Acetatos de apoio `as aulas teorico-praticas de

etodos Num

ericos
(Engenharia Civil)
Instituto Superior de Engenharia de Coimbra
Departamento de F

sica e Matem

atica
2011/2012
Deolinda Maria Lopes Dias Rasteiro
ERRO ABSOLUTO E ERRO RELATIVO:
Sejam
x quantidade exacta
x valor aproximado de x
Erro absoluto de x: x = x x;
Erro relativo de x: x =
x
x
=
x x
x
(100%);
Muitas vezes, desconhecemos o valor de x (exacto). Nesse
caso, consideramos
x =
x
x

=
x
x
.
Diz-se que x tem k casas decimais correctas relativamente
ao seu valor exacto, x, se
|x| 0.5 10
k
.
Exerccio: Suponha que x = 0.937 tem tres casas decimais
correctas relativamente ao seu valor x. Determine um limite
superior para a estimativa do erro relativo de x.
2
RA

IZES DE EQUAC

OES N

AO LINEARES
Objectivo:
Dada uma fun cao f(x), determinar x tal que f(x) 0.
Problemas:
1. Localizar a raiz de f(x) = 0 (aproximacao inicial);
2. Desenvolver algoritmos que permitam melhorar as sucessivas
aproximacoes para x

(raiz da equa cao);

3. Quando terminar o processo iterativo?
Metodo Graco:
(Determina cao da aproximacao inicial)
f(x) = 0 f
1
(x) = f
2
(x), x D
f
Exemplos:
Localize as razes das equa coes:
a) xe
x
= 1;
xe
x
= 1 e
x
=
1
x
, se x = 0
Figura 1: f
1
(x) = e
x
; f
2
(x) =
1
x
; x

[0, 1].
3
b) |x| e
x
= 0
|x| e
x
= 0 |x| = e
x
Figura 2: f
1
(x) = |x|; f
2
(x) = e
x
; x

[1, 0].
Como obter a conrma cao analtica do metodo
graco?
Corolario do Teorema de Bolzano:
Se f e uma fun cao real de variavel real tal que
1. f(x) contnua em [a, b];
2. f(a)f(b) < 0
ent ao
x

]a, b[ : f(x

) = 0.
Observac oes ao corolario anterior:
Se, alem das hip oteses anteriores, f

(x) nao mudar de sinal

em [a, b], a raiz x

e unica;
O que concluir se f(a)f(b) > 0 e f(x) for contnua em [a, b]?
. . . . . .
4
Algoritmos para melhorar a aproxima cao inicial:
Objectivo: Construir uma sucessao de valores
x
1
, x
2
, x
3
, . . .
que permitam melhorar a aproximacao inicial.
ALGORITMO 1 - Metodo da Bisseccao:
Consideremos a equa cao f(x) = 0, e suponhamos que a raiz,
x

, foi localizada no intervalo [a, b], com f(a)f(b) < 0 (estamos

a supor que f e contnua).
Seja c o ponto medio do intervalo [a, b], isto e
c =
a + b
2
.
Se f(a)f(c) < 0
ent ao b c e repete-se o raciocnio no intervalo [a, c]
senao a c e repete-se o raciocnio no intervalo [c, b].
O processo iterativo termina quando, em determinada iteracao,
o ponto medio do respectivo intervalo for considerado uma boa
aproximacao `a solu cao exacta x

.
Exemplo:
Considere a equa cao f(x) = 0, com f(x) = |x| e
x
. Efectue
2 itera coes do metodo da bisse cao partindo do intervalo inicial
[1, 0].
Resolucao:
f(x) = |x| e
x
, x

[1, 0]
f(x) e contnua em IR, logo tambem e contnua em [a, b] =
[1, 0];
f(1) = 0.6321 e f(0) = 1 logo f(1)f(0) < 0
5
logo, de facto x

[1, 0]. Alem disso, para x < 0 (onde se

encontra a solu cao), tem-se f(x) = x e
x
, pelo que f

(x) =
1 e
x
< 0, x [1, 0], ou seja, f

nao muda de sinal em

[1, 0].
Conclusao: A raiz de f(x) = 0 e unica em [1, 0].
1
a

itera cao: [a, b] = [1, 0]

c =
1+0
2
= 0.5
f(1) > 0
f(0) < 0
f(0.5) = 0.1065 < 0
ent ao o novo intervalo de trabalho ser a [1, 0.5]
2
a

itera cao: [a, b] = [1, 0.5]

c =
10.5
2
= 0.75
f(1) > 0
f(0.5) < 0
f(0.75) = 0.27763 > 0
ent ao o novo intervalo de trabalho ser a [0.75, 0.5]
Podemos agora considerar x =
0.75 0.5
2
= 0.625.
Nota: Tem-se f(0.625) = 0.0897, quando o objectivo era
determinar o ponto x

onde f(x

) = 0 . . . .
6
Caractersticas do metodo da bisseccao:
Desvantagens:
Convergencia MUITO LENTA para a solu cao.
Vantagens:

E sempre convergente, desde que exista raiz no intervalo
inicial;

E possvel, `a priori, saber quantas itera coes s ao necess arias
para obter a solu cao com um erro inferior a . Esse n umero
de itera coes e dado por
N >
ln

L
ln 2
,
onde L = b a.
7
ALGORITMO 2 - Metodo de Newton:
Este metodo e baseado na expans ao em serie de Taylor da
fun cao f, e tem a seguinte forma iterativa
x
n+1
= x
n

f(x
n
)
f

(x
n
)
, n = 0, 1, 2, . . . (1)
Pode mostrar-se que SE as seguintes condi coes forem verica-
das, o metodo traduzido por (1) converge para x

:
1. f contnua e duas vezes derivavel em [a,b];
2. f(a)f(b) < 0;
3. f

(x) = 0, x [a, b];

4. f

(x) nao muda de sinal em [a, b];

5.

f(a)
f

(a)

b a (x
0
= a);

f(b)
f

(b)

b a (x
0
= b)
8
Interpretacao geometrica do Metodo de Newton
A recta tangente ao gr aco de f no ponto (x
0
, f(x
0
)) e
y f(x
0
) = f

(x
0
)(x x
0
).
A sua interseccao com o eixo dos xx, (y = 0), e
f(x
0
) = f

(x
0
)(x x
0
) x = x
0

f(x
0
)
f

(x
0
)
(ponto x
1
representado na gura)
De modo analogo se obtem x
2
(interseccao com o eixo dos xx
da recta tangente ao gr aco de f no ponto (x
1
, f(x
1
))), e assim
sucessivamente:
x
n+1
= x
n

f(x
n
)
f

(x
n
)
, n = 0, 1, 2, . . . .
9
Caractersticas do Metodo de Newton:
Desvantagens:
pode divergir se x
0
(aproximacao inicial) estiver longeda
raiz x

;
exige o conhecimento da derivada da fun cao f em cada
ponto.
Vantagens:
Convergencia muito r apida para x

.
Exemplo:
Efectue 2 itera coes do Metodo de Newton para determinar
uma aproximacao para a solu cao de f(x) = 0, onde f(x) =
|x| e
x
, e x

[1, 0].
Resolucao:
Para x < 0, tem-se f(x) = x e
x
.
1. f(x) e contnua em IR. Alem disso, para x < 0, f

(x) =
1 e
x
e f

(x) = e
x
logo f

e f

s ao contnuas em
[a, b] = [1, 0];
2. f(1)f(0) < 0 (j a visto anteriormente)
3. Para x < 0, f

(x) = 1e
x
< 0, x IR

(em particular,
para x [1, 0]). Logo, f

(x) = 0 em [1, 0].

4. Para x [1, 0], f

(x) = e
x
< 0 logo f

nao muda de
sinal em [1, 0].
5.

f(1)
f

(1)

= 0.462117 < b a = 0 (1) = 1 = x

0
= 1.
10
Assim, de 1. a 5., podemos concluir que o metodo de Newton
converge para x

, considerando x
0
= 1;
1
a

itera cao: x
1
= x
0

f(x
0
)
f

(x
0
)
= 0.537883;
2
a

itera cao: x
2
= x
1

f(x
1
)
f

(x
1
)
= 0.566987.
Observacao: Tem-se f(x
2
) = 0.00024495 . . ..
Criterios de paragem dos algoritmos:
Quando devemos parar os processos iterativos da Bisseccao e
de Newton ?
O ideal ser a parar numa itera cao n tal que:
1. |x
n
x
n1
| <
1
(por exemplo
1
= 10
3
, 10
4
, . . .);
2. |f(x
n
)| <
2
(por exemplo
2
= 10
3
, 10
4
, . . .).
Na pratica, por vezes, terminamos quando a dist ancia entre
duas aproximacoes consecutivas (|x
n
x
n1
|) e inferior a uma
dada toler ancia . . ..
11
Aplica cao ao calculo de zeros de polin omios:
p(x) = a
n
x
n
+ a
n1
x
n1
+ . . . + a
1
x + a
0
= 0
Determinar zeros de polin omios e, em geral, um processo
difcil. Como proceder neste caso?
1. Contar as razes reais de p(x) = 0;
2. Localizar/Separar as referidas razes;
3. Utilizar os algoritmos ja conhecidos para calcular (aproxi-
mar) as razes ja separadas.
[1.] CONTAGEM[Regra dos sinais de Descartes]
O n umero de zeros REAIS POSITIVOS de p(x) e igual (ou
inferior, mas num n umero da mesma paridade) ao n umero de
variacoes de sinal na sequencia (a
0
, a
1
, . . . , a
n
);
Para determinar quantos s ao os zeros REAIS NEGATIVOS
de p(x), basta notar que estes s ao os zeros positivos de p(x).
Exemplo:
Quantos zeros reais (positivos e negativos) tem o polin omio
p(x) = x
4
+ 4x
3
x
2
16x 12?
zeros positivos:
sequencia de Descartes (1, 4, 1, 16, 12)
1 variacao de sinal = 1 zero positivo de p(x).
zeros negativos:
p(x) = x
4
4x
3
x
2
+ 16x 12
sequencia de Descartes (1, 4, 1, 16, 12)
3 variacoes de sinal = 3 ou 1 zeros negativos de p(x).
12
[2.] LOCALIZAC

AO/SEPARAC

AO
p(x) = a
n
x
n
+
A
..
a
n1
x
n1
+ . . . + a
1
x + a
0
. .
B
LOCALIZAC

AO[Regra do maximo]
A = max{|a
0
|, |a
1
|, . . . , |a
n1
|};
B = max{|a
1
|, |a
2
|, . . . , |a
n
|}.
Todos os zeros reais de p(x), a existirem, est ao na uni ao dos
intervalos ] R, r[ ]r, R[, onde
r =
1
1 +
B
|a
0
|
e R = 1 +
A
|a
n
|
.
SEPARAC

AO[Metodo de Fourier]
O n umero total de zeros do polin omio p(x) no intervalo [a, b] e
dado por |V
a
V
b
| (ou um n umero inferior e da mesma paridade),
em que V
a
e V
b
e o n umero de variacoes de sinal nas sequencias
(p(a), p

(a), p

(a), . . . , p
(n)
(a))
e
(p(b), p

(b), p

(b), . . . , p
(n)
(b)),
respectivamente.
13
Exemplo:
Seja p(x) = x
4
3x
3
+ 2.9375x
2
1.125x + 0.140625 ent ao
a
4
= 1; a
3
= 3; a
2
= 2.9375; a
1
= 1.125; a
0
= 0.140625
Logo,
A = max{|a
0
|, |a
1
|, |a
2
|, |a
3
|} = 3
B = max{|a
1
|, |a
2
|, |a
3
|, |a
4
|} = 3,
e
r =
1
1 +
3
0.140625
= 0.0447761; R = 1 +
3
1
= 4.
Assim, todas as razes reais de p(x) = 0, a existirem, est ao
localizadas em:
] R, r[ ]r, R[=] 4, 0.0447761[ ]0.0447761, 4[
Vejamos como proceder quanto `a sua separa cao.
Trataremos, em primeiro lugar, dos zeros positivos de p(x):
Metodo de Fourier: Temos
p(x) = x
4
3x
3
+ 2.9375x
2
1.125x + 0.140625
p

(x) = 4x
3
9x
2
+ 5.875x 1.125
p

(x) = 12x
2
18x + 5.875
p

(x) = 24x 18
p
(iv)
(x) = 24
Ent ao,
14
0 1 2 3 4
p(x) + - + + +
p

(x) - - + + +
p

(x) + - + + +
p

(x) - + + + +
p
(iv)
(x) + + + + +
variacoes 4 1 0 0 0
Conclusoes
Entre 0 e 1 existem 41 = 3 variacoes de sinal logo no inter-
valo [0, 1] existirao 3 ou 1 razes reais; Na hip otese de existirem
3 razes ainda tem que ser separadas.
Entre 1 e 2 existem 1 0 = 1 variacao de sinal logo no
intervalo [1, 2] existe 1 raiz real;
Nos restantes intervalos nao existem razes reais.
Exerccio: Separe os zeros negativos, caso existam, de p(x).
C

ALCULO DAS RA

IZES DE p(x) = 0
Uma vez separadas as razes do polin omio nos respectivos in-
tervalos, basta utilizar os algoritmos ja conhecidos (bisseccao e
Newton) para as aproximar.
15
INTERPOLAC

AO POLINOMIAL
3.1 - Introducao:
A tabela seguinte representa a velocidade (em cm/s) de um
paraquedista t segundos apos sair de um avi ao:
t 1 3 5 7 13
v(t) 800 2310 3090 3940 4755
Como determinar uma aproximacao para a velocidade do pa-
raquedista 10 segundos apos a sada do avi ao? Isto e, como
aproximar v(10) [valor desconhecido]?
Estas e outras questoes podem ser resolvidas recorrendo `a
INTERPOLAC

AO POLINOMIAL
CASO GERAL:
Dados n + 1 pontos (x
i
, f(x
i
)), pretendemos determinar um
POLIN

OMIO de grau inferior ou igual a n tal que

P(x
i
) = f(x
i
), i = 0, 1, . . . , n (2)
Pode mostrar-se que se os pontos forem todos distintos, existe
e e unico o polin omio de grau inferior ou igual a n que verica
(2).
Apesar de o polin omio P(x), interpolador dos dados (x
i
, f(x
i
)),
0 i n, ser unico (no caso dos pontos serem todos distintos),
ha varios processos de o calcular!
Todos esses processos conduzem, evidentemente, ao mesmo
polin omio.
16
Destacamos as seguintes:
3.2 - Polin omio interpolador de Lagrange:
Dados os pontos (x
0
, f(x
0
)), (x
1
, f(x
1
)), . . . , (x
n
, f(x
n
)), o
polin omio interpolador de Lagrange e
P
n
(x) =
n

i=0
f(x
i
)l
i
(x), onde l
i
(x) =
n

j=0;j=i
x x
j
x
i
x
j
.
PROBLEMA: Se forem acrescentados novos dados ao pro-
blema e necess ario refazer os calculos todos . . . !!! (ver aulas
praticas)
3.3 - Polin omio interpolador de Newton:
Diferen cas Divididas:
Dados os pontos (x
0
, f(x
0
)), (x
1
, f(x
1
)), . . . , (x
n
, f(x
n
)) cha-
mamos diferenca dividida de 1
a

ordem da fun cao f nos pontos

x
i
e x
i+1
a:
f[x
i
, x
i+1
] =
f(x
i+1
) f(x
i
)
x
i+1
x
i
Diferen cas divididas de ordem superior podem ser calculadas
por recorrencia como se segue:
2
a

ordem : f[x
i
, x
i+1
, x
i+2
] =
f[x
i+1
, x
i+2
] f[x
i
, x
i+1
]
x
i+2
x
i
3
a

ordem : f[x
i
, . . . , x
i+3
] =
f[x
i+1
, x
i+2
, x
i+3
] f[x
i
, x
i+1
, x
i+2
]
x
i+3
x
i
.
.
.
17
Exemplo:
Considere a seguinte tabela de valores (x
i
, f(x
i
)):
x
i
1 -1 -2
f(x
i
) 0 -3 -4
Construa a tabela de diferencas divididas dos dados apresen-
tados.
Resolucao:
x
i
f(x
i
) f[x
i
, x
i+1
] f[x
i
, x
i+1
, x
i+2
]
1 0
3 0
1 1
=
3
2
-1 -3
1
3
2
2 1
=
1
6
4 (3)
2 (1)
= 1
-2 -4
Nota:

E facil vericar que f[x
i
, x
i+1
] = f[x
i+1
, x
i
]
Mais geralmente, pode mostrar-se que
f[x
i
, x
j
] = f[x
j
, x
i
], i, j
ou seja, as diferencas divididas s ao invariantes a qualquer per-
mutacao de ndices.
18
EXPRESS

AO ANAL

ITICA: O polin omio de Newton de di-

ferencas divididas, interpolador dos pontos (x
i
, f(x
i
)),
0 i n e:
P
n
(x) = f(x
0
) + f[x
0
, x
1
](x x
0
) + f[x
0
, x
1
, x
2
](x x
0
)(x x
1
)+
+f[x
0
, . . . , x
3
](x x
0
)(x x
1
)(x x
2
) + . . .
+f[x
0
, . . . , x
n
](x x
0
)(x x
1
). . . . .(x x
n1
).
Exemplo:
Calcular o polin omio interpolador de Newton com diferencas
divididas para os dados seguintes:
x
i
1 -1 -2
f(x
i
) 0 -3 -4
Resolucao:
x
i
f(x
i
) f[x
i
, x
i+1
] f[x
i
, x
i+1
, x
i+2
]
1 0
3
2
-1 -3
1
6
1
-2 -4
P
2
(x) = 0 +
3
2
(x 1) +
1
6
(x 1)(x + 1)
=
3
2
x
3
2
+
x
2
6

1
6
=
x
2
6
+
3
2
x
5
3
.
19
ERRO DE INTERPOLAC

AO:
P
n
polin omio de grau inferior ou igual a n, interpolador da
fun cao f nos pontos a = x
0
, x
1
, . . . , x
n
= b.
Para cada ponto x [x
0
, x
n
] existe [x
0
, x
n
] tal que
e(x)| = |f(x) P
n
(x)|
=

f
(n+1)
()
(n+1)!
(x x
0
)
. .
ba
. . . .
..
...
. (x x
n
)
. .
ba

Na pratica usa-se, normalmente, a expressao

|e(x)|

f
(n+1)
()

(n + 1)!
(b a)
n+1
, [a, b],
ou seja,
|e(x)|
M
(n + 1)!
(b a)
n+1
, onde
M = max
[a,b]

f
(n+1)
()

Propriedades das diferencas divididas:

20
1. O coeciente do termo de maior grau de P(x) e f[x
0
, x
1
, . . . , x
n
];
2. Se f(x) e um polin omio de grau n
ent ao f[x
0
, . . . , x
k
] = 0, k > n.
Diferen cas nitas:
Se os nos de interpolacao {x
0
, x
1
, . . . , x
n
} estiverem igual-
mente distanciados (digamos x
i+1
x
i
= h), o polin omio interpo-
lador de Newton pode ser calculado mais facilmente recorrendo `a
nocao de DIFERENC AS FINITAS (ascendentes, descendentes,
etc). Estudaremos apenas as DIFERENC AS FINITAS DES-
CENDENTES ().
Denicao:
f(x) = f(x + h) f(x) diferenca descendente de 1
a

ordem;

2
f(x) = [f(x)] diferenca descendente de 2
a

ordem;
.
.
.

k
f(x) = [
k1
f(x)] diferenca descendente de ordem
k;
Exemplo:
Considere os seguintes dados:
x
i
2 0 4 6
f(x
i
) 0 -1 5 3
e construa a tabela de diferencas descendentes.
21
Resolucao:
x
i
f(x
i
) f(x
i
)
2
f(x
i
)
3
f(x
i
)
0 -1
0 (1) = 1
2 0 5 1 = 4
5 0 = 5 7 4 = 11
4 5 2 5 = 7
3 5 = 2
6 3
Uma vez calculada a tabela de diferencas descendentes dos
dados (x
i
, f(x
i
)), 0 i n, e possvel usar essa tabela para
construir o polin omio interpolador, de grau inferior ou igual a n,
dos dados.
De facto, as diferencas divididas e as diferencas descendentes
podem ser relacionadas por
f[x
i
, x
i+1
, . . . , x
i+k
] =

k
f(x
i
)
k!h
k
, k IN
Usando este resultado no polin omio interpolador com diferencas
divididas temos
P
n
(x) = f(x
0
) +
f(x
0
)
h
(x x
0
) +

2
f(x
0
)
2h
2
(x x
0
)(x x
1
)+
+

3
f(x
0
)
6h
3
(x x
0
)(x x
1
)(x x
2
) + . . .
+

n
f(x
0
)
n!h
n
(x x
0
)(x x
1
). . . . .(x x
n1
).
que e o polin omio interpolador de Newton com diferencas descen-
dentes dos pontos IGUALMENTE ESPAC ADOS (x
0
, f(x
0
)),
(x
1
, f(x
1
)), . . . , (x
n
, f(x
n
)) em que h = x
i+1
x
i
(CONSTANTE).
22
Exemplo:
Para os dados do exemplo anterior, vimos que a tabela de
diferencas descendentes era dada por
x
i
f(x
i
) f(x
i
)
2
f(x
i
)
3
f(x
i
)
0 -1
1
2 0 4
5 11
4 5 7
2
6 3
Logo,
P
3
(x) = f(x
0
) +
f(x
0
)
h
(x x
0
) +

2
f(x
0
)
2h
2
(x x
0
)(x x
1
) +
+

3
f(x
0
)
3!h
3
(x x
0
)(x x
1
)(x x
2
).
Para x
0
= 0, x
1
= 2, x
2
= 4 e h = x
i+1
x
i
= 2 vem:
P
3
(x) = 1+
1
2
(x0)+
4
8
(x0)(x2)
11
48
(x0)(x2)(x4).
23
INTERPOLAC

AO INVERSA:
Consideremos os n + 1 pontos (x
0
, f(x
0
)), (x
1
, f(x
1
)), . . .,
(x
n
, f(x
n
)).
Se pretendermos aproximar f(x) quando x nao e um dos pon-
tos x
0
, x
1
, . . . , x
n
, podemos, como ja vimos, determinar o po-
linomio interpolador dos dados (x
i
, f(x
i
)), 0 i n, e escrever
f(x) P
n
(x).
Uma outra questao que se pode colocar e a seguinte:
Determinar uma valor de x para o qual f(x) = y (dado).
Este problema pode ser facilmente resolvido usando inter-
polacao inversa, com se segue: [vamos supor que f e monotona]
Seja y
i
= f(x
i
) ent ao, sendo f monotona, x
i
= f
1
(y
i
).
1. Calcular Q(y), polin omio interpolador dos dados (y
i
, x
i
) =
(y
i
, f
1
(y
i
));
2. Calcular x = Q(y).
Exemplo:
Considere a tabela seguinte:
x
i
0 1 2
f(x
i
) -4 1 3
Determine x tal que f(x) 2.
24
Resolucao:
y
i
x
i
f
1
[y
i
, y
i+1
] f
1
[y
i
, y
i+1
, y
i+2
]
-4 0
1
5
1 1
3
70
1
2
3 2
Assim,
Q
2
(y) = 0 +
1
5
(y + 4) +
3
70
(y + 4)(y 1)
Se f(x) 2 ent ao x f
1
(2) Q
2
(2), ou seja,
x
1
5
(2 + 4) +
3
70
(2 + 4)(2 1) = 0.1428571429.
25
INTEGRAC

AO NUM

ERICA
PROBLEMA:
Calcular o integral denido I
f
=
_
b
a
f(x) dx quando

E difcil (ou impossvel) determinar uma primitiva de f(x);
A fun cao f apenas e conhecida em alguns pontos
x
i
x
0
x
1
x
2
. . . x
n
f(x
i
) f(x
0
) f(x
1
) f(x
2
) . . . f(x
n
)
Nestas situacoes recorre-se, normalmente, a metodos numericos
para aproximar o valor do integral I
f
=
_
b
a
f(x) dx.
ESTRAT

EGIA:
Seja P
n
(x) o polin omio interpolador de f(x) nos n+1 pontos
x
0
, x
1
, . . . , x
n
.
Como o polin omio interpolador de f(x) aproxima f(x) no
intervalo dado [a, b] = [x
0
, x
n
], ser a de esperar que
_
b
a
f(x) dx
_
b
a
P
n
(x) dx.

E claro que, sendo P

n
(x) um polin omio, o integral
_
b
a
P
n
(x) dx
e sempre facil de calcular . . . .
26
1. - REGRA DOS TRAP

EZIOS
Esta regra e obtida calculando o polin omio interpolador de
grau 1 de f(x) no intervalo [a, b]:
Logo,
_
b
a
f(x) dx

Area do trapezio sombreado
=
(b a)
2
[f(a) + f(b)].
[REGRA DOS TRAP

EZIOS SIMPLES]
Problema:
Se o intervalo [a, b] tiver uma grande amplitude ou se a fun cao
f(x) tiver uma grande curvatura em [a, b], esta regra nao fornece
bons resultados . . ..
27
ALTERNATIVA:
Consideremos uma parti cao do intervalo [a, b] em pontos igual-
mente espacados a = x
0
< x
1
< . . . < x
n
= b, com
h = x
i+1
x
i
. Podemos aplicar a regra anterior a cada um
dos intervalos [x
i
, x
i+1
], e depois ter em conta que
_
b
a
f(x) dx =
_
x
n
x
0
f(x) dx =
n1

i=0
_
x
i+1
x
i
f(x) dx
Com este procedimento obtemos a REGRA DOS TRAP

EZIOS
COMPOSTA, dada por
_
b
a
f(x) dx
h
2
[f(x
0
) + 2f(x
1
) + 2f(x
2
) + . . . + 2f(x
n1
) + f(x
n
)]
onde h =
b a
n
.
28
ERRO DA REGRA DOS TRAP

EZIOS COMPOSTA:
Usando conhecimentos da teoria da interpolacao, e possvel
mostrar que o erro que se comete ao aproximar o integral
I
f
=
_
b
a
f(x) dx pela regra dos trapezios composta e dado por
E
T
(f) =
(b a)
3
12n
2
f

(), [a, b],

para a parti cao a = x
0
< x
1
< . . . < x
n
= b com h = x
i+1
x
i
.
Na pratica usa-se, normalmente, a expressao
|E
T
(f)|
(b a)
3
12n
2
M, M = max
[a,b]
|f

()|,
Observa cao: Para a regra dos trapezios simples (n = 1), tem-
se a = x
0
e b = x
1
, pelo que
|E
T
(f)|
(b a)
3
12
M, M = max
[a,b]
|f

()|,
Exemplo:
Aproxime
_
1
0
e
x
dx usando a regra dos trapezios simples e
composta (com 2 sub-intervalos). Estime o erro cometido em
cada caso.
29
2. - REGRA DE SIMPSON
Esta regra e obtida calculando o polin omio interpolador de
grau 2 de f(x) no intervalo [a, b], considerando 3 pontos igualmente
espacados:
Sabemos que P
2
(x) pode ser obtido, por exemplo, usando di-
ferencas descendentes, tendo-se:
P
2
(x) = f(a) +
x a
1!h
_
f
_
a + b
2
_
f(a)
_
+
+
(x a)
_
x
a+b
2
_
2!h
2
_
f(b) 2f
_
a + b
2
_
+ f(a)
_
.
Assim,
_
b
a
f(x) dx
_
b
a
P
2
(x) dx, sendo este ultimo in-
tegral facil de calcular. De facto, apos algumas manipulacoes,
obtem-se:
_
b
a
f(x) dx
h
3
_
f(a) + 4f
_
a + b
2
_
+ f(b)
_
,
30
onde h =
b a
2
.
A esta regra chamamos REGRA DE SIMPSON SIMPLES.
A estrategia que foi usada para construir a regra dos trapezios
composta pode ser usada para construir a regra de Simpson com-
posta.
Para tal, efectuemos uma parti cao do intervalo [a, b] criando
um n umero

IMPAR de pontos igualmente espacados
a = x
0
< x
1
< . . . < x
n
= b. (= n PAR).
Podemos agora aplicar a regra de Simpson simples a cada um
dos intervalos [x
0
, x
2
], [x
2
, x
4
], . . . , [x
n2
, x
n
], e ter em conta que
_
x
n
=b
x
0
=a
f(x) dx =
_
x
2
x
0
f(x) dx+
_
x
4
x
2
f(x) dx+. . .+
_
x
n
x
n2
f(x) dx.
Usando esse procedimento obtemos:
_
b
a
f(x) dx
h
3
[f(x
0
) + 4f(x
1
) + 2f(x
2
) + 4f(x
3
) + 2f(x
4
)+
+. . . + 4f(x
n1
) + f(x
n
)]
onde h =
b a
n
.
A esta regra chamamos REGRA DE SIMPSON COMPOSTA.
31
ERRO DA REGRA DE SIMPSON COMPOSTA:
Usando nocoes da teoria da interpolacao, e possvel mostrar
que o erro que se comete ao aproximar
_
b
a
f(x) dx pela regra
de Simpson composta e dado por:
E
S
(f) =
(b a)
5
180n
4
f
(iv)
(), [a, b],
para a parti cao a = x
0
< x
1
< . . . < x
n
= b onde x
i
x
i1
= h
(constante), para i = 1, . . . , n.
Na pratica usa-se, normalmente, a expressao
|E
S
(f)|
(b a)
5
180n
4
M, M = max
[a,b]
|f
(iv)
()|,
Observa cao:
Para a regra de Simpson simples (n = 2 = x
0
= a,
x
1
=
a + b
2
, x
2
= b), tem-se
|E
S
(f)|
(b a)
5
180 2
4
M =
(b a)
5
2880
M, M = max
[a,b]
|f
(iv)
()|,
32
Exemplo:
Quantos pontos devemos considerar no intervalo [0, 2] para
que o erro no calculo de
_
2
0
e
x
dx nao exceda 3 10
4
quando
se usa a regra de Simpson composta?
Resolucao:
Aqui, f
(iv)
() = e

, pelo que max

[0,2]
|e

| = e
2
= M.
Logo, |E
S
(f)|
(b a)
5
180n
4
M =
2
5
e
2
180n
4
3 10
4
=
236.45
180n
4
3 10
4
= 0.0003
n = 8 = 0.000320706 0.0003 FALSO
n=9 = 0.000200215 0.0003 VERDADEIRO
Como n tem que ser par, basta considerar n = 10 , ou seja,
11 pontos {x
0
, x
1
, . . . , x
10
} no intervalo [0, 2].
33
M

ETODOS NUM

ERICOS PARA EQUAC

OES DI-
FERENCIAIS DE 1
a

ORDEM
Uma Equacao Diferencial de 1
a

ordem (ED) e uma equa cao

do tipo y

= f(t, y), t [a, b], cuja fun cao inc ognita e y = y(t).
A solu cao da ED y

= f(t, y), se existir, nao e unica, ja que a

sua resolu cao leva `a introdu cao de uma constante (de integra cao).
Exemplo:
A ED y

= y(t) (ou, de forma simplicada, y

= y) admite
como solu cao todas as fun coes da forma y(t) = c e
t
, c IR. De
facto,
y(t) = c e
t
= y

(t) =
d
dt
_
c e
t
_
= c
d
dt
_
e
t
_
= c e
t
= y(t).
Uma das formas de obter a unicidade da solu cao (se esta exis-
tir) e especicar o valor de y(t) num ponto t
0
[a, b], usualmente
em t
0
= a, obtendo-se desta forma um PROBLEMA DE VALOR
INICIAL (P.V.I.):
_
y

= f(t, y)
y(a) = y
0
, t [a, b]. (3)
Exemplo:
A fun cao y(t) = e
t
e a solu cao do P.V.I.
_
y

= y
y(0) = 1
, t 0.
34
ESTRAT

EGIA:
y(t
i
) valor da solu cao exacta no ponto t
i
(i = 0, 1, 2, . . . , n)
- `a partida, e desconhecido.
y
i
valor APROXIMADO para y(t
i
), obtido com os
metodos numericos que estudaremos.
Excepto para i = 0 (i.e, excepto no ponto t = a), tem-se,
regra geral,
y
i
= y(t
i
)

valor aproximado valor exacto
em t = t
i
em t = t
i
35
Os metodos que estudaremos permitirao determinar y
i+1
(a-
proximacao para y(t
i+1
)) uma vez conhecido y
i
(aproximacao
para y(t
i
)).
Um dos metodos mais simples para resolver o P.V.I. (3) e
o chamado M

ETODO DE EULER EXPLICITO , cuja

dedu cao passa pela expans ao em serie de Taylor de y(t) em torno
do ponto t = t
i
. A sua expressao e:
y
i+1
= y
i
+ hf(t
i
, y
i
), i = 0, 1, 2, . . .
Exemplo:
Consideremos o P.V.I.
_
y

y = e
3t
y(1) = 2
, t [1, 1.5].
A solu cao exacta deste P.V.I. e
y(t) =
1
2
e
3t
+
_
2
e

1
2
e
2
_
e
t
(PORQU

E??)
36
Aproximemos o valor de y(1.5) usando o metodo de Euler
explcito com h = 0.25:
Tem-se f(t, y) = y + e
3t
(y

= f(t, y)).
i=0
y
1
= y
0
+ hf(t
0
, y
0
) = 2 + 0.25(2 + e
31
) = 7.52138.
y
1
aproximacao para o valor exacto y(t
1
) = y(1.25).
i=1
y
2
= y
1
+ hf(t
1
, y
1
) = 7.52138 + 0.25(7.52138 + e
31.25
) =
20.032.
y
2
aproximacao para o valor exacto y(t
2
) = y(1.5).
37
Resumindo, para h = 0.25
i t
i
y
i
y(t
i
)
0 1 2 2
1 1.25 7.52138 10.9334
2 1.5 20.032 31.7483
O erro cometido (|y
i
y(t
i
)|) em cada itera cao e, ainda, bas-
tante elevado . . . .
38
Uma outra classe de metodos muito populares para a resolu cao
de P.V.I.s de 1
a

ordem e a chamada classe dos M

ETODOS DE
RUNGE-KUTTA.
Existem varios metodos de Runge-Kutta que fornecem dife-
rentes qualidades na aproximacao da solu cao de um P.V.I..
Estudaremos o metodo de Runge-Kutta de 2
a

ordem (abre-
viadamente, RK2), cujo algoritmo se apresenta de seguida:
ALGORITMO: [M

ETODO RK2]
Consideremos a discretizacao de [a, b]:
a t
0
< t
1
< t
2
< . . . < t
n1
< t
n
b,
com h =
b a
n
(i.e, t
i+1
= t
i
+ h);
Para i = 0, 1, . . . , n 1 fazer:
Calcular k
1
= hf(t
i
, y
i
);
Calcular k
2
= hf(t
i+1
, y
i
+ k
1
);
Fazer y
i+1
= y
i
+
1
2
(k
1
+ k
2
)

39
Exemplo:
Consideremos novamente o P.V.I.:
_
y

y = e
3t
y(1) = 2
, t [1, 1.5].
Resolucao:
A utiliza cao do metodo RK2 para aproximar y(1.5) com h =
0.25, permite obter os seguintes resultados (ver discretizacao do
exemplo anterior):
i=0
k
1
= hf(t
0
, y
0
) = h
_
y
0
+ e
3t
0
_
= 0.25
_
2 + e
31
_
= 5.52138;
k
2
= hf(t
1
, y
0
+ k
1
) = 0.25f(1.25, 7.52138) = 12.5106;
y
1
= y
0
+
1
2
(k
1
+k
2
) = 2 +0.5(5.52138 +12.5106) = 11.016
(valor exacto: y(1.25) = 10.9334)
i=1
k
1
= hf(t
1
, y
1
) = hf(1.25, 11.016) = 0.25
_
11.016 + e
31.25
_
=
13.3843;
k
2
= hf(t
2
, y
1
+ k
1
) = 0.25f(1.5, 11.016 + 13.3843) =
28.6044;
y
2
= y
1
+
1
2
(k
1
+ k
2
) = 11.016 + 0.5(13.3843 + 28.6044) =
32.0103
(valor exacto: y(1.5) = 31.7483)
40
Para o metodo RK2 temos, portanto,
i t
i
y
i
y(t
i
)
0 1 2 2
1 1.25 11.016 10.9334
2 1.5 32.0103 31.7483
Exerccio:
Repita os exemplos anteriores (metodo de Euler explcito e
RK2) para o P.V.I. dado, usando h = 0.1.
Compare os resultados que obteve com a solu cao exacta em
cada ponto t
i
.
41
SISTEMAS DE EQUAC

OES LINEARES
Seja Ax = b um sistema de equa coes lineares na forma ma-
tricial em que A e uma matriz de ordem n com entradas em
IR, b e um vector coluna com n componentes. No que se segue,
admite-se que o sistema Ax = b e sempre possvel e determinado.
Os metodos para a resolu cao de sistemas podem ser agrupados
fundamentalmente em duas classes:
1. metodos directos;
2. metodos indirectos ou metodos iterativos.
Os metodos directos s ao aqueles que, supondo nao existirem
erros de arredondamento ou quaisquer outros, nos permitem ob-
ter a solu cao exacta do sistema num n umero nito de operacoes
aritmeticas. Estes metodos tem a sua fundamenta cao no pro-
cesso de elimina cao de Gauss. (Estudados em Matematica II).
Os metodos pertencentes `a segunda classe geram, a partir de uma
aproximacao inicial, uma sucessao de valores que sob determina-
das condi coes convergempara a solu cao do sistema. Iremos
estudar os metodos iterativos de Jacobi e Gauss-Seidel.
Metodo de Jacobi:
Consideremos o sistema Ax = b em que A = [a
ij
] M
n
(IR)
e nao singular e a
ii
= 0, i = 1, . . . , n. Efectue-se a seguinte
parti cao de A
A = D L U
em que D = [d
ij
] e uma matriz diagonal com d
ii
= a
ii
, L = [l
ij
]
e uma matriz triangular inferior cujos elementos diagonais s ao
nulos e l
ij
= a
ij
e U = [u
ij
] e uma matriz triangular superior
com elementos da diagonal principal nulos e u
ij
= a
ij
, isto e:
42
D =
_

_
a
11
0 0 0 0 0
0 a
22
0 0 0 0
0 0 a
33
0 0 0
. . . . . . . . . . . . . . . . . .
0 0 0 . . . 0 a
nn
_

_
, L =
_

_
0 0 0 0 0 0
a
21
0 0 0 0 0
a
31
a
32
0 0 0 0
. . . . . . . . . . . . . . . . . .
a
n1
a
n2
a
n3
. . . a
nn1
0
_

_
e
U =
_

_
0 a
12
a
13
. . . a
1n1
a
1n
0 0 a
23
. . . a
2n1
a
2n
0 0 0 . . . a
3n1
a
3n
. . . . . . . . . . . . . . . . . .
0 0 0 . . . 0 0
_

_
Com a parti cao efectuada em A, o sistema Ax = b e equiva-
lente a
Dx = (L + U)x + b.
A partir desta equa cao deduzimos o metodo iterativo
x
(m)
= D
1
(L + U)x
(m1)
+ D
1
b, m = 1, . . . .
O metodo iterativo traduzido pela igualdade anterior e conhe-
cido por metodo de Jacobi. A matriz de itera cao do metodo,M =
D
1
(L + U), e conhecida por matriz de Jacobi.

E possvel, e util, determinar a i

esima
entrada da aproximacao
m. A partir da igualdade
x
(m)
= D
1
(L + U)x
(m1)
+ D
1
b, m = 1, . . . .
escrendo as matrizes D
1
, L e U por extenso obtem-se:
43
_

_
x
(m)
1
x
(m)
2
x
(m)
3
.
.
.
x
(m)
n
_

_
=
_

_
1
a
11
0 0 0 0 0
0
1
a
22
0 0 0 0
0 0
1
a
33
0 0 0
. . . . . . . . . . . . . . . . . .
0 0 0 . . . 0
1
ann
_

_
_

_
0 a
12
a
13
. . . a
1n1
a
1n
a
21
0 a
23
. . . a
2n1
a
2n
a
31
a
32
0 0 a
3n1
a
3n
. . . . . . . . . . . . . . . . . .
a
n1
a
n2
a
n3
. . . a
nn1
0
_

_
_

_
x
(m1)
1
x
(m1)
2
x
(m1)
3
.
.
.
x
(m1)
n
_

_
+
_

_
1
a
11
0 0 0 0 0
0
1
a
22
0 0 0 0
0 0
1
a
33
0 0 0
. . . . . . . . . . . . . . . . . .
0 0 0 . . . 0
1
ann
_

_
_

_
b
1
b
2
b
3
.
.
.
b
n
_

_
=
_

_
0
a
12
a
11
x
(m1)
2

a
13
a
11
x
(m1)
3
. . .
a
1n1
a
11
x
(m1)
n1

a
1n
a
11
x
(m1)
n

a
21
a
22
x
(m1)
1
0
a
23
a
22
x
(m1)
3
. . .
a
2n1
a
22
x
(m1)
n1

a
2n
a
22
x
(m1)
n

a
31
a
33
x
(m1)
1

a
32
a
33
x
(m1)
2
0 . . .
a
3n1
a
33
x
(m1)
n1

a
3n
a
33
x
(m1)
n
. . .

a
n1
ann
x
(m1)
1

a
n2
ann
x
(m1)
2

a
n3
ann
x
(m1)
3
. . .
a
nn1
ann
x
(m1)
n1
0
_

_
+
_

_
b
1
a
11
b
2
a
22
b
3
a
33
.
.
.
bn
ann
_

_
ou seja
x
(m)
i
=
1
a
ii
_
_
b
i

j=1,j=i
a
ij
x
(m1)
j
_
_
, i = 1, 2, . . . , n.
Teorema 1:
Seja A = [a
ij
] M
n
(IR) nao singular e a
ii
= 0, i = 1, . . . , n,
e b IR
n
. Consideremos em A a parti cao A = DLU onde
D, L e U s ao as matrizes denidas anteriormente.
1. Se ||D
1
(L+U)|| < 1 ent ao qualquer que seja a aproxima-
cao inicial x
(0)
IR
n
, o metodo de Jacobi gera uma sucessao
de vectores que converge para a unica solu cao de Ax = b.
Nota: Existem varias formas de calcular a norma de uma
matriz A, ||A||. A que adoptaremos e
||A|| = max
i=1,...,n
n

j=1
|a
ij
|.
2. O metodo de Jacobi gera uma sucessao de vectores que con-
verge para a unica solu cao de Ax = b qualquer que seja a
44
aproximacao inicial se e s o se (D
1
(L + U)) < 1.
Nota: O raio espectral de A que se denota por (A) e dado
pelo max{|| : e valor proprio de A}.
Para alguns tipos de matrizes podemos facilmente estabele-
cer uma condi cao suciente para a convergencia do metodo de
Jacobi. Uma matriz A = [a
ij
] M
n
(IR) diz-se estritamente
diagonal dominante por linhas (ou por colunas) se
|a
ii
| >

j=i
|a
ij
|, i = 1, . . . , n ou |a
ii
| >

l=i
|a
li
|, i = 1, . . . , n)
Teorema 2:
Se A e estritamente diagonal dominante por linhas (ou colu-
nas) ent ao o metodo de Jacobi gera uma sucessao de aproxima-
coes que converge para a solu cao do sistema Ax = b qualquer
que seja a aproximacao inicial x
(0)
.
Exerccio:
Determinar a aproximacao x
(2)
para a solu cao do sistema
_
_
_
10x
1
+ x
2
+ x
3
= 12
x
1
5x
2
+ 2x
3
= 2
x
1
+ x
2
+ 3x
3
= 5
.
Metodo de Gauss-Seidel:
Consideremos de novo o sistema Ax = b em que A = [a
ij
]
M
n
(IR) e nao singular e a
ii
= 0, i = 1, . . . , n e a parti cao de A
A = D L U
em que D e invertvel. Com a parti cao anterior, o sistema Ax = b
e equivalente a
(D L)x = Ux + b,
45
ou ainda
(I D
1
L)x = D
1
Ux + D
1
b.
A partir desta igualdade deduzimos o seguinte metodo itera-
tivo
(I D
1
L)x
(m)
= D
1
Ux
(m1)
+ D
1
b,
ou ainda
x
(m)
= D
1
Lx
(m)
+ D
1
Ux
(m1)
+ D
1
b, m = 1, . . . .
O metodo iterativo traduzido pela igualdade anterior e co-
nhecido por metodo de Gauss-Seidel. A matriz de itera cao do
metodo, M = (I D
1
L)
1
D
1
U, e conhecida por matriz de
Gauss-Seidel.
Para este metodo tambem e possvel, e util, determinar a
i
esima
entrada da aproximacao m. A partir da igualdade
x
(m)
= D
1
Lx
(m)
+ D
1
Ux
(m1)
+ D
1
b, m = 1, . . . .
escrendo as matrizes D
1
, L e U por extenso obtem-se:
46
_

_
x
(m)
1
x
(m)
2
x
(m)
3
.
.
.
x
(m)
n
_

_
=
_

_
1
a
11
0 0 0 0 0
0
1
a
22
0 0 0 0
0 0
1
a
33
0 0 0
. . . . . . . . . . . . . . . . . .
0 0 0 . . . 0
1
ann
_

_
_

_
0 0 0 0 0 0
a
21
0 0 0 0 0
a
31
a
32
0 0 0 0
. . . . . . . . . . . . . . . . . .
a
n1
a
n2
a
n3
. . . a
nn1
0
_

_
_

_
x
(m)
1
x
(m)
2
x
(m)
3
.
.
.
x
(m)
n
_

_
+
_

_
1
a
11
0 0 0 0 0
0
1
a
22
0 0 0 0
0 0
1
a
33
0 0 0
. . . . . . . . . . . . . . . . . .
0 0 0 . . . 0
1
ann
_

_
_

_
0 a
12
a
13
. . . a
1n1
a
1n
0 0 a
23
. . . a
2n1
a
2n
0 0 0 . . . a
3n1
a
3n
. . . . . . . . . . . . . . . . . .
0 0 0 . . . 0 0
_

_
_

_
x
(m1)
1
x
(m1)
2
x
(m1)
3
.
.
.
x
(m1)
n
_

_
+
_

_
1
a
11
0 0 0 0 0
0
1
a
22
0 0 0 0
0 0
1
a
33
0 0 0
. . . . . . . . . . . . . . . . . .
0 0 0 . . . 0
1
ann
_

_
_

_
b
1
b
2
b
3
.
.
.
b
n
_

_
=
_

_
0 0 0 . . . 0 0
a
21
a
22
0 0 . . . 0 0
a
31
a
33
a
32
a
33
0 . . . 0 0
. . . . . . . . . . . . . . . . . .
a
n1
ann
a
n2
ann
a
n3
ann
. . .
a
nn1
ann
0
_

_
_

_
x
(m)
1
x
(m)
2
x
(m)
3
.
.
.
x
(m)
n
_

_
+
_

_
0
a
12
a
11
a
13
a
11
. . .
a
1n1
a
11
a
1n
a
11
0 0
a
23
a
22
. . .
a
2n1
a
22
a
2n
a
22
0 0 0 . . .
a
3n1
a
33
a
3n
a
33
. . . . . . . . . . . . . . . . . .
0 0 0 . . . 0 0
_

_
_

_
x
(m1)
1
x
(m1)
2
x
(m1)
3
.
.
.
x
(m1)
n
_

_
+
_

_
b
1
a
11
b
2
a
22
b
3
a
33
.
.
.
bn
ann
_

_
=
_

_
0
a
21
a
22
x
(m)
1

a
31
a
33
x
(m)
1

a
32
a
33
x
(m)
2
. . .

a
n1
ann
x
(m)
1

a
n2
ann
x
(m)
2

a
n3
ann
x
(m)
3
. . .
a
nn1
ann
x
(m)
n1
_

_
+
_

a
12
a
11
x
(m1)
2

a
13
a
11
x
(m1)
3
. . .
a
1n1
a
11
x
(m1)
n1

a
1n
a
11
x
(m1)
n

a
23
a
22
x
(m1)
3
. . .
a
2n1
a
22
x
(m1)
n1

a
2n
a
22
x
(m1)
n

a
34
a
33
x
(m1)
4
. . .
a
3n1
a
33
x
(m1)
n1

a
3n
a
33
x
(m1)
n
. . .

a
n1n
ann
x
(m1)
n
0
_

_
+
_

_
b
1
a
11
b
2
a
22
b
3
a
33
.
.
.
bn
ann
_

_
47
ou seja
x
(m)
i
=
1
a
ii
_
_
b
i

i1

j=1
a
ij
x
(m)
j

n

j=i+1
a
ij
x
(m1)
j
_
_
, i = 1, 2, . . . , n.
Teorema 3:
Seja A = [a
ij
] M
n
(IR) nao singular e a
ii
= 0, i = 1, . . . , n,
e b IR
n
. Consideremos em A a parti cao A = DLU onde
D, L e U s ao as matrizes denidas anteriormente.
1. Se ||(I D
1
L)
1
D
1
U|| < 1 ent ao qualquer que seja a
aproximacao inicial x
(0)
IR
n
, o metodo de Gauss-Seidel
gera uma sucessao de vectores que converge para a unica
solu cao de Ax = b.
2. O metodo de Gauss-Seidel gera uma sucessao de vectores que
converge para a unica solu cao de Ax = b qualquer que seja
a aproximacao inicial se e s o se ((I D
1
L)
1
D
1
U) < 1.
Teorema 4:
Se A e estritamente diagonal dominante por linhas (ou co-
lunas) ent ao o metodo de Gauss-Seidel gera uma sucessao de
aproximacoes que converge para a solu cao do sistema Ax = b
qualquer que seja a aproximacao inicial x
(0)
.
Exerccio:
Determinar a aproximacao x
(2)
para a solu cao do sistema
_
_
_
10x
1
+ x
2
+ x
3
= 12
x
1
5x
2
+ 2x
3
= 2
x
1
+ x
2
+ 3x
3
= 5
.
48
Calculo do erro em ambos os metodos iterativos:
Deni cao:
Seja x

a solu cao de Ax = b e x
(m)
a aproximacao dada pelos
metodos iterativos de Jacobi ou Gauss-Seidel. A e
(m)
= x

x
(m)
chamamos erro da itera cao m. (Note que e
(m)
e um vector!)
O metodo iterativo, Jacobi ou Gauss-Seidel, diz-se convergente
se
lim
m+
e
(m)
= 0.
e divergente caso contr ario.
Prova-se que e
(m)
= Me
(m1)
, sendo M a matriz de itera cao
de Jacobi ou Gauss-Seidel, da resultando o ponto 2. dos Teore-
mas 2 e 4.
49