Documente Academic
Documente Profesional
Documente Cultură
T EXTOS DE A POIO
D EPARTAMENTO DE M ATEMTICA
U NIVERSIDADE DE C OIMBRA
2015/2016
C ONTEDO
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
5
5
6
13
15
.
.
.
.
.
.
.
.
.
17
17
17
17
23
35
35
46
57
58
.
.
.
.
.
.
.
.
65
65
67
73
79
84
93
101
108
Equaes no lineares
4.1 Introduo . . . . . . . . .
4.2 O mtodo da bisseco . .
4.3 O mtodo de Newton . . .
4.4 O mtodo do ponto fixo . .
4.5 O mtodo da falsa posio
4.6 Alguns problemas . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
113
113
115
118
122
128
131
CAPTULO
1
E RROS . P ROPAGAO DE E RROS .
1.1
Erros
Consideremos a expresso clssica de Newton para a energia cintica de um corpo com massa m0
1
KN = m0 v2 ,
2
em que v denota a velocidade do corpo. A energia cintica KN , em certas condies, uma aproximao
para a energia cintica definida por Einstein
KE = mc2 m0 c2 ,
em que m0 representa a massa do corpo em repouso, c a velocidade da luz e m a massa relativa do corpo
em movimento que dada por
m0
m= q
.
2
1 vc2
De facto, suponhamos que v c. Comecemos por notar que
KE = m0 c
q
1 = m0 c
2
1 vc2
1
v2
1 , com x = 2 .
c
1+x
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Teorema 1.1 (Teorema de Taylor). Seja f : I R uma funo com derivadas at ordem n
contnuas num intervalo aberto I contendo a e que admite derivada de ordem n + 1 nesse intervalo.
Ento, para x I, existe (x) I tal que
f (x) = Pn (x; a) + Rn (x; a),
(1.1.1)
j=0
f ( j) (a)
(x a) j ,
j!
Rn (x; a) =
f (n+1) ((x))
(x a)n+1 .
(n + 1)!
Assim
1
1
1
3
x2 .
= 1 x+ p
2
8 (1 + (x))5
1+x
1
3
1
v4
KE = m0 v2 + m0 c2 p
,
5 c4
2
8
(1 + (v))
2 2
em que (v)
= vc2 vc2 , 0 . Logo KE ' KN e o erro cometido nesta aproximao dado por
1
v4
3
.
Erro = m0 c2 p
8
(1 + (v))5 c4
e constitui o erro cometido ao substituir a expresso da energia cintica de Einstein pela energia cintica
de Newton.
frequente a substituio de modelos matemticos complexos por modelos mais simples sendo, neste
caso, necessrio indicar o erro que se comete nesta substituio. Um outro exemplo significativo da
substituio anterior ocorre no contexto dos modelos diferenciais.
Consideremos o seguinte problema diferencial de condio inicial
0
u (t) = f (t, u(t)), t (0, T ],
(1.1.2)
u(0) = u0 .
O conjunto de problemas do tipo anterior que admitem uma soluo explcita bastante reduzido
e a nica possibilidade de descrever, pelo menos de modo aproximado, a dinmica de tais sistemas,
recorrer a modelos discretos. Seja {ti , i = 0, . . . , N} uma partio uniforme de [0, T ] com t0 = 0, tN = T e
ti ti1 = h. Pelo Teorema de Taylor temos
u0 (ti ) =
h
1
u(ti+1 ) u(ti ) u00 (i ), i (ti ,ti+1 ).
h
2
(1.1.3)
A relao anterior permite-nos substituir o problema de condio inicial (1.1.2) pelo modelo discreto
seguinte
ui+1 = ui + h f (ti , ui ), i = 0, . . . , N 1,
(1.1.4)
u0 dado.
Matemtica Numrica I
J. A. Ferreira, G. Pena
Este modelo define recursivamente ui , i = 1, . . . , N, tendo-se u(ti ) ' ui , i = 1, . . . , N. Vejamos seguidamente qual o erro que se comete ao substituir o modelo contnuo (1.1.2) pelo modelo discreto (1.1.4).
Consideremos, em (1.1.4), ui substitudo por u(ti ). Obtemos
1
u(ti+1 ) u(ti ) = f (ti , u(ti )) + Erro,
h
(1.1.5)
1
u0 (ti ) + hu00 (i ) = f (ti , u(ti )) + Erro,
2
e uma vez que u satisfaz (1.1.2), conclumos
1
Erro = hu00 (i ).
2
Atendendo a que u0 (t) = f (t, u(t)), ento, com f = f (x, y), vem
u00 (t) =
f
f
d
f (t, u(t)) =
(t, u(t)) +
(t, u(t))u0 (t),
dt
x
y
ou ainda,
u00 (t) =
Deste modo, admitindo que
deduzimos
f
f
(t, u(t)) +
(t, u(t)) f (t, u(t)).
x
y
f
M,
x
f
M e | f | M,
y
1
|Erro| hM(1 + M).
2
A estimativa anterior permite concluir que o erro de truncatura tende para zero quando o dimetro da
partio em [0, T ] tende para zero.
Retomemos a lei de Newton para a energia cintica de um corpo em movimento. Nesta lei m0
representa a massa do corpo em repouso que determinada utilizando um instrumento de medida.
Deste modo, o valor tomado para m0 , em geral, apenas aproximado m0 estando afetado de um erro
desconhecido. quantidade
m0 = m0 m0
chamamos erro absoluto de m0 . claro que tal quantidade s nos d informao significativa quando
comparado com a quantidade exacta m0 . Surge deste modo o conceito de erro relativo
m0 =
m0
.
m0
Observamos que
m0 =
m0
,
m0 + m0
|m0 |
.
|m0 |
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Uma questo natural que se coloca diz respeito qualidade do resultado obtido quando utilizamos, por
exemplo, a expresso da energia cintica de Newton com um valor aproximado para a massa m0 e para a
velocidade v e so conhecidos majorantes 1 e 2 dos seus erros absolutos m0 e v, respetivamente.
Notamos que se tem
KN = KN (m0 , v) KN (m0 , v).
Atendendo a que vale a seguinte representao
KN = KN (m0 , v) KN (m0 , v) + KN (m0 , v) KN (m0 , v),
obtemos
KN =
KN
KN
(m0 , v)m0 +
(m0 , v )v,
m0
v
em que = [m0 1 , m0 + 1 ] [v 2 , v + 2 ].
Podemos facilmente deduzir uma estimativa para o erro relativo KN , anloga anterior, sendo
conhecidos majorantes i , i = 1, 2, dos erros relativos m0 , v, respetivamente. Pode provar-se que vale a
seguinte estimativa
m0
KN
v
KN
| KN | max max
max
v 2 ,
1 + max
KN
m0
KN
(1.1.6)
x = a.1 . . . (t + 1).
Matemtica Numrica I
J. A. Ferreira, G. Pena
1.2
Propagao de erros
Consideremos y = g(x1 , . . . , xn ) em que g : Rn R admite derivadas parciais contnuas num determinado conjunto que especificamos seguidamente. Seja xi ' xi , i = 1, . . . , n e admitamos que so conhecidos
majorantes i , i = 1, . . . , n, para os erros absolutos xi , i = 1, . . . , n. Determinamos seguidamente uma
estimativa para o erro absoluto y. Observamos que apenas vamos estender a expresso obtida na seco
anterior no contexto da energia cintica de Newton.
Tem-se sucessivamente
y = y y
= g(x1 , . . . , xn ) g(x1 , . . . , xn )
n
g
(Xi )xi
i=1 xi
=
n
em que Xi = [x j j , x j + j ], i = 1, . . . , n. Logo
j=1
g
i .
|y| max
i
i=1
n
No que diz respeito ao erro relativo, admitamos agora que so conhecidos majorantes
i , i = 1, . . . , n, dos erros relativos xi , i = 1, . . . , n. Atendendo a que se tem sucessivamente
y =
y
y
1
g(x1 , . . . , xn ) g(x1 , . . . , xn ))
g(x1 , . . . , xn )
n
1
g
=
xi
(Xi ) xi ,
g(x1 , . . . , xn ) i=1 xi
=
deduzimos
| y| max
n
i=1
xi
max g i ,
g(x1 , . . . , xn ) xi
1.3
A propagao do tipo de erros introduzidos relevante no contexto dos sistema lineares. De facto
consideremos o sistema
Ax = b
e seja b um vetor cujas componentes foram obtidas por medio. Neste caso o erro absoluto do vetor das
aproximaes b um vetor. Do mesmo modo, sendo x tal que
Ax = b,
o erro absoluto desta soluo aproximada o vetor x cujas componentes so os erros absolutos das
componentes xi . A fim de medir o vetor x necessitamos de introduzir o conceito de norma e estudar
alguns resultados matriciais.
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
1.3.1
(x, y) = xt y = xi yi , x, y Rn ,
i=1
(x, y) = xt y = xi yi , x, y Cn ,
i=1
um produto interno.
Matemtica Numrica I
J. A. Ferreira, G. Pena
uma norma.
Exemplo 1.2. Consideremos agora o espao das matrizes de ordem n com entradas em R que denotamos
por Mn (R). As aplicaes seguintes:
n
kAk1 = max
kAk = max
i=1,...,n j=1
kAkF =
(1.3.1)
i=1
i, j=1
a2i j
21
(1.3.2)
(1.3.3)
(1.3.4)
Definio 1.4. Uma norma kkm em Mn (R) diz-se compatvel ou consistente com uma norma
vectorial kkv em Rn se
kAxkv kAkm kxkv , A Mn (R), x Rn .
Observamos que a norma de Frobenius compatvel com a norma kk2 . De facto tem-se sucessivamente
2
n n
2
kAxk2 = ai j x j
i=1 j=1
n n
n
a2i j
x2j
i=1 j=1
j=1
n n
2
ai j kxk22
i=1 j=1
= kAk2F kxk22 .
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
06=xRn
kAxkv
, A Mn (R),
kxkv
em que kkv uma norma vectorial em Rn , uma norma em Mn (R) que designada norma matricial
induzida pela norma vectorial kkv (ou subordinada a uma norma vectorial kkv ).
De facto, manifesto que
kAk 0, A Mn (R),
e se A Mn (R) tal que kAk = 0, ento kAxkv = 0, para todo x em Rn . Logo
Ax = 0, x Rn .
Assim, escolhendo x de modo adequado, conclumos A = 0.
Verifica-se facilmente que se tem
kAk = ||kAk, R, A Mn (R),
e
k(A + B)xkv
kxkv
06=xRn
kA + Bk = sup
kAxkv
kBxkv
+ sup
06=xRn kxkv
06=xRn kxkv
sup
= kAk + kBk.
A representao
sup kAkkBxkv
kxkv =1
= kAkkBk.
Matemtica Numrica I
J. A. Ferreira, G. Pena
Algumas das normas matriciais introduzidas anteriormente so normas induzidas por normas vetoriais.
De facto, a norma matricial kk induzida pela correspondente norma vectorial. Para provar este
resultado notamos que se tem sucessivamente
n
kAk = sup max ai j x j
i
kxk =1
j=1
n
kxk =1
j=1
= max |ai j |.
i
j=1
n
kAk max ai j x j , x Rn , kxk = 1.
i
j=1
kAk
ai j
se ai j 6= 0 e x j = 0 se ai j = 0.
|ai j |
|ai j |,
j=1
para i = 1, . . . , n, e portanto
j=1
j=1
No que diz respeito norma matricial kk1 , comeamos por notar que se tem
n n
kAk1 = sup ai j x j
kxk1 =1 i=1 j=1
n n
sup
|ai j ||x j |
= max |ai j |.
j
i=1
n
kAk1 ai j x j , kxk1 = 1.
n
i=1 j=1
i=1
Logo
i=1
10
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
i=1
Com o objetivo de estabelecer uma caracterizao para a norma kAk2 recordamos o conceito de raio
espectral de uma matriz A Mn (R): (A) = maxi |i |, em que i denota um valor prprio de A.
Observamos que vale o seguinte resultado relativamente a matrizes reais simtricas (At = A).
Teorema 1.2. Se A Mn (R) real simtrica, ento os valores prprios de A so reais e existe
uma matriz ortogonal Q (Q1 = Qt ) tal que
Qt AQ = D,
em que D a matriz diagonal dos valores prprios de A.
p
p
(At A) = (AAt ).
kAk2 = (A).
Demonstrao. Consideremos a matriz At A. Esta matriz real simtrica e positiva semi-definida pois
xt (At A)x = (Ax)t (Ax) = kAxk22 0, x Rn .
Logo os seus valores prprios so reais no negativos e existe uma matriz ortogonal Q tal que
Qt At AQ = D,
em que D a matriz diagonal dos valores prprios i de At A.
Matemtica Numrica I
J. A. Ferreira, G. Pena
11
Tem-se sucessivamente
kAk2 = sup kAxk2
kxk=1
= sup
kxk=1
= sup
kxk=1
= sup
kxk=1
sup
kxk=1
xt At Ax
p
xt QDQt x
p
(Qt x)t D(Qt x)
q
max i kQt xk22
i
q
= max i .
i
kAxk2 = xt At Ax = xt x = .
Esta desigualdade permite concluir
kAk2
kAk2 =
p
(At A)
p
(At A).
A(m) = ai j
i, j=1
, m N.
Atendendo a que Mn (R) um espao normado, introduzimos no que se segue o conceito de limite de
A(m) , m N.
h
i
(m) n
Definio 1.7. Seja A(m) = ai j
i, j=1
"
1
1+m2
m sin
#
1
m
m2
1+m2
, m N,
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
12
j=0
(I A) A j =
j=0
Aj
Aj
j=0
= I A
em que Am+1 0. Logo
m+1
m+1
j=1
m
j
lim (I A) A = I.
m
j=0
lim A j (I A) = I.
m
j=0
(I A)1 = lim A j =
m
j=0
A j.
(1.3.5)
j=0
Vejamos agora como determinar um enquadramento para
(I A)1
. De (1.3.5) vem
(I A)1
=
kAk j
j=0
1
.
1 kAk
deduzimos
1 = kIk =
(I A)1 (I A)
(I A)1
(1 + kAk),
1
(I A)1
,
1 + kAk
Teorema 1.4. Seja kk uma norma submultiplicativa tal que kIk = 1. Se kAk < 1 ento existe
(I A)1 ,
(I A)1 =
A j,
j=0
1
1
(I A)1
.
1 + kAk
1 kAk
Matemtica Numrica I
J. A. Ferreira, G. Pena
1.3.2
13
Ento x = (1.7, 1.91). Observamos que uma pequena perturbao em b induz uma perturbao significativa em x tendo-se
0.00007
b =
, kbk = 0.00028,
0.00028
0.7
x =
,
0.91
e ainda
kxk = 0.91,
kbk
= 0.00220472,
kbk
kxk
= 0.91.
kxk
Este exemplo mostra que uma pequena perturbao no vetor dos termos independentes pode induzir
perturbaes significativas na soluo do sistema.
De que modo podemos, a priori, garantir que pequenas perturbaes nos dados induzem pequenas
perturbaes na soluo do sistema?
De Ax = b, vem
A(x x) = b b.
Uma vez que Ax = b, vem Ax = b e portanto x = A1 b. Por outro lado, na hiptese das normas
matricial e vectorial serem compatveis, temos
kbk kAkkxk.
Logo
kxk
A1
kbk
kxk
kxk
1
kbk
A
kAk
.
kbk
14
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
kxk
kxk
kbk
kbk
kxk
kxk
relativamente a
kbk
kbk .
kxk
kbk
< =
< ,
kbk
kxk
maxi |i |
.
mini |i |
kxk
. De facto, tem-se
kxk
x = x x
= A1 b A1 Ax
= A1 (b Ax)
= A1 r.
Logo
kxk
krk
cond(A)
.
kxk
kbk
Estudmos o efeito dos erro nos dados e dos resduos no erro da soluo do sistema. de salientar
que a matriz do sistema pode estar tambm afectada de erros, isto , conhecida a matriz A com um erro
Matemtica Numrica I
J. A. Ferreira, G. Pena
15
A = A A. Neste caso, o erro uma matriz cujas entradas so os erros absolutos das entradas de A. Se x
a soluo do sistema Ax = b e x tal que Ax = b, ento
(A A)(x x) = b b
e portanto
(A A)x = b Ax,
ou ainda, supondo que A no singular,
(I A1 A)x = A1 (b Ax).
(1.3.6)
Suponhamos agora que
A1 A
< 1 e que a norma kk submultiplicativa. Pelo Teorema 1.4, existe
(I A1 A)1 e, de (1.3.6), deduzimos
x = (I A1 A)1 A1 (b Ax),
ou ainda
kxk
(I A1 A)1
A1
(kbk + kAkkxk).
(1.3.7)
+ kAk .
kxk
1
A1
kAk kxk
(1.3.8)
(k bk + k Ak)
kxk
1 cond(A)k Ak
(1.3.9)
em que
k Ak =
Provmos o resultado seguinte:
kbk
kAk
, k bk =
.
kAk
kbk
Teorema 1.6. Seja A uma matriz no singular e kk uma norma submultiplicativa. Se A tal
que
1
A
kAk < 1,
ento o erro relativo k xk satisfaz (1.3.9).
1.4
Alguns problemas
j
1. Determine o nmero de termos que deve considerar em j=1 (1) j+1 xj para determinar uma
aproximao para f (x) = ln(1 + x), x [0, 1], com erro inferior a 103 .
2. Calcule ln(2) com erro inferior a 102 .
3. Estabelea a estimativa (1.1.6).
16
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
4. Indique uma estimativa para os erros absoluto e relativo das seguintes quantidades
x = 8.923, y = 0.79, z = 1.6542,
sabendo que foram obtidas por arredondamento.
4 3
5. Considere w = ln xz2y . Sejam x = 1.24, y = 3.174, z = 4.1 obtidos por conveniente arredondamento e truncatura.
Determine uma estimativa para o erro que se comete ao substituir w por
x4 y3
w = ln z2 .
6. Considere que x = 0.037 tem 3 casas decimais correctas.
kxk1 = |xi |,
i=1
kxk2 =
so normas em Rn .
xi2
i=1
1/2
0
1
1
1
0 1
1 1 0
semelhante a uma matriz diagonal D = (1, 0, 1) e determine a matriz dos vetores prprios. Esta
ltima matriz ortogonal?
12. Mostre que se A no singular, ento = 0 no valor prprio de A.
13. Mostre que se A no singular, ento os valores prprios de A1 so os inversos dos valores prprios
de A.
14. Considere a matriz
0.1 0.2
0
0.5 0.1 .
A= 0
0.8 0.02 0.1
Sem determinar explicitamente I A, mostre que (I A)1 existe e determine um majorante para
k(I A)1 k .
15. Seja R = I CA em que kRk < 1 e I,C, A Mn (R). Mostre que A e C so no singulares.
16. Mostre que se A no singular, ento
cond2 (A)
maxi |i |
.
mini |i |
cond(A)
.
cond(A) kbk
kxk
kbk
CAPTULO
2.1
Introduo
Sistemas de equaes lineares surgem em vrias reas das cincias e da engenharia. A utilizao de
mtodos eficientes para a determinao da sua soluo um requisito essencial aquando da resoluo de
problemas aplicados. O objectivo deste captulo o estudo de mtodos numricos para a resoluo deste
tipo de sistemas. Os mtodos que sero objecto de estudo dividem-se em duas grandes classes: mtodos
directos e mtodos iterativos.
Designamos por mtodos directos os mtodos que permitem obter a soluo do sistema num nmero
finito de operaes. Os mtodos deste grupo baseiam-se fundamentalmente no processo de eliminao de
Gauss. Os mtodos numricos que geram uma sucesso de aproximaes para a soluo do sistema linear
pertencem classe dos mtodos iterativos. Esta classe divide-se em dois grandes grupos: os mtodos
estacionrios e os mtodos no estacionrios.
A escolha de um mtodo directo ou iterativo est intrinsecamente ligada estrutura da matriz do
sistema. Assim os primeiros mtodos so privilegiados para sistemas com matrizes densas, isto , matrizes
com poucas entradas nulas. Por outro lado, para sistemas em que a matriz associada de grandes
dimenses e com poucas entradas no nulas conveniente a utilizao de mtodos iterativos.
2.2
Mtodos Directos
2.2.1
18
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
det(A) 6= 0,
as n colunas de A so linearmente independentes,
as n linhas de A so linearmente independentes,
o sistema homogneo Ax = 0 tem apenas a soluo nula.
O primeiro mtodo que vamos considerar o mtodo de eliminao de Gauss. Este mtodo composto
de duas fases: a fase descendente e a fase ascendente. A fase descendente baseada em operaes pivotais
que consistem em substituir cada linha pela soma, elemento a elemento, dela prpria com um mltiplo
escalar de outra. Por aplicaes sucessivas de operaes deste tipo, na primeira fase o sistema inicial
substitudo por um nmero finito de sistemas equivalentes obtendo-se, no fim da fase descendente, um
sistema triangular superior. Na segunda fase (ascendente), a soluo do sistema triangular obtido no fim
da primeira fase obtida por substituio de baixo para cima.
Fase descendente:
Consideremos o sistema
a11 x1
a21 x1
a31 x1
..
an1 x1
+ a12 x2 + . . .
+ a22 x2 + . . .
+ a32 x2 + . . .
..
..
.
.
+ an2 x2 + . . .
+ a1n xn = b1
+ a2n xn = b2
+ a3n xn = b3 .
..
..
.
.
+ ann xn = bn
Como a matriz no singular, por uma troca de linhas conveniente, podemos assumir que a11 6= 0.
Substituam-se a linhas Li , i = 2, . . . , n, por
Li
ai1
L1 , i = 2, . . . , n.
a11
em que
a11 x1 + a12 x2
(2)
a22 x2
(2)
a32 x2
..
(2)
an2 x2
(2)
ai j = ai j
+ ...
+ ...
+ ...
..
.
+ ...
+ a1n xn = b1
(2)
(2)
+ a2n xn = b2
(2)
(2)
+ a3n xn = b3 ,
..
..
.
.
(2)
(2)
+ ann xn = bn
ai1
a1 j , i, j = 2, . . . , n,
a11
(2)
bi = bi
(2)
ai1
b1 .
a11
Se a22 6= 0 (notemos que podemos reduzir-nos sempre a esta situao mediante uma troca apropriada de
linhas), consideremos sobre o ltimo sistema, a seguinte operao
(2)
Li = Li
Obtemos o sistema linear equivalente
ai2
L ,
(2) 2
a22
i = 3, . . . , n.
Matemtica Numrica I
J. A. Ferreira, G. Pena
em que
(2)
(2)
a22 x2 + a23 x3
(3)
a33 x3
..
(3)
an3 x3
(3)
ai j
(2)
ai j
+ ...
+ ...
+ ...
..
.
+ ...
(2)
ai2
(2)
a ,
(2) 2 j
a22
i, j = 3, . . . , n,
(3)
bi
19
+ a1n xn = b1
(2)
(2)
+ a2n xn = b2
(3)
(3)
+ a3n xn = b3 ,
..
..
.
.
(3)
(3)
+ ann xn = bn
=
(2)
bi
(2)
ai2 (2)
b .
a22 2
b22 x2 + . . . + b2n xn = c2
..
.. .
..
.
.
.
bnn xn = cn
(2.2.1)
Notamos que tanto a matriz triangular superior como o vector resultantes da fase descendente so armazenados nas variveis A e b. Um exerccio a cargo do leitor o de reformular
o algoritmo anterior de forma a que apenas sejam alteradas, durante a fase descendente, as
entradas da diagonal e acima da diagonal da matriz A, reduzindo assim o nmero de operaes
aritmticas usadas.
Fase ascendente
A soluo do sistema (2.2.1) obtida por substituio de baixo para cima:
n
cn
1
xn =
, xi =
ci bi` x` , i = n 1, n 2, . . . , 1.
bnn
bii
`=i+1
20
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
As operaes realizadas sobre o sistema Ax = b podem ser organizadas num quadro chamado matriz
ampliada
..
..
..
..
..
..
.
.
.
.
.
.
an1 an2 an3 . . . ann bn
De facto, considerando sobre o quadro anterior as seguintes operaes
(2)
ai j = ai j
ai1
ai1
(2)
a1 j , i, j = 2, . . . , n, bi = bi
bi , i = 2, . . . , n,
a11
a11
obtemos
22
23
(2)
0 a(2)
a
32
33
..
..
..
.
.
.
(2)
(2)
0 an2 an3
...
...
...
..
.
...
a1n b1
(2)
(2)
a2n b2
(2)
(2)
a3n b3 .
..
..
.
.
(2)
(2)
ann bn
(2)
ai j = ai j
deduzimos
(2)
(2)
ai2 (2)
(2)
(3)
(2)
a
,
i,
j
=
3,
.
.
.
,
n,
b
=
b
b , i = 3, . . . , n,
i
i
2
j
(2)
(2) 2
a22
a22
ai2
23
22
(3)
0
0 a33
..
..
..
.
.
.
(3)
0
0 an3
...
...
...
..
.
...
a1n b1
(2)
(2)
a2n b2
(3)
(3)
a3n b3 .
..
..
.
.
(3)
(3)
ann bn
Matemtica Numrica I
J. A. Ferreira, G. Pena
21
22
23
(32)
0
0 a33
..
..
..
.
.
.
0
0
0
a1n b1
(2)
(2)
a2n b2
(3)
(3)
a3n b3
..
..
.
.
(n)
(n)
ann bn
...
...
...
..
.
...
(2)
(2)
a22 x2 + a23 x3 + . . .
(3)
a33 x3 + . . .
..
+ a1n xn = b1
(2)
(2)
+ a2n xn = b2
(3)
(3)
+ a3n xn = b3
..
..
.
.
(n)
(n)
ann xn = bn
A soluo, tal como anteriormente, obtm-se por substituio, de baixo para cima. de salientar que
sendo A no singular, o sistema possvel e determinado tendo soluo nica.
O mtodo de Gauss-Jordan designa outro mtodo directo em que ao fim da primeira fase do mtodo
de eliminao de Gauss se considera uma nova fase de eliminao mas agora de baixo para cima.
Consideremos sobre o ltimo sistema as seguintes operaes pivotais
(i)
Li = Li
ain
L ,
(n) n
ann
i = n 1, . . . , 1.
(1)
(2)
(2)
a22 x2 + a23 x3
(3)
a33 x3
+
+
+
..
.
...
...
...
..
.
+ a1,n xn =
+ a2,n xn =
(3)
+ a3,n1 xn =
..
.
(n1)
(n1)
b1
(2)
b2
(3)
b3
..
.
(n1)
ann xn
(n)
bn
d1 x1
d2 x2
d3 x3
..
= c1
= c2
= c3
..
.
dn xn = cn
cuja soluo x = dc11 , . . . , dcnn .
Observamos que o processo de eliminao (ascendente) acabado de descrever pode ser implementado
nas mesmas linhas do Algoritmo 2.1.
22
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Se A singular com caracterstica r < n, a primeira fase do mtodo de eliminao de Gauss conduz-nos
a um sistema triangular inferior do seguinte tipo
...
+ . . . + a1n xn = b1
(2)
(2)
(2)
(2)
a22 x2 + a23 x3 +
...
+ . . . + a2n xn = b2
(3)
(3)
(3)
a33 x3 +
...
+ . . . + a3n xn = b3
..
..
..
.
.
(r)
(r)
(r)
arr xr + . . . + arn xn = br
Introduzimos a seguinte routina auxiliar, responsvel pela troca de linhas de uma matriz:
Algoritmo 2.3 Troca das linhas i e j
function [A] = trocaLinhas(A,i,j)
x=A(i,:); A(i,:) = A(j,:); A(j,:) = x;
return
Para combinar o algoritmo anterior com o algoritmo da fase descendente, basta substituir
a quinta linha do Algoritmo 2.1 pelo Algoritmo 2.4 e obtemos uma implementao da fase
descendente com escolha parcial de pivot.
Algoritmo 2.4 Escolha parcial de pivot
% encontrar indice correspondente ao novo pivot
[C,I] = max(abs(A(k:end,k)));
indice = k+I(1)1;
A = trocaLinhas(A,k,indice); b = trocaLinhas(b,k,indice);
x1 + 200x2 = 100
,
x1 +
x2
= 1
Matemtica Numrica I
J. A. Ferreira, G. Pena
23
100 99
, 199 = 0.502 . . . , 0.497 . . . , o candidato a pivot na primeira fase do processo
cuja soluo x = 199
a11 = 1. Se consideramos em cada operao apenas nmeros com 3 casas decimais, obtemos x2 = 0.6 e
x1 = 0.497 sendo significativo o erro na primeira componente. Por outro lado, a escolha parcial de pivot
conduz-nos ao seguinte sistema
200x2 + x1 = 100
,
x2
+ x1 = 1
e finalmente x = (0.503, 0.497). De facto, a escolha do elemento mximo (em mdulo) em de cada linha
(coluna) reduz a propagao dos erros de arredondamento.
Observamos, por ltimo, que o M ATLAB possui um comando para resolver sistemas lineares
utilizando mtodos directos. De facto, para obter a soluo x de Ax = b, basta escrever x=A\b.
Esta operao analisa a estrutura da matriz A (simtrica, diagonal, tridiagonal, etc...) e escolhe
de uma lista de algoritmos implementados, o que acha mais adequado para determinar a soluo
do sistema (mais pormenores podem ser encontrados em [6]). Realamos tambm, que embora
do ponto de vista algbrico esta operao equivalente a inv(A)*b, o clculo (numrico) da
inversa de uma matriz uma operao computacionalmente muito mais exigente que a soluo
do sistema linear Ax = b, e portanto, deve ser uma prtica a evitar.
2.2.2
Mtodos de factorizao
i1
1
b1
, yi =
bi `i j y j , i = 2, . . . , n,
y1 =
`11
`ii
j=1
n
1
yn
xn =
, xi =
yi ri j x j , i = n 1, . . . , 1.
rnn
rii
j=i+1
24
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Vejamos como determinar matrizes L e R nestas condies. Um dos processos mais imediatos
consiste em considerar o processo de eliminao de Gauss em termos matriciais. Observamos que o passo
elementar
ai`
Li = Li
L`
a``
sobre a matriz A traduz-se pelo seguinte produto matricial
Ei` A
em que Ei` denota a seguinte matriz elementar
1 0
0
0 1
0
0 . . .
...
0 0 ai`
Ei` =
a``
0 . . .
...
0 . . .
...
0 ...
...
...
...
...
...
...
...
...
1
...
...
...
...
...
...
...
...
...
...
...
1
...
0
0
0
.
0
1
Assim a eliminao dos elementos abaixo da posio (1, 1) no primeiro passo elementar que consiste em
considerar sobre A as operaes pivotais
Li = Li
equivalente ao produto
1
a21
a11
a31
a11
...
an1
a11
ai1
L1 , i = 2, . . . , n,
a11
0
1
0
0
...
...
...
...
...
...
...
...
...
...
...
...
...
...
0
A.
1
0
0
1
(2)
a32
0 (2)
a22
E2 =
..
..
.
.
(2)
an2
0 (2)
a22
0 ...
0 ...
...
...
...
..
.
..
0 ...
...
0
0
h i
(3)
(3)
Assim, se ai j denota a matriz resultante do segundo passo elementar, ai1 = 0, i = 2, . . . , n, e
(3)
h i
(3)
E2 E1 A = ai j .
Matemtica Numrica I
J. A. Ferreira, G. Pena
25
Repetindo este processo, no fim da fase descendente de eliminao de Gauss realizada sobre a matriz A,
obtemos finalmente
En1 E2 E1 A = R
em que R denota a matriz triangular superior obtida no fim da eliminao de Gauss. Seja T o produto
En1 . . . E2 E1 . Esta matriz triangular inferior e no singular pois Ei no singular sendo a sua inversa a
matriz que se obtm de Ei substituindo as suas entradas no diagonais pelos seus simtricos. Assim
1
L = T 1 = E11 E21 En1
e portanto
A = LR.
Observamos que a matriz L relativamente fcil de construir: uma matriz triangular inferior com
elementos diagonais iguais a 1 e cujos elementos sob a diagonal so os simtricos dos coeficientes usados
nas operaes pivotais da eliminao, cada um deles na respectiva posio que figura na correspondente
matriz elementar Ei .
Suponhamos que num determinado passo da fase descendente da eliminao de Gauss, o candidato
(p)
a pivot nulo, digamos a pp = 0, isto , o passo elementar p 1 conduz-nos, em termos matriciais,
igualdade
E p1 E p2 E1 A = A(p)
para uma determinada matriz A(p) . Tal como referido anteriormente, procuramos na coluna p e entre as
(p)
linhas p + 1, . . . , n, a primeira linha que apresenta uma componente no nula. Seja a`p 6= 0 a entrada com
a propriedade anterior. O passo seguinte consiste em trocar as linhas p e `. Por P`p denotamos a matriz de
permutao que se obtm da matriz identidade de ordem n trocando as linhas p e `. O produto de P`p por
uma outra matriz obtm-se desta ltima matriz trocando as linhas p e `. Ento
P`p E p1 E p2 E1 A = P`p A(p)
em que a componente (p, p) de P`p A(p) no nula. Sobre esta ltima matriz efectuamos mais um passo
elementar de eliminao de Gauss. Repetido o processo somos conduzidos a
En1 Pkm E p P`p E p1 E p2 E1 A = R
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
26
Seja P o produto das matrizes de permutao que surgem na fase de eliminao. A fim de obter a
factorizao com as propriedades referidas devemos multiplicar a ltima igualdade por P obtendo-se
1
1
PA = PE11 E p2
P`p Pkm En1
R,
isto ,
1
1
PA = LR com L = PE11 E p2
P`p Pkm En1
.
A = L2 R2 .
Ento
L21 L1 = R2 R1
1 .
Uma vez que L1 e L21 so matrizes triangulares inferiores com elementos diagonais iguais unidade, vem
L21 L1 = I,
R2 R1
1 = I.
Logo
L2 = L1 , R2 = R1 .
Matemtica Numrica I
J. A. Ferreira, G. Pena
27
A = LDR,
(2.2.2)
em que L foi definida anteriormente, D a matriz diagonal cujas entradas so os pivots e R a matriz
triangular superior com elementos diagonais igual unidade
1
0
R =
. . .
0
r12
r11
1
...
0
r13
r11
r23
r22
...
0
...
...
...
...
r1n
r11
r2n
r22 .
. . .
1
28
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
w=
Notamos que
e
v
, v = a1 e1 , = sgn(a11 )ka1 k2 .
kvk2
(a1 e1 )t a1 = ka1 k22 a11 ,
Matemtica Numrica I
J. A. Ferreira, G. Pena
29
(a1 e1 )t a1 = ka1 k2 ka1 k2 sgn(a11 )a11 ,
kvk22 = 2ka1 k2 ka1 k2 sgn(a11 )a11 ,
em que ka1 k2 sgn(a11 )a11 > 0 pois caso fosse nulo teramos a1 com a forma pretendida.
Vejamos que Ha1 tem a forma pretendida. De facto
2
vvt a1
kvk22
2(a1 e1 )(a1 e1 )t a1
= a1
2ka1 k2 ka1 k2 sgn(a11 )a11
Ha1 = a1
= e1 .
2
v1 vt , v1 = a1 e1 , = sgn(a11 )ka1 k2 ,
kv1 k22 1
(1)
a11
Hm A =
0
0
0
(1)
(1)
a12 a13
(1)
(1)
a22 a23
(1)
(1)
a32 a33
..
..
.
.
(1)
(1)
am2 am3
...
...
...
..
.
...
(1)
a1n
(1)
a2n
(1)
a3n
..
.
(1)
amn
h
i
(1)
(1) (1)
(1) t
Fixemos agora o vector a2 = a22 a32 am2 . A matriz de Householder de ordem m 1
Hm1 = I
tal que
2
(1)
(1)
(1)
v2 vt2 , v2 = a2 e1 , = sgn a22
a2
2 ,
2
kv2 k2
(1)
Hm1 a2 = e1 ,
em que, neste caso, e1 representa o primeiro vector da base cannica de Rm1 . Logo
(1) (1)
a
a23 . . .
22
(1)
a32 a(1)
...
33
Hm1
..
..
..
.
.
.
(1)
(1)
am2 am3 . . .
(2) (2)
(1)
a
a23 . . .
a2n
22
(2)
(1)
a3n 0 a33 . . .
..
.. = ..
..
.
.
. .
(2)
(1)
0 am3 . . .
amn
1
0t
,
0 Hm1
(2)
a2n
(2)
a3n
..
.
(2)
amn
30
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
temos
(2)
(2)
(2)
0 a22 a23 . . . a2n
(2)
(2)
0
0
a
.
.
.
a
S(2) Hm A =
33
3n .
..
..
.
..
..
0
.
.
.
(2)
(2)
0
0 am3 . . . amn
h
i
(2)
(2)
(2) t
O processo repete-se. Fixamos a3 = a33 am3 . A matriz de Householder de ordem m 2
Hm2 = I
tal que
2
(2)
(2)
(2)
v3 vt3 , v3 = a3 e1 , = sgn a33
a3
2 ,
2
kv3 k2
(2)
Hm2 a3 = e1 ,
em que, neste caso, e1 representa o primeiro vector da base cannica de Rm2 . Logo
(2) (2)
(3) (3)
(2)
(3)
a33 a34 . . . a3n
a33 a34 . . . a3n
(2) (2)
(3)
a43 a44 . . . a(2)
0 a(3)
. . . a4n
4n
44
Hm2
..
..
..
..
..
..
..
= .
.
.
.
. ..
.
.
.
(2)
(2)
am3 am4 . . .
(2)
amn
(3)
am4 . . .
(3)
amn
(2)
(2)
0 a22 a23
(3)
0
0 a33
0
0
S(3) S(2) Hm A = 0
0
0
0
..
..
0
.
.
0
0
0
(1)
a14
(2)
a24
(3)
a34
(3)
a44
(3)
a54
..
.
(3)
...
...
...
...
...
..
.
am4 . . .
(1)
a1n
(2)
a2n
(3)
a3n
(3)
a4n
.
(3)
a5n
..
.
(3)
amn
m1
S( j) R,
j=1
isto
A = QR,
( j)
em que Q = m1
j=1 S .
Matemtica Numrica I
J. A. Ferreira, G. Pena
31
32
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Vejamos agora outro tipo de factorizao matricial que quando usada na construo da soluo de um
sistema induz sistemas em que, no caso quadrado, os nmeros de condio das matrizes igual unidade
relativamente norma kk2 .
Comecemos por considerar o caso quadrado no singular. Seja A uma matriz de ordem n no singular.
A matriz At A uma matriz quadrada simtrica e positiva semidefinida. Logo os seus valores prprios so
no negativos. Seja = 0 um valor prprio de At A e x 6= 0 o vector prprio associado. Ento
0 = xt At At x = kAxk22 ,
ou seja, Ax = 0 com x 6= 0. Este facto permite-nos concluir que A singular o que contraria a hiptese.
Assim os valores prprios de At A so positivos.
Atendendo a que At A real simtrica, existe uma matriz ortogonal V de ordem n tal que
V t At AV = D,
em que D a matriz dos valores prprios de At A.
U t U = S1V t At AV S1
= S1 DS1 = I.
As matrizes U,V e S permitem estabelecer a factorizao seguinte
A = USV t .
(2.2.3)
p
Introduzimos algumas designaes: os escalares j , j = 1, . . . , n, so chamados valores singulares da
matriz A, os vectores v j , j = 1, . . . , n, so chamados vectores singulares de A direita enquanto que os
vectores u j , j = 1, . . . , n, so chamados vectores singulares de A esquerda.
Provmos o seguinte resultado:
Teorema 2.3. Se A no singular, ento A admite a factorizao em valores singulares (2.2.3)
em que U a matriz dos vectores singulares de A esquerda, V a matriz dos vectores singulares
de A direita e S a matriz dos valores singulares de A.
A aplicao da factorizao em valores singulares na resoluo de sistemas de equaes lineares
conduz-nos a sistemas em que o nmero de condio da matrizes desses sistemas igual unidade. De
facto, a soluo do sistema Ax = b, em que A admite a factorizao (2.2.3), feita seguindo os passos
seguintes:
Determinar a soluo de Uz = b,
Determinar a soluo de Sy = z,
Determinar a soluo de V t x = y.
de salientar que cond2 (U) = cond2 (V t ) = 1.
Matemtica Numrica I
J. A. Ferreira, G. Pena
33
No que segue generalizamos o Teorema 2.3 a matrizes no quadradas. Provemos o seguinte teorema:
Teorema 2.4. Seja A uma matriz do tipo m n, m n, com caracterstica r. Ento existem
nmeros no negativos
1 2 r > 0 = r+1 = = n = 0,
(2.2.4)
(x, v j )v j .
j=1
34
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Logo
Ax =
q
j (x, v j )u j .
r
j=1
j=1
(y, u j )v j .
(2.2.6)
Demonstrao.
1. Condio necessria: Suponhamos que Ax = y possvel. Para z N (At ), temos
(y, z) = (Ax, z) = (x, At z) = 0.
Se y ortogonal a N (At ), vem
y=
(y, u j )u j .
(2.2.7)
j=1
Se x = nj=1 j v j , ento
q
y = Ax = j j u j ,
n
j=1
j=1
r
(y, u j )Av j
(y, u j )u j = y,
j=1
conclumos a demonstrao.
O resultado anterior permite introduzir o conceito de pseudo-inversa ou inversa de Moore-Penrose de
uma matriz. Consideremos o seguinte operador A+ : Rm Rn definido por
A+ y =
j=1
(y, u j )v j .
Matemtica Numrica I
J. A. Ferreira, G. Pena
O operador A+ ou a sua matriz
V
35
1
Sr
0 t
U,
0 0
2.3
Mtodos Iterativos
(2.3.1)
sendo portanto necessrio uma aproximao x(0) dita aproximao inicial. Se B(m) e c(m) so independentes de m, ento o mtodo iterativo diz-se estacionrio. Caso contrrio, diz-se no estacionrio. Na
seco seguinte iremos estudar alguns mtodos estacionrios. Alguns mtodos no estacionrios sero
estudados na seco 2.3.2.
2.3.1
Mtodos Estacionrios
(2.3.2)
(2.3.3)
Seja x(0) uma aproximao inicial e seja x(1) o vector que se obtm quando substitumos, no segundo
membro de (2.3.3), x por x(0) , isto , seja x(1) definido por
x(1) = D1 (L +U)x(0) + D1 b.
36
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
(2.3.4)
xi
ai j (m) bi
x j + , i = 1, . . . , n.
aii
i6= j=1 aii
Mtodo de Gauss-Seidel
Se em vez da igualdade (2.3.3) considerarmos
x = (D L)1Ux + (D L)1 b.
(2.3.5)
(2.3.6)
Matemtica Numrica I
J. A. Ferreira, G. Pena
37
a1 j (m) b1
xj +
,
a11
j=2 a11
(m+1)
(m+1)
x1
xi
i1
n
ai j (m+1)
ai j (m) bi
xj
x j + , i = 2, . . . , n
aii
j=1 aii
j=i+1 aii
O mtodo de Gauss-Seidel pode ser obtido a partir do mtodo de Jacobi se na definio da componente i
(m+1)
iterao m + 1 substituirmos as componentes j, para j < i, por x j
.
Exemplo 2.2. Ilustramos seguidamente o comportamento dos dois mtodos anteriores considerando o
sistema no singular
4 1 1 x1
6
1 3 0 x2 = 2 ,
1 0 2 x3
3
cuja soluo o vector x = [1 1 1]t . Na Figura 2.1 ilustramos o comportamento do erro
(m)
e
=
x x(m)
, m = 0, . . . , 10,
1
1
quando consideramos os mtodos de Jacobi (2.3.4) e Gauss-Seidel (2.3.6) com a aproximao inicial
nula. Observamos que o erro diminui mais acentuadamente quando consideramos o segundo mtodo.
Mtodos de relaxao
O mtodo de Jacobi (2.3.4) pode ser reescrito na forma equivalente
x(m+1) = x(m) + D1 (b Ax(m) ).
(2.3.7)
O termo D1 (b Ax(m) ) pode ser interpretado como uma correco m-sima aproximao. Se considerarmos que esta correco do tipo D1 (b Ax(m) ), com > 0, obtemos o mtodo de Jacobi com
relaxao
x(m+1) = x(m) + D1 (b Ax(m) ),
(2.3.8)
38
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
101
(m)
e
1
104
107
1010
Jacobi
Gauss-Seidel
1013
0
4
8
6
nmero de iteraes
10
Figura 2.1: Comportamento do erro ke(m) k1 associado aproximao x(m) definida pelos mtodos de
Jacobi e Gauss-Seidel.
ou ainda, componente a componente,
(m+1)
xi
(m)
xi +
n
1
(m)
bi ai j x j
, i = 1, . . . , n.
aii
j=1
(2.3.9)
(2.3.10)
x(m+1) = x(m) + D1 b + Lx(m+1) (D U)x(m) .
Se D1 b + Lx(m+1) (U D)x(m) for interpretado como uma correco de x(m) , ento considerando
a correco anterior com peso > 0, obtemos o mtodo de Gauss-Seidel com relaxao ou mtodo de
sobre-relaxao sucessiva
x(m+1) = x(m) + D1 b + Lx(m+1) (D U)x(m) ,
(2.3.11)
ou ainda, componente a componente,
i1
n
1
(m+1)
(m)
(m+1)
(m)
= xi +
bi ai j x j
ai j x j
, i = 1, . . . , n.
xi
aii
j=i
j=1
(2.3.12)
(2.3.13)
Matemtica Numrica I
J. A. Ferreira, G. Pena
39
100
(m)
e
1
101
102
103
= 12
=1
104
0
4
8
6
nmero de iteraes
10
Figura 2.2: Comportamento do erro
e(m)
1 relativo aproximao x(m) definida pelo mtodo (2.3.11)
para diferentes valores de .
t
cuja soluo o vector x = 17 , 75 . Na Figura 2.2 ilustramos o comportamento do erro
e(m)
1 ,
m = 0, . . . , 10, relativamente escolha do parmetro , quando consideramos o mtodo (2.3.11)
com
a
aproximao inicial nula. O aumento do parmetro de relaxao induz uma diminuio do erro
e(m)
1 .
Observamos que do ponto de vista computacional, ambos os mtodos de Jacobi e de
Gauss-Seidel com relaxao podem ser facilmente implementados seguindo as linhas dos
Algoritmos 2.8 e 2.9.
Convergncia
O teorema que apresentamos seguidamente estabelece uma condio necessria e suficiente para a
convergncia do mtodo iterativo (2.3.1) quando B(m) = B.
Comeamos por notar que o erro na iterao m definido por
e(m) = x x(m) .
O mtodo iterativo estacionrio x(m+1) = Bx(m) + c, m N0 , diz-se convergente se
lim
e(m)
= 0.
m
Observamos que se existir convergncia relativamente a uma norma, ento, atendendo a que em Rn
todas as normas so equivalentes, conclumos convergncia relativamente a qualquer outra norma.
Teorema 2.6. O mtodo iterativo
x(m+1) = Bx(m) + c, m N0 ,
40
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
convergente para todo c Rn , se e s se (B) < 1.
Demonstrao.
Condio suficiente: Se (B) < 1, ento existe em Rn , uma norma induzida kk tal que kBk < 1 (a
demonstrao pode ser encontrada em [5]). Provemos que a sucesso x(m) mN de Cauchy em
Rn . Temos, para m p,
(m)
m1
x x(p)
x( j+1) x( j)
,
j=p
( j+1)
x
x( j)
kBk j
x(1) x(0)
.
Logo
(2.3.14)
(m)
m1
x x(p)
x(1) x(0)
kBk j ,
j=p
x(1) x(0)
kBk p kBk j
j=0
kBk p
x(1) x(0)
.
1 kBk
isto , x(m)
mN
Condio necessria: Se (B) 1, ento tomemos c = x(0) = x, em que x o vector prprio associado ao valor prprio tal que (B) = | |. Uma vez que x(m) admite, neste caso, a representao
m
(m)
j
x = x,
j=0
p
(m)
x x(p)
x(1) x(0)
kBk .
1 kBk
p
x x(p)
x(1) x(0)
kBk .
1 kBk
(2.3.15)
Matemtica Numrica I
J. A. Ferreira, G. Pena
41
ou
ai j
q1 = max < 1,
j=1,...,n
j6=i=1 aii
n
ento, para qualquer b Rn , a sucesso x(m) mN definida pelo mtodo de Jacobi, qualquer que
seja a aproximao inicial x(0) , converge para a soluo do sistema Ax = b e vale a estimativa
p
x x(p)
x(1) x(0)
q , = 1, .
1 q
(2.3.16)
Demonstrao. A prova deste resultado imediata pois a matriz do mtodo de Jacobi B = D1 (L +U)
verifica kBk = q , = 1, .
Exemplo 2.4. Retomemos o sistema do Exemplo 2.2. A matriz do mtodo de Jacobi, para este sistema,
dada por
0 14 14
B = 13
0
0 ,
1
2 0
0
e kBk = 12 . Logo a sucesso gerada pelo mtodo de Jacobi convergente e verifica-se para o erro a
estimativa (2.3.15). Uma vez que x(1) = (3/2, 2/3, 3/2)t , conclumos
x x(p)
3 , p 0.
2p
Se pretendermos determinar uma aproximao para a soluo tal que o erro inferior a uma determinada
quantidade , ento devemos calcular p tal que
3
< .
2p
Utilizando o Teorema 2.7 podemos estabelecer uma nova condio suficiente para a convergncia do
mtodo de Jacobi. Para o efeito introduzimos o conceito de matriz diagonal dominante.
Definio 2.1. Se A = [ai j ]ni, j=1 tal que
n
|aii |
i6= j=1
|ai j |, i = 1, . . . , n,
(2.3.17)
ento A diz-se diagonal dominante por linhas. Se, em (2.3.17), todas as desigualdades so estritas,
ento A diz-se estritamente diagonal dominante por linhas. Se
n
|a j j |
j6=i=1
|ai j |, j = 1, . . . , n,
(2.3.18)
ento A diz-se diagonal dominante por colunas. Se, em (2.3.18), todas as desigualdades so estritas,
ento A diz-se estritamente diagonal dominante por colunas.
42
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Como corolrio do Teorema 2.7, vale o seguinte resultado:
Corolrio 2.1. Se A estritamente diagonal dominante por linhas, ento o mtodo de Jacobi
converge.
(2.3.19)
kzk =1
a1 j
nj=2 a11
,
a
a2 j
n
21
,
|x2 | a22 |x1 | + j=3 a22
..
.
|xn |
an j
n1
j=1 ann |x j |.
pi =
pn =
Se
a1 j
nj=2 a11
,
ai j
ai j
n
i1
j=1 aii p j + j=i+1 aii ,
i = 2, . . . , n 1,
an j
n1
j=1 ann p j .
p = max pi < 1,
i=1,...,n
(2.3.20)
Matemtica Numrica I
J. A. Ferreira, G. Pena
43
(2.3.21)
2 1
1 2 1
..
..
A=
.
.
..
2 1
1 2
(2.3.22)
O valor na varivel maximo, que no caso de considerarmos a matriz (2.3.22) com 100
linhas, igual a 0.998046875. Este valor indica que embora o mtodo seja convergente, para
garantirmos uma certa preciso na soluo de acordo com a estimativa (2.3.21), temos de
efectuar um nmero considervel de iteraes do mtodo de Gauss-Seidel, uma vez p est
muito prximo de 1.
44
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
A determinao de uma aproximao para a soluo do sistema Ax = b com uma determinada preciso
pode ser feita utilizando as estimativas para o erro anteriormente estabelecidas.
Observao 2.1 Observamos que a velocidade de convergncia de um mtodo iterativo est associada ao
raio espectral da sua matriz de iterao. De facto, consideremos dois mtodos iterativos convergentes
(m+1)
= B1 x1 + c1 , m = 0, . . . ,
(m+1)
= B2 x2 + c2 , m = 0, . . . ,
x1
e
x2
(m)
(m)
(m)
(m)
(m)
(m)
e sejam e1 = x x1 , e e2 = x x2
(m+1)
e1
(m)
= B1 e1 ,
(m+1)
e2
(m)
= B2 e2 , m = 0, . . . .
e1 =
deduzimos
(m+1)
e1
ou ainda
(m+1)
2
e
=
1
2
jv j,
j=1
j jm+1 v j ,
j=1
n
j2 | j |2(m+1) ,
j=1
(0)
e2 =
(m+1)
e2
ju j,
j=1
j jm+1 u j ,
j=1
(m+1)
2
e
=
2
2
2j | j |2(m+1) .
j=1
.
(m+1)
2
e
(B2 )2(m+1) k2
2
(m+1)
2
e
lim
1(m+1)
22 = 0,
m+
e
2
(m+1)
e(m+1)
.
e
1
2
2
2
A desigualdade anterior, mostra-nos que o erro induzido por um mtodo iterativo cuja matriz de iterao
tem menor raio espectral inferior, pelo menos a partir de certa ordem, ao induzido por um mtodo com
matriz de iterao com maior raio espectral.
Exemplo 2.5. Retomemos o Exemplo 2.2 e apliquemos o mtodo de Jacobi com relaxao com parmetro
> 0. Na Figura 2.3, traamos a dependncia do raio espectral da matriz B() = (1 )I + D1 (L +
U) de iterao deste
mtodo relativamente a .
Como B 12 > (B(1)), o mtodo de Jacobi com relaxao converge mais rapidamente para a
soluo do sistema no caso = 1 do que no caso = 12 . Esta concluso est tambm de acordo com os
resultados da Figura 2.2.
Matemtica Numrica I
J. A. Ferreira, G. Pena
45
1.4
(B())
1.2
1
0.8
0.6
0.4
0.2
0
0.5
1.5
Figura 2.3: Grfico de (B()) para a matriz do Exemplo 2.2, para [0, 2].
O Exemplo anterior motiva para a importncia da escolha do parmetro de relaxao nos mtodos de
Jacobi e Gauss-Seidel. claro que o parmetro de relaxao deve ser escolhido de modo a que o raio
espectral das matrizes de iterao dos mtodos anteriores tenham raio espectral inferior unidade. Mais
ainda, dentro do conjunto de parmetros de relaxao admissveis, deve ser escolhido o parmetro que
torne m nimo tal raio espectral.
Teorema 2.9. Se a matriz de iterao B = D1 (L +U) do mtodo de Jacobi tem apenas valores
prprios reais inferiores a 1, ento o raio espectral da matriz B() = (1 )I + D1 (L +U)
de iterao do mtodo de Jacobi com relaxao mnimo em opt definido por
opt =
e
2
,
2 max min
(B(opt )) =
max min
,
2 max min
em que max e min so os valores prprios mximo e mnimo de B, e, se max + min 6= 0, ento
(B(opt )) < (BJ ).
46
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
6
6
1 = 0, 2 =
e 3 =
.
12
12
Logo, o parmetro de relaxao que minimiza o (B()) opt = 1, o que tambm confirmado pelo
grfico da Figura 2.3.
No resultado seguinte estabelecemos uma condio necessria para a convergncia do mtodo de
Gauss-Seidel com relaxao.
Teorema 2.10. Se o mtodo de Gauss-Seidel com relaxao converge, ento (0, 2).
Demonstrao. Seja B() a matriz de iterao do mtodo de Gauss-Seidel com relaxao. Notamos que
det(B()) = i ,
i
2.3.2
Mtodos no Estacionrios
em que
1
(x) = xt Ax xt b.
2
Seja (x, (x)) um ponto da superfcie z = (x). No ponto (x, (x)) o vector gradiente (x) define
a direco e sentido segundo o qual apresenta, localmente, o maior crescimento. Logo (x) define
a direco e o sentido segundo o qual ocorre, localmente, a maior decrescimento de .
: Rn R,
Matemtica Numrica I
J. A. Ferreira, G. Pena
47
Exemplo 2.7. Seja A = 100I2 e b = 0. Ento (x1 , x2 ) = 100(x12 + x22 ) e (x, y) = 100(x1 , x2 ). No ponto
(1, 1) o vector (100, 100) define a direco e sentido em que cresce e (100, 100) define a direco
e sentido de maior decrescimento de . Este comportamento ilustrado na figura 2.4.
2
1
0
500
0
2
2
1
0
1
1
2
2
2 2
(2.3.24)
em que d (m) e (m) sero definidos de modo conveniente. Notamos que o vector (m)d (m) pode ser
visto como uma correco iterao x(m) . Assim, com base nas consideraes anteriores sobre (x)
48
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
d (m) = r(m) ,
(2.3.25)
t
x(m) + (m)r(m) r(m) = 0,
ou ainda, a
obtemos
r(m)t r(m)
.
(2.3.26)
r(m)t Ar(m)
O mtodo de descida (tambm designado mtodo da descida mais rpida) definido pela seguinte
sequncia de passos: dado x(0) Rn , determinar, para m = 0, . . . ,
(m) =
r(m)t r(m)
,
r(m)t Ar(m)
Dado um nmero mximo de iteraes a realizar pelo mtodo da descida, a soluo aproximada do sistema linear Ax = b pode ser determinada pelo seguinte algoritmo em M ATLAB:
Algoritmo 2.10 Mtodo da descida (com controlo do nmero mximo de iteraes).
function [x]=metodoDescida(A,b,x0,nmax)
x = x0;
for i=1:nmax
r = b A*x;
alpha = (r'*r)/(r'*A*r);
x = x + alpha*r;
end
return
Matemtica Numrica I
J. A. Ferreira, G. Pena
49
O mtodo da descida mais rpida um mtodo no estacionrio. De facto, o esquema iterativo (2.3.24)
admite a representao
x(m+1) = (I (m)A)x(m) + (m)b,
,
(y, y)(y, y)
4max min
(2.3.27)
do mtodo estabelecida relativamente norma kkA e que definida por kxkA = xt Ax.
Teorema 2.13. Se A Mn (R) simtrica definida positiva, ento os erros e(m+1) = x x(m+1) ,
e(m) = x x(m) , em que x(m+1) , x(m) so definidos por (2.3.24) com d (m) e (m) dados por (2.3.25)
e (2.3.26), respectivamente, satisfazem
(m+1)
2
e
A
max min
max + min
2
(m)
2
e
, m = 0, . . . .
A
(2.3.28)
= e(m) (m)r(m) , A e(m) (m)r(m)
= e(m) , Ae(m) 2(m) e(m) , Ar(m) + (m)2 r(m) , Ar(m)
2
=
e(m)
A 2(m) r(m) , r(m) + (m)2 r(m) , Ar(m)
(m) (m) 2
(m)
2
r ,r
r(m) , r(m)
(m)
(m)
+
r(m) , Ar(m)
= e
2 (m) (m) r , r
A
(m)
(m)
r , Ar
r , Ar
2
2
r(m) , r(m)
=
e(m)
A (m) (m)
r , Ar
2
(m)
2
r(m) , r(m)
= e
1 (m) (m) (m) (m)
A
r , Ar
e , Ae
e(m) , Ae(m) = e(m) , r(m) = A1 r(m) , r(m) ,
2
2
r(m) , r(m)
r(m) , r(m)
4max min
,
1 (m) (m) (m) (m) = (m) (m) 1 (m) (m)
(max + min )2
r , Ar
e , Ae
r , Ar
A r ,r
50
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
e portanto
(m+1)
2
(m)
2
e
1
e
A
A
4max min
(max + min )2
2 (max min )2
=
e(m)
A
(max + min )2
Corolrio 2.3. Se A Mn (R) simtrica definida positiva, ento os erros e(m+1) = x x(m+1) ,
e(m) = x x(m) , em que x(m+1) , x(m) so definidos por (2.3.24) com d (m) e (m) dados por
(2.3.25) e (2.3.26), respectivamente, satisfazem
(m)
2
e
A
cond2 (A) 1
cond2 (A) + 1
2m
(0)
2
e
, m = 1, . . . .
A
(2.3.29)
Nas condies do Teorema 2.13, conclumos a convergncia do mtodo da descida mais rpida
definido por (2.3.24), (2.3.25) e (2.3.26).
Uma questo natural a que precisamos de dar resposta diz respeito determinao do nmero mnimo
de iteraes que devemos considerar de modo a que o erro seja inferior a uma quantidade definida a priori.
A estimativa estabelecida no ltimo resultado no permite responder a esta questo
(m)
pois o erro inicial ,
em geral, desconhecido. Estabelecemos no que se segue, uma estimativa para
e
A que independente
de
e(0)
. Seja
cond2 (A) 1 2
=
.
cond2 (A) + 1
Observamos que, para qualquer 6= 0, tem-se
De (2.3.28) vem
e portanto
(0)
2
(1)
2
e
e
+
x(1) x(0)
A
A
A
2
1
2
(1)
2
(1 + ) e
+ 1 + 2
x(1) x(0)
A .
A
(1)
2
e
e(0)
2 ,
A
A
2
1
2
1 (1 + 2 )
e(1)
A 1 + 2
x(1) x(0)
A .
2 =
ento
1 1
,
2
(1)
2
e
2 1 + 2
x(1) x(0)
2 .
A
A
1
1
(m+1)
2
e
m
e(1)
2 ,
A
A
Matemtica Numrica I
J. A. Ferreira, G. Pena
conclumos
(m+1)
2
m 2 1 + 2
x(1) x(0)
2 .
e
A
A
1
1
51
(2.3.30)
Esta desigualdade pode ser utilizada para determinar o nmero mnimo de iteraes que devemos
considerar para que o erro da iterao m seja inferior a uma dada tolerncia Tol, isto ,
(m)
e
Tol.
A
suficiente tomar m tal que
2
2
x(1) x(0)
2 Tol 2 .
1+
A
1
1
m
Algoritmo 2.11 Mtodo da descida (com controlo do nmero mximo de iteraes e tolerncia
pr-definida).
function [x,niter,estimErro] = metodoDescida(A,b,x0,xi,nmax,Tol)
x = x0;
r = b A*x;
alpha = (r'*r)/(r'*A*r);
x = x + alpha*r;
aux = (2/(1xi))*(1 + 2*xi/(1xi)) * (xx0)'*A*(xx0);
erro = sqrt(xi * aux);
niter = 1;
while ( (niter < nmax) && (erro > Tol) )
niter = niter + 1;
r = b A*x;
alpha = (r'*r)/(r'*A*r);
x = x + alpha*r;
erro = sqrt(xi^niter * aux);
end
majoranteErro = erro;
return
Em M ATLAB , o valor de pode ser calculado usando a funo cond para matrizes de
dimenses pequenas, ou uma sua estimativa, condest:
xi = ((cond(A)1)/(cond(A)+1))^2;
52
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
(2.3.31)
onde agora as direces d ( j) , j = 0, . . . , so escolhidas A-ortogonais. Seja (m) tal como no caso do
mtodo da descida mais rpida, isto , (m) escolhido de modo que (x(m) + (m)d (m) ) seja mnimo.
Este parmetro especificado determinando (m) tal que
d
(x(m) + (m)d (m) ) = 0.
d(m)
(x(m) + (m)d (m) )t d (m) = 0,
r(m) , d (m)
(m) = (m) (m) .
d ,d
A
(2.3.32)
(2.3.33)
em que (m) calculado de modo a que d (m+1) e d (m) sejam A-ortogonais. Assim obtemos
(m) =
(r(m+1) , d (m) )A
.
d (m) , d (m) A
(2.3.34)
Seja r(m+1) = b Ax(m+1) . Atendendo a que x(m+1) definido por (2.3.31), obtemos para r(m+1) a
expresso
r(m+1) = r(m) (m)Ad (m) .
(2.3.35)
(2.3.36)
Matemtica Numrica I
J. A. Ferreira, G. Pena
53
Demonstrao. fcil verificar que r(1) , r(0) = 0 e d (1) , d (0) A = 0. Suponhamos que {r( j) , j =
0, . . . , k} so ortogonais e {d ( j) , j = 0, . . . , k} so A-ortogonais. Provemos que {r( j) , j = 0, . . . , k + 1} so
ortogonais e {d ( j) , j = 0, . . . , k + 1} so A-ortogonais.
Comecemos por provar que r(k+1) , r(k) = 0. Atendendo a que r(k+1) = r(k) (k)Ad (k) ,
r(k+1) , r(k) = r(k) , r(k) (k) Ad (k) , r(k) ,
No Teorema 2.15 provamos que r(k) ortogonal a d (k1) . Como consequncia deste resultado,
estabelecemos a equivalncia das representaes (2.3.32) e (2.3.36). De facto, tem-se sucessivamente
r(k) , d (k) = r(k) , r(k) (k 1)d (k1)
= r(k) , r(k) (k 1) r(k) , d (k1)
= r(k) , r(k) ,
o que prova a equivalncia das duas representaes.
54
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Demonstrao. manifesto que r(1) ortogonal a d (0) pois esta direco coincide com o resduo inicial.
Admitamos agora que r(`) ortogonal s direces d ( j) , j = 0, . . . , ` 1, e provemos que r(`+1) ortogonal
s direces d ( j) , j = 0, . . . , `.
Comecemos por provar que r(`+1) ortogonal a d (`) . Tem-se
r(`+1) , d (`) = r(`) , d (`) (`) Ad (`) , d (`) ,
ou ainda, atendendo definio (2.3.36) para (`) e hiptese de induo,
r(`+1) , d (`) = r(`) (`)Ad (`) , d (`) ,
2
= r(`) , d (`)
r(`)
2 .
r(`+1) , d ( j) = 0, j = 0, . . . , ` 1.
Tem-se
r(`+1) , d ( j) = r(`) , d ( j) (`) Ad (`) , d ( j) .
Atendendo a que, pela hiptese de induo, r(`) , d ( j) = 0, e uma vez que d (`) e d ( j) so A-ortogonais,
Ad (`) , d ( j) = 0, conclumos que r(`+1) e d ( j) , j = 0, . . . , ` 1, so ortogonais.
Notemos que (m) pode ser calculado a partir apenas dos resduos r(m+1) e r(m) . De facto,
r(m+1) r(m) = (m)Ad (m) ,
e portanto
2
(m) r(m+1) , Ad (m) = r(m) , r(m+1)
r(m+1)
2 .
r(m+1) , Ad
Substituindo em (2.3.34) obtemos
(m)
(m+1)
2
r
2
.
=
(m)
(m+1)
2
r
2
(m) =
2 .
(m)
d (m)
A
(2.3.37)
O mtodo dos gradientes conjugados resume-se na seguinte sequncia de passos: dado x(0) ,
r(0) = b Ax(0) , seja d (0) = r(0) . Para m = 0, . . . , calcular
Matemtica Numrica I
J. A. Ferreira, G. Pena
55
A transcrio do algoritmo anterior para M ATLAB pode ser feita na seguinte funo:
Algoritmo 2.12 Mtodo dos gradientes conjugados (com controlo do nmero mximo de
iteraes.
function [x,res] = gradientesConjugados(A,b,x0,nmax)
r = b A*x0; d = r; x = x0;
for i=1:nmax
alpha = (r'*d)/(d'*A*d);
x = x + alpha*d;
r = b A*x;
beta = (r'*A*d)/(d'*A*d);
d = r + beta*d;
end
res = norm(r);
Notemos que a funo anterior devolve a soluo aproximada do sistema linear pelo mtodo
dos gradientes conjugados, assim como a norma-2 do resduo.
Teorema 2.16. Se x(m) , m = 0, . . . , n, definida pelo mtodo dos gradientes conjugados, ento x(n)
soluo de Ax = b.
n1
j d ( j) .
j=0
n1
j d (i) Ad ( j) ,
j=0
para i = 0, . . . , n 1, em que
d (i) Ad ( j) = d (i) , d ( j)
obtemos
= 0, para i 6= j,
d (i) , e(0) A
i =
2 .
d (i)
A
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
56
No que segue obtemos para i outra representao. Atendendo a que d (i) , d (`)
tem-se
i1
1
(i)
(0)
(`)
i =
2 d , A e (`)d
d (i)
`=0
1
=
2 d (i) , Ae(i)
d (i)
A
= 0, para ` = 0, . . . , i 1,
(`)
(i)
(i)
pois x(i) = x(0) + i1
`=0 (`)d . Notamos que Ae = r , e portanto, de (2.3.32), vem
i = (i), i = 0, . . . , n 1.
Logo
e(n) = x x(n)
n1
n1
= e(0) ` d (`)
`=0
= 0,
isto x(n) = x .
O resultado anterior permite concluir que a n-sima aproximao definida pelo o mtodo dos gradientes conjugados (2.3.31), (2.3.32), (2.3.34), (2.3.33), coincide com a soluo do sistema Ax = b que
pretendemos resolver. No entanto, atendendo aos erros de arredondamento, o mtodo gera uma sucesso
de aproximaes que converge para a soluo de Ax = b mais rapidamente do que a sucesso gerada pelo
mtodo da descida mais rpida.
m+1
m+1
A
A
cond2 (A)+1
cond2 (A)1
+
cond2 (A)1
(2.3.38)
cond2 (A)+1
cond2 (A) 1
cond2 (A) + 1
m+1
2
mgc(cond2 (A), m)) =
m+1
m+1 ,
cond2 (A)+1
cond2 (A)1
+
cond2 (A)1
cond2 (A)+1
para m = 10, 20. Observamos que, para estes valores, mdr(cond2 (A), m) > mgc(cond2 (A), m).
Matemtica Numrica I
J. A. Ferreira, G. Pena
mdr(cond2 (A), 10)
mgc(cond2 (A), 10)
0.6
57
0.4
0.3
0.4
0.2
0.2
0.1
0
0
0
20
40
60
cond2 (A)
80
100
20
40
60
cond2 (A)
80
100
Figura 2.5: Comportamento dos coeficientes mdr(cond2 (A), m) e mgc(cond2 (A), m) para m = 10 (esquerda) e m = 20 (direita).
2.3.3
A questo natural que se coloca quando implementamos um dos mtodos iterativos estudados, diz
respeito paragem, isto : como podemos definir a paragem do processo iterativo? H vrios critrios de
paragem para os processos iterativos.
1. O critrio de paragem pode ser estabelecido considerando um nmero mximo de iteraes previamente definido. Este foi um dos critrios usados em todos os algoritmos deste captulo.
2. Um outro critrio de paragem est associado ao clculo do resduo. Poderemos estabelecer que o
processo iterativo pra quando o resduo de tal iterao for inferior a uma tolerncia especificada a
priori, isto , o processo iterativo termina na iterao x(m) tal que
(m)
r
=
b Ax(m)
< Tol,
relativamente a uma determinada norma kk.
3. Poderemos pretender determinar uma approximao para a soluo de Ax = b com erro inferior a
uma tolerncia especificada. Neste caso teremos de determinar o nmero de iteraes m tal que
(m)
e
< Tol.
manifesto que tal s pode ser feito quando conhecemos majorantes para o erro
e(m)
que depende
de m mas independente do erro inicial (que desconhecido). Por exemplo, para os mtodos
estacionrios em que a matriz de iterao B satisfaz kBk < 1, foi estabelecido
m
(m)
e
kBk
x(1) x(0)
.
1 kBk
kBkm
x(1) x(0)
< Tol,
1 kBk
obtemos o nmero de iteraes que devemos considerar. Este tipo de critrio foi usado no Algoritmo
2.11.
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
58
4. Um outro critrio de paragem est associado ao comportamento dos termos consecutivos. Assim
podemos estabelecer parar o processo iterativo quando
(m+1)
x
x(m)
< Tol.
Este critrio no vai permitir a ocorrncia da situao anormal que pode ocorrer quando usamos o
critrio da al nea anterior.
2.4
Alguns problemas
(b)
x + y + z = 1
2x y + z = 1
x y + z = 1
2x y + z + t = 1
4x + y z
= 1
x + y
= 0
2. Determine, para as matrizes associadas aos sistemas da alnea anterior, a factorizao LR.
3. Indique como pode obter a factorizao QR de uma matriz A utilizando o mtodo de Gram-Schmidt.
4. Utilizando transformaes de Householder, determine a factorizao QR da matriz
1 6 1
A = 2 1 1 .
2 2 6
5. Considere A Mn (R) e QR a sua factorizao em que Q ortogonal e R triangular superior.
Mostre que
(a) kQk1 n,
(b) cond1 (Q) n,
| det(A)| ka j k2 .
j=1
Matemtica Numrica I
J. A. Ferreira, G. Pena
59
1 1
A = 0 1 .
1 0
Calcule A+ .
1 0 2
a
A = 1 1 2 , b = a , a R.
1 1 2
a
i , s1 s2 sn so os valores singulares de A.
1/2
10. Mostre que kAkF = ni=1 s2i
, em que si , i = 1, . . . , n, so os valores singulares de A.
em que si =
11. Seja A Mmn (R) com colunas linearmente independentes. Demonstre as propriedades seguintes:
(a) Se m = n e A no singular, ento A1 = A+ ;
(b) (At )+ = (A+ )t ;
(c) Se A simtrica, ento a sua pseudo-inversa tambm simtrica;
(d) AA+ A = A;
(e) A+ AA+ = A+ ;
(f) (AA+ )t = (AA+ );
(g) (A+ A)t = A+ A.
12. Seja x a soluo dos mnimos quadrados do sistema impossvel Ax = b. Estabelea as equaes
normais At Ax = At b.
13. Diga, utilizando a factorizao QR a decomposio em valores singulares, como determinar a
soluo dos mnimos quadrados de Ax = b.
14. Considere o sistema Ax = b, em que
8 1
1
A = 1 5 1 ,
1
1 4
1
b = 16 .
7
Seja x(0) o vector nulo. Determine a segunda iterao para a soluo do sistema dado
(a) com o mtodo de Jacobi,
(b) com o mtodo de Gauss-Seidel.
Conclua que os dois mtodos geram sucesses que convergem para a soluo de Ax = b.
60
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
x1
x1
4x
1
2x1
+ 5x2
+ 2x4
+ x2 + 3x3
x2 + x3 x4
x2 + x3 + 8x4
= 8
= 5
= 3
= 10.
(a) A partir da matriz do sistema pode concluir que o mtodo de Jacobi gera uma sucesso
convergente qualquer que seja a aproximao inicial?
(b) Reescreva o sistema dado de modo a poder aplicar o referido mtodo e determine a segunda
iterao partindo da soluo nula.
16. Considere o sistema Ax = b, em que
0 6 3
A = 3 2 ,
1 1 8
4
b = 4 .
4
(a) Poder aplicar o mtodo de Gauss-Seidel ao sistema anterior? Em caso negativo reescreva-o
de modo conveniente.
(b) Determine um intervalo de variao de para os quais o mtodo de Gauss-Seidel gera uma
sucesso convergente.
17. O sistema linear
2x1 x2 + x3 = 1
2x1 + 2x2 + 2x3 = 4
x1 x2 + 2x3 = 5
(a) Mostre que a matriz de iterao do mtodo de Jacobi tem raio espectral
concluir da aplicabilidade deste mtodo?
5
2 .
O que pode
(b) Mostre que a matriz de iterao do mtodo de Gauss-Seidel tem raio espectral 12 . O que pode
concluir da aplicabilidade deste mtodo?
18. O sistema linear
x1 + 2x2 2x3 = 7
x1 + x2 + x3 = 2
2x1 + 2x2 + x3 = 5
(a) Mostre que a matriz de iterao do mtodo de Jacobi tem raio espectral nulo. O que pode
concluir da aplicabilidade deste mtodo?
(b) Mostre que a matriz de iterao do mtodo de Gauss-Seidel tem raio espectral 2. O que pode
concluir da aplicabilidade deste mtodo?
19. Considere o sistema Ax = b com
5 1 1
0 3 1 ,
2 2 4
b = 4 .
9
Matemtica Numrica I
J. A. Ferreira, G. Pena
61
(a) Mostre que os mtodos de Jacobi e de Gauss-Seidel geram sucesses convergentes para a
soluo de Ax = b.
(b) Sejam BJ e BGS as matrizes de iterao dos mtodos de Jacobi e de Gauss-Seidel, respectivamente. Utilizando os dois mtodos anteriores, determine o nmero mnimo de iteraes que
deve considerar para que
(m)
(m)
(m)
e
< 103 ,
e(m)
< 103 ,
J
GS
1
1
em que eJ e eGS representam os erros das aproximaes definidas pelos dois mtodos
considerados.
20. Mostre que o mtodo de Gauss-Seidel convergente quando aplicado ao sistema Ax = b com
2 1
1 2 1
..
..
..
A=
.
.
.
.
1 2 1
1 2
21. Considere o mtodo estacionrio x(m+1) = Bx(m) + c, m = 0, . . . , e seja h(m+1) = (B I)x(m) + c.
Neste caso tem-se x(m+1) = x(m) + h(m+1) , m = 0, . . . . Mostre que as correces h(m) , m = 0, . . . ,
satisfazem
h(m+1) = Bh(m) .
22. Considere o mtodo estacionrio x(m+1) = Bx(m) + c, m = 0, . . . , convergente e seja (m) = x(m+1)
x(m) . Mostre que relativamente a alguma norma k.k se tem
(m)
e
1
(m)
.
1 kBk
"
1 #
+
(m)
x(m+1) =
4 2 x + c(), m = 0, . . . .
1
1
Determine a variao de > 0 para a qual o mtodo anterior convergente.
24. Mostre que o mtodo de Gauss-Seidel com relaxao convergente quando aplicado ao sistema
Ax = b com
4 1 1
A = 1 4 1
1 1 4
para (0, 2) e para qualquer aproximao inicial.
2 1 x1
0
=
1 2 x2
1
(a) Determine x(3) utilizando o mtodo da descida mais rpida com x(0) = (0, 0).
62
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
(b) Seja e(m) o erro da aproximao x(m) e seja A da matriz do sistema anterior. Defina K(1 , 2 )
tal que seja vlida a estimativa
2(m1)
(m)
2
(1)
e
1 2
x x(0)
2 ,
K(
,
)
1
2
A
A
1 + 2
em que 1 > 2 so os valores prprios de A.
26. Mostre que a sucesso dos resduos r(m) , m = 0, . . . , determinados pelo mtodo da descida mais
rpida para o sistema Ax = b, verifica
r(m+1) = (I (m)A)r(m) , m = 0, . . . .
27. Seja x(m) , m = 0, . . . , a sucesso de aproximaes para a soluo x do sistema Ax = b definida pelo
mtodo da descida mais rpida. Mostre que se o erro e( j) , para algum j N0 , vector prprio de
A, ento x( j+1) = x .
28. Considere o sistema Ax = b, em que A simtrica e positiva definida. Seja x(m) , m = 0, . . . , a
sucesso definida pelo mtodo da descida mais rpida. Mostre que
(a) e(m+1) ortogonal a Ar(m) ;
(b) r(m+1) ortogonal a r(m) .
29. Seja A uma matriz real simtrica e positiva definida. Mostre que se d ( j) , j = 0, . . . , m, so Aortogonais, ento so linearmente independentes.
30. Prove que os vectores prprios de uma matriz A real simtrica e positiva definida so A-ortogonais.
31. Considere o sistema Ax = b com
2 1 0
A = 1 2 1 ,
0 1 2
que tem por soluo (1, 1, 1). Seja x(0) = (0, 0, 0).
1
b = 0 .
1
(b) Seja x(m) definida pelo mtodo da descida mais rpida. Determine uma estimativa para
e(m)
A
(c) Determine o nmero mnimo de iteraes que deve considerar para que
e(m)
< 102
A
32.
Matemtica Numrica I
J. A. Ferreira, G. Pena
(b) Considere o sistema
2 1 x1
3
=
,
1 2
x2
1
63
64
M ATEMTICA N UMRICA I
J. A. F ERREIRA , G. P ENA
CAPTULO
3
I NTERPOLAO POLINOMIAL
3.1
Introduo
Dada uma funo f definida num certo intervalo [a, b], a questo central que consideramos neste
captulo a construo de uma funo polinomial que, num sentido a especificar, a aproxima. A existncia
desta aproximao para funes contnuas garantida pelo teorema clssico de Weierstrass:
Teorema 3.1. Se f : [a, b] R contnua, ento, para > 0, existe um polinmio P definido
em [a, b] tal que
k f Pk < ,
(3.1.1)
em que k f Pk = max | f (x) P(x)|
x[a,b]
O Teorema de Weierstrass garante a existncia de uma funo polinomial que aproxima a funo
dada uniformemente no intervalo. A utilizao de funes polinomiais na substituio de certas funes
justifica-se pelas boas propriedades de diferenciabilidade e integrabilidade que estas apresentam. De facto,
suponhamos que pretendemos calcular
Z 1
0
ex dx.
A funo integranda no primitivvel, e portanto no possvel efectuar o clculo anterior sem substituir
2
a funo f (x) = ex , x [0, 1]. Uma substituio natural consiste em tomar
2
ex =
(1) j x2 j
, x R,
j!
j=0
65
66
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
e obter
Z 1
0
ex dx =
(1) j
(2 j + 1) j! ,
j=0
obtendo-se o integral pretendido como a soma de uma srie. No entanto, poderamos pretender determinar
um valor aproximado para o mesmo integral com um erro inferior a uma tolerncia , definida a priori.
Assim, a substituio da funo integranda por uma funo polinomial P cuja existncia estabelecida no
Teorema de Weierstrass permite obter
Z 1
0
em que
ex dx '
Z 1
0
P(x) dx,
Z 1
Z 1
2
x
e dx
P(x) dx < .
0
0
No caso de termos funes bastante regulares, por exemplo, se as sucessivas derivadas de f existem e
so limitadas, ento a construo de um polinmio nas condies do Teorema de Weierstrass pode ser
feita considerando o seguinte procedimento:
1. fixar em [a, b] uma partio uniforme de espaamento h = ba
n+1 em que a = x0 , b = xN , e obter o
conjunto de pontos
(xi , f (xi )), i = 0, . . . , n.
2. determinar em seguida o polinmio Pn , de grau inferior ou igual a n, tal que
Pn (xi ) = f (xi ), i = 0, . . . , n.
Neste caso, o nmero de pontos fixados (ou seja, o espaamento) induzido pelo majorante das
derivadas da funo e dever ser tal que
k f Pn k < .
O ltimo problema que especificamos usualmente conhecido por problema de interpolao e tem
significado num contexto mais geral do que o exposto e que especificamos: dado (xi , yi ), i = 0, . . . , n,
um conjunto de valores em que xi , i = 0, . . . , n, esto por ordem crescente, pretendemos determinar uma
funo g numa determinada classe de funes P e definida num domnio adequando tal que
g(xi ) = yi , i = 0, . . . , n.
No caso particular de yi , i = 0, . . . , serem a imagem de xi , i = 0, . . . , n, por uma funo desconhecida
f , ento, o problema de interpolao permite determinar g tal que
g(xi ) = f (xi ), i = 0, . . . , n,
e, deste modo, determinar, para x [x0 , xn ], x 6= xi ,
f (xi ) ' g(x).
Matemtica Numrica I
J. A. Ferreira, G. Pena
67
2. Como determinar g P?
3. Como quantificar o erro f (x) g(x)?
Relativamente primeira questo, iremos considerar a classe dos polinmios de grau menor ou igual a
n, Pn , e restringimo-nos apenas interpolao polinomial. No que diz respeito segunda questo, iremos
determinar P Pn tal que
P(xi ) = f (xi ), i = 0, . . . , n.
(3.1.2)
Este polinmio chamado polinmio interpolador de f nos pontos xi , i = 0, . . . , n, e a estes pontos
chamamos nodos de interpolao. O estudo do erro feito aquando da construo do polinmio
interpolador.
3.2
Consideremos uma funo f definida num intervalo [a, b] e, neste intervalo, a partio
a = x0 < x1 < < xn1 < xn = b.
Pretendemos construir um polinmio P que verifique P(xi ) = f (xi ), i = 0, . . . , n.
Consideremos as funes
n
xxj
`i (x) =
, i = 0, . . . , n.
j=0, j6=i xi x j
(3.2.1)
(3.2.2)
e portanto fcil concluir que `i , i = 0, . . . , n, constituem uma base do espao dos polinmios de grau
menor ou igual a n, Pn . A existncia e unicidade do polinmio interpolador estabelecida no teorema
seguinte.
Teorema 3.2. Dado o conjunto de pontos (xi , f (xi )), i = 0, . . . , n, de abcissas distintas, o polinmio
n
68
M ATEMTICA N UMRICA I
J. A. F ERREIRA , G. P ENA
Exemplo 3.1. Consideremos os pontos 0, 21 , 12 , 1 , 1, 14 e determinemos o polinmio que passa nos
pontos dados.
Temos
1
1
(x 1), `1 (x) = 4x(x 1), `2 (x) = 2x x
,
`0 (x) = 2 x
2
2
e portanto
1
1
1
(x 1) 4x(x 1) + x x
.
P2 (x) = x
2
2
2
Observao 3.1 No teorema anterior estabelecida a unicidade do polinmio interpolador. No entanto,
atendendo a que na sua construo utilizmos os polinmios de Lagrange, o polinmio interpolador Pn ,
por abuso de linguagem, chamado polinmio interpolador de Lagrange. Como veremos posteriormente,
outras designaes sero consideradas para o mesmo polinmio e que esto relacionadas com o processo
usado na sua construo.
A implementao do clculo do polinmio interpolador de Lagrange, pode ser feita recorrendo a duas funes: uma que calcule os polinmios de Lagrange (3.2.2) e outra que
implemente a frmula do Teorema 3.2:
Algoritmo 3.1 Polinmios de Lagrange
function [y] = polinomioLagrange(x,i,xPts)
y=ones(size(x));
for k=1:length(xPts)
if ( k 6= i )
y = y.*(xxPts(k))/(xPts(i)xPts(k));
end
end
return
Observamos que a varivel x, que contem as coordenadas dos pontos onde pretendemos calcular o polinmio interpolador de Lagrange, pode ser um vector ou uma matriz de coordenadas.
Matemtica Numrica I
J. A. Ferreira, G. Pena
69
Teorema 3.3. Seja f : [a, b] R tal que f Cn ([a, b]) e existe f (n+1) em (a, b). Em [a, b]
consideremos a partio (3.2.1), e seja Pn o polinmio interpolador de Lagrange de f nos n + 1
pontos xi , i = 0, . . . , n. Se x [a, b], ento existe (x) (a, b) tal que
f (x) Pn (x) =
f (n+1) ((x)) n
(x x j ).
(n + 1)!
j=0
(3.2.3)
t xj
, t [a, b].
j=0 x x j
g(x) = 0, g(xi ) = 0, i = 0, . . . , n,
e portanto, g tem pelo menos n + 2 zeros. Assim, g(n+1) tem pelo menos um zero em (a, b), isto , existe
(x) (a, b) tal que g(n+1) ((x)) = 0. Temos ento
0 = f (n+1) ((x)) [ f (x) Pn (x)]
d n+1
dt n+1
1
nj=0 (x x j )
(t x j )
j=0
t=(x)
(n + 1)!
,
nj=0 (x x j )
| f (x) Pn (x)|
Exemplo 3.2. Consideremos a funo f (x) = sin
xi
f (xi )
1
4
0
0
sin
n
M
|x x j |.
(n + 1)! j=0
2x
(3.2.4)
, x [0, 1] e os valores
1
2
2
2
3
4
sin
3
8
Com base na tabela anterior, determinemos os polinmios P2 e P4 . Estes polinmios admitem a representao
2
P2 (x) =
`1 (x) + `2 (x),
2
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
70
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
f
P2
pontos de interpolao
0
0
0.2
0.4
0.8
0.6
2x
x(x 1)
,
`1 (x) = 1 1
2 2 1
em que
0.2
0.4
0.6
0.8
em que
f
P4
pontos de interpolao
`2 (x) =
x x 21
1 1 12
,
3
2
P4 (x) = sin
`1 (x) +
`2 (x) + sin
`3 (x) + `4 (x),
8
2
8
x x 12 x 43 (x 1)
x x 41 x 43 (x 1)
3
, `2 (x) = 1 1 1 1 3 1
,
`1 (x) =
3 3
1
1
4 4
2
4
2 2
4
2
4
2
1
1
1
1
x x 4 x 2 (x 1)
x x 4 x 2 x 34
, `4 (x) =
.
`3 (x) = 3 3 1 3 1 3
1 1 14 1 21 1 43
4(4 4) 4 2
4 1
1.5
f (xi )
ln(1.5)
ln(2)
Determinemos o polinmio interpolador de Lagrange de f nos pontos dados na tabela. Este polinmio,
para os dados anteriores, admite a representao
P2 (x) = 4 ln(1.5)(x 1)(x 2) + 2 ln(2)(x 1)(x 1.5).
Determinemos uma aproximao para ln 98 . Utilizando o polinmio anterior obtemos
9
9
ln
' P2
= 0.11241.
8
8
P
0.01368.
2
8
8 3! 83
Matemtica Numrica I
J. A. Ferreira, G. Pena
71
Podemos obter uma estimativa para o erro independente de x [a, b]. De facto, atendendo a que
|x x j | b a, j = 0, . . . , n, x [a, b],
vem, de (3.2.4),
k f Pn k
M
(b a)n+1 , x [a, b].
(n + 1)!
(3.2.5)
A estimativa do erro calculada usando esta desigualdade , de um modo geral, muito grosseira. Esta
desigualdade pode ser utilizada para determinar o polinmio interpolador que tenha, em qualquer ponto
do intervalo da partio, um erro inferior a uma quantidade estabelecida . De facto, basta determinar n
tal que
M
(b a)n+1 <
(3.2.6)
(n + 1)!
e, em seguida, considerar para o valor determinado n uma partio uniforme de espaamento h = (ba)/n.
Exemplo 3.4. Consideremos novamente f (x) = ln(x), x [1, 2] e determinemos qual deve ser o menor
grau do polinmio interpolador para que o erro cometido ao aproximar f por esse polinmio seja inferior
a 102 .
Atendendo a que
(n 1)!
f (n) (x) = (1)n+1
xn
para n N, de (3.2.6) vem
1
| ln(x) Pn (x)|
, x [1, 2].
(n + 1)
Assim, o valor de n pretendido 100.
Vejamos seguidamente como determinar uma estimativa para o erro em funo de
h = max (xi xi1 ).
i=1,...,n
Provemos que
n
hn+1 n!
max (x x j )
.
4
x[a,b] j=0
Para n = 1 temos
(3.2.7)
x0 + x1
g
2
x0 +x1
2
cujo valor
x0 + x1
h2
x
+
x
0
1
=
x0
x1 .
2
2
4
Suponhamos a veracidade da desigualdade (3.2.7) para n e provemos a sua veracidade para n + 1, isto ,
n+1
hn+2 (n + 1)!
max (x x j )
,
(3.2.8)
4
x[a,b] j=0
em que x0 = a e xn+1 = b. Notemos que se x [a, b], ento x [a, xn ] ou x [xn , b]. Consideremos
x [a, xn ]. Atendendo a
n+1
n
(x x j ) = (x x j )|x b|,
(3.2.9)
j=0
j=0
72
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
n
n+1
(x x j ) h n!
4
j=0
conclumos o pretendido.
Quando x [xn , b], em vez de (3.2.9), devemos considerar
n+1
n+1
(x x j ) = |(x a)|| (x x j ) |,
j=0
j=1
e a demostrao de (3.2.8) anloga anterior.
Provmos o seguinte corolrio:
Corolrio 3.1. Seja f : [a, b] R tal que f Cn ([a, b]), existe f (n+1) em (a, b) e existe M que
verifica
(n+1)
f
(x) M, x [a, b].
M
hn+1 , x [a, b],
4(n + 1)
(3.2.10)
Corolrio 3.2. Seja f : [a, b] R tal que f Cn ([a, b]), existe f (n+1) em (a, b) e existe M que
verifica
(n+1)
f
(x) M, x [a, b].
M
(b a)n+1 , x [a, b].
4(n + 1)nn+1
(3.2.11)
Matemtica Numrica I
J. A. Ferreira, G. Pena
3.3
73
j1
j (x) = (x xi ), j = 1, . . . , n.
i=0
a j j (x).
j=0
Determinemos os coeficientes da combinao linear anterior. Atendendo a que Pn (x0 ) = f (x0 ) vem
a0 = f (x0 ). Considerando esta constante em Pn (x) obtemos
n
f (x1 ) f (x0 )
x1 x0
A diferena dividida de ordem k 2 definida em funo das diferenas divididas de ordem k 1 por
f [xi , xi+1 , . . . , xi+k+1 ] =
74
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Substituindo na expresso de Pn (x), obtemos
n
j1
j=1
i=0
(3.3.1)
A determinao dos coeficientes do polinmio interpolador de Newton pode ser feita organizando os
clculos numa tabela - tabela de diferenas divididas. A tabela seguinte apresenta os referidos coeficientes
para o caso n = 3.
xi
f (xi )
x0
f (x0 )
x1
f (x1 )
x2
f (x2 )
x3
f (x3 )
f [, ]
f [, , ]
f (x1 ) f (x0 )
x1 x0
f [, , , ]
f (x2 ) f (x1 )
x2 x1
f [x0 , ., ., x3 ]
f (x3 ) f (x2 )
x3 x2
Exemplo 3.5. Consideremos uma funo da qual se conhecem os valores dados no seguinte quadro
xi
5
4
3
2
5
2
f (xi )
f (xi )
5
4
3
2
5
2
f [, ]
f [, , ]
f [, , , ]
f [, , , , ]
4
8
8
2
4
8
6
16
8
5
176
15
J. A. Ferreira, G. Pena
Matemtica Numrica I
75
76
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Teorema 3.4. Em [a, b] consideremos a partio (3.2.1). Se f : [a, b] R tal que f Cn ([a, b])
e existe f (n+1) em (a, b), ento existe (a, b) tal que
f [x0 , . . . , xn ]n! = f (n) ().
(3.3.2)
= f (n) () Pn ()
1
4
1
2
2
2
3
4
3
f (xi ) 0 sin 8
sin 8
1
que diz respeito a f (x) = sin 2 x , x [0, 1]. Pretendemos determinar x (0, 1) tal que f (x ) = 0.95.
A tabela seguinte
yi
xi
sin
1
4
2
2
1
2
sin
3
8
3
4
1
1
sin 8 sin 3
sin 8 1
8 sin 8 2
8
y y sin 8
y sin 3
(y 1)
1
8
+
2
2
3
2 2 2 sin
sin
2
2
8
2
8
2 1
y y sin 8
y 22 (y 1)
3
+
2
3
3
4 sin 3 sin 3 sin
sin
sin
1
8
8
8
8
2
8
y y sin 8
y 22 y sin 3
8
+
.
2
3
1 sin 8
1 2 1 sin 8
1
P4 (y) =
4 sin
(3.3.3)
Matemtica Numrica I
J. A. Ferreira, G. Pena
77
Atendendo a que P4 (0.95) = 0.8211, obtemos x ' 0.8211. Notamos que f (0.8211) = 0.960774. Na
Figura 3.2 ilustramos o comportamento de P4 bem como da funo inversa
f 1 (y) =
2
arcsin(y), y [0, 1].
(3.3.4)
f 1
P4
pontos de interpolao
1
0.8
0.6
0.4
0.2
0
0
0.2
0.4
0.6
0.8
Figura 3.2: Grficos de P4 , definido por (3.3.3), e de f 1 (y), definida por (3.3.4).
Vimos dois processos diferentes de determinar o polinmio interpolador:
1. utilizao dos polinmios de Lagrange,
2. utilizao das diferenas divididas.
No entanto, quando os pontos da partio so igualmente distanciados, isto , xi xi1 = h, i = 1, . . . , n, a
construo do polinmio interpolador pode ser feita usando um processo mais simples e mais eficiente
recorrendo s chamadas diferenas progressivas.
Definio 3.1. Seja h > 0 uma quantidade fixa e f uma funo definida em x e x + h. Chamamos
diferena progressiva de primeira ordem de f em x a
f (x) = f (x + h) f (x).
Se f definida em x + ih, i = 0, . . . , n, a n1 ( f (x)) chamamos diferena progressiva de ordem
n 2 de f em x e esta diferena progressiva denotada por n f (x).
A diferena progressiva de primeira ordem de f em x est relacionada com a diferena dividida
f [x, x + h]. De facto, temos
f (x)
.
f [x, x + h] =
h
Mais geralmente, vale a igualdade
f [x0 , x1 , . . . , xn ] =
n f (x0 )
,
n!hn
78
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
em que xi = xi1 + h, i = 1, . . . , n.
Atendendo igualdade anterior, o polinmio interpolador de f em xi , i = 0, . . . , n, xi = xi1 + h, i =
1, . . . , n, pode ser escrito na forma
j f (x0 ) j1
(x xi ).
j
j=1 h j! i=0
n
Pn (x) = f (x0 ) +
A finalizar, observamos que o clculo das diferenas progressivas pode ser organizado num quadro anlogo
ao construdo para as diferenas divididas.
Relativamente implementao do clculo do polinmio anteriormente definido com diferenas progressivas, observamos que os Algoritmos 3.3 e 3.4 podem ser facilmente adaptados a
este caso.
Para determinar o polinmio interpolador para uma funo f definida num intervalo [a, b] coloca-se a
questo de como escolher a partio no intervalo. Ser que podemos escolher a partio de uma forma
arbitrria ou a escolha dos pontos da partio tem influncia no erro cometido?
Consideremos a funo de Runge
f (x) =
e as parties
1
, x [1, 1],
1 + 25x2
(3.3.5)
3 1 1 1 1 3
1, , , , 0, , , , 1,
4 2 4 4 2 4
7 5 1 1 5 7
1, , , , 0, , , , 1.
8 8 2 2 8 8
f
P8
pontos de interpolao
1
0.8
0.5
0.6
0.4
0.5
0.2
0
1
0.5
0.5
0.5
0.5
Figura 3.3: Grficos da funo de Runge (3.3.5) e P8 (esquerda) e grfico do erro E8 (direita).
Matemtica Numrica I
J. A. Ferreira, G. Pena
79
pontos de interpolao
0.25
0.8
0.2
0.6
0.15
0.4
0.1
0.2
5 102
0
1
0.5
0.5
0.5
0.5
Figura 3.4: Grficos da funo de Runge (3.3.5) e P8 (esquerda) e grfico do erro E8 (direita)
Podemos facilmente verificar que o mximo do valor absoluto do erro inferior quando os pontos da
partio so considerados prximos das extremidades do intervalo. Assim, para este caso, a escolha dos
pontos influncia o erro.
3.4
Consideremos uma funo f definida num intervalo [a, b] onde est definida uma partio uniforme
com n + 1 pontos (3.2.1). Seja Pn o polinmio interpolador de Lagrange. Provmos que se existe uma
constante positiva M tal que
(n+1)
f
(x) M, x [a, b],
ento
| f (x) Pn (x)| M
Atendendo a que
(b a)n+1
, x [a, b].
4(n + 1)n(n+1)
(b a)n+1
= 0,
n+ 4(n + 1)n(n+1)
lim
conclumos que
| f (x) Pn (x)| 0,
n +, x [a, b].
Assim, para certas funes, o aumento do grau do polinmio implica um aumento de preciso.
No entanto existem funes para as quais no podemos concluir que a um aumento do grau do
polinmio interpolador corresponda um aumento da proximidade entre o polinmio interpolador e a
funo interpolada, isto , uma diminuio do erro | f (x) Pn (x)| em [a, b]. Um exemplo de uma funo
80
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
que ilustra a situao anterior a conhecida funo de Runge (3.3.5). De facto, consideremos para a
funo (3.3.5) o polinmio interpolador de Lagrange de grau 4 - P4 (x) - para a partio
1 1
1, , 0, , 1,
2 2
e seja
E4 (x) = | f (x) P4 (x)|, x [1, 1].
Seja ainda P8 o polinmio interpolador de Lagrange para a funo de Runge (3.3.5) e para a partio
3 1 1 1 1 3
1, , , , 0, , , , 1
4 2 4 4 2 4
e
E8 (x) = | f (x) P8 (x)|, x [1, 1].
E8
1
0.8
0.6
0.4
0.2
0
1
0.5
0.5
x[1,1]
x[1,1]
A construo de um polinmio interpolador que aproxime a funo de Runge (3.3.5) com erro
inferior ao dos polinmios P4 e P8 conseguida com polinmios de grau inferior a 4. Assim, considerando
os pontos 1, 21 , 0, e 0, 12 , 1, e a decomposio de [1, 1] nos subintervalos [1, 0] e [0, 1], podemos
facilmente obter os polinmios interpoladores de Lagrange de grau 2, s(1) e s(2) para a funo de Runge
(3.3.5) e para os intervalos definidos. Seja
(1)
s (x) x [1, 0]
s(x) =
(3.4.1)
s(2) (x) x ]0, 1].
Esta funo um polinmio de grau 2, interpolador da funo de Runge (3.3.5) nos pontos 1, 21 , 0,
1
2 e 1.
Matemtica Numrica I
J. A. Ferreira, G. Pena
81
O polinmio s definido por (3.4.1) um polinmio interpolador da funo f para a partio considerada
mas diferente do polinmio de Lagrange anteriormente estudado. Para realar a diferena existente entre
estes polinmios vamos adoptar a designao polinmio interpolador de Lagrange segmentado. Na Figura
3.6 ilustramos o comportamento do polinmio s e da funo de Runge (3.3.5). A comparao entre o
comportamento do erro do polinmio interpolador segmentado de grau 2 e do polinmio interpolador de
grau 4 para os pontos 1, 21 , 0, 21 , 1, apresentada na Figura 3.7.
f
pontos de interpolao
1
0.8
0.6
0.4
0.2
0
1
0.5
0.5
E2s
E4
0.4
0.3
0.2
0.1
0
1
0.5
0.5
Figura 3.7: Grficos do erro associado ao polinmio interpolador segmentado de grau 2, E2s , e ao polinmio
interpolador de grau 4, E4 , para os pontos 1, 12 , 0, 12 , 1.
82
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Definio 3.2. Seja f uma funo definida num intervalo [a, b] onde consideramos a partio (3.2.1).
Se n divisvel por m, ento chamamos polinmio interpolador de Lagrange segmentado, de grau
m, ao polinmio
(1)
s (x)
x [x0 , xm ],
(2)
s (x)
x ]xm , x2m ],
..
.
s(x) =
(
j)
s (x)
x ]x( j1)m , x jm ],
..
(q)
s (x)
x ]xnm , xn ],
em que n = mq, e, para i = 1, . . . , q, s(i) o polinmio interpolador de Lagrange de grau m para f em
[x(i1)m , xim ] considerando a partio
x(i1)m < x(i1)m+1 < < xim .
Para construir cada um dos ramos do polinmio s podemos usar um dos processos introduzidos:
utilizao dos polinmios de Lagrange ou a utilizao das diferenas divididas. Neste caso podemos
definir, de modo anlogo ao anterior, o polinmio interpolador de Newton segmentado.
Exemplo 3.7. Determinemos o polinmio interpolador segmentado quadrtico para uma funo f
definida no intervalo [a, b] para a partio
a = x0 < x1 < x2 < < x6 = b.
Temos, utilizando as funes de Lagrange,
0 )(xx2 )
0 )(xx1 )
1 )(xx2 )
f (a) (x(xx
+ f (x1 ) (x(xx
+ f (x2 ) (x(xx
x
)(x
x
)
x
)(x
x
)
x
)(x2 x1 )
0
1
0
2
1
0
1
2
2
0
(xx3 )(xx4 )
(xx2 )(xx4 )
(xx2 )(xx3 )
f (x2 ) (x2 x3 )(x2 x4 ) + f (x3 ) (x3 x2 )(x3 x4 ) + f (x4 ) (x4 x2 )(x4 x3 )
s(x) =
x [a, x2 ],
x ]x2 , x4 ],
x ]x4 , b],
x [a, x2 ],
Seja f : [a, b] R uma funo da qual se conhece f (xi ), i = 0, . . . , n, em que {xi , i = 0, . . . , n} satsifaz
(3.2.1). Seja s o polinmio interpolador de Lagrange segmentado de grau m, isto , para i = 1, . . . , q, e
x [x(i1)m , xim ], s(x) dado por
s(x) = s(i) (x),
em que s(i) denota o polinmio interpolador de Lagrange de grau m nos pontos x j , j = (i 1)m, . . . , im.
Se x [x(i1)m , xim ], ento
f (x) s(x) = f (x) s(i) (x)
=
f (m+1) ((x))
(m + 1)!
im
(x x j ).
j=(i1)m
Matemtica Numrica I
J. A. Ferreira, G. Pena
83
M
(m + 1)!
im
j=(i1)m
|(x x j )|.
A partir da desigualdade anterior conclumos vrias estimativas para o erro do polinmio interpolador de
Lagrange segmentado de grau m:
m
M
max (x jm x( j1)m ) ,
1. k f sk
(m + 1)! j=1,...,q
2. k f sk
M
hm+1 ,
4(m + 1)
3. k f sk
M
(b a)m+1 , se a partio uniforme.
4(m + 1)nm+1
s(1) (x),
s(2) (x),
x [ 21 , 1],
x ]1, 32 ],
x 3 (x 1)
3 x 1 (x 1)
x 12 x 34
1
4
2
3
, x ,1
+ sin
+ sin
s (x) = sin
3
1
2 12 43 12 1
4
2
1 12 1 34
42
4 1
(1)
s (x) = sin
(2)
Ento
(x 45 )(x 32 )
(1 54 )(1 32 )
' s(1)
7
2
( 45 1)( 54 23 )
e, para x = 78 , vem
=8
7
+ sin
3 (x 1)(x 5 )
2
4
,
( 23 1)( 32 54 )
3
x 1, .
2
7 1 7
3 7
1 8 2
1 .
8
8
8 4 8
8 2 8
Podemos agora determinar uma estimativa para o erro da aproximao obtida. Usando (3.2.4)
obtemos
1
3
1
3
(1)
| f (x) s (x)| x
x (x 1), x , 1 ,
3!
2
4
2
f
7
+ sin
5 (x 1)(x 3 )
7
7 3
f
8 s 8 210 .
(1))
| f (x) s
3
1
(x)|
, x ,1 .
768
2
(3.4.2)
(3.4.3)
Observamos que a estimativa para o erro (3.4.3) mais grosseira do que a estimativa (3.4.2), e
ainda que a estimativa (3.4.3) vlida para x [1, 32 ] pois que | f 000 (x)| 3 , x [1, 23 ].
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
84
3.5
Em muitas questes prticas conhecida uma funo num conjunto de pontos e ainda o coeficiente
angular da tangente ao grfico da funo nesses pontos. Nestas circunstncias, para aproximar a funo
f , determinamos um polinmio que coincida com f nos pontos dados e cujo grfico tenha nos nodos de
interpolao tangente com o coeficiente angular dado. Mais especificamente, coloca-se o problema:
Seja f definida no intervalo [a, b]. Suponha que so conhecidos f e f 0 nos pontos da
partio (3.2.1). Pretendemos determinar um polinmio H(x) tal que
H(xi ) = f (xi ), H 0 (xi ) = f 0 (xi ), i = 0, . . . , n.
(3.5.1)
O polinmio a determinar, interpolador para f e para a sua derivada, deve verificar as 2n + 2 condies
(3.5.1). Logo, se existir tal polinmio, este deve ter grau inferior ou igual a 2n + 1. No resultado que
apresentamos seguidamente estabelecemos a existncia e unicidade do polinmio que verifica (3.5.1).
Teorema 3.5. Seja f uma funo definida num intervalo [a, b] onde consideramos a partio
(3.2.1). Dados f (xi ), f 0 (xi ), i = 0, . . . , n, existe um nico polinmio que denotamos por H2n+1 , de
grau menor ou igual a 2n + 1, que verifica (3.5.1)
Demonstrao. Provemos a unicidade. Sejam F e G dois polinmios que verificam as condies (3.5.1)
e seja R o polinmio seguinte
R(x) = F(x) G(x), x [a, b].
Este polinmio tem grau inferior ou igual a 2n + 1 e verifica a
R(xi ) = R0 (xi ) = 0, i = 0, . . . , n.
Ento R tem pelo menos 2n + 2 zeros reais. Logo R o polinmio nulo. Conclumos que se existir um
polinmio que verifica (3.5.1) ento este polinmio nico.
Provemos a existncia. Atendendo s condies consideradas, o polinmio, a existir, pertence ao
espao P2n+1 dos polinmios de grau menor ou igual a 2n + 1. Consideremos os polinmios de Lagrange
xxj
, i = 0, . . . , n.
x
j6=i i x j
`i (x) =
i, j = 0, . . . , n,
i, j = 0, . . . , n,
h0i (x j ) = 0,
0
hi (x j ) = i j ,
i, j = 0, . . . , n,
i, j = 0, . . . , n.
Atendendo s condies anteriores, fcil demonstrar que {hi , hi , i = 0, . . . , n} uma base de P2n+1 .
Assim, a existir o polinmio H2n+1 , este admite a representao
n
i=0
i=0
Matemtica Numrica I
J. A. Ferreira, G. Pena
85
com Ci ,Ci R, = 0, . . . , n.
Observamos que provar a existncia de H2n+1 equivalente a provar a existncia de Ci ,Ci , i = 0, . . . , n,
tais que H2n+1 verifica (3.5.1). Atendendo a que H2n+1 (xi ) = f (xi ), obtemos Ci = f (xi ), i = 0, . . . , n.
0
Por outro lado, de H2n+1
(xi ) = f 0 (xi ), vem Ci = f 0 (xi ), i = 0, . . . , n. Finalmente, obtemos a expresso de
H2n+1
n
i=0
i=0
(3.5.2)
f (xi )
f 0 (xi )
1
2
2
2
2
2 2
1
1
0
2
H5 (x) = 2(x 1)2 x 12 x + 8 2(x 1)2 x2 +
2
+4 2(x 1)2 x 12 x2 + 4(1 6(x 1)) x 12 x2 .
f0
pontos de interpolao
H50
pontos de interpolao
1.5
0.8
1
0.6
0.4
0.5
0.2
0
0
0
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8
86
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Consideremos as funes
0 (x) = 1,
1 (x) = (x x0 ),
2 (x) = (x x0 )2 ,
3 (x) = (x x0 )2 (x x1 ),
..
.
(3.5.3)
2n+1
A j j (x).
j=0
A1 = f 0 (x0 )
que representamos por
f [x0 , x0 ].
Substituindo as constantes determinadas em H2n+1 e considerando as condies para x = x1 , vem
A2 = f [x0 , x0 , x1 ]
e
A3 = f [x0 , x0 , x1 , x1 ].
Repetindo o processo anterior, obtemos os restantes coeficientes Ai , i = 4, . . . , 2n + 1 e, deste modo,
estabelecemos para H2n+1 (x) a expresso
H2n+1 (x) = f (x0 ) + f 0 (x0 )(x x0 ) + f [x0 , x0 , x1 ](x x0 )2
+ f [x0 , x0 , x1 , x1 ](x x0 )2 (x x1 )
++
(3.5.4)
O polinmio interpolador de Hermite H2n+1 pode ser determinado utilizando a tabela das diferenas
divididas como veremos seguidamente. Consideremos a mudana de varivel
y0 = x0 , y1 = x0 , y2 = x1 , y3 = x1 , . . . , y2n = xn , y2n+1 = xn ,
e seja g tal que
g(y0 ) = f (x0 ),
g(y1 ) = f (x0 ),
g(y2 ) = f (x1 ),
g(y3 ) = f (x1 ),
..
.
g(y2n ) = f (xn ),
g(y2n+1 ) = f (xn ).
Matemtica Numrica I
J. A. Ferreira, G. Pena
87
g[y0 , y1 ] = f [x0 , x0 ],
g[y0 , y1 , y2 ] = f [x0 , x0 , x1 ],
..
.
(3.5.5)
Exemplo 3.10. Determinemos o polinmio de Hermite de menor grau que interpolador de f (x) = ex ,
x [1, 1].
Consideremos (3.5.4) com n = 1 e a tabela seguinte
xi
f (xi )
f 0 (xi )
1
1
e1
e1
2e1
2e1
f (xi )
x0
f (x0 )
x0
f (x0 )
x1
f (x1 )
x1
f (x1 )
f [, ]
f [, , ]
f 0 (x0 )
f [x0 , x0 , x1 ]
f [x0 , x1 ]
f [x0 , x1 , x1 ]
f 0 (x1 )
f [, , , ]
f [x0 , x0 , x1 , x1 ]
f (xi )
e1
e1
e1
e1
f [, ]
2e1
0
2e1
f [, , ]
e1
f [, , , ]
e1
e portanto
H3 (x) = e1 + 2e1 (x + 1) e1 (x + 1)2 , x [1, 1].
88
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
x0
x1
f (xi )
f 0 (xi )
f 00 (xi )
f (x0 )
f 0 (x0 )
f 00 (x0 )
f (x1 )
f 0 (x1 )
2 (x) = (x x0 )2 ,
(3.5.6)
3 (x) = (x x0 ) ,
4 (x) = (x x0 )3 (x x1 ).
A j (x).
j=0
Determinemos as constantes A j , j = 0, . . . , 4, utilizando as condies impostas a este polinmio: Atendendo a que H(x0 ) = f (x0 ), vem A0 = f (x0 ). Por outro lado, atendendo a que H 0 (x0 ) = f 0 (x0 ), obtemos
A1 = f [x0 , x0 ], que, tal como anteriormente, denotamos por f [x0 , x0 ]. Mais ainda, atendendo a que
00
0)
H 00 (x0 ) = f 00 (x0 ), vem A2 = f (x
que representamos por f [x0 , x0 , x0 ]. De H(x1 ) = f (x1 ), obtemos
2
A3 = f [x0 , x0 , x0 , x1 ].
Considerando agora
A4 =
ou seja,
H 0 (x1 )
f 0 (x1 ),
vem
Finalmente estabelecemos
H(x) = f (x0 ) + f [x0 , x0 ](x x0 ) + f [x0 , x0 , x0 ](x x0 )2
Seguidamente vamos estudar o erro cometido ao aproximar uma funo pelo seu polinmio de Hermite
de grau 2n + 1.
Matemtica Numrica I
J. A. Ferreira, G. Pena
89
Teorema 3.6. Seja f uma funo com derivadas at ordem 2n + 1 contnuas em [a, b] e com
derivada de ordem 2n + 2 em (a, b). Em [a, b] consideremos a partio (3.2.1) e seja H2n+1 o
polinmio interpolador de Hermite para a funo f e relativamente partio anterior. Se
x [a, b], ento existe (x) (a, b) tal que
f (x) H2n+1 (x) =
f (2n+2) ((x)) n
(x x j )2 .
(2n + 2)!
j=0
(3.5.7)
Demonstrao. Seja x [a, b]. Se x = xi , i = 0, . . . , n, ento o teorema est provado. Suponhamos agora
que x 6= xi , i = 0, . . . , n e consideremos a funo
n
(t x j )2
, t [a, b].
2
j=0 (x x j )
A funo g tem o valor zero em xi , i = 0, . . . , n, (zeros duplos) e em x (zero simples). Por aplicao
sucessiva do teorema de Rolle, conclumos que g(2n+2) tem pelo menos um zero em (a, b), isto , existe
(x) (a, b) tal que
0 = g(2n+2) ((x)) = f (2n+2) ((x)) [ f (x) H2n+1 (x)]
(2n + 2)!
.
nj=0 (x x j )2
n
M
(x x j )2 .
M
(b a)2n .
(2n + 2)!
k f H2n+1 k M
h2(n+1) (n!)2
.
16(2n + 2)
Observamos que dependendo do comportamento de | f (2n+2) | podemos, ou no, concluir que o aumento
do grau do polinmio interpolador de Hermite implique uma diminuio do erro cometido ao aproximar
a funo por este polinmio. Uma forma de minimizar o erro consiste na utilizao de polinmios
interpoladores de Hermite de baixo grau.
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
90
Definio 3.3. Seja f uma funo definida num intervalo [a, b] onde consideramos a partio
a = x0 < x1 < < xn1 < xn = b. Sejam m, q N tais que mq = n. O polinmio s(x) definido
por (3.5.8)
(1)
H2m+1 (x),
x [x0 , xm ]
(2)
H2m+1 (x),
x ]xm , x2m ]
..
.
s(x) =
(3.5.8)
(
j)
H
(x),
x
]x
,
x
],
jm
(
j1)m
2m+1
..
(q)
H
x ]xnm , xn ],
2m+1 (x),
( j)
H9
f0
pontos de interpolao
H90
pontos de interpolao
1
2
0.8
0.6
0.4
2
0.2
0
1
0.5
0.5
0.5
0.5
Figura 3.9: Grficos da funo de Runge e de H9 (esquerda) e das suas derivadas (direita).
Matemtica Numrica I
J. A. Ferreira, G. Pena
E9
0.2
91
| f H90 |
1.5
0.15
1
0.1
0.5
5 102
0
1
0.5
0.5
0.5
0.5
Figura 3.10: Grficos dos erros | f (x) H9 (x)|, x [1, 1], (esquerda) e de | f 0 (x) H90 (x)|, x [1, 1]
(direita).
Consideremos agora os conjuntos de pontos
1
1, , 0 e
2
1
0, , 1,
2
2
x2 10000
x2 x + 21 151250
x2 x + 21
1 100
29
841
10933
1 2
2
x [1, 0].
2156250
142129 x x + 2 (x + 1),
s5 (x) =
2
10000 2
1
151250 2
1
2
1 100
29 x + 841 x x 2 10933 x x 2
1 2
2
+ 2156250
x ]0, 1].
142129 x x 2 (x 1),
O comportamento do polinmio segmentado anterior e da sua derivada est ilustrado na Figura 3.11. Na
Figura 3.12 ilustramos o comportamento dos erros deste polinmio e da sua derivada.
f
s5
f0
pontos de interpolao
s05
pontos de interpolao
1
2
0.8
0.6
0.4
2
0.2
0
1
0.5
0.5
0.5
0.5
Figura 3.11: Grficos da funo de Runge (3.3.5) e de s5 (esquerda) e das suas derivadas (direita).
92
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
| f s5 |
| f 0 s05 |
0.1
0.8
0.6
5 102
0.4
0.2
0
1
0.5
0.5
0.5
0.5
Figura 3.12: Grficos dos erros | f (x) s5 (x)|, x [1, 1], (esquerda) e de | f 0 (x) s05 (x)|, x [1, 1]
(direita).
As Figuras 3.10 e 3.12 ilustram a reduo do erro do polinmio de Hermite quando se considera o
polinmio de Hermite segmentado de grau 5.
Seja f : [a, b] R uma funo da qual se conhece f (xi ), f 0 (xi ), i = 0, . . . , n, em que {xi , i = 0, . . . , n}
satisfaz (3.2.1). Seja s o polinmio interpolador de Hermite segmentado de grau 2m + 1 definido por
(3.5.8). Se x [a, b], ento x [x(i1)m , xim ], para algum i {1, . . . , q}. Logo
s(x) = s(i) (x),
em que s(i) o polinmio interpolador de Hermite de grau 2m + 1 nos pontos x j , j = (i 1)m, . . . , im.
Assim
f (x) s(x) = f (x) s(i) (x)
=
f (2m+2) ((x))
(2m + 2)!
im
j=(i1)m
(x x j )2 .
M
(2m + 2)!
im
j=(i1)m
(x x j )2 .
A partir da desigualdade anterior conclumos vrias estimativas para o erro do polinmio interpolador de
Hermite segmentado de grau 2m + 1 segmentado:
2m
max j=1,...,q (x jm x( j1)m )
,
1. k f sk
M
(2m+2)!
2. k f sk
Mh2m+2 (m!)2
16(2m+2)! ,
3. k f sk
M(ba)2m+2 (m!)2
16(2m+2)!nm ,
Matemtica Numrica I
J. A. Ferreira, G. Pena
3.6
93
Splines
Consideremos para a funo de Runge (3.3.5) e o polinmio de Lagrange segmentado quadrtico sL,2
para os pontos 1, 21 , 0, 21 , 1. Denotemos por sH,3 o polinmio de Hermite segmentado cbico para a
funo de Runge (3.3.5) nos pontos 1, 0, 1. O comportamento das derivadas s0L,2 e s0H,3 ilustrado na
Figura 3.13. Na Figura 3.14 ilustramos o comportamento de s00H,3 e s000
H,3 . Para o exemplo de Runge e para
os polinmios anteriores, podemos mostrar que no existe s0L,2 (0), s0H,3 e s00H,3 so funes contnuas em
[1, 1] e no existe s000
H,3 (0).
f0
s0L,2
s0H,3
0.5
0.5
Figura 3.13: Comportamento das derivadas de primeira ordem dos polinmios de Lagrange segmentado
quadrtico e de Hermite segmentado cbico para a funo (3.3.5).
f 000
s000
H,3
500
0
20
40
f 00
s00H,3
0.5
0.5
500
1
0.5
0.5
Figura 3.14: Comportamento das derivadas do polinmio de Hermite segmentado cbico de segunda
ordem (esquerda) e de terceira ordem (direita) para a funo (3.3.5).
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
94
0, x [1, 0]
,
x2 , x ]0, 1]
(3.6.1)
e seja sH o polinmio de Hermite segmentado cbico para esta funo nos pontos
1 1
1, , 0, , 1.
2 2
Na Figura 3.15 ilustramos o comportamento de sH e s0H . O comportammento de s00H ilustrado na Figura
3.16. Observamos que esta derivada no existe em x = 21 e x = 21 .
f
sH
0.8
0.6
0.4
2
0.2
f0
s0H
0
1
0.5
0.5
0.5
0.5
Figura 3.15: Comportamento do polinmio de Hermite segmentado cbico (esquerda) e da sua derivada
(direita) para a funo (3.6.1).
20
20
40
f 00
s00H
0.5
0.5
Figura 3.16: Comportamento da segunda derivada do polinmio de Hermite segmentado cbico para a
funo (3.6.1).
Matemtica Numrica I
J. A. Ferreira, G. Pena
95
A questo que pretendemos resolver seguidamente diz respeito construo de um polinmio interpolador segmentado com segunda derivada contnua. Com o objectivo de introduzir o processo de
construo de tal polinmio, comeamos por introduzir o conceito de spline interpolador de grau 2.
Definio 3.4. Seja f uma funo definida num intervalo [a, b] onde consideramos a partio a =
x0 < x1 < < xn1 < xn = b. O polinmio segmentado
s(1) (x),
x [x0 , x1 ],
(2)
s (x),
x ]x1 , x2 ],
..
.
s(x) =
(3.6.2)
s( j) (x),
x ]x j1 , x j ],
..
(n)
s (x),
x ]xn1 , xn ],
em que s( j) um polinmio quadrtico em ]x j1 , x j ], que verifica
s(x j ) = f (x j ), j = 0, . . . , n,
s contnua em xi , i = 1, . . . , n 1,
s0 contnua em xi , i = 1, . . . , n 1,
s0 (x0 ) = f 0 (x0 ) ou s0 (xn ) = f 0 (xn ),
designado spline interpolador quadrtico.
Observamos que, por definio, a construo do spline interpolador quadrtico requer a determinao de
3n parmetros e este nmero igual ao nmero de condies que so exigidas ao spline s.
0
Consideremos para s(i) a seguinte expresso
0
s(i) (xi ) = Mi
xi x
x xi1
+ Mi+1
.
hi
hi
(3.6.3)
xxi
xxi
= lim Mi
xxi
x xi1
xi x
+ Mi+1
hi
hi
= Mi+1
= lim+ Mi+1
xxi
xi+1 x
x xi
+ Mi+2
hi+1
hi+1
0
= lim+ s0 (x).
xxi
De (3.6.3), vem
s(i) (x) = Mi
(x xi )2
(x xi1 )2
+ Mi+1
+C.
2hi
2hi
Mi+1 hi
.
2
96
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
(x xi )2
(x xi1 )2
Mi+1 hi
+ Mi+1
+ f (xi )
.
2hi
2hi
2
(3.6.4)
2
f (x0 ) f (x1 ) M1 .
h1
(3.6.5)
(3.6.6)
xxi
xxi
= lim Mi
xxi
(x xi )2
(x xi1 )2
Mi+1 hi
+ Mi+1
+ f (xi )
2hi
2hi
2
(3.6.7)
= f (xi )
e
lim s(x) = lim+ s(i+1) (x)
xxi+
xxi
Mi+2 hi+1
(x xi )2
(x xi+1 )2
+ Mi+2
+ f (xi+1 )
2h
2h
2
xxi
i+1
i+1
Mi+2 hi+1
hi+1
= Mi
+ f (xi+1 )
.
2
2
= lim+ Mi+1
(3.6.8)
hi+1
Mi+2 hi+1
+ f (xi+1 )
= f (xi ), i = 1, . . . , n 1.
2
2
(3.6.9)
De (3.6.9), a partir de Mi+1 calculamos Mi+2 , i = 1, . . . , n 1, iniciando-se o processo com M2 . Observamos que, de (3.6.5), dado M1 , calculamos M2 . Assim, a determinao de todos os coeficientes feita a
partir de (3.6.9), (3.6.5) desde que seja dado M1 .
A condio s0 (x0 ) = f 0 (x0 ) induz uma expresso para M1 que depende apenas dos dados do nosso
0
0
problema. De facto, considerando s(1) (x0 ), em que s(1) (x) definida por (3.6.3), obtemos
M1 = f 0 (x0 ).
(3.6.10)
Matemtica Numrica I
J. A. Ferreira, G. Pena
97
Definio 3.5. Seja f uma funo definida num intervalo [a, b] onde consideramos a partio a =
x0 < x1 < < xn1 < xn = b. O polinmio segmentado
s(1) (x),
x [x0 , x1 ],
(2)
s
(x),
x ]x1 , x2 ],
.
.
.
s(x) =
(3.6.11)
s( j) (x),
x ]x j1 , x j ],
..
(n)
s (x),
x ]xn1 , xn ],
em que s( j) um polinmio cbico em ]x j1 , x j ], que verifica
s(x j ) = f (x j ), j = 0, . . . , n,
s00 contnua em xi , i = 1, . . . , n 1,
s0 contnua em xi , i = 1, . . . , n 1,
s contnua em xi , i = 1, . . . , n 1,
(3.6.12)
(3.6.13)
(3.6.14)
e
ou
(3.6.15)
Observamos que, por definio, a construo o spline interpolador cbico requer a determinao de 4n
parmetros e este nmero igual ao nmero de condies que so exigidas ao spline s.
00
Consideremos para s(i) a seguinte expresso
00
s(i) (xi ) = Mi
xi x
x xi1
+ Mi+1
.
hi
hi
(3.6.16)
xxi
xxi
= lim Mi
xxi
xi x
x xi1
+ Mi+1
hi
hi
= Mi+1
= lim+ Mi+1
xxi
xi+1 x
x xi
+ Mi+2
hi+1
hi+1
00
98
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
De (3.6.16) vem
s(i) (x) = Mi
(x xi )3
(x xi1 )3
x xi
x xi1
+ Mi+1
Ci
+ Di
.
6hi
6hi
hi
hi
h2i
,
6
e portanto
(x xi1 )3
x xi
h2i
(x xi )3
x xi1
+ Mi+1
Ci
Mi+1 f (xi )
.
s (x) = Mi
6hi
6hi
hi
6
hi
(i)
+
xxi1
= f (xi1 )
= lim+ s(i) (x)
xxi1
= Ci + Mi
h2i
,
6
e portanto
h2i
.
6
Obtemos, deste modo, para i = 1, . . . , n, a seguinte expresso
Ci = f (xi1 ) Mi
(x xi )3
(x xi1 )3
s(i) (x) = Mi
+ Mi+1
6hi
6hi
2
hi x + xi
h2i x xi1
+ f (xi1 ) Mi
+ f (xi ) Mi+1
.
6
hi
6
hi
(3.6.17)
Para determinar completamente o spline interpolador cbico, temos que determinar os n + 1 coeficientes
M1 , . . . , Mn+1 . Consideramos agora a condio sobre s0 (x). Esta derivada contnua nos pontos da partio.
Atendendo a que se tem
0
xxi
xxi
= Mi
e
hi f (xi ) f (xi1 )
hi
+ Mi+1 +
6
3
hi
0
xxi
xxi
= Mi+1
hi+1
hi+1 f (xi+1 ) f (xi )
Mi+2
+
3
6
hi+1
conclumos
Mi
hi
hi + hi+1
hi+1
f (xi+1 ) f (xi ) f (xi ) f (xi1 )
+ Mi+1
+ Mi+2
=
, i = 1, . . . , n 1.
6
3
6
hi+1
hi
(3.6.18)
Temos que estabelecer as duas condies restantes. Consideramos no que segue as condies (3.6.13)
para o spline completo.
Matemtica Numrica I
J. A. Ferreira, G. Pena
99
(3.6.19)
hn
hn
f (xn ) f (xn1 )
.
+ Mn+1 = f 0 (xn )
6
3
hn
(3.6.20)
M1
e
Mn
h1
6
h1 +h2
3
3
h1
6
..
A=
..
hn1
6
h2
6
..
hn1 +hn
3
hn
6
hn
6
hn
3
f (x1 ) f (x0 )
h1
f (x2 ) f (x1 )
f (x1 ) f (x0 )
h2
h1
f 0 (x0 ) +
..
B=
.
.
hn
hn1
f 0 (x0 ) f (xn )hnf (xn1 )
1
3
1
6
1
6
2
3
0 ...
1
6
...
.. .. ..
..
A = h . . .
.
0 0 0 . . .
0 0 0 ...
0 0 0
0 0 0
.. .. .. .
. . .
2
1
1
6
3
6
0 16 31
1 Teorema
Ri = |ai j |.
i6= j
00
(s (x)) dx
Z b
a
( f 00 (x))2 dx.
(3.6.21)
de Gershgorin: Se C valor prprio de A = [ai j ]_i, j = 1n inMn (R), ento ni=1 BRi (aii ), em que
100
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
( f 00 (x))2 dx =
Z b
a
(s00 (x))2 dx +
Z b
a
(e00 (x))2 dx 2
Z b
a
em que
e(x) = f (x) s(x).
Para o ltimo termo do segundo membro da identidade anterior vale a representao
Z b
a
00
00
00
)s00 |ba
Z b
a
Z b
Uma vez que s denota o spline interpolador cbico, s000 (x) = Ki em (xi , xi+1 ), e portanto
Z b
a
000
Z xi+1
Ki
j=0
n
j=0 xi
Z xi+1
n
xi
( f 0 (x) s0 (x)) dx
Ki ( f (x) s(x))|xx
j=0
i+1
i
=0
pois s interpolador de f nos nodos da partio. Logo
Z b
a
( f 00 (x))2 dx =
Z b
a
(s00 (x))2 dx +
Z b
a
Matemtica Numrica I
J. A. Ferreira, G. Pena
101
5
f (4)
h4 ,
384
3.7
z p = ai j xi y j
i=0 j=0
tal que
z p (xi , y j ) = f (xi , y j ), i = 0, . . . , n, j = 0, . . . , m.
Comecemos por definir o problema de interpolao bidimensional. Seja = [a, b] [c, d] e f :
R. Em introduzimos a seguinte partio rectangular
{(xi , y j ) : i = 0, . . . , n, j = 0, . . . , m, x0 = a < x1 < < xn = b, y0 = c < y1 < < ym = d}. (3.7.1)
Por Pn,m denotemos o seguinte polinmio, de grau menor ou igual a n em x e de grau menor ou igual a
m em y,
n
Pn,m (x, y) = ai j xi y j .
i=0 j=0
(3.7.2)
`i (x) =
e
xxj
, i = 0, . . . , n,
i6= j=0 xi x j
` j (y) =
e seja
y yi
, j = 0, . . . , m,
y
j6=i=0 j yi
(3.7.3)
No teorema seguinte estabelecemos a existncia e unicidade do polinmio Pn,m que satisfaz (3.7.2).
102
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Teorema 3.9. Seja f : R e = [a, b] [c, d] onde consideramos a rede rectangular (3.7.1).
O polinmio
n
Qn,m (x, y) = ai j xi y j
i=0 j=0
Rn,m (x, y) = ai j xi y j ,
i=0 j=0
tal que
E(xk , y p ) = 0, k = 0, . . . , n, p = 0, . . . , m.
Mas, de
0 = ci j xki y pj
i=0 j=0
n
m
ci j y pj
i=0 j=0
n
i xki ,
i=0
i
xk
k = 0, . . . , n i =
ci j y pj
j=0
deduzimos
i , i = 0, . . . , n,
e portanto, para i = 0, . . . , n,
0 = i
m
ci j y pj , p = 0, . . . , m,
j=0
Matemtica Numrica I
J. A. Ferreira, G. Pena
103
Exemplo 3.13. Seja f : [0, 1] [0, 1] R definida por f (x, y) = ex+y . O polinmio interpolador de
Lagrange nos pontos
y j /xi
0
1
1
e
e
e2
5
1
1
0
0.2 0.4
0.6 0.8
0.5
1 0
0.2 0.4
0.6 0.8
0.5
1 0
Figura 3.17: Grficos de f (x, y) = ex+y (esquerda) e do polinmio interpolador P1,1 (direita).
0.5
0
0
1
0.2 0.4
0.6 0.8
0.5
1 0
Figura 3.18: Grfico de |ex+y P1,1 (x, y)|, (x, y) [0, 1] [0, 1].
Estudamos no que segue o comportamento do erro f Pn,m . Por C p () denotamos o espao das
funes contnuas com derivadas parciais at ordem p contnuas em .
104
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Teorema 3.10. Seja Pn,m o polinmio interpolador de f : R, = [a, b] [c, d], na rede
rectangular (3.7.1). Se f Cn+m+2 (), ento
n+1
n
f
1
|x xi |
| f (x, y) Pn,m (x, y)|
n+1
(n + 1)! x
i=0
n+m+2
m
n
1
f
|y y j | |x xi |
+
(3.7.4)
(n + 1)!(m + 1)!
xn+1 ym+1
j=0
i=0
m+1
m
1
f
|y y j |.
+
m+1
(m + 1)! y
j=0
Demonstrao. O erro f Pn,m admite a seguinte decomposio
f (x, y) Pn,m (x, y) = E1 (x, y) + E2 (x, y),
(3.7.5)
em que
n
n
m
E2 (x, y) = f (xi , y) fi j ` j (y) `i (x).
i=0
i=0
j=0
em que
em que
n+1
n
n
1
R
R(xi , y)`i (x) R(x, y)
(n + 1)!
xn+1
|x xi |
i=0
i=0
m
m
n+1 R
n+1
1
n+m+2 f
=
f
(x,
y)
f
(x,
y
)`
(y)
=
(x,
)
j j
(y y j ),
xn+1
xm+1
m + 1 xn+1 ym+1
j=0
j=0
(3.7.6)
Matemtica Numrica I
J. A. Ferreira, G. Pena
105
n+m+2
m
m+1
m
n
1
1
f
f
|y y j | |x xi | +
|y y j |.
|E2 (x, y)|
(n + 1)!(m + 1)! xn+1 ym+1 j=0
(m + 1)! ym+1
i=0
j=0
(3.7.7)
Finalmente, conjugando (3.7.5) com (3.7.6) e (3.7.7), obtemos (3.7.4).
Como corolrio do Teorema 3.10 vlido o seguinte resultado.
Corolrio 3.3. Seja Pn,m o polinmio interpolador de f : R, = [a, b] [c, d], na rede
rectangular (3.7.1). Se f Cn+m+2 (), ento
n+1
1
f
hn+1
k f Pn,m k
x
n+1
4(n + 1) x
n+m+2
f
1
m+1
hn+1
(3.7.8)
+
x hy
n+1
m+1
16(n + 1)(m + 1) x y
m+1
f
1
hm+1
+
y ,
m+1
4(m + 1) y
O conceito de polinmio interpolador segmentado pode tambm ser facilmente introduzido para o
caso bidimensional.
Definio 3.6. Seja f : R, = [a, b] [c, d] e neste conjunto consideremos a rede rectangular
(3.7.1) e em que n = px qx , m = py qy . O polinmio s definido por
(1,1)
s
(x, y),
(2,1)
s
(x, y),
..
.
s(x, y) =
(qx ,1) (x, y),
..
(qx ,qy )
s
(x, y),
106
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Exemplo 3.14. Seja f : [0, 1] [0, 1] R definida por f (x, y) = ex+y . O polinmio interpolador de
Lagrange segmentado linear nos pontos
y j /xi
1
2
1
1
e2
e
e2
e
3
e2
e
3
e2
e2
1
2
1
tem a seguinte representao
s(x, y) =
1
4 x 12 e 2 x y 12
1
+4 e 2 x 12 + ex y,
1
2e 2 x 1 + 2e x 12 (2) y 21
3
+ 2e(x 1) + 2e 2 x 21 2y,
1
4 e 2 x 21 ex (y 1)
3
+4 e x 12 + e 2 x y 12 ,
3
2e(x 1) + 2e 2 x 12 (2)(y 1)
3
+ 2e 2 (x 1) + 2e2 x 21 2 y 21 ,
(3.7.9)
(x, y) [0, 12 ] ] 12 , 1]
(x, y) ] 12 , 1] ] 12 , 1]
Na Figura 3.19 ilustramos o comportamento do erro f (x, y) s(x, y) para (x, y) [0, 12 ] [0, 12 ].
0.1
5 102
0
0
0.4
0.2
0.4
0.2
J. A. Ferreira, G. Pena
Matemtica Numrica I
107
| f (x, y) s
conclumos
p +1
ipx
x f
1
|x x` |
(x, y)|
y
|
k
|x x` |
(px + 1)!(py + 1)!
x px +1 y py +1
k=(
j1)py
`=(i1)px
p +1
j py
y f
1
+
|y yk |,
(py + 1)!
y py +1
k=(
j1)py
p +1
ipx
x f
1
| f (x, y) s(x, y)|
|x x` |
(px + 1)!
x px +1
`=(i1)p
x
p +p +2
j py
ipx
x y f
1
+
|y
y
|
k
|x x` |
(px + 1)!(py + 1)!
x px +1 y py +1
k=(
j1)py
`=(i1)px
p +1
j py
y f
1
+
|y yk |.
(py + 1)!
y py +1
k=(
j1)py
Mais ainda
p +1
x f
p +1
1
h x
k f sk
4(px + 1)
x px +1
x
p +p +2
x y f
p +1 py +1
1
h x hy
+
14(px + 1)(py + 1)
x px +1 y py +1
x
p +1
y f
py +1
1
hy .
+
4(py + 1)
y py +1
A finalizar esta breve digresso pela interpolao bidimensional, realamos o facto de existirem para
funes de duas variveis, extenses naturais dos conceitos de polinmio de Hermite e de spline ([4]).
comum, em problemas de aproximao de funes, considerar a questo da determinao de um
polinmio interpolador a partir do conhecimento de uma funo em pontos de uma rede no rectangular,
isto, , num conjunto de pontos que no esto associados a uma partio rectangular do domnio. Em
muitas aplicaes considerada uma partio do domnio em tringulos sendo os nodos de interpolao
os vrtices destes conjuntos. manifesto que a partio em tringulos no poder ser qualquer.
Definio 3.7. Seja um domnio poligonal de R2 . Uma partio em tringulos TH = {Ti , i I}
em que Ti denota o tringulo aberto, I denota um conjunto de indices, diz-se admissvel para se so
vlidas as condies seguintes:
1. se i, j I, i 6= j, ento Ti T j = 0,
/
2. se i, j I, i 6= j, ento T i T j = 0/ ou T i T j = {o vrtice comum aos dois tringulos} ou
T i T j = {lado comum aos dois tringulos},
3. iI T i = .
Consideremos ento uma tringulao TH admissvel para , denotemos por VH = {(xi , y j ), i
I , j J } o conjunto de vrtices dos tringulos desta triangulao e suponhamos que so conhecidos
108
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
a + bxi + y j = f (xi , y j )
a + bx p + yq = f (x p , yq )
a + bxr + yt = f (xr , yt ).
(3.7.10)
O sistema (3.7.10) considerado para cada tringulo T i obtendo-se, deste modo, uma funo polinomial segmentada, de grau um em cada varivel, interpoladora de f nos vrtices dos tringulos de
TH .
3.8
Alguns problemas
1. Na seguinte tabela so dados diferentes valores para o peso especfico p da gua a diferentes
temperaturas t (em graus Celsius):
t
0.999871
0.999928
0.999969
0.999991
Usando interpolao linear, quadrtica e cbica, determine uma aproximao para p quando t = 4oC
usando a frmula interpoladora de Lagrange e de Newton. Compare os resultados obtidos sabendo
que o valor exacto 1.000000.
2. Pretende-se construir uma tabela para a funo f (x) = ex , com x [0, 1]. Considere o valor de
e com erro absoluto inferior a 0.5 106 e uma partio com pontos igualmente distanciados.
Determine o dimetro da partio a considerar de modo que o polinmio interpolador de Lagrange
permita obter uma aproximao para f com um erro inferior a 106 .
3. Considere a funo f (x) = ln(x + 1), x [1, 3]. Determine o polinmio interpolador de Lagrange
que aproxima f em [1, 3] com um erro inferior a 102 .
4. Determine o polinmio interpolador de Lagrange segmentado linear para a funo f tal que
xi
0.25
0.5
0.75
1.25
1.5
Matemtica Numrica I
J. A. Ferreira, G. Pena
109
24.7
32.4
38.4
45.0
52.3
65.6
87.6
102
154
192
10
12
20
25
f (x) dx '
ba
f (a) + f (b) ,
2
que designada frmula dos trapzios. Suponha que | f 00 (x)| M, x [a, b]. Mostre que
Z b
M
ba
3
a f (x) dx 2 f (a) + f (b) 12 (b a) .
9. Estabelea, utilizando o polinmio interpolador de Lagrange linear em [a, b], a seguinte frmula de
derivao numrica
1
f (b) f (a) ,
f 0 (a) '
ba
que designada frmula progressiva. Mostre que
f 0 (a)
1
b a 00
f (), (a, b).
f (b) f (a) =
ba
2
10. Estabelea, utilizando o polinmio interpolador de Lagrange quadrtico em [a, b], para os pontos
a = x0 < x1 < x2 = b com h = x1 a = b x1 , a seguintes frmula de derivao numrica
f 0 (x1 ) '
1
f (b) f (a) ,
2h
1
h2
f (b) f (a) = f 00 (), (a, b).
2h
2
11. Mostre que as funes polinomiais definidas por (3.5.3) so linearmente independentes.
12. Mostre que o conjunto {i , i = 1, . . . , 4}, em que i , i = 1, . . . , 4, so definidas por (3.5.6), uma
base de P4 .
13. Considere a funo f (x) = 3xex e2x . Determine uma aproximao para f (1.03) usando o polinmio interpolador de Hermite para os pontos x0 = 0 e x1 = 1.05. Determine uma estimativa para o
erro cometido.
110
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
18. Considere f (x) = ex , x [1, 1]. Determine o polinmio interpolador de Hermite segmentado s
para f de menor grau. Calcule s( 12 ) e estime o erro |e1/4 s( 12 )|.
19. Diga se a funo seguinte um spline ou no
2
x [0, 1],
x + 1,
2x,
x ]1, 2],
f (x) =
2
x 2x + 4, x ]2, 3].
2 x,
x ]1, 2],
um spline cbico.
21. Estabelea o sistema que permite calcular o spline interpolador cbico natural.
22. Calcule o spline cbico natural para os seguintes dados
xi
f
f0
1
0
2
1
1
0
23. Considere a seguinte partio uniforme do intervalo [a, b], a = x0 < x1 < < xn = b, com
h = xi xi1 , e os pontos auxiliares
x3 = a 3h, x2 = a 2h, x1 = a h, xn+1 = b + h, xn+2 = b + 2h, xn+3 = b + 3h.
Matemtica Numrica I
J. A. Ferreira, G. Pena
111
(x xi2 )3 ,
(x x)3 ,
i+2
0
x [xi2 , xi1 ],
x ]xi1 , xi ],
x ]xi , xi+1 ],
x ]xi+1 , xi+2 ],
nos restantes casos,
xi2
xi1
xi
xi+1
xi+2
0
0
0
0
0
0
4
0
12
h2
1
3h
0
0
0
0
0
0
3
h
6
h2
6
h2
..
..
.
B= .
0 0
0 0
0 0
f 0 (xn )]t e
3
h
...
1 ...
..
..
.
.
0 ...
0 ...
0 ...
0
0
..
.
4
1
3h
0 0
0 0
.. ..
. .
1 0
4 1
0 h3
112
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
(0,1)
(0,0.5)
(0,0)
(0.5,0.5)
(0.5,0)
(1,0)
Figura 3.20: Triangulao do tringulo rectngulo de vrtices (0, 0), (1, 0) e (0, 1).
CAPTULO
4
E QUAES NO LINEARES
4.1
Introduo
A determinao de zeros de equaes lineares matriciais foi considerado no Captulo 2. Neste caso
considermos mtodos de duas classes: directos e iterativos. Na ltima classe de mtodos obtivmos uma
sucesso de vectores de aproximaes para o vector soluo da equao matricial. No presente captulo o
nosso objectivo o estudo de mtodos para a determinao da soluo de equaes no lineares.
J nos deparmos com equaes no lineares polinomiais do tipo
a0 + a1 x + . . . an xn = 0, an 6= 0.
Para estas equaes no lineares particulares existem mtodos com caractersticas prprias. No entanto
os mtodos que consideraremos neste captulos podero ser utilizados neste contexto. No entanto a sua
aplicao mais geral. Observamos que para algumas equaes polinomiais existem fmulas explcitas
para os seus zeros.
Consideremos a equao f (x) = 0, f : [a, b] R, em que [a, b] tal que existe apenas uma raiz x
desta equao em [a, b]. Observamos que se f 0 tem sempre o mesmo sinal [a, b] e f (a) f (b) < 0, ento
existe de facto apenas um zero de f em [a, b].
O nosso objectivo estudar mtodos que permitem construir uma sucesso de aproximaes xn , n N,
para x e tal que
lim xn = x .
n
Assim sendo, os mtodos que iremos estudar pertencem classe dos mtodos iterativos e a definio da
sucesso de aproximaes requer uma aproximao inicial. Mais ainda, como veremos, a aplicao dos
diversos mtodos requer a definio de um intervalo contendo uma s raiz da equao que se pretende
resolver. Este determinado a partir da representao grfica da funo f determinando um intervalo
contendo a abcissa do ponto de interseco da curva y = f (x) com o eixo das abcissas. Este mtodo
de localizao usualmente designado mtodo grfico. Observamos que localizar as razes de uma
113
114
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
determinada equao consiste em determinar intervalos contendo uma raiz da equao em estudo e, em
seguida, provar analiticamente que de facto em cada intervalo indicado existe uma e uma s raiz.
Consideremos a equao
sin(x)
x = 0.
x
(4.1.1)
Na Figura 4.1 apresentamos o grfico de f . Assim, a raiz da equao anterior est no intervalo [ 8 , 2 ]. De
facto f contnua neste intervalo e f ( 8 ) f ( 2 ) < 0. A unicidade resulta do facto de f 0 (x) < 0 no intervalo
anterior.
0
2
4
sin(x)
x
y=
y=0
6
0
5
sin(x)
x
6
x.
Observamos que caso no seja fcil a determinao grfica de y = f (x), por vezes possvel reescrever
a equao f (x) = 0 na forma equivalente
f1 (x) = f2 (x),
em que f1 e f2 tm uma representao grfica mais simples. Assim o zero de f verifica f1 (x ) = f2 (x ), e
portanto a abcissa do ponto de inetrseco das duas curvas
y = f1 (x), y = f2 (x).
Consideremos a equao (4.1.1). Esta equao admite a representao equivalente
sin(x) = x2 .
Consideremos as duas curvas
y = sin(x), y = x2
que se intersectam apenas num ponto para x [ 4 , 2 ]. Na Figura 4.2 apresentamos as duas curvas anteriores.
Matemtica Numrica I
J. A. Ferreira, G. Pena
1
115
y = sin(x)
y = x2
0.5
0
0.5
1
0
f (xi )
1.5707963267948966192
0.9060367009005804134
0.8768125208725520179
0.8767262161570021592
0.8767262153950624460
0.9341765544273
0.0373466283594
0.0001096423133
9.67958207316 1010
7.54473754399 1020
4.2
O mtodo da bisseco
Consideremos o intervalo I0 = [a, b] onde f tem apenas um zero x . Sem perda de generalidade,
suponhamos que f (a) > 0 e f (b) < 0. Consideremos a seguinte sequncia de passos:
1. Seja
x1 =
a+b
.
2
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
116
a1 + b1
.
2
Se f (x2 ) < 0, ento x I2 = [a1 , x2 ] = [a2 , b2 ]. Caso contrrio x I2 = [x2 , b1 ] = [a2 , b2 ]. Em
qualquer um dos caso |I2 | = 21 |I1 |.
x2 =
3. Seja
x3 =
a2 + b2
.
2
4. O processo repete-se.
I1
x1
b
I2
I0
Figura 4.3: Ilustrao grfica da sucesso (xn )nN e dos intervalos In associados ao mtodo da bisseco.
Obtemos deste modo a sucesso (xn )nN dos pontos mdios dos intervalos, obtidos por bisseco, e
que constituem aproximaes para x . O processo descrito anteriormente usualmente designado mtodo
do ponto mdio.
Teorema 4.1. Seja f : [a, b] R tal que f contnua e montona em [a, b] e f (a) f (b) < 0.
Seja (xn )nN a sucesso definida seguidamente:
1. I0 = [a0 , b0 ] = [a, b];
2. Se In1 = [an1 , bn1 ] tal que f (an1 ) f (bn1 ) < 0, ento xn =
Ento
e
an1 +bn1
.
2
1
|I0 |
2n
(4.2.1)
lim xn = x .
(4.2.2)
|In | =
n
Demonstrao. Se f (an1 ) f (xn ) < 0, ento x In = [an1 , xn ] = [an , bn ] e x In = [xn , bn1 ] = [an , bn ]
caso contrrio. Assim
1
1
|In | = |In1 | = n |I0 |.
2
2
Matemtica Numrica I
J. A. Ferreira, G. Pena
Notemos que
|xn x | |In | =
117
1
|I0 |
2n
|xn x |
suficiente tomar n a verificar
1
|I0 |,
2n
ln |I0 |
n>
.
ln 2
(4.2.3)
x
tan(x) = .
2
Considerando as abcissas dos pontos de interseco das curvas y = tan(x) e 2y = x obtemos as razes da
equao dada. Na Figura 4.4 apresentamos as curvas anteriores.
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
118
6
4
2
0
2
4
6
3
2
2 0
3
2
x
2
(trao descontnuo).
Provemos que, em [, 75 ], existe apenas uma raiz da equao que pretendemos resolver. Comecemos
por notar que se
x
f (x) = tan(x) ,
2
0
ento f () < 0, f ( 7
5 ) > 0 e f contnua no intervalo anterior. Uma vez que f > 0 conclumos que
existe de facto apenas um zero de f neste intervalo.
A sucesso de aproximaes definidas pelo mtodo da bisseco definida seguidamente:
iterao
x1 =
x2 =
x3 =
x4 =
x5 =
x6 =
Notamos que x7 =
4.3
6
5
13
10
27
20
11
8
109
80
217
160
sinal
intervalo
7
x [ 6
5 , 5 ] = [a1 , b1 ]
7
x [ 27
20 , 5 ] = [a3 , b3 ]
+
+
7
x [ 13
10 , 5 ] = [a2 , b2 ]
11
x [ 27
20 , 8 ] = [a4 , b4 ]
109
x [ 27
20 , 80 ] = [a5 , b5 ]
109
x [ 217
160 , 80 ] = [a6 , b6 ]
87
e f (x7 ) ' 0.02097889.
64
O mtodo de Newton
Matemtica Numrica I
J. A. Ferreira, G. Pena
x0
x2
119
x1
Figura 4.5: Ilustrao grfica da construo da sucesso (xn )nN do mtodo de Newton.
Consideremos a sucesso (xn )nN definida da seguinte forma (ver Figura 4.5):
1. Dado (x0 , y0 ), x0 = b, y0 = f (b), a recta tangente curva y = f (x) que tem a seguinte equao
y y0 = f 0 (x0 )(x x0 ).
Se x1 denota a abcissa do ponto de interseco da recta anterior com o eixo das abcissas, ento
x1 = x0
f (x0 )
.
f 0 (x0 )
2. Consideremos a recta tangente curva y = f (x), no ponto (x1 , f (x1 )), de equao
y f (x1 ) = f 0 (x1 )(x x1 ).
Se x2 denota a abcissa do ponto de interseco da recta anterior com o eixo das abcissas, ento
x2 = x1
f (x1 )
.
f 0 (x1 )
3. O processo repete-se...
4. Consideremos a recta tangente curva y = f (x) no ponto (xn , f (xn )) de equao
y f (xn ) = f 0 (xn )(x xn ).
Se xn+1 denota a abcissa do ponto de interseco da recta anterior com o eixo das abcissas, ento
xn+1 = xn
f (xn )
.
f 0 (xn )
(4.3.1)
Obtivmos, deste modo, uma sucesso (xn )nN definida recursivamente por (4.3.1). O mtodo descrito
designado mtodo de Newton ou mtodo de Newton-Raphson.
120
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Algoritmo 4.2 Mtodo de Newton com controlo de nmero mximo de iteraes e erro absoluto
function [zero,res,niter,erro]=newton(f,df,x0,tol,nmax)
x=x0;
fx=feval(f,x); dfx=feval(df,x);
niter=0; er=tol*10;
while er tol && niter nmax
niter=niter+1;
diff=fx/dfx;
xold=x; x=x+diff;
diff=abs (diff);
fx=feval(f,x); dfx=feval(df,x);
er=abs(xxold);
end
zero=x; res=fx; erro=er;
return
y = ln(1 + x)
y = x1
2
1
Matemtica Numrica I
J. A. Ferreira, G. Pena
121
1
9
= 0.402585, f 10
= 0.994639,
1. f 10
1
9
1
2. f 0 (x) = 1+x
1 > 0, x 10
, 10
.
1
9
, 10
.
Logo existe uma raiz nica em 10
No que diz respeito ao segundo intervalo, temos
1. f 23 ' 0.416291, f 52 ' 0.247237,
1
2. f 0 (x) = 1+x
1 < 0, x 23 , 52 .
f (xi )
0.85526832300066159066
0.84213564414917271192
0.84140765842997510135
0.84140566045191836530
0.84140566043696063785
0.0776054313105
0.00388347780766
0.0000106002220641
7.93566566427 1011
4.44760152368 1021
(4.3.2)
ento (xn )nN converge para a nica raiz x , em (a, b), da equao f (x) = 0, e o erro en = x xn
verifica
M
|en+1 |
|en |2 ,
(4.3.3)
2m
onde
0 < m | f 0 (x)|, | f 00 (x)| M, x [a, b],
Demonstrao. Suponhamos, sem perda de generalidade que, em (a, b), f 0 > 0, f 00 > 0 e seja x0 = b.
Provemos que (xn )nN uma sucesso limitada inferiormente e montona decrescente.
1. claro que x x0 . Suponhamos que x xn e provemos que x xn+1 . Notemos que se tem
sucessivamente
0 = f (x )
= f (xn + (x xn ))
= f (xn ) + f 0 (xn )(x xn ) +
f 00 (n )
(x xn )2 ,
2
122
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
em que n (x , xn ) pois x xn . fcil agora provar a igualdade
x = xn
f 00 (n )
f (xn )
+
(x xn )2 ,
f 0 (xn ) 2 f 0 (xn )
(4.3.4)
f 00 (n )
(x xn )2 .
2 f 0 (xn )
f 00 (n )
(xn xn1 )2 ,
2
f 00 (n )
(xn xn1 )2
2
f (xn )
,
f 0 (xn )
vem xn+1 xn .
Provmos que (xn )nN uma sucesso limitada inferiormente e montona decrescente. Logo
convergente. Seja x o limite desta sucesso. Atendendo a que f e f 0 so contnuas, de (4.3.1), vem
f (x)
= 0,
e, atendendo unicidade do zero de f em (a, b), conclumos que x = x .
A estimativa (4.3.3) para o erro deduz-se facilmente de (4.3.4).
Observamos que o Teorema 4.2 uma condio suficiente para a convergncia do mtodo de Newton.
Atendendo a este facto, a sucesso gerada pelo Newton pode convergir no sendo vlidas algumas das
suas hipteses. Por outro lado, a estimativa (4.3.3) estabelece que o mtodo de Newton apresenta ordem
de convergncia igual a 2 e a velocidade da convergncia depende do comportamento de f 0 e f 00 .
4.4
A construo dos mtodos estudados para a determinao de uma sucesso de aproximaes para
o zero x de f , num determinado intervalo, consideram na definio da sucesso a expresso de f . No
entanto, por vezes conveniente reescrever a equao f (x) = 0 numa equao equivalente
x = g(x).
Neste caso, o zero de f verifica g(x ) = x .
Matemtica Numrica I
J. A. Ferreira, G. Pena
123
Definio 4.2. Seja g : I R. Se p I tal que g(p) = p, ento p diz-se ponto fixo de g.
Os pontos fixos de g, num determinado intervalo, so as abcissas dos pontos de interseo da curva
y = g(x), x I, com a recta y = x. A determinao dos zeros de f passa ento pela determinao dos
pontos fixos de g.
Teorema 4.3. Se g : [a, b] R, contnua e g([a, b]) [a, b], ento g tem um ponto fixo em
[a, b]. Se
|g0 (x)| K < 1, x [a, b],
(4.4.1)
ento o ponto fixo nico.
Demonstrao.
Existncia: Se g(a) = a ou g(b) = b, ento g tem um ponto fixo. Suponhamos agora que g(a) > a e
g(b) < b. Seja h(x) = g(x) x, x [a, b]. Atendendo a que h(a)h(b) < 0 e h contnua, ento h tem um
zero neste intervalo. Seja p (a, b) tal que h(p) = 0. Logo p = g(p).
Unicidade: Se p e q so pontos fixos de g, ento g(p) = p e g(q) = q. Temos sucessivamente
|p q| = |g(p) g(q)|
= |g0 ()||p q|
K|p q|,
em que pertence ao intervalo de extremos p e q. Logo
(1 K)|p q| 0,
e portanto p = q.
Exemplo 4.3. A equao
x3 + 4x2 10 = 0
tem uma nica raiz em [1, 2]. De facto, f (x) = x3 + 4x2 10 tal que f (1) f (2) < 0, f contnua e
portanto existe x [1, 2] tal que f (x ) = 0. A raiz anterior nica pois f 0 (x) = 3x2 + 8x > 0, x (1, 2).
Existem vrias equaes do tipo x = g(x) equivalentes a f (x) = 0 :
1. g(x) = x3 + 4x2 + x 10. Uma vez que g(1) = 4 vem que g([1, 2]) 6 [1, 2].
2. g(x) =
1
2
3. g(x) =
10
x+4 .
(a) g(1) =
2
2 ,
2, g(2) = 53 ,
10
(b) g0 (x) = 2(x+4)
3/2 , x (1, 2), e portanto g decrescente em [1, 2].
124
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Logo
g([1, 2]) =
"r
#
5
, 2 [1, 2].
3
Conclumos que g tem um ponto fixo x em [1, 2]. Para estabelecer a unicidade de x provemos que
|g0 (x)| < 1, x [1, 2]. Seja h(x) = |g0 (x)|, x [1, 2]. Esta funo decrescente em [1, 2] pois que
3 10
0
h (x) =
< 0, x [1, 2].
4(x + 4)5/2
Logo
2
|g (x)| = h(x) h(1) =
< 1, x [1, 2].
10
0
x0
x2
x3 x1
Figura 4.7: Ilustrao grfica da construo da sucesso (xn )nN do mtodo do ponto fixo.
Exemplo 4.4. Retomemos o Exemplo 4.3 em que considermos a equao
x3 + 4x2 10 = 0
com uma nica raiz em [1, 2]. Reescrevemos, no intervalo anterior, a equao em estudo na forma
equivalente
r
10
x=
,
x+4
q
10
em que g(x) = x+4
tem um ponto fixo nico em [1, 2].
Consideremos agora a sucesso (xn )nN definida por
r
10
xn+1 =
, n = 0, 1, . . . .
(4.4.3)
xn + 4
Matemtica Numrica I
J. A. Ferreira, G. Pena
125
Na tabela seguinte apresentamos alguns elementos desta sucesso quando x0 = 1 bem como os correspondentes valores de | f |.
n
xn
f (xn )
1
2
3
4
5
..
.
1.4142135623730950488
1.3590402174294351594
1.3660182195292663164
1.3651297414694172065
1.3652427711324894042
..
.
0.82842712474619009760
0.10190463362416193871
0.013020992223824525539
0.0016557492418038259895
0.00021067461276573120107
..
.
21
1.3652300134140968453
7.8058660544728304262 1018
Se considerarmos x0 = 2, obtemos x21 ' 1.36523 e | f (x21 )| ' 1.201 1017 . Por outro lado, com x0 = 1.5
obtemos x21 ' 1.36523 e | f (x21 )| ' 0. Neste caso, vrias aproximaes iniciais geram sucesses em que
o valor correspondente da funo f parecem convergir para zero.
Os resultados apresentados no exemplo anterior pemitem-nos intuir que a sucesso (xn )nN definida
por (4.4.3) converge para a raiz da equao pretendida. No resultado seguinte estabelecemos as condies
que nos permitem concluir a convergncia do mtodo do ponto fixo.
Teorema 4.4. Seja g : [a, b] [a, b] tal que
|g0 (x)| k < 1, x [a, b].
(4.4.4)
Ento, qualquer que seja a aproximao inicial x0 [a, b], a sucesso gerada pelo mtodo
iterativo (4.4.2) converge para o nico ponto fixo de g em [a, b].
Demonstrao. O Teorema 4.3 permite concluir a existncia e unicidade do ponto fixo x [a, b].
Sejam xn+1 e xn definidos por (4.4.2) e x0 [a, b]. Temos, sucessivamente,
xn+1 x = g(xn ) g(x )
= g0 (n )(xn x ),
e portanto
|xn+1 x | k|xn x |,
(4.4.5)
|xn x | kn |x0 x |.
(4.4.6)
lim |xn+1 x | = 0.
n+
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
126
kn
|x1 x0 |.
1k
(4.4.7)
(4.4.8)
Demonstrao. A prova de (4.4.7) imediata. Provemos agora (4.4.8). Consideremos x j+1 e x j definidos
por (4.4.2). fcil demonstrar a desigualdade
|x j+1 x j | k j |x1 x0 |.
Para |xn+m xn |, temos, sucessivamente,
|xn+m xn |
m+n1
j=n
m+n1
j=n
|x j+1 x j |
k j |x1 x0 |
kn |x1 x0 | k j
j=0
kn
|x1 x0 |
1k
ln |x1 x
0|
.
ln k
Observamos tambm que a velocidade de convergncia do mtodo do ponto fixo definido por uma
funo g determinada pelo majorante de |g0 |. Consideremos dois mtodos do ponto fixo, definidos pelas
funes g1 e g1 , para determinar uma aproximao para a raiz de uma determinada equao. Se
max |g01 | < max |g02 |,
[a,b]
[a,b]
Matemtica Numrica I
J. A. Ferreira, G. Pena
127
O Teorema 4.4 uma condio suficiente para a convergncia do mtodo do ponto fixo. Na prova
deste teorema estabelecemos a desigualdade (4.4.5) que pode ser reescrita na forma equivalente
|en+1 | k|en |.
Esta desigualdade estabelece que, nas condies do Teorema 4.4, o mtodo do ponto fixo apresenta
convergncia linear. No resultado que apresentamos seguidamente estabelecemos que, sob determinadas
condies, o mtodo do ponto fixo tem convergncia quadrtica.
Teorema 4.5. Seja g : [a, b] R com um nico ponto fixo x em [a, b]. Se g0 (x ) = 0 e g00
limitada num intervalo contendo o ponto fixo, ento existe > 0 tal que, qualquer que seja
x0 I = [x , x + ], mtodo do ponto fixo (4.4.2) tem convergncia quadrtica.
Demonstrao. Atendendo a que g0 (x ) = 0, fixado k < 1, existe > 0 tal que
|g0 (x)| k, x I.
Mostremos que g(I) I. Para o efeito, notamos que, para x I, se tem sucessivamente
|g(x) x | = |g(x) g(x )|
= |g0 ()||x x|
k|x x|
,
em que I.
Uma vez que g(I) I e |g0 (x)| < 1 para x I, pelo Teorema 4.4, a sucesso definida pelo mtodo do
ponto fixo converge para x . Provemos agora que tal convergncia quadrtica. Atendendo a que se tem
xn+1 = g(xn )
1
= g(x ) + g0 (x )(xn x ) + g00 ()(xn x )2
2
1 00
2
= g ()(xn x ) ,
2
com no intervalo definido por xn e x , vem
1 00
|en+1 | = g ()|en |2 .
2
Observamos por ltimo que o mtodo do ponto fixo se pode implementar de forma anloga
ao mtodo de Newton (ver Algoritmo 4.2).
128
4.5
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
A aplicao do mtodo de Newton para determinar uma aproximao para a soluo x de f (x) = 0
requer a existncia da primeira derivada. Estudamos seguidamente um mtodo iterativo que segue a
mesma filosofia do mtodo de Newton mas em que a recta tangente substituda pela recta secante.
Suponhamos que f : [a, b] R tal que f (a) f (b) < 0. Suponhamos que f (a) < 0, f (b) > 0.
x1 x2
Figura 4.8: Construo grfica da sucesso (xn )nN do mtodo da corda falsa..
1. Consideremos x0 = a e a recta secante curva y = f (x) nos pontos (a, f (a)), (b, f (b)) de equao
y = b + f [x0 , b](x x0 ).
Se x1 denota a abcissa do ponto de interseco da recta anterior com o eixo das abcissas, ento
x1 = b
f (b)
.
f [x0 , b]
Comparamos em seguida f (x1 ) com f (a) e f (b) e definimos I1 = [a1 , b1 ] tal que x I1 .
2. Consideremos a recta secante curva y = f (x) nos ponto (a1 , f (a1 )), (b1 , f (b1 )) de equao
y = f (b1 ) + f [a1 , b1 ](x b1 ).
Se x2 denota a abcissa do ponto de interseco da recta anterior com o eixo das abcissas, ento
x2 = b1
f (b1 )
.
f [a1 , b1 ]
Comparamos em seguida f (x2 ) com f (a1 ) e f (b1 ) e determinamos I2 = [a2 , b2 ] tal que x I2 .
3. O processo repete-se.
4. Seja In = [an , bn ] tal que x In . Consideremos a recta secante curva y = f (x) no ponto
(an , f (an )), (bn , f (bn )) de equao
y = f (bn ) + f [an , bn ](x bn ).
Seja xn+1 a abcissa do ponto de interseco da recta anterior com o eixo das abcissas, ento
xn+1 = bn
f (bn )
.
f [an , bn ]
(4.5.1)
Matemtica Numrica I
J. A. Ferreira, G. Pena
129
O mtodo apresentado designado mtodo da falsa posio ou mtodo da corda falsa. Em cada
iterao do mtodo, determinamos a abcissa do ponto de interseco da recta secante ao grfico de f em
pontos determinados e, em seguida, determinamos o novo intervalo comparando o sinal da funo nesta
nova aproximao com os extremos considerados de modo a definir o novo intervalo que nos vai permitir
calcular a nova aproximao, ver Figura 4.8.
Estudamos seguidamente as propriedades da sucesso definida por (4.5.1) para funes convexas ou
concavas.
Definio 4.3. Seja f : [a, b] R. Se
f ( x1 + (1 )x2 ) f (x1 ) + (1 ) f (x2 ), x1 , x2 [a, b], [0, 1],
ento f diz-se convexa em [a, b]. Se a desigualdade estrita, ento f diz-se estritamente convexa em
[a, b].
Se
f ( x1 + (1 )x2 ) f (x1 ) + (1 ) f (x2 ), x1 , x2 [a, b], [0, 1],
ento f diz-se cncava em [a, b]. Se a desigualdade estrita, ento f diz-se estritamente cncava em
[a, b].
Teorema 4.6. Seja f : [a, b] R convexa ou cncava tal que f (a) f (b) < 0. Ento a sucesso
gerada pelo mtodo da corda falsa converge e existe n0 N0 tal que
|en+1 | M|en |, n n0 ,
(4.5.2)
com M < 1.
Demonstrao. Seja f uma funo convexa e admitamos que f (a) < 0, f (b) > 0. Seja (xn )nN a sucesso
definida pelo mtodo da corda falsa. Esta sucesso crescente e limitada superiormente e portanto
convergente. Seja x este limite. Provemos que x = x . Para o efeito suponhamos que f (x)
6= 0. Ento
existem > 0 e n0 N0 tais que
| f (xn )| , n n0 .
(4.5.3)
Da definio (4.5.1) com bn = b, vem
xn+1 b =
f (b)
f [xn , b]
= (b xn )
e portanto
|xn+1 b|
e ainda
|xn+k b|
Logo, tomando o limite quando k , vem
f (b)
f (b) f (xn )
M
|xn b|,
M+
M
M+
x = b.
k
|xn b|.
130
J. A. F ERREIRA , G. P ENA
M ATEMTICA N UMRICA I
Mas a sucesso (xn )nN construida de modo a ter-se f (xn ) f (b) 0. Consequentemente
0 lim f (xn ) f (b) = f (b)2 > 0,
n
ou seja
(4.5.4)
(4.5.5)
f [x , xn , b](x b)
|en+1 |
lim
= lim
n |en |
n
f [xn , b]
f [x , xn ]
= lim 1
n
f [xn , b]
0
f
(x
)
= 1 0
f ( )
f 0 (x )
f 0 ( )
< 1.
f (x1 )
.
f [x0 , x1 ]
Considerando agora a secante curva y = f (x) definida pelos pontos (x1 , f (x1 )) e (x2 , f (x2 )) somos
facilmente conduzidos a
f (x2 )
.
x3 = x2
f [x1 , x2 ]
O processo repete-se e a partir das aproximaes xn1 e xn obtemos
xn+1 = xn
f (xn )
.
f [xn1 , xn ]
(4.5.6)
Observamos que a nica diferena entre o mtodo da secante e o da falsa posio a determinao
dos pontos que definem a secante. claro que no havendo a escolha criteriosa dos pontos que definem a
secante pode surgir facilmente uma situao de divergncia.
Matemtica Numrica I
J. A. Ferreira, G. Pena
4.6
1.
131
Alguns problemas
(a) Localize a raiz da equao ln(x 1) =
1
x1 .
(b) Aplique e o mtodo da bisseo duas vezes e indique o majorante do erro com que vem
afectada a aproximao calculada.
2.
c
xnp1
, n = 0, . . . ,
(b) Mostre que o mtodo de Newton permite obter uma sucesso convergente para c p .
7.
132
M ATEMTICA N UMRICA I
J. A. F ERREIRA , G. P ENA
B IBLIOGRAFIA
[1] R. L. Burden and J. D. Faires. Numerical Analysis. Brooks/Cole Publishing Company, Pacific Grove,
1997.
[2] W. Gautschi. Numerical Analysis: An Introduction. Birkhuser, Berlin, 1987.
[3] R. Kress. Numerical Analysis. Springer, New York, 1997.
[4] P. M. Prenter. Splines and Variational Methods. John Wiley & Sonsr, New York, 1976.
[5] A. Quarteroni, R. Sacco, and F. Saleri. Numerical Mathematics. Springer, New York, 2000.
[6] A. Quarteroni and F. Saleri. Scientific Computing with MATLAB and Octave. Springer, New York,
2007.
133