You are on page 1of 28

D I S C I P L I N A

Cálculo Numérico

SEVs do ℜn, Bases e ajustes de modelos com quadrados mínimos
Autores

Marcelo Gomes Pereira Roberto Hugo Bielschowsky

aula

04
Calc_Num_A04_RF_BZ_020909.indd Capa1 02/09/09 10:04

Governo Federal
Presidente da República Luiz Inácio Lula da Silva Ministro da Educação Fernando Haddad Secretário de Educação a Distância – SEED Carlos Eduardo Bielschowsky

Reitor José Ivonildo do Rêgo Vice-Reitora Ângela Maria Paiva Cruz Secretária de Educação a Distância Vera Lucia do Amaral

Secretaria de Educação a Distância- SEDIS
Coordenadora da Produção dos Materiais Vera Lucia do Amaral Coordenador de Edição Ary Sergio Braga Olinisky Projeto Gráfico Ivana Lima Revisores de Estrutura e Linguagem Eugenio Tavares Borges Janio Gustavo Barbosa Thalyta Mabel Nobre Barbosa Revisora das Normas da ABNT Verônica Pinheiro da Silva Revisores de Língua Portuguesa Janaina Tomaz Capistrano Kaline Sampaio de Araújo Samuel Anderson de Oliveira Lima Adaptação para Módulo Matemático Joacy Guilherme de A. F. Filho Diagramadores Elizabeth da Silva Ferreira Ivana Lima Johann Jean Evangelista de Melo José Antonio Bezerra Junior Mariana Araújo de Brito Revisoras Tipográficas Adriana Rodrigues Gomes Margareth Pereira Dias Nouraide Queiroz Arte e Ilustração Adauto Harley Carolina Costa Heinkel Hugenin Leonardo Feitoza

Divisão de Serviços Técnicos Catalogação da publicação na Fonte. UFRN/Biblioteca Central “Zila Mamede”

Pereira, Marcelo Gomes. Cálculo numérico: matemática / Marcelo Gomes Pereira, Roberto Hugo Bielschowsky. – Natal, RN: EDUFRN, 2009. 260 p. ISBN: 978 - 85 - 7273 - 521 - 6 Conteúdo: Aula 01 – Aritmética de ponto flutuante; Aula 02 – Introdução ao Scilab; Aula 03 – Sistemas de equações lineares; Aula 04 – SEVs do ½n, bases e ajustes de modelos com quadrados mínimos; Aula 05 – Autovalores e valores singulares; Aula 06 – Valores singulares e erros numéricos ao resolver Ax=b; Aula 07 – Algoritmos e programação com o Scilab (Parte 1); Aula 08 – Algoritmos e programação com o Scilab (Parte 2); Aula 09 – Zeros de funções; Aula 10 – Interpolação polinomial; Aula 11 – Integração numérica; Aula 12 – Introdução numérica às equações diferenciais ordinárias. 1. Cálculo numérico. 2. Aritmética de ponto flutuante. 3. Álgebra linear computacional. I. Bielschowsky, Roberto Hugo. II. Título. CDD 519.4 CDU 519.6

RN/UF/BCZM

2009/33

Todos os direitos reservados. Nenhuma parte deste material pode ser utilizada ou reproduzida sem a autorização expressa da UFRN - Universidade Federal do Rio Grande do Norte.

Calc_Num_A04_RF_BZ_020909.indd Capa2

02/09/09 10:04

A solução de quadrados mínimos de um sistema linear. ortogonalidade. vamos focalizar os conceitos de Subespaço Vetorial (SEV). Ajustar modelos a fenômenos via problema de quadrados mínimos. C Objetivos 1 2 Introduzir formas de achar bases de um SEV do n e a fatoração QR.Apresentação ontinuamos a revisitar a Álgebra Linear no n . que você estudou na Aula 12 de Álgebra Linear I (Ortogonalidade). do ponto de vista da aritmética de ponto flutuante. Por exemplo: ajustaremos polinômios de forma que funcionem como modelos matemáticos para prever a evolução da população brasileira após 1991. bases. projeção ortogonal num SEV e o problema de quadrados mínimos.indd Miolo1 02/09/09 10:04 . Nesta aula. será a ferramenta disponível para fazer o referido ajuste de modelos matemáticos a dados experimentais. O ponto alto dessa aula consiste no ajuste de modelos matemáticos a dados experimentais de algum fenômeno observado. usando dados do IBGE sobre a população brasileira coletados entre 1940 e 1991. Aula 04 Cálculo Numérico 1 Calc_Num_A04_RF_BZ_020909.

. . A(n) }. ou seja. A(2) . Obviamente. W = {Ac | c ∈ n } . Mas. o espaço das linhas de A é o complemento ortogonal de N(A). Se a da esquerda justifica denotar W = Col (A). justifica seu outro nome. uma base β de um SEV W do m pode ser representada como linhas de uma matriz Bn ×m. c2 . bases ortonormais e fatoração QR Nas Aulas 6.m. duas formas de pensar W. as linhas de A são ortogonais à N(A). Referimo-nos aos conceitos de Subespaço Vetorial (SEV). lá da Álgebra Linear I. Denotamos esse conjunto por N(A) = { x | Ax = 0}. enquanto vetores de m. . . ii. + cn Bn | c1 . é como o conjunto formado por todas as soluções da equação homogênea Ax = 0. W = {c1 A(1) + c2 A(2) + . . . isso significa Ai x = 0. . v2 . como é mais usual no cálculo diferencial. . base de um SEV e de coordenadas de um vetor numa base. Dito de outra maneira.. Isto significa identificar Lin(B). aí. para i = 1. cn ∈ } = {Ac | c ∈ n } Existem. Isso significa duas coisas: i. Ou seja. Para saber mais. Na penúltima passagem. na medida em que um mesmo vetor v ∈ n tanto pode ser representado por uma matriz coluna v = vn ×1 como pela matriz linha v T = [v1 . . como você viu em Álgebra Linear I. c2 . Alternativamente. . Na verdade. cn ∈ } N(A) = { x | Ax = 0} Se x ∈ N(A). W = Im(A). . W = Lin(B ) = {c1 B1 + c2 B2 + . estamos usando o fato que vetores do n são distintos de matrizes. . essa base α pode ser escrita como colunas de uma matriz A. Leva o nome sugestivo de espaço nulo de A. de posto n. + cn A(n) | c1 . .. α = {A(1) . 7 e 8 de Álgebra Linear I foram introduzidos três dos conceitos que alicerçam toda a teoria da Álgebra Linear. .. . o que significa Posto(A) = n ..Subespaços Vetoriais (SEVs). . as linhas de B são as colunas de BT.indd Miolo2 02/09/09 10:04 . com Col (BT). . ..W é gerado por todas as combinações lineares das colunas de A. . Daí a interpretação geométrica de N(A) como SEV definido a partir de geradores de seu complemento ortogonal. W = Lin(B ) agora leva o nome de espaço das linhas de uma matriz. O teorema 3 da Aula 9 de Álgebra Linear I (Dimensão de um espaço vetorial) garante que todo SEV W = {0} do m admite uma base α . vn ]. Uma alternativa fundamental para representar SEVs no n . a da direita. .α é linearmente independente.. = {cT B | c ∈ n } = {(B T c)T | c ∈ n } = {B T c | c ∈ n } = Col(B T ) . 2 Aula 04 Cálculo Numérico Calc_Num_A04_RF_BZ_020909.

trabalharemos bases discretas de Fourier para o 2n . revisitando o que lhe foi apresentado em Álgebra Linear I. Na prática.Mesmo depois que você tiver esquecido tudo que aprendeu em Álgebra Linear. a matriz ATA é invertível. não há mais nada a resolver. . que são vitais para analisar discretizações de registros de fenômenos tipicamente oscilantes (como ocorre. usar bases ortonormais é o que existe de mais robusto em termos numéricos. bem como definiremos as bases ortonormais de vetores singulares associadas a uma matriz. . Por exemplo. já que ATA = In×n. . nossa incógnita agora é o vetor c. O ponto alto dessa equação é que. Col(A) e Col(AT). Na próxima aula. Obter uma base ortonormal é o que pode ser computacionalmente caro no problema. Nos complementos desta aula. W = Col (A) e Posto(A) = n. a tarefa é achar bases de N(A). se i = j ⇒ AT A = In×n 0. relembramos o importante problema de achar uma projeção ortogonal em W da Aula 12 de Álgebra Linear I. se dispomos de uma base ortonormal do SEV. lembramos a você que isso significa duas coisas:   b = c1 A(1) + c2 A(2) + . Maneiras práticas de encontrar bases de Col (A) e N(A) Julgamos a Atividade 1 importante. ainda há de se lembrar como é importante o conceito de base de um SEV W. isso significa que:  (AT A)ij = A(i) A(j ) = T 1. Nela. computacionalmente. e é frequentemente decisivo na sua solução. A(2) . em matemática exata. e c = ATb. utilizamos uma base α = {A(1) . No problema da projeção ortogonal. trata-se de resolver a equação normal ATAc = ATb. Aula 04 Cálculo Numérico 3 Calc_Num_A04_RF_BZ_020909. . Além disso. torna muito rápida a resolução computacional do problema. muito rápido. essenciais na Álgebra Linear Numérica. por exemplo. Lá. pois custa apenas duas multiplicações de matriz por vetor. revisitaremos as bases de autovetores associadas a uma função linear. Denotando por b a projeção ortogonal de b em W. pois funciona como um sistema de coordenadas em W. . com som e luz).indd Miolo3 02/09/09 10:04 . para encontrar a projeção ortogonal de um ponto b do m em W. nesse caso. + cn A(n) = Ac (Impõe a condição b ∈ W ) ATAc = ATb (Impõe a condição b − b é ortogonal a W ) Em particular. Encontrar bases de um SEV adequadas a cada problema significa encontrar o referencial adequado ao problema. . A escolha de uma base para resolver a equação normal é decisiva nesse problema. se i = j (Você se lembra?) Nesse caso. Como exemplo. nesse caso a equação normal tem solução única. Ou seja. A(n) } de W. se α for uma base ortonormal. que também leva o pomposo nome de vetor de coordenadas de b na base α(c = [ b ]α ). ou seja.

9.7.Recomendamos dois comandos para encontrar bases ortonormais de Col(A). (Sugestão: reveja a demonstração do teorema 1 da Aula 10 Álgebra Linear I e a seção “Para saber mais” anterior) d) Bases de N (A) . 4 Aula 04 Cálculo Numérico Calc_Num_A04_RF_BZ_020909.) Explique por que as linhas não nulas de U definem uma base para Col (AT). S = kernel(A) também define base de N (A).8.indd Miolo4 02/09/09 10:04 .2.S ] = linsolve (A. uma base de N (A). que devolve em Q uma matriz com colunas ortonormais e tal que Col(Q) = Col(A).5. Estudo das soluções de sistemas lineares.Atividade 1 Considere a matriz A = [1. a) b) c) Use o comando lu para obter uma matriz U. se b = 0m ×1. sem nenhuma conta a mais.b) devolve.4. nas colunas de S. O primeiro deles é Q = orth(A).3.6.11. Alternativamente. Subespaços especiais.10. Encontre uma base de Col (A). Bases ortonormais de Col (A) .) Ache as soluções canônicas de Ux = 0 e diga por que elas formam uma base de N (A). Em particular. (Sugestão: dê uma espiadinha na Aula 5 de Álgebra Linear I. (Sugestão: use o teorema 1 da Aula 10 de Álgebra Linear I. na forma escada linha equivalente a A.12].Veja que [x. as colunas de Q definem uma base ortonormal de Col(A).

5135049 0. 7. 2.0278135 −0. Teste S TS e conclua que suas colunas definem uma base ortonormal de N (AT ).indd Miolo5 02/09/09 10:04 . 6. é encontrar bases ortonormais de Col(A) e de N(AT). 12].8267074 −0. 3. 11.2003024 −−> Q = orth(A) // As colunas de Q formam uma base ortonormal de Col(A) Q = −0. de fato. obtivemos Col (Q) = Col(A). 10.5097832 0. Aula 04 Cálculo Numérico 5 Calc_Num_A04_RF_BZ_020909.8247144 −0.1129001 0. 4.5470159 0. aqui. 8.3439463 0. Teste SS T e diga por que SS T ≠ I4×4 era previsível. −−> A = [1. Teste que. −−> S = kernel(A ) S= // As colunas de S formam uma base ortonormal de N (AT ) 0. para ver que ATS = 03× 2 .8290076 0.4262639 −0.7500855 −0.1286655 −0.3706369 Atividade 2 Com as matrizes usadas no Exemplo 1: a) b) c) d) Teste ATS num computador ao qual você tenha acesso.Exemplo 1 O objetivo.1408767 0. 5. 9.1905589 0.

então Y TY é a identidade m ×m .. Em R = Rm ×n. se Y é uma matriz ortogonal. . b) Prove que. Em particular. uma matriz com dois blocos. Nesse caso.  As primeiras colunas de Q formam uma base ortonormal de Col(A). Ou seja. O bloco de baixo é formado por zeros (vide Exemplo 4). Uma maneira de enxergar isso é pensar que a função linear T : n → n. Vale dizer que Y (i)T Y ( j ) ≠ 0. diz-se que uma matriz é ortogonal se for quadrada.n. O bloco de cima é triangular superior n × n e seu posto p define a dimensão de Col(A). e use-a para mostrar que. na Aula 10 de Álgebra Linear I. Y (2) .) ∨ ∨ Se Y = Yn×n é uma matriz ortogonal e b ∈ n c) ||Yb|| = ||b|| Veja que ||Yb||= ||b|| significa que b e Yb “têm o mesmo tamanho”. Ao digitar [Q. os conceitos de ortogonalidade entre vetores do n e de conjuntos ortonormais de vetores.. .. diz-se que a matriz Y é ortogonal. então YYT ≠ Im×m. Ou seja. então ||Yb|| = ||b||. mostre que. 6 Aula 04 Cálculo Numérico Calc_Num_A04_RF_BZ_020909. se m n e Y TY = In ×n . A novidade aqui é a fatoração A = QR resultante.) Ainda no caso das colunas de Y serem ortonormais. Este fato terá grande relevância nas aulas 4 e 5. que constitui a segunda das 4 grandes fatorações da Álgebra Linear. Y (n) } ⊂ m é dito ortonormal caso:  Y (i) e Y ( j) sejam ortogonais sempre que i ≠ j. (Sugestão: dê uma espiadinha na Propriedade 4 sobre posto de matrizes. . Mostre que. (Sugestão: use o item d da Atividade 4 da Aula 2. se as colunas de Y forem ortonormais.indd Miolo6 02/09/09 10:04 .  ||Y (i) || = 1.R ] = qr (A) no prompt do Scilab. uma matriz quadrada com colunas ortonormais. então Y é uma matriz quadrada e vale YYT = YTY = In×n. considerando que a medida de tamanho de um vetor é sua norma. se m = n. dada por T(b) = Yb. nesse caso. se i ≠ j. para ver que (YTY )ij = 0 se i ≠ j e que (Y T Y )ii = ||Y (i) ||2 = 1 .Atividade 3 a) Reveja. nesse caso. d) e) . constate lá que um conjunto α = {Y (1) . Em “matematiquês”. posto(YYT ) m. invertível e Y –1 = Y T. Introdução ao Scilab. na Aula 12 de Álgebra Linear I.. . suas colunas definem uma base ortonormal de n e QTQ = Im×m . diz-se que uma função que preserva tamanhos é uma isometria. para todo i = 1. “preserva tamanhos”. ele devolve:  Em Q. já que Q é invertível (por quê?).

0776151 −0.4861226 −0. 0. como já afirmamos acima. Q = −0.071D − 15 Observação 1 – Há vários métodos para se obter a fatoração A = QR.3104602 −0.Exemplo 2 O objetivo. Uma maneira de fazermos isso é testando a norma de A ∗ (b − b_proj ) (por quê?). também. a projeção ortogonal de b em Col (A) será b_proj = Q ∗ c . checar a fatoração A = QR e obter a projeção ortogonal de um ponto b em Col (A). −−> Q ∗ R ans = 1. 10. aqui. −−> A = [1.0826304 0. −3. é achar uma base ortonormal de Col(A). onde c = QTb. Para testar a solução b_proj .0413152 −2. como Q é uma base ortonormal de Col (A).0694210 −0. 9. O mais rápido deles (embora não seja o mais robusto) é o método de ortogonalização de Gram-Schmidt.8330522 0. Para finalizar.indd Miolo7 02/09/09 10:04 .1940954 // Observe que obtemos A = QR de volta 2. Se você estiver interessado apenas na fatoração A = QR. que elimina as m – n colunas finais de Q e as linhas nulas de R. 0. Em matemática exata. precisamos verificar se b − b_proj é ortogonal a todas as colunas de A. Q invertível e A = QR garante que a dimensão de Col (A) será p = posto(R). −−> teste = norm(A ∗ (b − b_proj )) teste = 6.3123946 0. 0.299161 −1. 0]. na Álgebra Linear feita com aritmética de ponto flutuante (porém. 5.5433054 −0. ”e”). 6. conforme vimos acima. 3. 8. que você estudou na Aula 12 de Álgebra Linear I. R] = qr(A. 3. 6. 8.828D − 15 0.5382347 −0. 12. é mais recomendável digitar a versão econômica [Q. bem mais complexo. 5. tornando R triangular superior. 7. 7. iremos Aula 04 Cálculo Numérico 7 Calc_Num_A04_RF_BZ_020909. −14.5121787 0.4512366 −0.6405493 −0. 0. b = [1. [Q.2523585 −0.884099 0. 0. 9. 4.4600665 0. para A e b dados abaixo. 2. R] = qr(A) R = −12. 10. b_proj = Q ∗ c . 12]. 11.6988124 −0. Portanto.7761505 0.59163 −16. O posto de uma matriz é um conceito fundamental. −−> c = Q ∗ c. 4. 11.

naquela mesma aula. e a equação normal terá solução única c = (ATA)–1ATb. que posto(A) = posto(ATA). embasados pela Observação 2. pelo fato de que R3×3 ≈ 0. gostaríamos apenas de chamar a sua atenção. esse fato ilustra bem a complicação. com x ∈ n . então Ac = b não tem solução. você viu que. se b não pertence a W = Col (A). onde A = Am×n . que resolve a equação normal ATAc = ATb . mas vamos parar por aqui e retornar a essa questão na próxima aula. Mas e se. + (bn − An x)2 . ATA será invertível. no sentido de minimizar a soma de quadrados dada por ||b − Ax||2 = (b1 − A1 x)2 + (b2 − A2 x)2 + . a equação normal ATAc = ATb tem sempre solução. e que corresponde a encontrar o valor de c que minimiza a norma do erro ||b – Ax ||. 8 Aula 04 Cálculo Numérico Calc_Num_A04_RF_BZ_020909. que exploramos a seguir. mesmo que Ac = b não tenha solução. se α é uma base de Col (A). R3×3 = 10∧ (−10)? Será que também o consideraríamos desprezível e diríamos que dim(Col(A)) = posto (R) = 2 ? Ou não? Nesse caso. consideraríamos que Col (A) tem dimensão 3 e que as três colunas de Q que formam uma base de Col (A)? Por si só. isso significa que. Observação 2 No Exercício resolvido 2 da Aula 10 de Álgebra Linear I. Além disso. com ferramentas adequadas para enfrentá-la. O que estamos dizendo. no sentido que minimiza a distância de b a todos os pontos de W. Dito de outra forma. R3×3 é da ordem de grandeza dos erros de arredondamento cometidos. Em ponto flutuante. . por exemplo.indd Miolo8 02/09/09 10:04 . você igualmente viu. Daí o sugestivo nome de solução de quadrados mínimos para o valor de c . Em especial. Já orth(A) usa as técnicas que discutiremos na próxima aula e uma tolerância padrão (default) para dizer que a dimensão de Col(A) é dois. então n = Posto(A) = Posto(ATA).aprofundá-lo na próxima aula). Sistemas de equações lineares. Veja que nesse exemplo não há maiores dúvidas em interpretar p = 2 como a dimensão de Col (A). Neste ponto. ou seja. Observação 3 Refrescamos a sua memória para o importante fato de que a projeção ortogonal de b em W calcula também a distância de b a W. como você pôde ver no Exercício Proposto 1 da aula passada. . Em resumo. é que o problema de encontrar o ponto b = Ac de W mais próximo de b tem sempre solução. a equação normal resolve algo que é possível. Uma das principais aplicações disso é o ajuste de dados experimentais a modelos. Portanto. já que é impossível resolver Ac = b. podemos ter problemas numéricos por aí. pelo menos em matemática exata.

Ac = y . onde a posição inicial y0 e aceleração da gravidade g são as incógnitas de nosso modelo. eles satisfariam as equações: ⎧ ⎪ yc (1) = c1 = 80 ⎪ ⎪ ⎪ ⎨ y (5) = c + 25c = 61 c 1 2 ⎪ = 40.Ajuste de dados pelo método dos quadrados mínimos O método dos quadrados mínimos não é novidade para você. no instante t = 0. pois foi um dos assuntos centrais da Aula 12 de Álgebra Linear I. Observe que a diferença entre dados teóricos e experimentais. Isso já era esperado.5 yc (7) = c1 + 49c2 ⎪ ⎪ ⎪ ⎩ y (10) = c + 100c = 0 c 1 2 ⎡ ⎢ ⎢ Ou seja. sem velocidade inicial.. bem como a aceleração da gravidade nesta região da Lua. Preferimos representá-lo por yc (t) = c1 + c2t 2. como sabemos da Física.5 0 ⎤ ⎥ ⎥ ⎥. onde A = ⎢ ⎢ ⎣ exp 1 0 1 25 1 49 1 100 ⎤ ⎡ ⎢ ⎥ ⎢ ⎥ exp ⎥ e y =⎢ ⎢ ⎥ ⎣ ⎦ 80 61 40. Tabela 1 – Variação da altura da pedra. para cada k = 1.4. Exemplo 3 Suponha que uma pedra seja abandonada. pois sempre há erros de medida em dados experimentais. com o tempo Tempo (s) Altura (m) 0 80 5 61 7 40.indd Miolo9 02/09/09 10:04 . Sugerimos que você dê uma olhadinha nesse material antes de prosseguir. Alguns dados de tempo X da altura de sua trajetória foram registrados na tabela abaixo.. Começamos discutindo um exemplo que poderia ser típico daquela aula. de uma certa altura.5 10 0 O movimento dessa pedra será retilíneo e uniformemente acelerado. na Lua. Se os quatro dados tivessem sido medidos com precisão absoluta.. podemos modelar o movimento com y (t) = y0 – g/2 t 2. e nossa incógnita agora é o vetor c = [c1. Dado que a velocidade inicial é nula. ⎥ ⎦ É muito fácil verificar que Ac = yexp não tem solução. c2 ].. Calcule a altura da qual foi lançada a pedra. será Aula 04 Cálculo Numérico 9 Calc_Num_A04_RF_BZ_020909.

Isso significa que a pedra foi lançada de uma altura x 0 = 80.819159 – 0. em nosso modelo. tínhamos uma determinada lei yc(t). Como Ac = b não tem solução. dependendo de duas constantes que conseguimos determinar a partir de dados experimentais.5 (7. com relação ao modelo y = 78 – 0. Como vimos acima.82 m .exp exp exp .indd Miolo10 02/09/09 10:04 . como por exemplo minimizando sua norma. mais abaixo.80) E1 = A1*c – 80 (5. com c ∈ 2 . e que a gravidade lunar foi estimada.61) 60 50 40 E2 = A2*c – 61 E3 = A3*c – 40. é minimizar ||E (c)||2 = || Ac – yexp ||2 .5) y = 78 – 0.75 t 2. Aula 04 Cálculo Numérico 10 Calc_Num_A04_RF_BZ_020909. até três algarismos significativos. que podemos resolver no Scilab com −−> c = A\y_exp  c = 80. como g = – 2c2 = 1.75t 2 30 20 10 0 0 2 4 6 8 E4 = A4*c – 0 (10.62 m/s 2. c1 = 80. Ek = yc (tk ) − yk = c1 + Ak2 c2 − yk = Ak c − yk Podemos interpretar Ek como sendo o erro cometido na k-ésima medida da altura. Ou seja.784 .40. que descrevia o movimento da pedra na Lua. O Exemplo 3 foi bem típico do problema de ajuste de modelos usando quadrados mínimos que trabalharemos nesta aula. também conhecido como resíduo.81. Nele.8101522 80 70 (1. Nosso problema. trata-se do problema de quadrados mínimos. o valor conhecido para a gravidade lunar no equador de sua superfície. O tamanho do erro correspondente. com relação ao modelo teórico. Modelo Teórico O vetor de erros E = [ E1 E2 E3 E4 ] ' = Ac – yexp é também conhecido como vetor de resíduos. agora.82 e c2 = – 0. resultou em ||E || = ||A ∗ c − y exp || = 0. Veja a Figura 1.0) 10 Figura 1 – Erros nos dados. o melhor que podemos esperar é tornar o erro E = E (c)= Ac – yexp o menor possível. Este é.

. . No nosso caso. E (c)1 = yc (t1 ) − y1 . . Tendo em mente o que fizemos no Exemplo 3. yc (t2 ) = y2 . . . gn(t) são funções dadas. procuramos o valor de c que minimiza a norma de E (c). nos quais temos erros de medida a levar em conta e modelos que são quase que invariavelmente simplificações da realidade. procuramos o valor de c. a dependência do modelo yc(t) com c é linear. Um vetor de posições t = [t1. . onde g1(t) . . Ainda seguindo os passos do Exemplo 3. No caso do Exemplo 1. . . g2(t). . . cada coordenada de E (c) mede o erro cometido na respectiva medida. Uma família de modelos teóricos yc(t). nos quais estes dados experimentais foram exp obtidos. 3) O valor ideal para c seria aquele que propiciasse uma interpolação exata de yc(t) aos dados do problema. outras grandezas (como no Exemplo 5). nosso problema é: minimizarc ∈ n |E (c)| 2 = ||yc (t exp )−y exp 2 N k=1 || = exp 2 (yc (tk ) − yk ) . um ajuste de dados experimentais a um modelo teórico tem como ingredientes: 1) 2) Um vetor de dados experimentais armazenados em y exp ∈ m . Na verdade. n = 2. . yc (tm ) = ym . determinando o valor de c que “melhor adequa” yc(t) aos dados. . o problema vai bem além do que achamos adequado nessa disciplina. Isso não faz muito sentido em problemas reais. Pode ser tempo. uma vez que não podemos esperar E (c) = 0.Ingredientes matemáticos do problema de ajuste de dados a um modelo teórico Matematicamente. . E (c)N = yc (tN ) − yN Do mesmo jeito que antes. E (c)2 = yc (t2 ) − y2 . ····· . Ou seja. que garantisse exp exp exp yc (t1 ) = y1 . . tm ]. na qual encontraremos o modelo procurado. Ou seja. g1(x) = 1 e g2(x) = x 2 . Nossa opção será trabalhar no caso particular em que yc(t) é uma função do tipo yc(t) = c1g1(t) + c2g2(t) + ········ + cngn(t). ········ . com a generalidade colocada acima. .indd Miolo11 02/09/09 10:04 . Ou seja. . mas pode representar.t2. de coordenadas: exp exp exp . fixado um vetor de parâmetros c. Aula 04 Cálculo Numérico 11 Calc_Num_A04_RF_BZ_020909. . ti indica a posição na qual a i-ésima medida yi foi realizada. O problema correspondente é dito problema de quadrados mínimos lineares. . Desse modo. também. que minimiza o erro. . a saída é considerar o vetor E = E (c). em algum sentido.

.indd Miolo12 02/09/09 10:04 . . . . Como nossa opção é minimizar ||E (c)||2 = ||Ac – yexp||2. . discutiremos com bem mais detalhes os polinômios interpoladores. . . . que c resolve a equação normal.m . é quadrada. . + cn gn (tm ) − ym E (c)m = yc (tm ) − ym Ou seja.····. . . + cn gn (t1 ) − y1 exp exp E (c)2 = yc (t2 ) − y2 = c1 g1 (t2 ) + c2 g2 (t2 ) + . ⎡ ⎢ ⎢ A=⎢ ⎢ ⎣ 1 1 . exp exp = c1 g1 (tm ) + c2 g2 (tm ) + . . (tm − t )(t − t )(t − t ) . Já apareceu na aula anterior. . teremos exp exp E (c)1 = yc (t1 ) − y1 = c1 g1 (t1 ) + c2 g2 (t1 ) + . Na Aula 10. t1 t2 . . 1 t m t2 m ⎡ · · · tm 1 · · · tm 2 . ou seja. em matemática exata. ··· . ⎤ ⎥ ⎥ ⎥ . para cada i = 1. satisfaz os dados experimentais. . ⎢ . se t não tem coordenadas repetidas. Ou seja. Daí o nome de polinômio interpolador. Seu determinante vale (vide complementos desta aula): 1 t1 t2 1 ⎢ ⎢ 1 t2 t2 2 det ⎢ . a primeira coluna é toda igual a 1. . · · · tm m ⎤ ⎥ ⎥ ⎥ = (t − t )(t − t ) . nesse caso. . . . e Ac = yexp tem solução única. se as funções gj(t) = t j –1. todos não nulos. . Ou seja. . . . t2 1 t2 2 . . . . isso significará que o polinômio encontrado interpola os dados experimentais. cá estamos nós de volta ao nosso velho problema de quadrados mínimos lá da Álgebra Linear. .Nesse caso. . ou seja. E mais: sabemos que essa solução c é única se a matriz A=Am×n tiver colunas linearmente independentes. . precisamos de mais medidas que o número de parâmetros. . a segunda coluna é o vetor t . no Exercício resolvido 1. para fazermos um ajuste razoável de dados a um modelo. Vamos acrescentar dois pontos importantes nas aplicações: 1) Se o ajuste é polinomial. . . por ser o produto de termos (t i – t j). . . posto n. que interpola n +1 pontos do plano com abscissas diferentes. das Observações 2 e 3. . . t2 m ··· ··· tn 1 tn 2 . Vamos discutir separadamente dois casos:  m = n + 1. então det(A) ≠ 0. Em especial. então Aij= gj(ti) = ti j –1. (tm − tm−1 ) = 0 2 1 3 1 1 3 2 4 2 ⎥ ⎦ Ou seja. . A é invertível. . . A matriz A = A(n+1) × (n+1). e tem até nome: chama-se matriz de Vandermonde. + cn gn (t2 ) − y2 . . ⎥ ⎦ 1 tm ··· · · · tn m Em geral. E (c ) = Ac – y exp. onde A ij = g j ( t i) . Vale dizer que m ≥ n + 1. Este caso é relevante. Portanto. ⎣ . relativo à interpolação polinomial. . Já sabemos. e as demais são A(j ) = [ti j –1 t2j –1 ···· tmj –1]T. . Interpolação polinomial. . . ou seja. O fato da matriz de Vandermonde ser invertível garante a existência de um único polinômio do grau n . . Mas cuidado: 12 Aula 04 Cálculo Numérico Calc_Num_A04_RF_BZ_020909.

com polinômios y = x1 + x2t +. e que. Em particular.14 118. em si. numericamente pouco confiável na medida em que n cresce.  n m–1 ∨ Nesse caso. 2) No Scilab.indd Miolo13 02/09/09 10:04 . por exemplo.07 93.+ xn t n –1.tm diferentes entre si. ou até fazendo c = A\b .84 70.. Aula 04 Cálculo Numérico 13 Calc_Num_A04_RF_BZ_020909. como. Mesmo assim faz sentido ajustar dados a polinômios.82 169. que a matriz A tem posto n + 1..a matriz de Vandermonde é invertível.. tão relevante que há um outro comando específico para ele no Scilab.00 146. entre 1940 e 2000. com parâmetros a serem ajustados aos dados.. isso significa que elas são linearmente independentes (por quê?). segundo censos do IBGE Ano População (milhões) 41. como se pode ver no Exercício proposto 1 da aula anterior. podemos resolver a equação normal ATAc = ATb com linsolve.23 51. A seguir. basta fazermos todas as medidas em pontos t1. também. discutiremos diferentes modelos polinomiais objetivando modelar a evolução da população brasileira. Tabela 2 – Evolução da população brasileira. e nosso ‘ \‘. e com m maior ou igual ao número n de parâmetros.. Veja lá no help do Scilab a diferença entre o comando ‘lsq‘. . em matemática exata. Como já vimos. em demografia. Medimos os anos em décadas e as populações em milhões. destinado exclusivamente a resolver o problema de quadrados mínimos lineares. destinado a tirar proveito de sua particular estrutura. pela Observação 1. isso nem sempre pode ser estabelecido com tanta segurança em outras realidades. Mas o problema é. Mas isso significa. t2. Na verdade. de nome lsq. muito embora se tenha que ter alguns cuidados a mais.80 1940 1950 1960 1970 1980 1991 2000 Vamos usar o método de quadrados mínimos para modelar a evolução da população brasileira entre 1940 e 1991. c = A\b devolve uma solução de quadrados mínimos se Ax = b não tiver solução. Reservamos o dado de 2000 para checar as previsões feitas por cada um dos modelos. porém. que é m × m e invertível. Infelizmente. as colunas de A = Am ×n serão as n + 1 primeiras colunas da matriz de Vandermonde. de graus 1 a 5. Polinômios como modelos para crescimento populacional No Exemplo 3 dispúnhamos de um modelo matemático inequivocamente adequado ao fenômeno. Consideramos 1940 como o ano t = 0. a correspondente equação normal ATAc = ATy exp tem solução única. para isso acontecer nesse caso de ajuste polinomial. segundo censos do IBGE sintetizados na seguinte tabela.

1x2 ⎡ ⎢ ⎢ ⎢ ⎢ ⇒ Ax = ⎢ ⎢ ⎢ ⎢ ⎣ 1 0 1 1 1 2 1 3 1 4 1 5. 84 70.01 x1 x2 = AT pexp = 522.67 21.1 56.0 1.10 56.00 15. do mesmo modo que antes. 84 = x1 + x2 + x3 70.01 232.33 39.0 15.0 1.0 1. 07 93. 82 = x1 + 5.01 232. 84 = x1 + x2 70. Para n =2: y2 = x1 + x2t + x3 t2 ⎡ ⎢ ⎢ ⎢ ⎢ ⇒ Ax = ⎢ ⎢ ⎢ ⎢ ⎣ ⎤ ⎡ ⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ 41.94 ⎡ Resulta o modelo y2 (t) = 39.0 9. 82 = x1 + 5.57 33.12∗ t + 1.10 56.0 1.0 0.89 milhões.21 ⇒x= No Scilab.0 3.33 1696.0 2.01 ⎥⎡ ⎢ ⎤ ⎥ ⎢ ⎢ ⎥ x1 ⎢ ⎥⎢ ⎥ exp ⎥⎣ x ⎦ = p =⎢ 2 ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ x3 ⎣ ⎦ 41. 8 A solução de quadrados mínimos. Resultou y1 (t) = 33. 00 = x1 + 4x2 + 16x3 146.56 ⎦ ⇒ x = ⎣ 12. 14 Aula 04 Cálculo Numérico Calc_Num_A04_RF_BZ_020909. 07 = x1 + 2x2 93.01x3 1.23 = x1 51.23 = x1 51.23 51.52 6893. 84 70.0 4.01 522.67 + 21. daria o resultado: ⎤ ⎤ ⎡ ⎤ ⎡ 6. a previsão para 2000 é y1(6) = 160.23 51. a previsão para 2000 seria y2(6) = 176.1x2 + 26.95 milhões. Correspondentemente.1 ⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎡ ⎢ ⎢ ⎢ ⎢ =⎢ ⎢ ⎢ ⎢ ⎣ x1 x2 = pexp 41.21∗ t .784 56.65 1030. 8 ⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ A solução de quadrados mínimos x resolverá a respectiva equação normal: AT Ax = 6. basta digitar A\pexp. 07 = x1 + 2x2 + 4x3 93. Obtemos 6 equações nas incógnitas x1 e x2: 41. 13 118 146. Correspondentemente.0 1.0 4. 13 118 146. 13 = x1 + 3x2 118.Para n =1: y1 = x1 + x2 t . 13 = x1 + 3x2 + 9x3 118.0 1.0 5.88 ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ AT Ax = ⎣ 15.784∗ t2 .88 + 12. 07 93.indd Miolo14 02/09/09 10:04 .65 ⎦ = AT pexp = ⎣ 1696.1 26.12 ⎦ 1.0 1. 00 = x1 + 4x2 146.1 15.0 16.0 0.

mas apenas que seu gráfico cubra 190. outros nem tanto.23 + 6. 2009.  O polinômio de grau 2. em novembro de 2008.80 180.65 t2 − 0. ibge.0217 t5 O censo de 2000 do IBGE estimou a população brasileira. Já o polinômio de grau 5 interpola exatamente os 6 dados utilizados. 4 e 5.98 206. em especial.29 161. Veja que. passando por um ponto no qual y ”(t) = 0 . aplicável indiscriminadamente a fenômenos como esses.092 t + 5.br/home/ disseminacao/online/ popclock/metpopcl.4218 t3 41. é o que faz previsões mais inadequadas. mostrou-se inadequado. para o caso onde o número de dados m iguala o número de coeficientes procurados.69 182.305 t3 − 0. o polinômio de grau 3 parece se sair melhor nas previsões.29 166. O segundo compara os ajustes com polinômios de graus 3.12∗ t + 1. A interpolação de dados por uma função não tem compromissos em prever nada. Vale dizer que a evolução estudada começa com y ”(t) > 0 . 2 e 3.80 milhões de habitantes. Não há um modelo teórico ideal.88 + 12.16 milhões. A principal dificuldade na previsão de fenômenos reside na adequação dos modelos utilizados e nos seus limites de validade.22 t + 6. e depois muda para y ”(t) < 0 . é de 190. registrados na Tabela 3: Tabela 3 – Modelos para a evolução da população brasileira entre 1940 e 2000 Modelo y(t) obtido 33.017 t2 − 0.  Aula 04 Cálculo Numérico 15 Calc_Num_A04_RF_BZ_020909. obteríamos os correspondentes modelos e previsões para os demais polinômios. shtm>.23 + 5.0115 t4 41. Os gráficos abaixo ajudam a entender o que está acontecendo. Vale a pena compararmos os ajustes feitos.21∗ t Grau 1 2 3 4 5 Previsão 2000 y(6) (em milhões) 160.gov. apesar de se ajustar de maneira muito mais pobre à evolução entre 1940 e 1991. Isso exemplifica bem uma confusão comum entre interpolar dados e modelar um fenômeno. e não admitem ponto de inflexão.67 + 21. em 169.56 162.16 milhões Vide: <http://www. Acesso em: 4 fev. Já polinômios de grau 2 têm segunda derivada constante. Até mesmo o polinômio do primeiro grau faz melhores previsões.784∗ t2 41. na ocasião.47 t3 + 0. Uma explicação para isso vem do fato de estarmos analisando um crescimento populacional que é acelerado na sua parte inicial (concavidade para cima) e que depois evolui para um crescimento desacelerado.89 167. O primeiro deles compara os ajustes feitos com polinômios de graus 1.63 39.25 t4 − 0.8) (em milhões) 178.95 176.44 t + 4. A estimativa que o IBGE fazia da população brasileira. Alguns modelos parecem mais adequados. Pela tabela acima. antigamente. e hoje poucos são os que têm mais de dois. a partir de algum ponto de inflexão.72 t2 − 1. os casais tinham muitos filhos. como previsto acima. ou seja. no qual y ”(t) = 0 .De forma inteiramente análoga.25 + 6.indd Miolo15 02/09/09 10:04 . com o de grau 4 chegando perto.44 Previsão 2008 y(6. Contudo.

300 250 200 150 100 50 0 1940 Dados ajustado do IBGE Dados do IBGE.0217t 5 Figura 3 – Ajustes polinomiais de graus 3. usados para controle y1(t) = 33.indd Miolo16 02/09/09 10:04 . desde 1991.4218 t 3 1950 1960 1970 1980 1990 2000 2010 2020 2030 Figura 2 – Ajustes de polinômios de graus 1. usados para controle y3(t) = 41.25 + 6. de 16.721t 2 – 1. um erro relativo da ordem de 11%.167.65t 2 – 0.22t + 6.exatamente n pontos prescritos no plano e de abscissas diferentes. isso nem sempre é possível.017t 2 – 0. 200 180 160 140 120 100 80 60 40 1940 1950 1960 1970 1980 1990 2000 2010 2020 2030 Dados ajustado do IBGE Dados do IBGE. Ou seja. nos casos dos polinômios de graus 3 e 4.784t 2 y3(t) = 41. Já num período de 17 anos.7% .44t + 4.23 + 6. o acréscimo correspondente previsto pelo polinômio do grau 3 foi de 20.  Apesar disso. e muitas vezes precisamos apelar para modelos que sabemos não descrever exatamente os fenômenos.47t 3 + 0.5 milhões.0115t 4 y3(t) = 41.017t 2 – 0.8 milhões feita pelo nosso modelo do grau 3 embutiria um erro relativo de aproximadamente (190–182.67 + 21.88 + 12. a se confirmar a estimativa atual do IBGE da ordem de 190 milhões de habitantes no Brasil em 2008. a estimativa de cerca de 182.23 + 5. 4 e 5.092t + 5.8)]/(190 – 146. Infelizmente.12 t +1.092 t + 5. Boa parte dos modelos tem sua capacidade de previsão muito limitada em função disso. Já um modelo para a queda de uma pedra na Lua parte de uma lei para o fenômeno. 2 e 3.305t 3 – 0. Enquanto o censo do IBGE nos dá um aumento populacional no Brasil de cerca de 23 milhões de pessoas entre 1991 e 2000.8) = 0. ou seja. 16 Aula 04 Cálculo Numérico Calc_Num_A04_RF_BZ_020909.21t y2(t) = 39.4218t 3 y4(t) = 41. esse ajuste revelou-se razoável por 10 anos.25 + 6.25t 4 + 0.

usando apenas os dados entre 1940 e 1991. nesse caso. mas tendem a prever pior que polinômios de grau intermediário. que o ajuste de grau 3 dá um resultado razoável e que os de grau 4 e 5 aparentam ser muito ruins.indd Miolo17 02/09/09 10:04 .36 33. observe. Como você interpreta isso? d) Observe que.77 41. obtido pelo polinômio do grau 2.16 38. ainda.Atividade 4 Com base na tabela a seguir. tanto nessa atividade como na modelagem discutida logo acima polinômios de grau alto interpolam melhor. Você teria como explicar por que. resolva: Tabela 4 – Evolução da população rural no Brasil. b) Observe que o melhor ajuste aparenta ser.83 31. segundo o IBGE Ano Pop. aparentemente.85 1940 1950 1960 1970 1980 1991 2000 a) Ache polinômios de graus 1 a 5 que melhor se adequem aos dados da população rural da tabela acima.05 38.57 35. o polinômio de grau 2 ajustou-se bem e no Exemplo 2 produziu um péssimo ajuste? N c) Calcule os resíduos Ei = k=1 2 (yi (tk ) − pexp k ) para cada um dos cinco polinômios yi(t) que você encontrou e observe que os resíduos vão decrescendo até E5 = 0. e deixando o dado de 2000 para controle. Rural (milhões) 28. agora. Você teria algum palpite para indicar que esse fato possa ter alguma razão para acontecer com certa frequência? Aula 04 Cálculo Numérico 17 Calc_Num_A04_RF_BZ_020909.

de modo a obter ln(y0) = c1 e k = c2. 10.4 ⇒c= 4. sem inibição.0986 18 Aula 04 Cálculo Numérico Calc_Num_A04_RF_BZ_020909. 6. 6.3 ⎥ ⎢ ⎢ ⎥ ⎥ ⎢ 1 20 ⎥ ⎢ 6. AT Ax = 7 214 214 8868 c = AT y exp = 49.9 1754. 5.11 ⎥ ⎢ ⎢ ⎥ ⎥ ⎢ ⎢ ⎥ ⎥ A = ⎢ 1 28 ⎥ e y exp = ⎢ 6. 8. ln(200)...04.08 Do mesmo jeito que antes. ln(23800)] = [4. T (horas) Bactérias (g) 6 110 12 200 20 450 28 950 40 3100 48 6550 60 23800 O modelo usual para o crescimento de bactérias num meio de cultura. o ajuste a ser feito não conduz a um problema de quadrados mínimos lineares. Analogamente aos exemplos anteriores. 8. Isso sugere adequarmos os dados de h ( t ) = ln ( y ( t )) = ln ( y 0 ) + kt ao logaritmo dos dados. 0. Essa função não depende linearmente dos parâmetros.79 ⎦ 1 60 10. É o caso do exemplo a seguir: Exemplo 4 A quantidade de bactérias produzida num meio de cultura. com ⎡ ⎡ ⎤ ⎤ 1 6 4.13].11. resolvemos a equação normal.7 ⎢ ⎢ ⎥ ⎥ ⎢ 1 12 ⎥ ⎢ 5.70 .. Contudo. O vetor y exp fica sendo yexp = [ln(110).89.86. Contudo.30 . é y (t) = y0 e kt.04 ⎥ ⎢ ⎢ ⎥ ⎥ ⎢ ⎢ ⎥ ⎥ ⎣ 1 48 ⎦ ⎣ 8. medida a cada 6 horas. foi registrada como sendo: Tabela 5 – Evolução..86 ⎥. seu logaritmo h(t) = ln(y(t)) = ln(y0) + kt é um polinômio de grau 1 em ln ( y 0 ) e k . da quantidade de bactérias num meio de cultura.Dois exemplos adicionais de ajuste usando quadrados mínimos lineares Em muitos casos. no tempo.106 . em muitos deles há condições de substituí-lo por um outro que seja linear.indd Miolo18 02/09/09 10:04 . vamos ajustar h(t) = c1 + c2t.. Os parâmetros a determinar são y0 e k. ⎢ ⎢ ⎥ ⎥ ⎢ 1 40 ⎥ ⎢ 8.

A. Tabela 6 – Coordenadas de posição do cometa. Procura-se a equação da trajetória desse cometa.A.x2).) 3. = 149. Exemplo 5 Um pequeno cometa só foi percebido pela primeira vez quando já se aproximava do Sol.72 –0. a variável t não precisa ser tempo.7 –0. Ou seja.A.48 14.) X2 (em U. de modo a prever sua órbita. Na verdade. X1 (em U.86∗ e0.5 1 0.97 0. A unidade usada é uma Unidade Astronômica (1 U.indd Miolo19 02/09/09 10:05 .A.1 –0. feito relativamente a ln(yexp). 2.5 –1.0987t. registrados com o Sol na origem.34 1.5 0 60 0 10 20 30 40 Tempo em horas 50 60 Dados dos logaritmo da evolução das bactérias Ajuste ao logaritmo da evolução das bactérias Evolução das bactérias em 48 horas Ajuste à evolução das bactérias Figura 4 – Ajuste para a evolução das bactérias.76 –0. medidas em U. o modelo h(t) = 4.6 5.0 Como a trajetória de um cometa que orbita em torno do Sol é uma elipse. podemos supor que a órbita do cometa satisfaz a uma equação do tipo c1 x12 + 2c2x1x2 + c3x22 + c4x1+ c5x2 = – c6 . Aula 04 Cálculo Numérico 19 Calc_Num_A04_RF_BZ_020909.5 + 10 9 8 7 6 6 4 0 10 20 30 40 Tempo em horas 50 2 1. nem tampouco as funções gi(t) precisam ser funções de uma única variável.0987t = 60. tratamos de um problema no qual cada dado de posição ti é um polinômio de duas variáveis nas coordenadas de um ponto da trajetória de um cometa em torno do Sol. hipotéticos astrônomos trabalharam com 8 pontos de sua trajetória.2 8. e tendo como eixo dos x a direção Sol-Terra.4 0.2 3. que corresponde à distância média entre a Terra e o Sol. Os gráficos de h(t) e de y(t) na Figura 4 sugerem uma boa adequação.106 e0. No exemplo a seguir.11 Log da evolução das bactérias Log da evolução das bactérias ×10 4 2.4 –1. Com base em telescópios lá do século XVIII.106 + 0.6*106 km). Portanto.6 7.0987 t implica y (t) = e4. sabemos que satisfaz a uma equação do segundo grau nas coordenadas x = (x1.

2∗ 3..4 = −1 c1 0... pois se dividirmos todos os seus membros por c6.9602 0. obtemos a mesma elipse.. obtivemos: 20 15 10 5 0 -5 0 5 10 15 20 25 30 35 Órbita prevista para o cometa Sol Terra Dados do cometa Eixo X1 ... Ou seja.5835x2 = –1.x2) = c1 x12 + 2c2x1x2 + c3x22 + c4x1 + c5x2 ao vetor F.... Podemos interpretar isso dizendo que os valores de c ajustarão o modelo H(x1.6 + c5 7.22 + 2c2 0..2 + c5 3. b) – 0. ·····. Com ‘lsq’ do Scilab. sem muita chance de ter solução.2633 x22 + 0.. obtivemos. a órbita do cometa..62 + 2c2 3..6∗ 7.. Usando o comando contour.... essa equação tem um grau de liberdade evidente....1337 –0. na Figura 5..Além disso.... nos pontos de sua trajetória. cujas coordenadas são todas iguais a –1....1337x1x2 – 0. tais que c1x12 + 2c2x1x2 + c3x22 + c4x1+ c5x2 = –1.72 + c4 0.2633 0.. 20 Aula 04 Cálculo Numérico Calc_Num_A04_RF_BZ_020909.... juntamente com as posições medidas dos cometas.... 2 c1 14 + 2c2 14∗ 2 + c3 22 + c4 14 + c5 2 = −1 Veja que se trata de um sistema linear Ac = b...7 + c3 3. procuramos números c1... Se cada ponto da órbita do cometa satisfizesse exatamente nosso modelo.Sol -Terra Figura 5 – Órbita prevista para o cometa a partir de 8 dados de posição... da Terra e do Sol. c2 . ou seja.indd Miolo20 02/09/09 10:05 . A saída é a mesma de antes.c5 . teríamos: c1 3.1125x12 + 0. −−> c = lsq(A.4 + c3 7.....1125 0..42 + c4 3....7 = −1 .9602x1 + 0.... com 8 equações lineares e 5 incógnitas.5835 Isto significa que a elipse encontrada obedece à equação: –0...... resolver a equação normal ATAc = ATb...

para alguma matriz A = Am×n? Por que a projeção ortogonal num SEV fica mais fácil se temos uma base ortogonal do SEV? Tente. de bases e de projeção ortogonal? Se você teve muita dificuldade em rever esses conceitos.Resumo Nesta aula. Vamos conversar. ∨ Aula 04 Cálculo Numérico 21 Calc_Num_A04_RF_BZ_020909. dê pelo menos duas interpretações diferentes para Ac – b . como você calcularia o ângulo entre A(1) e A(3) ? Se A = Am×n. As soluções para estes exercícios estão disponíveis no Moodle. como bases e representações matriciais de SEVs. bem como formas de manipulá-las computacionalmente para resolver problemas. n Por que todo SEV de é do tipo Col (A).indd Miolo21 02/09/09 10:05 . uma explicação geométrica. também. m n e ATA = In×n . além da algébrica. Como você explica que ATAc = ATb não é suficiente para garantir Ac = b ? Supondo que ATAc = ATb. Autoavaliação 1 2 3 4 5 6 7 Essa aula lhe ajudou a relembrar os conceitos de SEV. você reviu conceitos importantes da álgebra linear. por que se afirma que AAT ≠ Im×m ? Resolva os Exercícios propostos. contate-nos. Trabalhou o método dos quadrados mínimos para ajustar modelos a dados. Dada a matriz C = ATA.

nesses casos testados em que N(AT) = Col(A) ⊥. i . B e C. onde QTQ =I3x3 e R são triangulares superiores. B = (4.4)*rand(4. onde os Rij são números que resultam da aplicação do método. de posto 3.3)*rand(3.5) e B = rand(5. que XTX = XXT = I4×4 .Exercícios propostos 1) Armazene em Scilab A = rand(5. escolha matrizes A = Am ×n. aplicando-o às colunas de uma matriz A = A4x3 . por que seria mesmo de se esperar que dim(V ) ≤ 4 e dim(W ) ≤ 3. 8). Sem fazer mais nenhuma conta. peça a Scilab que calcule S = kernel (A' ) e Q = orth (A). A(3) = R13Q (1) + R23Q (2)+ R33Q (3). Q(2) } é uma base ortonormal do por que isso significa que N (AT ) = Col(A)⊥. em cada caso. Ache as bases ortonormais de V = Col (A) e W = Col (B). 4 2) 3) e diga iii . A(2) = R12Q (1) + R22Q (2). ii . e veja que X = [S Q] resulta numa matriz ortogonal. então W ⊥ = N (AT ). Encontre a reta que melhor se aproxima dos pontos A = (–2. O objetivo deste exercício é trabalhar esse resultado usando o Scilab.indd Miolo22 02/09/09 10:05 . 4) Este exercício deve ser feito para que você perceba como o método de ortogonalização de Gram-Schmidt aplicado às colunas de A = A4×3 . de posto 3.Comece revendo o método de ortogonalização de Gram-Scmidt.1).5). e observe que você obtém as seguintes relações entre as colunas de A e as colunas ortonormais Q (1). Lá você viu que. se W = Col (A ) . Teste para ver se A e B estão na reta que você encontrou. diga se existe alguma reta contendo os pontos A. a seu gosto.5). Diga. Q (2) e Q (3) de Col (A) obtidas: A(1) = R11Q (1). i . Ou seja.Considere a matriz X = [S Q ]. Q(1) . ou seja. formada com as matrizes S e Q do Exemplo 1. C =(7. produz uma fatoração A = QR . ii . também. justificando sua resposta. no sentido de quadrados mínimos.Conclua que A = QR .Teste para ver se o que aconteceu em i acontece em geral. Na Aula 11 de Álgebra Linear I (Geometria de espaços euclidianos) você viu a definição de complemento ortogonal de um SEV W ⊂ n como sendo W ⊥ = {x ∈ n : x é ortogonal a todos os vetores de W }.Conclua que β = {S (1) . Mostre que X é uma matriz ortogonal. S (2) . sem zero na diagonal. Explique o que isso significa. 22 Aula 04 Cálculo Numérico Calc_Num_A04_RF_BZ_020909.

Neide Bertoldi. Márcia A. 2006. Álgebra Linear II. Vera Lúcia da Rocha. PEREIRA. Anotações Aula 04 Cálculo Numérico 23 Calc_Num_A04_RF_BZ_020909. Cálculo numérico.indd Miolo23 02/09/09 10:05 . RUGGIERO.Referências FRANCO. 1996. Gomes. LOPES. Marcelo Gomes. Cálculo numérico: aspectos teóricos e computacionais. Álgebra Linear I. Natal: EDUFRN. Jonas Gonçalves. Natal: EDUFRN. ______. LOPES. São Paulo: Pearson Prentice Hall. São Paulo: Makron Books. 2006. 2007.

indd Miolo24 02/09/09 10:05 .Anotações 24 Aula 04 Cálculo Numérico Calc_Num_A04_RF_BZ_020909.

Cálculo Numérico – MATEMÁTICA EMENTA Erros. Zeros de funções Integração numérica. bases e ajustes de modelos com quadrados mínimos Autovalores e valores singulares Valores singulares e erros numéricos ao resolver Ax=b Algoritmos e programação com o Scilab – Parte I Algoritmos e programação com o Scilab – Parte II Zeros de funções Impresso por: Gráfica 02/09/09 10:05 2º Semestre de 2009 Interpolação polinomial Integração numérica Introdução numérica às equações diferenciais ordinárias Calc_Num_A04_RF_BZ_020909. Resolução numérica de sistemas de equações lineares. AUTORES > Marcelo Gomes Pereira > Roberto Hugo Bielschowsky AULAS 01 02 03 04 05 06 07 08 09 10 11 12 Aritmética de ponto flutuante e erros numéricos Introdução ao Scilab Sistemas de equações lineares SEVs do ½n. Tratamento numérico das equações diferenciais ordinárias. Mínimos quadrados.indd Contracp1 . Interpolações.

indd Contracp2 02/09/09 10:05 .Calc_Num_A04_RF_BZ_020909.