicializao
1:
2:
3:
4:
5:
6:
7:
8:
9:
10:
11:
12:
13:
Figura 8.5:
(h
= 0,2).
14:
15:
16:
n 1 + (b a)/h
t Zeros(n, 1)
u Zeros(n, 1)
i 1
ti a
ui ua
Determinao de u(t)
enquanto ti < b
k1 F (ti , ui )
k2 F (ti + h2 , ui + k1 h2 )
k3 F (ti + h2 , ui + k2 h2 )
k4 F (ti + h, ui + k3 h)
k 16 (k1 + 2(k2 + k3 ) + k4 )
ti+1 ti + h
ui+1 ui + kh
i i + 1
m
CAPTULO 8.
Usando o Matlab
o comando
92
ode45.
Usando o Matlab
Sendo
0.9500
0.8372
0.9750
0.8442
1.0000
0.8515
Exemplo 8.3. Use o mtodo de Runge-Kutta de 4a ordem para resolver o PVI acoplado dado a seguir com h = 0,2.
u01 = 2u1 u2
u02 = t u22
Com a ajuda de
Soluo:
que devem satisfazer
seguintes.
0
u = F1 (t, u1 , u2 , . . . , um )
10
u2 = F2 (t, u1 , u2 , . . . , um )
0
um = Fn (t, u1 , u2 , . . . , um )
todas no intervalo
atb
u1 (a) = u1a ,
dito um PVI
u2 (a) = u2a ,
...,
um (a) = uma ,
0
u = F(t, u)
atb
u(a) = ua ,
0
onde u, u e
ua
so vetores de
componentes.
vetoriais.
u2 (0) = 2.
u(i)
ti
0.0
[1.0000
2.0000]
[0.3630
-2.7744]
0.2
[1.0726
1.4451]
[1.0376
-1.3761]
0.4
[1.2801
1.1699]
[1.7993
-0.6941]
0.6
[1.6400
1.0311]
[2.8048
-0.2932]
0.8
[2.2009
0.9724]
[4.2240
-0.0324]
1.0
[3.0457
0.9660]
Um PVI de
atb
.
u(a) = ua
0
u (a) = va
CAPTULO 8.
93
Soluo:
Fazendo a transformao
v = u0
obtemos:
0
u =v
v 0 = u
0 t 2 .
u(0) = 0
v(0) = 1
A resoluo numrica do problema ca como exerccio (Veja o Problema 8.25).
8.4 Problemas
Mtodo de Euler
Figura 8.6:
= 0,2).
v = u0 :
0
u =v
v 0 = F (t, u, v)
atb
,
u(a) = ua
v(a) = u0 (a) = va
0 t 2
u(0) = 0
0
u (0) = 1
Nos Problemas 8.1 a 8.4 a seguir so dados um PVI e sua soluo exata (analtica). (a) Use o mtodo de Euler para estimar u(t) com o passo sugerido. Faa
uma tabela contendo os valores de i, ti , ui e k. (b) Desenhe os pontos (ti , ui ) calculados juntamente com a soluo exata. (c) Determine o maior erro cometido.
8.1.
Soluo exata:
8.2.
Soluo exata:
8.3.
Soluo exata:
0
u = u
0t1 ,
u(0) = 1
u
(t) = et .
Use passo
h = 0,2
0
u = 1 u/t
1t3
,
u(0) = 5/2
u
(t) = t/2 + 2/t.
Use passo
h = 0,5
0
u = 3u + 6t + 5
0t1
,
u(0) = 3
u
(t) = 2e3t + 2t + 1.
Use passo
h = 0,2
CAPTULO 8.
8.4.
8.5.
Sortidos
0
u = t2 (5 u)
0t2
,
u(0) = 0
Soluo exata:
94
u
(t) = 5 5et
/3
. Use passo
8.16.
h = 0,25
8.17.
Exemplo 8.1.
Considere os PVI dados nos Problemas 8.6 a 8.9 a seguir. (a) Use o mtodo
de Euler para estimar u(t). Desenhe os pontos (ti , ui ) calculados juntamente com
a soluo exata. (b) Determine o maior erro cometido.
F 0 (t,u) = 1 2t + 4u,
F 00 (t,u) = 2 + 4t 8u.
(b) Modique o algoritmo EDOEuler para obter um mtodo com base na srie
de Taylor dada por (8.3), isto , reescreva o algoritmo de modo que ele receba
como entradas tanto
F (t, u)
h = 0.1, . . . , 0.5
8.18.
F 00 (t,u).
Em uma populao
a quantidade de pes-
du
= k u(n u),
dt
na soluo do PVI
0
u = 5u
0t5 ,
u(0) = 5
cuja soluo exata
F 0 (t,u)
no Exemplo 8.1 e compare os resultados com a soluo exata dada por (8.2).
quanto
t seja
k = 1/1000 e 2 pessoas do incio a um boato no momento t = 0
populao de n = 1000 pessoas. Determine em quantos dias o boato
u
(t) = 5e5t .
em uma
Mtodo de Runge-Kutta
8.11.
8.19.
Considere os PVI dados nos Problemas 8.12 a 8.15 a seguir. (a) Use o
mtodo de Runge-Kutta para estimar u(t). Desenhe os pontos (ti , ui ) calculados
juntamente com a soluo exata. (c) Determine o maior erro cometido.
8.12.
8.13.
8.14.
8.15.
h = 0,01.
h = 0,02.
h = 0,05.
h = 0,10.
a frao de
do
A
E
d
= exp
(1 ),
dT
RT
a taxa de aquecimento do reator, E a
R a constante universal dos gases [27]. Em
1
um experimento, determinou-se que A = 0,005 min
, E = 0,530 J/mol, R =
J
K
8,314 /molK, = 0,300 /min. Resolva o PVI com 300 T 500 K. Desenhe o
grco de T e determine a que temperatura 0,90.
onde
o fator pr-exponencial,
CAPTULO 8.
8.20.
A funo erro
Erf(x)
geralmente
denida
2
2
d
Erf(x) = ex ,
dx
erf
u(t)
A amplitude
= sen()
0t
,
(0) = 0
(0) = v0
Erf(x)
no intervalo
0 x 2.
os grcos de
8.26.
Erf(0) = 0.
8.21.
95
ua = 0, 1, 2, 3, 4, 5, 6.
O que
onde
o comprimento do pndulo e
T = 2
L/g .
8.22.
(a) Fixe
max
h:
aproxi-
2.
sejam
h4 : aproximadamente,
24 = 16.
Verique
vetores,
F, u
Para vericar a
8.24.
um ecossistema constitudo de
c(t)
coelhos (presas) e
r(t)
raposas (predadores).
dc
= c cr
dt
dr
= cr r
dt
c(0) = 300 e
c(t) e r(t) no intervalo 0 t 10. Use os
= 2, = = 0,01 e = 1. Observe que o padro
r(0) = 150,
desenhe o grco de
seguintes parmetros:
8.25.
sen(t).
L = 1m
(b) Modele o PVI de segunda ordem como um PVI acoplado, resolva-o numericamente usando
0 = 0
v0 = 1,
8.23.
pndulo;
ua
g = 10 m/s2
h = 0,1)
u(t) =
e desenhe em um mesmo
perodo de oscilao.
Apndice A
1.1.
a = 2^5, b = sqrt(7)
1.3.
a = cosd(60), b = tan(pi/4)
1.5.
a = abs(-5), b = factorial(9)
1.7.
x = [6 2 0 5], y = [6 2 0 5]'
1.9.
z = zeros(1,20)
1.11.
A = [1 7; -4 3]
1.13.
a = -18.3333.
1.15.
c = 5.3948.
1.17.
w = 1.5708, e = 1.
O comando
ln
1.21. A vrgula
separador
\, *, +, -.
Observe que
1.19. O comando
1.23. O polinmio
log(y)
cos(/2)
y.
= e = 1.
clear all
clc
n = 5
x = rand(1,n)
s = 0
for i = 1:n
s = s + x(i)
end
m = s/n
a = log(5).
de elementos. O correto
clear all
clc
clf
x = -1 : 0.01 : 3;
y = (x + 1)./(x - 1);
plot(x,y)
grid on
legend('i(x) = (x + 1)/(x - 1)')
xlabel('x')
ylabel('i(x)')
title('Problema 1.27')
t = cos(3.1416).
Observe o fator
103
multiplicando os
elementos do vetor.
1.25. Um script pode ser escrito assim:
clear all
clc
clf
x = -3 : 0.01 : 3;
y = exp(-x) - 1;
plot(x,y)
grid on
legend('g(x) = exp(-x) - 1')
xlabel('x')
ylabel('g(x)')
title('Problema 1.25')
APNDICE A.
O comando
97
m = mean(x)
F(1) = 1;
F(2) = 1;
for i = 3 : k
F(i) = F(i-1) + F(i-2);
R(i) = F(i)/F(i-1);
end
function s = SomaMatriz(A)
[m, n] = size(A);
s = 0;
for i = 1 : m
for j = 1 : n
s = s + A(i,j);
end
end
O comando
m = sum(sum(A))
A sequncia
minada
function d = Divisores(n)
k = 0;
for t = 1 : n
if rem(n,t) == 0
k = k + 1;
d(k) = t;
end
end
(a)
Para grau 4,
adies.
(b)
multiplicaes e
m, F
= ( 5 + 1)/2 = 1,618033988749895 . . .
2.1.
(a) = 0,0039 (b) Fmin = 1,0842 1019 (c) Fmax = 3,6821 10+19
2.3.
Overow
2.5.
m(m + 1)/2
usa 4 multiplicaes e 4
multiplicaes e
adies.
adies.
usa
function R = FibonacciRazaoAurea(k)
if k < 2
error('k deve ser igual ou maior que 2!')
end
F = zeros(k, 1);
R = zeros(k, 1);
= 2,2204 1016 .
2.11.
(a) = 1,0000 10
2.13.
2.15.
DSE 6.
2.17.
2.19.
2.21.
a = 10^10^10^10.
n = 49.
usa
deno-
razo urea.
Para grau
aproxima-se de
Captulo 2
1.35.
Rk
x
m = (x )m
k
1
2
3
4
5
...
15
16
17
18
19
20
x(k)
1.000000000000
1.732050807569
1.931851652578
1.982889722748
1.995717846477
...
1.999999995915
1.999999998979
1.999999999745
1.999999999936
1.999999999984
1.999999999996
dif_rel(k)
+Inf
-4.23e-01
-1.03e-01
-2.57e-02
-6.43e-03
...
-6.13e-09
-1.53e-09
-3.83e-10
-9.57e-11
-2.39e-11
-5.98e-12
err_rel(k)
-5.00e-01
-1.34e-01
-3.41e-02
-8.56e-03
-2.14e-03
...
-2.04e-09
-5.11e-10
-1.28e-10
-3.19e-11
-7.98e-12
-1.99e-12
2 , 3 , . . . , m .
APNDICE A.
98
Captulo 3
3.1.
(a)
(b)
k
1
2
3
4
Veja o grco:
Veja a tabela:
a
x
-1.0000 0
-1.0000 -0.5000
-1.0000 -0.7500
-0.7500 -0.6250
b
1.0000
0
-0.5000
-0.5000
fa
fx
-0.4597 1.0000
-0.4597 0.3776
-0.4597 -0.0183
-0.0183
0.1860
3.5.
3.7.
3.9.
logo
k = 41.
(b)
k
1
2
3
4
3.3.
(a)
(a)
Veja o grco:
Veja a tabela:
a
0
5.0000
5.0000
6.2500
x
5
7.5000
6.2500
6.8750
b
10
10.0000
7.5000
7.5000
fa
-53
-28.0000
-28.0000
-13.9375
fx
-28
3.2500
-13.9375
-5.7344
fb
47
47.0000
3.2500
3.2500
erel
Inf
-0.3333
0.2000
-0.0909
Veja o grco:
k
1
2
3
4
3.15.
(a)
x
2.5000
2.1642
2.0971
2.0946
f(x)
5.6250
0.8079
0.0289
0.0000
Veja o grco:
Veja a tabela:
f'(x)
16.7500
12.0510
11.1939
11.1615
fb
erel
1.5403
Inf
1.0000 -1.0000
0.3776 -0.3333
0.3776
0.2000
erel
Inf
0.1552
0.0320
0.0012
bk .
APNDICE A.
k
1
2
3
4
99
x
1.0000
0.7504
0.7391
0.7391
f(x)
0.4597
0.0189
0.0000
0.0000
Veja a tabela:
f'(x)
1.8415
1.6819
1.6736
1.6736
f (xk1 ) = x2k1 53
erel
Inf
0.3327
0.0152
0.0000
e
3.35.
f 0 (xk1 ) = 2xk1
(a)
Veja o grco:
em (3.1) e faa as
simplicaes necessrias.
3.19.
z = 2.094551481542327, rel = 0, k = 7.
3.21.
z = 0.739085133215161, rel = 0, k = 6.
f(x)
x.^3 - 2*x - 5
x + log(x)
x - cos(x)
x * cos(x^2)
x_ini
1.0
0.5
1.0
1.2
z
2.094551481542327
0.567143290409784
0.739085133215161
1.253314137315500
k(orig.)
11
6
6
6
3.25. A partir de
3.27.
3.31.
3.33.
(a)
3.29.
k(mod.)
10
5
5
5
Veja o grco:
com
tabela:
f(x)
z
x^2 - 53
7.28010988928
sqrt(x^2 + 1) - x^2
1.27201964951
x + cos(x)
-0.739085133215
exp(-x) + x^2 - 10
3.15553233080
k(Bis.)
38
43
43
41
k(I. Lin.)
10
40
12
14
APNDICE A.
Captulo 4
4.1.
x = [1
2]T .
4.3.
x = [1
4.9. Usando
obtemos
4.11.
5]T .
SLGaussProv obtemos x
x2 = [1
= [3
1]T
(errado!). Usando
(correto!).
SLGauss
x(1)
1
1.5000
2.2500
2.1250
Erel
Inf
0.5423
0.2485
0.1395
0,00 0,25
0,20
0,00
Obtemos, a partir de C =
0,10 0,40
A =
os valores:
x(2)
1
2.5000
2.2500
1.8750
b =
0,05
1,6
0,20 e d = 2,0 , obtemos
0,00
1,4
os valores:
k
1
2
3
4
x(1)
1
1.3000
2.0550
1.9765
x(2)
1
-2.0000
-1.9200
-2.0030
x(3)
Erel
1
Inf
0.9000
1.1832
2.0700
0.3994
1.9625
0.0457
x(1)
1
0.4000
0.7712
0.9442
1,0
d = 0,2 ,
1,8
obtemos os
x(2)
1
-0.3600
-0.8541
-0.9726
x(3)
Erel
1
Inf
1.8640
0.8862
1.9874
0.2744
2.0002
0.0869
0,00 0,50
0,00
0,25
0,00
0,50
C=
0,00
0,25
0,00
0,00
0,00
0,25
0,00
0,00
0,50
0,00
obtemos os valores:
k
1
2
3
4
x(1)
1
-0.5000
-0.8125
-1.0469
kGJ
43
73
20
52
kGS
23
19
14
28
x(2)
1
1.6250
2.0938
1.9707
x(3)
1
-0.0938
0.0352
-0.0117
x(4)
1
0.9766
1.0088
0.9971
3
0
0
2
0
6
2
0
2
3
5
0
0
2
2
3
4
3
1
2
x =
1.290322580645370
0.532258064516400
0.064516129032287
-0.193548387096914
4.29. Para o primeiro sistema linear obtemos:
valores:
k
1
2
3
4
Prob.
4.15
4.16
4.17
4.18
4.17.
1]T
rel = 0,0106.
k
1
2
3
4
100
Erel
Inf
0.9980
0.2351
0.1101
0,00
2.25
d=
0,00 ,
1,00
Mtodo Gauss-Jacobi
k
x(1)
x(2)
1
1
1
2
1.8000
1.9000
3
1.8900
2.7800
4
1.9780
2.8790
...
9
1.9999
2.9997
10
2.0000
2.9998
11
2.0000
3.0000
...
Mtodo Gauss-Seidel
k
x(1)
x(2)
1
1
1
2
1.8000
2.7800
3
1.9780
2.9758
4
1.9976
2.9973
5
1.9997
2.9997
6
2.0000
3.0000
7
2.0000
3.0000
Erel
Inf
0.4601
0.2631
0.0379
0.0003
0.0000
0.0000
Erel
Inf
0.5893
0.0741
0.0081
0.0009
0.0001
0.0000
APNDICE A.
101
...
Para o segundo sistema linear obtemos:
Mtodo Gauss-Jacobi
k
x(1)
x(2)
1
1
1
2
5.0000
-2.0000
3
8.0000
2.0000
4
8.6667
5.0000
5
5.0000
5.6667
6
2.7778
2.0000
7
3.5556
-0.2222
...
Mtodo Gauss-Seidel
k
x(1)
x(2)
1
1
1
2
5.0000
2.0000
3
6.0000
3.0000
4
5.0000
2.0000
5
6.0000
3.0000
6
5.0000
2.0000
7
6.0000
3.0000
...
x(3)
1
-2.0000
-2.6667
1.0000
3.2222
2.4444
-0.7407
Erel
Inf
1.0150
0.5820
0.4758
0.5282
1.0360
1.0885
x(3)
1
Erel
Inf
0.7878
0.2554
0.3216
0.2554
0.3216
0.2554
0
1.0000
0
1.0000
0
1.0000
0
2.0720
-4.2560
0
0
0
-10.6400
y =
0.8082
1.6358
2.5403
3.6173
y_hat =
0.8016
1.6256
2.5296
3.6096
Captulo 5
5.1.
5.5.
p(x) = x2 + 3x + 2.
p(x) = x2 + 2x + 3.
A = [2 0
0 -2 0
0 0
0;
2
0 0
0 -2
0
0 0;
7
4 4 -4 -12 -4 -1 -2;
0
2 0
0 0 -2
0 0;
0
2 0
0 0
0
0 -1;
0
0 2
0 0
0 -2 0;
0
0 1 -1 -3 -1
0 0;
0
0 0
0 0
0
0 1]
b = [0; 0; 0; 0; 0; 0; 0; 1]
x =[1/6; 1/2; 7/6; 1/6; 1/6; 1/2; 7/6; 1]
A =
-4.0640
2.0320
-4.1920
1.8720
b2 =
-0.1138
0.0272
-0.0479
-0.1347
0.0828
-0.0034
4.35.
-4.1280
1.9280
0
4.33.
b =
1.9680
0
0
2.0080
APNDICE A.
102
5.19.
0,0922
Coecientes do spline: C = 0,0210
0,1530
polado: E(57) = 762,6628.
0
1,1069
0,9179
22,7742
27,2017
33,2761
607
704
795
spline
Valor inter-
svel.
u = 1987
tem-se
v2 = 136,5778
v4 = 136,3369.
x2 = x1 + h, x3 = x1 + 2h, x4 = x1 + 3h.
vetores-coluna.
Valor exato:
v_exato = 0.369032530185151
Nodos simtricos:
v2 = 0.367850000000000
v4 = 0.369031250000000
v6 = 0.369024218750000
e_rel_2 = -3.2044e-03
e_rel_4 = -3.4690e-06
e_rel_6 = -2.2522e-05
No
5.23. Dica:
5.15.
S(x) =
0
Substitua as expresses envolvendo s1 (x1 ) e
coecientes
ak , bk , ck
expresses envolvendo
wmax = 43,22
g.
dk por (5.21),
hk , mk e pk .
Captulo 6
6.1. O polinmio de ajuste
tem-se
b = 3.
5.17.
Nodos assimtricos:
w2 = 0.367850000000000
w4 = 0.368712500000000
w6 = 0.369094140625000
e_rel_2 = -3.2044e-03
e_rel_4 = -8.6721e-04
e_rel_6 = 1.6695e-04
Para os nodos assimtricos o erro maior.
0
0
00
00
Fazendo s1 (2) = s2 (2) tem-se c = 1. Fazendo s1 (2) = s2 (2)
00
Fazendo s2 (3) = 0 tem-se a = 1.
spline
1x2
2x4
4x6
1,1923.
Grco a seguir:
SQE =
APNDICE A.
103
6.3.
6.7.
A funo
Veja o grco:
6.13.
6.15. Em vez de ajuste, temos efetivamente uma interpolao, pois os pontos esto
2
sobre polinmio p(x) = x 2x + 4. Observe os coecientes:
c =
-0.000000000000166
0.000000000003986
-0.000000000033734
1.000000000117891
-2.000000000144785
4.000000000016654
SQE =
1.4011e-21
6.17.
6.9.
Grco a seguir:
SQE = 2691,1.
APNDICE A.
6.19.
6.21.
X =
1.0000
1.0000
1.0000
1.0000
1.0000
104
7.1.
3.7842
4.1109
4.3944
4.7274
4.8752
Os coecientes so
= 2,3504
(a) Q1 = 3.0862, Q2 = 2,3621, Q3 = 2,3556, Q4 = 2,3505 (b) Q
(c) rel(1) = 3,1304 101 , rel(2) = 4,9572 103 , rel(3) = 2,2318 103 ,
= 2 (c)
(a) Q1 = 1,9237 1016 , Q2 = 2,0944, Q3 = 2,0405, Q4 = 1,9986 (b) Q
rel(1) = 1,0000, rel(2) = 0,0472, rel(3) = 0,0203, rel(4) = 7,1463 104 .
7.5. Usando
0 = 17,9243
0 = 7,7713
mmHg.
0 + 1 x = ln (1/p 1).
1 = 0,6622. Figura a seguir
Captulo 7
A =
Aps
b =
W =
format rat:
1
0
0
0
0
1
1/2
1/3
1/4
1/5
7/90
16/45
2/15
6/45
7/90
1
1/4
1/16
1/64
1/256
1
1/2
1/4
1/8
1/16
1
3/4
9/16
27/64
81/256
1
1
1
1
1
APNDICE A.
105
8.3.
7.17.
7.19.
7.21.
7.23.
2 Q
(a)
Veja a tabela:
i
1
2
3
4
5
6
t(i)
0.0
0.2
0.4
0.6
0.8
1.0
u(i)
3.0000
2.2000
2.1200
2.3280
2.6512
3.0205
(b)
Veja o grco:
Captulo 8
8.1.
(a)
Veja a tabela:
i
1
2
3
4
5
6
t(i)
0.0
0.2
0.4
0.6
0.8
1.0
u(i)
1.0000
0.8000
0.6400
0.5120
0.4096
0.3277
(b)
Veja o grco:
k
-1.0000
-0.8000
-0.6400
-0.5120
-0.4096
(a)
Veja o grco:
k
-4.0000
-0.4000
1.0400
1.6160
1.8464
APNDICE A.
106
(a)
Veja o grco:
(a)
Veja o grco:
8.19.
(a)
Veja o grco:
T = 432 K.
APNDICE A.
u = 5.
107
Referncias Bibliogrcas
[1] Milton Abramowitz and Irene A. Stegun.
Functions.
Fonte:
Handbook of Mathematical
putacional.
www.nrbook.com/abramowitz_and_stegun/.
crculo.
Trisseco do
Re-
Fonte:
www.ibge.gov.br/home/estatistica/
populacao/tabuadevida/2010.
www.sbfisica.br.
[4] Petr Beckmann.
A History of Pi.
pdf.
geiluminacao.com.br,
siam.lsu.edu/wp-content/uploads/2009/09/nahist.
Fonte:
com/SuccessiveOverrelaxationMethod.html.
mathworld.wolfram.
Equaes Diferenciais
Elementares e Problemas de Valores de Contorno. LTC Editora, Rio
Revista
Polinmio dos
Fonte:
www.sbfisica.org.br.
Companhia das
merical Mathematics,
www.
2012.
[9] J. C. Butcher.
[5] Michele Benzi. Key moments in the history of numerical analysis, August 2009.
www.ibge.gov.br.
Applied Nu-
9274(95)00108-5.
108
109
REFERNCIAS BIBLIOGRFICAS
Com-
Prentice-Hall, En-
Engineering.
BIT,
Disponvel em
personal/gander.
[22] Gene H. Golub and Charles F. Van Loan.
www.inf.ethz.ch/
Matrix Computations.
The
Um curso de Clculo,
volume 1.
LTC -
Butterworth-Heinemann (Elsevier), 3
2007.
[25] David Halliday, Robert Resnick, and John Merrill.
Fsica, volume 4.
Fundamentos de
Matrix Algebra.
Experiments in Computational
Floating points.
Disponvel em
www.mathworks.com/tagteam/77489_Fall96Cleve.pdf.
[34] Cleve Moler.
nd edition, 2008.
www.mathworks.com/moler.
a edition, 2003.
Circuitos Eltricos.
Art-
Zhangzhong Wang.
by non-isothermal thermogravimetry.
doi:10.1016/j.carbon.2009.09.036.
Encyclopedia of optimization,
www-history.mcs.st-andrews.ac.uk/Mathematicians.
Friedrich Gauss, pages 191 193. Kluwer Academic Publisher, Dordrescht, Netherlands, 2001. ISBN 079237026-0.
Boston, USA, 4
www.jstor.org/
stable/2635472.
[27] Haiyun Jiang, Jigang Wang, Shenqing Wu, Baosheng Wang, and
The Analyst,
Disponvel em
852161259-1.
Addison-Wesley,
Veja,
puting.
rd edition, 2007.
www.nrbook.com/nr3/.
[41] s.a. Rota de uma boa viagem. Zero Hora, 30/11/2009 2009. p. 40.
110
REFERNCIAS BIBLIOGRFICAS
Matemtica Discreta.
Thomson Pioneira,
2003.
Augustin-Jean_Fresnel,
[55] Mark W. Zemansky.
Introduction to
McGraw-Hill, 7
th edition,
2000.
[47] Murray R. Spiegel.
gmd/ccgg/trends/,
[49] Mario F. Triola.
www.esrl.noaa.gov/
2013.
Introduo Estatstica.
a edition,
LTC Editora, 7
volume 1,
archive.ics.uci.edu/ml/datasets/Auto+MPG.
[51] Eric W. Weisstein.
Halley's method.
com/HalleysMethod.html,
[52] Wikipdia.
Gordon_Moore,
mathworld.wolfram.
Fonte:
en.wikipedia.org/wiki/
2007.
Brewster,
Fonte:
2010.
2014.
en.wikipedia.org/wiki/David_
en.wikipedia.org/wiki/
2015.
Calor e termodinmica.
a edition, 1978.
Janeiro, 5
mtica.