Académique Documents
Professionnel Documents
Culture Documents
E SISTEMAS
DEPARTAMENTO DE AUTOMAC
AO
CALCULO
NUMERICO
PARA CONTROLE E AUTOMAC
AO
Versao preliminar
Eduardo Camponogara
Eug
enio de Bona Castelan Neto
Florian
opolis, Agosto de 2008
Agradecimentos
ii
Sum
ario
1 Introdu
c
ao ao Estudo da Matem
atica Num
erica
1.1 Natureza e Objetivos da Matematica Numerica . . . . . . .
1.2 Algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1 O Problema da Ordenacao . . . . . . . . . . . . . . .
1.3 Algoritmos Numericos . . . . . . . . . . . . . . . . . . . . .
1.3.1 Inexistencia do Erro Logico . . . . . . . . . . . . . .
1.3.2 Inexistencia do Erro Operacional . . . . . . . . . . .
1.3.3 Quantidade Finita de Calculos . . . . . . . . . . . . .
1.3.4 Existencia de um Criterio de Exatidao . . . . . . . .
1.3.5 Independencia da Maquina . . . . . . . . . . . . . . .
1.3.6 Com Precisao Infinita, os Limites de Erro Devem Convergir para Zero . . . . . . . . . . . . . . . . . . . . .
1.3.7 Eficiencia . . . . . . . . . . . . . . . . . . . . . . . .
1.4 Passos para a Resolucao de um Problema . . . . . . . . . . .
1.4.1 Referencias . . . . . . . . . . . . . . . . . . . . . . .
2 Introdu
c
ao `
a Aritm
etica de M
aquina
2.1 O Sistema de Ponto Flutuante . . . . . . .
2.1.1 Exerccios . . . . . . . . . . . . . .
2.2 Arredondamentos . . . . . . . . . . . . . .
2.3 Erros . . . . . . . . . . . . . . . . . . . . .
2.4 Dgitos Significativos Exatos . . . . . . . .
2.4.1 Exerccios . . . . . . . . . . . . . .
2.5 Precisao e Exatidao de Maquinas Digitais
2.6 Instabilidade . . . . . . . . . . . . . . . . .
2.6.1 Instabilidade dos Algoritmos . . . .
2.7 Instabilidade de Problemas . . . . . . . . .
2.8 Exerccios . . . . . . . . . . . . . . . . . .
iii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
2
2
5
5
6
6
8
8
. 8
. 9
. 9
. 10
.
.
.
.
.
.
.
.
.
.
.
11
11
16
17
18
20
21
21
23
23
27
29
3 Resolu
c
ao de Equa
c
oes N
ao-Lineares
3.1 Introducao . . . . . . . . . . . . . . . . . . . . . . .
3.1.1 Exemplo de Aplicacao . . . . . . . . . . . .
3.2 Ordem de Convergencia . . . . . . . . . . . . . . .
3.3 Metodos Iterativos para Resolucao de Equacoes . .
3.4 Metodos de Quebra . . . . . . . . . . . . . . . . . .
3.4.1 Metodo da Biseccao . . . . . . . . . . . . .
3.4.2 Metodo da Falsa Posicao . . . . . . . . . . .
3.5 Metodos de Ponto Fixo . . . . . . . . . . . . . . . .
3.5.1 Metodo da Iteracao Linear . . . . . . . . . .
3.5.2 Exerccios . . . . . . . . . . . . . . . . . . .
3.6 Metodo de Newton . . . . . . . . . . . . . . . . . .
3.6.1 Exemplo 1 . . . . . . . . . . . . . . . . . . .
3.6.2 Exemplo 2 . . . . . . . . . . . . . . . . . . .
3.6.3 Detalhes do Metodo de Newton . . . . . . .
3.6.4 Convergencia do Metodo de Newton . . . .
3.6.5 Problemas com o Metodo de Newton . . . .
3.6.6 Exerccios . . . . . . . . . . . . . . . . . . .
3.7 Metodos de M
ultiplos Passos . . . . . . . . . . . . .
3.7.1 Metodo das Secantes . . . . . . . . . . . . .
3.7.2 Breve Introducao `a Interpolacao Polinomial
3.7.3 Metodo de M
uller . . . . . . . . . . . . . . .
3.8 Aceleracao de Aitken . . . . . . . . . . . . . . . . .
3.9 Exerccios . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
33
33
34
36
37
38
38
44
48
52
55
56
57
57
58
59
61
62
62
62
65
68
69
71
4 Resolu
c
ao de Sistemas de Equa
c
oes Lineares
4.1 Revisao . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Erros Computacionais na Solucao de Ax = b . . . . . . .
4.2.1 Tipos de Algoritmos . . . . . . . . . . . . . . . .
4.2.2 Tipos de Erros Computacionais nos Algoritmos .
4.3 Etapas da Solucao de Sistemas Lineares . . . . . . . . .
4.3.1 Primeira Etapa: Descomplexificacao . . . . . . .
4.3.2 Segunda Etapa: Os Algoritmos e Suas Estruturas
4.4 Metodo de Eliminacao de Gauss . . . . . . . . . . . . . .
4.4.1 Exemplo 1 (Metodo de Gauss) . . . . . . . . . . .
4.4.2 Exemplo 2 (Metodo de Gauss) . . . . . . . . . . .
4.4.3 Exemplo 3 (Metodo de Gauss) . . . . . . . . . . .
4.5 Instabilidade Numerica . . . . . . . . . . . . . . . . . . .
4.5.1 Exemplo de Instabilidade Numerica . . . . . . . .
4.6 Algoritmo de Gauss com Pivotamento . . . . . . . . . . .
4.7 Condicionamento de uma Matriz . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
77
77
84
84
85
85
86
89
89
92
94
95
96
96
97
99
iv
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4.8
4.9
4.10
4.11
4.12
4.13
4.14
4.15
4.16
4.7.1 Exemplo 1 . . . . . . . . . . . . . . . . . . . . . . . .
4.7.2 Exemplo 2 . . . . . . . . . . . . . . . . . . . . . . . .
4.7.3 Exemplo 3 . . . . . . . . . . . . . . . . . . . . . . . .
4.7.4 Visao Geometrica do Condicionamento . . . . . . . .
4.7.5 Calculo do Condicionamento de uma Matriz . . . . .
4.7.6 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . .
4.7.7 Propriedades da Condicionamento de Matrizes . . . .
Refinamento da Solucao para o Metodo de Gauss . . . . . .
4.8.1 Descricao do Metodo . . . . . . . . . . . . . . . . . .
4.8.2 Geracao de Aproximacoes . . . . . . . . . . . . . . .
4.8.3 Algoritmo . . . . . . . . . . . . . . . . . . . . . . . .
4.8.4 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . .
4.8.5 Analise do Condicionamento Atraves do Refinamento
Equacionamento Matricial: Eliminacao Gaussiana de Forma
Compacta . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Decomposicao LU . . . . . . . . . . . . . . . . . . . . . . . .
4.10.1 Substituicao Direta . . . . . . . . . . . . . . . . . . .
4.10.2 Retrosubstituicao . . . . . . . . . . . . . . . . . . . .
4.10.3 Obtendo LU sem Permutacoes . . . . . . . . . . . . .
4.10.4 Problemas do Nao-Pivoteamento . . . . . . . . . . .
4.10.5 Representando as Matrizes LU em Uma Matriz . . .
4.10.6 O Vetor de Pivoteamento . . . . . . . . . . . . . . .
4.10.7 Decomposicao LU com Pivoteamento . . . . . . . . .
4.10.8 Metodo de Crout . . . . . . . . . . . . . . . . . . . .
Decomposicao de Cholesky . . . . . . . . . . . . . . . . . . .
Metodo de Gauss-Jordan . . . . . . . . . . . . . . . . . . . .
Metodo de Gauss-Jordan . . . . . . . . . . . . . . . . . . . .
Singular Value Decomposition (SVD) . . . . . . . . . . . . .
4.14.1 SVD de uma Matriz Quadrada . . . . . . . . . . . .
4.14.2 Determinando o Espaco Gerado e o Espaco Nulo . .
4.14.3 Exemplo 1 . . . . . . . . . . . . . . . . . . . . . . . .
4.14.4 Exemplo 2 . . . . . . . . . . . . . . . . . . . . . . . .
4.14.5 Consideracoes Finais sobre Decomposicao SVD . . .
4.14.6 Visao Geometrica da Decomposicao SVD . . . . . . .
4.14.7 Analise dos Componentes Principais . . . . . . . . .
Metodos Iterativos . . . . . . . . . . . . . . . . . . . . . . .
4.15.1 Metodo de Jacobi . . . . . . . . . . . . . . . . . . . .
4.15.2 Metodo de Gauss-Seidel . . . . . . . . . . . . . . . .
4.15.3 Visao Geometrica do Metodo Iterativo . . . . . . . .
4.15.4 Condicoes de Convergencia dos Metodos Iterativos .
Metodo do Gradiente Conjugado . . . . . . . . . . . . . . .
v
.
.
.
.
.
.
.
.
.
.
.
.
.
99
99
100
100
100
104
104
105
105
105
108
108
109
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
110
114
114
115
116
118
118
118
119
121
123
125
127
128
129
130
130
131
132
132
135
140
141
143
144
147
147
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
151
151
152
153
156
157
5 Sistemas de Equa
c
oes N
ao-Lineares, Otimizac
ao e Mnimos
Quadrados
165
5.1 Sistemas de Equacoes Nao-Lineares . . . . . . . . . . . . . . . 165
5.1.1 Matriz de Derivadas . . . . . . . . . . . . . . . . . . . 166
5.1.2 Linearizacao . . . . . . . . . . . . . . . . . . . . . . . . 166
5.1.3 Aplicacao: Circuito Estatico Nao-Linear . . . . . . . . 167
5.1.4 Algoritmo de Newton . . . . . . . . . . . . . . . . . . . 169
5.1.5 Convergencia do Metodo de Newton . . . . . . . . . . 171
5.2 Minimizacao Irrestrita . . . . . . . . . . . . . . . . . . . . . . 172
5.2.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . 173
5.2.2 Condicoes de Otimalidade para Problemas com uma
Variavel . . . . . . . . . . . . . . . . . . . . . . . . . . 173
5.3 Minimizacao de Funcoes de uma Variavel: Metodo de Newton 178
5.3.1 Interpretacao de uma Iteracao . . . . . . . . . . . . . . 178
5.3.2 Uma Segunda Interpretacao . . . . . . . . . . . . . . . 179
5.4 Metodo de Newton com Retrocesso (Backtracking) para
Funcoes Convexas . . . . . . . . . . . . . . . . . . . . . . . . . 180
5.4.1 Convergencia do Metodo de Newton com Retrocesso . 181
5.5 Algoritmo de Newton para Minimizacao de Funcoes Nao Convexas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
5.6 Mnimos Quadrados e Ajuste de Curvas . . . . . . . . . . . . . 182
5.6.1 Solucao por Mnimos Quadrados . . . . . . . . . . . . 183
5.6.2 Ajuste de Curvas . . . . . . . . . . . . . . . . . . . . . 184
5.6.3 Ajuste de Curvas: Um Problema de Mnimos Quadrados185
5.6.4 Exemplo: Ajuste de Polinomios . . . . . . . . . . . . . 185
5.6.5 Exemplo: Ajuste de Curva . . . . . . . . . . . . . . . . 186
5.6.6 Identificacao de Sistemas . . . . . . . . . . . . . . . . . 186
5.6.7 Estimacao por Meio de Mnimos Quadrados . . . . . . 190
5.6.8 Identificacao do Sistema Motor Taco-Gerador . . . . . 190
5.6.9 Resolucao de Problemas de Mnimos Quadrados . . . . 195
5.7 Sistemas de Equacoes Lineares Sub-Dimensionados . . . . . . 201
5.7.1 Interpretacao Geometrica . . . . . . . . . . . . . . . . 202
5.7.2 Calculando a Solucao de Menor Norma . . . . . . . . . 202
5.7.3 Problemas de Minimizacao de Normas . . . . . . . . . 203
vi
do que Equacoes
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
204
210
211
211
6 Revis
ao de Polin
omios
219
6.1 Enumeracao de Razes . . . . . . . . . . . . . . . . . . . . . . 221
6.1.1 Enumeracao das Razes de Uma Equacao Polinomial . 221
6.1.2 Enumeracao das Razes Complexas . . . . . . . . . . . 222
6.2 Localizacao das Razes . . . . . . . . . . . . . . . . . . . . . . 225
6.2.1 Localizacao das Razes Reais de Uma Equacao Polinomial225
6.3 Localizacao das Razes Complexas de Uma Equacao Polinomial227
6.4 Separacao das Razes de Uma Equacao Polinomial . . . . . . . 229
6.5 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
7 Integrac
ao Num
erica
233
7.1 O Problema da Integracao Numerica . . . . . . . . . . . . . . 233
7.2 Objetivo da Integracao Numerica . . . . . . . . . . . . . . . . 234
7.2.1 Filosofias Basicas . . . . . . . . . . . . . . . . . . . . . 234
7.3 Formulas Newtonianas . . . . . . . . . . . . . . . . . . . . . . 236
7.3.1 Consideracoes Iniciais . . . . . . . . . . . . . . . . . . . 236
7.3.2 Regra dos Retangulos . . . . . . . . . . . . . . . . . . . 236
7.3.3 Regra dos Trapezios . . . . . . . . . . . . . . . . . . . 238
7.3.4 Regra de Simpson . . . . . . . . . . . . . . . . . . . . . 239
7.3.5 Formula Geral das Regras Newtonianas . . . . . . . . . 241
7.3.6 Exemplo 1 . . . . . . . . . . . . . . . . . . . . . . . . . 242
7.3.7 Exemplo 2 . . . . . . . . . . . . . . . . . . . . . . . . . 243
7.3.8 Exemplo 3 . . . . . . . . . . . . . . . . . . . . . . . . . 244
7.4 Estimativas de Erros . . . . . . . . . . . . . . . . . . . . . . . 244
7.4.1 Erro de Truncamento na Regra dos Trapezios Simples . 245
7.4.2 Erro de Truncamento na Regra dos Trapezios Composta246
7.4.3 Estimacao Numerica do Erro de Truncamento da Regra dos Trapezios . . . . . . . . . . . . . . . . . . . . . 248
7.5 Quadratura Gaussiana . . . . . . . . . . . . . . . . . . . . . . 249
7.5.1 Regra de Gauss de Primeira Ordem . . . . . . . . . . . 251
7.5.2 Regra de Gauss de Segunda Ordem . . . . . . . . . . . 251
7.5.3 Exemplo de Aplicacao . . . . . . . . . . . . . . . . . . 252
7.5.4 Quadratura de Ordem Superior . . . . . . . . . . . . . 254
7.6 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
7.7 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
vii
8 Resolu
c
ao Num
erica de Equa
c
oes Diferenciais Ordin
arias
8.1 Modelagem com Equacoes Diferenciais . . . . . . . . . . . .
8.1.1 Circuito RC . . . . . . . . . . . . . . . . . . . . . . .
8.1.2 Circuito RLC . . . . . . . . . . . . . . . . . . . . . .
8.1.3 Supensao de Automovel (Simplificada) . . . . . . . .
8.1.4 Sistema de Massas Acopladas . . . . . . . . . . . . .
8.1.5 Motor de Corrente Contnua . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
A Fundamentos Matem
aticos
A.1 Limites e Continuidade . . . . . . .
A.2 Diferenciacao . . . . . . . . . . . .
A.2.1 Aplicacao de Diferenciacao .
A.3 Teorema do Valor Medio . . . . . .
A.4 Maximos e Mnimos . . . . . . . .
A.5 Introducao a Equacoes Diferenciais
A.6 Vetores . . . . . . . . . . . . . . . .
A.6.1 Produto Interno . . . . . . .
A.6.2 Projecoes . . . . . . . . . .
A.6.3 Produto Cruzado . . . . . .
A.7 Calculo Vetorial . . . . . . . . . . .
A.8 Funcoes de M
ultiplas Variaveis . .
A.8.1 Exemplos . . . . . . . . . .
A.8.2 Superfcies . . . . . . . . . .
A.8.3 Elipsoide . . . . . . . . . . .
A.8.4 Derivadas Parciais . . . . .
A.8.5 Diferenciacao e Gradiente .
297
. 297
. 299
. 302
. 303
. 304
. 304
. 311
. 312
. 314
. 316
. 317
. 319
. 319
. 319
. 319
. 320
. 321
viii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
261
262
262
263
266
268
269
270
272
277
278
279
280
280
282
283
283
284
285
286
286
288
. 321
. 321
. 322
. 323
. 324
. 324
B Exemplos de C
odigo Matlab
325
B.1 Captulo 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325
B.1.1 Figura 3.2 . . . . . . . . . . . . . . . . . . . . . . . . . 325
B.1.2 Metodo de Ponto Fixo para Funcao f (x) = x2 /10 x + 1326
B.1.3 Algoritmo da Biseccao . . . . . . . . . . . . . . . . . . 326
C Exerccios Resolvidos
329
ix
Lista de Figuras
1.1
1.2
1.3
1.4
Algoritmo de Ordenacao . . . . . . . . . . . . . . . . . . . .
Exemplo de funcao para a qual o algoritmo de Newton pode
iterar indefinidamente . . . . . . . . . . . . . . . . . . . . .
Seq
uencia de iterandos gerados pelo algoritmo de Newton. .
Passos para solucao de um problema. . . . . . . . . . . . .
2.1
2.2
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
3.10
3.11
3.12
3.13
3.14
3.15
3.16
3.17
3.18
3.19
3.20
3.21
3.22
xi
. 7
. 8
. 10
.
.
.
.
.
.
35
35
38
39
41
41
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
44
45
47
47
48
52
53
53
54
55
56
58
61
62
63
65
. 66
. 67
. 70
. 74
. 75
. 81
. 82
.
.
.
.
.
86
88
89
90
91
.
.
.
.
.
101
101
102
102
107
. 110
. 111
. 111
. 133
. 134
. 134
.
.
.
.
.
136
137
138
139
142
. 145
146
151
152
153
154
155
155
156
161
. 168
. 171
. 172
. 173
. 177
. 179
. 180
. 181
.
.
.
.
.
.
.
.
.
183
187
187
188
188
189
189
191
192
. 193
. 194
. 195
7.1
7.2
7.3
7.4
7.5
7.6
Comportamento de integrais
Regras dos retangulos . . . .
Regra simples do trapezio .
Regra composta do trapezio
Regra de Simpsom . . . . .
Cancelamento de erros . . .
.
.
.
.
.
.
.
.
.
.
.
.
257
258
258
258
259
259
8.1
8.2
8.3
8.4
8.5
8.6
8.7
8.8
8.9
8.10
8.11
8.12
8.13
8.14
Circuito RC . . . . . . . . . . . . . . . . . . . . . . . . . . .
Curva de descarga do capacitor em um circuito RC . . . . .
Circuito RLC . . . . . . . . . . . . . . . . . . . . . . . . . .
Resposta do circuito RLC a entrada u(t) = 0. . . . . . . . .
Suspensao de automovel simplificada . . . . . . . . . . . . .
Sistema de duas massas acopladas . . . . . . . . . . . . . . .
Motor de corrente contnua (CC) controlado pela armadura .
Satelite em orbita . . . . . . . . . . . . . . . . . . . . . . . .
Veculo com pendulo invertido . . . . . . . . . . . . . . . . .
Ilustracao de uma primitiva F (x) . . . . . . . . . . . . . . .
Metodo de Euler . . . . . . . . . . . . . . . . . . . . . . . .
Circuito eletrico . . . . . . . . . . . . . . . . . . . . . . . .
Sistema mecanico . . . . . . . . . . . . . . . . . . . . . . .
Sistema mecanico de dois pendulos . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
263
263
265
266
268
269
270
272
272
281
282
289
291
292
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
xv
xvi
Lista de Tabelas
2.1
2.2
2.3
2.4
2.5
Operacoes Aritmeticas . . . . . . . . . . . . . . . . . . . . .
Operacoes Aritmeticas . . . . . . . . . . . . . . . . . . . . .
Elementos do sistema de ponto flutuante F (2, 3, 1, 2) . . .
Aproximacoes do n
umero . . . . . . . . . . . . . . . . . .
x
Aproximacoes de e obtidas com f (x) para x > 0 e com f (x)
e 1/f (x) para x < 0. . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
3.1
3.2
3.3
3.4
3.5
3.6
.
.
.
.
.
.
.
.
.
.
.
.
40
46
55
57
58
59
4.1
4.2
4.3
4.4
4.5
.
.
.
.
.
.
.
.
.
.
141
143
144
150
150
7.1
7.2
7.3
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
de Newton
de Newton
.
.
.
.
.
12
12
14
22
. 25
xvii
xviii
Nota
c
ao
xix
xx
Captulo 1
Introduc
ao ao Estudo da
Matem
atica Num
erica
1.1
Matem
atica Simb
olica: busca a solucao analtica de problemas matematicos, por exemplo, a solucao analtica da integral:
Z
x3
x2 dx =
3
Matem
atica Gr
afica: trabalha com modelos graficos buscando solucao na
forma grafica.
Matem
atica Intervalar: trata dados na forma de intervalos, buscando
controlar os limites de erro da matematica numerica.
Nesta disciplina nos concentramos na matematica numerica, onde estudamos processos numericos para a resolucao de problemas visando a maxima
economia e confiabilidade em termos de fatores envolvidos, tais como:
tempo de execucao
memoria utilizada
erros de arredondamento
1.2
Algoritmos
Informalmente, um algoritmo e um procedimento computacional bem definido que toma um valor (ou seq
uencia de valores) como entrada e produz um
valor (ou seq
uencia de valores) como sada. Um algoritmo pode ser visto como
uma ferramenta para resolver um problema computacional bem-definido, ou
seja, um problema cuja especificacao nos da em termos gerais a relacao desejada entre entrada e sada. Se espera que os passos de um algoritmo sejam
executados no maximo um n
umero finito de vezes, mas por questoes praticas,
se deseja que este n
umero seja o menor possvel e bem-comportado.
1.2.1
O Problema da Ordena
c
ao
Algoritmo de Ordena
c
ao
(a1 , a2 , . . . , an )
SORT
(a1 , a2 , . . . , an )
An
alise do Algoritmo de Ordena
c
ao:
Execu
c
ao
Tempo de
5
6
7
Custo
c1
c2
c3
c4
A[i + 1] A[i]
c5
ii1
c6
A[i + 1] key
c7
Repeticoes
n
n1
n1
n
P
tj
n
P
j=2
(tj 1)
j=2
n
P
(tj 1)
j=2
n1
Caso M
edio: ha tambem o caso medio, que pode ser encontrado sendo
a media em uma distribuicao das probabilidades de entrada.
An
alise do Algoritmo de Ordena
c
ao: Ordem de Crescimento
A ordem de crescimento pode ser vista como a taxa de crescimento do
tempo de execucao em relacao ao tamanho da entrada. Logo, consideramos
o termo dominante da formula T (n) = an2 + bn + c, uma vez que os termos
de menor ordem sao insignificantes para entradas grandes. Dizemos que o
tempo de execucao e (n2 ).
1.3
Algoritmos Num
ericos
Da mesma forma que a solucao numerica de equacoes lineares e fundamental `a solucao de equacoes nao-lineares, algoritmos numericos sao fundamentais `a solucao de diversos problemas encontrados em engenharia, como a
identificacao de sistemas, tratamento de sinais e simulacao. Abaixo seguem
as caracterticas desejadas dos algoritmos.
1.3.1
Inexist
encia do Erro L
ogico
b
a
Algoritmo correto:
Equa
c
ao-Linear(a, b)
1: if a = 0 then
2:
if b = 0 then
3:
Imprima identidade
4:
else
5:
Imprima contradicao
6:
end if
7: else
8:
Retorne x = ab
9: end if
1.3.2
Inexist
encia do Erro Operacional
Se temos valores y tais que |y| < t1 dizemos que ocorreu underflow ou se
|y| > t2 dizemos que ocorreu overflow.
p
Considere o problema computacional no qual procuramos |z| = x2 + y 2 .
Se implementarmos diretamente a formula acima dependendo
dos valores x
p
2
2
2
ou y, podemos ter overflow em x ou y , embora valha x + y 2 < t2 .
O algoritmo abaixo procura contornar estes problemas de overflow.
Norma-Vetorial(x, y)
1: if x = y = 0 then
2:
z=0
3: else
4:
if |x| > |y|
qthen
2
5:
z = |x| 1 + xy
6:
else
r
7:
z = |y|
1+
x
y
8:
end if
9: end if
10: Retorne z
1.3.3
Quantidade Finita de C
alculos
se x > 0
sign(x) = 1
sign(x) = 0
se x = 0
sign(x) = 1 se x < 0
6
f(x) = sqrt(x)
2
x(1) = x(n1) = x(n+1)
0
x(0)=x(2)=x(n)
4
f(x) = sqrt(x)
6
10
20
15
10
5
0
5
10
15
20
Grfico da Funo f(x) = sqrt(x) / x > 0 e f(x) = sqrt(x) / x < 0
0.8
0.6
Raiz Aproximada
0.4
0.2
0.2
0.4
0.6
0.8
10
Iteracao
12
14
16
18
20
1.3.4
Exist
encia de um Crit
erio de Exatid
ao
1.3.5
Independ
encia da M
aquina
1.3.6
Com Precis
ao Infinita, os Limites de Erro Devem
Convergir para Zero
sin()
1: x = 0 1
2: Retorne {, x}
O algoritmo acima e insensvel `a precisao da maquina e, portanto, nao
satisfaz o criterio desejado.
1.3.7
Efici
encia
xj
,
j = 1, . . . , n.
1.4
10
Problema
Modelagem
Simplificacao
Resultados de
Ciencias Vizinhas
Truncamento das
Iteracoes
Escolha de
Par
ametros
Escolha de
Metodos
d
Medicoes
1.4.1
Refer
encias
Captulo 2
Introduc
ao `
a Aritm
etica de
M
aquina
Neste captulo trataremos da representacao aproximada de n
umeros reais
em notacao digital nas maquinas computacionais. Serao definidos sistema
de ponto flutuante, funcoes de arredondamento e tipos de erros que surgem
com arredondamentos. Discutiremos a diferenca entre precisao e exatidao.
Tambem serao apresentadas questoes relativas `a instabilidade de algoritmos
e de problemas.
2.1
N
umeros reais sao aproximados por n
umeros racionais em maquinas digitais de precisao finita (n
umero de dgitos limitados), incorrendo erros que
podem ser amplificados `a medida que operacoes aritmeticas sao executadas.
Devemos, portanto, entender como n
umeros sao representados no computador e a maneira com que as operacoes sao executadas. Tal conhecimento
servira de base para analise e depuracao de algoritmos, bem como validacao
de resultados obtidos atraves de metodos numericos.
12
Exemplo:
Vamos utilizar varias maquinas para calcular a expressao abaixo:
H
X
Y
E
F
G
=
=
=
=
=
=
1/2
2/3 H
3/5 H
(X + X + X) H
(Y + Y + Y + Y + Y ) H
F/E
(2.1)
Os resultados destas operacoes nas maquinas HP-25, SR-50, PCRII, IBM4341, e Matlab (IBM-PC) aparecem na Tabelas 2.1 e 2.2. Podemos observar
que os resultados variam significativamente, dependendo da capacidade de
representacao destas maquinas.
Tabela 2.1: Operacoes Aritmeticas
HP 25
SR50
PCRII
H = 0.5
H = 0.5
H = 0.5
X = 0.166666667 X = 0.166666667 X = 0.166666667
Y = 0.1
Y = 0.1
Y = 0.1
E = 1010
E = 2 1013
E = 1010
F =0
F =0
F =0
G = nd
G = nd
G = nd
13
Defini
c
ao 2.1 Um x R e dito n
umero de ponto flutuante normalizado se
valerem:
1) x = m be
2) m = 0 d1 d2 . . . dn , n N
3) 1 6 d1 6 b 1 e 0 6 dj 6 b 1, j = 2, . . . , n
4) e1 6 e 6 e2 , sendo e1 6 0, e2 1, e1 , e2 Z
onde:
b e chamado de base, b 2
e e chamado de expoente, e1 e o menor expoente e e2 e o maior expoente
m e chamado de mantissa
n e o n
umero maximo de dgitos usados na representacao do n
umero
dj , j = 1, . . . , n, s
ao os dgitos do n
umero
Defini
c
ao 2.2 A uni
ao de todos os n
umeros de ponto flutuante com o
ZERO, que e representado na seguinte forma: 0 = 0.0000 . . . 0 be1 e chamado de sistema de ponto flutuante. Usualmente, procuramos representar
um sistema de ponto flutuante por F = F (b, n, e1 , e2 ), onde e1 e e2 s
ao respectivamente o menor e o maior expoente, b e a base e n e a precis
ao.
Alguns exemplos de sistemas de ponto flutuante:
1) HP25, F (10, 9, 98, 100)
2) IBM 360/370, F (16, 6, 64, 63)
3) B6700, F (8, 13, 51, 77)
Algumas propriedades de sistemas de ponto flutuante sao:
Menor n
umero em m
odulo: 0.1 be1
Maior n
umero: 0.[b 1][b 1] . . . [b 1] be2
Cardinalidade de F = F (b, n, e1 , e2 ) : #F = 2(b1)(bn1 )(e2 e1 +1)+1,
que pode ser obtido adicionando-se as parcelas:
O n
umero de mantissas positivas e dado por (b 1)(bn1 )
14
15
7
2
5
2
5
4
1
2
3
4
1
4
1
2
1
7
8
5
8
5 7
16 16
1
4
3
4
1
2
0
3
8
5
4
3
8
1
5
8
7
4
3
2
5
2
7
2
7
8
3
y= ,
8
3
e z= ,
4
16
entao:
(x y) z = ((0.101 20 ) (0.110 21 )) (0.110 20 )
= (0.101 0.011) 0.110
= 1.0 0.110 = 1.11
x (y z) =
=
=
=
Logo (x y) z = x (y z)
Exemplo:
Para o sistema de ponto flutuante F = F (2, 3, 1, 2), seja
7
x= ,
8
5
y= ,
4
3
e z= ,
8
2.1.1
Exerccios
17
Questoes:
(a) Qual e cardinalidade de cada um destes sistemas?
(b) Qual e o menor n
umero em modulo que pode ser representado?
(c) Qual e o maior n
umero em modulo?
(d) Qual e a regiao de overflow?
(e) Qual e a regiao de underflow?
iii. Em um sistema de ponto flutuante F = F (2, 3, 1, 2), seja x = 0.110
21 , y = 0.101 21 e z = 0.100 21 . Calcule (x y) z e (x z) y,
utilizando o sistema F e truncamento.
iv. Para o sistema de ponto flutuante F = F (2, 3, 1, 2), encontre x, y, z
F tal que x (y z) 6= (x y) (x z).
2.2
Arredondamentos
Tipos de arredondamento
Arredondamento para cima ou por excesso: x
Arredondamento para baixo ou por falta: x
Arredondamento para o n
umero de maquina mais proximo: ox
18
Exemplo
/ F,
Seja F = F (2, 3, 1, 2) o sistema de ponto flutuante. O n
umero 89
pois:
9
= (1.125)10 = (0.1001 21 )2 .
8
Podemos arredondar 98 para (0.100 21 )2 = (1.0)10 ou para (0.101 21 )2 =
( 45 )10 = (1.25)10 . No primeiro caso, temos ( 89 ) = (0.100 21 ), ja no segundo
caso temos ( 98 ) = (0.101 21 )
Exemplo:
Seja F = F (10, 4, 98, 10) o sistema de ponto flutuante, e sejam:
x = 0.333333
y = 0.348436
z = 0.666666
Entao obtemos os seguintes n
umeros para os diferentes arredondamento:
(x) = 0.3333
(x) = 0.3334
ox = 0.3333
(y) = 0.3484
(y) = 0.3485
oy = 0.3484
(z) = 0.6666
(z) = 0.6667
oz = 0.6667
Defini
c
ao 2.4 Um arredondamento 2 : R F e dito por falta se valer:
x R, 2(x) 6 x.
Defini
c
ao 2.5 Um arredondamento 2 : R F e dito por excesso se valer:
x R, 2(x) x.
Defini
c
ao 2.6 Um arredondamento e dito monot
onico se valer: x, y
R, x 6 y 2(x) 6 2(y).
Note que (x) e um arredondamento monotonico por falta, enquanto
(x) e um arredondamento monotonico por excesso.
2.3
Erros
Toda vez que executamos um arredondamento que nao admite uma representacao exata em F , cometemos um erro. Ha varias causas de erro. Aqui
vamos estudar tres tipos de erro:
19
Erros Inerentes: aparecem na criacao ou simplificacao de um modelo matematico de determinado sistema (erros na medicao, identificacao).
Erros de Discretizac
ao: erros cometidos quando se substitui qualquer
processo infinito por um processo finito ou discreto como, por exemplo:
X
1
e=
i!
i=0
|2(x)x|
|x|
ou ER =
|2(x)x|
|2(x)|
20
onde: B e o maior n
umero em modulo do sistema de ponto flutuante F , e
1 1n
b , no caso de x = ox
2
=
b1n , no caso de 2x = x
O teorema acima so e valido quando x esta dentro do espectro de representacao de F , ou seja, be1 1 6 |x| 6 B . No caso de underflow |x| < be1 1
ou overflow |x| > B , nao e possvel de se obter cotas acima para erro relativo.
2.4
4 dgitos significativos
5 dgitos significativos
2 dgitos significativos
Defini
c
ao 2.10 Um dgito significativo e exato se, arredondando-se o
n
umero aproximado para uma posicao imediatamente ap
os aquela posicao
do dgito, isso fizer com que o erro absoluto n
ao seja maior do que a meia
unidade naquela posicao do dgito. Abreviamos o dgito significativo exato
por DIGSE.
Exemplo Os n
umeros 0.66667 e 0.666998 sao aproximacoes para 23 . No
entanto, todos os dgitos significativos do primeiro sao exatos, enquanto no
segundo so os tres primeiros. Abaixo calculamos os dgitos significativos
exatos de cada aproximacao.
Primeiro Caso: 0.66667
primeiro dgito |0.66 0.6666 . . . |
segundo dgito |0.666 0.6666 . . . |
terceiro dgito |0.6666 0.6666666 . . . |
..
.
quinto dgito
= | 0.006666 . . . |
< 0.05
= | 0.0006666 . . . | < 0.005
= | 0.00006666 . . . | < 0.0005
21
2.4.1
Exerccios
2.5
Precis
ao e Exatid
ao de M
aquinas Digitais
Defini
c
ao 2.11 (Epsilon
de maquina) O epsilon da maquina e o menor
n
umero de ponto flutuante tal que:
1 + > 1.
Defini
c
ao 2.12 A precis
ao de uma maquina digital e definida como o
n
umero de dgitos da mantissa dessa maquina.
Defini
c
ao 2.13 Exatidao e uma medida de perfeicao do resultado.
22
|xj+1 xj |
DIGSE(xj , xj+1 ) = 0.3 + log( +
)
|xj |
2 = 1.414213562 . . ..
23
Exerccios
i. Podemos afirmar que um resultado exato tambem e preciso? Podemos
afirmar o oposto?
ii. Reproduza os valores da Tabela 2.4 utilizando uma plataforma para
computacao numerica como, por exemplo, Octave ou Matlab.
2.6
Instabilidade
2.6.1
Exemplo 1: func
ao e x
A instabilidade de algoritmos pode ser ilustrada atraves do exemplo de se
calcular a constante de Euler. Vamos calcular e e e5.5 pela serie de Taylor.
Dado que:
ex = 1 + x +
x2 x3 x4
+
+
+ ...
2
3!
4!
(2.2)
Comparando agora com e5.5 dado por uma calculadora, temos que:
e5.5 = 0.004 086 714 39,
portanto, o erro relativo e 0.35 que e bem maior que o erro anterior.
24
ln =
= 1 nln1 , n = 2, 3, . . .
(2.3)
25
Tabela 2.5: Aproximacoes de ex obtidas com f (x) para x > 0 e com f (x) e
1/f (x) para x < 0.
x
-40
-20
-10
-5
-2
-1
0
1
2
5
10
20
f (x)
50.810
4.1736e-009
4.5400e-005
6.7379e-003
0.13534
0.36788
1.0000
2.7183
7.3891
1.4841e+002
2.2026e+004
4.8517e+008
1/f (x)
4.2484e-018
2.0612e-009
4.5400e-005
6.7379e-003
0.13534
0.36788
ex (Matlab)
4.2484e-018
2.0612e-009
4.5400e-005
6.7379e-003
0.13534
0.36788
1.0000
2.7183
7.3891
1.4841e+002
2.2026e+004
4.8517e+008
|ex f (x)|/ex
10e020
102.48
7.2342e-007
2.1369e-011
4.1018e-014
3.0179e-014
0.0000
0.0000
2.4040e-014
1.9150e-014
3.3033e-014
2.4571e-014
xex1 dx
Z
x1 1
= [xe ]0
l1 =
ex1 dx
0
= 1 e0 0 e1 [ex1 ]10
= 1 e0 + e1
= 1/e.
Usando F = F (10, 6, 98, 99), temos os seguintes valores:
l1
l2
l3
l4
l5
0.367
0.264
0.207
0.170
0.145
879
242
274
904
480
l6
l7
l8
l9
0.127 120
0.110 160
0.118 720
0.068 480
26
1 ln
,
n
n = . . . , 4, 3, 2.
(2.4)
0
0.050
0.050
0.052
0.055
0.059
000
000
777
719
017
l14
l13
l12
l11
l10
l9
0
0
8
0
6
1
21
0.062
0.066
0.071
0.077
0.083
0.091
732
947
773
352
877
612
temos:
1
1
E19 = 20
21
1
1
E18 = 19
20
..
..
.
.
E15 = 4 108 .
1
21
= 0.0024
= 0.00012
2
7
3
3
1
3.
27
0.100
0.112
0.126
0.145
932
383
802
532
0
5
4
0
l4
l3
l2
l1
0.170
0.207
0.264
0.367
893
276
241
879
4
7
1
5
Exemplo 3
Vamos agora considerar o problema de calcular a media aritmetica de
dois n
umeros a e b.
Algoritmo 1
1) Entrada(a, b)
2) s a + b
3) m 2s
4) Sada(m)
Algoritmo 2
1) Entrada(a, b)
2) s1 a2
3) s2 2b
4) m s1 + s2
5) Sada(m)
Algoritmo 3
1) Entrada(a, b)
2) d1 a b
3) d1 d21
4) m d1 + b
5) Sada(m)
Exerccios
i. Utilizando a expansao de Taylor de 15a para a funcao exponencial,
conforme equacao (2.2), obtenha as entradas da Tabela 2.5. Utilize uma
plataforma para computacao numerica tal como Matlab ou Octave.
ii. Calcule ln , n = 1, . . . , 15, utilizando as expressoes (2.3) e (2.4).
2.7
Instabilidade de Problemas
28
Estavel
Inst
avel
Exemplo
Consideremos entao o problema de encontrar as razes do polinomio:
p(x) = x20 210x19 + . . .
= (x 1)(x 2)(x 3) . . . (x 19)(x 20)
= 0.
(2.5)
= 1.000
= 1.999
= 3.000
= 3.999
= 5.000
= 5.999
= 7.000
= 7.993
000
999
000
999
000
993
303
025
000
999
000
999
072
056
398
044
111 1.149
789 2.123
612 2.775
032 2.548
271 1.039
333
455
365
942
017
128i
162i
983i
153i
467i
29
Note que um termo da equacao mudou de 210x19 para 210x19 + 223 x19 ,
ou seja, uma mudanca no vigesimo dgito da base 2 de um dos coeficientes.
Apesar desta pequena perturbacao, o resultado e completamente inesperado
e as mudancas nas razes sao grandes. A razao desta mudanca drastica nao e
o arredondamento nem o algoritmo e sim um problema de condicionamento.
Ha certos problemas que, quando sofrem alteracao nos dados de entrada,
tem na sua resposta uma pequena diferenca proporcional, enquanto outros
mostram grande variacao no resultado mesmo com uma pequenssima alteracao nos dados de entrada. Os primeiros problemas sao ditos bem condicionados e os segundos sao ditos mal condicionados. A nocao de problemas
bem e mal condicionados sera elaborada na parte de solucao de sistemas de
equacoes lineares.
2.8
Exerccios
30
=
=
=
=
(
(
(
(
)10
)10
)2
)2
= (1043.625)10
= (0.0000415)10
= (213.013)4
= (0.00101)2
31
32
Captulo 3
Resolu
c
ao de Equaco
es
N
ao-Lineares
3.1
Introduc
ao
Sao funcoes que nao podem ser definidas diretamente atraves de formulas algebricas
como, por exemplo, funcoes exponenciais, logartmicas e trigonometricas.
34
M
etodos de ponto fixo: Comecamos de uma aproximacao inicial x0 e
construmos uma seq
uencia {xj }nj=1 na qual cada termo e dado por
xj+1 = g(xj ), onde g e uma funcao de iteracao. Conforme as propriedades de g, surgem diferentes tipos de metodos de ponto fixo.
M
etodos de m
ultiplos passos: Estes metodos constituem uma generalizacao do anterior onde para determinar um ponto xj+1 utilizamos
varios pontos anteriores: xj , xj1 , . . . , xjp . Com a abordagem iterativa se faz necessario determinar um intervalo inicial, um ou mais pontos para construirmos a seq
uencia {xj } e, mediante certas condicoes,
teremos que a raiz x sera dada por
x = lim xj
j
3.1.1
Exemplo de Aplicac
ao
(3.1)
(3.2)
portanto
g(x)
E
x
+
= 0.
R R
(3.3)
Ex
R
35
y
g(x)
y = g(x)
(E x)/R
30
20
20
f(x)=exp(x)exp(x)
f(x)=exp(x)
10
15
0
10
10
5
0
4
20
2
1.5
1
30
4
0.5
f(x)=exp(x)exp(x)3x
0
0.5
0
0.5
f(x)=cox(x) 1/2
0.5
1
1
1.5
4
1.5
5
Figura 3.2: N
umero de zeros para varias funcoes.
36
3.2
Ordem de Converg
encia
Defini
c
ao 3.2 Seja uma seq
uencia x0 , x1 , . . . que converge para x. Seja ej =
|xj x|. Se existe um n
umero p > 1 e uma constante c 6= 0 tal que
lim
ej+1
=c
epj
ent
ao p e dito ordem de convergencia e c, constante assintotica de erro.
Se p = 1, 2, ou 3, entao a convergencia e dita linear, quadratica ou c
ubica.
Se a seq
uencia x0 , x1 , . . . e produzida por uma funcao onde
xj+1 = (xj , xj1 , . . . , xjm+1 )
entao dizemos que e de ordem m. Quando a convergencia e linear, entao
isto significa que a cada passo do metodo o erro e reduzido (aproximadamente) de um fator constante. Se a convergencia e quadratica, entao o erro
e assintoticamente reduzido do quadrado do erro anterior.
37
Exerccios
Considere as series:
i. xk = 1/k, k = 1, 2, . . .;
ii. xk = 1/2k , k = 1, 2, . . .; e
iii. xk+1 = k xk + , k = 1, 2, . . ., com (0, 1), R e x1 R.
Para cada serie, voce pode afirmar se ela converge? Utilize a definicao de
convergencia para responder a pergunta. Se for convergente, qual e a taxa
de convergencia?
3.3
M
etodos Iterativos para Resolu
c
ao de
Equaco
es
|xj xj1 |
|xj |
< 1
b) |f (xj )| < 2
c) DIGSE(xj , xj1 ) > k
d) i > L
38
(a)
f (x)
x
x
xj
xj1
xj xj1
3.4
M
etodos de Quebra
3.4.1
M
etodo da Bisecc
ao
39
ou seja, f (x) corta o eixo x em pelo menos um ponto de [a, b]. O passos do
algoritmo sao dados a seguir.
Passos Gerais do Algoritmo
1) Calcula-se f (x) no ponto medio de [a, b] : xm =
a+b
2
2) Se f (xm ) 6= 0 (i.e., f (a) f (xm ) < 0 ou f (xm ) f (b) < 0), escolhe-se um
novo intervalo de modo que f tenha sinais opostos nas extremidades
3) Repete-se a partir de (1) ate que tenhamos chegado suficientemente
perto da raiz
Sejam x0 = a e x1 = b dois pontos que definem um intervalo l0 . Da
Figura 3.4 observa-se que f (a) f (xm ) < 0 onde xm = a+b
= x2 . Portanto,
2
determinamos que o intervalo l1 = [x0 , x2 ] contem uma raiz de f (x) = 0.
Mais detalhadamente, o metodo da biseccao pode ser descrito conforme o
algoritmo abaixo. A Figura 3.4 ilustra o funcionamento do algoritmo.
f (x)
I2
I1
I0
Bisec
c
ao(f, a, b, L, 1 , 2 )
1: x0 a, x1 b, i 0
2: f0 f (x0 ), f1 f (x1 )
3: if f0 f1 > 0 then
4:
Sada erro: nao [a, b] nao satisfaz condicoes iniciais
40
5:
6:
7:
8:
9:
10:
11:
12:
13:
14:
15:
16:
17:
18:
19:
20:
21:
22:
23:
24:
25:
26:
27:
28:
A busca de um intervalo inicial [a, b] onde f (a).f (b) < 0 pode ser exemplificada para a funcao f (x) = ex x que esta ilustrada na Figura 3.5.
A partir dos valores de f (x) obtidos na Tabela 3.1, podemos deduzir que o
intervalo inicial [a, b] = [0.5, 1.0] satisfaz a condicao necessaria para aplicacao
do metodo da biseccao. Conforme dados da tabela, podemos fazer a = 0.5 e
b = 1.0 tal que [a, b] contem uma raiz para f (x).
Tabela 3.1: Valores da funcao f (x) = ex x
x
f (x)
0
1
0.5 0.1065
1.0 -0.6321
1.5 -1.2768
2.0 -1.8646
41
y=x
y = ex
x
Observa
c
oes:
1) pode ser difcil encontrar um intervalo inicial, conforme ilustracao da
Figura 3.6; e
2) se ocorrer um erro de arredondamento, mesmo que pequeno, no momento que se avalia o sinal do ponto medio, o intervalo resultante pode
nao conter uma raiz.
(a)
(b)
(c)
42
Ordem de Converg
encia da Bisec
c
ao
Seja x a raiz de f (x). Seja ej = |xj x| o erro da iteracao j. Uma vez
x +x
que xj+1 = j 2 j1 tal que f (xj )f (xj1 ) < 0, temos que
ej+1 6
Logo,
ej+1
1
ej
6
2
ej
2
(3.4)
1
ej+1
=
j ej
2
lim
Indicando ER (xj ) =
|xj xj1 |
|xj1 |
ER (xj )
ER (xj+1 )
> log 2
DIGSE(xj+1 , xj ) DIGSE(xj , xj1 ) + 0.33
43
r =
e a altura otima e:
500
31
500
500 3
h =
=
2 =
1
500 3
3
500
31
= r
0
1 0 0
0
0 1 0
A=
0
0 0 1
4 1 5 1
1
0
0
0
1
0
p() = det
0
0
1
4
1 5 1
44
1
0
0
1
0
0
1 + 4(1)4+1 det 1
p() = (1)1+1 det 0
0
1
1 5 1
= [2 ( 1) + 1 5] 4[1]
= 4 3 + 52 + 4
15
10
10
2
1.5
0.5
0.5
1.5
2.5
3.4.2
M
etodo da Falsa Posic
ao
45
(b a).f (a)
f (b) f (a)
y
(b, f (b))
f (x)
xs
a
I1
(a, f (a))
I0
46
15:
ii+1
16: end while
17: Sada {xS , DIGSE(xS , xa )}
Exemplo 1
A tarefa consiste em encontrar um zero para o polinomio p(x) = x4
2x3 6x2 + 2 onde a = 1 e b = 0. Note que p(a) = 1 e p(b) = 2, portanto
o intervalo inicial satisfaz a condicao necessaria para aplicacao do algoritmo
da falsa posicao. A Tabela 3.2 abaixo ilustra o comportamento do algoritmo
para a seq
uencia dos 5 primeiros iterandos.
i
0
1
2
3
4
5
falsa posicao
f (xS )
+0.123
2.74 102
1.95 104
1.34 106
9.22 109
2.22 1010
Exemplo 2
Aqui vamos aplicar o metodo da falsa posicao para encontrar uma raiz
de f (x) = x4 14x2 + 24x 10. Conforme Figura 3.9 existe uma raiz no
intervalo I = [5, 0]. As Figuras 3.10 e 3.11 ilustram o comportamento do
metodo da falsa posicao nas 8 primeiras iteracoes. O metodo converge para
a raiz x = 4.4593.
Exerccios
i. Considere um metodo de quebra que, ao contrario do metodo da biseccao que testa o ponto medio (x0 + x1 )/2, testa o ponto xs =
(x0 + 3x1 )/4 para fazer a seccao do intervalo [x0 , x1 ] em [x0 , xs ] (se
f (x0 )f (xs ) < 0) ou [xs , x1 ] (se f (xs )f (x1 ) < 0). Implemente este algoritmo em matlab. Compare o desempenho do metodo da biseccao e o
metodo proposto aqui na busca das razes do polinomio caracterstico
p() = 4 3 + 52 + 4.
47
150
400
100
300
50
200
50
100
100
100
150
5
200
5
0
x
iteracao 1
iteracao 2
300
f(x)=x4 14x2 + 24x 10
300
200
100
0
100
200
6
2
x
200
100
0
100
200
6
iteracao 3
300
f(x)=x4 14x2 + 24x 10
iteracao 4
300
200
100
0
100
200
6
2
x
2
x
200
100
0
100
200
6
2
x
48
iteracao 6
300
f(x)=x4 14x2 + 24x 10
300
200
100
0
100
200
6
2
x
200
100
0
100
200
6
iteracao 7
300
f(x)=x4 14x2 + 24x 10
iteracao 8
300
200
100
0
100
200
6
2
x
2
x
200
100
0
100
200
6
2
x
3.5
M
etodos de Ponto Fixo
49
ate que convergencia seja atingida para o ponto fixo x . Note que x =
g(x ) f (x ) = 0. A seguir enunciamos alguns resultados fundamentais
para aplicacao de metodos de ponto fixo.
Teorema 3.1 Seja I = [a, b] um intervalo e g(x) uma funcao satisfazendo:
a) g e contnua em I; e
b) g(I) I.
Entao existe pelo menos um x I tal que g(x ) = x , ou seja, g contem um
ponto fixo no intervalo I.
Prova: Como g(I) I, entao vale
a 6 g(a) 6 b
a 6 g(b) 6 b
Se g(a) = a ou g(b) = b, entao temos um ponto fixo. Se a e b nao sao pontos
fixos, entao g(a) a > 0 e g(b) b < 0. Considere a funcao
F (x) = g(x) x.
Note que F (x) e contnua com F (a) > 0 e F (b) < 0. Logo, pelo Teorema do
Valor Intermediario (Teorema A.1) a funcao F (x) deve assumir valor 0 para
algum x (a, b). Portanto x e um ponto fixo de g(x) contido em I.
Teorema 3.2 Seja g uma funcao definida em I = [a, b], satisfazendo
a) g(I) I; e
b) x I, |g (x)| 6 L < 1 (isto e, g e um operador contrativo). Entao
existe exatamente um x I tal que x = g(x ).
Prova: A condicao (b) implica na continuidade da funcao g. Pelo Teorema
3.1, existe pelo menos um x I tal que x = g(x ). Sejam x1 e x2 dois elementos distintos de I, satisfazendo x1 = g(x1 ) e x2 = g(x2 ). Da, verificamos
que:
|x1 x2 | = |g(x1 ) g(x2 )|
= |g ()(x1 x2 )| para algum [x1 , x2 ]
pelo Teorema do Valor Medio
6 L|x1 x2 |
< |x1 x2 |
Mas isto e uma contradicao, portanto x1 = x2 .
(3.5)
50
Teorema 3.3 Seja g uma funcao que satisfaz as condicoes (a) e (b) do Teorema 3.2. Para x0 I, a seq
uencia xk+1 = g(xk ), k = 0, 1, . . . , converge para
Lk
|x
1L 1
L
|x
1L k
x0 |
xk1 |
(erro a priori)
(erro a posteriori)
|g(xk1 ) g(x )|
|g ()(xk1 x )| para [xk1 , x ]
|g ()|.|xk1 x |
L|xk1 x |.
Note que
|xk1 xk | = |g(xk2 ) g(xk1 )| = |g ()|.|xk2 xk1 |
6 L|xk2 xk1 |
6 L2 |xk3 xk2 |
..
6
.
k1
6 L |x0 x1 |.
Considere uma iteracao k e j > k, podemos verificar que
|xj xk | =
=
6
6
6
X
k
i
6 L
L |x0 x1 |
i=0
L
|x1 x0 |.
1L
51
Lk
|x1 x0 |.
1L
= |x0 x | lim k
k
=0
[Pois < 1]
52
3.5.1
M
etodo da Itera
c
ao Linear
y=x
y = g(x)
x1
x3 x5
x4 x2
Exemplo 1
2
Para a funcao f (x) = x10 x + 1, podemos obter uma funcao g(x) fazendo
2
c(x) = 1, que nos leva a g(x) = x10 + 1. Para o intervalo I = [1, 1.5] vamos
verificar se as condicoes do Teorema 3.2 sao satisfeitas.
53
y=x
y = g(x)
x5
x4
x3
x2
x1
x0
y=x
y = g(x)
x4 x2 x0
x1 x3 x5
54
y
y = g(x)
y=x
x0 x1
x2
x3
x4
g (x) 6 10 = 0.3.
Logo as condicoes do Teorema 3.2 sao satisfeitas e, se tomarmos x0 I,
a seq
uencia xk+1 = g(xk ), k = 0, 1, . . . deve convergir para uma solucao de
f (x) = 0, conforme mostra o Teorema 3.3.
Para x0 = 1.5 a seq
uencia de iterandos e descrita na Tabela 3.3 e ilustrada
na Figura 3.16. Podemos observar que o metodo convergira para o valor
x = 1.127 016 653 792 58 que e uma das razes exatas de f (x) = 0.
Exemplo 2
Para a funcao f (x) = x 2 sin(x), obtemos a funcao de iteracao g(x) =
2 sin(x) fazendo c(x) = 1. Vamos verificar se as condicoes do Teorema 3.2
sao satisfeitas para o intervalo I = ( 2 , 2
) = (900 , 1200 ) (1.5708, 2.0994).
3
Observe que 0.866 6 sin(x) 6 1 para x I, portanto g(x) > 2 sin(2 3 ) =
1.7321 para todo x I. Observe tambem que g(x) 6 2 sin( 2 ) = 2 para todo
x I. Assim conclumos que g(I) I.
Como g (x) = 2 cos(x), temos que |g (x)| 6 |2 cos(2 3 )| = |2(0.5)| = 1.
55
1.45
1.4
1.35
1.3
1.25
1.2
1.15
1.1
10
12
14
16
18
20
Assim, de acordo com os Teoremas 3.2 e 3.2, o processo iterativo convergira para a raiz se x0 I. A seq
uencia obtida para x0 = /2 e dada na
Tabela 3.4.
3.5.2
Exerccios
2
56
3
y=x
2
o
y=g(x)
0
y=0
0.5
1.5
2.5
3.5
4.5
3.6
M
etodo de Newton
df (xk ) k+1
(x
xk ) + O(kxk+1 xk k2 )
dx
f (xk+1 ) f (xk ) +
Tabela 3.4:
k
0
1
2
3
4
5
6
..
.
7
57
Seq
uencia de iterandos
xk
/2
2
1.818
1.938
1.866
1.913
1.837
..
.
1.895 441 239
3.6.1
Exemplo 1
3.6.2
Exemplo 2
Para a funcao f (x) = xex 0.2, temos como derivada a funcao f (x) =
ex (1 x). Tomando como ponto inicial x0 = 0, o metodo de Newton produz
a seq
uencia de iterandos listada na Tabela 3.6.
58
y = f (x)
f (x0 )
f (x1 )
x
x2
x1
x0
3.6.3
Detalhes do M
etodo de Newton
(x x0 )2
(x x0 )3
+ f (x0 )
+ ...
2!
3!
(x x0 )m
(3.6)
m!
De acordo com o Teorema de Taylor, se a (m + 1)-esima derivada e contnua
numa vizinhanca de x0 , entao o erro tem a forma:
+f (m) (x0 )
f (m+1) ()
(m + 1)!
59
3.6.4
Converg
encia do M
etodo de Newton
L k
|x x |2
2m
(3.7)
Em outras palavras, a desigualdade (3.7) e satisfeita com c = L/(2m), garantindo dessa forma convergencia quadratica para x . Denotando xk+1 por
60
f (x)
f (x)
|x+ x | = |x
x |
f (x)
f (x)
| f (x) f (x)(x x)|
=
|f (x)|
|f (x ) f (x) f (x)(x x)|
=
|f (x)|
(3.8)
(f (u) f (x))du|
|f (x ) f (x) f (x)(x x)| = |
x
Z x
6
|f (u) f (x)|du
x
Z x
= L
|u x|du
x
|x x|2
= L
2
(3.9)
L
Juntando (3.8) e (3.9) obtemos |x+ x | 6 2m
|x x|2 o que prova (3.7).
A desigualdade (3.7) por si so nao garante que |xk+1 x | 0. Entretanto,
se assumirmos que |x0 x | 6 e 6 m/L, entao convergencia quadratica
segue imediatamente. Uma vez que |x0 x | 6 , podemos aplicar (3.7) e
obter:
L 2
L 0
|x x |2 6
6 /2.
|x1 x | 6
2m
2m
Uma vez que |x1 x | 6 , podemos aplicar (3.7) e obter a desigualdade:
|x2 x | 6
L 2
L 1
|x x |2 6
/4 6 /8.
2m
2m
k+1
L k
x |6
|x x |2 6 2
2m
2k
1
.
4
61
3.6.5
Problemas com o M
etodo de Newton
y
f (x)
x1 = x3
x0 = x2
62
f (x)
x1
x0
3.6.6
Exerccios
2
3.7
M
etodos de M
ultiplos Passos
3.7.1
M
etodo das Secantes
63
(3.10)
f (x)
p1 = (x1 , f (x1 ))
p2 = (x2 , f (x2 ))
x1
x2
x4
x3
(3.11)
Os problemas potenciais das formulas (3.10) e (3.11) podem ser evitados com a formula abaixo:
f (xk )
f (xk )
/ 1
(3.12)
xk+1 = xk (xk1 xk )
f (xk1 )
f (xk1 )
desde que |f (xk )| < |f (xk1 )|. Se isto nao ocorrer, entao fazemos a
troca de xk por xk+1 .
64
Secantes(x0 , x1 , f, 1 , 2 , L)
1: f0 f (x0 ); f1 f (x1 )
2: if |f1 | > |f0 | then
3:
swap(x0 , x1 )
4:
swap(f0 , f1 )
5: end if
6: for k = 0, 1, . . . , L do
7:
if |f1 | < 1 then
8:
Sada (x1 , |f (x)| < 1 )
9:
Pare
10:
end if
11:
S f1 /f0
12:
p (x0 x1 )s
13:
q 1s
14:
x2 x1 p/q
15:
if |x1 x2 | < 2 |x2 | then
16:
Sada (x2 , |x1 x2 | < 2 |x2 |)
17:
Pare
18:
end if
19:
f2 f (x2 )
20:
if |f2 | > |f1 | then
21:
x0 x2
22:
f0 f2
23:
else
24:
x0 x1
25:
f0 f1
26:
x1 x2
27:
f1 f2
28:
end if
29: end for
Converg
encia do M
etodo da Secante
Observa-se que o metodo e mais rapido que a iteracao linear ou bisseccao;
contudo, pode ser mais lento que o metodo de Newton.
Teorema 3.5 Se f (x ) = 0 e f (x ) 6= 0 e f e contnua, ent
ao existe um
65
iteracao 2
150
f(x)=x4 14x2 + 24x 10
150
100
50
0
50
100
150
6
2
x
100
50
0
50
100
150
6
iteracao 3
150
f(x)=x4 14x2 + 24x 10
iteracao 4
150
100
50
0
50
100
150
6
2
x
2
x
100
50
0
50
100
150
6
2
x
3.7.2
Breve Introduc
ao `
a Interpolac
ao Polinomial
66
iteracao 6
150
f(x)=x4 14x2 + 24x 10
150
100
50
0
50
100
150
6
2
x
100
50
0
50
100
150
6
iteracao 7
150
f(x)=x4 14x2 + 24x 10
iteracao 8
150
100
50
0
50
100
150
6
2
x
2
x
100
50
0
50
100
150
6
2
x
n
X
Lk (x)
(3.13)
k=0
Lk (x) = yk
n
Y
x xj
xk xj
j=0,j6=k
(x x1 )(x x2 ) . . . (x xn )
y0
(x0 x1 )(x0 x2 ) . . . (x0 xn )
(x x0 )(x x2 ) . . . (x xn )
+
y1
(x1 x0 )(x1 x2 ) . . . (x1 xn )
..
+
.
(x x0 )(x x1 ) . . . (x xn1 )
yn
+
(xn x0 )(xn x1 ) . . . (xn xn1 )
67
(x x0 )(x x2 )
(x x0 )(x x1 )
(x x1 )(x x2 )
y0 +
y1 +
y2
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
(x2 x0 )(x2 x1 )
6
4
2
2
2
10
12
4
6
(3.14)
68
3.7.3
M
etodo de M
uller
(3.16)
f (x1 ) f (x2 )
x1 x2
f (x0 ) f (x1 )
f [x1 , x0 ] =
x0 x1
f [x1 , x0 ] f [x2 , x1 ]
f [x2 , x1 , x0 ] =
x0 x2
f [x2 , x1 ] =
Fazendo:
a = f [x2 , x1 , x0 ]
b = f [x2 , x1 ] + (x2 x1 )f [x2 , x1 , x0 ]
c = f (x2 )
podemos escrever (3.16) de forma mais sintetica:
p2 (x) = a(x x2 )2 + b(x x2 ) + c
A interpolacao de uma curva f (x) com um polinomio p2 (x) e ilustrada
na Figura 3.25. Em sntese, o metodo de M
uller usa como proximo iterando
o ponto x3 que e raiz do polinomio p2 (x), conforme indicado na figura. A
equacao:
p2 (x) = 0
tem duas solucoes:
x x2 =
b2 4ac
b b2 4ac
= x = x2 +
2a
2a
b + sign(b) b2 4ac
x3 = x2 +
2a
M
uller(f, x0 , x1 , x2 )
69
f0 f (x0 )
f1 f (x1 )
f2 f (x2 )
for i = 1, 2, . . . ate satisfazer criterio de parada do
(x2 )
f [x2 , x1 ] f (xx11)f
x2
(x1 )
f [x1 , x0 ] f (xx00)f
x1
[x2 ,x1 ]
f [x2 , x1 , x0 ] f [x1 ,xx00]f
x2
a f [x2 , x1 , x0 ]
b f [x2 , x1 ] + (x2 x1 )f [x2 , x1 , x0 ]
c f (x2 )
b2 4ac
x3 x2 + b+sign(b)
2a
f3 f (x3 )
x0 x1 , f 0 f 1
x1 x2 , f 1 f 2
x2 x3 , f 2 f 3
end for
{x2 , f2 }
3.8
Acelerac
ao de Aitken
= 1 (xk1 )
(2)
= 2 (xk1 )
xk
xk
(1)
(2)
Entao o metodo iterativo xk = (xk1 ), k = 1, 2, . . . tem ordem de convergencia superior a p, desde que seja satisfeita a condicao:
(1 () 1)(2 () 1) 6= 0
70
p2 (x)
x0
x1
x3
x2
f (x)
3.9
71
Exerccios
Exerccio 3.1 Prof. Wellis afirma que se o algoritmo da biseccao pode ser
aplicado para encontrar a raiz de uma funcao f , entao tambem podemos
aplicar o metodo de Newton. Voce concorda ou discorda da afirmacao?
Exerccio 3.2 Seja f uma funcao definida por:
x
se x > 0
f (x) =
x se x < 0
Vamos aplicar o metodo de Newton para encontrar uma raiz de f (x). Responda as questoes abaixo.
a) Existe uma regiao de convergencia?
b) Existe uma regiao de divergencia?
c) Existe uma regiao onde o metodo entra em laco infinito?
d) Para os itens que voce respondeu afirmativamente, de as respectivas
regioes.
Exerccio 3.3 Seja g(x) = x + c(x)f (x) um processo iterativo, obtido pelo
metodo de ponto fixo com iteracao linear, para encontrar uma raiz da funcao
f (x). Prof. Wellis afirma que se x e tal que f (x ) = 0, entao g (x ) = 0.
Voce concorda ou discorda da afirmacao?
Exerccio 3.4 Seja f (x) = x2 2xex +e2x uma funcao. Aplique o metodo
de Newton para encontrar uma aproximacao de uma raiz x de f , f (x ) = 0.
A aproximacao x encontrada deve ser tal que |f (x)| < 103 . Execute no
maximo 10 iteracoes do metodo.
Exerccio 3.5 Uma boia esferica de raio R e densidade , ao flutuar na
agua, afunda de um quantidade x, dada por x3 + 2Rx2 4R3 = 0. Encontre
o afundamento quando R = 3 e o material e cortica ( = 0.25), usando o
metodo da biseccao.
Exerccio 3.6 Considere o sistema de equacoes abaixo:
2
y 3x2 5x 5 = 0
y + x2 x
= 0
Encontre uma solucao z = (x , y ) para o sistema acima usando um metodo
numerico. Sabemos que existe uma solucao para 1.5 6 x 6 0.
72
1
. Prof. Martins afirma
Exerccio 3.7 Seja f (x) = xex e c(x) = ex (1+x)
que para qualquer x0 I = [0, 1) o operador de ponto fixo g(x) resultante
produz uma serie x0 , x1 , x2 , . . . tal que limk xk = x sendo f (x ) = 0. Se
voce concorda com a afirmacao, apresente uma justificativa formal. Caso
contrario, de um contra-exemplo.
possvel
Exerccio 3.8 Considere a funcao raiz quadrada f (x) = x. E
aplicar o metodo de Newton (em uma ou mais variaveis) para calcular f (x)?
Se
calcular
sim, mostre como o metodo de Newton pode ser aplicado para
x? (No seu computador/liguagem de programacao, a funcao x n
ao est
a
disponvel)
Exerccio 3.9 Desejamos encontrar uma raiz da funcao f (x) = x4 14x2 +
24x 10. Sabemos que existe uma raiz no intervalo I = [5, 0].
Tarefas e observacoes:
Trace o grafico da funcao no intervalo [5, 5] e no intervalo [5, 0].
Encontre uma raiz em I aplicando os metodos abaixo:
O metodo da biseccao
O metodo da falsa posicao
O metodo de Newton com x0 = 0 e com x0 = 5
Para cada um dos metodos acima, desenhe a curva da solucao aproximada em funcao do n
umero de iteracao.
As implementacoes devem ser realizadas em Matlab, Octave ou Scilab.
Apresentar o codigo fonte juntamente com os resultados.
Exerccio 3.10 Para a funcao F dada por:
2
3
(x y + 1/4)ex y
F (x, y) =
2x2 + cos y
calcule o Jacobiano F . Obtenha o valor do Jacobiano no ponto (x0 , y 0 ) =
(1, 0). Obtenha o iterando (x1 , y 1 ) aplicando uma iteracao do metodo de
Newton a partir do ponto (x0 , y 0 ).
Exerccio 3.11 Responda as questoes abaixo.
73
i. Seja f uma funcao contnua em I = [a, b], tal que f (a).f (b) < 0.
Podemos aplicar o metodo da biseccao e o metodo de Newton para
encontrar tal raiz?
ii. Seja f : R R uma funcao contnua e diferenciavel no intervalo I =
[a, b]. Sabemos que existe exatamente um x I tal que f (x ) =
0. Sabemos que f (a).f (b) < 0. Sabemos que o metodo de Newton
converge para x I. Seja x0bs , x1bs , . . . a sequencia de pontos gerada
pelo metodo da biseccao. Seja x0N w , x1N w , . . . a sequencia de pontos
gerada pelo metodo de Newton. Se x0N w = x0bs 6= x , podemos afirmar
que para algum i temos que xiN w = x e xibs 6= x visto que o Metodo de
Newton tem convergencia quadratica, enquanto o metodo da biseccao
tem convergencia linear?
iii. Seja f : R R uma funcao qualquer para qual sabemos que existe
uma raiz u
nica x no intervalo [a, b]. Assumindo que os metodos da
biseccao e da falsa posicao convergem para x , podemos afirmar que o
metodo da falsa posicao converge mais rapidamente para o ponto x
do que o metodo da biseccao?
iv. Seja g : R R um operador de ponto fixo definido por g(x) = x +
c(x)f (x). Se f (x) = ax3 + bx2 + cx + d e c(x) = 1, entao g(x) e um
polinomio de grau 0, 1, 2 ou 3. Podemos afirmar que g(x) tera nenhum,
um, dois ou no maximo tres pontos fixos?
v. Uma vez que o metodo de Newton exige que a funcao f : R R
seja contnua e diferenciavel, enquanto que o metodo da biseccao exige
que a funcao seja apenas contnua, podemos afirmar que o metodo da
biseccao e mais geral? Em outras palavras, se podemos encontrar a raiz
de uma funcao usando o metodo de Newton, entao tambem podemos
utilizar o metodo da biseccao?
Exerccio 3.12 Considere as funcoes abaixo:
g(x, y) = 5.3ex x y
h(x, y) = x3 + 2.21x + 2y
possvel
Desejamos encontrar x, y R tal que g(x, y) = 0 e h(x, y) = 0. E
resolver este problema resolvendo o problema de encontrar uma raiz de uma
funcao f (x), f : R R?
74
2
0 4 5
0
0
0 0 5 1
0 0 0
1
A= 4
5
5 0 2
0
0 1 1 0 2
1
k
75
R
h
2
h (3R h)
3
76
Captulo 4
Resolu
c
ao de Sistemas de
Equac
oes Lineares
Captulo
4.1
Revis
ao
A=
a11
a21
..
.
a12
a22
..
.
am1 am2
. . . a1n
. . . a2n
..
...
.
. . . amn
78
onde aij R, i = 1, . . . , m, j = 1, . . . , n e
b1
b2
b = ..
.
bm
onde bj R, j = 1, . . . , m
Defini
c
ao 4.1 A Rmn e dita quadrada se m = n
Defini
c
ao 4.2 A Rnn e dita diagonal se A = diag(d1 , d2 , . . . , dn ), ou
seja,
d1 0 . . . 0
0 d2 . . . 0
A = .. .. . .
..
. .
. .
0 0 . . . dn
Defini
c
ao 4.3 A matriz A Rnn abaixo e dita matriz triangular inferior
se:
a11 0 . . . 0
a21 a22 . . . 0
A = ..
..
.. . .
.
.
.
.
an1 an2 . . . ann
em outras palavras,
79
Defini
c
ao 4.7 Se A Rnn e n
ao-singular ent
ao existe A1 Rnn tal que
AA1 = I, onde I = diag(1, 1, . . . , 1)
Defini
c
ao 4.8 A matriz adjunta de A, denotada por Adj(A), e definida por:
..
..
...
Adj(A) =
.
.
C1n (A)
Cnn (A)
1
Adj(A)
det(A)
1
.
det(A)
v. A inversa de uma matriz triangular inferior (superior) e tambem triangular inferior (superior).
Defini
c
ao 4.9 Seja A Rmn uma matriz dada por
A = ..
..
..
...
.
.
.
am1 am2 . . . amn
ent
ao a tranposta de A, denotada por AT
a11 a21
a12 a22
AT = ..
..
.
.
a1n a2n
e dada por:
. . . am1
. . . am2
..
...
.
. . . amn
80
Defini
c
ao 4.10 Se A = AT , ent
ao A e dita uma matriz simetrica.
Defini
c
ao 4.11 Uma matriz A Rnn e dita positiva definida se, e somente
T
dita positiva semi-definida se xT Ax 0
se, x Ax > 0 para todo x 6= 0. E
para todo x.
Defini
c
ao 4.12 Seja A Rnn uma matriz quadrada. Se Ax = x para
C e x Rn , ent
ao e um autovalor e x e um autovetor da matriz A.
Teorema 4.3 Se A = AT , ent
ao todos os autovalores de A s
ao n
umeros
reais.
Teorema 4.4 Uma matriz A = AT e positiva definida (semi-definida) se, e
somente se, os autovalores de A s
ao todos positivos (n
ao negativos).
Defini
c
ao 4.13 Dada uma matriz A Rmn , temos que:
1) range(A) = {y Rm : y = Ax, para algum x Rn } e o espaco gerado
por A;
2) null(A) = {x Rn : Ax = 0}; e
3) rank(M ) denota o posto da matriz M, i.e., o n
umero maximo de colunas linearmente independentes de M ;
Podemos examinar uma matriz A Rmn como uma geradora para a
funcao linear f : Rn Rm onde f (x) = Ax para x Rn . Assim, o espaco
gerado por A, range(A), e o conjunto das imagens da funcao f (x). O espaco
nulo de A, null(A), e o conjunto dos valores que tem como imagem o vetor
nulo. A Figura 4.1 ilustra estes conceitos.
Defini
c
ao 4.14 Seja S um espaco vetorial. O n
umero maximo de vetores
linearmente independentes de S e dito dimens
ao de S e denotado por dim(S).
Teorema 4.5 Considere o sistema de equacoes lineares
Ax = b
onde A Rmn , x Rn , e b Rm . Entao o sistema (4.1):
tem solucao se b range(A) rank(A) = rank([A|b]);
n
ao tem solucao se b 6 range(A) rank(A) < rank([A|b]);
tem solucao u
nica se rank(A) = rank([A|b]) = n; e
(4.1)
81
Rn
y = f (x)
range(A)
f (x0 ) = 0
null(A)
y
0
x0
Figura 4.1: Ilustracao dos conceitos de espaco gerado e espaco nulo de uma
matriz A
tem um n
umero infinito de solucoes se rank(A) = rank([A|b]) < n.
Teorema 4.6 Para o sistema de equacoes lineares (4.1), vale
dim(range(A)) + dim(null(A)) = n
Como exemplo, considere o sistema de equacoes lineares dado por:
x1
1
1 3 0
x2 =
.
4
2 4 1
x3
82
Exemplos
Tres exemplos de normas vetorais frequentemente encontradas sao:
qP
n
2
Norma Euclidiana: kxk2 =
j=1 (xj )
P
Norma da soma: kxk1 = nj=1 |xj |
Norma do m
aximo: kxk = max |xj | : j = 1, . . . , n
x2
kxk = 1
kxk2 = 1
1
kxk1 = 1
x1
onde A Rmn .
83
kAxk
,
kxk
kAk =
entao:
max gain(x).
x 6= 0
kI
e dada por:
kIk = max
x 6= 0
kIxk
kxk
=
max
x 6= 0
kx||
kxk
=1
Exerccio
Calcule, usando a definicao de ganho, kAk sendo A dada por:
0 1 0
A = 0 0 1 .
1 0 0
Pn
i=1
|aij |)
P
n
j=1
|aij |
84
P
n
i=1
Pn
2
j=1 aij
12
Propriedades:
a) kAxk 6 kAk kxk
b) kAxk1 6 kAk1 kxk1
c) kAxk2 6 kAk2 kxk2
Aritm
etica matricial:
4.2
4.2.1
Tipos de Algoritmos
A) M
etodos Diretos
Um metodo e dito direto quando este utiliza um n
umero finito de passos.
Exemplos: Metodo de Cramer e Gauss Cramer.
1) Cramer: xj =
det(Aj )
det(A)
quando A Rnn
2) Gauss: pivoteamento
3) Decomposi
c
ao LU: Escrever A = LU , onde L e triangular inferior e U
e triangular superior.
LU x = b Lz = b e z = U x
4) Decomposi
c
ao Cholesky: Se A = AT e A > 0 (positiva definida) entao
podemos escrever A como produto dos fatores Cholesky, i.e., LLT = A
para L triangular inferior.
5) M
etodo do Gradiente Conjugado (Otimizac
ao)
85
B) M
etodos Iterativos
Os metodos de Jacobi e Gauss-Seidel consistem de processos iterativos
da forma:
xk+1 = G(xk )
4.2.2
A) Algoritmos Diretos
Dado o sistema Ax = y, este sera representado em uma maquina de ponto
flutuante F , F = (b, n, e1 , e2 )
2A2x = 2y
2A e a representacao de A em F
.
Ax = y
2x e a representacao de x
2y e a representacao de y
Da mesma forma que os algoritmos diretos, os algoritmos iterativos cometem erros de entrada e de aritmetica. Metodos iterativos tambem introduzem erros de discretizacao, ou seja, trunca-se uma sequencia infinita
{xk : k = 0, 1, . . .} por uma sequencia finita.
4.3
Etapas da Soluc
ao de Sistemas Lineares
86
Calculos
Aritmeticos
Estimativa
da
Exatidao
4.3.1
= b
Transformar um sistema complexo Ax = b em um sistema real Ax
equivalente. Ax pode ser escrito como
Ax = b (A + jA )(x + jx ) = (b + jb )
A x + jA x + jA x A x = b + jb
(4.2)
i1 =
i2
(4.3)
87
1 (3 4j)x1 (2 2j)(x1 x2 ) = 0
(2 2j)(x2 x1 ) + (1 + 3j)x2
= 0
(5 6j) (2 2j)
2 + 2j
3+j
x1
x2
1
0
Portanto, podemos transformar o sistema acima em um sistema equivalente em variaveis reais, fazendo:
6 2
5 2
, A =
A =
2 1
2
3
b =
1
0
, b =
0
0
A A
A
A
, x =
x
x
x1
x2
, x =
b
b
x1
x2
5 2
6 2
x1
1
3 2 1 x2 0
=
6
2
5 2 x1 0
2
1 2
3
x2
0
Exemplo de Aplica
c
ao: Regime Permanente de Circuitos El
etricos
Calcular os valores das correntes do circuito dado na Figura 4.5. Inicialmente obtemos a equacao diferencial que modela o comportamento dinamico
do sistema:
Z
1 t=
d
I dt
V (t) = RI + L I +
dt
C t=0
d
d2
1
d
V = R I + L 2I + I
dt
dt
dt
C
1
V = LI + RI + I
C
88
(1 + 3j)R
i2
i1
(2 2j)R
A =
5 2
2
3
A =
6 2
2 1
b =
1
0
b =
0
0
x =
x1
x2
x =
x1
x2
b
x
A
A
89
C
L
4.3.2
Algoritmos Diretos
Estes algoritmos sao compostos de tres componentes: o calculador, o
refinador e o estimador.
Algoritmo Iterativo
Sao tambem compostos de tres partes: o preparador, o calculador e o
estimador.
4.4
M
etodo de Eliminac
ao de Gauss
90
Calculador
Refinador
Estimador
N
ao
N
ao
Exatidao OK?
N
umero Maximo
de
Refinamentos?
Sim
Sim
Solucao Com
Exatidao
Requerida
Impossvel
Obter
Solucao
91
Preparador
Calculador
Estimador
N
ao
N
ao
Exatidao OK?
N
umero de
Intervalos >
Maximo?
Sim
Sim
Solucao com
Exatidao
Requerida
Diagnostico
92
4.4.1
Exemplo 1 (M
etodo de Gauss)
3x1 + 2x2
+ x4
3
3
2
0 1
9
6
8 3 4
,
y=
A=
6
16
4 8 0
18
3 8
3 4
(4.4)
3
2
0 1
3
9
8 3 4
6
6
4 8 0 16
3 8
3 4
18
3
2
0 1
3
E2 9/3E1
2 3 1 3
0
8 8 2 10
E3 + 6/3E1
0 10
3 3
15
E4 3/3E1
93
3
3 2
0
1
0 2 3
1 3
2
4 2
E3 8/2E2 0 0
0 0 12
8
0
E4 + 10/2E2
3
0
0
E4 + 12/4E3
0
abaixo de a33
2
0
1
3
2 3
1 3
0
4 2
2
0
0
2
6
+ 2x2 3x3 + x4 = 3
+ 4x3 2x4 =
2
2x4 =
6
+4x3 2(3) = 2 x3 = 2
+2x2 3 2 + 3 = 3 x2 = 0
x1
x2
x=
x3 =
x4
0
0
2
3
94
4.4.2
Exemplo 2 (M
etodo de Gauss)
1x1 +
2x1
3x
1 +
1x1 +
3x3
5x3
8x3
6x3
+ x4
1x4
+ 1x4
+ 4x4
=
1
=
0
=
2
= 1
(4.5)
1
1
2
3
1
2 4 5 1
0
3
8
8
1
2
1
2 6
4 1
1 2
3
1
1
E2 + 2E1 0 0
1
1
2
E3 3E1 0 2 1 2 1
0 4 3
5
0
E4 + E1
1 2
3
1
1
E3
0 2 1 2 1
E2 0 0
1
1
2
0 4 3
5
0
3) Terceiro passo: zerando os elementos
1
0
0
0
E4 2E2
1
0
0
E4 + E3
0
abaixo de a22
1
2
3
1
2 1 2 1
0
1
1
2
0 1
9
2
abaixo de a33
1
2
3
1
2 1 2 1
0
1
1
2
4
0
0 10
95
4.4.3
x3 = 8/5,
x2 = 7/10,
x1 = 28/5.
Exemplo 3 (M
etodo de Gauss)
(4.6)
3
2 1
2 1
3
4
1
1 3
6 2
4 3 5
3 6 3 1 2
3
2 1
2 1
2
2 1 2
E2 E1
0
E3 + 2E1 0
2
2
1 7
E4 + E1
0 4 4
1 3
2) Sistema resultante:
E3 E2
E4 + 2E2
3
0
2 1
2 1
2
2 1 2
0
0
2 5
0
0 1 7
96
4.5
Instabilidade Num
erica
4.5.1
(4.7)
97
4.6
Este algoritmo nada mais e do que o algoritmo de Gauss com uma troca
sistematica de linhas de modo a minimizar os erros de arredondamento.
Estrategia: tome como pivo o elemento de maior valor absoluto. Assim
a11 = max{|ai1 | : i = 1, . . . , m} sera o pivo da primeira iteracao; a22 =
max{|ai2 | : i = 2, . . . , m} sera o pivo da segunda iteracao e assim por diante.
O metodo a seguir identifica se o sistema tem solucao u
nica. As linhas nao
serao trocadas, mas sera criado um vetor que aponta para a linha a ser
utilizada: sub(i) = i, i = 1, . . . , n. Se as linhas 3 e 7 devem ser trocadas,
entao: sub(3) = 7 e sub(7) = 3. Algoritmo da eliminacao Gaussiana com
pivoteamento segue abaixo.
Gauss triangularizac
ao(n, aij , bi : i = 1, . . . , n, j = 1, . . . , n)
1: for i = 1, . . . , n do
2:
sub(i) i
98
3: end for
4: for k = 1, . . . , n do
5:
max 0
6:
for i = k, . . . , n do
7:
Vabs |asub(i),k |
8:
if max < Vabs then
9:
max Vabs
10:
indx i
11:
end if
12:
end for
13:
if max = 0 then
14:
Sada matriz singular
15:
end if
16:
j sub(k)
17:
sub(k) sub(indx)
18:
sub(indx) j
19:
pivo asub(k),k
20:
for i = k + 1, . . . , n do
a
21:
asub(i),k sub(i),k
pivo
22:
for j = k + 1, . . . , n do
23:
asub(i),j asub(i),j asub(i),k asub(k),j
24:
end for
25:
bsub(i) bsub(i) asub(i),k bsub(k)
26:
end for
27: end for
Gauss retrossubstitui
c
ao(n, aij , bi : i = 1, . . . , n, j = 1, . . . , n)
1: xn
bsub(n)
asub(n),n
2: for k = n 1, . . . , 1 do
3:
xk bsub(k)
4:
for i = k + 1, . . . , n do
5:
xk xk asub(k),i xi
6:
end for
7:
xk a xk
sub(k),k
8: end for
9: Sada xk : k = 1, . . . , n
4.7
99
4.7.1
Exemplo 1
Vamos primeiramente
0.24x
0.12x
0.15x
(4.8)
4.7.2
Exemplo 2
(4.9)
100
(4.10)
4.7.3
|0.119 0.120|
|0.119|
0.008
1%
|0.815 1|
|1|
0.185
18%
Exemplo 3
(a)
(b)
(4.11)
4.7.4
Vis
ao Geom
etrica do Condicionamento
As Figuras 4.9, 4.10, e 4.11 ilustram sistemas sem solucao, malcondicionados e bem-condicionados, respectivamente.
4.7.5
C
alculo do Condicionamento de uma Matriz
101
y
(a)
(b)
(c)
S1
S2
x
(a)
(b)
Sem Solucao
102
y
(a)
Mal Condicionado
x
(b)
(a)
103
(x x ) = A1 (b b )
(4.13)
kxk
kbk
(4.14)
Portanto,
alteracao relativa
fator de
valor relativo da
da solucao provocada 6 amplificacao perturbacao feita no
pela perturbacao
sistema Ax = b
(4.15)
de b
kxx k
kxk
6 kAk kA1 k
kbb k
kbk
Defini
c
ao 4.19 Dado um sistema Ax = b, seu n
umero de condicionamento
e dado por (A) = kAk kA1 k Portanto, quanto maior o valor de (A),
mais sensvel o sistema ser
a.
104
4.7.6
Exemplo
(4.16)
4.7.7
Algumas propriedades do n
umero de condicionamento de uma matriz A
sao:
1) (A) > 1, pois 1 = kIk = kAA1 k 6 kAk.kA1 k = (A)
2) (I) = 1
3) R, (A) = (A). Demonstracao:
(A) = kAk k(A)1 k
1
= || kAk k A1 k
||
=
kAk kA1 k
||
= (A)
4) Se D = diag(d1 , d2 , . . . , dn ), entao:
(D) =
max{|dj | : j = 1 . . . , n}
min{|dj | : j = 1 . . . , n}
105
kb b k
kx x k
6 log (A)
kxk
kbk
kb b k
= log (A) + log
kbk
(4.17)
4.8
Refinamento da Soluc
ao para o M
etodo
de Gauss
4.8.1
Descric
ao do M
etodo
4.8.2
Gera
c
ao de Aproxima
c
oes
106
A(x x1 )
Ax Ax1
b Ax1
r1
1
16(n3 +3n2 )
(b) os resduos rk s
ao calculados com precis
ao dupla.
Entao xk converge para a solucao exata.
107
CALCULADOR
Resolver Ax = b via Gauss
em maquina F (b, n, e1 , e2 )
REFINADOR
C
alculo de Resduos
rk = b Axk
F (b, 2n, e1 , e2 )
ESTIMADOR
xk+1 xk + z k
onde Az k = rk
Sim
N
ao
EXATIDAO
OK?
k < limite?
N
ao
Sim
Imprima
Solucao
Impossvel obter
solucao com
exatid
ao desejada
108
4.8.3
Algoritmo
4.8.4
Exemplo
2.4579x1 + 1.6235x2 +
1.4725x1 + 0.9589x2
2.6951x1 + 2.8965x2
(4.18)
0.0647
2.4579 1.6235
4.6231
1.4725 0.9589 1.3253
1.0473
2.6951 2.8965 1.4794 0.6789
Trocando as linhas 1 e 3, obtemos
2.6951
2.8965 1.4794 0.6789
E2 1.4725/2.6951E1
0 0.6236 0.51702
1.4182
E3 2.4579/2.6951E1
0 1.0374
5.9822 0.68839
E3
E2
E3 E3
2.6951
2.8965 1.4794 0.6789
0 1.0374
5.9822 0.68839
0 0.6236 0.51702
1.4182
0.6236
E
1.0374 2
2.6951
2.8965 1.4794 0.6789
0 1.0374
5.9822 0.68839
0
0 4.1132
1.0044
109
2) Retrossubstitui
c
ao: Fazendo a retrossubstituicao, calculamos a solucao
aproximada para (4.18):
x3 = 0.24419
x2 = 2.0717
x1 =
1.8406
Seja x1 = [1.8406 2.0717 0.24419]T a primeira solucao aproximada.
0.064821801
Ax1 = 1.047355377
0.678823304
0.000121801
0.064821801
0.0648
r1 = bAx1 = 1.0473 1.047355377 = 0.000055377
0.000076696
0.678823304
0.6789
Resolvemos Az 1 = r1 usando as trocas e os multiplicadores ja calculados, obtendo z 1 e arredondando os valores de z 1 para precisao simples.
Temos entao:
1
0.000004228
z1
z 1 = z21 = 0.000025110
0.000057765
z31
Assim, podemos obter a segunda aproximacao x2 = x1 + z 1 dada por:
1.8405
x2 = 2.0717
0.24419
4.8.5
An
alise do Condicionamento Atrav
es do Refinamento
Para analise do comportamento dos sistemas lineares sem o uso do condicionamento de A, podemos detectar o mal condicionamento sem calcular
(A) diretamente ou aproximadamente. Se os resduos r1 , r2 , . . . , rk , sao
110
pequenos, mas as correcoes z 1 , z 2 , . . . , z k , sao grandes, entao o sistema e malcondicionado. Para sistemas bem-condicionados, os refinamentos nao devem
ser feitos mais do que duas vezes.
A avaliacao emprica de sistemas lineares mal-condicionados pode ser
feita atraves de um grafico, conforme ilustram as Figuras 4.13 (sistema bemcondicionado), 4.14 (sistema mais ou menos mal-condicionado), e 4.15 (sistema mal-condicionado).
p: precisao da m
aquina
k: n
umero de refinamentos
p
DIGSE(xk )
4.9
Vamos construir matrizes que expressam a eliminacao Gaussiana em termos matriciais. O equacionamento sera ilustrado atraves de um exemplo.
Seja Ax = b um sistema de equacoes lineares dado por:
7
10 7 0
2 6 eb= 4
A = 3
6
5 1 5
Fazendo:
1 0 0
M1 = m21 1 0 ,
m31 0 1
111
p: precisao da m
aquina
k: n
umero de refinamentos
p
DIGSE(xk )
p: precisao da m
aquina
k: n
umero de refinamentos
p
DIGSE(xk )
112
1 0 0
M1 = 0.3 1 0
0.5 0 1
Portanto,
7
10 7 0
M1 Ax = M1 b 0 0.1 6 x = 6.1
2.5
0 2.5 5
1
0 0
1 0 ,
M2 = 0
0 m32 1
onde m32 = 25, o que nos leva a:
1 0 0
M2 = 0 1 0
0 25 1
10
7
0
7
6 x = 6.1
M2 (M1 A)x = M2 (M1 )b M2 (M1 A) = 0 0.1
0
0 155
155
113
Exemplo
Sejam as matrizes
1 0 0
10 7 0
2 6 , e P23 = 0 0 1
A = 3
0 1 0
5 1 5
10 7 0
P23 A = 5 1 5
3
2 6
Equacionamento do Matricial do M
etodo de Gauss
Portanto, o metodo de Gauss pode ser expresso como:
U
A =
=
A =
=
T
1
P1T M11 P2T M21 . . . Pn1
Mn1
U
LU
Uma vez que Pj1 = PjT sempre que Pj for uma matriz de permutacao de
linhas. Note que Mi1 pode ser facilmente obtida a partir de Mi : a matriz
inversa Mi1 e identica `a matriz Mi , exceto que o sinal dos elementos abaixo
da diagonal principal tem sinais opostos aos elementos correspondentes em
Mi .
0 0 1
0 0 1
1 0 0
0 1 0 0 1 0 = 0 1 0
1 0 0
1 0 0
0 0 1
Exerccio
i. Calcule as matrizes inversas M11 e M21 do exemplo. Verifique a propriedade que relaciona Mi1 a Mi . Obtenha a representacao A = LU .
114
4.10
Decomposic
ao LU
(4.19)
(4.20)
onde:
P e uma matriz de pivoteamento (tambem indicada na literatura como
matriz de permutacao);
L e uma matriz triangular inferior (Lower); e
U e uma matriz triangular superior (Upper).
Este metodo busca transformar o problema em dois problemas faceis de serem
resolvidos, que e a resolucao de sistemas lineares com matrizes triangulares.
De posse das matrizes P LU , o processo de resolucao e:
Ax = b
LU x = b
(4.21)
(4.22)
O sistema na equacao (4.22) pode ser resolvido por substituicao direta, o que
nos leva a encontrar y. Assim, possumos elementos para resolver:
U x=y
por retrosubstituicao.
4.10.1
Substituic
ao Direta
(4.23)
115
b1
y1
l11 0 0
l21 l22 0 y2 = b2
b3
y3
l31 l32 l33
y1 =
b1
l11
4.10.2
Retrosubstituic
ao
u11 u12
0 u22
0
0
y1
x1
u13
u23 x2 = y2
y3
x3
u33
x3 =
x2
116
4.10.3
Primeiro consideraremos o problema da obtencao da fatoracao sem a matriz de permutacoes. Este caso especial e obtido fazendo P = I (identidade)
no caso geral. Admita a seguinte divisao das matrizes A = L U :
u11 U12
1
0
a11 A12
=
0 U22
L21 L22
A21 A22
onde A21 e L21 R(n1)1 sao matrizes colunas; A12 e U12 R1(n1) sao matrizes linhas; e A22 , L22 , U22 R(n1)(n1) agrupam o restante das matrizes
originais. Do produto obtemos:
a11 A12
u11
U12
=
A21 A22
u11 L21 L21 U12 + L22 U22
Assim podemos obter a primeira linha de U e a primeira coluna de L, fazendo:
u11 = a11
U12 = A12
1
L21 =
A21
u11
(4.24)
e ainda obtemos:
L22 U22 = A22 L21 U12 = A22
1
A12 A21
a11
(4.25)
que nos permite calcular L22 e U22 fatorando A22 L21 U12 . Assim, chegamos
ao seguinte algoritmo recursivo:
1) calcular a primeira linha de U : u11 = a11 e U12 = A12 ;
2) calcular a primeira coluna de L: L12 = ( a111 )A21 ;
3) calcular a decomposicao das sub-matrizes L22 e U22 : L22 U22 = A22
L21 U12 .
Este algoritmo fica da seguinte maneira em pseudo-codigo:
LU-Solve(A)
1: n rows[A]
2: for k 1 to n do
3:
ukk akk
4:
for i k + 1 to n do
117
5:
lik aik /ukk
6:
uki aki
7:
end for
8:
for i k + 1 to n do
9:
for j k + 1 to n do
10:
aij aij lik ukj
11:
end for
12:
end for
13: end for
14: Retorna L e U
2 3 1
A = 6 13 5
2 19 10
It k = 1:
It k = 2:
It k = 3:
2 3 1
1 0 0
2 3 1
6 4 2 = 3 1 0 0
0 0
1
1
2 16 9
2 3 1
2 3 1
1 0 0
6 4 2 = 3 1 0 0 4 2
0 0
1 4 1
2 16 1
2 3 1
1 0 0
2 3 1
6 4 2 = 3 1 0 0 4 2
0 0 1
1 4 1
2 16 1
Discuss
ao do Algoritmo
Podemos observar que o algoritmo modifica a matriz A e que os valores
contidos nas linhas e colunas k so sao utilizados em sua iteracao, assim e
possvel que as matrizes L e U sejam montadas na propria matriz A.
118
4.10.4
Problemas do N
ao-Pivoteamento
0 1
1 1
4.10.5
A =
4.10.6
u1n
u2n
u3n
..
.
unn
O Vetor de Pivoteamento
119
Exemplo
O vetor = (2, 4, 1, 3) e equivalente
0 1
0 0
A=
1 0
0 0
4.10.7
`a matriz
0 0
0 1
0 0
1 0
Decomposic
ao LU com Pivoteamento
120
19:
end for
20:
for i k + 1 ate n do
21:
aik aik /akk
22:
for j k + 1 ate n do
23:
aij aij aik akj
24:
end for
25:
end for
26:
end for
27: end for
28: Retorne A e
Exemplo
Calcular a fatoracao LUP da matriz
2
0
2 0, 6
3
3
4 2
A=
5
5
4
2
1 2 3, 4 1
Iteracao k = 1:
2
0
2 0, 6
1
2 3
3
4 2
3 (5) 5
4
2
1 2 3, 4 1
4
(5) 5
4
2
3
2 3
3
4 2
1 2
0
2 0, 6
1 2 3, 4 1
4
(5)
5
4
2
3
2 0, 6
0 1, 6 3, 2
1 0, 4 2 0, 4 0, 2
0, 2 1 4, 2 0, 6
4
Iteracao k = 2:
5
5
4
2
3
2 0, 6
0
1,
6
3,
2
1 0, 4 (2) 0, 4 0, 2
0, 2 1 4, 2 0, 6
4
5
5
4
2
3
1 0, 4 (2) 0, 4 0, 2
2 0, 6
0
1, 6 3, 2
0, 2 0, 5
4 0, 5
4
5
5
4
2
3
1 0, 4 (2) 0, 4 0, 2
2 0, 6
0
1, 6 3, 2
0, 2 1 4, 2 0, 6
4
121
5
5
4
2
3
1 0, 4 2 0, 4 0, 2
4 0, 2 0, 5 (4) 0, 5
0, 6
0 1, 6 3, 2
2
5
5
4
2
3
1 0, 4 2 0, 4 0, 2
2 0, 6
0 1, 6 3, 2
0, 2 0, 5 (4) 0, 5
4
5
5
4
2
3
1 0, 4 2 0, 4 0, 2
4 0, 2 0, 5 (4) 0, 5
0, 6
0 0, 4 3
2
Assim,
0
1
0
0
0
0
0
1
4.10.8
1
0
0
0
2
0
2 0, 6
0
3
3
4
2
0
5
4
2
1 5
1 2 3, 4 1
0
1
0
0
0, 4
1
0
=
0, 2 0, 5 1
0, 6
0 0, 4
5 5
4
2
0
0 2 0, 4 0, 2
0
4 0, 5
0 0 0
0 0
0
3
1
M
etodo de Crout
l11 0 0 0
u11 u12 u13 u14
a11 a12 a13
l21 l22 0 0 0 u22 u23 u24
a21 a22 a23
=
l31 l32 l33 0 0
a31 a32 a33
0 u33 u34
l41 l42 l43 l44
0
0
0 u44
a41 a42 a43
L
U
=
A
Isto significa que
aij = li1 u1j + li2 u2j + . . . + lin unj
Alguns exemplos de equacoes:
a13 = l11 u13 + l12 u23 + l13 u33 + l14 u43
= l11 u13
a32 = l31 u12 + l32 u22 + l33 u32 + l34 u42
= l31 u12 + l32 u22
a22 = l21 u12 + l22 u22 + l23 u32 + l24 u42
= l21 u12 + l22 u12
decomsistema
a14
a24
a34
a44
122
(4.26)
(4.27)
(4.28)
(4.29)
8:
end for
9: end for
1
(aij
ujj
j1
P
i1
P
lik ukj
k=1
lik ukj )
k=1
Exemplo
Aqui vamos aplicar o Algoritmo de Crout para encontrar a decomposicao
LU da matriz
10 7 0
2 6
A = 3
5 1 5
Passos executados pelo algoritmo:
P11
1) u11 = a11 k=1
lik ukj = a11 = 10
2) l21 =
1
(a21
u11
11
P
k=1
3) l31 =
1
(a31
u11
4) u12 = a12
5) u22 = a22
6) l32 =
11
P
k=1
8) u23 = a23
9) u33 = a33
Portanto,
11
P
k=1
P21
1
(a32
u22
7) u13 = a13
11
P
123
21
P
k=1
l3k uk2 ) = 25
k=1
21
P
k=1
31
P
k=1
1
0 0
1 0
L = 0.3
0.5 25 1
10
7
0
6
U = 0 0.1
0
0 155
1
0
1
LU = 0.3
0.5 25
4.11
que
0
10
7
0
10 7 0
0 0 0.1
6 = 3
2 6
1
0
0 155
5 1 5
Decomposic
ao de Cholesky
124
onde a11 e um escalar, A21 e uma matriz linha, A21 e um vetor coluna e A22 e
uma submatriz de dimensao apropriada. Note que o escalar a11 > 0 visto que
A 0. Entao o fator Cholsky L pode ser colocado em uma forma apropriada
l11
0
L=
L21 L22
onde l11 e um escalar, L21 e um vetor coluna e L22 e uma matriz de mesma
dimensao de A22 . Logo,
a11 AT21
l11 LT21
l11
0
A=
=
L21 L22
A21 A22
0 LT22
2
l11
l11 LT21
=
= LLT
l11 L21 (L21 LT21 + L22 LT22 )
a11
1
A21
=
l11
Exemplo
" 25 15 5# " 5 0 0 # "5 3 1#
A = 15 18 0 = 3 l22 0 = 0 l22 l32
0 0 l33
1 l32 l33
5 0 11
125
"
# "
#"
# " #
18 0
l22 0 l22 l32
3
=
+
[3 1]
0 11
l32 l33 0 l33
1
Portanto,
"
# "
#"
# "
#"
#
9 3
l22 0 l22 l32
3 0 3 1
=
=
3 10
l32 l33 0 l33
1 l33 0 l33
2
10 = 1 + l33
l33 = 3
4.12
M
etodo de Gauss-Jordan
Observa
c
ao: a primeira e segunda etapas podem ser realizadas simultaneamente. A k-esima equacao sera usada para zerar os coeficientes das equacoes
1, 2, . . . , k 1, k + 1, . . . , n.
Exemplo
Abaixo seguem os passos envolvidos na primeira etapa do metodo de
Gauss-Jordan. Vamos considerar a matriz aumentada [A|b] de um sistema
126
de equacoes lineares Ax = b.
1
1 3
4 1
2
8 6 2
0
3 5 15 5
0
3 4 1
2 2 4
4 3 2
0
7
7
4
2
2
0 1 6
0
0 35
2
0 8
0 1 6
1 3
4
8 16
A = 2
3 5
15
Para isto, tomamos a matriz aumentada [A|I] e aplicamos os mesmos passos
da primeira etapa, conforme indicado abaixo:
1 0 0
1 3 4
1 3
4 1 0 0
2
8 16 0 1 0 0
2 2
2 1 0
3 5
15 0 0 1
0
4 3 3 0 1
3
1 0
7
4
0
2
1
0
1
1
0 1
2
0 0 1 7 2 1
7
1 0 0 45 25
2
1
0 1 0 6 23
7
2 1
0 0 1
Logo,
A1
45 25
7
2
1
= 6 32
7
2 1
4.13
127
M
etodo de Gauss-Jordan
Exemplo
Abaixo seguem os passos envolvidos na primeira etapa do metodo de
Gauss-Jordan. Vamos considerar a matriz aumentada [A|b] de um sistema
de equacoes lineares Ax = b.
1 3
4 1
1 3 4 1
2
8 6 2 0
2 2 4
3 5 15 5
0
4 3 2
7
1 0
7
2
4
0 2
0 0 1 6
1 0
0 35
0 8
0 2
0 0 1 6
Com base no sistema equivalente obtido na primeira etapa, podemos deduzir
que a solucao para Ax = b e dada por:
x1 = 35, x2 = 4, x3 = 6
Podemos utilizar o metodo de Gauss-Jordan para obter a inversa da matriz.
1 3
4
8 16
A = 2
3 5
15
128
1 0 0
1 3 4
1 3
4 1 0 0
2
8 16 0 1 0 0
2 2
2 1 0
3 5
15 0 0 1
0
4 3 3 0 1
3
1 0
7
4
0
2
1
0
1
1
0 1
2
0 0 1 7 2 1
7
1 0 0 45 25
2
1
0 1 0 6 23
7
2 1
0 0 1
Logo,
A1
45 25
7
2
1
= 6 32
7
2 1
4.14
1
0
A=U 0
..
.
0
0 0
2 0
0 3
..
..
.
.
0 0
...
...
...
...
0
0
0
..
.
0 n
129
T
V = U diag(1 , . . . , n ) V T
4.14.1
(U V T )1
(V T )1 U 1
(V T )1 1 U 1
V 1 U T
V diag(1/1 , 1/2 , . . . , 1/n )U T
Note que
AA1 =
=
=
=
=
=
(U V T )(U V T )1
(U V T )V 1 U T
U (V T V )1 U T
U (1 )U T
UUT
I
130
max{j : j = 1, . . . , n}
min{j : j = 1, . . . , n}
4.14.2
4.14.3
Exemplo 1
1 3
4
2
8 6
x =
3 5 15
1
5 2
1
2
1
3
131
19.5468
0
0
0 6.0765
0
=
0
0 0.0292
0.1978 0.0352
0.9796
0.8552
0.1320
V = 0.5012
0.8424
0.5171 0.1515
(4.30)
4.14.4
Exemplo 2
1 3
4 2
2
8 6
6
B=
3 5 15 2
1
2 2
3
0.2707
0.1120 0.0693
0.9536
0.5352 0.7314
0.3316
0.2619
U =
0.7834 0.6011
0.0554 0.1477
0.1627 0.3019 0.9392
0.0134
20.0342
0
0 0
0
6.7846
0
0
0
0 1.8975 0
0
0
0 0
132
0.5774
0.5774
N ull(B) = range(
0.0000 )
0.5774
0.2707
0.1120 0.0693
0.5352 0.7314
0.3316
)
Range(B) = Range(
0.7834 0.6011
0.0554
0.1627 0.3019 0.9392
4.14.5
Considera
c
oes Finais sobre Decomposic
ao SVD
4.14.6
Vis
ao Geom
etrica da Decomposic
ao SVD
133
v2
v2
v1
0
v1
2
2
2
2
1
2
T
v
v
.
.
.
v
(4.32)
A = v1 v2 . . . vn
1
2
n
.
..
n
Avi = i vi
(4.33)
134
1
v2
v1
v2
2
2
v1
Figura 4.17:
simetrica.
2
2
1
v2
v1
2
2
v1
v2
Figura 4.18:
simetrica.
2
2
135
u1 u2 . . .
(4.35)
1
2
un
...
n
v1 v2 . . .
vn
T
(4.36)
1
2
T
v
v
.
.
.
v
vi
Avi = u1 u2 . . . un
1
2
n
.
..
n
(4.37)
u1 u 2 . . .
un
0
..
.
i = i ui
..
.
0
(4.38)
4.14.7
An
alise dos Componentes Principais
136
1
1 u1
v2
0
v1
2
2
2 u2
2
2
Figura 4.19: Ilustracao da transformacao dada por uma matriz A que gera
rotacoes e mudancas em escala.
137
4
4
4
x
10
12
mos imaginar uma translacao dos pontos de forma que o centro de massa se
torne a origem, seguida de uma rotacao do eixo x em torno da origem que
aproxime a reta de regressao. Este tipo de rotacao e dita maximizadora de
vari
ancia pois o criterio da rotacao e maximizar a variancia (variabilidade)
do novo fator, enquanto minimiza a variancia em torno da nova variavel.
Este procedimento e ilustrado nas Figs. 4.21 e 4.22.
Na presenca de mais de duas variaveis, podemos entende-las como definindo um espaco, da mesma forma que duas variaveis definem um plano.
Quando temos tres variaveis, o espaco e tridimensional. Embora a visualizacao do espaco nao seja possvel, podemos ainda rotacionar os eixos buscando maximizar variancia da mesma forma que no caso bidimensional.
Apos identificarmos a linha na qual a variancia e maxima, ainda resta alguma variancia em torno da linha, como pode ser observado na Fig. 4.20. Na
analise dos componentes principais, apos extrairmos o primeiro fator, isto e,
apos a primeira reta ter sido tracada atraves dos dados, podemos continuar e
definir outra reta que maximiza a variancia restante e assim sucessivamente.
Uma vez que fatores consecutivos sao definidos atraves da maximizacao da
variabilidade que nao e capturada pelo fator precedente, conclumos que os
fatores sao independentes um do outro. Em outras palavras, fatores consecutivos nao sao correlacionados, ou seja, sao ortogonais entre si.
No exposto acima, utilizamos a tecnica de analise dos componentes principais como um metodo de reducao de dados, isto e, um metodo para reduzir
o n
umero de variaveis. Surge portanto a questao de quantos fatores devem
138
4
4
4
x
10
12
| |
|
X = p1 p2 . . . pn
| |
|
Os componentes principais (ou eixos) sao os autovetores da matriz XX T ,
que podem ser calculados atraves de uma fatoracao por autovalores:
1
T
...
XX T = U
U
m
139
4
4
4
x
10
12
X = U V T
XX T = U V T (U V T )T
= U V T V T U T
= U 2 U T
140
0.5036
0.8500 0.1548
U = 0.0915 0.2307 0.9687
0.8591 0.4736
0.1940
3
4.5965 10
1.1900 103
=
0
Observe que o primeiro componente captura aproximadamente 79.43% da
variabilidade, enquanto o segundo componente captura cerca de 20.57% da
variabilidade. Ja o terceiro componente nao captura nenhuma variabilidade.
Isto esta de acordo com o experimento realizado, para o qual a dimensao x
teve um componente aleatorio com fator 5, enquanto a dimensao y teve um
componente aleatorio com fator 81 . Por outro lado, a dimensao z nao teve
nenhuma aleatoriedade sendo definida pela expressao z = 0.7x + 5y 1. A
Fig. 4.23 ilustra os pontos dados na Tab. 4.1. Note que os pontos variam
nas dimensoes x e y de forma arbitraria, por outro lado, observe que o valor
de z e uma funcao linear de x e y. Em outras palavras, os pontos dados estao
contidos em um plano.
4.15
M
etodos Iterativos
Os metodos diretos nao sao os mais indicados para resolver sistemas esparsos e os sistemas de grande porte. O refinamento do algoritmo de Gauss
e uma forma de metodo iterativo. Os algoritmos iterativos partem de uma
solucao inicial e sistematicamente geram uma sequencia de iterandos. Dada
uma aproximacao inicial x0 da solucao de Ax = b, o processo iterativo pode
ser descrito como:
xk+1 = G(xk ), k = 1, 2, . . . ,
Aqui vamos estudar os metodos de Jacobi e de Gauss-Seidel.
1
4.15.1
141
de um experimento
zj
-17.1790
-8.1868
3.8534
-27.4122
-9.0869
4.0815
3.0046
-12.9048
10.2003
7.4319
-15.4327
-26.5095
-21.1533
-4.9028
-20.8448
0.1749
9.0804
-11.3730
-5.7821
-2.1552
M
etodo de Jacobi
Seja Ax = b um sistema de
forma:
a11 a12 . . .
a21 a22 . . .
..
..
..
.
.
.
an1 an2 . . .
b1
x1
a1n
a2n
x2 b2
(4.39)
.. .. = ..
. . .
bn
xn
ann
1
(bj aj1 x1 aj2 x2 . . .
ajj
. . . aj,(j1) xj1 aj,(j+1) xj+1 . . . aj,n xn
(4.40)
para j
=
1, . . . , n,
onde sao conhecidos os valores de
x1 , x2 , . . . , xj1 , xj+1 , . . . , xn a serem utilizados no lado direito da expressao acima.
142
20
10
0
10
20
30
4
2
0
2
y
13
12
11
10
1
bj aj1 xk1 aj2 xk2 . . .
ajj
aj,(j1) xkj1 aj,(j+1) xkj+1 . . . aj,n xkn , j = 1, . . . , n
(4.41)
143
5x1 +
x1 + 4x2
+ 2x3
=
2
=
3
= 1
=
0
= 1
(4.42)
= 41 (3 + xk1 + xk5 )
xk+1
2
k+1
(4.43)
x3
= 21 (1 + xk4 )
k+1
1
k
k
x
=
(x
+
2x
)
4
1
5
4
k+1
x5
= 12 (1 + xk4 )
4.15.2
M
etodo de Gauss-Seidel
144
1: k 1
2: while k < lim do
3:
for j = 1, . . . , n do
4:
zj = a1 (bj aj1 z1 aj2 z2 . . . aj,(j1) zj1 aj,(j+1) xj+1 . . .aj,n xn )
jj
5:
end for
6:
if Teste de convergencia e satisfeito then
7:
Sada (zj : j = 1, . . . , n)
8:
else
9:
xj zj , j = 1, . . . , n
10:
end if
11:
k k+1
12: end while
13: Sada Algoritmo n
ao convergente
Observacao: se o teste de convergencia nao usa os valores xj1 entao o processo iterativo pode ser substitudo por:
xj =
1
(bj aj1 x1 aj2 x2 . . .
ajj
aj,(j1) xj1 aj,(j+1) xj+1 . . . aj,n xn ), j = 1, . . . , n
4.15.3
Vis
ao Geom
etrica do M
etodo Iterativo
145
a b
c d
eb=
m
n
y0
(II)
y1
y2
(x , y )
x2 x1
x0
146
(II)
y2
(I)
y0
y1
(x , y )
x1
x0
x2
.
=
.
1
xn = ann (bn an1 x1 an2 x2 . . . an,(n1) xn1 )
o qual pode ser escrito de uma forma mais compacta
!
n
X
1
bj
ajk xk , j = 1, . . . , n
xj =
ajj
k=1,k6=j
2) Preparador Unit
ario:
.
=
.
x = b a x a x . . . + (1 a )x
n
n1 1
n2 2
nn
j1
X
k=1
n
X
k=j+1
ajk xk , j = 1, . . . , n
4.15.4
147
Condi
c
oes de Converg
encia dos M
etodos Iterativos
As condicoes de convergencia estao relacionadas com os algoritmos preparadores. Vamos inicialmente estudar a condicao de convergencia do metodo
de Jacobi para o preparador classico.
Teorema 4.10 Seja o sistema de equacoes lineares modificado x = Bx + d.
Se kBk < 1, ent
ao o algoritmo de Jacobi converge.
Prova: Seja x e uma solucao de Ax = b x = Bx + d. Entao,
kxk+1 x k =
=
=
6
<
kBxk + d x k
kBxk + d (Bx + d)k
kB(xk x )k
kBk kxk x k
kxk x k
Corol
ario 4.1 Seja o sistema Ax = y. Entao, se a matriz A e diagonaln
P
mente dominante, |aii | >
|aij | para i = 1, . . . , n, ent
ao o metodo de
j=1,j6=i
Jacobi e convergente.
0 0 0 3/5 1/5
2/5
1/4 0 0 0 1/4
3/4
1/2
B = 0 0 0 1/2 0
b=
1/4 0 0 0 2/4
0
0 0 0 1/2 0
1/2
4.16
M
etodo do Gradiente Conjugado
(4.45)
148
(4.46)
= x(k) + k (b Ax(k) )
= x(k) + k pk
(4.47)
pTk Ax
=
k =
pTk 1 Ap1
k pTk Apk
pTk 2 Ap2
pTk Ax
pTk b
=
pTk Apk
pTk Apk
+ +
(4.48)
pTk n Apn
(4.49)
(4.50)
149
Portanto, de posse de um conjunto {pk } de n direcoes mutuamente conjugadas, a solucao x pode ser facilmente obtida atraves dos coeficientes k
calculados com a expressao (4.50) que sao substitudos em (4.47).
O metodo do gradiente conjugado produz o conjunto {pk } atraves dos
gradientes obtidos por meio dos resduos rk em um processo iterativo. Seja
x(0) o iterando inicial e defina r(0) = b Ax(0) e p0 = f (x(0) ) = r0 . O
n1
conjunto {pk }k=0
e obtido como segue:
pk+1 = rk
pTk Ark
pk ,
pTk Apk
k = 0, . . . , n 2
(4.51)
6:
7:
8:
9:
10:
11:
(4.52)
150
particularmente eficiente quando A e uma matriz esparsa. As seguintes modificacoes sao suficientes para que o algoritmo Gradiente-Conjugado aceite
uma matriz A qualquer:
p0 = AT r0
rkT AAT rk
pTk AT Apk
rT AAT rk+1
k = k+1T
rk AAT rk
pk+1 = AT rk+1 + k pk
k =
p(k) \k
(k)
p1
(k)
p2
(k)
p3
(k)
p4
(k)
p5
4
-23.4300
-13.3103
-17.4012
-26.3103
-29.7223
151
4.17
Aplicaco
es de Sistemas de Equaco
es Lineares
4.17.1
Interpolac
ao com Polin
omios
y4
y1
y3
y2
t1
t2
t3
t4
t5
t6
t7
p(t1 )
p(t2 )
..
p(t )
n
= x1 + x2 t1 + x3 t21 + . . . + xn t1n1 = y1
= x2 + x2 t2 + x3 t22 + . . . + xn t2n1 = y2
.
= ..
= xn + x2 tn + x3 t2n + . . . + xn tnn1 = yn
(4.53)
152
1 t1 t21 . . . t1n1
1 t2 t22 . . . t2n1
.. .. ..
..
..
. . .
.
.
1 tn t2n . . . tnn1
x1
x2
..
.
xn
y1
y2
..
.
yn
4.17.2
Estruturas El
asticas Lineares
Carga 2
Carga 3
Carga 4
153
4.17.3
Exemplo: n=1
11
00
00
11
1
L1
F = (Fx , Fy )
S = (Sx , Sy )
L2
1
0
0
1
0
1
fx
fy
a11 a12
a21 a22
sx
sy
f = As
sx + s2y
154
sy + sy , podemos calcular
g(sx , sy )
g(sx , sy )
(sx sx ) +
(sy sy )
sx
sy
g(sx , sy )
g(sx , sy )
sx +
sy
= g(sx , sy ) +
sx
sy
q
2sy
1
1 2sx
p
=
s
+
sy
s2x + s2y + p 2
x
2 sx + s2y
2 s2x + s2y
q
sx sx + sy sy
p 2
=
s2x + s2y +
sx + s2y
g(sx , sy ) g(sx , sy ) +
Portanto,
l1 + l1 = l1 + sin 1 sx cos 1 sy
11
00
00
11
L1 + L1
1
L1
(Sx , Sy ) + (Sx , Sy )
L2
0110
10
L2 + L2
Figura 4.29: Exemplo de estrutura com apenas um vertice e carga nao nula
De maneira similar ao desenvolvimento acima, podemos concluir que
l2 = sin 2 sx + cos 2 sy
Em notacao matricial, o problema fica:
l1
sin 1 cos 1
sx
=
l2
sin 2
cos 2
sy
Vamos agora considerar as forcas necessarias para deformar barras (material elastico), conforme ilustracao nas Figuras 4.30 e 4.31. Mais precisamente,
155
11
00
00
11
F1
1
0
0
1
0
1
F2
l1
F1
k1 0
=
0 k2
l2
F2
F1
sin 1 sin 2
fx
=
F2
cos 1 cos 2
fy
Portanto
sx
sin 1 cos 1
k1 0
sin 1 sin 2
fx
=
sy
sin 2
cos 2
0 k2
cos 1 cos 2
fy
sx
= A
sy
156
11
00
00
11
1
F1
(fx , fy )
Fx
F2
01
10
10
4.18
Refer
encias
4.19
157
Excerccios
Exerccio 4.1 Seja a equacao polinomial abaixo, chamada equacao Diofantina, utilizada na teoria de controle:
A(s)D(s) + B(s)N (s) = (s)
(4.54)
Nesta equacao sao conhecidos os polinomios N (s) e D(s) e deseja-se determinar A(s) e B(s). Para tanto, considera-se tambem como conhecido o
polinomio caracterstico desejado, (s), o qual deve ter todas as suas razes
com parte real negativa: Re(si ) < 0. Nos itens seguintes, utilizar-se-a:
N (s)
D(s)
(s)
A(s)
B(s)
=
=
=
=
=
n0 + n1 s + n2 s 2
d 0 + d 1 s + d 2 s2
0 + 1 s + 2 s2 + 3 s3
a0 + a1 s
b0 + b1 s
sendo d2 6= 0. Tarefas:
a) Mostre que a solucao da equacao Diofantina (4.54) pode ser obtida atraves da solucao do sistema de equacoes lineares (4.55), cujas
incognitas sao os coeficientes dos polinomios A(s) e B(s):
d 0 0 n0 0
a0
0
d 1 d 0 n1 n 0 a1 1
(4.55)
d 2 d 1 n2 n1 b 0 = 2
0 d 2 0 n2
b1
3
b) Considere N (s) = 1 + s e D(s) = 1 + 2.5s + s2 e (s) = (4 + s)(10 +
6s + s2 ) = 40 + 34s + 10s2 + s3 . Monte o sistema (4.55) correspondente e utilize o metodo de Gauss com pivoteamento para determinar
o sistema triangular que permite determinar os coeficientes de A(s) e
B(s). (Mostrar a cada passo as trocas de linhas realizadas, o pivo e os
os fatores multiplicativos).
c) Sejam N (s), D(s) e (s) utilizados no item anterior. Considere
A(s) = s e reformule o sistema (4.55) para encontrar os coeficientes
de B(s) utilizando o metodo dos mnimos quadrados. De o polinomio
caracterstico que e efetivamente obtido ao se utilizar A(s) dado e B(s)
calculado.
158
t1
3 0.7 1
1
1
2 1
0 t2 0
=
1 1
3 0.7 v1 0
1
0
1
2
v2
1
Para o sistema a coeficientes reais acima:
159
1/3 0
0
10
1 5
1/3
0
0
0 1
1
5 6 7 C =
23
1
0 B=
A=
0 1 4
8 33 4
3/7 7/8 9
160
1
x = 10.5
3x1 31 x2 +
4 3
x1 + 2x2 +
x4 =
6
Prof. Kuhn afirma que se o metodo de Jacobi for obtido a partir do preparador classico, entao para qualquer ponto inicial x0 R3 o processo iterativo resultante converge para uma solucao. Voce concorda ou discorda da
afirmacao do Prof. Kuhn? Justifique a sua resposta.
Exerccio 4.11 As questoes abaixo se referem a um sistema Ax = b onde
A Rmn . (Justifique as respostas.)
i. Se m = n, como voce faria para calcular o condicionamento de A?
ii. Prof. Kuhn afirma que se n > m, ou seja, se ha mais variaveis do que
equacoes, entao o sistema tem uma ou mais solucoes. Voce concorda
ou discorda da afirmacao?
iii. Prof. Kuhn afirma que se o sistema linear tem mais do que uma solucao,
entao devem existir infinitas solucoes. Voce concorda ou discorda?
iv. Prof. Kuhn tambem afirma que se rank(AT ) = n e b range(A) entao
o sistema tem solucao u
nica. Voce concorda ou discorda?
Exerccio 4.12 Estamos interessados em encontrar uma solucao para o sistema Ax = b, onde A Rnn .
i. Sob quais condicoes o sistema tem um n
umero infinito de solucoes?
ii. Que condicao a matriz A
Cholesky?
1
iii. Para a matriz B =
3
1
5
7
1
1
toracao LU, onde L =
3
3
7
14
0
2
2
0
0 . Obtenha U e calcule a solucao
1
2
1
do sistema Ax = b para b1 = 0 e b2 = 1 atraves da
2
1
decomposicao LU.
161
F1
l1
F1
l1
fx
F2 = B l2
l2 = A Sx
= C F2 .
fy
Sy
F3
l3
F3
l3
Obtenha portanto a matriz M = CBA de maneira que:
fx
Sx
=M
.
fy
Sy
3
3
l1
x (m)
l3
F1
fy
F3
fx
(Sx , Sy )
2
l2
F2
162
ii. Seja A Rnn uma matriz quadrada. Se A tem inversa, entao kA1 k >
1
.
kAk
iii. Seja A Rnn uma matriz quadrada que possui inversa. Suponha que
A = U U T tal que (i) U T U = I e kU k = 1 e (ii) e uma matriz
diagonal. Entao obrigatoriamente (A) = ().
iv. Seja A Rnn uma matriz tal que A = AT e A1 existe. Entao, com
certeza Ak = A.A . . . A (A multiplicada k vezes) e tal que (Ak ) =
(A)k .
v. Seja Ax = b um sistema de equacoes lineares onde A Rnn tal
que rank(A) = n. Considere o metodo de Jacobi dado por x(k+1) =
D1 [(D A)x(k) + b], onde D e a matriz diagonal de A. Se kAk < 1
entao o metodo de Jacobi e convergente para a solucao.
vi. Seja Ax = b um sistema de equacoes lineares onde A Rmn , onde
m > n, mas tal que b range(A). Entao o metodo de mnimos
quadrados (min kAx bk) pode ser aplicado e encontra uma solucao
x de erro mnimo, ou seja, kAx bk = 0.
vii. Seja Ax = b um sistema de equacoes lineares onde A Rmn e tal que
n > m (ha mais variaveis do que equacoes). Entao o sistema tem uma
ou mais solucoes.
viii. Seja Ax = b um sistema de equacoes lineares onde A Rmn . Se
rank(AT ) = n e b range(A) entao o sistema tem solucao u
nica.
ix. Para x Rn , seja kxk = min{|xj | : j = 1, . . . , n}. Entao kxk e uma
norma vetorial.
Exerccio 4.15 Seja A Rnn uma matriz quadrada. Dados os autovalores
1 , 2 , . . . , n de A, formule o problema de encontrar os autovetores como um
problema (ou problemas) que pode ser resolvido numericamente. Como voce
resolveria este problema numerico?
Exerccio 4.16 Seja Ax = b um sistema de equacoes lineares, onde A
Rnn , b Rn1 e x Rn1 . Seja a matriz D = diag(a11 , a22 , . . . , ann ) (matriz
com a diagonal de A) inversvel, o que nos leva a obter o processo iterativo
de Jacobi (classico)
x(k+1) = D1 [b (A D)x(k) ].
(4.56)
163
(4.57)
164
Captulo 5
Sistemas de Equaco
es
N
ao-Lineares, Otimizac
ao e
Mnimos Quadrados
Neste captulo estudaremos o problema de encontrar uma solucao para um
sistemas de equacoes nao-lineares, para o qual vamos estender o algoritmo
de Newton apresentado em captulo anterior. Aplicacoes deste problema
tambem serao discutidas. Nocoes basicas de otimizacao, incluindo conceitos
de otimalidade e um algoritmo inspirado no metodo de Newton com retrocesso sera proposto para resolver problemas de minimizacao. Trataremos
ainda de problemas de interpolacao, mnimos quadrados e minimizacao de
norma. Este dois u
ltimos problemas estao relacionados com os problemas
de encontrar uma solucao de um sistema de equacoes lineares sem solucao
(mnimos quadrados) e com infinitas solucoes (minimizacao de norma).
5.1
Sistemas de Equaco
es N
ao-Lineares
f1 (x1 , x2 , . . . , xn ) = 0
f2 (x1 , x2 , . . . , xn ) = 0
..
f (x , x , . . . , x ) = 0
n 1
2
n
onde x Rn e f : Rn Rn .
f (x) = 0
(5.1)
166
5.1.1
Matriz de Derivadas
f1
x1
f2
x1
f1
x2
f2
x2
..
.
...
...
..
.
f1
xn
f2
xn
fn
x1
fn
x2
...
fn
xn
f (x) = .
..
..
.
(5.2)
e2x1 +x2 x1
x21 x2
5.1.2
Lineariza
c
ao
fi (x) fi (
x) +
= fi (
x) + fi (
x)T (x x)
f1 (x)
f2 (x)
..
.
fn (x)
f1 (
x)
f2 (
x)
..
.
fn (
x)
f1 (
x)
f2 (
x)
..
.
fn (
x)
f1
(
x)(x1
x1
f2
(
x)(x1
x1
f1
(
x)(x2
x2
f2
(
x)(x2
x2
f1
(
x)(xn
xn
f2
(
x)(xn
xn
xn )
xn )
fn
fn
fn
(
x)(x1 x1 ) + x2 (
x)(x2 x2 ) + . . . + xn (
x)(xn xn )
x1
f1
f1
f1
(
x) x2 (
x) . . . xn (
x)
(x1 x1 )
x1
f2
f2
f2
(
x) x2 (
x) . . . xn (
x) (x2 x2 )
x1
..
..
.
.
fn
fn
fn
(xn xn )
(
x) x (
x) . . . x (
x)
x
1
x1 ) +
x1 ) +
x2 ) + . . . +
x2 ) + . . . +
..
.
Exemplo: Expans
ao de Taylor
Linearizando a funcao do exemplo anterior em torno do ponto x = [0 0]
obtemos:
x1
1
1
1
.
+
f (x) =
x2
0 1
0
5.1.3
Aplicac
ao: Circuito Est
atico N
ao-Linear
Aqui vamos considerar o problema de analisar o comportamento em regime permanente do circuito nao-linear ilustrado na Figura 5.1. Dois resistores nao-lineares caracterizados pelas equacoes:
i1 = g(v1 )
i2 = g(v2 )
onde g(v) e uma funcao nao-linear da tensao atraves do resistor.
168
R
I2
I1
V2
V1
E = R(i1 + i2 ) + Ri2 + v2
E = Rg(v1 ) + Rg(v2 ) + v1
Ev1
R
Ev2
R
= g(v1 ) + g(v2 )
= g(v1 ) + 2g(v2 )
Portanto, os valores de tensao atraves dos resistores podem ser obtidos resolvendo o sistema de equacoes nao-lineares acima.
Outra maneira de se obter um sistema de equacoes equivalente segue
vR1 + v1 = E v R1 = E v 1
vR1
1
= Ev
iR 1 = R
R
vR2 + v2 = v1 vR2 = v1 v 2
vR2
2
iR 2 = R
= v1 v
R
2
i2 = v1 v
iR 2 = i2
R
v1 v2
g(v2 ) =
R
2
= 0
g(v2 ) v1 v
R
iR 1
Ev1
R
= i1 + i2
= g(v1 ) +
v1 v2
R
g(v1 ) +
v1 E
R
v1 v2
R
= 0
f1 (v1 , v2 )
f2 (v1 , v2 )
=0
5.1.4
Algoritmo de Newton
Newton(f, x(0) , )
1: k 0
2: while kf (x(k) )k > do
3:
x(k+1) x(k) f 1 (x(k) ).f (x(k) )
4:
k k+1
5: end while
6: Return x(k)
170
Observe que cada iteracao requer uma avaliacao de f (x) (i.e., n funcoes escalares) e de f (x) (i.e., n2 derivadas parciais). Note tambem que o metodo
de Newton assume que f (xk ) e nao singular pois, caso contrario, o metodo
nao esta definido. Na pratica, calcula-se xk f 1 (xk ).f (xk ) atraves da
solucao de um sistema de equacoes lineares:
a) Calcule Jk = f (xk ) e gk = f (xk )
b) Resolva o sistema:
xk+1 = xk Jk1 gk Jk (xk+1 xk ) = gk
Jk xk = gk , xk = xk+1 xk
c) Obtenha o proximo iterando:
xk+1 = xk + xk
Exemplo 1
Considere o problema de encontrar uma solucao para o sistema de
equacoes nao-lineares abaixo:
f1 (x1 , x2 ) = log(x21 + 2x22 + 1) 0.5 = 0
f2 (x1 , x2 ) = x2 x21 + 0.2
= 0
O sistema possui duas equacoes e duas variaveis, conforme ilustracao na
Figura 5.2. As solucoes para o sistema sao (0.70, 0.29) e (0.70, 0.29).
Exemplo 2: Rastreamento com Radares
Aqui vamos considerar o cenario onde dois radares estao localizados em
posicoes conhecidas, (p1 , q1 ) e (p2 , q2 ), os quais podem determinar a distancia
de suas posicoes ate uma aeronave que esta se deslocando dentro do espaco
aereo. Denotando por 1 e 2 as distancias destes radares ate a aeronave,
o problema e determinar a localizacao (x, y) da aeronave. O problema e
ilustrado na Figura 5.3. Podemos colocar o problema na forma de duas
equacoes e duas variaveis:
p
f1 (x, y) = p(p1 x)2 + (q1 y)2 1 = 0
f2 (x, y) =
(p2 x)2 + (q2 y)2 2 = 0
0.6
f2(x)=0
f1(x)=0
0.4
0
0.2
0
x1
0.2
0.4
0.6
0.8
1
1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
Figura 5.2: Ilustracao das curvas de nvel de duas funcoes nao lineares
Assumindo que (x, y) 6= (p1 , q1 ) e (x, y) 6= (p2 , q2 ), o Jacobiano de f = (f1 , f2 )
pode ser obtido como segue:
xp1
yq1
f1 /x f1 /y
(p x)2 +(q y)2
(p1 x)2 +(q1 y)2
= 1 xp2 1
f (x, y) =
yq2
f2 /x f2 /y
2
2
2
2
(p2 x) +(q2 y)
Fazendo
z=
x
y
e f (z) =
f1 (x, y)
f2 (x, y)
(p2 x) +(q2 y)
5.1.5
Converg
encia do M
etodo de Newton
172
Radar 2
(p2 , q2 )
(x, y)
Figura 5.3: Ilustracao de dois radares que detectam a distancia ate uma
aeronave
5.2
Minimiza
c
ao Irrestrita
Defini
c
ao 5.1 (Mnimo Global) x e um
otimo global se f (x ) 6 f (x) para
todo x Rn .
Defini
c
ao 5.2 (Mnimo Local) x e otimo local se existe > 0, tal que
f (x ) 6 f (x) para todo x Rn tal que kx x k 6 .
A Figura 5.4 ilustra os conceitos de mnimos locais e globais. Os pontos
x1 , x2 , e x4 sao mnimos locais enquanto que o ponto x3 e um mnimo global.
Defini
c
ao 5.3 (Valor Otimo)
O valor
otimo (ou mnimo) de f e o maior
R tal que f (x) > para todo x Rn , neste caso = min f (x).
Se x e uma solucao
otima, ent
ao f (x ) = min f (x).
Se f (x) n
ao tem limite inferior, ent
ao dizemos que min f (x) = .
f (x)
x1
x2
x3
x4
5.2.1
Exemplos
1
x2 +1
5.2.2
Condi
c
oes de Otimalidade para Problemas com
uma Vari
avel
174
2
= f (x ) + f (x )(x x )
[pois f (x ) = 0]
2
para |x x | suficientemente pequeno. Defina x = + x com || > 0
suficientemente pequeno para garantir a validade da expansao de Taylor.
Entao:
1
f (x) = f (x ) + f (x )(x x )2
2
1
= f (x ) + f (x )( + x x )2
2
1
= f (x ) + f (x ) 2
2
< f (x )
[pois f (x ) < 0 e 2 > 0]
implicando em existir x na vizinhanca de x com objetivo estritamente menor.
Mas isto significa que x nao pode ser um mnimo local, contradizendo a
hipotese. Portanto, se x e um mnimo local entao obrigatoriamente f (x ) >
0.
.
Proposi
c
ao 5.2 (Condicao suficiente) Se x satisfaz f (x ) = 0 e f (x ) >
0, ent
ao x e um
otimo local.
Prova: Seja x um ponto que satisfaz as condicoes f (x ) = 0 e f (x ) >
0. Seja x = + x um ponto na vizinhanca de x com 6= 0. Com ||
= f (x ) + f (x )( + x x )2
2
1 2
= f (x ) + f (x )
2
> f (x )
[pois f (x ) > 0 e 2 > 0]
Logo, existe uma vizinhanca N (x ) em torno de x tal que f (x ) < f (x) para
todo x N (x )\{x }, satisfazendo as condicoes de otimalidade local.
Defini
c
ao 5.4 (Funcao convexa) Uma funcao f : R R e convexa se para
todo x, y R e [0, 1] valer:
f (x + (1 )y) 6 f (x) + (1 )f (y)
Proposi
c
ao 5.3 Se f e convexa, ent
ao todo o mnimo local e tambem um
mnimo global.
Prova: Seja x um mnimo local e suponha, por absurdo, que x nao seja
um mnimo global. Seja x um mnimo global e considere o segmento de reta
que une os pontos x e x, ou seja,
x =
x + (1 )x onde (0, 1].
Por convexidade de f , temos que:
f (x) 6 f (
x) + (1 )f (x )
< f (x ) + (1 )f (x )
= f (x )
[Pois f (
x) < f (x )]
176
Prova: (Necessidade) Suponha que f e convexa. Uma vez que f e diferenciavel, vale:
lim
f (x + (z x)) f (x)
= f (x)(z x)
(5.3)
[0, 1]
[0, 1]
[0, 1]
(5.4)
= f (x)(z x)
f (z) > f (x) + f (x)(z x)
f (z)
f (x) + f (x)(z x)
f (x)
Figura 5.5: Ilustracao de funcao convexa: f (z) > f (x) + f (x)(z x) para
todo x, z R.
Prova: A partir da expansao de Taylor de segunda ordem, para quaisquer
x e z tem-se:
1
f (z) = f (x) + f (x)(z x) + f (x + (z x))(z x)2
2
para alguma [0, 1]. Uma vez que f (y) > 0 para todo y, deduzimos que:
f (z) > f (x) + f (x)(z x)
Exemplos de Func
oes Convexas
1) f (x) = ax2 + bx + c com a > 0, pois f (x) = 2ax + b e f (x) = 2a.
e um otimo local u
nico.
Portanto, f (x) > 0 para todo o lugar. x = b
2a
2) Para f (x) = log(ex + ex ) temos que
f (x) =
f (x) =
ex ex
ex +ex
4
(ex +ex )2
178
5.3
Minimiza
c
ao de Funco
es
Vari
avel: M
etodo de Newton
de
uma
5.3.1
Interpreta
c
ao de uma Itera
c
ao
x = x
f (x)
flin
x
x
5.3.2
Exemplo
Tomando como exemplo a funcao f (x) = log (ex + ex ), calculamos as
derivadas de primeira e segunda ordem:
ex ex
f (x) = x
e + ex
4
f (x) =
x
(e + ex )2
180
0.8
3
0.6
0.4
2.5
0.2
0.2
1.5
0.4
0.6
1
0.8
0.5
4
1
4
5.4
M
etodo de Newton com Retrocesso
(Backtracking) para Funco
es Convexas
Convex-Backtracking-Minimize(f, x(0) , , )
1: k 0
2: while |f (x(k) )| > do
3:
4:
5:
6:
7:
8:
9:
10:
k)
vk ff(x
(xk )
while f (xk + vk ) > f (xk ) + f (xk )vk do
vk v2k
end while
xk+1 xk + vk
k k+1
end while
return x(k)
O parametro (0, 0.5) e > 0. O laco mais interno e dito backtracking: decresca o passo vk ate que f (xk + vk ) 6 f (xk ) + f (xk )vk
A Figura 5.8 ilustra o funcionamento do metodo. O passo vk que induz
o proximo iterando xk+1 = xk + vk so e aceito se o decrescimo induzido na
funcao e maior do que o previsto pela reta f (xk ) + f (xk )vk . Note que
f (x) + f (x)v
vmax
f (x) + f (x)v
Figura 5.8: Interpretacao geometrica do metodo de Newton para minimizacao de funcoes convexas
5.4.1
Converg
encia do M
etodo de Newton com Retrocesso
Teorema 5.2 Se f (x) > 0 em todo o lugar e f tem um ponto otimo global
x , ent
ao o metodo de Newton com backtracking converge globalmente para
5.5
Seja x+ = x ff(x)
o minimizador da aproximacao de segunda ordem
(x)
182
f (x)
f (x)
4:
vk f (xkk )
5:
else
6:
vk f (xk )
7:
end if
8:
while f (xk + vk ) > f (xk ) + f (xk )vk do
9:
vk v2k
10:
end while
11:
xk+1 xk + vk
12:
k k+1
13: end while
14: return x(k)
Observacoes:
a) os iterandos satisfazem f (xk+1 ) < f (xk )
b) o algoritmo converge para um mnimo local
c) proximo do mnimo local x , se f (x ) > 0, o algoritmo toma passos
de Newton que garante convergencia quadratica local.
5.6
..
a x + a x + ... + a x = b
m1 1
m2 2
mn n
m
f (x)
x+
f2 (y)
5.6.1
Solu
c
ao por Mnimos Quadrados
m
P
i=1
(aTi x bi )2
184
Exemplo
Considere o problema de encontrar uma solucao para um sistema de tres
equacoes a duas variaveis:
=
1
2x1
x1 + x2 =
0
(5.5)
2x2 = 1
A solucao por mnimos quadrados para (5.5) pode ser colocada na forma
abaixo:
Minimize f = (2x1 1)2 + (x2 x1 )2 + (2x2 + 1)2
x1 , x2
Para encontrar a solucao otima, as derivadas parciais de f devem ser nulas,
ou seja, o gradiente f de f deve ser nulo. Portanto:
f (x) = 0
f
= 10x1 2x2 4 = 0
x1
f
= 2x1 + 10x2 + 4 = 0
x2
Logo, a solucao e:
x1 =
5.6.2
1
1
e x2 =
3
3
Ajuste de Curvas
= y1
= y2
.
= ..
= ym
5.6.3
m
P
(g(ti ) yi )2
i=1
m
P
i=1
A=
5.6.4
g1 (t1 )
g1 (t2 )
..
.
g2 (t1 ) . . . gn (t1 )
g2 (t2 ) . . . gn (t2 )
..
..
..
.
.
.
g1 (tm ) g2 (tm ) . . . gn (tm )
e
b
=
y1
y2
..
.
ym
186
A=
1 t1 t21
1 t2 t22
1 t3 t23
..
.. ..
.
. .
1 tm t2m
. . . t1n1
. . . t2n1
. . . t3n1
..
..
.
.
n1
. . . tm
e
b
=
y1
y2
y3
..
.
ym
5.6.5
5.6.6
Identifica
c
ao de Sistemas
O problema de identificacao de sistema trata da busca de modelos de sistemas que nao conhecemos seus elementos e conexoes. Temos apenas valores
de entrada e seus respectivos valores de sada. Para o sistema ilustrado na
Figura 5.14, por exemplo, podemos realizar um conjunto de experimentos
1.2
y
1
0.8
g(t)
0.6
f(t)
0.4
0.2
0
x
0.2
0.4
1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
Figura 5.10: n = 5 e m = 5
1.4
y
1.2
g(t)
0.8
f(t)
0.6
0.4
0.2
x
0
0.2
1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
Figura 5.11: n = 15 e m = 17
0.8
188
1.2
y
1
0.8
0.6
f(t)
g(t)
0.4
0.2
x
0
0.2
1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
Figura 5.12: n = 5 e m = 65
1
y
0.9
0.8
0.7
g(t)
0.6
f(t)
0.5
0.4
0.3
x
0.2
0.1
0
1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
Figura 5.13: n = 15 e m = 65
0.8
u(t)
y(t)
SISTEMA
(5.6)
Este modelo e conhecido por moving average com n atrasos. Assim y(t) e
o valor de predicao de y(t) produzido pelo modelo para a entrada corrente,
u(t), e as n entradas anteriores, u(t 1), u(t 2), . . . , u(t n). Portanto, a
predicao e uma combinacao linear da entrada corrente e das n entradas anteriores, sendo h0 , h1 , . . . , hn os parametros que definem a combinacao linear
das entradas.
3
u(t)
2
1
0
1
2
3
10
20
30
40
50
60
70
80
t
3
y(t)
2
1
0
1
2
3
10
20
30
40
50
60
70
80
t
190
5.6.7
Estimac
ao por Meio de Mnimos Quadrados
E=
t=N
P
t=n
h0 , . . . , hn
(
y (t) y(t))2
21
(5.7)
"t=N
X
t=n
(
y (t) y(t))2
# 12
= kAx bk
A =
u(n)
u(n 1) u(n 2)
u(n + 1)
u(n)
u(n 1)
u(n + 2) u(n + 1)
u(n)
..
..
..
.
.
.
u(N )
u(N 1) u(N 2)
yn
h0
yn+1
h1
x = h2 e b = yn+2
..
..
.
.
yN
hn
...
...
...
..
.
u(0)
u(1)
u(2)
..
.
. . . u(N n)
5.6.8
Identifica
c
ao do Sistema Motor Taco-Gerador
d2 y(t)
dy(t)
Ka
+
(J
R
+
B
L)
+
(B
R
+
K
K
)
y(t)
=
u(t)
a
b
dt2
dt
Kc
onde:
J e o momento de inercia do motor;
192
10
10
20
50
100
150
Tempo (t)
200
250
300
50
100
150
Tempo (t)
200
250
300
6
4
2
0
2
4
6
(5.8)
6
4
py(t)
2
0
2
4
6
50
100
150
Tempo
200
250
300
50
100
150
Tempo
200
250
300
y(t) py(t)
4
2
0
2
4
6
194
6
4
py(t)
2
0
2
4
6
50
100
150
Tempo
200
250
300
50
100
150
Tempo
200
250
300
y(t) py(t)
4
2
0
2
4
6
Figura 5.19: Modelo de predicao y(t) obtido com a equacao (5.6) e n = 10.
O vetor de erros e = y(t) y(t) tem norma kek = 107.4303.
6
4
py(t)
2
0
2
4
6
50
100
150
Tempo
200
250
300
50
100
150
Tempo
200
250
300
y(t) py(t)
0.2
0.1
0.1
5.6.9
Resoluc
ao de Problemas de Mnimos Quadrados
196
6
4
py(t)
2
0
2
4
6
50
100
150
Tempo
200
250
300
50
100
150
Tempo
200
250
300
0.1
y(t) py(t)
0.05
0
0.05
0.1
Figura 5.21: Modelo de predicao y(t) obtido com a equacao (5.8) e n = 10.
O vetor de erros e = y(t) y(t) tem norma kek = 0.4778.
1
1 1
eb= 4
A= 1 2
2
0 0
a1
AxLS
x2
AxLS b
x1
Soluc
ao do Problema de Mnimos Quadrados
Para o problema de mnimos quadrados dado na Secao 5.6.9, se
rank(A) = n, entao a solucao e u
nica e dada por:
xLS = (AT A)1 AT b
Em outras palavras, se x 6= xLS entao kAx bk2 > kAxLS bk2 . Note
que assumimos que A Rmn com m > n. Note que podemos encontrar
a solucao xLS resolvendo o sistema de equacoes lineares em n variaveis e n
equacoes dado por:
AT Ax = AT b
198
xT AT Ax = 0
kAxk2 = 0
Ax = 0
x = 0 pois A tem posto completo
Portanto, a u
nica solucao para AT Ax = 0 e x = 0 que implica que AT A nao
e singular.
Segundo, vamos mostrar que se x 6= xLS tem-se kAx bk2 > kAxLS bk2 .
kAx bk2 = kAx b + AxLS AxLS k2
= kA(x xLS ) + (AxLS b)k2
= kA(x xLS )k2 + k(AxLS b)k2
pois A(x xLS ) e (AxLS b) sao ortogonais
> kAxLS bk2 ja que x 6= xLS
(x xLS )T AT (AxLS b)
(x xLS )T (AT AxLS AT b)
(x xLS )T (AT b AT b)
0
Interpreta
c
ao Geom
etrica
A solucao otima para o problema de mnimos quadrados, xLS , e tal que
AxLS e a projecao de b sobre o espaco gerado pelas colunas de A, como ilustra
a Figura 5.23
b
kAxLS bk < kAx bk
b AxLS
b Ax
Ax
AxLS
f (x) = kb Axk =
m
X
i=1
onde:
A=
aT1
aT2
..
.
aTm
f (xLS ) =
f (xLS )
x1
f (xLS )
x2
..
.
f (xLS )
xn
=0
Pm
X
f
=
2(aTi x bi )aij
xj
i=1
T
i=1 (ai x
bi )2 ? Pode ser
200
f (x) =
f (x)
x1
f (x)
x2
..
.
f (x)
xn
m
X
i=1
=
=
m
X
i=1
m
X
i=1
2(aTi x
bi )
ai1
ai2
..
.
ain
2(aTi x bi )ai
2(ai aTi x ai bi )
= 2(AT Ax AT b)
Conclusao,
f (x) = 0
AAT x = AT b
2(AT Ax AT b) = 0
AT Ax AT b = 0
x = xLS
Resolu
c
ao Num
erica do Problema de Mnimos Quadrados
Desejamos encontrar xLS que e a solucao do problema AT Ax = AT b.
Note que:
AT A e simetrica;
AT A e positiva semi-definida, ou seja, xAT Ax > 0 para todo x Rn ; e
AT A e positiva definida se A tem posto completo, ou seja, xT AT Ax =
||Ax||2 > 0 para todo x 6= 0.
Portanto, se A tem posto completo podemos fazer uso da fatoracao Cholesky
para encontrar uma matriz triangular inferior L tal que LLT = AT A. Uma
vez calculada a matriz Cholesky L, podemos facilmente encontrar a solucao
xLS .
5.7
Sistemas de Equaco
es Lineares SubDimensionados
[pois rank(A) = m]
(x xLN )T AT (AAT )1 b
(Ax AxLN )T (AAT )1 b
(b b)T (AAT )1 b
0
202
5.7.1
Interpreta
c
ao Geom
etrica
O
xLN
{z : Az = b}
x
x xLN
5.7.2
Calculando a Solu
c
ao de Menor Norma
Soluc
ao por meio da fatorac
ao Cholesky
1) Obtenha C = AAT
2) Obtenha uma fatoracao Cholesky C = LLT
3) Execute as mudancas de variaveis dadas
xLN = AT z
z = (AAT )1 b
e
T
AA z = b
por:
(LLT )z = b
Lw = b
LT z = w
xLN = AT z
LT z = w
Lw = b
Exemplo
Seja o problema de minimizacao de norma dado por
0
1 1 1 1
eb=
A=
1
1
1
1 0 2 2
Primeiro, obtemos C = AAT :
4 2
2 32
e calculamos a fatoracao Cholesky:
2 0
2
4 2
T
T
L=
= AA = LL =
3
1 12
1
2 2
0
1
2
2
.
0
Resolvendo Lw = b, obtemos
2 0
w1
0
w
=
0,
w
=
.
=
2
1
1
2
1 2
1
w2
Resolvendo LT z = w, obtemos:
2 1
0
z1
=
.
z1 = 1, z2 = 2
0 12
z2
2
Por fim, calculamos xLN = AT z:
1 1
1 0
xLN =
1 1
2
1 12
5.7.3
1
2
1
1
=
0
0
Problemas de Minimizac
ao de Normas
Aplicacoes:
sistemas de equacoes lineares com falta de equacoes
solucao por minimizacao de norma
1
1
2
204
5.7.4
a11 x1
a21 x1
a31 x1
..
a x
m1 1
+ a12 x2
+ a22 x2
+ a32 x2
..
+
.
+ . . . + a1n xn
+ . . . + a2n xn
+ . . . + a3n xn
..
+ ... +
.
= b1
= b2
= b3
.
= ..
+ am2 x2 + . . . + amn xn = bm
Exemplo: Transfer
encia de Massa
Vamos aqui considerar o problema de deslocar um bloco, conforme Figura
5.25, de um ponto a outro em um intervalo de tempo. Alguns dados do
problema sao:
a massa e unitaria, m = 1Kg;
a velocidade e posicao sao nulas no instante t = 0s;
o bloco esta sujeito a uma forca F (t);
sao dados a posicao e velocidade final da massa no instante t = 10s; e
a forca sera discretizada no tempo, constante em subintervalos, tal que
F (t) = xj para j 1 6 t < j, j = 1, . . . , 10.
O problema consiste em encontrar a sequencia de forcas x = (x1 , . . . , xn )
que move a massa da origem s(0) = 0 ate a posicao final s(10) = 1 tendo
velocidade nula na chegada, s (10) = 0. Seja:
F (t) = xj para j 1 6 t < j, j = 1, . . . , 10 a sequencia de forcas;
s(t) a posicao da massa no instante t = 10; e
s (t) a velocidade da massa no instante t = 10.
F (t)
s (10) =
10
F (t)dt
0
1
10
F (t)dt
F (t)dt + . . . +
F (t)dt +
9
1
0
Z 10
Z 2
Z 1
x10 dt
x2 dt + . . . +
x1 dt +
=
9
1
0
Z 1
Z 2
Z 10
= x1
dt + x2
dt + . . . + x10
dt
= x1 + x2 + . . . + x10
10
X
=
xi
i=1
206
Da mesma forma, podemos fazer uso da velocidade media em cada subintervalo para calcular a posicao da massa em funcao do tempo:
Z 10
s(10) =
s (t)dt
Z0 1
Z 2
Z 10
=
s (t)dt +
s (t)dt + . . . +
s (t)dt
0
1
9
s(3) s(2)
s(2) s(1)
s(1)
+ s(2) +
+ ...
+ s(1) +
=
2
2
2
s(10) s(9)
+ s(9) +
2
x1 + x2 x1
x1 + x2 + x3 x1 x2
x1
+ x1 +
+ x1 + x2 +
+ ...
=
2
2
2
x1 + . . . + x10 x1 . . . x9
+ x1 + . . . + x9 +
2
x1
x2
x3
x10
=
+ x1 +
+ x1 + x2 +
+ . . . + x1 + . . . + x9 +
2
2
2
2
x1
x2
x3
x10
= 9x1 +
+ 8x2 +
+ 7x3 +
+ ... +
2
2
2
2
10
X 1
+ 10 i xi
=
2
i=1
Para o entendimento da expressao s(10), o leitor pode observar a Fig. 5.26
que traz a curva da velocidade em funcao do tempo. No fim do primeiro
intervalo, a velocidade e s (1) = x1 e, portanto, a integral da curva dada pela
area do triangulo e precisamente a posicao da massa, ou seja, s(1) = x1 /2. No
fim do segundo intervalo, a velocidade e s (2) = x1 +x2 e, portanto, a integral
da curva ate t = 2 nos da a posicao s(2) = x1 /2 + x1 + (x1 + x2 x1 )/2 =
x1 /2 + (x1 + x2 /2). E assim sucessivamente.
Em notacao matricial o problema pode ser colocado como o de encontrar
x R10 tal que Ax = b, onde:
19 17 15
1
. . . 21
2
2
2
A=
eb=
0
1 1 1 1 1
Uma solucao e x1 , . . . , x8 = 0, x9 = 1 e x10 = 1. As Figuras 5.27, 5.28
e 5.29 ilustram o deslocamento s(t), velocidade s (t) e forca aplicada x(t) ao
longo do tempo. Uma segunda solucao e x1 = 1, x2 = 1 e x3 , . . . , x10 = 0.
Ambas as solucoes tem norma kxk2 = x21 + x22 + . . . + x210 = 2.
A solucao de menor norma tem vetor de forcas ilustrado na Figura 5.30.
O vetor de forcas e xLN = [0.0545 0.0424 0.0303 0.0182 0.0061 0.0545
S(t)
x1 + x2 + x3 + x4
x1 + x2 + x3
x1 + x2
x1
1.4
1.2
s(t): posicao
1
0.8
0.6
0.4
0.2
9
tempo (s)
10
208
1.2
s(t): velocidade
0.8
0.6
0.4
0.2
0.2
10
tempo (s)
1
x(t): forca
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
0
10
tempo (s)
0.06
x(t)
0.04
0.02
0.02
0.04
0.06
10
tempo (s)
1.4
1.2
s(t)
0.8
0.6
0.4
0.2
9
tempo (s)
10
210
0.12
0.1
0.08
0.06
0.04
0.02
10
tempo (s)
5.8
Mnimos Quadrados N
ao-linear
r1 (x1 , . . . , xn ) = 0
r2 (x1 , . . . , xn ) = 0
..
r (x , . . . , x ) = 0
m
x1
r1 (x1 , . . . , xn )
x2
r2 (x1 , . . . , xn )
r(x) =
e x = ..
..
.
.
xn
rm (x1 , . . . , xn )
m
P
i=1
x1 , . . . , x5
i ]2
[ex1 nxi 2 wix3 dxi 4 Dix5 L
5.9
Refer
encias
Os topicos sobre sistemas de equacoes nao-lineares, mnimos quadrados, minimizacao de norma e introducao `a otimizacao, apresentados neste
captulo, sao snteses das notas de aula de Vandenberghe [7].
5.10
Exerccios
212
log(x21 + 2x22 + 1)
x2 + 2zy 3 + y 4 = 9
3x3 6x2 z y 3 = 4
x 2z y = 0
pelo metodo de Newton para obter precisao ate a terceira casa decimal.
Use cada uma das tentativas iniciais: i) (x0 , y0 , z0 ) = (2.5, 0.5, 1); ii)
(x0 , y0 , z0 ) = (3, 0, 2); iii) (x0 , y0 , z0 ) = (3.5, 0.1, 1.2); e iv) (x0 , y0 , z0 ) =
(3, 2, 0).
Exerccio 5.4 Considere o problema de otimizacao abaixo:
P : Minimize kxk
Sujeito a :
Ax = b
Comparando P ao problema P de encontrarmos uma solucao para Ax = b,
sob quais condicoes em termos do posto da matriz A, rank(A), faz sentindo
resolvermos o problema P em vez de P ? De uma aplicacao do problema P .
Exerccio 5.5 Considere o problema de otimizacao abaixo:
P : Minimize kAx bk2
x
Comparando P ao problema P de encontrarmos uma solucao para Ax = b,
sob quais condicoes em termos do posto da matriz A, rank(A), faz sentindo
resolvermos o problema P em vez de P ? De uma aplicacao de P .
m2
x(t)
y(t)
10
Figura 5.33: Sistema fsico com dois blocos sujeitos a forcas horizontais
Exerccio 5.7 O problema consiste em deslocar um bloco no plano, conforme Figura 5.34 do ponto (x0 , y0 ) ate o ponto (x1 , y1 ) em um intervalo de
tempo de 20 s. Dados do problema:
a massa e unitaria, m = 1Kg;
a velocidade inicial e nula em t = 0s;
a posicao inicial e (x0 , y0 ) = (1, 1)m;
o bloco esta sujeito a uma forca horizontal ux (t) e uma forca vertical
uy (t) conforme indicado na figura;
214
= 0 e y(20)
= 0.
Tarefas:
1) modele o problema como um problema de minimizacao de norma;
2) calcule as sequencias de forcas que minimizam k(v x , v y )k e indique o
valor desta norma;
3) gere graficos da forca, posicao e velocidade em funcao do tempo:
(v x (t), v y (t)), (x(t), y(t)) e (x(t),
y(t)).
(x1 , y1 )
uy (t)
ux (t)
(x0 , y0 )
216
(5.9)
(5.10a)
(5.10b)
(5.10c)
218
Captulo 6
Revis
ao de Polin
omios
Defini
c
ao 6.1 Um polin
omio p e uma funcao com domnio e imagem em
um conjunto C ou R dado na forma:
p: C C
x 7 p(x) = a0 xn + a1 xn1 + + an1 x + an
O n
umero inteiro n e dito grau do polinomio.
Teorema 6.1 Se p(x) e um polin
omio de grau n, ent
ao para qualquer
existe um polin
omio q(x) u
nico tal que: p(x) = (x )q(x) + p()
O Teorema 6.1 nos diz que, se dividirmos p(x) por (x ) entao encontramos
como quociente um polinomio de grau n 1, se n > 1, e o resto e o valor do
polinomio calculado em .
Exemplo
Considere o polinomio p(x) = 3x5 + 4x4 2x3 x2 + 3x 4 de grau 5.
Para calcularmos o valor do polinomino para x = 2, p(2), podemos fazer as
seguintes contas:
p(2) = 3 25 + 4 24 2 23 22 + 3 2 4
P
multiplicacoes.
o que implica em executarmos n adicoes e nj=1 j = (n+1)n
2
2
Portanto, o procedimento executa (n) adicoes e (n ) multiplicacoes, o
que nos leva a concluir que a complexidade computacional do procedimento
acima e da ordem (n2 ) operacoes computacionais elementares. Sera que
este e o procedimento mais eficiente?
220
6. Revisao de Polinomios
Entretanto, observamos que:
p(x) =
=
=
=
=
Esquema de Horner/Briot-Ruffini
O esquema para calcular o quociente e ilustrado na tabela abaixo, onde
estamos buscando o quociente q(x) da divisao do polinomio p(x) = 3x5 +
4x4 2x3 x2 + 3x 4 por (x ), com = 2.
3
-2
-1
-4
3
b0
6
10
b1
20
18
b2
36
35
b3
70
73
b4
146
142
R = p(2)
=2
a0
b0
a1
b0
a2
b1
a3
b2
a1 + b 0
b1
a2 + b 1
b2
a3 + b 2
b3
...
...
..
.
an1
bn2
an
bn1
an1 + bn2
bn1
an + bn1
R = p()
Corol
ario 6.1 Se p(x) e um polin
omio de grau n > 1 e p() = 0 ent
ao
existe um polin
omio u
nico de grau n 1, tal que p(x) = (x )q(x). Neste
caso, q(x) e chamado de polin
omio reduzido.
6. Revisao de Polinomios
6.1
6.1.1
221
Enumerac
ao de Razes
Enumera
c
ao das Razes de Uma Equac
ao Polinomial
222
6. Revisao de Polinomios
Exemplo
Seja p(x) = x4 x3 + x2 x + 1 um polinomio de quarto grau. Temos
que T = 4 e, portanto, p(x) tem quatro, duas ou nao tem razes positivas.
Procedendo `a analise de p(x) = x4 + x3 + x2 + x + 1, observamos que
T = 0 e da verificamos que p(x) nao tem razes negativas. Logo p(x) pode
ter quatro razes positivas, ou duas razes positivas e duas complexas, ou
nenhuma positiva e quatro complexas. Ha apenas tres possibilidades quanto
aos tipos das razes.
6.1.2
Enumera
c
ao das Razes Complexas
223
6. Revisao de Polinomios
Reais Positivas
2
2
0
0
Reais Negativas
3
1
3
1
Complexas
0
2
2
4
Total
5
5
5
5
Reais Negativas
0
0
0
Complexas
2
4
6
Total
6
6
6
Defini
c
ao 6.2 Seja f (x) = 0 uma equacao onde f : R 7 R e uma funcao
qualquer. Se f (
x) = 0, ent
ao dizemos que x e uma raiz de f .
Defini
c
ao 6.3 Se x e um zero de f (x) ent
ao a multiplicidade m de x e o
nfimo de todos os n
umeros k, tais que:
|f (x)|
<
x
x |x x
|k
lim
Exemplo
1
lim
x0
|x 2 |
1
|x| 2
1
|x 2 |
.
=
para
a
<
x0 |x|a
2
224
6. Revisao de Polinomios
mj = n.
j=1
Observa
c
oes:
A enumeracao de razes reais ou complexas pode ser feita aproximadamente pelo metodo grafico a ser visto posteriormente.
A existencia de um maximo local negativo, ou mnimo local positivo
indica a existencia nas proximidades de razes complexas.
225
6. Revisao de Polinomios
=1
=1
=1
=2,4,6,...
=1
=1,3,5,...
=1,3,5,...
=2,4,6,...
6.2
6.2.1
Localiza
c
ao das Razes
Localiza
c
ao das Razes Reais de Uma Equac
ao
Polinomial
226
6. Revisao de Polinomios
b
a
a
1
1
2
-9
2
-7
-1
-7
-8
20
-8
-12
-12
12
0
1
2
3
-9
6
-3
-1
-6
-7
20
-14
6
-12
12
0
1
3
4
-9
12
3
-1
9
8
20
24
44
-12
132
120
Logo temos que todas as razes positivas de p(x) = 0 sao menores que 3.
Para pesquisar a localizacao das razes negativas utiliza-se o mesmo procedimento, mas desta vez este e aplicado ao polinomio obtido ao multiplicar-se
p(x) = x5 + x4 + 9x3 x2 20x 12 por 1.
227
6. Revisao de Polinomios
1
1
1
1
2
1
1
3
1
-1
1
0
-9
0
-9
1
-9
-8
20
-8
12
-1
2
1
-9
2
-7
1
-14
-13
-1
3
2
-9
6
-3
1
-9
-8
20
-26
-6
20
-24
-4
12
12
24
12
-12
0
12
-12
0
-1 -9 1 20 12
4
4 12 12 52 288
1 3 3 13 72 300
Portanto, as razes pertencem ao intervalo [-4,3].
Teorema 6.10 ( Cota de Vene ) Para toda a raiz positiva de p(x) = 0
onde a0 6= 0, verifica-se que:
0661+
M
a0 + a1 + . . . + ap
6.3
Localiza
c
ao das Razes Complexas de
Uma Equac
ao Polinomial
228
6. Revisao de Polinomios
onde q1 e q2 s
ao os valores maiores de:
( 1 )
ai i
, i = 1, 2, . . . , n.
a0
Exemplo
Seja o polinomio p(x) = x5 + x4 9x3 x2 + 20x 12, onde a0 = 1,
a1 = 1, a2 = 9, a3 = 1, a4 = 20, e a5 = 12. Podemos entao verificar
que a serie de fatores e:
n
1
1
1
2
1
3
1
4
1 , 9 , 1 , 20 , 12
1
5
20
12
11 21 13 14 51 )
1
9
1
1
=
,
,
,
,
12
12
12
12
a1 n1
a2 n2
an1
an
| |xi1
+ | |xi1
+ ... + |
|xi1 + | |
a0
a0
a0
a0
n1
229
6. Revisao de Polinomios
Exemplo
5
12 = 1.643751829
x1 =
x2 = 2.485458195
..
.
x10 = 3.805140857
Como resultado, podemos afirmar que nao ha nenhuma raiz fora do crculo
centrado em zero e de raio 4.0.
6.4
Separac
ao das Razes de Uma Equac
ao
Polinomial
Defini
c
ao 6.5 Separar as razes de uma equacao polinomial e o processo de
encontrar uma sequencia de subintervalos distintos, tais que cada subintervalo
contenha exatamente uma raiz real e cada raiz real esteja num subintervalo.
Teorema 6.13 (Bolzano) Se f for uma funcao continua em [a, b] e trocar
de sinal nos extremos desse intervalo, ent
ao existe pelo menos uma raiz real
de f em [a, b].
Teorema 6.14 (Budan) Seja pk (a) o valor da derivada de ordem k de p(x)
calculada para x = a. Seja va o n
umero de variacoes de sinal da sequencia:
p(a), p (a), p (a), . . . , p(n+1) (a)
tomadas nesta ordem. Entao o n
umero de razes de p(x) = 0 no intervalo
(a, b) e igual ou menor que |va vb | por um m
ultiplo de 2.
Exemplo
Seja p(x) = x3 2x2 x + 2 um polinomio de grau 3. Pela regra de
Descartes temos duas variacoes de sinal e da segue que existem duas razes,
230
6. Revisao de Polinomios
ou nao temos razes positivas. Vamos agora calcular a forma analtica das
derivadas de p(x):
p (x) = 3x2 4x 1
p (x) = 6x 4
p (x) = 6
Calculando a cota de Laguerre-Thibault, conforme tabelas que seguem
abaixo, podemos deduzir que as razes positivas sao menores que 3 (cota
superior igual a 3).
1
1
1
1
2
1
-2
1
-1
-1
-1
-2
2
-2
0
-2
2
0
-1
0
-1
2
-2
0
-2 -1 2
3
3 3 6
1 1 12 8
Aplicando o Teorema de Budan, temos que v0 = 2 e v3 = 0, conforme
tabelas abaixo, logo ha duas ou nenhuma raiz real em [0, 3].
p(0)
p (0)
p (0)
p (0)
=
=
=
=
2
1
4
6
p(3)
p (3)
p (3)
p (3)
=
=
=
=
8
10
14
6
Exemplo
Considere agora o polinomio:
p(x) = x4 4x3 + 6x2 + 4x + 1
de grau 4. O n
umero de variacoes de sinal de p(x) e 4, donde podemos ter
quatro, duas ou nenhuma raiz positiva. Vamos entao calcular a Cota de
Laguerre-Thibault, conforme desenvolvimento abaixo.
1
1
1
-4
1
-3
6
-3
3
4
3
7
1
7
8
231
6. Revisao de Polinomios
1
2
1
1
3
1
-4
2
-2
6
-2
4
4
8
12
-4
3
-1
6
-3
3
4
3
7
1
24
25
1
21
22
-4 6 4 1
4
4 0 24 56
1 0 6 28 57
Uma vez que a Cota de Laguerre-Thibault e 4, podemos aplicar o Teorema
de Budan calculando v0 e v4 , mas antes disso temos que obter as derivadas
de p(x) :
p (x)
p (x)
p (x)
p (x)
=
=
=
=
=
=
=
=
=
1
4
12
24
24
p(4)
p (4)
p (4)
p (4)
p (4)
=
=
=
=
=
81
108
108
72
24
6.5
Exerccios
232
6. Revisao de Polinomios
b) Prof. Clovis afirma que toda raiz de p(x) verifica || 6 7.24. Voce
concorda ou discorda do Prof. Clovis? Justifique a resposta.
Exerccio 6.2 Considere o polinomio:
p(x) = 2x7 + 4x6 7x5 + 12x4 x 1
Para cada afirmacao, indique se voce concorda ou discorda e justifique a sua
resposta.
a) Prof. Miguel afirma que p(x) deve obrigatoriamente possuir pelo menos
uma raiz real positiva.
b) Prof. Julius afirma que p(x) possui pelo menos duas razes reais negativas.
c) Prof. Antunes afirma que p(x) possui pelo menos duas razes complexas.
d) Prof. Albus afirma que, se p(x) possuir uma raiz complexa, entao se
e uma raiz complexa, ela satisfaz a relacao: || 6 4.
Exerccio 6.3 Dado o polinomio:
q(x) = 2x7 + 6x6 10x5 30x4 + 8x3 + 24x2 ,
execute as tarefas abaixo dando justificativas.
a) Encontre os n
umeros possveis de razes reais positivas.
b) Encontre os n
umeros possveis de razes reais negativas.
c) Podemos dizer que q(x) possui razes complexas?
d) Se q(x) possui razes reais, entao localize estas razes.
e) Se q(x) possui razes complexas, entao localize estas razes.
Captulo 7
Integrac
ao Num
erica
Ao contrario da diferenciacao, a integral de uma funcao f (x) nao necessariamente
uma solucao analtica. Por exemplo, a integral limitada
R b possui
2
x2
F (x) = a e dx da funcao f (x) = ex nao possui solucao analtica. Entao,
como podemos encontrar F (x)? Uma solucao aproximada (arbitrariamente
aproximada para o caso de uma maquina de precisao ilimitada) pode ser obtida por meio de metodos numericos. Este metodos serao objeto de estudo
no presente captulo.
7.1
O Problema da Integrac
ao Num
erica
Rb
a
f (x)dx sao
M
etodo Analtico: Este metodo consiste em
R se encontrar a solucao
analtica de F (x), por exemplo F (x) = x1 dx = ln x + c. Por ouR
2
tro lado, F (x) = ex dx nao pode ser escrita como uma combinacao
finita de outras Rfuncoes algebricas, logartmicas ou exponenciais. No
x 1
caso de F (x) = 0 1+x
es de varias eta8 dx, podemos obter F (x) atrav
pas mas estas podem levar a erros e, alem disso, o resultado pode
envolver algumas funcoes que serao avaliadas numericamente que, por
sua vez, poderiam acarretar erros numericos. Ha tambem ferramentas
computacionais inspiradas em algoritmos de Inteligencia Artificial (IA)
que encontram as primitivas de varias funcoes, tais como as ferramentas encontradas em pacotes de software como Mathematica, Maple e
Matlab.
M
etodo Mec
anico: Tais metodos fazem uso de instrumentos que calculam
a area delimitada por uma curva qualquer, todavia sao limitados quanto
234
7. Integracao Numerica
ao n
umero de dimensoes e tem aplicacoes restritas.
M
etodo Gr
afico: Toma como base o desenho de y = f (x) no intervalo
[a, b] que gera uma seq
uencia de iterandos no grafico ate que se obtenha o resultado. Estes metodos sao pouco empregados uma vez que
nao sao automaticos e portanto nao podem ser aplicados em sistemas
computacionais.
M
etodo Num
erico ou Algortmico: Os metodos numericos podem ser
empregados em geral e tem grande apelo pratico uma vez que podem
ser embutidos em ambientes computacionais.
7.2
Objetivo da Integrac
ao Num
erica
O metodo numerico para calcular a integral de f (x) utiliza exclusivamente as operacoes aritmeticas necessarias ao calculo de f (x), o que pode
ser conveniente, assim dispensando o computo das derivadas de Rf . Usualb
mente vamos calcular a integral de f (x) de a ate b, ou seja, F (x) = a f (x)dx,
onde < a < b < +.
7.2.1
Filosofias B
asicas
b
a
f (x)dx
= w1 f (x1 ) + w2 f (x2 ) + . . . + wn+1 f (xn+1 ) =
n+1
X
wj f (xj ) (7.1)
j=1
De acordo com os valores dos pesos e com a escolha de nos, temos no lado
direito de (7.1) o que chamamos de Regra de Integracao. A determinacao
dos pesos e dos nos e feita de acordo com varias filosofias que se agrupam
em duas subdivisoes:
Fixas: A escolha de nos nao depende do comportamento especfico da funcao
a ser integrada, mas apenas da regra a ser utilizada.
Adaptativa: A escolha dos pontos {xj } depende do comportamento da
funcao, de modo que a densidade seja maior onde a funcao f (x) varia
com menos suavidade.
235
7. Integracao Numerica
i.
ii.
R
a
Rb
f (x)dx = limx
Rx
a
f (x)dx = limx
Rb
x
f (x)dx
236
7.3
7.3.1
7. Integracao Numerica
F
ormulas Newtonianas
Considera
c
oes Iniciais
7.3.2
Seja o intervalo finito [a, b] no eixo x, que e particionado em n subintervalos [xj , xj+1 ], j = 1, . . . , n, onde x1 = a, xn+1 = b, e hj = xj+1 xj .
Seja f uma funcaRo contnua, cuja integral nao e conhecida. Nosso objetivo e
b
calcular F (x) = a f (x)dx pelo calculo das areas de retangulos. Este procedimento e ilustrado na Figura 7.2, a qual exemplifica tres tipos de regras. Na
Figura 7.2(a), a area de cada retangulo e dada por A = f (xj )hj , na Figura
7.2(b) a area e dada por A = f (xj+1 )hj , e por fim na Figura 7.2(c) a area e
x +x
dada por A = f ( j 2 j+1 )hj . Em qualquer das escolhas, a soma das areas dos
Rb
retangulos sera uma aproximacao de a f (x)dx que denotaremos por I(f ):
Z b
I(f ) =
f (x)dx
a
I(f ) =
Ij
Ij
=
j=1
xj+1
f (x)dx, j = 1, . . . , n
xj
237
7. Integracao Numerica
onde Ij e area do j-esimo retangulo, sendo dada por uma das tres formulas
acima.
Duas regras para integracao sao:
Regra Simples: Uma formula simples para aproximacao de I(f ) e utilizar
apenas um retangulo, o que resulta nas expressoes abaixo dependendo
de como o retangulo e obtido:
= f (a)(b a)
= f (b)(b a)
a+b
)(b a)
I(f )
= f(
2
I(f )
I(f )
n
X
j=1
n
X
j=1
n
X
f (xj )hj
f (xj+1 )hj
f(
j=1
xj + xj+1
)hj
2
n
X
f (xj )
j=1
R(hj ) = h
n
X
f (xj+1 )
j=1
R(hj ) = h
n
X
j=1
e consequentemente xj+1 = xj + h.
f(
xj + xj+1
)
2
238
7.3.3
7. Integracao Numerica
xa
xb
+ f (b)
ab
ba
b
a
f (x)dx
=
=
=
=
=
=
=
=
f (x)dx
a
Z b
xa
xb
f (b)
dx +
dx
f (a)
ab
ba
a
a
Zb
Zb
f (a)
f (b)
(x b)dx +
(x a)dx
ab
ba
a
a
b
2 b
f (b) (x a)2
f (a) (x b)
+
ab
2
ba
2
a
a
2
f (a)
(a b)
f (b) (b a)2
+
ab
2
ba
2
f (a)(a b) f (b)(b a)
+
2
2
f (a)(a b) + f (b)(b a)
2
ba
[f (a) + f (b)]
2
Ou seja:
Z
b
a
ba
f (x)dx
[f (a) + f (b)]
=
2
239
7. Integracao Numerica
T (hj ) =
=
n
X
j=1
n
X
j=1
Tj (hj )
f (xj ) + f (xj+1 )
hj
2
7.3.4
h
[f (x1 ) + 2f (x2 ) + 2f (x3 ) + . . . + 2f (xn ) + f (xn+1 )]
2
Regra de Simpson
Se aproximarmos f por um polinomio f de grau 2 (uma parabola) teremos a chamada Regra de Simpson. Porem, para interpolarmos f por uma
parabola precisamos de 3 pontos para construirmos a formula da regra sim.
ples. Sejam a e b dois pontos dados e ym , o ponto medio dado por ym = a+b
2
Pelo polinomio de Lagrange temos que:
f (x)
= f (x)
(x b)(x ym )
(x a)(x b)
(x a)(x ym )
= f (a)
+ f (ym )
+ f (b)
(a b)(a ym )
(ym a)(ym b)
(b a)(b ym )
Podemos obter f (x) atraves do polinomio de Gregory-Newton, usando as
diferencas finitas:
f (x) = f (a) + (x a)
2 f (a)
f (a)
+ (x a)(x ym )
h
2h2
240
7. Integracao Numerica
onde,
f (a) = f (ym ) f (a)
2 f (a) = f (b) 2f (ym ) + f (a)
Fazendo uma mudanca de variavel:
x() = a + h, [0, 2]
dx
= h dx = hd
d
x a = a + h a x a = h
De acordo com esta mudanca de variavel, temos que x(0) = a, x(1) = ym , e
x(2) = b para h = ba
. Da deduzimos que:
2
(a + a + 2h)
(x a)(x ym ) = h a + h
2
2a + 2h 2a 2h
= h
2
= h [ 1] h = ( 1)h2
b
a
f (a) ( 1)h2 2 f (a)
hd
+
f (x)dx =
f (a) + h
h
2h2
0
Z 2
( 1)2 f (a)
=
f (a) + f (a) +
hd
2
0
(
2 2
2 )
2 f (a) 3 2
2
= h [f (a)]0 + f (a)
+
2 0
2
3
2 0
1
= h[2f (a) + 2(f (ym ) f (a)) + (f (b) 2f (ym ) + f (a))]
3
Portanto
Z
f (x)dx =
a
h
[f (a) + 4f (ym ) + f (b)],
3
e h = ba
.
onde: ym = a+b
2
2
A aproximacao quadratica f (x) de f (x) no intervalo [a, b], com ponto
medio em ym , e ilustrada na Figura 7.5.
241
7. Integracao Numerica
Regra Composta de Simpson
S(hj ) =
Sj (h)
j=1
n
X
j=1
x +x
hj
[f (xj ) + 4f (yj ) + f (xj+1 )]
3
7.3.5
h
[f (x1 ) + 4f (y1 ) + 2f (x2 ) + 4f (y2 ) + 2f (x3 ) + . . .
3
+2f (xn ) + 4f (yn ) + f (xn+1 )] .
F
ormula Geral das Regras Newtonianas
242
7. Integracao Numerica
x x0
u =
h
u(u 1)(u 2) . . . (u k + 1)
u
=
k
k!
h
Rm+1 =
u(u 1) . . . (u m)f m+1 (), x0 < < xm
(m + 1)!
Integrando f e trocando a integral
Z
b
a
f (x)dx
= h
ak
Rm+1
7.3.6
m
X
com a somatoria
, temos:
ak k f0 + Rm+1 , onde
k=0
b x0
a x0
u
e=
du; =
=
k
h
h
Z
u
= hm+1
f (m+1) ((u))du
m
+
1
Exemplo 1
R1
0
=
=
=
=
=
ba
= 0.25
4
0
0.25
0.5
0.75
1.0
Usando a expressao:
T (h) =
h
[f (x1 ) + 2f (x2 ) + 2f (x3 ) + . . . + 2f (xn ) + f (xn+1 )]
2
243
7. Integracao Numerica
e substituindo os valores acima, obtemos:
T (h) = 0.125[1 + 2 0.9394130632 + 2 0.778800783
+2 0.589788 + 0.367879441]
= 0.742984098
Caso ii, n = 8: Nesta situacao os parametros e nos sao como segue:
h
x1
x2
x3
x4
x5
x6
x7
x8
x9
=
=
=
=
=
=
=
=
=
=
0.125
0
0.125
0.25
0.375
0.5
0.625
0.75
0.875
1.0
Usando a expressao:
T (h) =
h
[f (x1 ) + 2f (x2 ) + 2f (x3 ) + . . . + 2f (xn ) + f (xn+1 )]
2
obtemos:
0.125
[f (x1 ) + 2f (x2 ) + 2f (x3 ) + . . . + 2f (x8 ) + f (x9 )]
2
= 0.745865615
T (0.125) =
7.3.7
Exemplo 2
244
7. Integracao Numerica
Usando a regra de Simpson, temos:
h
[f (x1 ) + 4f (x2 ) + 2f (x3 ) + 4f (x2 ) + . . . + 4f (xn ) + f (xn+1 )]
3
h = 0.1
n = 4
f (x)dx =
a
S(f ) =
7.3.8
Exemplo 3
Calcular
R2
1
7.4
Estimativas de Erros
b
a
f (x)dx
=
n+1
X
j=1
wj f (xj )
245
7. Integracao Numerica
7.4.1
f (x)dx =
a
(b a)
[f (a) + f (b)] + ET T S
2
h3
f (), onde [a, b]
12
Exemplo de Aplica
c
ao
Calcular a integral I =
R2
1
ex
dx
x
I = T (1)
1
[f (1) + f (2)]
=
2
= 0.5(3.678794412 101 + 6.76676416 102 )
= 0.5(4.355470828 101 )
= 2.1777735414 101
O valor exato para 12 casas decimais e 2.170483423687x101 e, portanto, o
erro absoluto e:
|2.1777735414 101 2.170483423687 101 | = 4.729 102
246
7. Integracao Numerica
Comparando o erro absoluto com o erro indicado pelo Teorema 7.1, precisamos inicialmente calcular as derivadas:
ex ex
x2
x
1
1
ex
+
=
x x2
ex ex
ex ex
f (x) =
+ 2 +2 3 + 2
x
x
x
x
2
2
1
+ 2 + 3 ex
=
x x
x
f (x) =
1
logo, o erro de truncamento previsto pelo teorema e | 12
.f ()| = 0.15325.
Portanto, confirma-se que o erro absoluto e menor que o previsto.
7.4.2
h2
(b a)f (), [a, b]
12
e n = ba
. Para cada subintervalo [xi1 , xi ],
Prova. Seja agora h = ba
n
h
i = 1, 2, . . . , n, temos:
Z xi
h
f (x)dx =
[f (xi ) + f (xi1 )] + ET T i , onde
2
xi1
ET T i =
h3
f (i ), i [xi1 , xi ]
12
f (x)dx =
x2
f (x)dx +
x1
x3
f (x)dx + . . . +
x2
xn
f (x)dx
xn1
247
7. Integracao Numerica
e pela regra composta, temos que:
Z
b
a
X
h
ET T i
f (x)dx = [f (x0 ) + 2f (x1 ) + . . . + 2f (xn1 ) + f (xn )] +
2
i=1
mas,
n
X
ET T i =
i=1
n
X
i=1
h3
f (i ), i [xi1 , xi ]
12
n
h3 X
=
f (i )
12 i=1
n
(b a)3 X
f (i )
=
12n3 i=1
Como f (x) e contnua, f (x) assume todos os valores entre seus maximos e
mnimos em [a, b]. Portanto, existe algum [a, b] tal que:
f () =
n
P
f (i )
i=1
Logo,
(b a)3
nf ()
12n3
(b a)3
=
f ()
12n2
h2
= (b a)f ()
12
ET T C =
Exemplo de Aplica
c
ao
R 2 x
Considerando o exemplo anterior, vamos calcular 1 e x dx, com n =
2, 4, . . . , 256. Os resultados destes calculos, juntamente com o erro absoluto
e os limites de erro calculados sao listados na tabela abaixo.
248
7. Integracao Numerica
h
1
5.0 101
2.5 101
1.25 101
6.25 102
..
.
n
1
2
4
8
16
Valor
calculado
0.2177735413
0.1832634907
0.1737575538
0.1715074075
0.1706897700
Erro
absoluto
4.729 102
1.280 102
3.270 103
8.240 104
2.060 104
Limite de
erros
1.53 101
3.83 102
9.58 103
2.40 103
5.60 104
7.4.3
Estimac
ao Num
erica do Erro de Truncamento da
Regra dos Trap
ezios
f (x + h) 2f (x) + f (x h)
+ O(h2 )
h2
16j6n
249
7. Integracao Numerica
Assumindo que f (1 ) = f (2 ), temos que:
h
4[I T ( )]
2
h
4I 4T ( )
2
h
3I 3T ( )
2
h
I T( )
2
= I T (h)
= I T (h)
h
= T ( ) T (h)
2
T ( h2 ) T (h)
=
3
f (a)
f (b)
T (h) = h
+ f (a + h) + f (a + 2h) + . . . + f (a + (n 1)h) +
2
2
h
h 1
h
3h
T( ) =
f (a) + f (a + ) + f (a + h) + f (a + ) + f (a + 2h)
2
2 2
2
2
1
f (b)
+ . . . + f (a + (n 1)h) + f (a + (n )h) +
2
2
Portanto,
n
1
1
hX
h
f (a + (j )h)
T ( ) = T (h) +
2
2
2 j=1
2
logo o n
umero de avaliacoes e reduzido pela metade.
7.5
Quadratura Gaussiana
250
7. Integracao Numerica
ba
(t + 1)
2
o que implica:
ba
dt
2
Alem disso, para x = a temos t = 1 e para x = b temos t = 1. Por meio
da mudanca de variavel e normalizacao do intervalo de integracao, podemos
representar (7.2) por:
Z
(b a) +1
F (t)dt
(7.3)
2
1
dx =
onde:
ba
(t + 1))
(7.4)
2
Logo, daqui em diante, vamos considerar apenas o problema normalizado:
Z +1
F (t)dt
(7.5)
F (t) = f (a +
j=1
onde j e tj sao escolhidos de maneira que a regra seja exata para polinomios
de grau 2n 1. Regras desta natureza sao ditas Gaussianas e os pontos tj
nao sao necessariamente igualmente espacados. No que segue discutimos o
calculo das ponderacoes j e dos pontos de avaliacao tj .
251
7. Integracao Numerica
7.5.1
Vamos encontrar os valores para situacoes onde F (t) = tk para k {0, 1}.
Para k = 0:
O que leva a:
+1
F (t)dt =
1
+1
1dt = [t]+1
1 = 2
1 F (t1 ) = 2 1 t01 1 = 2
Para k = 1:
Da segue que:
+1
F (t)dt =
+1
1
t2 +1
tdt = [ ]1 = 0
2
1 F (t1 ) = 0 1 t11 = 0 t1 = 0
Dos desenvolvimentos acima, conclumos que:
Z +1
(G)
F (t)dt = 2F (0) + E1
(7.8)
7.5.2
(7.9)
Agora, 1 , 2 , t1 e t2 devem ser escolhidos de forma que (7.9) seja exata para
polinomios de grau ate p = 2n 1 = 3. Vamos encontrar os valores para
situacoes onde F (t) = tk para k {0, 1, 2, 3}.
Para k = 0:
Z
+1
F (t)dt =
+1
0
t dt =
1
+1
dt = 2
1
252
7. Integracao Numerica
Para k = 1:
Z +1
+1
t2
=0
t1 dt = [ ]+1
2 1
1
= 1 F (t1 ) + 2 F (t2 ) = 1 t11 + 2 t12 = 1 t1 + 2(7.11)
t2
F (t)dt =
Para k = 2:
Z
+1
F (t)dt =
1
+1
1
2
t3
= 1 t21 + 2 t22
t2 dt = [ ]+1
1 =
3
3
(7.12)
t4
t3 dt = [ ]+1
= 0 = 1 t31 + 2 t32
4 1
(7.13)
Para k = 3:
Z
+1
F (t)dt =
1
+1
1
(7.14)
(7.15)
(7.16)
(7.17)
7.5.3
1
1
(G)
= F ( ) + F (+ ) + E2
3
3
(7.18)
Exemplo de Aplicac
ao
R6
2
x3
dx
3
por
253
7. Integracao Numerica
x = a+
=
=
F (t) =
6
2
x3
dx =
3
b
a
ba
f (x)dx =
2
R +1
1
+1
F (t)dt = 2
1
+1
1
(2t + 4)3
dt
3
F (t)dt F ( 13 ) + F (+ 13 ). Calculando
1
(2/ 3 + 4)3
= 7.678358
F ( ) =
3
3
1
(2/ 3 + 4)3
F (+ ) =
= 45.655075
3
3
Entao, calculamos que:
Z
6
2
x3
dx = 2
3
+1
1
(2t + 4)3
dt = 2 (7.678358 + 45.655075)
3
= 2 53.333333
= 106.666666
Analiticamente,
Z
6
2
4 6
x
64 24
x3
dx =
= 106.666666
=
3
43 2
12
254
7. Integracao Numerica
2
1 = 2 = 1
t1 = 1/
3
e
t
=
1/
2
3
3
1 = 2 = 5/9
t1 = 0.6 e t2 = 0.6
3 = 8/9
t3 = 0
4 1 = 4 = 0.3478548451 t1 = 0.8611363116 e t4 = t1
2 = 3 = 0.6521451549 t2 = 0.3399810436 e t3 = t2
7.5.4
7.6
Refer
encias
O conte
udo deste captulo foi inspirado nos textos de Claudio e Marins
[1] e de Dyer e Ip [3].
7.7
Exerccios
R2
Exerccio 7.1 Calcule 1 ex dx usando i) a regra dos retangulos simples e ii)
a regra dos trapezios simples.
Exerccio 7.2 Considere a Tabela 7.2 com pontos de uma funcao desconhecida f (x), mas contnua. Tarefas:
255
7. Integracao Numerica
a) Calcule
b) Calcule
R4
0
R4
0
R4
c) Calcule 0 f (x)dx usando a Regra dos Retangulos com altura dada pela
media dos valores da funcao nos extremos de cada subintervalo.
x
f (x)
0.0
-4271
3.5
13633
4.0
17217
Exerccio 7.3 Seja f (x) uma funcao duas vezes diferenciavel no intervalo
[a, b]. Entao o erro de truncamento produzido pela regra dos trapezios simRb
ples, ET T S , obtido ao se calcular a f (x)dx e dado por
ET T S =
h3
f (),
12
R4
Exerccio 7.5 Desejamos calcular 4 f (x)dx da forma mais precisa
possvel. Nao conhecemos a funcao f (x), mas sabemos os valores de f em
alguns pontos, conforme Tabela 7.3. Sabendo que f (x) e um polinomio de
grau 6, como que voce calcularia a integral? Basta explicar com clareza como
que voce resolveria o problema. Nao e necessario calcular o valor da integral.
256
7. Integracao Numerica
I1 =
I2 =
0
5
0
ex
dx
x+1
Outras tarefas:
i. calcule o valor analtico de I1 ;
ii. calcule o erro absoluto das aproximacoes calculadas acima para I1 , itens
(a)-(h) acima;
iii. calcule o erro maximo cometido com a regra dos trapezios simples com
base nos resultados teoricos, assumindo que nao se conhece o valor
exato de I1 ; e
iv. calcule o erro maximo cometido com a regra dos trapezios composta
com base nos resultados teoricos, assumindo que nao se conhece o valor
exato de I1 .
257
7. Integracao Numerica
(a)
(b)
f (x)
f (x)
Integral pr
opria
- Bem comportada
- Integrando suave, polinomial
(c)
Integral pr
opria
- Mal comportada
- Integrando nao suave, com
variacoes bruscas
(d)
f (x)
f (x)
Integral impr
opria
- Intervalo de integracao limitado
- Integrando nao limitado
Integral impr
opria
- Integrando pode ser limitado
ou ilimitado
258
7. Integracao Numerica
(a)
x1
x2
(b)
x3
x4
x1
(c)
x2
x3
x4
x1
f (x)
x1 = a x2
x3
x4
x5
x6 = b
x2
x3
x4
259
7. Integracao Numerica
f (x)
f (x)
ym
f (x)
f (x)
b
Figura 7.6: Cancelamento de erros
260
7. Integracao Numerica
Captulo 8
Resolu
c
ao Num
erica de
Equac
oes Diferenciais
Ordin
arias
Fenomenos fsicos frequentemente envolvem relacoes entre uma variavel
independente x e uma variavel dependente y, que nao sao faceis ou mesmo
possveis de serem descritas como uma funcao da variavel independente: y =
f (x). Por outro lado, podemos muitas vezes estabelecer a relacao entre y e
x atraves de seus valores e as derivadas da funcao desconhecida dy/dx. Em
circuitos eletricos, por exemplo, desejamos encontrar a voltagem como uma
funcao do tempo, v(t), que pode ser escrita como uma relacao das derivadas
de v no tempo e as propriedades do circuito. Uma relacao expressa como
uma funcao da variavel independente x, da variavel dependente y e suas
derivadas y (x), y (x), . . . e dita equacao diferencial. Uma relacao que envolve
derivadas ate ordem n e dita equacao diferencial ordinaria (EDO), podendo
ser colocada na forma matematica:
f (x, y(x), y (x), . . . , y (n) (x)) = 0
Neste captulo faremos uma breve introducao `a modelagem de fenomenos
fsicos atraves de equacoes diferenciais, desenvolveremos ainda metodos para
encontrar solucoes numericas para equacoes e sistemas de equacoes diferenciais ordinarias. No caso da variavel independente ser o tempo t, o sistema
de equacoes diferenciais ordinarias toma a forma:
x 1 = f1 (x1 , . . . , xn )
x 2 = f2 (x1 , . . . , xn )
..
..
.
.
x n = fn (x1 , . . . , xn )
262
8.1
Objetivando ilustrar a modelagem com equacoes diferencias, desenvolveremos a seguir modelos de sistemas dinamicos.
8.1.1
Circuito RC
Substituindo i(t) em (8.2) pela relacao (8.1), surge uma equacao diferencial
de primeira ordem:
dvc (t)
dvc (t)
1
1
vc (t) = 0 =
=
vc (t) +
vi (t) (8.3)
dt
dt
RC
RC
Considere o caso simples onde vi (t) = 0 para todo t e vc (0) = vco , correspondendo `a situacao de descarga do capacitor. Entao, a solucao analtica de
(8.3) pode ser obtida:
vi (t) RC
dvc (t)
1
dvc (t)
dt
=
vc (t)
=
dt
RC
vc (t)
RC
Z T
Z T
dt
dvc (t)
RC
t=0
t=0 vc (t)
t
ln vc (t) =
+k
(8.4)
RC
onde k e uma constante. Portanto, a partir de (8.4), deduzimos que a tensao
no capacitor decresce exponencialmente na taxa inversa de RC:
t
vc (t) = e RC +k = ek e RC = vco e RC
(8.5)
263
+
vi (t)
+
C vc (t)
i(t)
1.8
1.6
1.4
Vc (V)
1.2
0.8
0.6
0.4
0.2
0.1
0.2
0.3
0.4
0.5
Tempo (s)
0.6
0.7
0.8
0.9
8.1.2
Circuito RLC
264
di(t)
+ vc (t)
dt
dvc (t)
dt
(8.7)
(8.8)
(8.9)
(8.10)
y(t) = vc (t)
(8.13)
+
vi (t)
265
+ L
+
C vc (t)
i(t)
(8.14)
Uma solucao analtica para (8.14) pode ser obtida. Quando este sistema
se reduz a uma equacao, x = ax, a solucao e trivial, assumindo a forma
x(t) = eat . O caso geral nao e muito diferente do caso particular, para tanto,
definimos a funcao exponencial de matriz como:
eAt = I + At +
X (At)k
1 22 1 33
A t + A t + ... =
2!
3!
k!
k=0
(8.15)
Entao, x(t) = eAt x0 e a solucao de (8.14) com x(0) = x0 . Basta verificar que:
1 22 1 33
d
d At
I + At + A t + A t + . . . x0
e x0 =
dt
dt
2!
3!
1 32 1 43
2
= 0 + A + A t + A t + A t + . . . x0
2!
3!
1 22 1 33
= A I + At + A t + A t + . . . x0
2!
3!
At
= Ae x0
(8.16)
Uma propriedade fundamental de sistemas dinamicos sob a acao de controladores e a estabilidade, que pode ser entendida como a convergencia do
estado x(t) para um ponto de equilbrio x . De maneira simplificada, dizemos
que o sistema (8.14) e estavel se:
lim x(t) = x
266
Vc (V)
0.5
1.5
2
Tempo (s)
2.5
3.5
0.5
1.5
2
Tempo (s)
2.5
3.5
10
dVc/dt (V/s)
10
8.1.3
Supens
ao de Autom
ovel (Simplificada)
267
dy(t)
d2 y(t)
= M
dt
dt2
2
B dy(t) K
1
d y(t)
+
+
y(t)
=
g
+
f (t)
dt2
M dt
M
M
f (t) M g Ky(t) B
(8.17)
(8.18)
x1 (t)
x2 (t)
y(t)
dy(t)/dt
(8.19)
x1 (t)
x2 (t)
y(t)
dy(t)/dt
x 1 (t)
x 2 (t)
y(t)
y(t)
(8.20)
(8.21)
x 1 (t)
x 2 (t)
=
=
B dy(t)
M
dt
x2 (t)
K
M y(t) g +
1
f (t)
M
x2 (t)
B
K
M x2 (t) M x1 (t) g +
1
f (t)
M
268
FM
f
M
x
B
FB
K
FK
8.1.4
O sistema de duas massas acopladas pode ser visto na Figura 8.6. Assumimos que a forca exercida pela mola e nula quando os blocos estao
separados de uma distancia y, FK = 0, enquanto a forca exercida pelo
amortecedor e nula se a variacao de velocidade da massa M1 em relacao `a
M2 e nula, FB = 0. Aplicando a 2a lei de Newton, a soma das forcas aplicadas
em cada massa iguala a massa vezes a aceleracao, em notacao matematica,
isto equivale a dizer que:
M1 y 1 (t) =
=
M2 y 2 (t) =
=
FK + FB
K [y2 (t) y1 (t) y ] + B [y 2 (t) y 1 (t)]
(8.24)
f (t) FK FB
f (t) K [y2 (t) y1 (t) y ] B [y 2 (t) y 1 (t)] (8.25)
x3 (t) = y2 (t)
y 2 (t)
x4 (t)
269
x 3 (t) = 0
0
0
1
B
K
K
x 4 (t)
M2 MB2
M2
M2
0
x1 (t)
x2 (t) Ky
M1
x3 (t) + 0
Ky
x4 (t)
M
0
0
+
0 u
1
M2
(8.26)
FK K
M1
M2
FB
f (t)
8.1.5
(8.27)
(8.28)
270
1/La
x1 (t)
Ra /La 0 kb /La
x 1 (t)
x2 (t) + 0 u(t) (8.30)
x 2 (t) =
0
0
1
0
x3 (t)
km /J
0 D/J
x 3 (t)
va (t) = Ra ia (t) + La
La
+
va
T
ia
+
vb
J, D
8.1.6
Sat
elite em Orbita
(t) e (t).
O satelite
esta equipado com um sistema de propulsao que produz uma impulsao na
direcao tangencial `a sua trajetoria, Ft (t), e uma impulsao ortogonal `a trajetoria, Fr (t). Conforme diagrama da figura, a velocidade tangencial vt (t)
271
k(t) =
= Fr (t)
dt r(t)
r(t)
r(t)2
k(t)
d k(t)
= Ft (t)
dt (t)
(t)
(8.31)
(8.32)
(8.33)
cM
r(t)2
ou, alternativamente,
r(t) = r(t)(t)
2
c
+ Fr (t)
r(t)2
(8.34)
(t) =
Ft (t)
2r(t)
(t)
+
r(t)
M r(t)2
(8.35)
Ft (t)
(t) =
+
r(t)
M r(t)2
r(t) = r(t)(t)
2
(8.36)
(8.37)
272
vt
M
vr
8.1.7
P
endulo Invertido
Aqui, ilustramos a concepcao do sistema dinamico que caracteriza o movimento de um veculo com pendulo invertido acoplado, conforme mostra a
Figura 8.9. Serao obtidas as equacoes diferenciais que regem o movimento
do veculo e do pendulo em resposta a forcas externas e a acao da gravidade.
Fz
Fy
mg
l
273
Sistema Din
amico
Para tornar o desenvolvimento mais simples, assumimos que o carro e o
pendulo se movem no mesmo plano, e que podemos desprezar a friccao, a
massa da haste e a forca do vento. O problema classico de controle consiste
em encontrar uma lei de controle que mantenha o pendulo na posicao vertical,
o qual se encontra deslocado da posicao podendo estar se deslocando para
baixo. Faz-se entao uso da forca horizontal para trazer o pendulo de volta
`a posicao vertical. A forca horizontal e denotada por u(t), a posicao do
horizontal do veculo e dada por y(t) enquanto que a posicao horizontal da
massa do pendulo e denotada por yp (t), e o angulo da haste do pendulo em
relacao ao eixo vertical e denotado por (t). Assumimos que no sistema de
coordenadas (y, z) a origem de z e a posicao onde a haste esta acoplada ao
carro, ou seja, z = 0 na origem do angulo .
De acordo com as leis de Newton, as forcas aplicadas segundo o eixo horizontal devem estar em equilbrio, ou seja, a massa do carro multiplicada
pela aceleracao acrescida da massa do pendulo multiplicada por sua aceleracao deve igualar a forca externa. Matematicamente, este princpio leva `a
equacao:
d2
d2
M 2 y + m 2 yp = u
(8.38)
dt
dt
A posicao da massa do pendulo pode ser expressa como uma funcao de y e
do angulo :
yp = y + l sin
(8.39)
zp = l cos
onde l e o comprimento da haste do pendulo. E substituindo (8.40) em (8.38)
obtemos:
d2
d2
(8.40)
M 2 y + m 2 (y + l sin ) = u
dt
dt
Observando que:
d
sin
dt
d2
sin
dt2
d
cos
dt
d2
cos
dt2
= (cos )
(8.41)
= (sin )2 + (cos )
(8.42)
= (sin )
(8.43)
= (cos )2 (sin )
(8.44)
(8.45)
274
(8.46)
Fy = m
Fz
d2
= m 2 zp
dt
= m l cos 2 + l sin
(8.47)
(8.48)
(8.49)
Portanto, as equacoes que descrevem o sistema sao (8.45) e (8.49), que justapostas levam ao sistema:
(M + m)
y ml(sin )2 + ml(cos ) = u
(8.50)
m
y cos + ml = mg sin
O sistema de equacoes diferenciais (8.50) e relativamente complexo em virtude de sua natureza nao-linear.
Modelo Matricial
No que segue, modificamos o sistema (8.50) de maneira a deixar as
variaveis y e em funcao das demais. O sistema (8.50) e equivalente a:
(M + m)
y + ml(cos ) = u + ml(sin )2
m
y cos + ml = mg sin
275
(M + m) ml cos
m cos
ml
u + ml sin 2
mg sin
(8.51)
=
=
1
ml
ml cos
u + ml sin 2
(8.52)
mg sin
(M + m)ml m2 l cos2 m cos (M + m)
1
lu + ml2 sin 2 mlg sin cos
(M + m)l ml cos2 cos u ml sin cos 2 + (M + m)g sin
Sistema de Equa
c
oes de 1a Ordem
Podemos expressar (8.52) em um sistema envolvendo apenas derivadas
de variaveis por meio de uma mudanca de variaveis, fazendo:
y
x1
x2 y
x3 =
x4
y
x 1
x 2 y
x 3 =
x 4
(8.53)
(8.54)
Conclumos que o sistema pode ser modelado pelas equacoes (8.50) ou, equivalentemente, pelas equacoes (8.54) por meio da mudanca de variaveis definida por (8.53). De forma mais compacta, (8.54) pode ser colocado em forma
vetorial fazendo x = (x1 , x2 , x3 , x4 ) e F (x, u) corresponder ao lado direito do
sistema (8.54), o que leva `a:
x = F (x, u)
(8.55)
276
Linearizac
ao
Podemos, alternativamente, considerar uma linearizacao do sistema (8.50)
em torno do ponto de equilbrio = 0 e = 0, colocando o pendulo na posicao
vertical, o que sera objeto de analise mais `a frente.
= 0 e forca u = 0
Tomando como ponto de equilbrio a posicao (y, y,
, )
e assumindo pequenas perturbacoes no ponto de equilbrio1 , podemos simplificar o modelo x = F (x, u) por meio de uma aproximacao linear fazendo
uso da serie de Taylor:
x = F (0, 0) + x F (0, 0)x + u F (0, 0)u
= x F (0, 0)x + u F (0, 0)u
(8.56)
f1 = 0
f1 = 0,
f1 = 1,
f1 = 0,
f1 = 0,
x1
x2
x3
x4
u
Para f2 , obtemos:
f2 = 0,
f2 = 0
x1
x2
f2 =
x3
(M + m) m cos2 x3
(u + ml sin x3 x4 2 mg sin x3 cos x3 )(2m cos x3 sin x3 )
[(M + m) m cos2 x3 ]2
mg
f2 (0) =
x3
M
2ml sin x3 x4
f2 =
f2 (0) = 0
2
x4
(M + m) m cos x3
x4
1
1
f2 =
f2 (0) =
2
u
(M + m) m cos x3
u
M
Para f3 , obtemos:
f3 = 0,
f3 = 0,
f3 = 0,
f3 = 0,
f3 = 1,
x1
x2
x3
x4
u
1
277
f4 = 0,
f4 = 0
x1
x2
f4 =
x3
(M + m)l ml cos2 x3
[2ml cos x3 sin x3 ][ cos x3 u ml sin x3 cos x3 x4 2 + (M + m)g sin x3 ]
(M + m)g
f4 (0) =
x3
Ml
2ml sin x3 cos x3 x4
f4 =
f4 (0) = 0
x4
(M + m)l ml cos2 x3
x4
cos x3
1
f4 =
f4 (0) =
2
u
(M + m)l ml cos x3
u
Ml
A partir das derivadas
0
x 1
x 2 0
x 3 = 0
x 4
0
1
0
0
x1
0
mg
1
0
0
M
x2 + M u
0
0
1 x3 0
(M +m)g
M1 l
x4
0 Ml
0
(8.57)
Problemas como o descrito acima tem as relacoes entre as variaveis descritas em termos de equacoes diferenciais, ou seja, equacoes que envolvem um
funcao desconhecida e algumas de suas derivadas. Uma equacao que envolve
derivadas ate ordem n e chamada de equacao diferencial ordinaria (ODE).
8.2
Exemplos de Equaco
es Diferenciais
Exemplo
Uma lista de equacoes diferenciais exemplo segue abaixo:
a)
dy
dx
= y + x2
b)
dy
dx
= y2
c)
dy
dx
= 2x + 3
dy
d) ex dx
+ 7xy = x2 + 1
e)
dy
dx
=y+1
278
f)
d2 y
dx2
dy
+ 3 dx
17y = 0
g) xyy + xy = 0
h) ex y + 2y + 3xy = x + 3
As equacoes dadas em (a) e (e) sao equacoes diferenciais de primeira ordem e
lineares. Ja as equacoes (f) e (h) sao equacoes diferenciais de segunda ordem
e lineares, enquanto que a equacao (g) e uma equacao diferencial de segunda
ordem e nao-linear.
Exemplo
Considere a equacao diferencial linear de primeira ordem:
dy
= 2x + 3
dx
que pode ser escrita como y = f (x) sendo f (x) = 2x+3 uma funcao contnua
para a < x < b. A solucao da equacao e dada por:
Z
y =
f (x)dx + c
Z
=
(2x + 3)dx
= x2 + 3x + c
8.3
(8.58)
279
8.4
Sistemas de Equaco
es Diferenciais
y1 (x) = f1 (x, y1 , y2 , . . . , yn )
y (x) = f2 (x, y1 , y2 , . . . , yn )
2
(8.59)
..
y (x) = f (x, y , y , . . . , y )
n
Quando o problema acima tem solucao, entao ele tem, em geral, varias
solucoes, ou seja, uma famlia de solucoes. Com as condicoes iniciais abaixo,
temos o problema do valor inicial:
y1 (x) = y(x)
y2 (x) = y (x)
..
y (x) = y n1 (x)
n
Note que a equacao diferencial do problema de valor inicial, (8.58), pode ser
colocada na forma de um sistema de equacoes diferenciais de primeira ordem,
conforme modelo dado por (8.59). Para tanto, basta proceder como segue:
y1 = y
(n)
(n1)
y2 = y
y = f (x, y, y , . . . , y
)
..
yn = y (n1)
y1 = y
y = y
2
..
y = y (n)
n
y1 = y2
y = y
2
3
(8.60)
..
y = f (x, y , y , . . . , y )
n
Exemplo
(8.61)
280
y1 = y2
y1 = y
y2 = y3
y2 = y
(8.62)
y3 = xy2 + ex y1 + x2 + 1
y3 = y
8.5
Equaco
es de Diferencas
(8.63)
(8.64)
Exemplos
Abaixo listamos tres exemplos de equacoes de diferencas lineares:
a) yk+2 5yk+1 + 6yk = 0, y0 = 0, y1 = 1
b) yk+1 yk = 0 e y0 = 0
c) yk+3 2yk+2 yk+1 + 2yk = 0, y0 = 0, y1 = 3, e y2 = 1
8.6
M
etodo de Euler
281
equacao diferencial e encontrar os valores (y1 , y2 , . . . , yn ) atraves de uma aproximacao da equacao de diferencas. Tal aproximacao introduz um erro de
truncamento e um erro de arredondamento.
Vamos resolver a ODE de primeira ordem da forma y = f (x, y) sujeita
`a condicao inicial y(x0 ) = y0 . Primeiramente, vamos analisar o problema
graficamente. Suponhamos que y = F (x) e que a solucao analtica seja a
curva mostrada no grafico da figura abaixo.
y
y = F (x)
y2
y1
y0
x0
x1
x2
282
y
y1
P (x1 , y1 )
y0
x0
x1
[y(x + h) y(x)]
h
(8.67)
Introduzindo a notacao
xk = a + kh,
= 0, 1, 2, . . .
8.6.1
Exemplo
283
y0 + hf (x0 , y0 )
1 + 0.1(2 1 + 3)
1.5
x0 + h
1.0y0 = 1.0
1.1y1 = 1.5
y1 + hf (x1 , y1 )
1.5 + 0.1(2 1.1 + 3)
2.02
1.2
8.6.2
O Algoritmo de Euler
8.7
M
etodo de Euler para Sistemas de
Equaco
es
Aqui vamos estender o metodo de Euler desenvolvido na secao para resolver numericamente sistemas de equacoes diferenciais.. Vejamos inicialmente
284
y = f (t, y, z)
z = g(t, y, z)
Fazendo h0 = t1 t0 , temos:
y(t1 ) =
=
z(t1 ) =
y1
y0 + h0 f (t0 , y0 , z0 )
z1
z0 + h0 g(t0 , y0 , z0 )
k+1
y k+1 = y k + hf (x(k), y k , y k , . . . , y k )
2
2
2
1
2
n
.
.
y k+1 = y k + hf (x(k), y k , y k , . . . , y k )
n
n
n
1
2
n
(8.69)
Logo, as equacoes (8.69) nos dao um processo iterativo para calcular a solucao
numerica aproximada de y(x) a partir de um conjunto de condicoes iniciais.
Isto significa que a trajetoria {(xk , y k ) : k = 0, 1, 2, . . .}, conforme (8.69),
produz uma solucao aproximada para y(x).
8.8
M
etodos Baseados na S
erie de Taylor
F (x) = F (x0 ) +
(8.70)
285
Sabemos que:
F (x0 ) = y0
F (x0 ) = f (x0 , y0 )
= y0
(n)
(8.71)
dy
x dy fx
y = fyy f . dx
+ fxy f + f
. .
x dx x
2
= fxx + 2fxy f + fyy f + fx fy + fy2 f
8.8.1
Exemplo
286
Asim temos:
y (0) = 0 + y02 = y02
= 1
y (0) =
=
=
=
1 + 2yy
1 + 2y0 y0
1 + 2.1.1
3
y (0) =
=
=
=
6y 4 + 2y + 4xy 2 + 4y 2 x + 2x
6y04 + 2y0
6.1 + 2.1
8
8.9
M
etodo de Runge-Kutta
8.9.1
h3
h2
y (xk ) + y (xk )
2
6
(8.72)
M
etodo de Runge-Kutta de Segunda Ordem
h3
h2
y (xk ) + y (k )
2
6
(8.73)
287
x x2
x x1
+ f (x2 )
x1 x2
x2 x1
p (x) = f (x1 )
da temos com h = x2 x1 que:
1
1
+ f (x2 )
x1 x2
x2 x1
df (x, y(x))
1
=
[f (x + h, y(x + h)) f (x, y(x))] + O(h)
dx
h
(8.75)
(8.77)
288
8.10
Exerccios
r(tk ) = rk , k = 1, 2, . . . , n
Deseja-se, entao, calcular os valores aproximados de x(t) nos instantes determinados, levando em consideracao as condicoes de contorno:
x(tk ) = xk , k = 1, 2, . . . , n
com x(t0 ) = x0 e x(tf ) = x (t0 + (n + 1)T ) = xf
Para tanto, pode-se utilizar a aproximacao seguinte:
d2 x(t)
x(t + T ) 2x(t) + x(t T )
2
dt
T2
(8.80)
289
d2
d
1
i(t) + R i(t) + i(t) = 3.5 cos (3.5t)
2
dt
dt
C
L = 3H
t=0
sin(3, 5t)
C = 0, 005F
290
(8.81)
d2 V (t)
dV (t) 1
+ V (t) = 20e2t
+4
2
dt
dt
3
291
V (t)
K
M
Exerccio 8.5 A dinamica do movimento do sistema de dois pendulos descrito Figura 8.14 pode ser descrita pelas equacoes diferenciais abaixo:
= d1
(d + 1 )
1
1 2 2
1
d2
2 = m2 2 + I2 d22
2 sin 2 2
m
l
u
+
1
2
1
2
2
1
d1
d1
d2 = m2 (22 + l1 2 cos 2 ) + I2
=
m
l
1
2
1
2
2
2 = m2 2 g cos(1 + 2 2 )
(8.82)
onde u e o torque aplicado na junta, m1 = m2 = 1 sao as massas das
hastes, l1 = l2 = 1 sao os comprimentos das hastes, 1 = 2 = 1/2 sao
os comprimentos ate o centro de massa das barras, I1 = I2 = 1 sao os
momentos de inercia das barras, e g = 9.8 e a aceleracao da gravidade.
Todas as unidades estao no sistema internacional.
292
Torque
293
iii) dados de sada: o programa correspondente ao pseudo-codigo dever fornecer os valores aproximados de y(t) ao longo das iteracoes
e os valores correspondentes da variavel independente.
294
Refer
encias Bibliogr
aficas
[1] D. M. Claudio and J. M. Marins. C
alculo Numerico Computacional.
Atlas, 1994.
[2] T. H. Cormen, C. E. Leiserson, and R. L. Rivest. Introduction to Algorithms. MIT Press, Cambridge, MA, 1990.
[3] C. C. Dyer and S. S. Ip. An Elementary Introduction to Scientific Computing. Division of Physical Sciences, Univerisity of Toronto at Scarborough,
January 2000.
[4] H. Jeffreys and B. S. Jeffreys. Methods of Mathematical Physics. Cambridge University Press, Cambridge, England, 3rd edition, 1988.
[5] W. H. Press, B. P. Flannery, S. A. Teukolsky, and W. T. Vetterling. Numerical Recipes in FORTRAN: The Art of Scientific Computing. Cambridge University Press, Cambridge, England, 2nd edition, 1992.
[6] S. L. Salas, E. Hille, and J. T. Anderson. Calculus: One and Several
Variables, with Analytic Geometry. John Wiley and Sons, New York,
NY, 5th edition, 1986.
[7] L. Vandenberghe. Applied Numerical Computing. Lecture Notes for
EE103, 2001.
296
Referencias Bibliograficas
Ap
endice A
Fundamentos Matem
aticos
A.1
Limites e Continuidade
Informalmente,
lim f (x) = l
xc
298
A. Fundamentos Matematicos
A conexao e simples,
|(2x 1) 3| = |2x 4| = 2|x 2|.
(A.1)
xc
xc
xc
299
A. Fundamentos Matematicos
(a)
(b)
A.2
Diferenciac
ao
300
A. Fundamentos Matematicos
(x, f (x))
x
Figura A.2: Funcao exemplo.
y
f (x) Secante
f (x)
(x + h, f (x + h))
Limite
(x, f (x))
Limite
(x, f (x))
(x + h, f (x + h))
x
h>0
h<0
Secante
301
A. Fundamentos Matematicos
dada por:
f (x + h) f (x)
.
h0
h
lim
Defini
c
ao A.5 Uma funcao f e dita diferenci
avel no ponto x se
f (x + h) f (x)
existe.
xc
h
lim
302
A. Fundamentos Matematicos
dy
du
dy
= 6,
= 2,
=3
dx
du
dx
o que nos leva a confirmar a regra da cadeia pois:
dy du
dy
=
.
dx
du dx
A.2.1
Aplicac
ao de Diferenciac
ao
a area
se
cao facial e lx = 33 x2 e o volume de agua armazenado no tanque
da
2
e 12 x 3 3 = 4 3x2 .
3
2
dV
dt
= 4, temos
3 dx
4=8 3
2 dt
o que nos leva a concluir que
1
dx
=
3.
dt
9
303
A. Fundamentos Matematicos
No instante em que a agua atinge a altura 1 12 cm, o nvel da agua esta subindo
Agua
60o
A.3
Teorema do Valor M
edio
f (b) f (a)
.
ba
O n
umero c e a inclinacao da reta l que passa atraves dos pontos (a, f (a)) e
(b, f (b)). Dizer que existe pelo menos um n
umero c tal que
f (c) =
f (b) f (a)
ba
significa dizer que o grafico da funcao f tem pelo menos um ponto (c, f (c))
no qual a tangente e paralela a l. Esta configuracao e ilustrada na Figura
A.5.
304
A. Fundamentos Matematicos
Tangente
(b, f (b)) l
(c, f (c))
f (x)
(a, f (a))
A.4
M
aximos e Mnimos
Em problemas de Engenharia e Fsica, rotineiramente se deseja determinar quao grande ou quao pequena uma certa quantidade pode ser. Se o
problema admite uma formulacao matematica, entao podemos em princpio
reduzi-lo ao problema de encontrar o valor mnimo ou maximo de uma certa
funcao. No que segue, vamos considerar os valores maximos e mnimos de
uma funcao em um intervalo aberto.
Defini
c
ao A.7 (Mnimo/Maximo Local) Uma funcao f tem um maximo
local no ponto c sse
f (c) f (x) para todo x suficiente pr
oximo de c.
A funcao tem um mnimo local no ponto c sse
f (c) f (x) para todo x suficiente pr
oximo de c.
As nocoes de pontos de maximo e mnimo locais sao ilustradas na Figura
A.6.
A.5
Introduc
ao a Equaco
es Diferenciais
305
A. Fundamentos Matematicos
y
(a, f (a))
(c, f (c))
M
aximo
Local
f (x)
M
aximo
(b, f (b))Local
Mnimo
Local
y = 2y + ey , 2y y + 2y = 0, y + 2y y = x.
Equacoes diferenciais sao essencias na modelagem matematica de fenomenos
fsicos, tendo in
umeras aplicacoes reais em engenharia, fsica e matematica.
Muitas vezes os problemas de interesse sao tao complexos que a analise
destes torna-se intratavel. A investigacao do impacto de novas polticas cambiais na economia de um pas e a influencia do ac
umulo de resduos poluentes
em um ecosistema configuram sistemas de complexidade consideravel. Em
tais sistemas, o topico de interesse pode ser identificado com certa facilidade
mas, por outro lado, e muito difcil de se chegar a conclusoes. As relacoes entre as grandezas podem nao ser aparentes. Em tais situacoes, se faz necessario
o emprego de modelos simplificados que tomam como hipoteses premissas restritivas. Por exemplo, na modelagem de sistemas mecanicos podemos desconsiderar as variacoes da gravidade e a resistencia do ar para velocidades
baixas. Contudo, e importante que as hipoteses sejam enunciadas de forma
a deixar claro as limitacoes e a regiao de validade. Se as hipoteses podem
ser escritas em notacao matematica, entao as ferramentas de modelagem e
solucao matematica podem ser empregadas no tratamento do problema. O
processo de transcrever, formular, analisar e resolver um problema em um
contexto matematico e conhecido como modelagem matematica.
O objetivo da modelagem matematica e melhor enteder um fenomeno do
mundo real, o que nao e uma tarefa trivial. Muitas vezes, desejamos construir
um modelo que nos permita fazer predicoes que por sua vez podem ser empregadas para influenciar a evolucao de eventos. Por exemplo, o modelo de
306
A. Fundamentos Matematicos
(A.2)
307
A. Fundamentos Matematicos
Para resolver uma equacao na forma
y + p(x)y = q(x)
primeiramente calculamos
P (x) =
p(x)dx
P (x)
y=
eP (x) q(x)dx + c
P (x)
Z
{ eP (x) q(x)dx + c}.
Modelo Presa-Predador
Objetivando ilustrar a modelagem matematica, vamos considerar um
cenario de duas especies onde uma serve de alimento a outra. Digamos que
as especies sao raposas e coelhos. Se a populacao de coelhos cresce, entao
as raposas encontram presas com mais facilidade e em decorrencia de melhor alimento tambem crescem em n
umero. Apos algum tempo, a populacao
de coelhos decresce. Como conseq
uencia, a populacao de raposas tambem
decresce em virtude da dificuldade de encontrar alimento. A reducao da
populacao de raposas, por sua vez, facilita o crescimento da populacao de
coelhos, levando de volta ao incio do ciclo.
308
A. Fundamentos Matematicos
Seja x o n
umero de raposas e y o n
umero de coelhos no instante t. Vamos
considerar as especies separadamente. Se nao ha raposas, a populacao de
coelhos cresce exponencialmente, o que pode ser modelado pela equacao
dy
= ay,
dt
a > 0.
(A.4)
Por outro lado, se nao ha coelhos, a populacao de raposas decresce exponencialmente conforme modelo
dx
= bx,
dt
b > 0.
(A.5)
dx
= rxy bx, onde a, b, r, s > 0.
dt
309
A. Fundamentos Matematicos
Separando as variaveis obtemos
dy
y(a sx)
ry b
dy
y
ry b ln y + sx a ln x
ry + sx ln xa y b
ry + sx c
ery+sxc
=
=
=
=
=
=
ec =
dx
,
x(ry b)
(a sx)
dx,
x
c,
c,
ln xa y b ,
xa y b ,
xa y b
.
ery esx
dx
= x(ry b) > 0 sse y > b/r.
dy
Portanto, o movimento e no sentido horario. O ponto E = (a/s, b/r) e um
ponto de equilbrio. As duas populacoes nao mudam com o passar do tempo.
Na pratica tal equilbrio nao ocorre. O comportamento cclico ilustrado pela
figura melhor representa o caso real.
310
A. Fundamentos Matematicos
f (z)
p p
( me
)
p
m
z1
z2
zp
,
emz
p, m > 0.
y
x=
a
s
=4
K = 0, 16
5
4
y=
b
r
=3
3
2
1
10
311
A. Fundamentos Matematicos
A.6
Vetores
x
Figura A.9: Plano cartesiano.
A adocao do plano cartesiano para representacao de vetores facilita
operacoes basicas sobre vetores. Por exemplo, a soma vetorial de dois vetores a = (a1 , a2 , a3 ) e b = (b1 , b2 , b3 ) pode ser obtida fazendo:
a + b = (a1 , a2 , a3 ) + (b1 , b2 , b3 ) = (a1 + b1 , a2 + b2 , a3 + b3 )
A multiplicacao de um vetor a por um escalar tambem e simples, sendo
dada por:
a = (a1 , a2 , a3 )
A soma vetorial de dois vetores a e b esta exemplificada na Figura A.10.
Dois vetores nao nulos a e b sao ditos paralelos se a = b para algum
escalar . Dois vetores paralelos a e b tem a mesma direcao se > 0; eles
tem direcoes opostas se < 0.
O comprimento de um vetor e medido por meio de normas. A norma l-2
ou norma Euclidiana de um vetor x = (x1 , x2 , x3 ) e definida como:
q
kxk = x21 + x22 + x23
312
A. Fundamentos Matematicos
z
a+b
b
a
0
x
Figura A.10: Soma vetorial.
A.6.1
Produto Interno
313
A. Fundamentos Matematicos
(A.7)
ab
314
A. Fundamentos Matematicos
A.6.2
Projec
oes
a
b
bk
b
Figura A.12: Produto interno.
315
A. Fundamentos Matematicos
(A.8)
(a + b) (a + b)
aa+ab+ba+bb
a a + 2a b + b b
a a + 2|a b| + b b
kak2 + 2kakkbk + kbk2
(kak + kbk)2
316
A.6.3
A. Fundamentos Matematicos
Produto Cruzado
317
A. Fundamentos Matematicos
que por sua vez implica em:
ka bk = kakkbk sin
Esta expressao nos diz que a norma do produto cruzado de dois vetores nao
nulos e precisamente a area do paralelogramo cujos lados sao definidos por
estes vetores. Esta propriedade e ilustrada na Figura A.13.
kbk
kbk sin
kak
A.7
C
alculo Vetorial
(A.9)
que induz uma funcao vetorial f . Por exemplo, fazendo f1 (t) = sin t, f2 (t) =
cos t, f3 (t) = 0, obtemos a funcao vetorial:
f (t) = sin ti + cos tj
Note que para todo t,
kf (t)k =
sin2 t + cos2 t = 1
Defini
c
ao A.8 (Limite) Uma funcao f dada por (A.9) possui um limite
em t0 se e somente se f1 , f2 e f3 possuem limite em t0 . Seja u = x1 i + x2 j +
x3 k. Dizemos que:
lim f (t) = u lim f1 (t) = x1 ,
tt0
tt0
lim f2 (t) = x2 , e
tt0
lim f3 (t) = x3
tt0
(A.10)
318
A. Fundamentos Matematicos
Defini
c
ao A.9 (Continuidade) Dizemos que uma funcao vetorial f e
contnua em t0 se e somente se cada componente e contnua em t0 . Matematicamente, f e contnua se e somente se
lim f1 (t) = f1 (t0 ), lim f2 (t) = f2 (t0 ) e lim f3 (t) = f3 (t0 )
tt0
tt0
tt0
Regras de integracao:
Rb
Rb
Rb
i. a [f (t) + g(t)]dt = a f (t)dt + a g(t)dt
Rb
Rb
ii. a f (t)dt = a f (t)dt (para todo escalar )
Rb
Rb
iii. a c f (t)dt = c a f (t)dt (para todo vetor c)
Rb
Rb
iv. a kf (t)kdt k a f (t)dtk
319
A. Fundamentos Matematicos
A.8
A.8.1
Funco
es de M
ultiplas Vari
aveis
Exemplos
D.
Seja D R3 um subconjunto do espaco xyz. Uma funcao f (x, y, z)
que associa um valor real a cada ponto (x, y, z) de D e dita funcao de tres
vari
aveis. Da mesma forma que no caso anterior, D e o domnio de f e
{f (x, y, z) : (x, y, z) D} e a varredura.
Como exemplo, Seja D = {(x, y, z) : x2 + y 2 + z 2 < 1} uma bola tridimensional aberta dep
raio unitario. A cada ponto (x, y, z) D associamos
o n
umero f (x, y, z) = 1 (x2 + y 2 + z 2 ).
A.8.2
Superfcies
(A.11)
A.8.3
Elips
oide
O elipsoide com centro na origem e simetrico com respeito aos tres eixos
consiste das solucoes da equacao:
x2 y 2 z 2
+ 2 + 2 =1
a2
b
c
320
A. Fundamentos Matematicos
2
a2
c2
b2
Esta elipse e a intersecao do elipsoide com o plano definido por y = y0 .
Os n
umeros a, b e c sao os semi-eixos do elipsoide. Quando todos os
semi-eixos sao iguais, a superfcie define uma esfera.
A.8.4
Derivadas Parciais
321
A. Fundamentos Matematicos
Formalmente, as derivadas parciais sao definidas em termos dos limites:
f (x + h, y, z) f (x, y, z)
f
= lim
h0
x
h
f
f (x, y + y, z) f (x, y, z)
= lim
h0
y
h
f
f (x, y, z + h) f (x, y, z)
= lim
h0
z
h
Defini
c
ao A.12 Seja f : Rn R uma funcao multivariada. Se as primeiras derivadas parciais de f s
ao contnuas no ponto x, ent
ao f e diferenci
avel
em x e
f
f
f
(x)i +
(x)j +
(x)k
f (x) =
x
y
z
A.8.5
Diferenciac
ao e Gradiente
A.9
A.9.1
Convers
ao Entre Bases
Convers
ao de N
umeros Inteiros
Sendo N um n
umero inteiro expresso em uma base S, representado por
NS , deseja-se converter esse mesmo n
umero `a base R (R 6= S), ou seja transformar NS em MR mantendo-se o valor do dado. Para fazermos tal conversao
322
A. Fundamentos Matematicos
(283)10 = (100011011)2
6 7 8 9
4 2 1 0
0 0 0 1
podemos lancar mao do metodo da sequencia de divisoes. Inicialmente dividiremos N por R, que gerara um resto A1 e um quociente N1 , que depois
de dividido por R gerara um resto A2 e um quociente N2 . Repetiremos esse
processo ate chegarmos a um Nn1 < R, que produzira um An = Nn1 . Uma
vez feitas todas as divisoes necessarias podemos construir o M , M = An An1
. . . A1 . Esse resultado pode ser melhor entendido se repararmos que:
N = R N1 + A1
= R (R N2 + A2 ) + A1
= R (R (R N3 + A3 ) + A2 ) + A1
..
.
= R (R (R (. . . (R Nn1 + An1 ) . . .) + A2 ) + A1
= R (R (R (. . . (R An + An1 ) . . .) + A2 ) + A1
Ou seja:
N = An Rn1 + An1 Rn2 + . . . + A2 R + A1
Comprovando que NS = MR .
Exemplo:
Deseja-se converter o n
umero (283)10 para a base binaria.
De acordo com o metodo das divisoes sequenciais, teremos a Tabela A.9.1
Lembrando que Nn e o quociente e An e o resto da divisao de Nn1 por
R, no caso 2.
Uma vez calculados os valores de An podemos dizer que (283)10 =
(100011011)2 , de acordo com M = An An1 . . . A1 e 283 = 1 28 + 1
24 + 1 23 + 1 21 + 1 20 .
A.9.2
Convers
ao de N
umeros Puramente Fracion
arios
A. Fundamentos Matematicos
323
A.9.3
Convers
ao de N
umeros com Parte Fracion
aria e
Parte Inteira
Caso um n
umero contenha tanto parte inteira quanto fracionaria, devemos proceder a conversao separadamente e juntar as duas solucoes no final,
324
A. Fundamentos Matematicos
pois:
NT = N + N F
N = An Rn1 + An1 Rn2 + . . . + A2 R + A1
N F = A1 R1 + A2 R2 + A3 R3 + . . .
Portanto:
NT =
Exemplo:
Deseja-se converter o n
umero (283.283)10 para a base binaria, com
uma precisao de 5 casas apos a vrgula. Utilizando os resultados ja encontrados nos exemplos anteriores, chegamos ao resultado: (283.283)10 =
(100011011.01001)2
A.9.4
Exerccios
i. Um dado n
umero tem sua representacao dada por (275.65625)10 , pedese sua representacao na base binaria com precisao de 5 casas decimais.
ii. Desafio: Usando o MatLab (ou similar), implementar um algoritmo
que transforme um certo n
umero decimal em um binario, e vice versa.
A.10
Refer
encias
Os conceitos apresentados neste apendice sao resumos editados e traduzidos do livro texto de Salas, Hille e Anderson [6]. O leitor interessando em
aprofundar os topicos acima pode consultar diretamente o referido texto.
Ap
endice B
Exemplos de C
odigo Matlab
B.1
Captulo 3
B.1.1
Figura 3.2
x =[];
y1 = [];
y2 = [];
y3 = [];
y4 = [];
y5 = [];
j = 0;
for k=-3:0.1:3
j = j+1;
x(j) = k;
y1(j) = exp(k);
y2(j) = exp(k) - exp(-k);
y5(j) = 0;
end
clf;
subplot(2,2,1);
plot(x,y1);
hold;
plot(x,y5);
subplot(2,2,2);
plot(x,y2);
hold;
plot(x,y5);
j=0;
for k=-2:0.1:2
j = j+1;
326
x3(j) = k;
y3(j) = exp(k) - exp(-k) -3*k;
end
subplot(2,2,3);
plot(x3,y3);
hold;
plot(x,y5);
x4 = [];
y4b = [];
j=0;
for k=-5:0.1:5
j = j+1;
x4(j) = k;
y4(j) = cos(k) - 0.5;
y4b(j) = 0;
end
subplot(2,2,4);
plot(x4,y4);
hold;
plot(x4,y4b);
B.1.2
M
etodo de Ponto Fixo para Func
ao f (x) =
2
x /10 x + 1
B.1.3
Algoritmo da Bisecc
ao
327
- funcao = funcao definida por apenas uma variavel qualquer. Deve estar entre
aspas simples.
- a = extremo esquerdo do intervalo de avalia
cao
- b = extremo direito do intervalo de avalia
cao
Exemplo:
>> BISSEC(2*x^2+3*x-6,1,3)
ans %
1.1375
if (nargin ~= 3)
error(A fun
cao BISSEC precisa de tres parametros. Mais informa
coes: >> help bissec);
end
lim=1000;
e1=10^(-10);
e2=10^(-10);
x0=a;
x1=b;
i=0;
f0=subs(funcao,x0);
f1=subs(funcao,x1);
if (f0*f1 > 0)
error(Nao existe raiz entre a e b);
end
while (i < lim)
if (abs(f0) <= e2)
x=x0;
break
end
if (abs(f1) <= e2)
x=x1;
break
end
if ((abs(x0-x1)) < (e1*(abs(x1))))
x=x0;
break
end
x2=(x0+x1)/2;
f2=subs(funcao,x2);
328
end
if (i > lim)
error(Nao atingiu exatidao);
end
Ap
endice C
Exerccios Resolvidos
Captulo 2
Sec
ao 2.1
i.
G =
=
=
=
F
E
(Y + Y + Y + Y + Y ) H
(X + X + X) H
3
5
H H
5
2
3
H H
3
3 6H
2 4H
0
0
Indeterminacao.
ii. (a) HP25, F (10, 9, 98, 100)
(a)
(b)
(c)
(d)
(e)
358200000001
0.100000000 1098
0.999999999 10100
{x : |x| > 0.999999999 10100 }
{x : 0 < |x| < 0.100000000 1098 }
330
C. Exerccios Resolvidos
(b) IBM 360/370, F (16, 6, 64, 63)
(a)
(b)
(c)
(d)
(e)
4.026531841
0.100000 1664
0.F F F F F F 1663
{x : |x| > 0.F F F F F F 1663 }
{x : 0 < |x| < 0.100000 1664 }
124107374985217
0.1000000000000 851
0.7777777777777 1077
{x : |x| > 0.7777777777777 1077 }
{x : 0 < |x| < 0.1000000000000 851 }
Sec
ao 2.4.1
i. (a) =
5
8
(a) =
3
4
o(a) =
3
4
(b) =
ii. EA ((a)) =
5
56
ER ((a)) =
1
8
EA ((a)) =
1
28
ER ((a)) =
1
20
EA (o(a)) =
5
56
ER (o(a)) =
EA ((b)) =
1
24
ER ((b)) =
1
16
EA ((b)) =
1
12
ER ((b)) =
1
8
EA (o(b)) =
1
24
iii. DIGSE(x) = 4
DIGSE(y) = 4
iv. Sim
ER (o(b)) =
1
8
1
16
5
8
(b) =
3
4
o(b) =
5
8
331
C. Exerccios Resolvidos
Sec
ao 2.8
Exerccio 2.1 Nao. Aumento de precisao nao implica aumento de exatidao.
Exerccio 2.2 Nao. Ha muitos algoritmos mais exatos porem com custos
temporais maiores para chegar a solucao.
Exerccio 2.3 Erro Inerente: Erro intrnseco ao modelo matematico adotado. Para corrigi-lo, faz-se necessaria uma revisao do modelo identificando as origens de tal erro.
Erro de Discretizac
ao: Erro que aparece quando substitui-se um
processo infinito por um processo finito. Para diminui-lo, deve ser aumentado o n
umero de iteracoes ou termos relevantes.
Erro de Arredondamento: Surge ao trabalharmos com maquinas
digitais e sistemas de ponto flutuante, onde faz-se necessario o arredondamento. Pode ser minimizado utilizando o arredondamento para
o n
umero de maquina mais proximo (ox).
Exerccio 2.6 17
Exerccio 2.7 28.8125; 0.421875; 1000011; 1011101.001
Exerccio 2.10
yn =
y1 =
yn =
Z0 2
Z0 2
0
y1
n logn x x1
xex1 dx =
y4
(c) 0.250
xn ex1 dx
0
1 + e2
=
e
2(e2 1)
e
2
2(e
+ 3)
= 23 e 3y2 =
e
2
8(e 3)
= 24 e 4y3 =
e
1+e
e
xn ex1 dx = 2n e nyn1
y2 = 22 e 2y1 =
y3
dx =
332
C. Exerccios Resolvidos
(d) 0.3125
(e) 0.375
Exerccio 2.12 b1 precisa ser maior que zero pois se fosse zero teramos duas
representacoes diferentes em ponto flutuante para o mesmo n
umero, o
que e nao desejavel.
Exerccio 2.13
i. Sim
ii. Nao
iii. Sim
iv. Sim
Exerccio 2.14 Item a)
f(x + x)
f(x)
x sin(x) +
sin(x) + x cos(x) x +
2 x
cos(x)
x2
1
1
+ cos(x) x sin(x)
+
3 sin(x) +
2
2 x
2 x
4(x) 2
1
x0 sin(x0 ) + sin(x0 ) + x0 cos(x0 ) (x x0 ) +
2 x0
1
cos(x0 )
1
(x x0 )2
+
cos(x
)
+
sin(x
)
+
x
sin(x
)
0
0
0
0
3
2 x0
2 x0
2
4(x0 ) 2
#
"
r
r
sin
cos
+ p sin
+
x
+
2
2
2
2
2
2
2 2
2
r
cos
x 2
1 3 sin + p 2 + p
sin
cos
2
2
2
2
2
2 2
2 2
4 2 2
(x 2 )2
1.2533 + 0.3985 x
1.3803
2
2
Item b) f
= 0.8552. Item c) f
= 0.8862, ER = 3.50.
1
3
2
+
+
=
4 16 64
333
C. Exerccios Resolvidos
A partir do n
umero obtido, aplica-se o metodo de conversao ja conhecido(base 10
para outra base qualquer):
i. O n
umero escrito na base 10 e multiplicada pelo n
umero de algorismos
possveis na nossa base(5, para base 5, 2 para base 2);
ii. Do n
umero resultante da multiplicacao subtrai-se o maior n
umero inteiro
possvel que ainda o mantenha positivo;
iii. Esse n
umero inteiro e o primeiro elemento da mantissa do algorismo ja convertido e a mantissa resultante da subtracao passa novamente pelos processos
1,2,3.
0, 46873 5 2, 34375 2
0, 34375 5 1, 71875 1
0, 71875 5 3, 59375 3
0, 59375 5 2, 96875 2
0, 96875 5 3, 84375 4
Logo, o n
umero N4 = 0, 132, N10 =
0, 46875 em base 5 e 0, 21324 ...
1
1
1
1
1
+
+
+
+
5 25 125 625 3125
*O n
umero obtido atraves desse metodo possui infinitosalgorismo, visto que poemos multiplicar infinitamentea mantissa por 54 , logo o valor resultante, no seu
reconvertidos sera uma aproximacao do valor real. Entretanto, existem casos em
que a mantissa assume o valor zero, logo nesse caso o n
umero tem dgitos finitos.
334
C. Exerccios Resolvidos
Captulo 3
Sec
ao 3.9
Exerccio 3.1 Discordo. Ha casos onde o Metodo de Newton nao converge
para a solucao entrando em lacos infinitos ou divergindo.
Exerccio 3.2
x
k+1
k+1
f (xk )
= x k = xk
f (x )
k
xk
1
2 xk
= xk 2xk = xk
f (xk )
xk
k
= x k =x +
= xk 2xk = xk
1
f (x )
k
k
se x > 0
se x < 0
a) Sim. x = {0}
b) Nao
c) Sim. x = {0}
Exerccio 3.3 Discordo.
Exerccio 3.4 x = 0.56116456934659
Exerccio 3.5 x = 1.8
Exerccio 3.6
(x x2 )2 3x2 5x 5 = 0
x4 2x3 2x2 5x 5 = 0
Aplicando-se o Metodo da Bisseccao na equacao acima com (a, b) =
(1.5, 0) tem-se como solucao z = (0.9006426, 1.7117997).
Exerccio 3.7
g(x) = x + c(x)f (x)
x
g(x) = x + (xe )
g(x) =
x2
x+1
1
ex (1 + x)
Para o ponto fixo convergir para uma solucao com x0 I = [0, 1), a
funcao deve obedecer a tres condicoes:
335
C. Exerccios Resolvidos
i. Deve ser contnua em I.
Visivelmente satisfeita.
ii. g(I) I
x2 + 2x
(x + 1)2
y =
xs
2
y = xs
2
y xs = 0
Aplicando o Metodo de Newton na equacao f (y) = y 2 xs acima
visando encontrar uma solucao positiva yn positiva:
f (yn )
f (yn )
y 2 xs
= yn n
2yn
xs
1
yn +
=
2
yn
yn+1 = yn
yn+1
yn+1
336
C. Exerccios Resolvidos
2 y 2
2xex y (x y + 14 ) ex
F =
4x
0.55181916 0.36787944
F (1, 0) =
4
0
0.45984930
F (1, 0) =
3
ex
2 y 2
2yex y (x y + 41 )
sin y
=
3
2.71828183711 0.375
0
0.25
=
2.375
Exerccio 3.11
i) Falso
ii) Falso
iii) Falso
iv) Falso
v) Falso
Exerccio 3.12 Substituindo as expressoes:
f (x) = x3 + 2.21x + 2(5.3ex x)
= x3 + 0.21x + 10.6ex
Basta aplicar algum metodo numerico para encontrar um x tal que
f (x ) = 0.
Exerccio 3.13
P () = 5 + 24 + 723 + 342 647 918
autovalores(A) = {2.2307, 2, 6.4588, 3.4468, 9.2427}
Exerccio 3.14 Desenvolver em uma plataforma computacional.
337
C. Exerccios Resolvidos
Exerccio 3.15 O problema consiste em:
min P (x, y) = min x + 2x + 2y
A(x, y) = 2xy = 3.8
Fazendo as devidas substituicoes:
3.8
x
3.8
f (x) = + 2 2
x
7.6
f (x) = 3
x
f (x) = x + 2x +
Note que para x > 0, f (x) esta crescendo, entao f (x) e convexa.
Portanto, o ponto de mnimo pode ser encontrado fazendo f (x) = 0.
f (x) = 0
3.8
+2 2 = 0
x
r
x =
3.8
+2
338
C. Exerccios Resolvidos
4x2 4x > 0 4x2 > 4x x2 > x |x| > 1, que e verificado ja
que x > 1. Considere as duas razes da quadratica dadas por:
p
2x + 4(x2 x)
b +
y =
=
2a
2
= x + x2 x
> x (ja que x > 1)
p
4(x2 x)
2x
y =
=
2a
2
2
=x x x
Note que:
y > 1 x
x2 x > 1
(x 1) > x2 x
2
(x 1)2 > x2 x
x2 2x + 1 > x2 x
2x + 1 > x
x<1
339
C. Exerccios Resolvidos
Captulo 4
Sec
ao 4.19
Exerccio 4.1
a) Aplicando na equacao Diofantina, tem-se:
(a0 +a1 s)(d0 +d1 s+d2 s2 )+(b0 +b1 s)(n0 +n1 s+n2 s2 ) = 0 +1 s+2 s2 +3 s3
Por igualdade de polinomios:
a0 d 0 + b 0 n0 = 0
a d + b d + b n + b n =
1 0
0 1
1 0
0 1
1
a0 d 2 + a1 d 1 + b 0 n2 + b 1 n1 = 2
a1 d 2 + b 1 n2 = 3
d 0 0 n0 0
d 1 d 0 n1 n0
d 2 d 1 n2 n1
0 d 2 0 n2
b) Pelos dados fornecidos:
n1 = 1
n0 = 1
d0 = 1
d1 = 2.5
0 = 40
1 = 34
Substituindo na matriz:
1
0
2.5 1
1 2.5
0
1
1
1
0
0
a0
0
1
a1
=
b0 2
b1
3
n2 = 0
d2 = 1
2 = 10
0
a0
1 a1
1 b0
0
b1
3 = 1
40
34
=
10
1
340
C. Exerccios Resolvidos
c)
40
1 0
1 1 b0 = 33
b1
7.5
0 1
Exerccio 4.2
1a
2a
3a
4a
linha)
linha)
linha)
linha)
Nao se pode afirmar nada sobre os Metodos de Jacobi e GaussSeidel a partir do criterio das linhas pois a condicao suficiente
nao foi corroborada.
b) Aplicando o criterio de Sassenfeld obteve-se os seguintes :
1 = 0.9
21 = 0.45
3 = 0.45
4 = 0.675
Exerccio 4.3
t
1
3
1
5
1
6
18
36
t
341
C. Exerccios Resolvidos
Exerccio 4.4
||b b ||
||x x ||
(A)
||x||
||b||
||b (b b)||
||x y|| (A)||x||
||b||
||b||
||x y|| (A)||x||
||b||
S=
||b||
y : ||x y|| (A)||x||
||b||
n
Exerccio 4.5 O metodo de Jacobi pode portar-se como o metodo de GaussSeidel. Para tanto, o chute inicial x0 for igual a solucao x .
Exerccio 4.6 A solucao mais sensata e a fatoracao LU da matriz A, o que
facilita a resolucao de diferentes problemas com matrizes b diferentes.
Caso optasse por outros metodos, como Eliminacao de Gauss, a matriz
A teria que ser processada a cada modelo diferente.
Exerccio 4.7 Falso. O metodo iterativo pode ou nao convergir caso
det(A) = 0. Para tanto, devem ser analisados os outros criterios como
criterio das linhas, diagonal dominante ou criterio de Sassenfeld.
Exerccio 4.8 Desenvolver sobre uma plataforma computacional. A solucao
e:
x1 x2 x3 x4 = 0.6126 1.9404 1.5985 1.2270
Exerccio 4.9 || A|| = 24
|| B||1 = 40
|| C|| = 4
Exerccio 4.10 A matriz B = D1 (A D) define o processo iterativo de Jacobi com preparador classico. Note que kBk1 = 1.1 e
kBk = 1.1714, naoppermitindo concluir que o processo converge.
No entanto, kBk2 = max (B T B) = 0.9530 < 1, garantindo que o
processo iterativo xk+1 = Bxk + D1 b e convergente.
Exerccio 4.11
i. (A) = ||A||.||A1 ||
ii. Nao. O sistema tera obrigatoriamente infinitas solucoes, nao podendo ter apenas uma.
342
C. Exerccios Resolvidos
iii. Sim. Um sistema linear tem uma solucao, infinitas solucoes ou
nenhuma solucao.
iv. Correto.
Exerccio 4.12
i. rank(A) = rank([A|b]) < n
ii. A matriz
iii. U = 0
0
1 3
2 2
0 1
Para b1 : x1 = 7.25 2.75 3
Para b2 : x2 = 16.25 6.75 7
Exerccio 4.13
onde:
C=
fx
fy
sin 1
cos 1
0 0
k2 0
0 k3
Sx
= CBA
Sy
sin 2 cos 3
cos 2 cos 3
k1
0
B=
0
sin 1 cos 1
cos 2
A = sin 2
cos 3 sin 3
343
C. Exerccios Resolvidos
vi. FALSO
vii. FALSO
viii. VERDADEIRO
Exerccio 4.15
Avn = n vn
(A n I)vn = 0
A 1 I
0
0
A
0
2
...
0
0
0
0
0
A n I
v1
v2
..
.
vn
0
0
..
.
0
344
C. Exerccios Resolvidos
Captulo 5
Sec
ao 5.10
Exerccio 5.1
1
1
0
0
Exerccio 5.2
c0
t1 t21 t31
0
0
0
0
t2 t22 t32
0
0
0
0
c1
2
3
t3 t3 t3
0
0
0
0 c2
c3
t4 t24 t34 1 t4 t24 t34
d0 =
1 2t4 3t24 0 1 2t4 3t24
d1
t35
0 0
0
1
t5
t25
0 0
0
1
t6
t26
t36 d2
0 0
0
1
t7
t27
t37
d3
x1, k+1
x2, k+1
x1, k
x2, k
f1 /x1 f1 /x2
f2 /x1 f2 /x2
1
f1
f2
y1
y2
y3
0
0
y5
y6
y7
onde:
f1 /x1 =
f1 /x2 =
f2 /x1 =
f2 /x2 =
f1 =
f2 =
2x1, k
+ 2x22, k + 1) log(10)
4x2, k
2
(x1, k + 2x22, k + 1) log(10)
2x1, k
1
1
log(x21, k + 2x22, k + 1)
2
x2, k x21, k + 0.2
(x21, k
Exerccio 5.3
f1
f1 /x f1 /y f1 /z
xk
xk+1
yk+1 = yk f2 /x f2 /y f2 /z f2
f3
f3 /x f3 /y f3 /z
zk
zk+1
1 2
xk + 2zk yk3 + yk4
2xk
6zk yk2 + 4yk3 2yk3
xk
xk+1
yk+1 = yk 9x2k 12xk zk
3yk2
6x2k 3x3k 6x2k zk yk3
xk 2zk yk
1
1
2
zk
zk+1
345
C. Exerccios Resolvidos
39
2
37
2
39
2
37
2
Exerccio 5.8
v1x
v2x
..
.
3
1
2
2
2 20 x
v19
x
v20
y
v1
y
v2
1 1
..
.
3
1
2
2
2 20 y
v19
y
v20
1 1
0
1
0
4
201
201
a) 13.1816 e 0.1517
b) 13.1816
c) 13.1816
possvel.
Exerccio 5.9 E
C j = cj
ln Cj = ln cj
x + y ln aj + k ln bj + z ln gj + t ln dj = ln cj
O problema se constitui entao
1 ln a1 ln b1 ln g1
1 ln a2 ln b2 ln g2
A=
..
.
1 ln am ln bm ln gm
x
ln d1
y
ln d2
w=
z
ln dm
t
b=
ln c1
ln c2
..
.
ln cn
346
C. Exerccios Resolvidos
Exerccio 5.11
i. FALSO
ii. VERDADEIRO
iii. FALSO
iv. FALSO
v. VERDADEIRO
vi. VERDADEIRO
vii. FALSO
viii. FALSO
ix. VERDADEIRO
Exerccio 5.12 Se g(x) = f (x) e h(x) = f (x) entao existe x tal que:
(
g(x) < 0 f (x) > 0
h(x) = 0 f (x) = 0
Entao x satisfaz a condicao suficiente de segunda ordem para mnimo
local. Entao pode-se aplicar o pacote de software.
347
C. Exerccios Resolvidos
Captulo 6
Sec
ao 6.5
Exerccio 6.1
a) Calculando a Cota de Laguerre-Thibault:
p (x)
S
p (x)
S
=
=
=
=
24 > 0
p (x)
S
p (x)
S
=
=
=
=
348
C. Exerccios Resolvidos
Pela Cota de Kojima, tem-se a seguinte serie de fatores:
{2, 1.8708, 1.8171, 0.8909, 0.9057}. A soma dos dois maiores fatores e
3.8708. Desta forma, pode-se afirmar que o modulo de toda e qualquer
raiz de p (x) e menor que 4.
a) VERDADEIRO
b) FALSO
c) VERDADEIRO
d) VERDADEIRO.
Exerccio 6.3
q(x)
h(x)
S
h(x)
S
=
=
=
=
=
349
C. Exerccios Resolvidos
Captulo 7
Sec
ao 7.7
Exerccio 7.1
i) 4.4816890
ii) 5.0536689
Exerccio 7.2
a) 20598
b) 20851
c) Pela Esquerda = 15479
3
2
f (x) = 8x 9x + 4x 1 cos x
2
2
f (x) = 24x 18x + 4 + sin x
2
4
2
max {ET T S } =
24 18 + 4 + sin
12
2
max {ET T S } = 59.85562
350
C. Exerccios Resolvidos
Captulo 8
Sec
ao 8.10
Exerccio 8.2 i(3.8) = 0.0043
Exerccio 8.3 [Item a)] Partindo das equacoes diferenciais dadas no problema reescritas abaixo:
(M + m) y + ml = u
2l 2g + y = 0
Primeiramente e preciso modificar as variaveis utilizadas, como sugerido no prrblema. As novas variaveis utilizadas sao as seguintes:
y = x1
y = x
2
= x3
= x4
2g (M + m)
u
x3
l (2M + m)
l (2M + m)
0
0 1
0
0
x1
x 1
mg
1
0
0 0
x 2
x2
(M + m2 )
M+ m
2
=
+
u
x 3
0
1 x3
0 0
0
2g(M +m)
1
x
x 4
0 0 l(2M +m) 0
4
l(2M +m)
351
C. Exerccios Resolvidos
x 1
0
1
0
0
x1
x 2 0, 3085
0, 9908
47, 7577
10, 7910
=
x2
x 3
x3
0
0
0
1
x 4
0, 3085 0, 9908 28, 1577 10, 7910
x4
(C.1)
Este sistema de equacoes define o movimento do pendulo invertido
ao longo do tempo. Para calcular estas sadas aplica-se o metodo
de Runge-Kutta para equacoes diferenciais do tipo x = F (x, t) com
condicao inicial x (t0 ) = x0 conhecida e h dado como o intervalo de
integracao .
Aplicando o metodo chega-se `as seguintes expressoes:
tk+1 = tk + h
k1 + k2
xk+1 = xk +
2
k1 = h F (xk , tk )
k2 = h F (xk + k1 , tk+1 )
As condicoes iniciais do problema sao conhecidas e dadas por:
t0 = 0
h = 0, 1
T
x0 = 0, 2 0 0, 5 0
T
x (0) = x 0 = 0 23, 9406 0 14, 1406
onde x 0 foi calculado com o sistema de equacoes (C.1). Pode-se exemplificar a solucao do problema calculando a primeira iteracao. Para
este caso tem-se os seguintes valores:
t1 = 0, 1
k1 = h x 0
T
= 0 2, 3941 0 1, 4141
k2 = h x 1
T
= h x (x0 + k1 , t1 ) = 0, 2394 1, 1053 0, 1414 0, 1253
T
x (0, 1) = 0, 3197 1, 7497 0, 4293 0, 7697
352
C. Exerccios Resolvidos
A tabela a seguir apresenta alguns pontos da trajetoria de x.
x (0)
0, 2
0, 0
0, 5
0, 0
x1
x2
x3
x4
x (0, 1)
0, 3197
1, 7497
0, 4293
0, 7697
x (9, 9)
0, 0845
0, 0553
0, 0037
0, 0022
x (10)
0, 0896
0, 0483
0, 0035
0, 0021
Trajetrias de x(t)
5
x1(t)
x2(t)
x3(t)
x4(t)
4
Amplitude
5
Tempo (s)
10
x1
x2
x3
x4
x (0)
0, 3
0, 0
0, 8
0, 0
x (0, 1)
0, 1094
2, 7898
0, 6878
1, 2218
x (9, 9)
0, 1201
0, 0908
0, 0058
0, 0033
x (10)
0, 1286
0, 0800
0, 0054
0, 0032
353
C. Exerccios Resolvidos
Trajetrias de x(t)
7
x1(t)
x2(t)
x3(t)
x4(t)
Amplitude
5
Tempo (s)
Exerccio 8.4
a)
b)
x1 = V = x2
x2 = V = 45 x2
1
x
15 1
4e2t
10