2. Conteúdo
Conteúdo I
1 Erros
Valores exacto e aproximado
Sistemas de vírgula flutuante
Aritmética em representações finitas
Propagação de erros no cálculo de funções
Erro no cálculo de séries
Exercícios
2 Equações não Lineares
Método das bissecções sucessivas
Método da falsa posição
Método iterativo simples
Método de Newton
Método da Secante
Ordem de convergência: definição
Raízes de Polinómios
3 Sistemas de equações não lineares
MIEEC (FEUP) MÉTODOS NUMÉRICOS 2 / 458
3. Conteúdo
Conteúdo II
Método iterativo simples
Método de Newton
4 Aproximação de funções
Aproximação dos mínimos quadrados
Aproximação em espaços vectoriais
Sistemas Sobredeterminados
5 Interpolação polinomial
Polinómio interpolador: unicidade e existência
Forma de Lagrange
Forma de Aitken-Neville
Forma de Newton
Diferenças divididas
Diferenças fiinitas
Interpolação directa e inversa
Dupla interpolação
Erro de interpolação
MIEEC (FEUP) MÉTODOS NUMÉRICOS 3 / 458
4. Conteúdo
Conteúdo III
Splines
6 Integração numérica
Regra dos trapézios
Regra de Simpson
Integração de Romberg
7 Sobre normas de vectores e matrizes
Norma de um vector
Norma de uma matriz
8 Sistemas de equações lineares
Eliminação gaussiana
Estratégias de pivotação
Erro e resíduo de uma solução aproximada
Perturbações no sistema de equações
Métodos iterativos
Inversão de matrizes
9 Integração de Equações diferenciais
MIEEC (FEUP) MÉTODOS NUMÉRICOS 4 / 458
5. Conteúdo
Conteúdo IV
Problema de valor inicial
Métodos de Euler
Método de Taylor
Consistência e Convergência
Métodos de Runge-Kutta
Sistemas de equações diferenciais
Equações diferenciais de ordem n
MIEEC (FEUP) MÉTODOS NUMÉRICOS 5 / 458
6. Apresentação
Docentes
C. Mendonça e Moura
cmm@fe.up.pt
Manuel J. Oliveira
moliv@fe.up.pt
M. Joana Peres
jperes@fe.up.pt
Fernando A. Fontes
faf@fe.up.pt
Agradecimentos aos anteriores docentes Aníbal Matos e Miguel Gomes
pelo material disponibilizado.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 6 / 458
7. Apresentação
Métodos Numéricos (Análise Numérica, Computação Numérica, ...)
Trata do estudo de métodos que permitam obter soluções aproximadas de
problemas com um esforço computacional razoável.
Está na fronteira entre a Matemática e Ciências de Computação.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 7 / 458
8. Apresentação
Objectivos da disciplina
Dotar os alunos da capacidade de aplicar criteriosamente técnicas
numéricas para a resolução de problemas de engenharia, o que exige:
1 compreender os fundamentos dos métodos
2 saber aplicar os métodos, recorrendo a
programação
calculadoras
aplicações computacionais
MIEEC (FEUP) MÉTODOS NUMÉRICOS 8 / 458
9. Apresentação
Importância da disciplina
Um computador é uma útil e poderosa ferramenta de cálculo de um
EEC.
Logo, é importante que ele conheça as potencialidades e fundamentos
dos métodos utilizados ...
Mas também as limitações desses métodos.
Exemplos de desastres devido ao uso incorrecto de métodos numéricos:
The explosion of the Ariane 5 rocket just after lift-off on its first voyage on
June 4, 1996, was ultimately the consequence of a simple overflow.
The Patriot Missile failure, in Dharan, Saudi Arabia, on February 25, 1991
which resulted in 28 deaths, is ultimately attributable to poor handling of
rounding errors.
The sinking of the Sleipner A offshore platform in Gandsfjorden, Norway, on
August 23, 1991, resulted in a loss of nearly one billion dollars. It was found
to be the result of inaccurate finite element analysis.
fonte/mais info: http://www.ima.umn.edu/~arnold/disasters/
MIEEC (FEUP) MÉTODOS NUMÉRICOS 9 / 458
10. Apresentação
Programa
Erros e representações numéricas
Equações não lineares
Sistemas de equações não lineares
Sistemas de equações lineares
Aproximação de funções
Interpolação polinomial
Integração numérica
Integração de Equações diferenciais
MIEEC (FEUP) MÉTODOS NUMÉRICOS 10 / 458
11. Apresentação
É expectável
Conhecimentos prévios de Matemática
⇒ derivação e integração, série de Taylor
⇒ matrizes, sistemas de equações
⇒ maturidade matemática (facilidade na manipulação de expressões,
saber ler e escrever matemática)
Conhecimentos prévios de Programação
⇒ entrada e saída de dados, passagem de parâmetros
⇒ ciclos e “arrays”
Estudo/Trabalho
⇒ 8 horas/semana para esta UC (4 de aulas)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 11 / 458
12. Apresentação
Aulas teóricas
⇒ 2×1 horas por semana
exposição e discussão da matéria
apresentação de exemplos ilustrativos
esclarecimento de dúvidas
MIEEC (FEUP) MÉTODOS NUMÉRICOS 12 / 458
13. Apresentação
Aulas teórico-práticas
⇒ bloco de 2 horas por semana
⇒ começam na semana de 9 de Março
⇒ salas de PCs
⇒ plano anunciado antecipadamente
programação de métodos numéricos
em linguagem C
grupos de 2 alunos
resolução de exercícios pelos alunos
MIEEC (FEUP) MÉTODOS NUMÉRICOS 13 / 458
15. Apresentação
Avaliação: distribuída com exame final
Exame Final (E)
Programas e Problemas (P)
A resolver nas aulas TP
Trabalhos de Programação (4)
(grupos 2 alunos, duração 1,5 h)
Resolução de problemas (5)
(individualmente, duração 30 min)
De entre os 4 programas + 5 problemas só contam para nota os 7 melhores.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 15 / 458
16. Apresentação
Classificação
A classificação final é
F = (0.1 + 0.01E) · P + (0.9 − 0.01E) · E
Motivação: a nota da avaliação prática vale tanto mais quanto melhor for
a nota do exame!
MIEEC (FEUP) MÉTODOS NUMÉRICOS 16 / 458
17. Apresentação
Obtenção de frequência
não exceder o limite de faltas às aulas TP;
obter pelo menos 6 valores na componente de trabalhos de
programação e resolução de problemas
MIEEC (FEUP) MÉTODOS NUMÉRICOS 17 / 458
18. Apresentação
Bibliografia e material de apoio
A. Matos, “Apontamentos de Análise Numérica”, FEUP.
S. Conte & C. de Boor, “An Introduction to Numerical Analysis”,
McGraw-Hill.
E. Fernandes, “Computação Numérica”, U. Minho.
H. Pina, “Métodos Numéricos”, McGraw-Hill.
R. Burden & J. Faires, “Numerical Analysis”, Brooks Cole.
W. Cheney & D. Kincaid, “Numerical Mathematics and Computing”,
Brooks Cole.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 18 / 458
19. Apresentação
Páginas disciplina
Página do SIFEUP e http://www.fe.up.pt/∼faf/mnum/
“Apontamentos de Análise Numérica”
Folhas de problemas (alguns resolvidos)
Testes de anos anteriores
Exercícios de programação de anos anteriores
Informação sobre funcionamento
plano das aulas
sumários
classificações
. . .
MIEEC (FEUP) MÉTODOS NUMÉRICOS 19 / 458
20. Erros
Um novo capítulo ...
1 Erros
2 Equações não Lineares
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomial
6 Integração numérica
7 Sobre normas de vectores e matrizes
8 Sistemas de equações lineares
MIEEC (FEUP) MÉTODOS NUMÉRICOS 20 / 458
21. Erros
1. Erros e representações numéricas
O que significa 1.2±0.1 ou 1.2±5%?
1.3 e 1.30 têm o mesmo significado?
Porque razão a operação 1 + 10−20 tem resultado 1 nas máquinas
calculadoras?
Porque nem sempre (a + b) + c é igual a a + (b + c) ?
Como minimizar as consequências da precisão finita?
Que precisão terá sin α se α tiver uma precisão de 2o?
Quantos termos devemos usar para calcular 5 dígitos de
√
2 através de uma
série?
MIEEC (FEUP) MÉTODOS NUMÉRICOS 21 / 458
22. Erros Valores exacto e aproximado
Vamos agora ver ...
1 Erros
Valores exacto e aproximado
Sistemas de vírgula flutuante
Aritmética em representações finitas
Propagação de erros no cálculo de funções
Erro no cálculo de séries
Exercícios
2 Equações não Lineares
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomial
MIEEC (FEUP) MÉTODOS NUMÉRICOS 22 / 458
23. Erros Valores exacto e aproximado
Valores exacto e aproximado
Valor exacto: x
Valor aproximado: x∗
Erro (de aproximação): ∆x∗ = x − x∗
xx*
Δx*
Aproximação
por defeito: x∗ < x ⇔ ∆x∗ > 0
por excesso: x∗ > x ⇔ ∆x∗ < 0
MIEEC (FEUP) MÉTODOS NUMÉRICOS 23 / 458
25. Erros Valores exacto e aproximado
Erro relativo
Erro relativo:
|∆x∗|
|x|
ou aproximadamente
|∆x∗|
|x∗|
→ exprime-se habitualmente em percentagem
Erro máximo relativo: um majorante do erro relativo
ε =
ε
|x|
ε
|x∗|
Notação: x = x∗ ± (100ε )% ⇔ x ∈ [x∗(1 − ε ), x∗(1 + ε )]
Exemplo: x = 2.0 ± 5% ⇔ x ∈ [1.9, 2.1]
MIEEC (FEUP) MÉTODOS NUMÉRICOS 25 / 458
26. Erros Valores exacto e aproximado
Notação científica
Notação científica na base 10 de x ∈ R
x = ±dndn−1 · · · d1d0.d−1d−2d−3 · · · × 10e
mantissa: dndn−1 . . . d1d0.d−1d−2d−3
expoente: e ∈ Z
Dígitos da mantissa: di ∈ {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}
MIEEC (FEUP) MÉTODOS NUMÉRICOS 26 / 458
27. Erros Valores exacto e aproximado
Mantissa com n algarismos
E se a mantissa for d1d2 · · · dndn+1dn+2 · · · ?
Truncatura
ignoram-se algarismos a partir do índice n + 1
Arredondamento
se 0.dn+1dn+2 . . . > 0.5 soma-se uma unidade à casa n para
(arredondar para cima)
se 0.dn+1dn+2 . . . < 0.5 mantém-se a casa n (arredondar para baixo)
se 0.dn+1dn+2 . . . = 0.5 arredonda-se para cima ou para baixo ficando
a casa n par (por vezes também se arredonda para cima)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 27 / 458
28. Erros Valores exacto e aproximado
Notação compacta para aproximações
Como simplificar a notação x = x∗ ± ε ?
Majorar erros absolutos por 0.5 × 10n e representar a aproximação até à
casa decimal 10n.
Os algarismos da mantissa (com excepção dos zeros à esquerda)
designam-se algarismos significativos.
Procedimento
1 majoração de ε por um número da forma 0.5 × 10n
2 arredondar x∗ para a casa 10n
MIEEC (FEUP) MÉTODOS NUMÉRICOS 28 / 458
30. Erros Valores exacto e aproximado
Algarismos significativos e erro relativo
Teorema
Seja x = 0. Uma aproximação de x com n algarismos significativos tem um
erro relativo inferior a 5 × 10−n.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 30 / 458
31. Erros Sistemas de vírgula flutuante
Vamos agora ver ...
1 Erros
Valores exacto e aproximado
Sistemas de vírgula flutuante
Aritmética em representações finitas
Propagação de erros no cálculo de funções
Erro no cálculo de séries
Exercícios
2 Equações não Lineares
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomial
MIEEC (FEUP) MÉTODOS NUMÉRICOS 31 / 458
32. Erros Sistemas de vírgula flutuante
Sistemas de vírgula flutuante FP(β, n, m, M)
Números representáveis: x = ±(0.d1d2 · · · dn) × βe
β base de representação
n número de dígitos da mantissa (precisão)
m, M expoentes mínimo e máximo (gama representável)
Sistema normalizado: x = 0 ∨ d1 = 0
MIEEC (FEUP) MÉTODOS NUMÉRICOS 32 / 458
34. Erros Sistemas de vírgula flutuante
Vírgula flutuante: algumas limitações
aproximação de números não representáveis
→ arredondamento
→ truncatura
⇒ erros de representação
x, y ∈ FP x ◦ y ∈ FP
⇒ erros de representação
underflow e overflow
⇒ impossibilidade de representação
MIEEC (FEUP) MÉTODOS NUMÉRICOS 34 / 458
35. Erros Sistemas de vírgula flutuante
Vírgula flutuante
Versões do mesmo sistema FP(β, n, m, M) podem diferir:
aproximação de números não representáveis
tratamento de excepções
algoritmos de cálculo
. . .
Desvantajoso em termos de
repetibilidade de resultados
portabilidade de código
validação de resultados
Norma IEEE 754
MIEEC (FEUP) MÉTODOS NUMÉRICOS 35 / 458
36. Erros Aritmética em representações finitas
Vamos agora ver ...
1 Erros
Valores exacto e aproximado
Sistemas de vírgula flutuante
Aritmética em representações finitas
Propagação de erros no cálculo de funções
Erro no cálculo de séries
Exercícios
2 Equações não Lineares
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomial
MIEEC (FEUP) MÉTODOS NUMÉRICOS 36 / 458
37. Erros Aritmética em representações finitas
Aritmética em representações finitas
ordem de realização de operações associativas pode influenciar
resultado: (a ◦ b) ◦ c
?
= a ◦ (b ◦ c)
Ex: 1 + 0.24 + 0.14 com 2 dígitos.
cancelamento aditivo: a + b com a b ou a b
→ problemas com somas de muitas parcelas
cancelamento subtractivo: a − b com a ≈ b
→ podem perder-se algarismos significativos
→ podem conduzir a erros elevados
→ possível minorar rearranjando cálculos
Ex: 1.16 − 1.04 com 2 dígitos.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 37 / 458
38. Erros Propagação de erros no cálculo de funções
Vamos agora ver ...
1 Erros
Valores exacto e aproximado
Sistemas de vírgula flutuante
Aritmética em representações finitas
Propagação de erros no cálculo de funções
Erro no cálculo de séries
Exercícios
2 Equações não Lineares
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomial
MIEEC (FEUP) MÉTODOS NUMÉRICOS 38 / 458
39. Erros Propagação de erros no cálculo de funções
Propagação de erros no cálculo de y = f (x)
x∗ valor aproximado de x. Como aproximar y = f (x)?
Será y∗ = f (x∗) uma boa aproximação?
f contínua: x∗ próximo de x ⇒ y∗ próximo de y
x x*
y*
y
f
MIEEC (FEUP) MÉTODOS NUMÉRICOS 39 / 458
40. Erros Propagação de erros no cálculo de funções
Estimação do erro de y∗ = f (x∗)
x x*
y*
y
f
f de variação lenta
x x*
y*
y
f
f de variação rápida
∆y∗ = y − y∗ = f (x) − f (x∗) = f (x∗ + ∆x∗) − f (x∗)
Majorante para o erro absoluto da aproximação y∗ de y
εy = |f ||max
· εx
MIEEC (FEUP) MÉTODOS NUMÉRICOS 40 / 458
41. Erros Propagação de erros no cálculo de funções
Propagação de erros: exemplo
Calcular um valor aproximado de y = sin x e o correspondente erro máximo
absoluto quando x ≈ 0.57, isto é, x = 0.57 ± 0.005.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 41 / 458
42. Erros Propagação de erros no cálculo de funções
Erro relativo no cálculo de y = f (x)
Majorante para o erro relativo de y∗ = f (x∗)
εy = f (x) ·
x
f (x) max
· εx
xf (x)
f (x) designa-se número de condição de f em x.
→ xf (x)
f (x) reduzido: a função diz-se bem condicionada
→ xf (x)
f (x) elevado: a função diz-se mal condicionada
MIEEC (FEUP) MÉTODOS NUMÉRICOS 42 / 458
43. Erros Propagação de erros no cálculo de funções
Propagação de erros: exemplo
Quantos dígitos significativos se podem perder no cálculo da função
y = tan(x) quando x está próximo de 1? E quando x está próximo de 1.5?
MIEEC (FEUP) MÉTODOS NUMÉRICOS 43 / 458
44. Erros Propagação de erros no cálculo de funções
Erro no cálculo de y = f (x1, x2, . . . , xn)
x∗
i valor aproximado de xi , com erro máximo absoluto εxi
.
y∗ = f (x∗
1 , x∗
2 , . . . , x∗
n ) aproxima y = f (x1, x2, . . . , xn)
com erro máximo absoluto
εy =
n
i=1
∂f
∂xi max
· εxi
e erro relativo máximo
εy ≤
n
i=1
∂f
∂xi
·
xi
f max
· εxi
Nota: os máximos são determinados em n
i=1[xi − εxi
, xi + εxi
]
MIEEC (FEUP) MÉTODOS NUMÉRICOS 44 / 458
45. Erros Propagação de erros no cálculo de funções
Propagação de erros: exemplos
1 Calcular majorante para o erro absoluto de s = a + b em função dos
erros máximos absolutos de a e de b.
2 Calcular o erro máximo relativo w = xyz a partir dos erros máximos
relativos em x, y e z.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 45 / 458
46. Erros Erro no cálculo de séries
Vamos agora ver ...
1 Erros
Valores exacto e aproximado
Sistemas de vírgula flutuante
Aritmética em representações finitas
Propagação de erros no cálculo de funções
Erro no cálculo de séries
Exercícios
2 Equações não Lineares
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomial
MIEEC (FEUP) MÉTODOS NUMÉRICOS 46 / 458
47. Erros Erro no cálculo de séries
Cálculo de séries: erro de truncatura
Quando se aproxima a série
S =
∞
i=0
ai
pela soma finita
Sn =
n
i=0
ai
aparece o erro de truncatura
Rn = S − Sn
MIEEC (FEUP) MÉTODOS NUMÉRICOS 47 / 458
48. Erros Erro no cálculo de séries
Erro de truncatura em séries alternadas
Teorema
Seja a sucessão {an}∞
n=0 decrescente e de termos não negativos, isto é,
a0 ≥ a1 ≥ . . . ≥ an ≥ . . . ≥ 0.
Estão a série ∞
i=0(−1)i ai é convergente para um número S.
Verifica-se ainda que a soma parcial Sn = n
i=0(−1)i ai satisfaz
|S − Sn| ≤ an+1,
ou seja, o erro de truncatura é, em valor absoluto, inferior ou igual ao
primeiro termo não considerado.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 48 / 458
49. Erros Erro no cálculo de séries
Erro de truncatura: exemplo de série alternada
A série alternada
1 −
1
3
+
1
5
−
1
7
+
1
9
− · · ·
é convergente para o valor π
4 .
Determinar quantos termos são necessários para calcular este valor com um
erro inferior a 10−4.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 49 / 458
50. Erros Erro no cálculo de séries
Série de Taylor: erro de truncatura
Desenvolvimento de Taylor da função f em torno de x0
f (x) = f (x0) + f (x0)(x − x0) + · · · + f (n)
(x0)
(x − x0)n
n!
+Rx0,n(x)
Px0,n(x)
onde Rx0,n(x) = f (n+1)(x0 + (x − x0)θ)(x−x0)n+1
(n+1)! , θ ∈ [0, 1].
O erro de truncatura de f (x) ≈ Px0,n(x) é Rx0,n(x).
Este desenvolvimento pode ser utilizado para o cálculo de funções como
sin, cos, exp, . . .
MIEEC (FEUP) MÉTODOS NUMÉRICOS 50 / 458
51. Erros Erro no cálculo de séries
Erro de truncatura: exemplo
Pretende-se aproximar a função ex no intervalo [−2, 2] por um polinómio
de Taylor.
Qual deverá ser o grau do polinómio se se pretender que o erro absoluto
devido à truncatura da série seja inferior a 5 × 10−5?
MIEEC (FEUP) MÉTODOS NUMÉRICOS 51 / 458
52. Erros Exercícios
Vamos agora ver ...
1 Erros
Valores exacto e aproximado
Sistemas de vírgula flutuante
Aritmética em representações finitas
Propagação de erros no cálculo de funções
Erro no cálculo de séries
Exercícios
2 Equações não Lineares
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomial
MIEEC (FEUP) MÉTODOS NUMÉRICOS 52 / 458
53. Erros Exercícios
Exercício: aritmética finita
A precisão de uma máquina pode ser avaliada determinando o valor δ > 0
tal que o resultado da operação 1 + ε seja igual 1, para todo o |ε| ≤ δ.
Estime o valor de δ da sua calculadora.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 53 / 458
54. Erros Exercícios
Exercício: propagação de erros
Considere a relação t = cos(x)
y + e−yz.
(a) Determine um valor aproximado de t e um majorante para o erro
absoluto quando
x = 1.3, sendo este valor exacto,
y = 0.25 ± 4%,
z = 1.7 ± 3 × 10−1
.
(b) Quantos algarismos significativos se podem perder no cálculo de t,
quando x = π
2 e y = 3 (valores exactos) e z está próximo de 4?
Nota: exame de 23/Jan/2002.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 54 / 458
55. Erros Exercícios
Exercício: erro de truncatura
Pretende-se calcular a função sin(x) no intervalo [−π
4 , π
4 ] recorrendo a um
polinómio de Taylor.
Qual deverá ser o polinómio de modo a que o erro relativo, devido à
truncatura da série de Taylor, seja inferior a 5 × 10−8 ?
MIEEC (FEUP) MÉTODOS NUMÉRICOS 55 / 458
56. Equações não Lineares
Um novo capítulo ...
1 Erros
2 Equações não Lineares
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomial
6 Integração numérica
7 Sobre normas de vectores e matrizes
8 Sistemas de equações lineares
MIEEC (FEUP) MÉTODOS NUMÉRICOS 56 / 458
57. Equações não Lineares
2. Equações não lineares
Como se calcula a solução da equação e−x = x?
Quais são as raízes do polinómio x5 + 2x4 − x3 + x − 1?
Com que rapidez podemos resolver estes problemas?
...
MIEEC (FEUP) MÉTODOS NUMÉRICOS 57 / 458
58. Equações não Lineares
Equações não lineares ou zeros de funções
Problema
Dada uma função f determinar s tal que f (s) = 0.
x
f(x)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 58 / 458
59. Equações não Lineares
Métodos de resolução
Directos
soluções determinadas por expressões envolvendo f
fornecem soluções exactas (usando precisão infinita)
aplicáveis apenas a alguns tipos de problemas
→ Exemplo: fórmula resolvente de equações do 2o grau
Iterativos
geram sucessões de soluções aproximadas
aplicáveis a uma vasta gama de problemas
MIEEC (FEUP) MÉTODOS NUMÉRICOS 59 / 458
60. Equações não Lineares
Métodos iterativos: funcionamento
estimativa inicial x0 : f (x0) = 0
1a iteração ↓
x1 : f (x1) = 0
2a iteração ↓
x2 : f (x2) = 0
↓
...
iteração n ↓
xn : f (xn) ≈ 0
x0, x1, . . . , xn, . . . → s, onde f (s) = 0
MIEEC (FEUP) MÉTODOS NUMÉRICOS 60 / 458
61. Equações não Lineares
Métodos iterativos: implementação
definir_estimativa_inicial;
repetir
calcular_nova_estimativa;
até verificar_critério_paragem;
MIEEC (FEUP) MÉTODOS NUMÉRICOS 61 / 458
62. Equações não Lineares
Métodos iterativos: questões a considerar
1 estimativa inicial
como escolher x0?
2 convergência de {xn}
é convergente?
converge para uma solução?
3 critério de paragem
xn próximo de s?
f (xn) próximo de 0?
número de iterações?
4 rapidez de convergência
quantas iterações são necessárias?
MIEEC (FEUP) MÉTODOS NUMÉRICOS 62 / 458
63. Equações não Lineares
Determinação de estimativa inicial
Aplicando um método iterativo calcula-se um zero
Múltiplos zeros
⇒ múltiplas aplicações de métodos iterativos
⇒ estimativas iniciais próximas dos zeros (ou intervalos contendo cada
zero)
Localização (ou separação) de zeros
→ cálculo de valores
→ estudo do gráfico
→ análise de propriedades
MIEEC (FEUP) MÉTODOS NUMÉRICOS 63 / 458
64. Equações não Lineares
Localização de zeros: cálculo de valores
Varrimento de um intervalo [a, b] em n subintervalos
1 definir passo h = b−a
n
2 calcular f nos pontos xi = a + ih, i = 0, . . . n
3 se f (xi )f (xi+1) < 0 então ∃ zero de f em [xi , xi+1]
Características
aplicação geral
simples de automatizar
possibilidade de falhar zeros ⇒ ajustar passo h . . .
MIEEC (FEUP) MÉTODOS NUMÉRICOS 64 / 458
65. Equações não Lineares
Localização de zeros: métodos gráficos
xs1 s2
s3
f(x)
O gráfico de f pode ser obtido
estudando as propriedades de f
utilizando meios computacionais
MIEEC (FEUP) MÉTODOS NUMÉRICOS 65 / 458
66. Equações não Lineares
Localização de zeros: métodos gráficos
Transformação de f (x) = 0 em g(x) = h(x)
Estudos das intersecções dos gráficos de g e h
xs1 s2
g(x)
h(x)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 66 / 458
67. Equações não Lineares
Localização de zeros: métodos analíticos
⇒ Monotonia de f
⇒ Números de Rolle de f : D → R
pontos fronteira de D
zeros da função f
Teorema
Se f é estritamente monótona em [a, b], então f tem no máximo um zero
em [a, b].
Teorema
Se f é diferenciável, então entre dois números de Rolle consecutivos f tem
no máximo um zero.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 67 / 458
68. Equações não Lineares
Localização de zeros: exemplos
1 Utilizando métodos gráficos localize os zeros de
1 f (x) = x2
+ sin(x) − 1
2 f (x) = ex
ln(x) − 1
2 Utilizando os números de Rolle localize os zeros de
1 f (x) = ex
− 3x
2 f (x) = x3
− 3x + 1
MIEEC (FEUP) MÉTODOS NUMÉRICOS 68 / 458
69. Equações não Lineares
Estimação do erro
Teorema
f continuamente diferenciável em [a, b] tal que m1 = min
ξ∈[a,b]
|f (ξ)| > 0.
Seja s ∈ [a, b] tal que f (s) = 0. Então
|s − x| ≤
|f (x)|
m1
∀x ∈ [a, b].
Critério de paragem
Parando o método quando |f (xk)| ≤ δ garante-se que
|xk − s| ≤
δ
m1
MIEEC (FEUP) MÉTODOS NUMÉRICOS 69 / 458
70. Equações não Lineares Método das bissecções sucessivas
Vamos agora ver ...
1 Erros
2 Equações não Lineares
Método das bissecções sucessivas
Método da falsa posição
Método iterativo simples
Método de Newton
Método da Secante
Ordem de convergência: definição
Raízes de Polinómios
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomialMIEEC (FEUP) MÉTODOS NUMÉRICOS 70 / 458
71. Equações não Lineares Método das bissecções sucessivas
Método das bissecções sucessivas
Descrição
Parte-se de um intervalo tal que a função
tenha sinais contrários nos seus extremos.
Divide-se o intervalo a meio, escolhe-se o
subintervalo onde a função tem sinais con-
trários nos extremos e assim sucessivamente.
x
a
x1 b
f(x)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 71 / 458
72. Equações não Lineares Método das bissecções sucessivas
Bissecções sucessivas: algoritmo
Inicialização [a0, b0] = [a, b]
Repetir
1. xn+1 = an+bn
2 ;
2. Se f (xn+1)f (an) < 0
Então an+1 = an; bn+1 = xn+1;
Senão an+1 = xn+1; bn+1 = bn;
Até verificar critério de paragem
MIEEC (FEUP) MÉTODOS NUMÉRICOS 72 / 458
73. Equações não Lineares Método das bissecções sucessivas
Bissecções sucessivas: convergência
Teorema
Seja f contínua em [a, b] tal que f (a)f (b) ≤ 0 e seja s o único zero de f
nesse intervalo. Então o método das bissecções sucessivas gera uma
sucessão que converge para s.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 73 / 458
74. Equações não Lineares Método das bissecções sucessivas
Bissecções sucessivas: estimação do erro
x1 =
a + b
2
⇒ |s − x1| ≤
b − a
2
x2 =
a1 + b1
2
⇒ |s − x2| ≤
b1 − a1
2
=
b − a
22
...
xn =
an−1 + bn−1
2
⇒ |s − xn| ≤
bn−1 − an−1
2
=
b − a
2n
n ≥ log2
b − a
δ
⇒ |s − xn| ≤ δ
MIEEC (FEUP) MÉTODOS NUMÉRICOS 74 / 458
75. Equações não Lineares Método das bissecções sucessivas
Bissecções sucessivas: exemplo
Determinar, com um erro absoluto inferior a 5 × 10−3, a (única) solução da
equação 1 + x + ex = 0 que se sabe estar no intervalo [−2, −1].
MIEEC (FEUP) MÉTODOS NUMÉRICOS 75 / 458
76. Equações não Lineares Método das bissecções sucessivas
Bissecções sucessivas: exemplo
n an f (an) bn f (bn) xn+1 f (xn+1)
0 −2.000 −0.865 −1.000 +0.368 −1.500 −0.277
1 −1.500 −0.277 −1.000 +0.368 −1.250 +0.037
2 −1.500 −0.277 −1.250 +0.037 −1.375 −0.122
3 −1.375 −0.122 −1.250 +0.037 −1.313 −0.043
4 −1.313 −0.043 −1.250 +0.037 −1.281 −0.004
5 −1.281 −0.004 −1.250 +0.037 −1.266 +0.016
6 −1.281 −0.004 −1.266 +0.016 −1.273 +0.006
7 −1.281 −0.004 −1.273 +0.006 −1.277 +0.001
Solução: s = −1.277 ± 4 × 10−3 ou s ∈ [−1.281, −1.273]
MIEEC (FEUP) MÉTODOS NUMÉRICOS 76 / 458
77. Equações não Lineares Método da falsa posição
Vamos agora ver ...
1 Erros
2 Equações não Lineares
Método das bissecções sucessivas
Método da falsa posição
Método iterativo simples
Método de Newton
Método da Secante
Ordem de convergência: definição
Raízes de Polinómios
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomialMIEEC (FEUP) MÉTODOS NUMÉRICOS 77 / 458
78. Equações não Lineares Método da falsa posição
Método da falsa posição (regula falsi)
Semelhante ao método das bissecções suces-
sivas, mas com o cálculo de xn+1 dado por
xn+1 =
anf (bn) − bnf (an)
f (bn) − f (an)
Este ponto corresponde à intersecção com
o eixo dos xx da recta que une os pontos
(an, f (an)) e (bn, f (bn)).
xan xn+1
bn
f(x)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 78 / 458
79. Equações não Lineares Método da falsa posição
Falsa posição: algoritmo
Inicialização [a0, b0] = [a, b]
Repetir
1. xn+1 = anf (bn)−bnf (an)
f (bn)−f (an) ;
2. Se f (xn+1)f (an) < 0
Então an+1 = an; bn+1 = xn+1;
Senão an+1 = xn+1; bn+1 = bn;
Até verificar critério de paragem
MIEEC (FEUP) MÉTODOS NUMÉRICOS 79 / 458
80. Equações não Lineares Método da falsa posição
Falsa posição: estimação do erro
Teorema
Seja f continuamente diferenciável em [a, b] e tal que f (a)f (b) ≤ 0. Sejam
m1 = minξ∈[a,b] |f (ξ)| > 0 e M1 = maxξ∈[a,b] |f (ξ)|.
Então, o erro de aproximação de s, único zero de f em [a, b], pela
estimativa xn+1 satisfaz a relação
|s − xn+1| ≤
M1 − m1
m1
|xn+1 − xn|.
Critério de paragem
εn+1 =
M1 − m1
m1
|xn+1 − xn| ≤ δ ⇒ |s − xn+1| ≤ δ
MIEEC (FEUP) MÉTODOS NUMÉRICOS 80 / 458
81. Equações não Lineares Método da falsa posição
Falsa posição: exemplo 1
Utilizar o método da falsa posição para determinar, com um erro absoluto
inferior a 5 × 10−3, o (único) zero da função f (x) = 1 + x + ex .
MIEEC (FEUP) MÉTODOS NUMÉRICOS 81 / 458
82. Equações não Lineares Método da falsa posição
Falsa posição: exemplo 1
n an f (an) bn f (bn) xn+1 f (xn+1) εn+1
0 −2.000 −0.865 −1.000 +0.368 −1.298 −2.55 × 10−2
1.4 × 10−1
1 −1.298 −0.026 −1.000 +0.368 −1.279 −8.22 × 10−4
4.0 × 10−3
Solução: s −1.279, com erro absoluto máximo de 4.0 × 10−3
MIEEC (FEUP) MÉTODOS NUMÉRICOS 82 / 458
83. Equações não Lineares Método da falsa posição
Falsa posição: exemplo 2
Determinar o zero de f (x) = x + ex5
− 5 em [0, 1.3]
1.3
x1 x2 x3 s
MIEEC (FEUP) MÉTODOS NUMÉRICOS 83 / 458
85. Equações não Lineares Método da falsa posição
Falsa posição: exemplo 2
O método das bissecções sucessivas aplicado a este problema garante o
mesmo erro máximo em 9 iterações!
n an f (an) bn f (bn) xn+1 f (xn+1)
0 +0.000 −4.000 +1.300 +37.274 +0.650 −3.227
1 +0.650 −3.227 +1.300 +37.274 +0.975 −1.611
2 +0.975 −1.611 +1.300 +37.274 +1.138 +2.853
3 +0.975 −1.611 +1.138 +2.853 +1.056 −0.220
4 +1.056 −0.220 +1.138 +2.853 +1.097 +0.990
5 +1.056 −0.220 +1.097 +0.990 +1.077 +0.323
6 +1.056 −0.220 +1.077 +0.323 +1.066 +0.038
7 +1.056 −0.220 +1.066 +0.038 +1.061 −0.094
8 +1.061 −0.094 +1.066 +0.038 +1.064 −0.029
MIEEC (FEUP) MÉTODOS NUMÉRICOS 85 / 458
86. Equações não Lineares Método da falsa posição
Falsa posição: convergência
Teorema
Se f for estritamente monótona e duplamente diferenciável em [a, b], se
f (a)f (b) ≤ 0 e se o sinal de f não variar em [a, b], então a sucessão
produzida pelo método da falsa posição converge monotonamente para o
zero de f nesse intervalo. Também se verifica que um dos extremos do
intervalo permanece inalterado.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 86 / 458
87. Equações não Lineares Método da falsa posição
Falsa posição modificado
Fb
x1 x2
Fb/2
x3
Fb/4
x4
MIEEC (FEUP) MÉTODOS NUMÉRICOS 87 / 458
88. Equações não Lineares Método da falsa posição
Falsa posição modificado: convergência
Teorema
Se f é contínua, estritamente monótona e tiver sinais contrários nos
extremos de um intervalo [a, b], a sucessão produzida pelo método da falsa
posição modificado converge para o zero de f em [a, b].
MIEEC (FEUP) MÉTODOS NUMÉRICOS 88 / 458
89. Equações não Lineares Método da falsa posição
Falsa posição modificado: algoritmo
Inicialização [a0, b0] = [a, b]; Fa = f (a0); Fb = f (b0)
Repetir
1. xn+1 =
anFb−bnFa
Fb−Fa
;
2. Se f (xn+1)f (an) < 0
Então an+1 = an; bn+1 = xn+1; Fb = f (xn+1);
Se f (xn+1)f (xn) > 0 Então Fa = Fa
2
;
Senão an+1 = xn+1; bn+1 = bn; Fa = f (xn+1);
Se f (xn+1)f (xn) > 0 Então Fb =
Fb
2
;
Até verificar critério de paragem
MIEEC (FEUP) MÉTODOS NUMÉRICOS 89 / 458
90. Equações não Lineares Método da falsa posição
Falsa posição modificado: exemplo
Determinar, com um erro absoluto inferior a 5 × 10−3 o zero de
f (x) = x + ex5
− 5 no intervalo [0, 1.3].
MIEEC (FEUP) MÉTODOS NUMÉRICOS 90 / 458
92. Equações não Lineares Método iterativo simples
Vamos agora ver ...
1 Erros
2 Equações não Lineares
Método das bissecções sucessivas
Método da falsa posição
Método iterativo simples
Método de Newton
Método da Secante
Ordem de convergência: definição
Raízes de Polinómios
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomialMIEEC (FEUP) MÉTODOS NUMÉRICOS 92 / 458
93. Equações não Lineares Método iterativo simples
Método iterativo simples
1 Reescrever f (x) = 0 da forma equivalente x = F(x)
2 Escolher estimativa inicial x0
3 Gerar a sucessão xn+1 = F(xn), n = 0, 1, . . .
→ F designa-se função de recorrência
→ s : F(s) = s designa-se ponto fixo de F
MIEEC (FEUP) MÉTODOS NUMÉRICOS 93 / 458
94. Equações não Lineares Método iterativo simples
Método iterativo simples
y = F(x)
y = x
x0
F(x0)
x1
F(x1)
x2
F(x2)
s
MIEEC (FEUP) MÉTODOS NUMÉRICOS 94 / 458
95. Equações não Lineares Método iterativo simples
Método iterativo simples: algoritmo
Inicialização Escolher x0
Repetir xn+1 = F(xn)
Até verificar critério de paragem
MIEEC (FEUP) MÉTODOS NUMÉRICOS 95 / 458
96. Equações não Lineares Método iterativo simples
Método iterativo simples: comportamento
xx2x1x0 s
y = F(x)
y = x
Convergência monótona
MIEEC (FEUP) MÉTODOS NUMÉRICOS 96 / 458
97. Equações não Lineares Método iterativo simples
Método iterativo simples: comportamento
xx1x2x0 s
y = F(x) y = x
Convergência “alternada”
MIEEC (FEUP) MÉTODOS NUMÉRICOS 97 / 458
98. Equações não Lineares Método iterativo simples
Método iterativo simples: comportamento
xx2x0 x1s
y = F(x)
y = x
Divergência
MIEEC (FEUP) MÉTODOS NUMÉRICOS 98 / 458
99. Equações não Lineares Método iterativo simples
Método iterativo simples: convergência
Teorema
Se F é continuamente diferenciável em [a, b], maxx∈[a,b] |F (x)| < 1 e
existe s ∈ [a, b] tal que s = F(s), então, para qualquer valor inicial
x0 ∈ [a, b], a sucessão gerada o método iterativo simples converge para s
(s será único! porquê?).
MIEEC (FEUP) MÉTODOS NUMÉRICOS 99 / 458
100. Equações não Lineares Método iterativo simples
Método iterativo simples: erro
Majoração do erro
|xn+1 − s| ≤
1 − L
L
|xn+1 − xn|
Critério de paragem
εn+1 =
1 − L
L
|xn+1 − xn| ≤ δ ⇒ |xn+1 − s| ≤ δ
MIEEC (FEUP) MÉTODOS NUMÉRICOS 100 / 458
101. Equações não Lineares Método iterativo simples
Método iterativo simples: exemplo
Determinar, com um erro absoluto inferior a 5 × 10−5, o zero da função
f (x) = 1 + x + ex no intervalo [−2, −1].
MIEEC (FEUP) MÉTODOS NUMÉRICOS 101 / 458
103. Equações não Lineares Método de Newton
Vamos agora ver ...
1 Erros
2 Equações não Lineares
Método das bissecções sucessivas
Método da falsa posição
Método iterativo simples
Método de Newton
Método da Secante
Ordem de convergência: definição
Raízes de Polinómios
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomialMIEEC (FEUP) MÉTODOS NUMÉRICOS 103 / 458
104. Equações não Lineares Método de Newton
Método de Newton
f (x)
s x0x1x2
MIEEC (FEUP) MÉTODOS NUMÉRICOS 104 / 458
105. Equações não Lineares Método de Newton
Método de Newton: algoritmo
Inicialização Escolher x0
Repetir xn+1 = xn −
f (xn)
f (xn)
Até verificar critério de paragem
MIEEC (FEUP) MÉTODOS NUMÉRICOS 105 / 458
106. Equações não Lineares Método de Newton
Método de Newton: divergência
xx2x1 x0s
y = f(x)
Anulamento da derivada
MIEEC (FEUP) MÉTODOS NUMÉRICOS 106 / 458
107. Equações não Lineares Método de Newton
Método de Newton: divergência
xx2
x1
x0s
y = f(x)
Mudança de concavidade
MIEEC (FEUP) MÉTODOS NUMÉRICOS 107 / 458
108. Equações não Lineares Método de Newton
Método de Newton: convergência
Teorema
Seja f ∈ C2([a, b]; R) tal que f (x) = 0, e f (x) ≤ 0 ou f (x) ≥ 0 em
[a, b]. Seja ainda s o (único) zero de f em [a, b]. Então a sucessão gerada
pelo método de Newton converge para s sempre que o ponto inicial
x0 ∈ [a, b] satisfizer f (x0)f (x0) ≥ 0. Mais ainda, a sucessão gerada é
monótona.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 108 / 458
109. Equações não Lineares Método de Newton
Método de Newton: erro
Majoração do erro
|xn+1 − s| ≤
M2
2m1
|xn+1 − xn|2
Critério de paragem
εn+1 =
M2
2m1
|xn+1 − xn|2
≤ δ ⇒ |xn+1 − s| ≤ δ
MIEEC (FEUP) MÉTODOS NUMÉRICOS 109 / 458
110. Equações não Lineares Método de Newton
Método de Newton: exemplo
Determinar, com um erro absoluto inferior a 5 × 10−6, o zero da função
f (x) = 1 + x + ex , que se sabe estar no intervalo [−2, −1].
MIEEC (FEUP) MÉTODOS NUMÉRICOS 110 / 458
111. Equações não Lineares Método de Newton
Método de Newton: exemplo
n xn f (xn) f (xn) xn+1 εn+1
0 −1.00000 +3.68 × 10−1
+1.368 −1.26894 +1.2 × 10−1
1 −1.26894 +1.22 × 10−2
+1.281 −1.27845 +1.5 × 10−5
2 −1.27845 +1.27 × 10−5
+1.278 −1.27846 +1.6 × 10−11
Solução: s −1.27846 (todos os algarismos exactos)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 111 / 458
112. Equações não Lineares Método de Newton
Método de Newton: convergência (2)
Teorema
Sejam f ∈ C2([a, b]; R) e s um zero de f em [a, b] tal que f (s) = 0.
Então existe δ > 0 tal que a sucessão {xn} gerada pelo método de Newton
converge para s sempre que x0 ∈ [s − δ, s + δ].
MIEEC (FEUP) MÉTODOS NUMÉRICOS 112 / 458
113. Equações não Lineares Método da Secante
Vamos agora ver ...
1 Erros
2 Equações não Lineares
Método das bissecções sucessivas
Método da falsa posição
Método iterativo simples
Método de Newton
Método da Secante
Ordem de convergência: definição
Raízes de Polinómios
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomialMIEEC (FEUP) MÉTODOS NUMÉRICOS 113 / 458
114. Equações não Lineares Método da Secante
Método da secante
Semelhante ao método de Newton
Tangente ao gráfico substituída pela
secante nos dois últimos pontos
xxn-1xn+1 xns
y = f(x)
xn+1 =
xn−1f (xn) − xnf (xn−1)
f (xn) − f (xn−1)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 114 / 458
115. Equações não Lineares Método da Secante
Método da secante: algoritmo
Inicialização Escolher x−1 e x0
Repetir xn+1 =
xn−1f (xn) − xnf (xn−1)
f (xn) − f (xn−1)
Até verificar critério de paragem
MIEEC (FEUP) MÉTODOS NUMÉRICOS 115 / 458
116. Equações não Lineares Método da Secante
Método da secante: convergência
Teorema
Seja f ∈ C2([a, b]; R) tal que f (x) = 0, e f (x) ≤ 0 ou f (x) ≥ 0 em
[a, b]. Seja ainda s o (único) zero de f em [a, b].
Então a sucessão gerada pelo método da secante converge para s sempre
que os pontos iniciais x−1, x0 ∈ [a, b] satisfizerem f (x−1)f (x−1) ≥ 0 e
f (x0)f (x0) ≥ 0. Mais ainda, a sucessão gerada é monótona.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 116 / 458
118. Equações não Lineares Método da Secante
Método da secante: exemplo
Determinar, com um erro absoluto inferior a 5 × 10−6, o (único) zero da
função f (x) = 1 + x + ex , que se sabe estar no intervalo [−2, −1].
MIEEC (FEUP) MÉTODOS NUMÉRICOS 118 / 458
119. Equações não Lineares Método da Secante
Método da secante: exemplo
n xn−1 xn xn+1 f (xn+1) εn+1
0 −1.00000 −1.10000 −1.27249 +7.65 × 10−3
7.6 × 10−3
1 −1.10000 −1.27249 −1.27834 +1.55 × 10−4
1.7 × 10−4
2 −1.27249 −1.27834 −1.27846 +1.01 × 10−7
1.2 × 10−7
Solução: s −1.27846 (com todos os algarismos exactos)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 119 / 458
120. Equações não Lineares Ordem de convergência: definição
Vamos agora ver ...
1 Erros
2 Equações não Lineares
Método das bissecções sucessivas
Método da falsa posição
Método iterativo simples
Método de Newton
Método da Secante
Ordem de convergência: definição
Raízes de Polinómios
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomialMIEEC (FEUP) MÉTODOS NUMÉRICOS 120 / 458
121. Equações não Lineares Ordem de convergência: definição
Ordem de convergência dum método iterativo
Considere um método iterativo tal que:
função de recorrência: F
ponto fixo: s (s = F(s))
F (s) = F (s) = . . . = F(p−1)(s) = 0
F(p)(s) = 0
xn+1 = F(xn)
xn → s
o método têm convergência de ordem p
MIEEC (FEUP) MÉTODOS NUMÉRICOS 121 / 458
122. Equações não Lineares Ordem de convergência: definição
Ordem de convergência
∆n+1 ∝ ∆n
p
p = 1 → convergência linear ou de 1a ordem
p = 2 → convergência quadrática ou de 2a ordem
MIEEC (FEUP) MÉTODOS NUMÉRICOS 122 / 458
123. Equações não Lineares Ordem de convergência: definição
Ordem de convergência: justificação
O desenvolvimento em série de F em torno de s
F(xn) =F(s) + F (s)(xn − s) + . . . +F(p−1)
(s)(xn − s)p−1
/(p − 1)!+
+F(p)
(ξ)(xn − s)p
/p!
= s + F(p)
(ξ)(xn − s)p
/p!
Seja ∆n = s − xn, obtemos
|∆n+1| = |xn+1 − s| = |F(xn) − s| =
F(p)(ξ)
p!
∆p
n
ou seja
∆n+1 ∝ ∆n
p
MIEEC (FEUP) MÉTODOS NUMÉRICOS 123 / 458
124. Equações não Lineares Ordem de convergência: definição
Ordem de convergência: exemplo
Considere dois métodos iterativos A e B, para os quais se tem
∆n+1 = 10−2∆n e ∆n+1 = ∆2
n, respectivamente.
Se em ambos os casos se tiver ∆0 = 10−1, determine a evolução do erro
para as primeiras 6 iterações de cada método.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 124 / 458
125. Equações não Lineares Ordem de convergência: definição
Ordem de convergência: exemplo
n ∆n(mét. A) ∆n(mét. B)
0 10−1
10−1
1 10−3
10−2
2 10−5
10−4
3 10−7
10−8
4 10−9
10−16
5 10−11
10−32
6 10−13
10−64
MIEEC (FEUP) MÉTODOS NUMÉRICOS 125 / 458
127. Equações não Lineares Ordem de convergência: definição
Método de Newton: convergência quadrática
1 + x + ex
= 0, x ∈ [−2, −1]
n xn f (xn) f (xn) xn+1 ∆n+1 ∆n+1/∆2
n
0 −1.00000 +3.68 × 10−1
+1.368 −1.26894 −9.5 × 10−3
−
1 −1.26894 +1.22 × 10−2
+1.281 −1.27845 −9.9 × 10−6
−0.1094
2 −1.27845 +1.27 × 10−5
+1.278 −1.27846 −1.1 × 10−11
−0.1089
MIEEC (FEUP) MÉTODOS NUMÉRICOS 127 / 458
128. Equações não Lineares Ordem de convergência: definição
Método de Newton: convergência quadrática
A função de recorrência neste método é
F(x) = x − f (x)/f (x)
A primeira derivada
F (x) = 1 −
[f (x)]2 − f (x)f (x)
[f (x)]2
Como f (s) = 0, temos que F (s) = 0.
A 2a derivada
F (s) = . . . =
f (s)
f (s)
é em geral não nula. Logo o método é de 2a ordem.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 128 / 458
129. Equações não Lineares Ordem de convergência: definição
Ordem de convergência duma sucessão
{en} convergente para 0. Se existirem p, K > 0 tais que
lim
n→+∞
|en+1|
|en|p
= K
diz-se que {en} tem ordem de convergência p.
n elevado ⇒ |en+1| K|en|p
p = 1 → convergência linear
p > 1 → convergência supralinear
p = 2 → convergência quadrática
MIEEC (FEUP) MÉTODOS NUMÉRICOS 129 / 458
130. Equações não Lineares Ordem de convergência: definição
Ordem de convergência: método da secante
Teorema
Nas condições suficientes apresentadas para a convergência do método da
secante, pode ainda afirmar-se que sucessão dos erros de aproximação
gerada por este método tem convergência de ordem
1 +
√
5
2
(≈ 1.618).
MIEEC (FEUP) MÉTODOS NUMÉRICOS 130 / 458
132. Equações não Lineares Raízes de Polinómios
Vamos agora ver ...
1 Erros
2 Equações não Lineares
Método das bissecções sucessivas
Método da falsa posição
Método iterativo simples
Método de Newton
Método da Secante
Ordem de convergência: definição
Raízes de Polinómios
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomialMIEEC (FEUP) MÉTODOS NUMÉRICOS 132 / 458
133. Equações não Lineares Raízes de Polinómios
Raízes de polinómios
p(x) → polinómio de coeficientes reais de grau n
p(x) = anxn
+ an−1xn−1
+ · · · + a1x + a0, ai ∈ R ∧ an = 0
Teorema
O polinómio p(x) tem n raízes (contando com a multiplicidade). Estas
raízes podem ser reais ou complexas, caso em quem surgem em pares
conjugados.
Teorema
Sejam r1, r2, . . . , rn as n raízes do polinómio de grau n p(x). Então, p(x)
pode ser escrito como
p(x) = an(x − r1)(x − r2) · · · (x − rn)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 133 / 458
134. Equações não Lineares Raízes de Polinómios
Polinómios: Regra de Ruffini
p(x) = (x − s)q(x) + r onde
q(x) = bn−1xn−1 + . . . + b1x + b0 é o quociente
r ∈ C é o resto
an an−1 . . . a1 a0
s sbn−1 . . . sb1 sb0
bn−1 bn−2 . . . b0 || r
MIEEC (FEUP) MÉTODOS NUMÉRICOS 134 / 458
135. Equações não Lineares Raízes de Polinómios
Polinómios: “Regra de Ruffini” generalizada
Generalizando, p(x) = (x2 − αx − β)q(x) + (rx + s), onde
q(x) = bn−2xn−2 + . . . + b1x + b0 é o quociente
rx + s é o resto
an an−1 an−2 . . . a2 a1 a0
β βbn−2 . . . βb2 βb1 βb0
α αbn−2 αbn−3 . . . αb1 αb0
bn−2 bn−3 bn−4 . . . b0 || r s
MIEEC (FEUP) MÉTODOS NUMÉRICOS 135 / 458
136. Equações não Lineares Raízes de Polinómios
Localização de raízes de polinómios
Regra dos sinais de Descartes I
O número de raízes reais positivas do polinómio p(x) é igual, ou menor
pela diferença de um número par, ao número de mudanças de sinal dos
seus coeficientes não nulos.
Regra dos sinais de Descartes II
O número de raízes reais negativas do polinómio p(x) é igual, ou menor
pela diferença de um número par, ao número de mudanças de sinal dos
coeficientes não nulos de p(−x).
MIEEC (FEUP) MÉTODOS NUMÉRICOS 136 / 458
137. Equações não Lineares Raízes de Polinómios
Localização de raízes de polinómios
Exemplo:
p(x) = x5
− 5x4
+ 10x3
− 6x2
− 12x + 16
tem 4 mudanças de sinal
p(−x) = −x5
− 5x4
− 10x3
− 6x2
+ 12x + 16
tem uma mudança de sinal.
Logo as raizes do polinómio serão:
1 real negativa e 4 reais positiva, ou
1 real negativa, 2 reais positivas e 2 complexas, ou
1 real negativa, 0 reais positivas, 4 complexas.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 137 / 458
138. Equações não Lineares Raízes de Polinómios
Localização de raízes de polinómios
Teorema
Todos os zeros do polinómio p(x) situam-se no interior do círculo (no
plano complexo) centrado na origem e de raio
1 + max
0≤k≤n−1
ak
an
MIEEC (FEUP) MÉTODOS NUMÉRICOS 138 / 458
139. Equações não Lineares Raízes de Polinómios
Polinómios: determinação de todas as raízes
Conhecendo k raízes r1, . . . , rk de p(x), as restantes n − k raízes podem
ser obtidas como sendo as raízes de q(x) que é o polinómio quociente da
divisão de p(x) pelo polinómio (x − r1) · · · (x − rk).
Estratégia
Ir obtendo raízes, uma de cada vez, e dividir o polinómio até se obter um
polinómio de grau 1 ou 2, casos em que a determinação de raízes é trivial.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 139 / 458
140. Equações não Lineares Raízes de Polinómios
Método de Newton para polinómios
A expressão de recorrência é
xk+1 = xk −
p(xk)
p (xk)
x0 ∈ C é escolhido como uma das soluções de
anx2
+ an−1x + an−2 = 0
MIEEC (FEUP) MÉTODOS NUMÉRICOS 140 / 458
141. Equações não Lineares Raízes de Polinómios
Método de Newton para polinómios: exemplo
Determinar todas as raízes do polinómio
p(x) = x4
+ 2x3
+ 10x2
+ 24x + 80
aplicando o método de Newton.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 141 / 458
143. Equações não Lineares Raízes de Polinómios
Método de Lin
Construir sucessões {pi } e {qi } convergentes para ¯p e ¯q de forma a que
x2 + ¯px + ¯q seja divisor de p(x).
Em cada iteração é realizada a divisão polinomial
p(x)
x2 + pi x + qi
= q(x) +
rx + s
x2 + pi x + qi
que é parada após se obter de q(x), substituindo-se pi → pi+1 e qi → qi+1
de modo a anular o resto rx + s.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 143 / 458
147. Sistemas de equações não lineares
Um novo capítulo ...
1 Erros
2 Equações não Lineares
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomial
6 Integração numérica
7 Sobre normas de vectores e matrizes
8 Sistemas de equações lineares
MIEEC (FEUP) MÉTODOS NUMÉRICOS 147 / 458
148. Sistemas de equações não lineares
Sistemas de equações não lineares
n equações nas n variáveis x1, x2, . . . , xn:
f1(x1, x2, . . . , xn) = 0
f2(x1, x2, . . . , xn) = 0
...
fn(x1, x2, . . . , xn) = 0
onde f1, f2, . . . , fn : Rn → R
MIEEC (FEUP) MÉTODOS NUMÉRICOS 148 / 458
149. Sistemas de equações não lineares
Sistemas de equações não lineares
Definindo x = (x1, x2, . . . , xn)T e F : Rn → Rn como
F(x) =
f1(x)
f2(x)
...
fn(x)
=
f1(x1, x2, . . . , xn)
f2(x1, x2, . . . , xn)
...
fn(x1, x2, . . . , xn)
o sistema pode ser escrito como
F(x) = 0
MIEEC (FEUP) MÉTODOS NUMÉRICOS 149 / 458
150. Sistemas de equações não lineares
Sistemas de equações não lineares
Métodos iterativos
método iterativo simples (iteração de ponto fixo)
método de Newton
. . .
MIEEC (FEUP) MÉTODOS NUMÉRICOS 150 / 458
151. Sistemas de equações não lineares Método iterativo simples
Vamos agora ver ...
1 Erros
2 Equações não Lineares
3 Sistemas de equações não lineares
Método iterativo simples
Método de Newton
4 Aproximação de funções
5 Interpolação polinomial
6 Integração numérica
7 Sobre normas de vectores e matrizes
MIEEC (FEUP) MÉTODOS NUMÉRICOS 151 / 458
152. Sistemas de equações não lineares Método iterativo simples
Método iterativo simples
Reescrever o sistema de equações F(x) = 0 na forma
x = G(x), G : Rn
→ Rn
ou seja
x1 = g1(x1, x2, . . . , xn)
x2 = g2(x1, x2, . . . , xn)
...
xn = gn(x1, x2, . . . , xn)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 152 / 458
153. Sistemas de equações não lineares Método iterativo simples
Método iterativo simples
1 Escolher um ponto inicial x(0)
2 Determinar os termos da sucessão {x(k)} pela expressão de recorrência
x(k+1) = G(x(k))
x(k) → s tal que s = G(s) (ponto fixo de G) ⇔ F(s) = 0
MIEEC (FEUP) MÉTODOS NUMÉRICOS 153 / 458
154. Sistemas de equações não lineares Método iterativo simples
Método iterativo simples: exemplo
Considere o sistema de equações
4x1 − ln(x1x2) − 8 = 0
2x1 − 4x2 +
√
x1x2 − 3 = 0
(a) Reescreva-o numa forma apropriada para aplicação do método
iterativo simples.
(b) Efectue 11 iterações deste método partindo do ponto (1.5, 1).
MIEEC (FEUP) MÉTODOS NUMÉRICOS 154 / 458
156. Sistemas de equações não lineares Método iterativo simples
Método iterativo simples: convergência
Teorema
Seja D ⊂ Rn um conjunto fechado e convexo. Seja G : D → Rn de classe
C1. Se
i) existe um número L < 1 tal que
maxj
∂gi
∂xj
(x) ≤ L ∀i = 1 . . . n ∀x ∈ D
ii) G(D) ⊂ D
então
i) existe um e só um z ∈ D tal que z = G(z)
ii) o método iterativo simples converge para z, ∀x(0) ∈ D
iii) verifica-se que
z − x(k) ≤
L
1 − L
x(k) − x(k−1)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 156 / 458
157. Sistemas de equações não lineares Método iterativo simples
Método iterativo simples: exemplo 2
Considere o sistema de equações definido em R2.
4x1 − cos(x1 + x2) = 4,
3x2 − sin(x1 + x2) = 6.
(a) Verifique que o sistema tem uma e uma só solução.
(b) Aplicando o método iterativo simples, determine tal solução com um
erro máximo de 10−5 na soma dos módulos de cada uma das
componentes do erro (norma 1).
MIEEC (FEUP) MÉTODOS NUMÉRICOS 157 / 458
159. Sistemas de equações não lineares Método de Newton
Vamos agora ver ...
1 Erros
2 Equações não Lineares
3 Sistemas de equações não lineares
Método iterativo simples
Método de Newton
4 Aproximação de funções
5 Interpolação polinomial
6 Integração numérica
7 Sobre normas de vectores e matrizes
MIEEC (FEUP) MÉTODOS NUMÉRICOS 159 / 458
160. Sistemas de equações não lineares Método de Newton
Método de Newton
Sendo JF (x) não singular tem-se
F(x) = 0 ⇔ [JF (x)]−1
F(x) = 0
ou ainda
x = x − [JF (x)]−1
F(x)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 160 / 458
161. Sistemas de equações não lineares Método de Newton
Método de Newton
Expressão de recorrência
x(k+1) = x(k) − [JF (x(k))]−1
F(x(k)), k = 0, 1, . . .
Determinação de x(k+1)
1 calcular F(x(k))
2 calcular JF (x(k))
3 calcular v(k) resolvendo o SEL JF (x(k)) v(k) = F(x(k))
4 calcular x(k+1) = x(k) − v(k)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 161 / 458
162. Sistemas de equações não lineares Método de Newton
Método de Newton: caso R2
Para o sistema de equações
f1(x1, x2) = 0
f2(x1, x2) = 0
,
a matriz jacobiana JF (x1, x2) =
a b
c d
=
∂f1
∂x1
∂f1
∂x2
∂f2
∂x1
∂f2
∂x2
tem como inversa J−1
F (x1, x2) = 1
ad−bc
d −b
−c a
.
Logo
x1,(k+1)
x2,(k+1)
=
x1,(k)
x2,(k)
− J−1
F
f1
f2
(x1,(k), x2,(k))
x1,(k+1)
x2,(k+1)
=
x1,(k)
x2,(k)
−
1
ad − bc
df1 − bf2
−cf1 + af2
(x1,(k), x2,(k))
MIEEC (FEUP) MÉTODOS NUMÉRICOS 162 / 458
163. Sistemas de equações não lineares Método de Newton
Método de Newton: convergência
Teorema
Sejam F de classe C2 e z tal que F(z) = 0.
Se det(JF (z)) = 0 a sucessão gerada pelo método de Newton converge
para z qualquer que seja o ponto inicial x(0) suficientemente próximo de z.
Verifica-se ainda que existe uma constante positiva c tal que
z − x(k) ≤ c z − x(k−1)
2
,
ou seja, a convergência é quadrática.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 163 / 458
164. Sistemas de equações não lineares Método de Newton
Método de Newton: exemplo
Aplique o método de Newton para resolver o sistema de equações
4x1x2
2 − 2x2
1 x2 + 2 = 0
2x1 − 4x2 +
√
x1x2 − 3 = 0.
Parta do ponto (1.5, 1) e termine a aplicação do método assim que da
diferença entre duas estimativas consecutivas seja inferior 5 × 10−6 em
qualquer das componentes do erro (norma ∞)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 164 / 458
166. Sistemas de equações não lineares Método de Newton
Método de Newton: algumas dificuldades
Cálculo de JF e resolução do sistema JF · v = F
→ aproximar numericamente as derivadas
→ não recalcular JF em todas as iterações
Dificuldades de convergência
→ x(k+1) = x(k) − αk · [JF (x(k))]−1F(x(k))
αk tal que F(x(k+1)) ≤ F(x(k))
→ . . .
MIEEC (FEUP) MÉTODOS NUMÉRICOS 166 / 458
167. Aproximação de funções
Um novo capítulo ...
1 Erros
2 Equações não Lineares
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomial
6 Integração numérica
7 Sobre normas de vectores e matrizes
8 Sistemas de equações lineares
MIEEC (FEUP) MÉTODOS NUMÉRICOS 167 / 458
168. Aproximação de funções
Aproximação de funções
Qual a recta y = ax + b que melhor aproxima um dado conjunto de pontos
(xi , yi )?
E se for uma parábola y = ax2 + bx + c?
E se for uma função y = a sin x + b cos x?
Como é que estes problemas se relacionam com projectar pontos em
planos?
...
MIEEC (FEUP) MÉTODOS NUMÉRICOS 168 / 458
169. Aproximação de funções
Aproximação
x
y
(x1, y1) (x2, y2)
(xn, yn)
g(x)
Dados os pontos (x1, y1), (x2, y2), . . . , (xn, yn)
Determinar uma função g : R → R tal que
g(xi ) seja próximo de yi
MIEEC (FEUP) MÉTODOS NUMÉRICOS 169 / 458
170. Aproximação de funções
Funções aproximantes
A função aproximante depende de constantes c1, c2, . . . , ck
g(x) = F(x; c1, c2, . . . , ck)
O problema de aproximação consiste em determinar o vector de parâmetros
(c1, . . . , ck) tal que a função g melhor aproxime os pontos dados.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 170 / 458
171. Aproximação de funções
Critérios de aproximação
Para determinar a função que melhor aproxima os pontos dados é
necessário definir um critério que permita comparar funções aproximantes.
Este critério deverá depender dos desvios di definidos por
di = yi − F(xi ; c1, . . . , ck) i = 1, . . . , n
e deverá garantir que a função aproximante torne os desvios “pequenos”.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 171 / 458
172. Aproximação de funções
Critérios de aproximação
Alguns dos critérios utilizados são
1 minimizar n
i=1 |di |
2 minimizar max
1≤i≤n
|di |
3 minimizar n
i=1 d2
i
MIEEC (FEUP) MÉTODOS NUMÉRICOS 172 / 458
173. Aproximação de funções
Funções aproximantes
Em muitas situações, F(x; c1, . . . , ck) é escolhida como uma combinação
linear de funções φ1, . . . , φk
F(x; c1, . . . , ck) = c1φ1(x) + · · · + ckφk(x)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 173 / 458
174. Aproximação de funções Aproximação dos mínimos quadrados
Vamos agora ver ...
1 Erros
2 Equações não Lineares
3 Sistemas de equações não lineares
4 Aproximação de funções
Aproximação dos mínimos quadrados
Aproximação em espaços vectoriais
Sistemas Sobredeterminados
5 Interpolação polinomial
6 Integração numérica
MIEEC (FEUP) MÉTODOS NUMÉRICOS 174 / 458
175. Aproximação de funções Aproximação dos mínimos quadrados
Aproximação dos mínimos quadrados
Dados os pares (xi , yi )n
i=1 e as funções φ1, . . . , φk, calcular os parâmetros
c1, . . . , ck que minimizam
e(c1, . . . , ck) =
n
i=1
d2
i =
n
i=1
[yi − ( c1φ1(xi ) + . . . + ckφk(xi ) )]2
isto é, que minimizam a soma dos quadrados dos desvios.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 175 / 458
176. Aproximação de funções Aproximação dos mínimos quadrados
Mínimos quadrados: equações normais
c1
n
i=1
φ2
1(xi ) + c2
n
i=1
φ1(xi )φ2(xi ) + · · · + ck
n
i=1
φ1(xi )φk (xi ) =
n
i=1
yi φ1(xi )
c1
n
i=1
φ2(xi )φ1(xi ) + c2
n
i=1
φ2
2(xi ) + · · · + ck
n
i=1
φ2(xi )φk (xi ) =
n
i=1
yi φ2(xi )
. . . . . . . . .
c1
n
i=1
φk (xi )φ1(xi ) + c2
n
i=1
φk (xi )φ2(xi ) + · · · + ck
n
i=1
φ2
k (xi ) =
n
i=1
yi φk (xi )
MIEEC (FEUP) MÉTODOS NUMÉRICOS 176 / 458
177. Aproximação de funções Aproximação dos mínimos quadrados
MQ: aproximação por uma recta
As funções aproximantes serão da forma g(x) = c1 + c2x, ou seja, k = 2,
φ1(x) = 1 e φ2(x) = x.
O sistema de equações a resolver é
n
i=1
1
n
i=1
xi
n
i=1
xi
n
i=1
x2
i
c1
c2
=
n
i=1
yi
n
i=1
xi yi
MIEEC (FEUP) MÉTODOS NUMÉRICOS 177 / 458
178. Aproximação de funções Aproximação dos mínimos quadrados
MQ: aproximação por uma recta
Os somatórios envolvidos são facilmente determinados com base na tabela
xi yi x2
i xi yi
x1 y1 x2
1 x1y1
x2 y2 x2
2 x2y2
. . . . . . . . . . . .
xn yn x2
n xnyn
xi yi x2
i xi yi
MIEEC (FEUP) MÉTODOS NUMÉRICOS 178 / 458
179. Aproximação de funções Aproximação dos mínimos quadrados
MQ: aproximação por uma parábola
As funções aproximantes são do tipo g(x) = c1 + c2x + c3x2, ou seja,
k = 3, φ1(x) = 1, φ2(x) = x e φ3(x) = x2.
O sistema de equações a resolver é
n
i=1
1
n
i=1
xi
n
i=1
x2
i
n
i=1
xi
n
i=1
x2
i
n
i=1
x3
i
n
i=1
x2
i
n
i=1
x3
i
n
i=1
x4
i
c1
c2
c3
=
n
i=1
yi
n
i=1
xi yi
n
i=1
x2
i yi
MIEEC (FEUP) MÉTODOS NUMÉRICOS 179 / 458
180. Aproximação de funções Aproximação dos mínimos quadrados
Mínimos quadrados: exemplo
Determine a aproximação dos mínimos quadrados aos pontos da tabela
x 1 2 4 5 7 8 10
y 1 1 4 4 6 6 7
por
a) uma recta
b) uma parábola
c) uma recta que minimize o erro em x
MIEEC (FEUP) MÉTODOS NUMÉRICOS 180 / 458
181. Aproximação de funções Aproximação dos mínimos quadrados
Exemplo
y = 0.3333 + 0.7207x
y = −0.5372 + 1.1901x − 0.04353x2
x = −0.1475 + 1.3115y
MIEEC (FEUP) MÉTODOS NUMÉRICOS 181 / 458
182. Aproximação de funções Aproximação dos mínimos quadrados
Redução a problemas de mínimos quadrados
Se a função aproximante não puder ser escrita como
F(x; c1, . . . , ck) = c1φ1(x) + . . . + c2φk(x)
a aproximação dos mínimos quadrados origina um sistema de equações
não lineares (resolução "difícil").
Contudo, se existir uma função g tal que
g(F(x; c1, . . . , ck)) = b1φ1(x) + · · · + bkφk(x)
e b1 = ψ1(c1), b2 = ψ1(c2), . . . , bk = ψk(ck)
obtém-se uma função aproximante resolvendo um SEL.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 182 / 458
183. Aproximação de funções Aproximação dos mínimos quadrados
Redução a problemas de mínimos quadrados
Para tal, deverá ser determinada a função
b1φ1(x) + · · · + bkφk(x)
que melhor aproxima os pontos (xi , g(yi )) no sentido dos mínimos
quadrados, isto é, que minimiza a soma dos quadrados dos desvios
modificados
˜di = g(yi ) − g(F(xi ; c1, . . . , ck))
Após a resolução deste problema, os cj calculam-se por
cj = ψ−1
j (bj ), j = 1, . . . , k.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 183 / 458
184. Aproximação de funções Aproximação dos mínimos quadrados
Redução a problemas de MQ: exemplo
Aproximar por uma função da forma y = c1xc2 os pontos
x 1 1.2 1.6 2
y 1 1.3 1.4 1.7
MIEEC (FEUP) MÉTODOS NUMÉRICOS 184 / 458
185. Aproximação de funções Aproximação dos mínimos quadrados
Redução a problemas de MQ: exemplo
y = 1.05x0.69
MIEEC (FEUP) MÉTODOS NUMÉRICOS 185 / 458
186. Aproximação de funções Aproximação em espaços vectoriais
Vamos agora ver ...
1 Erros
2 Equações não Lineares
3 Sistemas de equações não lineares
4 Aproximação de funções
Aproximação dos mínimos quadrados
Aproximação em espaços vectoriais
Sistemas Sobredeterminados
5 Interpolação polinomial
6 Integração numérica
MIEEC (FEUP) MÉTODOS NUMÉRICOS 186 / 458
187. Aproximação de funções Aproximação em espaços vectoriais
Aproximação em espaços vectoriais
V espaço vectorial com o produto interno ·, ·
· norma em V induzida pelo produto interno, isto é,
v = v, v , v ∈ V
{v1, v2, . . . , vk} vectores de V linearmente independentes
Dado u ∈ V pretende-se determinar a combinação linear
c1v1 + c2v2 + · · · + ckvk que melhor aproxima u, no sentido de tornar
mínimo,
u − (c1v1 + c2v2 + · · · + ckvk) 2
MIEEC (FEUP) MÉTODOS NUMÉRICOS 187 / 458
188. Aproximação de funções Aproximação em espaços vectoriais
Aproximação em espaços vectoriais
Teorema
Sejam os vectores {v1, v2, . . . , vk} de V linearmente independentes e um
vector u ∈ V . A combinação linear c1v1 + c2v2 + · · · + ckvk que torna
mínimo o valor
u − (c1v1 + c2v2 + · · · + ckvk) 2
satisfaz as relações
vj , u − (c1v1 + c2v2 + · · · + ckvk) = 0, j = 1, 2, . . . , k.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 188 / 458
189. Aproximação de funções Aproximação em espaços vectoriais
Aproximação em espaços vectoriais
O sistema de equações que determina c1, c2, . . . , ck é
v1, v1 v1, v2 . . . v1, vk
v2, v1 v2, v2 . . . v2, vk
...
...
...
...
vk, v1 vk, v2 . . . vk, vk
c1
c2
...
ck
=
v1, u
v2, u
...
vk, u
e designa-se por sistema de equações normais.
Sendo v1, v2, . . . , vk linearmente independentes, este sistema tem solução
única, qualquer que seja u ∈ V .
MIEEC (FEUP) MÉTODOS NUMÉRICOS 189 / 458
190. Aproximação de funções Aproximação em espaços vectoriais
MQ e aproximação em espaços vectoriais
Dados os pares (xi , yi )n
i=1 e as funções φ1(x), . . . , φk(x) pretende-se
determinar a combinação linear
c1φ1(x) + · · · + ckφk(x)
que minimiza a soma dos quadrados dos desvios.
Definam-se ¯φ1, . . . , ¯φk, ¯y ∈ Rn de acordo com
¯φ1 =
φ1(x1)
φ1(x2)
...
φ1(xn)
, . . . , ¯φk =
φk(x1)
φk(x2)
...
φk(xn)
, e ¯y =
y1
y2
...
yn
MIEEC (FEUP) MÉTODOS NUMÉRICOS 190 / 458
191. Aproximação de funções Aproximação em espaços vectoriais
MQ e aproximação em espaços vectoriais
Determinar a combinação linear c1φ1(x) + · · · + ckφk(x) que minimiza a
soma dos quadrados dos desvios
é equivalente a
Determinar a combinação linear c1
¯φ1 + · · · + ck
¯φk que minimiza o valor
¯y − (c1
¯φ1 + · · · + ck
¯φk) 2
MIEEC (FEUP) MÉTODOS NUMÉRICOS 191 / 458
193. Aproximação de funções Aproximação em espaços vectoriais
MQ e aproximação em espaços vectoriais
Este sistema de equações pode ser escrito na forma
n
i=1
φ1(xi )φ1(xi )
n
i=1
φ1(xi )φ2(xi ) . . .
n
i=1
φ1(xi )φk (xi )
n
i=1
φ2(xi )φ1(xi )
n
i=1
φ2(xi )φ2(xi ) . . .
n
i=1
φ2(xi )φk (xi )
.
.
.
.
.
.
..
.
.
.
.
n
i=1
φk (xi )φ1(xi )
n
i=1
φk (xi )φ2(xi ) . . .
n
i=1
φk (xi )φk (xi )
c1
c2
.
.
.
ck
=
n
i=1
φ1(xi )yi
n
i=1
φ2(xi )yi
. . .
n
i=1
φk (xi )yi
MIEEC (FEUP) MÉTODOS NUMÉRICOS 193 / 458
194. Aproximação de funções Aproximação em espaços vectoriais
MQ e aproximação em espaços vectoriais
Este sistema tem solução única se os vectores ¯φ1, ¯φ2, . . . , ¯φk, forem
linearmente independentes.
Neste caso, diz-se que as funções φ1, . . . , φk são linearmente
independentes nos pontos x1, x2, . . . , xn.
Então, o número de pontos (n) deverá ser sempre superior ou igual ao
número de funções consideradas (k).
MIEEC (FEUP) MÉTODOS NUMÉRICOS 194 / 458
195. Aproximação de funções Aproximação em espaços vectoriais
Exercício
Determine a melhor aproximação y = a sin(x) + b cos(x), no sentido dos
mínimos quadrados, dos pontos da tabela.
x 0 π
2 π 3π
2
y −1.3 1.55 1.2 −1.45
Resolva o exercício usando o formalismo da aproximação em espaços
vectoriais.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 195 / 458
196. Aproximação de funções Aproximação em espaços vectoriais
Vectores ortogonais
Se vi , vj = 0 para i = j (vectores ortogonais), então
v1, v1 0 . . . 0
0 v2, v2 . . . 0
...
...
...
...
0 0 . . . vk, vk
c1
c2
...
ck
=
v1, u
v2, u
...
vk, u
Concluindo-se que
cj =
vj , u
vj , vj
MIEEC (FEUP) MÉTODOS NUMÉRICOS 196 / 458
197. Aproximação de funções Aproximação em espaços vectoriais
Exercício: aprox. por exponenciais complexas
Sejam f , g : [0, T] → C e defina-se f , g =
T
0
f ∗
(t)g(t)dt.
1 Verifique que as funções vk(t) = ej 2kπ
T
t
com k ∈ Z são ortogonais.
Nota: j =
√
−1.
2 Considere a função h(t) =
1 se 0 ≤ t ≤ T
2
0 se T
2 < t ≤ T
Qual a combinação linear de v−N, . . . , v0, . . . , vN que melhor aproxima
h no sentido dos mínimos quadrados?
MIEEC (FEUP) MÉTODOS NUMÉRICOS 197 / 458
198. Aproximação de funções Aproximação em espaços vectoriais
Exemplo
MIEEC (FEUP) MÉTODOS NUMÉRICOS 198 / 458
199. Aproximação de funções Sistemas Sobredeterminados
Vamos agora ver ...
1 Erros
2 Equações não Lineares
3 Sistemas de equações não lineares
4 Aproximação de funções
Aproximação dos mínimos quadrados
Aproximação em espaços vectoriais
Sistemas Sobredeterminados
5 Interpolação polinomial
6 Integração numérica
MIEEC (FEUP) MÉTODOS NUMÉRICOS 199 / 458
200. Aproximação de funções Sistemas Sobredeterminados
Sistemas Sobredeterminados
O sistema de equações (na variável c = c1, . . . , ck)
F(x1, c) = y1
...
F(xm, c) = ym
⇔
k
j=1 φj (x1)cj = y1
...
k
j=1 φj (xm)cj = ym
⇔ Ac = y
é, para um problema de MQ, em geral sobredeterminado (n.o de equações
m > n.o incógnitas k). Não tem solução se n.o linhas lin. indep. > k).
Defina-se “solução mínimos quadrados” deste sistema o vector c ∈ R que
minimiza a soma dos quadrados dos desvios
d 2
= y − Ac 2
MIEEC (FEUP) MÉTODOS NUMÉRICOS 200 / 458
201. Aproximação de funções Sistemas Sobredeterminados
Desenvolvendo a expressão
d 2
= y − Ac 2
= (y − Ac)T
(y − Ac) =
= yT
y − 2yT
Ac − cT
AT
AC
Derivando em ordem a c e igualando a zero
−2yT
A + 2cT
AT
A = 0
⇔ AT Ac = AT y (1)
Se a matriz AT A possuir inversa (se as colunas de A forem lin. indep.)
então
c = (AT A)−1AT y
MIEEC (FEUP) MÉTODOS NUMÉRICOS 201 / 458
202. Aproximação de funções Sistemas Sobredeterminados
Pseudo-inversa
A matriz (AT A)−1AT designa-se por pseudo-inversa e representa-se por
A+. No caso em que A admite inversa A+ = A−1.
Teorema
Seja Ac = y um sistema (sobredeterminado ou não) em que as colunas de
A são linearmente independentes. Então a solução de mínimos quadrados
do sistema é dada por
c = A+
y
onde A+ = (AT A)−1AT .
Em alguns sistemas de computação numérica (ex: Matlab) a solução de
sistemas sobredeterminados é dada desta forma.
Exemplo: Em Matlab
» c=inv(A)*y
dá-nos a solução de MQ do sistema Ac = y.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 202 / 458
203. Aproximação de funções Sistemas Sobredeterminados
Normalidade
A expressão (1)
AT
Ac = AT
y
é uma outra forma de escrever as equações normais, pois reescrevendo
como
AT
(Ac − y) = 0 ⇔ AT
d = 0
verificamos que os desvios são ortogonais às colunas de A.
(Comparar com o 1o teorema deste capítulo.)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 203 / 458
204. Interpolação polinomial
Um novo capítulo ...
1 Erros
2 Equações não Lineares
3 Sistemas de equações não lineares
4 Aproximação de funções
5 Interpolação polinomial
6 Integração numérica
7 Sobre normas de vectores e matrizes
8 Sistemas de equações lineares
MIEEC (FEUP) MÉTODOS NUMÉRICOS 204 / 458
205. Interpolação polinomial
Interpolação
Por 2 pontos passa uma recta.
Por 3 será uma parábola?
E por 4? uma cúbica!? . . .
Como podem os polinómios ajudar a resolver equações não lineares?
O que são cubic splines?
...
MIEEC (FEUP) MÉTODOS NUMÉRICOS 205 / 458
206. Interpolação polinomial
Interpolação
x
y
(x0, y0) (x1, y1)
(xn, yn)
g(x)
Dados os pontos (x0, y0), (x1, y1), . . . , (xn, yn)
Determinar uma função g : R → R tal que
g(x0) = y0, g(x1) = y1, . . . , g(xn) = yn
x0, x1, . . . , xn são os nós de interpolação (i = j ⇒ xi = xj )
MIEEC (FEUP) MÉTODOS NUMÉRICOS 206 / 458
207. Interpolação polinomial
Aplicações da interpolação
Cálculo de funções fornecidas por tabelas
Quando se conhecem apenas alguns dos valores de uma função, por
exemplo obtidos experimentalmente
Aproximação de funções cujo cálculo seja complexo ou exija grande
esforço
Base de muitos métodos numéricos
MIEEC (FEUP) MÉTODOS NUMÉRICOS 207 / 458
208. Interpolação polinomial
Interpolação polinomial
Uma função p diz-se polinomial de grau n se puder ser escrita na forma
p(x) = anxn
+ an−1xn−1
+ · · · + a1x + a0
onde n ∈ N0 e an = 0.
Se p(x) = 0, o polinómio diz-se nulo, e o seu grau é, por convenção, −∞.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 208 / 458
209. Interpolação polinomial
Interpolação polinomial
Utilização de funções interpoladoras polinomiais
o seu cálculo é feito com um número finito de multiplicações e somas
as operações de derivação e primitivação são simples
são funções de classe C∞
aproximam tanto quanto se queira qualquer função contínua num
intervalo finito
MIEEC (FEUP) MÉTODOS NUMÉRICOS 209 / 458
210. Interpolação polinomial
Aproximação por polinómios
Teorema (Weierstrass)
Seja [a, b] um intervalo real e f uma função contínua em [a, b]. Então,
qualquer que seja ε > 0, existe uma função polinomial p tal que
max
x∈[a,b]
|f (x) − p(x)| < ε.
x
y
a b
f (x)
f (x) + ε
f (x) − ε
p(x)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 210 / 458
211. Interpolação polinomial
Formas polinomiais
Forma de potências simples
p(x) = a0 + a1x + a2x2 + · · · + anxn
Forma de potências centradas
p(x) = ¯a0 + ¯a1(x − c) + ¯a2(x − c)2 + · · · + ¯an(x − c)n
Forma de Newton
p(x) = ˜a0 + ˜a1(x − c1) + ˜a2(x − c1)(x − c2) + · · · + ˜an(x − c1) · · · (x − cn)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 211 / 458
212. Interpolação polinomial
Cálculo de polinómios: algoritmo de Horner
Forma de potências simples:
p(x) = a0 + a1x + · · · + anxn
y ← an
Para i = n − 1 até 0 fazer
y ← ai + y · x
MIEEC (FEUP) MÉTODOS NUMÉRICOS 212 / 458
213. Interpolação polinomial
Cálculo de polinómios: algoritmo de Horner
Forma de Newton:
p(x) = a0 + a1(x − c1) + · · · + an(x − c1) · · · (x − cn)
y ← an
Para i = n − 1 até 0 fazer
y ← ai + y · (x − ci+1)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 213 / 458
214. Interpolação polinomial Polinómio interpolador: unicidade e existência
Vamos agora ver ...
5 Interpolação polinomial
Polinómio interpolador: unicidade e existência
Forma de Lagrange
Forma de Aitken-Neville
Forma de Newton
Diferenças divididas
Diferenças fiinitas
Interpolação directa e inversa
Dupla interpolação
Erro de interpolação
Splines
MIEEC (FEUP) MÉTODOS NUMÉRICOS 214 / 458
215. Interpolação polinomial Polinómio interpolador: unicidade e existência
Polinómio interpolador: unicidade e existência
Teorema
Dados os nós distintos x0, x1, . . . , xn e os valores nodais y0, y1, . . . , yn,
existe um e um só polinómio p de grau menor ou igual a n que interpola
os valores yi nos nós xi , ou seja, tal que
p(xi ) = yi , i = 0, 1, . . . , n.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 215 / 458
216. Interpolação polinomial Polinómio interpolador: unicidade e existência
Existência e unicidade de polinómio interpolador
Os coeficientes do polinómio interpolador verificam
a0 + a1x0 + . . . + anxn
0 = y0
a0 + a1x1 + . . . + anxn
1 = y1
. . .
a0 + a1xn + . . . + anxn
n = yn
que não é mais do que um sistema de n + 1 equações lineares nas n + 1
incógnitas a0, a1, . . . , an.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 216 / 458
224. Interpolação polinomial Polinómio interpolador: unicidade e existência
Determinante de Vandermonde
v(x0, x1, . . . , xn) =
n
j=1
(xj − x0)
·
n
j=2
(xj − x1)
· . . . ·
n
j=n
(xj − xn−1)
é não nulo se os nós forem distintos!
MIEEC (FEUP) MÉTODOS NUMÉRICOS 224 / 458
225. Interpolação polinomial Polinómio interpolador: unicidade e existência
Construção do polinómio interpolador
Dados os valores (yi )n
i=0 nos nós distintos (xi )n
i=0, como se determina o
polinómio interpolador p, de grau ≤ n?
Uma possibilidade é resolver o sistema de equações
a0 + a1x0 + . . . + anxn
0 = y0
a0 + a1x1 + . . . + anxn
1 = y1
. . .
a0 + a1xn + . . . + anxn
n = yn
Abordagem não aconselhável . . . vamos estudar outras!
MIEEC (FEUP) MÉTODOS NUMÉRICOS 225 / 458
226. Interpolação polinomial Forma de Lagrange
Vamos agora ver ...
5 Interpolação polinomial
Polinómio interpolador: unicidade e existência
Forma de Lagrange
Forma de Aitken-Neville
Forma de Newton
Diferenças divididas
Diferenças fiinitas
Interpolação directa e inversa
Dupla interpolação
Erro de interpolação
Splines
MIEEC (FEUP) MÉTODOS NUMÉRICOS 226 / 458
227. Interpolação polinomial Forma de Lagrange
Forma de Lagrange
Os polinómios de Lagrange definem-se por
Lk(x) =
n
i=0
i=k
x − xi
xk − xi
e verificam as relações
Lk(xj ) = δkj =
1 se k = j
0 se k = j
onde δkj é o designado delta de Kronecker
MIEEC (FEUP) MÉTODOS NUMÉRICOS 227 / 458
228. Interpolação polinomial Forma de Lagrange
Forma de Lagrange: polinómios Lk(x)
x
y
x0 x1 x2 x3
1
L0(x)
L1(x)
L2(x)
L3(x)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 228 / 458
229. Interpolação polinomial Forma de Lagrange
Existência e unicidade: outra vez
Mostramos assim de uma outra forma, construtiva, a existência do
polinómio interpolador.
Teorema
O polinómio
p(x) =
n
k=0
ykLk(x),
tem grau menor ou igual a n e interpola os valores y0, y1, . . . , yn nos nós
distintos x0, x1, . . . , xn.
A unicidade mostra-se facilmente. Suponha-se que p1(x) e p2(x) são dois
polinómios interpoladores de grau menor ou igual que ≤ n. O polinómio
d(x) = p1(x) − p2(x) tem grau ≤ n e tem pelo menos n + 1 zeros nos nós.
Logo d(x) = 0.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 229 / 458
230. Interpolação polinomial Forma de Lagrange
Forma de Lagrange: exemplo
Determinar o polinómio de grau menor ou igual a 3 que interpola os valores
x −1 0 2 3
y 6 −12 18 24
MIEEC (FEUP) MÉTODOS NUMÉRICOS 230 / 458
231. Interpolação polinomial Forma de Lagrange
Forma de Lagrange
Quando se altera ou adiciona um nó é necessário recalcular todos os
polinómios Lk
Se um ou mais valores nodais forem alterados, os polinómios Lk
mantêm-se, sendo apenas necessário recalcular a combinação destes
para obter p(x)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 231 / 458
232. Interpolação polinomial Forma de Aitken-Neville
Vamos agora ver ...
5 Interpolação polinomial
Polinómio interpolador: unicidade e existência
Forma de Lagrange
Forma de Aitken-Neville
Forma de Newton
Diferenças divididas
Diferenças fiinitas
Interpolação directa e inversa
Dupla interpolação
Erro de interpolação
Splines
MIEEC (FEUP) MÉTODOS NUMÉRICOS 232 / 458
233. Interpolação polinomial Forma de Aitken-Neville
Forma de Aitken-Neville
x
y
xm
ym
xm+1
ym+1
xm+k
ym+k
xm+k+1
ym+k+1
pm,k (x)
pm+1,k (x)
pm,k+1(x)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 233 / 458
234. Interpolação polinomial Forma de Aitken-Neville
Forma de Aitken-Neville
Se pm,k(x) interpola (yi )m+k
i=m nos nós (xi )m+k
i=m
e se pm+1,k(x) interpola (yi )m+k+1
i=m+1 nos nós (xi )m+k+1
i=m+1
então
pm,k+1(x) =
(x − xm+k+1) · pm,k(x) + (xm − x) · pm+1,k(x)
xm − xm+k+1
interpola (yi )m+k+1
i=m nos nós (xi )m+k+1
i=m .
MIEEC (FEUP) MÉTODOS NUMÉRICOS 234 / 458
235. Interpolação polinomial Forma de Aitken-Neville
Forma de Aitken-Neville
A expressão de recorrência
(x − xm+k+1) · pm,k(x) + (xm − x) · pm+1,k(x)
xm − xm+k+1
é uma generalização da expressão
(x − x1) · y0 + (x0 − x) · y1
x0 − x1
designando-se também por interpolação linear iterada
MIEEC (FEUP) MÉTODOS NUMÉRICOS 235 / 458
236. Interpolação polinomial Forma de Aitken-Neville
Forma de Aitken-Neville
A expressão de recorrência pode ainda ser escrita como
pm,k+1(x) =
pm,k(x) x − xm
pm+1,k(x) x − xm+k+1
xm − xm+k+1
MIEEC (FEUP) MÉTODOS NUMÉRICOS 236 / 458
237. Interpolação polinomial Forma de Aitken-Neville
Forma de Aitken-Neville
Para determinar p(x) que interpola (yi )n
i=0 em (xi )n
i=0 é necessário obter os
polinómios
pi,0(x), i = 0, . . . , n
pi,1(x), i = 0, . . . , n − 1
. . . e, finalmente
p0,n(x) = p(x).
MIEEC (FEUP) MÉTODOS NUMÉRICOS 237 / 458
238. Interpolação polinomial Forma de Aitken-Neville
Forma de Aitken-Neville
y01(x) =
y0 x − x0
y1 x − x1
x0 − x1
, y12(x) =
y1 x − x1
y2 x − x2
x1 − x2
, . . .
y012(x) =
y01(x) x − x0
y12(x) x − x2
x0 − x2
, y123(x) = . . .
...
MIEEC (FEUP) MÉTODOS NUMÉRICOS 238 / 458
239. Interpolação polinomial Forma de Aitken-Neville
Forma de Aitken-Neville: exemplo
Determinar, em x = 1, o valor do polinómio de grau menor ou igual a 3
que interpola
x −1 0 2 3
y 6 −12 18 24
MIEEC (FEUP) MÉTODOS NUMÉRICOS 239 / 458
240. Interpolação polinomial Forma de Aitken-Neville
Forma de Aitken-Neville
Permite calcular o valor do polinómio interpolador num ponto, sem
determinar os seus coeficientes.
É possível adicionar e retirar nós nos “extremos” reutilizando os
cálculos já efectuados.
Se os valores nodais forem alterados é necessário repetir os cálculos.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 240 / 458
241. Interpolação polinomial Forma de Newton
Vamos agora ver ...
5 Interpolação polinomial
Polinómio interpolador: unicidade e existência
Forma de Lagrange
Forma de Aitken-Neville
Forma de Newton
Diferenças divididas
Diferenças fiinitas
Interpolação directa e inversa
Dupla interpolação
Erro de interpolação
Splines
MIEEC (FEUP) MÉTODOS NUMÉRICOS 241 / 458
242. Interpolação polinomial Forma de Newton
Forma de Newton
O polinómio interpolador p é obtido na forma de Newton tomando como
centros os nós distintos x0, x1, . . . , xn−1
p(x) = a0 + a1W0(x) + · · · + anWn−1(x)
onde
W0(x) = x − x0
W1(x) = (x − x0)(x − x1)
. . .
Wn−1(x) = (x − x0)(x − x1) · · · (x − xn−1)
MIEEC (FEUP) MÉTODOS NUMÉRICOS 242 / 458
243. Interpolação polinomial Forma de Newton
Forma de Newton
Teorema
Sendo os polinómios p0, p1, . . . , pn definidos por
p0(x) = a0,
pk(x) = pk−1(x) + akWk−1(x), k = 1, . . . , n,
e definindo os valores
a0 = y0,
ak =
yk − pk−1(xk)
Wk−1(xk)
, k = 1, . . . , n,
então, para k = 0, 1, . . . , n, pk interpola (yj )k
j=0 nos nós (xj )k
j=0.
MIEEC (FEUP) MÉTODOS NUMÉRICOS 243 / 458
244. Interpolação polinomial Forma de Newton
Forma de Newton: exemplo
Determinar o polinómio de grau menor ou igual a 2 que interpola
x −1 2 3
y 1 3 5
MIEEC (FEUP) MÉTODOS NUMÉRICOS 244 / 458
245. Interpolação polinomial Diferenças divididas
Vamos agora ver ...
5 Interpolação polinomial
Polinómio interpolador: unicidade e existência
Forma de Lagrange
Forma de Aitken-Neville
Forma de Newton
Diferenças divididas
Diferenças fiinitas
Interpolação directa e inversa
Dupla interpolação
Erro de interpolação
Splines
MIEEC (FEUP) MÉTODOS NUMÉRICOS 245 / 458
250. Interpolação polinomial Diferenças divididas
Diferenças divididas: exemplo
Determinar, na forma de Newton, o polinómio de grau menor ou igual a 3
que interpola
x −1 0 2 3
y 6 −12 18 24
MIEEC (FEUP) MÉTODOS NUMÉRICOS 250 / 458