Você está na página 1de 56

ndice de contedos

ndice de contedos
Captulo 2. Mtodos Numricos............................................................53
1.Introduo.........................................................................................53
1.1.Mtodos analticos versus mtodos numricos.....................................................53
1.2.Necessidade para mtodos numricos..............................................................54

2.Soluo de uma equao no linear..........................................................54


2.1.Forma geral do problema..............................................................................54
2.2.Caractersticas do problema..........................................................................55
2.3.Razes, Zeros e Multiplicidade........................................................................55
2.4.Mtodos iterativos, erro, convergncia e paragem...............................................56
2.5.Localizao e separao das razes..................................................................59
2.6.Estimativa para o erro de truncatura...............................................................60
2.7.Critrios de paragem...................................................................................60
2.8.Aplicao dos mtodos iterativos....................................................................60
2.9.Mtodo da Bisseco...................................................................................61
2.9.1.Frmula geral......................................................................................61
2.9.2.Algoritmo para o mtodo da Bisseco........................................................61
2.10.O mtodo da Falsa Posio (ou da Corda Falsa)..................................................63
2.10.1.Frmula geral....................................................................................63
2.10.2.Algoritmo para o mtodo da Falsa Posio..................................................64
2.11.Mtodo do Ponto Fixo.................................................................................64
2.11.1.Frmula geral....................................................................................64
2.11.2.Convergncia.....................................................................................67
2.11.3.Algoritmo do mtodo do Ponto Fixo..........................................................69
2.11.4.Exemplo...........................................................................................70

-i-

ndice de contedos

2.12.Mtodo de Newton-Raphson.........................................................................70
2.12.1.Frmula geral....................................................................................70
2.12.2.Newton-Raphson como caso particular do mtodo do Ponto Fixo.......................71
2.12.3.O mtodo de Newton-Raphson a partir da srie de Taylor...............................72
2.12.4.Ordem de convergncia do mtodo de Newton-Raphson.................................72
2.12.5.Um majorante do erro absoluto..............................................................73
2.12.6.Uma estimativa do erro absoluto.............................................................73
2.12.7.Critrios de convergncia do mtodo de Newton-Raphson...............................74
2.12.8.Algoritmo para o mtodo de Newton-Raphson.............................................74
2.12.9.Vantagens e desvantagens do mtodo de Newton-Raphson..............................75
2.12.10.Alguns casos patolgicos do mtodo de Newton-Raphson..............................75
2.13.Mtodo da Secante....................................................................................75
2.13.1.Forma geral......................................................................................75
2.13.2.Exemplo...........................................................................................76
2.13.3.Convergncia.....................................................................................77
2.13.4.Algoritmo do mtodo da Secante.............................................................77

3.Equaes lineares................................................................................78
3.1.O problema da resoluo de um sistema linear...................................................78
3.2.Mtodos diretos.........................................................................................79
3.3.Mtodos iterativos......................................................................................79
3.4.Mtodo de Jacobi.......................................................................................80
3.4.1.Frmula geral......................................................................................80
3.4.2.Algoritmo para o mtodo de Jacobi...........................................................81
3.5.Mtodo de Gauss Seidel................................................................................82
3.5.1.Frmula geral......................................................................................82
3.5.2.Algoritmo para o mtodo de Gauss Seidel....................................................82
3.6.Exemplo..................................................................................................83
3.7.Eficincia.................................................................................................84

- ii -

ndice de contedos

4.Interpolao polinomial.........................................................................84
4.1.Polinmio interpolador.................................................................................85
4.1.1.Definio...........................................................................................85
4.1.2.Polinmios..........................................................................................87
4.1.3.Clculo de valores de um polinmio...........................................................87
4.2.Interpolao polinomial de Lagrange................................................................89
4.2.1.Frmula de Lagrange.............................................................................90
4.2.2.Frmula de Newton...............................................................................91
4.2.3.Erros de Interpolao Polinomial...............................................................95

5.Aproximao polinomial.........................................................................96
5.1.Conceitos e resultados bsicos.......................................................................97
5.1.1. Mtricas, normas e seminormas...............................................................97
5.1.2.Melhor aproximao polinomial................................................................99
5.2.Aproximao dos mnimos quadrados..............................................................100
5.2.1.Funes aproximantes e desvios..............................................................100
5.2.2. Mtodo dos Mnimos Quadrados..............................................................101
5.2.3.Reta dos Mnimos Quadrados (Reta de Regresso).........................................102
5.2.4.Parbola dos Mnimos Quadrados.............................................................104

- iii -

Captulo 2. Mtodos Numricos

Captulo 2. Mtodos Numricos

1. Introduo
Os mtodos numricos so mtodos usados para a obteno de solues numricas para
problemas quando, por uma qualquer razo, no se pode ou no se deseja usar mtodos analticos.
Os mtodos numricos conduzem a solues aproximadas de um modelo ou sistema real.

1.1. Mtodos analticos versus mtodos numricos


O que uma soluo numrica e como ela difere da soluo exata (ou analtica) ?
Um mtodo analtico para resolver um dado problema matemtico qualquer mtodo baseado
rigorosamente na anlise matemtica e cuja aplicao conduz a uma soluo verdadeira (exata),
tambm conhecida como soluo analtica do problema.
Mtodo numrico para resolver um dado problema matemtico qualquer mtodo baseado na
anlise matemtica rigorosa cuja aplicao em muitos casos, pode simplesmente conduzir a uma
soluo aproximada (no exata), tambm conhecida como soluo numrica. Em alguns casos,
raros, um mtodo numrico pode dar uma soluo exata.
Por exemplo, as solues exatas da equao no linear x 2 5x + 3 = 0 podem ser obtidas usando
a bem conhecida frmula quadrtica (mtodo analtico)
x 1,2 =

b b24ac
2a

Esta frmula d uma soluo analtica x 1,2 =

5 13
2

Por sua vez, a frmula de iterao (mtodo numrico)


x n+1 =

5x n3 ,

n=0,1,2 , ...; x 0 =4.5

pode tambm ser aplicada para aproximar uma das duas solues da equao quadrtica dada. Este
mtodo pode somente dar uma soluo numrica aproximada.
Em geral a diferena entre solues analticas e solues numricas pode ser resumida na
seguinte frase: solues analticas so exatas enquanto solues numricas so aproximadas.

- 53 -

Captulo 2. Mtodos Numricos

1.2. Necessidade para mtodos numricos


Porqu algum aprenderia mtodos numricos? Os mtodos numricos so necessrios?
A partir da distino apresentada entre os mtodos analticos e os mtodos numricos,
facilmente algum pode ser levado a concluir que suficiente usar mtodos analticos na resoluo
de problemas matemticos. Por outras palavras, no h necessidade de aprender mtodos
numricos pois eles conduzem somente a solues aproximadas. Tal concluso enganadora.
Precisamos de aprender mtodos numricos pelas seguintes razes:
Existem situaes em que prefervel um mtodo numrico ao mtodo analtico, ainda que este
exista, como por exemplo se a soluo para um problema envolve vrios clculos, os quais
podem ser muito demorados.
A maior parte dos problemas concretos so, em geral, complexos e envolvem fenmenos no
lineares, pelo que comum os conhecimentos de matemtica no serem suficientes para a
descoberta de uma soluo para um problema real.
Quando os dados do problema so os de uma tabela de valores, qualquer tratamento (a sua
diferenciao ou integrao, por exemplo) ter de ser feito atravs de um mtodo numrico.
Uma vez que, em geral, o modelo matemtico real demasiado complexo para ser tratado
analiticamente, deve-se construir modelos aproximados e obter solues aproximadas.
Alterar e simplificar o modelo por forma a torn-lo tratvel, e assim obter uma soluo exata de
um sistema ou modelo aproximado. Tal soluo suspeita pelo facto de ocorrerem simplificaes
do modelo, pelo que tero que fazer vrias experincias para ver se as simplificaes so
compatveis com os dados experimentais.
Usar mtodos numricos e assim produzir solues aproximadas para o sistema real. Tais
solues so apenas aproximaes que podem ser melhoradas custa de esforo computacional.

2. Soluo de uma equao no linear


2.1. Forma geral do problema
Uma equao no linear na varivel x representada na forma
f(x) = 0,
em que f : R R uma funo contnua no linear em x R. A varivel x diz-se independente e a
varivel y = f(x) a varivel dependente. Resolver a equao f(x) = 0 consiste em calcular as suas
razes, ou determinar os zeros da funo f(x). Na representao grfica da funo f(x) no plano
XOY, os pontos de interseo da curva f(x) com o eixo dos XX definem as razes reais de f(x) = 0.
Pode-se esperar que uma equao no linear tenha razes reais e/ou complexas.

- 54 -

Captulo 2. Mtodos Numricos

2.2. Caractersticas do problema


Existem dois tipos de de equaes no lineares: as algbricas e as transcendentes.
As equaes algbricas envolvem apenas as operaes aritmticas bsicas, de que a forma
polinomial um caso particular,

pn (x) = an x n + an1 x n1 + ... + a1 x + a0 = 0


sendo os coeficientes ai, i = 0, , n, nmeros reais ou complexos. Destas fazem parte as
diofantinas, que so equaes polinomiais com apenas solues inteiras, e que nem sempre tm
soluo; por exemplo, xn + yn = zn no tem soluo inteira para n > 2. Tambm as equaes
polinomiais lineares, quadrticas, cbicas e qurticas fazem parte deste conjunto de equaes, as
quais tm frmulas resolventes, umas mais complicadas do que outras.
As equaes transcendentes envolvem tambm funes trigonomtricas, exponenciais,
logartmicas, entre outras, para alm das polinomiais. So exemplos de equaes transcendentes,
f ( x) = x ex = 0,
f ( x) = x + ln(x ) = 0,
f ( x) = (2x + 1)2 4 cos( x ) = 0.
Se, para um dado valor da varivel independente x, pretende-se calcular o correspondente valor de
f(x), o problema diz-se direto. No entanto, se o objetivo determinar o(s) valor(es) de x que
satisfaz(em) a equao f(x) = 0, ento o problema diz-se inverso. O problema direto no oferece
qualquer dificuldade, apenas o problema inverso requer, na grande maioria dos casos, a utilizao
de um mtodo numrico.

2.3. Razes, Zeros e Multiplicidade


Se f(a) = 0 diz-se que a uma raiz da equao f(x) = 0 ou que a um zero da funo f(x):

a) zero simples: f(a) = 0


b) zero duplo: f(a) = f'(a) = 0
c) zero triplo: f(a) = f'(a) = f''(a) = 0
- 55 -

Captulo 2. Mtodos Numricos


Definio:
A multiplicidade de um zero a da funo f(x) o supremo m dos valores k tais que,
lim
x

f (x)
= c <
x k

Se m = 1 o zero diz-se simples, se m = 2 o zero diz-se duplo,


Exemplos:
a = 0 um zero simples da funo f(x) = sin(x) porque,
lim
x 0

sin(x )
= 1
x

a = 0 um zero duplo da funo f(x) = 1 cos(x) porque,


lim
x 0

1 cos(x )
1
=
2
2
x

Nota: a multiplicidade de um zero pode no ser um nmero inteiro, nem sequer finita.
Teorema:
Se a for um zero da funo f(x) e se f(x) for m vezes diferencivel em a ento a multiplicidade
de a m se e s se,
f () = f ' () = ... = f (m1) () = 0,

mas f m() 0 .

Exemplo 1:
para f(x) = sin(x), f(0) = 0 mas f'(0) 0, portanto m = 1.
Exemplo 2:
para f(x) = 1 - cos(x), f(0) = f'(0) = 0 mas f''(0) 0, portanto m = 2.

2.4. Mtodos iterativos, erro, convergncia e paragem


A maior parte dos mtodos numricos para a resoluo da equao no linear f(x) = 0 pertence
classe dos mtodos iterativos.
Define-se sequncia de nmeros, { xk }

k = 1, 2, ,

como sendo uma transformao do conjunto dos

inteiros positivos no conjunto dos reais. O nmero real associado a k designado por xk. Uma
sequncia diz-se definida por iterao se a funo F (na expresso em baixo) independente de k.
A sequncia resultante
x k = F(x k1 , ...)
chama-se sequncia iterativa gerada por F.
Este processo iterativo gera uma sucesso de aproximaes xk, cada uma com erro associado,
ek = a - x k
sendo a um ponto fixo da equao, isto , a = F(a).
- 56 -

Captulo 2. Mtodos Numricos


A sequncia iterativa diz-se convergente se
lim x k =

ou seja,
lim ek = 0.

Um mtodo iterativo definido por uma equao iterativa, com a qual se constri aproximaes
soluo do problema. A implementao da equao iterativa obriga ao conhecimento de uma
aproximao inicial e definio de um conjunto de condies que garantam que a aproximao
calculada, numa certa iterao, se encontra suficientemente prxima da soluo. Quando estas
condies forem verificadas, pode-se parar o processo. Desta forma, antes de se iniciar o processo
iterativo, deve-se ter resposta para as seguintes questes:
1. Interessa saber se o mtodo iterativo converge ou no para a soluo procurada. Desta forma,
devem ser analisadas as condies necessrias e/ou suficientes de convergncia do mtodo.
2. Tendo a garantia da convergncia do mtodo, deve-se saber qual a razo de convergncia:
seja {xk} uma sucesso convergente para a; se existirem constantes positivas P e C tais que,

xk+1
P
k x
k
lim

= C

ento diz-se que a sucesso {x k} convergente para a de ordem P com uma constante de
convergncia assimpttica igual a C:
a) P = 1, convergncia linear/1 ordem (C < 1); dgitos ganhos por iterao: constante.
b) P > 1, convergncia superlinear; dgitos ganhos por iterao: aumenta.
c) P = 2, convergncia quadrtica/2 ordem; dgitos ganhos por iterao: duplica.
Quanto maior for a ordem de convergncia de um mtodo iterativo menor ser, em princpio,
o nmero de iteraes necessrias para atingir uma dada preciso.
No entanto a rapidez depende tambm do esforo computacional requerido em cada iterao.
3. A implementao de um mtodo iterativo exige a realizao de um nmero infinito de
operaes para se chegar soluo. No entanto, face aos recursos limitados disponveis, o
processo iterativo tem de ser terminado aps um nmero finito de operaes. Esta paragem
tem de ser feita com a ajuda de condies que, sendo verificadas, do melhor garantia de
que se est perto da soluo. O valor obtido na ltima iterao a melhor aproximao
calculada. Estas condies definem o que designado por critrio de paragem de um processo
iterativo.
Os mtodos para resolver o problema f(x) = 0 podem ser classificados em dois grandes grupos: os
mtodos de encaixe e os mtodos de intervalo aberto.

- 57 -

Captulo 2. Mtodos Numricos


Os primeiros caracterizam-se por definir, em cada iterao, um intervalo que contm a raiz e
construir, para a iterao seguinte, outro intervalo encaixado neste e que continue a conter a raiz.
Os intervalos, como aparecem encaixados uns nos outros, tm amplitudes sucessivamente menores.
Como exemplos de mtodos de encaixe so o da Bisseco e o da Falsa Posio.
No grupo dos mtodos de intervalo aberto no necessrio definir um intervalo que contenha a
raiz. O processo iterativo pode ser iniciado com uma nica aproximao raiz, ou mesmo duas. A
convergncia destes mtodos depende dos valores iniciais atribudos na primeira iterao. Deste
grupo de mtodos fazem parte o do Ponto Fixo, o de Newton-Raphson e o da Secante.
Independentemente do mtodo utilizado, muitas vezes possvel obter um majorante para o
erro.
Teorema:
Seja a a raiz exata e xk um valor aproximado da raiz da equao
f(x) = 0 com a, xk [a, b].
Se f(x) for diferencivel em [a, b] e |f'(x)| m > 0, x [a, b]
ento,

x k

f (xk )
m

Demonstrao:
Pelo teorema do Valor Mdio,
f () f (x k )
x k

f '(), ( , x k )

aplicando mdulo,

x k

f (xk )
f ' ()

(f(a) = 0)

e portanto,

x k

f (xk )
m

(fazendo m = |f'()|.

Nota:
Neste texto, apenas sero abordados os mtodos iterativos ou de aproximaes sucessivas.

- 58 -

Captulo 2. Mtodos Numricos

2.5. Localizao e separao das razes


Conhecer uma aproximao inicial necessrio para aplicar um mtodo iterativo na resoluo de
uma equao no linear. Alm disto, para certos mtodos, para haver convergncia a aproximao
inicial deve estar suficientemente prxima da raiz. Deste trabalho de anlise feito priori depende
do sucesso na resoluo numrica do problema proposto. Desta forma, antes de se aplicar um
mtodo iterativo para resolver a equao f(x) = 0, necessrio obter uma aproximao inicial, o
que exige a separao das possveis razes em intervalos to pequenos quanto possvel.
O mtodo mais prtico consiste em analisar a representao grfica de f(x), ou da combinao
dos termos que formam a sua expresso analtica. Se o grfico de f pode ser esboado facilmente,
ento so obtidas geometricamente estimativas para os zeros. Se a equao f(x) = 0 pode ser
escrita na forma g(x) = h(x) onde g e h so facilmente representadas graficamente, os pontos a tais
que g(a) = h(a) verificam f(a) = 0.
Por exemplo, para f(x) = |x| - ex, primeiro, verificamos que

existe um ponto de interseo de |x| com ex no intervalo (-1, 0). Depois, confirmamos essa
observao, com base em dois resultados:
1. Se f(x) uma funo real e contnua em [a, b], sendo a e b nmeros reais, tendo f(a) e f(b)
sinais contrrios (f(a).f(b) < 0), ento existe pelo menos uma raiz real entre a e b.
2. Se f'(x) existe, contnua e mantm o sinal no intervalo (a, b), ento a raiz nica.
Para o exemplo: f(x) C((-1, 0))
f(-1) = 0.632 > 0 e f(0) = -1 < 0
f'(x) = -1 ex < 0 em todo o intervalo (-1, 0)
Chamam-se nmeros de Rolle da equao f(x) = 0, definida em D R, ao conjunto dos pontos
fronteira de D e dos zeros da funo derivada de f. Ordenados por ordem crescente, entre dois
nmeros de Rolle consecutivos existe no mximo uma raiz real da equao.

- 59 -

Captulo 2. Mtodos Numricos

2.6. Estimativa para o erro de truncatura


Seja { xk }

k = 1,2,...,

uma sequncia de aproximaes convergindo para uma raiz real simples a de

f(x) = 0, obtidas usando um mtodo iterativo. Deduz-se uma expresso que d um limite para o erro
na aproximao xk para a.
Pelo teorema do valor mdio, f ( x k ) f () = (x k ) f ' (k ),

f (x k )
sendo k min {x k , }, max {x k , } . Ento, k = x k verifica k =
.
f ' (k )

Se f contnua em [a, b] contendo a e f'(a) 0 ento existe Nr(x) = [ a - r, a + r ] [a, b] tal


que x Nr(a). Alm disso, existe uma constante M 1 > 0 sendo |f'(x)| M1 para x Nr(a). Dado que
{ xk } converge para a existe k' tal que se k > k' , |xk a | < r, e consequentemente |k a| < r, isto
, k Nr(a) . Donde,
k

f (xk ).
M1

2.7. Critrios de paragem


Note-se que h duas possveis interpretaes computacionais para o problema posto com a
equao f(x) = 0. Uma calcular um valor x k muito prximo de a onde f(a) = 0. Outra calcular xk
tal que |f(xk)| muito pequeno (muito prximo de zero).
Assim, os algoritmos de mtodos iterativos para calcular uma raiz de f(x) = 0 envolvem trs
parmetros de paragem: 1, 2 e kmax. O efeito parar o processo aps o clculo de x k quando

xk xk1 1 xk (ou xk xk1 1 )

ou

f (xk ) 2

ou k = kmax.

O primeiro parmetro, e1, serve para verificar a proximidade de xk em relao a a (um zero da
funo), o segundo, e2, para verificar se f(xk) est prximo de 0 (f(xk) 0), e o terceiro, k, para
controlar o nmero de iteraes (se atingiu o nmero mximo de iteraes predefinido, kmax).

2.8. Aplicao dos mtodos iterativos


Na aplicao de um mtodo iterativo, deve ter-se em conta as seguintes quatro questes:
1. Estimativa inicial: como escolher x0 ?
2. Convergncia de { xk }: convergente ? converge para uma soluo?
3. Critrio de paragem (um dos trs, dois dos trs ou os trs): x k prximo de s ? f(xk) prximo
de 0 ? Nmero de iteraes ?
4. Rapidez de convergncia: quantas iteraes so necessrias ?

- 60 -

Captulo 2. Mtodos Numricos

2.9. Mtodo da Bisseco


2.9.1. Frmula geral
Este mtodo baseado no teorema do valor intermdio e consiste no seguinte: partindo de um
intervalo (a, b) que contm a raiz, construir uma sucesso de intervalos, sendo cada um deles o
semi-intervalo do anterior que contm a raiz.

Seja [a, b] D e f(a).f(b) < 0. Ento, (a, b) contm uma raiz real de f(x) = 0. Seja I 0 = [a, b] e x0
o ponto mdio de I0. Se f(a).f(x0) < 0 ento (a, x 0) contm uma raiz. Se f(a).f(x 0) > 0 ento (x0, b)
contm uma raiz. Suponha-se que f(a).f(x 0) < 0. Seja I1 = [a, x0] e seja x1 o ponto mdio de I1. Se
f(a).f(x1) < 0 ento (a, x1) contm uma raiz. Se f(a).f(x1) > 0 ento (x1, x0) contm uma raiz.
2.9.2. Algoritmo para o mtodo da Bisseco
Objetivo: Calcular uma raiz real de f(x) em [a,b] a (a,b)
Parmetros de entrada: a, b, e1, e2 R+, kmax N e f(a).f(b) < 0
fa f(a)
k0
repita
m (a + b) / 2
fm f(m)
se fa.fm < 0 ento { a (a, m) }
bm
seno { a (m, b) }
am
fa fm
kk+1
se (|a b| < e1) ou (|fm| < e2) ou (k > kmax) ento interromper
fimrepita

- 61 -

Captulo 2. Mtodos Numricos


{ a (a, b) e |a b| < e1 ou |fm| < e2 ou k > kmax }
Note-se que:
S necessrio calcular o valor de f(x) uma vez por iterao.
Em aritmtica de reais extremamente improvvel atingir o valor exato da raiz, pelo que no
vale a pena testar a igualdade.
A sequncia de sub-intervalos {(ak, bk)} foi representada pelos sucessivos valores das variveis
a e b.
Para um dado erro absoluto e, em cada iterao k, utilizou-se o teste:

bk ak
2

de modo a que o erro cometido seja inferior semi-amplitute do intervalo.


Deste modo, sendo ck os sucessivos pontos mdios,

c1

b a
2

; c 2

b a
2

; ... ; cn

b a
2n

o que nos permite estimar o nmero n de iteraes necessrias, para garantir uma aproximao da
raiz com um erro absoluto mximo de e:
b a
2n

ou seja,
ln
2n

b a
n
1

b a
1
ln 2

Por exemplo, o mtodo da bisseco aplicado equao


f(x) = |x| - ex, com e1 = 10-6
e tomando [a, b] = [-1, 0] produziu os seguintes resultados:
k

ak

bk

ak

bk

1
2
3
4
5
6
7
8
9
10

-1.000000
-1.000000
-0.750000
-0.625000
-0.625000
-0.593750
-0.578125
-0.570313
-0.570313
-0.568359

0.000000
-0.500000
-0.500000
-0.500000
-0.562500
-0.562500
-0.562500
-0.562500
-0.566406
-0.566406

11
12
13
14
15
16
17
18
19
20

-0.567383
-0.567383
-0.567383
-0.567261
-0.567200
-0.567169
-0.567154
-0.567146
-0.567146
-0.567144

-0.566406
-0.566895
-0.567139
-0.567139
-0.567139
-0.567139
-0.567139
-0.567139
-0.567142
-0.567142

- 62 -

Captulo 2. Mtodos Numricos


A raiz da equao em estudo encontra-se em (-0.567144, -0.567142). O ponto mdio deste
intervalo -0.567143 um valor aproximado da raiz com um erro absoluto que no excede 10 -6. O
processo parou na iterao k = 20, em que
b a
2n

= 0.00000095,

ou seja,
ln
n

b a
1
ln 2

= 19.931569.

As vantagens do mtodo da Bisseco so:


converge sempre (desde que exista raiz no intervalo inicial);
possibilidade de prever um majorante para o erro cometido ao fim de um certo nmero de
iteraes;
custo computacional de cada iterao muito baixo.
As desvantagens do mtodo da Bisseco so:
A maior desvantagem reside no facto da sua convergncia ser muito lenta (muitas iteraes)
quando comparada com a dos outros mtodos. A ordem de convergncia do mtodo da
Bisseco linear, com constante igual a 1/2.

2.10. O mtodo da Falsa Posio (ou da Corda Falsa)


2.10.1. Frmula geral
Este mtodo pode ser encarado como um melhoramento do mtodo da Bisseco.
Em vez de se determinar o ponto mdio, determinado um ponto ck como a interseo da
secante que passa pelos pontos (ak, f(ak)) e (bk, f(bk)) com o eixo dos XX.

- 63 -

Captulo 2. Mtodos Numricos


A partir da equao da secante,
f (bk ) f (ak )

y f (bk ) =

bk ak

( x b k )

e fazendo y = 0 obtm-se,
c k = bk

f (bk )
f (b k ) f (ak )

( bk ak )

Note-se que os sucessivos clculos desta frmula no provocam efeitos de cancelamento


subtrativo pois f(bk) e f(ak) tm sinais contrrios.
2.10.2. Algoritmo para o mtodo da Falsa Posio
Objetivo: Calcular uma raiz real de f(x) em [a,b] a (a,b)
Parmetros de entrada: a, b, e1, e2 R+, kmax N e f(a).f(b) < 0
fa f(a)
k0
repita
m = b

f (b)
(b a )
f (b) f (a)

fm f(m)
se fa.fm < 0 ento { a (a, m) }
bm
seno { a (m, b) }
am
fa fm
kk+1
se (|a b| < e1) ou |fm| < e2) ou (k > kmax) ento
interromper
fimrepita
{ a (a, b) e |a b| < e1 ou |fm| < e2 ou k > kmax }

2.11. Mtodo do Ponto Fixo


2.11.1. Frmula geral
Pretende-se determinar a soluo a de uma equao no linear da forma,
x = g(x).
Dada uma equao na forma f(x) = 0 sempre possvel fazer,
x = x + f(x), em que g(x) = x + f(x).
- 64 -

Captulo 2. Mtodos Numricos


Mais geralmente pode-se considerar,
g(x) = x + c(x).f(x)
onde c(x) uma funo contnua, no nula e limitada no intervalo [a,b], contendo a raiz a de f(x).
Definio:
Um ponto fixo de uma funo g(x) um nmero real a tal que a = g(a).
Dada uma aproximao inicial x0 [a, b], o mtodo do Ponto Fixo consiste numa sucesso de
aproximaes { xk } a tal que,
xk+1 = g(xk) , k = 0, 1, 2, ...
Geometricamente, os pontos fixos de uma funo y = f(x) so os pontos de interseco de
y = g(x) com y = x.

Assim, se f(x) = 0 x = g(x), determinar a raiz de f(x) = 0 em [a, b] o mesmo que procurar o
ponto fixo de g(x) em [a, b].
Por exemplo, o clculo de (a) consiste na sucesso de aproximaes:
x k+1 =

1 a
+ xk
2 xk

Experimente-se para a = 16, comeando com x0 = 10:


0 10.00000000
1

5.80000000

4.27931034

4.00911529

4.00001036

4.00000000

- 65 -

Captulo 2. Mtodos Numricos


O mtodo utilizado tem por base a equao,
x = g (x ) =

1 a
+x
2 x

que equivalente a x2 = a e consiste na pesquisa de um ponto fixo da funo g(x).


Para a = 16 a funo g(x) tem dois pontos fixos, em x = 4 e x = -4.
E se partir-se de uma estimativa inicial negativa, o mtodo encontra a raiz negativa de 16.
0 -10.00000000
1 -5.80000000
2 -4.27931034
3 -4.00911529
4 -4.00001036
5 -4.00000000
Como funciona ?
A partir de uma aproximao inicial x 0, uma sucesso de aproximaes da forma x k+1 = g(xk)
converge para um ponto fixo da funo g(x).

Porque funciona ?
Teorema:
Seja g(x) uma funo contnua e {x k} uma sucesso de aproximaes gerada pelo mtodo do
Ponto Fixo xk+1 = g(xk). Se lim x k = ento a um ponto fixo de g(x).
k

Quando existe ponto fixo ?


Teorema:
Seja g(x) C([a, b]). Se para todo o x [a, b], se verifica que g(x) [a, b] (isto , se g for uma
contrao) ento g(x) tem pelo menos um ponto fixo em [a, b].

- 66 -

Captulo 2. Mtodos Numricos


Quando nico o ponto fixo ?
Teorema:
Se g'(x) est definida em [a, b] e existe uma constante positiva L < 1, com |g'(x)| L < 1 para
todo o x [a, b], ento g(x) tem um nico ponto fixo em [a, b].
2.11.2. Convergncia
Quando converge o mtodo do ponto fixo?
Teorema do Ponto Fixo:
Sejam g(x), g'(x) C([a, b]):
g(x) [a, b] para todo o x [a, b],
|g'(x)| < 1

para todo o x [a, b],

x0 [a, b].
Ento a sucesso { xk } gerada por xk+1 = g(xk), k = 0, 1, 2, ...
converge para o nico ponto fixo a [a, b].
Como converge o mtodo do ponto fixo ?
Convergncia montona quando 0 < g'0(x) < 1:

- 67 -

Captulo 2. Mtodos Numricos


Convergncia oscilante quando -1 < g'0(x) < 0 :

Quando diverge o mtodo do ponto fixo ?


Teorema:
Seja g : D R R. Se g, g' C(D), g(x) com um ponto fixo a [a, b] D, |g'(x)| > 1 para todo
o x D, x0 [a, b] (com x0 a). Ento a sucesso { x k } gerada por xk+1 = g(xk), k = 0, 1, 2, ... ,
no converge para o ponto fixo a [a, b].
Como diverge o mtodo do ponto fixo ?
Divergncia montona quando g'(x) > 1:

- 68 -

Captulo 2. Mtodos Numricos


Divergncia oscilante quando g'(x) < -1 :

Quando converge, qual a ordem de convergncia do mtodo do ponto fixo ?


Consideremos que g(x), g'(x) C([a, b]) e que o mtodo do ponto fixo convergente para a.
1) No caso de g'(a) 0, e como |g'(a)| < 1, ento o mtodo do ponto fixo apresenta ordem de
convergncia linear sendo |g'(a)| a constante assimpttica de convergncia.
2) Para o caso de g'(a) = 0 e g''(a)
0, o mtodo do ponto fixo apresenta ordem de
convergncia quadrtica sendo |g''(a)|/2 a constante assimpttica de convergncia.
3) De um modo geral, assumindo que g(x) Cn([a, b]), se
g'(a) = g''(a) = ... = g(n-1)(a) = 0 , mas g(n)(a) 0
prova-se que o mtodo do Ponto Fixo apresenta ordem de convergncia n.
2.11.3. Algoritmo do mtodo do Ponto Fixo
Majorao do erro:

xn+1

1 L
x n+1 x n
L

Critrio de paragem:
n+1 =

1 L
x n+1 x n 1
L

xn+1

Objetivo: Calcular raiz real simples de f(x) = 0,


Parmetros de entrada: x0, e1, kmax e a garantia de convergncia
k0
repita
kk+1
x1 g(x0)

= x 1 x 0

x0 x1
- 69 -

Captulo 2. Mtodos Numricos


se (d e1) ou (k = kmax) ento interromper
fimrepita
2.11.4. Exemplo
Determinar, com um erro absoluto inferior a 5x10 -5, o zero da funo f(x) = 1 + x + e x no
intervalo [-2, -1].
k

xk

xk+1 = g(xk)

-2.00000

-1.13534

+5.0 x 10-1

-1.13534

-1.32131

+1.1 x 10-1

-1.32131

-1.26678

+3.2 x 10-2

-1.26678

-1.28174

+8.7 x 10-3

-1.28174

-1.27756

+2.4 x 10-3

-1.27756

-1.27872

+6.8 x 10-4

-1.27872

-1.27839

+1.9 x 10-4

-1.27839

-1.27848

+5.2 x 10-5

-1.27848

-1.27846

+1.5 x 10-5

2.12. Mtodo de Newton-Raphson


2.12.1. Frmula geral
Em cada iterao xk, a curva y = f(x)
aproximada pela sua tangente e
a interseo desta com o eixo dos XX
a nova aproximao xk+1.
A equao tangente curva no
ponto (xk, f(xk)) ,
y = f(xk) + f'(xk) (x - xk)
e a sua interseo com o eixo
dos XX determina a nova aproximao,
f (x k )
x k+1 = x k
f ' (x )
k

A partir de uma aproximao inicial x0 esta frmula gera uma sucesso { x k } que, em certos
casos, dever convergir para um zero da funo.
Por exemplo, para a funo f(x) = x2 a,
f (x k )

x 2k a

x k+1 = x k
=x k
f '(x k )
2 xk

1 a
+ xk
2 xk

- 70 -

Captulo 2. Mtodos Numricos


e para o caso particular de a = 16, com a aproximao inicial x 0 = 10,

a sucesso das aproximaes tende para um zero de f(x) = x2 16.


k

xk

0
1
2
3
4
5

10.00000000
5.80000000
4.27931034
4.00911529
4.00001036
4.00000000

2.12.2. Newton-Raphson como caso particular do mtodo do Ponto Fixo


Dada uma equao f(x) = 0, podemos passar para a forma x = g(x) atravs da relao,
g(x) = x + c(x) f(x)
onde c(x) uma funo contnua, no nulo e limitada no intervalo [a,b], contendo a raiz a de f(x).
Pretendemos definir c(x) de modo a que o mtodo do Ponto Fixo (no caso de convergir) tenha
uma ordem de convergncia pelo menos quadrtica.
Assumindo que f(x) e c(x) so diferenciveis em [a, b],
g'(x) = 1 + c'(x) f(x) + c(x) f'(x)
e calculando no ponto a,
g'(a) = 1 + c'(a) f(a) + c(a) f'(a).
Para que a convergncia seja quadrtica, devemos ter g'(a) = 0. E como f(a) = 0 ento,
c () =

1
f ' ()

Assim, basta escolher,


c (x) =

1
f ' (x)

assumindo que f'(x) 0 em todo o intervalo [a, b].

- 71 -

Captulo 2. Mtodos Numricos


Substituindo, temos a nova forma,
g (x) = x f

( x)
f '( x)

que corresponde ao mtodo de Newton-Raphson,


f (x k )
x k+1 = x k
, k =0, 1,2, ...
f '(x )
k

e que, por esta construo, se convergir quadrtico.


2.12.3. O mtodo de Newton-Raphson a partir da srie de Taylor
Suponha-se que f C2([a, b]), que o Mtodo de Newton-Raphson convergente e considere-se o
desenvolvimento de Taylor de ordem 1 em torno de xk :

f ( x) = f (x k ) + f ' (x k ) xx k +

f ' '( k )
2

( x xk ) ,

k (x , x k )

Calculando em x = a,

0 = f () = f (x k ) + f ' (x k ) x k +

f ' '( k )
2

( xk ) ,

k ( , x k )

donde,

)(

f (x k )
f ' '( k )
2
= xk

x k
f '(x k )
2f '( x k )

e assim obtemos a nova aproximao xk+1 e o erro cometido.


Note-se que assumiu-se que |a - xk| pequeno, para todo o k, incluindo a aproximao inicial k=0.
2.12.4. Ordem de convergncia do mtodo de Newton-Raphson
Teorema:
A razo de convergncia do mtodo de Newton-Raphson dois (convergncia quadrtica).
Prova-se, pela expresso anterior,
x k+1 =

f ' ' (k )
2 f ' (x k )

( xk )2

que, no caso de o mtodo convergir,

xk+1
2
k x
k
lim

f ' ' ()
2 f ' ()

e a convergncia quadrtica com constante de convergncia assimpttica igual a

- 72 -

1 f ' ' ()

2 f ' ()

Captulo 2. Mtodos Numricos


Observao:
Se o zero de f no for simples a ordem de convergncia do mtodo degrada-se. Mostra-se que,
no caso dos de multiplicidade 2 a convergncia apenas linear.
2.12.5. Um majorante do erro absoluto
Pela expresso anterior,
x k+1 =

f ' ' (k )
2 f ' (x k )

( x k )2 , k , x k

tem-se

ek+1 =

f ' '( k )
2f '( x k

e k 2

Se identificar-se um majorante da segunda derivada


M 2 f ' '( x) , x [a, b]
e um minorante da primeira derivada, para todo o intervalo,
0 < m1 f '( x) , x [a, b]
simples calcular

ek+1

M2
2m1

ek 2.

2.12.6. Uma estimativa do erro absoluto


Assumindo que f C([a, b]) e que o Mtodo de Newton-Raphson convergente, pelo Teorema do
Valor Mdio,
f (x k ) f ()
x l

= f '(k ), k , x k

donde, assumindo ainda que f ' (x) 0, x , x k

x k =

f (x k )
f ' ( k )

Por outro lado, da expresso do prprio mtodo,


x k x k+1 =

f (x k )
f '(x k )

Para k suficientemente grande, xk+1 a, donde, k xk, e portanto,


x k x k+1 x k
Assim, podemos estimar,

ek xk+1 xk
- 73 -

Captulo 2. Mtodos Numricos


Em termos algortmicos, mais cmodo calcular,

ek1 xk xk1
De facto, para o exemplo anterior
k

xk

|ek|

|ek-1|

|xk - xk-1|

0
1
2
3
4
5

10.00000000
5.80000000
4.27931034
4.00911529
4.00001036
4.00000000

6.00000000
1.80000000
0.27931034
0.00911529
0.00001036
0.00000000

6.00000000
1.80000000
0.27931034
0.00911529
0.00001036

4.20000000
1.52068966
0.27019506
0.00910492
0.00001036

2.12.7. Critrios de convergncia do mtodo de Newton-Raphson


Teorema:
Seja f C2([a, b]). Se
(i) f(a).f(b) < 0
(ii)

f'(x) 0 para todo o x [a, b]

(iii) f''(x) no muda de sinal em [a, b]


(iv)


f (a)
f ' (a)

< b a e

f (b)
< b a
f ' (b)

Ento para qualquer x0 [a, b], a sucesso { xk } gerada pelo mtodo de Newton-Raphson
converge para o nico zero de f em [a, b].
Observaes:
(i) + (ii) garantem a existncia de uma s soluo em [a, b];
(ii) + (iii) garantem que a funo montona, convexa ou cncava;
(iv) garante que as tangentes curva em (a, f(a)) e (b, f(b)) intersetam o eixo dos XX em (a, b).
2.12.8. Algoritmo para o mtodo de Newton-Raphson
Objetivo: Calcular raiz real simples de f(x) = 0
Parmetros de entrada: x0, e1, e2, kmax e garantia de convergncia
k0
f0 f(x0)
repita
d f0 / f'(x0)
x1 x0 d
kk+1
x0 x1

- 74 -

Captulo 2. Mtodos Numricos


f0 f(x1)
se (|d| < e1|x0|) ou (|f0| < e2) ou (k = kmax) ento
interromper
fimrepita
2.12.9. Vantagens e desvantagens do mtodo de Newton-Raphson
Vantagens:
Quando converge, tem convergncia quadrtica.
Necessita apenas de um ponto, para estimativa inicial.
Desvantagens:
Exige uma boa aproximao inicial. Caso contrrio pode divergir, ou encontrar outra raiz.
Exige o clculo da derivada em cada iterao, o que pode ser lento ou mesmo impossvel.
Exige que a derivada (no denominador) nunca se anule. Note que, mesmo para valores da
derivada prximos de zero, a interseco da tangente com o eixo dos XX um ponto muito
afastado...
2.12.10. Alguns casos patolgicos do mtodo de Newton-Raphson
Para a funo f(x) = x3 2x + 2, se escolhermos x0 = 0, o mtodo calcula x1 = 1, gerando a
sucesso de aproximaes: 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, ...
Para a funo f ( x) =
Para a funo f ( x) =

x o mtodo gera uma sucesso tal que, xk+1 = - 2 xk


x, obtm-se xk+1 = - xk de modo que, para qualquer

x 0 , o mtodo gera a

sucesso: x0 , - x0 , x0 , - x0 , x0 , - x0 ,
Todo o ponto de inflexo provoca um afastamento da raiz.
...

2.13. Mtodo da Secante


Uma desvantagem da utilizao do mtodo de Newton-Raphson a necessidade de calcular a
derivada da funo envolvida. Quando a expresso da derivada complexa e o clculo de valores
da derivada pouco eficiente, quando comparado com o clculo de valores da funo, o uso do
mtodo da Secante poder ser preferido ao do mtodo de Newton-Raphson.
2.13.1. Forma geral
Para calcular a raiz da equao f(x) = 0, o mtodo da Secante baseia-se na aproximao de f(x)
por uma reta, na vizinhana da raiz. O ponto de interseo da reta com o eixo dos XX considerado
como aproximao raiz de f(x) = 0. Se ainda estiver longe da soluo a, o processo repetido
iterativamente.
- 75 -

Captulo 2. Mtodos Numricos


Para iniciar o processo iterativo so escolhidos dois pontos x 0 e x1. O intervalo definido por eles
no necessita de conter a raiz. O ponto de interseo da reta, que passa pelos dois pontos, com o
eixo dos XX obtm-se a partir da equao iterativa, cuja sua forma geral

x k x k1 f (x k )
x k+1 = x k
,
f (x k ) f (x k1)

k=1, 2, ....

Embora sejam necessrios dois pontos para iniciar o processo iterativo, apenas um novo ponto e
o correspondente valor da funo so calculados em cada iterao. O grfico seguinte ilustra este
processo iterativo.

Uma vez que podem ocorrer situaes de overflow, se numa iterao f(x k) f(xk-1), aconselhase a implementao da seguinte frmula:

x k1 x k

x k+1 = x k
1

f (x k )

) f(x

k1

f (x k )

f (x k1 )

em vez da frmula anterior, caso o valor de |f(x k-1)| seja superior a |f(x k)|; seno, trocam-se os
valores de xk por xk-1, bem como os correspondentes valores da funo, antes de utilizar esta
ltima frmula.
2.13.2. Exemplo
Determinar aproximaes para a raiz real da funo x 3 2x 5 = 0, tomando como aproximaes
iniciais os pontos x0 = 3 e x1 = 2. Usando o mtodo da Secante, foi calculada a seguinte
sequncia de iteraes convergindo para a raiz real daquela funo:
x2 = 2.058824,
x3 = 2.096559,
- 76 -

Captulo 2. Mtodos Numricos


x4 = 2.094511,
x5 = 2.094511,
x6 = 2.094552,
x7 = 2.094552.
2.13.3. Convergncia
Para que a sequncia gerada por este mtodo convirja para uma raiz real simples de f(x) , em
geral, necessrio que as aproximaes iniciais, x0 e x1, estejam suficientemente prximas da raiz.
Teorema:
Seja f C2([a,b]) e a uma raiz simples de f(x) = 0 em [a,b]. Ento existe r > 0 tal que a sequncia
{ xk }

k = 2,3,...

gerada pelo mtodo da Secante converge sempre que |x i - a| < r (i = 0,1).

As condies do teorema anterior (relacionado com a convergncia do mtodo de NewtonRaphson) so tambm suficientes para estabelecer convergncia para o mtodo da Secante.
Teorema:
Seja f C2([a,b]). Se (i), (ii), (iii) e (iv) do teorema sobre convergncia do mtodo de NewtonRaphson se verificam, ento para x0, x1 [a,b] a sequncia gerada pelo mtodo da Secante
converge para a nico zero de f em [a,b].
Ordem de convergncia do mtodo da Secante
Teorema:
A ordem de convergncia deste mtodo ((1+(5))/2) = 1.618... (convergncia superlinear).
2.13.4. Algoritmo do mtodo da Secante
Objetivo: Clculo de uma raiz real simples de f(x) = 0,
Parmetros de entrada: x0, x1, e1, kmax e garantia de convergncia
k0
f0 f(x0)
f1 f(x1)
repita
se |f1| > |f2| ento
trocar(x0, x1)
trocar(f0, f1)
d ( (x0 x1) (f1/f0) / (1 f1/f0) )
x2 x1 d

- 77 -

Captulo 2. Mtodos Numricos


kk+1
x0 x1
x1 x2
f0 f1
f1 f(x2)
se (|d| < e1|x1|) ou (k = kmax) ento interromper
fimrepita

3. Equaes lineares
Neste captulo ser abordado o problema de resoluo de sistemas de equaes lineares, o qual
um dos problemas que na prtica ocorre com maior frequncia. Os mtodos para resolver este
tipo de problemas so classificados em duas classes: mtodos diretos e mtodos iterativos. Neste
documento, apenas sero abordados com mais detalhe os mtodos iterativos.

3.1. O problema da resoluo de um sistema linear


Pretende-se calcular a soluo de um sistema de equaes lineares, cuja forma geral ,

a11 x 1 + a12 x 2 + ... + a1n x n = b1


a21 x 1 + a22 x 2 + ... + a2n x n = b 2
...
an1 x 1 + an2 x 2 + ... + ann x n = b n

onde
x1, x2, ..., xn so as incgnitas do sistema,
aij (i, j = 1,2, ..., n) so os coeficientes do sistema,
b1, b2, ..., bn so os segundos membros do sistema.
Problema:
Pretende-se determinar valores para x1, x2, ..., xn de modo que as n equaes do sistema em
cima seja satisfeitas simultaneamente.
O sistema pode tambm escrever-se na sua forma matricial
Ax=b
onde,

] [] []

a11 a12 ... a1n


a21 a22 ... a2n
A =
,
... ... ... ...
an1 an2 ... ann

x1

x =

x2

...
xn

b1

b =

- 78 -

b2

...
bn

Captulo 2. Mtodos Numricos


sendo A = (aij) a matriz dos coeficientes, b = (bi) o vetor dos termos independentes e x = (xi) o vetor
das incgnitas.
Definio:
Diz-se que um sistema de equaes lineares determinado se tem uma nica soluo.
Teorema:
Um sistema de equaes lineares (escrito na sua forma matricial) determinado se e s se
verificar qualquer uma das duas condies (equivalentes):
1) A-1 (inversa de A) existir (A invertvel)
2) det A 0
Nota:
Ao longo deste documento ser assumido que os sistemas de equaes considerados tm soluo
nica.

3.2. Mtodos diretos


Teoricamente, os mtodos diretos permitem calcular a soluo exata com um nmero finito de
operaes aritmticas bsicas. No entanto, na prtica isto no bem assim, pois, devido
acumulao de erros de arredondamento, ao cancelamento subtrativo, etc., estes mtodos
permitem apenas calcular uma soluo aproximada.
Exemplos de mtodos diretos so a Regra de Cramer, Eliminao de Gauss, Decomposio LU e
Mtodo de Choleski.

3.3. Mtodos iterativos


Teoricamente, nos mtodos iterativos a soluo definida como um limite de uma sucesso
(infinita) de vetores. Na prtica, calcula-se apenas um nmero finito de vetores da sucesso, isto ,
calcula-se um um nmero finito de iteraes.
Exemplos de mtodos iterativos so os mtodos de Jacobi e de Gauss-Seidel. Estes mtodos so
apropriados para sistemas de grande dimenso, cuja matriz dos coeficientes dispersa.
Seja
Ax=b

(1)

um sistema de n equaes em n incgnitas.


A matriz A pode ser escrita na forma
A = M N,

(2)

sendo M e N matrizes de ordem n e M invertvel.


Substituindo (2) na expresso (1), obtm-se
(M N) x = b

- 79 -

Captulo 2. Mtodos Numricos


ou
Mx=Nx+b
donde
x = M-1 (N x + b)

(3)

Assim, a soluo de (1) ponto fixo de (3) e reciprocamente.


Note-se que, x, y Rn

M1 (N x + b) M1 (N y + b) = M 1 N (x y) M1 N x y
se a norma de matriz for compatvel com a norma de vetor.
Assim, tem-se o teorema que se segue.
Teorema 1:
Se M1 N < 1 a sequncia definida pela iterao
x k+1 = M 1 ( N x(k) + b ) ,

(k =0,1, ...)

(4)

converge para o ponto fixo de (3) qualquer que seja x(0) Rn.
Teorema 2:
A razo de convergncia do mtodo iterativo definido por (4) igual a 1. A constante de
convergncia menor ou igual a M1 N .
Com algumas escolhas especiais para M e N sero definidos os mtodos que a seguir sero
apresentados (mtodos de Jacobi e de Gauss Seidel).

3.4. Mtodo de Jacobi


3.4.1. Frmula geral
Considerando a matriz dos coeficientes de (1), A = (a ij), definam-se D = (dij) uma matriz
diagonal, L = (L ij) uma matriz estritamente triangular inferior e U = (U ij) uma matriz estritamente
triangular superior, tais que
dij =

aij , se i = j

0,

se i j

, lij =

aij , se i > j
0,

se i j

, uij =

aij , se i < j

0,

se i j

(5)

Ento, A = D + (L + U)
A escolha M = D e N = L + U resulta no mtodo de Jacobi.
Do teorema 1 conclui-se que, se

D1 (L + U) <

(6)

a sequncia definida pela iterao


x(k+1) = D1 ( (L + U) x (k ) + b ),

(k=0,1, ...)

converge para a soluo de (1), qualquer que seja x(0) Rn.


- 80 -

(7)

Captulo 2. Mtodos Numricos


Naturalmente que (6) e (7) pressupem que D invertvel. Mas, sendo A invertvel sempre
possvel por troca de linhas transform-la numa matriz cujos elementos da diagonal so no nulos.
Um caso importante e frequente o dos sistemas dispersos cuja matriz dos coeficientes
estritamente diagonal dominante. A convergncia do mtodo de Jacobi ento garantida.
Teorema 3:
Se a matriz dos coeficientes do sistema Ax = b de n equaes em n incgnitas estritamente
diagonal dominante, ento o mtodo de Jacobi converge.
As componentes da iterao x(k+1) de (7) so dadas por
(k+1)

(k)

= a 'ij x j + b 'i , (i=0,1,2, ... , n)


j=1
j i

onde
a 'ij =

aij

bi
e b 'i =
aii
aii

3.4.2. Algoritmo para o mtodo de Jacobi


Objetivo: resoluo de Ax = b supondo satisfeitas as condies de convergncia
Parmetros de entrada: x(0), e e kmax
para i de 1 at n fazer
xi xi(0)
k0
repetir
para i de 1 at n fazer
yi xi
para i de 1 at n fazer
n

x i b ' i a' ij y j
j=1
ji

kk+1
at ((xy < x ) ou (k =kmax))

- 81 -

(8)

Captulo 2. Mtodos Numricos

3.5. Mtodo de Gauss Seidel


3.5.1. Frmula geral
Considere-se novamente as matrizes D, L e U, definidas em (5). Tem-se A = (D + L) + U. A escolha
M = D + L e N = U d o mtodo de Gauss Seidel.
Sendo
(D + L) x(k+1) = -U x(k) + b, (k = 0, 1, )
obtm-se
x(k+1) = D-1 (-L x(k+1) - U x(k) + b), (k = 0, 1, )

(9)

(D + L)1 U <

(10)

Se
1

a sequncia definida pela iterao (9) converge para a soluo de (1) qualquer que seja x (0) Rn.
Se A for estritamente diagonal dominante garantida a convergncia para o mtodo de Gauss
Seidel qualquer que seja x(0) Rn.
As componentes de x(k+1) de (8) so dadas por
(k+1)

xi

i1

(k+1)

= a 'ij x j
j=1

(k)

j=i+1

a' ij x j

+ b 'i ,

(i=0,1,2, ... , n)

(11)

Para interpretar a diferena entre (11) e (8) note-se que no mtodo de Gauss Seidel, no clculo
da componente i da iterao k+1 so usadas as primeiras i-1 componentes j atualizadas.
3.5.2. Algoritmo para o mtodo de Gauss Seidel
Objetivo: Resoluo de Ax = b supondo satisfeitas as condies de convergncia
Parmetros de entrada: x(0), e e kmax
para i de 1 at n fazer
xi xi(0)
k0
repetir
para i de 1 at n fazer
yi xi
para i de 1 at n fazer
i 1

x i b ' i (a' ij x j )
j=1

j=i+1

(a' ij y j )

kk+1
at ((xy < x ) ou (k =kmax))

- 82 -

Captulo 2. Mtodos Numricos

3.6. Exemplo
Considere-se o seguinte sistema de equaes lineares

7 x1
2 x1

3 x 3

+ x5

= 1

+ 8 x2

= 1
x3

= 1

3 x1

+ 5x 4
x2

= 1
+ 4 x5

2x 4

= 1
+ 6 x6

= 1

A matriz dos coeficientes estritamente diagonal dominante e assim haver convergncia para a
soluo do sistema usando o mtodo de Jacobi ou o de Gauss Seidel.
Tomando x(0) = [1/7 1/8 1 1/5 1/4 1/6]T foram obtidos os seguintes resultados:
Iterao

xi

Mtodo Jacobi

Mtodo Gauss Seidel

1
2
3
4
5
6
1
2
3
4
5
6
1
2
3
4
5
6
1
2
3
4
5
6

0.607143
0.089286
1.000000
0.285714
0.281250
0.233333
0.611607
-0.026786
1.000000
0.564286
0.272322
0.354762
0.610332
-0.027902
1.000000
0.566964
0.243304
0.354762
0.606186
-0.027582
1.000000
0.563712
0.243104
0.355400
...

0.607143
-0.026786
1.000000
0.564286
0.243304
0.354762
0.606186
-0.026547
1.000000
0.563712
0.243363
0.354571
0.606195
-0.026549
1.000000
0.563717
0.243363
0.354572
0.606195
-0.026549
1.000000
0.563717
0.243363
0.354572
...

1
2
3
4
5
6

0.606195
-0.026549
1.000000
0.563717
0.243363
0.354572

-------------

...

10

- 83 -

Captulo 2. Mtodos Numricos

3.7. Eficincia
Se a matriz A em Ax = b (1) tiver p elementos no nulos, ento cada iterao dos mtodos de
Jacobi e Gaus Seidel requer p-n adies/subtraes e pn multiplicaes/divises. Donde, k
iteraes requerem k(pn) adies/subtraes (e multiplicaes/divises). Adicionalmente, no
clculo dos (a')s e dos (b')s tem-se p+n divises.
Definindo
a = p/n2
o nmero 100a d a percentagem de elementos no nulos de A, portanto uma medida da disperso
dos elementos de A. Donde k(pn) = kan2 kn kan2 se n for grande.
No sistema associado ao exemplo dado (3.6) verifica-se que n = 6 e p = 12, logo a = 12/36 = 1/3.

4. Interpolao polinomial
Seja f uma funo real definida em [a, b] R, sendo conhecidos os seus valores nos pontos x 0,
x1, , xn [a, b]. Suponha-se que se pretende calcular o valor no tabulado f(y), sendo y [a, b].
Por exemplo, dada a tabela de valores da funo log10 seguinte
x

log10(x)

2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9

0.32222
0.34242
0.36173
0.38021
0.39794
0.41497
0.43136
0.44716
0.46240

considere-se os seguintes problemas:


calcular log10(2.45);
determinar x tal que log10(x) = 0.4.
Qualquer um destes problemas pode ser resolvido por interpolao. Em linhas gerais, este processo
consiste em obter uma aproximao para o valor que se pretende conhecer representando a
funo f por uma funo simples, a funo interpoladora, que assume os mesmos valores que f
para certos valores do argumento em [a, b].
Um caso particular de interpolao com grande importncia devido ao grande nmero de
aplicaes a interpolao polinomial. Os polinmios interpoladores constituem meios de
aproximao de funes muito usados. Alm disso, frmulas desenvolvidas para interpolao

- 84 -

Captulo 2. Mtodos Numricos


polinomial esto na base do desenvolvimento de muitos mtodos numricos para o clculo de
integrais e resoluo de equaes diferenciais.

4.1. Polinmio interpolador


4.1.1. Definio
Seja f C([a,b]) e xi [a, b] (i = 0, 1, , n). Um polinmio p que assume os mesmos valores que
f nos pontos x0, x1, , xn, isto , que satisfaz
p(xi) = f(xi), (i = 0, 1, , n)
chama-se polinmio interpolador de f nos pontos x0, x1, , xn.
Exemplo:
Considere-se a tabela de log10 anterior. Para se obter estimativas para para log 10(2.45), vai-se
representar log10 por diferentes polinmios interpoladores.
Comear por calcular o polinmio p3 de grau menor ou igual a 3, interpolador de log 10 nos pontos
2.3, 2.4, 2.5 e 2.6. De acordo com a definio anterior ter-se-
p3(2.3) = 0.36173, p3(2.4) = 0.38021, p3(2.5) = 0.39794, p3(2.6) = 0.41497.
Isto , se p3(x) = a0 + a1 x + a2 x2 + a3 x3 ento

a0 +2.3a1+5.29 a2 +12.167 a3 = 0.36173


a0+2.4 a1 +5.76 a2+13.824 a3 = 0.38021
a0 +2.5a1+6.25 a2 +15.625a3 = 0.39794
a0+2.6a1+6.76 a2+17.576a3 = 0.41497

Sendo o sistema possvel e determinado tal polinmio existe e nico. Assim,


p3(x) = -0.33540 + 0.50502 x 0.09750 x2 + 0.00833 x3 ,
o polinmio de grau menor ou igual a 3 interpolando log10 nos pontos 2.3, 2.4, 2.5 e 2.6.
Tem-se ento log10(2.45) p3(2.45) = 0.38916. Sendo log10(2.45) = 0.38916608... o erro na
aproximao calculada no excede 0.7 x10-5.
Problema:
Dado um conjunto de pontos,
(x0, y0), (x1, y1), ..., (xn, yn)
com xi xj para i j, e com i, j = 0, 1, ..., n
determinar uma funo interpoladora f tal que
f(xi) = yi, i = 0, 1, ..., n

- 85 -

Captulo 2. Mtodos Numricos


Por exemplo, dado o conjunto de pontos

duas possveis solues seriam

Terminologia associada a esta problemtica:


Os valores x0, x1, , xn chamam-se ns de interpolao e
os respetivos y0, y1, ..., yn so os valores nodais.
O conjunto { (xi, yi), i = 0, 1, , n } chama-se suporte de interpolao.
{ f(xi) = yi , i = 0, 1, , n } a funo de interpolao nesse suporte.
Existem vrios tipos de funes de interpolao, tais como:
Interpolao polinomial
f(x) = an xn + ... + a1 x + a0
Interpolao trigonomtrica
f(x) = a-M e-iMx + ... + a0 + ... + aM eiMx
onde M um inteiro igual a n/2 se n par e (n-1)/2 se n mpar,
i a unidade imaginria
Interpolao racional
f ( x) =

ak x k + ... + a1 x + a0
ak+1 x n + ... + ak+n x + ak+n+1
- 86 -

Captulo 2. Mtodos Numricos


4.1.2. Polinmios
Um polinmio de grau n uma funo da forma,
pn(x) = an xn + an-1 xn-1 + ... + a1 x + a0 (an 0, para n > 0)
onde a0, a1, , an so os coeficientes reais do polinmio.
O problema da determinao de zeros de um polinmio p pode ser visto como o de calcular as
razes da equao p(x) = 0.
Teorema (Fundamental da lgebra):
Seja p um polinmio de grau n 1 definido pela expresso anterior. Ento, existe a R tal que
pn(a) = 0.
Se a um zero real de pn(x) ento pn(x) = (x a) qn-1(x).
4.1.3. Clculo de valores de um polinmio
Como calcular o valor de um polinmio num dado ponto ?
Seja p um polinmio de grau n de coeficientes reais definido por
pn(x) = an xn + an-1 xn-1 + ... + a1 x + a0 (an 0, para n > 0).
Pretende-se calcular pn(y), y R. Ao usar-se
pn(y) = an yn + an-1 yn-1 + ... + a1 y + a0 ,
sero efetuadas n adies/subtraes e 2n-1 multiplicaes/divises.
Mas pn(x) pode ser escrita na forma
pn(x) = ((...(an x + an-1) x + ... + a2) x + a1) x + a0 ,
que representa a chamada forma encaixada do polinmio e a base do mtodo de Horner para o
clculo de valores do polinmio. Neste caso, o clculo de p n(a) requer n adies/subtraes e n
multiplicaes/divises.
Por exemplo,
p3(x) = a3 x3 + a2 x2 + a1 x + a0

{ n + (n-1) + ... + 2 + 1 = n (n+1) / 2 = 6 multiplicaes }

p3(x) = ((a3 x + a2) x + a1) x + a0

{ n = 3 multiplicaes }

Algoritmo:
{ Objetivo: clculo do valor de pn(x) = ((...(an x + an-1) x + ... + a2) x + a1) x + a0 }
{ parmetros de entrada: a0, a1, ..., an , z R }
{ parmetros de sada: polinomio = ((...(an z + an-1) z + ... + a2) z + a1) z + a0 }
polinomio an
para k desde (n-1) at 0 fazer
polinomio polinomio * z + ak
- 87 -

Captulo 2. Mtodos Numricos


Complexidade:
n multiplicaes e n adies
Algoritmo (mtodo de Horner):
{ Objetivo: calcular pn(z), valor de um polinmio de grau n no ponto z }
{ parmetros de entrada: a0, a1, ..., an, z R }
{ parmetros de sada: c0 = pn(z) }
c n an
para k desde (n-1) at 0 fazer
ck ak + z ck+1
{ c0 = pn(z) }
Exemplo (mtodo de Horner):
Calcular p5(x) = x5 - 6 x4 + 8 x3 + 8 x2 + 4 x 40, para x = 3
c 5 = a5

=1

c4 = a4 + 3 c5 = -6 + 3

= -3

c 3 = a3 + 3 c 4 = 8 9

= -1

c 2 = a2 + 3 c 3 = 8 3

=5

c1 = a1 + 3 c2 = 4 + 15

= 19

c0 = a0 + 3 c1 = -40 + 57 = 17
Logo, p5(3) = c0 = 17.
Seja
pn(x) = an xn + an-1 xn-1 + ... + a1 x + a0
um polinmio de grau n e z um nmero real. Ento.
pn(x) = (x z) qn-1(x) + r
onde q um polinmio de grau n-1 e r uma constante (r = 0 se e s se z um zero de p).
Seja
qn-1(x) = bn-1 xn-1 + bn-2 xn-2 + ... + b1 x + b0 .
Ento, a expresso pn(x) = (x z) qn-1(x) + r pode ser escrita da seguinte forma:
an xn + an-1 xn-1 + ... + a1 x + a0 = (x - z) (bn-1 xn-1 + bn-2 xn-2 + ... + b1 x + b0) + r
donde, e igualando os coeficientes de potncias de x do mesmo grau, obtm-se
bn-1 = an ,
bk = ak+1 + z bk+1 (k = n-2, n-3, ..., 0),
r = a0 + z b0 .
- 88 -

Captulo 2. Mtodos Numricos


Algoritmo (fatorizao de um polinmio):
{ Objetivo: fatorizar pn(x) = (x z) qn-1(x) + r, onde z R e pn(x) = an xn + ... + a1 x + a0 }
bn-1 an
para k desde (n 2) at 0 fazer
bk z bk+1 + ak+1
r z b 0 + a0
Exemplo (mtodo da fatorizao):
Sendo p5(3) = x5 - 6 x4 + 8 x3 + 8 x2 + 4 x 40, fatorizar p5(x) = (x z) qn-1(x) + r, para z = 3
b 4 = a5

=1

b3 = 3 b4 + a4 = 3 - 6

= -3

b2 = 3 b3 + a3 = 9 + 8

= -1

b1 = 3 b2 + a2 = 3 + 8

=5

b0 = 3 b1 + a1 = 15 + 4

= 19

r = 3 b0 + a0 = 57 - 40

= 17

Logo, q4(x) = x4 - 3 x3 - x2 + 5 x + 19.


E assim, p5(x) = (x 3) (x4 - 3 x3 - x2 + 5 x + 19) + 17.

4.2. Interpolao polinomial de Lagrange


Os polinmios so excelentes candidatos a funes interpoladoras, porque:
O clculo dos valores realizvel em ordem linear ao nmero de multiplicaes e adies.
As operaes de derivao e primitivao so simples e podem ser facilmente programveis.
Aproximam tanto quando se queira qualquer funo contnua num intervalo finito (Teorema
de Weierstrass).
Sempre que as funes de interpolao consideradas so polinmios ento est-se perante
Interpolao Polinomial.
Problema:
Dado um suporte de interpolao com n+1 pontos,
{ (xi, yi), i = 0, 1, ..., n }
encontrar um polinmio de grau menor ou igual a n tal que,
yi = pn(xi), i = 0, 1, ..., n
Questes:
Existe sempre um polinmio que satisfaz as condies acima ?
Caso exista, nico ?
- 89 -

Captulo 2. Mtodos Numricos


Teorema (da existncia e unicidade):
Seja Pn o conjunto dos polinmios de grau menor ou igual a n.
Dados n+1 pontos suporte distintos (xi, f(xi)), i = 0, 1, ..., n,
existe um e um s polinmio pn Pn tal que,
pn(xi) = f(xi), i = 0, 1, ..., n
Observaes:
O teorema anterior mostra-nos que o polinmio interpolador existe e nico (podem ser
deduzidas vrias frmulas para ele, mas todas representam o mesmo polinmio
interpolador).
4.2.1. Frmula de Lagrange
Definio:
Os polinmios de grau n dados por,
n

L k ( x) =

i=0
i k

x x i
x k x i

, k=0,1, ..., n

so designados por polinmios de Lagrange associados aos ns x0, x1, ..., xn .


Teorema:
O polinmio interpolador pn de grau menor ou igual a n que interpola os valores nodais y0,
y1, ..., yn nos ns distintos x0, x1, ..., xn dado por,
n

pn (x) =

k =0

L k (x ) y k .

Exemplo:
Construir o polinmio interpolador de grau menor ou igual a 3 que interpola os seguintes valores:
xi

yi

-1

Os polinmios de Lagrange associados aos ns (x0 = 0, x1 = 1, x2 = 3, x3 = 4) obtm-se


diretamente da definio anterior,
L 0 ( x) =
L 1 (x ) =

(x x 1 ) (x x 2 ) (x x 3 )

1
=
(x 1) ( x 3) ( x 4)
(x 0 x 1 ) ( x 0 x 2 ) (x 0 x 3 )
12
( x x 0 ) (x x 2 ) (x x 3 )
( x 1 x 0 ) (x 1 x 2 ) ( x 1 x 3)

1
x (x 3) (x 4)
6

- 90 -

Captulo 2. Mtodos Numricos

L 2 (x ) =
L 3 (x ) =

( x x 0 ) (x x 1 ) (x x 3 )
( x 2 x 0 ) (x 2 x 1) (x 2 x 3 )
( x x 0 ) (x x 1 ) (x x 2 )
( x 3 x 0 ) (x 3 x 1 ) (x 3 x 2)

1
x (x 1) (x 4)
6

1
x (x 1) (x 3)
12

Assim sendo, nas condies do teorema, o polinmio interpolador dado por:


3

p3 ( x) =

k=0

L k ( x) y k = L 0 ( x) y 0+L 1 ( x) y 1+L 2 (x ) y 2+L 3 (x )y 3 = L 0 (x )L 1 ( x)+L 2 (x )+2L 3 (x ) =

1
1
1
1
= (x 1) (x 3) (x 4) x (x 3) (x 4) x (x 1) (x 4) +
x (x 1) (x 3)
12
6
6
12
Algoritmo (frmula de Lagrange):
{ Objetivo: clculo de pn(z) sendo pn interpolador de f nos pontos distintos x0, x1, ..., xn }
q0
para i desde 0 at n fazer
p1
para j desde 0 at n fazer
se j i ento
p p ((z xj)/(xi xj))
q q + yi p
Observao:
A frmula de Lagrange pode no ser a representao mais conveniente do polinmio
interpolador, fundamentalmente por duas razes:
1. possvel obter este polinmio com menos operaes aritmticas do que as requeridas
por aquela frmula (o clculo de um valor do polinmio interpolador requer n(n+2)
adies/subtraes e n(n+1) multiplicaes/divises);
2. Os polinmios de Lagrange esto associados a um conjunto de ns e uma mudana de
posio, ou do nmero destes, altera completamente estes polinmios.
4.2.2. Frmula de Newton
Definio:
A Forma de Newton para polinmios de grau n dada por,
pn(x) = a0 + a1 (x c1) + a2 (x c1) (x c2) + + an (x c1) (x c2) ... (x cn)
onde os parmetros ci, i = 1, 2, ... , n so chamados centros do polinmio.

- 91 -

Captulo 2. Mtodos Numricos


Construo da Frmula de Newton:
Considerando os ns x0, x1, ..., xn-1 como centros do polinmio, temos:
pn(x) = a0 + a1 (x x0) + a2 (x x0) (x x1) + + an (x x0) (x x1) ... (x xn-1)
Os coeficientes a0, a1, ..., an vo ser determinados de modo que pn seja o polinmio
interpolador nos ns x0, x1, ..., xn dos valores nodais y0, y1, ..., yn:
pn(x0) = y0 ; pn(x1) = y1 ; ... ; pn(xn) = yn
ou, se os valores nodais yi forem valores nodais de uma funo f tem-se,
pn(xi) = f(xi), i = 0, 1, ..., n
Assim, a partir de,
pn(x) = a0 + a1 (x x0) + a2 (x x0) (x x1) + + an (x x0) (x x1) ... (x xn-1)
e fazendo sucessivamente x = x0, x = x1 , ..., x = xn obtm-se os coeficientes:
a0 = f (x 0 )

a1 =

f (x 1) a0
x 1 x 0

f (x 1 ) f (x 0 )
x 1 x 0
f (x 2 ) f (x 1 )

a2 =

f (x 2 ) a0 a1 ( x 2 x 0 )
(x 2 x 0 )(x 2 x 1 )

x 2 x 1

f (x 1 ) f (x 0 )
x 1 x 0

x 2 x 0

...
an =

f (x n ) a0 a1 (x n x 0 ) a2 (x n x 0 )(x n x 1) ... an1 (x n x 0 )...(x n x n2)


(x n x 0 )(x n x 1)...( x n x n1 )

= ...

Observao:
Cada coeficiente ak , k = 0, 1, ..., n:
pode ser calculado a partir dos ai , i = 0, 1, ..., k-1, j determinados.
depende exclusivamente dos ns x0, x1, ..., xn e dos respetivos valores nodais y0, y1, ..., yn
ak = f[x0, x1, ..., xk]
em que
f[x0, x1, ..., xk]
a diferena dividida de ordem k (k 1) entre os k+1 ns x0, x1, ..., xk .
Definio:
Para designar a diferena dividida de ordem k (k 1) entre os k+1 ns x0, x1, ..., xk , so
utilizadas indistintamente duas notaes:
Dk f (x i ) f x i , x i+1 , ... , x i+k

]
- 92 -

Captulo 2. Mtodos Numricos


onde
k

D f (x i ) =

Dk1 f (x i+1 ) Dk1 f (x i )


x i+k x i

ou

f x i , x i+1 , ... , x i+k =

f x i+1 , ... , x i+k f x i , ..., x i+k1


x i+k x i

Teorema:
Os coeficientes ak , k = 0, 1, ..., n do polinmio pn de grau menor ou igual a n, na forma de
Newton que interpola os valores f(x0), f(x1), ..., f(xk) nos ns distintos x0, x1, ..., xk so dados
indutivamente pela expresso:

f x 1 , ..., x k f x 0 , ... , x k1
xk x0

ak = f x 0 , x 1 , ... , x k =

Assim, o Polinmio Interpolador com Diferenas Divididas tem a forma:


pn (x) = f [ x 0 ] + f [x 0 , x 1 ](x x 0 ) + f [ x 0 , x 1 , x 2 ](x x 0 )(x x 1 ) +
+ ... + f [x 0 , x 1 , ... , x n ]( x x 0 )(x x 1 )...(x x n1 )

Uma tabela de diferenas divididas de uma funo f pode ser escrita da forma que segue
(denotando-se por fi,i+j a diferena f[xi, ..., xi+j]).
x

D0 / f[]

x0

f(x0)

x1

f(x1)

x2

f(x2)

x3

f(x3)

...

...

xn

f(xn)

D1 / f [ , ]

D2 / f [ , , ] D3 / f [ , , , ]

f0,1

f0,2

f1,2

f1,3

f2,3

f0,3

fn-2,n

fn-1,n

...

...

...

...

...

...
fn-3,n

Algoritmo (Diferenas divididas):


{ Objetivo: construir uma tabela de diferenas divididas de f por diagonais ascendentes sucessivas }
f0 f(x0)
para i desde 1 at n fazer
fi f(xi)
para j desde (i-1) at 0 fazer
fj,i (fj,i-1 - fj+1,i) / (xj - xi)
- 93 -

Captulo 2. Mtodos Numricos


Exemplo:
Determinar o polinmio interpolador, na forma de Newton, que interpola os seguintes pontos:
xi

yi

-1

A tabela de diferenas dividida para este caso a seguinte:


x

D0 / f[]

x0 = 0

x1 = 1

-1

x2 = 3

x3 = 4

f 0,1 = f [ x 0 , x 1 ] =
f 1,2 = f [ x 1 , x 2 ] =
f 2,3 = f [ x 2 , x 3 ] =

D1 / f [ , ]

D2 / f [ , , ] D3 / f [ , , , ]

f0,1 = -2
f1,2 = 1

x 1 x 0
f ( x 2 ) f (x 1 )
x 2 x 1
f (x 3 ) f (x 2 )

f 1,3 = f [ x 1 , x 2 , x 3 ] =

x 3 x 2

1 1
2
=
= 2
1 0
1

1 (1)
2
=
= 1
3 1
2

2 1
1
=
= 1
4 3
1

f [ x 1 , x 2 ] f [ x 0 , x 1 ]

f 1,2 f 0,1

x 2 x 0
f [x 2 , x 3 ] f [ x 1 , x 2 ]

f 0,3 = f [ x 0 , x 1 , x 2 , x 3 ] =

f1,3 = 0

f2,3 = 1

f (x 1 ) f (x 0 )

f 0,2 = f [ x 0 , x 1 , x 2 ] =

f0,2 = 1

x 3 x 1

x 2 x 0
f 2,3 f 1,2
x 3 x 1

f [ x 1 , x 2 , x 3 ] f [ x 0 , x 1 , x 2 ]
x 3 x 0

f0,3 = -1/4

1 (2)
3
=
= 1
3 0
3

1 1
0
=
= 0
4 (1)
5

f 1,3 f 0,2
x 3 x 0

0 1
1
=
4 0
4

Assim calculados os coeficientes do polinmio interpolador na forma de Newton,


a0 = f[x0] = 1
a1 = f[x0, x1] = -2
a2 = f[x0, x1, x2] = 1
a3 = f[x0, x1, x2, x3] = -1/4
p3 ( x) = a0 + a1 (x x 0 ) + a2 (x x 0 )( x x 1) + a3 (x x 0 )( x x 1 )(x x 2 )

( )

p3 ( x) = 1 + (2)( x 0) + 1(x 0)( x 1) +


p3 ( x) = 1 2 x + x ( x 1)

1
(x 0)(x 1)(x 3)
4

1
x (x 1)(x 3) .
4

- 94 -

Captulo 2. Mtodos Numricos


Observaes:
A ordem pela qual os ns so tomados arbitrria.
Se necessrio acrescentar mais algum n aos anteriores, basta coloc-lo no fundo da tabela
e calcular mais uma linha de valores (as diferenas divididas j obtidas no seriam afetadas).
Se os valores nodais forem os de uma funo, possvel estabelecer uma ligao importante
entre as diferenas divididas de ordem k e a derivada da mesma ordem dessa funo.
Teorema:
Sejam f Cn([a,b]) e x0, x1, ..., xn ns distintos no intervalo [a,b].
Ento existe um (a,b) tal que,
1 (n)
f x 0 , x 1 , ... , x n =
f ()
n!

Deste modo, se os valores nodais forem os valores nodais de uma funo, este teorema
estabelece uma relao importante entre as diferenas divididas de ordem n e a derivada da
mesma ordem dessa funo.
4.2.3. Erros de Interpolao Polinomial
Que erro se comete quando se interpola uma funo por um polinmio de grau menor ou igual a
n utilizando o valor da funo em n+1 ns distintos?
Por exemplo,

Teorema:
Sejam f Cn+1([a, b]) e pn o polinmio de grau menor ou igual a n que interpola f nos ns
distintos x0, x1, ..., xn, contidos em [a,b]. Ento para qualquer z [a,b] existe um valor (a,
b), dependente de x0, x1, ..., xn, z e de f tal que
e n (z) f (z) pn (z) =

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

- 95 -

Captulo 2. Mtodos Numricos


Estimativa do Erro de Interpolao
Como em,
e n (x ) =

f (n+1) ( )
(x ), com (x ) = ( x x 0 )(x x 1 )...(x x n )
(n+1)!

o valor de desconhecido, temos de calcular um limite superior para estimativa do valor do


erro.
Para o caso particular da funo a interpolar, procuramos um majorante em [x0, xn],

f(n+1)( x)

M n+1

e considerando h o espaamento mximo entre dois ns consecutivos,


n ! n+1
h
,
4

(x )

x[ x 0 , x n ]

temos,
M n+1

en( x) (x ) (n+1)!
ou,

en( x)

1
M
hn+1.
4(n+1) n+1

Comportamento do Erro de Interpolao


Analisando
e n (x ) =

f (n+1) ( )
(x )
(n+1)!

verifica-se que o erro de interpolao depende de:


o nmero de ns considerado,
o comportamento da derivada de ordem n+1 da funo,
o comportamento do polinmio de grau n+1.

5. Aproximao polinomial
Em linhas gerais pode dizer-se que aproximar uma funo represent-la por uma outra mais
simples. H a necessidade de aproximar uma funo quando a maneira com ela definida
dificulta ou impossibilita a resoluo de problemas matemticos envolvendo essa funo. o caso,
por exemplo, de funes conhecidas por uma tabela de alguns dos seus valores, funes definidas
como solues de equaes, ou definidas explicitamente por expresses envolvendo funes
transcendentes. Pode-se estar interessado em calcular o valor do integral da funo num dado
domnio e no conhecer a primitiva da funo, ou calcular um (ou mais) zeros da funo no
existindo uma frmula que o permita fazer explicitamente, etc.
- 96 -

Captulo 2. Mtodos Numricos


Uma forma de resolver estes problemas substituir a funo dada por outra mais simples (por
exemplo, um polinmio) que num subconjunto relevante do seu domnio no se afasta muito da
funo dada.
As classes de funes mais importantes so as dos polinmios (incluindo polinmios
segmentados), das funes racionais (quocientes de polinmios) e das funes de Fourier ({sen(nx),
cos(nx)}, n = 0, 1, ). Neste texto ser considerada apenas a aproximao de funes por
polinmios.
Podem ser colocadas trs questes. Para que tipo de funes existe uma aproximao polinomial
adequada? Como caraterizar uma boa aproximao? Como constru-la?

5.1. Conceitos e resultados bsicos


O teorema de Weierstrass estabelece que para uma certa classe de funes, as funes
contnuas num intervalo fechado de R, existe um polinmio que aproxima a funo to bem quando
se queira.
Teorema (da aproximao de Weierstrass):
Seja [a, b] R e f C([a,b]). Ento, qualquer que seja e > 0 existe n = n(e) tal que
|f(x) pn(x)| < e,
para todo o x [a, b].
possvel construir, de uma maneira eficiente, aproximaes polinomiais teis sob o ponto de
vista prtico, e estimar o erro de aproximao. No entanto, tm de ser impostas condicionais
adicionais sobre a regularidade da funo a aproximar.
5.1.1.

Mtricas, normas e seminormas

Qualquer estudo sobre aproximao de funes pressupe a existncia de uma maneira de medir
a distncia entre duas funes.
Definio:
Seja F um conjunto. Uma aplicao d : F x F R tal que
f, g F, d(f,g) = 0 se e s se f = g,
f, g F, d(f,g) = d(g,f),
f, g, h F, d(f,h) d(f,g) + d(g,h),
uma mtrica. O conjunto F munido duma mtrica um espao mtrico.
Desta definio resulta que
f, g F, d(f, g) 0.

- 97 -

Captulo 2. Mtodos Numricos


Exemplo:
Considere-se o conjunto C([a,b]) das funes reais contnuas num intervalo fechado [a,b] R. A
aplicao d : C([a,b]) x C([a,b]) R definida por
f, g C([a,b]), d(f,g) = maxx[a,b] |f(x) g(x)|,
uma mtrica.
Considere-se a funo ex definida em [0,1] e o polinmio p(x) = 1 + (e - 1)x, interpolador de e x
nos pontos 0 e 1. Tem-se
d(ex,p) = maxx[0,1] |ex (1 + (e 1)x)| 0.21
Definio:
Seja F um espao linear. Uma aplicao . : F R tal que,
f F, f = 0 se e s se f = 0,
f F, a R, f = f ,
f, g F, f + g f + g ,
chamada de norma. O espao linear F onde est definida uma norma diz-se espao normado.
Definio:
Se a aplicao . : F R satisfaz as duas ltimas condies da definio anterior e
f F, f = 0 se f = 0,
ento f uma seminorma.
Note-se que se . uma seminorma em F pode ter-se, para algum f 0, f = 0.
Se . : F R uma norma (ou seminorma) tem-se
fF , f 0.
Seja C[a,b] o espao linear das funes reais contnuas no intervalo fechado [a,b] R.
Exemplo:
A aplicao . : C([a,b]) R definida por
fC([a ,b ]), f = max

x [a ,b ]

f (x),

uma norma chamada norma uniforme ou norma de Chebyshev.


Exemplo:
A aplicao . 2 : C([a,b]) R definida por

{
b

fC([a ,b ]), f 2 =

1/ 2

w( x) f (x ) dx

, w C([a,b]) e w(x) > 0 para x [a,b],

uma norma chamada norma dos quadrados ponderados.

- 98 -

Captulo 2. Mtodos Numricos


Exemplo:
Dados n + 1 pontos distintos x0, x1, ..., xn [a, b], a aplicao . : C([a,b]) R definida por
fC([a ,b ]), f = max

0in

f (x i),

uma seminorma.
Exemplo:
Dados n + 1 pontos distintos x0, x1, ..., xn [a, b], a aplicao . : C([a,b]) R definida por

1/2

fC([a ,b ]), f =

i=0

w (x i ) f (x i )

dx

, w C([a,b]) e w(xi) > 0 (i = 0, 1, ..., n),

uma seminorma.
Toda a norma induz uma mtrica. Isto , se F um espao normado onde est definida uma
norma . , ento F um espao mtrico com a mtrica definida por
f , g F, d(f , g) = f g .
5.1.2. Melhor aproximao polinomial
Definio:
Seja F um espao linear de funes onde est definida uma norma . . Se g F uma
aproximao para f F a

f g
chama-se erro de aproximao g com respeito norma . .
Definio:
Seja F C([a,b]) um espao normado e Pn o conjunto dos polinmios de coeficientes reais e grau
menor ou igual a n. Ento, pn Pn uma melhor aproximao polinomial de grau n para uma
funo f F em relao norma . de F, se

f p n = qinf
f q n .
P
n

Por outras palavras, relativamente a uma dada norma, a melhor aproximao polinomial de grau
n para uma funo que minimiza o erro.
Se a norma for a de Chebyshev ou a dos quadrados ponderados, existe uma melhor aproximao
polinomial e nica.
Uma melhor aproximao em relao norma de Chebyshev chamada aproximao minimax.
Uma melhor aproximao em relao norma dos quadrados ponderados chamada
aproximao dos mnimos quadrados.

- 99 -

Captulo 2. Mtodos Numricos

5.2. Aproximao dos mnimos quadrados


Em muitos casos reais, os valores nodais que se tem so
obtidos experimentalmente, vindo portanto afetados de
erros.
Em vez de tentar construir uma funo interpoladora, faz
mais sentido procurar a funo que melhor aproxima esses
valores.
Seja { (xi, yi) }, i = 1, 2, ..., m um conjunto de pares de
nmeros reais onde,
yi f(xi), i = 1, 2, ..., m
A partir deste valores, pretende-se construir uma funo que, de alguma forma, seja a melhor
aproximao da funo f(x).
Tome-se como exemplo o caso linear, isto , quando a
funo aproximante pretendida for uma reta y = a x + b.
Para calcular os parmetros a e b, podem ser estabelecidos
diferentes critrios, tais como:
Minimizar o erro mximo,

max

i=1,... ,m

yi (a xi+b)

Minimizar a soma dos erros,

y i (ax i+b)

i=1

Minimizar o erro quadrtico,

( y i (a xi+b))2

i=1

5.2.1. Funes aproximantes e desvios


No caso geral, o problema consiste em determinar a funo que melhor aproxima um dado
conjunto de pontos { (xi, yi) }, i = 1, 2, ..., n.
A classe das funes aproximantes caracterizada por um conjunto de parmetros c1, ..., ck.
Cada funo da classe especificada pelos valores desses parmetros,
f(x) = F(x; c1, ..., ck)
Por exemplo, se pretender-se aproximar os pontos por
uma reta, so dois os parmetros (c1 e c2) e f(x) = F(x; c1, c2) = c1 + c2 x
uma parbola, so trs os parmetros (c1, c2 e c3) e f(x) = F(x; c1, c2, c3) = c1 + c2 x + c3 x2
Para cada classe definem-se os desvios, em relao aos valores yi dos dados,
di = yi F(xi; c1, c2, ..., ck), i = 1, 2, ..., n

- 100 -

Captulo 2. Mtodos Numricos


Em funo dos desvios, necessrio decidir qual o critrio a estabelecer. Cada critrio define
um problema de minimizao.
Problema de minimax (minimizao do desvio mximo),
minimizar

max

i=1,... ,n

y i F (xi ; c1 , c2 , ..., c k )

Problema de minimizao (da soma) dos desvios absolutos,


n

minimizar

y i F(x i ; c 1 , c 2 , ..., c k )

i=1

Problema de minimizao do erro quadrtico total,


n

minimizar

i=1

( yi F ( x i ; c1 , c2, ... , ck ) )

O mtodo de resoluo do problema de minimizao do erro quadrtico total chama-se


mtodo dos mnimos quadrados e a funo que o minimiza chama-se aproximao dos
mnimos quadrados.
5.2.2.

Mtodo dos Mnimos Quadrados

Considere-se uma classe de funes,


F(x; c1, c2, ..., ck) = c1 f1(x) + c2 f2(x) + ... + ck fk(x)
onde f1(x), f2(x), ..., fk(x) so funes dadas.
A aproximao dos mnimos quadrados consiste na determinao dos parmetros c1, c2, ..., ck
que minimizam a soma dos quadrados dos desvios,
n

E(c1 , ..., c k ) =

( y i c 1 f 1 (x i ) c 2 f 2 (x i ) ... ck f k (x i ) )

i=1

i=1

y i c j f j (x i )
j=1

Tratando-se de um problema de minimizao em R k para que E(c1, c2, ..., ck) seja mnimo
necessrio que,
E(c 1 , ..., ck ) = 0

E
= 0,
cj

j = 1, ..., k

Donde se obtm um sistema de k equaes a k incgnitas,

c1

c1

c1

f 1 (xi)f1 ( xi) + c 2
i=1
n

f1 ( x i)f2 ( xi) + ... + ck


i=1
n

f 1 (xi)fk (xi) =
i=1
n

f2 ( xi)f1 (x i) + c 2 f2 ( x i)f2 ( xi) + ... + ck f 2 (xi)f k (xi)

i=1

i=1

i=1

y i f 1 (xi)
i=1
n

yi f2( xi)
i=1

.. .
n

i=1

f k (x i) f 1 (x i ) + c 2 f k ( x i )f 2 ( x i ) + ... + c k
i=1

- 101 -

f k (xi) fk (x i) =
i=1

y i f k (xi )
i=1

Captulo 2. Mtodos Numricos


Em certos casos, este sistema tem soluo nica e permite determinar univocamente os
parmetros c1, c2, ..., ck que caracterizam a melhor funo aproximante.
5.2.3. Reta dos Mnimos Quadrados (Reta de Regresso)
No caso linear, o problema da minimizao do erro quadrtico simples. Pretende-se
determinar os valores de a e de b em,
F(x; a, b) = a + b x
que minimizam
n

E (a , b ) =

( y i a b x i )2
i=1

Para que E(a, b) seja mnimo necessrio (e prova-se que tambm suficiente) que,

E
= 0
E (a, b) = a
E
= 0
b
ou seja que,

an
a

+ b
n

xi

i=1

i=1
n

+ b

yi

xi =

x 2i

i=1
n

i=1

xi yi

i=1

Assim tem-se um sistema linear com duas equaes (equaes normais) e as duas incgnitas a e
b que caracterizam a reta pretendida (reta de regresso).
Os coeficientes de a e de b e os termos independentes, obtm-se facilmente pela construo de
uma tabela,
xi

yi

xi2

xi yi

x1

y1

x12

x1 y1

x2

y2

x22

x2 y2

...
xn

...
yn

...
xn2

...
xn yn

xi

yi

xi2

xi yi

Exemplo:
Para se determinar a reta de regresso que aproxima os pontos,
x

10

- 102 -

Captulo 2. Mtodos Numricos


constri-se a tabela

xi

yi

xi2

xi yi

1
2
4
5
7
8
10

1
2
4
4
5
6
7

1
4
16
25
49
64
100

1
4
16
20
35
48
70

37

29

259

194

Donde se obtm o sistema

a 7 + b 37 = 29
a 37 + b 259 = 194

cuja soluo
a = 0.75
b = 0.6418918918919
o que permite determinar a reta de regresso,
y = 0.75 + 0.6418918918919 x

Em algumas aplicaes, so os valores de { xi }, i = 1, 2, ..., n que esto afetados de erros,


sendo os { yi } considerados exatos. Nesse caso necessrio efetuar uma aproximao inversa.
Assim, dado { xi, yi }, i = 1, 2, ..., n um conjunto de pares de nmeros reais onde,
xi g(yi), i = 1, 2, ..., n
podemos calcular uma aproximao dos mnimos quadrados para g(y).
Exemplo: no exemplo anterior, basta trocar os papis dos x e y dados,
x

10

- 103 -

Captulo 2. Mtodos Numricos


construindo neste caso a tabela

xi

yi

yi2

yi xi

1
2
4
5
7
8
10

1
2
4
4
5
6
7

1
4
16
16
25
36
49

1
4
16
20
35
48
70

37

29

147

194

donde se obtm o sistema

a 7 + b 29 = 37
a 29 + b 147 = 194

cuja soluo
a = -0.994680851064
b = 1.5159574468085
o que permite determinar a reta de regresso inversa,
x = -0.994680851064 + 1.5159574468085 y
5.2.4. Parbola dos Mnimos Quadrados
Para aproximar o conjunto de pontos por uma parbola, pretende-se determinar os valores de
a, b e c em,
F(x; a, b, c) = a + b x + c x2
por forma a minimizar o erro quadrtico total,
n

E (a , b , c) =

( y i a b x i c x 2i )

i=1

Para que ocorra o mnimo necessrio (e prova-se que tambm suficiente) que,
E (a, b , c) = 0
ou seja,

an
a
a

+ b

xi

+ c

x 2i

+ c

x 3i

+ c

i=1
n

xi

+ b

x 2i

+ b

i=1
n
i=1

i=1

x 3i

x 4i

i=1
n

i=1
n

x 2i

i=1
n

i=1

yi

i=1
n

xi yi

i=1
n

x i2 y i

i=1

Os coeficientes de a e de b e os termos independentes, tambm se obtm pela construo de


uma tabela.

- 104 -

Captulo 2. Mtodos Numricos


Exemplo:
Para o exemplo anterior,
x

10

construindo a tabela

xi

yi

xi2

xi3

xi4

xi yi

xi2 yi

1
2
4
5
7
8
10

1
2
4
4
5
6
7

1
4
16
25
49
64
100

1
8
64
125
343
512
1000

1
16
256
625
2401
4096
10000

1
4
16
20
35
48
70

1
8
64
100
245
384
700

37

29

259

2053

17395

194

1502

donde se obtm o sistema

a 7 + b 37
+ c 259
= 29
a 37 + b 259 + c 2053 = 194
a 259 + b 2053 + c 17395 = 1502

cuja soluo
a = 0.28869047619
b = 0.890625
c = -0.02306547619
o que permite determinar a parbola, que se aproxima dos pontos,
y = 0.28869047619 + 0.890625 x - 0.02306547619 x 2

- 105 -