INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO PARÁ

PRÓ-REITORIA DE EXTENSÃO
DIRETORIA DE EDUCAÇÃO ABERTA E A DISTÂNCIA

LICENCIATURA PLENA EM MATEMÁTICA

CÁLCULO MUMÉRICO

MANOEL ALEXANDRE
E
EDSON COSTA CRUZ

2011
 SUMÁRIO

PLANO DE ENSINO

APRESENTAÇÃO DA DISCIPLINA

UNIDADE 1 – INTRODUÇÃO AO CÁLCULO NUMÉRICO

1 – ERROS EM SOLUÇÕES NUMÉRICAS

1.1 – ERROS DE ARRENDONDAMENTO

1.2 – ERROS DE TRUNCAMENTO

1.3 – ERRO TOTAL

PARA SABER MAIS

REFLEXÕES SOBRE A APRENDIZAGEM

RESUMO DA UNIDADE

SUGESTÕES DE LEITURA

UNIDADE 2 – RESOLUÇÃO DE SISTEMAS LINEARES

1 – INTRODUÇÃO

2 – MÉTODO DIRETO

2.1 – INTRODUÇÃO

2.2 – MÉTODO DE ELIMINAÇÃO DE GAUSS

2.1.1 – Resolução de Sistemas Triangulares

2.2.2 – Descrição do Método da Eliminação de Gauss
2.2.3 – Algoritmo para Resolução de Ax = b através da Eliminação de Gauss
2.2.4 – Função Criada no MATLAB para Resolver um Sistema de Equações Usando
Eliminação de Gauss

Inserir Subtítulo do Capítulo

2.1.1.1 – Inserir Subtítulo do Capítulo

PARA SABER MAIS

REFLEXÕES SOBRE A APRENDIZAGEM

RESUMO DA UNIDADE

SUGESTÕES DE LEITURA

CONSIDERAÇÕES FINAIS DA DISCIPLINA

CURRÍCULO DO(A) PROFESSOR(A)

 PLANO DE ENSINO

1 – IDENTIFICAÇÃO
Instituição: Instituto Federal de Educação, Ciência e Tecnologia do Pará
Curso: Licenciatura Plena em Matemática – Modalidade EAD
Disciplina: Cálculo Numérico
Professor(a): Manoel Alexandre e Edson Costa Cruz
Carga Horária: 60h

2 – EMENTA
Erros; Zeros de Funções; Interpolação; Equações e Sistemas Lineares; Equações
não Lineares e Cálculo diferencial e Integral Numérico.

3 – OBJETIVOS
3.1 – GERAL
Espera-se que, no final do curso, o aluno seja capaz de usar os conhecimentos
básicos de Métodos Numéricos nos domínios da análise, comparação e da aplicação, a fim
de comparar, quando, possíveis resultados analíticos e numéricos. Tendo como ferramentas
fundamentais vários problemas utilizando programas computacionais, que serão
importantíssimos no decorrer do curso de Matemática e futura atividade de pesquisa.

3.2 – ESPECÍFICOS
- Fundamentar os conceitos e desenvolver as técnicas de métodos numéricos que envolvem
resoluções de cálculos de: erros, raízes de equações não lineares, sistemas lineares,
derivadas e integrais.
- Desenvolver a habilidade de operar diversos tipos de programas computacionais nas
resoluções de métodos numéricos.
- Generalizar os conceitos dos Diversos métodos numéricos da literatura.
- Introduzir a comparação dos resultados analíticos com diversos métodos numéricos na
literatura.

4 – CONTEÚDO PROGRAMÁTICO
Unidade 1 – Inserir Título do Conteúdo
– Inserir aqui o texto do conteúdo da disciplina.
– Inserir aqui o texto do conteúdo da disciplina.
– Inserir aqui o texto do conteúdo da disciplina.
Unidade 2 – Inserir Título do Conteúdo
– Inserir aqui o texto do conteúdo da disciplina.
– Inserir aqui o texto do conteúdo da disciplina.

5 – METODOLOGIA
Inserir aqui texto da metodologia. Inserir aqui texto da metodologia. Inserir aqui
texto da metodologia. Inserir aqui texto da metodologia. Inserir aqui texto da metodologia.
Inserir aqui texto da metodologia. Inserir aqui texto da metodologia. Inserir aqui texto da
metodologia.
Inserir aqui texto da metodologia. Inserir aqui texto da metodologia. Inserir aqui
texto da metodologia. Inserir aqui texto da metodologia. Inserir aqui texto da metodologia.
Inserir aqui texto da metodologia. Inserir aqui texto da metodologia.

6 – PROCEDIMENTOS DE AVALIAÇÃO

Serão realizados três fóruns dissertativos que abordarão as aplicações específicas da

disciplina, as notas desses fóruns serão distribuídas da seguinte forma: primeiro fórum 10
pontos, segundo fórum 10 pontos e terceiro fórum 10 pontos. Também serão elaboradas
tarefas (online e envio de arquivo único) relacionadas aos conteúdos da disciplina onde
cada tarefa valerá 10 pontos a média aritmética dos fóruns e tarefas corresponderá (1ª
Bimestral). A avaliação será finalizada com uma prova presencial que valerá 10 pontos (2ª
Bimestral), para alunos que não alcançarem a média será aplicado uma prova final valendo
10 pontos.

REFERÊNCIAS
AUTOR DA OBRA. Título da obra: subtítulo. Número da edição. Local de Publicação:
Editor, ano de publicação. Número de páginas ou volume. (Série)
AUTOR DO ARTIGO. Título do artigo. Título da Revista, (abreviado ou não) Local de
Publicação, Número do Volume, Número do Fascículo, Páginas inicial-final, mês e ano.
AUTOR. Título do trabalho. In: NOME DO CONGRESSO, número, ano, Cidade onde se
realizou o Congresso. Título (Anais ou Proceedings ou Resumos…). Local de publicação:
Editora, data de publicação. Volume, se houver. Páginas inicial e final do trabalho.
AUTOR. Título: subtítulo. Ano de apresentação. Número de folhas ou volumes. Categoria
(Grau e área de concentração) - Instituição, local.
NOME DO CONGRESSO. número, ano, Cidade onde se realizou o Congresso. Título…
Local de publicação: Editora, data de publicação. Número de páginas ou volume.
PAÍS, ESTADO ou MUNICÍPIO. Lei ou Decreto, número, data (dia, mês e ano). Ementa.
Dados da publicação que publicou a lei ou decreto.
TÍTULO DO PERIÓDICO. Local de publicação (cidade): Editora, volume, número, mês e
ano.
 APRESENTAÇÃO DA DISCIPLINA

A natureza é extremamente complexa. Para tentar entendê-la, criam-se modelos que

seguem leis mais simples do que a rica realidade, dando resultados aproximados. Essas
leis, que procuram simular a natureza, são, em geral, expressas matematicamente. As
formulações matemáticas, embora simplificações do que se passa na realidade, ainda
assim, com freqüência, são muito complexas para serem resolvidas analiticamente. É
comum a lei física ser expressa por uma equação diferencial cuja solução exata não é
possível de ser obtida. Mesmo um cálculo de raiz, aparentemente simples, pode exigir
operações que transcendam as contas elementares. Uma integral definida, nem muito
complexa em sua formulação, pode não ser analiticamente resolvida.

Os métodos numéricos buscam soluções aproximadas para essas formulações.

Além disso, nos problemas reais, os dados com que se trabalha são medidas e, como tais,
não são exatos. Uma medida física não é um número, é um intervalo, pela própria
imprecisão das medidas. Dessa forma trabalha-se, sempre, com a figura do erro, inerente à
própria medição. Os métodos aproximados como indicam o nome, estão buscando uma
aproximação do que seria o valor exato. Dessa forma é inerente aos métodos o se trabalhar
com a figura da aproximação, do erro, do desvio.

Ao longo do fascículo são apresentados modelos que podem ser resolvidos

analiticamente, pela simples aplicação de uma fórmula matemática, ao lado de outros que,
por sua complexidade, exigem métodos numéricos, métodos aproximados para sua solução.

A idéia central do curso é mostrar, de maneira simples, a presença dos Métodos

Numéricos nos diferentes momentos da Física, da Engenharia, da Economia, das Ciências
em geral.

Os autores
 UNIDADE 1

INTRODUÇÃO AO CÁLCULO NUMÉRICO

OBJETIVO DA UNIDADE
A unidade tem como objetivo apresentar a importância do estudo dos métodos
numéricos e estudar os problemas numéricos que envolvem os cálculos de
arredondamento e truncamento existentes nas maiorias dos métodos aplicados nos
capítulos a serem estudados.
1 – ERROS EM SOLUÇÕES NUMÉRICAS

1.1 INTRODUÇÃO

A obtenção de uma solução numérica para um problema físico por meio da aplicação
de métodos numéricos, nem sempre fornece resultados que se encaixam dentro de limites
razoáveis. Isso se aplica mesmo quando o método e adequado e os cálculos são efetuados
de uma maneira correta. Tal diferença ocorre devido aos erros acumulados na conversão
dos números para o sistema aritmético da máquina e nas sucessivas operações realizadas,
isso e inerente ao processo e, na maioria dos casos, não tem como ser evitado. Para
entender um pouco melhor a fonte de erros, no processo de solução de um problema físico,
por meio da aplicação de métodos computacionais, este processo pode ser representado
pelo seguinte diagrama:

Modelagem Matemática

Figura 1: Ilustra as três fases da modelagem de um problema I) a modelagem, II) a resolução

e III) a validação.

A modelagem e a fase de obtenção do modelo matemático que representa o

comportamento do sistema físico em estudo. A resolução e a fase em que obtemos a
solução do modelo matemático, que no escopo do presente texto, estará procurando uma
aproximação da solução através de métodos numéricos. A validação e a fase em que
analisamos os resultados e os confrontamos com os dados reais, para verificar se o modelo
matemático se comporta de acordo com o esperado, ou se o método numérico adotado
apresenta resultados compatíveis com a realidade do problema original.

1.1.1 Erros na fase de modelagem:

Ao se tentar representar um fenômeno do mundo real por meio de um modelo

matemático, raramente se tem uma descrição exata do fenômeno. Muitas vezes, são feitas
simplificações da realidade para que se obtenha um modelo matemático com o qual se
possa trabalhar. Assim, ao obtermos os resultados numéricos, e primordial uma análise
destes em relação uma realidade (validação). As vezes, determinadas simplificação do
problema podem conduzir a um modelo falso da realidade, neste caso, devemos procurar
um outro modelo que esteja mais adequado a realidade.

1.1.2 Erros na fase de resolução:

Na resolução dos modelos matemáticos, muitas vezes e necessário o uso de instrumentos
de cálculo (uma calculadora científica, ou mesmo um computador), que necessitam para seu
funcionamento, de uma série de aproximações. Tais aproximações podem gerar erros que
são propagados a cada operação que se realiza. Um exemplo e o sistema binário utilizado
para a representação numérica, na maioria dos computadores. No processo de mudança de
base aparecem os primeiros erros. Observa-se que acontece na iteração entre o usuário e o
computador: os dados de entrada são enviados ao computador pelo usuário no sistema
decimal; toda esta informação é convertida para o sistema binário, e as operações todas
serão efetuadas neste sistema. Os resultados finais serão convertidos para o sistema
decimal e, finalmente, serão transmitidos ao usuário. Todo este processo de conversão é
uma fonte de erros que afetam o resultado final dos cálculos.

1.2 CONVERSÃO DE NÚMEROS NOS SISTEMAS DECIMAIS E

BINÁRIO

Veremos inicialmente a conversão de números inteiros.

Considere os números (347)10 e (10111)2 . Estes números podem ser assim escritos:

(347)10 = 3 x 102 + 4 x 101 + 7 x 100

(10111)2 =1 x 24 + 0 x 23 + 1 x 22 + 1 x 21 + 1 x 20

De um modo geral, um número na base  , pode ser escrito na forma polinomial:

a j  j  a j 1 j 1  .........  a2  2  a1 1  a0  0

Com esta representação, podemos facilmente converter um número representado no

sistema binário para o sistema decimal.

Por exemplo:

(10111)2 =1 x 24 + 0 x 23 + 1 x 22 + 1 x 21 + 1 x 20

Colocando agora o número 2 em evidência teremos:

(10111)2 = 2 x (1 +2 x (1 + 2 x(1 + 2 x (0 + 2 x 1))) +1 = (23)10

Deste, exemplo, podemos obter um processo para converter um número

representado no sistema binário para o sistema decimal

A representação do número ( a j a j 1.....a2 a1a0 )2 na base 10, denotada por b0, é obtida
através do processo:
bj  a j
b j 1  a j 1  2b j
b j 2  a j 2  2b j 1

b1  a1  2b2
b0  a0  2b1

Para (10111)2 , a sequência obtida será:

b4  a4  1
b3  a3  2b4  0  2 x 1  2
b2  a2  2b3  1  2 x 2  5
b1  a1  2b2  1  2 x 5  11
b0  a0  2b1  1  2 x 11  23

Um processo para converter um número inteiro representado no sistema decimal

para o sistema binário. Considere o número N0 =(347)10Temos que:

347 = 2 x (a j x 2 j 1  a j 1 x 2 j 2  .........  a2 x 2  a1 )  a0  2 x 173 + 1

e, portanto, o dígito a0  1 representa o resto da divisão de 347 por 2. Repetindo até agora
este processo para o número N1 = 173:

a j x 2 j 1  a j 1 x 2 j 2  .........  a2 x 2  a1

Obtemos o dígito a1 , que será o resto da divisão de N1 por 2. Seguindo este raciocínio
obtemos a sequência de números Nj e aj
N 0  347  2 x 173 + 1  a0  1
N1  173  2 x 86 + 1  a1  1
N 2  86  2 x 43 + 0  a2  0
N 3  43  2 x 21 + 1  a3  1
N 4  21  2 x 10 + 1  a4  1
N 5  10  2 x 5 + 0  a5  0
N 6  5  2 x 2 + 1  a6  1
N 7  2  2 x 1 + 0  a7  0
N8  1  2 x 0 + 1  a8  1

Portanto, a representação de (347)10 na base 2 será 101011011

1.3 - ERROS EM SOLUÇÕES NUMÉRICAS

Soluções numéricas podem ser muitas precisas, mais em geral são inexatas. Dois
tipos de erros são introduzidos quando métodos numéricos são usados na solução de um
problema. Um deles, ocorre em função da maneira pela qual computadores digitais
armazenam números e executam operações numéricas. Estes são chamados de erro de
arredondamento. O segundo tipo de erro é introduzido pelo método numérico usado na
solução. Estes são chamados erros de truncamento. Métodos numéricos usam
aproximações para resolver problemas. Os erros introduzidos por essas aproximações são
erros de truncamento. Juntos, os dois erros constituem o erro total da solução numérica,
que é a diferença (que pode ser definida de várias formas) entre a solução verdadeira
(exata, e que é usualmente desconhecida) e a solução numérica aproximada. Os erros de
arredondamento, de truncamento e total serão abordados a seguir.

1.3.1 - ERROS DE AREDONDAMENTO

Os números são representados em um computador através de um número finito de

bits. Consequentemente, números reais que tem uma mantissa mais longa que o número de
bits disponíveis para representá-los tem que ser encurtados. Esses requisitos se aplica aos
números irracionais, que devem ser encurtados em qualquer sistema, aos números finitos
que são muito longos e aos números finitos na forma decimal que não podem ser
representados de forma exata na forma binária. Um número pode ser encurtado seja
cortado, ou descartado, os algarismos a mais, ou fazendo-se um arredondamento. No corte,
o algarismo da mantissa além do comprimento que pode ser armazenado é simplesmente
deixado de fora. No arredondamento, o último algarismo armazenado é arredondado.

Com uma simples ilustração, considere o número 2/3 (por simplicidade, é usado o
formato decimal). Na forma decimal com quatro algarismo significativos, 2/3 pode ser escrito
como 0,6666 ou 0,6667. No primeiro caso, o número verdadeiro foi cortado, enquanto no
último o número verdadeiro foi arredondado. De qualquer maneira, o corte ou
arredondamento de números reais leva a erros nos cálculos numéricos, especialmente
quando muitas operações são realizadas.

Exemplo: Considere dois números iguais a p = 9890,9 e q = 9887,1. Use a representação

decimal em ponto flutuante (notação cientifica) com três algarismo significativos na mantissa
para calcular a diferença desses dois números (p – q). Calcule a primeira usando o corte e
depois o arredondamento.

Solução:

A representação decimal em ponto flutuante

p = 9,8909 x 103 e q = 9,8871 x 103

Usando o corte temos:

p = 9,890 x 103 e q = 9,887 x 103

A diferença desses dois números (p – q) = 3

Usando o Arredondamento temos:

p = 9,891 x 103 e q = 9,887 x 103

A diferença desses dois números (p – q) = 4

A diferença exata (p – q) = 3,8. Esses resultados mostram que, no presente

problema, o arredondamento leva a um valor mais próximo à resposta verdadeira.

1.3.2 - ERROS DE TRUNCAMENTO

Os erros de truncamento ocorrem quando os métodos numéricos usados na solução

de um problema matemático adotam um procedimento matemático aproximado.

Exemplo: Um exemplo simples é a avaliação numérica de sen(x), que pode ser feita a partir
da expansão em série de Taylor.
 x3 x5 x 7 x9 x11
sen( x)  x       .....
3! 5! 7! 9! 11!

 
O valor de sen   pode ser determinado de forma exata utilizando a serie de Taylor
6
se um número infinito de termos for usado. O seu valor pode ser aproximado com o uso de
apenas um número finito de termos. A diferença entre o valor verdadeiro (exato) e o valor
aproximado é o erro de truncamento, denotado por ETR. Por exemplo se o primeiro termo for
usado:

  
sen     0,5235988 E TR  0,5  0,5235988  0, 0235988
6 6

Se dois termos da série de Taylor forem usado:

 
3

 
  
sen        0, 4996742 ETR  0,5  0, 4996742  0, 0003258
6
6 6 3!

O erro de truncamento é dependente do método numérico específico ou do algoritmo

usado na solução do problema. Detalhes a respeito do erro de truncamento são discutidos
ao longo do fascículo à medida que se apresentam os diversos métodos numéricos. O erro
de truncamento é independente do erro de arredondamento; ele existe mesmo quando as
operações matemáticas são exatas.

1.3.3 - ERRO TOTAL

A solução numérica é uma aproximação. Ela sempre inclui erros de arredondamento

e, dependendo do método numérico utilizado, também pode incluir erros de truncamento.
Juntos, os erros de arredondamento e de truncamento resultam no erro numérico total
incluído na solução numérica. Esse erro total, também chamado erro real, á a diferença
entre a solução verdadeira (exata) e a solução numérica:

ErroReal = SoluçãoExata - SoluçãoNumérica

O valor absoluto da razão entre o erro real e a solução exata é chamado de Erro
relativo real:
 Erro Re al
Erro Re lativo Re al 
SolucaoExata

O erro real e o erro relativo real não podem ser de fato determinados em problemas cujas
soluções requer o uso de métodos numéricos, já que a solução verdadeira não é conhecida.
Contudo, essas grandezas podem ser úteis na verificação da precisão de diferentes
métodos numéricos. Isso é feito com o emprego do método numérico na solução de
problemas que tem solução analítica, avaliando-se com isso os erros reais.

 
No exemplo anterior do Cálculo de sen   o erro de truncamento corresponde ao erro
6
real, logo para o primeiro termo temos como erro relativo real:

Erro Re al 0, 0235988

Erro Re lativo Re al    0, 0471976  4, 71976%
SolucaoExata 0,5

Utilizando os dois primeiros termos:

Erro Re al 0, 0003258
Erro Re lativo Re al    0, 0006516  0, 06516%
SolucaoExata 0,5
 UNIDADE 2

MÉTODOS NUMÉRICOS PARA EQUAÇÕES NÃO

LINEARES

OBJETIVO DA UNIDADE
A unidade tem como objetivo o estudar de forma comparativa alguns métodos
numéricos utilizados nas resoluções de equações não lineares, tendo, também como
ferramenta funções residentes do matlab para resolver tais equações.
1 – INTRODUÇÃO

Equações precisam ser resolvidas em todas as áreas da ciência e da engenharia.

Uma equação de única variável pode ser escrita na forma:

f ( x)  0

A solução dessa equação ( também chamada raiz) é um valor numérico de x que

satisfaz à equação. Graficamente, conforme mostra a figura 1, a solução é o ponto onde a
função f ( x ) cruza e toca o eixo x . Uma equação pode não ter solução ou uma ou varias
raízes (possivelmente muitas).

ZEROS REAIS DE FUNÇÕES REAIS

y = f(x)
y y y yy == f(x)
f(x) y

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

x x x x

sem solução uma solução Duas soluções Três soluções

Figura 2: Ilustração de equações com nenhuma, uma ou varias soluções.

Quando a equação é simples, o valor de x pode ser determinado analiticamente.

Esse é o caso quando escreve x explicitamente após aplicação de operações matemáticas,
ou quando uma fórmula conhecida ( como fórmulas utilizadas na resoluções de equações
quadráticas) pode ser usada para determinar o valor exato de x . Em muitas situações, no
entanto, é impossível determinar analiticamente a raiz da equação.

2 – ABORDAGENS USADAS NA SOLUÇÃO NUMÉRICA DE

EQUAÇÕES

O processo de solução numérica de uma equação é diferente do procedimento

usado na obtenção de uma solução analítica. Uma solução analítica é obtida com a dedução
de uma expressão que leva a um valor numérico exato. Uma solução numérica é obtida em
um processo que começa com a determinação de uma solução aproximada e é seguido de
um procedimento numérico no qual se determina uma solução mais precisa.

Os métodos numéricos usados para resolver equações podem ser divididos em dois
grupos: Métodos de Confinamento e Métodos Abertos. Nos métodos de confinamento
identifica-se um intervalo que inclui a solução. Por definição, os pontos finais do intervalo
são os limites superior e inferior da solução. Então, usando um esquema numérico, o
tamanho do intervalo é reduzido sucessivamente até a que a distância entre os pontos finais
seja menor que a precisão desejada para a solução, fazem parte do método de
confinamento o método da bissecção e o método regula falsi, já nos métodos abertos
assume-se uma estimativa inicial para a solução (um ponto). O valor dessa tentativa inicial
para a solução deve ser próxima à solução real. Então, usando um esquema numérico,
valores melhores (mais precisos) são calculados para a solução, fazem parte dos métodos
abertos o método de Newton, o método da secante e o método do ponto fixo.

3- MÉTODOS DE CONFINAMENTO

3.1 Método da Bissecção

3.1.1 Introdução

O método da bissecção é um método de confinamento usado para se obter a

solução de uma equação na forma f ( x)  0 quando se sabe que, dentro de um dado
intervalo [a,b], f ( x ) é contínua e a equação possui uma solução. Quando esse é o caso
f ( x ) tem sinais opostos nos pontos finais do intervalo. Se f ( x ) é contínua e tem uma
solução entre os pontos x  a e x  b , f (a)  0 e f (b)  0 ou f (a)  0 e f (b)  0 . Em outras

palavras, se há uma solução entre x  a e x  b , então f (a ) f (b)  0 .

Graficamente:

Método da Bissecção

Figura 3: Ilustra o método da bissecção cujo objetivo é reduzir a amplitude que contém a
raiz até atingir a precisão requerida.
As iterações são realizadas da seguinte forma:

 f (a0 )  0    (a0 , x0 )
a b   
x0  0 0  f (b0 )  0   a1  a0
2  f ( x )  0 b  x
 0  1 0

 f (a1 )  0    ( x1 , b1 )
a1  b1   
x1   f (b1 )  0   a2  x1
2  f ( x )  0 b  b
 1   2 1
 f (a2 )  0    ( x2 , b2 )
a2  b2   
x2   f (b2 )  0   a3  x2
2  f ( x )  0 b  b
 2   3 2

Exemplo: Sabendo que a função f(x) = log(x)-1 tem uma raiz no intervalo (2, 3) aplique o
método da bissecção

 f (2)  0.3979  0    ( x0 , b0 )  (2.5,3)

23   
x0   2.5  f (3)  0.4314  0   a1  x0  2.5
2  f (2.5)  5.15x 10 3  0  b  b  3
  1 0
 f (2.5)  0    (a1 , x1 )  (2.5, 2.75)
2.5  3   
x1   2.75  f (3)  0   a2  a1  2.5
2  f (2.75)  0.2082  0  b  x  2.75
   2 1

3.1.2 Algoritmo

Seja f ( x ) contínua em [a, b] e tal que f (a) f (b)  0

1) Dados iniciais

a) Intervalo inicial [ a, b]

b) Precisão 

2) Se (b – a) <  , então escolha para x qualquer x  [a, b] . Fim

3) k =1
 4) M = f(a)

ab
5) x 
2

6) Se Mf(x) > 0, faça a = x. Vá para o passo 8

7) b = x

8) Se (b -a) <  , escolha para x qualquer x  [a, b] . Fim

9) k = k + 1. Volte para o passo 5

Terminado o processo, teremos um intervalo [a, b] que contem a raiz ( e tal que (b -
a) <  ) e uma aproximação x para a raiz exata.

3.1.3 Solução de Equação não linear usando o método da

Bissecção

O processo da bissecção deve ser interrompido com a obtenção da solução exata. Isso
significa que o valor de xns deve ser tal que f ( xns ) = 0. Na realidade a solução exata em
geral não pode ser obtida computacionalmente. Na prática, portanto o processo deve ser
interrompido quando o erro estimado,for menor que algum valor predeterminado. A escolha
do critério de interrupção pode depender do problema a ser resolvido.

Um problema escrito para determinar a solução numérica com a aplicação do

método da bissecção no MATLAB e mostrado a seguir.

Exemplo:

Escreva um programa no MATLAB que determina a solução da equação f(x) 8 – 4,5(x –

senx)= 0 usando o método da bissecção:

Solução:

clear all
%plotar o gráfico da função para determinar valores de a e b
proximos a
%solução
x=0:0.1:5;
F=8-4.5*(x-sin(x));
plot(x,F)
grid
f= inline('8- 4.5*(x-sin(x))');
%declaração dos valores de a e b e definição do nº max de iterações
a=input('após análise do gráfico entre com o valor de a=');
b=input('após análise do gráfico entre com o valor de b=')
imax=20;tol=0.001;
fa=f(a);fb=f(b);
%interrompe a função se a função tivero mesmo sinal nos pontos a e b
if fa*fb>0
disp('Erro:A função tem o mesmo sinal nos pontos a e b.')
else
disp('iteraçoes a b (Xns)solução f(Xns)
Tolerância.')
%calculos das soluçoes numéricas Xns tolerancia f(Xns)
for i=1:imax
Xns=(a+b)/2;
toli=(b-a)/2;
fXns=f(Xns);
fprintf('%3i
%11.6f%11.6f%11.6f%11.6f%11.6f\n',i,a,b,Xns,fXns,toli)
%interrompe o programa se a solução exata, f(x)=0, for
determinado
if fXns==0
fprint('Uma solução exata x=%11.6f foi obtida', Xns)
break
end
%interrompe as iterações se a tolerancia da iteração for menor
if toli<tol
break
end
%interrompe as iterações se a solução não tiver sido obtida
para imax
if i==imax
fprint('solução não obtida em in%i iterações',imax)
break
end
%Determina se a solução está entre a e Xns, ou Xns e b e
seleciona a e
%b para a proxima iteração
if f(a)*f(b)<0
b=Xns;
else
a=Xns;
end
end
end

3.2 Método Regula Falsi

3.2.1 Método Regula Falsi

O método regula falsi ( também chamado de método da falsa posição ou de

interpolação linear) é um método de confinamento usado para se obter a solução de uma
equação na forma f ( x)  0 quando se sabe que, dentro de um dado intervalo [a, b], f ( x) é
contínua e a equação possui uma solução.

Os pontos finais são então conectados por uma linha reta, e a primeira estimativa da
solução numérica, x0 , é o ponto onde a linha reta cruza o eixo x. isso contrasta com o
método da bissecção, onde o ponto central do intervalo foi escolhido como solução. Para a
segunda iteração, define-se um novo intervalo [a2 , b2 ] . Esse novo intervalo corresponde a
subseção do primeiro intervalo que contem a solução. Ele é [a1 , x0 ] ( a1 atribuido a a2 e
x0 a b2 ) ou [ x0 , b1 ] ( x0 a a2 e b1 a b2 ). Os pontos finais do segundo intervalo são em seguida
conectados por uma linha reta, e o ponto onde essa nova reta cruza o eixo x se torna a
segunda solução estimada, x1 . Para a terceira iteração, um novo subintervalo [a3 , b3 ] é
selecionado, e as iterações continuam da mesma forma até que a solução numérica seja
considerada suficientemente precisa. Conforme é mostrado na figura 2.

Método Regula Falsi

Figura 4: A solução tem inicio com a obtenção de um intervalo [a1 , b1 ] que confine a
solução

Para um dado intervalo [ a, b] , a equação da linha reta que conecta os pontos

(b, f (b)) e (a, f (a)) é dado por:

f (b)  f (a)
y ( x  b)  f (b)
ba

O ponto xNS onde a reta cruza o eixo x é determinado pela substituição de y = 0 da

equação anterior e a solução da equação para x:
 af (b)  bf (a)
xNS 
f (b)  f (a)

O procedimento (ou algoritmo) usado para se obter uma solução com o método
regula falsi é quase o mesmo empregado no método da bissecção.

Exemplo: O método da posição aplicado a f(x) = xlog-1 em [a0,b0] = [2, 3], fica:

f (a 0 )  0.3979  0
f (b 0 )  0.4314  0
af (b)  bf (a ) 2 x 0.4314 - 3 x (-0.3979) 2.0565
 x 0    2.4798
f (b)  f (a ) 0.4314  (0.3979) 0.8293
f ( x0 )  0.0219  0. como f (a0 ) e f ( x0 ) tem o mesmo sinal,
a1  xo  2.4798 f (a 1 )  0

b1  3 f (b1 )  0
2.4798 x 0.4314 - 3 x (-0.0219)
 x 1  2.5049
0.4314  (0.0219)
e
f ( x1 )  0.0011. Analogamente,
a2  x1  2.5049

b2  b1  3

3.2.2 Algoritmo

Seja f ( x) contínua em [a, b] e tal que f (a) f (b)  0

1) Dados iniciais

a) Intervalo inicial [ a, b]

b) Precisões 1 e  2

2) Se (b  a)  1 , então escolha para x qualquer x  [a, b] . FIM.

f (a)   2 
Se  escolha a ou b como x. FIM
ou f (b)   2 

3) k = 1
 4) M  f (a )

af (b)  bf (a)
5) x 
f (b)  f (a)

6) Se f (a)   2 escolha a ou b como x. FIM.

7) Se Mf ( x)  0, faça a = x. Vá para o passo 9.

8) b = x

9) Se b  a  1 , então escolha para x qualquer x  [a, b] . FIM.

10) k = k+1. Volte ao passo 5

4- MÉTODOS ABERTOS

4.1 Método de Newton

4.1.1 Introdução

O método de Newton (também chamado de método de Newton-Raphson) é um

esquema usado para se obter a solução numérica de uma equação na forma f ( x)  0 ,
onde f ( x ) é contínua e diferenciável e sua equação possui uma solução próxima a um
ponto dado como ilustramos na figura 3.

Método de Newton

Figura 5: Ilustra o processo com a escolha do ponto x0 como a primeira estimativa da

solução.
 O processo de solução começa com a escolha do ponto x0 como a primeira
estimativa da solução. A segunda estimativa, x1, é obtida a partir do cruzamento com o eixo
x da reta tangente a f ( x ) no ponto ( x0 , f ( x0 )) . A estimativa seguinte, x2, é a intersecção
com o eixo x da reta tangente a f ( x ) no ponto ( x1 , f ( x1 )) , e assim por diante.
Matematicamente, na primeira iteração, a inclinação f '( x0 ) da tangente no ponto ( x0 , f ( x0 ))
é dada por:

f ( x0 )  0
f '( x0 ) 
x0  x1

Resolvendo tal equação obtém-se:

f ( x0 )
x1  x0 
f '( x0 )

Sendo assim generalizada para a próxima solução xi 1 seja obtida a partir da solução atual:

f ( xi )
xi 1  xi 
f '( xi )

Conhecida como a fórmula iterativa geral do método de Newton. Ela é chamada de fórmula
iterativa porque a solução é aplicada com a aplicação repetida da equação em cada valor
sucessivo de i.

O método de Newton também pode ser deduzido a partir da série de Taylor. A

expansão em série de Taylor de f ( x ) em torno de xi é dado por:

1
f ( x)  f ( x0 )  ( x  x0 ) f '( x0 )  ( x  x0 ) 2 f ''( x0 )  ......
2!

Se x1 é uma solução da equação f ( x)  0 e x0 é um ponto próximo a x1 , então:

1
f ( x1 )  0  f ( x0 )  ( x1  x0 ) f '( x1 )  ( x1  x0 ) 2 f ''( x0 )  ......
2!

Considerando apenas os dois primeiros termos da série, uma solução aproximada

pode ser determinada resolvendo a série para x1 :

f ( x0 )
x1  x0 
f '( x0 )
Exemplo: Consideremos a função f ( x)  x 2  x  6,  2  2, x0  1,5

f ( xi ) x2  x  6
xi 1  xi   x
f '( xi ) 2x 1
x0  1.5
x0 2  x0  6
x1  x0   2.0625
2 x0  1
x12  x1  6
x2  x1   2.00076
2 x1  1
x2 2  x2  6
x3  x2   2.00000
2 x2  1

4.1.2 Convergência do Método de Newton

O método de Newton, quando bem sucedido, converge rapidamente. A não

convergência usualmente ocorre porque o ponto de partida não está suficientemente
próximo da solução. Problemas de convergência ocorrem tipicamente quando o valor de
f ( x ) é próximo de zero na vizinhança da solução (onde f ( x)  0 ). É possível mostrar que

o método de Newton converge se a função f ( x ) e suas derivadas primeira e segunda,

f '( x ) e f "( x ) , forem continuas, se f '( x ) for diferente de zero na solução, e se o ponto de
partida x0 estiver próximo da solução exata.

4.1.3 Algoritmo

Seja a equação f ( x)  0

Suponha que são satisfeitas todas as condições

1) Dados iniciais:

a) x0: aproximação inicial

b) 1 e  2 precisões

2) Se f ( x0 )  1 , faça x  x0 . FIM

3) k = 1
 f (x )
4) x1  x0  f '( x )
0

5) Se f ( x1 )  1 ou se x1  x0   2

6) x1  x0

7) k = k+1

volte para o passo 4

4.1.4 Solução de Equação não Linear usando o Método de Newton

A programação do método de Newton é muito simples. Que faz a determinação da raiz de

f(x) = 0. O programa consiste em uma repetição na qual a solução seguinte xi é calculada a
partir da solução atual x0. As repetições param se o erro for pequeno suficiente de acordo
com o erro estimado, para evitar a situação em que as repetições continuar
indefinitivamente (porque a solução não converge).

Exemplo: Obtenha a solução da equação y = 8 – 4,5(x-senx) usando o método de Newton

utilizando a programação Matlab.

Solução: function Xs=NewtonRaiz(Fun,FunDer,Xest,Err,imax)

%NewtonRaiz determina a raiz de Fun=0 na vizinhança do ponto Xest usando o
metodo de Newton
%variaveis de Entrada
%Fun Nome (string) da função que calcula Fun para um dado x
%FUNDER nome (string)da função que calcula a derivada de FUN para um dado x
%Xest Estimativa inicial da função
%Err Erro máximo
%imax número máximo de iterações
%variável de Saida
% Xs solução
for i = 1:imax
Xi=Xest-feval(Fun,Xest)/feval(FunDer,Xest);
if abs((Xi-Xest)/Xest)<Err
Xs=Xi;
break
end
Xest=Xi;
end
if i==imax
fprintf('A solução não foi obtida em %iterações.\n',imax)
Xs=('Sem resposta');
end

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function y = FunExemplo2(x)
y=8-4.5*(x-sin(x));
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function y=FunDerExemplo2(x)
y=-4.5+4.5*cos(x);

4.2 Método da Secante.

4.2.1 Introdução

O método da secante é um esquema usado para se obter a solução numérica de

equação na forma f ( x)  0 . O método usa dois pontos na vizinhança da solução para
determinar a nova solução estimada (figura 4). Os dois pontos (marcados como x1 e x2 na
figura 4) são usados para definir uma linha reta (reta secante), e o ponto onde essa reta
intercepta o eixo x (marcada como ponto x3 na figura 4) é a nova solução estimada.
Conforme ilustrado, ambos os pontos podem estar de um lado da solução figura 4ª, ou a
solução pode estar entre os dois pontos figura 4b.

Método da Secante

Figura 6: Ilustra o método da Secante com a reta secante depois (a) e entre a solução
exata (b).

A inclinação da reta é dada por:

f ( x1 )  f ( x2 ) f ( x2 )  0

x1  x2 x2  x3

Logo:

f ( x2 )( x1  x2 ) x2 f ( x1 )  x1 f ( x2 )
x3  x2  
f ( x1 )  f ( x2 ) f ( x1 )  f ( x2 )
 Assim que o ponto x3 é determinado, ele é usado juntamente com o ponto x2 para
calcular a próxima estimativa da solução, x4 . Logo podemos generalizar a equação iterativa
do método da secante para uma fórmula geral na qual a nova estimativa da solução xi 1 é
determinada das duas soluções anteriores xi e xi 1 dada por:

xi f ( xi 1 )  xi 1 f ( xi )
xi 1 
f ( xi 1 )  f ( xi )

Exemplo: Consideremos f ( x)  x 2  6 x  6,  2  2, x1  1.5 e x2  1.7 utilizando o método

da secante, temos

x2 f ( x1 )  x1 f ( x2 ) 1.7(2.25)  1.5(1.41)
x3    2.03571
f ( x1 )  f ( x2 ) (2.25)  (1.41)
x3 f ( x2 )  x2 f ( x3 ) (2.035)(1.41)  1.7(0.17983)
x4    1.99774
f ( x2 )  f ( x3 ) 1.41  0.17983
x4 f ( x3 )  x3 f ( x4 ) (1.99774)(0.17983)  (2.035)(01131)
x5    1.99999
f ( x3 )  f ( x4 ) 0.17983  (0.01131)

4.1.3 Algoritmo

Seja a equação f ( x)  0

Suponha que são satisfeitas todas as condições

1) Dados iniciais:

c) x1: aproximação inicial

d) 1 e  2 precisões

2) Se f ( x1 )  1 , faça x  x1 . FIM

se f ( x2 )  1 

3) ou  x  x2 .FIM
x2  x1   2 
 4) k = 1

xi f ( xi 1 )  xi 1 f ( xi )
5) xi 1  f ( xi 1 )  f ( xi )

6) Se f ( x3 )  1 ou se x3  x2   2 então x  x3 . FIM

x1  x2
7) x  x
2 3

8) k = k+1

volte para o passo 5

4.1.4 Convergência

A análise do método da secante é uma aproximação para o método de Newton, as

condições para a convergência do método são praticamente as mesmas; acrescenta-se que
o método pode divergir se f ( xi )  f ( xi 1 ) . A ordem de convergência do método da secante
não é quadrática como a do método de Newton, mas também não é linear.

4.1.5 Solução de Equação Não Linear usando o Método da Secante

A programação do método da secante é muito similar àquele do método de Newton

que pode ser usada na determinação da raiz de f ( x)  0 no matlab. O programa consiste
em um laço de repetição no qual a solução seguinte a xi a partir das duas soluções
anteriores. A repetição é interrompida se o erro for menor que o estipulado pelo usuário.

Exemplo:

Obtenha a solução da equação y = 8 – 4,5(x-senx) usando o método da Secante utilizando a

programação Matlab.
function Xs=SecanteRaiz(Fun,Xa,Xb,Err,imax)
%SecanteRaiz determina a raiz de Fun=0 usando o metodo da Secante
%variaveis de Entrada
%Fun Nome (string) da função que calcula Fun para um dado x
%a e b dois pontos da vizinhança da raiz
%Xest Estimativa inicial da função
%Err Erro máximo
%imax número máximo de iterações
%variável de Saida
% Xs solução
for i = 1:imax
FunXb=feval(Fun,Xb);
Xi=Xb-FunXb*(Xa-Xb)/(feval(Fun,Xa)-FunXb);
if abs((Xi-Xb)/Xb)<Err
Xs=Xi;
break
end
Xa=Xb;
Xb=Xi;
end
if i==imax
fprintf('A solução não foi obtida em %iterações.\n',imax)
Xs=('Sem resposta');
end

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function y = FunExemplo2(x)
y=8-4.5*(x-sin(x));

UNIDADE 3

RESOLUÇÃO DE SISTEMAS LINEARES

OBJETIVO DA UNIDADE
A unidade tem como objetivo estudar alguns dos métodos diretos e métodos
iterativos utilizados nas resoluções de sistemas lineares, tendo, também como
ferramenta a computação científica nas soluções numéricas dos sistemas.

1 – INTRODUÇÃO
Sistemas de equações lineares aparecem em problemas que contem muitas
variáveis dependentes. Tais problemas ocorrem não apenas na engenharia e na ciência,
mas também pode aparecer em outras áreas de conhecimento como economia,
administração, estatística, etc. Um sistema de duas ou (três) equações com duas ou (três)
incógnitas pode ser resolvido manualmente por substituição ou com o uso de métodos
matemáticos (por exemplo, a regra de Cramer). Resolver um sistema dessa maneira é
praticamente impossível se o número de equação (e incognitas) for maior que três. Daí a
necessidade do método numérico quando surgir um problema de engenharia elétrica
quando temos um circuito com quatro correntes utilizando a lei de Kirchoff recai num
sistema de quatro equação com quatro incógnitas. Obviamente um circuito mais complicado
pode requerer uma solução de sistema com um número maior de equações.

2 – MÉTODO DIRETO

2.1 – INTRODUÇÃO

Pertencem a esta classe todos os métodos estudados no ensino básico,

destacando-se a regra de Cramer. Este método, aplicado à resolução de um sistema n x n
envolve o cálculo de (n+1) determinantes de ordem n. Se for igual a 20 podemos mostrar
que o número total de operações efetuadas será 21 x20! X 19 multiplicações mais um
número semelhante de adições. Assim, um computador que efetue cerca de cem milhões de
multiplicações por segundo levaria 3 x 105 anos para efetuar as operações necessárias.

Dessa forma, o estudo de um método mais eficientes é necessário, pois, em geral,

os problemas práticos exigem a resolução de sistemas lineares de grande porte, isto é,
sistemas que envolvem um grande número de equações e variáveis.

Devemos observar que no caso de sistemas lineares n x n, com solução única, o

vetor x* é dado por: x* = A-1b. No entanto, calcular explicitamente a matriz A-1 e em seguida
calcular efetuar o produto A-1b é desaconselhável, uma vez que o número de operações
envolvidas é grande, o que torna este processo não competitivo com os métodos que
estudaremos a seguir

2.2 – MÉTODO DE ELIMINAÇÃO DE GAUSS

Entre os métodos diretos, destacam-se os métodos de eliminação que evitam o

cálculo direto da matriz inversa de A e além disto não apresentam problemas com o tempo
de execução com a regra de Cramer.

O método de eliminação de Gauss consiste em transformar o sistema linear original

num sistema linear equivalente com matriz dos coeficientes triangular superior, pois estes
são de resolução imediata. Dizemos que dois sistemas lineares São equivalentes quando
possuem a mesma solução.

Veremos a seguir um algoritmo para resolução de sistemas triangulares e

estudaremos como o método da Eliminação de Gauss efetua a transformação do sistema
linear original no sistema linear equivalente.
2.2.1 Resolução de Sistemas Triangulares
Seja o sistema linear Ax = b, onde A: matriz n x n, triangular superior, com elementos
da diagonal diferente de zero. Escrevendo as equações deste sistema, temos:

a11 x1  a12 x2  a13 x3  .........  a1n xn  b1


 a22 x2  a23 x3  .........  a2 n xn  b2
 a33 x3  .........  a3n xn  b3


 an 1,n 1 xn 1  an 1,n xn  bn 1

 ann xn  bn

Da última equação, temos:

bn
xn 
ann

xn 1 pode então ser obtido da penúltima equação:

bn 1  an 1,n xn
xn 1 
an 1,n 1

E assim sucessivamente obtém-se xn2 , , x2 e finalmente x1

b1  a12 x2  a13 x3  a1n xn

x1 
a11

Em termo geral temos

j n
b1  a x
j i 1
ij n

xi  i  n  1, n  2,....,1
aii

2.2.2 Descrição do Método da Eliminação de Gauss

Conforme dissemos anteriormente, o método consiste em transformar
convenientemente o sistema linear original para obter um sistema linear equivalente com
matriz dos coeficientes triangular superior.
Para modificar convenientemente o sistema linear dado de forma a obter um sistema
equivalente, faremos uso do teorema.
Teorema1
Seja Ax = b um sistema linear. Aplicando sobre as equações deste sistema uma sequência
de operações elementares escolhidas entre:
i) Trocar duas equações
ii) Multiplicar uma equação por uma constante não nula
iii) Adicionar um múltiplo de uma equação a uma outra equação
Obtemos um novo sistema A”x = b” e os sistemas Ax = b e A”x = b” são equivalentes.
Suponhamos que det(A) ≠ 0 para triangularizar a matriz a eliminação é feita por colunas e
chamaremos de etapa k do processo a fase em que se elimina a variável xk das equações
k+1, k+2,.........,n. Usaremos a notação aij( k ) para denotar o coeficiente da linha i e coluna j
no final da k-ésima etapa, bem como bi( k ) será o i-ésimo elemento do vetor constante no
final da etapa k.

2.2.3 Algoritmo para Resolução de Ax = b através da Eliminação de

Gauss
Seja o sistema linear Ax = b, A: n x n, x: n x 1, b: n x1
Supor que o elemento que está na posição akk é diferente de zero no início da etapa
k.

 para k  1,......, n  1

  para i  k  1,......, n
 
  m  aik
  akk

Eliminação   aik  0

  para j  k  1,....., n
 
  aij  aij  makj
 b  b  mb
  ij i k

Resolução do Sistema
bn
xn 
ann
para k  (n  1),......, 2,1
s  0
 para j  (k  1),....., n

s  s  a x 
 kj j 

 (bk  s )
 xk  akk
2.2.4 Função Criada no MATLAB para Resolver um Sistema de
Equações Usando Eliminação de Gauss
Quando o método de eliminação de Gauss é programado, é conveniente e mais eficiente
criar uma matriz que inclua a matriz de coeficiente [a] e o vetor [b] que contem os lados
diretos das equações. Isso é feito acrescentando-se o vetor [b] à matriz [a] (matriz
aumentada).
Exemplo: Escreva uma matriz no MATLAB para resolver um sistema de equações lineares,
[a] [x] = [b], usando o método de eliminação de Gauss. Use x = Gauss(a,b) como nome de
função e argumentos, onde a é a matriz de coeficientes, b é o vetor coluna contendo os
termos no lado direito das equações e x é um vetor coluna contendo a solução.
% Programa função definida pelo usuário (eliminação de Gauss)

% A função resolve um Sistema de eq. Lineares usando método de Gauss

% Variáveis de Entrada

% a Matriz de coeficientes

% b Vetor coluna contendo as constantes do lado direito do sistema

% x vetor coluna com solução

function x = Gauss(a,b)

ab = [a,b];

[R,C] = size(ab);

for j = 1:R-1

for i = j+1:R

ab(i,j:C) = ab(i,j:C)-ab(i,j)/ab(j,j)*ab(j,j:C);

end

end

x = zeros(R,1);

x(R) = ab(R,C)/ab(R,R);

for i = R-1:-1:1

x(i) = (ab(i,C)-ab(i,i+1:R)*x(i+1:R))/ab(i,i);

end

Resolva o sistema abaixo utilizando o programa computacional

 9i1  4i2  2i3  24
 4i  17i  6i  3i  16
 1 2 3 4

 2i1  6i2  14i3  6i4  0
 3i2  6i3  11i4  18

3 – MÉTODOS ITERATIVO

3.1 – INTRODUÇÃO

A idéia central dos métodos iterativos é generalizar o método do ponto fixo utilizado na
busca de raízes de uma equação.

Seja o sistema linear Ax = b, onde:

A: matriz dos coeficientes, n x n

x: vetor das variáveis n x 1

b: vetor dos termos constantes, n x 1.

Este sistema é convertido, de alguma forma, num sistema do tipo x =Cx + g onde C é
matriz n x n e g vetor n x 1. Observemos que φ(x) = Cx + g é uma função iteração dada na
forma matricial.

É então proposto o esquema iterativo:

Partindode x(0) (vetor de aproximação inicial) e então construímos consecutivamente

os vetores:

x(1) = Cx(0) + g = φ (x(0)) (primeira aproximação)

x(2) = Cx(1) + g = φ (x(1)) (segunda aproximação) etc.

De modo geral, a aproximação x(k+1) é calculada pela fórmula x(k+1) = Cx(k) + g, ou seja, x(k+1)
= φ (x(k)), k = 0,1,......

É importante observar que se a sequência de aproximação x(0) , x(1) ,........., x(k) ,...... é
tal que lim x( k )   , então   C  g , ou seja,  é a solução do sistema linear Ax = b.
k 
3.2 – TESTE DA PARADA

O Processo iterativo é repetido até que o vetor x(k) esteja suficientemente próximo do
vetor x(k-1).

Medindo a distância entre x(k) e x(k-1) por:

d(k)  max x i(k)  x i(k-1)

1i  n

Assim, dada uma precisão  , o vetor x(k) será escolhido como x , solução
r  .
aproximada da solução exata, de d (k)

Da mesma maneira que no teste de parada dos métodos iterativos para zeros de
funções, podemos efetuar aqui o teste de erro relativo:

d(k)
dr 
(k)

max x i(k)  x i(k-1)

1i  n

Computacionalmente usamos também como teste de parada um número máximo de

iterações.

3.3 – MÉTODO ITERATIVO DE GAUSS-JACOBI

No método de Jacobi, um valor inicial é escolhido para cada uma das incógnitas,
(1)
x , x ,........., xn(1) . Se não houver nenhuma informação a respeito de valores aproximados
1
(1)
2

de incógnitas, pode-se assumir que o valor inicial de todas elas seja igual a zero. A segunda
estimativa da solução x1(2) , x2(2) ,........., xn(2) , é calculada com a substituição da primeira
estimativa.

A forma como o método de Gauss-Jocobi transformar o sistema linear Ax = b em x = Cx + g

é a seguir:

Tomamos o sistema original:

 a11 x1  a12 x2  a13 x3  .........  a1n xn  b1
a x  a x  a x  .........  a x  b
 21 2 22 2 23 3 2n n 2

a31 x3  a32 x3  a33 x3  .........  a3n xn  b3



an1 x1  an 2 x2  ....................  ann xn  bn

E supondo aii  0, i  1,...., n , isolamos o vetor x mediante a separação pela diagonal,

assim:
 1
 x1  a (b1  a12 x2  a13 x3  .........  a1n xn )
 11

 1
 x2  a (b2  a21 x1  a23 x3  .........  a2 n xn )
 22

 1
 x3  (b3  a32 x2  a31 x1  .........  a3n xn )
 a33


 x  1 (b  a x  a x  .........  a x )
 n a n n1 2 n2 2 n , n 1 n 1

 nn

Desta forma, temos x = Cx +g, onde

 0  a12 a11 a13 a11 a1n a11 
 
a a 0 a23 a22 a2 n a22 
C=  21 22
 
 
 an1 ann an 2 ann an 3 ann 0 

e
 b1 a11 
 
 b2 a22 
g
 
 
 bn ann 

O método de Gauss-Jacobi consiste em, dado x(0), aproximação inicial, obter x(1) ......, x(k) .....
Através da relação recursiva x(k+1) = Cx(k) + g :
 ( k 1) 1
 x1  (b1  a12 x2  a13 x3  .........  a1n xn )
a11

 ( k 1) 1
 x2  (b2  a21 x1  a23 x3  .........  a2 n xn )
a22

 ( k 1) 1
 x3  (b3  a31 x1  a32 x2  .........  a3n xn )
 a33


 x ( k 1) 
1
(bn  an1 x2  an 2 x2  .........  an ,n 1 xn 1 )
 n ann


Exemplo 1:

Resolva o sistema Linear:

10 x1  2 x2  x3  7

 x1  5 x2  x3  8
2 x  3x  10 x  6
 1 2 3

 0.7 
 
Pelo método de Gauss- Jacobi com x (0)
  1.6  e   0.05
 0.6 
 

O processo iterativo é

 ( k 1) 1 2 x (2 k ) x3( k ) 7
 x1  (7  2 x 2  x3 )  0 x1 
(k ) (k ) (k )
 
 10 10 10 10
 ( k 1) 1 x1( k ) x3( k ) 8
 x 2  (8  x1  x3 )   0 x2  
(k ) (k ) (k )

 5 5 5 5
 ( k 1) 1 2 x1( k ) 3 x (2 k ) 6
 x3  (6  2 x1  3 x2 )     0 x1( k ) 
(k ) (k )

 10 10 10 10

Na forma matricial x(k+1) = Cx(k) + g

  0 2 1 
 10 10 

C= 1 0 1 
 5 5
 1 3 
0 
 5 10 

e
7 
 10 
g   8 
 5
 6 
 10 

Assim (k = 0) temos:

 (1) 2 x (0) x3(0) 7

 x1   2
   0.2x(1.6)  0.1x0.6  0.7  0.96
 10 10 10
 ( k 1) x (0) x (0) 8
 x2   3   0.2x0.7  0.2x0.6  1.6  1.86
1

 5 5 5
 ( k 1) 2 x1(k )
3x (2 k ) 6
 3x      0.2x0.7  0.3x(-1.6)  0.6  0.94
 10 10 10

ou

 0.96 
 
x (1)
C (0)
 g   1.86 
 0.94 
 

Calculando d r(1) para saber se satisfaz o erro estipulado no problema, temos

x1(1)  x1(0)  0.26

d (k) 0.34
2  x2  0.26  d r    0.1828  
(k)
x (1) (0)

max x i(k)  x i(k-1) 1.86

1i  n
x 3(1)  x 3(0)  0.34

Prosseguindo as iterações, temos:

para k  1
 0.978 
  0.12
x   1.98   d r(2) 
(2)
 0.0606  
 0.966  1.98
 
para k  2
 0.9994 
  0.0324
x (3)
  1.9888   d r(3)   0.0163  
 0.9984  1.9888
 

Então a solução do sistema linear, com erro menor que 0.05, obtido pelo método de Gauss-
Jacobi, é:

 0.9994 
 
x=x (3)
  1.9888 
 0.9984 
 

3.4 – CRITÉRIO DE CONVERGÊNCIA

O teorema que estabelece uma condição suficiente para a convergência do método
de Gauss- Jacobi é dado por:

Teorema (Critério das Linhas): Seja o sistema linear Ax = b e seja

 n 
 k    akj  akk se  k  max  k  1 então o método de Gauss-Jacobi gera uma
 j 1  1 k  n
 j k 
 
sequência {x(k)} convergente para a solução do sistema dado, independentemente da
escolha da aproximação inicial, x(0)

Exemplo 2:

Analisando a matriz do sistema linear do Exemplo 1,

10 2 1 
 
A =  1 5 1  , temos
 2 3 10 
 
2 1 11 23
1   0.3  1,  2   0.4  1,  3   0.5  1
10 10 10

Então max  k  0.5  1 onde, pelo critério das linhas, temos garantia de convergência para o
1 k 3

método de Gauss-Jacobi.
3.5 – MÉTODO ITERATIVO DE GAUSS-SIEDEL
No método de Gauss-Siedel o sistema linear Ax = b e escrito na forma equivalente x = Cx +g
por separação da diagonal.

O processo iterativo consiste em, sendo x(0) uma aproximação inicial, calcular x(1),

x(2), x(3),........, x(k),.... por:

 ( k 1) 1
 x1  (b1  a12 x (2 k )  a13 x3( k )  .........  a1n x (n k ) )
a11

 ( k 1) 1
 x2  (b2  a21 x1( k )  a23 x3( k )  .........  a2 n xn( k ) )
a22

 ( k 1) 1
 x3  (b3  a31 x1( k )  a32 x2( k )  .........  a3n x (n k ) )
 a33


 x ( k 1) 
1
(bn  an1 x1( k 1)  an 2 x (2 k 1)  .........  an ,n 1 x (nk11) )
 n ann



Portanto, no processo iterativo de Gauss-Siedel, no momento de se calcular x(jk 1)

usamos todos os valores x1( k 1) ,......, x(jk11) , que já foram calculados e os valores

x(jk11) ,......, xn( k 1) restantes.

Exemplo 3: Resolva o sistema linear

5 x1  x2  x3  5

3x1  4 x2  x3  6
3x  3x  6 x  0
 1 2 3

0
 
Pelo método de Gauss-Seidel com x (0)
  0  e   5 x 102
0
 

O processo iterativo é:
 x1( k 1)  1  0.2 x (2 k )  0.2 x3( k )
 ( k 1) ( k 1)
 x 2  1.5  0.75 x1  0.25 x3
(k )

 ( k 1) ( k 1) ( k 1)

 x3  0  0.5 x1  0.5 x2
0
 0  
como x   0 
0
 
(k  0)
 x1(1)  1  0  0  1  1 
 (1) 1  
 x 2  1.5  0.75 x 1  0  0.75  x   0.75  , donde
 (1)  0.875 
 x3  0  0.5 x 1  0.5 x 0.75 = -0.875  

x1(1)  x1(0)  1
1
x2(1)  x2(0)  0.75  d r(1)  1 
max xi(1)
x3(1)  x3(0)  0.875 1 j 3

Assim, (k = 1) e

 x1(2)  1  0.2x0.75+0.2x0.875  1.025  1.025 

 (2)  2  
 x 2  1.5  0.75 x 1.025  0.25x(-0.875)  0.95  x   0.95  , donde
 (2)  0.9875 
 x3  0.5 x 1.025  0.5 x 0.95 = -0.9875  

x2(1)  x2(0)  0.025

0.2 0.2
x2(1)  x2(0)  0.20  d r(2)  (1)
  0.1951  
max xi 1.025
x3(1)  x3(0)  0.1125 1 j 3

Continuando as iterações obtemos:

1.0075 
 3  
x   0.9912   d r(3)  0.0409  
 0.9993 
 

Assim, a solução x do sistema linear dado com erro menor que  , pelo método de Gauss-
Siedel, é

1.0075 
 3  
x=x   0.9912 
 0.9993 
 
3.6 – CRITÉRIO DE CONVERGÊNCIA DO MÉTODO DE GAUSS-
SIEDEL
Para determinar a convergência do método de Gauss-Siedel utilizaremos o critério
de Sassenfeld.

 x1 
 
x2
Seja x    a solução exata do sistema Ax = b seja:
*
 
 
 xn 

 x (1k ) 
 (k ) 
x 
x(k )   2  a k-enézima aproximação de x*.
 
 x (k ) 
 n 

Uma condição que nos garanta que x ( k )  x* quando k   , ou seja, que

lim ei( k )  0 para i = 1,.......,n onde ei( k )  xi( k )  xi*
k 

Agora

 ( k 1) 1
e 1  (b1  a12 e(2k )  a13e(3k )  .........  a1n e(nk ) )
a11

 ( k 1) 1
e 2  (b2  a21e(1k )  a23e(3k )  .........  a2 n e(nk ) )
a22

 ( k 1) 1
e 3  (b3  a31e(1k )  a32 e(2k )  .........  a3n e(nk ) )
 a33


e( k 1) 
1
(bn  an1e1( k 1)  an 2 e(2k 1)  .........  an ,n 1e(nk11) )
 n ann



Chamaremos de E ( k )  max{ ei( k ) } e sejam

1i  n

n
1   a1 j a11 e para i = 2,3,........n
j 2

 i 1 n 
i     j aij   aij  aii
 j 1 j i 1 
O critério de Sassenfeld estabelece que :

a12  a13  .......  a1n

1 
a11
e
a j1 1  a j 2  2  .......  a jj 1  j 1  a jj 1  .......  a jn
j 
a jj

Seja   max{ j }
1i  n

Se   1 , então o método de Gauss-Siedel gera uma sequência convergente qualquer que

seja x(0). Além disto, quanto menor for  , mais rápido será a convergência.

Exemplo 4: Seja o sistema Linear

 x1  0.5 x2  0.1x3  0.1x4  5

 0.2 x  x2  0.2 x3  0.1x4  2.6
 1

0.1x1  0.2 x2  x3  0.2 x4  1.0
0.1x1  0.1x2  0.2 x3  x4  2.5

Para este sistema linear com esta disposição de linhas e colunas, temos:

1  0.5  0.1  0.1 1  0.7

 2  (0.2)(0.7)  0.2  0.1 1  0.44
3  (0.1)(0.7)  (0.2)(0.44)  0.2 1  0.358
 4  (0.1)(0.7)  (0.3)(0.44)  (0.2)(0.358)  1  0.2736

Portanto,   max i   0.7  1 então temos a garantia de que o método de Gauss-Siedel
1i n

vai gerar uma sequência convergente.

2.2.4 Funções Criadas no MATLAB para Resolver um Sistema de

Equações Usando o Método Iterativo de Gauss-Jacobi e Gauss
Siedel
No método de Gauss-Siedel, os valores atuais das incógnitas são utilizados no
cálculo do novo valor da próxima incógnita. Em outras palavras, à medida que um novo
valor é calculado, ele é imediatamente utilizado na próxima aplicação enquanto que no
método de Jacobi, os valores das incógnitas obtidas em uma iteração são utilizados como
um conjunto completo no cálculo dos novos valores das incógnitas na próxima iteração,por
este motivo o método de Gauss-Siedel converge mais rápido do que o método de Gauss-
Jacobi e requer menos memória computacional quando programado. Segue abaixo
programa que resolve qualquer sistemas lineares 3 x 3 utilizando os dois métodos.
% -------------------------------------------------------------------------
% Este programa partindo da aproximação inicial X0=[5/4,-1/4]
% aproxime a solução do sistema
% qualquer 3 X 3
% aplicando o método de Jacobi e o método de Gauss-Seidel por forma a que
% ||xk - xk-1 || < 0.5 x 10-1
% -------------------------------------------------------------------------
A = input('Entre com a matriz A') %A=introduzir a matriz A
b = input('entre com o vetor b')%b=[2.5 0.5]' % introduzir o vector b
X0 = input('entre com a soluçao inicial')% introduzir a solução inicial X0
qualquer
[X,dX,Z]=jacobi(A,b,X0,0.05,2);
m=length(Z);
k=1:m;
disp('');
disp('---------------------Método de Jacobi --------------------');
disp(' Iteração x(1) x(2) x(3) ');
disp('--------------------------------------------------------------');
disp([k',Z])
disp('--------------------------------------------------------------');
disp(' ');
disp(['A solução: ','x1= ',num2str(Z(m,1),8),' x2= ',num2str(Z(m,2),8),'
x3= ',num2str(Z(m,3),8)]);
[X,dX,Z]=gseidel(A,b,X0,0.05,2);
m=length(Z);
k=1:m;
disp(' ');
disp('-------------------Método de Gauss-Seidel --------------------');
disp(' Iteração x(1) x(2) x(3)');
disp('--------------------------------------------------------------');
disp([k',Z])
disp('--------------------------------------------------------------');
disp(' ');
disp(['A solução: ','x1= ',num2str(Z(m,1),8),' x2= ',num2str(Z(m,2),8),'
x3= ',num2str(Z(m,3),8)]);

function [X,delta,Z] = gseidel(A,b,X0,eps,max)

%--------------------------------------------------------------------------
% Implementa o método iterativo de Gauss-Seidel para determinar uma solução
%aproximada de Ax=b
% Executar
% [X,delta] = gseidel(A,B,P,delta,max1)
% [X,delta,Z] = gseidel(A,B,P,delta,max1)
% Entrada
% A a matriz A do sistema
% b o vector dos termos independentes
% X0 a solução inicial
% eps se abs(X(k)-X(k-1))< eps FIM !!!
% max número máximo de iterações
% Devolve
% X o vector com a solução
% delta a norma do vector abs(X(k)-X(k-1))
% Z Matrix com todas as soluções (uma por linha)
%--------------------------------------------------------------------------
n = length(b);
Xant = X0; % inicializa Xant
X=X0; % inicializa X
Z = X0'; % inicializa Z
for k=1:max, % iterar até max vezes
for j = 1:n, % para cada equação
% X(j)= (b(j)-a(j,1)*X(1)-...-a(j,j-1)*X(j-1)- a(j,j+1)*Xant(j+1)-...-
%a(n,n)*Xant(n))/ ajj
if j==1
Sum = b(1) - A(1,2:n)*Xant(2:n);
elseif j==n
Sum = b(n) - A(n,1:n-1)*X(1:n-1);
else
Sum = b(j)-A(j,1:j-1)*X(1:j-1)-A(j,j+1:n)*Xant(j+1:n);
end
X(j) = Sum/A(j,j);
end
Z = [Z;X']; % armazena a história
delta = norm(abs(X-Xant),1);
if (delta<eps) break, end
Xant = X;
end

function [X,delta,Z] = jacobi(A,b,X0,eps,max)

%-----------------------------------------------------------------------
% Implementa o método iterativo de Jacobi para determinar uma solução
% aproximada de Ax=b
% Executar
% [X,delta] = jacobi(A,B,P,delta,max1)
% [X,delta,Z] = jacobi(A,B,P,delta,max1)
% Entrada
% A a matriz A do sistema
% b o vector dos termos independentes
% X0 a solução inicial
% eps se abs(X(k)-X(k-1))< eps FIM !!!
% max número máximo de iterações
% Devolve
% X o vector com a solução
% delta a norma do vector abs(X(k)-X(k-1))
% Z Matrix com todas as soluções (uma por linha)
%-----------------------------------------------------------------------
n=length(b);
Xant = X0; % inicializa Xant
X=X0; % inicializa X
Z = X0'; % inicializa Z
for k=1:max, % iterar até max vezes
for j = 1:n, % para cada equação
% X(j)= (b(j)-a(j,1)*Xant(1)-...-a(j,j-1)*Xant(j-1)-
%a(j,j+1)*Xant(j+1)-...-a(n,n)*Xant(n))/ ajj
Sum = b(j) - A(j,[1:j-1,j+1:n])*Xant([1:j-1,j+1:n]);
X(j) = Sum/A(j,j);
end
Z = [Z;X']; % armazena a história
delta = norm(abs(X-Xant),1);
if (delta<eps) break, end
Xant = X;
end
Ajuste os programas para calcular o sistema linear 4 x4 abaixo

 9 x1  2 x2  2 x3  2 x4  54.5
 2x  8 x2  3x3  3x4  14
 1

 3x1  2 x2  4 x3  4 x4  12.5
2 x1  3x2  10 x3  10 x4  21
 UNIDADE 4

AJUSTE DE CURVAS E INTERPOLAÇÃO

OBJETIVO DA UNIDADE
A unidade tem como objetivo estudar alguns dos métodos numéricos para ajustar
curvas lineares e não lineares e métodos numéricos de interpolação sempre fazendo
a comparação dos diversos métodos com objetivo de identificar qual o melhor
método que melhor se ajusta ao problema estudado.
1. AJUSTE DE CURVAS
1.1 INTRODUÇÃO
O ajuste de curvas é um procedimento no qual uma fórmula matemática (equação) é
usada para produzir uma curva que melhor represente um conjunto de dados. O objetivo é
encontrar uma equação que possa fazer isso de forma geral. Isso significa que a função que
não tem que fornecer valor exato em cada ponto, mas sim representar o conjunto de dados
de forma satisfatória como um todo. O ajuste de curva é tipicamente utilizado quando os
valores dos dados medidos apresentam algum erro ou dispersão. Em geral qualquer
medição experimental apresenta erro ou incertezas inerentes, e a procura por uma curva
que passe por todos os pontos medidos não traz consigo qualquer benefício. O
procedimento de ajuste também é usado para determinar os valores dos parâmetros
(coeficientes) nas equações. Isso pode ser feito com muitas funções diferentes e com
polinômios de varias ordens.

1.2 REGRESSÃO LINEAR POR MÍNIMOS QUADRADOS

A regressão linear por mínimos quadrados é um procedimento no qual os coeficientes
a1 e a0 da função linear y  a1 x  a0 são determinados de tal forma que essa função leve
ao melhor ajuste de um determinado conjunto de pontos. O melhor ajuste é definido
como o menor erro total calculado com a soma dos quadrados dos resíduos.

Para um dado conjunto de n pontos ( xi , yi ) , o erro global calculado é:

n
E    yi   ai xi  a0  
2
(1)
i 1

Como todos os valores de xi e yi são conhecidos. E da equação (1) é uma função

não linear de duas variáveis a1 e a0 . A função E tem um mínimo nos valores de a1 e a0
nos quais as derivadas parciais de E em relação a cada variável são iguais a zero.
Calculando as derivadas e as igualando a zero, obtém-se:

E n
 2 ( yi   ai xi  a0   0 (2)
a0 i 1

E n
 2 ( yi   ai xi  a0   0 (3)
a1 i 1

As equações (2) e (3) formam um sistema de duas equações lineares com incógnitas
a1 e a0 e podem ser escritas na forma:

 n  n
na0    xi  ai   yi (5)
 i 1  i 1
  n   n 2 n

  xi  a0    xi  a1   xi yi (6)
 i 1   i 1  i 1

A solução do sistema é:

n
 n  n 
n xi yi    xi   yi 
a1  i 1  i 1  i 1  (7)
2
n
 n 
n xi    xi 
2

i 1  i 1 

 n 2  n   n  n 



i 1
xi 
 

i 1
y


i 

i 1
xi i    xi 
y
  i 1 
a0  2
(8)
n
 n

n xi2    xi 
i 1  i 1 

Com as equações (7) e (8) contêm somas idênticas, é conveniente calculá-las

primeiramente para então substituí-las nas equações, para fazer isso, tais somas são
definidas como:

n n n n
S x   xi , S y   yi , S xy   xi yi , S xx   xi2 (9)
i 1 i 1 i 1 i 1

Com essas definições, as equações dos coeficientes a1 e a0 são:

nS xy  S x S y
a1  (10)
nS xx   S x 
2

S xx S y  S xy S x
a0  (11)
nS xx   S x 
2

As equações (10) e (11) fornecem os valores de a1 e a0 na função y  a1 x  a0 que levam

ao melhor ajuste dos n pontos do conjunto de dados.

1.3 APLICAÇÃO COMPUTACIONAL DO MÉTODO DOS MÍNIMOS

QUADRADOS PARA AJUSTE DE CURVA
O método pode ser utilizado no ajuste de uma equação linear construída após a coleta de
um conjunto de dados experimentais como:

Exemplo 1: De acordo com a lei de Charles para um gás ideal em um volume constante,
existem uma relação linear entre a pressão p e a temperatura T. A temperatura de gás é
então elevada em incremento de 10 graus Celsius a partir de 0º até 100º e os dados
obtidos são:
 T(ºC) 0 10 20 30 40 50 60 70 80 90 100

p(atm) 0,94 0,96 1,0 1,05 1,07 1,09 1,14 1,17 1,21 1,24 1,28

a) Trace o gráfico dos dados no matlab

b) Use a regressão linear por mínimos quadrados para determinar a função linear
usando apenas 4 pontos 0, 30, 70 e 100ºC.
c) Use o matlab para plotar o gráfico de dados e o gráfico utilizando a equação depois
de utilizar o método de mínimos quadrados (mostre os valores dos coeficientes
a1 e a0 ).

Solução:

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

a) cria-se um gráfico no matlab com o programa

T=0:10:100;
p=[0.94 0.96 1 1.05 1.07 1.09 1.14 1.17 1.21 1.24 1.28];
plot(T,p,'or')
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
b) Os coeficientes a1 e a0 são calculados com:
n n
S x   xi  0  30  70  100  200 S xx   xi  02  302  702  1002  15800
i 1 i 1

n
S y   yi  0,94  1, 05  1,17  1, 28  4, 44
i 1

n
S xy   xi  0.0,94  30.1, 05  70.1,17  100.1, 28  241, 4
i 1

A substituição das somas acima nas equações (10) e (11)

nS xy  S x S y 4.241, 4  (200.4, 44)

a1    0, 003345
nS xx   S x  4.15800  2002
2

S xx S y  S xy S x 15800.4, 44  (241, 4.200)

a0    0,9428
nS xx   S x  4.15800  2002
2

Logo a equação da pressão em função da temperatura é dada por:

p(t )  0, 003345T  0,9428
 c) Programa para calcular os coeficientes a1 e a0

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%Regressao linear minimos quadrados

function [a1,a0]=RegressaoLinear(x,y)
nx=length(x);
ny=length(y);
if nx~=ny;
disp('ERRO:o numero de elementos de x deve ser o mesmo que em y')
a1='Erro';
a0='Erro';
else
Sx=sum(x);
Sy=sum(y);
Sxy=sum(x.*y);
Sxx=sum(x.^2);
a1=(nx*Sxy-Sx*Sy)/(nx*Sxx-Sx^2);
a0=(Sxx*Sy-Sxy*Sx)/(nx*Sxx-Sx^2);
end

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

Programa para plotar os gráficos

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
T=0:10:100;
p=[0.94 0.96 1 1.05 1.07 1.09 1.14 1.17 1.21 1.24 1.28];
[a1,a0]=RegressaoLinear(T,p);
coefa1ea0=[a1 a0]
T2=0:0.1:100;
rmq=polyval(coefa1ea0,T2);
plot(T,p,'or')
hold on
plot(T2,rmq,'k','linewidth',2 )

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

1.4 AJUSTE DE CURVA COM POLINÔMIOS QUADRÁTRICOS E DE

ORDEM SUPERIOR
Polinômios são funções que tem forma:

f ( x)  an x n  an 1 x n 1  ......  a1 x  a0 (12)

Os coeficientes an , an1 ,......, a1 , a0 são números reais e n , que é um inteiro

não negativo, é o grau , ou ordem, do polinômio. O gráfico do polinômio é uma curva.
Um polinômio de primeira ordem é uma função linear, e seu gráfico é uma linha reta.
Polinômio de ordem mais elevadas são funções não lineares, e seus gráficos são
curvas. Um polinômio quadrático (de segunda ordem) gera uma curva (parábola) que
é côncava para cima ou para baixo. Um polinômio de terceira ordem gera um ponto de
inflexão que faz com que a curva associada seja côncava para cima (ou para baixo)
em uma região, é côncava para baixo (ou para cima) em outra. Em geral, a medida
que a ordem do polinômio aumenta, suas curvas passa a ter mais tortuosidades.
 Um determinado conjunto de dados contendo n pontos pode ser ajustado
com polinômios de ordens diferentes até uma ordem ( n  1) . Conforme mostra a figura
1, os coeficientes de um polinômio podem ser determinados de tal forma que forneça o
melhor ajuste para um determinado conjunto de dados, o que é feito com a
minimização do erro utilizando mínimos quadrados. A Figura 1 mostra o ajuste de
curvas com polinômios de diferentes ordens, tendo como referencia um mesmo
conjunto de 11 pontos. Os gráficos mostram que, a medida que a ordem do polinômio
aumenta, as curvas se aproximam dos pontos. Na realidade é possível ter um
polinômio que passe exatamente por todos os pontos. Para n pontos, isso ocorre com
o polinômio ( n  1) . Na figura 1 isso ocorre com o polinômio de grau 10.

Figura 1: Ilustra ajuste de curva de um mesmo conjunto de dados usando polinômios

com diferentes graus

1.5 REGRESSÃO POLINOMIAL

A regressão polinomial é um procedimento usado na determinação dos coeficientes de
um polinômio de segundo grau, ou de ordem maior, de forma que esse polinômio produza o
melhor ajuste de um determinado conjunto de dados. Como na regressão linear, a dedução
das equações utilizadas para determinar os coeficientes se baseia na minimização do erro
total de acordo com a equação (1).

Se o polinômio de ordem m usado no ajuste da curva é:

f ( x)  am x m  am 1 x m 1  ......  a1 x  a0 (13)

Então, para um dado conjunto n pontos ( xi , yi ) ( m é menor que n  1 ), o erro total

calculado pela equação (1) é:
  
n
E    yi  am xim  am 1 xim 1  .......  a1 xi  a0 
2
(14)
i 1

Como todos os valores xi e yi que constituem o conjunto de dados são conhecidos. E

da equação (14) é uma função não linear das m 1 variáveis (os coeficientes a0 a am ). A
função E tem um mínimo nos valores de a0 a am nos quais as derivadas parciais de E em
relação a cada uma das variáveis são iguais a zero. Calculando as derivadas parciais de E
na equação (14) e as igualando a zero obtém-se um conjunto m  1 equações lineares para
os coeficientes. Para simplificar a apresentação, a dedução para o caso m  2 (polinômio
quadrático) é mostrado abaixo:

Logo a equação (14) , teremos:

 
n
E    yi  a2 xi2  a1 xi  a0 
2
(15)
i 1

Calculando as derivadas parciais em relação a a0 ,a1 a a2 e igualando os resultados a

zero, obtém-se:

E n (16)
 2 ( yi  a2 xi2  a1 xi  a0 )  0
a0 i 1

E n
 2 ( yi  a2 xi2  a1 xi  a0 ) xi  0
a1 i 1 (17)

E n
 2 ( yi  a2 xi2  a1 xi  a0 ) xi2  0 (18)
a2 i 1

As equações (16), (17) e (18) formam um sistema de três equações lineares em função das
incógnitas a0 ,a1 a a2 , que podem escritos na forma:

 n   n  n
na0    xi  a1    xi2  a2   yi (19)
 i 1   i 1  i 1

 n   n 2  n 3 n

  i  0   i  1   i  2  xi yi
x a  x a  x a  (20)
 i 1   i 1   i 1  i 1

 n 2  n 3  n 4 n

  i  0   i  1   i  2  xi yi
   2
x a x a x a (21)
 i 1   i 1   i 1  i 1

A solução do sistema de equações (19) a (21) fornece os valores de dos coeficientes

a0 ,a1 a a2 do polinômio y  a2 xi2  a1 xi  a0 que melhor se ajusta aos n pontos ( xi , yi ) . Os
coeficientes de polinômios de ordem superior são deduzidos da mesma forma.
1.6 PROGRAMA PARA CALCULAR OS COEFICIENTES DE
POLINÔMIOS DE ORDEM SUPERIOR USANDO REGRESSÃO
POLINOMIAL
Usando os valores obtidos em teste de tensão para determinar o comportamento
tensão-deformação da borracha. Os dados coletados no teste são mostrados na tabela
abaixo. Determine o programa do matlab o polinômio de quinta ordem que faça o melhor
ajuste dos pontos. Teste um gráfico que inclua esses pontos e a curva correspondente ao
polinômio.

Deformação 0 0,4 0,8 1,2 1,6 2,0 2,4 2,8 3,2

Tensão 0 3,0 4,5 5,8 5,9 5,8 6,2 7,4 9,6

Deformação 3,6 4,0 4,4 4,8 5,2 5,6 6,0

Tensão 15,6 20,7 26,7 31,1 35,6 39,3 41,5

Solução:

Um polinômio de quinta ordem pode ser escrito como:

f ( x)  a5 x 5  a4 x 4  a3 x 3  a2 x 2  a1 x  a0

O ajuste de curva para representar os 16 pontos medidos é feito com o emprego da

regressão polinomial. Os valores dos coeficientes a0 , a1 , a2 , a3 , a4 e a5 são obtidos com a
solução de um sistema com seis equações lineares. Estas seis equações podem ser
escritas a partir da extensão das equações (19) a (21).

 n   n   n   n   n  n
na0    xi  a1    xi2  a2    xi3  a3    xi4  a4    xi5  a5   yi
 i 1   i 1   i 1   i 1   i 1  i 1

 n   n 2  n 3  n 4  n 5  n 6 n

  i  0   i  1   i  2   i  3   i  4   i  5  xi yi
x a  x a  x a  x a  x a  x a 
 i 1   i 1   i 1   i 1   i 1   i 1  i 1

 n 2  n 3  n 4  n 5  n 6  n 7 n

  xi  0
 i 1 
a    xi  1
 i 1 
a    xi  2
 i 1 
a    xi  3
 i 1 
a    xi  4
 i 1 
a    xi  5
 i 1 
a  
i 1
xi2 yi

 n 3  n 4  n 5  n 6  n 7  n 8 n

  i  0   i  1   i  2   i  3   i  4   i  5  xi yi
      3
x a x a x a x a x a x a
 i 1   i 1   i 1   i 1   i 1   i 1  i 1

 n 4  n 5  n 6  n 7  n 8  n 9 n

  i  0   i  1   i  2   i  3   i  4   i  5  xi yi
      4
x a x a x a x a x a x a
 i 1   i 1   i 1   i 1   i 1   i 1  i 1

 n 5  n 6  n 7  n 8  n 9  n 10  n

  i  0   i  1   i  2   i  3   i  4   i  5  xi yi
      5
x a x a x a x a x a x a
 i 1   i 1   i 1   i 1   i 1   i 1  i 1

Os cálculos e o traçado do gráfico são feitos no matlab utilizando o programa:

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%AJUSTE DE CURVA REGRESÃO POLINOMIAL

clear all
x=0:0.4:6;
y= [0 3 4.5 5.8 5.9 5.8 6.2 7.4 9.6 15.6 20.7 26.7 31.1 35.6 39.3 41.5];
n= length(x);
m=5;
for i=1:2*m
xsum(i)=sum(x.^(i));
end
%inicio do paaso 3
a(1,1)=n;
b(1,1)=sum(y);
for j=2:m+1
a(1,j)=xsum(j-1);
end
for i=2:m+1
for j=1:m+1
a(i,j)=xsum(j+i-2);
end
b(i,1)=sum(x.^(i-1).*y);
end
%inicio do paaso 4
p=(a\b)'
for i=1:m+1
pcoef(i)=p(m+2-i);
end
epsilon=0:0.1:6;
str=polyval(pcoef,epsilon);
plot(x,y,'or')
hold on
plot(epsilon,str,'k','linewidth',2 )

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

O polinômio obtido após o ajuste de curva é:

f ( x)  0, 4129 x5  14,1026 x 4  11,8018 x3  3,8639 x 2  0, 4060 x  0,0094

1.7 INTERPOLAÇÃO USANDO UM ÚNICO POLINÔMIO

A interpolação é um processo no qual uma fórmula matemática é usada para fornecer
o valor exato dos pontos pertencentes a um conjunto de dados e um valor estimado entre
esses pontos. Esta seção mostra como isso é feito empregando-se um único polinômio,
independentemente do número de pontos envolvidos. Conforme mencionado na seção
anterior, para qualquer numero n de pontos existem um polinômio de ordem n-1 que passa
por todos esses pontos. Para dois pontos, esse polinômio é de primeira ordem (uma linha
reta os conectando). Para três pontos, o polinômio é de segunda ordem (uma parábola os
conectando), e assim por diante. Isso é ilustrado na Figura 2, que mostra polinômio de
primeira, segunda, terceira e quarta ordem conectado, respectivamente, dois, três, quatro e
cinco pontos.
 Figura 2: Ilustra polinômios de várias ordens

Uma vez determinado o polinômio, ele pode ser usada para estimar os valores de y
entre os pontos conhecidos, o que é feito simplesmente com a substituição com a
coordenada de x desejada no polinômio. A interpolação usando um único polinômio fornece
bons resultados apenas para pequeno número de pontos. Para um grande número de
pontos, a ordem do polinômio deve ser elevada e, embora esse polinômio passe por todos
os pontos, ele pode apresentar um desvio significativo fora deles. Isso foi mostrado na
Figura 1 para um polinômio de grau 10. Consequentemente, a interpolação com apenas um
polinômio pode não ser apropriado para um número elevado de pontos.

Para um dado conjunto de n pontos, apenas um (único) polinômio de ordem m (m = n-

1) passa exatamente por todos os pontos. Esse polinômio, no entanto, pode ser escrito de
diferentes formas matemáticas. A forma padrão de um polinômio de ordem m é dada na
equação (13)

f ( x)  am x m  am 1 x m 1  ......  a1 x  a0

1.8 PROGRAMA PARA CALCULAR OS COEFICIENTES DE

POLINÔMIOS DE ORDEM SUPERIOR USANDO
INTERPOLAÇÃO POLINOMIAL
Utilizando seis pontos do problema da seção anterior calcular os coeficientes do polinômio
de 5 ordem utilizando o programa matlab temos:

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%interpolação usando um unico polinomio de 5ªordem

% deformação 0.4 1.2 2.4 3.6 4.8 6.0
%Tensão 3.0 5.8 6.2 15.6 31.1 41.5
x=[0.4 1.2 2.4 3.6 4.8 6.0];
y=[3.0 5.8 6.2 15.6 31.1 41.5];
a=[0.4.^5 0.4.^4 0.4.^3 0.4.^2 0.4.^1 1
 1.2.^5 1.2.^4 1.2.^3 1.2.^2 1.2.^1 1
2.4.^5 2.4.^4 2.4.^3 2.4.^2 2.4.^1 1
3.6.^5 3.6.^4 3.6.^3 3.6.^2 3.6.^1 1
4.8.^5 4.8.^4 4.8.^3 4.8.^2 4.8.^1 1
6.^5 6.^4 6.^3 6.^2 6.^1 1];
b=[3;5.8;6.2;15.6;31.1;41.5];
coef=(a\b)'
epsilon=0:0.1:6;
str=polyval(coef,epsilon);
plot(x,y,'or')
hold on
plot(epsilon,str,'k','linewidth',2 )
plot(x,y,'or')

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

O polinômio correspondente utilizando os seis pontos no programa é:

f ( x)  0,0413x5  0,9099 x 4  6,7748x3  19,3179 x 2  22,5186 x  3,3273

Na prática, a solução de um sistema de equação não é eficiente, especialmente quando

polinômios de ordem mais elevada estão envolvidos. Alem disso, a matriz dos coeficientes é
frequentemente mal condicionada.

É possível escrever o polinômio em outras formas de uso mais fácil. Duas dessas
formas, as formas de Lagrange e de Newton, são descritas nas duas seções a seguir.

1.9 POLINÔMIOS INTERPOLADORES DE LAGRANGE

Os polinômios interpoladores de Lagrange formam uma classe específica de
polinômios que podem ser usados para fazer o ajuste de um determinado conjunto de dados
simplesmente a partir dos valores dos pontos. Os polinômios podem ser escritos
diretamente, e os coeficientes são determinados sem a necessidade de nenhum cálculo
preliminar.

Fiura 3: Ilustra o polinômio de Lagrange de Primeira ordem

Para dois pontos ( x1 , y1 ) e ( x2 , y2 ) da Figura 3 o polinômio de Lagrange de primeira

ordem tem a forma:

f ( x)  y  a1 ( x  x2 )  a2 ( x  x1 ) (22)
 Substituindo os dois pontos na equação (22), obtem-se:

y1
y1  a1 ( x1  x2 )  a2 ( x1  x1 ) ou a1  (23)
( x1  x2 )

y2
y2  a1 ( x2  x2 )  a2 ( x2  x1 ) ou a2  (24)
( x2  x1 )

Substituindo os coeficientes a1 e a2 na equação (22), obtém-se:

( x  x2 ) ( x  x1 )
f ( x)  y1  y2 (25)
( x1  x2 ) ( x2  x1 )

Para três pontos ( x1 , y1 ),( x2 , y2 ) e ( x3 , y3 ) , o polinômio de Lagrange de segunda

ordem Figura 4 tem forma:

f ( x)  y  a1 ( x  x2 )( x  x3 )  a2 ( x  x1 )( x  x3 )  a3 ( x  x1 )( x  x2 ) (26)

Figura 4: Ilustra o polinômio de Lagrange de segunda ordem

Uma vez determinados os coeficientes de forma que o coeficiente passe pelos três
pontos, o polinômio é:

( x  x2 )( x  x3 ) ( x  x1 )( x  x3 ) ( x  x1 )( x  x2 )
f ( x)  y1  y2  y3 (27)
( x1  x2 )( x1  x3 ) ( x2  x1 )( x2  x3 ) ( x3  x1 )( x3  x2 )

Seguindo o formato dos polinômios nas equações (25) e (27), a fórmula geral de um
polinômio de Lagrange de ordem n-1 que passe por n pontos ( x1 , y1 ), ( x2 , y2 ) ( xn , yn ) é:
 ( x  x2 )( x  x3 )( x  xn ) ( x  x1 )( x  x3 ) ( x  xn ) ( x  x1 )( x  x2 ) ( x  xn 1 )
f ( x)  y1  y2   y3
( x1  x2 )( x1  x3 )( x1  xn ) ( x2  x1 )( x2  x3 ) ( x2  xn ) ( x3  x1 )( x3  x2 ) ( xn  xn 1 )
(28)

A equação (28) pode ser escrita de forma compactada usando a notação de soma e
produto como:

n n n (x  x j )
f ( x)   yi Li ( x)  yi  (29)
i 1 i 1 j 1 ( xi  x j )
j i

n (x  x j )
Onde as funções Li ( x)   ( x  x ) são chamadas de funções de Lagrange.
j 1 i j
j i

1.10 PROGRAMA PARA CALCULAR OS POLINÔMIOS

INTERPOLADORES DE LAGRANGE
Usando o exemplo experimental dos capítulos anteriores para uma interpolação de 5
ordem teremos o seguinte programa:

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%interpolação usando o polinomio de LAGRANGE de 5ªordem

% deformação 0.4 1.2 2.4 3.6 4.8 6.0
%Tensão 3.0 5.8 6.2 15.6 31.1 41.5
x=[0.4 1.2 2.4 3.6 4.8 6.0];
y=[3.0 5.8 6.2 15.6 31.1 41.5];
X=0:0.1:6;
T1=((X-1.2).*(X-2.4).*(X-3.6).*(X-4.8).*(X-6)*3)/((0.4-1.2).*(0.4-
2.4).*(0.4-3.6).*(0.4-4.8).*(0.4-6));
T2=((X-0.4).*(X-2.4).*(X-3.6).*(X-4.8).*(X-6)*5.8)/((1.2-0.4).*(1.2-
2.4).*(1.2-3.6).*(1.2-4.8).*(1.2-6));
T3=((X-1.2).*(X-0.4).*(X-3.6).*(X-4.8).*(X-6)*6.2)/((2.4-1.2).*(2.4-
0.4).*(2.4-3.6).*(2.4-4.8).*(2.4-6));
T4=((X-1.2).*(X-2.4).*(X-0.4).*(X-4.8).*(X-6)*15.6)/((3.6-1.2).*(3.6-
2.4).*(3.6-0.4).*(3.6-4.8).*(3.6-6));
T5=((X-1.2).*(X-2.4).*(X-3.6).*(X-0.4).*(X-6)*31.1)/((4.8-1.2).*(4.8-
2.4).*(4.8-3.6).*(4.8-0.4).*(4.8-6));
T6=((X-1.2).*(X-2.4).*(X-3.6).*(X-4.8).*(X-0.4)*41.5)/((6-1.2).*(6-
2.4).*(6-3.6).*(6-4.8).*(6-0.4));
ylagrange=T1+T2+T3+T4+T5+T6;
plot(x,y,'or')
hold on
plot(X,ylagrange,'k','linewidth',2 )

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

1.11 POLINÔMIOS INTERPOLADORES DE NEWTON

 Os polinômios interpoladores de Newton são uma forma popularmente usadas no
ajuste exato de conjuntos de dados. A forma geral do polinômio de Newton de ordem n-1
que passa Por n pontos é:

f ( x)  a1  a2 ( x  x1 )  a3 ( x  x1 )( x  x2 )   an ( x  x1 )( x  x2 ) ( x  xn1 ) (30)

A característica especial de um polinômio como esse está no fato de os coeficientes

a1 e an poderem ser determinados a partir de um procedimento matemático simples (a
determinação dos coeficientes não requer a solução de um sistema com n equações). Uma
vez conhecidos os coeficientes, o polinômio pode ser usado para calcular um valor
interpolado em qualquer x.

Os polinômios interpoladores de Newton tem características adicionais desejáveis que

os fazem uma escolha popular. Os pontos do conjunto de dados não precisam estar
ordenados de forma ascendente ou decrescente, ou mesmo em qualquer ordem. Alem
disso, após a determinação dos n pontos coeficientes de um polinômio interpolador de
Newton de ordem n-1, mais pontos podem ser adicionados ao conjunto de dados, sendo
necessário apenas determinar os coeficientes adicionais.

Figura 5: Ilustra o polinômio de Newton de primeira ordem

Para dois pontos ( x1 , y1 ) e ( x2 , y2 ) , o polinômio de Newton de primeira ordem tem a

forma:

f ( x)  a1  a2 ( x  x1 ) (31)

Conforme mostra a figura 5 a equação da reta que passa pelos dois pontos é dado
por:

f ( x)  y1 y2  y1
 (32)
x  x1 x2  x1
 Resolvendo a equação (32), obtemos:

y2  y1
f ( x)  y1  ( x  x1 ) (33)
x2  x1

Comparando a equação (31) com a equação (33), obtêm-se os valores dos

coeficientes a1 e a2 em termos de coordenadas dos pontos:

y2  y1
a1  y1 e a2  (34)
x2  x1

Nota-se que o coeficiente a2 é a inclinação da reta que conecta os dois pontos.

Figura 5: Ilustra o polinômio de Newton de segunda ordem

Para três pontos, ( x1 , y1 ),( x2 , y2 ) e ( x3 , y3 ) o polinômio de Newton de segunda ordem

tem a forma:

f ( x)  a1  a2 ( x  x1 )  a3 ( x  x1 )( x  x2 )
(35)

Conforme mostrado na figura 6 a equação (35) descreve uma parábola que passa pelos três
pontos dados. Os coeficientes
a1 , a2 e a3 , podem ser determinados com a substituição dos

três pontos na equação (35). A substituição de

x  x1 e f ( x1 )  y1 resulta em a1  y1 . A

substituição do segundo ponto,

x  x2 e f ( x2 )  y2 , na equação 35 resulta em:

y2  y1
a2 
x2  x1

A substituição do terceiro ponto na equação (35) resulta em:

y1  y2 y2  y1

x3  x2 x2  x1
a3 
( x3  x1 ) (36)
Para quatro pontos

( x1 , y1 ),( x2 , y2 ),( x3 , y3 ) e ( x4 , y4 ) o polinômio de Newton de terceira ordem tem a forma:

f ( x)  a1  a2 ( x  x1 )  a3 ( x  x1 )( x  x2 )  a4 ( x  x1 )( x  x2 )( x  x3 ) (37)

a1 , a2 e a3 são as mesmas usadas para o polinômio de

As fórmulas para os coeficientes
a
segunda ordem. A fórmula para determinar o coeficiente 4 pode ser obtida com a
substituição dos pontos na equação (37):

 y4  y3 y3  y2   y3  y2 y2  y1 
     
 4 3
x  x x  x2   x  x x2  x1 
3
 3 2

( x4  x2 ) ( x3  x1 )
a4 
( x4  x1 ) (38)

Um exame cuidadoso das equações dos coeficientes as equações (34), (36) e (38) mostram
que essas expressões seguem um certo modelo. Esse modelo fica mais claro com a
definição das chamadas diferenças divididas.

Para dois pontos a diferença dividida é definida como a inclinação da reta que
conecta os dois pontos é escrita como:

y2  y1 (39)
f [ x2 , x1 ]   a2
x2  x1

Para três pontos:

y1  y2 y2  y1

f [ x3 , x2 ]  f [ x2 , x1 ] x3  x2 x2  x1
f [ x3 , x2 , x1 ]    a3
( x3  x1 ) ( x3  x1 ) (40)

Para quatro pontos:

f [ x4 , x3 , x2 ]  f [ x3 , x2 , x1 ]
 f [ x4 , x3 , x2 , x1 ] 
( x4  x1 )
f [ x4 , x3 ]  f [ x3 , x2 ] f [ x3 , x2 ]  f [ x2 , x1 ]

( x4  x2 ) ( x3  x1 )

( x4  x1 ) (41)
 y4  y3 y3  y2   y3  y2 y2  y1 
     
 x4  x3 x3  x2    x3  x2 x2  x1 
( x4  x2 ) ( x3  x1 )
  a4
( x4  x1 )
A terceira diferença dividida é portanto igual ao coeficiente a4.

A próxima (quarta) diferença dividida para cinco pontos é

f [ x5 , x4 , x3 , x2 ]  f [ x4 , x3 , x2 , x1 ]
f [ x5 , x4 , x3 , x2 , x1 ]   a5
( x5  x1 ) (42)

O procedimento de determinação dos coeficientes usando as diferenças divididas

pode ser acompanhado em uma tabela. Uma tabela como essa é ilustrada na figura 7 para o
caso de um conjunto de dados com cinco pontos.

( x1 , y1 ), ( x2 , y2 ), , ( x3 , y3 )
Em termos gerais, para n pontos as primeiras diferenças
divididas entre os dois pontos

( xi , yi ) e ( x j , y j ) são dadas por:

y j  yi
f [ x j , xi ]  (43)
x j  xi
 Figura 7: Ilustra a tabela de diferenças divididas para um conjunto de dados com cinco pontos

A k- ésima diferença dividida de ordem 2 ou superior é dada por (equação válida até
a diferença de ordem (n-1)):

f [ xk , xk 1 , , x3 , x2 ]  f [ xk 1 , xk  2 , , x2 , x1 ]
f [ xk , xk 1 , , x2 , x1 ] 
( xk  x1 ) (44)

Com essas definições, o polinômio de Newton de ordem (n-1), equação (44) é dada por:

f ( x)  y  y1  f [ x2 , x1 ]( x  x1 )  f [ x3 , x2 , x1 ]( x  x1 )( x  x2 ) 
....  f [ xn , xn 1 , , x2 , x1 ]( x  x1 )( x  x2 ) ( x  xn 1 ) (45)

1.12 PROGRAMA PARA CALCULAR OS POLINÔMIOS

INTERPOLADORES DE NEWTON
Usando o exemplo experimental dos capítulos anteriores para uma interpolação de 5
ordem teremos o seguinte programa:

Com os coeficientes determinados, o polinômio é:

a1=3.0; a3=-1.5835; a4=1.4714; a5=-0.3980; a6=0.0413*;

f ( x)  3  3,5( x  0, 4)  1,5835( x  0, 4)( x  1, 2)  1, 4714( x  0, 4)( x  1, 2)( x  2, 4)

0,3980( x  0, 4)( x  1, 2)( x  2, 4)( x  3,6)  0,0413( x  0, 4)( x  1, 2)( x  2, 4)( x  3,6)( x  4,8)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%interpolação usando o polinomio de NEWTON de 5ªordem

% deformação 0.4 1.2 2.4 3.6 4.8 6.0
%Tensão 3.0 5.8 6.2 15.6 31.1 41.5
% a1
% deformação 0.4 Tensão 3.0 a2
% ------5.8-3.0/1.2-0.4=3.5
% 1.2 5.8 ---0.333-3.5/2.4-
0.4
% ------6.2-5.8/2.4-1.2=0.333
% 2.4 6.2 ---7.833-0.3/3.6-1.2
% ------15.6-6.2/3.6-2.4=7,833
% 3.6 15.6 ---12.9167-
7.833/4.8-2.4
% ------31.1-15.6/4.8-3.6=12.9167
% 4.8 31.1 --8,667-12.9167/6-
3.6
% ------41.5-31.1/6-4.8=8,667
% 6.0 41.5
% a3
%0.333-3.5/2.4-0.4=-1.5835 a4
% ------3.125+1.5835/3.6-0.4=1.4714
a5
%7.833-0.333/3.6-1.2=3.125 ---- -0,2797-1.4714/4,8-
0,4=-0,3980--
% ------2.1182-3.125/4.8-1.2=-0,2797
a6=0.0413
%12.9167-7.833/4.8-2.4=2.1182 ------ -
1,0802+0,2797/6-1.2=-0.1668--
% ------ -1.7707-2.1182/6-2.4=-1,0802
%8,667-12.9167/6-3.6=-1.7707
x=[0.4 1.2 2.4 3.6 4.8 6.0];
y=[3.0 5.8 6.2 15.6 31.1 41.5];
X=0:0.1:6;
a1x=3.0;
a2x=3.5*((X-0.4));
a3x=-1.5835*((X-0.4).*(X-1.2));
a4x=1.4714*((X-0.4).*(X-1.2).*(X-2.4));
a5x=-0.3980*((X-0.4).*(X-1.2).*(X-2.4).*(X-3.6));
a6x=0.0413*((X-0.4).*(X-1.2).*(X-2.4).*(X-3.6).*(X-4.8));
yNewton=a1x+a2x+a3x+a4x+a5x+a6x;
plot(x,y,'or')
hold on
plot(X,yNewton,'k','linewidth',2 )

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 UNIDADE 5

DIFERENCIAÇÃO E INTEGRAÇÃO NUMÉRICA

A unidade tem como objetivo estudar alguns dos métodos numéricos para calcular
derivadas e integrais de forma numérica fazendo as comparações dos resultados
com resultados analíticos para isso utilizaremos alguns programas computacionais
para identificar qual o melhor método que se aproxima do resultado real.
1- DIFERENCIAÇÃO NUMÉRICA
1.1 INTRODUÇÃO
A diferenciação dá uma medida da taxa na qual uma grandeza varia. Taxas de variação
de grandezas aparecem em muitas disciplinas, especificamente na ciência e na engenharia.
Uma das taxas de variação mais fundamentais é a relação entre posição, velocidade e
aceleração. Onde certamente já foi estudado que a derivada da posição em relação ao
tempo nos dá a velocidade e de forma similar se encontra a aceleração.

Muitos modelos físicos e de engenharia são expressos em termos de taxas. Em um

circuito elétrico, a corrente em um capacitor está relacionada à derivada temporal da tensão.
Na análise da condução de calor, a quantidade de fluxo de calor é determinado a partir da
derivada da temperatura a diferenciação também é usada na obtenção de Maximo e mínimo
de uma função.

1.2 ABORDAGEM PARA A DIFERENCIAÇÃO NUMÉRICA

A diferenciação numérica é realizada em dados especificados como um conjunto de
dados discretos. Em muitos casos, os dados são medidos ou gravados em experimentos, ou
podem ser resultados de cálculos numéricos em grande escala. Se houver necessidade de
se calcular a derivada de uma função dada na forma analítica, então a diferenciação é feita
usando pontos discretos da função. Isso significa que, em todos os casos, a diferenciação
numérica é feita usando os valores dos pontos.

Figura 1: Ilustra a diferenciação numérica usando aproximação por diferenças finitas

(a) e em (b) utiliza função de aproximação.
 Para um determinado conjunto de dados duas abordagens podem ser usadas no
cálculo da aproximação numérica da derivada em um ponto. Uma delas é a aproximação
por diferenças finitas. A aproximação da derivada em um ponto xi por diferença finitas se
baseia nos valores dos pontos na vizinhança de xi . Nessa abordagem (Figura 1(a)) , onde
a derivada no ponto xi é aproximada pela inclinação da reta que liga o ponto antes de xi ao
ponto após xi . A precisão da aproximação por diferenças finitas depende da precisão dos
pontos do conjunto de dados, do espaçamento entre os pontos e da fórmula específica
usada na aproximação. A formulação mais simples aproxima a derivada como sendo a
inclinação da reta que conecta dois pontos adjacentes.

A segunda abordagem corresponde à aproximação dos pontos utilizando uma

expressão analítica que possa ser facilmente diferenciada, seguida do cálculo da derivada
com a diferenciação dessa expressão analítica. A expressão analítica aproximada pode ser
deduzida com o uso de ajuste de curvas. Essa abordagem é ilustrada na (Figura 1(b)), onde
se faz o ajuste de uma curva f ( x ) para representa os pontos. A derivada no ponto x i é
obtida com a diferenciação analítica da função de aproximação é com a sua avaliação no
ponto xi .

1.3 APROXIMAÇÃO DA DERIVADA POR DIFERENÇAS FINITAS

A derivada f '( x ) de uma função f ( x ) no ponto x  a é definida como:

df ( x) f ( x)  f (a )
xa  f '(a)  lim (1)
dx xa xa

Graficamente, a definição é ilustrada na Figura 2. A derivada é o valor da inclinação

da reta tangente à função em x  a . A derivada é obtida com a escolha de um ponto x
próximo a x  a e o cálculo da inclinação da reta que conecta os dois pontos. A precisão
do cálculo da derivada feito dessa forma aumenta à medida que o ponto x se aproxima ao
ponto a . No limite em que o ponto x tende ao ponto a , a derivada é a inclinação da reta
tangente a f ( x ) em x  a . A aplicação da condição descrita na equação 1 , que diz que x
tende para o ponto a , é usado na dedução de regras de diferenciação que fornecem uma
expressão analítica para a derivada.

Figura 2:Ilustra a definição de derivada

 Na aproximação de derivada usando diferenças finitas, valores da função em
diferentes pontos na vizinhança do ponto x  a são usados na estimativa da inclinação.
Deve ser lembrado que a função sendo diferenciada é prescrita como um conjunto de
pontos discretos. Existem várias fórmulas de aproximação por diferenças finitas. Três
dessas fórmulas, nas quais a derivada é calculada a partir de valores de dois pontos, são
apresentados a seguir.

1.4 Fórmulas de diferença progressiva, regressiva e central para a

derivada primeira
As fórmulas de diferenças finitas progressiva, regressiva e central são as mais
simples aproximações da derivada por diferenças finitas. Nessas aproximações ilustradas
na Figura 3, a derivada no ponto ( xi ) é calculada a partir do valor de dois pontos. A derivada
é estimada como a inclinação da reta que conecta esses dois pontos.

Figura 3: Ilustra as aproximações da derivada por dois pontos por diferenças finitas

- A diferença progressiva é inclinação da reta que conecta os pontos

( xi , f ( xi )) e ( xi 1 , f ( xi 1 )) :

df ( x) f ( xi 1 )  f ( xi )
x  xi  (2)
dx xi 1  xi

- A diferença regressiva é inclinação da reta que conecta os pontos

( xi 1 , f ( xi 1 )) e ( xi , f ( xi )) :

df ( x) f ( xi )  f ( xi 1 )
x  xi  (3)
dx xi  xi 1

A diferença central é inclinação da reta que conecta os pontos

( xi 1 , f ( xi 1 )) e ( xi 1 , f ( xi 1 )) :

df ( x) f ( xi 1 )  f ( xi 1 )
x  xi  (4)
dx xi 1  xi 1
Exemplo: Considere a função f ( x)  x3 . Calcule numericamente a derivada primeira no
ponto x = 3 aplicando as fórmulas de diferenças finitas progressivas, regressivas e central,
usando:

a) Os pontos x  2, x  3 e x  4
b) Os pontos x  2, 75, x  3 e x  3, 75

Solução:

Diferenciação analítica: A derivada da função f '( x)  3x 2 , e o valor da derivada em x  3 é

f '(3)  3.32  27 .

Diferenciação numérica:

a) Os pontos usados na diferenciação numérica são:

x 2 3 4
f ( x) 8 27 64

Usando as equações (2), (3) e (4), as equações usando as fórmulas de diferenças finitas
progressiva, regressiva e central são:

Diferença finita progressiva

df ( x) f (4)  f (3) 37  27
x 3   37 erro  .100  37, 04%
dx 43 27

Diferença finita regressiva

df ( x) f (3)  f (2) 19  27
x 3   19 erro  .100  29, 63%
dx 3 2 27

Diferenciação finita Central

df ( x) f (4)  f (2) 28  27
x 3   28 erro  .100  3, 704%
dx 42 27

b) Os pontos usados na diferença numérica são:

x 2, 75 3 3, 25
2 2
f ( x) 2, 75 3 3, 252

Usando as equações (2), (3) e (4), as equações usando as fórmulas de diferenças finitas
progressiva, regressiva e central são:

Diferença finita progressiva

df ( x) f (3, 25)  f (3) 29,3125  27

x 3   29,3125 erro  .100  8,565%
dx 3, 25  3 27
Diferença finita regressiva

df ( x) f (3)  f (2, 75) 24,8125  27

x 3   24,8125 erro  .100  8,102%
dx 3  2, 75 27

Diferenciação finita Central

df ( x) f (3, 25)  f (2, 75) 27, 0625  27

x 3   27, 0625 erro  .100  0, 2315%
dx 3, 25  2, 75 27

Os resultados mostram que as fórmulas de diferença finita central fornece uma aproximação
mais precisa. Verificou-se também que uma menor separação entre os pontos resulta em
uma aproximação significamente mais precisa.

1.5 Fórmulas de diferenças finitas usando a expansão em serie de

Taylor
As fórmulas de diferenças finitas progressiva, regressiva e central, bem como muitas
outras fórmulas usadas para calcular derivadas de forma de aproximação, podem ser
deduzidas a partir da expansão em série de Taylor. Essas fórmulas fornecem uma
estimativa da derivada em um ponto usando valores de pontos em sua vizinhança. O
número de pontos usados nos cálculos varia com a fórmula, os pontos podem estar à frente,
atrás ou em ambos os lados do ponto onde se calcula a derivada. Uma vantagem do uso da
expansão em serie de Taylor na dedução das fórmulas está no fato de ela também fornecer
uma estimativa do erro de truncamento presente na aproximação. Nessa seção, são
deduzidas algumas das muitas fórmulas de diferenças finitas. Embora essas fórmulas
possam ser deduzidas para pontos não uniformemente distribuídos, a dedução aqui
apresentada se restringe a pontos igualmente espaçados.

1.5.1 Fórmulas de diferenças finitas Progressiva com três pontos para a

derivada primeira
A fórmula de diferença finita progressiva com três pontos calcula a derivada no ponto
xi usando o valor da função nesse ponto e nos dois pontos seguintes, xi 1 e xi  2 . Assume-
se que os pontos estejam igualmente espaçados, logo h  xi  2  xi 1  xi 1  xi (o
procedimento também pode ser aplicado em pontos não uniforme espaçado). A dedução da
fórmula começa usando-se três termos da expansão em série de Taylor com um resíduo
para escrever o valor da função nos pontos xi 1 e xi  2 em termos do valor da função e de
suas derivadas no ponto xi .

f ''( xi ) 2 f '''(1 ) 3
f ( xi 1 )  f ( xi )  f '( xi )h  h  h (5)
2! 3!
 f ''( xi ) f '''( 2 )
f ( xi  2 )  f ( xi )  f '( xi )2h  (2h) 2  (2h)3 (6)
2! 3!

Onde 1 é um valor de x entre xi 1 e xi  2 e  2 é um valor de x entre xi e xi  2 . As

equações (5) e (6) são seguidas combinadas de tal forma que os termos com a derivada
segunda desapareçam. Isso é feito multiplicando a equação (5) por 4 e subtraindo a da
equação (6):

4 f '''(1 ) 3 f '''( 2 )
4 f ( xi 1 )  f ( xi  2 )  3 f ( xi )  2 f '( xi )h  h  (2h)3 (7)
3! 3!

Uma estimativa para a derivada primeira é obtida resolvendo a equação (7) para
f '( xi ) sem considerar os resíduos, o que introduz um erro de truncamento da ordem de h 2 :

3 f ( xi )  4 f ( xi 1 )  f ( xi  2 )
f '( xi )   O(h 2 ) (8)
2h

A equação (8) é a forma de diferença finita progressiva com três pontos que estima a
derivada primeira no ponto xi usando o valor da função nesse ponto e nos dois pontos
seguintes xi 1 e xi  2 , com um erro de O(h 2 ) . Essa fórmula pode ser usada para calcular a
derivada do primeiro ponto de uma função descrita por um conjunto discreto de n pontos.

1.5.2 Fórmulas de diferenças finitas Regressiva com três pontos para a

derivada primeira
A fórmula de diferença finita regressiva com três pontos calcula a derivada no ponto
xi usando o valor desse ponto e dois pontos anteriores, xi 1 e xi  2 . A fórmula é deduzida da
mesma forma que foi deduzida a fórmula (8). A expansão em série de Taylor com três
termos e um resíduo é escrita para o valor da função nos pontos xi 1 e xi  2 em tremos do
valor da função e de suas derivadas no ponto xi . As equações são manipuladas para se
obter uma equação sem os termos das derivadas segundas, que é resolvida para f '( xi ) . A
fórmula obtida é:

f ( xi  2 )  4 f ( xi 1 )  3 f ( xi )
f '( xi )   O(h 2 ) (9)
2h

Onde h  xi  xi 1  xi 1  xi 2 é a distância entre os pontos.

Exemplo: Considere a função f ( x)  x3 . Calcule numericamente a derivada primeira no

ponto x  3 aplicando-se a fórmula de diferenças finitas progressiva para três pontos
usando.

a) Os pontos x  3, x  4 e x  5
 b) Os pontos x  3, x  3, 25 e x  3,5

Solução:

Diferenciação analítica: A derivada da função f '( x)  3x 2 , e o valor da derivada em x  3 é

f '(3)  3.32  27 .

Diferenciação numérica:

a) Os pontos usados na diferenciação numérica são:

x 3 4 5
f ( x) 27 64 125

Usando a equação (8), fórmulas de diferenças finitas progressiva para três pontos:
 FIGURA 1 – TÍTULO DA ILUSTRAÇÃO

Fonte: Inserir informação da fonte da ilustração.

TABELA 01 – INSCRIÇÃO EM FACULDADES LOCAIS

Faculdade Novos alunos Alunos de graduação Alteração

Universitário
Universidade Cedar 110 103 +7
Universidade 115 100 +8
Faculdade Pine 134 121 +13
Instituto Oak 202 210 -8

Fonte: Dados fictícios, apenas para fins ilustrativos.

GRÁFICO 01 – PERCENTUAIS
 100%
90%
80%
70%
60%
Série 2
50%
Série 1
40%
30%
20%
10%
0%
Categoria 1 Categoria 2 Categoria 3 Categoria 4

Fonte: Inserir informação da fonte da ilustração.

PARA SABER MAIS

Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo
normal.

REFLEXÕES SOBRE A APRENDIZAGEM

Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo
normal.

RESUMO DA UNIDADE
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo
normal.

SUGESTÕES DE LEITURA
Inserir textos e/ou referências comentadas. Inserir textos e/ou referências
comentadas. Inserir textos e/ou referências comentadas. Inserir textos e/ou referências
comentadas. Inserir textos e/ou referências comentadas.
 Inserir textos e/ou referências comentadas. Inserir textos e/ou referências
comentadas. Inserir textos e/ou referências comentadas. Inserir textos e/ou referências
comentadas. Inserir textos e/ou referências comentadas.
 UNIDADE 2

TÍTULO DA UNIDADE 2

OBJETIVO DA UNIDADE
Inserir aqui um breve texto resumindo os objetivos desta unidade didática. Inserir
aqui um breve texto resumindo os objetivos desta unidade didática. Inserir aqui um
breve texto resumindo os objetivos desta unidade didática. Inserir aqui um breve
texto resumindo os objetivos desta unidade didática. Inserir aqui um breve texto
resumindo os objetivos desta unidade didática. Inserir aqui um breve texto
resumindo os objetivos desta unidade didática.
1 – TÍTULO DO CAPÍTULO
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal.
Inserir aqui o texto de parágrafo de citação longa. Inserir aqui o texto
de parágrafo de citação longa. Inserir aqui o texto de parágrafo de
citação longa. Inserir aqui o texto de parágrafo de citação longa.
Inserir aqui o texto de parágrafo de citação longa. Inserir aqui o texto
de parágrafo de citação longa. Inserir aqui o texto de parágrafo de
citação longa (AUTOR, ano, p.1-15).
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal.
CAIXA DE TEXTO – TÍTULO – Inserir aqui o texto da nota de interior de Unidade para
explicar, comentar, destacar algo que seja relevante na leitura do texto.

1.1 – SUBTÍTULO DO CAPÍTULO

Inserir aqui o texto de uma epígrafe. Inserir aqui o
texto de uma epígrafe. Inserir aqui o texto de uma
epígrafe. Inserir aqui o texto de uma epígrafe.
Inserir aqui o texto de uma epígrafe. Inserir aqui o
texto de uma epígrafe. Inserir aqui o texto de uma
epígrafe. Inserir aqui o texto de uma epígrafe.
Inserir aqui o texto de uma epígrafe. Inserir aqui o
texto de uma epígrafe.

Sobrenome do Autor (Ano da publicação e página)

Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo
normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo
normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal.
a) Inserir aqui tópicos de uma lista.
b) Inserir aqui tópicos de uma lista.
 c) Inserir aqui tópicos de uma lista.
d) Inserir aqui tópicos de uma lista.
e) Inserir aqui tópicos de uma lista.

PARA SABER MAIS

Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo
normal.

REFLEXÕES SOBRE A APRENDIZAGEM

Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo
normal.

RESUMO DA UNIDADE
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo
normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo
normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo
normal.

SUGESTÕES DE LEITURA
Inserir textos e/ou referências comentadas. Inserir textos e/ou referências
comentadas. Inserir textos e/ou referências comentadas. Inserir textos e/ou referências
comentadas. Inserir textos e/ou referências comentadas.
Inserir textos e/ou referências comentadas. Inserir textos e/ou referências
comentadas. Inserir textos e/ou referências comentadas. Inserir textos e/ou referências
comentadas. Inserir textos e/ou referências comentadas.
 CONSIDERAÇÕES FINAIS DA DISCIPLINA

Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo
normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo
normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo
normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo
normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo
normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo
normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal.
Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui
o texto de parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de
parágrafo normal. Inserir aqui o texto de parágrafo normal. Inserir aqui o texto de parágrafo
normal.
 CURRÍCULO RESUMIDO
DO(A) PROFESSOR(A) CONTEUDISTA

(INSERIR AQUI SUA FOTO)

NOME COMPLETO DO(A) PROFESSOR(A)

Inserir aqui informações do currículo do(a) professor(a). Inserir aqui informações do
currículo do(a) professor(a). Inserir aqui informações do currículo do(a) professor(a).
Inserir aqui informações do currículo do(a) professor(a). Inserir aqui informações do
currículo do(a) professor(a). Inserir aqui informações do currículo do(a) professor(a).
Inserir aqui informações do currículo do(a) professor(a).