Discuta as vantagens e desvantagens dos critérios \left|x_{k}-x_{k-1}\right|<\varepsilon e \left|f\left(x_{k}\right)\right|<\varepsilon.
Explique a importância de se estipular um número máximo de iterações.

Passo 1

O enunciado pede duas coisas claras: (1) discutir as vantagens e desvantagens dos critérios de parada \left|x_{k}-x_{k-1}\right|<\varepsilon e \left|f\left(x_{k}\right)\right|<\varepsilon; (2) explicar a importância de estipular um número máximo de iterações.
Informações dadas que vou usar: os dois critérios de parada (diferença entre iterações e valor da função) e a necessidade de justificar um limite de iterações. Não há outras informações numéricas específicas — vou trabalhar com argumentos gerais, exemplos simples e formulas de aproximação locais quando necessário.

Passo 2

O que cada critério significa, em termos simples e com fórmulas:
  • O critério de passo mede a mudança da solução estimada entre duas iterações consecutivas. Escrito:
\left|x_{k}-x_{k-1}\right|<\varepsilon.
Aqui \varepsilon>0 é a tolerância escolhida (um número pequeno). Esse critério diz: “pare quando as atualizações em x forem muito pequenas”.
  • O critério de resíduo mede quão bem a estimativa satisfaz a equação f(x)=0. Escrito:
\left|f(x_k)\right|<\varepsilon.
Isso diz: “pare quando o valor da função estiver muito próximo de zero”.
Vou usar também a noção de erro real e_k=x_k-r, onde r é a raiz verdadeira (quando ela existe).

Passo 3

Intuição do que cada critério verifica:
  • \left|x_{k}-x_{k-1}\right| verifica estabilidade/estagnação da sequência \{x_k\}: se as iterações praticamente não mudam, o método “estacionou”.
  • \left|f(x_k)\right| verifica diretamente a satisfação do objetivo: queremos f(x)=0, então esse critério mede a tarefa principal.
Vou agora mostrar as consequências práticas e quando cada um é ou não confiável.

Passo 4

Vantagens do critério \left|x_{k}-x_{k-1}\right|<\varepsilon:
  1. Custo computacional baixo: não exige avaliar f extra (útil se f é caro).
  2. Indica que a sequência x_k parou de evoluir — se queremos uma raiz com precisão na coordenada x, esse critério é direto.
  3. É útil em métodos que controlam passo (ex.: métodos iterativos que ajustam x diretamente), e em problemas onde a grandeza de x importa mais que o resíduo.
Desvantagens do critério de passo:
  1. Peça fundamental: small step não garante pequena \left|f(x_k)\right|. Ou seja, a solução pode ter parado longe da raiz (estagnação). Exemplo simples: suponha que o método atinja uma região onde o iterador muda somente em nível de limite de precisão da máquina — então \left|x_k-x_{k-1}\right| pode ficar menor que \varepsilon mas \left|f(x_k)\right| ainda é grande.
  2. Pode aceitar “falsos positivos” quando o método converge para um ponto que não é raiz (por exemplo, um ponto fixo indesejado) ou estaciona por problemas numéricos.
  3. Não leva em conta a escala do problema: um \varepsilon absoluto pode ser insignificante quando x é muito grande. Por isso muitas vezes se prefere a forma relativa
\left|x_{k}-x_{k-1}\right|<\varepsilon(1+|x_k|).

Passo 5

Vantagens do critério \left|f(x_k)\right|<\varepsilon:
  1. Mede diretamente o objetivo: se \left|f(x_k)\right| é pequeno, estamos perto de satisfazer a equação f(x)=0. Em muitas aplicações (por ex., equilíbrio de forças, erros residuais em ajuste), isso é o que importa.
  2. É robusto contra estacionamento que não resolva a equação: mesmo que x pare de mudar, se \left|f(x_k)\right| não for pequeno, sabemos que não convergimos.
Desvantagens do critério de resíduo:
  1. Não garante que x_k esteja numericamente perto da raiz em termos de coordenada x — isso depende da sensibilidade de f. Para explicar isso, uso a expansão de Taylor ao redor da raiz r:
f(x_k)=f(r)+f'(r)(x_k-r)+O\big((x_k-r)^2\big).
Como f(r)=0, para x_k suficientemente próximo de r temos, em primeira ordem,
f(x_k)\approx f'(r)\,(x_k-r).
Então aproximadamente
|x_k-r|\approx\frac{|f(x_k)|}{|f'(r)|}.
Isto mostra que se f'(r) é pequeno, um resíduo pequeno |f(x_k)| pode corresponder a um erro |x_k-r| relativamente grande. Exemplo concreto: tome f(x)=x^3 com raiz em r=0. Se \left|f(x_k)\right|=10^{-6} então x_k\approx (10^{-6})^{1/3}=10^{-2}, que pode ser considerado grosseiro se queremos precisão em x maior que 10^{-2}. Assim, resíduo pequeno não implica erro em x pequeno quando a derivada em r é zero ou muito pequena (raízes múltiplas ou mal condicionadas).
2. Exige avaliação de f — às vezes custosa — e não informa diretamente sobre a estabilidade numérica do x_k.
3. A escolha de \varepsilon deve considerar a escala de f; para funções com valores grandes, um \varepsilon absoluto pode ser inadequado.

Passo 6

Casos problemáticos e exemplos ilustrativos (para “ver com olhos”):
  • Caso 1 (resíduo pequeno, erro em x grande): f(x)=x^3, raiz r=0. Se \left|f(x_k)\right|<10^{-6}, então x_k pode ser da ordem de 10^{-2}. Conclusão: critério de resíduo passa, mas x_k ainda relativamente distante da raiz em termos absolutos.
  • Caso 2 (passo pequeno, resíduo grande): imagine um método que, por cancelamento numérico, não altera x a partir de k (diferenças abaixo da máquina). Então \left|x_k-x_{k-1}\right| fica minúsculo e o critério de passo pode dizer “pare”, mas \left|f(x_k)\right| continua grande. Exemplo numérico: se a atualização prevista é 10^{-13} e a máquina tem precisão ~ 10^{-16}, pode haver estabilidade falsa.
  • Caso 3 (os dois ok): em métodos bem comportados com raiz simples ( f'(r) não muito pequeno), ambos critérios tendem a concordar à medida que k cresce, especialmente para métodos com boa taxa de convergência (ex.: Newton com convergência quadrática).

Passo 7

Recomendações práticas que tiram proveito das duas ideias:
  1. Use ambos os critérios simultaneamente: pare se
\left|x_k-x_{k-1}\right|<\varepsilon_x \quad\text{ou}\quad \left|f(x_k)\right|<\varepsilon_f,
com \varepsilon_x e \varepsilon_f escolhidos segundo as escalas de x e f. Isso reduz falsos positivos de cada critério isolado.
2. Prefira tolerâncias relativas quando for apropriado:
\left|x_k-x_{k-1}\right|<\varepsilon_x(1+|x_k|),\qquad \left|f(x_k)\right|<\varepsilon_f(1+|f(x_0)|).
  1. Ajuste \varepsilon segundo a precisão numérica: não coloque \varepsilon menor que a ordem da precisão da máquina (por ex., na dupla precisão, não faz sentido exigir 10^{-20}).
  2. Em problemas onde a raiz é múltipla ou f'(r) é pequeno, monitore tanto resíduo quanto mudança em x, e considere usar métodos especializados (ex.: métodos para raízes múltiplas) ou pedir precisão em x explícita.

Passo 8

Por que estipular um número máximo de iterações é importante — explicação didática:
  1. Segurança contra loops infinitos: um algoritmo pode divergir ou oscilar dependendo do palpite inicial; sem limite, o processo pode nunca parar.
  2. Diagnóstico: ao atingir o máximo de iterações sem satisfazer critérios, o software pode reportar que não houve convergência e devolver o melhor palpite atual, permitindo ao usuário ajustar parâmetros ou inicialização.
  3. Economia de recursos: limites protegem tempo de CPU e memória, essenciais em aplicações com tempo real ou cálculo pesado.
  4. Detecção de estagnação numérica: se as iterações se tornarem menores que a precisão da máquina, continuar iterando não melhora a solução; um limite evita desperdício.
  5. Boa prática: combinar um limite de iterações com critérios de parada dá um comportamento previsível e controlável do algoritmo.

Passo 9

Sugestões de valores/práticas para a prova e para uso prático:
  • Para provas, explique que você usaria ambas as condições e um máximo N_{\max}. Por exemplo:
\text{pare se } \left|x_k-x_{k-1}\right|<10^{-8}(1+|x_k|)\\ \text{ou}\\ \left|f(x_k)\right|<10^{-10},\\ \text{ou } k\ge N_{\max}=100.
  • Justifique a escolha: \varepsilon_x relativo protege contra escala em x; \varepsilon_f absoluto pode refletir tolerância física; N_{\max} = 100 é um exemplo razoável para métodos que convergem normalmente rápido (Newton), mas em métodos lineares ou lentos aumentar N_{\max} é aceitável.
  • Se a derivada em raiz puder ser pequena, aumente \varepsilon_f ou imponha um critério em x mais estrito, dependendo do que é mais importante no problema.

Passo 10

Bom resumo pedagógico (para decorar e usar na prova):
  • O critério de passo indica estabilidade das estimativas; é barato mas pode falhar se o método estacionar longe da raiz.
  • O critério de resíduo mede diretamente o objetivo; é bom quando você quer que f(x) seja pequeno, mas pode enganar quando f' é muito pequeno (raízes mal condicionadas).
  • Combine os dois e use tolerâncias relativas para lidar com escala.
  • Um número máximo de iterações é obrigatório para segurança, diagnóstico e uso eficiente de recursos; sempre retorne o melhor palpite quando atingir o máximo e informe o usuário sobre a não-convergência.

Resposta

O critério \left|x_{k}-x_{k-1}\right|<\varepsilon: vantagem — barato e indica estagnação/estabilidade da sequência x_k; desvantagem — não garante que f(x_k) seja pequeno (pode parar longe da raiz ou por limitações numéricas) e precisa ser usado de forma relativa quando x tem grande escala.
O critério \left|f(x_k)\right|<\varepsilon: vantagem — mede diretamente a satisfação da equação f(x)=0; desvantagem — não assegura que x_k esteja numericamente próximo da raiz quando f'(r) é pequeno (raízes múltiplas/mal condicionadas) e exige avaliação de f.
Importância do número máximo de iterações: evita loops infinitos, protege recursos computacionais, permite diagnóstico (reportar não convergência e devolver a melhor estimativa) e detecta estagnação numérica; em prática combine ambos critérios de parada com um N_{\max} adequado e tolerâncias relativas para obter robustez.

Exercícios relacionados