Apostila calc numerico

Apostila calc numerico

Apostila de Complementos de Cálculo Numérico

2002

Marcelo Gameiro Munhoz

Antonio Cesar Germano Martins

1. Introdução: O que é o cálculo numérico, sua importância e os objetivos do curso

1.1 O que é o Cálculo Numérico?

O Cálculo Numérico corresponde a um conjunto de ferramentas ou métodos usados para se obter a solução de problemas matemáticos de forma aproximada. Esses métodos se aplicam principalmente a problemas que não apresentam uma solução exata, portanto precisam ser resolvidos numericamente.

O que isso quer dizer? Vamos tomar um exemplo para entender melhor os objetivos do Cálculo Numérico.

Seja um circuito elétrico composto de uma fonte de tensão (uma pilha, por exemplo) e um resistor, como ilustrado na Figura 1.1. Digamos que desejamos obter a corrente que circula no circuito, dado o valor da tensão V e da resistência R. O primeiro passo é formular um modelo matemático para o nosso sistema físico (o circuito), e encontrar a solução do problema representado por esse modelo.

R

V

Figura 1.1: Circuito elétrico composto de uma fonte de tensão e um resistor.

No caso do circuito da Figura 1.1, o modelo matemático também é bastante simples. Utilizando-se a Lei de Kirchoff (não se preocupe com essa lei caso você não a conheça), teremos a seguinte equação para o circuito:

(1.1)

Esse é o nosso modelo matemático para o circuito (sistema físico). O modelo apresenta uma equação bastante simples que tem uma solução exata. Portanto, nosso problema (encontrar a corrente elétrica do circuito) pode ser resolvido de maneira exata, cuja solução é dada por:

(1.2)

Por exemplo, se V=10 V e R=100 , teremos que i=0,1 ª

Como esse problema tem uma solução exata, não é preciso utilizar os métodos do cálculo numérico para resolve-lo. Porém, digamos que um outro componente eletrônico seja incluído no circuito: um diodo semicondutor. Esse dispositivo tem uma curva característica, isto é, a tensão nesse componente em função da corrente, que é dada por:

(1.3)

onde k e Is são constantes, q é a carga do elétron e T a temperatura do dispositivo. Essa equação corresponde ao modelo matemático do diodo (não se preocupe em entender esta equação, pois isto é só um exemplo).

Portanto, ao se incluir o diodo no circuito da Figura 1.1, tem-se a seguinte equação descrevendo o comportamento da corrente elétrica no circuito:

(1.4)

A inclusão desse novo componente no circuito tornou nosso problema mais complicado e de difícil solução analítica. O que isso quer dizer? Tornou-se difícil se obter uma expressão para i, principalmente quando comparado ao caso anterior, quando tínhamos simplesmente i=V/R.

Como resolver esse problema então? Como obter o valor de i? A solução está na utilização de métodos numéricos que serão aprendidos neste curso.

1. 2 A importância do curso de Cálculo Numérico

Ao resolver um problema matemático numericamente, o mais comum é o profissional utilizar um pacote computacional. Porém, ele terá que tomar uma série de decisões antes de resolver o problema. E para tomar essas decisões, é preciso ter conhecimento de métodos numéricos. O profissional terá que decidir:

    • Pela utilização ou não de um método numérico (existem métodos numéricos para se resolver este problema?);

    • Escolher o método a ser utilizado, procurando aquele que é mais adequado para o seu problema. Que vantagens cada método oferece e que limitações eles apresentam;

    • Saber avaliar a qualidade da solução obtida. Para isso, é importante ele saber exatamente o que está sendo feito pelo computador ou calculadora, isto é, como determinado método é aplicado.

1.3 Objetivos do Curso:

Os principais objetivos do curso são:

  • Apresentar diversos métodos numéricos para a resolução de diferentes problemas matemáticos. Pretende-se deixar bem claro a importância desses métodos, mostrando:

    • a essência de um método numérico;

    • a diferença em relação a soluções analíticas;

    • as situações em que eles devem ser aplicados;

    • as vantagens de se utilizar um método numérico;

    • e as limitações na sua aplicação e confiabilidade na solução obtida.

  • Melhorar a familiarização e “intimidade” do aluno com a matemática, mostrando seu lado prático e sua utilidade no dia-a-dia de um engenheiro. Rever conceitos já vistos, exercitá-los e utilizá-los de maneira prática;

  • Apresentar ao aluno maneiras práticas de se desenvolver e utilizar métodos numéricos. Isso significa mostrar como usar esses métodos numéricos na calculadora e em um computador;

  • Treinar o aluno a aprender outros métodos numéricos por conta própria. No seu dia-a-dia profissional, ele pode se deparar com um problema cuja solução depende de um método numérico que não foi visto no curso. Portanto, ele deverá ser capaz de encontrar a literatura pertinente, estudar o método e aprender a sua utilização de maneira conceitual e prática (usando um aplicativo computacional) por conta própria.

2. Representação Numérica

    1. Introdução

A fim se realizarmos de maneira prática qualquer operação com números, nós precisamos representa-los em uma determinada base numérica. O que isso significa? Vamos tomar como exemplo o número . A fim de calcularmos, por exemplo, o valor de - 1, nós precisamos escrever o número de alguma outra forma, caso contrário não é possível realizar essa operação. Podemos escreve-lo na base decimal, por exemplo, que é a base mais usada na história da humanidade (graças a nossa anatomia). O valor de na base decimal pode ser escrito como 1,41 ou 1,4142 ou ainda 1,41421356237. Qual é a diferença entre essas várias formas de representar ? A diferença é a quantidade de algarismos significativos usados em cada representação. Agora podemos realizar a operação proposta: -1=0.41 ou 0.4142 ou ainda 0.41421356237, conforme o número de algarismos significativos adotados na nossa representação.

Em uma máquina digital, como uma calculadora ou um computador, os números não são representados na base decimal. Eles são representados na base binária, ou seja, usam o número 2 como base ao invés do número 10. Como na base decimal existem 10 algarismos diferentes (0, 1, 2 ,3, 4, 5, 6, 7, 8, 9), na base binária existem somente 2 números: 0 e 1. Portanto, a base binária é usada porque essas máquinas utilizam-se de sinais elétricos, sendo o 0 correspondente a ausência de sinal e o número 1 a presença do sinal elétrico.

2.2 Ponto fixo e Ponto Flutuante

A princípio, toda vez que escrevemos um número, deveríamos mencionar a base numérica a qual estamos nos referindo. Obviamente, isso não se faz necessário na prática, pois estamos sempre representando os números na base decimal, portanto sabemos exatamente o seu significado. Por exemplo, quando escrevemos o número 1532, o que realmente queremos dizer? Estamos dizendo que esse número representa uma quantidade equivalente a 11000 + 5100 + 310 + 2, ou, escrevendo a base de outra forma, 1103 + 5102 + 3101 + 2100. Essa é a chamada representação posicional de números.

Na base binária, o mecanismo é o mesmo, porém, ao invés de potências de 10, utilizamos potências de 2. Portanto, um número binário como 1011 (lembre-se que na base binária só existem os algarismos 0 e 1) significa 123 + 022 + 121 + 120 que na base 10 seria 8+2+1=11.

Essa idéia que está por trás da representação dos números em bases numéricas é utilizada para representar números no computador. A fim de tornar a manipulação de números mais eficiente, os computadores fazem a distinção entre números inteiros e números reais. Um número inteiro apresenta a chamada representação de ponto fixo, onde a posição do ponto “decimal” está fixa e todos os dígitos são usados para representar o número em si, com exceção do primeiro dígito usado para representar o sinal desse número. A figura 2.1 ilustra essa representação.

Sinal

Dígitos

Figura 2.1 - Representação de números inteiros.

Para um número real qualquer (inteiro ou não inteiro) é utilizada a representação de ponto flutuante, que é dada pela expressão:

(0.d1d2d3...d­t) be

onde:

0.d1d2d3...d­t é uma fração na base b, também chamada de mantissa, com 0 di b-1, para todo i = 1,2,3,...,t, sendo t o número máximo de dígitos da mantissa que é determinado pelo comprimento de palavra do computador; e é um expoente que varia em um intervalo dado pelos limites da máquina utilizada.

Esse tipo de representação é chamada de ponto flutuante pois o ponto da fração “flutua” conforme o número a ser representado e sua posição é expressa pelo expoente e. A figura 2.1 ilustra essa representação.

Sinal

posição do ponto = expoente e

dígitos = mantissa

Figura 2.2 - Representação de números reais.

Alguns exemplos da representação de ponto flutuante pode ser visto na tabela a seguir:

Número na base decimal

Representação em ponto flutuante

mantissa

base

Expoente

1532

0.1532104

0.1532

10

4

15.32

0.1532102

0.1532

10

2

0.00255

0.25510-2

0.255

10

-2

10

0.10102

0.10

10

1

10

0.101024

0.1010

2

4

    1. Aplicação à Linguagem de Programação C

Na linguagem C é possível especificar a representação que deve ser usada para os números a serem armazenados em uma dada variável. Para números inteiros (representação de ponto fixo) existem duas palavras chaves para declarar uma variável: int e long. A diferença entre essas duas representações é o número de dígitos a ser usado. No caso do int, utiliza-se 15 dígitos binários e mais um dígito para o sinal, ou seja, 16 bits que é igual a 2 bytes. Portanto, uma variável declarada com int pode armazenar números de –32768 (=-215) a +32767 (=215-1).

Já a palavra chave long corresponde a representação de ponto fixo com 32 bits (31 dígitos binários para o número mais um dígito para o sinal), ou seja, 4 bytes. Neste caso, uma variável declarada como long pode armazenar números de –2.147.483.648 (= -231) a 2.147.483.647 (=231-1).

No caso da representação de ponto flutuante, também existem duas palavras: float e double. A palavra float corresponde a representação com base binária (b=2), número máximo de dígitos igual a 24 (t=24) e expoente entre –126 e 127. Portanto, uma variável declarada como float pode armazenar números reais entre ~10-38 e ~1038. Já a palavra chave double apresenta um número máximo de dígitos igual a 53 (t=53) e expoente entre –1022 e 1023, ou seja, varáveis declaradas como double podem armazenar números entre ~10-307 a ~10307.

3. Erros Numéricos

    1. Introdução

Vamos supor o seguinte problema: como calcular o valor de ? Provavelmente, a primeira resposta que vem a mente de qualquer pessoa que nasceu no século XX será: utilizando uma calculadora ou um computador. Indiscutivelmente, essa é a resposta mais sensata e prática. Porém, um profissional que utilizará o resultado fornecido pela calculadora para projetar, construir ou manter pontes, edifícios, máquinas, sistemas, dispositivos eletrônicos, etc., não pode aceitar o valor obtido antes de fazer alguns questionamentos (pelo menos uma vez na sua vida profissional).

Quando calculamos, por exemplo, o valor de em uma calculadora ou em um computador, o que realmente estamos fazendo? Em outras palavras, o que a calculadora fez para obter o resultado? Para um engenheiro, ainda mais importante é a pergunta: qual é a confiabilidade do resultado que obtemos?

Essa pergunta faz sentido pois é um número irracional, isto é, não existe uma forma de representa-lo com um número finito de algarismos. Portanto, o número apresentado pela calculadora é uma aproximação do valor real de , já que ela não pode mostrar infinitos algarismos. E quão próximo do valor real está o resultado mostrado?

Podemos criar algumas definições a fim de facilitar as discussões e trocas de informação sobre esse problema. Vamos definir a diferença entre o valor real da grandeza que queremos calcular e o valor aproximado que efetivamente calculamos como sendo o erro, ou seja:

Erro = valor real – valor aproximado (3.1)

Quanto menor for esse erro, mais preciso será o resultado da operação. Essa definição corresponde ao erro absoluto de um cálculo.

Porém, se estivermos trabalhando com números muito grandes, o erro pode ser grande em termos absolutos, mas o resultado ainda será preciso. E o caso inverso também pode ocorrer: um erro absoluto pequeno, mas um resultado impreciso. Por exemplo, digamos que o resultado de uma operação nos forneça o valor 2.123.542,7 enquanto o valor real que deveríamos obter é 2.123.544,5. O erro absoluto neste caso é 1,8. Comparada com o valor real,essa diferença (o erro) é bem pequena, portanto, podemos considerar o resultado preciso. Em um outro caso, digamos que o resultado da operação seja 0,234 e o resultado esperado era 0,128.Desta vez o erro será igual a 0,106 , porém o resultado é bastante impreciso.

A fim de evitar esse tipo de ambigüidade, podemos criar uma nova definição. Podemos definir o erro relativo, que corresponde ao quociente entre o erro absoluto e o valor real da grandeza a ser calculada, ou seja:

(3.2)

O erro relativo é uma forma mais interessante de se avaliar a precisão de um cálculo efetuado. No exemplo acima, teremos um erro relativo de 0,0000008 ou 0,00008% no primeiro caso e um erro relativo igual a 0,83 ou 83% no segundo caso.

    1. Tipos de Erros

O erro cometido ao se calcular o valor de , por exemplo, é apenas um tipo de erro que pode surgir ao se resolver um problema real. Outros tipos de erros também podem aparecer devido a outros tipos de problemas ou limitações.

A solução matemática de um determinado problema envolve diversas etapas, como discutido na introdução desta apostila. A solução do problema se inicia com a criação de um modelo matemático do sistema em questão. Esse modelo sempre apresentará aproximações e limitações. Além disso, na grande maioria das vezes, dados experimentais serão utilizados para se obter a solução. Como toda medida experimental apresenta uma incerteza, a solução do problema será influenciada pelas mesmas. Portanto, logo de início, existem diversos fatores que introduzem incertezas na solução numérica do problema. Esse tipo de erro é chamado de erro inicial.

O problema discutido na introdução deste capítulo para o cálculo de , que se refere a inevitável limitação na representação de números irracionais (por exemplo), introduz erros no resultado. Esse tipo de erro é chamado de erro de arredondamento.

Vamos considerar um outro tipo de problema prático que pode surgir ao realizarmos determinadas operações. Digamos que precisamos calcular o valor de ex. Mais uma vez, iremos utilizar uma máquina digital (calculadora ou computador). Como esse equipamento irá realizar essa operação? Sabemos que a exponencial é uma função que pode ser representada por uma série infinita dada por:

(3.3)

e na prática é impossível calcular seu valor exato. Portanto, mais uma vez, teremos que fazer uma aproximação, que levará a um erro no resultado final de ex. Neste caso, faremos um truncamento dessa série, e o erro gerado no valor de ex é chamado de erro de truncamento.

    1. Propagação e Condicionamento de Erros Numéricos

Vamos supor que queremos calcular o valor de - e3.Como vimos anteriormente, ao calcularmos o valor de , teremos que realizar um arredondamento, que leva ao um resultado aproximado de , ou seja, existe um erro de arredondamento associado ao resultado. Para calcularmos o valor de e3 teremos que fazer um truncamento, que também irá gerar um erro no resultado obtido. Portanto, o resultado da operação de subtração entre e e3 apresentará um erro que é proveniente dos erros nos valores de e e3 separadamente.Em outras palavras, os erros nos valores de e e3 se propagam para o resultado de - e3. Podemos concluir então que, ao se resolver um problema numericamente, a cada etapa e a cada operação realizada, devem surgir diferentes tipos de erros gerados das mais variadas maneiras, e estes erros se propagam e determinam o erro no resultado final obtido.

A propagação de erros é muito importante pois, além de determinar o erro final de uma operação numérica, ela também determina a sensibilidade de um determinado problema ou método numérico. Se uma pequena variação nos dados de entrada de um problema levar a uma grande diferença no resultado final, considera-se que essa operação é mal-condicionada, ou seja, existe uma grande propagação de erros nessa operação. Por outro lado, se uma pequena variação nos dados de entrada leva a apenas uma pequena diferença no resultado final, então essa operação é bem-condicionada.

    1. Erros na Aritmética de Ponto Flutuante

Nós vimos nas seções anteriores que ao manipularmos os números de maneira prática, estaremos sempre trabalhando com erros, devido a diversos fatores. Vamos agora examinar os erros mais comuns que aparecem quando um computador manipula os números.

O primeiro tipo de erro que está presente na forma como computadores trabalham com números corresponde aos erros de arredondamento e truncamento. Como citado anteriormente, esses erros estão presentes pois os computadores precisam representar os números com uma quantidade finita de algarismos.

Vamos supor, para simplificação, um computador com uma representação de ponto flutuante na base decimal (b=10) e uma mantissa de 4 algarismos (t=4). A fim de representarmos em ponto flutuante nesse computador, por exemplo, o número 734,68, teríamos que trunca-lo para 0,7346103 ou arredonda-lo para 0,7347103. Portanto, no truncamento, estaríamos cometendo um erro de 0,810-1 e no arredondamento, um erro de 0,210-1. Podemos generalizar esse exemplo e dizer que, em uma representação de ponto flutuante na base b e mantissa de t algarismos, os erros de truncamento serão dados por:

(3.4)

onde o número em questão foi representado na forma x=fx be. E os erros de arredondamento serão dados por:

(3.5)

Portanto, para uma representação numérica com t=24 ou t=53 (como no caso da maioria dos computadores) esse erro é muito pequeno.

Apesar de pequeno, é importante lembrar que ele se propagará nas operações aritméticas realizadas pelo computador. Vamos tomar como exemplo a soma dos números 6563 (= 0,6563104) e 3,375 (= 0,3375101) no nosso computador fictício de mantissa com 4 algarismos. A soma desses dois números corresponde a 6566,375. Como nosso computador pode representar com apenas 4 algarismos, o resultado dessa operação será 0,6566104 = 6566. Ou seja, apesar de partirmos de dois números exatos, o resultado da soma não será exata. Mais uma vez, para um computador real, esse erro será pequeno, porém, se um número muito grande de operações for realizado e se existir a necessidade de se obter um resultado bastante preciso, será necessário se levar em consideração esse tipo de erro para avaliar o resultado obtido.

Existe mais um tipo de erro que aparece quando computadores manipulam números. Esse erro se refere à conversão de números de uma base para a outra. O tipo de conversão mais comum é da base decimal (usada por humanos) para a base binária (usada por computadores) e vice-versa. Um exemplo bastante peculiar é o número 0,1. Ao convertermos esse número da base decimal para a base binária (existem diversos algoritmos para se realizar essa conversão, mas não vamos entrar nesse detalhe aqui), obtemos como resposta:

(0,1)10 = (0,0001100110011...)2 (3.6)

onde representamos com um subscrito a base em que esse número está escrito.

Portanto, notamos que, ao se converter o número 0,1 da base decimal para a base binária, obtemos um número com infinitos algarismos! Como esse número não pode ser representado pelo computador, ele será truncado, introduzindo um erro na sua representação. Uma forma interessante de constatar esse problema é escrevendo um pequeno programa que calcule o valor de . Você verá que esse número não é igual a 100!

4. Resolução Numérica de Equações (Zero de Funções)

    1. Introdução

No exemplo usado na introdução desta apostila, vimos que ao tentar calcularmos a corrente elétrica de um circuito simples contendo apenas uma bateria, um resistor e um diodo, já nos deparamos com um problema matemático de difícil solução. Esse problema corresponde ao cálculo do valor da corrente i que satisfaz a equação

(4.1)

Em outras palavras, precisamos resolver ou encontrar o zero da função acima.

Neste capítulo iniciaremos o estudo de métodos numéricos que nos permitirão resolver problemas como esse.

    1. Zeros ou Raízes de Funções

Dada uma função f(x), dizemos que  é raiz, ou zero de f se e somente f()=0.

Graficamente, os zeros de uma função f(x) correspondem aos valores de x em que a função intercepta o eixo horizontal do gráfico, como mostrado na figura 4.1.

Figura 4.1 - Interpretação gráfica do zero de uma função.

A função g(x) da figura 4.1 tem 5 raízes no intervalo [a,b]: x1, x2, x3, x4, x5.

As raízes de uma função podem ser encontradas analiticamente, ou seja, resolvendo a equação f(x)=0 de maneira exata, como mostrado nos exemplos a seguir:

Porém, nem sempre é possível se encontrar analiticamente a raiz de uma função, como nos casos a seguir:

Nestes casos precisamos de um método numérico para encontrar uma estimativa para a raiz da função estudada, ou seja, um valor tão aproximado quando se deseje.

Tais métodos devem envolver as seguintes etapas:

  1. Determinação de um intervalo em x que contenha pelo menos uma raiz da função f(x), ou seja, isolamento das raízes;

  2. Calculo da raiz aproximada através de um processo iterativo até a precisão desejada.

    1. Processos Iterativos

Existe um grande número de métodos numéricos que são processos iterativos. Como o próprio nome já diz (consulte um dicionário para verificar o significado de iterativo), esses processos se caracterizam pela repetição de uma determinada operação. A idéia nesse tipo de processo é repetir um determinado cálculo várias vezes, obtendo-se a cada repetição ou iteração um resultado mais preciso que aquele obtido na iteração anterior. E, a cada iteração utiliza-se o resultado da iteração anterior como parâmetro de entrada para o cálculo seguinte.

Alguns aspectos comuns a qualquer processo iterativo, são:

  • Estimativa inicial: como um processo iterativo se caracteriza pela utilização do resultado da iteração anterior para o cálculo seguinte, a fim de se iniciar um processo iterativo, é preciso que se tenha uma estimativa inicial do resultado do problema. Essa estimativa pode ser conseguida de diferentes formas, conforme o problema que se deseja resolver;

  • Convergência: a fim de se obter um resultado próximo do resultado real, é preciso que a cada passo ou iteração, o resultado esteja mais próximo daquele esperado, isto é, é preciso que o método convirja para o resultado real. Essa convergência nem sempre é garantida em um processo numérico. Portanto, é muito importante se estar atento a isso e realizar a verificação da convergência do método para um determinado problema antes de tentar resolvê-lo;

  • Critério de Parada: obviamente não podemos repetir um processo numérico infinitamente. É preciso pará-lo em um determinado instante. Para isso, devemos utilizar um certo critério, que vai depender do problema a ser resolvido e da precisão que precisamos obter na solução. O critério adotado para parar as iterações de um processo numérico é chamado de critério de parada.

Para encontrarmos as raízes ou zeros de uma função iremos utilizar métodos numéricos iterativos. Como já mencionado, o primeiro passo para se resolver um processo iterativo corresponde a obtenção de uma estimativa inicial para o resultado do problema. No caso de zeros de funções, usamos a operação chamada de isolamento de raízes, que veremos na seção seguinte.

    1. Isolamento de Raízes

Para determinarmos o número e a localização aproximada de raízes de uma função, a fim de obtermos uma estimativa inicial a ser usada nos processo iterativos, podemos examinar o comportamento dessa função através de um esboço gráfico.

Por exemplo, seja uma função f(x) tal que:

f( x ) = g( x ) - h( x ) (4.2)

As raízes de f(x), são tais que:

g( x ) – h (x ) = 0 (4.3)

ou ainda:

g( x ) = h (x ) (4.4)

Assim, os valores de x em que o gráfico g(x) intercepta o gráfico de h(x) é a raiz de f(x).

Exemplo:

Dada a função f(x) = sen(x) - [-cos( x )], encontrar os intervalos que contenham raízes entre 0 e .

Partindo de f(x)=0, segue que:

sen( x ) – [-cos( x )] = 0

e que

sen( x ) = -cos( x )

Fazendo os gráficos de sen(x) e -cos(x) temos:

Pelo gráfico, vemos que a função g(x) irá interceptar a função h(x) entre /2 e e entre 3/2 e 2. Portanto, podemos afirmar que existe uma raiz de f(x) no intervalo [/2, ] e no intervalo [3/2,2].

Nem sempre o esboço gráfico é a forma mais prática de se obter um intervalo que contém pelo menos uma raiz da função f(x). Muitas vezes é preciso se utilizar um método algébrico. Para isso, vamos recorrer ao teorema de Bolzano.

      1. Teorema de Bolzano.

Seja uma função f(x) contínua em um intervalo [a,b], tal que, f(a).f(b)<0. Então a função f(x) possui pelo menos uma raiz no intervalo [a,b].

Podemos verificar este teorema graficamente:

Exemplo: Seja a função f(x)=xln(x)-3.2. Podemos calcular o valor de f(x) para valores arbitrários de x, como mostrado na tabela abaixo:

x

1

2

3

4

f(x)

-3.20

-1.81

0.10

2.36

Pelo teorema de Bolzano, concluímos que existe pelo menos uma raiz real no intervalo [2,3].

    1. Método da Dicotomia ou Bissecção.

O método da dicotomia ou bissecção é a forma mais intuitiva de se obter a raiz de uma função. Seja uma função f(x) contínua em um intervalo [a,b], e  uma raiz de f(x) isolada neste intervalo através de um dos métodos descritos no item anterior.

Inicialmente, subdividimos este intervalo em suas duas metades, ou seja:

Verificamos se a raiz está contida na primeira ou na segunda metade do intervalo inicial, usando o teorema de Bolzano. Ou seja, se a função f(x) mudar de sinal entre a e saberemos que a raiz está nessa primeira metade do intervalo [a,b]. Caso a função f(x) mude de sinal entre e b, a raiz deverá estar na segunda metade do intervalo original.

Em seguida repetimos o processo para aquela metade que contém a raiz de f(x): dividimos o intervalo ao meio e verificamos em qual metade está a raiz. Podemos continuar repetindo esse processo indefinidamente.

A estimativa da raiz  em cada etapa será o ponto médio do intervalo em estudo onde sabemos que existe uma raiz. E, como todo processo numérico, é importante estimarmos o erro nesse resultado obtido. No caso do método da bissecção, o erro na estimativa será dado pela metade do comprimento do intervalo em estudo.

A seguir, uma ilustração desse processo, onde os sinais acima do eixo horizontal representam o sinal da função:

Exemplo: Encontre uma estimativa para a raiz de:

com um erro menor ou igual a 0,050.

Os gráficos de exe de -x são:

Através da interseção mostrada no grafíco, podemos concluir que a raiz de f(x)  [-1,0].

Utilizando o método da dicotomia, temos:

Portanto, a raiz da função f(x)=ex+x é igual a –0,594  0,032.

    1. Critérios de Parada em um Processo Iterativo

Foi usado, até o momento, o seguinte critério de parada:

(4.5)

onde é o intervalo que contêm a raiz da função após k iterações.

No entanto, se tivermos uma função do seguinte tipo:

x

Podemos estar satisfazendo (1) e, entretanto, f(x0) pode ser muito maior que zero. Assim, em certos casos pode-se usar a seguinte condição:

 erro estipulado (4.6)

Tanto o critério (4.5), quanto o critério (4.6), podem levar a um número muito grande de iterações. Uma maneira de se contornar este problema é tomar como um critério de parada adicional, um certo número de iterações máximo.

      1. Estimativa do número de iterações no método da bisseção.

Como, no método da bisseção, em cada passo, dividimos o intervalo por 2, temos:

(4.7)

onde k é o número de iterações e [ao,bo] é o intervalo inicial que isola a raiz da função.

Dado o seguinte critério de parada:

(4.8)

onde é o erro estipulado, temos que:

(4.9)

De (4.9) em (4.7):

(4.10)

Re-arranjando os termos em (4.10):

(4.11)

Tomando o log de ambos os lados de (4.11):

(4.12)

e usando as propriedades do log segue que:

(4.13)

A expressão (4.13) dá o número de iterações necessárias para que o critério de parada, definido em (4.8), seja satisfeito.

    1. Método das Aproximações Sucessivas ou Método de Iteração Linear (MIL)

O método da iteração linear é um processo iterativo que apresenta vantagens e desvantagens em relação ao método da bissecção.

Seja uma função f(x) contínua em um intervalo [a,b] que contenha uma raiz de f(x). O Método de Iteração Linear inicia-se reescrevendo a função f(x) como,

f(x) = (x) – x (4.14)

Essa forma de escrever f(x) é bastante útil. No ponto x que corresponde à raiz de f(x), isto é, f(x) = 0, teremos que:

f(x) = (x) – x =0 (4.15)

(x) = x (4.16)

ou seja, no ponto x que corresponde à raiz de f(x), ao substituirmos o valor de x na função (x), teremos como resultado o próprio valor de x. Portanto, a raiz de f(x) será o ponto fixo de (x), ou seja, o valor que ao ser substituído em (x) retorna o próprio valor de x.

Por exemplo, a função

f(x) = x2 - x – 2

pode ser reescrita como,

f(x) = x2 – 2 – x = (x) – x ,

onde (x) = x2 – 2. Essa função tem como ponto fixo o valor x=2, pois (2) = 22 – 2 = 2. E esse é exatamente o valor da raiz de f(x), pois f(2) = 22 – 2 – 2 = 0.

Portanto, para encontrarmos a raiz de f(x), podemos encontrar o valor numérico que ao substituirmos em (x) retorna o próprio valor de x. Para encontrarmos esse valor de x, vamosutilizar um processo iterativo, onde começamos a calcular o valor de (x) com um valor inicial de x,e recalculamos repetidamente o valor de (x) sempre usando o resultado de uma dada iteração como a nova estimativa de x, ou seja, fazendo:

(4.17)

onde, k é a ordem da iteração em que estamos (k = 0, 1, 2, 3, 4, ...). A função (x) é chamada de função de iteração. Pode-se notar que dada uma função f(x) existem diversas funções de iteração que podem ser usadas no processo.

Exemplo: Encontre algumas funções de iteração a partir de f (x) = x2 + ln(x) - x +1.

ou então,

ou ainda,

Mais um exemplo,

Exemplo: Encontre uma estimativa para a raiz de :

usando o método da iteração linear.

Vamos iniciar a solução encontrando uma boa estimativa inicial para o valor da raiz de f(x). Para isso, vamos usar o método gráfico para o isolamento de raízes. Escrevendo:

f(x) = g(x) – h(x) g(x) = x2e h(x) = ex

temos:

A partir do esboço gráfico acima, conclui-se que a raiz encontra-se no intervalo [-1,0].

Devemos agora escolher uma função de iteração (x). Para isso, escrevemos:

Ou seja, podemos ter como função iteração, os dois casos abaixo:

Substituindo os valores de xk em f(x) para cada iteração k, vemos que a cada etapa nos aproximamos mais da raiz de f(x), pois o valor dessa função fica mais próximo de zero a cada iteração, como mostrado na tabela abaixo:

x

-1 0,632

-0,606 -0,178

-0,738 0,067

-0,691 -0,024

-0,707 0,007

      1. O problema da convergência no Método da Iteração Linear

Como já discutido, para se obter um resultado coerente e preciso com um processo iterativo, é necessário que a cada iteração a resposta se aproxime mais e mais da solução real, ou seja, que o método convirja para o valor real. No caso do método da bissecção, nós não precisamos nos preocupar com a convergência, pois com esse método ela está sempre garantida, já que isolamos a raiz em um dado intervalo e nunca deixamos esse intervalo inicial. Já no método da iteração linear, a convergência não é garantida a priori. A cada iteração podemos nos aproximar ou nos afastar da solução real. Portanto, antes de resolver um problema através desse método é preciso se verificar se haverá ou não a convergência.

O seguinte Teorema coloca condições suficientes, porém não necessárias para que o método de iteração linear seja convergente.

Teorema:

Seja uma função f(x) contínua em um intervalo [a,b] e  uma raiz de f(x) contida em [a,b].

Seja (x) uma função de iteração obtida a partir de f(x).

Se:

  1. (x) e ’(x) forem contínuas em [a,b];

  2. |’(x)| < 1 (para todo)  x  [a,b];

  3. x0 [a,b].

Então:

Exemplo: Deseja-se encontrar a raiz de . Para isto, pretende-se usar uma das seguintes funções de iteração:

Verifique se 1(x) e 2(x) satisfazem as condições (i) e (ii) do Teorema de convergência no intervalo [1,2].

Vamos iniciar verificando a condição (i) para a função 1(x).

Ambas as funções 1(x) e 1‘(x)são contínuas (para todo)  x  R com x  -0,96.

Em seguida, vamos verificar a condição (ii) para 1(x).

Portanto, para os valores de x que satisfazem a equação acima, teremos |1(x)| < 1, ou seja , a condição (ii) do teorema da convergência é satisfeita. Vamos encontrar as raízes da função acima (x2 + 1.92x – 1,1584) e, como ela se trata de uma parábola com concavidade para cima, sabemos que a função será positiva para valores menores que a raiz de menor valor (x1) e valores maiores que a raiz de maior valor (x2) , como ilustrado a seguir.

+ +

x1 _ x2

As raízes dessa função são:

Portanto:

| 1‘(x) | < 1 para x< –2,40 ou x > 0,48.

Finalmente, concluímos que as condições (i) e (ii) do Teorema de Convergência são satisfeitas por:

no intervalo [1,2].

Vamos verificar se essas condições são satisfeitas para a função 2(x). Para a condição (i), temos:

Portanto, 2 (x) e 2‘(x)são contínuas para  x  R . Para a condição (ii) ser satisfeita, devemos ter:

Ou seja:

2‘(x) < 1 para –1,48 < x < -0,48.

Temos, portanto, que 2(x) não satisfaz a condição (ii) do Teorema de Convergência, no intervalo [1,2].

Exemplo: Já calculamos o valor da raiz da função f(x) = x2 – ex, utilizando:

Vamos verificar se essa função satisfaz as condições do teorema da convergência. Para a condição (i), temos:

Portanto, (x) e ’(x) são contínuas para  x  R.

Para a condição (ii), devemos ter |(x)| < 1, ou seja:

O Teorema de convergência será satisfeito se x < 1,386.

Finalmente, para a condição (iii), devemos ter x0< 1,386, que é satisfeita para x0 = -0.5, que foi o valor usado.

Ainda nesse exemplo, vimos que a função , a princípio, também poderia ser usada. Mas, será que ela satisfaz todas as condições do teorema da convergência?

Devido sua semelhança com a função , podemos concluir que ela satisfaz o teorema da convergência também para valores de x < 1,386.

Ao tentarmos resolver este problema usando a função , notamos que essa condição não é satisfeita em todas as etapas do problema. A tabela abaixo mostra o que acontece ao tentarmos encontrar a raiz de f(x) usando . A tabela apresenta o índice das iterações que estamos (i), o valor de (xi) e de f(xi) para cada iteração:

I

xi

(xi)

f(xi)

0

-0.5

0.778801

-0.35653

1

0.778801

1.476095

-1.57233

2

1.476095

2.091848

-2.19697

3

2.091848

2.846027

-3.72404

4

2.846027

4.149606

-9.11936

5

4.149606

7.962976

-46.1898

Notamos que o processo está divergindo, isto é, se afastando da raiz de f(x), já que o valor de f(x) é cada vez mais distante de zero. Também podemos notar que isso acontece devido ao fato de usarmos valores de x > 1,386 a partir da iteração i=2. Portanto, essa função não satisfaz o teorema da convergência em todas as iterações.

      1. Critérios de Parada no método da iteração linear

No caso do método da iteração linear, podemos usar qualquer uma (ou todas simultaneamente) das condições abaixo como critério de parada:

  1. Variação de xk :

Conforme avançamos no número de iterações, se as estimativas da raiz de f(x) começam a variar muito pouco, podemos concluir que estamos bem próximos da raiz de f(x) e o processo iterativo pode ser parado.

  1. Valor de f(xk):

  1. Número de Iterações.

4.8 Método de Newton-Raphson

O Método de Newton-Raphson é um caso particular do método de iteração linear.

O método de iteração linear consiste em estimar a raiz de uma função f(x) usando o processo iterativo:

(4.18)

Podemos escrever uma forma geral para a função de iteração:

(4.19)

pois, para x igual à raiz de f(x), tem-se f(x)=0, ou seja x=(x) para qualquer A(x)0.

Para haver a convergência no método da iteração linear é preciso que |’(x)|<1 em um intervalo [a,b] que contém a raiz de f(x). Portanto, a idéia no método de Newton-Raphson é escolher uma função (x) tal que ’()=0 onde é a raiz de f(x) e [a,b]. Com isso, teremos |’(x)|<1 desde que não nos afastemos muito do valor de durante o processo de resolução do problema.

Derivando (x) dada pela expressão (2) em relação a x, temos:

(4.20)

Exigindo que ’(x)=0, tem-se:

(4.21)

Portanto:

(4.22)

Calculando (4.22) em x=, segue que:

(4.23)

ou seja:

(4.24)

Escolhendo:

(4.25)

em (4.19) segue que:

(4.26)

O Método de Newton-Raphson consiste em usar o processo iterativo xn+1 = (xn) e como função de iteração a expressão (4.26).

4.8.1 Convergência do Método de Newton-Raphson

Apesar de obtermos a forma da função (x) procurando garantir a convergência do processo iterativo, esta não esta sempre garantida para este método (mas quase sempre). A convergência no método de Newton-Raphson esta sempre garantida para um certo intervalo [a,b] que contém a raiz de f(x), desde que f(x) e f’(x) sejam contínuas nesse intervalo e que f’()0, onde é a raiz de f(x) (f()=0). Portanto, se utilizarmos uma estimativa inicial x0 tal que x0[a,b], a convergência estará garantida. Em outras palavras, para o método de Newton-Raphson convergir, é preciso que nossa estimativa inicial esteja próxima da raiz de f(x). A proximidade exigida para a convergência vai depender de caso a caso e nem sempre é simples de determinar.

      1. Interpretação Geométrica

Dado xn, o ponto xn+1 será obtido pela intercessão da reta tangente a f(x) em xn com o eixo x (a abscissa). Podemos ilustrar isso matematicamente. A reta tangente a f(x) em xn é dada por:

(4.27)

A partir dessa expressão, obtemos a fórmula de Newton-Raphson, ou seja:

(4.28)

Portanto, a cada iteração do nosso processo, nos aproximamos cada vez mais da raiz de f(x) através da tangente (ou seja, da derivada) da função f(x).

A figura a seguir ilustra essa interpretação geométrica do Método de Newton-Raphson.

Exemplo:

Calcule a raiz de , usando o método de Newton-Raphson, x0 = 3 como estimativa inicial e como critério de parada |f(xn)| ≤ 0,020.

Para encontrar a raiz de f(x) usando o método de Newton-Raphson, devemos ter:

onde,

Portanto, temos que:

xn

f(xn)

(xn)

3

6

2,1429

2,1429

0,7349

2,0039

2,0039

0,0195

A estimativa da raiz de f(x) é:

4.9 Lista de Exercícios

        1. Quais são as 3 causas mais importantes de erros numéricos em operações realizadas em computadores e calculadoras?

        1. Cite as características básicas de todo processo iterativo.

        1. O que é um zero ou raiz de função?

        1. Como você poderia usar o método da bissecção para estimar o valor de ? Estime esse valor com uma precisão de (ou erro menor que) 0,1.

        1. Dada a função :

  1. Determine o intervalo em x que contém pelo menos uma raiz de f(x) (graficamente ou aritmeticamente usando o Teorema de Bolzano);

  2. Partindo-se desse intervalo, utilize o método da bissecção para determinar o valor dessa raiz após 4 iterações.

  3. Qual é o erro no seu resultado final?

        1. Dada a função :

  1. Determine graficamente o intervalo em x que contém pelo menos uma raiz de f(x);

  2. Faça a mesma estimativa, mas desta vez aritmeticamente usando o Teorema de Bolzano;

  3. Partindo-se desse intervalo, utilize o método da bissecção para determinar o valor dessa raiz com uma precisão de 0,05.

        1. O que significa a convergência de um método iterativo? Que condições garantem a convergência no método da iteração linear? O que fazer caso seja constatado que o método da iteração linear não irá convergir para um dado problema?

        1. Dada a função f(x)=ln(x) –x2 + 4, mostre 3 formas para a função (x) que poderiam ser usadas para se estimar a raiz de f(x).

        1. Mostre que as seguintes funções de interação satisfazem as condições (i) e (ii) do teorema de convergência:

(a)

(b)

(c)

(d)

        1. Estime as raízes positivas das seguintes funções pelo método de iteração linear, usando o critério de parada dado:

(a)

(b)

(c)

(d)

Use as funções de interação do exercício anterior.

        1. Seja a seguinte função:

Use o método de Newton-Raphson para encontrar uma estimativa da raíz de f(x) tal que |f(x)| < 10-4. Parta de xo=1.

        1. Deseja-se resolver a seguinte equação usando o Método de Newton-Raphson:

qual o valor da raiz tal que:

?

Quantas iterações são necessárias para se encontrar a raiz, atingindo o critério acima, com

  1. xo= -15

  2. xo= 2

  3. xo= 20

        1. Seja a função f(x) = ex – 4x2.

  1. Encontre o intervalo que deva possuir pelo menos uma raiz de f(x).

  2. Usando , estime a raiz de f(x) com |xn-xn-1| < 0,001.

  3. Faça a mesma estimativa usando o método de Newton-Raphson. Qual dos dois métodos converge mais rapidamente?

  4. Um outro critério de parada que poderia ser usado corresponde à verificação se o valor de f(x) está próximo de zero. Qual resultado para a raiz de f(x) se obteria caso se usasse como critério de parada a condição |f(x)| < 0.001?

14. Seja:

  1. Mostre que f(x) possui uma raiz em [0,1].

  2. Mostre que é uma possível função de iteração obtida a partir de f(x).

  3. Verifique se (x) satisfaz as condições (i) e (ii) do Teorema de Convergência.

  4. Encontre uma estimativa para a raiz de f(x) através do método da iteração linear e usando a função (x) do item (c), tal que |f(x)| < 0,0070.

  5. Faça a mesma estimativa, mas desta vez ao invés de utilizar a função (x) do item (c), utilize o método de Newton-Raphson.

5. Interpolação Polinomial

    1. Introdução

Vamos supor que temos um conjunto de dados {xi,f(xi)} tal como na tabela abaixo:

xi

0

1.5

3.0

4.5

6.0

f(xi)

0.001

0.016

0.028

0.046

0.057

Nosso problema é estimar o valor de f(x) para um valor de x que não tenha sido medido, como por exemplo, x=2.0.

Portanto, interpolar um ponto x a um conjunto de n+1dados {xi,f(xi)}, significa simplesmente, calcular o valor de f(x), sem conhecer a forma analítica de f(x).

A interpolação polinomial consiste em se obter um polinômio p(x) que passe por todos os pontos do conjunto de (n+1) dados {xi,f(xi)}, isto é:

p(x0)=f(x0)

p(x1)=f(x1) (5.1)

...

p(xn)=f(xn)

(note que a contagem começa em zero, portanto temos n+1 pontos na expressão acima).

O polinômio p(x) é chamado de polinômio interpolador.É possível se demonstrar que existe um único polinômio p(x) de grau menor ou igual a n que passa por todos os (n+1) pontos do conjunto {xi,f(xi)} (ver o livro texto Noções de Cálculo Numérico para uma demonstração dessa proposição).

5.2 Forma de Lagrange

Seja um conjunto de n+1 dados {xi,f(xi)}. Queremos encontrar um polinômio interpolador p(x) que satisfaça a condição (1), isto é, passe por todos os pontos.

Uma possível forma para p(x) que satisfaça (1) é:

(5.2)

onde os Lk(x) são polinômios tais que:

(5.3)

sendo que:

(5.4)

Portanto,

e,

ou seja:

o que mostra que o polinômio interpolador p(x) passa exatamente sobre os pontos {xi,f(xi)} da tabela dada.

Temos agora que encontrar os polinômios Lk(x), que satisfaçam (3). Uma função que satisfaz a condição (3) é:

que é fácil verificar, pois:

De maneira compacta, podemos escrever o polinômio interpolador na Forma de Lagrange, como:

(5.5)

e,

      1. Interpolação para 2 pontos (n+1=2) - ajuste de retas (n=1)

xix0 x1

f(xi) f(x0) f(x1)

De (5) :

(5.6)

As funções Li (x) devem satisfazer (3), ou seja:

L0 (x0) =1 L1 (x0) =0

L0 (x1) =0 L1 (x1) =1 (5.7)

É fácil verificar que, as seguintes funções, satisfazem (7) :

(5.8)

De (8) em (6) :

      1. Interpolação para 3 pontos (n+1=3) - ajuste de parábolas (n=2)

xi x0 x1 x2

f(xi) f(x0) f(x1) f(x2)

De (5):

(5.9)

onde:

L0 (x0) =1 L1 (x0) =0 L2 (x0) =0

L0 (x1) =0 L1 (x1) =1 L2 (x1) =0

L0 (x2) =0 L1 (x2) =0 L2 (x2) =1

Por construção:

Portanto:

Exemplo:

Ajuste uma reta aos seguintes pontos:

x 2 4

f(x) 3,1 5,6

5.3 Forma de Newton

5.3.1 Tabela de Diferenças Divididas.

Para que possamos discutir a Forma de Newton temos que antes nos familiarizar com a construção da chamada “Tabela de Diferenças Divididas”

Dada a tabela de valores:

x

x0

x1

x2

x3

f(x)

f(x0)

f(x1)

f(x2)

f(x3)

podemos construir a seguinte tabela:

x f(xi) f[xi, xi+1] f[xi, xi+1, xi+2] f[xi, xi+1, xi+2, xi+3]

x0 f(x0)

f[x0,x1]

f[x0,x1,x2]

x1 f(x1)

f[x1,x2] f[x0,x1,x2,x3]

x2 f(x2) f[x1,x2,x3]

f[x2,x3]

x3 f(x3)

onde:

Exemplo: Dados os seguintes valores:

xi

0,1

0,4

0,7

1

1,2

f(xi)

0,813

0,536

0,682

1,25

1,864

a tabela de diferenças divididas é:

xi f(xi) f[xi , xi+1] f[xi , xi+1, xi+2] f[xi , xi+1 , xi+2 ,xi+3]

0,1 0,813

0,4 0,536

0,7 0,682

  1. 1,250

1,2 1,864

f[xi , xi+1 , xi+2 , xi+3 , xi+4 ] =

5.3.2 Forma de Newton para o Polinômio Interpolador

Para calcularmos o polinômio interpolador da Forma de Newton, vamos começar com o caso mais simples: encontrar um polinômio de grau 0, p0(x), que interpola f(x) no ponto x0. Vamos partir da diferença dividida f[x0,x], que é dada por:

(5.10)

Isolando-se f(x) da expressão acima, tem-se:

(5.11)

Da própria definição de polinômio interpolador, sabe-se que:

p0(x)=f(x0) (5.12)

Portanto, a expressão (5.3) pode ser escrita como:

(5.13)

A expressão acima não pode ser usada diretamente, pois não podemos calcular o valor f[x0,x], já que não conhecemos o de f(x) em qualquer ponto x (veja expressão (5.1) acima). Fora do ponto x0, sabemos que o polinômio interpolador é apenas uma aproximação de f(x), caso contrário teríamos uma resposta exata e não precisaríamos da interpolação. Em outras palavras, tem-se que:

p0(x)f(x), para xx0 (5.14)

Portanto, da expressão (5.4), concluímos que f[x,x0](x-x0) é simplesmente a diferença entre o valor de f(x) (valor real da função) e o valor p0(x) que obtivemos com a interpolação. Em outras palavras, esse termo é o erro no processo de interpolação, isto é:

(5.15)

Podemos realizar o mesmo exercício, partindo de uma diferença dividia de ordem maior, ou seja f[x0,x1,x], que é dada por:

(5.16)

Portanto, tem-se que:

(5.17)

e

(5.18)

Podemos verificar que o polinômio interpolador de ordem 1, p1(x), é dado por:

(5.19)

pois,

(5.20)

e

(5.21)

que são as condições fundamentais para se encontrar tal polinômio.

Portanto, o erro cometido ao se aproximar f(x) por p1(x) é:

(5.22)

Podemos continuar indefinidamente, até encontrarmos o polinômio interpolador de uma ordem n qualquer, aplicando sempre o mesmo raciocínio. A expressão geral para um polinômio interpolador de ordem n será então:

(5.23)

e o erro é dado por:

(5.24)

Exemplo: Dado:

x

0,2

0,5

0,9

1,5

2,0

F(x)

4,88

5,00

5,72

8,00

11,00

encontre o polinômio interpolador p(x) usando a forma de Newton:

xi f(xi) f[xi , xi+1] f[xi , xi+1, xi+2]

0,2 4,88

0,5 5,00

0,9 5,72

1,5 8,00

2,0 11,00

Usando (5.9):

Note que usando a forma de Newton, p(xi) = f(xi)

5.4 Exercícios

1. Qual é a condição básica para se obter o polinômio interpolador?

2. Qual a relação entre o número de pontos usados na interpolação e o grau do polinômio interpolador que pode ser calculado?

3. Se você tiver um conjunto de 5 dados {(x0,f(x0), (x1,f(x1), (x2,f(x2), (x3,f(x3), (x4,f(x4),}, e deseja fazer uma interpolação linear, isto é, encontrar uma reta que lhe permita obter o valor de f(x), onde x1<x<x2:

a) Qual seria o grau do polinômio que você calcularia, isto é, quantos pontos você utilizaria?

b) E quais pontos da tabela você usaria?

  1. A seguinte tabela informa o número de carros que passam por um determinado pedágio em um determinado dia:

Horário

10:00

10:30

11:00

11:30

12:00

12:30

Número (em mil)

2.69

1.64

1.09

1.04

1.49

2.44

a) Faça um gráfico de horário vs. número de carros para verificar qual a tendência da curva.

b) Estime o número de carros que passariam pelo pedágio às 11:10, usando a forma de Lagrange para encontrar um polinômio interpolador p(x) que estima o número de carros em função do tempo. Use uma reta como função interpoladora.

c) Agora, faça a mesma estimativa, mas utilizando uma parábola como polinômio interpolador.

5. Na fabricação de determinadas cerâmicas é muito importante saber as condições de temperatura em que o produto foi assado no forno. Como não é possível medir a temperatura do forno a todo instante, ela é medida em intervalos periódicos de tempo e esses dados são interpolados para o instante em que cada peça foi “queimada” a fim de se conhecer a temperatura do forno nesse instante. Em um dia de funcionamento do forno, os seguintes dados foram coletados:

Horário

7:00

10:00

13:00

16:00

19:00

21:00

Temperatura (102 oC)

2.32

2.51

2.63

2.55

2.41

2.28

  1. Construa a tabela de diferenças divididas para esses pontos.

  2. Estime a temperatura do forno ás 14:30 usando a forma de Newton para apenas dois pontos.

  3. Faça essa estimativa novamente, desta vez usando 3 pontos.

42

42Apostila de Complementos de Cálculo Num42érico42

Comentários