Sanches, I.J. e Furlan, D. C. Métodos Numéricos

Universidade Federal do Paran
Departamento de Informtica
CI-202
MTODOS
NUMRICOS
Prof. Ionildo Jos Sanches
Prof. Digenes Cogo Furlan
E-Mail: ionildo@ionildo.cjb.net
URL: http://www.ionildo.cjb.net/metodos/
CURITIBA
01/2004
SUMRIO
1 REPRESENTAO DE NMEROS REAIS E ERROS..........................................................................
.......4
1.1 INTRODUO......................................................................
................................................................................4
1.1.1 Erros na Fase de Modelagem............................................................................................................ .................4
1.1.2 Erros na Fase de Resoluo.......................................................................................................... .....................4
1.2 REPRESENTAO DOS NMEROS REAIS..................................................................................................................5

1.3 SISTEMA DECIMAL E BINRIO..............................................................................................................................6
1.4 ARITMTICA DE PONTO FLUTUANTE......................................................................................................................8
2 CONCEITO DE ERRO.............................................................................................................................
.........12
2.1 INTRODUO....................................................................
................................................................................12
2.2 ERROS ABSOLUTOS E RELATIVOS........................................................................................................................12
2.3 ERRO DE ARREDONDAMENTO.............................................................................................................................12
2.4 ERRO DE TRUNCAMENTO...................................................................................................................................14
2.5 PROPAGAO DE ERROS....................................................................................................................................14
3 ZEROS DE EQUAES TRANSCENDENTES E POLINOMIAIS...........................................................16
3.1 INTRODUO....................................................................
................................................................................16
3.1.1 Derivada de uma funo num ponto........................................................................................... ......................16
3.1.2 Tipos de Mtodos........................................................................................................................................... ...16
3.1.3 Isolamento de Razes........................................................................................................................ ................17
3.1.3.1 Nmero de Razes Reais...........................................................................................................................................................
................18
3.1.3.2 Refinamento.................................................................................................................................................................................
.............18
3.1.4 Classificao dos mtodos.......................................................................................................................... ......18
3.2 MTODO DA BISSEO.................................................................

.....................................................................19
3.2.1 Estimativa do Nmero de Iteraes......................................................................................... .........................19
3.2.2 Consideraes Finais...................................................................................................................... .................20
3.2.3 Exemplos................................................................................................................................................. .........20
3.3 MTODO DA FALSA POSIO.............................................................................................................................21

3.3.1 Casos especiais.......................................................................................................................... ......................22
3.3.2 Consideraes finais............................................................................................................... .........................23
3.3.3 Exemplos................................................................................................................................................. .........23
3.4 MTODO DA ITERAO LINEAR..........................................................................................................................24

3.4.1 Casos de convergncia................................................................................................................. ....................25
3.4.3 Exemplos................................................................................................................................................. .........26
3.5 MTODO DE NEWTON-RAPHSON OU MTODO DAS TANGENTES..............................................................................27

3.5.2 Exemplos................................................................................................................................................. .........28
3.5.3 Condies de Newton-Raphson-Fourier........................................................................................ ...................29
3.6 MTODO DA SECANTE................................................................

.......................................................................30
3.6.1 Exemplos................................................................................................................................................. .........32
3.7 MTODO MISTO..............................................................

.................................................................................32
3.7.1 Exemplos................................................................................................................................................. .........33
4 SISTEMAS LINEARES........................................................................................................................
.............35
4.1 INTRODUO....................................................................
................................................................................35
4.1.1 Classificao Quanto ao Nmero de Solues................................................................................... ...............36
4.2 MTODOS DIRETOS (ALGORITMOS DIRETOS).......................................................................................................36

4.2.1 Regra de Cramer..................................................................................................................................... .........36
4.2.1.1 Exemplos..............................................................................................................................................................................................
.....36
4.2.2 Mtodo da Eliminao de Gauss............................................................................................... .......................37

4.2.2.1 Resoluo de Sistemas Triangulares..............................................................................................................................................
...........38
4.2.2.2 Estratgias de Pivoteamento..................................................................................................................................................
...................38
4.2.2.3 Classificao do Sistema Triangular..............................................................................................................................................
...........39
4.2.2.4 Exemplos..............................................................................................................................................................................................
.....39
4.2.3 Mtodo de Jordan........................................................................................................................................ .....40
ii
4.2.4 Exemplos................................................................................................................................................. .........40
4.3 MTODOS ITERATIVOS (ALGORITMOS ITERATIVOS)................................................................................................41

4.3.1 Mtodo de Gauss-Jacobi ( Algbrico )........................................................................................................ ......41
4.3.1.1 Exemplos..............................................................................................................................................................................................
.....42
4.3.2 Mtodo de Gauss-Jacobi ( Matricial )........................................................................................ ......................43

4.3.2.1 Exemplos..............................................................................................................................................................................................
.....44
4.3.3 Mtodo de Gauss-Seidel ( Algbrico )............................................................................................................. ..45

4.3.3.1 Exemplos..............................................................................................................................................................................................
.....46
4.3.4 Mtodo de Gauss-Seidel ( Matricial )............................................................................................. ..................47

4.3.4.1 Exemplos..............................................................................................................................................................................................
.....48
4.4 MTODO DE RELAXAO..................................................................................................................................49

5 INTERPOLAO.............................................................................................................................
.................56
5.1 INTRODUO....................................................................
................................................................................56
5.1.1 Conceito de Interpolao....................................................................................................... ..........................56
5.2 INTERPOLAO LINEAR.....................................................................................................................................57

5.2.1 Obteno da Frmula..................................................................................................................................... ..57
5.2.2 Exemplos................................................................................................................................................. .........58
5.3 INTERPOLAO QUADRTICA.............................................................................................................................59

5.3.1 Obteno da Frmula..................................................................................................................................... ..59
5.3.2 Exemplos................................................................................................................................................. .........59
5.4 INTERPOLAO DE LAGRANGE............................................................................................................................60

5.4.1 Obteno da Frmula..................................................................................................................................... ..61
5.4.2 Exemplos: ...................................................................................................................................................... ..62
5.5 INTERPOLAO PARABLICA PROGRESSIVA..........................................................................................................63

5.6 DIFERENAS DIVIDIDAS................................................................
.....................................................................66
5.6.1 Propriedade do Operador Diferenas Divididas..................................................................................... ..........66
5.7 INTERPOLAO DE NEWTON COM DIFERENAS DIVIDIDAS.....................................................................................66

5.7.1 Exemplos................................................................................................................................................. .........67
5.8 INTERPOLAO DE GREGORY-NEWTON................................................................................................................68

5.8.1 Diferenas Ordinrias ou Finitas........................................................................................... ..........................68
5.8.2 Relao entre diferenas divididas e diferenas ordinrias................................................................... ............69
5.8.3 Gregory-Newton usando Diferenas Ordinrias.............................................................................. .................69
5.8.4 Exemplos................................................................................................................................................. .........69
6 INTEGRAO NUMRICA..............................................................................................
.............................71
6.1 INTRODUO....................................................................
................................................................................71
6.1.1 Frmulas de Newton-Cotes.................................................................................................... ..........................72
6.2 REGRA DOS RETNGULOS..................................................................................................................................72

6.2.1 Exemplos................................................................................................................................................. .........74
6.3 REGRA DOS TRAPZIOS.....................................................................................................................................75

6.3.1 Regra do Trapzio Repetida.................................................................................................. ...........................76
6.3.2 Exemplos................................................................................................................................................. .........76
6.4 REGRA DE SIMPSON..........................................................................................................................................77

6.4.1 Regra de Simpson Repetida............................................................................................................. .................78
6.4.2 Exemplos................................................................................................................................................. .........78
REFERNCIAS BIBLIOGRFICAS...............................................................................................................
.81
iii
1 Representao de Nmeros Reais e Erros

1.1
Introduo
Clculo Numrico a obteno da soluo de um problema pela aplicao de mtodo numrico; a
soluo do problema ser caracterizada, ento, por um conjunto de nmeros, exatos ou aproximados.
Mtodo Numrico um algoritmo composto por um nmero finito de operaes envolvendo apenas
nmeros (operaes aritmticas elementares, clculo de funes, consulta a uma tabela de valores, consulta a
um grfico, arbitramento de um valor, etc.).
Problema
Fsico
Modelagem
Modelo
Matemtico
Resoluo
Soluo
Modelagem a fase de obteno do modelo matemtico que descreve o comportamento do sistema

fsico.
Resoluo a fase de obteno da soluo atravs da aplicao de mtodos numricos (este o objetivo
de estudo do Clculo Numrico).
1.1.1
Erros na Fase de Modelagem
Ao se tentar representar um fenmeno do mundo fsico por meio de um mtodo matemtico, raramente
se tem uma descrio correta deste fenmeno. Normalmente, so necessrias vrias simplificaes do mundo
fsico para que se tenha um modelo.
Exemplo: Estudo do movimento de um corpo sujeito a uma acelerao constante.
Tem-se a seguinte equao:
d = do + vo * t + 1/2 * * t2
onde:
d
do
vo
t
: distncia percorrida
: distncia inicial
: velocidade inicial
: tempo
: acelerao
Determinar a altura de um edifcio com uma bolinha de metal e um cronmetro: 3s

d = 0 + 0 * 3 + 1/2 * 9.8 * 32 = 44.1m
Este resultado confivel?
1. Fatores no considerados:
resistncia do ar
velocidade do vento, etc.
2. Preciso dos dados de entrada:
Se o tempo fosse 3,5s d = 60.025m
Variao de 16,7% no cronmetro 36% na altura.
1.1.2
Erros na Fase de Resoluo
Para a resoluo de modelos matemticos muitas vezes torna-se necessria a utilizao de instrumentos
de clculo que necessitam, para o seu funcionamento, que sejam feitas certas aproximaes. Tais aproximaes
podem gerar erros, tais como: converso de bases, erros de arredondamento e erros de truncamento.
1.2
Representao dos Nmeros Reais
{ {
{
Complexos (2+
Nmeros
3 -1 )
Irracionais (
Reais
; 2
)
Inteiros (-1004; 2)
Racionais
Fracionrios
Ordinrios (32/7; 1/3)

Decimais (-3.15; 0.33...)
Algumas das propriedades bsicas da aritmtica real no valem mais quando executadas no computador,
pois, enquanto na matemtica alguns nmeros so representados por infinitos dgitos, no computador isso no
possvel, pois uma palavra de memria finita e a prpria memria tambm.
Exemplos:
2,
3,e
1
3
Se desejssemos calcular a rea de uma circunferncia de raio 100m, obteramos os seguintes resultados:
a) A = 31400m2
b) A = 31416 m2
c) A = 31415.92654 m2
Como justificar as diferenas entre os resultados? possvel obter o valor exato desta rea?
Os erros ocorridos dependem da representao dos nmeros na mquina utilizada. A representao de
um nmero depende da base escolhida ou disponvel na mquina em uso e do nmero mximo de dgitos usados
na sua representao.
O nmero , por exemplo, no pode ser representado atravs de um nmero finito de dgitos decimais.
No exemplo mostrado acima, o nmero foi escrito como 3.14, 3.1416 e 3.141592654 respectivamente nos
casos (a), (b) e (c). Em cada um deles foi obtido um resultado diferente, e o erro neste caso depende
exclusivamente da aproximao escolhida para , Qualquer que seja a circunferncia, a sua rea nunca ser
obtida exatamente, uma vez que um nmero irracional.
Como neste exemplo, qualquer clculo que envolva nmeros que no podem ser representados atravs
de um nmero finito de dgitos no fornecer como resultado um valor exato. Quanto maior o nmero de dgitos
utilizados, maior ser a preciso obtida. Por isso, a melhor aproximao para o valor da rea da circunferncia
aquela obtida no caso (c).
Alm disso, um nmero pode ter representao finita em uma base e no-finita em outras bases. A base
decimal a que mais empregamos atualmente. Um computador opera normalmente no sistema binrio.
Observe o que acontece na interao entre o usurio (ou dados do programa) e o computador: os dados
de entrada so enviados ao computador pelo usurio no sistema decimal; toda esta informao convertida para
o sistema binrio, e as operaes todas sero efetuadas neste sistema. Os resultados finais sero convertidos para
o sistema decimal e, finalmente, sero transmitidos ao usurio. Todo este processo de converso uma fonte de
erros que afetam o resultado final dos clculos.
Na prxima seo, iremos estudar os processos de converso de nmeros do sistema decimal para o
sistema binrio e vice-versa. Estudaremos tambm a forma de armazenamento feita pelos computadores digitais.
1.3
Sistema Decimal e Binrio

No sistema de numerao usual, o sistema decimal, usamos dez dgitos 0, 1, ..., 9. Um nmero maior que
9 representado usando uma conveno que atribui significado posio ou lugar ocupado por um dgito. Por
exemplo, em virtude das posies ocupadas pelos dgitos individuais no nmero 2015, este nmero tem
significado numrico calculado como:
2015 = 2*103 + 0*102 + 1*101 + 5*100 = 2000 + 0 + 10 + 5 = 2015
Notamos que um nmero expresso como uma soma de potncias de 10 multiplicadas por coeficientes
apropriados. No sistema decimal, 10 a base do sistema. Existem 10 dgitos, o maior sendo 9. Em um sistema
numrico com base , existem dgitos e o maior -1.
No sistema binrio existem apenas 2 dgitos: 0 e 1. Como os circuitos eletrnicos usados no computador
apresentam 2 estados possveis, convencionou-se chamar o estado desligado de 0 e o estado ligado de 1. Cada
dgito de um nmero representado no sistema binrio denominado bit (contrao de BInary digiT).
Quando um nmero escrito no sistema binrio, os dgitos individuais representam os coeficientes de
potncias de 2. Por exemplo, o nmero decimal 19 escrito em representao binria como 10011, pois este
arranjo de dgitos binrios significa:
10011 = 1*24 + 0*23 + 0*22 + 1*21 + 1*20 = 16 + 0 + 0 + 2 + 1 = 19
De um modo geral, um nmero na base , (ajaj-1...a2a1a0), 0 ak ( -1), k = 1, 2, ..., j, pode ser escrito
na forma polinomial:
aj j + aj-1 j-1+...+ a2 2 + a1 1 + a0 0
Com esta representao, podemos facilmente converter um nmero representado em qualquer sistema
para o sistema decimal.
A converso de um nmero decimal para binrio feita da seguinte forma:
19
1
2
9
1
2
4
0
2
2
1
1
2
0
19(10) = 10011(2)
Consideremos agora a converso de um nmero fracionrio da base 2 para a base 10.
0.12510 = 1*10-1 + 2*10-2 + 5*10-3 = 0.1 + 0.02 + 0.005 = 0.125
0.0012 = 0*2-1 + 0*2-2 + 1*2-3 = 0.12510
Consideremos agora a converso de um nmero fracionrio da base 10 para a base 2. Um nmero real
entre 0 e 1 pode ter representao finita no sistema decimal, mas representao infinita no sistema binrio.
No caso geral, seja r um nmero entre 0 e 1 no sistema decimal e (0.d1d2...dj...)2 sua representao no
sistema binrio. Os dgitos binrios d1, d2, ..., dj, ... so obtidos atravs do seguinte algoritmo:
Passo 0:
r1 = r; k = 1
Passo 1:
Calcule 2rk.
Se 2rk = 1, faa: dk = 1,
caso contrrio, faa: dk = 0
Passo 2:
Faa rk+1 = 2rk dk

Se rk+1 = 0, pare.
Caso contrrio:
Passo 3:
k = k + 1.
Volte ao passo 1.
Observar que o algoritmo pode ou no terminar aps um nmero finito de passos. Para r = (0.125)10
teremos: r1 = 0.125.
k = 1 2r1 = 0.25
d1 = 0
r2 = 0.25 d1 = 0.25
k = 2 2r2 = 0.5
d2 = 0
r3 = 0.5
k = 3 2r3 = 1.0
d3 = 1
r4 = 0
Temos ento 0.12510 = 0.0012, sendo portanto a representao binria finita. J para r = 0.110, teremos: r1
= 0.1
k = 1 2r1 = 0.2
d1 = 0
r2 = 0.2
k = 2 2r2 = 0.4
d2 = 0
r3 = 0.4
k = 3 2r3 = 0.8
d3 = 0
r4 = 0.8
k = 4 2r4 = 1.6
d4 = 1
r5 = 0.6
k = 5 2r5 = 1.2
d5 = 1
r6 = 0.2 = r2
Como r6 = r2, teremos que os resultados para k de 2 e 5 se repetiro e ento: r10 = r6 = r2 = 0.2 e assim
indefinidamente.
Conclumos que: (0.1)10 = (0.00011001100110011...)2 e, portanto, o nmero (0.1)10 no tem
representao binria finita.
O fato de um nmero no ter representao finita no sistema binrio pode acarretar a ocorrncia de erros
aparentemente inexplicveis em clculos efetuados em sistemas computacionais binrios.
Um computador que opera no sistema binrio ir armazenar uma aproximao para (0.1)10, uma vez que
possui uma quantidade fixa de posies para guardar os dgitos de mantissa de um nmero, e esta aproximao
ser usada para realizar os clculos. No se pode, portanto, esperar um resultado exato.
Podemos agora entender melhor por que o resultado da operao:
1000
S=
0.1
n=
1
no obtido corretamente num computador. Supondo uma mquina digital que trabalhe com apenas 9 dgitos na
mantissa, o nmero (0.1)10 seria armazenado como (0.000110011)2 e este nmero representa exatamente
(0.099609375)10. Portanto, todas as operaes que envolvem (0.1)10 seriam realizadas com esta aproximao.
Veremos na prxima seo a representao de nmeros em aritmtica de ponto flutuante com o objetivo de se
entender melhor a causa de resultados imprecisos em operaes numricas.
1000
O programa a seguir permite calcular
0.1 , sendo 100 o valor exato dessa somatria.
i=
1
PROGRAM Arredondamento;
{$N+} {usar o co-processador numrico 80x87}
VAR
i : INTEGER;
x : REAL;
BEGIN
x := 0;
FOR i := 1 TO 1000 DO
x := x + 0.1;
WRITELN(x:16:14);
END.
Quando essa somatria efetuada utilizando o computador o valor : 99.99999998544808

1.4
Aritmtica de Ponto Flutuante

Usa-se, rotineiramente, duas formas para fazer o armazenamento dos nmeros em mquinas: ponto fixo
(para valores inteiros) e ponto flutuante (para valores reais).
Uma mquina de calcular, ou um computador digital, representa um nmero real no sistema denominado
aritmtica de ponto flutuante. Neste sistema, o nmero x representado na forma:
d1
x=
onde:
d2
2
d3
3
+ ... +
dt
: a base em que a mquina opera;

di: so nmeros inteiros contidos no intervalo 0 di ( - 1); i = 1, 2, ..., t; d1 0;
e: representa o expoente de e assume valores entre I e S;
I, S: limite inferior e limite superior, respectivamente, para a variao do expoente.
d 1
d2
d3
dt
1 + 2 + 3 + ... + t chamada de mantissa e a parte do nmero que representa os
seus dgitos significativos e t o nmero de dgitos significativos do sistema de representao, comumente

chamado de preciso da mquina.
Exemplo 1: No sistema de base = 10 (decimal), tem-se:
0.12510 =
1
1
10
10
3.141510 = 0.31415 101 =
103
. 10
1
3
1 +
10
102
1
+
103
104
105
. 10
Os nmeros assim representados esto normalizados, isto , a mantissa um valor entre 0 e 1. A forma
normalizada utilizada nas operaes envolvendo ponto flutuante em computadores digitais.
No sistema de base = 2 (binrio), tem-se:
1010 = 10102 = 0.101 24 =
410 = 1002 = 0.1 * 23 =
1
1 +
2
23
.2
1
* 23
2
Exemplo 2: Numa mquina de calcular cujo sistema de representao utilizado tenha =2, t = 10, I = 15 e S =
15, o nmero 2510 e 3.510 , assim representado:
2510 = 110012 = 0.11001 * 25 = 0.11001 * 2101
1
1
2
1
2
0
3
0
4
1
5
0
6
0
7
0
8
0
9
210
2101
ou, de uma forma mais compacta:
1100100000
Mantissa
0101
expoente
Cada dgito chamado de bit, portanto, nesta mquina so utilizados 10 bits para a mantissa, 4 para o
expoente e mais um bit para o sinal da mantissa (se bit=0 positivo, se bit=1 negativo) e um bit para o sinal do
expoente, resultando, no total, 16 bits, que so assim representados:
0 1 1 0 0 1 0 0 0 0 0 0 0 1 0 1
Valor da Mantissa
Expoente
Sinal da Mantissa
Sinal Exp.
3.510 = 0.111 * 210
0 1 1 1 0 0 0 0 0 0 0 0 0 0 1 0
O maior valor representado por esta mquina descrita no exemplo 2 seria:
0 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1
que, na base decimal, tem o seguinte valor: 0.1111111111 * 21111 = 3273610
2510 =
10
E o menor valor seria: 0.1111111111 * 21111 = 3273610

Logo, os nmeros que podem ser representados nesta mquina estariam contidos no intervalo [32736;
32736].
Nesta mquina, ainda, o valor zero seria representado por:
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
O prximo nmero positivo representado seria:
0 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1
0.1 * 2-15 = 0.000015259
O subsequente seria:
0 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1
0.1000000001 * 2-15 = 0.000015289
Atravs desses exemplos pode-se concluir que o conjunto dos nmeros representveis neste sistema
um subconjunto dos nmeros reais, dentro do intervalo mostrado anteriormente.
Considere, por exemplo, uma mquina que opera no sistema:
= 10;
t = 3;
e [-5,5].
Os nmeros sero representados da seguinte forma nesse sistema:

0.d1d2d3 * 10e, 0 dj 9, d1 0, e [5, 5]
O menor nmero (m), em valor absoluto, representado nesta mquina :
m = 0.100 * 10-5 = 10-6
e o maior nmero (M), em valor absoluto, :
M = 0.999 * 105 = 99900
Considere o conjunto dos nmeros reais R e o seguinte conjunto:
G = {x R | m | x | M}
Dado um nmero real x, vrias situaes podero ocorrer:
1. x G: por exemplo, x = 235.89 = 0.23589 * 103. Observe que este nmero possui 5 dgitos na
mantissa. Esto representados exatamente nesta mquina os nmeros: 0.235*103 e 0.236*103. Se for
usado o truncamento, x ser representado por 0.235*103 e, se for usado o arredondamento, x ser
representado por 0.236*103. Na prxima seo, sobre erros, estudaremos o truncamento e o
arredondamento;
2. | x | < m: por exemplo, x = 0.345*10-7. Este nmero no pode ser representado nesta mquina porque o
11
expoente e menor que 5. Esta uma situao em que a mquina acusa a ocorrncia de underflow;
3. | x | > M: por exemplo, x = 0.875*109. Neste caso o expoente e maior que 5 e a mquina acusa a
ocorrncia de overflow.
Algumas linguagens de programao permitem que as variveis sejam declaradas em preciso dupla.
Neste caso, esta varivel ser representada no sistema de aritmtica de ponto flutuante da mquina, mas com
aproximadamente o dobro de dgitos disponveis na mantissa. importante observar que, neste caso, o tempo de
execuo e requerimento de memria aumentam de forma significativa.
O Turbo Pascal fornece 5 (cinco) tipos de real pr-definidos. Cada tipo tem um intervalo e uma preciso
especificada:
Tipo
Real
Single
Double
Extended
Comp
Intervalo
2.9E39 ... 1.7E38
1.5E45 ... 3.4E38
5.0E324 ... 1.7E308
3.4E4932 ... 1.1E4932
9.2E18 ... 9.2E18
Dgitos
11-12
7-8
15-16
19-20
19-20
Tamanho (Bytes)
6
4
8
10
8
O Turbo Pascal suporta dois modelos na gerao de cdigo com ponto flutuante:
Software ponto flutuante, {$N}
80x87 ponto flutuante, {$N+}
Deve-se usar a diretiva de compilao $N para escolher um dos dois modelos. Por default utilizado
o primeiro modelo. Os tipos Single, Double, Extended e Comp so tipos de dados do co-processador
80x87, portanto para usar um destes 4 tipos necessita obrigatoriamente da diretiva de compilao {$N+}. A
diretiva de compilao {$N+} faz com que o compilador gere cdigo para realizar o clculo de todos os tipos
acima usando o co-processador numrico 80x87.
12
2 Conceito de Erro
2.1
Introduo
A noo de erro est presente em todos os campos do Clculo Numrico. De um lado, os dados, em si,
nem sempre so exatos e, de outro lado, as operaes sobre valores no exatos propagam esses erros a seus
resultados. Finalmente, os prprios mtodos numricos, freqentemente mtodos aproximados, buscam a
minimizao dos erros, procurando resultados o mais prximo possvel do que seriam valores exatos.
Erro a diferena entre o valor exato e o valor apresentado.
No captulo acima, sobre representao de nmeros reais, pudemos acompanhar vrias situaes em que
ocorrem erros. Iremos a seguir falar um pouco mais sobre erros de arredondamento e erros de truncamento.
2.2
Erros Absolutos e Relativos

Erro absoluto (EA) a diferena entre o valor exato de um nmero N e o seu valor aproximado N:
N = N + EAN
(N > N EAN > 0

N < N EAN < 0)
EAN = N N
Erro absoluto
Por exemplo, sabendo-se que (3.14, 3.15) tomaremos para um valor dentro deste intervalo e
teremos, ento, |EA| = | - | < 0.01.
Erro Relativo definido como o erro absoluto dividido pelo valor aproximado:
ERN
EAN
N'
N N'
N'
Erro Relativo
claro que EAN s poder ser determinado se N for exatamente conhecido; como isso raro, em
clculos numricos costuma-se trabalhar com uma limitao mxima para o erro, ao invs do prprio
(indicando-se, ento, | E | < , onde o limite).
Por exemplo, se = 3876.373 e s desejamos a parte inteira , o erro absoluto ser:
= | ' | = 0.373
Se fizermos o mesmo com o nmero = 1.373, teremos:
= | ' | = 0.373
Obviamente, o efeito de aproximao de muito maior do que em , mas o erro absoluto o mesmo
nos dois casos. O erro relativo, entretanto, pode traduzir perfeitamente este fato, pois:
0,373
0,373
=
0,000096 < 10-4
=
0,373 < 5*100
3876
1
2.3
Erro de Arredondamento
Ao se aplicar um mtodo numrico, os erros devidos aos valores iniciais, intermedirios e finais
conduzem a um erro global (diferena entre o exato e o obtido) tambm chamado de arredondamento.
Erros iniciais so os cometidos no arredondamento dos dados iniciais. Os erros intermedirios so
decorrentes dos erros cometidos durante a aplicao do mtodo numrico e os erros finais decorrentes da
apresentao final do resultado.
13
Os tipos de arredondamentos mais conhecidos so:

Arredondamento para baixo ou por falta;
Arredondamento para cima ou por excesso;
Arredondamento para o numero de maquina mais prximo.
Critrio de Arredondamento: no clculo manual, ao registrar um valor aproximado, costuma-se usar a
seguinte regra:
1. somar meia unidade aps a ltima casa decimal a conservar;
2. desprezar as demais casas.
Assim, com 2 nmeros significativos tem-se:
2 = 1.414 ... 1.41
3
2 = 1.259 ... 1.26
(1.414 ... + 0.005 = 1.419 ... 1.41)

(1.259 ... + 0.005 = 1.264 ... 1.26)
O uso deste critrio limita o erro a meia unidade da ltima casa conservada:
E=
2 1.41 = 1.41421 ... 1.41 = 0.00421 < 0.005
Os valores aproximados obtidos podem ser inferiores (valor aproximado por falta) ou superiores (valor
aproximado por excesso) aos exatos; 1.41 o valor aproximado, por falta, de 2 ; 1.26 o valor de 3 2 ,
aproximado por excesso.
Para concluir este item de erro de arredondamento, deve-se ressaltar a importncia de se saber o nmero
de dgitos significativos do sistema de representao da mquina que est sendo utilizada para que se tenha a
noo da preciso do resultado obtido.
Alm da preciso decimal, o clculo do chamado psilon da mquina nos d uma idia da exatido da
mquina.
O da mquina o menor nmero de ponto flutuante, tal que: 1 + > 1. Alguns mtodos para clculo de
no do seu valor exato, mas isto nem sempre necessrio, pois o que importa a sua ordem de grandeza.
O programa abaixo, escrito na linguagem Pascal, calcula uma aproximao do da mquina:
PROGRAM Precisao;
VAR Eps: REAL;
BEGIN
Eps := 1;
REPEAT
Eps := Eps / 2;
UNTIL (Eps + 1 = 1);
WRITELN('A maquina acha que ', Eps,' vale zero!');
READLN;
END.
O programa acima, executado num Pentium, obteve a seguinte resposta: A mquina acha que
4.5474735089E-13 vale zero!
Logo o nmero de dgitos significativos 14. Se em vez de usarmos o tipo Real, usarmos o tipo
Extended, teremos 5.42101086242752E0020 e com o tipo Comp, teremos 0.00000000000000E+0000.
14
2.4
Erro de Truncamento
So erros provenientes da utilizao de processos que deveriam ser infinitos ou muito grandes para a
determinao de um valor e que, por razes prticas, so truncados.
Estes processos infinitos so muito utilizados na avaliao de funes matemticas, tais como,
exponenciao, logaritmos, funes trigonomtricas e vrias outras que uma mquina pode ter.
Exemplo: Uma mquina poderia calcular a funo seno(x) e exponencial(x) utilizando as seguintes tcnicas:
3
5
7
x
x
x
x
+ ...
seno(x) =
3!
5!
7!
ex = 1
x2
2!
x3
3!
+ ...
Fazendo truncamento:
seno(x) x
e 1
x
x3
3!
x
x5
5!
x2
2!
x7
7!
x3
3!
+ ...
+ ( 1)n
+ ...
xn
+
n!
xn
n!
A soluo a de interromper os clculos quando uma determinada preciso atingida.

De uma maneira geral, pode-se dizer que o erro de truncamento pode ser diminudo at chegar a ficar da
ordem do erro de arredondamento; a partir desse ponto, no faz sentido diminuir-se mais, pois o erro de
arredondamento ser dominante.
2.5
Propagao de Erros
Durante as operaes aritmticas de um mtodo, os erros dos operandos produzem um erro no resultado
da operao; sendo A, a, B, b os valores exatos e aproximados, respectivos, e Ea e Eb, os erros dos operandos.
A + B = (a + Ea) + (b + Eb) = a + b + Ea + Eb
A B = (a + Ea) (b + Eb) = a b + Ea Eb
A * B = (a + Ea) (b + Eb) = ab + aEb + bEa + Eb*Ea
EAA+B = Ea + Eb
EAA-B = Ea Eb
EAA*B = aEb + bEa + Eb*Ea
Vejamos atravs de um exemplo, como os erros descritos anteriormente podem influenciar o

desenvolvimento de um clculo.
Exemplo: Suponha-se que as operaes abaixo sejam processadas em uma mquina com 4 dgitos significativos
e fazendo-se: x1 = 0.3491*104 e x2 = 0.2345*100 tem-se:
(x2 + x1) x1
= (0.2345*100 + 0.3491*104) 0.3491*104

= 0.3491*104 0.3491*104
= 0.0000
x2 + (x1 x1)
= 0.2345*100 + (0.3491*104 0.3491*104)

= 0.2345 + 0.0000
= 0.2345
Os dois resultados so diferentes, quando no deveriam ser, pois a adio uma operao distributiva. A
causa desta diferena foi um arredondamento feito na adio (x2 + x1), cujo resultado tem 8 dgitos. Como a
mquina s armazena 4 dgitos, os menos significativos foram desprezados.
15
Ao se utilizar mquinas de calcular deve-se estar atento a essas particularidades causadas pelo erro de
arredondamento, no s na adio mas tambm nas outras operaes.
16
3 Zeros de Equaes Transcendentes e Polinomiais

3.1
Introduo
Seja F(x) uma funo real definida num intervalo [a, b]. Chama-se raiz(es) desta funo em [a, b] a todo
(csi) (a, b) tal que F() = 0, como mostra a figura abaixo.
y
3.1.1
f(x)
Derivada de uma funo num ponto
A funo : A R diz-se derivvel no ponto de acumulao a A quando existe e finito o limite:
lim
x 0
y
x
lim
x a
f ( x ) f (a)
x a
lim
x 0
f ( a + x ) f ( a )
x
Quando f derivvel em a, o limite chamado derivada de f no ponto a.

3.1.2
Tipos de Mtodos
Pode-se dizer que so dois os mtodos para se achar a(s) raiz(es) de uma equao:
Mtodo direto: quando fornece soluo em apenas um nico passo. Esta raiz exata, a menos de erros
de arredondamento.
Exemplo: Seja F(x) = x2 3x + 2. A soluo direta pode ser obtida atravs da frmula de Baskara com a
b b2 4ac
expresso: X =
, que ter como conjunto soluo {1, 2}.
2a
PROGRAM Baskara;
VAR
a, b, c : INTEGER;
delta : INTEGER;
x1, x2 : REAL;
BEGIN
a := 1; b := -3; c := 2;
{f(x) = x^2 - 3*x + 2}
delta := b*b - 4*a*c;
IF delta >= 0 THEN
BEGIN
x1 := (-b + SQRT(delta)) / (2*a);
x2 := (-b - SQRT(delta)) / (2*a);
WRITELN('x1 = ',x1);
WRITELN('x2 = ',x2);
END
ELSE WRITELN('Nao possui raizes reais');
END.
Mtodo iterativo ou indireto: um processo de clculo infinito, recursivo, em que o valor obtido a cada
passo depende de valores obtidos em passos anteriores. Este tipo de mtodo, na maioria das vezes, no obtm
soluo exata para as razes, mas sim uma soluo aproximada dentro de uma faixa de erro considerada
aceitvel.
17
importante salientar, que normalmente, os mtodos iterativos so mais precisos quando executados em
um computador que permite agilizar os clculos matemticos, obtendo assim uma melhor preciso.
Exerccio: Calcular
4 e de
2 usando o Mtodo de Newton definido por:
+ x n 1
x
, para n = 1, 2, 3, ...
n 1
xn =
2
onde: x: o nmero a ser calculado a raiz
x0: atribuio inicial qualquer.
Como vimos anteriormente, o clculo das duas razes de uma equao do segundo grau, colocada sob a
forma ax2 + bx + c = 0, so facilmente obtidas pela frmula de Baskara. Entretanto, se colocarmos uma
expresso em que aparea uma equao transcendente, a soluo j no to simples, como demonstram os
exemplos abaixo:
ex + x = 0
cos(x) x = 0
ln(x) + x 2 = 0
Mesmo um polinmio de grau maior que trs j no tem uma soluo algbrica simples como a da
equao do segundo grau, a no ser em casos particulares. Vamos analisar como enfrentar esse problema, to
comum em diversas reas da engenharia, da economia, das cincias, da fsica, entre tantas outras.
Essas equaes, com enorme freqncia, nos levam a razes reais no racionais que, ao serem
representadas no computador, necessariamente, o sero de forma aproximada, pelas razes j expostas no
captulo anterior, tendo em vista que necessitariam de infinitos dgitos, em suas mantissas, para serem
representadas.
Alm disso, em geral, estamos interessados em obter esses valores, essas razes, com uma determinada
preciso, com um erro tolervel, com algumas casas decimais, sem a pretenso de obter valores exatos. Isso
mais do que suficiente, para a maioria dos problemas prticos encontrados.
Os mtodos numricos a serem apresentados, partindo de valores inicialmente propostos, buscam
aprimorar esses valores, diminuindo os erros, aproximando-se, assim, dos valores das razes procuradas, at que
os erros sejam aceitveis, podendo-se garantir que sejam erros inferiores a valores pr-definidos.
Para se calcular uma raiz duas etapas devem ser seguidas:
Isolar a raiz, ou seja, achar um intervalo [a, b], o menor possvel, que contenha uma e somente uma
raiz da equao f(x) = 0;
Melhorar o valor da raiz aproximada, isto , refin-la at o grau de exatido requerido. Com a
abordagem iterativa precisamos determinar um intervalo inicial para construirmos a seqncia {xi} e
teremos que a raiz x' ser dada por:
x ' = lim xi
i
Alm disto, temos que estipular critrios de parada, pois na pratica no calcularemos infinitos termos,
mas apenas o suficiente para atingirmos a exatido desejada.
3.1.3
Isolamento de Razes
Nesta fase feita uma anlise terica e grfica da funo f(x). Para tal fim, usa-se freqentemente um
importante teorema da lgebra.
18
Teorema: Se uma funo f(x) contnua num intervalo [a, b] assume valores de sinais opostos nos pontos
extremos deste intervalo, isto , f(a). f(b) < 0, ento o intervalo conter, no mnimo, uma raiz da equao f(x) =
0; em outras palavras haver, no mnimo, um nmero (a, b) tal que f() = 0.
3.1.3.1
Nmero de Razes Reais
Na seo anterior vimos como delimitar as razes reais de F(x) = 0. Agora iremos verificar quantas razes
existem no intervalo delimitado. Os mtodos a seguir do uma boa indicao sobre o nmero de razes do
intervalo.
Teorema de Bolzano: Seja F(x) = 0 uma equao algbrica com coeficientes reais e x (a, b):
Se F(a).F(b) < 0, ento existe um nmero impar de razes reais (contando suas multiplicidades) no
intervalo (a, b).
Se F(a).F(b) > 0, ento existe um nmero par de razes reais (contando suas multiplicidades) ou no
existe razes reais no intervalo (a, b).
A determinao do nmero de razes de equaes transcendentes geralmente quase impossvel, pois

algumas equaes podem ter um nmero infinito de razes.
No faremos maiores consideraes sobre este importante tpico, por no ser o objeto de estudo neste
momento, e por merecer um trabalho a parte, devido a extenso de seu contedo. Entretanto, podemos salientar
que o problema de isolar razes constitui-se da enumerao, localizao e separao das mesmas.
3.1.3.2
Refinamento
Depois de isolar a raiz no intervalo [a, b], passa-se a calcul-la atravs de mtodos numricos. Como
veremos adiante, estes mtodos devem fornecer uma seqncia {xi} de aproximao, cujo limite a raiz exata .
Em cada aproximao xn, da raiz exata , usa-se um destes critrios e compara-se o resultado com a tolerncia
pr-fixada.
A verificao, de que xn est "suficientemente" prxima da raiz, pode ser feita de dois modos diferentes
(que podem levar a resultados diferentes):
| f(xn) |
( abordagem pelo eixo y)
| xn xn-1 | (abordagem pelo eixo x)

Observa-se que dependendo dos nmeros envolvidos aconselhvel usar os testes de erro relativo:
| x n x n 1 |
| x n 1 |
3.1.4
Classificao dos mtodos
Mtodos de quebra: Os mtodos de quebra so os mais intuitivos geometricamente; contudo, so os

que convergem mais lentamente. Estes mtodos so assim chamados porque a partir de um intervalo que
contenha uma raiz da funo, vai-se particionando este intervalo em outros menores, que ainda contenham a
raiz. Dependendo da escolha do ponto de quebra do intervalo, poderemos ter diferentes mtodos, tais como.
Mtodo da Bisseo;
Mtodo da Falsa Posio.
Mtodos de ponto fixo: Nos mtodos de ponto fixo comeamos de uma aproximao inicial x0 e
construmos a seqncia {xi} na qual cada termo dado por xi+1 = (xi), onde uma funo de iterao.
19
Conforme for , (dzeta) teremos diferentes mtodos de ponto fixo, tais como.
Mtodo de Newton-Raphson;
Mtodo da Iterao Linear.
Mtodos de mltiplos pontos: Os mtodos de mltiplos pontos constituem uma generalizao do
mtodo anterior, onde para determinar um ponto xi+1 utilizamos vrios pontos anteriores: xi, xi-1, ..., xi-p. Exemplo:
Mtodo da Secante.
3.2
Mtodo da Bisseo
Seja f(x) uma funo contnua no intervalo [a, b] e seja uma raiz desta funo, sendo que (a, b), tal
que f() = 0.
y
f( b)
f(x)
x1
x4 x
3
a
0
x2
f( a)
Interpretao geomtrica do mtodo da bisseo
Dividindo o intervalo [a, b] ao meio, obtm-se x1, havendo, pois, dois subintervalos, [a, x1] e [x1, b], a ser
considerados. Se f(x1) = 0, ento = x1; caso contrrio, a raiz estar no subintervalo onde a funo tem sinais
opostos nos pontos extremos, ou seja, se f(a). f(x1) < 0 ento [a, x1], seno f(a). f(x1) > 0 e [x1, b].
O processo se repete at que se obtenha uma aproximao para a raiz exata , ou seja, que o critrio de
parada seja satisfeito. Ento, por induo, temos:
Algoritmo:
xn =
a +b
2
, para n = 1, 2, 3, ...
Se f(a). f(xn) < 0, ento teremos b = xn, seno a = xn.

Critrio de Parada:
f ( x n ) erro
ou
| b a | erro
Restrio: necessrio conhecer um intervalo que contenha o valor desejado .
3.2.1
Estimativa do Nmero de Iteraes
Considerando uma preciso e um intervalo inicial [a, b] possvel saber, a priori, quantas iteraes
sero efetuadas pelo mtodo da bisseo at que se obtenha | b a | , usando o algoritmo deste mtodo.
Vimos que:
b a k 1 b0 a 0
bk a k = k 1
=
2
2k
Deve-se obter o valor de k tal que bk ak < , ou seja,
20
b0 a 0
<
2k
b0 a 0
< 2k
log(b0 a0) log() < k * log(2)

log(b0 a 0 ) log( )
<k
log(2)
Portanto, se k satisfaz a relao acima, ao final da iterao k teremos o intervalo [a, b] que contem a raiz .
3.2.2
Consideraes Finais
3.2.3
As iteraes no envolvem clculos laboriosos;

Apesar de teoricamente seguro, o mtodo pode ter falhas. Se ocorrer um erro de arredondamento,
mesmo que pequeno, no momento em que a mquina avalia o sinal do ponto mdio, poderemos ter
um intervalo que efetivamente no contm uma raiz;
Pode ser difcil encontrar um intervalo [a, b], tal que f(a). f(b) < 0, em equaes com razes de
multiplicidade par ou muito prximas;
A convergncia muito lenta, pois se o intervalo inicial tal que b0 a0 >> e se for muito
pequeno, o numero de iteraes (k) tende a ser muito grande;
Deve ser utilizado apenas para diminuir o intervalo que contm a raiz.
Exemplos
Exemplo 1: Encontrar a raiz da funo f(x) = x.ln(x) 3.2 contida no intervalo [2, 3], com erro 10-2.
a +b
a) Algoritmo: x n =
2
b) Escolha do intervalo:
f(2) = 1.81371
f(3) = 0.09584
[2, 3]
c) Valor do erro:
erro 10-2
d) Iteraes:
a
2
2.5
2.75
2.875
2.9375
2.9375
Xn
2.5
2.75
2.875
2.9375
2.96875
2.953125
b
3
3
3
3
3
2.96875
f(a)
1.81371
0.90927
0.41810
0.16385
0.03467
0.03467
f(xn)
0.90927
0.41810
0.16385
0.03467
0.03042
0.00217
| xn a |
0.5
0.25
0.125
0.0625
0.03125
0,015625
= | f(xn) |
0.90927
0.41810
0.16385
0.03467
0.03042
0.00217
e) Resposta:
A raiz desejada = 2,953125
Exemplo 2: Encontrar a raiz de f(x) = x2 3, contida no intervalo [1; 2], com erro 10-2.
Resposta: A raiz desejada = 1.734375
Exemplo 3: Encontrar a raiz da funo f(x) = x2 + ln(x) contida no intervalo [0.5, 1], com erro 10-2.
21

Exemplo 4: Encontrar a primeira raiz positiva da funo f(x) = e-x sen(x), com erro 10-2.
3.3
Mtodo da Falsa Posio

Seja f(x) uma funo contnua no intervalo [a, b] e seja uma raiz desta funo, sendo que (a, b), tal
que f() = 0.
No caso do Mtodo da Bisseo, xn obtido atravs da mdia aritmtica entre os extremos a e b:
a +b
xn =
2
Na maioria das vezes a raiz est mais prxima de um dos extremos do intervalo. Se partirmos do
princpio de que a raiz deve estar mais prxima do ponto que apresenta o menor valor da funo, ento, em vez
de tomar a mdia aritmtica entre a e b, o mtodo da falsa posio toma a mdia aritmtica ponderada entre a e
b com pesos | f(b) | e | f(a) |, respectivamente:
a f (b) +b f ( a )
af (b) bf ( a )
f ( b) f ( a )
f (b) + f ( a )
, visto que f(a) e f(b) tm sinais opostos, temos ento:
af (b) bf ( a ) af ( a ) + af ( a )
f (b) f ( a )
(b a ). f ( a )
, para n = 1, 2, 3, ...
f ( b) f ( a )
Graficamente, este mtodo procura particionar o intervalo [a, b], na interseo da reta que une os pontos
(a, f(a)) e (b, f(b)) com o eixo x. Este ponto representado como xn. Escolhe-se ento um novo subintervalo
conforme for a variao do sinal da curva f.
O mtodo da falsa posio aplicado na figura abaixo mostra que f(x1).f(a) < 0, com isso, o novo intervalo
que contm pelo menos uma raiz real dado por (a, x1). Continuando o processo, determinamos o ponto x2 e
verifica-se, agora, que f(x2).f(x1) < 0, da o processo segue tendo o intervalo (x1, x2).
Aps encontrar o ponto x1, devemos verificar, como no caso da bisseo, se a raiz est entre o intervalo
(a, x1) ou (x1, b). Se f(a).f(x1) < 0, ento teremos b = x1, caso contrrio teremos a = x1. A partir da o processo se
repete at que o critrio de parada seja satisfeito.
y f( b')
a x2
f( b)
x1
f(x)
f( a)
Representao geomtrica do mtodo da falsa posio
O algoritmo deste mtodo tambm pode ser encontrado atravs da anlise dos tringulos formados pela
reta (a, f(a)) e (b, f(b)) com o eixo x. Seja o tringulo f(a)x1a e o tringulo f(a)f(b)f(b), ento, pela propriedade da
semelhana de tringulos temos:
22
x a
ba
f ( b) f ( a )
ba
(b a )( f (a ))
=
= 1
x1 a =
x1 a
f (a )
f (b) f ( a ) f ( a )
f ( b) f ( a )
x1 = a
(b a )( f ( a ))
f ( b) f ( a )
Se f(a).f(x1) < 0, ento teremos b = x1, seno a = x1. A partir da o processo se repete at que o critrio de
parada seja satisfeito.
Ento, por induo temos:
Algoritmo:
=a
( b a ). f ( a )
f ( b) f ( a )
Para n = 1, 2, 3, ...
Se f(a).f(xn) < 0, ento teremos b = xn, seno a = xn.

Critrio de Parada:
| xn xn-1 | erro (x0 = a ou x0 = b)
Pode ser usado tambm o critrio: f ( x n ) erro
Restrio:
necessrio conhecer um intervalo que contenha o valordesejado .
3.3.1
Casos especiais
Se f(x) contnua no intervalo [a, b] com f(a).f(b) < 0 ento o mtodo da falsa posio gera uma
seqncia convergente.
Se uma funo cncava ou convexa em [a, b], ou seja, a segunda derivada existe em [a, b] e f(x) no
muda de sinal nesse intervalo, ento no mtodo da falsa posio teremos sempre uma das extremidades fixa.
Este caso especial tambm chamado de Mtodo das Cordas. A figura abaixo mostra graficamente os quatro
casos que podem ocorrer:
f "( x) >
0
f "( x) >
0
f (a) <
0 e f (b
f)(>
a)
0>
0 e f ( b) <
b ponto fixo
a ponto fixo
f(x)
y
f( a)
f( b)
a
0
f(x)
x1
x2
f(a)
x2
x1
b
x
f(b )
23
f "( x) <
0
f "( x) <
0
f (a) <
0 e f (b
f)(>
a)
0>
0 e f ( b) <
a ponto fixo
b ponto fixo
y
f( a)
f(x)
f( b)
a
0
x2
x1
f(x)
x1
f( a)
x2
b
x
f( b)
Mtodo da falsa posio com uma das extremidades fixa

3.3.2
Consideraes finais
3.3.3
Se o ponto fixo existir e for razoavelmente prximo da raiz, o mtodo tem boa convergncia; caso
contrrio, pode ser mais lento que a bisseo.
Exemplos
Exemplo 1: Determinar pelo mtodo da falsa posio a menor raiz positiva da funo de quarto grau f(x) = x4
26x2 + 24x + 21 at que o erro absoluto seja igual ou inferior a 0.01. Os clculos devem ser efetuados com 2
casas decimais e com arredondamento.
(b a ). f ( a )
f (b) f ( a )
4
2
f(x) = x 26x + 24x + 21
f(x) = 4x3 52x + 24
f(x) = 12x2 52
a) Algoritmo:
=a
Em primeiro lugar, deve-se procurar o intervalo onde possivelmente esteja a primeira raiz
positiva. Atravs da anlise do valor da funo nos primeiros pontos do eixo dos x temos que:
f(0) = 21, f(1) = 20, f(2) = 19, logo, entre (1, 2) existe uma raiz positiva.
c) Valor inicial:
a=1
b=2
f(1) = 40 f(2) = 4
f(1).f(2) > 0 a concavidade no muda.

temos f(x) < 0, f(a) > 0 e f(b) < 0, portanto, b ponto fixo.
d) Valor do erro:
erro 10-2
e) Iteraes:
24
x1 =1
( 2 1)( f (1))
(1)( 20)
20
=1
=1
=1,51
( f ( 2) f (1))
( 19 20)
39
| x1 a | = | 1,51 1 | = 0,51 > erro

f(a).f(x1) = (20).(3,16) = 63,2 > 0, portanto a raiz est no intervalo (x1, b), ento a = x1
x 2 =1,51
( 2 1,51)( f (1,51))
(0,49)( 3,16)
(1,55)
=1,51
=1.51
=1,58
( f ( 2) f (1,51))
19 ( 3,16)
22,16
| x2 x1 | = | 1,58 1,51 | = 0,07 > erro

f(a).f(x2) = (1,51).(1,58) = 2,3858 > 0, a = x2
x 3 =1,58
( 2 1,58)( f (1,58))
(0,42)(0,24)
0,10
=1,58
=1,58
=1,59
( f ( 2) f (1,58))
19 (0,24)
19,24
| x3 x2 | = | 1,59 1,58 | = 0,01 < erro

f) Resposta:
= 1,59 a primeira raiz positiva do polinmio.
Exemplo 2: Calcular a raiz aproximada para a equao f(x) = cos(x) + x, com 0.001.
Resposta: = 0.7391 a raiz procurada da equao.
Exemplo 3: Calcular a raiz negativa para a funo f(x) = ex + x, com o erro 0.01. Sabe-se que a raiz est
contida no intervalo [1, 0].
Resposta: = 0.5677 a raiz procurada da equao.
3.4
Mtodo da Iterao Linear

Seja f(x) uma funo contnua no intervalo [a, b] e seja uma raiz desta funo, sendo (a, b), tal que
f() = 0.
Por um artifcio algbrico, pode-se transformar f(x) = 0 em duas funes que lhe sejam equivalentes.
y= x
f(x) = 0
y = g (x)
onde g(x) chamada de funo de iterao.
25
y
y=x
y=g(x)
f(x)
0
Interpretao geomtrica do mtodo da iterao linear
Sendo x0 a primeira aproximao da raiz , calcula-se g(x0). Faz-se ento, x1 = g(x0), x2 = g(x1), x3 = g(x2)
e assim sucessivamente.
Ento, por induo, temos:
Algoritmo:
x n =g ( x n 1 )
para n = 1, 2, 3, ...
Critrio de Parada:
| xn xn-1 | erro
Melhor extremo:
Empiricamente, sabe-se que o mtodo tem sucesso quando | g'(x) | < 1 em todo intervalo.
O extremo mais rpido para iniciar o mtodo aquele para o qual o mdulo da primeira derivada
menor.
Se | g'(a) | < | g'(b) | ento x0 = a, seno x0 = b.
3.4.1
Casos de convergncia
Seja f(x) = x3 5x + 3. Possveis g(x):

3
g(x) = x +3
5
g(x) =
( 5x 3)
5 x 3
x2
g(x) =
3
x 2 5
g(x) =
Como podemos ter vrias funes g(x), vamos estabelecer algumas condies para que os resultados
sejam satisfatrios.
Vamos observar graficamente o problema e verificar que h funes g(x) que no so indicadas para a
escolha.
Convergncia monotnica
0 < g(x) < 1
Convergncia oscilante
1 < g(x) < 0
26
y
y=x
y=x
y=g(x)
y=g(x)
0
0
x0
x1
x2
x0 x x
2 4
Divergncia monotnica
g(x) > 1
y
y=g(x)
x3 x1
Divergncia oscilante
g(x) < 1
y=x
y=x
y=g(x)
0
x2
x1
x0
x 4 x 2 x 0 x 1x 3
Convergncia no mtodo da iterao linear

3.4.2
Consideraes finais
A maior dificuldade neste mtodo encontrar uma funo de iterao que satisfaa condio de
convergncia;
Teste de | g'(x) | < 1 pode levar a um engano se x0 no estiver suficientemente prximo da raiz. A
velocidade de convergncia depender de | g'() |: quanto menor este valor maior ser a
convergncia;
Devemos observar que o teste de erro ( | xn xn-1 | erro ) no implica necessariamente que | xn |
erro, conforme vemos na figura abaixo:
y
y=x
y=g(x)
3.4.3
x n x n-1
Exemplos
Exemplo 1: Dada a funo f(x) = x2 + 3x 40, obter sua raiz contida no intervalo [4.5, 5.5], pelo MIL, com um
erro 10-4.
a) Algoritmo: x n = g ( x n 1 )
b) Escolha da funo de iterao:
y=x
27
y=
x 40
3
y' =
2x
3
divergncia oscilante
y=
40
x +3
y' =
40
( x + 3) 2
convergncia oscilante
y=
40 3 x
y' =
3
2 40 3 x
y' =
convergncia oscilante
c) Melhor extremo (valor inicial):

y=
40 3 x
y'(4.5) = 0.2914
y'(5.5) = 0.3094
3
2 * 40 3 x
x0 = 4.5
d) Valor do erro:
erro 10-4
e) Iteraes:
x1 = 5.14782
x2 = 4.95546
x3 = 5.01335
x4 = 4.99599
x5 = 5.00120
x6 = 4.99964
x7 = 5.00011
x8 = 4.99997
x9 = 5.00000
| x9 x8 | = 0.00003 < erro
f) Resposta:
A raiz desejada = 5.00000
Exemplo 2: Dada a funo f(x) = x2 + 3x cos(x) 2.45, obter sua raiz contida no intervalo [0.5, 1], pelo MIL,
com um erro 10-2.
3.5
Mtodo de Newton-Raphson ou Mtodo das Tangentes

Seja f(x) uma funo contnua no intervalo [a, b] e seja uma raiz desta funo, sendo (a, b), tal que f(
) = 0 e f(x) 0.
y
f(x)
f(x 0 )
f(x 1 )
a
0
f(a)
x2

x1
b=x
x'
28
Interpretao geomtrica do mtodo de Newton
Tomemos x0 = b. Ento temos:
f ( x0 )
f ( x0 )
x1 = x0
x 0 x1
f ' ( x0 )
Se x1 x 0 erro , ento x1 a raiz desejada, seno deve-se calcular x2, que obtido com base no
f ( x1 )
mesmo raciocnio anterior: x 2 = x1
.
f ' ( x1 )
Se x 2 x1 erro , ento x2 a raiz desejada, seno deve-se calcular x3, ..., xn, at que
x n x n 1 erro . Ento, por induo, temos:
tg = f ' ( x 0 )
f ' ( x0 ) =
Algoritmo:
x n = x n 1
f ( x n 1 )
f ' ( x n 1 )
para n = 1, 2, 3, ...
Critrio de Parada:
x n x n 1 erro
Restrio:
necessrio conhecer um intervalo que contenha o valordesejado .
Melhor extremo:
Para decidir qual o melhor extremo do intervalo (a, b) a iniciar o mtodo, basta verificar qual dos
extremos possui funo e segunda derivada com mesmo sinal:
f(xi). f''(xi) > 0
3.5.1
Consideraes finais
3.5.2
Para i = {extremos do intervalo}
Requer o conhecimento da forma analtica de f '(x), mas sua convergncia extraordinria.
Exemplos
Exemplo 1: Calcular a raiz positiva da equao f(x) = 2x sen(x) 4 = 0, com erro 10-3, usando o mtodo de
NR.
f ( x n 1 )
a) Algoritmo: x n = x n 1
f ' ( x n 1 )
f(x) = 2x sen(x) 4
f(x) = 2 cos(x)
f''(x) = sen(x)
f(2) = 0.9093
f(2). f(3) < 0
f(3) = 1.8589
[2, 3]

f(2) = 0.9093
f(3) = 1.8589
f''(2) = 0.9093
f''(3) = 0.1411
x0 = 3
d) Valor do erro:
29
erro 10
-3
e) Iteraes:
x1 = 3
f ( 3)
1.8589
=3
= 2.3783
f ' (3)
2.9900
| x1 x0 | = | 2.3783 3 | = 0.6217 > erro

x 2 = 2.3783
f ( 2.3783)
0.0653
= 2.3783
= 2.3543
f ' ( 2.3783)
2.7226
| x2 x1 | = | 2.3543 2.3783 | = 0.0240 > erro

x 3 = 2.3543
f ( 2.3543)
0.0002
= 2.3543
= 2.3542
f ' ( 2.3543)
2.7058
| x3 x2 | = | 2.3542 2.3543 | = 0.0001 < erro

f) Resposta:
Exemplo 2: Obter a raiz cbica de 5, usando o mtodo NR sendo o erro 10-3.
Exemplo 3: Calcular a raiz negativa de f(x) = x3 5x2 + x + 3, com erro 10-4.
Exemplo 4: Seja a funo f(x) = sen(x) tg(x). Deseja-se saber uma das razes desta funo, sabendo-se que
est contida no intervalo (3, 4). Todos os clculos devem ser realizados com 4 casas decimais com
arredondamento e erro no superior a 0.001.
3.5.3
Condies de Newton-Raphson-Fourier
Segundo Newton, para haver a convergncia uma raiz em seu mtodo, bastaria que o intervalo (a, b)
em anlise fosse suficientemente pequeno. Contudo, Raphson e Fourier concluram que um intervalo pequeno
aquele que contm uma e somente uma raiz. Com isso, algumas condies foram estabelecidas para que tal
exigncia fosse vlida:
1) Se f(a). f(b) > 0, ento existe um nmero par de razes reais (contando suas multiplicidades) ou no
existe razes reais no intervalo (a, b) (Teorema de Bolzano);
2) Se f(a).f(b) < 0, ento existe um nmero mpar de razes reais (contando suas multiplicidades) no
intervalo (a, b) (Teorema de Bolzano);
3) Se f'(a). f'(b) > 0, ento o comportamento da funo neste intervalo poder ser apenas crescente ou
apenas decrescente, e nunca os dois se alternando;
4) Se f'(a). f'(b) < 0, ento a funo ter o comportamento de ora crescer ora decrescer;
5) Se f"(a). f"(b) > 0, ento a concavidade no muda no intervalo em anlise;
6) Se f"(a). f"(b) < 0, ento a concavidade muda no intervalo em anlise.
Portanto, haver convergncia uma raiz no intervalo (a, b) se e somente se:
f(a). f(b) < 0,
f'(a). f'(b) > 0
f"(a). f"(b) > 0.
30
Exemplo 5: Seja a funo f(x) = x 9.5x + 8.5, obter a raiz contida no intervalo [8, 9]. Os clculos devem ser
realizados com 4 decimais com arredondamento e erro no superior a 0,001.
f ( x n 1 )
a) Algoritmo : x n = x n 1
f ' ( x n 1 )
2
f(x) = x2 9.5x + 8.5

f(x) = 2x 9.5
f(x) = 2
f(8) = 3.5;
f(8). f(9) < 0
f(9) = 4
[8, 9]

f(8) = 3,5
f(9) = 4
f'(8) = 6.5
f'(9) = 8.5
f"(8) = 2
f"(9) = 2
x0 = 9
f(8). f(9) < 0

f(8). f(9) > 0
f(8). f(9) > 0
d) Valor do erro:
erro 10-3
e) Iteraes:
f ( 9)
4
=9
= 8.5294
f ' (9)
8.5
| x1 x0 | = | 8.5294 9 | = 0.4706 > erro
=9
= 8.5294
= 8.5001
f (8.5294)
0.2214
= 8.5294
= 8.5001
f ' (8.5294)
7.5588
| x2 x1 | = | 8.5001 8.5294 | = 0.0293 > erro
f (8.5001)
0.0008
= 8.5001
= 8.5000
f ' (8.5001)
7.5002
| x3 x2 | = | 8.5000 8.5001 | = 0.0001 < erro
f) Resposta:
Exemplo 6: Calcular a raiz da equao f(x) = x3 x + 1 = 0, contida no intervalo [2, 1], com um erro 10-3.
3.6
Mtodo da Secante
Uma grande desvantagem do mtodo de Newton a necessidade de se obter a derivada f(x) e calcular o
seu valor numrico a cada iterao.

Para contornar este problema podemos substituir o clculo da primeira derivada f(xn) pelo quociente das
diferenas, usando assim, um modelo linear baseado nos dois valores calculados mais recentemente:
f ( x n ) f ( x n 1 )
f ' ( xn )
x n x n 1
31
onde xn e xn-1 so duas aproximaes para a raiz.

Substituindo o valor aproximado da derivada acima, a funo de iterao fica:
xn + 1 = x
xn + 1 = x
f ( xn)
f ( xn) f ( xn 1)
xn xn 1
( xn xn 1). f ( xn)
f ( xn) f ( xn 1) , para n = 1, 2, 3, ...
Para iniciar o mtodo necessitamos de duas aproximaes (x0 e x1) para a raiz.
y
f(x)
f(x 1 )
xo
x2
x4
x1
f( x 0 )
Interpretao geomtrica do mtodo da secante
Neste mtodo partimos das duas aproximaes iniciais x0 e x1 e determinamos a reta que passa pelos
pontos (x0, f (x0)) e (x1, f (x1)). A interseco desta reta com o eixo x fornece o ponto x2. Em seguida calculado
uma nova aproximao para a raiz a partir dos pontos (x1, f(x1)) e (x2, f (x2)). O processo se repete at que seja
satisfeito o critrio de parada.
Observe que neste mtodo no necessitamos da caracterstica que fundamental no mtodo da falsa
posio que exige que f(xn). f(xn-1) < 0. importante salientar tambm que a raiz no necessita estar entre as
duas aproximaes iniciais (x0 e x1).
A convergncia deste mtodo mais rpido que o mtodo da bisseo e o da falsa posio, contudo,
pode ser mais lento que o mtodo de Newton-Raphson.
Algoritmo:
x n +1 = xn
( xn xn 1 ). f ( x n )
f ( x n ) f ( xn 1 )
, para n = 1, 2, 3, ...
Critrio de parada:
| xn+1 xn | erro
32
3.6.1
Exemplos
2
-2
Exemplo 1: Calcular a raiz da funo f(x) = x + x 6, sendo x0 = 1.5, x1 = 1.7 e o erro 10 .

a) Algoritmo : xn +1 = xn
b) Valor inicial:
x0 = 1.5
( xn xn 1 ). f ( xn )
f ( xn ) f ( xn 1 )
x1 = 1.7
c) Valor do erro:
erro 10-2
d) Iteraes:
x 2 =1.7 (1.7 1.5). f (1.7) =1.7

f (1.7) f (1.5)
(0.2)( 1.41)
( 0.282)
=1.7
= 2.0357
1.41 ( 2.25)
0.84
| x2 x1 | = | 2.0357 1.7 | = 0.3357 > erro
x 3 = 2.0357 (2.0357 1.7). f (2.0357) = 2.0357 (0.3357)(0.1798) =1.9977

f ( 2.0357) f (1.7)
0.1798 ( 1.41)
| x3 x2 | = | 1.9977 2.0357 | = 0.038 > erro
x 4 =1.9977 (1.9977 2.0357). f (1.9977) =1.9977 ( 0.038)( 0.0115)

f (1.9977) f ( 2.0357)
0.0115 (0.1798)
= 2.0000
| x4 x3 | = | 2.0000 1.9977 | = 0.0023 < erro

e) Resposta:
= 2.0000 a raiz procurada.
-4
Exemplo 2: Calcular a raiz da funo f(x) = 3x cos(x), sendo x0 = 0, x1 = 0.5 e o erro 10 . Efetue os clculos
com 5 casas decimais com arredondamento.
Resposta: = 0.31675 a raiz procurada.
3
Exemplo 3: Calcular a raiz da funo f(x) = x 4, sendo x0 = 1, x1 = 2 e o erro 0,05.

Resposta: = 1,5914 a raiz procurada.
3.7
Mtodo Misto
O mtodo misto, consiste na aplicao seqencial dos mtodos NR e Falsa Posio, nesta ordem.
O mtodo NR aplicado no primeiro passo, sempre a partir do melhor extremo. Ento, com o novo
resultado obtido x1N , determina-se qual valor dos extremos do intervalo ser substitudo ( f(a). f( x1N ) < 0 b
F
= x1N , seno a = x1N ) e ento aplica-se o mtodo da Falsa Posio. O resultado obtido em x m ser utilizado
na prxima iterao pelo mtodo NR, mas antes feito o teste do erro para verificar o critrio de parada.
Assim, por induo, seguem-se as iteraes seguintes. Quando o critrio de parada for satisfeito, tira-se a
mdia aritmtica simples do resultado da ltima iterao de ambos os mtodos e obtm-se a resposta desejada.
Algoritmo:
33
xm =
x mN + x mF
2
para m = 1, 2, 3, ...
Critrio de parada:
F
N
| x m x m | erro
3.7.1
Exemplos
Exemplo 1: Determinar pelo mtodo misto, a raiz da funo f(x) = 10sen(x) + cos(x) 10x contida no intervalo
[0.5, 1], com tolerncia de 2*10-4 e clculos com 4 casas decimais com arredondamento.
x mN + x mF
a) Algoritmo: x m =
2
f(x) = 10sen(x) + cos(x) 10x
f(x) = 10cos(x) sen(x) 10
f"(x) = (10)sen(x) cos(x)
b) Valor do erro:
erro 0.0002
c) Escolha do intervalo:
f(0.5) = 0.6718
f(1) = 1.0450
d) Iteraes:
Melhor extremo:
f(0.5) = 0.6718
f"(0.5) = 5.6718
x1N =1
f(1) = 1.0450
f"(1) = 8.9550
N
x0 = 1
f (1)
( 1.0450)
=1
= 0.8078
f (1)
( 5.4384)
extremo trocar:
a = 0.5
x1F = 0.5
f(a). f( x1N ) = f(0.5). f(0.8078) = (0.6718)(0.1594) < 0

b = 0.8078
(0.8078 0.5) * f (0.5)

(0.3078) * (0.6718)
= 0.5
= 0.7488
f (0.8078) f (0.5)
(0.1594) (0.6718)
| x1F x1N | = | 0.7488 0.8078 | = 0.0590 > erro

extremo trocar:
a = 0.7488
x 2N = 0.7488
f (0.7488)
(0.0521)
= 0.7488
= 0.7643
f (0.7488)
( 3.3557)
extremo trocar:
a = 0.7488
x 2F = 0.7488
f(0.5). f(0.7488) = (0.6718)(0.0521) > 0

b = 0.8078
f(0.7488). f(0.7643) = (0.0521)(0.0008) < 0

b = 0.7643
(0.7643 0.7488) * f (0.7488)

(0.0155) * (0.0521)
= 0.7488
= 0.7641
f (0.7643) f (0.7488)
( 0.0008) (0.0521)
34
| x
F
2
N
2
| = | 0.7641 0.7643 | = 0.0002 erro
e) Resposta:
0.7641 + 0.7643
=
= 0.7642
2
Exemplo 2: Dada a funo f(x) = x2 + 3x cos(x) 2.45, obter sua raiz contida no intervalo [0.5, 1] pelo mtodo
misto, com erro 10-3 e clculos com 4 decimais com arredondamento.
0.82 +0.82
= 0.8200
Resposta: =
2
35
4 Sistemas Lineares
4.1
Introduo
Sistemas Lineares so sistemas de equaes com m equaes e n incgnitas formados por equaes
lineares. Um sistema linear com m equaes e n incgnitas escrito usualmente na forma:
a x + a x ++ a x = b
12
2
n
1
1n
11 1
a21 x1 + a22 x 2 + + a x n = b2
2n
................................................
a m1 x1 + a m2 x 2 + + a mn x n = bm
onde
aij : coeficientes
xj : incgnitas
bi : constantes
1 i m, 1 j n
j = 1, 2, ..., n
i = 1, 2, ..., m
A resoluo de um sistema linear consiste em calcular os valores de xj, j = 1, 2, ..., n, caso eles existam,
que satisfaam as m equaes simultaneamente.
Usando notao matricial, o sistema linear pode ser representado por AX = B, onde
a11 a12 a1n b1
a21 a22
a2 n b2
M=
.................................
a m1 a m2 a mn bn
chamada matriz completa ou matriz aumentada do sistema.
a11 a12 a1n
a21 a22
a2 n
A=
............................
a m1 am2 a mn
x1

x 2
X=

x n
a matriz dos coeficientes
o vetor das incgnitas, e
36
b1

b2
B=

bm
4.1.1
o vetor constante (termos independentes).
Classificao Quanto ao Nmero de Solues
Um sistema linear pode ser classificado quanto ao nmero de solues em:
determinado (o sistema linear tem soluo nica)

Compatvel
indeterminado (o sistema linear admite infinitas solues)
Incompatvel (o sistema linear no admite soluo).

Quando todos os termos independentes forem nulos, isto , se bi = 0, i = 0, 1, ..., m, o sistema dito
homogneo. Todo sistema homogneo compatvel, pois admitir pelo menos a soluo trivial (xj = 0, j = 0, 1,
2, ..., n).
4.2
Mtodos Diretos (Algoritmos Diretos)
Um mtodo dito direto quando a soluo exata x do sistema linear obtida realizando-se um nmero
finito de operaes aritmticas. So exemplos conhecidos a Regra de Cramer, o Mtodo da Eliminao de Gauss
(ou triangulao) e o Mtodo de Jordan.
4.2.1
Regra de Cramer
Seja um sistema linear com nmero de equaes igual ao nmero de incgnitas (um sistema n x n),
sendo D o determinante da matriz A, e Dx1, Dx2, Dx3, ..., Dxn os determinantes das matrizes obtidas trocando em
M, respectivamente, a coluna dos coeficientes de x1, x2, x3, ..., xn pela coluna dos termos independentes, temos
que:
O sistema S ser compatvel e ter soluo nica se, e somente se, D 0. Neste caso a nica soluo de
S dada por:
x1 =
D x1
D
, x2 =
Dx 2
D
, x3 =
Dx 3 ,
D
...
, xn =
D xn
D
A aplicao da Regra de Cramer exige o clculo de n + 1 determinantes ( det A e det Ai, 1 i n); para
n = 20 o nmero total de operaes efetuadas ser 21 * 20! * 19 multiplicaes mais um nmero semelhante de
adies. Assim, um computador que efetue cerca de 100 milhes de multiplicaes por segundo levaria 3 x 10 5
anos para efetuar as operaes necessrias.
Com isso, a regra de Cramer invivel em funo do tempo de computao para sistemas muito
grandes.
4.2.1.1
Exemplos
Exemplo 1: Resolva o sistema abaixo pela Regra de Cramer:
37
x1 + x 2 + x 3 = 1
2 x1 x 2 + x 3 = 0
x + 2x x = 0
2
3
1
Calculando os determinantes D, Dx1, Dx2 e Dx3 temos:
D =
2
1
1
2
2
1
1
2
1
1 =7
1
Dx1 =
0
0
1
2
1
1 =1
1
Dx2 =
2
1
0
0
1
1 =3
1
Dx3 =
1
0 =5
0
Ento, x1 =
D x1
D
1
, x2 =
7
Dx 2
D
3
,
7
x3 =
Dx 3
D
5
e a soluo do sistema
7
1 3 5
x : , , T
7 7 7
Exemplo 2: Resolva o sistema abaixo pela Regra de Cramer:
2 x1 + x 2 x 3 = 0
x1 + 2 x 2 + x 3 = 3
3x 1 x 2 x 3 = 2
Resposta: A soluo deste sistema x : ( 0, 1, 1)T

4.2.2
Mtodo da Eliminao de Gauss
O mtodo da eliminao de Gauss consiste em transformar o sistema linear original num outro sistema
linear equivalente com matriz dos coeficientes triangular superior, pois estes so de resoluo imediata.
Dizemos que dois sistemas lineares so equivalentes quando possuem a mesma soluo. O determinante de
sistemas lineares equivalentes so iguais.
Com (n 1) passos o sistema linear AX = B transformado num sistema triangular equivalente: UX = C,
o qual se resolve facilmente por substituies.
Vamos calcular a soluo de AX = B em trs etapas:
1 etapa: Matriz Completa
Consiste em escrever a matriz completa ou aumentada do sistema linear original.
2 etapa: Triangulao
Consiste em transformar a matriz A numa matriz triangular superior, mediante uma seqncia de
operaes elementares nas linhas da matriz.
3 etapa: Retro-substituio
Consiste no clculo dos componentes x1, x2, ..., xn, soluo de AX = B, a partir da soluo do
38
ltimo componente (xn), e ento substituirmos regressivamente nas equaes anteriores.

Teorema: Seja AX = B um sistema linear. Aplicando sobre as equaes deste sistema uma seqncia de
operaes elementares escolhidas entre:
i) Trocar a ordem de duas equaes do sistema;
ii) Multiplicar uma equao do sistema por uma constante no nula;
iii) Adicionar um mltiplo de uma equao a uma outra equao;
obtemos um novo sistema UX = C e os sistemas AX = B e UX = C so equivalentes.
4.2.2.1
Resoluo de Sistemas Triangulares
Seja o sistema linear AX = B, onde A: matriz n x n, triangular superior, com elementos da diagonal
diferentes de zero. Escrevendo as equaes deste sistema, temos:
a x + a x + a x + +
12 2
13 3
11 1
+ a23 x 3 + +
a
22 x 2
+ +
a
33 x 3
a x =b
a x =b
a x =b
1n
2n
3n
ann x n = bn
Da ltima equao deste sistema temos:

xn =
xn-1 pode ento ser obtido da penltima equao:
xn-1 =
bn
a nn
bn1 a n1,n x n
a n1,n1
e assim sucessivamente obtm-se xn-2, ..., x2, e finalmente x1:

x1 =
4.2.2.2
b1 a12 x 2 a13 x 3 a1n x n

a11
Estratgias de Pivoteamento
O algoritmo para o mtodo de eliminao de Gauss requer o clculo dos multiplicadores:
mik = -
a
a
ik
i = k + 1, ..., n e k = 1, 2, 3, ..., n-1
kk
a cada etapa k do processo. Sendo o coeficiente akk chamado de piv.

O que acontece se o piv for nulo? E se o piv estiver prximo de zero?
Estes dois casos merecem ateno especial pois impossvel trabalhar com um piv nulo. E trabalhar
com um piv prximo de zero pode resultar em resultados totalmente imprecisos. Isto porque em qualquer
39
calculadora ou computador os clculos so efetuados compreciso finita, e pivs prximos de zero so origem a
multiplicadores bem maiores que a unidade que, por sua vez, origina uma ampliao dos erros de
arredondamento.
Para se contornar estes problemas deve-se adotar uma estratgia de pivoteamento, ou seja, adotar um
processo de escolha da linha e/ou coluna pivotal.
Esta estratgia consiste em:
i) no inicio da etapa k da fase de escalonamento, escolher para piv o elemento de maior mdulo entre os
coeficientes: aik, i = k, k + 1, ..., n;
ii) trocar as linhas k e i se for necessrio.
4.2.2.3
Classificao do Sistema Triangular
Seja U um sistema triangular superior escalonado de m equaes e n incgnitas, teremos as seguintes

possibilidades:
i) m = n sistema compatvel e determinado;
ii) m < n sistema compatvel e indeterminado.
Se durante o escalonamento surgir equaes do tipo: 0x1 + 0x2 + ... + 0xn = bm, ento:
i) Se bm = 0, ento eliminaremos a equao e continuamos o escalonamento;
ii) Se bm 0, ento conclui-se que o sistema incompatvel.
4.2.2.4
Exemplos
Exemplo 1: Resolver o sistema abaixo pelo mtodo de Gauss.
x1 + 2 x2 + x3 = 3
2 x1 + x2 x3 = 0
3x1 x2 x3 = 2
1 etapa: Matriz completa:

1
M = 2
2
1
1
1
1
1
3
0
2 etapa: Triangulao:
Iremos se referir as equaes como: E1 (primeira equao), E2 (segunda equao) e assim por diante. O
componentes x indica o piv.
1
E 3 E 3 3 E1
0
E 2 E 2 2 E1
0
1
0
2
3
0
1
3
3
3
6
2
3
7
1
3
4
6
11
E3
E3
7
E2
3
40
3 etapa: Retro-substituio:
Da terceira linha temos: 3x3 = 3 x3 = 1
Substituindo x3 na segunda linha temos: 3x2 3(1) = 6 x2 = 1
Substituindo x3 e x2 na primeira linha temos: 1x1 + 2(1) + 1(1) = 3 x1 = 0
A soluo deste sistema x : ( 0, 1, 1)T
Exemplo 2: Resolver o sistema abaixo pelo mtodo de Gauss:
0,25x1 +0,5x 2 +x 3 =0,25
0,09 x1 +0,3x 2 +x 3 =0,49

0,01x1 +0,1x 2 +x 3 =0,81
Resposta: A soluo deste sistema x : ( 1, -2, 1)T

0 x1 + 1x 2 2 x3 = 0
1x1 3 x 2 1x3 = 2
1x + 4 x 1x = 2
1
2
3
Resposta: Sistema compatvel e indeterminado.

0 x1 + 1x 2 2 x3 = 1
1x1 3 x 2 1x3 = 2
1x + 4 x 1x = 2
1
2
3
Resposta: Sistema incompatvel (no possui soluo).

4.2.3
Mtodo de Jordan
Consiste em aplicar operaes elementares sobre as equaes do sistema linear dado at que se obtenha
um sistema diagonal equivalente.
4.2.4
Exemplos
Exemplo 1: Resolver o sistema linear pelo mtodo de Jordan:
x1 + x 2 + 2 x 3 = 4
2 x1 x 2 x 3 = 0
x1 x 2 x 3 = 1
1 etapa: Matriz completa:
41
M = 2
1
1
2
1
4
0
2 etapa: Diagonalizao:
E 2 E 2 2 E1
E 3 E 3 E1
1
E1 E1 + E 2
3
E 2 E 2 + 15E 3
3
2
5
3
4
2
8 E3 = E3
E2
3
5
1 0 1 4
3 3
0 3 0 3
0 0 1 1
3 3
0
0
E1 E1 E 3
1
1
E 2 E 0
3 2
0
E 31 3E 3
1
3
0
0
1
0
0
0
1
2
5
1
3
8
1
3
1
1
3 etapa: Clculo da soluo do sistema:

Da primeira linha temos: x1 = 1
Na segunda linha temos: x2 = 1
Na terceira linha temos: x3 = 1
A soluo deste sistema x : ( 1, 1, 1)T
4.3
4.3.1
Mtodos Iterativos (Algoritmos Iterativos)

Mtodo de Gauss-Jacobi ( Algbrico )
Seja o sistema abaixo:
a x + a x +... + a x = b
a x + a x +... + a x = b
11
12
1n
21
22
2n
...
a x +a x
n1
n2
+ ... + ann x n = bn
Pode-se afirmar que o mesmo convergente, se o sistema estiver na forma diagonalmente dominante,
isto :
a11 a21 + a31 +... + an1
12 + 13 + ... + 1n
11
ou
a22 a12 + a32 +... + an2
a
a
...
nn
1n
+ ... + an 1n
2n
22
a
a
nn
an1 + an 2 + ... + ann1
21
a
+a
23
a
+ ... + a
2n
...
Ento, isola-se em cada uma das equaes ordenadamente, uma das incgnitas.
42
(1)
(1)
( 0)
11
(0)
( 0)
( b1 a12 x 2 a13 x 3 ... a1n x n )
22
(0)
( 0)
( 0)
(0)
(0)
( b2 a21 x1 a23 x 3 ... a2 n x n )
...
x
onde,
x ,x
(0)
1
( 0)
2
(1)
n
nn
(0)
( bn a n1 x1 a n 2 x 2 ... a nn1 x n1)
,..., x n so as atribuies inicial do mtodo.

(0)
Condies de Parada:
Se para todo
4.3.1.1
( j)
n
( j 1)
xn
erro , ento
( j)
n
so as solues do sistema.
Exemplos
Exemplo 1: Resolver por Gauss-Jacobi, com 4 decimais com arredondamento e erro menor ou igual a 0,01 o
sistema abaixo:
x + 8y z = 16
6x y + z = 7
x + y+ 5z = 18
a) Verificao da convergncia:
6x y + z = 7
x + 8y z = 16
x + y + 5z = 18
b) Isolamento das incgnitas:
1
x=
(7+yz)
6
1
y=
( 16 x + z )
8
1
z = ( 18 x y )
5
c) Atribuio inicial:
x(0) = 0
y(0)=0
z(0)=0
d) Iteraes:
1
1
( 7 + y(0) z(0) ) =
( 7 + 0 0 ) = 1,1667
6
6
1
1
y(1) =
( 16 x(0) + z(0) ) =
( 16 - 0 + 0 ) = 2
8
8
1
1
z(1) =
( 18 x(0) y(0) ) =
( 18 0 0 ) = 3,6
5
5
x(1) =
x(2) =
1
( 7 + 2 3,6 ) = 0,9
6
43
1
( 16 1,1667 + 3,6 ) = 2,3042
8
1
z(2) =
( 18 1,1667 2 ) = 2,9667
5
y(2) =
1
( 7 + 2,3042 2,9667 ) = 1,0562
6
1
y(3) =
( 16 0,9 + 2,9667 ) = 2,2583
8
1
z(3) =
( 18 0,9 2,3042 ) = 2,9592
5
x(3) =
1
( 7 + 2,2583 2,9592 ) = 1,0498
6
1
y(4) =
( 16 1,0562 + 2,9592 ) = 2,2379
8
1
z(4) =
( 18 1,0562 2,2583 ) = 2,9371
5
x(4) =
1
( 7 + 2,2379 2,9371 ) = 1,0501
6
1
y(5) =
( 16 - 1,0498 + 2,9371 ) = 2,2359
8
1
z(5) = ( 18 1,0498 2,2379 ) = 2,9425
5
x(5) =
| x(5) - x(4) | = 0,0003 < erro

| y(5) - y(4) | = 0,002 < erro
| z(5) - z(4) | = 0,0054 < erro
A soluo deste sistema : (1,0501; 2,2359; 2,9425)T

Exemplo 2: Dado o sistema, pede-se sua soluo por Gauss-Jacobi, com 4 decimais com arredondamento e erro
menor ou igual a 0,02. Admitir soluo inicial nula.
10x + y + z = 12
x + 5y+ 9z = 15
2x +8y 4z = 6
Resposta: A soluo deste sistema : (0,9975; 1,0051; 0,9916)T
4.3.2
Mtodo de Gauss-Jacobi ( Matricial )
Baseado no algoritmo anterior, o mtodo consiste na transformao do algoritmo em um sistema de

matriz. Portanto, no algoritmo:
n
1
(k )
( k 1)
=
(
xi
bi aij x j )
ii
j =1
j i
a mesma situao pode ser escrita na forma:
a x
a x
( k 1)
11
(k )
1
= ( b1 a12 x 2
22
(k )
2
= ( b2 a21 x1
(k )
n
= ( bn an1 x1
( k 1)
a13 x 3
( k 1)
a23 x 3
( k 1)
an 2 x 2
( k 1)
... a1n x n
( k 1)
... a2 n x n
( k 1)
( k 1)
... ann 1 x n 1 )
...
a x
nn
( k 1)
Sendo A a matriz dos coeficientes, onde A = D + I + S, no qual D a matriz diagonal, I a matriz inferior e
S a matriz superior, a expresso anterior poder ser reescrita na forma:
44
DX
(k )
B (S+ I ) X
( k 1)
Multiplicando ambos os termos pela matriz inversa da diagonal,
D D X = D B D (S + I ) X
X = D (S + I ) X
+D B
1
(k )
(k )
( k 1)
(k )
=J
( k 1)
( k 1)
+E
onde
J = D (S+I )
E =D B
1
4.3.2.1
Exemplos
Exemplo 1: Seja o sistema abaixo:

x + y 5z = -6
4x y + z = 19
x + 3y z = 14
obter a sua soluo por Gauss-Jacobi Matricial com 3 decimais com arredondamento e erro menor ou igual a
0,05. Admitir soluo inicial nula.
4x y + z = 19
x + 3y z = 14
x + y 5z = -6
b) Obteno do Algoritmo:
0 0 0
0 1 1
I = 1 0 0 , S = 0 0 1 ,
1 1 0
0 0
0
1
4
1
D = 0
0
0
1
3
0
Ento,
1
0
4
J = 0 13
0
0
4 0 0
= 0 3 0 ,
0 0 5
1
5
0 0 1 1 0
0 1 0 1 = 1
3
1 1 1
0 1
5
5
4
0
1
5
1
4
1
3
0
19
= 14 ,
6
45
1
4
= 0
0 19 19
4
0 14 = 14
3
1 6 6
5
5
0
1
3
0
Ento,
0
(k )
X = 13
15
4
0
1
5
1
19
4
4
1 ( k 1) + 14
3 X
6 3
0
5
( 0)
=
0
0
d) Iteraes:
4,750
5,617
4,850
4,951
5,031
( 2)
( 3)
( 4)
( 5)
X = 4,667X = 3,483X = 3,822 X = 4,057X = 3,995
1,200
3,083
3,020
2,934
3,002
4
,
998
0
,
033
(6)
(6)
( 5)
0,004 < erro

X
=
3
,
991
=
X
X
3,005
0,003
(1)

Exemplo2: Dado o sistema abaixo:
5x y = 13
2x + 4y = 14
obter a soluo por Gaus-Jacobi Matricial com 4 decimais com arredondamento e erro menor ou igual a 0,005.
Admitir soluo inicial nula.
Resposta: A soluo deste sistema : (3,0004; 1,9985)T
4.3.3
Mtodo de Gauss-Seidel ( Algbrico )
Derivado do mtodo de Gauss-Jacobi, este mtodo utiliza a cada iterao os valores j prontos na prpria
iterao, para tentar assegurar convergncia mais rpida, ou seja,
46
(k )
(k )
(k )
11
=
=
22
33
( k 1)
(b1 a12 x2
( k 1)
a13 x3
(k )
( k 1)
(k )
(k )
(b2 a21 x1 a23 x3
( k 1)
a14 x4
( k 1)
a24 x4
( k 1)
(b3 a31 x1 a32 x 2 a34 x 4
( k 1)
... a1n x n
( k 1)
... a2 n x n
( k 1)
... a3n x n
...
(k )
n
nn
(k )
(k )
(k )
(k )
(bn a n1 x1 a n 2 x 2 a n3 x3 ... a nn1 x n1)
Portanto, o algoritmo do mtodo pode ser expresso por:
(k)
i
n
(k)
i>
j
1
=
( bi
)
a
ij x j
(k
1)
i<
j
j=
1
aii
j
i
4.3.3.1
Exemplos
Exemplo 1: Resolver por Gauss-Seidel, com 4 decimais com arredondamento e erro menor ou igual a 0,005 o
sistema abaixo.
x + 8y z = 16
6x y + z = 7
x + y+ 5z = 18
6x y + z = 7
x + 8y z = 16
x + y + 5z = 18
b) Isolamento das incgnitas:
1
x=
(7+yz)
6
1
y=
( 16 x + z )
8
1
z = ( 18 x y )
5
x(0) = 0
y(0)=0
z(0)=0
d) Iteraes:
1
( 7 + 0 0 ) = 1,1667
6
1
y(1) =
( 16 1,1667 + 0 ) = 1,8542
8
1
z(1) =
( 18 1,1667 1,8542 ) = 2,9958
5
x(1) =
47
1
( 7 + 1,8542 2,9958 ) = 0,9764
6
1
y(2) =
( 16 - 0,9764 + 2,9958 ) = 2,2524
8
1
z(2) = ( 18 0,9764 2,2524 ) =2,9542
5
x(2) =
1
( 7 + 2,2524 2,9542 ) = 1,0497
6
1
y(3) =
( 16 - 1,0497 + 2,9542 ) = 2,2381
8
1
z(3) = ( 18 1,0497 2,2381 ) = 2,9424
5
x(3) =
1
( 7 + 2,2381 2,9424 ) = 1,0493
6
1
y(4) =
( 16 - 1,0493 + 2,9424 ) = 2,2366
8
1
z(4) = ( 18 1,0493 2,2366 ) = 2,9428
5
x(4) =
| x(4) - x(3) | = 0,0004 < erro

| y(4) - y(3) | = 0,0015 < erro
| z(4) - z(3) | = 0,0004 < erro

Exemplo 2: Resolver por Gauss-Seidel, com 4 decimais com arredondamento e erro menor ou igual a 0,01 o
sistema abaixo. Admitir soluo inicial nula.
7x + y z = 13
x + 8y + z = 30
2x y + 5z = 21
Resposta: A soluo deste sistema : (2,0001; 3,0003; 4,0000)T
4.3.4
Mtodo de Gauss-Seidel ( Matricial )
Seja o sistema abaixo,
a x
a x
( k 1)
( k 1)
a13 x 3
( k 1)
11
(k )
1
= b1 a12 x 2
22
(k )
2
= b2 a21 x1 a23 x 3
(k )
n
= bn an1 x1 an2 x 2 ... ann 1 x n 1
(k )
( k 1)
... a1n x n
( k 1)
... a2 n x n
...
a x
nn
(k )
(k)
(k )
que pode ser representado na forma matricial:
DX
(k )
(k
1)
(k )
(k
1)
=
(D +
SX
SX
B
I X
I )X =
B
(k )
Multiplicando ambos os membros pela inversa de ( D + I ), temos:

( D + I ) 1 ( D + I ) X
(k )
(k )
= ( D + I ) 1 B ( D + I ) 1 S
1
= ( D + I ) S X
( k 1)
+ (D + I ) B
( k 1)
48
(k )
=G
( k 1)
+F
onde,
G
F
4.3.4.1
= ( D + I ) 1 S
= ( D + I ) 1
Exemplos
Exemplo 1: Dado o sistema abaixo,

x + 6y = -21
5x y = 19
obter suas solues por Gauss-Seidel Matricial com 3 decimais com arredondamento e erro inferior ou igual a 0,005.
Admitir nula a soluo inicial.
5x y = 19
x + 6y = -21
b) Obteno do Algoritmo:
5 0
=
0 6
0 0
=
1 0
0 1
=
0 0
19
=
21
Ento,
1
1
0 0 1 0
5
= 5
=
1
0
0
30
0
6
30
1
= 5
130
0 19 19
5
=
1 21 62
6
15
Logo,
(k )
1
19
0
5 ( k 1) +
5
=
X
62
0
30
15
0
( 0)
X = 0
d) Iteraes:
(1)
3,800
2,973
3,001
3,000
( 2)
( 3)
( 4)
=
X =
X =
X =
4,133
3,996
4,000
4,000
( 4)
( 3)
0,001
=
< erro
0,000
49
T
A soluo deste sistema : (3; -4)

Exemplo 2: Dado o sistema abaixo:
5x y = 13
2x + 4y = 14
obter a soluo por Gaus-Seidel Matricial com 4 decimais com arredondamento e erro menor ou igual a 0,005.
Admitir soluo inicial nula.
Resposta: A soluo aproximada deste sistema : (3,0004; 1,9998)T
4.4
Mtodo de Relaxao
Seja o sistema:
a x + a x + + a x = b
12
2
n
1
1n
11 1
a21 x1 + a22 x 2 + + a x n = b2
2n
................................................
a n1 x1 + a n 2 x 2 + + a nn x n = bn
Se substituirmos valores as variveis x1, x2, ..., xn:
a x + a x ++ a x b = r
12
2
n
1
1
1n
11 1
a21 x1 + a22 x 2 + + a x n b2 = r2
2n
.....................................................
a n1 x1 + a n 2 x 2 + + a nn x n bn = rn
onde r1, r2, ..., rn so chamados de resduos.
Depois de atribuir valores a x1, x2, ...,xn:
a) Procure a equao mais errada de todas;
b) Tente ver nessa equao a incgnita mais responsvel pelo erro passa a ser o nico responsvel
(supondo que todas as outras estejamcertas) pelo erro;
c) Ache o valor dessa incgnita responsvel;
d) Repita o processo com a segunda equao mais errada.
Exemplo 1: Seja o sistema:
6 x y +2 z = 4
x +10 y 4 z =7
3 x y +12 z =16
6 x y +2 z 4 =0
x +10 y 4 z 7 =0
3 x y +12 z 16 =0
Substituindo no sistema os valores (0, 0, 0) para (x, y, z), obtm-se:

4 = r 1
7 = r 2 , que chamado resduo
16 = r 3
50
Analisando os mdulos dos resduos, verifica-se que r 3 o maior resduo, portanto deve-se tentar
diminui-lo a partir da anlise do maior responsvel na sua equao.
Analisando a equao 3: 3 x y + 12 z 16 = 0 , verifica-se que o coeficiente de z o maior em mdulo,
logo, deve-se manter os valores iniciais de x e y que so respectivamente (0, 0) para se obter o valor de z que
anula a equao. Portanto:
3.0 0 + 12z 16 = 0 z = 1,333, que ser o novo valor de z.
2 Tentativa: Substituindo a trinca (0; 0; 1,333) no sistema original, obtem-se os seguintes valores
residuais: r1 = 1, 333 r 2 = 12 , 333 r 3 = 0 , e pode se verificar que r 2 em mdulo o maior resduo.
Repete-se o mesmo processo anterior s que na equao 2: x + 10 y 4 z 7 = 0 , onde y em mdulo o
maior responsvel pelo resduo, ento substitui-se nesta expresso a dupla (0; 1,333) em x e z respectivamente
de forma a obter o valor de y que anula a expresso 2: 0 + 10 y 4 .1, 333 7 = 0 y = 1, 233 , que ser o novo
valor de y.
O processo deve ser repetido at que o mdulo de todos os resduos sejam inferiores ou iguais ao erro
estipulado. Veja:
3 Tentativa: Trinca (0; 1,233; 1,333) resulta nos resduos: 2,567; 0; 1,234. Ento r1 o maior resduo.
Verifica-se na equao 1 que x o maior responsvel pelo erro, logo:
6 x 1, 233 + 2 .1, 333 4 = 0 x = 0 , 428 .
4 Tentativa: Trinca (0,428; 1,233; 1,333), resduos: 0; 0,428; 0,050. Substituindo os devidos valores na
expresso 2: 0 , 428 + 10 y 4.1, 333 7 = 0 y = 1,191.
5 Tentativa: Trinca (0,428; 1,191; 1,333), resduos: 0,043; 0; 0,093. Entao:
3. 0 , 428 1,191 + 12 z 16 = 0 z = 1, 326 .
6 Tentativa: Trinca (0,428; 1,191; 1,326), resduo: 0,028; 0,030; 0. Logo:
0 , 428 + 10 y 4.1, 326 7 = 0 y = 1, 188
7 Tentativa: Trinca (0,428; 1,188; 1,326), resduo: 0,031; 0; 0,003. Logo, se por exemplo o erro
estipulado fosse igual a 0,05, ento (0,428; 1,188; 1,326) seria o conjunto soluo do sistema.
Exemplo 2: Seja o sistema:
5x y = 7
x + 3 y = 4
5x y 7 = r 1
x + 3 y 4 = r 2
Substituindo no sistema os valores (0, 0) para (x, y), obtm-se:

7 = r1
4 = r 2
que chamado resduo
Analisando os mdulos dos resduos, verifica-se que r1 o maior resduo, portanto deve-se tentar diminuilo a partir da anlise do maior responsvel na sua equao.
51
5x 0 7 = 0 x =
7
, que ser o novo valor de x.
5
2 Tentativa: Substituindo a trinca (
7
; 0) no sistema original, obtem-se os seguintes valores residuais: r1
5
13
= 0 e r2 =
, e pode se verificar que r2 em mdulo o maior resduo.
5
Repete-se o mesmo processo anterior s que na equao 2:

7
13
+ 3y 4 = 0 y =
, que ser o novo valor de y.
5
15
7 13
13
,
) resulta nos resduos: r1 =
e r2 = 0. Ento r1 o maior resduo.
5 15
15
Substituindo os devidos valores na equao 1 temos:
3 Tentativa: Trinca (
5x
13
118
7=0x=
, que ser o novo valor de x.
15
75
13
118 13
;
), resulta nos resduos: r1 = 0 e r2 =
e . Substituindo os devidos
75 15
75
valores na equao 2:
182
118
+ 3y 4 = 0 y =
75
225
118 182
13
,
), resulta nos resduos: r1 =
e r2 = 0.
75 225
225
182
118
Como os resduos so menores que 0,1 ento a soluo do sistema : x =
= 1,5733 e y =
=
75
225
0,8089.
Existe uma outra maneira de executar o mtodo de relaxao. Para tanto, deve-se observar que no sistema:
a x + a x +... + a x = b
a x + a x +... + a x = b
11
12
1n
21
22
2n
...
a x +a x
n1
supondo uma atribuio
x ,x
(0)
1
( 0)
2
n2
+ ... + ann x n = bn
,..., x n , ento:
(0)
a ( x + 1) + a x +... + a x b = r
a ( x + 1) + a x +... + a x b = r
11
12
1n
21
22
2n
'
1
'
2
...
a (x
n1
onde a variao do erro expressa por:
+ 1) + an 2 x 2 + ... + ann x n bn = r n
'
r = r r = a
r = r r = a
1
'
1
'
2
52
11
21
...
r = r r = a
'
n
n1
Mudando a atribuio,
a x + a (x
a x + a (x
11
12
+ 1) + ... + a1n x n b1 = r1
21
22
+ 1) + ... + a2 n x n b2 = r 2
+ 1) + ... + ann x n bn = r n
"
"
...
a x + a (x
n1
n2
"
a variao do erro passar a ser:
r1 =
r1
r1
"
r2 =
r2
r2
"
...
rn =
rn
rn
"
Com base nestes dados, forma-se a seguinte tabela:
x x x
1
1
0
0
0
1
0
0
0
1
...
x
0
0
0
r r r
a a a
a a a
a a a
11
21
31
12
22
32
13
23
33
1n
2n
3n
...
r
a
a
a
n1
n2
n3
nn

x + y 5z = 9
6 x + 2 y + z = 45
3 x + 8 y z = 91
obter a soluo por relaxao. Clculos com 3 decimais com arredondamento e erro no superior 0,1.
a) Convergncia:
6 x + 2 y + z = 45
3x + 8 y z = 91
x + y 5z = 9
b) relaxao (r1, r2 e r3 deve ser zero):
53
6 x + 2 y + z 45 = 0
3 x + 8 y z 91 = 0
x + y 5z 9 = 0
c) Tabela base:
1
0
0
6
0
1
0
2
0
0
1
1
x
y
z
r1
0
0
0
-45
max |Ri| = r2 8y = 91 y = 91/8 = 11,375
11,375
2y 22,750
Total1
-22,250
max |Ri| = r1 6x = 22,250 x = 22,250/6 = 3,708
3,708
22,250
Total2
0
max |Ri| = r2 8y = -11,125 y = -11,125/8 = -1,391
-1,391
-2,782
Total3
-2,782
max |Ri| = r3 -5z = -4,692 z= -4,692/(-5) = 0,938
0,938
0,938
Total4
-1,844
max |Ri| = r1 6x = 1,844 x = 1,844/6 = 0,307
0,307
1,844
Total5
0
max |Ri| = r3 -5z = -0,307 z = -0,307/(-5) = 0,061
0,061
0,061
Total6
0,061
x = 4,015
y = 9,984
z = 0,999
3
8
-1
r2
-91
1
1
-5
r3
-9
8y 91
0
1y 11,375
2,375
11,125
11,125
3,708
6,083
-11,125
0
-1,391
4,692
-0,938
-0,938
-4,692
0
0,921
-0,017
0,307
0,307
-0,061
-0,078
-0,307
0
ento, como todos os mdulos de ri so inferiores a 0,1

x = 0 + 3,708 + 0,307 = 4,015 4
y = 0 + 11,375 - 1,391 = 9,984 10
z = 0 + 0,938 + 0,061 = 0,999 1
x + y + 5z = 32
6 x 2 y + z = 11
x 7 y z = 58
obter a soluo por relaxao. Clculos com 3 decimais com arredondamento e erro no superior 0,1.
a) Convergncia:
54
6 x 2 y + z = 11
x 7 y z = 58
x + y + 5z = 32
b) Relaxao (r1, r2 e r3 deve ser zero):
6 x 2 y + z 11 = 0
x 7 y z 58 =0
x + y +5z 32 =0
c) Tabela base:
1
0
0
6
0
1
0
-2
0
0
1
1
x
y
z
r1
0
0
0
-11
max |Ri| = r2 -7y = 58 y = 58/-7 = -8,286
-8,286
-2y 16,571
Total1
5,571
max |Ri| = r3 5z = 40,286 z = 40,286/5 = 8,057
8,057
8,057
Total2
13,629
max |Ri| = r1 6x = -13,629 x = -13,629/6 = -2,271
-2,271
-13,629
Total3
0
max |Ri| = r2 -7y = 10,329 y= 10,329/(-7) = -1,476
-1,476
2,951
Total4
2,951
max |Ri| = r3 5z = 3,747 z = 3,747/5 = 0,749
0,749
0,749
Total5
3,700
max |Ri| = r1 6x = -3,700 x = -3,700/6 = -0,617
-0,617
-3,700
Total6
0
max |Ri| = r2 -7y = 1,366 y = 1,366/(-7) = -0,195
-0,195
0,390
Total7
0,390
max |Ri| = r3 5z = 0,812 z = 0,812/5 = 0,162
0,162
0,162
Total8
0,553
max |Ri| = r1 6x = -0,553 x = -0,553/6 = -0,092
-0,092
-0,553
Total9
0
max |Ri| = r2 -7y = 0,255 y = 0,255/(-7) = -0,036
-0,036
0,073
Total10
0,073
max |Ri| = r3 5z = 0,129 z = 0,129/5 = 0,026
1
-7
-1
r2
-58
1
1
5
r3
-32
-7y 58
0
1y -8,286
-40,286
-8,057
-8,057
40,286
0
-2,271
-10,329
-2,271
-2,271
10,329
0
-1,476
-3,747
-0,749
-0,749
3,747
0
-0,617
-1,366
-0,617
-0,617
1,366
0
-0,195
-0,812
-0,162
-0,162
0,812
0
-0,092
-0,255
-0,092
-0,092
0,255
0
-0,036
-0,129
55
0,026
Total11
x = -2,980
y = -9,993
0,026
0,099
-0,026
-0,026
z = 8,994
ento, como todos os mdulos de ri so inferiores a 0,1

x = 0 - 2,271 - 0,617 - 0,092 = -2,980
y = 0 - 8,286 - 1,476 - 0,195 -0,036 = -9,993
z = 0 + 8,057 + 0,749 + 0,162 + 0,026 = 8,994 9
-3
-10
0,129
0
56
5 Interpolao
5.1
Introduo
A interpolao outra das tcnicas bem antigas e bsicas do clculo numrico. Muitas funes so
conhecidas apenas em um conjunto finito e discreto de pontos de um intervalo [a, b], como, por exemplo, a
tabela abaixo que relaciona calor especfico da gua e temperatura:
Xi
Temperatura (C)
Calor especfico
x0
x1
x2
x3
x4
x5
x6
x7
20
25
30
35
40
45
50
55
0.99907 0.99852 0.99826 0.99818 0.99828 0.99849 0.99878 0.99919
Tabela 1 - Calor especfico da gua.
A partir desses dados suponhamos que se queira calcular:

a) o calor especfico da gua a 32.5 C
b) a temperatura para a qual o calor especfico 0.99837.
A interpolao tem o objetivo de nos ajudar na resoluo deste tipo de problema, ou em casos em que
possumos um conjunto de valores obtidos atravs de alguns experimentos.
Interpolar uma funo f(x) consiste em aproximar essa funo por uma outra funo g(x), escolhida entre
uma classe de funes definida a priori e que satisfaa algumas propriedades. A funo g(x) ento usada em
substituio funo f(x).
A necessidade de se efetuar esta substituio surge em vrias situaes, como por exemplo:
a) quando so conhecidos somente os valores numricos da funo por um conjunto de pontos (no
dispondo de sua forma analtica) e necessrio calcular o valor da funo em um ponto no tabelado (como o
caso do exemplo anterior).
b) quando a funo em estudo tem uma expresso tal que operaes como a diferenciao e a integrao
so difceis (ou mesmo impossveis) de serem realizadas. Neste caso, podemos procurar uma outra funo que
seja uma aproximao da funo dada e cujo manuseio seja bem mais simples.
As funes que substituem as funes dadas podem ser de tipos variados, tais como: polinomiais,
trigonomtricas, exponenciais e logartmicas. Ns iremos considerar apenas o estudo das funes polinomiais.
5.1.1
Conceito de Interpolao
Seja a funo y = f(x), dada pela tabela 1. Deseja-se determinar f ( x ) , sendo:

a) x (x0, x7)
b) x (x0, x7)
x xi, i = 0, 1, 2, ..., 7
Para resolver (a) tem-se que fazer uma interpolao. E, sendo assim, determina-se o polinmio
interpolador, que uma aproximao da funo tabelada. Por outro lado, para resolver (b), deve-se realizar uma
extrapolao.
Consideremos (n + 1) pontos distintos: x0, x1, x2, ..., xn, chamados ns da interpolao, e os valores de
f(x) nesses pontos: f(x0), f(x1), f(x2), ..., f(xn).
A forma de interpolao de f(x) que veremos a seguir consiste em se obter uma determinada funo g(x)
tal que:
57
g(x0) = f(x0)
g(x1) = f(x1)
g(x2) = f(x2)
g(xn) = f(xn)
Graficamente temos:
y
g(x)
(x 0 , f(x
))
(x 1 , f(x
(x 2 , f(x
1 ))
(x 3 , f(x
))
))
(x 5 , f(x
(x 4 , f(x
x0
))
x5
))
f(x)
Interpretao geomtrica para n = 5

5.2
5.2.1
Interpolao Linear
Obteno da Frmula
Dados dois pontos distintos de uma funo y = f(x) : (x0, y0) e (x1, y1), deseja-se calcular o valor de y
para um determinado valor de x entre x0 e x1, usando a interpolao polinomial.
O polinmio interpolador uma unidade menor que o nmero de pontos conhecidos. Assim sendo, o
polinmio interpolador nesse caso ter grau 1, isto ,
P1(x) = a1x + a0
Para determin-lo, os coeficientes a0 e a1 devem ser calculados de forma que tenha:
P1(x0) = f(x0) = y0
P1(x1) = f(x1) = y1
ou seja, basta resolver o sistema linear abaixo:
a 1 x 0 +a 0 = y 0
a 1 x 1 +a 0 = y 1
x0
A=
x1
1
1
onde a1 e a0 so as incgnitas e
a matriz dos coeficientes.
O determinante da matriz A diferente de zero, sempre que x0 x1, logo para pontos distintos o sistema
tem soluo nica.
O polinmio interpolador P1(x) = a1x + a0 tem como imagem geomtrica uma reta, portanto estaremos
aproximando a funo f(x) por uma reta que passa pelos dois pontos conhecidos (x0, y0) e (x1, y1).
58
A figura abaixo mostra, geometricamente, os dois pontos, (x0, y0) e (x1, y1), e a reta que passa por eles.
p 1 (x)
y1
y0
5.2.2
x0
x1
Exemplos
Exemplo 1: Seja a funo y = f(x) definida pelos pontos (0.00; 1.35) e (1.00; 2.94). Determinar
aproximadamente o valor de f(0.73).
P1(x) = a1x + a0 o polinmio interpolador de 1 grau que passa pelos pontos dados. Ento teremos:
a) Pontos utilizados:
(0.00;1.35)
e
(1.00; 2.94)
b) Clculo dos coeficientes:

P1(0) = a1 0 + a0 = 1.35
P1(1) = a1 1 + a0 = 2.94
a0 = 1.35
a1 = 1.59
c) Polinmio interpolador:
P1(x) = 1.59x + 1.35 (equao da reta que passa pelos pontos dados)
d) Resposta:
P1(0.73) = 1.59 0.73 + 1.35
P1(0.73) = 2.51
O resultado obtido acima est afetado por dois tipos de erros:
a) Erro de arredondamento (EA) - cometido durante a execuo das operaes e no caso de um
resultado ser arredondado.
b) Erro de truncamento (ET) - cometido quando a frmula de interpolao a ser utilizada escolhida,
pois a aproximao de uma funo conhecida apenas atravs de dois pontos dados feita por um polinmio de 1
grau.
Exemplo 2: Dada a funo f(x) = 10x4 + 2x + 1 com os valores de f(0.1) e f(0.2) determinar P1(0.15) e o erro
absoluto cometido.
Resposta: P1(0.15) = 1.3085
Erro absoluto: EA = 0.0034375
Exemplo 3: Calcular o calor especfico aproximado da gua a 32,5 C, usando os valores da tabela 1.
Resposta: P1(32.5) = 0.99822 (Usando as temperaturas 30 C e 35 C).
59
5.3
5.3.1
Interpolao Quadrtica
Obteno da Frmula
Se conhecermos trs pontos distintos de uma funo, ento o polinmio interpolador ser:
P2(x) = a2x2 + a1x + a0
O polinmio P2(x) conhecido como funo quadrtica cuja imagem geomtrica uma parbola,
portanto, estaremos aproximando a funo f(x) por uma parbola que passa pelos trs pontos conhecidos (x0, y0),
(x1, y1) e (x2, y2).
Para determinarmos os valores de a2, a1 e a0 necessrio resolver o sistema:
a2 x 02 + a1x0 + a0 = y0
a2 x12 + a1x1 + a0 = y1
a2 x 22 + a1x2 + a0 = y2
onde a2, a1 e a0 so as incgnitas e os pontos (x0, y0), (x1, y1) e (x2, y2) so conhecidos.
A matriz dos coeficientes :
x02
2
V = x1
x 22
x 0 1
x1 1
x 2 1
Como os pontos so distintos, ento o sistema ter soluo nica.

5.3.2
Exemplos
Exemplo 1: Utilizando os valores da funo seno, dados pela tabela abaixo, determinar a funo quadrtica que
2
2 sen x
se aproxima de f(x) =
, trabalhando com trs casas decimais.
x +1
x
0
f(x)
0.000
0.328
sen(x)
0
1
2
0.560
2
2
( 0; 0 )
( /6; 0.328 )
P2(x) = a2x2 + a1x + a0
( /4; 0.560 )
60
P 2(0) = a 2 02 + a1 0 + a 0 = 0
2
P 2( 6 ) = a 2 6 + a1 6 + a 0 = 0.328
P 2( ) = a 2 2 + a1 + a 0 = 0.560
4
4
( )
( )
( )
( )
Da primeira linha temos que a0 = 0. Logo, o sistema passa a ser:

0.274a 2 +0.524a1 =0.328
0.617a 2 +0.785a1 =0.560
Resolvendo o sistema acima encontraremos a soluo aproximada:

a2 = 0.333
a1 = 0.452
a0 = 0
P2(x) = 0.333 x 2 + 0.452x
Exemplo 2: Determinar o valor de f(0.2) e o erro absoluto ocasionado pela aplicao da interpolao quadrtica,
no clculo deste valor, usando os valores tabelados da funo f(x) = x2 2x + 1. Utilizar duas casas decimais.
x
0.5
0.3
0.1
f(x)
0.25
0.49
0.81
Resposta: P2(0.2) = 0.64

Erro absoluto: EA = 0
Podemos observar que o polinmio interpolador igual a funo dada. Isto ocorre porque a funo dada
polinomial de 2 grau e, a partir de trs pontos da funo, consegue-se determin-la sem erro. Contudo, poder
existir o erro de arredondamento.
Exemplo 3: Usando trs pontos da Tabela 1, determinar o calor especfico aproximadoda gua a 31 C
Resposta: P2(31) = 0.99822 (Considerando os pontos (20; 0.99907), (30; 0.99826) e (40; 0.99828))
5.4
Interpolao de Lagrange
As interpolaes vistas anteriormente so casos particulares da interpolao de Lagrange. Vamos estudar
agora o polinmio interpolador de grau menor ou igual a n, sendo dados n + 1 pontos distintos.
Teorema: Sejam (xi, yi), i = 0, 1, 2, ..., n, n + 1 pontos distintos, isto , xi xj para i j. Existe um nico
polinmio P(x) de grau menor ou igual a n, tal que P(xi) = yi, para todo i.
O polinmio P(x) pode ser escrito na forma:
n
Pn(x) = a0 + a1x + a2x2 + ... + anxn
ou
Pn(x) =
a x
i =0
P(x) , no mximo, de grau n, se an 0 e, para determin-lo, deve-se conhecer os valores de a0, a1, ..., an.
Como Pn(x) contm os pontos (xi, yi), i = 0, 1, ..., n, pode-se escrever que Pn(xi) = yi.
61
Com isso temos:
a + a x + a x 2 +...+ a x n = y
1 0
2
0
n
0
0
0
2
n
a0 + a1 x1 + a2 x1 +...+ a n x1 = y1
................................................
2
n
+
+
+
...
+
=y
a
a
x
a
x
a
x
1
n
2
n
n
n
n
0
Resolvendo o sistema acima, determina-se o polinmio Pn(x). Para provar que tal polinmio nico,
basta que se mostre que o determinante da matriz A, dos coeficientes das incgnitas do sistema, diferente de
zero. A matriz A :
A=
1 x x 2 ... x n
0
0
0
2
n
1 x1 x1 ... x1
............................
2
n
1
...
x n x n
x n
Mas o determinante da matriz A conhecido como determinante das potncias ou de Vandermonde e, da

lgebra Linear, sabe-se que seu valor dado por:
det(A) =
( x x ) . Como x x para i j, vem que det(A) 0.

i> j
Logo, P(x) nico.

( xi x j) .
Exemplo 1: Sejam os valores: x0 = 1, x1 = 0, x2 = 3 e x3 = 2. Determinar:
i> j
( x
i> j
x j ) = (x x ) (x x ) (x x ) (x x ) (x x ) (x x ) =
1
0
2
0
2
1
3
0
3
1
3
2
= (1)(2)(3)(1)(2)(1) = 12
Este valor igual ao determinante da matriz:
1 1 1 1
1 0 0 0
1 3 9 27
1 2 4 8
5.4.1
Obteno da Frmula
Ser mostrado, agora, a deduo da frmula de interpolao de Lagrange.

Sejam x0, x1, x2, ..., xn, (n + 1) pontos distintos e yi = f(xi), i = 0, 1, ..., n.
62
Seja Pn(x) o polinmio de grau n que interpola f em x0, ..., xn. Podemos representar Pn(x) na forma
Pn(x) = y0L0(x) + y1L1(x) + ... + ynLn(x), onde os polinmios Lk(x) so de grau n. Para cada i, queremos que a
condio Pn(xi) = yi seja satisfeita, ou seja:
Pn(xi) = y0L0(xi) + y1L1(xi) + ... + ynLn(xi) = yi
A forma mais simples de se satisfazer esta condio impor:
0
Lk(xi) =
1
Lk =
se
k i
se
k =i
e, para isso, definimos Lk(x) por
(x x0)(x x1). .(x xk 1)(x xk + 1). .(x xn)

(xk x0)(xk x1). .(xk xk 1)(xk xk + 1). .(xk xn)
Como o numerador de Lk(x) um produto de n fatores da forma:

(x xi), i = 0, 1, ..., n, i k, ento Lk(x) um polinmio de grau n e, assim, Pn(x) um polinmio de grau
menor ou igual a n.
Alm disso, para x = xi, i = 0, ..., n temos:
n
Pn(xi) =
y
k =0
Lk ( x i ) = yiLi(xi) = yi
Ento, a interpolao de Lagrange para o polinmio interpolador :

n
Pn(x) =
y
k =0
onde Lk(x) =
Lk ( x )
( x xj )
k xj )
( x
j =0
j k
n
( x xj )
Pn(x) = y k
, a frmula da interpolao lagrangeana.
j =0 ( xk xj )
k =0
j k
5.4.2
Exemplos:
Exemplo 2: No caso da interpolao linear, visto anteriormente, temos dois pontos distintos: (x0, f(x0)) e (x1,
f(x1)) com n igual a 1.
63
(0.00; 1.35) e (1.00; 2.94)

P1(x) = y0L0(x) + y1L1(x), onde
( x x1)
( x 0 x1)
( x x 0 )
L1(x) =
( x1 x 0 )
L0(x) =
Assim, P1(x) = y0
( x x1)
( x x 0 )
+ y1
( x 0 x1)
( x 1 x 0 )
que exatamente a equao da reta que passa por (x0, f(x0)) e (x1, f(x1)).
P1(x) = 1.35
( x 1)
( x 0)
+ 2.94
= 1.35x + 1.35 + 2.94x = 1.59x + 1.35
(0 1)
(1 0)
que a mesma expresso obtida no exemplo 1 de interpolao linear.

Exemplo 3: Determinar o polinmio de interpolao de Lagrange para a funo conhecida pelos pontos
tabelados abaixo e o resultado em P(0.5):
i
0
1
2
xi
0
1
2
yi
0
1
4
Resposta: P2(0.5) = (0.5)2 = 0.25

Exemplo 4: Determinar o polinmio interpolador de Lagrange para a funo conhecida pelos pontos da tabela
abaixo:
i
0
1
2
3
xi
1
0
2
3
yi
4
1
1
16
Polinmio interpolador: P3(x) = x3 4x + 1

5.5
Interpolao Parablica Progressiva

Na interpolao parablica progressiva precisamos de n + 1 pontos, onde n o grau do polinmio
desejado. Em seguida, tomamos os pontos mais prximos, do ponto que queremos, na hora de montar a tabela.
Polinmio de grau 0:
64
G0
Polinmio grau 0
CTE
P0(x) = a0
Polinmio de grau 1:
G1
Polinmio grau 0
CTE
Polinmio grau 1
passando por x0
P1(x) = a0 + a1.(x x0)

Polinmio de grau 2:
G2
Polinmio grau 0
CTE
Polinmio grau 1
passando por x0
Polinmio grau 2
passando por x0 e por x1
P2(x) = a0 + a1.(x x0) + a2.(x x0).(x x1)
Polinmio de grau n:
Pn(x) = a0 + a1.(x x0) + a2.(x x0).(x x1) + ... + an.(x x0).(x x1).(x x2) ... (x xn-1)
65
Impondo que Pn(x) passe por todos os n + 1 pontos da tabela, temos que:
Pn(x0) = f(x0)
Pn(x1) = f(x1)
Pn(x2) = f(x2)
Pn(xn) = f(xn)
Validade:
x = x P (x ) = a
0
f (x )
x = x P ( x ) = a + a (x x ) = f (x ) a
1
=
1
f (x ) a
a
x x
0
x = x P ( x ) = a + a ( x x ) + a ( x x )( x x ) =
2
=
1
f (x ) P (
x x
0
f (x )
f (x ) a = (
x x
2
x = x P ( x ) = a + a ( x x ) + ... + a ( x x )...( x x
f (x ) P (x )
a = ( )...( )
x x x x
n
n 1
n 1
Exemplo 1: Dados os pares abaixo, determinar a expresso analtica destes mesmos:

5
8
xi
f(xi)
3
4
1
4
2
6
1 Hiptese:
x = x P ( x ) = 8
0
2 Hiptese:
x=
x1 a1 =
f ( x ) P ( x ) = 4 + 8 = 2
3 + 5
x x
0
P1 ( x ) = 8 + 2( x + 5) = 2 x + 2
3 Hiptese:
x=
x 2 a2 =
4 Hiptese:
f (x ) P (x ) = 4 4 = 0
( x x )( x x ) (1 + 5)(1 + 3)
1
P2 ( x ) = 2 x + 2
)=
n 1
f (x )
n
66
x = x a
3
f (x ) P (x )
66
=
=0
( x x )( x x )( x x ) ( 2 + 5)( 2 + 3)( 2 1)
3
P3 ( x ) = 2 x + 2
Logo, a expresso : P1(x) = 2x + 2

5.6
Diferenas Divididas
Seja f(x) uma funo tabelada em n + 1 pontos distintos x0, x1, x2, ... xn. Definimos o operador diferenas
divididas por:
f[x0] = f(x0)
f [ x1 ] f [ x0 ]
f ( x1 ) f ( x0 )
f[x0,x1] =
=
x1 x0
( x1 x0 )
f [ x1 , x 2 ] f [ x 0 , x1 ]
f[x0,x1,x2] =
x2 x0
f [ x1 , x 2 ...x n ] f [ x 0 , x1 ...x n 1 ]
xn x0
f[x0,x1,x2, ... xn] =
Dizemos que f[x0,x1,x2,...xk] a diferena dividida de ordem k da funo f(x) sobre os k + 1 pontos.
Conhecidos os valores que f(x) assume nos pontos distintos x0, x1, x2, ... xn, podemos construir a tabela:
xi
x0
x1
x2
...
xn-2
xn-1
xn
5.6.1
Ordem 0
f[x0]
f[x1]
f[x2]
...
f[xn-2]
f[xn-1]
f[xn]
Ordem 1
f[x0,x1]
f[x1,x2]
f[x2,x3]
...
f[xn-2,xn-1]
f[xn-1,xn]
Ordem 2
f[x0,x1,x2]
f[x1,x2,x3]
f[x2,x3,x4]
...
f[xn-2,xn-1,xn]
....
Ordem n
f[x0,x1,x2 ... xn]
...
Propriedade do Operador Diferenas Divididas
Pode-se provar que as diferenas divididas satisfazem a propriedade de ser simtrico nos argumentos.
Exemplo:
f[x0,x1] =
f [ x1 ] f [ x0 ]
f [ x0 ] f [ x1 ]
=
= f[x1,x0]
x1 x0
x 0 x1
5.7
Interpolao de Newton com Diferenas Divididas

Pode-se provar que cada coeficiente an do polinmio interpolador de Newton corresponde ao operador
de grau n de diferenas divididas:
f[x0] = a0
f[x0,x1] = a1
f[x0,x1,x2] = a2
f[x0,x1,x2,...,xn] = an
Pn(x) = a0 + a1.(x x0) + a2.(x x0).(x x1) + ... + an.(x x0).(x x1).(x x2) ... (x xn-1)
67
Pn(x) = f[x0] + f[x0,x1] . (x x0) + f[x0,x1,x2] . (x x0) . (x x1) + ...

+ f[x0,x1,x2, ... xn] . (x x0) . (x x1) . (x x2) ... (x xn-1)
5.7.1
Exemplos
Exemplo 1: Obter f(0.5) usando um polinmio interpolador de Newton do segundo grau (3 pontos). Considere a
seguinte tabela:
xi
0
1
2
3
1
F(xi)
2
1
2
5
10
a) Clculo dos coeficientes de Pn(x):
x0
x1
x2
x3
x4
X
1
0
1
2
3
Ordem 0 Ordem 1 Ordem 2 Ordem 3 Ordem 4

2
1
0
0
1
1
1
1
0
2
3
1
5
5
10
onde:
f[x0] = f(x0) = 2
f[x1] = f(x1) = 1
f[x2] = f(x2) = 2
f[x3] = f(x3) = 5
f[x4] = f(x4) = 10
f[x0,x1] =
f [ x1 ] f [ x0 ]
f ( x1 ) f ( x0 ) 1 2
=
=
= 1
x1 x0
( x1 x0 )
0 +1
f [ x 2 ] f [ x1] 2 1
=
=1
1 0
x 2 x1
f [ x3] f [ x2] 5 2
f[x2,x3] =
=
=3
2 1
x3 x 2
f [ x4] f [ x3] 10 5
f[x3,x4] =
=
=5
3 2
x4 x3
f[x1,x2] =
f[x0,x1,x2] =
f [ x1 , x 2 ] f [ x 0 , x1 ] 1 +1
=
=1
x2 x0
1 +1
f [ x 2 , x 3] f [ x1 , x 2]
3 1
=
=1
2 0
x 3 x1
f [ x3 , x4] f [ x2 , x3] 5 3
f[x2,x3,x4] =
=
=1
3 1
x4 x2
f[x1,x2,x3] =
f [ x1 , x 2 , x 3] f [ x 0 , x1 , x 2 ] 1 1
=
=0
2 +1
x 3 x0
f [ x 2 , x 3 , x 4] f [ x1 , x 2 , x 3]
1 1
f[x1,x2,x3, x4] =
=
=0
3 0
x 4 x1
f[x0,x1,x2,x3] =
68
f[x0,x1,x2,x3,x4] =
f [ x1 , x 2 , x 3 , x 4] f [ x 0 , x1 , x 2 , x 3] 0 0
=
=0
3 +1
x 4 x0
b) Polinmio interpolador:
P2(x) = 2 1(x + 1) + 1(x + 1)(x 0)
P2(x) = 2 (x + 1) + x (x + 1)
P2(x) = 2 x 1 + x2 + x
P2(x) = x2 + 1
c) Resposta:
P2(0.5) = (0.5)2 + 1 = 1.25
Exemplo 2: Obter f(40) usando um polinmio interpolador de Newton de grau 3 (4 pontos). Considere a
seguinte tabela:
xi
30
35
45
50
55
F(xi)
0.5
0.574
0.707
0.766
0.819
Resposta: P3(40) = 0.64305
Exemplo 3: Obter f(0.47) usando um polinmio interpolador de Newton do segundo grau (3 pontos). Considere
a seguinte tabela:
xi
0.2
0.34
0.4
0.52
0.6
0.72
F(xi)
0.16
0.22
0.27
0.29
0.32
0.37
Resposta: P2(0.47) = 0.27802
Exemplo 4: Obter f(0.5) usando um polinmio interpolador de Newton do quarto grau (5 pontos). Considere a
seguinte tabela:
xi
0
1
2
3
1
F(xi)
1
1
0
1
2
Resposta: P4(0.5) = 1 0.375 0.0625 0.02344 = 0.53906
5.8
Interpolao de Gregory-Newton
Muitas vezes so encontrados problemas de interpolao cuja tabela de pontos conhecidos tem valores
que so igualmente espaados, ou seja:
x1 x0 = x2 x1 = x3 x2 = ... = xn xn-1 = h
Assim xi+1 xi = h , para todo i, sendo h uma constante.
xi = xi-1 + h xi = x0 + i * h
5.8.1
Diferenas Ordinrias ou Finitas
f(x) = f(x)
1f(x) = f(x + h) f(x)
2f(x) = 1f(x + h) 1f(x)
...
nf(x) = n-1f(x + h) n-1f(x)
0
69
xi
x0
x1
x2
...
xn-2
xn-1
xn
5.8.2
Ordem 0
f(x0)
f(x1)
f(x2)
...
f(xn-2)
f(xn-1)
f(xn)
Ordem 1
1f(x0)
1f(x1)
1f(x2)
...
1
f(xn-2)
1f(xn-1)
Ordem 2
2f(x0)
2f(x1)
2f(x2)
...
2
f(xn-2)
...
Ordem n
nf(x0)
...
Relao entre diferenas divididas e diferenas ordinrias
Teorema: Se xj = x0 + j.h, para j = 0, 1, 2, ..., n, ento f[x0,x1,x2,...,xn] =
n f ( x 0 )
.
n! h n
Prova:
f[x0] = f(x0)
f [ x1 ] f [ x0 ]
f ( x1 ) f ( x0 )
f ( x 0 + h) f ( x 0 )
f ( x 0 )
f[x0,x1] =
=
=
=
x1 x0
( x1 x0 )
h
h
f [ x1 , x 2 ] f [ x 0 , x1 ]
f[x0,x1,x2] =
=
x2 x0
f ( x1 ) f ( x 0 )
2 f ( x 0 )
=
h
h
2h 2
2h
e por induo podemos mostrar que esta regra valida para valores maiores que 2.
5.8.3
Gregory-Newton usando Diferenas Ordinrias
Partindo da formula original do mtodo de Newton, que

Pn(x) = f[x0] + f[x0,x1].(x x0) + f[x0,x1,x2].(x x0).(x x1) + ...+ f[x0,x1,x2,...,xn].(x x0).(x x1).(x x2)...(x xn-1)
podemos derivar a nova formula que utiliza as diferenas ordinrias:
f ( x 0 )
2 f ( x0 )
n f ( x 0 )
Pn(x) = f(x0) +
.(x x0) +
.(x x0).(x x1) + ... +
.(x x0).(x x1).(x
h
2h 2
n!h n
x2)...(x xn-1)
5.8.4
Exemplos
Exemplo 1: Obter f(0.5) usando um polinmio interpolador de Gregory-Newton (G-N) do segundo grau (3
pontos). Considere a seguinte tabela:
xi
0
1
2
3
1
f(xi)
2
1
2
5
10
a) Tamanho do intervalo:
h=1
b) Clculo dos coeficientes dePn(x):
x0
X
1
Ordem 0 Ordem 1 Ordem 2 Ordem 3 Ordem 4

2
2
0
0
1
70
x1
x2
x3
x4
0
1
2
3
1
2
5
10
1
3
5
2
2
2
1
(x + 1) +
P2(x) = 2 +
2 (x + 1)(x)
1
2 1
P2(x) = 2 (x + 1) + x (x + 1)
P2(x) = 2 x 1 + x2 + x
P2(x) = x2 + 1
d) Resposta:
P2(0.5) = (0.5)2 + 1 = 1.25
Exemplo 2: Obter f(0.04) usando um polinmio interpolador de Gregory-Newton do segundo grau (3 pontos).
Considere a seguinte tabela:
xi
0.01
0.03
0.05
0.07
F(xi)
1.01
1.09
1.25
1.49
Resposta: P2(0.04) = 1.16
Exemplo 3: Obter f(3.7) usando um polinmio interpolador de Gregory-Newton do terceiro grau (4 pontos),
onde f(x) = ln(x). Considere a seguinte tabela:
xi
1
2
3
4
F(xi)
0
0.6931
1.0986
1.3863
Resposta: P3(3.7) = 1.30225590
71
6 Integrao Numrica
6.1
Introduo
Do ponto de vista analtico existem diversas regras, que podem ser utilizadas na prtica. Contudo,
embora tenhamos resultados bsicos e importantes para as tcnicas de integrao analtica, como o Teorema
Fundamental do Clculo Integral, nem sempre podemos resolver todos os casos. No podemos sequer dizer que
para uma funo simples a primitiva tambm ser simples, pois f(x) = 1/x, que uma funo algbrica racional,
possui uma primitiva que no o ; a sua primitiva a funo ln(x) que transcendente.
Quando no conseguirmos calcular a integral por mtodos analticos, mecnicos ou grficos, ento
podemos recorrer ao mtodo algortmico. Em algumas situaes, s podemos usar o mtodo numrico. Por
exemplo, se no possuirmos a expresso analtica de f, no podemos, em hiptese nenhuma, usar outro mtodo
que no o numrico. A integrao numrica pode trazer timos resultados quando outros mtodos falham.
A soluo numrica de uma integral simples comumente chamada de quadratura.
Sabemos do Clculo Diferencial e Integral que se f(x) uma funo contnua em [a, b], ento esta
funo tem uma primitiva neste intervalo, ou seja, existe F(x) tal que f(x) dx = F(x) + C, com F(x) = f(x);
demostra-se que, no intervalo [a, b],
b
f ( x )dx = F (b) F (a )
a
tais mtodos, embora variados, no se aplicam a alguns tipos de integrandos f(x), no sendo conhecidas suas
primitivas F(x); para tais casos, e para aqueles em que a obteno da primitiva, embora vivel, muito
b
trabalhosa, podem-se empregar mtodos para o clculo do valor numrico aproximado de
f ( x )dx .
a
A aplicao de tais mtodos obviamente necessria no caso em que o valor de f(x) conhecido apenas
em alguns pontos, num intervalo [a, b], ou atravs de um grfico.
b
Lembrando que
f ( x )dx = lim f ( xi )xi (Riemann), onde x i [xi-1, xi] partes de [a, b],
n i =1
com x0 = a, xn = b e xi = | xi - xi-1 |, para n suficientemente grande e xi suficientemente pequeno,

n
f ( xi)xi representa uma boa aproximao para

i =1
f ( x )dx .
a
Convm lembrar, tambm, que, sendo f(x) no negativa em [a, b],
f ( x )dx
representa,
numericamente, a rea da figura delimitada por y = 0, x = a, x = b e y = f(x), como mostra a figura abaixo:
y
y=f(x)
A=
f ( x )dx
a
72
Quando f(x) no for somente positiva, pode-se considerar f(x) em mdulo, para o clculo da rea,
conforme figura abaixo:
y
y=f(x)
A
c
0
A=
f ( x ) + | f ( x )| dx
a
ou
A=
| f ( x )| dx
a
A idia bsica da integrao numrica a substituio da funo f(x) por um polinmio que a aproxime
razoavelmente no intervalo [a, b]. Assim o problema fica resolvido pela integrao de polinmios, o que
b
trivial de se fazer. Com este raciocnio podemos deduzir frmulas para aproximar
f ( x )dx .
a
As frmulas que deduziremos tero a expresso abaixo:

b
f ( x )dx
A0 f(x0) + A1 f(x1) + ... + An f(xn),
xi [a, b],
i = 0, 1, ..., n.
6.1.1
Frmulas de Newton-Cotes
Nas frmulas de Newton-Cotes a idia de polinmio que aproxime f(x) razoavelmente que este
polinmio interpole f(x) em pontos de [a, b] igualmente espaados. Consideremos a partio do intervalo [a, b]
em subintervalos, de comprimento h, [xi, xi+1], i = 0, 1, ..., n-1. Assim xi+1 xi = h = (b a)/n.
b
As frmulas fechadas de Newton-Cotes so frmulas de integrao do tipo xo = a, xn = b e
f ( x )dx
a
xn
f ( x )dx
A0 f(x0) + A1 f(x1) + ... + An f(xn) =
Ai f ( xi) , sendo os coeficientes A
determinados de
i =0
acordo com o grau do polinmio aproximador.

Analisaremos a seguir algumas das frmulas fechadas de Newton-Cotes como regra dos retngulos,
regra dos trapzios e regra de Simpson.
Existem ainda as frmulas abertas de Newton-Cotes, construdas de maneira anloga s fechadas, com xo
e xn (a, b).
6.2
Regra dos Retngulos

Seja o intervalo finito [a, b] no eixo x que particionado em n subintervalos igualmente espaados [xi,
xi+1], com x0 = a e xn = b e hi = xi+1 xi. Seja f uma funo contnua ou simplesmente Riemann integrvel, cuja
integral no conhecida.
73
b
Nosso objetivo calcular
f ( x )dx
pelo mtodo da rea dos retngulos. Tais retngulos podem ser
considerados de diversas maneiras, conforme mostra as figuras abaixo:
(a)
(b)
(c)
No primeiro caso, figura (a), a rea de cada retngulo f(xi) hi; no segundo caso f(xi+1)hi e no ltimo
b
f((xi + xi+1)/2) hi. Em qualquer caso a soma das reas dos retngulos ser uma aproximao para
f ( x )dx .
a
Subdividindo o intervalo [a, b] em n subintervalos, pela regra dos retngulos, que ser indicado por R(h),
dada pelas frmulas:
n 1
f ( x ).hi
R(hn) =
i =0
n 1
R(hn) =
f ( x
i =0
n 1
R(hn) =
i +1
).hi
, ou
, ou
xi + xi +1
.hi
2
f
i =0
conforme for tomado o caso (a) ou (b) ou (c) da figura acima.

Como hi constante, temos h =
b a
. Ento :
n
n 1
R(hn) = h f ( x i )
i =0
ou
n 1
R(hn) = h f ( xi +1 )
i =0
ou
R(hn) =
x + xi +1
h f i
i =0
n 1
Em geral, quando utilizarmos a regra dos retngulos iremos efetuar os clculos atravs do caso (c), ou
n 1
x + xi +1
h
seja, R(hn) = f ( x i ) , sendo x i = i
.
2
i =0
74
6.2.1
Exemplos
1
Exemplo 1: Calcular
1 + x
dx . Considere n = 10 e 4 casas decimais com arredondamento.
a) Nmero de intervalos:
n = 10
b) Tamanho do intervalo
b a
h=
= (1 0) / 10 = 0.1
n
c) iteraes:
i
0
1
2
3
4
5
6
7
8
9
xi
(0 + 0.1) = 0.05
(0.1 + 0.2) = 0.15
(0.2 + 0.3) = 0.25
(0.3 + 0.4) = 0.35
(0.4 + 0.5) = 0.45
(0.5 + 0.6) = 0.55
(0.6 + 0.7) = 0.65
(0.7 + 0.8) = 0.75
(0.8 + 0.9) = 0.85
(0.9 + 1) = 0.95
f( x i )
0.0499
0.1467
0.2353
0.3118
0.3742
0.4223
0.4569
0.4800
0.4935
0.4993
3.4699
R(0.1) = h f ( x i ) = (0.1).(3.4699) = 0.34699

d) mtodo analtico:
1
x
1
1 1
0 1 + x 2 dx = 2 ln(1 + x 2) 0 = 2 (ln(2) ln(1)) = 0,34657 .
Exemplo 2: Quando no for possvel conhecer f(xi) pode-se usar f( x i ) = (f(xi-1) + f(xi))/2, para o clculo
anterior, ter-se-ia:
n = 10
b) Tamanho do intervalo:
b a
h=
= (1 0) / 10 = 0.1
n
c) iteraes:
i
1
0
1
2
3
4
5
f(xi)
0
0.0990
0.1923
0.2752
0.3448
0.4000
0.4412
f( x i )
0.0495
0.1457
0.2338
0.3100
0.3724
0.4206
75
6
7
8
9
0.4698
0.4878
0.4972
0.5000
0.4555
0.4788
0.4925
0.4986
3.4574
R(0.1) = h f ( xi ) = (0.1).(3.4574) = 0.34574

1
Exemplo 3: Calcular
dx , para n = 8.
Resposta: R(0.25) = h f ( x i ) = (0.25).(0.0000) = 0.0000
Mtodo analtico:
dx
4 1 1
x
=
= = 0.
4 4 4
1
6.3
Regra dos Trapzios

Seja o intervalo finito [a, b] no eixo x que particionado em n subintervalos igualmente espaados [xi,
xi+1], com x0 = a e xn = b e hi = xi+1 xi. Seja f uma funo contnua ou simplesmente Riemann integrvel, cuja
integral no conhecida.
Numericamente: A regra dos trapzios obtida aproximando-se f por um polinmio interpolador do 1 grau (ao
invs de zero, como na regra dos retngulos). Se usarmos a frmula de Lagrange para expressar o polinmio
p1(x) que interpola f(x) em x0 e x1 temos:
b
f ( x) dx
Assim, IT =
b =x 1
x1
( x x0 )
( x x1 )
p1 ( x )dx =
f ( x0 ) +
f ( x1 ) dx = IT
h
h
a =x 0
x0
h
[ f ( x0 ) + f ( x1 )] , que a rea do trapzio de altura h = x1 x0 e bases f(x0) e f(x1).
2
Geometricamente: Podemos ver, conforme mostra a figura abaixo:

f(x
f(x i )
i+1
P 1 (x )
f(x)
xi
x i+1
Interpretao geomtrica da regra dos trapzios
A rea de cada trapzio (f(xi) + f(xi+1))/2

b
f ( x )dx .
a
hi. A soma destas reas ser uma aproximao para
76
6.3.1
Regra do Trapzio Repetida
Dividindo o intervalo [a, b] em n subintervalos, pela regra dos trapzios, o resultado, que ser indicado
por T(h), dada pela frmula:
n 1
T (hn ) = (
i =0
Como hi constante, temos h =
f ( xi ) + f ( xi +1 )
).hi
2
b a
. Ento :
n
n 1
T ( hn ) = h (
i =0
f ( x i ) + f ( xi +1 )
)
2
ou
T ( hn ) =
6.3.2
h
[ f ( x 0 ) +2 f ( x1 ) +2 f ( x 2 ) +... +2 f ( x n 1 ) + f ( x n )]
2
Exemplos
3, 6
Exemplo 1: Calcular
x dx
pela regra dos trapzios e, depois, analiticamente. Considere n = 6 e 4 casas
3, 0
decimais com arredondamento.

n=6
b a
h=
= (3.6 3.0) / 6 = 0.1
n
c) iteraes:
i
0
1
2
3
4
5
6
xi
3.0
3.1
3.2
3.3
3.4
3.5
3.6
f(xi)
0.3333
0.3226
0.3125
0.3030
0.2941
0.2857
0.2778
ci
1
2
2
2
2
2
1
ci. f(xi)
0.3333
0.6452
0.6250
0.6060
0.5882
0.5714
0.2778
3.6469
h
[ f ( x0 ) + 2 f ( x1 ) + 2 f ( x2 ) + ... + 2 f ( x5 ) + f ( x6 )]
2
0.1
T(0.1) =
(3.6469) = 0,182345
2
T ( h6 ) =
d) mtodo analtico:
3, 6
3, 6
1
dx
ln(x
)
]
=
= ln(3.6) ln(3.0) = 0.18232156
x
3, 0
3, 0
1
Exemplo 2: Calcular
(2 x +3)dx
0
pela regra dos trapzios e, depois, analiticamente. Considere n = 1 e 4
77
casas decimais com arredondamento.

Resposta: T(1) =
1
(8) = 4
2
1
Mtodo analtico:
2
(2 x +3)dx = x + 3x
0
1
0
= 1 + 3 (0 + 0) = 4
Como a regra dos trapzios aproxima por uma reta e a funo integranda f(x) = 2x + 3 (uma reta), o
valor da integral obtido exato.
2
Exemplo 3: Calcular
x ln( x )dx
pela regra dos trapzios, considerando diversos valores para n e, depois,
analiticamente.
n=1
1
Resposta: T(1) =
(1.3863) = 0.6932
2
b) Nmero de intervalos: n = 2
0.5
Resposta: T(0.5) =
(2.6027) = 0.6507
2
c) Nmero de intervalos: n = 4
0.25
Resposta: T(0.25) =
(5.1191) = 0,6399
2
d) Nmero de intervalos: n = 8
0.125
Resposta: T(0.125) =
(10.1951) = 0,6372
2
2
Mtodo analtico:
x ln( x )dx =
1
2
2
2
2
x ln( x ) x 2 2 x ln( x ) x 2
] =
]1 = = 0.63629436
2
4 1
4
6.4
Regra de Simpson
A regra de Simpson obtida aproximando-se f por um polinmio interpolador de 2 grau, ou seja, uma
parbola.
Numericamente: Novamente podemos usar a frmula de Lagrange para estabelecer a frmula de integrao
resultante da aproximao de f(x) por um polinmio de grau 2. Seja p2(x) o polinmio que interpola f(x) nos
pontos x0 = a, x1 = x0 + h e x2 = x0 + 2h = b:
p 2( x ) =
( x x1)( x x 2)
( x x 0)( x x 2)
( x x 0)( x x1)
f ( x 0) +
f ( x1) +
f ( x 2)
( h)( 2h)
( h)( h)
( 2h)( h)
Assim,
b
x2
x2
x0
x0
f ( x )dx = f ( x )dx p 2( x )dx =
78
x2
f ( x 0)
f ( x1)
( x x1)( x x 2)dx
2
2
2 h x0
h
x2
(x x
x
)( x x 2)dx +
x2
f ( x 2)
( x x 0 )( x x1)dx
2 h2 x0
Resolvendo as integrais obtemos a regra de Simpson:

x2
f ( x )dx 3 [ f ( x ) + 4 f ( x ) + f ( x )] = Is
x
0
Geometricamente: Podemos ver, conforme mostra a figura abaixo:

p 2 (x)
x 0 =a
x 2 =b
x1
h
Interpretao geomtrica da regra de Simpson simples

6.4.1
Regra de Simpson Repetida
Aplicando a regra de Simpson repetidas vezes no intervalo [a, b] = [x0, xn]. Vamos supor que x0, x1, ..., xn
so pontos igualmente espaados, h = xi+1 xi, e n par (isto condio necessria pois cada parbola utilizar
trs pontos consecutivos). Assim teremos:
b
f ( x )dx
6.4.2
S ( hn ) =
h
[ f ( x 0 ) +4 f ( x1 ) +2 f ( x 2 ) +4 f ( x3 ) +2 f ( x 4 ) +... +4 f ( x n 1 ) + f ( x n )]
3
Exemplos
1
Exemplo 1: Calcular uma aproximao para
e dx
x
usando a regra de Simpson com n = 10.
n = 10
b a
h=
= (1 0) / 10 = 0.1
n
c) iteraes:
i
0
1
2
3
4
5
xi
0.0
0.1
0.2
0.3
0.4
0.5
f(xi)
1
1.1052
1.2214
1.3499
1.4918
1.6487
ci
1
4
2
4
2
4
ci. f(xi)
1
4.4208
2.4428
5.3996
2.9836
6.5948
79
6
7
8
9
10
0.6
0.7
0.8
0.9
1.0
1.8221
2.0138
2.2255
2.4596
2.7183
2
4
2
4
1
3.6442
8.0552
4.4510
9.8384
2.7183
51.5487
0,1 0, 0
[ e + 4 e0 ,1 + 2 e0, 2 + 4 e0, 3 +...+2 e0 ,8 + 4 e0, 9 + e1, 0 ] = 1,71829
3
S ( h10 ) =
d) mtodo analtico:
1
e dx
x
= ex
= e1 e0 = 2,7182818 1 = 1,7182818
1
1
dx , considerando n = 10.
Exemplo 2: Calcular o valor de , dado pela expresso 4
2
1
+
x
0
0,1
[ f ( x 0) + 4 f ( x1) + 2 f ( x 2) + 4 f ( x 3) +...+2 f ( x 8) + 4 f ( x 9) + f ( x 10)] = 3,14157
Resposta: S ( h10) =
3
1
1
1
dx = 4( arctg (x )] ) = 4.(arctg(1) arctg(0)) = 3.14159265
Mtodo analtico: 4
2
0
0 1 +x
2
Exemplo 3: Calcular
x ln( x )dx
pela regra de Simpson, considerando diversos valores para n e, depois,
analiticamente.
a) Nmero de intervalos: n = 2
0.5
Resposta: S(0.5) =
(3.8191) = 0,6365
3
b) Nmero de intervalos: n = 4
0.25
Resposta: S(0.25) =
(7.6355) = 0.63629167
3
c) Nmero de intervalos: n = 8
0.125
Resposta: S(0.25) =
(15.2711) = 0,63629583
3
2
Mtodo analtico:
2
2
x ln( x ) x
x
ln(
x
)
dx
2
2
2 x ln( x ) x 2
]1 = = 0.63629436
4
Exemplo 4: Calcular uma aproximao para
+1
dx usando Simpson com n = 2.
Resposta: S (0.5) =
1
Mtodo analtico:
0 .5
4
[1 + 4(1.25) + 2] =
= 1.33333...
3
3
x 2 +1
0
dx = x + x
=(
3
3
4
1
0
+ 1) ( + 0) = = 1.33333...
3
3
3
Como a regra de Simpson se aproxima por uma parbola e, sendo f(x) = x2 + 1 uma parbola, o valor da
integral obtido exato independente do nmero de subintervalos utilizado no clculo.
80
81
Referncias Bibliogrficas
[1] BARROSO, Lenidas C. et. al., Clculo Numrico (com Aplicaes), 2a edio, Editora Harbra, So Paulo,
1987.
[2] CLAUDIO, Dalcidio M., MARINS, Jussara M., Clculo Numrico Computacional, 2a edio, Atlas, 1994
[3] SANTOS, Vitoriano R. B., Curso de Clculo Numrico, 4a edio, LTC, 1982.
[4] RUGGIERO, Mrcia A. G., LOPES, Vera Lcia R., Clculo Numrico: Aspectos Tericos e
Computacionais, 2a edio, Makron Books, So Paulo, 1996.
[5] CAMPOS, R. J. A., Clculo Numrico Bsico. 1 edio, Atlas, 1978
[6] CAMARGO, W. C. M., Apostila de Clculo Numrico. Departamento de Informtica. UFPR.

Sanches, I.J. e Furlan, D. C. Métodos Numéricos

Enviado por

Dados do documento

Descrição original:

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

Sanches, I.J. e Furlan, D. C. Métodos Numéricos

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade Federal do Paran

1.2 REPRESENTAO DOS NMEROS REAIS..................................................................................................................5

3.1.4 Classificao dos mtodos.......................................................................................................................... ......18

3.2 MTODO DA BISSEO.................................................................

3.3 MTODO DA FALSA POSIO.............................................................................................................................21

3.4 MTODO DA ITERAO LINEAR..........................................................................................................................24

3.5 MTODO DE NEWTON-RAPHSON OU MTODO DAS TANGENTES..............................................................................27

3.6 MTODO DA SECANTE................................................................

3.7 MTODO MISTO..............................................................

4.2 MTODOS DIRETOS (ALGORITMOS DIRETOS).......................................................................................................36

4.2.2 Mtodo da Eliminao de Gauss............................................................................................... .......................37

4.2.3 Mtodo de Jordan........................................................................................................................................ .....40

4.2.4 Exemplos................................................................................................................................................. .........40

4.3 MTODOS ITERATIVOS (ALGORITMOS ITERATIVOS)................................................................................................41

4.3.2 Mtodo de Gauss-Jacobi ( Matricial )........................................................................................ ......................43

4.3.3 Mtodo de Gauss-Seidel ( Algbrico )............................................................................................................. ..45

4.3.4 Mtodo de Gauss-Seidel ( Matricial )............................................................................................. ..................47

4.4 MTODO DE RELAXAO..................................................................................................................................49

5.2 INTERPOLAO LINEAR.....................................................................................................................................57

5.3 INTERPOLAO QUADRTICA.............................................................................................................................59

5.4 INTERPOLAO DE LAGRANGE............................................................................................................................60

5.5 INTERPOLAO PARABLICA PROGRESSIVA..........................................................................................................63

5.7 INTERPOLAO DE NEWTON COM DIFERENAS DIVIDIDAS.....................................................................................66

5.8 INTERPOLAO DE GREGORY-NEWTON................................................................................................................68

6.2 REGRA DOS RETNGULOS..................................................................................................................................72

6.3 REGRA DOS TRAPZIOS.....................................................................................................................................75

6.4 REGRA DE SIMPSON..........................................................................................................................................77

1 Representao de Nmeros Reais e Erros

Modelagem a fase de obteno do modelo matemtico que descreve o comportamento do sistema

Erros na Fase de Modelagem

Determinar a altura de um edifcio com uma bolinha de metal e um cronmetro: 3s

Erros na Fase de Resoluo

Representao dos Nmeros Reais

Ordinrios (32/7; 1/3)

Sistema Decimal e Binrio

Faa rk+1 = 2rk dk

O programa a seguir permite calcular

0.1 , sendo 100 o valor exato dessa somatria.

Quando essa somatria efetuada utilizando o computador o valor : 99.99999998544808

Aritmtica de Ponto Flutuante

: a base em que a mquina opera;

seus dgitos significativos e t o nmero de dgitos significativos do sistema de representao, comumente

3.141510 = 0.31415 101 =

410 = 1002 = 0.1 * 23 =

E o menor valor seria: 0.1111111111 * 21111 = 3273610

Os nmeros sero representados da seguinte forma nesse sistema:

Erros Absolutos e Relativos

(N > N EAN > 0

Os tipos de arredondamentos mais conhecidos so:

2 = 1.259 ... 1.26

(1.414 ... + 0.005 = 1.419 ... 1.41)

2 1.41 = 1.41421 ... 1.41 = 0.00421 < 0.005

4.5474735089E-13 vale zero!

A soluo a de interromper os clculos quando uma determinada preciso atingida.

Vejamos atravs de um exemplo, como os erros descritos anteriormente podem influenciar o

= (0.2345*100 + 0.3491*104) 0.3491*104

= 0.2345*100 + (0.3491*104 0.3491*104)

3 Zeros de Equaes Transcendentes e Polinomiais

Derivada de uma funo num ponto

A funo : A R diz-se derivvel no ponto de acumulao a A quando existe e finito o limite:

Quando f derivvel em a, o limite chamado derivada de f no ponto a.

2 usando o Mtodo de Newton definido por:

= (0.2345100 + 0.3491104) 0.3491*104

= 0.2345100 + (0.3491104 0.3491*104)