Apontamentos

MATEM
ATICA COMPUTACIONAL
Apontamentos das aulas
Filipe J. Romeiras
Departamento de Matematica
Instituto Superior Tecnico
Junho de 2008
CONTE
UDO
Cap. 1. Representacao de N umeros e Teoria de Erros
Cap. 2. Metodos Iterativos
Cap. 3. Resolucao de Equac oes Nao-lineares
Cap. 4. Resolucao de Sistemas Lineares
Cap. 5. Resolucao de Sistemas Nao-lineares
Cap. 6. Interpolacao Polinomial
Cap. 7. Aproximacao Mnimos Quadrados
Cap. 8. Integracao Numerica
Cap. 10. Resolucao de Equac oes Diferenciais Ordinarias:
Problemas de Valor Inicial
1
1. REPRESENTAC

AO DE N
UMEROS E TEORIA DE ERROS

Problema de
Engenharia
Modelo
matematico
Metodo
analtico
aproximado
Metodo
numerico
Solucao
aproximada
Solucao
exacta
Solucao
aproximada
- -
-
-
Z
Z
Z
Z
Z
Z
Z
Z~
>
6
6
?
?
Tipos de erro
Erros inerentes:
modelo matematico incompleto;
erros nos dados, par ametros e constantes matem aticas;
exemplos:
(i) corpo em movimento vertical na atmosfera terrestre sujeito ` a forca de atracc ao gravi-
tacional da Terra e ` a forca de resistencia do ar;
(ii) a reac cao de Belousov-Zhabotinski (oscilacoes qumicas);
(iii) circuitos electronicos nao-lineares.
Erros de metodo (ou de truncatura ou de discretizacao):
exemplos:
(i) calculo do valor aproximado da raiz de uma funcao pelo metodo de Newton;
(ii) calculo do valor aproximado de um integral usando a regra dos trapezios composta.
Erros computacionais:
erros de arredondamento;
erros de underow e overow.
Erros de programacao.
Erro, erro absoluto, erro relativo ( x x R):
Denicao. Seja x R o valor exacto de uma grandeza real e x um valor aproximado de
x. Denem-se:
Erro de x em relac ao a x: e
x
= x x
2
Erro absoluto de x em relac ao a x: [e
x
[
Erro relativo de x em relac ao a x ,= 0:
x
=
e
x
x
, ou [
x
[
( Percentagem de erro: 100
x
(%) ou 100[
x
[(%) )
Nota. O erro relativo e invariante numa mudan ca de escala, i.e., sendo y = kx, y = k x,
onde k e uma constante nao nula, ent ao
y
=
x
.
Exemplo.
x =
1
3
, x = 0.3333, y =
1
3000
, y = 0.0003.
e
x
= e
y
= 0.0000333 . . . ,
x
0.0001(0.01%)
y
0.1(10%)
Representacao de n umeros
Um n umero inteiro x ZZ 0 e representado numa base N 0, 1 (por exemplo,
10, 2, 16, 8, 12, 20, 60) por
x = (d
m
m
+d
m1
m1
+ +d
1
1
+d
0
0
)
onde
+, , d
i
0, 1, . . . , 1, i = 0, 1, . . . , m, d
m
,= 0
Simbolicamente escreve-se
x = (d
m
d
m1
. . . d
1
d
0
)
Exemplo. 198 = (198)

10
= (11000110)
2
Com efeito:
198 = 2 99 = 2 (2 49 + 1) = 2 (2 (2 24 + 1) + 1) =
= 2 (2 (2 (2 12) + 1) + 1) = 2 (2 (2 (2 (2 6)) + 1) + 1) =
= 2 (2 (2 (2 (2 (2 3))) + 1) + 1) =
= 2 (2 (2 (2 (2 (2 (2 + 1)))) + 1) + 1) =
= 2
7
+ 2
6
+ 2
2
+ 2
1
= (11000110)
2
Nota. Os n umeros inteiros s ao representados exactamente num computador. Se neste
reservarmos N + 1 bits para n umeros inteiros podemos representar todos os n umeros
inteiros tais que
(2
N
1) x (2
N
1)
Exemplo. N = 31 : 2
N
1 = 2.147.483.647
3
Um n umero real x R 0 e representado numa base N 0, 1, por
x = (d
m
m
+d
m1
m1
+ +d
1
1
+d
0
0
+
+d
1
1
+d
2
2
+ d
n
n
+ )
onde
+, , d
i
0, 1, . . . , 1, i = m, m1, . . . , d
m
,= 0
Simbolicamente escreve-se
x = (d
m
d
m1
. . . d
1
d
0
.d
1
d
2
. . .)
ou
x = (0.d
m
d
m1
. . . d
1
d
0
d
1
d
2
. . .)
m+1
Exemplo.
19 = (10011)
2
, 0.875 = (0.111)
2
,
19.875 = (10011.111)
2
= (0.10011111)
2
2
(101)
2
0.1 = (0.11001100 . . .)
2
2
(11)
2
Com efeito:
19 = 2 9 + 1 = 2 (2 4 + 1) + 1 = 2 (2 (2 2) + 1) + 1 = 2
4
+ 2
1
+ 2
0
0.875 = d
1
2
1
+d
2
2
2
+d
3
2
3
+d
4
2
4
+. . .
1.750 = d
1
+d
2
2
1
+d
3
2
2
+d
4
2
3
+. . . d
1
= 1
0.750 = d
2
2
1
+d
3
2
2
+d
4
2
3
+. . .
1.5 = d
2
+d
3
2
1
+d
4
2
2
+. . . d
2
= 1
0.5 = d
3
2
1
+d
4
2
2
+. . .
1.0 = d
3
+d
4
2
1
+. . . d
3
= 1, d
4
= d
5
= = 0
Notac ao cientca
x = m
t
(base) N 0, 1, (sinal) +, , (expoente) t Z
(mantissa) m = (0.a
1
a
2
. . .)
[
1
, 1[, a
i
0, 1, . . . , 1, a
1
,= 0
Denicao. Sejam N 0, 1, n N 0, t
, t
+
Z. Designa-se por sistema de
ponto utuante na base , com n dgitos na mantissa, e expoentes variando entre t
e
t
+
, ao subconjunto dos n umeros racionais
F = FP(, n, t
, t
+
) = x Q : x = m
t
0
+, , t Z, t
t t
+
,
m = (0.a
1
a
2
. . . a
n
)
[
1
, 1
n
], a
i
0, 1, . . . , 1, a
1
,= 0
4
Quando apenas for importante referir a base e o n umero de dgitos da mantissa, usamos
a notac ao FP(, n).
Proposicao.
card(FP(, n, t
, t
+
)) = 2N + 1, N = (t
+
t
+ 1)( 1)
n1
.
Nota. N e o n umero de racionais positivos de F compreendidos entre
L
=
1
, L
+
= (1
n
)
t
+
.
Os restantes elementos de F s ao os simetricos destes e o n umero zero.
Exemplo: FP(2, 3, 1, 1), cujos elementos positivos s ao:
(0.100)
2
2
1
=
4
16
(0.100)
2
2
0
=
8
16
(0.100)
2
2
1
=
16
16
(0.101)
2
2
1
=
5
16
(0.101)
2
2
0
=
10
16
(0.101)
2
2
1
=
20
16
(0.110)
2
2
1
=
6
16
(0.110)
2
2
0
=
12
16
(0.110)
2
2
1
=
24
16
(0.111)
2
2
1
=
7
16
(0.111)
2
2
0
=
14
16
(0.111)
2
2
1
=
28
16
Exemplo: Sistemas de ponto utuante denidos pela Norma IEC559 (International Elec-
tronic Comission, 1989).
Formato simples: FP(2, 24, 125, 128)
L
= 2
126
0.118 10
37
, L
+
= (1 2
24
) 2
128
0.340 10
39
,
N = 254 2
23
0.213 10
10
Formato duplo: FP(2, 53, 1021, 1024)
L
= 2
1022
0.223 10
307
, L
+
= (1 2
53
) 2
1024
0.180 10
309
,
N = 2046 2
52
0.921 10
19
Arredondamentos
Questao. Dado um n umero x R
F
e x , F qual o n umero (x) F que o representa,
onde R
F
= [L
+
, L
] 0 [L
, L
+
]?
Denicao. Dado F = FP(, n, t
, t
+
), e sendo
x = (0.a
1
a
2
. . . a
n
a
n+1
. . .)
t
,
5
denem-se as duas seguintes func oes de arredondamento
c
: R
F
F e
s
: R
F
F:
(i) Arredondamento por corte:
c
(x) = (0.a
1
a
2
. . . a
n
)
t
(ii) Arredondamento simetrico ( par):
s
(x) =
_
_
(0.a
1
a
2
. . . a
n
)
t
, 0 a
n+1
<

2
[(0.a
1
a
2
. . . a
n
)
+
n
]
t
,

2
a
n+1
<
ou, de uma forma equivalente,
s
(x) =
c
_
x +
1
2

tn
_
Nota.
(i)
c
(x) e o n umero de F mais perto de x entre 0 e x.
(ii)
s
(x) e o n umero de F mais perto de x. Se houver dois n umeros de F igualmente
perto de x ent ao
s
(x) e o maior deles.
Exemplo. Sendo = 3.1415926535 . . . e F = FP(10, 7) entao,
c
() = 0.3141592 10
+1
,
s
() = 0.3141593 10
+1
.
Exemplo. Sendo 0.1 = x = (0.11001100 . . .)
2
2
3
e F = FP(2, 4) ent ao
c
(x) = (0.1100)
2
2
3
=
3
32
= (0.09375)
10
s
(x) = (0.1101)
2
2
3
=
13
128
= (0.1015625)
10
Erros de arredondamento
Proposicao. Sendo x R
F
e x = (x) F = FP(, n, t
, t
+
), entao:
[e
x
[ <
tn
, [
x
[ <
1n
;
(ii) Arredondamento simetrico:
[e
x
[ <
1
2

tn
, [
x
[ <
1
2

1n
.
6
Dem.:
x = (0.a
1
a
2
. . . a
n
a
n+1
. . .)
t
, [x[
1+t
x =
c
(x) = (0.a
1
a
2
. . . a
n
)
t
e
x
= x x = (0.0 . . . 0a
n+1
. . .)
t
= (0.a
n+1
a
n+2
. . .)
tn
[e
x
[ <
tn
[
x
[ =
[e
x
[
[x[
<
1n
(ii) Arredondamento simetrico:
(a) 0 a
n+1
<

2
x =
s
(x) = (0.a
1
a
2
. . . a
n
)
t
e
x
= (0.a
n+1
a
n+2
. . .)
tn
[e
x
[ <

2

1
tn
=
1
2

tn
[
x
[ <
1
2

1n
(b)

2
a
n+1
<
x =
s
(x) = [(0.a
1
a
2
. . . a
n
)
+
n
]
t
e
x
= [(0.a
n+1
a
n+2
. . .)
1]
tn
[e
x
[
1
2

tn
[
x
[ <
1
2

1n
Nota. O majorante do erro relativo depende de , de n e do tipo de arredondamento,
mas nao depende de x.
Denicao. Dado um sistema FP(, n, t
, t
+
) dene-se a unidade de arredondamento
do sistema por
u
c
=
1n
, u
s
=
1
2

1n
.
Exemplo. Sistemas denidos pela Norma IEC559.
FP(2, 24, -125, 128): u
s
= 2
24
0.596046 10
7
FP(2, 53, -1021, 1024): u
s
= 2
53
0.111022 10
15
Operacoes aritmeticas num sistema de ponto utuante
Denicao. Sendo : R R R uma operacao aritmetica, = +, , , , dene-se a
operac ao aritmetica correspondente num sistema de ponto utuante F, : R
F
R
F
F,
por
x y = ((x) (y))
Exemplo. Sendo x = e y =
333
106
e considerando um sistema de ponto utuante FP(10,
7
6, -10, 10) com arredondamento simetrico obtem-se:
x + y = 0.628310 10, x y = 0.800000 10
4
,
x y = 0.986934 10, x y = 0.100003 10
Note-se que:
x = = 3.14159265358 . . . , x = 0.314159 10
y =
333
106
= 3.14150943396 . . . , y = 0.314151 10
Algarismos signicativos
Denicao. Seja
x = (0.a
1
a
2
. . . a
n
)
10
10
t
uma aproxima cao de x pertencente a FP(10, n). Diz-se que o algarismo a
i
e algarismo
signicativo de x se
[e
x
[
1
2
10
ti
.
Nota.
(i) Se a
i
, i 2, e signicativo ent ao a
j
, 1 j < i, sao signicativos.
(ii) Se a
n
e signicativo ent ao os n algarismos de x s ao signicativos.
Nota. Se x e obtido de x por arredondamento simetrico ent ao os n algarismos de x s ao
signicativos.
Exemplo. Sendo = 3.14159265358 . . ., entao:
(i) a aproximacao = 3.141592 tem 6 algarismos signicativos;
e

0.6535 10
6
,
1
2
10
17
< [e

[ <
1
2
10
16
(ii) a aproximacao

= 3.141593 tem 7 algarismos signicativos.
e

0.3465 10
6
,
1
2
10
18
< [e

[ <
1
2
10
17
Exemplo. N umero de algarismos signicativos da representac ao de um n umero real nos
sistemas de ponto utuante denidos pela Norma IEC559 (considerando arredondamento
simetrico).
Formato simples: FP(2, 24, -125, 128), u 0.596046 10
7
6 ou 7 algarismos signicativos
8
Formato duplo: FP(2, 53, -1021, 1024), u 0.111022 10
15
15 ou 16 algarismos signicativos
x = m10
t
, x x = x
x
, [
x
[ < u = m
u
10
tu
[x x[ < mm
u
10
t+tu
, 0.1m
u
mm
u
< m
u
Erros de overow e underow
Denicao. Os erros de overow e underow ocorrem quando t , t
, . . . , t
+
. Se
t > t
+
tem-se overow enquanto se t < t
tem-se underow.
Exemplo. C alculo de [x +iy[ para
(i) x = y = 10
20
; (ii) x = 10
20
, y = 1;
no sistema FP( 2, 24, -125, 128).
[x +iy[ =
_
x
2
+y
2
=
_
_
[x[
_
1 +
_
y
x
_
2
, [x[ [y[
[y[
1 +
_
x
y
_
2
, [x[ < [y[
(i) x = 10
20
= y : [x +iy[ = 10
20
2
(ii) x = 10
20
, y = 1 : [x +iy[ = 10
20
1 +
_
1
10
20
_
2
10
20
Exemplo. C alculo das razes de ax
2
+bx +c = 0 para
(i) a = 10
20
, b = 3 10
20
, c = 2 10
20
;
(ii) a = 2, b = 3 10
20
, c = 2;
no sistema FP(2, 24, -125, 128).
x
=
1
2a
_
b +
b
2
4ac
_
, x
+
=
1
2a
_
b
b
2
4ac
_
(i) As razes coincidem com as do caso a = 1,

b = 3, z = 2:
x
= 1, x
+
= 2
(ii) x
=
b
2a
_
1 +
_
1
4ac
b
2
_
, x
+
=
c/a
x
=
3 10
20
4
_
1 +
1
16
(3 10
20
)
2
_
3
2
10
20
, x
+

2
3
10
20
9
Propagacao de erros (teoria linearizada)
Denicao. Diz-se que
f(x)
.
= h(x), quando x x
,
i.e., f e igual a h em primeira aproximac ao quando x x
, se
f(x) = h(x) +o([h(x)[), quando x x
,
onde o smbolo (de Landau) o([h(x)[), x x
, designa uma func ao generica g tal que

lim
xx
[g(x)[
[h(x)[
= 0.
Exemplo. 1 cos x
.
=
x
2
2
, x 0.
Proposicao. Seja : I R R, C
2
(I). Sejam x I e x I um valor que aproxima
x. Ent ao:
e
( x)
= (x) ( x)
.
=
(x) e
x
=: e
L
( x)
, quando e
x
0,
e, no caso de ser (x) ,= 0, x ,= 0,
( x)
=
e
( x)
(x)
.
= p
(x)
x
=:
L
( x)
, quando
x
0,
onde
p
(x) =
x
(x)
(x)
.
Chama-se a [p
(x)[ o n umero de condicao de em x.

Exemplo. : R R, (x) = x
m
, m N
1
L
( x)
= m
x
,
( x)
= m
x
i=2
_
m
i
_
(
x
)
i
Exemplo.
L
fg( x)
= p
f
(g(x))p
g
(x)
x
.
Proposicao. Seja : D R
n
R, C
2
(D). Sejam x D e x D um valor que
aproxima x. Ent ao:
e
( x)
= (x) ( x)
.
= e
L
( x)
=
n
k=1
x
k
(x) e
x
k
, quando
n
k=1
[e
x
k
[ 0,
e, no caso de ser (x) ,= 0,
n
k=1
[x
k
[ , = 0,
( x)
=
e
( x)
(x)
.
=
L
( x)
=
n
k=1
p
,x
k
(x)
x
k
, quando
n
k=1
[
x
k
[ 0,
10
onde
p
,x
k
(x) =
x
k
x
k
(x)
(x)
.
Exemplo. Operac oes aritmeticas (x, y R)
(x, y)
L
( x, y)

( x, y)
L
( x, y)
x +y
x
x +y
x
+
y
x +y
y
0
x y
x
x y
y
x y
y
0
x y
x
+
y

x
y
x y
x
y
(
x
y
)
1
y
Exemplo. : R
2
R, (x, y) = x
2
y
2
,
L
( x, y)
=
2
x
2
y
2
(x
2
x
y
2
y
)
Propagacao de erros em algoritmos
Denicao. Uma funcao : I R R diz-se uma funcao elementar num sistema F se
x I F o valor que aproxima (x) em F e dado por
(x) = ((x)).
Proposicao. Seja : I R R uma func ao elementar num sistema F. Seja x um valor
aproximado de x I. Ent ao:
(1)
e
(x)
= (x)

(x) = (x) ((x)) = (x)
arr,
onde [
arr,
[ u, e u e a unidade de arredondamento de F.
(2)
( x)
.
=
L
( x)
=
L
( x)
+
arr,
,
L
( x)
= p
(x)
x
.
Dem.: (2)
e
( x)
= (x)

( x)
= (x) ( x) + ( x)

( x)
.
=
(x)e
x
+( x)
arr,
.
=
(x)e
x
+(x)
arr,
11
Nota. A denicao de funcao elementar generaliza-se para func oes de mais de uma vari avel
e, em particular, para as opera coes aritmeticas.
Denicao. Por algoritmo entende-se uma sequencia nita de operac oes elementares que
conduz a um valor aproximado da soluc ao de um problema.
Exemplo. Algoritmos para o c alculo de z = (x) = 1 cos x, x R:
Alg. 1: u = cos x = (x), z = 1 u = (u)
Alg. 2: u
1
=
x
2
, u
2
= sin u
1
, u
3
= u
2
2
, z = 2 u
3
Exemplo. Algoritmos para o c alculo de z = (x) = x
2
1
x
2
2
, x = (x
1
, x
2
) R
2
:
Alg. 1:
_
_
u
1
= x
1
x
1
=
1
(x)
u
2
= x
2
x
2
=
2
(x)
z = u
1
u
2
= (u)
Alg. 2:
_
_
u
1
= x
1
+x
2
=
1
(x)
u
2
= x
1
x
2
=
2
(x)
z = u
1
u
2
= (u)
,
1
,
2
s ao em cada caso as func oes elementares.
Exemplo. Algoritmo para o c alculo de z = (x), : R
n
R:
u = (x), : R
n
R
p
, z = (u), : R
p
R.
Pondo = (
1
,
2
, . . . ,
p
) ent ao
1
, . . . ,
p
, s ao as p + 1 fun coes elementares.
Proposicao. Suponhamos que o c alculo de z = (x), : R
n
R, e efectuado por uma
algoritmo
com p + 1 passos em que a cada passo corresponde uma fun cao elementar a
que est a associado um certo erro de arredondamento. Seja x um valor aproximado de x.
Ent ao o erro relativo total de z =

( x) em rela cao a (x) e dado por
z
.
=
L
z
=
L
( x)
+
L
arr
,
onde
L
( x)
=
n
k=1
p
,x
k
x
k
,
L
arr
=
p+1
k=1
q
k
arr,k
.
Os pesos q
1
, q
2
, . . . , q
p+1
dependem do algoritmo e [
arr,k
[ u, k 1, 2, . . . , p + 1.
Exemplo. No caso dos dois algoritmos para o calculo de z = 1cos x obtem-se os seguintes
erros relativos:
Algoritmo 1:
L
z
=
L
( x)
+
L
arr
L
( x)
= p
(x)
x
, p
(x) =
x sin x
1 cos x
L
arr
=
cos x
1 cos x

arr,
+
arr,
12
Algoritmo 2:
L
z
=
L
( x)
+
L
arr
L
( x)
= p
(x)
x
L
arr
= p
(x)
arr,1
+ 2
arr,2
+
arr,3
+
arr,4
Com efeito:
Algoritmo 1:
L
u
= p
(x)
x
+
arr,
, p
(x) =
x
(x)
(x)
=
x sin x
cos x
L
z
= p
(u)
L
u
+
arr,
, p
(u) =
u
(u)
(u)
=
u
1 u
=
cos x
1 cos x
L
z
= p
(u) [p
(x)
x
+
arr,
] +
arr,
= p
(u)p
(x)
x
+p
(u)
arr,
+
arr,
Algoritmo 2:
L
u
1
=
x
+
arr,1
L
u
2
= p
u
2
(u
1
)
L
u
1
+
arr,2
, p
u
2
(u
1
) =
u
1
cos u
1
u
2
L
u
3
= 2
L
u
2
+
arr,3
L
z
=
L
u
3
+
arr,4
= 2 [p
u
2
(u
1
) (
x
+
arr,1
) +
arr,2
] +
arr,3
+
arr,4
2p
u
2
(u
1
) = p
(x)
Exemplo. No caso dos dois algoritmos para o calculo de z = x
2
1
x
2
2
obtem-se os seguintes
erros relativos:
Algoritmo 1:
L
z
=
L
( x)
+
L
arr
L
( x)
=
2
z
_
x
2
1
x
1
x
2
2
x
2
_
,
L
arr
=
x
2
1
z

arr,
1
x
2
2
z

arr,
2
+
arr,
Algoritmo 2:
L
z
=
L
( x)
+
L
arr
L
( x)
=
2
z
_
x
2
1
x
1
x
2
2
x
2
_
,
L
arr
=
arr,
1
+
arr,
2
+
arr,
13
Condicionamento e estabilidade numerica
Qualquer problema matematico pode ser descrito da seguinte forma:
Seja D o conjunto de dados do problema e seja S o conjunto de todas as
soluc oes (resultados) possveis do problema. Seja f : D S a aplica cao que
a cada elemento de D associa um elemento de S, a solucao do problema.
Denicao. Um problema diz-se estavel ou bem posto se a pequenos erros relativos dos
dados correspondem pequenos erros relativos dos resultados. Caso contr ario o problema
diz-se instavel ou mal posto. Em certos casos esta noc ao pode ser concretizada. Diz-se
que o problema e estavel para um dado x D se existir uma constante K 0 tal que e
satisfeita a seguinte desigualdade:
max
1jm
[
z
j
[
K max
1in
[
x
i
[, x V
x
,
onde z = f( x), f : R
n
R
m
, e V
x
D e uma vizinhan ca de x. Nestes casos diz-se
ainda que o problema e bem condicionado se K e pequeno e mal condicionado se K
e grande.
Exemplo. Vimos que para z = f(x), z = f( x), f : R
n
R,
z
.
=
L
z
=
n
i=1
p
f,x
i
x
i
.
O problema e pois mal posto para x D se algum dos n umeros de condicao p
f,x
i
tender
para innito para esse x. Caso isto n ao aconteca podemos denir
K =
n
i=1
[p
f,x
i
[.
A resolucao numerica deste problema signica que existe uma outra aplicac ao f
: D
S, que a cada elemento de D associa um elemento de S, a soluc ao numerica do problema.
Neste caso para alem dos erros dos dados temos de considerar os erros de arredondamento.
Denicao. Um algoritmo diz-se numericamente (ou computacionalmente) estavel se
a pequenos erros relativos dos dados e a pequenos valores da unidade de arredondamento
correspondem pequenos erros relativos nos resultados do algoritmo. Caso contr ario o algo-
ritmo diz-se numericamente (ou computacionalmente) instavel. Em certos casos
esta noc ao pode ser concretizada. Diz-se que o algoritmo e numericamente estavel
para um dado x D se existir uma constante K 0 tal que e satisfeita a seguinte
desigualdade:
max
1jm
[
z
j
[
K
_
max
1in
[
x
i
[ +u
_
, x V
x
,
onde z =

f
( x) e V
x
D e uma vizinhanca de x. (Recorde-se que a unidade de arredon-
damento e um majorante de todos os erros relativos de arredondamento.)
14
Exemplo. Vimos que para z = f(x), z =

f
( x), f : R
n
R,
z
.
=
L
z
=
n
i=1
p
f,x
i
x
i
+
p+1
i=1
q
i
arr,i
.
O algoritmo e pois numericamente inst avel para x D se algum dos n umeros de condicao
p
f,x
i
ou algum dos q
i
tender para innito para esse x. Caso isto nao aconteca podemos
denir
K = max
_
n
i=1
[p
f,x
i
[,
p+1
i=1
[q
i
[
_
.
Exemplo. O problema de c alculo de z = 1 cos x e um problema mal posto para
x = 2k, k ZZ 0. O Algoritmo 2 e numericamente inst avel para os mesmos
valores de x. O Algoritmo 1 e tambem numericamente inst avel para x = 0.
Com efeito:
Algoritmo 1:
L
z
= p
(x)
x
+q(x)
arr,
+
arr,
Algoritmo 2:
L
z
= p
(x)
x
+p
(x)
arr,1
+ 2
arr,2
+
arr,3
+
arr,4
p
(x) =
x sin x
1 cos x
, q(x) =
cos x
1 cos x
p
e singular para x = 2k, k ZZ; lim

x0
p
(x) = 2.
q e singular para x = 2k, k ZZ.
1
2. M
ETODOS ITERATIVOS
Normas vectoriais
Denicao. Seja E um espaco vectorial sobre R (ou C). Uma func ao N : E R diz-se
uma norma se vericar as seguintes condic oes:
(1) N(x) 0, x E; N(x) = 0 x = 0.
(2) N(x) = [[N(x), x E, R (ou C).
(3) N(x +y) N(x) + N(y), x, y E. (Desigualdade triangular)
Notacao. |x|
N
= N(x)
Exemplo. Normas em R
n
(ou C
n
). Seja x = (x
1
, x
2
, . . . , x
n
) R
n
.
(1) Norma da soma
|x|
1
=
n
i=1
[x
i
[
(2) Norma Euclidiana
|x|
2
=
_
n
i=1
[x
i
[
2
_
1/2
(3) Norma do m aximo
|x|
= max
1in
[x
i
[
(4) Norma-p, p 1
|x|
p
=
_
n
i=1
[x
i
[
p
_
1/p
Nota. A desigualdade triangular para a norma-p,
|x +y|
p
|x|
p
+|y|
p
, x, y C
n
, p 1,
e conhecida por desigualdade de Minkowski.
Denicao. Um espaco vectorial no qual est a denida uma norma diz-se um espaco
normado.
Denicao. Sejam E um espaco normado com a norma N e X um subconjunto de E.
Ent ao f : E R diz-se uma funcao contnua em X se e s o se
> 0 > 0 x, y X : N(x y) < [f(x) f(y)[ < .
Proposicao. Uma norma N num espaco vectorial E e uma func ao contnua de E em R.
2
Denicao. Diz-se que duas normas N e M num espaco vectorial E s ao equivalentes se
existirem constantes positivas C
1
e C
2
tais que
C
1
M(x) N(x) C
2
M(x), x E.
Teorema. Todas as normas num espa co vectorial de dimens ao nita s ao equivalentes.
Exemplo. Sendo x C
n
:
(1) |x|
|x|
1
n|x|
(2) |x|
|x|
2

n|x|
(3) |x|
2
|x|
1

n|x|
2
Com efeito:
(1) |x|
= [x
m
[
i
[x
i
[ = |x|
1
n[x
m
[ = n|x|
(2) |x|
2
= [x
m
[
2
i
[x
i
[
2
= |x|
2
2
n[x
m
[
2
= n|x|
2
(3) |x|
2
2
=
i
[x
i
[
2
i
[x
i
[
_
2
= |x|
2
1
|x|
1
=
i
1 [x
i
[
_
i
1
2
_
1/2
_
i
[x
i
[
2
_
1/2
=
n|x|
2
(onde se usou a desigualdade de Cauchy-Schwarz)
Denicao. Sendo x, y C
n
dene-se o seu produto interno < x, y > por
< x, y >= y
x =
n
i=1
x
i
y
i
.
Proposicao. Sendo x, y, z C
n
, C, A M
n
(C).
(1) < x, y +z >=< x, y > + < x, z >;
(2) < x, y >= < x, y >; < x, y >= < x, y >;
(3) < x, y >= < y, x >;
(4) < x, x > 0; < x, x >= 0 x = 0;
(5) |x|
2
= (< x, x >)
1/2
;
3
(6) [ < x, y > [ |x|
2
|y|
2
, vericando-se a igualdade se e s o se y = x, C.
(Desigualdade de Cauchy-Schwarz)
(7) < Ax, y >=< x, A
y >, onde A
designa a matrix conjugada transposta de A.

Nota. Designaremos o espa co de matrizes quadradas de ordem n por M
n
(R) ou M
n
(C),
consoante os elementos das matrizes sejam reais ou complexos.
Erro, erro absoluto, erro relativo ( x x E)
Denicao. Seja E um espaco normado com norma | | e x o valor aproximado de x E.
Denem-se:
Erro de x em relac ao a x: e
x
= x x
Erro absoluto de x em relac ao a x: |e
x
|
Erro relativo de x em relac ao a x ,= 0:
x
=
e
x
|x|
, ou |
x
| =
|e
x
|
|x|
( Percentagem de erro: 100|
x
|(%) )
Nota. Os erros dependem da norma utilizada.
Exemplo. Sendo x = (,
2, 1), x = (3.14, 1.4, 1.01):

x x = (0.00159265, 0.0142136, 0.01)
|e
x
|
1
= 0.0258063, |e
x
|
2
= 0.0174517, |e
x
|
= 0.0142136.
Convergencia e ordem de convergencia
Denicao. Seja x
(k)
kN
uma sucess ao de elementos de um espaco normado E. Diz-se
que esta sucessao converge para um certo x E segundo a norma N, escrevendo-se
simbolicamente x
(k)
N
x, se e so se
lim
k
|x
(k)
x|
N
= 0.
Nota. Do teorema anterior sobre a equivalencia de todas as normas num espaco de di-
mens ao nita resulta que se uma dada sucessao x
(k)
converge para um certo x E
segundo uma certa norma N, entao tambem converge para x segundo qualquer outra
norma M. Esta observacao permite-nos, enquanto estivermos a tratar de espacos de
dimens ao nita, falar de convergencia sem nos referirmos a nenhuma norma em espe-
cial. Por isso dizemos simplesmente que a sucessao x
(k)
converge para x e escrevemos
simbolicamente x
(k)
x.
4
Nota. Sempre que nao haja risco de confusao designaremos, por simplicidade de notac ao,
o termo geral de uma sucess ao por x
n
em vez de por x
(n)
.
Denicao. Seja x
n
uma sucessao convergente para x e seja e
n
= x x
n
,= 0. Para r 1
consideremos a sucess ao
K
[r]
n
=
|e
n+1
|
|e
n
|
r
.
(1) Se existir n
0
tal que
n > n
0
K
[r]
n
K
+
< M
r
,
onde M
1
= 1 e M
r
= +, r > 1, diz-se que a sucess ao tem ordem de con-
vergencia (o.c.) maior ou igual a r.
(2) Se alem disso
n > n
0
0 < K
K
[r]
n
,
diz-se que a sucess ao tem o.c. r.
(3) Se existir
K
[r]
= lim
n
K
[r]
n
,
este valor e designado por coeciente assimptotico de convergencia de ordem
r, vericando-se entao:
K
[r]
< M
r
: a sucessao tem o.c. maior ou igual a r;
0 < K
[r]
< M
r
: a sucessao tem o.c. r;
se r = 1 a convergencia diz-se linear;
se r = 2 a convergencia diz-se quadr atica;
K
[r]
= 0, r > 1 : a sucess ao tem convergencia exponencial;

K
[1]
= 0 : a sucessao tem convergencia supralinear;

K
[1]
= 1 : a sucessao tem convergencia logartmica ou infralinear.

Nota. Se a sucess ao tem o.c. r, entao tem o.c. maior ou igual a q, 0 < q < r. Com
efeito, como lim
n
|e
(n)
|
rq
= 0, tem-se
|e
n+1
|
|e
n
|
q
=
|e
n+1
|
|e
n
|
r
|e
n
|
rq
K
[r]
0 = 0.
Por outro lado, se a sucessao tem o.c. r, ent ao nao pode ter o.c. superior a r. Com
efeito, sendo q > p, como lim
n
|e
n
|
rq
= e K
[r]
,= 0, tem-se
|e
n+1
|
|e
n
|
q
=
|e
n+1
|
|e
n
|
r
|e
n
|
rq
K
[r]
= .
Exemplo. As quatro sucess oes seguintes convergem para 1 com a ordem de convergencia
5
indicada (a, b Z, a, b 2):
(1) u
n
= 1 +
1
n
a
: convergencia logartmica ou infralinear
(2) v
n
= 1 +
1
a
n
: convergencia linear
(3) x
n
= 1 +
1
a
b
n
: convergencia (supralinear) de ordem b
(4) y
n
= 1 +
1
a
b
n
2
: convergencia exponencial
Com efeito:
[1 u
n+1
[
[1 u
n
[
=
_
n
n + 1
_
a
n
1
[1 v
n+1
[
[1 v
n
[
=
1
a
< 1
[1 x
n+1
[
[1 x
n
[
r
= a
b
n
(rb)
n
_
_
0, r < b
1, r = b
, b < r
[1 y
n+1
[
[1 y
n
[
r
= a
b
n
2
(rb
2n+1
)
n
0
Gr acos de log
10
[e
n
[, e
n
= 1 u
n
, em fun cao de n para
(1) u
n
= 1 +n
5
; (2) u
n
= 1 + 5
n
;
(3)
u
n
= 1 + 5
r
n
, r =
1 +
5
2
; (3) u
n
= 1 + 5
2
n
; (4) u
n
= 1 + 5
2
n
2
,
no sentido dos ponteiros do relogio.
10 20 30 40 50
140
120
100
80
60
40
20
0
6
Exemplo. Consideremos a sucess ao
w
n
= 1 +
2 + (1)
n
4
n
.
Uma vez que
K
[1]
n
=
[1 w
n+1
[
[1 w
n
[
=
1
4
2 + (1)
n+1
2 + (1)
n
=
_
_
1
12
, n par,
3
4
, n mpar,
n ao existe K
[1]
. No entanto, como podemos escrever,

0 <
1
12
K
[1]
n

3
4
< 1,
conclumos que a sucessao tem convergencia linear.
Metodos iterativos
Denicao. Seja X um subconjunto de um espa co normado E e seja p 1 um inteiro.
Chama-se metodo iterativo a p passos em E ` a aplicacao : X
p
E
N
que a cada
(
0
,
1
, . . . ,
p1
) X
p
associa uma sucess ao x
(m)
mN
de elementos de E tal que
_
x
(i)
=
i
, i 0, 1, . . . , p 1
x
(m+p)
=
_
x
(m)
, x
(m+1)
, . . . , x
(m+p1)
_
, m N,
onde : X
p
X e uma func ao conhecida. Diz-se que e a funcao iteradora, x
(m+p)
e
a iterada de ordem m +p e (
0
,
1
, . . . ,
p1
) sao os valores iniciais.
Denicao. Diz-se que o metodo iterativo a p passos e convergente para x E, num
certo domnio D X
p
, se para quaisquer valores iniciais (
0
,
1
, . . . ,
p1
) D se vericar
que x
(m)
x.
Denicao. Diz-se que o metodo iterativo e de ordem r se a sucess ao gerada pelo metodo
tem ordem de convergencia r.
Exemplo. Os seguintes metodos iterativos s ao utilizados na determinac ao de zeros de
func oes f : I R R:
(1) Metodo do ponto xo (f(x) = 0 x = g(x)):
_
x
m+1
= g(x
m
), m N,
x
0
=
0
I
: I R
N
, : I I, (x) = g(x)
7
(2) Metodo de Newton:
_
_
_
x
m+1
= x
m
f(x
m
)
f
(x
m
)
, m N,
x
0
=
0
I
: I R
N
, : I I, (x) = x
f(x)
f
(x)
(3) Metodo da secante:
_
_
_
x
m+2
= x
m+1
f(x
m+1
)
x
m+1
x
m
f(x
m+1
) f(x
m
)
, m N,
x
0
=
0
I, x
1
=
1
I
: I
2
R
N
, : I
2
I, (x, y) =
xf(y) yf(x)
f(y) f(x)
Os metodos tem o.c. 1, 2 e r =
1 +
5
2
, respectivamente.
O seguinte metodo iterativo utiliza-se na resolucao de sistemas lineares,
Ax = b, A M
d
(R), b R
d
:
_
_
x
m+1
= Cx
m
+w, m N,
C = I M
1
A, w = M
1
b, det M ,= 0,
x
0
=
0
R
d
: R
d
(R
d
)
N
, : R
d
R
d
, (x) = Cx +w
O metodo tem o.c. 1.
Equacoes às diferencas
Denicao. Por uma equacao às diferencas de ordem p N
1
linear e de coecentes
constantes, entende-se uma equac ao da forma
x
m+p
+
p1
i=0
a
i
x
m+i
= 0,
onde m N, x
m
C e os coecientes a
0
, a
1
, . . . , a
p1
s ao n umeros complexos.
Denicao. O problema de valor inicial para a equacao às diferencas consiste em
determinar a solucao da equac ao que satisfaca às condic oes iniciais
x
i
=
i
, i 0, . . . , p 1,
onde
0
,
1
, . . . ,
p1
s ao dados. Este problema constitui um metodo iterativo a p passos
de acordo com a denic ao apresentada anteriormente.
8
Exemplo. A sucessao gerada pelo metodo iterativo
_
x
m+2
x
m+1
x
m
= 0, m 0,
x
0
= x
1
= 1,
e conhecida como sucessao de Fibonacci.
Exemplo. Soluc ao do problema de valor inicial
_
x
m+2
+a
1
x
m+1
+a
0
x
m
= 0, m 0,
x
0
=
0
, x
1
=
1
.
Sendo r
1
, r
2
os zeros do polinomio P(r) = r
2
+a
1
r +a
0
tem-se:
(1) r
1
,= r
2
x
m
= c
1
r
m
1
+c
2
r
m
2
, c
1
=
r
2
1
r
2
r
1
, c
2
=
r
1
0
+
1
r
2
r
1
(2) r
1
= r
2
x
m
= r
m
1
(c
1
+c
2
m), c
1
=
0
, c
2
=

1
r
1
0
Este resultado pode obter-se escrevendo a soluc ao (1) na forma
x
m
=
0
r
m
1
+ (
1
r
1
0
)
r
m
2
r
m
1
r
2
r
1
,
e fazendo r
2
r
1
.
Proposicao. Considere-se a equa cao ` as diferen cas de ordem p
x
m+p
+
p1
i=0
a
i
x
m+i
= 0.
Seja
P(z) = z
p
+
p1
i=0
a
i
z
i
,
o polinomio caracterstico da equac ao. Entao:
(1) (i) Se P tem p razes distintas z
1
, z
2
, . . . , z
p
, a soluc ao geral da equac ao e
x
m
=
p
i=1
C
i0
z
m
i
.
(ii) Se P tem q razes distintas, 1 q < p, z
1
, . . . , z
q
, com multiplicidades
1
, . . . ,
q
,
respectivamente, vericando a identidade
1
+. . .+
q
= p, a soluc ao geral da equacao
e
x
m
=
q
i=1
_
i
1
j=0
C
ij
m
j
_
z
m
i
.
Em ambos os casos os C
ij
s ao constantes arbitr arias.
9
(2) O problema de valor inicial tem uma solucao unica, com as constantes C
ij
xadas
pelas condicoes iniciais.
Exemplo. A sucessao de Fibonacci tem o termo geral
x
m
=
1
5
_
_
_
1 +
5
2
_
m+1
_
1
5
2
_
m+1
_
_
.
Com efeito:
Polin omio caracterstico: P(z) = z
2
z 1
Razes de P: r
1
=
1 +
5
2
, r
2
=
1
5
2
Soluc ao geral: x
m
= C
1
r
m
1
+C
2
r
m
2
Condic oes iniciais:
_
1 = x
0
= C
1
+C
2
1 = x
1
= C
1
r
1
+C
2
r
2
_
C
1
=
r
1
5
C
2
=
r
2
5
Exemplo. Instabilidade numerica ilustrada pelo metodo iterativo a dois passos denido
por
_
_
x
m+2
=
13
3
x
m+1
4
3
x
m
, m 0,
x
0
= 1, x
1
=
1
3
,
cuja soluc ao exacta e
x
m
=
_
1
3
_
m
.
Na p agina seguinte apresentam-se os resultados do calculo numerico da sucess ao x
m
gerada pelo metodo iterativo em precis ao simples e dupla.
Os resultados podem ser interpretados a partir da solu cao exacta do problema de
valor inicial perturbado,
_
_
x
m+2
=
13
3
x
m+1
4
3
x
m
, m 0,
x
0
= 1 +
0
, x
1
=
1
3
+
1
,
onde [
0
[, [
1
[ 1 :
x
m
=
_
1 +
3
11
(4
0
1
)
_ _
1
3
_
m
+
1
11
(3
1
0
)(4)
m
.
Com efeito:
10
Polin omio caracterstico: P(z) = z
2
13
3
z +
4
3
Razes de P: r
1
= 4, r
2
=
1
3
Soluc ao geral: x
m
= C
1
r
m
1
+C
2
r
m
2
Condic oes iniciais:
_
_
_
1 +
0
= x
0
= C
1
+C
2
1
3
+
1
= x
1
= C
1
r
1
+C
2
r
2
_
C
1
=
1
11
(3
1
0
)
C
2
= 1 +
3
11
(4
0
1
)
11
C alculo da sucess~ao $\t{x}_m$ em precis~ao simples:
$m$ $\t{x}_m$ $x_m$ $1 - \t{x}_m/x_m$
0 1. 1. 0.
1 0.333333343 0.333333343 0.
2 0.111111164 0.111111119 -4.02331324E-07
3 0.0370372571 0.037037041 -5.83380415E-06
4 0.0123465639 0.012345681 -7.15143833E-05
5 0.00411876757 0.00411522714 -0.000860322558
6 0.00138590776 0.00137174246 -0.010326501
7 0.000513910258 0.000457247486 -0.123921447
8 0.000379067467 0.000152415843 -1.48706079
9 0.000957412063 5.08052835E-05 -17.8447342
10 0.00364336255 1.69350951E-05 -214.136826
11 0.0145113552 5.64503171E-06 -2569.64185
12 0.0580247231 1.88167735E-06 -30835.7012
13 0.232092008 6.27225802E-07 -370028.438
14 0.928365767 2.09075282E-07 -4440341.
15 3.71346235 6.96917581E-08 -53284096.
C alculo da sucess~ao $\t{x}_m$ em precis~ao dupla:
$m$ $\t{x}_m$ $x_m$ $1 - \t{x}_m/x_m$
0 1. 1. 0.
1 0.333333333 0.333333333 9.99200722E-15
2 0.111111111 0.111111111 1.30770395E-13
3 0.037037037 0.037037037 1.58029839E-12
4 0.012345679 0.012345679 1.89748217E-11
5 0.00411522634 0.00411522634 2.27709242E-10
6 0.00137174211 0.00137174211 2.73252339E-09
7 0.000457247356 0.000457247371 3.27902927E-08
8 0.00015241573 0.00015241579 3.93483525E-07
9 5.08050235E-05 5.08052634E-05 4.72180232E-06
10 1.69341282E-05 1.69350878E-05 5.66616278E-05
11 5.64119099E-06 5.64502927E-06 0.000679939534
12 1.86632331E-06 1.88167642E-06 0.00815927441
13 5.65813017E-07 6.27225474E-07 0.0979112929
14 -3.65746704E-08 2.09075158E-07 1.17493551
15 -9.12907595E-07 6.96917194E-08 14.0992262
1
3. RESOLUC

AO NUM
ERICA DE EQUAC

OES N
AO-LINEARES
Localizacao de razes: teoremas elementares da Analise Matematica
Sendo f C([a, b]) a equac ao f(x) = 0 pode n ao ter solu coes, pode ter uma unica
soluc ao ou pode ter mais do que uma soluc ao no intervalo [a, b].
Exemplo. A func ao f
: [3, 3] R, f
(x) = x
4
4x
2
+ , tem um n umero de zeros no
intervalo [3, 3] que varia com o parametro entre zero e quatro.
Valores de ] , 45[ [45, 0[ 0 ]0, 4[ 4 ]4, [
N umero de zeros de f
0 2 3 4 2 0
Os resultados seguintes (Introdu cao à Analise Matematica, Jaime Campos Ferreira,
Fundac ao Calouste Gulbenkian) sao essenciais para a localiza cao de razes de fun coes
reais de variavel real.
Teorema (do valor intermedio). Seja f uma fun cao contnua num intervalo I, a e b dois
pontos de I tais que f(a) ,= f(b); ent ao, qualquer que seja o n umro k (estritamente)
compreendido entre f(a) e f(b) existe pelo menos um ponto c (estritamente) compreendido
entre a e b tal que f(c) = k.
Teorema (de Rolle). Seja f uma funcao contnua no intervalo [a, b] (com a, b R, a < b)
e diferenciavel em ]a, b[; se f(a) = f(b), existe um ponto c ]a, b[ tal que f
(c) = 0.
Corolario. Entre dois zeros de uma func ao diferenciavel num intervalo h a, pelo menos,
um zero da sua derivada.
Corolario. Entre dois zeros consecutivos da derivada de uma func ao diferenci avel num
intervalo n ao pode haver mais de um zero dessa funcao.
Teorema (de Lagrange). Se f e uma fun cao contnua no intervalo [a, b] e diferenci avel em
]a, b[, existe pelo menos um ponto c ]a, b[ tal que
f(b) f(a)
b a
= f
(c).
O seguinte corol ario do teorema de Lagrange e util na obtencao de estimativas de erros
de aproximac oes de zeros de funcoes:
Corolario. Seja z uma aproximac ao do zero z da func ao f C
1
([ z; z]). Ent ao:
[e
z
[ = [z z[
[f( z)[
min
[ z;z]
[f
()[
.
2
Localizacao de razes: metodo da bisseccao
Denicao. Seja f C([a, b]) tal que f(a)f(b) < 0, pelo que f tem pelo menos um zero no
intervalo [a, b] = I. O metodo da bisseccao consiste em construir a partir do intervalo
I
0
= [a
0
, b
0
] = I uma sucessao de subintervalos I
m
= [a
m
, b
m
] I, m N
1
, em que um
dos extremos de I
m
e o ponto medio de I
m1
,
x
m1
=
1
2
(a
m1
+b
m1
),
e o outro e ou a
m1
ou b
m1
, por forma a que f(a
m
)f(b
m
) < 0, o que se consegue pondo:
(i) a
m
= a
m1
, b
m
= x
m1
, se f(a
m1
)f(x
m1
) < 0;
(ii) a
m
= x
m1
, b
m
= b
m1
, se f(x
m1
)f(b
m1
) < 0.
Notando que
b
m
a
m
=
1
2
(b
m1
a
m1
),
verica-se que um zero de f vai sendo sucessivamente connado a intervalos cada vez mais
pequenos.
Nota. O metodo da bisseccao pode descrever-se analticamente pela formula:
x
m+1
= x
m
+
b a
2
m+2
sgn[f(a)f(x
m
)], m N, x
0
=
a +b
2
.
Proposicao. Seja f C([a, b]) tal que f(a)f(b) < 0 e que tem apenas uma raiz z em [a, b].
Ent ao o metodo da bissec cao converge para z e vericam-se as seguintes estimativas de
erro:
(1) [z x
m
[
b a
2
m+1
, m 0; (Estimativa a priori)
(2) [z x
m
[ [x
m
x
m1
[, m 1. (Estimativa a posteriori)
Dem.: ( )
Exemplo. Determinac ao da raiz positiva da equac ao f(x) = x
2
2 = 0 com um erro
inferior a 10
4
.
A equacao tem uma e uma so raiz no intervalo I = [0, 2] pois
f(0) = 2, f(2) = 2, f
(x) = 2x 0, x I.
Calculemos o menor valor de m para o qual [z x
m
[ :
[z x
m
[
b a
2
m+1
m
log
b a
log 2
1
Para [a, b] = [0, 2], = 10
4
obtem-se m 13.3. logo m = 14.
3
m a
m
b
m
x
m
f(x
m
) x
m
x
m1
z x
m
0 0.000000 2.000000 1.000000 -1.000000 0.414214
1 1.000000 2.000000 1.500000 0.250000 0.500000 -0.085787
2 1.000000 1.500000 1.250000 -0.437500 -0.250000 0.164214
3 1.250000 1.500000 1.375000 -0.109375 0.125000 0.039214
4 1.375000 1.500000 1.437500 0.066406 0.062500 -0.023287
5 1.375000 1.437500 1.406250 -0.022461 -0.003125 0.007964
6 1.406250 1.437500 1.421875 0.021729 0.015625 -0.007662
7 1.406250 1.421875 1.414063 -0.000427 -0.007812 0.000151
8 1.414063 1.421875 1.417969 0.010635 0.003906 -0.003756
9 1.414063 1.417969 1.416016 0.005100 -0.001953 -0.001803
10 1.414063 1.416016 1.415039 0.002336 -0.000977 -0.000826
11 1.414063 1.415039 1.414551 0.000954 -0.000488 -0.000337
12 1.414063 1.414551 1.414307 0.000263 -0.000244 -0.000093
13 1.414063 1.414307 1.414185 -0.000082 -0.000122 0.000029
14 1.414185 1.414307 1.414246 0.000091 0.000061 -0.000032
Notas.
(a) O metodo da bissecc ao e um metodo iterativo a um passo com func ao iteradora
descontnua.
(b) O metodo e sempre convergente desde que f(a)f(b) < 0, mas a convergencia pode
ser muito lenta.
(c) N ao se pode armar que o metodo tem convergencia linear mas apenas que tem
semelhancas com metodos com convergencia linear. Com efeito a sucess ao dos ma-
jorantes do erro w
m
, w
m
=
ba
2
m+1
, converge linearmente com factor assimptotico
de convergencia K
[1]
=
1
2
.
(d) A estimativa a posteriori pode ser utilizada como criterio de paragem para o
metodo iterativo.
(e) O metodo da bissecc ao e util para a localizac ao de razes e para a inicializac ao de
metodos mais r apidos cuja convergencia s o e garantida com uma boa aproximac ao
inicial.
Metodo do ponto xo
Denicao. Diz-se que z e um ponto xo de uma fun cao g : R R se e s o se z = g(z).
Notas.
(a) Podemos transformar qualquer equac ao f(x) = 0, f : R R, numa equa cao
x = g(x), estabelecendo a equivalencia
f(x) = 0 x = g(x),
num certo domnio D.

E claro que se z D for zero da func ao f ent ao ser a ponto
xo de g e vice-versa.
4
(b) H a innitas possibilidades de escolher g (a fun cao iteradora) de forma a que a
equivalencia se verique. Por exemplo, basta pensar que se ,= 0 temos
f(x) = 0 x = x +f(x),
Como iremos ver, algumas escolhas de g n ao serao apropriadas, ou ser ao menos
apropriadas do que outras, para o objectivo em vista.
Denicao. O metodo do ponto xo e o metodo iterativo a um passo da forma
x
m+1
= g(x
m
), m N, x
0
=
0
dado.
Nota. Considerando g uma func ao contnua, se o metodo convergir, convergir a para
um ponto xo z que, pela equivalencia estabelecida, sera uma raiz da equa cao, ou seja,
f(z) = 0.
Exemplo. Utilizac ao do metodo do ponto xo com as func oes iteradoras:
(a) g(x) = x +(x
2
3); (b) g(x) =
3
x
; (c) g(x) =
1
2
_
x +
3
x
_
;
no calculo da raiz positiva da equac ao x
2
3 = 0.
n x
n
(a) (b) (c) (a)
= 1 = 1/4
0 2.0 2.0 2.0 2.0
1 3.0 1.5 1.750000000000000 1.750000000000000
2 9.0 2.0 1.732142857142857 1.734375000000000
3 87.0 1.5 1.732050810014728 1.732360839843750
4 7563.0 2.0 1.732050807568877 1.732092319987714
5 1.5 1.732050807568877 1.732056368747609
6 1.732051552617821
7 1.732050907386370
8 1.732050820941883
9 1.732050809360520
10 1.732050807808912
11 1.732050807601036
12 1.732050807573186
13 1.732050807569455
14 1.732050807568955
15 1.732050807568888
16 1.732050807568879
17 1.732050807568877
5
Exemplo.
(a) Ilustra cao da convergencia monotona para o ponto xo da sucess ao gerada pelo
metodo do ponto xo com func ao iteradora g(x) = 2 cos x e valor inicial x
0
= 3.
(b) Ilustracao da convergencia alternada para o ponto xo da sucess ao gerada pelo
metodo do ponto xo com func ao iteradora g(x) = 2 + 0.8 cos x e valor inicial
x
0
= 3.
(c) Ilustracao da nao convergencia para o ponto xo da sucess ao gerada pelo metodo do
ponto xo com func ao iteradora g(x) =
1
2
(1+3x3 sin x) e valor inicial x
0
= 1.6.
(d) Ilustracao da n ao convergencia para o ponto xo da sucessao gerada pelo metodo
do ponto xo com func ao iteradora g(x) = 2 + 1.5 cos x e valor inicial x
0
= 1.6.
Denicao. Uma func ao g : I R, onde I e um intervalo fechado, diz-se uma funcao de
Lipschitz ou Lipschitziana em I se existir um n umero real L 0 tal que
[g(x) g(y)[ L[x y[, x, y I.
Se L < 1 a funcao diz-se contractiva ou uma contraccao em I, com constante de
contractividade L.
Exemplo.
(a) f : [a, a] R, a > 0, f(x) = [x[.
E funcao de Lipschitz com L = 1.

(b) f : [a, b] R, b > a > 0, f(x) = x
1/2
.
E func ao de Lipschitz com L =

1
2
a
.

E contracc ao para a >
1
4
.
Teorema do ponto xo (em R). Seja g : I R uma func ao contractiva num intervalo
I R com constante de contractividade L e tal que g(I) I. Ent ao:
(1) g tem um e um so ponto xo z em I;
(2) a sucessao x
m
mN
denida por x
m+1
= g(x
m
) converge para z, qualquer que seja
x
0
I;
(3) vericam-se as seguintes estimativas de erro:
(i) [z x
m+1
[ L[z x
m
[ ;
(ii) [z x
m
[ L
m
[z x
0
[ ;
(iii) [z x
m
[
1
1 L
[x
m+1
x
m
[ ;
(iv) [z x
m+1
[
L
1 L
[x
m+1
x
m
[ ;
6
(v) [z x
m
[
L
m
1 L
[x
1
x
0
[ .
Dem.: ( )
Proposicao. A funcao g C
1
(I) e contractiva em I se e s o se
max
xI
[g
(x)[ < 1.
Dem.: ( )
Proposicao. Seja g C
1
(I) uma fun cao tal que:
(i) g(I) I; (ii) L = max
xI
[g
(x)[ < 1.
Ent ao s ao validas as conclusoes do teorema do ponto xo.
Dem.: ( )
Proposicao (da convergencia mon otona e alternada). Seja g C
1
(I) uma funcao tal que
g(I) I.
(1) Seja 0 < g
(x) < 1, x I. Se x
0
I h a convergencia mon otona do metodo do
ponto xo (isto e, as iteradas cam todas ` a esquerda (respectivamente à direita)
do ponto xo se a iterada inicial estiver ` a esquerda (respectivamente à direita) do
ponto xo).
(2) Seja 1 < g
(x) < 0, x I. Se x
0
I h a convergencia alternada do metodo do
ponto xo (isto e, as iteradas cam alternadamente à esquerda e à direita do ponto
xo).
Dem.: ( )
Proposicao (da convergencia local). Seja g C
1
(V
z
), onde V
z
e uma vizinhan ca de z,
ponto xo de g, com [g
(z)[ < 1. Entao s ao validas as conclus oes do teorema do ponto

xo desde que x
0
esteja sucientemente perto de z.
Dem.: ( )
Proposicao (da nao convergencia para um ponto xo). Seja g C
1
(V
z
), onde V
z
e uma
vizinhanca de z, ponto xo de g, com [g
(z)[ > 1. Ent ao a sucess ao x

m
, x
m+1
= g(x
m
),
n ao pode convergir para esse ponto xo (a nao ser que excepcionalmente x
m
= z para
algum m).
Dem.: ( )
Proposicao (da convergencia local, linear). Seja g C
1
(V
z
), onde V
z
e uma vizinhanca de
7
z, ponto xo de g, com 0 < [g
(z)[ < 1. Ent ao, para qualquer x

0
para o qual o metodo do
ponto xo converge para z, tem-se:
(1) z x
m+1
= g
(
m
)(z x
m
),
m
]z; x
m
[ ;
(2) lim
m
z x
m+1
z x
m
= g
(z).
Dem.: ( )
Nota. O metodo do ponto xo tem neste caso convergencia linear com coeciente as-
simpt otico de convergencia
K
[1]
= [g
(z)[ .
Proposicao (da convergencia local, supra-linear). Seja g C
p
(V
z
), p 2, onde V
z
e uma
vizinhanca de z, ponto xo de g, tal que
g
(z) = = g
(p1)
(z) = 0, g
(p)
(z) ,= 0.
Ent ao, para qualquer x
0
para o qual o metodo do ponto xo converge para z, tem-se:
(1) z x
m+1
=
(1)
p+1
p!
g
(p)
(
m
)(z x
m
)
p
,
m
]z; x
m
[ ;
(2) lim
m
z x
m+1
(z x
m
)
p
=
(1)
p+1
p!
g
(p)
(z) .
Dem.: ( )
Nota. O metodo do ponto xo tem neste caso convergencia de ordem p com coeciente
assimpt otico de convergencia
K
[p]
=
1
p!
g
(p)
(z)
.
Exemplo. Considere-se o polin omio do 3
o
grau
p(x) = x
3
4x + 1.
(a) Mostrar que o polinomio tem tres razes reais z
1
< z
2
< z
3
tais que
z
1
[2.2, 2.0], z
2
[0.1, 0.3], z
3
[1.8, 2.0].
(b) Mostrar que o metodo do ponto xo com funcao iteradora g
1
, denida por
g
1
(x) = (4x 1)
1/3
, x R,
8
converge para a raiz z
1
para qualquer x
0
[2.2, 2.0].
(c) Utilizar o metodo do ponto xo com func ao iteradora g
1
para obter um valor
aproximado da raiz z
1
com um erro absoluto inferior a 10
6
.
(d) Mostrar que o metodo do ponto xo com func ao iteradora g
1
pode ser utilizado
para calcular a raiz z
3
mas nao a raiz z
2
.
(e) Mostrar que o metodo do ponto xo com funcao iteradora g
2
, denida por
g
2
(x) =
1
4
(x
3
+ 1), x R,
pode ser utilizado para calcular a raiz z
2
mas nao qualquer das outras razes.
(f) Mostrar que o metodo do ponto xo com func ao iteradora g
3
, denida por
g
3
(x) =
4
x

1
x
2
x ,= 0,
pode ser utilizado para calcular a raiz z
3
mas nao qualquer das outras razes.
Resoluc ao:
(a) p(2.2) = 0.848
p(2.0) = 1.0
_
p tem pelo menos uma raiz em I
1
= [2.2, 2.0]
p(0.1) = 0.601
p(0.3) = 0.173
_
2
= [0.1, 0.3]
p(1.8) = 0.368
p(2.0) = 1.00
_
3
= [1.8, 2.0]
Sendo p um polinomio do 3
o
grau conclui-se que p tem exactamente
tres razes reais, uma em cada um dos intervalos indicados.
(b) p(x) = 0 x = g
1
(x)
g
1
(x) = (4x 1)
1/3
, g
1
(x) =
4
3
(4x 1)
2/3
, g
1
(x) =
32
9
(4x 1)
5/3
g
1
(2.2) = 2.14 I
1
g
1
(2.0) = 2.08 I
1
g
1
(x) > 0, x I
1
_
_
_
g
1
(I
1
) I
1
g
1
(x) > 0, x I
1
g
1
(x) > 0, x I
1
_
max
xI
1
[g
1
(x)[ = [g
1
(2.0)[ = 0.308161 < 1
g
1
tem um e um so ponto xo z
1
I
1
para o qual o metodo do ponto
xo com fun cao iteradora g
1
converge, x
0
I
1
.
(c) x
m+1
= g
1
(x
m
), m N, x
0
I
1
9
[z
1
x
m
[
L
1 L
[x
m
x
m1
[ =: B
m
L = max
xI
1
[g
1
(x)[ = 0.308161
m x
m
B
m
0 2.1
1 2.11045429 0.466 10
2
2 2.11357921 0.139 10
2
3 2.11451150 0.415 10
3
4 2.11478948 0.124 10
3
5 2.11487235 0.369 10
4
6 2.11489705 0.110 10
4
7 2.11490441 0.328 10
5
8 2.11490661 0.978 10
6
z
1
x
8
= 2.11491
Note-se que z
1
= 2.114907541476755 . . .
[z
1
x
7
[ = 0.313 10
5
, [z
1
x
8
[ = 0.932 10
6
(d) g
1
(x) > 0, x I
3
g
1
(x) < 0, x I
3
_
max
xI
3
[g
1
(x)[ = [g
1
(1.8)[ = 0.395 < 1
g
1
(1.8) = 1.84 I
3
g
1
(2.0) = 1.91 I
3
g
1
(x) > 0, x I
3
_
_
_
g
1
(I
3
) I
3
.
O metodo do ponto xo com f. iteradora g
1
converge para z
3
, x
0
I
3
.
I
2
= [0.251, 0.3]
p(0.251) = 0.0118
p(0.3) = 0.173
_
z
2

I
2
g
1
(x) > 0, x

I
2
g
1
(x) < 0, x

I
2
_
min
x
I
2
[g
1
(x)[ = [g
1
(0.3)[ = 3.90 > 1
1
n ao pode convergir para z
2
.
(e) g
2
(x) =
1
4
(x
3
+ 1), g
2
(x) =
3x
2
4
, g
2
(x) =
3x
2
g
2
(x) > 0, x I
2
g
2
(x) > 0, x I
2
_
max
xI
2
[g
2
(x)[ = [g
2
(0.3)[ = 0.0675 < 1
10
g
2
(0.1) = 0.250 I
2
g
2
(0.3) = 0.257 I
2
g
2
(x) > 0, x I
2
_
_
_
g
2
(I
2
) I
2
.
2
converge para z
2
, x
0
I
2
.
g
2
(x) > 0, x I
1
g
2
(x) < 0, x I
1
_
min
xI
1
[g
2
(x)[ = [g
2
(2.0)[ = 3.0 > 1
2
1
.
g
2
(x) > 0, x I
3
g
2
(x) > 0, x I
3
_
min
xI
3
[g
2
(x)[ = [g
2
(1.8)[ = 2.43 > 1
2
3
.
(f) g
3
(x) =
4
x
2
_
x
1
4
_
, g
3
(x) =
4
x
3
_
1
2
x
_
, g
3
(x) =
8
x
4
_
x
3
4
_
g
3
(x) < 0, x I
3
g
3
(x) > 0, x I
3
_
max
xI
3
[g
3
(x)[ = [g
3
(1.8)[ = 0.892 < 1
g
3
(1.8) = 1.91 I
3
g
3
(2.0) = 1.75 , I
3
_
g
3
(I
3
) , I
3
I
3
= [1.8, 1.93]
p(1.8) = 0.368
p(1.93) = 0.469
_
z
3

I
3
g
3
(1.8) = 1.91358

I
3
g
3
(1.93) = 1.80408

I
3
g
3
(x) < 0, x

I
3
_
_
_
g
3
(
I
3
)

I
3
.
3
converge para z
3
, x
0

I
3
.
g
3
(x) < 0, x I
1
g
3
(x) < 0, x I
1
_
min
xI
1
[g
3
(x)[ = [g
3
(2.2)[ = 1.01 > 1
3
1
.
g
3
(x) > 0, x I
2
g
3
(x) < 0, x I
2
_
min
xI
2
[g
3
(x)[ = [g
3
(0.3)[ = 29.6 > 1
3
2
.
11
Metodo de Newton
Denicao. O metodo de Newton e o metodo iterativo a um passo da forma
x
m+1
= x
m
f(x
m
)
f
(x
m
)
, m N, x
0
=
0
dado.
Nota. O metodo de Newton pode ser interpretado geometricamente da seguinte forma: a
iterada x
m+1
e a intersecc ao do eixo das abcissas com a recta tangente ` a curva y = f(x)
no ponto (x
m
, f(x
m
)), cuja equa cao e
y = f(x
m
) +f
(x
m
)(x x
m
).
Proposicao (condi coes sucientes de convergencia). Seja f C
2
(I), I = [a, b], uma fun cao
que verica as seguintes condicoes:
(1) f(a)f(b) 0 ;
(2) f
(x) ,= 0, x I ;
(3) f
(x) 0 ou f
(x) 0, x I ;
(4) (a) f(x
0
)f
(x) 0, x I, x
0
I;
ou
(b)
f(a)
f
(a)
b a e
f(b)
f
(b)
b a.
Ent ao o metodo de Newton converge monotonamente para a unica solucao z de f(x) = 0
em I.
Dem.: ( )
Proposicao (da convergencia local, quadratica). Seja f C
2
(V
z
), onde V
z
e uma vizinhanca
de z, raiz de f, tal que f
(z) ,= 0, f
(z) ,= 0. Ent ao, para qualquer x

0
sucientemente
pr oximo de z, a sucess ao x
m
denida pelo metodo de Newton converge para z. Alem
disso:
(1) (Formula do erro)
z x
m+1
=
f
(
m
)
2f
(x
m
)
(z x
m
)
2
,
m
]z; x
m
[
(2) (Estimativa do erro)
[z x
m+1
[ K[z x
m
[
2
, K =
max
xI
[f
(x)[
2 min
xI
[f
(x)[
,
ou
[z x
m
[
1
K
(K[z x
0
[)
2
m
, m 0,
12
onde I = [z , z +] V
z
e tal que f
(x) ,= 0, x I, K < 1, e x
0
I.
(3) (Ordem de convergencia 2)
lim
m
z x
m+1
(z x
m
)
2
=
f
(z)
2f
(z)
.
Dem.: ( )
Nota. O metodo de Newton tem pois convergencia de ordem 2 com coeciente as-
simpt otico de convergencia
K
[2]
(z)
2f
(z)
.
O metodo de Newton pode ser encarado como um caso particular do metodo do ponto
xo com fun cao iteradora g denida por
g(x) = x
f(x)
f
(x)
.
Usando os resultados sobre a convergencia local e supra-linear do metodo do ponto xo
obtemos o seguinte resultado:
Proposicao (da convergencia local, quadratica e supra-quadratica). Seja f C
p+1
(V
z
), p
2, onde V
z
e uma vizinhanca de z, raiz de f, tal que:
(i) f
(z) ,= 0, f
(z) ,= 0, se p = 2;
(ii) f
(z) ,= 0, f
(z) = = f
(p1)
(z) = 0, f
(p)
(z) ,= 0, se p 3.
Ent ao, para qualquer x
0
sucientemente proximo de z, o metodo de Newton converge
para z, e
lim
m
z x
m+1
(z x
m
)
p
= (1)
p+1
p 1
p!
f
(p)
(z)
f
(z)
.
Dem.: ( )
o
grau
p(x) = x
3
4x + 1,
para o qual se vericou a existencia de tres razes reais z
1
< z
2
< z
3
tais que
z
1
[2.2, 2.0], z
2
[0.1, 0.3], z
3
[1.8, 2.0].
(a) Mostrar que o metodo de Newton com iterada inicial x
0
[0.1, 0.3] converge
para a raiz z
2
.
13
(b) Utilizar o metodo de Newton para obter um valor aproximado da raiz z
2
com
um erro absoluto inferior a 10
6
.
Resoluc ao:
(a) Condic oes sucientes de convergencia x
0
I
2
= [0.1, 0.3] = [a, b]:
(o) p C
2
(I
2
)
(i) p(a) = 0.601
p(b) = 0.173
_
p(a)p(b) < 0
(ii) p
(x) = 3x
2
4 < 0, x I
2
(iii) p
(x) = 6x > 0, x I
2
(iv)
p(a)
p
(a)
=
0.601
3.97
= 0.151 < 0.2 = b a
p(b)
p
(b)
=
0.173
3.73
= 0.0464 < 0.2 = b a
(b) x
m+1
= g(x
m
), m N, x
0
I
2
, g(x) = x
p(x)
p
(x)
[e
m
[ K[e
m1
[
2
=: B
m
, m 1
K =
max
xI
2
[p
(x)[
2 min
xI
2
[p
(x)[
=
[p
(b)[
2[p
(b)[
=
1.8
2 3.73
= 0.241287 0.242
x
0
=
a +b
2
= 0.2, [e
0
[
b a
2
= 0.1
K[e
0
[ 0.0242 < 1
m x
m
B
m
0 0.2
1 0.2536082474226804 0.242 10
2
2 0.2541016396741136 0.142 10
5
3 0.2541916883650519 0.486 10
12
z
2
x
3
= 0.254191688365
Note-se que z
2
= 0.2541916883650524 . . . , [z
2
x
3
[ = 0.5 10
15
Denicao. Diz-se que uma func ao f tem um zero z de multiplicidade > 1 se existir
uma func ao h contnua em z tal que h(z) ,= 0 e que
f(x) = (x z)
h(x).
14
Nota. Se h C
(V
z
) ent ao
f(z) = f
(z) = = f
(1)
(z) = 0, f
()
(z) ,= 0.
Proposicao (da convergencia local, linear). Seja f C
2
(V
z
), onde V
z
e uma vizinhanca de
z, zero de multiplicidade > 1 de f. Entao, para qualquer x
0
sucientemente proximo
de z, o metodo de Newton converge para z e
lim
m
z x
m+1
z x
m
= 1
1
.
Dem.: ( )
Denicao. O metodo de Newton -modicado para um zero de multiplicidade > 1 de f
e denido por
x
m+1
= x
m
f(x
m
)
f
(x
m
)
, m N, x
0
=
0
dado.
Proposicao (da convergencia local, quadratica). Seja f C
3
(V
z
), onde V
z
e uma vizinhanca
de z, zero de multiplicidade > 1 de f. Entao, para qualquer x
0
sucientemente proximo
de z, o metodo de Newton -modicado converge para z e:
lim
m
z x
m+1
(z x
m
)
2
=
1
(z)
h(z)
.
onde h e tal que f(x) = (x z)
h(x), h(z) ,= 0.
Dem.: ( )
Nota. O metodo de Newton -modicado tem a desvantagem de exigir o conhecimento
a priori da multiplicidade da raiz.
Metodo da secante
Denicao. O metodo da secante e o metodo iterativo a dois passos da forma
x
m+2
= x
m+1
f(x
m+1
)
x
m+1
x
m
f(x
m+1
) f(x
m
)
, m N, x
0
=
0
, x
1
=
1
,
0
,
1
dados.
Nota. O metodo da secante pode ser interpretado geometricamente da seguinte forma:
a iterada x
m+2
e a intersecc ao do eixo das abcissas com a recta que passa pelos pontos
(x
m
, f(x
m
)) e (x
m+1
, f(x
m+1
)), cuja equa cao e
y = f(x
m+1
) +
f(x
m+1
) f(x
m
)
x
m+1
x
m
(x x
m+1
).
15
Proposicao (condi coes sucientes de convergencia). Seja f C
2
(I), I = [a, b], uma fun cao
que verica as seguintes condicoes:
(1) f(a)f(b) 0 ;
(2) f
(x) ,= 0, x I ;
(3) f
(x) 0 ou f
(x) 0, x I ;
(4) (a) f(x
0
)f
(x) 0, e f(x
1
)f
(x) 0, x I, x
0
, x
1
I;
ou
(b)
f(a)
f
(a)
b a e
f(b)
f
(b)
b a.
Ent ao o metodo da secante converge para a unica soluc ao z de f(x) = 0 em I.
Proposicao (da convergencia local). Seja f C
2
(V
z
), onde V
z
e uma vizinhan ca de z, raiz
de f, tal que [f
(z)[ , = 0. Ent ao, para quaisquer x

0
e x
1
sucientemente proximos de z, o
metodo da secante converge para z. Alem disso:
(1) (Formula do erro)
z x
m+1
=
f
(
m
)
2f
(
m
)
(z x
m
) (z x
m1
) ,
m
]x
m1
; x
m
[,
m
]x
m1
; z; x
m
[
(2) (Estimativa do erro)
[z x
m+1
[ K[z x
m
[ [z x
m1
[ , K =
max
xI
[f
(x)[
2 min
xI
[f
(x)[
,
ou
[z x
m
[
1
K

qm
, m 0,
onde I = [z , z +] V
z
e tal que f
(x) ,= 0, x I, K < 1, x
0
, x
1
I,
= maxK[z x
0
[, K[z x
1
[ < 1,
e q
m
e a sucessao de Fibonnaci.
(3) (Ordem de convergencia)
lim
m
[z x
m+1
[
[z x
m
[
r
=
(z)
2f
(z)
r1
=: K
[r]
, r =
5 + 1
2
= 1.61803 . . .
Dem.: ( )
o
grau
p(x) = x
3
4x + 1,
16
para o qual se vericou a existencia de tres razes reais z
1
< z
2
< z
3
tais que
z
1
[2.2, 2.0], z
2
[0.1, 0.3], z
3
[1.8, 2.0].
(a) Mostrar que o metodo da secante com iteradas iniciais x
0
, x
1
[1.8, 2.0] converge
para a raiz z
3
.
(b) Utilizar o metodo da secante para obter um valor aproximado da raiz z
3
com
6
.
Resoluc ao:
(a) Condic oes sucientes de convergencia x
0
I
3
= [1.8, 2.0] = [a, b]:
(o) p C
2
(I
3
)
(i) p(a) = 0.368
p(b) = 1.00
_
p(a)p(b) < 0
(ii) p
(x) = 3x
2
4 > 0, x I
3
(iii) p
(x) = 6x > 0, x I
3
(iv)
p(a)
p
(a)
= 0.0643 < 0.2 = b a
p(b)
p
(b)
= 0.125 < 0.2 = b a

(b) x
m+2
= g(x
m
, x
m1
), m N, g(x, y) =
xp(y) yp(x)
p(y) p(x)
[e
m
[ K[e
m1
[[e
m2
[ =: B
m
, m 2
K =
max
xI
3
[p
(x)[
2 min
xI
3
[p
(x)[
=
[p
(b)[
2[p
(a)[
=
12.0
2 5.72
= 1.05
[e
0
[ b a = 0.2, [e
1
[ b a = 0.2
K[e
0
[ 0.21 < 1, K[e
1
[ 0.21 < 1
m x
m
B
m
0 1.8
1 2.0
2 1.853801169590643 0.420 10
1
3 1.860025945055839 0.882 10
2
4 1.860810653297940 0.389 10
3
5 1.860805849838245 0.360 10
5
6 1.860805853111690 0.147 10
8
17
z
3
x
6
= 1.86080585
Note-se que z
3
= 1.860805853111703 . . . , [z
3
x
6
[ = 0.140 10
13
Nota (comparacao do metodo de Newton com o metodo da secante). Vimos que;
O metodo de Newton:
(i) tem ordem de convergencia 2;
(ii) envolve o calculo de f e f
em cada itera cao.

O metodo da secante:
(i) tem ordem de convergencia r 1.618;
(ii) envolve apenas o c alculo de f em cada itera cao.
Pode mostrar-se que o tempo de c alculo dos dois metodos, para um mesmo erro, e o
mesmo se
t
f
0.44t
f
ou, dito de outra maneira, o metodo de Newton sera mais ecaz se
t
f
< 0.44t
f
.
1
4. RESOLUC

AO NUM
ERICA DE SISTEMAS LINEARES

Normas matriciais
Uma vez que M
n
(R) ou M
n
(C) sao espacos vectoriais de dimens ao n
2
, topologicamente
equivalentes aos espaco R
n
2
ou C
n
2
, respectivamente, qualquer das normas que intro-
duzimos em espacos vectoriais tambem serve como norma matricial. No entanto nem
todas as normas possveis tem interesse pratico. Vamos, portanto, come car por denir
duas condicoes suplementares que as normas matriciais devem satisfazer para se tornarem
uteis.
Denicao. Seja M uma norma no espaco M
n
(C). A norma M diz-se regular se e s o se
for satisfeita a condic ao
|AB|
M
|A|
M
|B|
M
, A, B M
n
(C).
Denicao. Seja M uma norma no espaco M
n
(C) e V uma norma no espaco vectorial C
n
.
A norma M diz-se compatvel com a norma V se e s o se for satisfeita a condic ao
|Ax|
V
|A|
M
|x|
V
, A M
n
(C), x C
n
.
A denicao seguinte permite-nos obter normas matriciais que satisfazem às cinco condic oes
impostas.
Denicao. Diz-se que uma norma matricial M em M
n
(C) est a associada a uma certa
norma vectorial V em C
n
se e s o se ela for denida pela igualdade
|A|
M
= sup
xC
n
\{0}
|Ax|
V
|x|
V
. (#)
Tambem se diz neste caso que a norma M e a norma induzida em M
n
(C) pela norma
vectorial V em C
n
ou e a norma em M
n
(C) subordinada ` a norma vectorial V em C
n
.
Proposicao. A equac ao (#) dene uma norma matricial, regular e compatvel com a
norma V , isto e, que satisfaz às cinco condic oes:
(1) |A|
M
0, A M
n
(C); |A|
M
= 0 A = 0;
(2) |A|
M
= [[|A|
M
, A M
n
(C), C;
(3) |A +B|
M
|A|
M
+|B|
M
, A, B M
n
(C);
(4) |Ax|
V
|A|
M
|x|
V
, A M
n
(C), x C
n
;
(5) |AB|
M
|A|
M
|B|
M
, A, B M
n
(C).
2
Dem.: ( )
Proposicao. Sendo M a norma associada ` a norma vectorial V e I a matriz identidade,
ent ao |I|
M
= 1.
Exemplo. Normas matriciais em M
n
(C) associadas a normas vectoriais em C
n
:
x = [x
i
] C
n
A = [a
ij
] M
n
(C)
|x|
1
=
n
i=1
[x
i
[ |A|
1
= max
1jn
n
i=1
[a
ij
[
norma por colunas
|x|
2
=
i=1
[x
i
[
2
|A|
2
=
_
r
(A
A)
norma Euclideana
|x|
= max
1in
[x
i
[ |A|
= max
1in
n
j=1
[a
ij
[
norma por linhas
Nota. A
designa a matriz transposta conjugada da matriz A.

Denicao. Seja A M
n
(C) e seja (A) o espectro de A, isto e, o conjunto dos valores
pr oprios de A. Chama-se raio espectral de A e representa-se por r
(A) a
r
(A) = max
(A)
[[.
Proposicao. A norma matricial associada à norma da soma em C
n
tem a forma
|A|
1
= max
1jn
n
i=1
[a
ij
[.
Dem.: ( )
Proposicao. A norma matricial associada à norma do m aximo em C
n
tem a forma
|A|
= max
1in
n
j=1
[a
ij
[.
Dem.: (Exerccio)
Proposicao. A norma matricial associada à norma Euclidiana em C
n
tem a forma
|A|
2
=
_
r
(A
A).
3
Nota. O c alculo de |A|
2
e muito mais complicado do que o de |A|
1
ou |A|
. Se apenas
precisarmos de uma estimativa de |A|
2
podemos recorrer ` as desigualdades seguintes.
Proposicao. Sendo A M
n
(C), ent ao:
(1)
1
n
|A|
1
|A|
2

n|A|
1
(2)
1
n
|A|
|A|
2

n|A|
(3) |A|
2

_
|A|
1
|A|
(4)
1
n
|A|
F
|A|
2
|A|
F
.
Dem.: (Exerccio)
Nota. Sendo A M
n
(C), A = [a
ij
], dene-se a norma de Frobenius de A por
|A|
F
=
_
n
i,j=1
[a
ij
[
2
_
1/2
.
Esta norma e regular, isto e,
|AB|
F
|A|
F
|B|
F
, A, B M
n
(C).
Esta norma e compatvel com a norma euclideana para vectores em C
n
, isto e,
|Ax|
2
|A|
F
|x|
2
, A M
n
(C), x C
n
.
Esta norma n ao est a associada a nenhuma norma vectorial pois |I|
F
=
n.
Exemplo. Sendo
A =
_
_
2 1 1
1 3 1
1 2 2
_
_
calcular |A|
1
, |A|
, |A|
F
, r
(A), |A|
2
.
Resoluc ao:
|A|
1
= max4, 6, 4 = 6
|A|
= max4, 5, 5 = 5
|A|
F
= (4 + 1 + 1 + 1 + 9 + 1 + 1 + 4 + 4)
1/2
=
26 = 5.09902
r
(A) = max
(A)
[[
4
(A) = C :
3
+ 7
2
18 + 18 = 0
= 3, 2 +i
2, 2 i
2
r
(A) = 3
|A|
2
=
_
r
(A
T
A)
(A
T
A) = C :
3
+ 26
2
186 + 324 = 0
= 2.58018, 8.31148, 15.1083
|A|
2
= 3.88695
Proposicao. Seja A M
n
(C). Ent ao:
(1) Qualquer que seja a norma matricial M associada a uma certa norma vectorial em
C
n
, verica-se
r
(A) |A|
M
.
(2) Qualquer que seja > 0 existe uma norma N() associada a uma certa norma
vectorial em C
n
tal que
|A|
N()
r
(A) + .
Dem.: (1) ( )
Corolario. Seja A M
n
(C). Ent ao r
(A) < 1 se e s o se |A|

M
< 1 para alguma norma
matricial M associada a uma norma vectorial em C
n
.
Dem.: ( )
Nota. O raio espectral de A e pois o nmo de todas as normas matriciais de A associadas
a normas vectoriais em C
n
.
Condicionamento de sistemas lineares
Consideremos o problema de determinar a solu cao de um sistema linear
Ax = b,
onde A M
n
(C), det A ,= 0, b C
n
. Os dados do problema sao neste caso a matriz A e
o vector b. A solucao e o vector x = A
1
b. Pretendemos analisar a forma como os erros
nos dados afectam os erros na soluc ao. Para isso consideramos um outro sistema linear
A x =

b,
e vamos procurar exprimir o erro relativo da solu cao do segundo sistema em relac ao ` a do
primeiro,
x x
|x|
, em termos dos erros relativos dos dados do segundo sistema em relac ao
aos do primeiro, isto e,
A

A
|A|
e
b
b
|b|
.
5
Proposicao. Consideremos os sistemas lineares
Ax = b, A x =

b,
onde b,
b C
n
, A M
n
(C), det A ,= 0. Ent ao
|
b
|
V
cond
M
(A)
|
x
|
V
cond
M
(A) |
b
|
V
onde
x
=
x x
|x|
V
,
b
=
b
b
|b|
V
, cond
M
(A) = |A|
M
|A
1
|
M
.
M designa a norma matricial associada ` a norma vectorial V .
Dem.: ( )
Proposicao. Consideremos os sistemas lineares
Ax = b,

A x =

b,
onde b,
b C
n
, A,

A M
n
(C), det A ,= 0 e

A e tal que
|A

A|
M
|A
1
|
M
< 1.
Ent ao

A e n ao singular e verica-se a desigualdade
|
x
|
V

cond
M
(A)
1 |
A
|
M
cond
M
(A)
(|
A
|
M
+|
b
|
V
) ,
onde
x
=
x x
|x|
V
,
b
=
b
b
|b|
V
,
A
=
A

A
|A|
M
, cond
M
(A) = |A|
M
|A
1
|
M
.
M designa a norma matricial associada ` a norma vectorial V .
Denicao. Seja A M
n
(C) uma matriz n ao singular. Chama-se n umero de condicao
de A relativamente à norma M a
cond
M
(A) = |A|
M
|A
1
|
M
.
Chama-se n umero de condicao de A relativamente ao raio espectral a
cond
(A) = r
(A)r
(A
1
).
Nota. O n umero de condic ao de A relativamente ` a norma p 1 e designado por cond
p
(A).
n
(C) uma matriz n ao singular. Entao:
6
(1) cond
(A) =
max
(A)
[[
min
(A)
[[
;
(2) cond
p
(A) cond
(A) 1, p 1 ;
(3) A = A
cond
2
(A) = cond
(A) ;
(4) AA
= I cond
2
(A) = cond
(A) = 1.
Dem.: ( )
Nota. (1) Uma matriz A M
n
(C) tal que A
= A diz-se uma matriz hermitiana. Uma

matriz hermitiana real e uma matriz simetrica.
(2) Uma matriz A M
n
(C) tal que A
A = AA
= I diz-se uma matriz unitaria.

Uma matriz unit aria real e uma matriz ortogonal.
Denicao. Um sistema linear com matriz A diz-se bem condicionado se cond
p
(A)

> 1
e mal condicionado se cond
p
(A) 1.
Exemplo. Sendo
A =
_
_
2 1 1
1 3 1
1 2 2
_
_
calcular cond
1
(A), cond
2
(A), cond
(A), cond
(A).
Resoluc ao:
A
1
=
1
18
_
_
8 4 2
3 3 3
1 5 7
_
_
|A
1
|
1
=
1
18
max12, 12, 12 =
2
3
|A
1
|
=
1
18
max14, 9, 13 =
7
9
r
(A
1
) =
1
min
(A)
[[
=
6
6
r
_
(A
1
)
T
A
1
_
=
1
min
(A
T
A)
[[
= 0.387570
|A
1
|
2
= 0.622551
cond
1
(A) = 6
2
3
= 4
cond
2
(A) = 3.88695 0.622551 = 2.41982
7
cond
(A) = 5
7
9
= 3.88889
cond
(A) = 3
6
6
= 1.22474
Exemplo. Matriz de Hilbert,
H
n
M
n
(R), (H
n
)
ij
=
1
i +j 1
.
A matriz inversa e conhecida explicitamente:
_
H
1
n
_
ij
=
(1)
i+j
(n +i 1)!(n +j 1)!
(i +j 1)[(i 1)!(j 1)!]
2
(n i)!(n j)!
A matriz aparece, por exemplo, na aproximac ao mnimos quadrados de uma func ao.
A matriz e muito mal condicionada:
n cond
(H
n
)
2 1.93 10
3 5.24 10
2
4 1.55 10
4
5 4.77 10
5
6 1.50 10
7
7 4.75 10
8
8 1.53 10
10
9 4.93 10
11
10 1.60 10
13
A matriz e utilizada para testar programas para resolver sistemas lineares mal con-
dicionados.
Exemplo. Considerem-se os sistemas
H
n
x = b
n
, n = 2, 3, 4, 5 (1)
onde H
n
e a matriz de Hilbert de ordem n e b
n
C
n
e um vector cujas componentes s ao
todas iguais a 1. Considerem-se tambem os sistemas
H
n
x = b
n
, n = 2, 3, 4, 5, (2)
onde

H
n
e a matriz que representa a matrix de Hilbert H
n
num sistema de ponto utuante
com 4 dgitos na mantissa. Determinar os erros relativos das soluc oes dos sistemas (2)
em relac ao aos sistemas (1), com o mesmo valor de n, e interpretar os resultados ` a luz da
desigualdade do teorema anterior.
8
n |
Hn
|
|
x
|
cond
(H
n
) z
n
= |
Hn
|
z
n
1 z
n
cond
(H
n
)
2 0.222 10
4
0.400 10
3
27 0.600 10
3
0.600 10
3
3 0.182 10
4
0.698 10
2
748 0.136 10
1
0.138 10
1
4 0.366 10
4
0.269 28375 0.104 10
1
5 0.480 10
4
0.914 943656 0.453 10
2
Resolucao numerica de sistemas lineares
Metodos directos: a solu cao exacta (na ausencia de erros de arredondamento) e obtida
num n umero nito de passos. S ao exemplos: o metodo de eliminacao de Gauss, de
que trataremos brevemente para introduzir a pesquisa parcial de pivot; os metodos de
factorizacao, a que apenas faremos uma breve referencia.
Metodos iterativos: a soluc ao aproximada converge para a solu cao exacta quando o
n umero de iteradas tende para innito. S ao exemplos, de que trataremos seguidamente:
metodo de Jacobi, metodo de Gauss-Seidel, metodo de Jacobi modicado ou com relaxacao,
metodo de Gauss-Seidel modicado ou com relaxacao ou metodo SOR.
Metodo de eliminacao de Gauss com pesquisa parcial de pivot
Denicao (pesquisa parcial de pivot). No passo k da eliminac ao de Gauss considere-se
s = min
_
r :
a
(k)
rk
= max
kin
a
(k)
ik
_
.
s e pois o menor dos ndices das linhas r k para os quais e atingido o valor m aximo dos
valores absolutos dos elementos
a
(k)
ik
da coluna k localizados abaixo e sobre a diagonal

principal. Se s > k trocam-se as linhas s e k da matriz A
(k)
e do vector b
(k)
; e prossegue-se
com o passo k da eliminac ao de Gauss. Esta estrategia implica que
[m
ik
[ 1, i = k + 1, . . . , n.
9
(0) A
(1)
= A, b
(1)
= b
_
_
i = 1, 2, . . . , n
_
j = 1, 2, . . . , n
a
(1)
ij
= a
ij
b
(1)
i
= b
i
(1) Reducao da matriz A ` a forma triangular superior
A
(1)
A
(2)
A
(n)
,
(2) Transformacao do 2
o
membro do sitema
b
(1)
b
(2)
b
(n)
_
_
k = 1, 2, . . . , n 1
_
A
(k)
A
(k+1)
, b
(k)
b
(k+1)
_
_
_
s > k, s = min
_
r :
a
(k)
rk
= max
kin
a
(k)
ik
_
.
_
_
j = k, k + 1, . . . , n
a
(k)
kj
a
(k)
sj
b
(k)
k
b
(k)
s
_
_
i = k + 1, k + 2, . . . , n
m
ik
=
a
(k)
ik
a
(k)
kk _
_
j = k + 1, k + 2, . . . , n
a
(k+1)
ij
= a
(k)
ij
m
ik
a
(k)
kj
b
(k+1)
i
= b
(k)
i
m
ik
b
(k)
k
(3) Resolucao do sistema transformado : A
(n)
x = b
(n)
_
_
x
n
=
b
(n)
n
a
(n)
nn
_
_
i = n 1, n 2, . . . , 1
x
i
=
1
a
(i)
ii
_
b
(i)
i

n
j=i+1
a
(i)
ij
x
j
_
10
Nota. Utilizac ao do metodo de elimina cao de Gauss para calcular o determinante de uma
matriz A M
n
(C), nao singular:
det A = (1)
det A
(n)
= (1)
a
(n)
11
a
(n)
22
a
(n)
nn
,
onde designa o n umero de troca de linhas efectuado. Comparemos, do ponto de vista da
eciencia computacional, medida pelo n umero de multiplicac oes e divisoes necessarias para
obter o resultado, este metodo com o metodo baseado na utilizac ao directa da denic ao:
det A =
p
sgn(p)a
1
a
2
. . . a
n
,
onde designa o conjunto de todas as permutacoes de (1, 2, . . . , n), p = (, , . . . , ) e
sgn(p) = 1.
n N
def
(n) = n!(n 1) N
EG
(n) =
1
3
(n 1)(n
2
+n + 3)

N
EG
(n) =
n
3
3
2 2 3
10 3.27 10
7
339 333
100 9.24 10
159
333399 333333
N
def
(n) designa o n umero de multiplicac oes necessarias para calcular det A por denic ao,
N
EG
(n) designa o n umero de multiplicac oes e divis oes necess arias para obter det A usando
o metodo de eliminac ao de Gauss para obter a matriz A
(n)
e

N
EG
(n) designa o valor
aproximado (assimpt otico) de N
EG
(n) para valores elevados de n.
Nota. Utilizac ao do metodo de eliminac ao de Gauss para calcular a matriz inversa A
1
de uma matriz A M
n
(C), nao singular. Sendo
AA
1
= I,
e designando por c
1
, . . . , c
n
as colunas de A
1
e por e
1
, . . . , e
n
as colunas da matriz iden-
tidade, podemos escrever
A[c
1
c
2
c
n
] = [e
1
e
2
e
n
].
A matriz A
1
pode pois ser obtida determinando as soluc oes c
1
, . . . , c
n
dos n sistemas
Ac
1
= e
1
, . . . , Ac
n
= e
n
por elimina cao de Gauss. Note-se que todos estes sistemas tem
a mesma matriz A pelo que a parte de reduc ao da matriz à forma triangular superior e
comum a todos eles.
Nota. Utilizac ao do metodo de eliminac ao de Gauss para obter a factorizacao trian-
gular de uma matriz A M
n
(C). Sendo A uma matriz nao singular ent ao existe uma
matriz de permuta cao P tal que a matriz PA admite uma unica factorizac ao triangular
PA = LU , onde L e uma matriz triangular inferior com diagonal principal unitaria e
U e uma matriz triangular superior com todos os elementos na diagonal principal dife-
rentes de zero. Os elementos de L por baixo da diagonal principal na coluna k s ao os
11
multiplicadores utilizados no passo k da eliminac ao de Gauss, isto e,
L =
_
_
1 0 0 0 0
m
21
1 0 0 0
m
31
m
32
1 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
m
n1
m
n2
m
n3
m
n,n1
1
_
_
A matriz U e a matriz do sistema apos a eliminac ao de Gauss, isto e,
U = A
(n)
.
A factorizac ao triangular de uma matriz permite reduzir a resoluc ao de um qualquer
sistema linear Ax = b ` a resoluc ao de dois sistemas lineares com matrizes triangulares, a
qual se faz facilmente:
Ax = b LUx = Pb
_
Ly = Pb
Ux = y
Exemplo. Considere-se o sistema linear
_
1 5
500 1
_ _
x
y
_
=
_
5
2
_
.
(a) Determinar a soluc ao exacta do sistema pelo metodo de eliminac ao de Gauss.
(b) Supondo que se efectuam os c alculos num sistema FP(10, 3, -10, 10), com arredon-
damento simetrico, determinar a solucao aproximada do sistema pelo metodo de
eliminac ao de Gauss.
(c) Idem, pelo metodo de eliminacao de Gauss com pesquisa parcial de pivot.
(d) Comparar os erros relativos das soluc oes obtidas nas alneas anteriores.
Resoluc ao:
(a)
_
1 5
500 1
_ _
x
y
_
=
_
5
2
_
_
1 5
0 2499
_ _
x
y
_
=
_
5
2498
_
_
x
y
_
=
_
_
5
2499
2498
2499
_
_
=
_
_
0.200080032 10
2
0.999599840
_
_
(b)
_
1.00 5.00
500. 1.00
_ _
x
y
_
=
_
5.00
2.00
_
12
_
1.00 5.00
0.00 2500.
_ _
x
y
_
=
_
5.00
2500.
_
_
x
y
_
=
_
0.00
1.00
_
(c)
_
500. 1.00
1.00 5.00
_ _
x
y
_
=
_
2.00
5.00
_
_
500. 1.00
0.00 5.00
_ _
x
y
_
=
_
2.00
5.00
_
_
x
y
_
=
_
0.00200
1.00
_
(d) (b) [
x
[ = 1., [
y
[ = 0.0004
(c) [
x
[ = 0.0004, [
y
[ = 0.0004
Metodos iterativos
Vamos considerar metodos iterativos para obter valores aproximados da solucao do
sistema linear Ax = b, A M
n
(C), b C
n
, da forma
_
x
(k+1)
= Cx
(k)
+w, k N,
x
(0)
=
0
C
n
.
Tratam-se pois de metodos iterativos a um passo com funcao iteradora : C
n
C
n
denida por (x) = Cx + w, onde C M
n
(C) e w C
n
. C e a matriz iteradora do
metodo.
Denicao. O metodo iterativo com funcao iteradora diz-se consistente com o sistema
Ax = b se este sistema e o sistema x = (x) tiverem a mesma soluc ao.
Proposicao. O metodo iterativo com fun cao iteradora e consistente com o sistema
Ax = b se e s o se
(I C)A
1
b = w.
Proposicao. O metodo iterativo com funcao iteradora tal que
C = M
1
N = I M
1
A, w = M
1
b,
onde M, N M
n
(C), M invertvel, M +N = A, e consistente.
Dem.:
Ax = b (M +N)x = b Mx = Nx +b x = M
1
Nx +M
1
b
13
Nota. A forma intermedia do metodo iterativo
Mx
(k+1)
= Nx
(k)
+b, k N,
ser a util mais adiante.
Proposicao. Qualquer matriz A M
n
(C), A = [a
ij
], pode ser decomposta na soma
A = L
A
+D
A
+U
A
,
onde
(i) L
A
= [l
ij
] M
n
(C) e uma matriz estritamente triangular inferior com elementos
l
ij
= a
ij
, i > j, l
ij
= 0, i j.
(ii) D
A
= [d
ij
] M
n
(C) e uma matriz diagonal com elementos
d
ij
= a
ij
, i = j, d
ij
= 0, i ,= j.
(iii) U
A
= [u
ij
] M
n
(C) e uma matriz estritamente triangular superior com elementos
u
ij
= a
ij
, i < j, u
ij
= 0, i j.
Denicao. O metodo de Jacobi corresponde a tomar
M = D, N = L +U,
na decomposicao de A = L+D+U = M +N, exigindo que D seja invertvel. Toma pois
a forma:
_
x
(k+1)
= D
1
[b (L +U)x
(k)
], k N,
x
(0)
=
0
C
n
,
ou, componente a componente,
_
_
x
(k+1)
i
=
1
a
ii
_
_
b
i
j=1
j=i
a
ij
x
(k)
j
_
_
, i = 1, . . . , n, k N,
x
(0)
i
=
0i
C, i = 1, . . . , n.
A matriz iteradora e
C
J
= D
1
(L +U) = I D
1
A.
Nota. O metodo de Jacobi e tambem conhecido por metodo das substituicoes simultaneas.
Denicao. O metodo de Gauss-Seidel corresponde a tomar
M = D +L, N = U,
14
na decomposic ao de A = L+D+U = M +N, exigindo que D+L seja invertvel. Toma
pois a forma;
_
x
(k+1)
= D
1
_
b Lx
(k+1)
Ux
(k)
, k N,
x
(0)
=
0
C
n
,
_
_
x
(k+1)
i
=
1
a
ii
_
b
i
i1
j=1
a
ij
x
(k+1)
j

n
j=1+1
a
ij
x
(k)
j
_
, i = 1, . . . , n, k N,
x
(0)
i
=
0i
C, i = 1, . . . , n.
C
GS
= (D +L)
1
U = I (D +L)
1
A.
Nota. O metodo de Gauss-Seidel e tambem conhecido por metodo das substituicoes
sucessivas.
Denicao. O metodo de Jacobi modicado ou metodo de Jacobi com relaxacao
corresponde a tomar
M =
D
, N =
_
1
1
_
D +L +U,
na decomposi cao de A = L + D + U = M + N, exigindo que D seja invertvel. e um
par ametro real positivo conhecido por parametro de relaxacao. O metodo toma pois
a forma:
_
x
(k+1)
= (1 )x
(k)
+D
1
[b (L +U)x
(k)
], k N,
x
(0)
=
0
C
n
,
_
_
x
(k+1)
i
= (1 )x
(k)
i
+

a
ii
_
_
b
i
j=1
j=i
a
ij
x
(k)
j
_
_
, i = 1, . . . , n, k N,
x
(0)
i
=
0i
C, i = 1, . . . , n.
C
Jm
() = I D
1
A.
Nota. Para = 1 o metodo reduz-se ao metodo de Jacobi.
Denicao. O metodo de Gauss-Seidel modicado ou ou metodo de Gauss-Seidel
com relaxacao ou metodo SOR corresponde a tomar
M =
D
+L, N =
_
1
1
_
D +U,
15
na decomposicao de A = L + D + U = M + N, exigindo que D/ + L seja invertvel.
e um par ametro real positivo conhecido por parametro de relaxacao. O metodo SOR
toma pois a forma;
_
x
(k+1)
= (1 )x
(k)
+D
1
_
b Lx
(k+1)
Ux
(k)
, k N,
x
(0)
=
0
C
n
,
_
_
x
(k+1)
i
= (1 )x
(k)
i
+

a
ii
_
b
i
i1
j=1
a
ij
x
(k+1)
j

n
j=1+1
a
ij
x
(k)
j
_
, i = 1, . . . , n, k N,
x
(0)
i
=
0i
C, i = 1, . . . , n.
C
SOR
() = I (D +L)
1
A.
Nota. SOR e o acr onimo de successive over-relaxation. Para = 1 o metodo SOR
reduz-se ao metodo de Gauss-Seidel.
Nota. A introduc ao do parametro de relaxa cao podera permitir tornar convergente um
metodo divergente ou acelerar a convergencia de um metodo convergente.
Convergencia dos metodos iterativos
Consideremos o metodo iterativo consistente com o sistema linear Ax = b, A = M+N,
_
x
(k+1)
= Cx
(k)
+w, k N,
x
(0)
=
0
C
n
,
(#)
onde
C = M
1
N = I M
1
A, w = M
1
b.
Proposicao. O metodo iterativo (#) converge para a soluc ao x do sistema Ax = b, x
(0)
C
n
, isto e,
lim
k
x
(k)
= x, x
(0)
C
n
,
ou
lim
k
e
(k)
= 0, x
(0)
C
n
,
onde e
(k)
= x x
(k)
, se e so se
lim
k
C
k
e
(0)
= 0, e
(0)
C
n
.
Dem.: De x = (x) e x
(k+1)
= (x
(k)
) obtem-se por subtrac cao e
(k+1)
= Ce
(k)
e por
induc ao e
(k)
= C
k
e
(0)
.
16
(0)
C
n
, se existir uma norma matricial M, associada a uma certa norma vectorial V em C
n
,
tal que |C|
M
< 1. Neste caso s ao v alidas as seguintes estimativas de erro:
(1) |e
(k+1)
|
V
c|e
(k)
|
V
;
(2) |e
(k)
|
V
c
k
|e
(0)
|
V
;
(3) |e
(k)
|
V

1
1 c
|x
(k+1)
x
(k)
|
V
;
(4) |e
(k+1)
|
V

c
1 c
|x
(k+1)
x
(k)
|
V
;
(5) |e
(k)
|
V

c
k
1 c
|x
(1)
x
(0)
|
V
;
onde e
(k)
= x x
(k)
, k N, e c = |C|
M
.
Dem.: ( )
Nota. A estimativa a posteriori(4) pode ser usada como criterio de paragem do metodo
iterativo:
|e
(k+1)
|
V

c
1 c
|x
(k+1)
x
(k)
|
V
<
|x
(k+1)
x
(k)
|
V
<
_
1
c
1
_
.
Repare-se que
_
_
1
1
c
1, 0 < c
1
2
,
0 <
1
c
1 1,
1
2
c < 1.
Nota. Todas estas estimativas permanecem validas se substituirmos c por uma outra
quantidade c tal que c < c < 1. Em particular, |C|
2
, que e difcil de calcular, pode ser
substituda por |C|
F
< 1. Recorde-se que |C|
2
|C|
F
, C M
n
(C).
(0)
C
n
, se e so se r
(C) < 1.
Dem.: ( )
Nota. Estes dois teoremas, conjugados com um teorema anterior que nos diz que o raio
espectral de uma matriz e o nmo de todas as normas associadas a normas vectoriais
da matriz, sugerem que o raio espectral determina a rapidez de convergencia do metodo,
sendo a convergencia tanto mais r apida quanto menor for o raio espectral da matriz
iteradora. Mais precisamente pode mostrar-se que:
17
Proposicao. Para o metodo iterativo (#) os erros e
(k)
= x x
(k)
satisfazem a
sup
e
(0)
C
n
\{0}
limsup
k
_
|e
(k)
|
V
|e
(0)
|
V
_
1/k
= r
(C),
onde V designa qualquer norma em C
n
.
Nota.
(a) Este resultado signica que para valores de k elevados, podemos escrever em muitos
casos
|e
(k+1)
| r
(C)|e
(k)
|.
(b) Partindo de x
(k+1)
= Cx
(k)
+w e de x
(k)
= Cx
(k1)
+w obtem-se
x
(k+1)
x
(k)
= C
_
x
(k)
x
(k1)
_
,
isto e, a diferenca de duas iteradas consecutivas satisfaz ` a mesma igualdade que os
erros de duas iteradas consecutivas:
e
(k+1)
= Ce
(k)
.
Para valores de k elevados verica-se tambem
|x
(k+1)
x
(k)
| r
(C)|x
(k)
x
(k1)
|.
(c) Na pratica, para obter estimativas de erro, utiliza-se em vez de c = |C| e de r
(C)
uma outra constante c
r
tal que,
r
(k)
=
|x
(k+1)
x
(k)
|
V
|x
(k)
x
(k1)
|
V
c
r
, k > k
0
,
quando for possvel obte-la experimentalmente.
(0)
C
n
, se e so se todas as razes
1
, . . . ,
n
da equac ao polinomial
det(M +N) = 0,
tiverem m odulo inferior ` a unidade.
Dem.: ( )
Proposicao. Os metodos de Jacobi e Gauss-Seidel convergem para a solu cao do sistema
Ax = b, x
(0)
C
n
, se e so se r
(C
J
) < 1 e r
(C
GS
) < 1, respectivamente.
Proposicao. Os metodos de Jacobi e Gauss-Seidel convergem para a solu cao do sistema
Ax = b, x
(0)
C
n
, se e so se todas as razes das equac oes
det(M
J
+N
J
) = 0, det(M
GS
+N
GS
) = 0,
respectivamente, tiverem m odulo inferior ` a unidade.
Denicao.
18
(1) Diz-se que a matriz A M
n
(C), A = [a
ij
] e uma matriz de diagonal estrita-
mente dominante por linhas (MDEDL) se vericar as condic oes
[a
ii
[ >
n
j=1
j=i
[a
ij
[, i 1, 2, . . . , n.
(2) Diz-se que a matriz A M
n
(C), A = [a
ij
] e uma matriz de diagonal estrita-
mente dominante por colunas (MDEDC) se vericar as condic oes
[a
jj
[ >
n
i=1
i=j
[a
ij
[, j 1, 2, . . . , n.
n
(C) uma MDEDL ou MDEDC. Entao A e n ao singular.
Dem.: ( )
n
(C) uma MDEDL. Denam-se as quantidades
1
, . . . ,
n
,
1
, . . . ,
n
por
1
= 0,
i
=
i1
j=1
a
ij
a
ii
, i 2, . . . , n,
i
=
n
j=i+1
a
ij
a
ii
, i 1, . . . , n 1,
n
= 0.
Ent ao:
(1)
i
+
i
< 1, i 1, . . . , n; (2)

i
1
i
< 1, i 1, . . . , n.
Dem.: ( )
n
(C) uma MDEDL. Denam-se as quantidades
= max
1in
(
i
+
i
) < 1, = max
1in
i
1
i
< 1.
Ent ao
(1) |C
J
|
= ; (2) ; (3) |C
GS
|
.
Dem.: (1) ( ) (2) ( )
n
(C) uma MDEDL. Ent ao o metodo de Jacobi converge para a
soluc ao x do sistema Ax = b, x
(0)
C
n
, e e v alida a estimativa de erro
|e
(k+1)
|
|e
(k)
|
.
19
n
(C) uma MDEDL. Entao o metodo de Gauss-Seidel converge
para a solu cao x do sistema Ax = b, x
(0)
C
n
, e e valida a estimativa de erro
|e
(k+1)
|
|e
(k)
|
.
Nota. Uma vez que r
(C
J
) |C
J
|
e r
(C
GS
) |C
GS
|
este resultado pode levar a

pensar que sendo A uma MDEDL ent ao tambem se verica que r
(C
GS
) r
(C
J
) < 1,
isto e, que o metodo de Gauss-Seidel converge pelo menos tao rapidamente quanto o
metodo de Jacobi. Isto n ao e verdade em geral, mas apenas impondo outras condic oes a
A. Assim, por exemplo, e verdadeiro o seguinte resultado:
Proposicao (Teorema de Stein-Rosenberg). Seja A M
n
(C) uma matriz tal que a matriz
iteradora do metodo de Jacobi e nao negativa, C
J
0 (isto e, (C
J
)
ij
0, i, j). Seja
C
GS
a matriz iteradora do metodo de Gauss-Seidel. Ent ao uma e uma s o das seguintes
proposic oes e verdadeira:
(1) r
(C
J
) = r
(C
GS
) = 0;
(2) 0 < r
(C
GS
) < r
(C
J
) < 1;
(3) r
(C
J
) = r
(C
GS
) = 1;
(4) 1 < r
(C
J
) < r
(C
GS
).
Nota. A condicao C
J
0 e satisfeita em particular se A e tal que D
A
> 0 e A D
A

0. Uma vez que esta condi cao e vericada para quase todos os sistemas lineares que
s ao obtidos pela aproxima cao às diferencas nitas de operadores diferenciais lineares,
este teorema da-nos em muitos casos praticos a informac ao importante de que, quando
convergem, o metodo de Gauss-Seidel converge mais depressa do que o metodo de Jacobi.
n
(C) uma MDEDC. Entao quer o metodo de Jacobi quer o
metodo de Gauss-Seidel convergem para a soluc ao x do sistema Ax = b, x
(0)
C
n
.
Denicao. Uma matriz hermitiana A M
n
(C) diz-se denida positiva se
x
Ax > 0, x C
n
0.
Proposicao. Cada uma das seguintes condic oes e necessaria e suciente para que uma
matriz hermitiana A M
n
(C) seja denida positiva:
(1) Todos os valores pr oprios de A s ao positivos.
(2) Todos os menores principais de A s ao positivos.
Nota. Chama-se submatriz principal de A M
n
(C) ` a matriz A
k
M
k
(C), k
1, 2, . . . , n cujos elementos s ao os elementos das primeiras k linhas e k colunas de A.
Chama-se menor principal de A a det A
k
.
20
n
(C) uma matriz hermitiana e denida positiva. Ent ao o metodo
de Gauss-Seidel converge para a soluc ao x do sistema Ax = b, x
(0)
C
n
.
n
(C) uma matriz hermitiana e denida positiva e tal que a matriz
2D
A
A e denida positiva. Entao o metodo de Jacobi converge para a soluc ao x do
sistema Ax = b, x
(0)
C
n
.
A an alise de convergencia do metodo SOR e mais complicada que a do metodo de
Jacobi com relaxac ao pois a matriz iteradora depende n ao linearmente do par ametro de
relaxac ao:
C
Jm
() = I D
1
A, C
SOR
() = I (D +L)
1
A.
Proposicao. O metodo de Jacobi modicado e convergente se e s o se todos os valores
pr oprios da matriz C
J
do metodo de Jacobi tiverem partes reais inferiores à unidade. A
convergencia verica-se para ]0,
sup
[, onde
sup
= min
(C
J
)
2b()
2b() +[[
2
1
, b() = 1 '(),
Proposicao. Se o metodo de Jacobi for convergente entao o metodo de Jacobi modicado
com ]0, 1] tambem e convergente.
Proposicao (Teorema de Kahan). Seja A M
n
(C).

E condi cao necess aria para que o
metodo SOR convirja para a soluc ao x do sistema Ax = b, x
(0)
C
n
, que ]0, 2[.
Nota. Prova-se que
r
(C
SOR
()) [ 1[, R,
e portanto que
r
(C
SOR
()) 1, ,]0, 2[.
Proposicao (Teorema de Ostrowski-Reich). Seja A M
n
(C) uma matriz hermitiana e
denida positiva.

E condi cao suciente para que o metodo SOR convirja para a solucao
x do sistema Ax = b, x
(0)
C
n
, que ]0, 2[.
Nota. Prova-se que
r
(C
SOR
()) < 1, ]0, 2[.
Nota. Em particular este resultado signica que o metodo de Gauss-Seidel, obtido para
= 1, converge para matrizes hermiteanas e denidas positivas.
O calculo do parametro de relaxac ao optimo, isto e, o parametro que minimiza o raio
espectral, e difcil excepto nalguns casos particulares. Geralmente obtem-se apenas um
valor aproximado experimentando numericamente diversos valores de e observando o
21
efeito na rapidez de convergencia. Este esforco e justicado pois o aumento da rapidez de
convergencia pode ser signicativo. Damos seguidamente um exemplo de uma classe de
matrizes para a qual o problema pode ser tratado analiticamente com facilidade. Um outro
caso que tambem pode ser tratado analiticamente e o de uma outra classe de matrizes
que ocorre na discretizac ao de problemas de valor na fronteira, as chamadas matrizes
consistentemente ordenadas.
Proposicao. Suponhamos que a matriz iteradora C
J
do metodo de Jacobi tem valores
pr oprios reais e inferiores ` a unidade e designemos por
1
e
n
o maior e o menor destes
valores, respectivamente. Ent ao o metodo de Jacobi modicado com ]0,
sup
[, onde
sup
=
2
1
n
, e convergente. Alem disso o raio espectral de C
Jm
() tem o valor mnimo
para
opt
=
2
2
1
n
e esse valor mnimo e
r
(C
Jm
(
opt
)) =

1
n
2
1
n
.
Dem.: ( )
Exemplo. Considere-se o sistema linear Ax = b, onde
A =
_
_
10 3 1
2 10 3
1 3 10
_
_
, b =
_
_
14
5
14
_
_
.
(a) Determinar as seis primeiras iteradas do metodo de Jacobi com condi cao inicial
x
(0)
= [0 0 0]
T
. Justicar a convergencia do metodo e obter uma estimativa do
erro da iterada x
(6)
.
(b) Idem, para o metodo de Gauss-Seidel.
Resoluc ao:
(a) x
(k+1)
= D
1
[b (L +U)x
(k)
]
x
(k+1)
=
1
10
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
_
_
14
5
14
_
_
_
_
0 3 1
2 0 3
1 3 0
_
_
x
(k)
_
_
_
_
x
(k+1)
1
=
1
10
_
14 3x
(k)
2
x
(k)
3
_
x
(k+1)
2
=
1
10
_
5 + 2x
(k)
1
+ 3x
(k)
3
_
x
(k+1)
3
=
1
10
_
14 x
(k)
1
3x
(k)
2
_
22
k x
(k)
1
x
(k)
2
x
(k)
3
0 0.000000000 0.000000000 0.000000000
1 1.400000000 0.500000000 1.400000000
2 1.110000000 1.200000000 1.110000000
3 0.929000000 1.055000000 0.929000000
4 0.990600000 0.964500000 0.990600000
5 1.011590000 0.995300000 1.011590000
6 1.000251000 1.005795000 1.000251000
(b) x
(k+1)
= D
1
[b Lx
(k+1)
Ux
(k)
]
x
(k+1)
=
1
10
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
_
_
14
5
14
_
_
_
_
0 0 0
2 0 0
1 3 0
_
_
x
(k+1)
_
_
0 3 1
0 0 3
0 0 0
_
_
x
(k)
_
_
_
_
x
(k+1)
1
=
1
10
_
14 3x
(k)
2
x
(k)
3
_
x
(k+1)
2
=
1
10
_
5 + 2x
(k+1)
1
+ 3x
(k)
3
_
x
(k+1)
3
=
1
10
_
14 x
(k+1)
1
3x
(k+1)
2
_
k x
(k)
1
x
(k)
2
x
(k)
3
0 0.000000000 0.000000000 0.000000000
1 1.400000000 0.780000000 1.026000000
2 1.063400000 1.020480000 0.987516000
3 0.995104400 0.995275680 1.001906856
4 1.001226610 1.000817379 0.999632125
5 0.999791574 0.999847952 1.000066457
6 1.000038969 1.000027731 0.999987784
Convergencia: os metodos de Jacobi e Gauss-Seidel sao convergentes para a
soluc ao do sistema para qualquer condi cao inicial pois A e MDEDL.
Estimativas de erro:
|e
(k)
|

c
1 c
|x
(k)
x
(k1)
|
c = = max
1in
(
i
+
i
) Metodo de Jacobi
c = = max
1in
i
1
i
Metodo de Gauss-Seidel
23
i
i

i

i
+
i
i
1
i
1 0
4
10
4
10
4
10
2
2
10
3
10
5
10
3
8
3
4
10
0
4
10
0
=
1
2
, =
2
5
Metodo de Jacobi:
x
(6)
x
(5)
=
_
_
0.0113390
0.0104950
0.0113390
_
_
, |x
(6)
x
(5)
|
= 0.0113390
|e
(6)
|
|x
(6)
x
(5)
|
= 0.0113390
Com c = r
(C
J
) =
15
10
= 0.387298 obtem-se
|e
(6)
|
0.00716755
Estes valores devem ser comparado entre si e com o erro verdadeiro
|e
(6)
|
= 0.005795
Metodo de Gauss-Seidel:
x
(6)
x
(5)
=
_
_
0.000247395
0.000179779
0.000078673
_
_
, |x
(6)
x
(5)
|
= 0.000247395
|e
(6)
|

2
3
|x
(6)
x
(5)
|
= 0.000164930
Com c = r
(C
GS
) =
_
67 +
13489
1000
= 0.183142 obtem-se
|e
(6)
|
0.0000554667
Estes valores devem ser comparado entre si e com o erro verdadeiro
|e
(6)
|
= 0.000038969
24
A =
_
_
2 1 0
1 2 1
0 1 2
_
_
, b =
_
_
2
2
1
_
_
(a) Determinar a solucao aproximada x
(k)
do sistema pelo metodo de Jacobi com condic ao
inicial x
(0)
= [0.5 0.8 1.0]
T
tal que e satisfeita a desigualdade
|x
(k)
x
(k1)
|
2
0.01.
Obter uma estimativa do erro da iterada x
(k)
.
(b) Idem, para o metodo de Gauss-Seidel.
Resoluc ao:
(a) x
(k+1)
= D
1
[b (L +U)x
(k)
]
x
(k+1)
=
1
2
_
_
_
_
2
2
1
_
_
_
_
0 1 0
1 0 1
0 1 0
_
_
x
(k)
_
_
_
_
x
(k+1)
1
=
1
2
_
2 x
(k)
2
_
x
(k+1)
2
=
1
2
_
2 +x
(k)
1
x
(k)
3
_
x
(k+1)
3
=
1
2
_
1 +x
(k)
2
_
k x
(k)
1
x
(k)
2
x
(k)
3
|x
(k)
x
(k1)
|
2
|x
(k)
x
(k1)
|
2
|x
(k1)
x
(k2)
|
2
0 0.5 0.8 1.0
1 0.6 0.75 0.9 0.15
2 0.625 0.85 0.875 0.106066 0.707107
3 0.575 0.875 0.925 0.07500 0.707107
4 0.5625 0.825 0.9375 0.053033 0.707107
5 0.5875 0.8125 0.9125 0.03750 0.707107
6 0.59375 0.8375 0.90625 0.0265165 0.707107
7 0.58125 0.84375 0.91875 0.01875 0.707107
8 0.578125 0.83125 0.921875 0.0132583 0.707107
9 0.584375 0.828125 0.915625 0.009375 0.707107
|e
(9)
|
2

c
1 c
|x
(9)
x
(8)
|
2
c = r
(C
J
) =
1
2
|e
(9)
|
2
0.0242
(b) x
(k+1)
= D
1
[b Lx
(k+1)
Ux
(k)
]
25
x
(k+1)
=
1
2
_
_
_
_
2
2
1
_
_
_
_
0 0 0
1 0 0
0 1 0
_
_
x
(k+1)
_
_
0 1 0
0 0 1
0 0 0
_
_
x
(k)
_
_
_
_
x
(k+1)
1
=
1
2
_
2 x
(k)
2
_
x
(k+1)
2
=
1
2
_
2 +x
(k+1)
1
x
(k)
3
_
x
(k+1)
3
=
1
2
_
1 +x
(k+1)
2
_
k x
(k)
1
x
(k)
2
x
(k)
3
|x
(k)
x
(k1)
|
2
|x
(k)
x
(k1)
|
2
|x
(k1)
x
(k2)
|
2
0 0.5 0.8 1.0
1 0.6 0.8 0.9 0.141421
2 0.6 0.85 0.925 0.0559017 0.395285
3 0.575 0.825 0.9125 0.037500 0.67082
4 0.5875 0.8375 0.91875 0.018750 0.5
5 0.58125 0.83125 0.915625 0.009375 0.5
|e
(5)
|
2

c
1 c
|x
(5)
x
(4)
|
2
c = r
(C
GS
) =
1
2
|e
(5)
|
2
0.01
A =
_
_
2 1 1
1 3 1
1 2 2
_
_
.
(a) Determinar o valor =
opt
para o qual o metodo de Jacobi com relaxac ao converge
mais rapidamente e o valor de r
(C
Jm
(
opt
)).
(b) Idem, para o metodo de Gauss-Seidel com relaxac ao.
Resoluc ao:
(a)
C
Jm
() = I D
1
A =
_
_
1
2
1
2
1
_
_
(C
Jm
()) =
_
1

2
, 1

2
, 1 2
_
r
(C
Jm
()) =
_
_
1 2, 0,
1

2
, 0
opt
,
2 1,
opt

26
opt
=
4
5
, r
(C
Jm
(
opt
)) =
3
5
O metodo converge para ]0, 1[, intervalo em que r
(C
Jm
()) < 1.
(b)
C
SOR
() = I (D +L)
1
A
=
_
_
1
3
(1 )
1
6
(6 6 +
2
)
6
(2 )
6
(3 5 + 2
2
)
12
(12 15 + 2
2
)
1
12
(12 12 + 7
2
2
3
)
_
_
det(C
SOR
() I) = (1 )
3
+
1
12
(36 + 72 45
2
+ 8
3
)
+
1
12
(36 36 + 9
2
2
3
)
2
3
r
(C
SOR
()) = max
i=1,2,3
[
i
()
opt
= R
+
: r
(C
SOR
()) e mnimo
r
(C
SOR
())
0. 1.
0.25 0.880321
0.5 0.75
0.75 0.591443
1. 0.333333
1.05 0.252151
1.1 0.239192
1.15 0.252158
1.2 0.279534
1.25 0.313121
1.5 0.5
1.75 0.9061
1.8 0.994896
1.9 1.18037
2.0 1.3767
opt
= 1.1, r
(C
SOR
(
opt
)) = 0.239192
O metodo e convergente para ]0, 1.8].
Determinac ao experimental do valor optimo de para ambos os metodos:
Ax = b, b =
_
_
4
5
5
_
_
, x
(0)
=
_
_
0
0
0
_
_
27
k < 200 : |x
(k)
x
(k1)
|
2
10
5
Metodo Jm Metodo SOR
0.1 175 169
0.2 94 86
0.3 64 56
0.4 49 38
0.5 39 26
0.6 33 25
0.7 28 22
0.8 26 19
0.9 58 16
1.0 13
1.1 11
1.2 12
1.3 14
1.4 17
1.5 19
1.6 31
1.7 64
Comparacao entre os metodos directos e os metodos iterativos
Notas.
(a) Os metodos directos requerem
n
3
3
operac oes para obter a soluc ao. Os metodos
iterativos implicam normalmente um c alculo de n
2
operac oes em cada itera cao,
o que os torna inecazes face aos metodos directos para n
it
>
n
3
. Por outro lado, a
precis ao atingida ao m de
n
3
iteradas nao e normalmente muito boa (|xx
(n/3)
|
V

c
n/3
|x x
(0)
|
V
). Por estas raz oes os metodos iterativos s o se tornam realmente
ecazes para matrizes de grandes dimens oes e, em especial, quando as matrizes sao
esparsas (isto e, matrizes com poucos elementos diferentes de zero). Nestes casos
os metodos directos nao se simplicam em geral muito enquanto que os metodos
iterativos apresentam uma reduc ao apreci avel do n umero de opera coes.
(b) Os metodos iterativos para sistemas lineares convergentes s ao estaveis, isto e, par-
tindo de dois vectores iniciais proximos,
(0)
e
(0)
, obtem-se sempre duas sucess oes
x
(k)
e y
(k)
igualmente pr oximas, convergindo ambas para o mesmo vector x,
soluc ao exacta do sistema linear, vericando-se:
> 0 : max
k
|x
(k)
y
(k)
| |
(0)
(0)
|,
(0)
,
(0)
C
n
.
Na presenca de erros de arredondamento os metodos iterativos, desde que aplica-
dos a sistemas bem condicionados, continuam estaveis. Isto signica que n ao h a
perigo de os erros de arredondamento cometidos no c alculo poderem resultar em er-
ros signicativos no resultado nal. Isto representa uma importante vantagem dos
metodos iterativos sobre os metodos directos em que os erros de arredondamento
28
podem propagar-se ao longo do c alculo, conduzindo a erros muito grandes no resul-
tado nal, mesmo que os sistemas sejam bem condicionados, e sobretudo quando se
tratam de sistemas de grandes dimensoes.
1
5. RESOLUC

AO NUM
ERICA DE SISTEMAS N
AO-LINEARES
Vamos agora considerar metodos iterativos para resolver sistemas de equac oes em R
n
,
f(x) = 0 x = g(x),
onde
x = [x
1
x
2
. . . x
n
]
T
R
n
f : D R
n
R
n
, f(x) = [f
1
(x) f
2
(x) . . . f
n
(x)]
T
,
g : D R
n
R
n
, g(x) = [g
1
(x) g
2
(x) . . . g
n
(x)]
T
.
Denicao. Sendo f : D R
n
R
n
, chama-se matriz Jacobiana de f ` a matriz de
derivadas parciais, caso existam,
J
f
(x) =
_
_
f
1
x
1

f
1
x
n
.
.
.
.
.
.
.
.
.
f
n
x
1

f
n
x
n
_
_
(x).
Metodo do ponto xo
Denicao. Diz-se que z e um ponto xo de uma func ao g : R
n
R
n
se e so se z = g(z).
Denicao. O metodo do ponto xo e o metodo iterativo a um passo da forma
x
(m+1)
= g(x
(m)
), m N, x
(0)
=
0
R
n
(dado).
Denicao. Uma func ao g : D R
n
R
n
, diz-se uma funcao de Lipschitz ou Lips-
chitziana em D se existir um n umero real L 0 tal que
|g(x) g(y)|
V
L|x y|
V
, x, y D.
onde V designa qualquer norma em R
n
. Se L < 1 a fun cao diz-se contractiva ou uma
contraccao em D, com constante de contractividade L.
Teorema do ponto xo (em R
n
). Seja g : D R
n
uma func ao contractiva num conjunto
fechado D R
n
com constante de contractividade L e tal que g(D) D. Ent ao:
(1) g tem um e um so ponto xo z em D;
(2) a sucess ao x
(m)
mN
, denida por x
(m+1)
= g(x
(m)
), converge para z, qualquer que
seja x
(0)
D;
2
(3) vericam-se as seguintes estimativas de erro:
(i) |e
(m+1)
|
V
L|e
(m)
|
V
;
(ii) |e
(m)
|
V
L
m
|e
(0)
|
V
;
(iii) |e
(m)
|
V

1
1 L
|x
(m+1)
x
(m)
|
V
;
(iv) |e
(m+1)
|
V

L
1 L
|x
(m+1)
x
(m)
|
V
;
(v) |e
(m)
|
V

L
m
1 L
|x
(1)
x
(0)
|
V
;
onde e
(m)
= z x
(m)
, m N e V designa qualquer norma em R
n
.
Dem.: ( )
Denicao. Um conjunto D R
n
diz-se convexo se
tx + (1 t)y D, t [0, 1], x, y D,
isto e, se x, y D ent ao todos os pontos do segmento de recta que une x e y tambem
pertencem a D.
Proposicao. Seja g C
1
(D) onde D e um conjunto convexo em R
n
. Ent ao se
sup
xD
|J
g
(x)|
M
L < 1,
a funcao g e contractiva em D segundo a norma M associada ` a norma vectorial V em R
n
com constante de contractividade L.
Proposicao. Seja D um conjunto fechado e convexo em R
n
e g C
1
(D) uma func ao tal
que:
(i) g(D) D; (ii) sup
xD
|J
g
(x)|
M
L < 1.
Ent ao s ao validas as conclusoes do teorema do ponto xo.
Proposicao (da convergencia local). Seja g C
1
(V
z
), onde V
z
e uma vizinhan ca de z,
ponto xo de g, tal que r
(J
g
(z)) < 1. Entao o metodo do ponto xo converge para z
desde que x
(0)
esteja sucientemente perto de z. Alem disso as estimativas de erro (i)-(v)
s ao v alidas em alguma bola fechada contida em V
z
e que contenha z.
Exemplo. Considere o sistema de equac oes algebricas nao-lineares
f(x) = 0, x =
_
x
1
x
2
_
, f(x) =
_
3x
1
+x
2
2
x
2
1
+ 3x
2
1
_
. (S)
3
(a) Mostre que o sistema (S) tem uma e uma so soluc ao z no conjunto
D =
_
1
3
, 0
_
_
0,
1
3
_
.
(b) Mostre que o sistema (S) tem uma e uma so soluc ao z no conjunto
D = [4, 2] [4, 2] .
(c) Utilize o metodo do ponto xo para obter um valor aproximado da raiz z com
6
.
(d) Mostre que o sistema (S) tem apenas duas soluc oes, z e z, em R
2
.
Resoluc ao:
(a)
f(x) = 0 x = g(x), g(x) =
_
g
1
(x)
g
2
(x)
_
=
_
_

x
2
2
3
1
3
(1 x
2
1
)
_
_
O teorema do ponto xo diz-nos que g ter a um e um s o ponto xo em D
se forem satisfeitas as seguintes condic oes:
(i) g C
1
(D) (ii) g(D) D (iii) max
xD
|J
g
(x)|
< 1
Veriquemos pois estas condicoes.
(i) g
1
e g
2
s ao continuamente diferenci aveis em R
2
e portanto em D.
(ii) g
1
(x)
_
1
27
, 0
1
3
, 0
, x D
g
2
(x)
_
8
27
,
1
3
_
0,
1
3
, x D
_
g(D) D
(iii) J
g
(x) =
_
0
2x
2
3
2x
1
3
0
_
max
xD
|J
g
(x)|
= max
xD
max
_
2[x
2
[
3
,
2[x
1
[
3
_
=
2
9
< 1
(b)
f(x) = 0 x = g(x), g(x) =
_
g
1
(x)
g
2
(x)
_
=
_

1 3x
2
3x
1
_
O teorema do ponto xo diz-nos que g ter a um e um s o ponto xo em

D
se forem satisfeitas as seguintes condic oes:
(i) g C
1
(

D) (ii) g(

D)

D (iii) max
x
D
|J
g
(x)|
< 1
Veriquemos pois estas condicoes.
4
(i) g
1
e g
2
s ao continuamente diferenci aveis em ], 0[
,
1
3
_
e portanto em

D.
(ii) g
1
(x)
_
13,
[4, 2] , x

D
g
2
(x)
_
12,
[4, 2] , x

D
_
g(

D)

D
(iii) J
g
(x) =
_
_
0
3/2
13x
2
3/2
3x
1
0
_
_
max
x
D
|J
g(x)
|
= max
x
D
max
_
3/2
1 3x
2
,
3/2
3x
1
_
=
6
4
< 1
(c)
x
(m+1)
= g
_
x
(m)
_
, m N, x
(0)
D
|z x
(m)
|

L
1 L
|x
(m)
x
(m1)
|
B
m
L = max
xD
|J
g
(x)|
=
2
9
m x
(m)
1
x
(m)
2
|x
(m)
x
(m1)
|
B
m
0 0.000000000000000 0.000000000000000
1 0.000000000000000 0.333333333333333 0.333 10
0
0.952 10
1
2 0.037037037037037 0.333333333333333 0.370 10
1
0.106 10
1
3 0.037037037037037 0.332876085962506 0.457 10
3
0.131 10
3
4 0.036935496201906 0.332876085962506 0.102 10
3
0.290 10
4
5 0.036935496201906 0.332878589706773 0.250 10
5
0.715 10
6
6 0.036936051828390 0.332878589706773
7 0.036936051828390 0.332878576025110
8 0.036936048792168 0.332878576025110
9 0.036936048792168 0.332878576099874
10 0.036936048808760 0.332878576099874
11 0.036936048808760 0.332878576099466
12 0.036936048808669 0.332878576099466
13 0.036936048808669 0.332878576099468
14 0.036936048808670 0.332878576099468
(d)
_
3x
1
+x
2
2
= 0
x
2
1
+ 3x
2
1 = 0
_
_
_
x
1
=
x
2
2
3
x
4
2
+ 27x
2
9 = 0
h(t) = t
4
+ 27t 9
h
(t) = 4t
3
+ 27, h
(t) = 12t
2
5
h
(t) = 0 t =
3
3
4
t
m
, h(t
m
) 47.2701
h(t) quando [t[
h tem apenas duas razes em R.
O sistema dado tem apenas duas razes em R
2
.
Metodo de Newton generalizado
Denicao. O metodo de Newton e o metodo iterativo a um passo da forma
x
(m+1)
= x
(m)
[J
f
(x
(m)
)]
1
f(x
(m)
), m N, x
(0)
=
0
(dado).
Na pratica resolve-se em cada itera cao o sistema linear
J
f
(x
(m)
) x
(m)
= f(x
(m)
),
e dene-se a iterada seguinte por
x
(m+1)
= x
(m)
+ x
(m)
.
Teorema de Kantorovich (condic oes sucientes de convergencia).
1
Seja D R
n
um conjunto aberto e convexo e f C
1
(D). Suponhamos que para
alguma norma em R
n
e algum x
(0)
D s ao vericadas as seguintes condic oes:
(i) det(J
f
(x)) ,= 0, x D; M
1
> 0 : |[J
f
(x)]
1
|
1
M
1
, x D;
(ii) M
2
> 0 : |J
f
(x) J
f
(y)| M
2
|x y|, x, y D ;
(iii) sendo
0
= 2|x
(1)
x
(0)
| e K =
M
2
2M
1
, verica-se a desigualdade 2K
0
< 1;
(iv)

B(x
(0)
,
0
) D.
Ent ao:
(1) f tem um unico zero z

B(x
(0)
,
0
);
(2) a sucess ao de Newton com condi cao inicial x
(0)
e bem denida, permanece em
B(x
(0)
,
0
) e converge para z.
(3) verica-se a estimativa de erro a priori
|z x
(m)
|
1
K
(K
0
)
2
m
.
1
Este teorema e a sua aplicacao ao calculo de estimativas de erro das iteradas do metodo de Newton,
ilustrada no exemplo que encerra este captulo, nao aparecerao nas provas escritas de avalia cao.
6
Nota. Se f C
2
(D) a condi cao (ii) pode ser substituda pela condi cao:
(ii) M
2
> 0 : |H
f
i
(x)| M
2
, x D, i 1, . . . , n,
onde f
i
designa uma componente de f e H
f
i
e a matriz Hessiana de f
i
, com componentes
(H
f
i
)
jk
=

2
f
i
x
j
x
k
.
Notas.
A condi cao (i) implica a existencia de inversa para a matriz Jacobiana (equivalente
no caso real a f
(x) ,= 0), e serve ao mesmo tempo para denir M

1
(que corresponde
no caso real a min [f
(x)[).
A condic ao (ii) implica a limitacao dos valores da matriz Hessiana (caso f C
2
) e
dene M
2
(que corresponde no caso real a max [f
(x)[).
A condic ao (iii) permite garantir que as iteradas v ao permanecer na bola

B(x
(0)
,
0
)
(e corresponde no caso real ` a condicao
f(a)
f
(a)
b a,
f(b)
f
(b)
b a ).
A condic ao (iv) e obvia e podemos mesmo considerar

D =

B(x
(0)
,
0
).
Proposicao (da convergencia local). Seja f C
2
(V
z
), onde V
z
e uma vizinhanca de z, zero
de f, tal que det(J
f
(z)) ,= 0. Ent ao o metodo de Newton converge para z desde que x
(0)
esteja sucientemente perto de z.
Proposicao (da ordem de convergencia). Seja f C
2
(V
z
), onde V
z
e uma vizinhanca de z,
zero de f, tal que det(J
f
(z)) ,= 0. Entao o metodo de Newton, quando converge para z,
tem convergencia pelo menos quadratica, isto e, existe K > 0 tal que
|z x
(m+1)
| K|z x
(m)
[
2
, m N,
ou
|z x
(m)
|
1
K
_
K|z x
(0)
[
_
2
m
, m N.
Exemplo. Considere o sistema de equac oes algebricas nao-lineares
f(x) = 0, x =
_
x
1
x
2
_
, f(x) =
_
3x
1
+x
2
2
x
2
1
+ 3x
2
1
_
. (S)
para o qual se vericou que tinha apenas duas razes em R
2
, z e z.
(a) Determine o valor aproximado da raiz z usando tres iteradas do metodo de
Newton generalizado com aproximacao inicial x = [0 0]
T
.
(b) Obtenha uma estimativa do erro da soluc ao aproximada obtida na alnea (a)
(usando a norma do maximo).
7
Resoluc ao:
(a)
_
x
(m+1)
= x
(m)
+ x
(m)
J
f
_
x
(m)
_
x
(m)
= f
_
x
(m)
_ , m N, x
(0)
= [0 0]
T
J
f
(x) =
_
3 2x
2
2x
1
3
_
m x
(m)
1
x
(m)
2
0 0.000000000000000 0.000000000000000
1 0.000000000000000 0.333333333333333
2 0.037037037037037 0.333333333333333
3 0.036935981001465 0.332878581173261
4 0.036936048808670 0.332878576099469
5 0.036936048808670 0.332878576099468
(b)
J
f
(x) =
_
3 2x
2
2x
1
3
_
, [J
f
(x)]
1
=
1
9 4x
1
x
2
_
3 2x
2
2x
1
3
_
H
f
1
(x) =
_
0 0
0 2
_
, H
f
2
(x) =
_
2 0
0 0
_
0
= 2|x
(0)
|
D =

B(x
(0)
,
0
) = [x
(0)
1

0
, x
(0)
1
+
0
] [x
(0)
2

0
, x
(0)
2
+
0
]
1
M
1
= max
xD
| [J
f
(x)]
1
|
, | [J
f
(x)]
1
|
=
max3 + 2[x
2
[, 3 + 2[x
1
[
[9 4x
1
x
2
[
M
2
= max
xD
|H
f
1
(x)|
, |H
f
2
(x)|
= 2
K =
M
2
2M
1
=
1
M
1
, K
0
<
1
2
|z x
(m)
|

1
K
(K
0
)
2
m
Estimativa de erro:
x
(0)
=
_
0
0
_
, x
(0)
=
_
0
1
3
_
0
=
2
3
, D =
_
2
3
,
2
3
_
2
3
,
2
3
_
8
K =
1
M
1
=
3
5
= 0.6, K
0
=
2
5
= 0.4 <
1
2
|z x
(3)
|

1
K
(K
0
)
8
= 0.109 10
2
|z x
(4)
|

1
K
(K
0
)
16
= 0.716 10
6
c.f. |z x
(3)
|
= 0.678 10
7
, |z x
(4)
|
= 0.1 10
14
Melhoria da estimativa:
x
(0)
= x
(1)
) =
_
0
1
3
_
, x
(0)
=
_

1
27
0
_
0
=
2
27
, D =
_
2
27
,
2
27
_
_
7
27
,
11
27
_
K =
1
M
1
=
2781
6473
= 0.429631, K
0
=
206
6473
= 0.0318245 <
1
2
|z x
(3)
|

1
K
(K
0
)
4
= 0.239 10
5
|z x
(4)
|

1
K
(K
0
)
8
= 0.246 10
11
Melhoria da estimativa:
x
(0)
= x
(2)
=
_

1
27
1
3
_
, x
(0)
=
_
2
19791
1
2199
_
0
=
2
2199
, D =
_
751
19791
,
715
19791
_
_
731
2199
,
735
2199
_
K =
1
M
1
= 0.405434, K
0
= 0.368744 10
3
<
1
2
|z x
(3)
|

1
K
(K
0
)
2
= 0.336 10
6
|z x
(4)
|

1
K
(K
0
)
4
= 0.457 10
13
1
6. INTERPOLAC

AO POLINOMIAL
Introducao
Exemplo. Dada uma tabela de valores (t
j
, P
j
), j = 0, 1, . . . , n, determinar um valor
(aproximado) P
a
correspondente a um valor t
a
]t
0
, t
n
[.
Sendo k tal que t
k
< t
a
< t
k+1
facamos
x
0
= t
k
, x
1
= t
k+1
, x
2
= t
k+2
f
0
= P
k
, f
1
= P
k+1
, f
2
= P
k+2
Interpolac ao linear: P
a
p
1
(t
a
), onde
p
1
(x) = f
0
+
f
1
f
0
x
1
x
0
(x x
0
)
Interpolac ao quadratica: P
a
p
2
(t
a
), onde
p
2
(x) = f
0
+
f
1
f
0
x
1
x
0
(x x
0
) +
f
2
f
1
x
2
x
1
f
1
f
0
x
1
x
0
x
2
x
0
(x x
0
)(x x
1
)
Problema. Sejamx
0
, x
1
, . . . , x
n
, n+1 pontos distintos do intervalo [a, b] e sejamf
0
, f
1
, . . . , f
n
,
os correspondentes valores de uma func ao f : [a, b] R nesses pontos,
f
j
:= f(x
j
), j = 0, 1, . . . , n.
Pretende-se determinar uma fun cao g : [a, b] R pertencente a uma dada classe de
func oes tal que
g(x
j
) = f
j
, j = 0, 1, . . . , n.
Os pontos x
j
s ao chamados pontos ou nos de interpolacao e os valores f
j
os valores
interpolados. A fun cao g e chamada a funcao interpoladora. Vamos considerar funcoes
interpoladoras polinomiais.
Interessa saber se este problema tem soluc ao, se a soluc ao e unica e como se calcula.
Proposicao. Sejam x
0
, . . . , x
n
, n + 1 pontos distintos do intervalo [a, b] e sejam f
0
, . . . , f
n
,
os correspondentes valores de uma func ao f : [a, b] R nesses pontos. Existe um unico
polin omio p
n
de grau menor ou igual a n que interpola f nos pontos x
0
, x
1
, . . . , x
n
, ou
seja, tal que
p
n
(x
j
) = f
j
, j = 0, 1, . . . , n.
Dem.: ( )
2
Notas.
(a)

E importante distinguir entre a func ao p
n
e as varias representacoes de p
n
. Pelo
teorema anterior sabemos que p
n
e unica para cada conjunto de n + 1 pares orde-
nados (x
j
, f
j
), j = 0, 1, . . . , n. Contudo podera haver diversas maneiras de repre-
sentar explicitamente p
n
. A demonstrac ao apresentada determina os coecientes
do polin omio por um sistema linear com matriz de Vandermonde. J a de seguida
introduziremos a formula interpoladora de Lagrange. Mais adiante introduziremos
a f ormula interpoladora de Newton. Cada uma dessas representac oes sugere um
algoritmo para o c alculo de p
n
.
(b) O facto do grau do polinomio interpolador poder ser menor ou igual a n tem a
ver com a possibilidade dos valores f
0
, . . . , f
n
, coincidirem com os valores de um
polinomio q
m
de grau m n nos n os de interpolac ao, isto e, f
j
= q
m
(x
j
), j =
0, 1, . . . , n.
(c) H a um n umero innito de polinomios de grau m > n que interpolam f nos pontos
x
0
, . . . , x
n
:
q
m
(x) = p
n
(x) +c
n
i=0
(x x
i
)
i
,
onde
i
N
1
, i = 0, 1, . . . , n, m =
0
+
1
+ +
n
.
F ormula interpoladora de Lagrange
Proposicao. Sejam x
0
, . . . , x
n
0
, . . . , f
n
,
os correspondentes valores de uma fun cao f : [a, b] R nesses pontos. O polinomio p
n
0
, x
1
, . . . , x
n
, e dado pela formula
seguinte, conhecida por formula interpoladora de Lagrange:
p
n
(x) =
n
j=0
f
j
l
j,n
(x), l
j,n
(x) =
n
i=0
i=j
x x
i
x
j
x
i
.
l
0,n
, l
1,n
, . . . , l
n,n
s ao os polinomios de Lagrange de grau n associados aos n os x
0
, x
1
, . . . , x
n
.
Dem.: ( )
Exemplo.
n = 1 : l
0,1
=
x x
1
x
0
x
1
, l
1,1
=
x x
0
x
1
x
0
;
n = 2 : l
0,2
=
(x x
1
)(x x
2
)
(x
0
x
1
)(x
0
x
2
)
, l
1,2
=
(x x
0
)(x x
2
)
(x
1
x
0
)(x
1
x
2
)
,
l
2,2
=
(x x
0
)(x x
1
)
(x
2
x
0
)(x
2
x
1
)
.
3
F ormula interpoladora de Newton
Proposicao. Sejam x
0
, . . . , x
n
0
, . . . , f
n
,
os correspondentes valores de uma fun cao f : [a, b] R nesses pontos. O polinomio p
n
0
, x
1
, . . . , x
n
, e dado pela formula
seguinte, conhecida por formula interpoladora de Newton:
p
n
(x) = f[x
0
] +
n
j=1
f[x
0
, . . . , x
j
] W
j
(x),
onde
W
j
(x) =
j1
i=0
(x x
i
), j = 1, 2, . . . , n,
f[x
0
] = f(x
0
), f[x
0
, . . . , x
j
] =
j
l=0
f(x
l
)
j
i=0
i=l
(x
l
x
i
)
, j = 1, 2, . . . , n.
Os coecientes f[x
0
, x
1
, . . . , x
j
], j = 0, 1, . . . , n, s ao conhecidos por diferencas divididas
de ordem j da funcao f associadas aos pontos x
0
, x
1
, . . . , x
j
.
Dem.: ( )
Exemplo.
f[x
0
, x
1
] =
f[x
0
]
x
0
x
1
+
f[x
1
]
x
1
x
0
=
f[x
1
] f[x
0
]
x
1
x
0
f[x
0
, x
1
, x
2
] =
f[x
0
]
(x
0
x
1
)(x
0
x
2
)
+
f[x
1
]
(x
1
x
0
)(x
1
x
2
)
+
f[x
2
]
(x
2
x
0
)(x
2
x
1
)
=
f[x
1
, x
2
] f[x
0
, x
1
]
x
2
x
0
Proposicao. Sendo (i
0
, i
1
, . . . , i
j
) uma permuta cao de (0, 1, . . . , j) entao
f[x
0
, x
1
, . . . , x
j
] = f[x
i
0
, x
i
1
, . . . , x
i
j
].
Dem.: ( )
Proposicao.
f[x
0
, x
1
, . . . , x
j
] =
f[x
1
, x
2
, . . . , x
j
] f[x
0
, x
1
, . . . , x
j1
]
x
j
x
0
, j = 1, 2, 3, . . .
Dem.: ( )
Estas f ormulas permitem calcular as diferen cas divididas usando um esquema recursivo
que e em geral apresentado sob a forma de uma tabela. Na 1
a
coluna escrevem-se os
4
pontos x
0
, x
1
, . . . , e na 2
a
coluna os valores f[x
0
], f[x
1
], . . . Na 3
a
coluna escrevem-se as
diferencas divididas de 1
a
ordem, obtidas por aplicac ao das f ormulas anteriores; e assim
sucessivamente.
Tabela de diferencas divididas:
x
i
f[x
i
] f[x
i
, x
i+1
] f[x
i
, x
i+1
, x
i+2
] f[x
i
, x
i+1
, x
i+2
, x
i+3
]
x
0
f[x
0
]
f[x
0
, x
1
]
x
1
f[x
1
] f[x
0
, x
1
, x
2
]
f[x
1
, x
2
] f[x
0
, x
1
, x
2
, x
3
]
x
2
f[x
2
] f[x
1
, x
2
, x
3
]
f[x
2
, x
3
] f[x
1
, x
2
, x
3
, x
4
]
x
3
f[x
3
] f[x
2
, x
3
, x
4
]
f[x
3
, x
4
]
x
4
f[x
4
]
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Nota.
p
2
(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
)
p
2
(x) = f[x
1
] + f[x
0
, x
1
](x x
1
) +f[x
0
, x
1
, x
2
](x x
1
)(x x
0
)
p
2
(x) = f[x
1
] + f[x
1
, x
2
](x x
1
) +f[x
0
, x
1
, x
2
](x x
1
)(x x
2
)
p
2
(x) = f[x
2
] + f[x
1
, x
2
](x x
2
) +f[x
0
, x
1
, x
2
](x x
2
)(x x
1
)
p
2
(x) = f[x
0
] + f[x
0
, x
2
](x x
0
) +f[x
0
, x
1
, x
2
](x x
0
)(x x
2
)
p
2
(x) = f[x
2
] + f[x
0
, x
2
](x x
2
) +f[x
0
, x
1
, x
2
](x x
2
)(x x
0
)
Exemplo. Considere a seguinte tabela de valores de uma func ao f:
x
i
0 1 3 4
f(x
i
) 0 2 8 9
Determine o polin omio interpolador de f nos pontos da tabela usando:
(a) O metodo da matriz de Vandermonde.
(b) A f ormula interpoladora de Lagrange.
(c) A f ormula interpoladora de Newton.
Resoluc ao:
(a) Metodo da matriz de Vandermonde
5
p
3
(x) = a
0
+a
1
x +a
2
x
2
+a
3
x
3
p
3
(x
j
) = f
j
, j = 0, 1, 2, 3.
_
_
1 0 0 0
1 1 1 1
1 3 9 27
1 4 16 64
_
_
_
_
a
0
a
1
a
2
a
3
_
_
=
_
_
0
2
8
9
_
_
_
_
1 0 0 0
0 1 1 1
0 0 3 12
0 0 0 12
_
_
_
_
a
0
a
1
a
2
a
3
_
_
=
_
_
0
2
1
3
_
_
a
3
=
1
4
, a
2
=
4
3
, a
1
=
11
12
, a
0
= 0
p
3
(x) =
11
12
x +
4
3
x
2
1
4
x
3
=
x
12
(3x
2
+ 16x + 11)
(b) F ormula interpoladora de Lagrange:
p
3
(x) =
3
j=0
f(x
j
)l
j
(x), l
j
(x) =
3
i=0,i=j
x x
i
x
j
x
i
p
3
(x) = 2l
1
(x) + 8l
2
(x) + 9l
3
(x)
l
1
(x) =
(x 0)(x 3)(x 4)
(1 0)(1 3)(1 4)
=
1
6
x(x 3)(x 4)
l
2
(x) =
(x 0)(x 1)(x 4)
(3 0)(3 1)(3 4)
=
1
6
x(x 1)(x 4)
l
3
(x) =
(x 0)(x 1)(x 3)
(4 0)(4 1)(4 3)
=
1
12
x(x 1)(x 3)
p
3
(x) =
1
3
x(x 3)(x 4)
4
3
x(x 1)(x 4) +
3
4
x(x 1)(x 3)]
=
x
12
(3x
2
+ 16x + 11)
(c) F ormula interpoladora de Newton às diferencas divididas:
p
3
(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
1
, x
2
, x
3
](x x
0
)(x x
1
)(x x
2
)
6
i x
i
f[x
i
] f[, ] f[, , ] f[, , , ]
0 0 0
2
1 1 2
1
3
3
1
4
2 3 8
2
3
1
3 4 9 1
p
3
(x) = 2x +
1
3
x(x 1)
1
4
x(x 1)(x 3) =
x
12
(3x
2
+ 16x + 11)
Erro de interpolacao polinomial
Proposicao. Seja p
n
o polin omio interpolador de f em n+1 pontos distintos x
0
, x
1
, . . . , x
n
de [a, b]. Se f C
n+1
([a, b]) ent ao para cada x [a, b] existe um ponto (x)
]x
0
; x
1
; . . . ; x
n
; x[ tal que
e
n
(x) = f(x) p
n
(x) =
f
(n+1)
()
(n + 1)!
W
n+1
(x),
onde
W
n+1
(x) =
n
i=0
(x x
i
).
Dem.: ( )
Proposicao. Seja p
n
o polin omio interpolador de f em n+1 pontos distintos x
0
, x
1
, . . . , x
n
de [a, b]. Se f C
n+1
([a, b]) ent ao
e
n
(x) = f[x
0
, x
1
, . . . , x
n
, x]W
n+1
(x).
Dem.: ( )
Proposicao. Seja f C
n+1
([a, b]) e sejam x
0
, x
1
, . . . , x
n
, n + 1 pontos distintos de [a, b].
Ent ao:
f[x
0
, x
1
, . . . , x
n
] =
f
(n)
()
n!
, ]x
0
; x
1
; . . . ; x
n
[.
Dem.: ( )
A equa cao que obtivemos para o erro de interpolac ao de Lagrange nao pode ser usada
para calcular o valor exacto do erro e
n
(x) visto que (x) e em geral uma func ao desconhe-
cida. Uma excep cao e o caso em que f
(n+1)
e uma constante. Pode no entanto ser usada
para obter um majorante do erro.
7
Proposicao. Sendo f C
n+1
([a, b]) ent ao:
(1)
[e
n
(x)[
M
n+1
(n + 1)!
[W
n+1
(x)[, x [a, b],
onde
M
n+1
= max
x[a,b]
[f
(n+1)
(x)[.
(2)
[e
n
(x)[
M
n+1
(n + 1)!
max
x[a,b]
[W
n+1
( x)[, x [a, b].
Dem.: ( )
Estas formulas p oem em evidencia a importancia da contribuic ao da func ao [W
n+1
[ para
o erro de interpolacao. Vamos estudar em mais algum pormenor esta funcao distinguindo
dois casos: nos igualmente espacados e n os de Chebyshev.
Proposicao. Suponhamos que os n os de interpolac ao est ao igualmente espa cados entre si:
x
i
= x
0
+ih, i = 0, 1, . . . , n,
onde h > 0 e tal que x
n
b. Sendo f C
n+1
([a, b]) a f ormula de majorac ao do erro de
interpolac ao escreve-se
[e
n
(x)[
h
n+1
M
n+1
(n + 1)!
[
n+1
(t)[, x [a, b],
onde x = x
0
+th, e
n+1
(t) =
n
i=0
(t i).
Dem.: ( )
Proposicao. A fun cao
n+1
tem as seguintes propriedades (ilustradas na gura seguinte):
(1)
n+1
e um polinomio m onico de grau n + 1 com zeros nos pontos 0, 1, . . . , n.
(2)
n+1
e uma funcao simetrica ou antisimetrica em relac ao ao ponto medio dos zeros,
t =
n
2
, consoante n + 1 e par ou mpar, respectivamente, isto e,
n+1
_
n
2
t
_
= (1)
n+1
n+1
_
n
2
+t
_
.
(3) Em cada intervalo ]i, i + 1[, i = 0, 1, . . . , n 1, [
n+1
[ possui um unico m aximo.
(4) Os valores dos maximos relativos de [
n+1
[ crescem à medida que t se afasta de
n
2
.
8
0.5 0.5 1.0 1.5 2.0 2.5
0.4
0.2
0.2
0.4
n2
1 2 3
1.0
0.5
0.5
1.0
n3
1 2 3 4
4
2
2
4
n4
1 2 3 4 5
20
15
10
5
5
10
n5
1 2 3 4 5 6
100
50
50
100
n6
2 4 6
600
400
200
200
n7
2 4 6 8
4000
2000
2000
4000
n8
2 4 6 8
40000
30000
20000
10000
10000
20000
n9
(5) [
n+1
[ tem um m aximo absoluto no intervalo [0, n], o qual ocorre em dois pontos, um
no subintervalo ]0, 1[ e outro no subintervalo ]n1, n[, vericando-se a desigualdade
max
t[0,n]
[
n+1
(t)[ < n!.
(6) Este valor m aximo absoluto e o seu quociente em relacao aos valores dos restantes
m aximos relativos crescem com n.
(7) [
n+1
(t)[ cresce rapidamente para t < 0 e t > n.
Notas. Atendendo ` a formula de majora cao do erro e ao que se disse sobre a funcao
n+1
conclui-se que:
(a) na interpolacao de f por p
n
os nos de interpola cao igualmente espa cados x
0
, x
0
+
h, . . . , x
0
+ nh, devem ser escolhidos por forma a que x esteja perto do centro do
intervalo [x
0
, x
0
+nh], isto e, x x
0
+
nh
2
.
(b) o erro de interpola cao cresce muito rapidamente quando x se afasta de x
0
, para a
esquerda, e de x
0
+ nh, para a direita, o que desencoraja a extrapolacao, isto e, a
aproxima cao de f(x) por p
n
(x) para valores de x fora do intervalo [x
0
, x
0
+nh].
9
Proposicao. De entre todas as escolhas de n os de interpolac ao x
0
, x
1
, . . . , x
n
distintos no
intervalo [1, 1], a quantidade
max
x[1,1]
i=0
(x x
i
)
,
toma o menor valor possvel para
x
k
= cos
_
2k + 1
2n + 2

_
, k = 0, 1, . . . , n,
e esse valor e 2
n
. Se f C
n+1
([1, 1]) a f ormula de majoracao do erro de interpolac ao
escreve-se
[e
n
(x)[
M
n+1
(n + 1)!2
n
, x [1, 1].
Nota. Os nos que acab amos de introduzir sao chamados n os de Chebyshev. Eles s ao
os n + 1 zeros do chamado polinomio de Chebyshev de grau n + 1, habitualmente
designado por T
n+1
, que introduziremos no captulo seguinte.
Exemplo. Considere a fun cao f : R R denida por f(x) = cos x.
(a) Determine o polinomio interpolador de f nos pontos x
0
= a, x
1
= 0, x
2
= a, onde
a ]0, 1].
(b) Determine um majorante do erro de interpolac ao valido para todos os pontos do
intervalo [1, 1].
(c) Determine o valor de a para o qual o majorante do erro de interpolacao tem o menor
valor possvel.
Resoluc ao:
(a) p
2
(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
)
x
i
f[x
i
] f[, ] f[, , ]
a cos a
1 cos a
a
0 1
cos a 1
a
2
cos a 1
a
a cos a
p
2
(x) = cos a +
1 cos a
a
(x +a) +
cos a 1
a
2
(x +a)x
= 1
1 cos a
a
2
x
2
(b) e
2
(x) =
f
()
6
W
3
(x)
10
[e
2
(x)[
1
6
|f
|W
3
|
|f
= max
x[1,1]
[f
(x)[ = max
x[1,1]
[ sin x[ = sin(1)
|W
3
|
= max
x[1,1]
[W
3
(x)[
W
3
(x) = (x +a)x(x a) = x(x
2
a
2
)
W
3
(x) = 3x
2
a
2
|W
3
|
= max
_
W
3
_
3
_
, W
3
(1)
_
= max
_
2a
3
3
3
, 1 a
2
_
=
_
_
1 a
2
, a
3
2
2a
3
3
3
, a
3
2
(c) min
a]0,1]
|W
3
|
=
1
4
_
para a =
3
2
_
Note-se que
3
2
, 0,
3
2
s ao os nos de Chebyshev para n = 2.
1
7. APROXIMAC

AO M
INIMOS QUADRADOS
Introducao

E muitas vezes de interesse o problema de aproximar uma funcao complicada por
uma funcao simples. No captulo anterior consider amos o caso em que as funcoes
aproximadoras s ao os polinomios interpoladores.
Neste captulo consideraremos outros tipos de funcoes aproximadoras para f, sem a
exigencia que elas interpolem f. Com efeito, em muitas situac oes n ao e conveniente que
a func ao aproximadora seja uma func ao interpoladora. Por exemplo, suponhamos que a
func ao f traduz uma relac ao entre duas grandezas fsicas, x e f(x). Suponhamos ainda
que os valores f(x
i
), i = 0, 1, . . . , n, foram obtidos experimentalmente; ou seja, apenas
dispomos de valores f(x
i
) +
i
, i = 0, 1, . . . , n, onde os erros
i
s ao desconhecidos. Neste
caso, n ao seria razoavel aproximar f por um polin omio passando por (x
i
, f(x
i
) +
i
), i =
0, 1, . . . , n, a n ao ser que os erros
i
fossem pequenos. Uma solu cao mais adequada seria
utilizar um polinomio obtido pelo chamado metodo dos mnimos quadrados, onde se
reduz o efeito dos erros dos dados.
Para se avaliar a qualidade de uma aproximacao precisamos de introduzir uma noc ao
de distancia entre a funcao e a fun cao aproximadora.
Denicao. Seja E um conjunto n ao vazio. Uma func ao d : E E R que verica as
condic oes
(M1) d(f, g) 0 e d(f, g) = 0 f = g, f, g E;
(M2) d(f, g) = d(g, f), f, g E;
(M3) d(f, g) d(f, h) +d(h, g), f, g, h E;
diz-se uma metrica ou distancia. O conjunto E onde esta denida a metrica diz-se um
espaco metrico.
Problema geral da aproxima cao. Seja E um espaco metrico e F E um subespaco de E.
Dado um elemento f E pretende saber-se se existe um elemento
F tal que
d(f,
) = inf
F
d(f, ).
Se existir entao
e chamada uma melhor aproximacao (m.a.) de f em F relati-

vamente ` a metrica ou distancia d. Se existir interessa saber se e unico, quais as suas
propriedades e como pode ser construdo.
Dado f E, o problema de determinar a m.a.
de f em F E e em geral difcil.
Vamos apenas considerar o importante caso em que E e um espaco pre-Hilbertiano, isto
e, um espaco vectorial munido de um produto interno. Veremos que a determinacao da
m.a. relativamente ` a dist ancia induzida pela norma induzida pelo produto interno pode
ser reduzida ` a resoluc ao de um sistema de equac oes lineares.
2
Melhor aproximacao em espacos pre-Hilbertianos
Denicao. Seja E um espaco vectorial. Uma func ao , ) : E E R, que verica as
condic oes
(P1) f, f) 0 e f, f) = 0 f = 0, f E;
(P2) f, g) = g, f), f, g E;
(P3) f, g +h) = f, g) +f, h), f, g, h E, , R;
diz-se um produto interno. O espaco E onde est a denido um produto interno diz-se
um espaco pre-Hilbertiano (p-H).
Um produto interno induz a norma
|f| =
_
f, f),
passando E a ser um espaco normado. Uma norma induz uma distancia
d(f, g) = |f g|,
passando E a ser um espaco metrico.
Exemplo. E = R
d
dotado do produto interno
f, g) =
d
i=1
w
i
f
i
g
i
, f, g E,
onde f = (f
1
, f
2
, . . . f
d
), g = (g
1
, g
2
, . . . g
d
) e w
1
, w
2
, . . . , w
d
s ao constantes positivas, e um
espaco p-H.
Exemplo. E = C([a, b]) dotado do produto interno
f, g) =
_
b
a
w(x)f(x)g(x) dx, f, g C([a, b]), (#)
onde w e uma func ao de peso, e um espa co p-H.
Denicao. Uma funcao w : [a, b] R e uma funcao de peso se vericar as seguintes
condic oes:
(i) w(x) 0, x [a, b] ;
(ii) x [a, b] : w(x) = 0 e nito;
(iii)
_
b
a
x
n
w(x)dx existe e e nito para qualquer n N
0
.
Exemplos.
(i) w(x) = 1, x [a, b];
3
(ii) w(x) =
1
1 x
2
, x ] 1, 1[;
(iii) w(x) = e
x
, x [0, [ ;
(iv) w(x) = e
x
2
, x ] , +[.
Problema I. Sejam E = C([a, b]) e F um subespa co de E de dimensao nita. Dada f E
determinar
F que minimiza o integral

_
b
a
w(x)[f(x) (x)]
2
dx.
Chama-se a
a melhor aproximacao mnimos quadrados (m.a.m.q.) de f em F.

Nota. Em termos do produto interno (#) em C([a, b]) o problema toma a forma: dada
f E determinar
F tal que
|f
| = min
F
|f |.
Problema II. Sejam E = C([a, b]), F um subespaco de E de dimens ao nita n + 1 e
= x
0
, x
1
, . . . , x
N
um conjunto de N + 1 pontos distintos de [a, b], vericando-se que
N n. Dada f E determinar
F que minimiza a soma

N
i=0
w
i
[f(x
i
) (x
i
)]
2
.
Chama-se a
a melhor aproximacao mnimos quadrados discreta (m.a.m.q.d.)

de f em F.
Nota. Em termos do produto interno em R
d
acima denido o problema toma a seguinte
forma. Comeca-se por associar a cada f E um vector

f R
N+1
tal que

f
i
= f(x
i
), i
0, 1, . . . , N. Seja ainda

F =
R
N+1
: F R
N+1
. Dada f E determinar

F tal que
|
| = min
F
|
f

|.
Proposicao (Caracterizacao da m.a. num espaco p-H). Sejam E um espaco p-H e F um
subespaco de E. Dado f E, o elemento
F e uma m.a. de f em F se e s o se
f
, ) = 0, F.
A m.a. de f em F e unica.
Dem.: ( )
Proposicao (Sistema normal). Sejam E um espa co p-H, F um subespaco de E de dimens ao
nita n + 1 e
0
, . . . ,
n
uma base de F. Ent ao a m.a.
de f E em F e dada por
=
n
k=0
a
k
,
4
onde a
0
, . . . , a
n
e a soluc ao unica do sistema normal
n
k=0
j
,
k
)a
k
= f,
j
), j = 0, 1, . . . , n,
ou
_
0
,
0
)
0
,
n
)
.
.
.
.
.
.
.
.
.
n
,
0
)
n
,
n
)
_
_
_
_
a
0
.
.
.
a
n
_
_
=
_
_
f,
0
)
.
.
.
f,
n
)
_
_
.
Exemplo. Determinar a m.a.m.q. de f E = C([0, 1]) no subespaco F gerado pela base
0
, . . .
n
,
j
(x) = x
j
, no caso em que w(x) = 1, x [0, 1]. Note-se que a matriz do
sistema normal e a matriz de Hilbert de ordem n + 1.
Resoluc ao:
=
n
k=0
a
k
,
k
(x) = x
k
_
0
,
0
)
0
,
n
)
.
.
.
.
.
.
.
.
.
n
,
0
)
n
,
n
)
_
_
_
_
a
0
.
.
.
a
n
_
_
=
_
_
f,
0
)
.
.
.
f,
n
)
_
_
.
j
,
k
) =
_
1
0
x
j+k
dx =
1
j +k + 1
= (H
n+1
)
jk
f,
j
) =
_
1
0
x
j
f(x)dx
Exemplo. Determinar a m.a.m.q.d. de f E = C([a, b]) no subespa co F gerado pela base
0
, . . .
n
, no caso em que w
i
= 1, i 0, 1, . . . , n. Particularizar para o caso em que
j
(x) = x
j
.
Resoluc ao:
=
n
k=0
a
k
,

=
n
k=0
a
k

k
_
_

0
,
0
)
0
,
n
)
.
.
.
.
.
.
.
.
.

n
,
0
)
n
,
n
)
_
_
_
_
a
0
.
.
.
a
n
_
_
=
_
f,
0
)
.
.
.
f,
n
)
_
_
.

j
= [
j
(x
0
)
j
(x
1
) . . .
j
(x
N
)]
T
,

f = [f(x
0
) f(x
1
) . . . f(x
N
)]
T

j
,
k
) =
N
i=0
j
(x
i
)
k
(x
i
),
f,
j
) =
N
i=0
f(x
i
)
j
(x
i
)
Caso particular:
j
(x) = x
j
5

j
,
k
) =
N
i=0
x
j+k
i
,
f,
j
) =
N
i=0
f(x
i
)x
j
i
Note-se que
0
,
0
) = N + 1
Sistemas ortogonais.
Denicao. Um conjunto S de elementos de um espaco p-H E diz-se ortogonal se
u, v) = 0, u, v S, u ,= v,
(e usa-se a notac ao u v). Se, alem disso,
u, u) = 1, u S,
o sistema diz-se ortonormado.
Proposicao (Teorema de Pitagoras). Sendo u
0
, u
1
, . . . , u
n
um conjunto ortogonal entao
_
_
_
_
_
n
i=0
u
i
_
_
_
_
_
2
=
n
i=0
|u
i
|
2
.
Dem.: ( )
Proposicao. Um conjunto nito ortogonal de elementos nao nulos e um conjunto de ele-
mentos linearmente independentes.
Dem.: ( )
Proposicao (Ortogonalizacao de Gram-Schmidt). Seja e
0
, . . . , e
n
uma base de um subes-
paco F de um espa co p-H E. Seja
0
, . . . ,
n
o conjunto de elementos denidos por
0
= e
0
,
j
= e
j
j1
k=0
e
j
,
k
)
k
,
k
)
k
, j 1,
e seja
0
, . . . ,
n
o conjunto de elementos denidos por

j
=

j
|
j
|
.
Ent ao o conjunto
0
, . . . ,
n
constitui uma base ortogonal para F enquanto que o
conjunto
0
, . . . ,
n
constitui uma base ortonormada para F.
Exemplo. Determinar o sistema de polin omios ortogonais no intervalo [1, 1] em relac ao
ao produto interno denido por (#) com w(x) = 1, x [1, 1].
Resoluc ao:
6
e
j
(x) = x
j
, j 0
0
= e
0
,
0
(x) = 1
1
= e
1
e
1
,
0
)
0
,
0
)
0
e
1
,
0
) =
_
1
1
x dx = 0
1
= e
1
,
1
(x) = x
2
= e
2
e
2
,
0
)
0
,
0
)
e
2
,
1
)
1
,
1
)
1
e
2
,
0
) =
_
1
1
x
2
dx =
2
3
,
0
,
0
) =
_
1
1
dx = 2
e
2
,
1
) =
_
1
1
x
3
dx = 0
2
= e
2
1
3

0
,
2
(x) = x
2
1
3
3
= e
3
e
3
,
0
)
0
,
0
)
e
3
,
1
)
1
,
1
)
e
3
,
2
)
2
,
2
)
2
e
3
,
0
) =
_
1
1
x
3
dx = 0
e
3
,
1
) =
_
1
1
x
4
dx =
2
5
,
1
,
1
) =
_
1
1
x
2
dx =
2
3
e
3
,
2
) =
_
1
1
x
3
_
x
2
1
3
_
dx = 0
3
= e
3
3
5

1
,
3
(x) = x
3
3
5
x
Proposicao (M.a. num espa co p-H usando uma base ortogonal (ortonormada)). Sendo E um
espaco p-H, F um subespaco de E de dimens ao nita e
O
, . . . ,
n
uma base ortogonal
de F, ent ao a m.a.
de f E em F e dada por
=
n
k=0
a
k
, a
k
=
f,
k
)
k
,
k
)
.
Se a base for ortonormada ter-se-a simplesmente
=
n
k=0
a
k
, a
k
= f,
k
).
Dem.: ( )
7
Polin omios ortogonais.
Consideremos o espaco C([a, b]) com o produto interno denido por (#). O processo de
ortogonalizac ao de Gram-Schmidt aplicado ao conjunto 1, x, x
2
, . . . , x
n
permite obter
diferentes bases ortogonais para T
n
, o conjunto de polin omios de grau menor ou igual a
n, correspondentes a diferentes fun coes de peso w. Uma maneira alternativa de construir
polinomios ortogonais e usar o teorema seguinte.
Proposicao (Relacao de recorrencia tripla). O conjunto de polin omios
0
, . . . ,
n
, denidos
por
0
(x) = 1,
1
(x) = x B
1
,
k
(x) = (x B
k
)
k1
(x) C
k
k2
(x), k 2,
com
B
k
=
x
k1
,
k1
)
k1
,
k1
)
, k 1, C
k
=
x
k1
,
k2
)
k2
,
k2
)
, k 2,
e ortogonal em relacao ao produto interno denido por (#), isto e,
j
,
k
) =
_
b
a
w(x)
j
(x)
k
(x) dx = 0, j ,= k.
Nota. Esta via produz polin omios ortogonais m onicos, isto e, com coecente unit ario da
potencia mais elevada.
Exemplo. Determinar o sistema de polin omios ortogonais no intervalo [1, 1] em relac ao
ao produto interno denido por (#) com w(x) = 1, x [1, 1].
Resoluc ao:
0
(x) = 1
B
1
=
x
0
,
0
)
0
,
0
)
=
_
1
1
x dx
_
1
1
dx
= 0
1
(x) = x
B
2
=
x
1
,
1
)
1
,
1
)
=
_
1
1
x
3
dx
_
1
1
x
2
dx
= 0
C
2
=
x
1
,
0
)
0
,
0
)
=
_
1
1
x
2
dx
_
1
1
dx
=
2
3
2
=
1
3
2
(x) = x
2
1
3
B
3
=
x
2
,
2
)
2
,
2
)
=
_
1
1
x
5
dx
_
1
1
x
4
dx
= 0
8
C
3
=
x
2
,
1
)
1
,
1
)
=
_
1
1
x
2
_
x
2
1
3
_
dx
_
1
1
x
2
dx
=
8
45
2
3
=
4
15
3
(x) = x
3
3
5
x
Proposicao. Seja
0
, . . . ,
n
um sistema de polinomios ortogonais em relac ao ao produto
n, interno denido por (#). Admite-se implicitamente que grau(
j
) = j. Se p e um
polin omio de grau m < n ent ao:
(1) p,
j
) = 0, j = m + 1, . . . , n; (2) p =
m
j=0
p,
j
)
j
,
j
)
j
.
Proposicao. Seja
0
, . . . ,
n
um sistema de polinomios ortogonais em relac ao ao produto
interno denido por (#). Admite-se implicitamente que grau(
j
) = j. Ent ao o polin omio
j
tem exactamente j razes reais distintas no intervalo aberto ]a, b[.
Exemplo. Polin omios de Legendre, P
n
(x [a, b] = [1, 1], w(x) = 1):
_
_
P
n
(x) =
2n 1
n
xP
n1
(x)
n 1
n
P
n2
(x), n 2
P
0
(x) = 1, P
1
(x) = x
P
2
(x) =
1
2
(3x
2
1), P
3
(x) =
1
2
(5x
3
3x), P
4
(x) =
1
8
(35x
4
30x
2
+ 3)
grau(P
n
) = n, P
n
(1) = 1, n 0
A
n
= lim
x
x
n
P
n
(x) =
(2n)!
2
n
(n!)
2
, n 1
P
m
, P
n
) =
_
+1
1
P
m
(x)P
n
(x) dx =
_
_
_
0, m ,= n,
2
2n + 1
, m = n.
Exemplo. Polin omios de Chebyshev, T
n
_
x [a, b] = [1, 1], w(x) =
1
1 x
2
_
:
_
T
n
(x) = 2xT
n1
(x) T
n2
(x), n 2
T
0
(x) = 1, T
1
(x) = x
T
2
(x) = 2x
2
1, T
3
(x) = 4x
3
3x, T
4
(x) = 8x
4
8x
2
+ 1
grau(T
n
) = n, T
n
(1) = 1, n 0
9
A
n
= lim
x
x
n
T
n
(x) = 2
n1
, n 1
T
m
, T
n
) =
_
+1
1
T
m
(x)T
n
(x)
1 x
2
dx =
_
_
0, m ,= n,
, m = n = 0,
2
, m = n > 0
T
n
(x) = cos(narccos x), n 0
T
n
(x
i
) = 0, x
i
= cos
(2i + 1)
2n
, i = 0, . . . , n 1, n 1
Exemplo. Determine de entre os polinomios de grau menor ou igual a 2 a m.a.m.q. da
func ao f : R R, denida por f(x) = x
4
+ x
3
, relativamente aos seguintes produtos
internos:
(a) g, h) =
_
1
1
g(x)h(x) dx, g, h C([a, b]).
Sugest ao: utilize os polinomios de Legendre.
(b) g, h) =
_
1
1
g(x)h(x)
1 x
2
dx, g, h C([a, b]).
Sugest ao: utilize os polinomios de Chebyshev.
Resoluc ao:
(a) P
0
(x) = 1 1 = P
0
(x)
P
1
(x) = x x = P
1
(x)
P
2
(x) =
1
2
(3x
2
1) x
2
=
1
3
[P
0
(x) + 2P
2
(x)]
P
3
(x) =
1
2
(5x
3
3x) x
3
=
1
5
[3P
1
(x) + 2P
3
(x)]
P
4
(x) =
1
8
(35x
4
30x
2
+ 3) x
4
=
1
35
[7P
0
(x) + 20P
2
(x) + 8P
4
(x)]
f(x) =
1
35
[7P
0
(x) + 21P
1
(x) + 20P
2
(x) + 14P
3
(x) + 8P
4
(x)]
p
2
= a
0
P
0
+a
1
P
1
+a
2
P
2
, a
k
=
f, P
k
)
P
k
, P
k
)
a
0
=
7
35
, a
1
=
21
35
, a
2
=
20
35
p
2
(x) =
3
35
(1 + 7x + 10x
2
)
10
(b) T
0
(x) = 1 1 = T
0
(x)
T
1
(x) = x x = T
1
(x)
T
2
(x) = 2x
2
1 x
2
=
1
2
[T
0
(x) +T
2
(x)]
T
3
(x) = 4x
3
3x x
3
=
1
4
[3T
1
(x) +T
3
(x)]
T
4
(x) = 8x
4
8x
2
+ 1 x
4
=
1
8
[3T
0
(x) + 4T
2
(x) +T
4
(x)]
f(x) =
1
8
[3T
0
(x) + 6T
1
(x) + 4T
2
(x) + 2T
3
(x) +T
4
(x)]
p
2
= a
0
T
0
+a
1
T
1
+a
2
T
2
, a
k
=
f, T
k
)
T
k
, T
k
)
a
0
=
3
8
, a
1
=
3
4
, a
2
=
1
2
p
2
(x) =
1
8
(1 + 6x + 8x
2
)
1
8. INTEGRAC

AO NUM
ERICA
Introducao.
Neste captulo derivamos e analisamos metodos numericos para calcular integrais de-
nidos da forma
I(f) =
_
b
a
f(x) dx,
com [a, b] nito. Estes metodos s ao necessarios para o c alculo de integrais tais que:
a primitiva da funcao integranda n ao e conhecida;
embora conhecida a primitiva da fun cao integranda e demasiado complicada, tor-
nando mais r apido o c alculo numerico do integral;
a integranda e conhecida apenas num n umero nito de pontos.
Alem disso estes metodos de integracao numerica ou quadratura numerica consti-
tuem uma ferramenta basica para a resoluc ao numerica de equac oes diferenciais e equac oes
integrais.
A maior parte dos metodos de integracao numerica para calcular I(f) encaixa-se
no seguinte esquema: sendo f
n
uma fun cao aproximadora de f, dene-se a formula de
integracao ou quadratura numerica por
I
n
(f) := I(f
n
).
f
n
deve ser tal que I(f
n
) possa ser calculado facilmente. O erro de integra cao sera calcu-
lado a partir do erro da func ao aproximadora f
n
em relac ao a f:
E
n
(f) = I(f) I
n
(f) = I(f f
n
).
A maior parte das formulas de integra cao numerica usam para func oes aproximado-
ras f
n
os polin omios interpoladores p
n
ou func oes interpoladoras seccionalmente polino-
miais. Estudaremos seguidamente:
as f ormulas de integra cao de Newton-Cotes, em que os polin omios interpoladores
s ao suportados em n os igualmente espacados;
as f ormulas de integra cao de Gauss, em que os polinomios interpoladores s ao supor-
tados em n os cuidadosamente escolhidos, e que nao sao igualmente espacados; estas
f ormulas sao optimas num certo sentido e tem convergencia muito r apida.
as formulas compostas correspondentes.
As formulas de integrac ao numerica assim obtidas tem a forma
I
n
(f) =
n
j=0
w
j,n
f(x
j,n
), n N.
Os coecientes w
j,n
s ao chamados os pesos de integracao ou pesos de quadratura; os
pontos x
j,n
s ao chamados os nos de integracao ou nos de quadratura, normalmente
2
escolhidos em [a, b]. A dependencia em n e em geral suprimida, escrevendo-se w
j
e x
j
,
mas subentendida implicitamente. Os metodos usuais de integrac ao numerica tem nos e
pesos com forma simples ou que sao fornecidos em tabelas facilmente acessveis. Nao ha
em geral necessidade de construir explicitamente as func oes aproximadoras f
n
, embora
seja util ter presente o seu papel em denir I
n
(f).
F ormulas de quadratura interpolatoria polinomial (FQIP)
Proposicao. Seja f C([a, b]) e p
n
T
n
o polin omio interpolador de f nos pontos
x
0
, x
1
, . . . , x
n
distintos do intervalo [a, b]. A FQIP de ordem n de f e denida por:
I
n
(f) := I(p
n
),
e tem a forma
I
n
(f) =
n
j=0
w
j,n
f(x
j,n
),
com pesos
w
j,n
= I(l
j,n
) =
_
b
a
i=0
i=j
x x
i,n
x
j,n
x
i,n
dx.
Dem.: ( )
Notas. (i) T
n
designa o conjunto de polin omios de grau menor ou igual a n.
(ii)
n
j=0
w
j,n
= b a
(iii) Sendo f T
n
, f coincide com o seu polin omio interpolador p
n
T
n
e, portanto,
I
n
(f) = I(p
n
) = I(f).
Proposicao. Dados n + 1 pontos distintos x
0
, x
1
, . . . , x
n
do intervalo [a, b] a FQIP de
ordem n e unicamente determinada pela propriedade de que integra exactamente todos
os polinomios de grau menor ou igual a n, isto e,
I
n
(q) = I(q), q T
n
.
Dem.: ( )
Nota. Esta condic ao traduz-se no sistema de equac oes
I
n
(x
k
) = I(x
k
), k = 0, 1, . . . , n.
Trata-se de um sistema de equa coes lineares nos pesos de integrac ao. Este metodo de
determinar as FQIP e muitas vezes designado por metodo dos coecientes indeterminados.
3
Exemplo. Determinar as FQIP de ordens 0, 1 e 2 pelas duas vias indicadas nas duas
proposic oes, isto e, integracao dos polin omios de Lagrange e metodo dos coecientes in-
determinados. Obtem-se:
(a) n = 0, a x
0
b
I
0
(f) = w
0
f(x
0
) = (b a)f(x
0
)
Caso particular: x
0
=
a +b
2
(F ormula do ponto medio)
(b) n = 1, a x
0
< x
1
b
I
1
(f) = w
0
f(x
0
) +w
1
f(x
1
)
w
0
=
(b a)(a +b 2x
1
)
2(x
0
x
1
)
, w
1
=
(b a)(a +b 2x
0
)
2(x
1
x
0
)
Casos particulares:
(i) x
0
= a, x
1
= b, w
0
=
b a
2
= w
1
(F ormula do trapezio ou f ormula de Newton-Cotes fechada de ordem 1)
(ii) x
0
= a +
b a
3
, x
1
= b
b a
3
, w
0
=
b a
2
= w
1
(F ormula de Newton-Cotes aberta de ordem 1)
(iii) x
0
=
a +b
2

b a
2
3
3
, x
1
=
a +b
2
+
b a
2
3
3
, w
0
=
b a
2
= w
1
(F ormula de Gauss-Legendre de ordem 1)
(c) n = 2, a x
0
< x
1
< x
2
b
I
2
(f) = w
0
f(x
0
) +w
1
f(x
1
) + w
2
f(x
2
)
w
0
=
(b a)[2(a
2
+b
2
+ab) + 6x
1
x
2
3(a +b)(x
1
+x
2
)]
6(x
0
x
1
)(x
0
x
2
)
w
1
=
(b a)[2(a
2
+b
2
+ab) + 6x
2
x
0
3(a +b)(x
2
+x
0
)]
6(x
1
x
2
)(x
1
x
0
)
w
2
=
(b a)[2(a
2
+b
2
+ab) + 6x
0
x
1
3(a +b)(x
0
+x
1
)]
6(x
2
x
0
)(x
2
x
1
)
Casos particulares:
4
(i) x
0
= a, x
1
=
a +b
2
, x
2
= b, w
0
=
b a
6
= w
2
, w
1
= 4
b a
6
(F ormula de Simpson ou f ormula de Newton-Cotes fechada de ordem 2)
(ii) x
0
= a +
b a
4
, x
1
=
a +b
2
, x
2
= b
b a
4
w
0
= 2
b a
3
= w
2
, w
1
=
b a
3
(F ormula de Newton-Cotes aberta de ordem 2)
(iii) x
0
=
a +b
2

b a
2
_
3
5
, x
1
= 0, x
2
=
a +b
2
+
b a
2
_
3
5
w
0
=
5
9
b a
2
= w
2
, w
1
=
8
9
b a
2
(F ormula de Gauss-Legendre de ordem 2)
Resoluc ao: (b)
Metodo dos polinomios de Lagrange:
w
0
=
_
b
a
l
0
(x) dx =
_
b
a
x x
1
x
0
x
1
dx =
1
x
0
x
1
_
(x x
1
)
2
2
_
b
a
=
(b a)(a +b 2x
1
)
2(x
0
x
1
)
w
1
=
_
b
a
l
1
(x) dx =
_
b
a
x x
0
x
1
x
0
dx =
1
x
1
x
0
_
(x x
0
)
2
2
_
b
a
=
(b a)(a +b 2x
0
)
2(x
1
x
0
)
Metodo dos coecientes indeterminados:
_
I
1
(1) = I(1)
I
1
(x) = I(x)
_
_
_
w
0
+w
1
= b a
x
0
w
0
+x
1
w
1
=
b
2
a
2
2
_
w
0
=
(b a)(a +b 2x
1
)
2(x
0
x
1
)
w
1
=
(b a)(a +b 2x
0
)
2(x
1
x
0
)
F ormulas de Newton-Cotes fechadas e abertas
Proposicao. A FQIP de ordem n N
1
com nos de integrac ao equidistantes
x
j,n
= a +jh
n
, j = 0, 1, . . . , n,
onde
h
n
=
b a
n
,
e chamada a formula de Newton-Cotes fechada de ordem n. Os seus pesos de
integra cao sao dados por
w
j,n
= h
n
(1)
nj
j!(n j)!
_
n
0
n
i=0
i=j
(t i) dt,
5
e tem a simetria,
w
j,n
= w
nj,n
, j = 0, 1, . . . , n.
Exemplo. I
1
(f) e I
2
(f) foram calculados no exemplo anterior. I
3
(f), I
4
(f), I
5
(f), I
6
(f), I
7
(f)
est ao disponveis no Anexo.
Proposicao (Teorema do Valor Medio para Integrais). Sejam f, u C([a, b]), u(x) 0, x
[a, b]. Ent ao:
_
b
a
u(x)f(x) dx = f()
_
b
a
u(x) dx,
para algum [a, b].
2
([a, b]). O erro de integrac ao para a f ormula do trapezio e dado
por
E
1
(f) = I(f) I
1
(f) =
h
3
12
f
(),
onde h = b a e ]a, b[.
Dem.: ( )
4
([a, b]). O erro de integrac ao para a formula de Simpson e dado
por
E
2
(f) = I(f) I
2
(f) =
h
5
90
f
(4)
(),
onde h =
b a
2
e ]a, b[.
Dem.: ( )
n+n
([a, b]), onde
n
= 1 +
1
2
[1 + (1)
n
]; isto e,
n
= 1 para n
mpar e
n
= 2 para n par. Entao o erro de integrac ao para a f ormula de Newton-Cotes
fechada de ordem n e dado por
E
n
(f) = I(f) I
n
(f) =
C
n
(n +
n
)!
h
n+1+n
n
f
(n+n)
(),
onde
C
n
=
_
n
0
t
n1
n
i=0
(t i) dt,
h
n
=
b a
n
e ]a, b[.
Nota. Mostra-se que C
n
< 0, n N
1
.
Exemplo. E
3
(f), . . . , E
7
(f) estao disponveis no Anexo.
Denicao. Uma f ormula de integrac ao numerica I
n
(f) que aproxima I(f) diz-se de grau
6
de precisao m se:
(1) I
n
(q) = I(q), q T
m
;
(2) I
n
(q) ,= I(q), para algum q T
m+1
.
Proposicao. As formulas de Newton-Cotes fechadas de ordem n tem grau de precisao
n +
n
1, isto e, tem grau de precis ao
(1) n, para n mpar; (2) n + 1, para n par.
Proposicao. A FQIP de ordem n N com nos de integrac ao equidistantes
x
j,n
= a + (j + 1)h
n
, j = 0, 1, . . . , n,
onde
h
n
=
b a
n + 2
,
e chamada a formula de Newton-Cotes aberta de ordem n. Os seus pesos de
integra cao sao dados por
w
j,n
= h
n
(1)
nj
j!(n j)!
_
n+1
1
n
i=0
i=j
(t i) dt,
e tem a simetria,
w
j,n
= w
nj,n
, j = 0, 1, . . . , n.
Exemplo. I
0
(f), I
1
(f), I
2
(f) foram calculadas no exemplo de FQIP.
2
([a, b]). O erro de integrac ao para a f ormula do ponto medio e
dado por
E
0
(f) = I(f) I
0
(f) =
h
3
3
f
(),
onde h =
b a
2
e ]a, b[.
Dem.: ( )
n+n
([a, b]), onde
n
= 1+
1
2
[1 + (1)
n
]. Ent ao o erro de integrac ao
para a f ormula de Newton-Cotes aberta de ordem n e dado por
E
n
(f) = I(f) I
n
(f) =
C
n
(n +
n
)!
h
n+1+n
n
f
(n+n)
(),
onde
C
n
=
_
n+1
1
t
n1
n
i=0
(t i) dt,
h
n
=
b a
n + 2
e [a, b].
7
Nota. Mostra-se que C
n
> 0, n N.
Exemplo. E
1
(f) e E
2
(f) estao disponveis no Anexo.
Proposicao. As f ormulas de Newton-Cotes abertas de ordem n tem grau de precisao
n +
n
1, isto e, tem grau de precis ao
(1) n, para n mpar; (2) n + 1, para n par.
n+n
([a, b]), onde
n
= 1+
1
2
[1 + (1)
n
]. Ent ao o erro de integrac ao
para a f ormula de Newton-Cotes, fechada ou aberta, de ordem n e dado por
E
n
(f) = I(f) I
n
(f) =
E
n
(q)
(n +
n
)!
f
(n+n)
(),
onde q(x) = (x a)
n+n
e ]a, b[.
Exemplo. Determinar as express oes dos erros da f ormula dos trapezios e da f ormula de
Simpson.
E
1
(f) =
E
1
(q)
2!
f
(), q(x) = (x a)
2
E
1
(q) = I(q) I
1
(q) =
_
b
a
q(x) dx
b a
2
[q(a) + q(b)]
=
(b a)
3
3

(b a)
3
2
=
(b a)
3
6
E
1
(f) =
(b a)
3
12
f
()
E
2
(f) =
E
2
(q)
4!
f
(4)
(), q(x) = (x a)
4
E
2
(q) = I(q) I
2
(q) =
_
b
a
q(x) dx
b a
6
_
q(a) + 4q
_
a +b
2
_
+q(b)
_
=
(b a)
5
5

5
24
(b a)
5
=
(b a)
5
120
E
2
(f) =
1
90
_
b a
2
_
5
f
(4)
()
F ormulas de Newton-Cotes fechadas e abertas compostas
Uma vez que os erros das formulas de Newton-Cotes s ao proporcionais a potencias de
b a, se esta quantidade n ao for sucientemente pequena, as f ormulas deixam de ter
utilidade. Neste caso o que se deve fazer e dividir o intervalo [a, b] em subintervalos e
aplicar a cada um dos integrais assim obtidos uma das f ormulas de Newton-Cotes.
8
Proposicao. Seja I
n
(f; [a, b]) a formula de Newton-Cotes de ordem n, fechada ou aberta,
para obter um valor aproximado do integral
I(f; [a, b]) =
_
b
a
f(x) dx,
anteriormente designadas simplesmente por I
n
(f) e I(f), respectivamente. Sejam
x
0
, x
1
, . . . , x
M
os pontos do intervalo [a, b] denidos por
x
j
= a +jh
M
, j = 0, 1, . . . , M, h
M
=
b a
M
,
onde M N
1
e um m ultiplo de n+, onde = 0 no caso das formulas fechadas, e = 2,
no caso das formulas abertas. Entao a formula de Newton-Cotes, fechada ou aberta, de
ordem n, composta, com M subintervalos, para obter um valor aproximado do integral
I(f), e
I
(M)
n
(f) =
M/(n+)
j=1
I
n
(f; [x
(n+)(j1)
, x
(n+)j
]).
Exemplo. F ormula do trapezio composta
I
(M)
1
(f) =
h
M
2
_
f(x
0
) + 2
M1
j=1
f(x
j
) +f(x
M
)
_
, h
M
=
b a
M
Com efeito:
I
(M)
1
(f) =
M
j=1
I
1
(f; [x
j1
, x
j
])
=
M
j=1
1
2
(x
j
x
j1
) [f(x
j1
) +f(x
j
)]
=
b a
2M
M
j=1
[f(x
j1
) + f(x
j
)]
Exemplo. F ormula de Simpson composta
I
(M)
2
(f) =
h
M
3
_
_
f(x
0
) + 2
M/21
j=1
f(x
2j
) + 4
M/2
j=1
f(x
2j1
) +f(x
M
)
_
_
, h
M
=
b a
M
Com efeito:
I
(M)
2
(f) =
M/2
j=1
I
2
(f; [x
2j2
, x
2j
])
=
M/2
j=1
1
6
(x
2j
x
2j2
) [f(x
2j2
) + 4f(x
2j1
) +f(x
2j
)]
=
b a
3M
M/2
j=1
[f(x
2j2
) + 4f(x
2j1
) +f(x
2j
)]
9
Exemplo. As formulas de Newton-Cotes fechadas compostas para n = 3, . . . , 7 e as
f ormulas de Newton-Cotes abertas compostas para n = 0, 1, 2 estao disponveis no Anexo.
2
([a, b]). O erro de integracao para a f ormula do trapezio composta
e dado por
E
(M)
1
(f) = I(f) I
(M)
1
(f) =
b a
12
h
2
M
f
(),
onde h
M
=
b a
M
e ]a, b[.
Dem.: ( )
n+n
([a, b]) onde
n
= 1+
1
2
[1 + (1)
n
]. Seja M N
1
um m ultiplo
de n+, onde = 0 no caso das formulas fechadas, e = 2 no caso das formulas abertas.
O erro de integrac ao para a formula de Newton-Cotes de ordem n, fechada ou aberta,
composta, com M subintervalos de integra cao, e dado por
E
(M)
n
(f) = I(f) I
(M)
n
(f) =
b a
n +
C
n
(n +
n
)!
h
n+n
M
f
(n+n)
(),
onde h
M
=
b a
M
e ]a, b[. Os coecientes C
n
foram obtidos anteriormente em ambos
os casos.
Exemplo. Os erros de integrac ao para as f ormulas de Newton-Cotes fechadas compostas
de ordens 2, . . . , 7 e abertas compostas de ordens 0, 1, 2 estao disponveis no Anexo.
F ormulas de integracao de Gauss
Dados os nos de integrac ao x
0,n
, x
1,n
, . . . , x
n,n
em [a, b], os pesos de integrac ao w
0,n
, w
1,n
,
. . . , w
n,n
das FQIP
I
n
(f) =
n
j=0
w
j,n
f(x
j,n
),
s ao determinados por forma a que todos os polinomios de grau n sejam integrados
exactamente, isto e,
I
n
(p) = I(p), p T
n
.
Vamos agora considerar o problema de escolher os n os x
0,n
, x
1,n
, . . . , x
n,n
por forma
a que a FQIP integre exactamente os polin omios de maior grau m n possvel, isto e,
I
n
(p) = I(p), p T
m
,
e determinar esse grau.
Os n os e os pesos de quadratura, num total de 2n + 2 inc ognitas, devem satisfazer
ao sistema de equac oes nao-lineares
I
n
(x
k
) = I(x
k
), k = 0, 1, . . . , m.
10
Veremos que e efectivamente para m = 2n + 1, valor para o qual o n umero de
equac oes coincide com o n umero de inc ognitas, que este sistema tem uma unica soluc ao e
que para esta solu cao os pontos x
0,n
, x
1,n
, . . . , x
n,n
s ao distintos. Sao os zeros do polinomio
de grau n + 1 de um sistema de polin omios ortogonais com respeito ao produto interno
denido por
f, g) = I(fg), f, g C([a, b]).
Para ganharmos alguma sensibilidade para a diculdade do problema consideremos
o seguinte exemplo:
Exemplo. No caso do integral
I(f) =
_
1
1
f(x) dx,
determinar as FQIP que integram exactamente todos os polin omios de grau menor ou
igual a 2n + 1, para n = 0, 1, 2.
O sistema de 2n + 2 equacoes n ao lineares a resolver e:
n
j=0
w
j,n
x
k
j,n
=
1 (1)
k+1
k + 1
, k = 0, 1, . . . , 2n + 1,
isto e,
n
j=0
w
j,n
x
k
j,n
=
_
_
0, k = 1, 3, . . . , 2n + 1
2
k + 1
, k = 0, 2, . . . , 2n
.
n = 0 :
_
w
0,0
x
0,0
= 0
w
0,0
= 2
_
x
0,0
= 0
w
0,0
= 2
I
0
(f) = 2f(0)
n = 1 :
_
_
w
0,1
x
0,1
+w
1,1
x
1,1
= 0
w
0,1
x
3
0,1
+w
1,1
x
3
1,1
= 0
w
0,1
+w
1,1
= 2
w
0,1
x
2
0,1
+w
1,1
x
2
1,1
=
2
3
_
_
x
0,1
=
3
3
x
1,1
=
3
3
w
0,1
= 1
w
1,1
= 1
I
1
(f) = f
_
3
3
_
+f
_
3
3
_
11
n = 2 :
_
_
w
0,2
x
0,2
+w
1,2
x
1,2
+w
2,2
x
2,2
= 0
w
0,2
x
3
0,2
+w
1,2
x
3
1,2
+w
2,2
x
3
2,2
= 0
w
0,2
x
5
0,2
+w
1,2
x
5
1,2
+w
2,2
x
5
2,2
= 0
w
0,2
+w
1,2
+w
2,2
= 2
w
0,2
x
2
0,2
+w
1,2
x
2
1,2
+w
2,2
x
2
2,2
=
2
3
w
0,2
x
4
0,2
+w
1,2
x
4
1,2
+w
2,2
x
4
2,2
=
2
5
_
_
x
0,2
=
_
3
5
x
1,2
= 0
x
2,2
=
_
3
5
w
0,2
=
5
9
w
1,2
=
8
9
w
2,2
=
5
9
I
2
(f) =
5
9
f
_
_
3
5
_
+
8
9
f(0) +
5
9
f
_
_
3
5
_
A soluc ao do sistema torna-se rapidamente demasiado complicada. A soluc ao do pro-
blema passa pois por uma outra via.
No estudo das formulas de quadratura de Gauss vamos considerar com mais generalidade
o integral
I(f) =
_
b
a
w(x)f(x) dx,
onde w e uma funcao de peso, anteriormente denida.
Denicao. Uma FQIP
I
n
(f) =
n
j=0
w
j,n
f(x
j,n
),
com n + 1 n os de quadratura distintos x
0,n
, . . . , x
n,n
e chamada uma formula de qua-
dratura de Gauss se integra exactamente todos os polin omios de grau menor ou igual
a 2n + 1, isto e,
I
n
(p) = I(p), p T
2n+1
.
Proposicao. Para cada n N existe uma unica f ormula de quadratura de Gauss. Os seus
n os de quadratura s ao os zeros do polin omio de grau n + 1 pertencente ao sistema de
polin omios ortogonais
k
com respeito ao produto interno
f, g) = I(fg), f, g C([a, b]).
Os seus pesos de quadratura s ao determinados pelas formulas
w
j,n
= I(l
j,n
), j = 0, 1, . . . , n,
onde l
0,n
, . . . , l
n,n
s ao os polinomios de Lagrange de grau n suportados nos n os de inte-
12
grac ao, ou, por qualquer dos sistemas (lineares) de n + 1 equacoes:
(a)
n
j=0
w
j,n
x
k
j,n
= I(x
k
), k = 0, 1, . . . , n;
(b)
n
j=0
w
j,n
k
(x
j,n
) = I(
k
), k = 0, 1, . . . , n.
Proposicao. A formula de quadratura de Gauss de ordem n tem grau de precis ao 2n + 1.
Dem.: ( )
Proposicao. Os pesos da formula de quadratura de Gauss de ordem n s ao dados por
w
j,n
= I(l
2
j,n
), j = 0, 1, . . . , n.
Em particular
w
j,n
> 0, j = 0, 1, . . . , n.
Dem.: ( )
Proposicao. Os pesos da formula de quadratura de Gauss de ordem n s ao dados por
w
j,n
=
I(
2
n+1
)
n+1
(x
j,n
)
n+2
(x
j,n
)
, j = 0, 1, . . . , n
onde
n
e o elemento de grau n do sistema de polin omios m onicos ortogonais em relac ao
ao produto interno
f, g) = I(fg), f, g C([a, b]).
2n+2
([a, b]). Ent ao o erro da formula de quadratura de Gauss de
ordem n e dado por
E
n
(f) = I(f) I
n
(f) =
I(
2
n+1
)
(2n + 2)!
f
(2n+2)
(),
para algum ]a, b[.
Dem.: ( )
Exemplo. F ormulas de Gauss-Legendre ([a, b] = [1, 1], w(x) 1)
I(f) =
_
1
1
f(x) dx I
n
(f) =
n
j=0
w
j,n
f(x
j,n
)
13
x
j,n
, j = 0, 1, . . . , n: zeros do polin omio de Legendre P
n+1
w
j,n
=
2
(n + 2)P
n+1
(x
j,n
)P
n+2
(x
j,n
)
, j = 0, 1, . . . , n
E
n
(f) =
2
2n+3
[(n + 1)!]
4
(2n + 3)[(2n + 2)!]
3
f
(2n+2)
(), f C
2n+2
([1, 1]), ]a, b[
Estes resultados obtem-se combinando nas express oes gerais para w
j,n
e E
n
(f) com
as seguintes propriedades dos polin omios de Legendre (Captulo 7):
n
=
P
n
A
n
, A
n
=
(2n)!
2
n
(n!)
2
, P
n
, P
n
) =
2
2n + 1
.
As f ormulas de Gauss-Legendre de ordens 0, 1, 2 foram obtidas anteriormente. A
f ormula de ordem 3 est a disponvel no Anexo. Tambem os erros destas quatro f ormulas
est ao disponveis no Anexo.
2n+2
([a, b]) uma fun cao tal que
sup
k0
M
k
< , M
k
:= max
x[1,1]
f
(k)
(x)
k!
.
Ent ao o erro da formula de quadratura de Gauss-Legendre de ordem n satisfaz a
[E
n
(f)[

4
n+1
M
2n+2
, n .
Nota. Este resultado mostra que E
n
(f) 0, n , com um decrescimento exponencial.
Compare-se com o decrescimento da forma 1/M
n+n
, M , para as formulas de
Newton-Cotes compostas de ordem n.
Exemplo. F ormulas de Gauss-Chebyshev
_
[a, b] = [1, 1], w(x) = 1/
1 x
2
_
:
I(f) =
_
1
1
f(x)
1 x
2
dx I
n
(f) =
n
j=0
w
j,n
f(x
j,n
)
x
j,n
= cos
_
2j + 1
2n + 2

_
, w
j,n
=

n + 1
, j = 0, 1, . . . , n
E
n
(f) =

2
2n+1
(2n + 2)!
f
(2n+2)
(), ]a, b[
Estes resultados obtem-se combinando nas express oes gerais para w
j,n
e E
n
(f) com
as seguintes propriedades dos polin omios de Chebyshev (Captulo 7):
n
=
T
n
2
n1
, T
n
, T
n
) =

2
, T
n
(x) = cos(narccos x)
No caso dos pesos de integra cao temos:
14
w
j,n
=
I(
2
n+1
)
n+1
(x
j,n
)
n+2
(x
j,n
)
=

T
n+1
(x
j,n
)T
n+2
(x
j,n
)
x = cos , T
n
(x) = cos(n), T
n
(x) =
nsin(n)
sin
x
j,n
= cos
j,n
,
j,n
=
(2j + 1)
2(n + 1)
w
j,n
=
sin
j,n
(n + 1) sin[(n + 1)
j,n
] cos[(n + 2)
j,n
]
=

n + 1
Exemplo. Considere o integral
I(f) =
_
b
b
w(x)f(x) dx,
onde f, w C([b, b]), w e denida por w(x) = b [x[ e b e uma constante positiva.
Determine as formulas de quadratura de Gauss de ordens 1, 2 e 3 para aproximar o
integral I(f). Note que
I(x
m
) =
_
_
_
2b
m+2
(m + 2)(m + 1)
, m par
0, mmpar
Resoluc ao:
Construc ao do conjunto de polin omios ortogonais em relac ao ao produto interno denido
por
f, g) = I(fg), f, g C([b, b])
0
(x) = 1
1
(x) = x B
1
= x
B
1
=
x
0
,
0
)
0
,
0
)
=
I(x)
I(1)
= 0
2
(x) = (x B
2
)
1
(x) C
2
0
(x) = x
2
b
2
6
B
2
=
x
1
,
1
)
1
,
1
)
=
I(x
3
)
I(x
2
)
= 0
C
2
=
x
1
,
0
)
0
,
0
)
=
I(x
2
)
I(1)
=
b
2
6
3
(x) = (x B
3
)
2
(x) C
3
1
(x) = x
_
x
2
2b
2
5
_
B
3
=
x
2
,
2
)
2
,
2
)
=
I(x[
2
(x)]
2
)
I([
2
(x)]
2
)
= 0
C
3
=
x
2
,
1
)
1
,
1
)
=
I
_
x
4
b
2
6
x
2
_
I(x
2
)
=
7b
2
30
15
Calculo das formulas de Gauss:
n = 0 : I
0
(f) = w
0
f(x
0
), x
0
= 0
w
0
= I(1) = b
2
n = 1 : I
1
(f) = w
0
f(x
0
) +w
1
f(x
1
), x
1
=
b
6
= x
0
_
w
0
+w
1
= I(1) = b
2
w
0
x
0
+w
1
x
1
= I(x) = 0
w
0
= w
1
=
b
2
2
n = 2 : I
2
(f) = w
0
f(x
0
) + w
1
f(x
1
) +w
2
f(x
2
), x
2
= b
_
2
5
= x
0
, x
1
= 0
_
_
w
0
+w
1
+w
2
= I(1) = b
2
w
0
x
0
+w
1
x
1
+w
2
x
2
= I(x) = 0
w
0
x
2
0
+w
1
x
2
1
+w
2
x
2
2
= I(x
2
) =
b
4
6
_
w
0
= w
2
=
5b
2
24
w
1
=
7b
2
12
F ormula de Gauss-Legendre composta
Proposicao (da mudanca de variavel). Seja
I
n
(f; [1, 1]) =
n
j=0
w
j,n
f(x
j,n
)
uma FQIP para obter um valor aproximado do integral
I(f; [1, 1]) =
_
1
1
f(t) dt.
Ent ao a FQIP
I
n
(f; [a, b]) =
n
j=0
w
j,n
f(x
j,n
),
onde
w
j,n
=
b a
2
w
j,n
, x
j,n
= a +
b a
2
(x
j,n
+ 1),
permite obter um valor aproximado para o integral
I(f; [a, b]) =
_
b
a
f(x) dx.
Dem.: ( )
Proposicao. Seja
I
n
(f; [1, 1]) =
n
j=0
w
j,n
f(x
j,n
),
16
a formula de Gauss-Legendre para obter um valor aproximado do integral
I(f; [1, 1]) =
_
1
1
f(t) dt.
Ent ao a formula de Gauss-Legendre composta com M subintervalos para obter um
valor aproximado do integral
I(f; [a, b]) =
_
b
a
f(x) dx.
e dada por
I
(M)
n
(f; [a, b]) =
h
M
2
n
j=0
w
j,n
M
m=1
f
_
x
(m)
j,n
_
,
onde
x
(m)
j,n
= a +h
M
(m1) +
h
M
2
(x
j,n
+ 1) , h
M
=
b a
M
.
Dem.: ( )
2n+2
([a, b]). O erro de integracao da formula de Gauss-Legendre
composta de ordem n com M subintervalos de integra cao e dado por
E
(M)
n
(f) =
b a
2
_
h
M
2
_
2n+2
E
n
(f),
onde
E
n
(f) =
2
2n+3
[(n + 1)!]
4
(2n + 3)[(2n + 2)!]
3
f
(2n+2)
(), ]a, b[
Convergencia de formulas de quadratura
Denicao. Diz-se que uma sucess ao de f ormulas de quadratura que aproxima o integral
I(f) e convergente se
I
n
(f) I(f), n , f C([a, b]).
Proposicao. Seja
I
n
(f) =
n
j=0
w
j,n
f(x
j,n
),
uma sucessao de formulas de quadratura que aproxima o integral I(f) tal que:
(1) I
n
(p) I(p), n , para qualquer polinomio p;
(2) w
j,n
> 0, j, n.
17
Ent ao a sucess ao e convergente.
Proposicao.
(1) As f ormulas de quadratura de Newton-Cotes fechadas compostas de ordens 1 a 7
s ao convergentes, isto e,
I
(M)
n
(f) I(f), M , f C([a, b]).
(2) As f ormulas de quadratura de Gauss de ordem n s ao convergentes, isto e,
I
n
(f) I(f), n , f C([a, b]).
Nota. As formulas de quadratura de Newton-Cotes de ordem n n ao s ao convergentes, isto
e,
I
n
(f) ,I(f), n , f C([a, b]).
18
Anexo
F ormulas de Newton-Cotes fechadas de ordem n:
n = 1, h = b a (Regra dos trapezios):
I
1
(f) =
b a
2
[f(a) +f(b)], E
1
(f) =
h
3
12
f
(), ]a, b[
n = 2, h =
b a
2
(Regra de Simpson):
I
2
(f) =
b a
6
_
f(a) + 4f
_
a +b
2
_
+f(b)
_
, E
2
(f) =
h
5
90
f
(4)
()
n = 3, h =
b a
3
(Regra dos tres oitavos):
I
3
(f) =
b a
8
[f(a) + 3f(a +h) + 3f(b h) + f(b)] , E
3
(f) =
3h
5
80
f
(4)
()
n = 4, h =
b a
4
(Regra de Milne):
I
4
(f) =
b a
90
_
7f(a) + 32f(a +h) + 12f
_
a +b
2
_
+ 32f(b h) + 7f(b)
_
E
4
(f) =
8h
7
945
f
(6)
(), ]a, b[
n = 5, h =
b a
5
:
I
5
(f) =
b a
288
[19f(a) + 75f(a +h) + 50f(a + 2h) + 50f(b 2h) + 75f(b h) + 19f(b)]
E
5
(f) =
275h
7
12096
f
(6)
(), ]a, b[
n = 6, h =
b a
6
(Regra de Weddle):
I
6
(f) =
b a
840
_
41f(a) + 216f(a +h) + 27f(a + 2h) + 272f
_
a +b
2
_
+27f(b 2h) + 216f(b h) + 41f(b)
_
E
6
(f) =
9h
9
1400
f
(8)
(), ]a, b[
n = 7, h =
b a
7
:
I
7
(f) =
b a
120960
_
5257f(a) + 25039f(a +h) + 9261f(a + 2h) + 20923f(a + 3h)
+20923f(b 3h) + 9261f(b 2h) + 25039f(b h) + 5257f(b)
_
19
E
7
(f) =
8183h
9
518400
f
(8)
(), ]a, b[
F ormulas de Newton-Cotes abertas de ordem n:
n = 0, h =
b a
2
(Regra do ponto medio):
I
0
(f) = (b a) f
_
a +b
2
_
, E
0
(f) =
h
3
3
f
(), ]a, b[
n = 1, h =
b a
3
:
I
1
(f) =
b a
2
[f(a +h) +f(b h)] , E
1
(f) =
3h
3
4
f
(), ]a, b[
n = 2, h =
b a
4
:
I
2
(f) =
b a
3
_
2f(a +h) f
_
a +b
2
_
+ 2f(b h)
_
E
2
(f) =
14h
5
45
f
(4)
(), ]a, b[
F ormulas de Newton-Cotes fechadas compostas:
n = 1:
I
(M)
1
(f) =
h
M
2
_
f
0
+f
M
+ 2
M1
j=1
f
j
_
E
(M)
1
(f) =
b a
12
h
2
M
f
(), ]a, b[
n = 2 (M par):
I
(M)
2
(f) =
h
M
3
_
_
f
0
+f
M
+ 4
M/2
j=1
f
2j1
+ 2
M/21
j=1
f
2j
_
_
E
(M)
2
(f) =
b a
180
h
4
M
f
(4)
(), ]a, b[
n = 3 (M m ultiplo de 3):
I
(M)
3
(f) =
3h
M
8
_
_
f
0
+f
M
+ 2
M/31
j=1
f
3j
+ 3
M/3
j=1
(f
3j1
+f
3j2
)
_
_
E
(M)
3
(f) =
b a
80
h
4
M
f
(4)
(), ]a, b[
20
I
(M)
4
(f) =
4h
M
90
_
_
7 (f
0
+f
M
) + 14
M/41
j=1
f
4j
+ 32
M/4
j=1
(f
4j1
+f
4j3
) + 12
M/4
j=1
f
4j2
_
_
E
(M)
4
(f) =
2(b a)
945
h
6
M
f
(6)
(), ]a, b[
I
(M)
5
(f) =
5h
M
288
_
19 (f
0
+f
M
) + 38
M/51
j=1
f
5j
+75
M/5
j=1
(f
5j1
+f
5j4
) + 50
M/5
j=1
(f
5j2
+f
5j3
)
_
E
(M)
5
(f) =
55(b a)
12096
h
6
M
f
(6)
(), ]a, b[
I
(M)
6
(f) =
h
M
140
_
41 (f
0
+f
M
) + 82
M/61
j=1
f
6j
+ 216
M/6
j=1
(f
6j1
+f
6j5
)
+27
M/6
j=1
(f
6j2
+f
6j4
) + 272
M/6
j=1
f
6j3
_
E
(M)
6
(f) =
3(b a)
2800
h
8
M
f
(8)
(), ]a, b[
I
(M)
7
(f) =
h
M
17280
_
5257 (f
0
+f
M
) + 10514
M/71
j=1
f
7j
+ 25039
M/7
j=1
(f
7j1
+f
7j6
)
+9261
M/7
j=1
(f
7j2
+f
7j5
) + 20923
M/7
j=1
(f
7j3
+f
7j4
)
_
E
(M)
7
(f) =
1169(b a)
518400
h
8
M
f
(8)
(), ]a, b[
F ormulas de Newton-Cotes abertas compostas:
n = 0 (M par):
I
(M)
0
(f) = 2h
M
M/2
j=1
f
2j1
, E
(M)
0
(f) =
(b a)h
2
M
6
f
(), ]a, b[
21
I
(M)
1
(f) =
3h
M
2
M/3
j=1
(f
3j2
+f
3j1
)
E
(M)
1
(f) =
b a
4
h
2
M
f
(), ]a, b[
I
(M)
2
(f) =
4h
M
3
M/4
j=1
(2f
4j3
f
4j2
+ 2f
4j1
)
E
(M)
2
(f) =
7(b a)
90
h
4
M
f
(4)
(), ]a, b[
F ormulas de Gauss-Legendre:
n = 0
I
0
(f) = 2f(0), E
0
(f) =
1
3
f
(), ]a, b[
n = 1
I
1
(f) = f
_
3
3
_
+f
_
3
3
_
, E
1
(f) =
1
135
f
(4)
(), ]a, b[
n = 2
I
2
(f) =
5
9
f
_
_
3
5
_
+
8
9
f(0) +
5
9
f
_
_
3
5
_
E
2
(f) =
1
15750
f
(6)
(), ]a, b[
n = 3
I
3
(f) = w
0,3
f(x
0,3
) +w
1,3
f(x
1,3
) +w
2,3
f(x
2,3
) + w
3,3
f(x
3,3
)
x
0,3
=
_
1
7
_
3 + 2
_
6
5
_
= x
3,3
, x
1,3
=
_
1
7
_
3 2
_
6
5
_
= x
2,3
w
0,3
=
1
6
_
3
_
5
6
_
= w
3,3
, w
1,3
=
1
6
_
3 +
_
5
6
_
= w
2,3
E
3
(f) =
1
3472875
f
(8)
(), ]a, b[
1
10. RESOLUC

AO NUM
ERICA DE EQUAC

OES DIFERENCIAIS
ORDIN
ARIAS: PROBLEMAS DE VALOR INICIAL

Introducao: Problemas de Valor Inicial (PVI)
As equac oes diferenciais s ao uma das mais importantes ferramentas matematicas usadas
na modelac ao de problemas em Fsica, Qumica e Engenharia. Neste captulo derivamos
e analisamos metodos numericos para resolver problemas para equa coes diferenciais or-
din arias (EDOs).
Vamos considerar em primeiro lugar o chamado problema de valor inicial ou pro-
blema de Cauchy.
Denicao. Seja f : D R
1+1
R uma funcao contnua numa regiao D e (x
0
, Y
0
) D.
O PVI
_
y
(x) = f(x, y(x)),

y(x
0
) = Y
0
,
(P)
e o problema de determinar uma funcao Y : I
R, I
= [x
0
, x
0
+ ], > 0, tal
que:
(i) (x, Y (x)) D, x I
;
(ii) Y C
1
(I
) e Y
(x) = f(x, Y (x)), x I
;
(iii) Y (x
0
) = Y
0
.
Esta func ao e a solucao do PVI (P).
Os resultados que iremos obter para o PVI (P) generalizam-se facilmente quer para
sistemas de EDOs de 1
a
ordem quer para EDOs de ordem superior à 1
a
, desde que se
utilize a apropriada notacao vectorial e matricial. Assim, no caso de um sistema de d
EDOs de 1
a
ordem, temos:
_
y
(x) = f(x, y(x)),

y(x
0
) = Y
0
,
onde f : D R
1+d
R
d
e (x
0
, Y
0
) D, com
y = [y
1
y
2
y
d
]
T
f(x, y) = [f
1
(x, y) f
2
(x, y) f
d
(x, y)]
T
Y
0
= [Y
01
Y
02
Y
0d
]
T
,
enquanto que no caso de uma EDO de ordem d,
_
y
(d)
(x) = f
_
x, y(x), y
(x), . . . , y
(d1)
(x)
_
,
y(x
0
) = Y
0
, y
(x
0
) = Y
0
, . . . , y
(d1)
(x
0
) = Y
(d1)
0
,
2
temos a formulac ao equivalente
_
z
(x) = g(x, z(x)),

z(x
0
) = Z
0
,
com
z = [y y
y
(d1)
]
T
,
g(x, z) = [z
2
z
3
z
d
f(x, z
1
, z
2
, . . . , z
d
)]
T
,
Z
0
= [Y
0
Y
0
Y
(d1)
0
]
T
.
Exemplo. Escrever na forma de um PVI para um sistema de EDOs de 1
a
ordem o seguinte
PVI para uma EDO de 2
a
ordem:
_
y
(x) + a(x)y
(x) + b(x)y(x) = r(x),

y(x
0
) = Y
0
, y
(x
0
) = Y
0
,
onde a, b, r : I R R s ao fun coes contnuas num intervalo I e x
0
I.
z(x) =
_
z
1
(x)
z
2
(x)
_
=
_
y(x)
y
(x)
_
z
(x) =
_
y
(x)
y
(x)
_
=
_
z
2
(x)
r(x) b(x)z
1
(x) a(x)z
2
(x)
_
= g(x, z(x))
z(x
0
) =
_
y(x
0
)
y
(x
0
)
_
=
_
Y
0
Y
0
_
= Z
0
Antes de iniciar a analise numerica do PVI (P) apresentamos alguns resultados te oricos
sobre este problema que ajudam a compreender melhor os metodos numericos que discu-
tiremos a seguir. Sao tratados com mais pormenor na disciplina de Analise Complexa e
Equac oes Diferenciais.
Proposicao (Teorema de Picard-Lindel of). Seja f : D R
1+1
R uma funcao contnua
numa regiao D e que satisfaz a uma condicao de Lipschitz em relac ao ` a 2
a
vari avel com
constante L em D, isto e,
[f(x, u) f(x, v)[ L[u v[, (x, u), (x, v) D.
Ent ao para qualquer (x
0
, Y
0
) D o PVI (P) tem uma soluc ao unica denida num intervalo
[x
0
, x
0
+] para algum > 0 sucientemente pequeno.
Notas.
(a) Sendo
D = (x, y) R
1+1
: [x x
0
[ a, [y Y
0
[ b,
com a, b > 0, ent ao
= min
_
a,
b
M
_
, M = max
(x,y)D
[f(x, y)[.
3
(b) Sendo
D = (x, y) R
1+1
: [x x
0
[ a, [y[ < ,
ent ao = a.
(c) Sendo D = R
1+1
, f contnua em D e satisfazendo a uma condic ao de Lipschitz em
qualquer conjunto
D
a
= (x, y) R
1+1
: [x[ a, [y[ < ,
ent ao = .
Notas.
(a) Se D R
1+d
o teorema continua valido, sendo agora a condic ao de Lipschitz
|f(x, u) f(x, v)| L|u v|, (x, u), (x, v) D,
onde | | designa uma qualquer norma vectorial em R
d
.
(b) Se f C
1
(D), D R
1+1
, ent ao f satisfaz a uma condi cao de Lipschitz com
constante
L = sup
(x,y)D
f(x, y)
y
.
(c) Se f C
1
(D), D R
1+d
, entao f satisfaz a uma condic ao de Lipschitz com
constante
L = sup
(x,y)D
|J
f
(x, y)|,
onde | | e a norma matricial induzida pela norma vectorial utilizada em R
d
.
Exemplo. O PVI
_
y
(x) = [y(x)]
2
,
y(x
0
) = Y
0
,
onde x
0
R, Y
0
R 0 tem a solu cao unica
Y (x) =
1
Y
1
0
(x x
0
)
,
denida para x x
0
< Y
1
0
, se Y
0
> 0, e para x x
0
> Y
1
0
, se Y
0
< 0.
Exemplo. O PVI
_
y
(x) = 2
_
y(x),
y(0) = 0.
tem uma innidade de soluc oes dadas por
Y
c
(x) =
_
0, x c,
(x c)
2
, x > c,
4
onde c 0. O PVI tem tambem a soluc ao
Y (x) = 0, x R.
Note-se que f(y) = 2
y e contnua em [0, [ mas nao satisfaz a uma condic ao de Lipschitz

em qualquer intervalo que contenha a origem. Consequentemente o teorema de Picard-
Lindel of n ao e aplic avel.
Exemplo. O PVI
_
y
(x) = y(x) +g(x),

y(x
0
) = Y
0
,
onde g C(R), , x
0
, Y
0
R, tem a soluc ao unica denida em R,
Y (x) = Y
0
e
(xx
0
)
+
_
x
x
0
e
(xt)
g(t) dt.
Introducao: metodos numericos
Consideremos o PVI
_
y
(x) = f(x, y(x)),

y(x
0
) = Y
0
,
(P)
onde f : D R
1+1
R e uma func ao contnua numa regiao D e que satisfaz a uma
condic ao de Lipschitz em relac ao à 2
a
vari avel. Para qualquer (x
0
, Y
0
) D o PVI (P)
tem uma solu cao unica Y : I
R, para algum > 0.

Pretendemos obter uma aproximac ao desta soluc ao unica do PVI (P) no intervalo
[x
0
, b] I
.
Consideremos ent ao uma partic ao do intervalo [x
0
, b]:
x
0
< x
1
< < x
N
= b,
com
x
n
= x
0
+nh, n = 0, 1, . . . , N, h =
b x
0
N
,
onde h > 0 e o passo da partic ao.
O objectivo dos metodos numericos para a resoluc ao do PVI (P) e construir apro-
ximac oes y
0
, y
1
, . . . , y
N
para os valores da solucao exacta Y (x
0
), Y (x
1
), . . . , Y (x
N
) nos
pontos da parti cao x
0
, x
1
, . . . , x
N
.
Denicao. Um metodo de passo simples ou unico para a resolu cao do PVI (P) consiste
em construir uma aproximacao y
n
para a soluc ao exacta Y (x
n
) em cada ponto x
n
pela
f ormula
y
n+1
= y
n
+h(x
n+1
, y
n+1
, x
n
, y
n
; h), n 0,
onde y
0
e tal que (x
0
, y
0
) D e : D
2
]0, [ R e uma func ao dada em termos de f,
designada por vezes por funcao incremento. Se n ao depender de y
n+1
o metodo diz-se
explcito; caso contrario o metodo diz-se implcito.
5
Denicao. Um metodo de passo m ultiplo ou multipasso, com p + 1 passos, p N
1
,
para a resoluc ao do PVI (P) consiste em construir uma aproximac ao y
n
para a soluc ao
exacta Y (x
n
) em cada ponto x
n
pela formula
y
n+1
=
p
k=0
a
k
y
nk
+h(x
n+1
, y
n+1
, x
n
, y
n
, x
n1
, y
n1
, . . . , x
np
, y
np
; h), n p,
onde y
0
, y
1
, . . . , y
p
s ao valores dados, ou obtidos por outro metodo, tais que (x
0
, y
0
), . . . ,
(x
p
, y
p
) D e : D
p+2
]0, [ R . Se n ao depender de y
n+1
o metodo diz-se
explcito; caso contrario o metodo diz-se implcito.
Exemplos. Os quatro primeiros sao metodos de passo simples. O quarto e o sexto s ao
metodos implcitos
(i) Metodo de Euler (ordem 1)
y
n+1
= y
n
+hf(x
n
, y
n
), n 0.
(ii) Metodo de Taylor de ordem 2
y
n+1
= y
n
+hf(x
n
, y
n
) +
h
2
2
_
f
x
+f
f
y
_
(x
n
, y
n
), n 0.
(iii) Metodo de Runge-Kutta cl assico de ordem 2
y
n+1
= y
n
+
h
4
_
f(x
n
, y
n
) + 3f
_
x
n
+
2h
3
, y
n
+
2h
3
f(x
n
, y
n
)
__
, n 0.
(iv) Metodo trapezoidal ou metodo de Adams-Moulton com um passo (ordem 2)
y
n+1
= y
n
+
h
2
[f(x
n+1
, y
n+1
) +f(x
n
, y
n
)], n 0.
(v) Metodo de Adams-Bashforth com dois passos (ordem 2)
y
n+1
= y
n
+
h
2
[3f(x
n
, y
n
) f(x
n1
, y
n1
)], n 1.
(vi) Metodo de Adams-Moulton com dois passos (ordem 3)
y
n+1
= y
n
+
h
12
[5f(x
n+1
, y
n+1
) + 8f(x
n
, y
n
) f(x
n1
, y
n1
)], n 1.
Metodos de passo simples: consistencia e convergencia
Denicao. Um metodo de passo simples ou unico, explcito, para a resoluc ao do
PVI (P) consiste em construir uma aproxima cao y
n
para a soluc ao exacta Y (x
n
) em cada
ponto x
n
pela f ormula
y
n+1
= y
n
+h(x
n
, y
n
; h), n N,
6
onde y
0
e tal que (x
0
, y
0
) D e : D]0, [R e uma func ao dada em termos de f.
Exemplo. Deduc ao do metodo de Euler: (i) a partir da formula de Taylor; (ii) a partir
da equacao integral equivalente usando uma f ormula de quadratura para aproximar o
integral.
(i) Formula de Taylor
Y (x +h) = Y (x) +hY
(x) +
h
2
2
Y
(x +h), ]0, 1[.

Y (x +h) = Y (x) + hf(x, Y (x)) +
h
2
2
_
d
dx
f(x, Y (x))
_
(x +h).
(ii) Formula de quadratura aplicada ` a equac ao integral
Y (x +h) = Y (x) +
_
x+h
x
f(t, Y (t)) dt,
_
x+h
x
g(t) dt = hg(x) +
h
2
2
g
(x +h),
Y (x +h) = Y (x) + hf(x, Y (x)) +
h
2
2
_
d
dx
f(x, Y (x))
_
(x +h).
Desprezando os termos de O(h
2
) obtem-se
Y (x +h) Y (x) +hf(x, Y (x)),
y
n+1
= y
n
+hf(x
n
, y
n
).
A quantidade
(x, y; h) =
Y (x +h) Y (x)
h
f(x, Y (x)) =
h
2
Y
(x +h),
designada por erro de discretizacao local, desempenha um papel importante no estudo
dos metodos numericos para EDOs.
Nota. Qualquer destas abordagens pode ser generalizada para obter metodos de ordem
mais elevada.
Denicao. Para cada (x, y) D seja Z(t) a solu cao unica do PVI
_
z
(t) = f(t, z(t)),

z(x) = y.
Chama-se erro de discretizacao local a
(x, y; h) =
Z(x +h) Z(x)
h
(x, y; h), Z(x) = y.
O metodo de passo simples diz-se consistente (com o PVI) se
lim
h0
(x, y; h) = 0,
7
uniformemente para todos os (x, y) D, e diz-se ter consistencia de ordem q N
1
se
(x, y; h) = O(h
q
), h 0,
(x, y) D.
Nota. F(h) = O(h
q
), h 0+, q > 0, se existirem h
0
> 0 e C > 0 tais que
[F(h)[ Ch
q
, h ]0, h
0
].
Nota. O erro de discretizac ao local e a diferenca entre a diferenca dividida da soluc ao
exacta do PVI e a diferenca dividida da soluc ao aproximada do PVI, para o mesmo passo
h.

E pois uma medida da forma como a soluc ao exacta satisfaz ` a equac ao do metodo
numerico.
Proposicao. Um metodo de passo simples e consistente se e s o se
lim
h0
(x, y; h) = f(x, y),
uniformemente para todos os (x, y) D.
Proposicao. O metodo de Euler e consistente. Se f C
1
(D) entao o metodo de Euler
tem consistencia de ordem 1.
Denicao. Sejam y
0
, y
1
, . . . , y
N
os valores aproximados obtidos por um metodo de passo
simples para os valores Y (x
0
), Y (x
1
), . . . , Y (x
N
) da soluc ao do PVI (P). Chama-se erro
de discretizacao global a
e
n
= e
n
(h) := Y (x
n
) y
n
, n = 0, 1, . . . , N,
e chama-se erro de discretizacao global maximo a
E = E(h) := max
0nN
[e
n
(h)[.
O metodo de passo simples diz-se convergente se
lim
h0
E(h) = 0,
e diz-se ter convergencia de ordem q se
E(h) = O(h
q
), h 0.
Proposicao. Considere-se um metodo de passo simples em que a func ao e contnua e
Lipschitziana em relac ao ` a segunda variavel com constante de Lipschitz M independente
de h, isto e,
h
0
> 0, M > 0 : h ]0, h
0
], (x, y), (x, z) D [(x, y; h) (x, z; h)[ M[y z[.
8
Ent ao o erro de discretizacao global satisfaz à desigualdade
[e
n
(h)[ e
M(xnx
0
)
[e
0
(h)[ +
(h)
M
_
e
M(xnx
0
)
1
, 0 n N(h),
e o erro de discretizac ao global m aximo satisfaz ` a desigualdade
E(h) e
M(bx
0
)
[e
0
(h)[ +
(h)
M
_
e
M(bx
0
)
1
,
onde
(h) = max
0nN(h)1
[(x
n
, Y (x
n
); h)[.
Se o metodo for consistente e e
0
(h) 0, h 0, entao o metodo e convergente. Se
o metodo tiver consistencia de ordem q e e
0
(h) = O(h
q
), h 0, entao o metodo tem
convergencia de ordem q.
Dem.: ( )
Metodos de passo simples: metodos de Taylor
Vimos como o metodo de Euler pode ser deduzido a partir da f ormula de Taylor
Y (x +h) = Y (x) +hY
(x) +
h
2
2
Y
(x +h), ]0, 1[,

considerando a aproximac ao
Y (x +h) Y (x) +hY
(x),
e usando a EDO para exprimir a derivada Y
(x) em termos de Y (x):

Y
(x) = f(x, Y (x)).

Considerando a f ormula de Taylor de ordem q
Y (x +h) =
q
j=0
h
j
j!
Y
(j)
(x) +
h
q+1
(q + 1)!
Y
(q+1)
(x +h), ]0, 1[,
e procedendo de forma semelhante obtemos os metodos de Taylor de ordem q. As suces-
sivas derivadas Y
(j)
(x) sao obtidas a partir da EDO:
Y
(x) = f
x
(x, Y (x)) +f
y
(x, Y (x))Y
(x)
= f
x
(x, Y (x)) +f
y
(x, Y (x))f(x, Y (x))
= (d
f
f)(x, Y (x))
Y
(j)
(x) = (d
j1
f
f)(x, Y (x)), j 3,
9
onde d
f
designa o operador diferencial parcial denido por
d
f
g = g
x
+fg
y
=
g
x
+f
g
y
.
para qualquer funcao g diferenci avel em D.
Denicao. Os metodos de Taylor de ordem q s ao metodos de passo simples em que a
func ao de incremento e dada por
(x, y; h) =
q1
k=0
h
k
(k + 1)!
_
d
k
f
f
_
(x, y).
Proposicao. O metodo de Taylor de ordem q N
1
e consistente. Se f C
q
(D) ent ao o
metodo tem consistencia de ordem q.
Dem.: ( )
Proposicao. O metodo de Taylor de ordem q N
1
e convergente. Se f C
q
(D) entao o
metodo tem convergencia de ordem q.
Dem.: ( )
Metodos de passo simples: metodos de Runge-Kutta
Os metodos de Runge-Kutta imitam os metodos de Taylor de ordem q mas requerem
apenas o c alculo de valores da func ao f e nao das suas derivadas.
Denicao. Os metodos de Runge-Kutta de s etapas, explcitos, s ao metodos de
passo simples em que a fun cao incremento e
(x, y; h) =
s
j=1
j
(x, y; h),
onde
_
1
(x, y; h) = f(x, y)
j
(x, y; h) = f
_
x +
j
h, y +h
j1
i=1
ji
i
(x, y; h)
_
, 2 j s.
Os coecientes s ao determinados por forma a tornar a ordem de consistencia, e, por-
tanto, a ordem de convergencia, a maior possvel. A ordem de consistencia q e a ordem
(O(h
q
), h 0) do erro de discretizac ao local:
(x, y; h) =
Z(x +h) y
h
(x, y; h), Z(x) = y.
10
Proposicao. (Teorema de Butcher)
(1) s q ; (2) s > q 5.
Nota.
s 1 2 3 4 5 6 7 8
q
max
1 2 3 4 4 5 6 6
(s) 1 4 8 13 19 26 34 43
(s) =
s(s + 3)
2
1 (n umero de coecientes)
Quadro de Butcher:
2

21
3

31

32
.
.
.
.
.
.
.
.
.
.
.
.
q

q1

q2

q,q1
1

2

q1

q
Exemplo. Os seguintes metodos de Runge-Kutta encontram-se no Anexo. Apresentam-se
aqui os respectivos quadros de Butcher.
Metodos de Runge-Kutta de ordem 2 (s = 2)
Metodo de Euler modicado ou do ponto medio
Metodo de Runge-Kutta cl assico
Metodo de Heun
0
1
2
1
2
0 1
0
2
3
2
3
1
4
3
4
0
1 1
1
2
1
2
Metodos de Runge-Kutta de ordem 3 (s = 3)
Metodo de Runge-Kutta cl assico
Metodo de Runge-Kutta-Nystrom
11
Metodo de Runge-Kutta-Heun
0
1
2
1
2
1 1 2
1
6
2
3
1
6
0
2
3
2
3
2
3
0
2
3
1
4
3
8
3
8
0
1
3
1
3
2
3
0
2
3
1
4
0
3
4
Metodos de Runge-Kutta de ordem 4 (s = 4, s = 5)
Metodo de Runge-Kutta cl assico (s = 4)
Metodo de Runge-Kutta-Gill (s = 4)
Metodo de Runge-Kutta-Merson (s = 5)
0
1
2
1
2
1
2
0
1
2
1 0 0 1
1
6
1
3
1
3
1
6
0
1
2
1
2
1
2
2 1
2
2
2
2
1 0
2
2
2 +
2
2
1
6
2
2
6
2 +
2
6
1
6
0
1
3
1
3
1
3
1
6
1
6
1
2
1
8
0
3
8
1
1
2
0
3
2
2
1
6
0 0
2
3
1
6
Proposicao. Os metodos de Runge-Kutta de ordem q = 2, 3, 4 considerados sao consisten-
tes e convergentes. Se f C
q
(D) ent ao os metodos tem consistencia e convergencia de
ordem q.
Dem.: ( )
12
Exemplo. Considere os metodos de Runge-Kutta de 2 etapas,
(x, y; h) =
1
f(x, y) +
2
f (x +h, y +hf(x, y))
Determine os par ametros , ,
1
,
2
por forma a que os metodos tenham a maior ordem
de consistencia possvel.
(x, y; h) =
Z(x +h) y
h
(x, y; h) (y = Z(x))
Z(x +h) = Z(x) +hZ
(x) +
h
2
2
Z
(x) +
h
3
6
Z
(x) +O(h
4
)
= Z(x) +hf(x, Z(x)) +
h
2
2
(d
f
f)(x, Z(x)) +
h
3
6
(d
2
f
f)(x, Z(x)) +O(h
4
)
d
f
f = f
x
+ff
y
d
2
f
f = f
xx
+f
x
f
y
+ 2ff
xy
+ff
2
y
+f
2
f
yy
(x, y; h) = (x, y; 0) +h
h
(x, y; 0) +
h
2
2
h
2
(x, y; 0) +O(h
3
)
(x, y; h) = f(x, y) (x, y; 0) +
h
2
_
(d
f
f)(x, y) 2
x
(x, y; 0)
_
+
h
2
6
_
(d
2
f
f)(x, y) 3
h
2
(x, y; 0)
_
+O(h
3
)
(x, y; 0) = (
1
+
2
)f(x, y)
h
(x, y; 0) =
2
[f
x
+ff
y
](x, y)
h
2
(x, y; 0) =
2
[
2
f
xx
+ 2ff
xy
+
2
f
2
f
yy
](x, y)
(x, y; h) = (1
1
2
)f(x, y) +h
__
1
2

2
_
f
x
+
_
1
2

2
_
ff
y
_
(x, y)
+
h
2
6
__
1 3
2
2
_
f
xx
+ 2 (1 3
2
) ff
xy
+
_
1 3
2
2
_
f
2
f
yy
+f
x
f
y
+ff
2
y
(x, y) +O(h
3
)
1
= 1
2
, = =
1
2
2
(x, y; h) = (1
2
)f(x, y) +
2
f
_
x +
h
2
2
, y +
h
2
2
f(x, y)
_
(x, y; h) =
h
2
6
__
(1
3
4
2
_
(f
xx
+ 2ff
xy
+f
2
f
yy
) +f
x
f
y
+ff
2
y
_
(x, y) +O(h
3
)
= c(f,
2
)h
2
+O(h
3
)
[c(f,
2
)[
1
6
_
1
3
4
2
[f
xx
+ 2ff
xy
+f
2
f
yy
[ +
f
x
f
y
+ff
2
y
_
13
Casos particulares:
Metodo de Euler modicado ou do ponto medio (
2
= 1):
(x, y; h) = f
_
x +
h
2
, y +
h
2
f(x, y)
_
Metodo de Runge-Kutta cl assico de ordem 2
_
2
=
3
4
_
:
(x, y; h) =
1
4
_
f(x, y) + 3f
_
x +
2h
3
, y +
2h
3
f(x, y)
__
Metodo de Heun
_
2
=
1
2
_
:
(x, y; h) =
1
2
[f(x, y) + f (x +h, y +hf(x, y))]
Exemplo. Considere o problema de valor inicial
_
y
(x) = f(x, y(x)),

y(x
0
) = y
0
,
onde f : I R R e contnua e Lipschitziana em relac ao ` a segunda vari avel, I e um
intervalo de R, x
0
I, e y
0
e uma constante real.
(a) Obtenha um valor aproximado y
E
2
para Y (x
0
+ h) usando dois passos de com-
primento h/2 do metodo de Euler.
(b) Obtenha um valor aproximado y
T
1
para Y (x
0
+h) usando um passo de compri-
mento h do metodo de Taylor de 2
a
ordem.
(c) Obtenha um valor aproximado y
RK
1
para Y (x
0
+ h) usando um passo de com-
primento h de qualquer dos metodos de Runge-Kutta de 2
a
ordem (s = 2).
(d) Particularize os resultados das alneas anteriores para f(x, y) = x
2
y. Tendo
em atenc ao que a solucao exacta do problema de valor inicial e,
Y (x) = x
2
2x + 2 + Ke
x
0
x
, onde K = y
0
x
2
0
+ 2x
0
2,
obtenha expansoes em serie de Mac-Laurin de potencias de h para os erros
Y (x
0
+h) y
E
2
, Y (x
0
+h) y
T
1
, Y (x
0
+h) y
RK
1
.
Resoluc ao:
(a) y
1
= y
0
+
h
2
f(x
0
, y
0
)
y
E
2
= y
1
+
h
2
f(x
1
, y
1
), x
1
= x
0
+
h
2
14
y
E
2
= y
0
+
h
2
_
f(x
0
, y
0
) + f
_
x
0
+
h
2
, y
0
+
h
2
f(x
0
, y
0
)
__
(b) y
T
1
= y
0
+hf(x
0
, y
0
) +
h
2
2
(d
f
f)(x
0
, y
0
)
d
f
f = f
x
+ff
y
(c) y
RK
1
= y
0
+h
_
(1 )f(x
0
, y
0
) + f
_
x
0
+
h
2
, y
0
+
h
2
f(x
0
, y
0
)
__
(d) y
E
2
= y
0
+h(x
2
0
y
0
) +
h
2
4
(y
0
x
2
0
+ 2x
0
) +
h
3
8
y
T
1
= y
0
+h(x
2
0
y
0
) +
h
2
2
(y
0
x
2
0
+ 2x
0
)
y
RK
1
= y
0
+h(x
2
0
y
0
) +
h
2
2
(y
0
x
2
0
+ 2x
0
) +
h
3
2
Y (x
0
+h) y
E
2
=
h
2
4
(K + 2) +O(h
3
)
Y (x
0
+h) y
T
1
=
h
3
6
K +O(h
4
)
Y (x
0
+h) y
RK
1
=
h
3
12
_
3
+ 2K
_
+O(h
4
)
_
_
y
(x) = f(x, y(x), z(x)),

z
(x) = g(x, y(x), z(x)),

y(x
0
) = y
0
, z(x
0
) = z
0
,
onde f, g : I R
2
R s ao contnuas e Lipschitzianas em relac ao às segunda e terceira
vari aveis, I e um intervalo de R, x
0
I, e y
0
, z
0
s ao constantes reais. Repita as tres
primeiras alneas do exemplo anterior.
Resoluc ao:
W(x) =
_
y(x)
z(x)
_
, W
(x) =
_
y
(x)
z
(x)
_
=
_
f(x, y(x), z(x))
g(x, y(x), z(x))
_
= F(x, W(x))
W(x
0
) =
_
y(x
0
)
z(x
0
)
_
=
_
y
0
z
0
_
= W
0
(a) W
1
= W
0
+
h
2
F(x
0
, W
0
) =
_
y
0
+
h
2
f(x
0
, y
0
, z
0
)
z
0
+
h
2
g(x
0
, y
0
, z
0
)
_
=
_
y
1
z
1
_
15
W
E
2
= W
1
+
h
2
F(x
1
, W
1
) =
_
y
1
+
h
2
f(x
1
, y
1
, z
1
)
z
1
+
h
2
g(x
1
, y
1
, z
1
)
_
, x
1
= x
0
+
h
2
(b) W
T
1
= W
0
+hF(x
0
, W
0
) +
h
2
2
(d
F
F)(x
0
, W
0
)
d
F
F =
_

x
+F
W
_
F =
_

x
+f

y
+g

z
_
F
W
T
1
=
_
y
0
+hf(x
0
, y
0
, z
0
) +
h
2
2
(f
x
+ff
y
+gf
z
)(x
0
, y
0
, z
0
)
z
0
+hg(x
0
, y
0
, z
0
) +
h
2
2
(g
x
+fg
y
+gg
z
)(x
0
, y
0
, z
0
)
_
(c) W
RK
1
= W
0
+h
_
(1 )F(x
0
, W
0
) +F
_
x
0
+
h
2
, W
0
+
h
2
F(x
0
, W
0
)
__
x
1
= x
0
+
h
2
W
1
= W
0
+
h
2
F(x
0
, W
0
) =
_
y
0
+
h
2
f(x
0
, y
0
, z
0
)
z
0
+
h
2
g(x
0
, y
0
, z
0
)
_
=
_
y
1
z
1
_
W
RK
1
=
_
y
0
+h[(1 )f(x
0
, y
0
, z
0
) +f( x
1
, y
1
, z
1
)]
z
0
+h[(1 )g(x
0
, y
0
, z
0
) +g( x
1
, y
1
, z
1
)]
_
_
y
(x) = g(x, y(x), y
(x)),
y(x
0
) = y
0
, y
(x
0
) = z
0
,
onde g : I R
2
R e contnua e Lipschitziana em relac ao ` as segunda e terceira vari aveis,
I e um intervalo de R, x
0
I, e y
0
, z
0
s ao constantes reais. Repita as tres primeiras
alneas dos exemplos anteriores.
Resoluc ao:
W(x) =
_
y(x)
z(x)
_
, W
(x) =
_
y
(x)
y
(x)
_
=
_
z(x)
g(x, y(x), z(x))
_
= F(x, W(x))
W(x
0
) =
_
y(x
0
)
z(x
0
)
_
=
_
y
0
z
0
_
= W
0
Caso anterior com f(x, y, z) = z.
(a) W
1
=
_
y
0
+
h
2
z
0
z
0
+
h
2
g(x
0
, y
0
, z
0
)
_
=
_
y
1
z
1
_
16
W
E
2
=
_
y
1
+
h
2
z
1
z
1
+
h
2
g(x
1
, y
1
, z
1
),
_
, x
1
= x
0
+
h
2
(b) W
T
1
=
_
y
0
+hz
0
+
h
2
2
g(x
0
, y
0
, z
0
)
z
0
+hg(x
0
, y
0
, z
0
) +
h
2
2
(g
x
+zg
y
+gg
z
)(x
0
, y
0
, z
0
)
_
(c) x
1
= x
0
+
h
2
,

W
1
=
_
y
0
+
h
2
z
0
z
0
+
h
2
g(x
0
, y
0
, z
0
)
_
=
_
y
1
z
1
_
W
RK
1
=
_
y
0
+h[(1 )z
0
+ z
1
]
z
0
+h[(1 )g(x
0
, y
0
, z
0
) +g( x
1
, y
1
, z
1
)]
_
Metodos multipasso lineares: introducao
Denicao. Um metodo multipasso linear (MPL) com p + 1 passos (p 0) para a
resoluc ao do PVI (P) consiste em construir uma aproximacao y
n
para a solucao exacta
Y (x
n
) em cada ponto x
n
= x
0
+nh, n = 0, 1, . . . , N, pela f ormula
y
n+1
=
p
k=0
a
k
y
nk
+h
p
k=1
b
k
f(x
nk
, y
nk
), n p,
onde y
0
, y
1
, . . . , y
p
s ao valores dados (ou obtidos por outro metodo) e a
0
, a
1
, . . . , a
p
,
b
1
, b
0
, b
1
, . . . , b
p
s ao constantes reais tais que [a
p
[ + [b
p
[ , = 0. Se b
1
= 0 o metodo
diz-se explcito; se b
1
,= 0 o metodo diz-se implcito.
Uma classe importante de metodos MPL baseia-se na integrac ao numerica. A ideia
geral e a seguinte. Reescreve-se a EDO como uma equacao integral
Y (x
n+1
) = Y (x
nr
) +
_
x
n+1
x
nr
f(t, Y (t)) dt,
para algum r 0 e n r; constr oi-se um polin omio interpolador de grau p + 1
para f e substitui-se f por este polin omio no integral; desprezando o erro de quadratura
chega-se ao metodo pretendido. Entre os metodos obtidos por esta forma temos:
Metodos de Adams: r = 0, = p ou = p + 1
Metodos de Adams explcitos ou de Adams-Bashforth: = p, p 0
Metodos de Adams implcitos ou de Adams-Moulton: = p + 1, p 1
Metodos de Nystrom: r = 1, = p, p 1
Metodos de Milne-Thomson: r = 1, = p + 1, p 1
Iremos considerar em detalhe os metodos de Adams que s ao os metodos MPL mais usados.
Em particular s ao usados para produzir algoritmos preditor-corrector em que o erro e
controlado por varia cao do passo h e da ordem do metodo, simultaneamente. O nosso
17
estudo dos metodos de Adams ser a no entanto feito como caso particular dos metodos
MPL acima denidos e nao a partir da integra cao numerica.
Metodos MPL: consistencia
A consistencia e uma propriedade que procura avaliar em que medida a soluc ao exacta
do PVI satisfaz ` a equac ao do metodo numerico para a sua resoluc ao.
Denicao. Para cada (x, y) D seja Y (t) a solu cao unica do PVI
_
z
(t) = f(t, z(t)),

z(x) = y.
Chama-se erro de discretizacao local a
(x, y; h) =
1
h
_
Z(x +h)
p
k=0
a
k
Z(x kh)
_
k=1
b
k
f(x kh, Z(x kh)).
O metodo MPL diz-se consistente (com o PVI) se
lim
h0
(x, y; h) = 0,
uniformemente para todos os (x, y) D, e diz-se ter consistencia de ordem q N
1
se
(x, y; h) = O(h
q
), h 0,
(x, y) D.
Proposicao. Sejam C
0
, C
1
, . . . as quantidades denidas em termos dos parametros de um
metodo MPL por:
C
0
= 1
p
k=0
a
k
, C
1
= 1 +
p
k=0
ka
k
k=1
b
k
,
C
j
= 1
p
k=0
(k)
j
a
k
j
p
k=1
(k)
j1
b
k
, j = 2, 3, . . .
Ent ao:
(1) Um metodo MPL e consistente com o PVI (P) para qualquer f C
1
(D) se e so se
C
0
= C
1
= 0.
(2) Um metodo MPL tem consistencia de ordem q 1 para qualquer f C
q+1
(D) se
e so se
C
0
= C
1
= C
2
= = C
q
= 0, C
q+1
,= 0.
O erro de discretizac ao local tem a forma
(x, y; h) = h
q
C
q+1
(q + 1)!
(d
q
f
f)(x, y) +O(h
q+1
)
18
Dem.: Obtem-se o desenvolvimento:
(x, y; h) = C
0
Z(x)h
1
+
q+1
j=1
C
j
j!
Z
(j)
(x) h
j1
+O(h
q+1
)
Metodos MPL: metodos de Adams
Denicao. Os metodos de Adams s ao metodos MPL da forma
y
n+1
= y
n
+h
p
k=p
0
b
k
f(x
nk
, y
nk
), n p,
onde p
0
= 0 (metodos explcitos) ou p
0
= 1 (metodos implctos) e os p + 1 p
0
= q
par ametros b
k
s ao unicamente determinados pelo sistema de q equac oes
C
1
= C
2
= = C
q
= 0,
onde
C
1
= 1
p
k=p
0
b
k
, C
j
= 1 j
p
k=p
0
(k)
j1
b
k
, j = 2, . . . , q.
Proposicao. O metodo de Adams com p+1 passos tem consistencia de ordem q = p+1p
0
,
isto e,
(1) q = p + 1, se e explcito;
(2) q = p + 2, se e implcito.
Exemplos. Apresentam-se no Anexo os primeiros metodos de Adams. Aqui apresentam-se
quadros resumos dos coecientes e da constante que ocorre no termo de ordem mais baixa
do erro de discretizac ao local.
Metodos de Adams-Bashforth (p
0
= 0)
p q b
0
b
1
b
2
b
3
b
4
C
q+1
/(q + 1)!
1 2
3
2

1
2
5
12
2 3
23
12

16
12
5
12
3
8
3 4
55
24

59
24
37
24

9
24
251
720
4 5
1901
720

2774
720
2616
720

1274
720
251
720
95
288
19
Metodos de Adams-Moulton (p
0
= 1)
p q b
1
b
0
b
1
b
2
b
3
C
q+1
/(q + 1)!
0 2
1
2
1
2

1
12
1 3
5
12
8
12

1
12

1
24
2 4
9
24
19
24

5
24
1
24

19
720
3 5
251
720
646
720

264
720
106
720

19
720

3
160
Metodos MPL: convergencia
Consideremos o PVI (P)
_
y
(x) = f(x, y(x)),

y(x
0
) = Y
0
,
(P)
onde f e contnua e Lipschitziana em relac ao a y.
Consideremos o metodo MPL (M) para resolucao numerica aproximada de (P):
y
n+1
=
p
k=0
a
k
y
nk
+h
p
k=1
b
k
f(x
nk
, y
nk
), p n N(h) 1, (M)
onde h
0
]0, h
0
] e h
0
e sucientemente pequeno por forma a que a Eq. (M) tenha a soluc ao
y
n
(h)
0nN(h)
, h ]0, h
0
].
Denicao. Sejamy
n
(h)
0nN(h)
a solucao obtida pelo metodo MPL (M) e Y : [x
0
, b] R
a solucao exacta do PVI (P). Dene-se o erro de discretizacao global por
e
n
= e
n
(h) := Y (x
n
) y
n
(h), 0 n N(h),
e erro de discretizacao global maximo por
E = E(h) := max
0nN(h)
[e
n
(h)[.
Diz-se que a soluc ao aproximada e convergente para a solu cao exacta de
lim
h0
E(h) = 0,
e diz-se que tem convergencia de ordem q se
E(h) = O(h
q
), h 0.
Diz-se que o metodo numerico (M) e convergente, ou tem convergencia de ordem q, se a
convergencia (ou a convergencia de ordem q) se vericar para todos os PVI (P).
Denicao. Os valores iniciais y
n
(h)
0np
dizem-se consistentes se,
lim
h0
E
p
(h) = 0,
20
onde
E
p
(h) := max
0np
[e
n
(h)[,
e diz-se terem consistencia de ordem q se
E
p
(h) = O(h
q
), h 0.
Nota. A consistencia dos valores iniciais e condicao necessaria para a convergencia do
metodo.
A convergencia do metodo MPL est a relacionada com as razes do polin omio
(r) := r
p+1
k=0
a
k
r
pk
.
Denicao. Diz-se que o metodo MPL satisfaz ` a condicao da raiz se as razes r
0
, r
1
, . . . , r
p
do polinomio (r), repetidas de acordo com as suas multiplicidades, satisfazem a
(i) [r
j
[ 1, j = 0, 1, . . . , p; (ii) [r
j
[ = 1
(r
j
) ,= 0
Nota. A condic ao (i) imp oe que todas as razes est ao contidas no crculo unitario z
C : [z[ 1. A condi cao (ii) imp oe que todas as razes na fronteira do crculo sao razes
simples de (r).
Nota. Fazendo h = 0 em (M) obtemos
y
n+1
=
p
k=0
a
k
y
nk
,
que e uma equacao às diferencas de ordem p + 1, linear e de coecientes constantes. O
seu polinomio caracterstico e precisamente . A sua soluc ao geral e dada por
y
n
=
p
j=0
_
j1
l=0
c
jl
n
l
_
r
n
j
,
onde r
0
, r
1
, . . . , r
p
, s ao as razes distintas do polin omio e
0
,
1
, . . . ,
p
as suas multipli-
cidades.

E claro que p p e
0
+
1
+ +
p
= p + 1.
A condicao da raiz corresponde a exigir que todas as soluc oes da equa cao ` as dife-
rencas sao limitadas.
Proposicao. No caso de um metodo MPL consistente as seguintes armac oes sao equiva-
lentes:
(1) o metodo e convergente;
(2) o metodo satisfaz ` a condi cao da raiz.
Proposicao. Todo o metodo de passo simples linear consistente e convergente.
21
Dem.: ( )
Proposicao. Os metodos de Adams-Bashforth e Adams-Moulton sao convergentes.
Dem.: ( )
Exemplo. Para cada um dos tres problemas de valor inicial considerados nos exemplos no
m do par agrafo sobre os metodos de Runge-Kutta obtenha um valor aproximado y
AM
1
para Y (x
0
+h) usando um passo de comprimento h do metodo de Adams-Moulton de 2
a
ordem.
Resoluc ao:
(i) y
AM
1
= y
0
+
h
2
_
f(x
0
, y
0
) +f
_
x
0
+h, y
AM
1
_
(ii) W
AM
1
= W
0
+
h
2
_
F(x
0
, W
0
) +F
_
x
0
+h, W
AM
1
_
_
y
AM
1
z
AM
1
_
=
_
y
0
+
h
2
_
f(x
0
, y
0
, z
0
) +f
_
x
1
, y
AM
1
, z
AM
1
_
z
0
+
h
2
_
g(x
0
, y
0
, z
0
) + g
_
x
1
, y
AM
1
, z
AM
1
_
_
(iii)
_
y
AM
1
z
AM
1
_
=
_
y
0
+
h
2
_
z
0
+z
AM
1
z
0
+
h
2
_
g(x
0
, y
0
, z
0
) + g
_
x
1
, y
AM
1
, z
AM
1
_
_
Exemplo. Determinar todos os metodos MPL com 2 passos e ordem de consistencia 2.
y
n+1
= a
0
y
n
+a
1
y
n1
+h[b
1
f
n+1
+b
0
f
n
+b
1
f
n1
]
Resoluc ao:
(i) Condic oes para que o metodo tenha ordem de consistencia 2:
_
_
C
0
= 1 a
0
a
1
= 0
C
1
= 1 +a
1
b
1
b
0
b
1
= 0
C
2
= 1 a
1
2(b
1
b
1
) = 0
_
a
1
= 1 a
0
b
0
= 2
a
0
2
2b
1
b
1
=
a
0
2
+b
1
_
C
3
= 1 +a
1
3(b
1
+b
1
) = 2 +
a
0
2
6b
1
C
4
= 1 a
1
4(b
1
b
1
) = a
0
C
5
= 1 +a
1
5(b
1
+b
1
) = 2 +
3a
0
2
10b
1
(ii) Condic ao da raiz:
(r) = r
2
a
0
r a
1
= (r 1)(r + 1 a
0
)
0 a
0
< 2
22
(iii) Casos particulares:
a
0
= 0, b
1
= 0, a
1
= 1, b
0
= 2, b
1
= 0, C
3
= 2
y
n+1
= y
n1
+ 2hf
n
Metodo do ponto medio
a
0
= 1, b
1
= 0, a
1
= 0, b
0
=
3
2
, b
1
=
1
2
, C
3
=
5
2
y
n+1
= y
n
+
h
2
[3f
n
f
n1
]
Metodo de Adams-Bashforth de ordem 2
a
0
=
4
3
, b
1
=
2
3
, a
1
=
1
3
, b
0
= 0, b
1
= 0, C
3
=
4
3
y
n+1
=
4
3
y
n
1
3
y
n1
+
2h
3
f
n+1
Metodo BDF de ordem 2 (Backward Dierence Formula)
(iv) Condic oes para que o metodo tenha ordem de consistencia 3:
C
3
= 0 b
1
=
1
12
(a
0
+ 4)
_
a
1
= 1 a
0
, b
0
=
2
3
(2 a
0
), b
1
=
1
12
(4 5a
0
),
C
4
= a
0
, C
5
=
2
3
(a
0
2)
(v) Casos particulares:
a
0
= 1, b
1
=
5
12
, a
1
= 0, b
0
=
2
3
, b
1
=
1
12
, C
4
= 1
y
n+1
= y
n
+
h
12
[5f
n+1
+ 8f
n
f
n1
]
Metodo de Adams-Moulton de ordem 3
(vi) Condic oes para que o metodo tenha ordem de consistencia 4:
C
4
= 0 a
0
= 0
b
1
=
1
3
, a
1
= 1, b
0
=
4
3
, b
1
=
1
3
, C
5
=
4
3
y
n+1
= y
n1
+
h
3
[f
n+1
+ 4f
n
+f
n1
]
Metodo de Milne de ordem 4
23
Metodos MPL: metodos preditor-corrector
Consideremos a expressao geral dos metodos de Adams
y
n+1
= y
n
+h
p
k=p
0
b
k
f(x
nk
, y
nk
), n p.
O valor inicial e um dado do PVI (P), y
0
= Y
0
. Os valores iniciais y
1
, y
2
, . . . , y
p
tem que
ser obtidos por outras vias, por exemplo, por um metodo de passo simples (da mesma
ordem).
As f ormulas de Adams-Moulton, que denem implicitamente y
n+1
, podem ser resolvidas
pelo metodo iterativo do ponto xo:
y
(j+1)
n+1
= y
n
+h
p
k=0
b
k
f(x
nk
, y
nk
) +hb
1
f(x
n+1
, y
(j)
n+1
), n p, j 0.
A convergencia do metodo do ponto xo ca assegurada se h for sucientemente pequeno,
de acordo com o seguinte resultado:
Proposicao. O metodo iterativo do ponto xo aplicado ` a equac ao do metodo de Adams-
Moulton converge para a solu cao y
n+1
desde que seja satisfeita a desigualdade
h[b
1
[L < 1,
onde h e o passo de integra cao e L designa a constante de Lipschitz de f.
Dem.: ( )
Para obter a iterada inicial y
(0)
n+1
pode utilizar-se um metodo de Adams-Bashforth.
Denicao. Os metodos preditor-corrector s ao constitudos por uma formula de Adams-
Moulton (o corrector) e uma f ormula de Adams-Bashforth (o preditor):
_
_
y
(j+1)
n+1
= y
n
+h
p
k=0
b
k
f(x
nk
, y
nk
) +hb
1
f(x
n+1
, y
(j)
n+1
), n p, j 0,
y
(0)
n+1
= y
n
+h
p
k=0
b
k
f(x
nk
, y
nk
), n p.
Exemplos.
(i) (AB3)+(AM3)
_
_
y
(0)
n+1
= y
n
+
h
12
[23f
n
16f
n1
+ 5f
n2
],
y
(j+1)
n+1
= y
n
+
h
12
_
5f(x
n+1
, y
(j)
n+1
) + 8f
n
f
n1
_
, j 0, n 1.
24
(ii) (AB2)+(AM3)
_
_
y
(0)
n+1
= y
n
+
h
2
[3f
n
f
n1
],
y
(j+1)
n+1
= y
n
+
h
12
_
5f(x
n+1
, y
(j)
n+1
) + 8f
n
f
n1
_
, j 0, n 1.
Proposicao. Consideremos um preditor de ordem q e um corrector de ordem q.
(1) Se q q ent ao o preditor-corrector tem a mesma ordem e o mesmo EDL principal
que o corrector.
(2) Se q = q 1 entao o preditor-corrector tem a mesma ordem que o corrector mas o
EDL principal e diferente.
(3) Se q q 2 entao o preditor-corrector tem ordem mais baixa que o corrector.
Nota. Vimos que o erro de discretizac ao local (EDL) para um metodo de Adams de ordem
q e dado por
(x, y; h) = h
q
C
q+1
(q + 1)!
(d
q
f
f)(x, y) +O(h
q+1
)
Chama-se EDL principal à primeira parcela do EDL, proporcional a h
q
. A mesma de-
signac ao aplica-se no caso do metodo preditor-corrector.
Dem.: ( )
25
Anexo
Metodos de Runge-Kutta de ordem 2:
(x, y; h) =
h
2
6
_
d
2
f
f(x, y) 3

2
h
2
(x, y; 0)
_
+O(h
3
)
Metodo de Euler modicado ou do ponto medio
y
n+1
= y
n
+hf
_
x
n
+
h
2
, y
n
+
h
2
f(x
n
, y
n
)
_
y
n+1
= y
n
+
h
4
_
f(x
n
, y
n
) + 3f
_
x
n
+
2h
3
, y
n
+
2h
3
f(x
n
, y
n
)
__
Metodo de Heun
y
n+1
= y
n
+
h
2
[f(x
n
, y
n
) + f (x
n
+h, y
n
+hf(x
n
, y
n
))]
(x, y; h) =
h
3
24
_
d
3
f
f(x, y) 4

3
h
3
(x, y; 0)
_
+O(h
4
)
y
n+1
= y
n
+
h
6
[
1
+ 4
2
+
3
]
1
= f(x
n
, y
n
),
2
= f
_
x
n
+
h
2
, y
n
+
h
2

1
_
3
= f (x
n
+h, y
n
h
1
+ 2h
2
)
Metodo de Runge-Kutta-Nystrom de ordem 3
y
n+1
= y
n
+
h
8
[2
1
+ 3
2
+ 3
3
]
1
= f(x
n
, y
n
),
2
= f
_
x
n
+
2h
3
, y
n
+
2h
3

1
_
3
= f
_
x
n
+
2h
3
, y
n
+
2h
3

2
_
Metodo de Runge-Kutta-Heun de ordem 3
y
n+1
= y
n
+
h
4
[
1
+ 3
3
]
1
= f(x
n
, y
n
),
2
= f
_
x
n
+
h
3
, y
n
+
h
3

1
_
3
= f
_
x
n
+
2h
3
, y
n
+
2h
3

2
_
26
(x, y; h) =
h
4
120
_
d
4
f
f(x, y) 5

4
h
4
(x, y; 0)
_
+O(h
5
)
Metodo de Runge-Kutta cl assico de ordem 4:
y
n+1
= y
n
+
h
6
[
1
+ 2
2
+ 2
3
+
4
]
1
= f(x
n
, y
n
),
2
= f
_
x
n
+
h
2
, y
n
+
h
2

1
_
3
= f
_
x
n
+
h
2
, y
n
+
h
2

2
_
,
4
= f(x
n
+h, y
n
+h
3
)
Metodo de Runge-Kutta-Gill de ordem 4:
y
n+1
= y
n
+
h
6
_
1
+ (2
2)
2
+ (2 +
2)
3
+
4
_
1
= f(x
n
, y
n
),
2
= f
_
x
n
+
h
2
, y
n
+
h
2

1
_
3
= f
_
x
n
+
h
2
, y
n
+
2 1
2
h
1
+
2
2
2
h
2
_
4
= f
_
x
n
+h, y
n
2
2
h
2
+
2 +
2
2
h
3
_
Metodo de Runge-Kutta-Merson de ordem 4:
y
n+1
= y
n
+
h
6
[
1
+ 4
4
+
5
]
1
= f(x
n
, y
n
),
2
= f
_
x
n
+
h
3
, y
n
+
h
3

1
_
3
= f
_
x
n
+
h
3
, y
n
+
h
6

1
+
h
6

2
_
4
= f
_
x
n
+
h
2
, y
n
+
h
8

1
+
3h
8

3
_
5
= f
_
x
n
+h, y
n
+
h
2

1
3h
2

3
+ 2h
4
_
27
Metodos de Adams-Bashforth (f
m
:= f(x
m
, y
m
)):
(AB2) p = 1, q = 2:
_
_
y
n+1
= y
n
+
h
2
[3f
n
f
n1
]
(x, y; h) =
5h
2
12
(d
2
f
f)(x, y) +O(h
3
)
(AB3) p = 2, q = 3:
_
_
y
n+1
= y
n
+
h
12
[23f
n
16f
n1
+ 5f
n2
]
(x, y; h) =
3h
3
8
(d
3
f
f)(x, y) +O(h
4
)
(AB4) p = 3, q = 4:
_
_
y
n+1
= y
n
+
h
24
[55f
n
59f
n1
+ 37f
n2
9f
n3
],
(x, y; h) =
251h
4
720
(d
4
f
f)(x, y) +O(h
5
)
(AB5) p = 4, q = 5:
_
_
y
n+1
= y
n
+
h
720
[1901f
n
2774f
n1
+ 2616f
n2
1274f
n3
+ 251f
n4
],
(x, y; h) =
95h
5
288
(d
5
f
f)(x, y) +O(h
6
)
Metodos de Adams-Moulton (f
m
:= f(x
m
, y
m
)):
(AM2) p = 0, q = 2:
_
_
y
n+1
= y
n
+
h
2
[f
n+1
+f
n
]
(x, y; h) =
h
2
12
(d
2
f
f)(x, y) +O(h
3
)
(AM3) p = 1, q = 3:
_
_
y
n+1
= y
n
+
h
12
[5f
n+1
+ 8f
n
f
n1
]
(x, y; h) =
h
3
24
(d
3
f
f)(x, y) +O(h
4
)
(AM4) p = 2, q = 4:
_
_
y
n+1
= y
n
+
h
24
[9f
n+1
+ 19f
n
5f
n1
+f
n2
]
(x, y; h) =
19h
4
720
(d
4
f
f)(x, y) +O(h
5
)
(AM5) p = 3, q = 5:
_
_
y
n+1
= y
n
+
h
720
[251f
n+1
+ 646f
n
264f
n1
+106f
n2
19f
n3
]
(x, y; h) =
3h
5
160
(d
5
f
f)(x, y) +O(h
6
)

Apontamentos

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apontamentos

Enviado por

Direitos autorais:

Formatos disponíveis

MATEM

UMEROS E TEORIA DE ERROS

Exemplo. 198 = (198)

, designa uma func ao generica g tal que

(x)[ o n umero de condicao de em x.

( x) em rela cao a (x) e dado por

e singular para x = 2k, k ZZ; lim

designa a matrix conjugada transposta de A.

2, 1), x = (3.14, 1.4, 1.01):

= 0, r > 1 : a sucess ao tem convergencia exponencial;

= 0 : a sucessao tem convergencia supralinear;

= 1 : a sucessao tem convergencia logartmica ou infralinear.

. No entanto, como podemos escrever,

E funcao de Lipschitz com L = 1.

E func ao de Lipschitz com L =

(z)[ < 1. Entao s ao validas as conclus oes do teorema do ponto

(z)[ > 1. Ent ao a sucess ao x

(z)[ < 1. Ent ao, para qualquer x

(z) ,= 0. Ent ao, para qualquer x

(z)[ , = 0. Ent ao, para quaisquer x

= 0.0643 < 0.2 = b a

= 0.125 < 0.2 = b a

em cada itera cao.

ERICA DE SISTEMAS LINEARES

designa a matriz transposta conjugada da matriz A.

(A) < 1 se e s o se |A|

= A diz-se uma matriz hermitiana. Uma

= I diz-se uma matriz unitaria.

da coluna k localizados abaixo e sobre a diagonal

este resultado pode levar a

(x) ,= 0), e serve ao mesmo tempo para denir M

e chamada uma melhor aproximacao (m.a.) de f em F relati-

F que minimiza o integral

a melhor aproximacao mnimos quadrados (m.a.m.q.) de f em F.

F que minimiza a soma

a melhor aproximacao mnimos quadrados discreta (m.a.m.q.d.)

ARIAS: PROBLEMAS DE VALOR INICIAL

(x) = f(x, y(x)),

(x) = f(x, Y (x)), x I

(x) = f(x, y(x)),

(x) = g(x, z(x)),

(x) + b(x)y(x) = r(x),

y e contnua em [0, [ mas nao satisfaz a uma condic ao de Lipschitz

(x) = y(x) +g(x),

(x) = f(x, y(x)),

R, para algum > 0.

(x +h), ]0, 1[.

(t) = f(t, z(t)),

(x +h), ]0, 1[,

(x) em termos de Y (x):

(x) = f(x, Y (x)).

(x) = f(x, y(x)),

(x) = f(x, y(x), z(x)),

(x) = g(x, y(x), z(x)),

(x) = g(x, y(x), y

(t) = f(t, z(t)),

(x) = f(x, y(x)),

Você também pode gostar