Arenales S Darezzo A Calculo Numerico 2008 PDF

Sobre os autores
Selma Helena de Vasconcelos r\renales
Pnifrssor;1 do llepart.1mcntl1 dr Matf

rn;ít ic;1 d;1 llnivrrsidadc írdrr;1l de S.lo Cir
it1s-LIFS(;1r. Cr;1du;1d;1 cm Matl'm;ític;1 pda
ll n iwr s id;1dc Estadual Júlio l'vksquit;1 fil ho
(llncsp) r mcs trr em Matemática r\plica da
peb Universidade Estadual de Crn1pinas
(Llnil";1mp). Possui e x peri ência na <ÍrTa de
M;llcm;ít ir;1, com ênfase em 111atl'111;1tica
;1plicada, ;1tu;1 11 d o cm p ro jetos de pesquisa e
oricnt1ç;'io d e alunos nas áre;1s de Otimiza

\'<'io e 1\nálisc Numfrica, com en foques na
nllldd;1gem de p rn hlrma s e métodos numé
rin 1s de r e s oluç.lo . Tem puhlic;1 do trabalhos
cm ro n gn·sso s cm ensino de M;1temática,
principalmente no ensino de Cálculo Numl�
rico com ferramentas computacion;1is.
Artur Darezzo Filho
Licrnciado cm Matcmátira p el a íanrl

d<tdc de Filosofia, Cirnrias e Lrtras de Rio
liam - SP (1971 ), mestre cm Ciências da
Cl1111 pu taç.10 e Estatística - opç.lo computa
ç;fo - pela Universidade de S.lo Paulo - LISP,
S;'ill Carlos (197B), doutor cm Engenharia
Civil pda Universidade de S.lo Paulo - LISP,
S.lo Ca rlos (1996). Desde 1972 é professor
vinculado ao D epa rtamen to de Mate m áti ca
da Universidade Federal de S.lo Carlos, onde
exerceu as funções de docente, p esqui sador
na área de Modrlagcm Matr r n át irn e Méto
dos l'\uméricos e coordenador do curso de
Ma temática . A pa rtir do ano de 2001, como
pnikssor aposentado, passou <1 ser professor
n1nvidado voluntário no mesmo Departa
m e nto de Matemátim até a presente data.
foi também professor e coordenador do
curso de Matrm<Íl ie<1 Aplic;ida e Co m puta
cional d o Centro Llnivcrsit<'irio Centrnl Pau
lista - Linicrp - S<'io Car l os (SP). Atualmente
exerce as furn,;(ks de Diretor Acadêmico da
Esrol;1 Superior de Tecnolo gia e Educaç;'io de
Rio Claro, R io Claro SI�
Dados Internacionais ci. Cataloqação na Publicação (CIP)
(c&mara Brasileira do Livro, SP, Brasil)
Arenales, Selma
Cálculo numérico : aprendizagem com apoio de
software I Selma Arenales, Artur Darezzo.
SAo Paulo : Thomson Learning, 2008.
Bibliografia
ISBN 978-85-221-0602-8
1. Cálculo numérico 2. Cálculo numérico -

Problemas, exercicios etc. I. Darezzo, Artur.
II. Titulo.
07-6796 CDD-515.07
1. Cálculo numérico : Estudo e ensino 515. 07

Cálculo Numérico
Aprendizagem com Apoio de Software
Selma Arenales
Artur Darezzo
THOMSON
•
Austrália Brasil Canadá Cingapura Espanha Estados Unidos México Reino Unido
THOMSON
•
Gerente Editorial: Produtora Editorial: Revisão:

Patricia La Rosa- Renata Siqueira Campos Gisele Múfalo
Editora de
Supervisora de Produção Composição:
Desenvolvimento:
Gráfica: Segmento & Co. Produções
Ligia Cosmo Cantarelli
Fabiana Alencar Albuquerque Gráficas Ltda.
Supervisor de Produção
Editorial: Copidesque: Capa:
Fábio Gonçalves Sueli Bossi da Silva Eduardo Bertolini
Copyright © 2008 de Thomson Todos os direitos reservados. Dados Internacionais de

Learning Edições Ltda., uma Nenhuma parte deste livro Catalogação na Publicação (CIP)
divisão da Thomson Learning, poderá ser reproduzida, sejam (Câmara Brasileira do Livro, SP,
lnc. Thomson Learning™ quais forem os meios Brasil)
é uma marca registrada aqui empregados, sem a permissão, Arenales, Selma
utilizada sob licença. por escrito, da Editora. Cálculo numérico :
Aos infratores aplicam-se as aprendizagem com apoio de
Impresso no Brasil
sanções previstas nos artigos software I Sei ma Arenales,
Printed in Brazil.
102, 104, 106 e 107 da Lei Artur Darezzo. -- São Paulo :
1 2 3 4 10 09 08
nQ 9.610, de 19 de fevereiro Thomson Learning, 2008.
Condomínio E-Business Park de 1998. Bibliografia
Rua Werner Siemens, 111 ISBN 978-85-221-0602-8
Prédio 20 - Espaço 03 1. Cálculo numérico 2. Cálculo
Lapa de Baixo - CEP 05069-900 numérico - Problemas,
São Paulo - SP exercícios etc. 1. Darezzo,
Tel.: (11) 3665-9900 Artur. li. Título.
Fax: (11) �665-9901 07-6796 CDD-515.07
sac@thomsonlearning.com.br lndice para catálogo
www.thomsonlearning.com.br sistemático:
1. Cálculo numérico : Estudo e
ensino 515.07
Ao Marcos Arenales, meu esposo,
aos meus pais Maria e Sebastião Vasconcelos e
à minha família de amigos.
Com carinho para minha esposa Regina,

companheira de todas as jornadas e
aos meus filhos Helga, Fabiana e João Paulo.
Sumário
Prefácío IX
Agradecímentos X
Capítulo 1 Erros em processos numéricos 1
1
1.1 Introdução 1
1.2 Erros na fase da modelagem 2
1.3 Erros na fase de resolução 2
1.4 Erros de representação 5
1.5 Erro de arredondamento 10
1.6 Erro absoluto 10
1.7 Erro relativo 11
1.8 Erro de truncamento 12
1.9 Propagação dos erros 14
Exercícios 16
Capítulo 2 Solução numérica de sistemas de equações lineares e

matrizes inversas 19
2.1 Introdução 19
2.2 Sistemas de equações lineares 19
2.3 Métodos diretos 21
2.4 Matrizes inversas 46
2.5 Condicionamento de sistemas lineares 49
2.6 Métodos iterativos 49
Capítulo 3
Exercícios 68
Solução numérica de equações 73

3.1 Introdução 73
3.2 Localização das raízes: métodos gráficos 74
3.3 Métodos numéricos para resolução de equações 76
3.4 Equações polinomiais 96
3.5 Sistemas de equações não lineares 106
3.6 Trabalhando com o software numérico 121
Exercícios 124
vii
viii Cálculo Numérico
Capítulo 4 Aproximação de funções 127

4.1 Introdução 127
4.2 Interpolação polinomial 127
4.3 Fórmula interpolatória de Lagrange 132
4.4 Interpolação linear 138
4.5 Fórmula interpolatória de Newton 141
4.6 Interpolação inversa 148
4.7 Fórmula interpolatória de Newton-Gregory 153
4.8 Aproximação de funções - o método dos mínimos quadrados 157
4.9 Trabalhando com o software numérico 182
Exercícios 185
Capítulo 5 Integração numérica 189

5.2 Fórmulas de quadratura de Newton-Cotes 191
5.3 Erro cometido na integração numérica 192
5.4 Regra dos trapézios 193
5.5 Regra 1 /3 de Simpson 200
5.6 Regra 3/8 de Simpson 208
5.7 Fórmula de quadratura de Gauss 216
5.8 Integração dupla 223
5.9 Trabalhando com o Software Numérico 227
Exercícios 229
Capítulo 6 Solução numérica de equações diferenciais ordinárias 233

6.2 Problema de valor inicial (PVI) 236
6.3 Discretização 241
6.4 Métodos baseados em série de Taylor 242
6.5 Métodos de Runge-Kutta 251
6.6 Métodos previsor-corretor 269
6.7 Trabalhando com o Software Numérico 278
Exercícios 282
Capítulo 7 Manual do Software Numérico 285

7.2 Objetivos 286
7.3 Software Numérico - Módulos desenvolvidos 286
7.4 Abertura do Software Numérico 287
Referências bibliográficas 361

7.5 Descrição dos módulos do Software Numérico 288
Índice remissivo 363

Prefácio
Este livro foi projetado e escrito com o objetivo de oferecer aos estudantes de
ciências exatas um material didático simples e de fácil entendimento dos tópi
cos de um curso básico de Cálculo Numérico, de um semestre, nas instituições
de ensino superior.
Originada a partir de uma apostila, Notas de Cálculo Numérico, escrita
pelos autores e pelos professores que ministravam a disciplina de Cálculo
Numérico e publicada pelo Departamento de Matemática, conforme Darezzo,
A. F.; Arenales, S. H. V. et al. (1992), esta obra reflete a experiência de muitos
anos dos autores, no ensino da disciplina Cálculo Numérico para diferentes
cursos do Centro de Ciências Exatas e de Tecnologia da Universidade Fe
deral de São Carlos - UFSCar.
O livro é composto de sete capítulos contendo os principais tópicos
abordados numa disciplina básica de Cálculo Numérico nas universidades,
apresentando os métodos numéricos com desenvolvimento teórico e os res
pectivos algoritmos descritos de forma simples, com exemplos e listas de
exercícios para fixação do conteúdo.
Alguns resultados do Cálculo Diferencial Integral, da Álgebra Linear e
da Geometria Analítica foram utilizados no decorrer dos capítulos, conside
rando que os alunos tenham estes conhecimentos.
Juntamente com este livro desenvolvemos o Software Numérico de apoio
ao ensino/aprendizagem de tópicos básicos de Cálculo Numérico, no qual
conceitos e resultados dados em sala de aula são reforçados em aulas de
exercícios nos laboratórios computacionais. O Software Numérico relaciona
cinco módulos: Sistemas Lineares, Raízes de Funções, Interpolação e Aproxi
mação de Funções, Integração Numérica e Equações Diferenciais Ordinárias.
Este software foi desenvolvido inicialmente durante o Projeto de Rees
truturação do Ensino de Engenharia - Projeto Reenge (1996), em seguida foi
aperfeiçoado e tem sido utilizado como ferramenta metodológica, em aulas
ix
X Cálculo Numérico
de exercícios, para todas as turmas de Cálculo Numérico no Laboratório de

Ensino do Departamento de Matemática da UFSCar.
Acreditamos, também, que este material possa ser aplicado em cursos na
modalidade Ensino a Distância, o qual o professor, com listas de exercícios
bem elaboradas, reforça e melhora a- aprendizagem desses assuntos, com
a aplicação do Software N umérico, que contém um Arquivo de Correção, o
qual armazena todas as etapas de execução dos exercícios feitos pelos alunos.
Posteriormente, o professor pode acessá-lo, analisá-lo e realizar comentários
sobre tentativas, erros e acertos dos alunos estabelecendo uma interação pro
fessor/ aluno a distância, que pode ser encontrado para download no site da
Editora Thomson (www.thomsonlearning.com.br).
O Manual do Software Numérico, no qual o usuário possui, de forma
simples e clara, um resumo sobre os métodos numéricos desenvolvidos nos
capítulos anteriores deste livro com exemplos ilustrativos, além de infor
mações sobre o uso, sintaxe, entrada de dados e todos os esclarecimentos
à disposição no Help On Line pode ser encontrado no CD que acompanha
este livro.
O usuário pode instalar o software de maneira simples utilizando a
senha 6028.
Este software também foi usado, numa experiência de ensino na dis
ciplina de Cálculo Numérico, integrado com o uso de Mapas Conceituais.
Com esta metodologia de ensino/ aprendizagem foi possível observar efeitos,
influências, benefícios e dificuldades, tanto nas atividades em sala de aula
como em aulas de laboratório, conforme publicação Salvador, J. A.; Arenales,
S. H. V. et al. (2003).
Agradecimentos
Aos estudantes da UFSCar e do Centro Universitário Central Paulista - Unicep,
pelo retorno positivo nas versões preliminares que nos incentivou a publi
car este livro.
Aos colegas do Departamento de Matemática da UFSCar que de alguma
forma acompanharam este trabalho e acreditaram no seu desenvolvimento,
através do incentivo diário e de sugestões para que os objetivos propostos
fossem alcançados.
Em especial, ao Professor Dr. Marcos NereuArenales, docente do Depar
tamento de Matemática Aplicada e Estatística - ICMC-USP-São Carlos, pela
leitura e pelas sugestões pertinentes nos diversos capítulos deste livro.
Selma Arenales
Artur Darezzo
Capítulo 1
Erros em Processos Numéricos
1 . 1 Introdução
De uma maneira geral, a resolução de um problema de qualquer área do conhe
cimento científico passa inicialmente por uma fase de observação e entendimento
do fenômeno físico envolvido na qual, usando conhecimentos já estabelecidos,
buscamos, através· de simplificações, quando necessárias, a construção de
um modelo matemático que represente, com a maior fidelidade possível,
o problema que desejamos tratar. Esta etapa é caracterizada como fase da
modelagem do modelo matemático.
Com o problema representado através de um modelo matemático, bus
camos, para a sua resolução, um método exato quando possível, ou, quando
não, um método numérico aproximado.
Mesmo quando utilizamos na resolução do modelo matemático um mé
todo exato, isto é, um método que apresenta a solução exata para o modelo,
pelo fato de este envolver um número muito grande de operações elemen
tares (adição, multiplicação, subtração e divisão) e, sendo estas processadas
em equipamento com capacidade limitada para armazenar dados, podemos
cometer erros.
Por outro lado, quando optamos, em razão da complexidade do modelo
matemático, pela resolução através de um método numérico, além dos erros
no processamento anteriormente mencionados, podemos também cometer
erros provenientes do fato de utilizarmos, para a resolução do modelo mate
mático, um algoritmo aproximado. Esta etapa é caracterizada como fase de
resolução do modelo matemático.
Podemos entender as duas fases descritas anteriormente através do es
quema representado na Figura 1.1.
Neste capítulo apresentamos os principais erros que podem ocorrer na
1
fase da resolução de um problema. Os erros cometidos devido à mudança
2 Cálculo Numérico
Solução para o
Problema Real
Modelo Matemático
Fase da Modelagem Fase da Resolução
Figura 1 . 1
da base de processamento, os erros de representação, devido ao sistema uti

lizado pelos computadores para armazenar dados numéricos; os erros de
arredondamento e truncamento; e erros absolutos e relativos.
1.2 Erros na fase da modelagem

São os erros decorrentes de simplificações, muitas vezes necessárias, para
que o fenómeno da natureza que estivermos observando possa ser repre
sentado por um modelo matemático e que tenha condições de ser tratado
com as ferramentas matemáticas disponíveis.
1.3 Erros na fase de resolução

São erros provenientes da utilização de algum equipamento, como, por exem
plo, um computador, para processarmos os cálculos necessários à obtenção de
uma solução para o modelo matemático. Tais erros ocorrem devido ao fato
de os equipamentos terem capacidade limitada para armazenar os dígitos
significativos de valores numéricos utilizados nas operações elementares de
adição, multiplicação, subtração e divisão.
Os erros nesta fase de resolução podem ser classificados em erros na
mudança de base e erros de representação, apresentados a seguir:
Erros na mudança da base

A maioria dos equipamentos computacionais representa os valores numé
ricos no sistema binário. Assim, quando os dados numéricos presentes nos
modelos matemáticos são lidos, estes são transformados em uma outra base
de representação.
Erros em Processos Numéricos 3
Acontece, muitas vezes, que esta transformação pode ser acometida de

erros, em razão da limitação da representação do equipamento computacio
Dado um número real, N, é sempre possível representá-lo em qualquer
nal que estamos utilizando para o processamento dos dados numéricos.
base b, da seguinte forma:
Nb = L ªi xbi
m
i=n
onde ai E {o, 1, 2, 3, ... ,(b - 1) } , com n e m inteiros.
Base binária
N 2 = L ªi x2i , ai E {0, 1 }
m
i=n
Exemplo 1.1
a) ( 1011 h = 1 X2° + 1 X21 + 0 X2 2 + 1 X23
Neste caso, o binário só tem a parte inteira, isto é, i = O, l, 2, 3, e temos:
a0 = l, a1 = 1, a2 = O, a3 = 1
b)(111.01) 2 = 1X2- 2 + 0 X2-l + 1X2º + 1X21 + 1X2 2
Neste 'Caso, o binário tem parte inteira e parte fracionária, isto é, n = -2 e
m = 2, e portanto:
Base decimal
N1 0 = L ªi xlOi , a i E {O, 1, , 9}, com n e m inteiros.

m
...
i=n
Exemplo 1.2
a) ( 231 )1 0 = 1 X10° + 3 X101 + 2 X10 2
Neste caso, o número na base decimal é inteiro, i = O, 1, 2 e temos:
ªº = l, ª1 = 3, ª2 = 2
b)(231.35)1 0 = 5x10- 2 + 3x10-1 + lx10° + 3xl01 + 2x10 2
Neste caso, o número na base decimal tem parte inteira e parte fracionária,
ª-2 = 5, ª-1 = 3, ªº = 1, ª1 = 3, ª2 = 2
n = -2 e m = 2, e temos:
Assim, dado um número real qualquer numa base b, podemos escrevê-lo

em uma outra base b', a partir de adequação conveniente de seus coeficien
tes ai = O, l, 2, 3, ... , (b - 1) e de uma potência adequada na nova base b'.
Mudança da base binária para a base decimal

Procedimento: multiplicar o dígito binário por uma potência adequada de 2.
Exemplo 1.3
a) ( 1101 h = 1 X2° + oX21 + 1X22 + 1 X23 = ( 13 ho
b) (111. 0 11) = 1X2-3 + 1X2-2 + 0 X2-l + 1X2° + 1X21 + 1X22 = (7. 3 75)10
2
Mudança da base decimal para a base binária (número na base
decimal tem somente a parte inteira)
Procedimento: divisões sucessivas.
O procedimento consiste na divisão do número na base decimal sucessi
vamente por 2, armazenando, a cada passo, o algarismo do resto (r), até que o
quociente da divisão seja igual a 1. O binário é constituído pelo quociente 1
e pelos coeficientes do resto da divisão, a partir do resto mais significativo
(rn 1 ) para o menos significativo (r1 ). Desta forma, temos:
_
N10 = ( l, fn-v fn- 2 1 rn-3 1 ..., r3 , rz , ri )2

Exemplol.4
a) (25)i0 = ( llOOlh = 1x2° + Ox21 + O x22 + 1x23 + 1x24, isto é:
25+2 = 12 e resto = 1, 12+2 = 6 e resto = O, 6 + 2 = 3 e resto = O
3 + 2 = 1 e resto = l, 1 2 = O e resto = 1
+
b) (11) 0 = (1011h = 1X2° + 1X21 + 0 X22 + 1X23

1
Mudança da base decimal para a base binária (número na base
decimal tem somente a parte fracionária)
Procedimento: multiplicações sucessivas.
O procedimento é constituído dos seguintes passos:
a) Multiplicamos o número fracionário por 2.
b) Do resultado do passo a), a parte inteira é o primeiro dígito binário.
c) Do resultado do passo b), a parte fracionária é novamente multipli
cada por 2.
d) O processo continua até que a parte fracionária seja nula.
Exemplo 1.5
a) (0.1875)10 = (O.OOllh =Ox2-1 + Ox2-2 + 1x2-3 + 1x2-4 = (?'i6)10, isto é:
(0.1875) (2) 0.375 � parte inteira = O e parte fracionária = 0.375
=
(0.375)(2) = 0.75 � parte inteira = O e parte fracionária = 0.75

(0.75) (2) = 1.5 � parte inteira = 1 e parte fracionária = 0.5
(0.5)(2) 1.0 � parte inteira = 1 e parte fracionária = O
=
(13.25)10 (13)i0 + (0.25)10 (1101)2 + (0.01)2 (1101.01)2

e) (0. 2 )i0 (0. 001100110011...)i
b) = = =
Observe que (0. 2 h0 é uma dízima periódica de período (0. 0011). Assim,
o decimal (0.2)i0 não tem uma representação binária exata, isto é, a represen
tação é aproximada e, portanto, apresenta erro.
1 .4 Erros de representação
Na construção de um equipamento computacional, uma questão iffiportante
a ser considerada em sua arquitetura é a forma que será adotada para repre
sentar os dados numéricos. Basicamente, na memória de um equipamento,
cada número é armazenado em uma posição que consiste de um sinal que
identifica se o número é positivo ou negativo e um número fixo e limitado
de dígitos significativos.
De maneira geral, destacamos o seguinte sistema de armazenamento
de valores numéricos:
Sistema de ponto flutuante normalizado
número de dígitos significativos n e um expoente exp.

Um número no sistema de ponto flutuante é caracterizado por uma base b, um
·
Dizemos que um número real nr está representado no sistema de ponto

flutuante se for possível escrevê-lo da seguinte maneira:
nr = mxbexp
onde m é a mantissa do número, b � 2 é a base e exp é o expoente da base.
Neste sistema de ponto flutuante, as seguintes condições devem ser
verificadas:
= m ± O. d1 , d 2 1 , dn n e N
..•
sendo n o número máximo de dígitos na mantissa, d 11 d2, , dn, dígitos

.••
significativos da mantissa, do sistema de representação, com o primeiro

dígito satisfazendo a condição 1 :5: d1 :5: (b -1) e os demais dígitos satisfa
O expoente exp varia da seguinte maneira:
zendo O :5: di :5: (b -1); i = 2, 3, .. , n.
.
expmín :5: exp :5: expmá x

sendo expmín :5: O e expmáx � 1 com expmín e expmáx inteiros.
A união de todos os números em ponto flutuante, juntamente com a
que indicamos por SPF (b, n, expmírv expmáx>·
representação do zero, constitui o sistema de ponto flutuante normalizado,
zero :0.0000 ....... 0 bexPmín

Neste sistema, o zero é representado da seguinte maneira:
n vezes
Considerando o sistema de ponto flutuante normalizado dado na forma
genérica por SPF (b, n, expmíw expmáx), temos:
a) O ºmenor positivo exatamente representável, não nulo, é o real for
mado pela menor mant.issa multiplicada pela base elevada ao menor
expoente, isto -é:
menor = (0.1000 ....... 0) bexpmín
( n-1 ) vezes
"-,,.--'
b) O maior positivo exatamente representável é o real formado pela maior
maior = (0 X (b - l] [ b - 1] ... (b - 1]) b expmáx

mantissa multiplicada pela base elevada ao maior expoente, isto é:
n vezes
c) O número máximo de mantissas positivas possíveis é dado por:
(b 1 ) bn-I
·
mantissas+ = -
d) O número máximo de expoentes possíveis é dado por:

exp possíveis = exp máx - exp mín + 1
e) O número de elementos positivos representáveis é dado pelo produto
entre o número máximo de mantissas pelo máximo de expoentes, isto é:
NR+ = mantissas+ X expp íveis oss
Se considerarmos que dado um número real nr E SPF temos que

de elementos exatamente representáveis NRt é dado por:
-nr e a representação do zero, podemos concluir que o número total
E SPF
NR1 = 2xNR+ + 1
Exemplo 1.6
Considere o sistema de ponto flutuante SPF (b, n, expmíni expmáx> = SPF (3,
2, -1, 2),
isto é, de base 3, 2 dígitos na mantissa, menor expoente igual a -1 e
maior expoente 2. Para este sistema temos:
a) O menor exatamente representável:
0.10 X 3-t = (1 X 3-t + 0 X 3-2 ) X 3 -t = ..!.
9
b) O maior exatamente representável:
e) A quantidade de· reais positivos exatamente representáveis:

Temos que a quantidade de reais positivos exatamente representáveis é
dada pelo produto entre todas as mantissas possíveis de dois dígitos� formadas
com os dígitos da base 3, isto é, 0.10, 0.11, 0.12, 0.20, 0.21, 0.22, e todas as pos
sibilidades de expoentes, que no caso são -1, 0, -1, 2.
Desta forma, os 24 positivos exatamente representáveis estão listados
a seguir:
exp = - 1 : 0.10x3-1 = 1 / 9 exp = - 1: 0.llx3-1 = 4 / 27

exp = O: 0.10x3° = 1 / 3 exp = O: 0.1 1x3° = 4 / 9
exp = 1 : 0.10 x31 = 1 exp = 1 : 0.1 1x31 = 4 / 3
exp = 2 : 0.10 x32 = 3 exp = 2 : 0.1 1x32 = 4
exp = - 1 : 0.12x3-1 =5 / 27 exp = - 1 : 0.20x3-1 = 2 / 9

exp = O: 0.12 x3° = 5 / 9 exp = O: 0.20 x3° = 2 / 3
exp = 1 : 0.12 x31 =5 / 3 exp = 1 : 0.20 31 = 2
X
exp = 2 : 0.12x32 = 5 exp = 2 : 0.20 32 = 6

X
exp = - 1 : 0.21 x3-1 = 7 / 27 exp = - 1 : 0.22 X 3-l = 8 / 27

exp = O: 0.21x3° = 7 / 9 exp = O: 0.22 X 30 = 8 / 9
exp = 1 : 0.21x31 = 7 / 3 exp = 1 : 0.22 X 31 = 8 / 3
exp = 2 : 0.21 x32 = 7 exp = 2 : 0.22 X 32 = 8
Observe que o menor real positivo representável é e o maior positivo�

representável é o real 8.
Por outro lado, sabemos que se um real x E SPF então -x E SPF e, como
no sistema de ponto flutuante normalizado o zero é uma representação, te
mos que os representáveis de SPF pertencem ao conjunto:
R = {x; x [� 8] [- 8, �J {o}}
E , u - u
Todos os reais que não pertencem à união dos intervalos anteriores não
são representáveis e qualquer tentativa de representação fora dos intervalos
anteriores constitui-se em uma mensagem de erro, isto é,
Erro de Underflow, se a tentativa de representação satisfizer:
Under = x; x e - , o o,
{ ( � )u ( �)}
Erro de Overflow, se a tentativa de representação satisfizer:
Over = {x; x E (--oo, -8 ) U (8, +oo)}
Se marcarmos os reais exatamente representáveis na reta real, verifica
remos, num primeiro momento, uma maior concentração de representáveis nas
proximidades do zero e uma menor concentração à medida que nos afasta
mos da origem e que, aparentemente, não existe uma uniformidade na sua
distribuição, como acontece com os representáveis do sistema de ponto fixo.
No entanto, é possível observar que os representáveis definidos através
do produto de cada uma das mantissas multiplicada pela base elevada ao
mesmo expoente são igualmente espaçados na representação sobre a reta.
Assim, os reais
0.10X3-l, 0.11X3-l, 0.12X3-l, 0.20X3-l, 0.21X3-l, 0.22X3-l
são igualmente espaçados por h3 = J7 .
Os reais
0.10 X3°, 0.11X3°, 0.12X3°, 0.20X3°, 0.21X3°, 0.22X3°
são igualmente espaçados por h2 = �.
Enquanto os reais
0.10 X31, 0.11X31, 0.12X31, 0.20 X31, 0.21X31, 0.22X31
são espaçados por h1 �.
=
E os reais representados por

0.10x32, O.llx32, 0.12x32, 0.20x32, 0.21x32, 0.22x32
são igualmente espaçados por ho 1.=
De modo geral, podemos representar o espaçamento entre os represen

táveis exatamente da seguinte maneira:
�
hi = i ; i o, l, 2, 3
=
Considere o sistema de ponto flutuante SPF (2, 3, -1, 2), isto é, de base 2,
Exemplo 1.7
3 dígitos na mantissa, menor expoente igual a -1 e maior expoente 2.

Para este sistema temos 16 reais positivos exatamente representáveis

além do zero.
A representação na reta real de alguns dos reais positivos do sistema
SPF (2, 3, -1, 2) pode ser visualizada através da Figura 1.2:
o 1/4 5/8 718 1 5/4 7/4 2 5/2 3 7/2
Figura 1 .2
maior é 7 /2.
Observe que o menor positivo exatamente representável é 1/4 e o
Exemplo 1.8
Considere o sistema de ponto flutuante normalizado SPF (3, 2, -1, 2), de base
3, 2 dígitos na mantissa, menor expoente igual a -1 e maior expoente 2.
Para este sistema, temos que:
�
X = = (0.lO h 3- l e Y = 5 = ( Q.12 h 3 2
X X
são exatamente representáveis, no entanto, (x + y) = (0.0001 0h x3 2 + (0.12h x

3 2 = (0.1201h x3 2 não é exatamente representável em SPF, uma vez que no
sistema de ponto flutuante considerado a mantissa é de 2 dígitos.
Observação
Pode ocorrer de outras propriedades consagradas no conjunto dos números
reais não serem verdadeiras, no sentido da exatidão da representação, no
sistema de ponto flutuante normalizado, como as propriedades comuta
tiva e associativa na adição, e as propriedades comutativa e distributiva na
multiplicação.
Exemplo 1.9
Dados x , y , z E � e o sistema de ponto flutuante normalizado SPF (3, 2, -1, 2),
temos:
Se X = � = (Q .12h 31 , Y = ;7 = (Q .21h 3-l e Z = � = ( Q .22h 30
X X X
temos:
x + (y+ z) = 0.22x31 e (x + y) + z = 0.21 x31
Podemos observar que:

x +(y + z) * (x + y) + z
1 .5 Erro de arredondamento
Quando estamos utilizando um equipamento comp utacional para proces
sar uma determinada operação aritmética, se o número obtido não pertencer
às regiões de Underflow ou de Overflow e este não é representável exata
mente no sistema de ponto flutuante SPF o mesmo será representado de forma
aproximada por nra.
Esta aproximação será caracterizada como um arredondamento do
real nr, para que sua representação seja possível no SPF.
Assim, dizemos que um número na base decimal nr foi arredondado
na posição k se todos os dígitos de ordem maior que k forem descartados
segundo o seguinte critério:
a) O dígito de ordem k é acrescido de uma unidade se o de ordem (k + 1)
for maior que a metade da base. Caso contrário, o número nr é repre
sentado com os k dígitos iniciais.
b) Se o dígito de ordem (k + 1) é exatamente a metade da base e o de
ordem k é par, então o número nr é representado com k dígitos e,
se o dígito de ordem k é ímpar, então o de ordem k é acrescido de
uma unidade.
c) O arredondamento por corte considera que, para obter um número
com k dígitos, simplesmente trunca-se na posição k.
Exemplo 1.10
Consideremos um equipamento com o sistema de ponto flutuante normali
zado SPF (b, n, expmíw expmáx) = SPF (10, 4, -5, 5).
a) Se a = 0.5324x103 e b = 0.4212x10 - 2, então a x b = 0 . 22424688x10 1,
que é arredondado e armazenado como (a x b)a = 0 . 2242x101 •
3
b) Se a = 0.5324x103 e b = 0.1237x102, então a + b = 0 . 54477x10 , que
é arredondado e armazenado como (a + b)ª = 0 . 5448x10 . 3
1 .6 Erro absoluto
Definimos erro absoluto como
onde aex é o valor exato da grandeza considerada e aaprox é o valor aproxi

mado da mesma grandeza.
Como na maioria das vezes o valor exato não é disponível, a definição

anterior fica sem sentido. Assim, é necessário trabalharmos com um limi
tante superior para o erro, isto é, escrevê-lo na forma:
onde E é um limitante conhecido.

A desigualdade anterior pode ser entendida da seguinte maneira:
ou ainda
isto é, aaprox é o valor aproximado da grandeza aex com erro absoluto não
superior a E.
1 . 7 Erro relativo
Definimos erro relativo como:
Erel = 1� 1 = 1 aex- a
1
aprox
aex 1 aex 1
onde aex é o valor exato da grandeza considerada e aaprox é o valor aproxi
mado da mesma grandeza.
Como na maioria das vezes o valor exato não é disponível, a definição
anterior fica sem sentido. Dessa forma, é preciso trabalharmos com um limi
tante superior para o erro relativo, isto é, escrevê-lo na forma:
E
onde õ, é um limitante conhecido.

Podemos observar que o erro relativo nos fornece mais informações sobre
a qualidade do erro que estamos cometendo num determinado cálculo, uma vez
que no erro absoluto não é levada em consideração a ordem de grandeza do
valor calculado, enquanto no erro relativo esta ordem é contemplada.
a) Consideremos o valor exato ªex = 2345.713 e o valor aproximado

Exemplo 1.11
aaprox = 2345.000
Eabs = 0.713
Então,
Erel 0.00030396
=
Consideremos o valor exato ªex 1.713 e o valor aproximado

b)
aaprox = 1.000
=
Então,
Eab 0.713
E el 0.416229
s =
r =
Observe que nos exemplos a) e b) o erro absoluto é o mesmo, embora o

erro cometido pela aproximação seja muito mais significativo no exemplo b).
No exemplo a), o erro relativo é da ordem de 0. 03%, e no exemplo b), é da
ordem de 41.6%.
Observação
Em geral, nos procedimentos numéricos geramos uma seqüência de soluções
aproximadas que convergem ou não para a solução desejada do problema.
Os erros absolutos e relativos serão usados como critério de parada nestas
seqüências de aproximações. Em geral, o erro relativo é preferível, devido às
observações nos exemplos anteriores.
Exemplo 1.12
Para resolver a equação f(x) x2 -a= O, com a > O, podemos utilizar o se
guinte processo iterativo:
=
�( �)
X n+l = X n + n O, l, 2, ...
=
Assim, dado o valor XQ, podemos, através da expressão anterior, gerar a

seqüência de soluções aproximadas x11 x2,
Dado que a propriedade de convergência da seqüência de aproxi
•••
mações esteja estabelecida e uma tolerância pré-fixada E foi definida pará o

cálculo de uma raiz da equação f(x) O podemos verificar, de forma absoluta,
se a seqüência de aproximações atingiu a precisão anterior E, realizando
= ,
o seguinte teste:
Se lx n+l - xnl � E for verdadeiro, dizemos que Xn+l é a raiz da equação
f(x) O com tolerância E; caso contrário, devemos calcular outro elemento da
seqüência e, de forma relativa, realizar o seguinte teste:
=
x -x
Se j " ' .j � E for verdadeiro, concluímos que X..+1 é a raiz da equação
iX n+l1
com a tolerância E e, em caso contrário, devemos proceder ao cálculo de outro
termo da seqüência.
1 .8 Erro de truncamento
Quando representamos uma função através de uma série infinita e, por limi
tações do sistema de armazenamento de dados do equipamento, conside
rarmos apenas um número finito de termos, dizemos que estamos cometen
do um erro de truncamento.
Exemplo 1.13
a) Consideramos a representação de uma função f(x) utilizando a Série
de Taylor, nas vizinhanças do ponto x:
f(X) = f(X-)+f (_X) (x l-i. x) +f<2> (_X) (x-21.x)2 +...+f<n> (_X) (x -n.xI t +
···
onde t<n>(x) é o valor da n-ésima derivada da função f(x) no ponto x.

Quando truncamos a série no 3Q termo, isto é, considerando apenas
os termos até a derivada de ordem 2, na expressão anterior, temos um
erro cometido nesta aproximação, como segue:
f(x) = f(x)+f(l>(x) (x l- x) +t<2>(x) --
!
(x - x)2
2!
b) Consideremos o desenvolvimento de f(x) =ex em Série de Taylor,

isto é:
x 2 x3 ...+-+
ex=l+x+-+-+ x n ...
2! 3! n!
ou, de forma compacta:

e =� �-
�
Xn
n=o n !
X
Suponha que o equipamento utilizado para trabalhar numericamente

com a série seja capaz de armazenar somente dados referentes aos 4 primeiros
termos, isto é:
Neste caso, desprezamos todos os termos de potência maiores que 4,

isto é, truncamos a série no termo de potência de ordem 3.
Destacando os quatro primeiros termos da série, podemos escrevê-la
da seguinte maneira:
n
ex (;1 (x3 +3 X2 +6 X+6)+� �!
�
Vamos supor que desejamos calcular o valor de ex para x = 2 usando

apenas os quatro primeiros termos da série, isto é, a série truncada.
Neste caso, temos e2 6.33333, que é um valor com erro absoluto bem
significativo quando comparado com o valor e2 7.38906 obtido numa calcu
=
ladora científica que armazena uma quantidade maior de termos da série.

=
1 .9 Propagação dos erros

Quando desenvolvemos ou utilizamos um processo numérico para buscar aso
lução de um determinado problema, normalmente o processamento envolve um
número muito grande de operações elementares. Assim, na maioria das vezes, o
erro cometido em uma operação isolada pode não ser muito significativo para a
solução do problema que estamos tratando, mas sim, é necessário analisar como os
erros se propagam quando tratamos com muitas operações no processamento.
Neste caso, é fundamental termos o conhecimento da forma com que
estes erros estão se propagando, isto é, caso estejam se acumulando a uma
taxa crescente, dizemos que o erro é ilimitado, e a seqüência de operações é
considerada instável.
Se, por outro lado, os erros estão se acumulando a uma taxa decres
cente, dizemos que o erro é limitado e, portanto, a seqüência de operações
é considerada estável.
Podemos visualizar, através da Figura 1 .3, as situações de erros ilimi
tado e limitado:
Erro Erro
Erro
ilimitado
o Nº iterações o Nº iterações •
a) b)
Figura 1 .3
Exemplo 1.14
Usando aritmética de ponto flutuante de 4 dígitos, base decimal e arredon
damento por corte, calcule o valor da seguinte soma:
L (xi + Yi ), sendo xi 0.46709 e Yi
4
S = = = 3.5678
i = 1
Para i 1, na aritmética definida, realizamos inicialmente a operação

que resulta no seguinte valor aproximado:
=
51 (x 1 + Y1 ) = 0.4034x101
=
Calculando o erro absoluto, temos:

Eabs l = j 4.03569 - 4.034 j = 0.00169 = 0.169X10-2
Para i xa operaçãoxque resulta no seguinte valor aproximado:

= 2, realiz.amos
52 = ( 1 + y1 ) + ( 2 + y2 ) = 0.8068 x101 ,
cujo erro absoluto é dado por: E abs2 = 1 8.07138 - 8.068 1 = 0.00338 = 0.338X10 -2
Obs e rve que, ao re a li z armos a mes m a oper
cometParemosa i=um rerealroizabsamosolutaoopersignifiaçãocatqueivamentresueltamainoosre. guinte: a ção de adi ç ão por duas vezes ,
3,
cujo erro absoluto é dado por: x x

53 = ( 1 + Y1 ) + ( 2 + y2 ) + ( 3 + y3 ) = 0.1210x102 x
E abs3 = 1 12.10707 - 12.10 1 = 0.00707 = 0.707x10-2
para aParsoama:i repetindo o mesmo procedimento, obtemos o seguinte valor

= 4,
que apresenta o seguinte erro absoluto:

E abs3 = 1 16.14276 - 16.13 1 = 0.01276 = 0.12767X10-l
Como
parcelea, saument podemos
na operamosaçãotdeambém obs e r v ar , na medi d a em
adição,o erconsiro absderoalndouto comet que aument a
a aritmidétoinaca defini mos o númer o de
dfianalant. Deseriotra
ment
fnaormFia,guraaseqüêa).ncia de operações pode tomar-se instável, conforme gráfico s o ma
1.3
Parseguia nretseoprlvoercesasequação
Exemplo 1.15
o iterativo: f ( x) = x 2 - a = O, com a > O, podemos utilizar o

Xn+I .!.(xn �J,
= +
Xn para n = O, l, 2, ...
deapradioxNesiçmão,adotemulproticediparplicaaçãomsentolueoção,diemvdaisãcadao,equação
queitesrãaocomçãorepetesumaitdãasoprenvol
ateéciquesãvoidsase descalasceuloperjaeda.oavalçõesor
2
ercesso.ro, aDescadatesa tfeoitrma,eprraoçãocediseromealvalentizoadaorconver

finesalte eresrotápodesujeisteo pra umopagardeteaormlionngoado dotipoprdeo
Xn E
Xn
g i r par
dosconforerrmose grcometáficoiddaos,Fitegmosura queb)a. seqüência de operações se toma estável,
Se a a s o l u ção xda equação, apes a r
1.3
a)b)Representar na base binária os seguintes números decimais:

Exercícios
1.
13
c)d) 29.75
17.6
0.46875
2.
3.
Repre se n te o número dec im al
(0.2) na
Considerando que C,a basD,e F,érereprpreesesentntea: da através dos dígitos
16
base binária com
4, 8, 12 16
O, l, 2, 3,
e dí g itos.
a)b) nanabasbase decie decimmalal
4, 5, 6, 7, 8, 9, A, B,
(27D h6
E,
c)Representar osnasebasguiendecites númer

(270.9) 16
(32.E.32 h6 mal os na forma normalizada
4.
a)b) (100 ho
c)Representar os seguintes números na base binária na forma normalizada
(0.0158 h0
(101 h
b)c)a)
5.
(0.1875 h0
(25.75 h0
(437)8
6. Reprpontoesfleunttueantna erenorta osmposializadotivosSPF(3,exatamente representáveis do sistema de
2, -1, 2).
'
7. Consi d er e o s i s t e ma de pont o fl u t u
deParbasa esete sisdítema:gitos na mantis a, menor expoente e maior expoente
2, 4
ant e normali
-1
zado = SPF SPF
(2, 4, -1, 2)
2.
b)a)c) QualQualQuantééooos menor

maisão oosr poseposxatiitatiment
ivvooeexxatataamentmenteerreeprpreesseentntáávelvel??
e r e pr e s e nt á vei s pos i t i v os ?
e)d)f) Defin
ReprQualeaéseoasntnúmer
erenagiõreseotatdeottoaoverdosl deflosreoaiwposseeidextiatvosunder
amentexateament
fl o
repreeserntepráveiesesnt? áveis.
w.
8. Noem cadasistemacasdeo, opontvaloor flarurteudondado ante norme alo arizadoredondado SPF por corter(terpruencado)
(2, 3, -1, 2), sente,
a)b)das seguintes operações:
0.101 X2º + 0.110 X2 - l
0 . 1 01 X2º + 0.111 X21
C) 0.111 X2º X 0.110 X2 - l
9. Cons id ere o s i s t e ma de pont

baste 2.e Par2adíesgtietossisnatema,mantteimoss a, menor
3,
o fl utu ant e nor m al iz ado SPF
(3,
expoente igual a-1 e maior expoen 2, -1 , 2) , de
x = _!_ y =
que:
a) exatamente e repr5 seãsoenteáxvelatamentem SPF.e representáveis. Verifique se é x+ y
9
b) tambémeexatament1 sãoeerxeatpraementsentáevelrepremesSPF.entáveis. Verifique se é

x= 4
3
y = x+ y
10. zadoConsiéderSPFe (2, 1equi0, -15,pament15), deo cujbaseo si2,ste1ma0 dígdeitoponts naomantflutuisanta,emenor
um normalexi
a)b)poentQualQuale -15éo omenor
e maioposr exitpoent
pr ó x i m o i
posv o
i t e
i x
v
eat15.amentParaeesretpre seissetntema:ável?
o, depoi s do menor pos itiv o repre se nt ável ?
c)d) VerTrainsfiqfouerme eoxmenor i ste m posientretivo eoomenorpróxime oopróparxaima obaspose deciitivo.mComent
al. e.
e) Quant
f)
Qual oomais sãoorosposexiattivaomentexateament
se reais
e re pr e s e
representáveis positivos? nt á vel ?
Capítulo 2
Solução Numérica de Sistemas

de Equações Lineares e Matrizes
Inversas
2.1 Introdução
Apresentamos neste capítulo o desenvolvimento de algoritmos computacio
nais para calcular a solução única de sistemas de equações lineares através
de métodos diretos de decomposição e eliminação, métodos iterativos e es
quemas numéricos para o cálculo de matrizes inversas através da aplicação
de métodos diretos. Posteriormente, apresentamos noções sobre condiciona
mento de sistemas.
Finalmente, apresentamos algumas aplicações que envolvem a resolu
ção de um sistema de equações lineares.
2.2 Sistemas de equações lineares

Considere o sistema linear Ax = b, onde A = (aij ) i, j = ... , n x = (xi)t j =
b = (bi)t i = ... , n e det (A) '* (garantia de solução única).
1, 1, ..., n
1, O
Representamos o sistema da seguinte forma:
ª11 X 1 + ª1 2 X 2 + ··· + ª1n X n = b1
ª21 X 1 + ª22 X 2 + ... + ª 2n X n = b 2
Na forma matricial:
a1 1 a1 2 al n
··· X1 b1
a 2 1 ª2 2 ª2 n
••• X2 b2
19
Ainda, pode ser escrito de forma compacta, da seguinte maneira:

n
L a i i x i = bi i = 1, 2, ... , n
Resolver o sistema dado consiste em determinar um vetor x = (xv x21 , xn)t

j=l
•••
que satisfaça todas as equações simultaneamente.

Graficamente, no 9t 2, podemos representar a solução de um sistema
{ -X1 + 2X2 = 3
considerando o seguinte exemplo:
det(A) :;t: O
X1 + X2 = 3
Observe que a solução x = (1, 2) encontra-se na intersecção das duas
retas, conforme Figura 2.1:
Figura 2.1
Definição 2.1
Dizemos que o sistema Ax = b, onde A = (aij ) i, j = l, . .. , n x = (xi )t j = l, ... , n
e b = (bi)t i = . .. , n é consistente se apresenta pelo menos uma solução, caso
1,
contrário dizemos que o sistema é inconsistente.
Definição 2.2
Dizemos que o sistema Ax = b é homogêneo se o vetor b = (bJt = O i = ..., n. 1,
Solução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 21
Observação
Um sistema homogêneo é sempre consistente uma vez que o vetor nulo é
sempre solução deste sistema.
Procuraremos resolver sistemas consistentes através de métodos diretos
dos termos independentes b = (bi) t * O i = 1, ... , n.

e iterativos cuja solução seja não nula. Para isso, consideramos sempre o vetor
2.3 Métodos diretos

Consideramos Ax = b um sistema de equações lineares onde matriz dos
coeficientes é A = (ai i ) i , j = 1, ... , n b = (bi) t i = l, ... , n e det(A) * O.
Um método direto ou exato para calcular o vetor solução x = (xv x0 . , Xn)t ..
é caracterizado por fornecer a solução exata para o sistema dado, não fossem
os erros provenientes do processamento do algoritmo em um equipamento
computacional.
2.3 . 1 Sistema triangular inferior

Considere Lx = b com L = (lij) i, j = 1, ... , n b = (bi) t i = l, ... , n e x = (Xj)t j = ..., n,
1,
um sistema de equações lineares onde a matriz dos coeficientes é triangular
inferior, isto é, os seus coeficientes (lii ) = O sempre que i < j e com lii '# O
i = 1, ... , n.
Podemos escrever:
Para construir o algoritmo que calcula a solução do sistema destacamos

a linha genérica ( i ), isto é:
Podemos, então, escrever:

ou,
(i - 1 )
- I li j xj)
(bi
j= l
X i = ---'-----
lii
Temos, assim, o seguinte algoritmo:
Algoritmo 2.1
Para i = 2, , n, faça
...
(i - 1 )
- I li j xj)
(bi
Xi = -
i=1 -�---
lii
Exemplo 2.1
Calcule a solução do seguinte sistema de equações lineares:
Usando o algoritmo anterior temos:
b3 - l 31 X 1 - l32X2 _ 0 - 1(1) - 1( -1) = O

X3 =
133 1
Portanto, temos a solução do sistema:
x = (l, - 1, 0) 1
�alução Numérica de Sistemas de Equações Lineares e Matrizes Inversas 23
2.3.2 Sistema triangular superior

Considere Ux = y com U = (ui i) i, j l, ..., n y = (yi)t i = l, ... n e x = (xi)t j = 1 ..., n,
um sistema de equações lineares onde a matriz dos coeficientes é triangular su
=
perior, isto é, os seus coeficientes (uij) O sempre que i > j e com uii -:t:- O i = l, ... , n.
=
Podemos, então, escrever:
U11 X 1 + U12 X2 + ... + U1n Xn = b1

= b2
+ U22 X2 + ... + U2n Xn
+ Unn X n = bn
camos a linha genérica ( i ) , isto é,

Para a construção do algoritmo que calcula a solução do sistema, desta
ou, na forma compacta,
ui i x i )
n
(bi - L
j = ( i+l)
Algoritmo 2.2
Para i = (n - 1), (n - 2),..., 1 faça
u i i xi)
n
(bi - L
j = ( i+l)
Exemplo 2.2
Calcule a solução do seguinte sistema de equações lineares:
Usando o algoritmo anterior, temos:
x2 =
b2 - u2.3x3 2 -(-1)(0) 1
U22 2
x= (1, 1, O)t
Observação
Sabemos que o Esforço Computacional Ec de um algoritmo é a quantidade
de operações elementares necessárias para calcular a solução do problema
para o qual foi desenvolvido.
No caso da solução de um sistema triangular superior ou inferior de or
dem (n), o esforço computacional dos Algoritmos 2.1 e 2.2 é Ec = n2 operações
e1ementares sendo (n) operaçoes · -
- de d"1v1sao, (
n n l)
-
- de a d"1çao
operaçoes -
n n l)
- )e (
2 .
-
(ou sub traçao -
- d e multi" p l"1caçao.
operaçoes
2
Assim, por exemplo, na resolução de um sistema de equações lineares
de ordem n = 10, cuja matriz dos coeficientes é triangular superior ou infe
rior, estão envolvidas 10 operações de divisão, operações de multiplicação
45
45
e outras operações de adição ou subtração, sugerindo um esforço compu
tacional de 100 operações elementares.
Experiências computacionais demonstram que o tempo computacional
envolvido nessas operações é pequeno, tornando os sistemas triangulares
bastante atrativos.
2.3.3 Métodos de decomposição

Como observamos anteriormente, sistemas de equações lineares cuja ma
triz dos coeficientes possui a característica triangular inferior ou superior
apresentam um "pequeno" esforço computacional para a obtenção de sua
solução.
Este fato nos motiva a buscar formas para que um sistema de equações
lineares Ax = b possa ser resolvido através da solução de sistemas com caracte
rística triangular permitindo, assim, a utilização dos Algoritmos 2.1 e 2.2.
Definição 2.3
Denomina-se "menores principais" de ordem k de uma matriz A = (a i i ),
i , j = 1 , ... , n por:
d k = det( A k ), onde Ak (ai j) i , j = l , ... , k é formada pelas k primeiras
=
linhas e k primeiras colunas de matriz A.
Exemplo 2.3
Considere a seguinte matriz:
Cálculo dos menores principais:
Ó1 = 2 ô2 = 6 Ó3 = o
Método de decomposição LU
Teorema 2.1
Considere A= (ai i ) i , j = l , ... , n. Se os menores principais de A, ói * O,
matriz triangular inferior L = ( lij ) i, j = 1, ... , n, com lii = 1, por uma matriz
1,
i = 2, ... , n - l, então A se decompõe, de maneira única, no produto de uma
IJ ufr
n
triangular superior U = (uij) i, j = l, ..., n. Além disso, det (A) = det (U) =
i l
=
Prova: indução finita
Temos que A = [ a11 ], L = [ 1 1 1 ] e U = [ u11 ]. Como 1 11 = l, temos

a) Para n = 1
que u11 é univocamente determinado, isto é, u11 = a11 • Logo A = LU,

de maneira única.
b) Suponhamos que a decomposição seja verdadeira para uma matriz A
de ordem n = (k - 1), isto é, Ak - l = Lk-1 Uk -1
e) Provaremos que a decomposição é verdadeira para uma matriz A de
·
ordem n = k.
Particionamos a matriz A em submatrizes da seguinte maneira:
onde A k- 1 k-I é uma matriz de ordem (k - 1 x k - 1), s é um vetor coluna com

(k - 1) componentes e r é um vetor linha também com (k - 1) componentes.
[ ]
De modo análogo, particionamos as matrizes L e U, isto é:
u k-1 Y
u = O u kk
O produto da matriz L pela matriz U resulta na seguinte matriz:
LxU=
[X
L k-1 U k-1
U k-1
Para provar que a decomposição é verdadeira para a matriz A de ordem

n = k, isto é, que A = LU, univocamente, é necessário determinar x, y e ukk de
[
maneira única. Para isso basta considerar a igualdade entre as matrizes
[ A k-1 s ] =
L k-1 U k-1
r a kk X U k-1
temos, assim, o seguinte sistema de equações:
A k-1 = L k-1 U k-1

s = L k-1 y
r = X u k-1
akk = xy + u kk
Como Ak-l = Lk-l Uk_1, por hipótese da indução e Ak-l é não singular,
então Lk-l e Uk-l são também não singulares.
Assim, temos a seguinte solução:
= LIL1 s
= r Uk:�1
= ak k - xy
e os valores para x, y e ukk são determinados de maneira única.
Processo de decomposição LU
Considere A = (aij ) i, j = 1, . . . , n L = (lij ) , i, j = l, ... , n e U = (uij) i, j = 1, . . . , n

então podemos escrever:
1 Un U12 U1 3 U1n ªn ª12 a1 3 aln

121 1 o U22 U23 u2n ª21 ª22 a23 ª2n
13 1 132 1 U33 U3n = a31 a32 a33 a3n
o
lnl ln2 ln3 ... 1 Unn anl an2 an3 ... ann
Para a construção do algoritmo, construímos as matrizes U por linhas e

a matriz L por colunas, isto é,
Cálculo da 1ª linha de U
lª linha de U
Cálculo da lll coluna de L
1ª coluna de L
coluna de L, 3ll linha de

U, 3ll coluna de L etc., obteremos as fórmulas genéricas, respectivamente,
Se continuarmos calculando a linha de 2ll U, 2ll
para os elementos das matrizes U e L da seguinte forma:
Matriz U
i -1
uii = ai i - L lik uk i i, j = l, . .. , n, i :s; j
k =l
Matriz L
j- 1
ai i - L l ik uk i
lij = ------
k =l i, j = 1, ... , n i > j
ujj
Quando i = j, teremos lii = lü = 1.

Observação
Podemos, assim, desenvolver para a decomposição da matriz A = (aij ),

i, j = l, ... , n no produto A = LU, o seguinte algoritmo:
Algoritmo 2.3
Para m = l, ... , n - 1, faça
Para j = m, m + l, ... , n, faça
m-1
= -
Umj ªmi L lmk u k j
k =l
Para i = m + l , ... , n , faça
lmm = 1
Para m = n, faça
n-1
=
Unn ann - L ln k Uk n
k =l
A=[� : 3: ]
Exemplo 2.4
=ompor a mamz no produto LU.
L = [ � � �]
Como
2 o 1
U= O 2 1
]
� 1 = 2 * O � 2 = 4 * O, temos, usando o Algoritmo 2.3:
[
1/2 1/2 1 o o 2
Aplicação na resolução de sistemas de equações lineares

Considere um sistema de equações lineares Ax = b, cuja matriz dos coeficien
tes é A = (aij ) i, j = 1, ... , n x = (xi ) t j = 1, ... , n e b = (bi) t i = 1, ... , n.
Vamos supor que a matriz dos coeficientes A satisfaz às condições do
Teorema 2.1, então podemos escrever A = LU e, portanto, o sistema Ax = b
pode ser escrito:
(LU) X = b
Se denominarmos Ux = y, teremos substituído o cálculo da solução do
sistema Ax = b, pela solução de dois sistemas triangulares; um inferior Ly = b
e outro superior Ux = y.
Para a resolução de sistemas triangulares usaremos os Algoritmos 2.1 e 2.2.
Exemplo 2.5
'usando o método de decomposição LU, resolva o seguinte sistema de equa
ções lineares:
1) Temos que
�1 = 1 ª11 1 = 3 ;t: o
�2 = 1 11 I
ª1 1 ª1 2
ª21 ª22
=
3 2
1 1
= 1 ;t: o
Portanto, a matriz A satisfaz condições do Teorema 2.1.

2) Construção das matrizes L e U
Usando o Algoritmo 2.4, temos:
L = [ � � �l [�
1 3
4/3 1 1
e U=
o
1 3 �
o
3) Cálculo da solução dos sistemas triangulares

a)
[
Ly = b -7
1 O
1/3 1 O
º] [ ] [ 1 ] [ Y1 - ] [ ]
sistema triangular inferior
y,
� = 2 -7 y2 =
1
513
4/3 1 1 y3 3 y3 O
b) Ux = y � sistema triangular superior

x = ( - 3, 5, 0)1
Definição 2.4
Dizemos que uma matriz A = (aij ) i, j = 1, ... , n é simétrica aii = ªii i, j = l, ... , n.
Se os menores principais da matriz A, Lii > O i = 1, ... , n, dizemos que A é simé
trica e definida positiva.
Método de Cholesky
Teorema 2.2
Seja A = (aij ) i, j = 1, ... , n uma matriz simétrica e definida positiva. Então existe
(o�' r
uma matriz R = (rij ) i, j = 1, ... , n, triangular superior, com diagonal positiva, tal
que A = R• R de maneira única. Além disso, det (A) = (det (R))' =

Prova:
Como A é definida positiva, temos que d i > O , i = l , ... , n e, portanto,
A= LU.
Além disso, se A = LU, podemos mostrar que os elementos da diago
U
nal de = (uij ) i, j = 1, ... , n, podem ser escritos da seguinte maneira:
u ii = �, i, j = l, ... , n, sendo d0 = 1 . (A prova deste resultado é
d i-1
feita por indução finita e fica a cargo do leitor).
Sendo d i > O, i = 1, ... , n, temos que u\ i > O, i = l, ... , n. Então, dividindo
U
cada linha da matriz pelo elemento da diagonal u i i > O, podemos escrever:
U= DG
onde D = (dii ) i, j = 1, ... , n é uma matriz diagonal cujos elementos dii = uii e
G = (gij ), i, j = 1, ... , n é uma matriz triangular superior cujos elementos são
dados por
. .
g1 J
{�i.
se i = j
-J se i :;t: j i < j
=
U ii
Assim, de A = LU podemos escrever A = L D G e, como A é simétrica,

temos:
Do fato da decomposição de A = LU ser única, e da igualdade anterior,

podemos escrever:
c t = L ou G = Lt, e, considerando que ot = D teremos A = Gt D G
Por outro lado, sabemos que dü = uü > O, i = l, ..., n, o que permite escrever
Como A = ct D G, podemos concluir que
e, portanto,
o que prova a existência da matriz R.

A unicidade da decomposição de A em Rt R decorre da unicidade da
decomposição de A em LU.
Processo de decomposição
Considere A = (aii ) i, j = 1, ..., n, construímos os elementos da matriz triangular

superior R = (rij ) i, j = 1, ... , n, escrevendo o produto Rt . R = A, isto é:
r11 r11 r12 r1 3 rl n ª11 ª12 a1 3 al n

r12 r22 o r22 r23 r2n ª21 ª22 a23 ª2n
r1 3 r23 r33 r33 r3n = a31 ª32 a33 a3n
o
rl n r2n r3n ... � � anl an2 an3 ... ann
a) Construção dos elementos da diagonal de R

ri21 = ª11 � rll = ..Jã;;
2
rA + ri2 = ª22 � r22 = ( ª22 - ri 2 ) 1
· rA + rf3 + rf3 = a33 � r33 = ( a33 - rf3 - rf3 ) 1
ou, de maneira genérica:
e, portanto,
i = l, .. , n
.
b) Elementos não pertencentes à diagonal de R

Construção da lã linha de R
rn r12 = ª12 � r12 = ª12 I rn
r11 r1 3 = a1 3 � r1 3 = a1 3 / r11
Construção da 2ª linha de R
r22
a 2 4 - r12 r1 4
r12 r1 4 + r22 r2 4 = ª 2 4 � r24 = -----
De forma geral:
e, portanto:
i-1
(a ii - L rk i rk i )
k=l i = 1, . , n
.. j = i + l, . . , n
.
Usando convenientemente as expressões genéricas anteriores, pode

mos determinar os elementos rii da matriz triangular superior R.
Para i = l,
Algoritmo 2.4
... , n, faça
Para j = i + 1, ..., n, faça
l,
Aplicação na _resolução de sistemas lineares
l,
·Considere um sistema de equações lineares Ax = b, onde A = (aii ) i, j = ... , n,
x = (xi ) t j = ... , n e b = (bi) t i = ... , n.
l,
Se a matriz A satisfaz às condições do Teorema 2.2, podemos escre
ver A = Rt R, portanto, o sistema Ax = b pode ser escrito como (Rt R) x = b.
Se denominarmos Rx = y, teremos substituído o cálculo da solução do
sistema Ax = b, pela solução de dois sistemas triangulares Rt y = b e Rx = y.
Exemplo 2.6
rl 8
Usando o método de Cholesky, resolva o seguinte sistema de equações lineares:
2
2
4 10
Temos que:
A = At
�1 = 'ª1 1 I = > o 1
�3 = 36 > o
Portanto, a matriz A satisfaz condições do Teorema,2.2.
a) Construção das matrizes R e Rt

Usando o Algoritmo 2.4 temos:
l l
r J r l
2 4
Rt = 2 2 O e R= O 2 1
4 º1 º3 o o 3
b) Cálculo da solução dos sistemas triangulares
Rty = b � sistema triangular inferior
R x = y � sistema triangular superior

:X = ( 1 , - 2, l)t
2.3.4 Métodos de eliminação

Os métodos de eliminação consistem em transformar o sistema de equa
ções lineares Ax = b onde A (aij) i, j = 1, 2, ... , n x = (xi)t j = l, 2, . . . , n e (bi)t
i = 1, 2, ... , n num sistema de equação equivalente através da aplicação de
operações elementares.
Método de eliminação de Gauss com pivotamento diagonal

Considere o sistema de equações lineares Ax = b, onde A = (aij ) i, j = 1, . .. , n
x = (xi)t j = 1, .. . , n b (bi)t i = l, ... , n e det(A) '# O.
=
a11 X1 + a12 X2 + ···

+ aln Xn = b1
a21 X1 + a22 X2 + · · · + a2n Xn = b2
O método de eliminação de Gauss, com pivotamento sobre os elementos

da diagonal, consi$te em transformar o sistema dado, através de operações
elementares sobre as linhas, em um sistema equivalente triangular superior,

tomando, em cada passo, como pivô, os elementos da diagonal da matriz A.
( A, b) �ºpera�ções e_le_m_en_t_ares � ( A( n-1 ) , b ( n-1 ) )
- _ _ _
onde A < n -l l x = b( n -l ) é um sistema triangular superior depois de aplicados

(n - 1) passos.
Consideremos o sistema dado, escrito na seguinte forma:
aW x 1 + aW x 2 + aW x 3 + a �� x 4 + ... + a�� Xn = a��+t
1 1 1 1
ª (21) X 1 + ª (22) X 2 + a(231 ) X3 + a (24) X4 + ... + a(2n1 ) Xn = a(2n) +l
a<nl1 > x 1 + a<n21 > x 2 + a n< 13> x 3 + · · · + a(nn 1)

1 ) X n - a(nn
+l
Considere a matriz aumentada:
1 1 1 1
ª (11) ª (12) ... ª (ln) ª (1 n)+l
a (21l ) ª2( 12) ... ª 2n
(1) ª2n(1)
+l
(A, b) =
a�l a�J ... a� . ª �+1
onde a(i li ) = ai j 1 = 1 ... , n J -- 1 . , n + 1 a (l)

. .
. .
-
in+l - b i i = l ... , n .
Vamos supor que o coeficiente a � : i ':t O, seja considerado elemento pivô.

Passo 1
Caso a g i = O, procedemos trocas de linhas até que o coeficiente que ocupa a
elementares às linhas de (A, b) tomando nulos os elementos da 1ª coluna

primeira linha e primeira coluna seja dif�rente de zero. Aplicamos operações
· abaixo da diagonal:
1 1 1 1 1 a(ln1 )+l
ª (11) ª (12) ª (1 3) ª (1 4) ª (ln)
2
o a � ª (23) ª (24)
2 2 (2)
ª (2n) ª2n +l
(A, b) = o ª 3( 22) a� ª 34 (2 ) 2
ª (3n) ( 2 )
a 3 n +l
( 2 ) ... a(nn2) . ªnn

O a �l ª (n23) ªn4 (2)
+l
onde a(i 1j ) - a i j 1· -- 1 ... , n j = l ..., n + l ª (inl )+l - b i 1 -- 1 ... , n
_ .
1
ª (i 1 )
•
sendo m i 1 = ----w- 1 = 2 , ... , n.
ª 11
Assim, o sistema dado inicialmente pode ser escrito da seguinte maneira:
aW X 1 + aW X 2 + aW X3 + a�� X4 + ... + a �� X n = a��+t

O + a&2d x 2 + a&2] x 3 + a&21 x 4 + ... + a &� X n = a&�+t
O + a�2d X 2 + aW X3 + aW X4 + ... + a �� X n = a�2�+1
o + a (2) (2)
n n X n -- an n+l
Passo 2:
Supondo que o coeficiente a g> ::F- O seja considerado elemento pivô. Caso
a �;> = O, efetuamos trocas de linhas até que o coeficiente que ocupe a segunda
linha e segunda coluna seja diferente de zero.
Dessa forma, tomamos nulos os elementos da 2ll coluna abaixo da dia
gonal na matriz (A,b), conforme segue:
ª (111 ) ª(121 ) ª (113) ª(114) ª(ln1 ) a (l1n+) l

o a<i] ª (2)
23
ª(2)
24 ª(2)
2n a (2)
2n+l
(A, b)= o o a� (2)
a � ... a 3 n . (2)
a 3 n+l
o o ª (2)
n3 ª (2) (2) (2)
n 4 ... ann . ª nn+l
Assim:
3 ( 2) 3 .
a(i j ) = a (2) •
i j - mi2 a 2 i 1 = , ... , n J = 2 , ... , n + 1

ª (2)
i2 . 3
onde, mi2 = (2) 1 = , ... , n
ª 22
Temos o sistema na seguinte forma:
a W x 1 + aW x 2 + aW x 3 + aW x 4 + ... + a �� x n = a��+t
o + ª(2) (2) ( 2) (2) ( 2)
22 X 2 + a 2 3 X3 + a2 4 X4 + ... + a 2n X n -- a 2n+l
O O + a(2) 33 X3 + a(342) X4 + ... + a(32n) X n - a(2)
3 n+l
O O + a n(2)3 X3 + a (2)
n 4 X4 + ... + a (2)
(2)
nn X n - a nn+l
Assim, depois de executados (n - 1) passos, obtemos o sistema inicial

dado Ax = b na forma equivalente triangular superior, da seguinte maneira:
ª (111 ) X 1 + ª(121 ) X 2 + ª (113) X3 + + a(ln1 ) Xn = a (ln1 ) + l
···
ª(2) (2) (2) (2)

22 X 2 + ª 2 3 X3 + + ª 2n Xn - ª 2n + l
···
n-1 ) X a ( n-1 )
a (nn =
n nn+l
cuja solução é dada conforme Algoritmo 2.2 por:
n-1 )
a(nn+l =
Xn n-1 )
a(nn
i ) - �n a(i ) x
ª(in+l ""' ij j
xi = i=
_,_ =i+_l
__
( i (n-1), (n-2), ... , 1

__
=
a.! l li
Algoritmo 2.5
a) Construção do sistema triangular superior equivalente
Para k 1, ... , n - 1, faça
=
Para i = k + l, ... , n, faça

(k)
- (k)
<k >
_
ªik
mik
ªkk
Para j = k, ... , n + 1
a�I �J + l l a�I �J l - m�1 kk l x a(k�J l
=
b) Calcular a solução do sistema triangular superior

Usar o Algoritmo 2.2.
Exemplo 2.7
Usando o método de eliminação de Gauss, resolva o sistema de equações lineares:
Considere a matriz aumentada, conforme o exemplo:
(A, b) = [� o 1 .1
2 1 . 1
]
-3 1 3 . 3
Depois de executar os passos 1 e 2 do método de eliminação de Gauss,
1
temos a matriz na forma triangular superior equivalente:
o 1 . 1
2 o . o
o 4 4
{
Reescrevendo o sistema na forma equivalente triangular superior, temos:
3 X1 + Ü X2 + l X3 = 1
2 X2 + Ü X3 = Ü
4 X3 = 4
Solução do sistema:
x (O O, l)t
= ,
Método de eliminação de Gauss com pivotamento parcial

Considere o sistema de equações lineares Ax = b, onde A = (aii ) i, j = l, ... , n,
x (xj ) t j l, ... , n b (bi)t i 1, ... , n e det(A) -:;:. O.
= = = =
Representamos:
a(ll1 ) X 1 + a(121 ) X 2 + a(113) X3 + a(141 ) X4 + ... + a (ln1 ) X n = a (ln1 )+l

( 1 ) X 1 + ª22
ª21 ( 1 ) X 2 + a( 13) X3 + a( 1 ) X 4 + ... + a( 1 ) X a( 1 )
2 24 2n n = 2n+l
1 1 1 1
a(3 1) X 1 + a (3 2) X 2 + a(33) X3 + a(34) X4 + ... + a(3n) X n = a (31n+l
1 )
a<nl1 l x 1 + a <n12l x 2 + a Cn13> x 3 + 1)

+ a(n1 )n X n - a(nn+l
onde a (l)
. . (l) .
i i - a i i 1 -- 1 , ... , n J -- 1 , ... , n + 1 ain+l - bi 1 -- 1 , ... , n .
O método de eliminação de Gauss com pivotamento parcial consiste
em transformar o sistema dado, através de operações elementares sobre as
linhas, em um sistema triangular superior, tomando, em cada passo, como
pivô o elemento de maior valor absoluto abaixo da diagonal, de cada coluna
da matriz A conforme ilustramos a seguir:
No k-ésimo passo temos:
(k) ( k) (k) ( k) (k)

ªn ª12 ªn al n al,n+l
(k) (k) (k) (k)
ª22 a 23 a2n a2, n+l
...............
. .
. .
: (k) : (k) (k ) (k)

: ak ,k ! ak ,k+I
. .
ak ,n a k ,n+l
: (k) : (k) (k) ( k)
o : ª k+l, k : ª k+l, k+l
.
.
.
.
ak+l,n a k+l,n
. .
(k) ( k) (k)
an ,n an ,n
i
Escolher o elemento de maior valor absoluto na coluna destacada.
Desta forma, temos a estratégia de pivotamento parcial:

No início do k-ésimo passo, escolher para pivô o elemento de maior
valor absoluto da coluna k, entre os coeficientes da diagonal, para baixo, isto é,
escolher a linha r tal que:
1 a(,k)k 1 = máx { 1 a(k)kk 1 , 1 a(kk)+Ik 1 , ..., 1 a(nkk) 1 }

Efetuar as trocas das linhas r e k, se r -::t:- k. Estas trocas devem ser arma
zenadas. Para isto, consideramos um vetor P = (p11 p2, ... , Pn) onde Pi for
nece a linha na i-ésima posição. Inicialmente, temos p1 1, P2 = 2, .. , Pn = n. .
Depois das trocas das linhas (r e k), atualizamos o vetor P trocando Pk por
=
Pr e efetuamos a eliminação de Gauss como anteriormente, considerando

o pivô na posição (k, k).
Observação
Quando usamos esta estratégia de escolha do pivô, podemos provar que a
propagação dos erros de arredondamento é controlada, uma vez que o ele
mento pivô será o maior em valor absoluto de cada coluna (W'tlkinson, J. H.).
,l
Algoritmo 2.6
a) Início: Vetor que armazena as posições das linhas
Para i = ... , n, faça
Pi = i
b) Construção do sistema equivalente triangular superior
Para k = 1, ... , n - 1, faça
Det �:rne r tal que 1 �:� l = m á x { 1 �� 1 , i = k, ..., n}
Se a rk = O , então det(A) = O, o sistema indeterminado, Pare.
Trocas das linhas k e r:
1,
Para j = k, ... , n + faça
(k)
aux = a r j
(k ) (k)
arj = akj
(k )
ak j = aux
aux = Pr
Pr = p k
Pk = aux
Para i = k + 1, ... , n, faça
(k)
(k) ai k
mi k = (kf
akk
Para j = k, ... , n + 1, faça
(k+l) (k) (k) (k)
ai i = a i i - mi k ª k i
e) Calcular a solução do sistema triangular superior
Exemplo 2.8
Usando o método de eliminação de Gauss com pivotamento parcial, resolva
o sistema de equações lineares:
U � �H:: H: l
Considere a matriz aumentada e o vetor P (p 1 1 p2, p3) que armazena as
=
lr 1
permutações nas linhas da matriz A. Inicialmente temos P = (1, 2, 3).
2 3 . 3
(A, b) = 3 1 0 . 4
o 3 4.3
Passo 1
Na primeira coluna observamos que o maior coeficiente em valor absoluto é
o que ocupa a posição linha 2, isto é, o a2 1 = 3.
Este coeficiente, considerado como elemento pivô, deverá ocupar a po
sição diagonal na primeira coluna, portanto, devemos trocar a 2ª linha pela
lil linha (coeficiente a2 1 ocupa a posição (1,1)).
Em seguida, procede-se como no método de eliminação de Gauss com
pivotamento na diagonal para tornar nulos os coeficientes da primeira coluna
abaixo do elemento pivô.
Temos, assim, o sistema na seguinte forma:
O .
f .
3
(A, b) = O 513 3
o 31 4 .
Atualizamos o vetor P = (2, 1, 3).

Passo 2
Na segunda coluna, observamos que o maior coeficiente em valor absoluto é
o que ocupa a posição linha 3, isto é, o a32 = 3.
Este coeficiente, considerado elemento pivô, deverá ocupar a posição dia
gonal, na segunda coluna, portanto, devemos trocar a 3il linha pela 2il linha
(coeficiente a32 ocupa a posição (2,2)) e atualizamos o vetor P = (2,3,1).
Neste caso, temos o seguinte sistema:
3 1
[ o 3
o 5/3
Devemos, agora, tornar nulos os coeficientes da segunda coluna abaixo
do elemento pivô.
Fazendo operações elementares sobre as linhas teremos o sistema na
forma triangular superior, isto é:
Ü Ü 7 /9
=
[ � � � l [ :: l [ : l X3 Ü
Resolvendo o sistema triangular superior, teremos o seguinte vetor solução:
x = ( 1 , l, 0)1
Método de eliminação de Gauss com pivotamento total

Considere o sistema de equações lineares Ax = b, onde A = (aii ) i, j = 1, ... , n,
x = (xi ) t j = l, ... , n e b = (bi) t i = 1, 2, ... , n e det(A) * O.
Representamos por:
( l) (l)
a 11 X 1 + ª(121 ) X 2 + a(113) X3 + a (114) X4 + . + a 1n X n = a(ln+l
1) ..
(l) l)
1) (1
ª2 1 X 1 + ª (22 X 2 + ª 2 3) X3 + ª24 ( 1 ) X4 + .. + a(2n (1)
X n = ª2n+l .
a3 1 X 1 + a(312) X 2 + a(331 ) X3 + a(341 ) X4 + ... + a 3 n X n = a(31n+l

(l) (l)
)
(1) 1
- a (nn+l
. . . + a nn X n - )
onde a(iil ) - a i i ' 1 -- 1 , ... , n, J. -- 1 , ... , n + 1 , a(in+1

-
•
l)
- b i 1. -- 1 , ... , n -
O método de eliminação de Gauss com pivotamento total consiste em

transformar o sistema dado, através de operações elementares sobre as linhas,
em um sistema triangular superior equivalente.
Neste caso, tomamos, em cada passo, como pivô o elemento de maior
valor absoluto entre todos os elementos da submatriz, abaixo da k-ésima
linha e a partir da k-ésima coluna, isto é, entre os elementos a\� l i � k, j � k ,
conforme ilustramos a seguir:
No k-ésimo passo temos:
(k) (k) (k) (k) (k)
ª11 ª12 ªn a ln aln+l
(k) (k) (k) (k)
ª22 a23 ª2n ª2n+l
· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · ·
(k) (k) (k) (k)

akk akk+1 ak n . ak n+l
(k) (k) (k) (k)
o ªk+l k ªk+l k+l ak+ln ak+ln
(k) (k)
an k an k+l
i
Escolher o elemento de maior valor absoluto na submatriz
destacada.
Desta forma, temos a estratégia de pivotamento total:
1 �� 1 = máx { 1 �: 1 , i�k j �k }
Devemos trocar as linhas (k e r) e as colunas (k e s). Estas trocas devem ser
armazenadas. Para isto, considere os vetores P = (p 1 1 pz, ... , Pn) e Q = (q1 , qz, ... , qn),
onde Pi fornece a linha na posição i, e qi a coluna na posição j. Efetua-se a
eliminação de Gauss com o pivô na posição (k, k).
Observe que as trocas de colunas produzem trocas no vetor solução. Por
exemplo, se a 3ª coluna é trocada com a 1ª coluna, então a 1ª posição do vetor
solução contém a variável x3 e a 3ª posição do vetor solução contém a variável x1 .
Algoritmo 2.7
a) Início: Vetores que armazenam as posições das linhas e colunas
Para i = 1, ... , n, faça
Pi = i
qi = i
b) Construção do sistema equivalente triangular superior
Para k = l, ... , n - 1, faça
Determine r e s tal que ars = m á x1 (k) 1 {I (k) 1
aii i = k, . . ., n j = k, ... , n }
Troque a linha k com a linha r, atualize Pk e Pr·
Troque a coluna k com a coluna s, atualize qk e q5•
Para i = k + 1, ... , n, faça
(k)
mi k = ('k"}
<k > a i k
ªkk
Para j = k, ... , n + l , faça
( k + I ) ( k ) (k) ( k )
a i i = a i i - mi k ª k i
e) Calcular a solução do sistema triangular superior
Exemplo 2.9
Resolva o sistema de equações lineares usando o método de eliminação de
Gauss com pivotamento total.
[� � ! : �]
(1,
Inicialmente temos P = 2, 3) e Q = (1, 2, 3), os vetores que armazenam
as posições das linhas e colunas da matriz A, respectivamente.
Fazendo trocas de linhas e colunas de forma conveniente e atualizando
[ � � -111/61/ 6] [::] [-111/61/ 6]

os vetores P e Q, temos o seguinte sistema triangular equivalente:
=
Ü Ü
Neste caso, temos P = (2, 3,
1) 1, X2
e Q = (3, 2)
x = (O, 1, O)t
2.3.5 Método de eliminação de Gauss-Jordan
1,
Considere o sistema de equações lineares Ax = b, onde A = (aij) i, j =
x = (xi)t j = l, ... , n e b = (bi)t i = ... , n.
1, ... , n
Representamos por:
(l)
a(ll1 ) X 1 + a(121 ) X2 + a(131 ) X 3 + a (114) X 4 + ... + a 1n = a(ln+l
1)
l
( 1 ) X 1 + ª22
ª21 ( 1 ) X2 + a(231 ) X 3 + a( 1 ) X + ... + a(2n) = a(2n+ 1)
24 4 l
l
()
a (311 ) X 1 + a (321 ) X 2 + a(331 ) X 3 + a(314) X 4 + ... + a 3n = a(3n+
1)
l
(l) 1)
a(nl1 ) X 1 + a n( 12) X 2 + a(n31 ) X 3 + a (n14) X 4 + ... + a nn - a (nn+l
(1) (i)
onde a i i = a ii i = l, ... , n j = l, ... , n + l, a 1n+1 = bi i = l, ... , n.
ma dado, através de operações elementares sobre as linhas, em um sistema cuja

O método de eliminação de Gauss-Jordan consiste em transformar o siste
matriz dos coeficientes seja a matriz identidade, tomando, em cada passo, como
pivô os elementos da diagonal da matriz A Utilizamos neste método operações
semelhantes àquelas aplicadas no método de eliminação de Gauss, isto é,
( A, b ) operações elementares
( 1, b )
onde 1 x = b é um sistema cuja solução é o vetor b.
Considere o k-ésimo passo:

a) Dividir a k-ésima equação pelo pivô a LkJ .
b) Subtrair das la, 2a, ... , (k-l )a, ... , n-ésima equações a k-ésima equação
(k) (k) (k ) (k) (k )
multiplicada por a 1k , a 2k , ... , ªk-l k , a k+lk , ... , a nk respectivamente.
Assim, no k-ésimo passo temos o sistema escrito na seguinte forma:
( k+l ) ( k+l ) k+l )
l x 1 + O + O + + ... + a l ,k+l Xk+l + + a ln Xn - a (ln+l ···
( k+l ) ( k+l ) ( k+l )

Ü +1
X2 + Ü + Ü + ... + a 2,k+l Xk+l + ... + a 2n Xn - ª2n+l
( k+l ) ( k+l )
O + O + l x 3 + 0 + ... + a 3, k+l Xk+l + ... + a3 n Xn -- a(3k+l n+l
)
�� B) (�ij
o + o + o + o + ... + a nk+l Xk+l + ... + a nn X n = a nn+l
Continuando dessa forma até executarmos o n-ésimo passo, temos a
solução do sistema:
- - ( n)
x = b, onde bi = ai n+l i = l, . . . , n
Algoritmo 2.8
a) Construção da matriz identidade
Para k = 1, ... , n, faça
Para j = k, ... , n+ l, faça
(k)
a <kki + 1 > ªki
a (kkkl
=
Para i = 1 , ... , n, i * k, faça

a� � + I ) = a� k> - a� kk> a<kk>
IJ IJ 1 J
b) Calcular a solução do sistema

(n)
Imprimir o vetor solução xi = a in+1 , i = 1, . . . , n.
Exemplo 2.10
Usando o método de eliminação de Gauss-Jordan, resolva o sistema de equa
ções lineares:

l ! � � ] l:J l � ]
-
l ! �]
2 4
(A, b) 1 2
�
3 -2
[
Após executar os passos 1 e 2, podemos escrever:
1 2/3 4 / 3 . 1 / 3
(A, b) = O 1 / 3 2/3 . 5/3
l
o 1 / 3 -22/ 3 . 5/3
Repetindo os passos 1 e 2 até tomar a matriz A 1 matriz identidade,
[�
=
obtemos:
o
(A, b) = 1
o
cuja solução é x = (-3, 5, 0)1 .
2.4 Matrizes i nversas

Seja A = (aij ) i j = l, ... , n uma matriz não singular (det(A)*Ü). Então existe
uma única matriz A-1 chamada de inversa de A, tal que A A-1 = 1.
Desta forma, temos:
1 o o o
o 1 o o
=
o o o ... 1
Portanto, para determinar as n colunas da matriz inversa A-1 , temos de
resolver n sistemas de equações lineares, usando qualquer um dos métodos ·
diretos vistos anteriormente, como observa-se a seguir:

a 11 a 1 2 a ln X 11 1
ª 21 a 22 a 2n
··· X 21 Ü
= � 1ª coluna de A-1
a n l a n 2 .. . a nn Xnl o
ª11 ª12 aln X 1n o

ª21 ª 22 a2n X2n o
= � n-ésima coluna de A-1
a n l a n 2 ... a nn X nn 1
A solução dos n-sistemas anteriores identificam as n-colunas da matriz
inversa A-1 .
Exemplo 2.11
l
Determine a inversa da matriz A a seguir, usando o método de eliminação
r J r :: :
de Gauss:
� � �l
X1 2 X1 3
A1= x22 x23
Ü 1 1
A= - ---t inversa de A
X31 X32 X33
- 1
� � � l r ::: :: ::: i r � � �
Como A A = 1, temos:
r J
Ü 1 1 X31 X32 X33 i
Ü Ü 1
=
Logo, três sistemas de equações lineares devem ser resolvidos:
Construímos inicialmente a matriz (A, 1) e a transformamos numa matriz

triangular superior, usando os passos de Gauss:
o 1 . 1 o o 1 1 o
[� 1
�H �
o
o -1 . o
2 . 1
o
1
o -1
Assim, podemos resolver os sistemas triangulares, como segue:
2 o 1
o -1 �]
r � � � i r:: i r � i
Ü
(x 11
Ü -1 X 31
x 21 x31 )1 = (1, O, O)
=
Ü
1ª coluna da matriz inversa
:
---t
[� � �i r : i r �i
Ü
(x 12
Ü -1 X 32
=
x 22 x32 )1 = (- 1, - 1, 1)
-1
---t 2a coluna da matriz inversa
r � � � l r:: i r � i
Ü
(x 1 3
Ü -1 X 33
=
x 23 x33 )1 = (1, 2� - 1)
1
---t 3a coluna da matriz inversa

]
Portanto, temos:
A-1 [
1 -1 1
= O -1 2 �
o 1 -1
matriz inversa de A
Observação
Quando usamos o método de Gauss-Jordan no cálculo da matriz inversa,
transformamos a matriz A na forma da matriz identidade, usando os passos
como no exemplo anterior. Retomamos os sistemas equivalentes 1 x = b. Neste

de Gauss-Jordan, simultaneamente com os vetores da matriz identidade,
caso, a matriz inversa encontra-se em cima da matriz identidade modificada,

conforme Exemplo 2.12:
Exemplo 2.12
Usando o método de eliminação de Gauss-Jordan, determine a matriz inversa:
A= O [ �]
2
1
1
-1
o
Construímos inicialmente a matriz:
[
2 1 3
(A, 1 ) = O -1 1
1 o 3
1 o
o 1
o o n
Aplicando os passos do método de eliminação de Gauss-Jordan, obtemos
-2]
a seguinte matriz:
(1, A-1 )� [� o
1
o
o
o
1
3/2 3/2
. -1 /2 -3/2
. -1/2 -1/2
1
1
Ü X Ü X 1 2
Temos, neste caso, os sistemas equivalentes:
[� 1 Ü] [X2n1 ]
Ü 1 X31
0
= [ ]
3/2
-1/2
-1/2
[1ÜÜ Ü1 Ü1] [X3X222]
0
= [ ] [ÜÜ m::J{�J
3/ 2
-3 / 2
-1/2
1 o
1
o
Assim, temos a matriz inversa:

/2
-1/2
3-1/2
3/2 -2
- /2 1
1
A -1 =
f -1/2
3 1
2.5 Condicionamento de sistemas lineares
Dizemos que um sistema de equações lineares A x = b é mal condicionado se
pequenas perturbações em alguns de seus coeficientes produzem bruscas altera
ções em sua solução. Para detectar o mau condicionamento de um sistema linear,
devemos calcular o número de condição da matriz do sistema, definido por:
K(A) = l Al l A 1
1";
-i
Se K(A) for "próximo de dizemos que o sistema é bem condicionado;

caso contrário, dizemos que o sistema é mal condicionado.
Exemplo 2.13
Considere o sistema de equações lineares:
[ � 1.00�01] [::] [2.0�001]=
Solução: x = (1, l)t

Considere o sistema dado ligeiramente modificado conforme o exem
plo dado:
Solução: x = (12, -lO)t

Podemos observar que temos um sistema mal condicionado, pois uma
pequena modificação no vetor b do sistema provoca uma grande alteração
na sua solução.
400004.00001
Temos, neste caso:
K(A ) =
2.6 Métodos iterativos

2.6.1 Introdução
Um método para calcular a solução única de um sistema Ax = b, A = (ai i )
i, j = l, ... n e det(A) * O é denominado iterativo quando fornece uma seqüência
Cfe soluções aproximadas, em que cada solução aproximada é obtida da ante
rior pela aplicação de um mesmo procedimento.
mação De modo ger a l , a cons t ru ção b do

par mét
a a ofdo
o r i
m tae r a t
equi i v o
v cons
alentei d er a a
H tr a ns f o r
poscialtxer(Oi)o,dordetmsentiesrtmeema,inamos
a paroritgirinadesalseAtqüêaxnovancia fdeormsoalue çõesde umaaprsooxliumçãoadasaprxconsoximidxadaeragndoinie,
= = +
o processo iteraxt(ikv+o:l) Hx(k) g O, . ., onde: 1, 2,

H =
� mat r
+
i z i t e
k=
r a t i v a ( n n) g � vet o r
Assisstiemma, parAtxindo-b,sdete deerumaminamosaproxaimseaçãoqüêninciiacideal xvet(O) paroreas axs(Io),luxção(2), xe(3x)at, .a.
x (nxl)
x do
que se pretende, seja convergentleimparxaCkal solução isto é,
=
X:,
será necesApressáerntioamosnesteacapíseguiturloum. breve resumo de resultados e definições que

= X:
2.6.2 Resultados e definições
Definimos norma de um vetor x1 e- l V: V(e�spaço9t vetorial) por:

Definição 2.5: Norma de vetores
satisfanzendo às s e guint e s condi çX

ões : � l x l
1n2)) l x l :2:: =ü 'v' x e V 'v'; l xal e=9tü�, 'v' xx = VO
l a x l lal l x l ; e
n3) + + 'v' x, e V
l x Yl l $ l x l l Yll ; Y
De esp(e�ial inty:s e, quando V 9tn, são as normas lp definidas por:
l x l P � x PJ � 1 e l xlL máx{lxi l, i = l, . ., n}.
Observação
=
=
ld ; p =
Considere x = (x1 x2, . .,xx1n) x9t2n . . + xn n x

Exemplo 2.14
E
l xl1 = l l + l l + l l ( ni = l i = Ll l
Yz
l x l 2 = xi x � + . . + x � = � l xi 1 2 J
J +
l x lL = máx l x1 l, l x2 l 1 · ·1 l xn l =
{ } �i�� l xi l
Exemplo 2.15
Considere x = (x 1 , x 2 1 x 3 , x 4 ) = (l, 2, 3, 4) E 9\ 4 Então, temos:
•
Observação
a) No ':R 2
podemos identificar a li 1 2 como o comprimento do segmento1que
x
liga a origem (O, O) ao ponto P(xv Xz) do plano (x, y), isto é, d = (xr + xn 1 2 .
Normas equivalentes
Considere l i . l i e l i . l i b duas normas em V. Dizemos que as normas são
ª
equivalentes se existem constantes reais positivas k1 e k2, tais que:
É possível mostrar que, em um espaço de dimensão finita, todas as normas

Observação
são equivalentes.
Exemplo 2.16
Considere x = (x 1 1 x 2 , , x n ) E 9\ n . São válidas as seguintes desigualdades:
•••
a) l xL $ ll x l 1 $ n l xL
b ) l � L $ l x l 2 $ fo l xL
c)
n l x l 1 $ l ll 2 $
x fo l x l 1
Seqüência convergente
Considere x < i J = (x 1 , x 2 1 , X n )( i ) uma seqüência de vetores do espaço veto
•.•
rial 9\ n . Dizemos que a seqüência x(i) converge para x = (x1 , x2 1 , xn ) E 9\ n •••
se li x < i l - x li � O, quando i � para qualquer norma em 9\ n .

oo,
Exemplo 2.17
..
C ons1"d ere a sequencia
1 (
x ( i ) - i, o , o , ... , o
A •
) c»n ,. 1. -- 1, 2, ... e -x - (O, , ..., O).
E .:1\ o
Como l x< i l - x l = � ' temos l x < i l _ x l � O, quando i � oo.

1
Definição 2.6: Norma de matriz
(n n) sobre 9\. Uma norma em V é uma aplicação indicada por 1 . 1 tal que:
Considere V = 9\ (n, n) o espaço vetorial de todas as matrizes quadradas de ordem
x
li · li : 9\ (n, n) � 9\
A � l Al
satisfazendo às seguintes condições:

ni ) l i A l i ;?: O; V A e 9l (n, n) e l i A l i = O � A = O
n2) l i a A li = 1 a 1 1 1 A l i ; V a e 9l, V A e 9l (n, n)
n3) l i A + B l i $ l i A l i + l i B l i ; V A , B e 9l (n, n)
Exemplo 2.18
Considere A = (aij ) i, j = l, . ., n, então
. temos as seguintes normas de matrizes:
li A I L = ll A l lL = � . _xn L
l _ i� . 1 1 ai i 1 � norma linha
J=
n n 2
li A 11 2 = L
i=l
L (ai i ) � norma euclidiana
j=l
Propriedade
Para as normas l i . 1 11 e li . I L temos:
ll A B ll $ ll A ll ll B ll V A , B e 9l (n, n)
· ·
Exemplo 2.19
Considere a matriz:
então,
3
l i A 112 = L (ai i ) 2 = fi3 = 8 . 54
j , j=l
Definição 2.7
Considere uma norma de vetor x E 9t n e uma norma de matriz A e � (n, n).
Dizemos que estas normas são consistentes se:
Ax A x 'v' A e �(n , n) e 'v' x e � n
ll j l�ll ll ll ll
2.6.3 Método iterativo de Jacobi-Richardson
Considere o sistema de equações lineares Ax = b, onde A = (aij ) i, j = l, 2, ... , n
det(A) -:F- O, com a diagonal principal aii -:F- O i = l, . , n: ..
a11 X1 + a1 2 X2 + a1 3 X 3 + ··· + aln Xn = b1

a2 1 X1 + a22 X2 + a2 3 X3 + ··· + a2 n X n = b2
Podemos escrever o sistema dado na forma equivalente dividindo cada

linha pelo elemento da diagonal e explicitando x1 na 1ª equação, x2 na 2ª equa
ção, x3 na 3ª equação e Xn na n-ésima equação, conforme vemos a seguir:
X 1 = _!_ (b 1 - a 1 2 X 2 - a 1 3 X3 - ··· - a1n xn )

ªn
Xz = -
1
ª22
(b2 - ª21 X 1 - a23 X 3 - ··· - a2 n x n )
Na forma matricial temos:
X1 o - ª 2 1 - a3 1
- -
anl
X1
b1
ª11 ª11 ª11 ª11
ª21 a23 a2 n b2
X2 o X2
ª22 ª22 ª22 ª22
= +
o
{
Assim, podemos escrever:
x = Hx + g, onde, H = (hii ), sendo
o i=j
hij= _ a ii i*j
i, j = l, 2, ... , n � matriz iterativa
a ii
b
gi = -i i = l, 2, ... , n
a ii
Desta forma, podemos escrever o método iterativo de Jacobi-Richardson:
x(k+l ) = H x ( k) + g k= 1, 2, ...
Assim:
a anl bl
x1 (k+l) o - ª21 - 31
- -
X1 (k)
ªn ªn ª11 ª11
ª21 ª23 a2n
Xz(k+l) o Xz(k) b2
ª22 ª22 ª22
+ ª22
Podemos, ainda, escrevê-lo na seguinte forma:

a12 (k ) - a13 X (k ) - aln (k) bl
X 1(k+l ) =
_
X2 3 -- Xn + -
ª11 ªn ª11 ª11
X 2(k+l ) = _ 21 X 1(k ) -
a a23 (k) - a2n (k) b2
X3 -- Xn + -
ª22 ª22 ª22 ª22
a b
a
X n(k+l ) = - nl X1(k )
_ an2 (k )
X2
_
- nn-1 X n-1(k ) + n
--
-
ann ann ann ann
Observação
O método iterativo de Jacobi-Richardson, de uma forma geral, pode ser es
crito como:
i -1 n
x l k +l l = (bi -L a i i x j k l - L ai i x i< k l) / a ii i= 1, ... , n
j=l j = i+l
Estudo da convergência
Teorema 2.3
Sejam uma norma matricial consistente com alguma norma vetorial e
x < 0 l E �n uma solução aproximada inicial qualquer. Se l i H l i < 1, então
x< k + l ) = Hx < k l + g, k = O, 1, 2, ... , converge para a solução x do sistema Ax. b.
a seqüência de soluções aproximadas definida pelo processo iterativo
=
Prova:
Devemos provar que ll e< k lll � ü, quando k � oo, onde e< k l = x - x< k l é o
erro cometido na k-ésima iteração.
Assim,
e< k l = x - x< k l = (H x +g) -(Hx < k-l ) + g) = H(x- x < k-1 l ) = H e< k-l )
Portanto, 1
e < l = H e <ºl
e <2> = H e <1 > = H 2 e <º >
Assim,
li e< k l li = l i x - x< k l l i = li Hk ·e< º l li � l i Hk 1 1 e< º l li
Por outro lado, sabemos que l i H k li � l i H li k
Logo:
li e< k l l i � l i H l l k li e< º l li
Assim, se 1 H 11 < 1, temos que l i e< k l li = li x - x< k l li � O, quando k � oo.
Portanto: x< k l � x.
Observação '
Se li H li < < 1 (lê-se l i H l i muito menor que l }, então li H r tende a zero rapi
damente, ou seja, a seqüência de soluções aproximadas converge para a solu
ção do sistema rapidamente.
Se li H l i l, porém li H l i < 1, a convergência ocorre, mas lentamente.
::::
Observamos, ainda, que a convergência não depende da solução inicial x(D) .

Definição 2.8
Cpnsidere nA = (aij) i, j = 1, ... , n. Dizemos que n A é diagonalmente dominante
se 1 aii 1 � L 1 aii 1 i = 1, ... , n. Caso 1 aii 1 > L 1 aii 1 i l, ... , n, dizemos que a
=
j=l i= �
•*J •*J
matriz A é estritamente diagonalmente dominante.
Resultado
então o método iterativo de Jacobi-Richardson gera uma seqüência de soluções

Se a matriz A do sistema Ax = b for estritamente e diagonalmente dominante,
aproximadas convergente para a solução do sistema, pois teremos li H I L < 1.
Algoritmo 2.9
a) Forneça uma solução inicial aproximada x(O) = (x(�) , x(g) , ... , x(� ) e
E > O, uma tolerância fixa. Faça k = O e Pare = Falso.
b) Construção da seqüência de soluções aproximadas:

Enquanto Pare = Falso, faça
(
Para i = 1, . . . , n, faça:
(i-1 (n) ) bi
i=i+l
x\1 k +t) = """
� - a . .
1) Jx < k l + """ - a . . \ k l / a ·· + -
� 1 ) xJ ll
i= I ªü
i
Se l x< k +t) - xli < k ll l � E , entao
-
Pare = Verdade
l l x< l
k +l
Senão k = k + 1
Observação
Não há necessidade de armazenar explicitamente as soluções x(O), x(l), x(2), ... , x(n).
Caso o critério de parada não seja satisfeito, então x < 0 l f- x < 1 l, isto é, arma
zene x(l) em x(O). Desta forma, apenas 2 vetores são necessários para calcular
a seqüência.
Usando o método iterativo de Jacobi-Richardson, determine uma solução aproxi

Exemplo 2.20
mada para o seguinte sistema de equações lineares, com aproximação inicial

x <0l = (x <�l , x <g> , x<g»t = ( O , O, 0)1 e precisão E = 10- 2 .
2
5
3
r-
Construção da matriz iterativa H:
o-2/10 -1/lO j
H= 1/5 O
-2/10 3 / 10--1/5
o
Verificar a condição de convergência:

3
l i H l L = li H li_ = m�x L 1 hi i 1 = m�x { 3/10, 2/10, 5/10 } = 0.5 < 1
1 j 1
=
1
Portanto, a seqüência de soluções aproximadas é convergente para a

solução do sistema.
Cálculo das iterações:
- 14 - 2 X(2k ) - 1 X(3k )
X(1k + l ) -
10 10 10
- - -
X(2k + l ) =
11 1 1
- X( k ) - X ( k ) k = o, l, 2, ...
5 -5 1 5 3
-
-
X(3k + l ) = 108 - 102 X(1k ) - l3Q X(2k )

Para k = O e tomando x( o ) = (O, O, 0)1, temos x( l > = (1.4000, 2.2000, 0.8000)1
x( l > - x( º >
Teste de parada: l l il = 1 > 10- 2
l x( ) I L
Para k = l, temos:
X(12 ) =
14 - 2 X(1) - 1 (1)
l Q 10 2 10 X3
X(22 ) =
11 - -1 X(1) - -1 X(1)
5 5 1 5 3
-
X(32 ) -
-- 8 -- 2 X(1 ) - 3 X(1)
10 10 1 10 2
-
( 2 ) - x( l l l
Portanto, x( 2 > = (0.8800, 1.7600, -0.1400)1 � li x 2 l = 0.5341 > 10-2 00
l i x( ) l i..
Assim, sucessivamente, calculamos:
l i x( 3 l _ x( 2 ) IL
3)
x( = (1.0340, 2.0520, 0.0960)1 � ( 3 =0.1423 > 10-2
x
li 1L )
x( 4 ) - x( J) l ..
x( 4 l = (0.9800, 1.9739, -0.0225)1 � li 4 ) = 0.0600 > 10-2
li x( 1 ..
S l i x( S ) - x( 4 ) l .. .
x( l = (1.0075, 2.0085, -0.0118)1 � (s = 0.0172> 10 -2
x
li l .. )
x(6) - x( S ) IL
x(6) = (0.9971, 1.9961, -0.0041)1 � l i = o.0062 < 10 -2 ,
l i x(6) 1L
Como o critério de parada está satisfeito, temos que x = x(6 ) é a solução
aproximada para o sistema com a precisão E = 10-2.
Observação
A seqüência de aproximações x(l ), x(2), x(3), x(4), ... converge para a solução
exata do sistema, dada porx (1, 2, O)t . A convergência lenta decorre do fato
=
de JJHJJ não ser tão "pequena".

2.6.4 Método iterativo de Gauss-Seidel
Considere o sistema de equações lineares Ax = b, onde A = (aii ) i, j = 1, ... , n
det(A) * O, com a diagonal principal aii * O i = 1, ... , n
a11 X1 + a12 X2 + a1 3 X3 + + al n Xn b1 ···
=
a21 X1 + a22 X2 + a2 3 X3 + + a2n Xn = b2 ···
Dividindo cada linha do sistema dado pelo elemento da diagonal e expli

citando x1 na h equação, x2 na 2ll equação até Xn na n-ésima equação, temos
o sistema escrito na forma equivalente:
X1 = _..!._11 (b1 - a12 X 2 - a1 3 X 3 - - a1n Xn )
•••
ª
X2 = _I_
ª22
(b2 - ª21 X1 - a2 3 X 3 - - a2n Xn )
••·
O método iterativo de Gauss-Seidel é dado da seguinte forma:
X1(k+l ) = _ a12 X2 (k) _ aln Xn (k)

ª 11 ª11
X 2(k+l ) = _ a21 X l (k+l) _ a23 X 3 (k) _ ª 2 n Xn (k)
ª22 ª22 ª22
Xn (k+l) an l X (k+l) an 2 X2(k+l)

_ _ _
ann i
=
ann
De uma forma geral:
� a 1)·· x J. < > ) / a ..
i -1 n
X 1.( k+l) ( b · - "'
=
a
� 1) J
1
·· x . ( k +I) - "" k li
·
1= 1 . .. , n
'
j=l j=i+l
Ainda, podemos escrever:

i-1 n
X 1_ (k+l ) = (g 1· - � h -· X · ( k+l ) � h ·· X · (k) )
k..J 1) J
_
k..J 1) J
1° = 1 f • • • 1n
j=l
onde g; = b; / au h;i = a;i / a ii i = l, ... , n
j=i+l
Na forma matricial temos:

o o o ... o
o o
= +
Xn(k+l ) --an l - -an 2 - ann-1 o Xn(k+l )

ann ann ann
o -- ª1 2 - - ªn al n
X1 (k)
bl
ª11 ª11 ª11 ª11
o o a23 a2n b2
+ ª22 ª22
Xz ( k )
+ ª22
Xn(k)
bn
o o o o ann
Temos, desta forma, que:
x ( k+l l - P x ( k+l l + Qx < kJ +g , onde p - (Pii ) e Q - (q;i ) 1,· J· - 1 , ... , n e Pii' q;i sao
{-
_ _
-
{-
dados por:
ª i , se i > j ªii , se i < j
P11.. = a 11
'. q;i = aii e g=- b.
'
a;
O , se i � j O , se i � j
Podemos, ainda, escrever o método iterativo de Gauss-Seidel da se
guinte forma:
(1 - P)x< k+l l = Qx< k l + g
Como a matriz (1-P) é inversível, multiplicando-a em ambos os lados
da expressão obtida, temos:
x< k+l ) = (1 - Pt1 Q x< k l+ (1 -P t1 g
Chamando H = ( 1 - Pf 1 Q --7 matriz iterativa
g = (l - P t1 g, podemos escrever o Método Iterativo de Gauss-Seidel como:
x< k+ll = H: x<kJ + g
Apresentamos, a seguir, um teorema que fornece uma condição sufi

ciente para a convergência da seqüência de soluções aproximadas gerada
pelo método iterativo de Gauss-Seidel.
Estudo da convergência
Teorema 2.4 (Critério de Sassenfeld)

Sejam as constantes � i definidas pelas seguintes fórmulas de recorrência:
i-1 n
�i = I 1 hij 1 �j + Ii 1 hi d i = 1, . . . , n
j=l j= + l
e seja
Então, se � < l, a seqüência x(k), gerada pelo método iterativo de Gauss

Seidel, converge para a solução X: do sistema dado.
x = (x1 , x2 1 • • • , Xn ) 1
Prova:
Seja a solução do sistema dado, então esta satisfaz
a forma
i-1 n
x/k+l l = gi + L hi i xjk+l l + L hii xjkl
j=l j=i + l
Assim, temos:
i-1 n
Xj = gi + L hi j xj + L hi j xj
j=l j= i + l
Podemos escrever:
i-1 n
(x� k + l l _ xi ) = L hii (xl k + l l _ xi ) + L hii (xl k l - xi )
j=l j=i + l
ou ainda
i-1 n
k + l � + l
J e l 1 L i hii 1 J el k l 1 + L i hii l J el k l 1
�
j=l j=i + l
onde lei<m l 1 = l xi<m l _ xi I ·
Agora, podemos provar que a seguinte desigualdade é verdadeira:
(verificar como exercício)
Assim, i-1
kl
H + )I � L x l e�k ) I + L l hi j l � �x l e�k ) I �
n
l hi d p i �
L s�
j=i l +
(� l1t;; i �i + j�, )
_n Ls_n
j=l
� �� l ·l" I l h; d = �; �� l el. "

I
Agora:
máx l e�k + l ) j ) I/ � O quando k �
lSsSn
oo
Algoritmo 2.10
a) Forneça uma solução inicial aproximada x(O) = (x(�) , x(g) , ... , x(� ) e
E > Ouma tolerância fixa. Faça k = O e Pare = Falso.
b) Construção da seqüência de soluções aproximadas:
Enquanto Pare = Falso, faça:
Para i = 1, ... , n, faça:
x�k+ l l =
1 ( i-1
1 - 4.J
h �
j =l
-a1. ). x�J k+l l + �
n
j=i + l
· k )
4.J - a1. ) x<J l /a .. 11
li x< k + l ) - x < k l li
Se � E, então Pare = Verdade.
l x( k + l l li
Senão k = k + 1 .
Resultado
Se a matriz A do sistema Ax = b for estritamente diagonalmente dominante,
então o método iterativo de Gauss-Seidel é convergente para a solução do
sistema dado, pois, teremos � < 1 .
Observa-se, ainda, que a convergência não depende da solução x(O) ini
cial dada.
Exemplo 2.21
Usando o método iterativo de Gauss-Seidel, determinar uma solução
aproximada para o sistema dado a seguir, com aproximação inicial
x(O) = (x(�), x(g), x(g)) t = (O, O, O)t e precisão E = 10-2 •
2
5
3
Construção da matriz H:
H = -1 5r �
-2/10 -1/10
o -1 /5
]
-2/10 -3 /10 o
Verificar a condição de convergência (critério de Sassenfeld):
3
131 = I l h1j 1 � 13 1 = 3 1 10 = o.3000
j=2
132 = 1 h2 1 1 13 1 + 1 h 23 I � 132 = 13 / 50 = 0.2600
133 = 1 h 3 1 l !31 + I h 32 l !32 � j33 = 69 1 500 = 0.1380
Assim,
13 = máx1S i S 3 13i = máx 1 S i S 3 {0.3000, 0.2600, 0.1380} < 1
Portanto, temos garantia da convergência da seqüência de soluções
aproximadas geradas pelo método iterativo de Gauss-Seidel.
Assim, temos:
X1( k +l ) -
-- 14 - - 2 X( k ) - 1 (k)
10 10 2 - 10 X3
X(2k +l ) =
11 - 1 X( k +l ) - 1 X( k ) k = o, l, 2, .
S S 1 S 3
..
X(k
8 2
3 +l ) -- - - - X(1k +l ) - - X(2k +l )
3
10 10 10
Para k = O, tomando x(O) = (O, O, O)t, temos:
x( t l = (1.4000, 1.9200, -0.0560)t
Teste de parada
li x( l l - x ( O l l l = l > 10-2
l x(•) IL
Para k l, temos:
=
1 2 1
1 = 4 - X( 1 ) - X( 1 )
X(2) lQ lQ 2
lQ 3
11 1 1
2 - 5 5 1 5 3
(1)
X(2) - - - - X(2) - - X
8 --
2 X(2) - - 3 X(2)
3 -- -
X(2)
10 10 1 10 2
Portanto,
li < 2 l - x = (1.0216, 2.0069, - 0.0064)1 � x o. 188s > 10 -
2
< 2)
l i x IL
=
l i x< 3 l - x < 2 > I L

3
x < > = (0.9993, 2.0014, - 0.0003)1 � = 0.0111 > 10- 2
x
l < J l IL
x< 4 > -
x< 4 > = (0.9998, 2.0001, - 0.0001)1 � li 4 x (3>1 L = 0.0007 < 10- 2
l i x< > I L
então, temos a solução aproximada para o sistema x = x< 4> com a precisão
E = l0-2.
É
Observação
possível perceber que a seqüência de aproximações x( I ), x(2), ... converge
para a solução exata do sistema proposto, que é x = (1, 2, 0)1 •
Interpretação gráfica
Podemos interpretar graficamente as soluções aproximadas geradas pelo
método iterativo de Gauss-Seidel no R2, a partir do seguinte exemplo:
Considere o sistema de equações lineares
{
2 X 1 + X2 = 2
X1 - 2 X 2 = - 2
Tomando uma solução inicial x < 0 > = (x�º l, x�0>)1 = ( O, 0)1 e uma tolerância
E = l0 -2 .
Construção da matriz H:
Verificar a condição de convergência (critério de Sassenfeld):

2
�1 = :L 1 h 12 I � �1 = 1 1 2
j= 2
�2 = 1 h21 1 �1 � �2 = 1 / 4
Assim,
l :!> i :!>2 �i 1S i :!>2 {1 /2, 1/ 4} < 1
� = máx = máx
Portanto, temos a garantia de convergência da seqüência de soluções

aproximadas gerada pelo método iterativo de Gauss-Seidel.
{
Cálculo das iterações:
X(k+l)
1 1 - -1 X(k2 )
l
=
k o l, 2, ...
= ,
(k+l) - +
X2 1
2 X1
(k+l)
Como para k = O, tomando x(O) (O O)t, temos

= ,
x(I ) (1, 1.5)

=
Teste de parada
Para k 1 temos:
=
1/4 = 0.2500
9/8 = 1 . 1250
Portanto,
x(2) (0.2500, l.1250)t
=
Teste de parada:
Assim, sucessivamente, calculamos:

li x! J > - x< 2 > 1
3
x< > (0.4375, l.2188)t � l > IL 00
0.1538 > 10 -2
i x! J
= =
x! 4 ) - x ! J >
x! 4 > (0.3906, l.1953)t � l i . 1 4 > L l 0.0392 > 10 -2
00
x
x < 5> (0.4023, l.201 W � li ) S> t 1 0.0097 < 10 -2
00
li x!
= =
Logo, x(S) é a solução aproximada do sistema dado com a precisão

E = l0-2.
Observação
Note que a seqüência de aproximações x(I J, x(2J, x(3J, x(4J, ..., x(n) converge para
a solução exata do sistema proposto, x = (2 / 5, 6 / 5)1 = (0.4, 1.2)1•
Graficamente temos:
Figura 2.2
Podemos observar na Figura 2.2 que, quando calculamos x 1 ( k+I J = 1- � x 2( k l,

o par (x 1<k+IJ , x2<k l ) satisfaz a primeira equação do sistema. Em seguida,
quando calculamos x 2< k+I l = l+ � x 1< k+t l, o par (x 1< k+1 > , x 2< k+I l) satisfaz a segunda
equação do sistema.
2.6.5 Trabalhando com o software numérico
No software numérico o usuário deve selecionar o módulo Sistemas Lineares
e fornecer o sistema de equações lineares para ser resolvido. Além disso,
deve selecionar a opção Métodos Diretos ou Métodos Iterativos.
Caso esta opção seja Métodos Diretos, o usuário deve selecionar corre
tamente as condições teóricas de aplicabilidade de cada um deles. Se a opção
for Método Iterativo, o usuário deve, também, selecionar as condições teó
ricas de aplicabilidade e fornecer uma solução inicial para gerar a seqüência
de soluções aproximadas e a precisão E desejada.
Exemplo 2.22
Considere o seguinte circuito elétrico, conforme a Figura 2.3:
A ��-ú\MIV4'--�--+-�-v1Jrvw-�----;2F--�Vll\/\Jrv'-��3r--�Vl/V\Jrv'-��
R4
Figura 2.3
Considerações:
a) Ri = 1 R2 = 2 R3 = 1 Ri = 3 R5 = 5 � = 2 R7 = 6 Rs = 1
� = 2 R1 0 = 3 Rn = 8 R1 2 = 8
VA = lOO V8 = 0
b) A corrente elétrica de um nó p para um nó q é dada por:
Ipq = (Vp - Vq}/Rpq
onde VP e Vq são as voltagens (Volts) nos nós p e q respectivamente,
e Rpq (Ohms) é a resistência existente entre os nós p e q.
e) Lei de Kirchoff - A soma algébrica das correntes em cada nó é zero.
Usando o método de eliminação de Gauss-Jordan do software numérico,

determinar as voltagens nos nós 1, 2, 3, 4, 5, 6, 7, 8.
Modelo matemático do problema
Lei de Kirchoff para o nó 1 : + 1 2 1 + 1 81 = O

VA - Vi
IA,
Temos, de acordo com b): I A1 = .

I
O mesmo procedimento deve ser adotado para os outros nós.
Fazendo este procedimento para todos os nós, temos o seguinte sistema

de equações lineares:
V1
V2
17 - 5 o o o o o -2 1000
V3
1 -4 2 o o o 1 o o
V4
o 6 -9 2 o 1 o o o
Vs
o o 1 -4 3 o o o o
=
o o o 8 -9 1 o o o
V7
o o 8 o 6 - 20 6 o v6 o
Vs
o 12 o o o 3 - 23 8 o
6 o o o o o 10 - 31 o
Usando o software numérico e o método de Gauss-Jordan, o usuário deve

selecionar a opção Métodos Diretos e a opção Eliminação de Gauss-Jordan,
conforme as janelas da Figura 2.4 a) e b):
>ai b
lÕ -
-2 1 000
_,_ _
o
�o o
--
'O 'õ
-20
o
a) b)
Desta forma, temos a solução do sistema com a precisão de 4 casas deci

mais, conforme Figura 2.4 c):
e)
Figura 2.4
Assim, podemos escrever a solução:

V1 = 82.9622 V2 = 68.44 1 4 V3 = 67.4734 V4 = 66.5053
V5 = 66.1826 V6 = 63.60 1 2 V7 55.8567 Vs = 34.0755
=
Exercícios
r ] rX2X1] í l
1. Considere o seguinte sistema de equações lineares:
-9 5 6
X3
ll
2 3 ]. = 4
-1 1 - 3 -2
a) Resolva o sistema dado usando o método de decomposição LU.
b) Caso possível, determine a matriz inversa da matriz A do sistema dado,
usando o método de eliminação de Gauss com pivotamento parcial.
c) Caso haja convergência garantida, resolva o sistema dado pelo método
iterativo de Gauss-Seidel com x(O) = (x1 (0), x2(0), x3(0) = (0.1, 0.2, 0.5)
e E = 0.01.
d) Caso haja convergência garantida, resolva o sistema dado pelo método
iterativo de Jacobi-Richardson com x(O) = (x1 (0), x2(0), x3(0) (Ó.l, 0.2, 0.5)
=
e E = 0.01.
e) Compare o número de iterações de ambos os métodos. O que você

pode concluir?
-
12
. 5 6 1 X1 7
2 3.4 1 o X2 1
=
-1 1 - 3 1 X3 -2
5.6 - 2 1 1 X4 2
Usando o software numérico, resolva o sistema dado pelos seguintes
métodos diretos:
a) Eliminação de Gauss-Jordan.
b) Eliminação de Gauss com pivotamento diagonal.
c) Eliminação de Gauss com pivotamento total.
a) Caso possível, resolva o sistema dado usando o método de decompo

sição de Cholesky.
b) Caso possível, resolva o sistema dado usando o método de decompo
sição LU.
c) Caso possível, resolva o sistema dado usando o método de elimina
ção de Gauss com pivotamento parcial.
d) Calcule apenas a 3ª coluna da matriz inversa de A dada, usando o
método de decomposição de Cholesky.
a) Determine a matriz inversa A-1 , da matriz A dada, usando o método

de Gauss-Jordan.
b) Resolva o sistema dado usando o método de eliminação de Gauss
com pivotamento parcial.
c) Resolva o sistema dado usando o método de eliminação de Gauss

com pivotamento total.
d) Resolva o sistema dado usando o método de eliminação de Gauss
com pivotamento na diagonal.
5. X X11 X X
Mostre que li I L $ li $ n l i t E Rn .
6. Dado o sistema de equações lineares:
4X{4x11 +-Xzx2 ++ X33x3 ==72
-X1 + 5X2 + 3X3 = 3
seja satisfeito. É possível o mesmo processo para o critério das linhas?
Reordene as equações e as incógnitas de modo que o critério de Sassenfeld
Justifique.
0.[0.925872 0.0.3166 0.0.1224j [XzX1j [7 j
=
0.147 0.21 0.25 X3 8
9
Resolva o sistema dado, usando um método direto visto e com o auxílio

do software numérico.
8. Determine uma fórmula para calcular o número de operações aritméti
cas envolvidas na resolução de um sistema de equações de ordem n pelo
método de eliminação de Gauss com pivotamento diagonal.
x (O)
a) Caso haja convergência garantida, resolva o sistema anterior usando o
método iterativo de Jacobi-Richardson a partir de = (O O O) e E = 0.1.
b) Caso o critério de Sassenfeld esteja satisfeito, usando o método itera
tivo de Gauss-Seidel, resolva o sistema dado a partir de =
eE= 0.01. O) x (O) ( - 2 1
10. Prove que se A E 9t(n, n) é de componível em LU, então

uii = dj 1. = 1 , ... ,n e Llo = 1 .
-- A
di-1
11. Resolva o seguinte sistema de equações lineares usando o método de
eliminação de Gauss, com o auxílio do software numérico.
o 5 -1 2 X1 10
o 8 -1 1 X 2 16
2 1 -1 -1 X3 = 2
o -1 -2 1 X 4 -2
12. Considere o sistema de equações lineares:
a) Faça trocas de linhas e, caso possível, resolva o sistema obtido usando

o método LU.
b) Determine a inversa da matriz A dada, usando o método de elimi
nação de Gauss-Jordan.
c) Resolva o sistema dado usando o método de eliminação de Gauss
com pivotamento parcial.
d) Faça trocas de linhas, verifique a convergência, resolva-os usando os
métodos iterativos de Jacobi-Richardson e Gauss-Seidel, com E = 0.01.
13. Considere o sistema de equações lineares:
a) Faça trocas de linhas e determine um intervalo de valores positivos

para t de forma que o critério de Sassenfeld seja satisfeito.
b) Tome t 4, faça trocas de linhas e resolva o sistema obtido usando o
=
método iterativo de Gauss-Seidel, com x(O) (0.1, 0.1, 0.1) e E = 0.01.

=
14. Mostre que se A e 9t(n,n) é simétrica e de componível em LU, então a

matriz A se decompõe na forma A = LDL1 , onde L e 9t(n, n) é uma matriz
triangular inferior e a matriz D e 9t(n,n) é uma matriz diagonal.
15. Uma indústria produz quatro tipos de produtos (1) (2) (3) e (4), os quais
são processados e produzidos no decorrer da semana. Para produção de
cada unidade desses produtos necessita-se de quatro diferentes tipos
de matéria-prima (A) (B) (C) e (D), conforme tabela dada:
A B e D
(1) 1 2 4 1
(2) 2 o 1 o
(3) 4 2 3 1
(4) 3 1 2 1
Por exemplo, para produzir uma unidade de (1) precisa-se de 1 unidade

de A, 2 unidades de (B) 4 unidades de (C) e 1 unidade de (D).
A indústria possui disponível em estoque 16, 13, 27 e 7 unidades de
A, B, C e D, respectivamente. Quantas unidades de cada produto podem
ser produzidas?
Formule um modelo matemático e resolva-o usando o método de
decomposição LU do software numérico e analise os resultados obtidos.
Capítulo 3
Solução Numérica de Equações
3.1 Introdução
Apresentamos, neste capítulo, métodos numéricos para resolução de equa
ções na forma f(x) = O, onde f(x) é uma função de uma variável real. Nas diversas
áreas científicas, freqüentemente deparamo-nos com problemas reais envol
vendo a resolução dessas equações.
Resolver a equação f(x) = O consiste em determinar a solução (ou solu
ções) real ou complexa x tal que f(x) = O. Por exemplo, consideremos a
equação f(x) = cos(x) + x2 + 5 = 0 . Desejamos detemúnar a solução x tal que
f(x) = cos(x)+ x2 + 5 = 0.
Métodos iterativos são desenvolvidos para detemúnar aproximada
mente essa solução real x, embora tenhamos métodos iterativos específicos
para determinar a solução x quando esta é um número complexo.
Apresentamos os métodos iterativos para determinar a solução x quando
esta é um valor real e, para isso, necessitamos de uma solução inicial Xo· A partir
desta geramos uma seqüência de soluções aproximadas que sob determi
Esta solução inicial, Xo pode ser obtida através de recursos gráficos, em

nadas condições teóricas convergem para a solução desejada x.
que localizamos uma vizinhança ou um intervalo [a, b] onde se encontra a

solução x, conforme exibimos na Figura 3.1.
Observando a Figura 3.1, vemos que a solução x tal que f(x) = O en
contra-se no intervalo onde a função f(x) corta o eixo das abscissas, isto é,
quando a função apresenta sinais opostos.
Podemos, então, tomar uma solução inicial Xo nas vizinhanças dessa raiz,
isto é, no intervalo [a, b ] , para inicializar a seqüência de soluções aproximadas
durante a aplicação dos métodos iterativos que serão apresentados poste
riormente neste capítulo.
73
f(x)
f(b) ..................... . .......................... . .............. . ..... .._

. .. .
. __ f(x)
a
b
!
X
.... .... . ..... ..... ....

f(a) .. . . . ..
Figura 3.1
Definição 3.1
Dizemos que X: é uma raiz ou um zero de f(x) se f(x) = O.
Seja f(x) = x2 -7 = O. Temos que as raízes da equação são:

Exemplo 3.1
X: = ± J7 = 2.6458 e, neste caso, f(x) = O.
3.2 Localização das raízes: métodos gráficos

Apresentamos dois procedimentos gráficos que podem ser usados para a
localização das raízes da função f(x):
i) Consiste em traçarmos o gráfico de f(x) e, onde este cortar o eixo das
abscissas, temos a raiz (raízes) de f(x), conforme exemplo a seguir.
Considere a função f( x ) = x2 - 7 , conforme gráfico ilustrado na Fi

Exemplo:
gura 3.2.
Observando a Figura 3.2, vemos que o gráfico de f(x) permite iden
tificar onde estão aproximadamente as raízes de f(x). Neste caso, te
mos as raízes x = ± J7 ::: ± 2.6458 , e f(x) ::: O.
Solução Numérica de Equações 75
f(x)
f(x)
o X
-7
Figura 3.2
ii) Consiste em transformarmos a equação f(x) O na forma equivalen

te f1 (x) = f2 (x). Os pontos de intersecção dos gráficos f1 (x) e f2 (x)
=
serão as raízes procuradas, conforme exemplo a seguir.

Exemplo:
Considere a equação f(x) = x2 -_!_=0, x * O.
X
Podemos escrever a equação dada, na forma equivalente por:
x2 = ..!., isto é, f1(x) f2(x), com f1(x) x2 e f2(x) l/ x, conforme
X
= = =
gráfico da Figura 3.3:
f(x)
f2(x)
X
f2(x)
Figura 3.3
Observando a Figura 3.3, vemos que a raiz .x encontra-se na inter

secção dos gráficos f1 (x ) e f2 ( x ) . Neste caso, temos uma única raiz
x = 1, já que x2 = � ou f(x) = O.
X
3.3 Métodos numéricos para resolução de equações

Nesta seção apresentamos alguns dos principais métodos para resolver nu
mericamente uma equação.
3.3.1 Método da bisseção

O método da bisseção é baseado no teorema do valor intermediário, o
qual afirma que se uma função contínua no intervalo [ a, b ] satisfaz a con
x E [ a, b ] tal que f(x) = O, isto é, existe pelo menos uma raiz no intervalo [a, b]
dição f(a)f(b) < O, (valores de f(a) e f(b) com sinais opostos), então existe
(veja Figura 3.4).

A idéia geral do método da bisseção consiste em, a partir de um in
tervalo [a, b ] localizado inicialmente onde encontra-se a raiz X:, determinar
uma seqüência de intervalos [11 , sd i = O, 1, ... onde 1() = a e s0 = b, de forma
que a amplitude do intervalo numa iteração é a metade da amplitude do
intervalo anterior e que sempre contenha a raiz X:.
A seqüência de intervalos será calculada até que a amplitude do inter
valo seja menor que uma tolerância E preestabelecida.
Podemos representar graficamente conforme Figura 3.4:
As seqüências ri, si e xi são construídas da seguinte maneira:
f(x)
f(b) f(x)
a
b X
f(a) ·····························
Figura 3.4
a) Determine um intervalo inicial [JQ , s0 ] tal que f(10 )f(s0 ) < 0.

b) Calcule xi = ( G + sJ / 2 � ponto médio do intervalo
c) Se f(xJ = O, então xi é uma raiz de f(x)
Se f(11 )f(xJ < O, então G+1 = Ji e si+l = xi
G+1 = xi e si+l = si
d)
e) Se f(11 )f(xi ) > O, então
Podemos representar graficamente conforme mostra a Figura 3.5:
f(x)
f(so) .........................................................................�
--:".f(:-::x)
··
i X
f(r0) .............................. !
Figura 3.5
Para i = O, temos:
Xo = (r0 +s0)/2 � ponto médio
Como f(r0) f(Xo) < O, tomamos:
r1 = r0 e s 1 = Xo
Para i = l, temos:
x1 = (r1 +s1)/2 � ponto médio
Como f(r1) f(x 1 ) < O, tomamos:
e, assim, sucessivamente até determinarmos a raiz X: da equação com uma

precisão E desejada.
Convergência
No método da bisseção, determinamos uma raiz da equação construindo
seqüências de intervalos ri e si e uma seqüência de soluções aproximadas xi
tal que:
a) A seqüência li , i = O, l, ... é crescente e limitada superiormente por s0
e, portanto, tem um limite superior que denotamos por r.
b) A seqüência su i = O, l, 2, ... é decrescente e limitada inferiormente
por r0 e, portanto, tem um limite inferior que denotamos por s.
c) A seqüência xi i = O, 1, ... é tal que li < xi < s i .
Por construção das seqüências temos:
1 1
(si -li ) = 2 (si-1 -li-1 ) = · · · = i (so -10 )
2
�im i (si -li )l = ü e, portanto, r = �im li = �im si = s
1-+oo !-too !-too
Além disso, de c) temos que:

�im xi = r
1-+oo
Devemos ainda mostrar que o limite acima é a raiz da equação f(x) = O.
Observemos que f( li ) f(si ) < O , para todo i. Então temos:
O ;;::: Hm [f( !i ) f(sJ] = limf
i-+oo (!i ) lim
i-+oo f(si ) = f (r ) f(s) = [f ( r ) ]2
i-+oo
Portanto, f(r) = O e r = �im xi . !-too
Estimativa do número de iterações

O número de iterações necessárias para se obter uma raiz X: da equação
f(x) = O, pelo método da bisseção com uma precisão E > O, previamente fixada,
decorre de:
Supondo-se que x está entre Xn e sn, temos:
) = (sn - rn ) = (so - 10 )
1 Xn -X 1 -< (Xn
_
2n + 1
_ J;,
2
Impondo que So2n+
- l{J
l <E para garantir que l xn - x l < E, temos:
log ( 8�=� ) < log(E)

ou
n>
log( s0 - :ro ) - log(E) 1
----"---
-' ----=-
log 2
Logo, n é o número mínimo de iterações que devem ser realizadas para
obter X: com uma precisão E.
Algoritmo 3.1
Dados E > O, o intervalo inicial [1-0 , so ] que contenha a raiz, isto é,
f(r0) f(s0) < O. Faça Pare = Falso, i = O.
1.
2. Enquanto Pare = Falso, faça

2.1 Determine xi = (ri + sJ / 2.
2.2 Se l f (xi ) l � E , então Pare = Verdade.
Senão
Se f(11 ) f(xJ < O, então 11+1 = 11 e si+l = xi
Senão 11+1 = xi e si+l = si
lx x
2.3. Se j+ l 1 < E, então Pare = Verdade
· 1- ·I
Xi + l
Senão i = i + 1
Exemplo 3.2
Usando o método da bisseção, resolva a equação x 2 +ln(x) = 0, com E = 0.01.
a) Determinando graficamente uma vizinhança para a raiz, considera
mos a forma equivalente x2 = - ln(x), ou seja, f1 (x) = x2 e f2 (x) = - ln(x) ,
conforme ilustrado na Figura 3.6:
x 1 X
f2(x)
Figura 3.6
Observando a Figura 3.6, podemos concluir que a raiz X: encontra-se

na intersecção dos gráficos f1 (x) e f2(x), e pertence ao intervalo [0.1, 1].
b) Considerando o intervalo inicial r0 = 0.1 e s0 = l, temos f(O.l)f(l) < O,
portanto,
2 temos uma raiz no intervalo [0.1, l]. Observe que a função
f(x) = x + ln(x) é contínua no intervalo dado.
c) Seqüência de soluções aproximadas:
Xo = 0.5500 � solução inicial dada
lx -x 1
X1 = 0.7750 � 1l xi 1 o = 0.2903 > E
x2 = 0.6625 � 2 1 = 0.1 698 > E
l x -X 1
l xi I
l x -x I
X3 = 0.6063 � 31 x 2 = 0.0927 > E
3I
X4 = 0.6344 � 41 x 3 I = 0.0443 > E
lx -x
4I
l x5 -X4 I
x5 = 0.6485 � = 0.0217 > E
l xs I
= 0.0107 > E
l x6 -xs l
"6 = 0.6555 �
1 x6 I
x7 = 0.6445 � 7 6 I =-0.0171 > E
l x -x
l x7 I
x8 = 0. 6425 � s 7 I = 0.0031 < E
l x -x
l xs I
Como o critério de parada foi satisfeito, temos a solução aproximada:
x :: 0.6425.
d) Cálculo do número mínimo de iterações:

log
n > log(so - ro )- (E) - 1 = 6.4918 -1 = 5.4918
log 2
Portanto n > 5.4918, temos que n = 6, isto é, devemos executar no mínimo 6
iterações para obter a raiz X: com a precisão E desejada.
3.3.2 Método das aproximações sucessivas
Considere a equação para ser resolvida na forma f(x) = O.
O método das aproximações sucessivas consiste em transformarmos a
equação dada na forma equivalente x = lj>(x), onde lj>(x) é uma função de uma
variável real a qual denominamos função de iteração.
A determinação da raiz desejada x é baseada na seqüência de soluções

aproximadas gerada através do processo iterativo Xk+l <l>(xk ) k = O, l, ...
=
Existem sempre várias maneiras de transformar a equação dada na forma

equivalente x = <l>(x).
Considere, por exemplo, a equação f(x) = x2-7x = O.
Podemos escrever de forma equivalente as seguintes formas:
a) x = J7X e o processo iterativo correspondente xk+ l = <l>(xk ) = � 7xk

k = o, 1, ...
2 x2
b) x = x e o processo iterativo correspondente xk+i = <l>(xk ) = ___!._
-
7 7
k = o, 1, ...
c) Tomando a equação x2-7x = O e somando x em ambos os lados temos:

x = x2 - 6x e o processo iterativo correspondente xk+ l = <l>(xk ) = xk2 - 6xk
k = o, l, ...
De uma maneira geral, podemos construir uma função de iteração da

seguinte forma:
Considere uma função 0(x) : 9t � 9t, contínua e tal que 0(x) * O para todo x.
Multiplicando 0(x) na equação f(x) = O e somando x em ambos os lados,
temos a forma equivalente x + S(x)f(x) = x , de modo que uma função de
iteração pode ser tomada como <j>(x) = x +0(x)f(x) , ou seja, x = <l>(x) é equiva
lente a f(x) = O.
Assim, podemos concluir que x é uma raiz de f(x) = O, se e somente se
satisfizer a forma equivalente x = <j>(x) . O processo iterativo correspondente,
xk+l = <l>(xk ) k = O, l, ... , gera uma seqüência de soluções aproximadas a par
tir de uma solução inicial Xo dada, como segue:
Xo � solução inicial
X 1 = <l>(Xo)
X2 = <l>(x 1 )
Podemos interpretar graficamente esta seqüência, conforme Figura 3.7:

f(x) y=x
<l>(x)
X1 ••• X
Figura 3.7
Convergência
Teorema 3.1
cujo centro X: é a raiz procurada. Seja x0 e 1 uma aproximação inicial.

Seja <j>(x) uma função contínua e diferenciável num intervalo 1 = [ a , b]
Se l <1> '(x) l $ K < l, para todo x e 1, então a seqüência { xk } k = O, l, 2, . .
gerada por xk+l = <!>(xk ) pertence a 1 e converge para a raiz X: (condição
.
suficiente).
Prova: Indução finita.
a) Xo e 1 por hipótese.
b) Supor x1 ,x2 1 ,xk e 1.
c) Mostrar que xk+ l e 1.
•••
Temos que:
x = <!>(x) e xk+1 = <l>(xk )
Então: l xk+ 1 - x l = l <1><xk ) - <1>(x) I
Usando o teorema do valor médio do cálculo diferencial integral,
temos que:
Como por hipótese, l <1> '(x) l $ K < l , 'v' x e l, temos que:

l xk+1 -xk 1 $ K l xk -x l < l xk -x l
Portanto, xk+I E 1.
Devemos mostrar ainda que xk+I � x, quando k� oo
Como K < 1, temos �+ I � O quando k � oo

Portanto, xk+I � x.
aproximações sucessivas, representando um caso no qual temos convergência da

Apresentamos, a seguir, uma interpretação geométrica do método das
seqüência de soluções aproximadas e um caso em que temos divergência da se
Seja a tal que tg( a) = <!> ' (x), isto é, a é o ângulo que a reta tangente à curva
qüência de soluções aproximadas.
no ponto x faz com o eixo das abscissas.
Consideramos, respectivamente, os casos nos quais temos um ângulo
O � a < 7t / 4 e quando 7t / 4 � a < 7t / 2, como segue:
a) O � a < 7t / 4, isto é, O � <j>(x) < 1

Portanto, nas vizinhanças da raiz x, l '(x) I < l, e o Teorema 3.1 garan
te convergência na seqüência de soluções aproximadas gerada pelo
método das aproximações sucessivas, a qual é ilustrada pelo gráfico
na Figura 3.8:
f(x)
y=x
<)>(x)
<l><Xo) ················································· ·
7f'-----:::>!""
· ··
···
.. .
. ... . . .
.
.. .. .. . . <X 1
X
Figura 3.8
Observando a Figura 3.8 vemos que, neste caso, temos a seqüência de

soluções aproximadas gerada pelo método das aproximações sucessivas con
vergindo para a raiz X:.
b) 7t/4 $ a < 7t/2
l $ <j> '(x) < oo , isto é, l $ <j> '(x)
Portanto, nas vizinhanças da raiz X:, l <l>'(x) I > 1, e não temos nenhuma
garantia de convergência na seqüência de soluções aproximadas gerada pelo
método das aproximações sucessivas, a qual é ilustrada no gráfico da Fi
gura 3.9.
f(x)
<j>(x)
y=x
- - - - - - - - - - - _,_ -
----/
'
- - - - - - - - /
Xz • • •
X
Figura 3.9
Observando a Figura 3.9 vemos que, neste caso, temos a seqüência de

soluções aproximadas gerada pelo método das aproximações sucessivas
divergindo da raiz X:.
A interpretação gráfica do método das aproximações sucessivas, com
a variação dos ângulos nos demais quadrantes, fica a cargo do leitor como
exercício.
Algoritmo 3.2
1. Defina a função de iteração <!>(x) tal que f(x) = O H x = <!>(x).
Faça Pare = Falso, i = O e defina XQ, solução inicial, e E > O, uma tole
rância fixa.
2.1 Xi+l = <!> (xJ
2.2 Se 1 i; 1 i 1 < E, então Pare = Verdade
x -x
.
Hl
Senão i = i + 1
Exemplo 3.3
Usando o método das aproximações sucessivas, resolver a equação cos(x) - x = O
com E = 0.01 .
a) Localização gráfica de uma vizinhança para a raiz x, conforme
Figura 3.10.
y=x
f(x)
cp(x) = cos(x)
Figura 3.1 0
b) A equação cos(x) - x = O pode ser escrita na forma equivalente:

Considerando 0(x) = 2 e somando x em ambos os lados da equação,
temos: x = 2cos(x) -x .
Assim, o processo iterativo é dado por:
xk+t = 2cos(xk ) -xk
Temos:
l <!>'(x) I = l -2sen(x) - l l
Para quais valores de x, 1 <!>'(x) I < 1 ?
Podemos observar que l <!>'(x) l < l para valores de x tal que -1 < sen(x) < O
e, portanto, não temos nenhuma garantia de convergência, pois l <!>'(x) l > l nas
vizinhanças da raiz, conforme podemos verificar também na Figura 3.10.
Gerando a seqüência de soluções aproximadas, através do processo ite
rativo xk+i 2cos(xk ) - xk , temos:
Xo 0.7000 � solução inicial dada
=
X 1 0.8297
=
Xz 0.5205
=
X3 1.2146
=
X4 = --0.5172
X5 2.2556
=
Podemos observar que a seqüência está divergindo.

c) A equação cos(x) - x O também pode ser escrita de forma equi
=
valente por x cos(x) e o processo iterativo correspondente, por

=
xk+ l cos(xk) ·
=
Temos l <!>'(x) l = l - sen(x) l < l , nas vizinhanças da raiz, conforme pode

mos observar na Figura 3.10 e, portanto, temos garantia de convergência.
A seqüência de soluções aproximadas, através do processo iterativo
xk+ l cos(xk}, é dada por:
=
Xo = 0.7000 � solução inicial dada

X1 0.7648
= �
l x1 - xo l = 0.0847 > E
1 Xi 1
x2 0.7215
= �
l x2 - xi l = 0.0600 > E
I x2 I
X3 0.7508 �
l x3 - x2 I = 0.03900 > E
1 x3 I
=
x4 = 0.7311 l x4 - x3 I 0.0269 > E

l x4 I
�
x5 = 0.7444 l xs - x4 I 0.01790 > E

l xs l
�
x6 = 0.7355
l x6[ - xs I = 0.0121 > E
x6 I
�
x7 = 0.7415
l x7 - x6 I = 0.0081 < E
l x7 I
�
Como o critério de parada está satisfeito, temos a solução aproximada

para a equação dada:
x :: x7 = 0.7415
3.3.3 Método de Newton

Sabemos, do método das aproximações sucessivas, que, se l <l>'(x) l < l , para x
nas vizinhanças da raiz, e escolhendo-se x0 uma "boa" aproximação inicial,
a seqüência gerada pelo processo iterativo xk+t = <l>(xk ) k = O, 1, ... é conver
gente para a raiz x.
O Método de Newton consiste em determinar uma função <l>(x) tal que
l <l>'(x) I = O. Neste caso, para x nas vizinhanças de x, temos <l>'(x) :: O e, por
tanto, l <l>'(x) l < l e a convergência é garantida (<l>(x) e <l>'(x) são funções con
tínuas). Para isto, considere <l>(x) = x +0(x)f(x).
Procuramos agora uma função 0(x) tal que:
<l> '(x) = 1 +e'(x)f(x)+ f '(x)e(x) = o .
Como f(x)=O e, supondo que f'(x) :;é O, temos que:
0(-X ) = -1
f '(x)
Assim, uma escolha para 0(x) é tomada por 0(x) = --=!.__ e, portanto, de
f'(x)
<l>(x) = x + 0(x)f(x)
temos
<l>(x) = x - f(x) / f'(x)
Desta forma, o processo iterativo é dado por:
<l>(xi ) = xi -f(xJ/f'(xJ
xi+i = xi --1 f(x . ) � método de Newton
-
f'(x)
O método de Newton possui a interpretação gráfica conforme ilustra a
Figura 3.11:
f(x)
f(xi) - - - - - - - - - - - - - - - - - - - - - - -
Figura 3.1 1
Definindo como a o ângulo formado com o eixo das abscissas através

da reta tangente à função f(x) no ponto xi (veja a Figura 3.11), temos:
tg(a) = f(x·1 ) , ou seja:

(xi - Xi +i )
Portanto, temos:
f(x )
Xi+l = Xi - f'(x)i -7 método de Newton
O método de Newton é também conhecido como método das tangentes,

em razão de sua interpretação gráfica.
Note que o método de Newton requer que f'(xJ :;t: O para todo i. No
caso em que f '(xJ = O (supondo f(xJ :;t: O), a reta tangente à função no pon
to xi é paralela ao eixo das abscissas, e xi+l é indefinido. Porém, se f'(x) = O
(X: é tal que f(x) = O) e f'(xJ :;t: O, o método de Newton está bem definido, em
bora a convergência seja mais lenta.
Podemos analisar esta situação observando, na Figura 3.1 2, que tanto

f'(xJ � O como f(xJ � O na medida em que calculamos as soluções aproxi
madas.
f(x)
o X
Figura 3.1 2
Convergência do método de Newton

Para examinarmos a convergência do método de Newton, supomos que f(x),
f '(x) e f " (x) sejam contínuas nas vizinhanças da raiz x.
Como <l>(x) = x - f(x)/ f'(x) , temos que:
 '(x) = l [f'(x)]2 -f(x)f " (x) = f(x)f " (x)
[f'(x)]2 [f'(x)]2
Suponha que x seja uma raiz simples de f(x)=O, então f '( x ) :;t: O . Entre
tanto, pela continuidade de f'(x) , temos que l f'(x)l � E , para algum E � O
numa vizinhança de x.
Nesta vizinhança de x, selecionamos uma subvizinhança tal que
l f(x)f " (x) I < E 2, o qual é possível, uma vez que f(x ) = O , f'(x) e f"(x) são
contínuas.
Portanto, nesta vizinhança temos que l <l>'(x)l < l e, de acordo com o teo
rema de convergência do método das aproximações sucessivas, o método
de Newton gera uma seqüência convergente para x.
Convergência quadrática
Definição 3.2
Dizemos que um método iterativo apresenta convergência quadrática se
ei
�im ;i = k , onde k é chamada constante assintótica de proporcionalidade,
,__ ei
ei = l xi - x j e ei+t = jxi+t -x j são os erros cometidos nas iterações correspon
dentes.
f' (x) O .
Teorema 3.2
q>(x) (x) q> ' (x) = O e,

O método de Newton apresenta convergência quadrática, se -:t:.
por construção, temos o processo iterativo xi+t = lj>( xi ). Supondo que

Prova: Sabemos que X: = e f ' -:t:. O implica que
<j>' (x) e <j> " (x) sejam contínuas numa vizinhança da raiz X:, desenvolvendo
 (x) em série de Taylor até os termos de 2ª ordem, em tomo de X:, temos:
q>(x..· �) =<j>(x)+ <l> ' (x) ( x-x)+ lj> " ( Ç) ( x - x)2 , com s entre x e X:.
1! 2!
Fazendo x Xj, temos:
=
q>(xJ =x+ <!> "2( !ÇJ ( xi -x )2 , com Si entre xi e X:

Assim, substituindo xi+t = <j>(xi ), segue que:
(Xi+t - -X) = 2! lj> " ( ÇJ (Xi - -X )2

e, portanto:
Assim,
Como S i converge para a raiz X: juntamente com xi, pois está no inter
valo [xil X:], temos:
lim ei+t
i-- er =
l <!> " (x) I = k
2
Para valores de i suficientemente grandes, podemos afirmar que:
isto é, o erro absoluto de uma iteração é assintoticamente proporcional ao

quadrado do erro na iteração anterior.
Para observar a rapidez da convergência do método de Newton, consi
dere o exemplo a seguir:
Exemplo 3.4
Usando o método de Newton, resolva a equação x2 - 2 = O, com E = 10-5,
isto é, desejamos o cálculo de Ji.
Usando o processo iterativo do método de Newton, temos:
xi+ 1 = xi - f(x; ) = 21 (xi + 2 )
f'(xi ) xi
A partir de uma solução x0 inicial, geramos a seqüência de soluções
aproximadas:
x0 = 1.00000 --t
solução inicial dada
x1 = 1.50000 --t J x1 -xo l = 0.33333 > E
l x1 I
x2 = 1.41667 --t J x2 -x1 1 = 0.05882 > E
l x2 I
X3 = 1.41422 --t I X3 - X2 I - 0.00173 > E
l x3 I
X4 = 1.41421 --t I X4 - x3 I = 0.00001 < E
l x4 I
Como o critério de parada está satisfeito, temos que x = x4 = 1.41421.
Podemos observar que esta seqüência converge para x = J2.
Desta forma, podemos observar que, na medida em que os valores de xk
se aproximam da raiz x, a convergência torna-se muito rápida, isto devido à
propriedade da convergência quadrática do método de Newton.
1. Defina as funções f(x) f'(x) e E > O, uma tolerância fixa.

Algoritmo 3.3
2. Escolha Xo uma solução inicial.

Faça Pare = Falso, i = O
3.1 xi+l = xi - f(xi )
f'(x; )
3.� Se I rX +Tl I
i
< E, então Pare � Falso
Senão i = i + 1
Observação
O leitor pode incluir neste algoritmo algumas modificações:
a) Modifique o critério de parada, considerando lf(xi ) I � E.
b) Teste se l f'(x) I < E, enquanto l f(xJ I >> E. Se isto acontecer, o método
falha.
c) Inclua o número máximo de iterações.
Exemplo 3.5
Usando o método de Newton, resolva a equação ln(x)+x+ 4 = O, com
:.��i)) , geramos a seqüência:

E = 0.001 .
A partir do processo iterativo xi+l = xi -
Xo = 1 .5000solução inicial dada

�
x1 2.7567 � l xi -xo l = 0.4559 > E

lx1 I
=
x -x l
X2 = 2.9250 � l 2x i = 0.0575 > E
l 2I
X -X
X3 = 2.9263 � I 3x 2 I = 0.0004 > E
l 3I
""---,---.,--'-
x -x I
2.9263 � l 41 3 = 0.0000 < E.
x4 I
X4 =
Como o critério de parada está satisfeito, temos que x::x4 = 2.9263 .

Observação
Podemos, ainda, modificar o método de Newton, das seguintes formas:
a) O valor calculado da derivada na 1ª iteração, f '(x0 ) = k, onde k e 9t, é
fixado e sub stituído no processo iterativo de Newton durante as
iterações.
Assim, temos:
xi+l = xi - f(�J i = O, l, . . .
o qual, é conhecido como método modificado d e Newton, que geo
metricamente significa traçarmos retas paralelas à curva em vez de
tangentes para obter as aproximações.
b) Podemos também modificar o método de Newton atualizando o valor da

derivada periodicamente, isto é, dentro de um certo número de iterações.
3.3.4 Método das secantes

O método das secantes consiste em aproximarmos a derivada da função
f'(x; ) que ocorre no método de Newton da seguinte forma:
Observe que, neste caso, estamos trocando a inclinação da reta tangente

pela inclinação da reta secante à curva (veja a Figura 3.13).
Assim, o método de Newton dado por
é modificado da seguinte forma:
xi+t = xi - f(x; ) - f(xi_1 )

(xi - xi_i )
Simplificando a expressão anterior, temos:
xi+l = X;-1 f(x; ) - x; f(x) ;_1 ) � método das secantes

f(x; )-f(xi_1
Assim, dados os pontos xi-I e xi, onde a reta secante passando por
(xi_vf(xi_1 )) e (xi,f(xi)), cortar o eixo das abscissas, temos a aproximação xi+ t
para a raiz x, conforme ilustrado na Figura 3.13.
f(x)
Figura 3.1 3
Assim:
e, portanto,
xi-l f(xi ) - xi f(xi_i ) � método das secantes
X·+1
1 =
f(xi ) - f(xi -l )
Algoritmo 3.4
1. Seja f(x) contínua e E > O uma tolerância fixa.
2. Escolha x1, duas aproximações iniciais.
Xo
Faça Pare Falso e i O.
= =
3. Enquanto Pare Falso faça:

=
3.1 xi+l xi-lf(xJ f(xJ - xi f(xi_1 )

- f(xi- l )
=
i -,;j
3.2 Se 1 x .Xi, + < e , então Pare Falso
l
=
Senão i i + 1 =
Convergência
'Como o método das secantes é uma modificação do método de Newton,
as condições de convergência são parecidas, observando-se que não temos
mais a propriedade de convergência quadrática.
Quando f(xk ) = f(xk-l ), podemos ter problemas de convergência, isto é, a
seqüência gerada pelo método pode divergir.
Exemplo 3.6
Resolva a equação x3 - l /2 = O, usando o método das secantes com E = 0.01.
Podemos escrever a equação dada na forma equivalente x3 = 1/2.
Chamando f1 (x) = x3 e f2 (x) = 1 /2, temos uma vizinhança para a raiz, na
intersecção dos gráficos de f1 (x) e f2(x), conforme Figura 3.14:
f(x)
1
1/2 f2 (x)
-1 x 1 X
-1
Figura 3. 1 4
Usando o processo iterativo do método das secantes

x f(xJ - xi f(xi-1 ) ..
xi+l = i-l , temos a sequencia
A •
de so1uçoes aproximadas:
- ·
f(xJ - f(xi_1 )
x0 = O e x 1 = 1 � solução inicial dada
x -X 1
1
x2 = 0.5000 � l 2 1 = > ê
I Xz I 1
x3 = 0.7143 � l 3 2 I = 0.3000 > ê
x -x
l x3 I
x4 = 0.8355 � l 4 3 I = 0.1451 > E

x -x
l x4 I
x5 = 0.7894 � s 4 I = 0.0584 > E

lx -x
l xs I
x6 = 0.7932 � 6 s I = 0.0048 < E

lx -x
I x6 I
Portanto, temos a solução aproximada x :: x6 = 0.7932, uma vez que o
critério de parada foi verificado.
Observação
Podemos, ainda, variar o método das secantes e obter outro método, conhe
cido como método da posição falsa, o qual difere do método das secantes
apenas na escolha dos pontos iniciais, Xo e xv os quais devem satisfazer à
propriedade f(:xo)f(x1 ) < O e nos pontos escolhidos nas demais iterações.
Para mais detalhes consulte Burden, R. L.; Paires, J. D.
3.4 Equações pol i nomiais
Considere a equação polinomial P(x) = a0 xn +a1 xn-l + ... + an = O, onde
ai, i = l, ... , n são reais ou complexos.
Desejamos determinar x tal que P(x) = O. As raízes de P(x) podem ser reais
ou complexas. Apresentamos a seguir algumas definições e resultados sobre poli
nómios e equações polinomiais, sobre a localização de raízes das equações polino
miais reais ou complexas, e o método de Newton para o cálculo dessas raízes.
1. Um polinómio P(x) com coeficientes reais ou complexos é escrito na
forma P(x) = ao xn + a1 xn -l + ... + an , onde n E N é o grau desse polinó
mio, com a0 -:t:- O.
Exemplo 3.7
Considere o polinómio P(x) = 7x3 + 2x2 - x - 9.
Neste caso, temos:
a0 = 7 a1 = 2 a2 = -1 a3 = -9 � coeficientes de P(x)
n = 3 -? grau de P(x)
2. Dois polinómios P(x) e Q(x) são iguais se seus graus e coeficientes
são iguais.
Sejam os polinómios:
P( x ) = a0 xn + a1xn-1 + ... +an
Q(x) = b0 xn + b1 xn-l + ... + bn
P(x) = Q(x), para todo x, Ç::> ai = bi i = O, ... , n
3. Seja P(x) um polinômio de grau n� 1. Dizemos que X: é uma raiz de

multiplicidade m se:
p( l > (x) = p<2>(x) = ... = p<m-1 >(x) -:1; O e p<m>(x)= O, onde p<m >(x) é a
m-ésima derivada de P(x), no ponto X:.
Exemplo 3.8
Considere o polinômio P(x) x3. =
A 1 raiz x = O é uma raiz de multiplicidade três, pois

P(x) = p< >(x) = O p< 2>(x) = O e p<3>(x) = 6 -:1; O.
Entendemos, neste caso, que o polinômio P(x) = x3, de grau 3, possui
três raízes idênticas, ou uma raiz de multiplicidade 3.
4. A equação polinomial P(x) = ao xn +a1 xn-l + ... +an = O, com coeficien
tes reais ou complexos, possui pelo menos uma raiz, ou seja existe pelo
menos uma raiz real ou complexa tal que P(x) = O (Teorema Funda
mental da Álgebra).
5. Seja P(x) um polinômio de grau n � 1. A equação P(x) O possui
exatamente n raízes (reais + complexas + multiplicidade).
=
6. Seja P(x) um polinômio de grau n � 1, então para qualquer a e 9t

existe um único polinômio Q(x) de grau (n-1) tal que
P(x) (x- a)Q(x) + P(a), onde P(a) é o resto da divisão de P(x) por
(x- a) (Teorema do Resto).
=
Para maiores detalhes sobre os resultados anteriores, consulte Demidovich,

B . P.; Maron, I . A.
Exemplo 3.9
A divisão do polinômio P(x) 6x2--4x+2 pelo polinômio (x--4) resulta
Q(x) = 6x + 20 e o resto dessa divisão, P(4) = 82.
=
3.4.1 Localização de raízes

Apresentamos alguns resultados para a localização das raízes de uma equa
ção polinomial.
Teorema 3.3
Seja A = máx n ª1 j , ...,1 ak I}, onde ak k = l, ... , n são os coeficientes de P(x).

Localização no círculo
Então, o módu�o de todas as raízes xk k = 1, ... , n satisfaz a inequação

l xk l < l+ A = R
�
Suponha, por a�surdo, que: 1 x 1 � 1 + élo
A ' de onde segue que 1 x 1 > 1.
)\ '(Q(_,�
Prova:
I I
Assim., temos:
9= J P(x)J = j ao xn + a1 xn-l + ... + an-1X + an 1
= jao xn -(-ai )xn-l . -(-an-1 )x -(-an )j
_
. .
� 1 ao xn l -l a1 xn-l l - ... -J an-1 x l - l an l

� l ao xn l -A<lxn-1 1 + ... + l x l+ 1)
n
- l ao l lxn 1 - A + A l x l
1- l x l 1- J x J
_
n A A lxJn
1- 1 X 1 1- 1 X 1
a
-l aJ l x l - - +
Assim.:
Se ( lau 1-
1 I )2 ��
O, isto é, se l x l 2 1 +
I�I '
temos que IP(x)I > O.
Logo, os valores de x que satisfazem a inequação inicial não são raízes
de P(x) O = .
Portanto, todas as raízes satisfazem a inequação
Corolário 3.1
Seja an * O e B = máx {I a0 1 , ... , 1 ªn-l I }, ond� ak k O, ... , n são os coeficientes de
=
P(x) O Então, o módulo de todas as raízes xk k 1 , ... , n satisfaz a inequação,

= . =
Prova:
1
Tomando x = - , temos:
y
1 1 1 1
P(x) = a0 - n + a1 yn - 1 + ... + an - 1 - + an = -
--
n Q(y)
Y Y Y
onde,
As raízes Yk = __!__, k = 1, ... , n do polinómio Q(y) pelo teorema anterior

xk
satisfazem a inequação:
Observe que an é o coeficiente de � e a0 é o termo independente.
Assim: l xk l >
1
B =r
k = l , ... , n
1+
�
Observação
Pelo teorema e corolário anteriores, podemos observar que, no plano complexo
da Figura 3.15, as raízes de P(x) = O estão localizadas no anel: r < l x l <_R.
\
�t--�-+-�+-----t��+-:>
��)'
Figura 3.1 5
Exemplo 3.10
As raízes de P(x) x3 + 2x2 - x - 2
= = O estão localizadas em -3 < xk < - 1/2 ou
1/2 < xk < 3, pois:
Teorema 3.4
Regra de sinal de Descartes
Dada uma equação polinomial com coeficientes reais, o número de raízes
reais positivas p dessa equação não excede o número v de variações de sinais
dos coeficientes. Ainda mais, (v - p) é inteiro par, não negativo.
Prova: Demidovich, B. P.; Maron, 1. A.
Observação:
Para determinar o número de raízes negativas, basta calcular o número de
variações de sinais no polinômio P(-x).
Exemplo 3.11
Dada a equação polinomial P(x) x3 + 2x2 - x - 2 O aplicando o teorema da
= = ,
regra de sinais de Descartes, temos:

A troca de sinais nos coeficientes de P(x) é v 1. Como (v - p) é inteiro
=
par temos:
v 1 � p l, então o polinômio deve possuir uma raiz real positiva.
= =
Teorema 3.5
Teorema de Budan-Fourier
Se os números a e b (a < b) não são raízes de um polinômio P(x) de grau n,
então o número N(a, b ) de raízes reais da equação P(x) O localizadas entre
=
a e b é dado por:
N(a, b) � - 2k (k natural), sendo � = N(a)-N( b), onde N(x) é igual
=
ao número de variações de sinais na seqüência de sucessivas derivadas:

P(x), p( l l(x), ... , p n-1 ) ,p(n l(x)
Prova: Demidovich, B. P.; Maron, 1. A.
Exemplo 3.12
Dado o polinômio·P(x) x3 + 2x2 - x-2. Aplicando o teorema de Budan-Fourier,
=
vemos que os valores 3 e -3 não são raízes de P(x), pois P(3) = 40 e P(-3) -8.
=
Desta forma, é possível calcular o número das raízes reais localizadas [-3, 3]:
Seja pi (x) � i-ésima derivada de P(x), assim tem:

P(3) = 40 p(l) (3) = 38 p<2> (3) = 22 p<3> (3) = 6
P(-3) = -8 p(l> (-3) = 14 p<2> (-3) = -14 p<3> (-3) = 6
Assim, temos:
N(3) = O e N(-3) = 3
LW = N(-3)-N(3)= 3-0 = 3
LW(-3, 3)= 3-2k k E N
Portanto, o polinômio dado possui uma ou três raízes no intervalo (-3, 3).
Pela regra de sinal de Descartes, observamos que este polinômio possui
uma raiz positiva e, portanto, o polinômio pode ter duas raízes no intervalo
(-3, O) ou não ter nenhuma raiz real negativa.
Teorema 3.6
Teorema de Sturm
Dado o polinômio P(x) e um número real a, seja v(a) o número de variações
de sinal na seqüência g0(a), g1(a), ... , gn(a), ignorando-se os zeros, em que
g0(x) = P(x), g1 (x) = P'(x) e que para k � 2, gk(x) é o resto da divisão de gk_2(x)
por gk-l (x), com sinal trocado.
Se os números a e b não são raízes do polinômio P(x), então o número de
raízes distintas de P(x) = O no intervalo a � x � b é exatamente v (a) - v(b).
Prova: Durand, E.
Exemplo 3.13
Dado o polinômio P(x) = x3 + 2x2 - x - 2 = O, e usando o teorema de Sturm,
temos:
g0 (x) = P(x)= x3 +2x 2 - x -2 = 0
g1 (x) = p( l > (x) = 3x2 + 4x -1
14 x + -
g2 (x) = - 16
9 9
81
g3 (x) = -
49
Assim, para a = O e b = -1.5, temos:

g0 (0) = -2 go (-1.5) = 0.625
g1 (0) = -1 gl (-1.5) = 0.25
g2 (0) = 16/9 gz (-1.5) = -0.556
g3 (0)= 81/49 g3 (-1.5) = 81/49
Sendo v (O) = 1 e V (-1 .5) = 2, temos que v (-1 .5) - v (O) = 1, portanto,
existe uma raiz no intervalo (-1.5,0). Além disso, pelo teorema anterior, sabe
mos que existem duas ou nenhuma raízes no intervalo (-3,0).
Como sabemos que existe uma raiz no intervalo (-1 .5,0), podemos con
cluir que a outra raiz encontra-se no intervalo (-3, -1.5).
3.4.2 Determinação das raízes reais

Para determinar as raízes reais de um polinómio P(x), podemos usar qual
quer método visto anteriormente neste capítulo, porém apresentamos o mé
todo de Newton com o método de Briot-Ruffini, o qual avalia o polinómio e sua
derivada num ponto xi com um número mínimo de operações aritméticas.
Método de Briot-Ruffini
Sabemos que, dado um polinómio P(x), e a e 9t, existe um único polinómio

Q(x) de grau (n-1) tal que P(x) = (x-a)Q(x) + P( a). Note que P( a)é o resto da
divisão de P(x) por (x-a).
O método de Briot-Ruffini consiste em determinar os coeficientes de
Q(x) e P(a) diretamente, como segue.
Sejam:
Q(x) = b0 xn-l + bl xn-2 + ... + bn-1

P(a) = bn (resto da divisão)
Temos:
[a0xn + a1Xn-1 + . + an ] = (X-<l) [bo Xn-1 + b1X n-2 + ... + bn-1 ] =
..
Pela igualdade dos polinómios, temos que:

ªº = ao bo � bo = ao
a1 = b1 - a b0 � bl = ª1 + a bo
ªn-1 = bn-1 - a bn-2 � bn-1 = ªn-1 +a b n-2
an = bn -a bn-1 � bn = a n +a bn-1
Note que, desta forma, P(a) = a0 an + a1 an-I + ... + an pode ser calculado
1 com n operações de adição e n operações de multiplicação.
Esquema prático de Briot-Ruffini

Podemos obter facilmente os coeficientes de Q(x) e o resto de divisão P(a),
conforme esquema prático que segue:
a.
.!..
.............. .....�� ......... ...��.................��.....................................�:��········· .... �:..........................
bn P(a.)
.
Figura 3.1 6
Seja P(x) = 6x3 + x - 1, calcule P(3).

Exemplo 3.14
Assim, temos:
b1 = a1 + ab0 = 0 + 3(6) = 18
b2 = ª2 + ab1 = 1 + 3(18) = 55
b3 = a3 + ab2 = - 1 + 3(55) = 164 = P(3)
Usando o esquema prático de Briot-Ruffini, temos:
6 o 1 -1
. .
· · · · · · · · · · · · · · · · · - · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · ·· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · ·
. .
. .
. .
3 i 6 18 55 i 164 = P(3)
Cálculo da derivada de P(x) num ponto a
Como vimos anteriormente, o valor de um polinômio num ponto a pode ser

calculado pelo método de Briot-Ruffini. Vamos agora avaliar P '(a) .
De P(x) = (x-a)Q(x) + P(a), segue que:
P '(x) = (x - a)Q ' (x) + Q(x)
Assim, para x = a, temos P'(a ) = Q(a). Portanto, para calcular P'(a), basta
calcular Q(a), ou seja, repetimos o procedimento anterior em Q(x), uma vez que
podemos escrever Q(x) = (x-a.) M(x) + Q(a), onde Q(a) é o resto da divisão
de Q(x) por (x-a.) e M(x) é um polinómio de grau (n-2) na forma:
Usando o método de Briot-Ruffini novamente, para avaliar Q(a) temos:
Cn-l = bn-l + acn_2 = P ' (a) � resto da divisão de Q(x) por (x - a)
Método de Newton + Briot-Ruffini
Como visto anteriormente, temos o processo iterativo do método de Newton:
xi l xi - P(xJ ,
� metodo de Newton
p (X )
+ = -, -
i
Neste caso, os valores de P(xi) e P' (xi) são calculados usando o método
de Briot-Ruffini.
Determine uma raiz do polinómio P(x) = x3 + 2x2 - x - 2 usando o método de

Exemplo 3.15
Newton + Briot-Ruffini, com E = 10-3.

Usando o estudo da localização das raízes do polinómio dado feita
anteriormente nesta seção, sabemos que existe uma raiz positiva no inter
valo (-3,3). Podemos, ainda, verificar que P(-3)P(3) < O, garantindo que existe
pelo menos uma raiz neste intervalo.
Tomando-se uma solução inicial Xo = 2, temos a primeira aproximação
pelo método de Newton, dada por:
Usando o método de Briot-Ruffini para avaliar P(2) e P'(2), temos os

resultados:
1 -1
. .f
2
r. r.
-2
; + � 1 : I :� +
················· ···················· ···················· ·················· ··················
T
······ ······· ········ ·········- -········ ········· ········ ···· ·····- �= -·····
Desta forma, temos:

12 = l.3684
X1 = 2 - -
19
Como l x1 - x0 I = 0.4616 > E, determinamos a segunda aproximação
l xi I
para a raiz:
P(xi )
X2 = X1 - --
P'(X1 )
Usando o método de Briot-Ruffini para avaliar P(xi ) e P'(x1 ), temos:
1 -1
. ..
2
.. .. -2
· · · · · · · · · · · · · · · · · · · · · - · · · · · · · · · · · · · · · · · · · - · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · ·· · · · · · · · · · · · · · · · · · · · ·
.....�::�� . t . .. �. . . . . ! �..�� ....1 . .�:�.�� ..1 . .�::.��

.
1.3684 1 1 1 4.7368 : 10.0911 1

. . . .. . .. ... . ... . .. . ·····
Desta forma temos:

2.9390
X2 = 1.3684 10.0911 = 1.0772
Como l x2 - X1 1 = 0.2703 > E, repetimos o procedimento de Newton:

I x2 I
Assim, sucessivamente, temos a seqüência de soluções aproximadas:
x3 = 1.0045 � �'x_,,3_-_x,.--2�1 = 0.0724 > E
l x3 I
x 3'
X4 = 1.0000 � �'_4x_-_X� = 0.0045 > E
l 41
Portanto, temos a solução x 1.0000, uma vez que o critério de parada =
foi satisfeito.
3.5 Sistemas de equações não lineares

Seja F: 9\º � 9\º contínua e diferenciável, isto é:
F(x, y, ... , z) = [f1(x, y, ... , z), f2(x, y, ... , z), ... , fn(x, y, ... , z)], onde fi: 9\º � 9\. são
funções não lineares.
tal que F(x, y, . . . , z) = O, consiste em resolver o seguinte sis

Detemrinar a raiz desta função, isto é, detemrinar o vetor solução �x�-�.,._._..,.
a de equações
não lineares.
f1 (x, y, ... , z) = O
f2 (X , y, ... , z) = Ü
� (x, y , ... , z) = O
Exemplo 3.16
{
Considere o sistema de equações não lineares:
sen(x) + y = O
x 2 + y2 =0-1
solução (x, y) tal que F(x, y) = O, com F(x, y) =

sen(x) + y
.
[
Determinar a solução deste sistema é equivalente a determinar o vetor
l
x 2 + y2 -1
3.5.1 Método de Newton
Por simplicidade, consideramos inicialmente um sistema de equações não
{
lineares com duas equações e duas incógnitas:
f1 (x, y) = O
f2 ( X , y) = Ü
em que F(x, y) =
[ ]
Ou seja, buscamos determinar o vetor solução (x, y) tal que F(x, y) = O,
f1 (x, y)
f2 (x, y) ·
Seja (Xo, y0) uma aproximação inicial para a solução (x, y). Expandindo
f1 (x, y) e f2 (x, y) por série de Taylor em tomo do ponto (Xo, y0) até a derivada de
1ª ordem e igualando a zero a série truncada, temos:
Como as funções não lineares foram aproximadas por funções lineares,

podemos observar que temos um sistema de equações lineares para ser
resolvido:
A solução deste sistema linear fornece uma nova aproximação (x 11 y 1)

para a solução (x, y) desejada.
Na forma matricial, temos:
a f1
ay
a f2
ay
Definindo-se J(XQ, y0), a matriz Jacobiana avaliada no ponto (Xo, y0), temos:
(xo ,yo )
J(xo , yo ) ( ]( ]
X 1 - Xo
Y1 - yo
=
-f1 ( Xo , yo )
-f2 ( Xo , Yo )
Denotando r = (x - x0 ) e s = (y - y0 ), o sistema linear escreve-se como:
Resolvendo este sistema usando um método numérico, visto no Capí

tulo 2, temos os valores de r e s. Desta forma, a nova aproximação (x1 1 yi ) é
determinada por:
x1 = x0 + r e y1 = y0 + s
Repetindo o procedimento de linearização em tomo do ponto obtido
(x1 1 y1), isto é, fazendo a expansão das funções f1 e f2 por série de Taylor até a
derivada de 1 ª ordem, obtemos uma nova aproximação (x2, y2). Assim, suces
sivamente, no ponto (xi, yJ, temos o seguinte processo iterativo:
J(xu yJ
(xi+l - xi ) = (-f1 (xi , Yi )) � Processo iterativo de Newton
f.
Yi+l - yi - 2 ( X u Yi )
Denotando li = xi+I -xi e si = y i+1-yi, resolvemos o sistema de equa

ções lineares obtido anteriormente e determinamos a nova aproximação
(xi+t Yi+I ) por:
/
Podemos generalizar os resultados obtidos para um sistema de equações não

lineares, isto é:
f1 (x, y, ... , z)= O
f2 (x, y, ... , z) = Ü
� (x,y, ... , z)= O

Processo iterativo de Newton:
éH1 af1 af1
ax ay az Xi+l - Xi f1 (xi, yi, ... , zi)
af2 af2 af2 f2 (Xj, Yi1 . . . , Zj)
ax ay az Yi + 1 - Yi =
a�
ax ay az ( Xi , Yi , ..., zi )
Ainda,
onde J(xi, yi, ... , zi) é a matriz jacobiana avaliada no ponto (xi, yi, ... , zJ
Denotando li = xi+I - xi si = yi+I -yi ... ti = zi+I -zi , temos o sistema
de equações lineares para ser resolvido, como segue:
=
Usando um método direto para resolver o sistema linear obtido, obtemos os

valores de li , si , ... , ti e a nova solução aproximada (xi+t Yi+t , zi+t ) dada por:
i i •••
Convergência
Condições para convergência do método de Newton:
a) As função � (x, y, ... , z) i = l, . . , n contínuas e as derivadas até or
dem contínuas e li�itadas nu.ma vizinhança da raiz (x, y, ... , z).
. 2"'
c) A solução inicial (x0 , y0 , , z0 ) deve ser próxima da raiz (x, y, ... , z).
b) Det U (xi,yi, ... , zi)] � O.
•••
Observação
A seqüência gerada pelo método de Newton (xu yi , ... , zJ, a partir de uma
ma, converge para (x, y, ... , z), e a convergência é quadrática.

solução inicial (x0 , y0 , , z0 ) suficientemente "próxima" da solução do siste
.••
Algoritmo 3.5
1. Considere o sistema de equações não lineares
f1 (x, y, ... , z) = O
f2 (x, y, ... , z) = O
� (x, y, ... , z) = O
inicial (x0 , y0 , , z0 ) para a solução do sistema F(x, y, .. . , z) = O e,

1.1Defina a matriz jacobiana J(x,y, ... , z), escolha uma aproximação
E > O, uma tolerância fixa.

•••
1.2 Faça Pare Falso, i = O.

=
2 Enquanto Pare = Falso, faça:

2.1 Resolva o sistema de equações lineares:
li - f1 (Xu Yi 1 ··· 1 zd
=
2.2 Determine a nova solução:
2 .3 Se j xi+Ij xi+1- xI i 1 < E e

I Yi+I - yi 1 < E
I Yi+1 I
ou 1 � (xi , Yu ... , zJ 1 < E, i = l, ... , n, então Pare Verdade
=
Senão i i + 1=
Observação
Para implementação deste algoritmo, não é necessário armazenar toda a se
qüência de soluções aproximadas. Basta armazenar dois vetores, x(O) e x( l l, e
caso o critério de parada não seja satisfeito, faça x( l ) x(ºl . =
Exemplo 3.17
Resolver o seguinte sistema de equações não lineares, usando o método de
Newton com E = 0.001.
{ x2 + y2 - l = O � f1 (x, y)
x2 - y = O � f2 (x, y)
Graficamente, podemos representar conforme a Figura 3.17:
f2(x,y)
Figura 3.1 7
Pela Figura 3.17 vemos que existem duas raízes que se encontram na
' intersecção dos gráficos de f1 (x,y) e f2 (x,y).
A matriz jacobiana é dada por:
[
l
2x 2y
J(x, y) =
2x -1
Tomando uma solução inicial (x0 , y0 ) = (0.5, 0.5), temos o processo ite
rativo de Newton como segue:
Fazendo r = (x1 - x0 ) e s = (y1 - y0 ), temos o seguinte sistema de equa
ções lineares nas variáveis r e s:
r
li
1 1
-1
] lr l rl ]
r
s
=
o.5
o.5
Usando o método de eliminação de Gauss, temos o sistema na forma

equivalente:
cuja solução é r 0.1250 e s = 0.3750.

=
Desta forma, temos a solução aproximada:
{ x1 = x0 + r = 0.8750
y1 = y0 + s = 0.6250
Critério de parada:
Analogamente calculamos a seqüência de soluções aproximadas:
l x2 -x1 I = 0.1066 > E

l x2 I
r
= 0.7907
�
y2 = 0.6180 I Y2 -Y1 I = 0.01 13 > E
I Y2 I
r = 0.7862
�
l x3 -x2 I
l x3 I
0.0057 > E
y3 = 0.6180 I Y3 -Y2 I = 0.0000 < E

I Y3 1
r = 0.7862
�
l x4 -x3 I
l x4 I
0.0000 < E
y4 = 0.6180 IY4 - y3 I = 0.0000 < E

I Y4 1
Portanto, temos a solução aproximada:
(x,y):: (x , y ) = (0.7862, 0.6180 ), uma vez que o critério de parada
4 4
foi verificado.
3.5.2 Determinação de raízes reais e complexas de um

polinômio
O método de Newton, visto neste capítulo, determina as raízes reais de um
polinômio, portanto, toma-se necessário um método numérico para determi
nar as raízes reais e também raízes complexas quando estas existem. Depois
da localização das raízes reais e complexas de um polinômio, vista neste ca
pítulo, apresentamos o método de Newton-Bairstow· para o cálculo de raízes
reais e complexas, como segue:
Método de Newton-Bairstow
Seja P(x) um polinômio de grau n � 2. Para calcular as raízes complexas de
P(x), caso existam, consideramos que estas ocorrem aos pares, isto é, se ( a+bi)
for uma raiz, então ( a-bi) também será uma raiz de P(x).
Desta forma, podemos escrever:
P(x) = [(x - (a + bJ)(x - ( a - bi ))Qn_2 (x) = (x2 - 2ax + a2 + b2 )Qn_2 (x) =
= (x2 - ax - p) + R(x)
Portanto, devemos determinar um divisor D(x) do 22 grau da forma

D(x) = x2 - ax - p, com a e p e9t, de modo que a divisão de P(x) por D(x)
seja exata, isto é, o resto dessa divisão R(x) = O. Observe que, uma raiz do
fator quadrático D(x), será também uma raiz de P(x).
Assim, temos:
P(x) = D(x)Q(x) + R(x)
onde
D(x) = x2 - ax - P
Portanto,
P(x) = D(x)Q(x) + R(x)
= bo Xn + b1 Xn-1 + ... + bn-3X3 + bn-2 X2 - Clbo Xn-1 - Clb1 Xn-2 - . . . - Clbn-3X2 - Clbn-2 X +
Desta forma, temos:
ªº = bo bo = ªº
ª1 = b1 - abo b1 = ª1 + a bo
ªn - 2 = bn -2 - abn -3 - Pbn -4 bn -2 = ªn -2 + a bn -3 + p bn -4
ªn - 1 = bn - 1 - abn -2 - Pbn -3 bn - 1 = ªn -1 + a bn - 2 + p bn -3
ªn = bn - abn -1 - Pbn -2 bn = an + a bn-1 + P bn -2
{
De modo geral, temos:
b· = a· + ah 1 + ..,Ah 2
1 1 1- 1- i = O, l, ... , n - 1
b_1 = b_2 = 0
Como R(x) = bn_1 (x - a ) + bn = 0, temos o seguinte sistema não linear, nas
{
variáveis a e p :
bn -1 = ªn -1 + a bn -2 + p bn - 3 = o
bn = an + a b n -1 + P bn -2 =0
Para resolver o sistema obtido, usamos o método de Newton para siste
r-�(<X; ,�; )J
mas não lineares, visto neste capítulo, isto é
éH1
(ª - ª i ) =
af1
ªª ap
a f2 af2 P - Pi
(aj ,J}j )
- f2 (ai , pi )
ªª ap
ou, ainda,
R. )
( a-•+1 - a- ) = ( - ff1 (a(a"· ..,. )
J( a- P· ) ,
" ' Pi+1 -Pi - 2 u PJ
onde J( au PJ é a matriz jacobiana avaliada no ponto (ai , PJ .
Denotando r = (ai+l - ad e s = ( Pi+l - Pd e, considerando que f1(a, P) = bn-l

e f2(a, p) bn, temos o seguinte sistema linear:
=
é) bn-1 é) bn-1 r -bn-1

ªª ap
=
é) bn é) bn
(llj ,pj )
s -bn
ªª ap
Para calcular as derivadas parciais de bn e b n 1 , usamos um processo _
recursivo proposto por Bairstow da seguinte forma:

a) Derivada dos bi i O l, ... , n com relação a a, sendo que os
= ,
ai i = O, l, ... , n são constantes:

é) bo
=0
ªª
é) b1
= bo
ªª
é) b2 é) b1
= b1 + a
ªª ªª
a b3 a b2 ab1
= b2 + a +P
ªª ªª ªª
é) b n-2 p --
é) bn-3
bn-2 + a -- +
é)a é)a
é) b
i+l i = O, l, , n
Denotando-se ci = � ... - 1 , temos:
Co = bo
c1 = b1 + a c0
C2 = b2 + a c1 + P co
Cn-2 = bn-2 + a cn-3 + Pcn-4

Cn-1 = bn-1 + a cn-2 +Pcn-3
{
Em geral, temos:
ci = bi + a ci-1 + Pci-2 i = O, l, ... , n - 1

c_l = C-2 = 0
Desta forma, temos que:
b) Derivada dos bi com relação a p :
ê) bo
=0
ap
ab1
=O
ap
d b2
- bº
ap
d b3 a b2
= bi + a
ap ap
ê) bi+2
Denotando-se di = i = O, l, , n - 2
...
d0 = b0
d1 = b1 +ad0
d2 = b2 + ad1 + Pdo
{
De um modo geral, temos:
d·1 = b1 + a d1-1 + A..,,d 2 i = O, l, ... , n - 2
d_l = d-2 = 0
- .
1-
Entao, dn-3 = �
- abn-1 ab
e d n _2 = n .
aj3
Realizando uma comparação com os resultados obtidos em a) e b),
vemos que
ci = di i = O, 1, .. , n - 2 .
a bo
Assrm, c 0 _3 = �
. a b n-1
e c o -2 = a�
Desta forma, o sistema de equações lineares obtido anteriormente:

a bn - 1 a bn -1 r -bn- 1
ªª a13
=
a bn a bn
ªª a13 s -bn
IX; ,l:\i )
onde r = (ai+t - aJ e s = (l3i+t - j3J, toma-se:
Obtidos os valores para r e s, na resolução do sistema de equações lineares,

temos que:
ªi+1 = ai + r e 13i+t = 13i + s
Algoritmo 3.6
1. Considere o polinômio P(x) de grau n � 2, defina uma solução inicial
(a 0 , � 0 ) e E > O, uma tolerância fixa. Faça Pare = Falso, k = O.
2. Enquanto Pare = Falso, para j = O, l, ... , n, faça:
{b
2.1 Para i = O, 1, ... , n, faça
1= a1. + \.A.) b1-1 + !-')
"' · A . b·
2 1-
b_1 = b_2 = o
{C·1 C· C·
2.2 Para i = O, ... , n-1, faça
= b1 + <X·J 1 -1 +A .
1-'J 1- 2
c_l = c_2 = o
3. Resolver o sistema de equações lineares:
3.2 Calcular ª i + l = a i + r e � i + l = �i + s
e
�j+ l - �j < E
---
�j
ou
l bn-1 l < E e l bn l < E, então faça:
a = ai+l e � = � j+l e determine as m raízes de
D(x) = x 2 - ax - � = O e vá para 4.
Senão j = j + 1 e volte em 3.
4. Para i = O, ... , n-m, faça:
Senão faça a i b i e k = k + 1 e volte para 1 .

Se m = n então Pare = Verdade
=
Exemplo 3.18
Usando o método de Newton-Bairstow, determinar as raízes da equação
P(x) = x4 - 3x3 + 2.25x2 - 0.75x + 0.5 = 0 com a precisão E = 0.01.

polinomial
Usando o algoritmo dado, temos os seguintes resultados:

j=O
Tomando a.0 = O e �o = O , temos os seguintes resultados:
b0 = a0 = 1
b1 = a1 + ab0 = -3 + 1(0) = -3
b2 = a2 + ab1 + �b0 = 2.25 + 0( -3) + 0(1) = 2.25
b3 = a3 + ab2 + �b1 = --0.75 + 0(2.25) + 0(-3) = --0.75
b4 = a4 + ab3 + �b2 = 0.5 + 0(--0.75) + 0(2.25) = 0.5
c0 = b0 = 1
c1 = b1 + ac0 = -3 + 0(1) = -3
c2 = b2 + ac1 + �c0 = 2.25 + 0( -3) + 0(1) = 2.25
c3 = b3 + ac2 + �c1 = --0.75 + 0(2.25) + 0( -3) = --0.75
( )() ( )
Desta forma, temos o sistema de equações lineares:
2.25 -3 r 0.75
-0.75 2.25 s -0.5
Resolvendo o sistema obtido, usando o método de Gauss com pivota
{r
mento na diagonal, temos:
= 0.0667
s = -0.2000
{
Assim,
a1 = a0 + r = 0+ 0.0667 = 0.0667
P1 = Po + s = 0 - 0.2000 = - 0.2000
j=1
bo = ao = 1
b1 = a1 + ab0 = - 3 + 0.0667(1) = -2.9333
b2 = a2 + ab1 + Pbo = 2.25 + 0.0667( -2.9333) - 0.2000(1) = 1.8543
b3 = a3 + ab2 + Pb1 = - 0.75 + 0.0667(1.8543) - 0.2000( -2.9333) = -0.0397
b4 = a4 + ab3 + Pb2 = 0.5 + 0.0667(-0.0397) - 0.2000(1.8543) = 0.1265
c0 = b0 = 1
C1 = b1 + <XCo = -2.9333 + 0.0667(1) = -2.8666
c2 = b2 + ac1 + Pc0 = 1.8543 + 0.0667( -2.8666) - 0.2000(1) = 1.4631
c3 = b3 + ac2 + Pc1 = -0.0397 + 0.0667(1.4631) - 0.2000( -2.8666) = 0.6312
( ) (r) ( )
Temos o seguinte sistema de equações lineares:
1 .463 1 - 2 . 8666 0.0397

=
0.63 1 2 1 .463 1 s - 0. 1 265
{
Usando o método de Gauss com pivotamento na diagonal, temos:
r = -0.0771
S = - 0.0532
{ a2 = a1 +r = 0.0667 - 0.0771 = - 0.0104
P2 = P1 + s = --0 .2000-0.0532 = -0 .2532
j=2
b0 = a0 = 1
b1 = a1 + ab0 = - 3 + --0.0104(1) = -3.0104
b2 = a2 + ab1 + pb0 = 2.25 -0.0104(-3.0104)-0.2532(1) = 2.0281
b3 = a3 + ab2 + pb1 = - 0.75 - 0.0104(2.0281) - 0.2532(-3.0104) = --0.0089
b4 = a4 + ab3 +pb2 = 0.5 - 0.0104(--0.0089) - 0.2532(2.0281) = --0.0134
c0 = b0 = l
C1 = b1 + aco = - 3.0104 - 0.0104(1) = -3.0208
c2 = b2 + ac1 +�0 = 2.0281 - 0.0104(-3.0208) - 0.2532(1) = 1.8063
c3 = b3 + ac2 + Pc1 = - 0.0089 - 0.0104(1.8063) - 0.2532( -3.0208) = 0.7372
( 1.8063- 3.0208 ) (r) = ( 0.0089 )

0.7372 1.8063 s 0.0134
{
Usando o método de Gauss com pivotamento na diagonal, temos:
r = 0.0103
s = 0.0032
{ U3 = <X2 +r = -0.0104+0.0103 = - 0.0001
P3 = P2 + s = - 0.2532+0.0032 = - 0.2500
l b3 I = o.oo89 < E e l b4 I = o.Ol34 > E
j=3
b0 = a0 = 1
b1 = a1 + ab0 = - 3 + -0.0001(1) = -3.0001
b2 = a2 + ab1 + Pbo = 2.25-0.0001( -3.0001) - 0.2500(1) = 2.0003
b3 = a3 + ab2 + Pb1 = - 0.75 - 0.0001(2.0003) - 0.2500( -3.0001) = -0.0002
b4 = a4 + ab3 +Pb2 = 0.5 - 0.0001(-0.0002) -0.2500(2.0003) = -0.0001
l b3 I = o.ooo2 < E e l b4 I = o.oool < E
Como o critério de parada está satisfeito, podemos construir os polinô
mios D(x) e Q(x) da seguinte forma:
D(x) = x2 - ax - p = O
D(x) = x2 +0.000lx +0. 2500 = O, cujas raízes são complexas dadas por:
X1 = 0.00005 + 0.5 i e X2 = 0.00005 - 0.5 i
Q(x) = b0x2 + b1 x + b2 = O
Q(x) = x2 - 3.0001x + 2.0003 = 0, cujas raízes são reais dadas por:
X3 = 1.9999 e X4 = 1.0002
Portanto, o polinômio possui duas raízes reais e duas raízes complexas:

X1 = 0.00005 + 0 . 5 i e X2 = 0.00005 - 0.5 i X3 = 1.9999 e X4 = 1.0002.
3.6 Trabalhando com o software numérico

No Software Numérico, o usuário deve selecionar o módulo Raízes de Fun
ções e fornecer a função f(x). Além disso, deve fornecer um intervalo inicial
para uma investigação no qual encontra-se a raiz e uma precisão E desejada
conforme exibimos resultados no seguinte exemplo:
Exemplo 3.19
Considere o seguinte problema: uma peça deve ser construída com o formato
de um arco de circunferência e seu comprimento externo é de 8 metros. Essa
peça será fixada em base de comprimento igual a 6 metros, conforme mostra
a Figura 3.18.
Formule o modelo matemático correspondente para o problema e, usando

métodos numéricos conhecidos, determine a altura máxima da peça.
Modelo matemático
Como a peça tem o formato do arco de uma circunferência, podemos repre
sentá-la graficamente conforme a Figura 3.18 a) e b):
y
peça
LI:\
+----- 6 m -----+
X
a) b)
Figura 3. 1 8
Observando a Figura 3.18, temos:

h � altura da peça a ser determinada
0 � ângulo formado no triângulo retângulo
r � raio de circunferência
r=h+x
Podemos escrever as relações trigonométricas no triângulo retângulo
da Figura 3.18, como segue:
sen(0) = 3 / r � r sen(0) = 3 i)
cos(0) = x / r � x = cos(0) - r ii)

{ 2n � 21t r � 0(21t r) = (21t)(4) � r = 4 / 0 iii) .
0�4
Desta forma, substituindo iii) em i), temos a seguinte equação na va
riável 0:
4 sen(0) - 30 = O
Resolvendo a equação obtida, usando o software numérico e selecio

nando o método de Newton, a partir de uma solução inicial x0 1 .2 e uma
=
precisão E 0.0001, temos a seqüência de soluções aproximadas, conforme

=
a Figura 3.19 a) e b):
a) b)
e)
Figura 3.1 9
Observando a Figura 3.19 c), temos a raiz X: 1 .2757 com a precisão dese
=
jada. Portanto, temos o ângulo dado por 0 = 03 1 .2757.

=
Assim, substituindo 0 = 0 3 1.2757 em iii) e ii), temos:

=
r = 4/1.2757 = 3.1355
x = r cos(l.2757) = 0.9119
Portanto, h = r-x = 2.2236 será a altura máxima da peça.
Exercícios
1. Usando o software numérico, determine graficamente uma vizinhança
para as raízes das seguintes funções:
a) f(x) = x - ex
b) f(x) = sen(x) + x2 + 1
c) f(x) = sen(x) - x + 2
d) f(x) 2x - tg(x)
=
2. Usando todos os métodos vistos, resolva a equação cos(x) + x = O, com o

auxílio do software numérico.
3. Usando o método da bisseção, determine uma raiz das funções a seguir
com a precisão E = 0.0001:
a) f(x) = x3 - sen(x)
b) f(x) = 3x - cos(x) + 1
c) f(x) ln(x) - sen(x)
=
4. Usando o método de Newton, resolva as equações a seguir:

a) f(x) x sen(x) O
= ·- =
b) f(x) = sen(x) - x - 1 = O
c) f(x) = 2x - e-x = O
5. As raízes de f(x) = ln(x) - x + 2 podem ser determinadas usando o pro
cesso iterativo na forma xi+l = <!>(xd i = l, 2, ...
Considere os processos iterativos:
a) X ; +i = <l>(x ; ) 2 + ln( x ; )
=
b) X ;+1 = <l>(x ; ) = e x,- 2

Usando o critério de convergência do método das aproximações
sucessivas, analise os processos iterativos dados e verifique qual
deles possui garantia de convergência para as raízes da equação e a
partir de uma solução inicial dada determine essas raízes de f(x).
6. Usando a regra de sinais de descartes, o teorema de Budan e a regra de
Sturm, localize as raízes reais das seguintes equações polinomiais:
a) P(x) = x3 + 8x2 - 4x - 2 = O
b) P (x) x4 - 4x3 - 9x2 + 19x + 20 = O
=
c) P(x) = x4 - 4x3 + 3x2 - 4x + 4 O =

7. Usando o método de Newton + Briot-Ruffini, determine uma raiz real

dos polinômios do Exercício 6, com E = 0.001.
8. Seja a equação P(x) = x4 - 2x2 - 3 = O.
a) Verifique, usando as regras de localização de raízes, se a equação
dada possui uma raiz real. Em caso afirmativo, determine-a usando o
método de Newton, com E = 0.001.
b) Verifique, usando as regras de localização de raízes, quantas raízes
reais e complexas possui a equação dada.
9. Seja a equação P(x) = x3 - 3x2 + 4 = O.
a) Verifique se a equação possui uma raiz de multiplicidade em x = 2.
b) Determine-a usando o método de Newton, com E = 0 . 001.
10. Usando o método de Newton-Bairstow, determine as raízes complexas
do polinômio
P(x) = x3 - 4x2 + Sx - 2 = O, partindo da divisão de P(x) por (x2 - x).
11. Calcular as raízes da equação polinomial P(x) = x4 - 2x3+4x2 - 4x + 4 = O
usando o método de Newton-Bairstow, com a0 = 1 e �o = -1.
j
12. Usando o método d e Newton, resolva os seguintes sistemas de equações
não lineares: com E = 0.01.
a)
{x2 + y2 = 1
b)
{ 2x3 - y = l
x 2 + y2 + z 2 = 2
c) x2 + y2 =1
3x2 + y2 = 1 x2 - y = 1
3x2 =1
13. Seja a equação polinomial P(x) = x3 + x + 1 = O. Determine uma raiz real
dessa equação usando duas iterações pelo método da bisseção e o mé
todo de Newton + Briot-Ruffini com E = 0.001.
14. Usando o método de Newton Bairstow, determine as raízes complexas
do polinô!Uio
a) P(x) = x4 + 3x2 + 1
b) P(x) = x4 + 2x2 + x + 1
15. Determinar todas as raízes da equação polinomial P(x) = x3 - x - 1 = O
usando o método de Newton + Briot-Ruffini com E = 0.0001.
Capítulo 4
Aproximação de Funções
Interpolação e Método dos Mínimos Quadrados
4.1 Introdução
Neste capítulo apresentamos a aproximação de uma função de uma variável
real por outras funções mais simples, de modo que operações em geral sejam
realizadas com mais facilidade. Esta aproximação possui várias aplicações
na resolução de problemas complexos, como integração de funções, equa
ções diferenciais, sistemas não lineares etc.
Esta situação pode ocorrer quaílkto trabalhamos com uma função f(x) e
esta apresenta um grau de dificuldade, por exemplo, para avaliar em pontos,
derivar ou ainda integrar, ou mesmo quando conhecemos esta função em
um número finito de pontos de um intervalo [a, b], sem o conhecimento de
sua forma analítica, geralmente obtida em experimentos.
Algumas funções são usadas neste tipo de aproximação, como poli
nômios, funções exponenciais, trigonométricas etc. Faremos a aproximação
de uma função f(x) inicialmente usando interpolação polinomial, seguido da
aproximação pelo método dos mínimos quadrados.
4.2 Interpolação polinomial

Considere uma função f(x) definida em x0, xv ... , Xn, (n + 1) pontos distintos
de um intervalo [a, b ], e denotamos Yi f(xi) i O l, ... , n conforme a repre
= = ,
sentação na Figura 4.1 .
127
y f(x)
Yn -----------------------------------
Yt - - - - - - - - - �-=-=-=---- -----
Yo
XQ = a Xn = b X
Figura 4.1
Interpolar esta função f(x) definida em x0, xv ... , Xn (n + 1) pontos dis

tintos de um intervalo [a, b] consiste em aproximar esta função por um po
linômio P(x) de grau menor ou igual a n, tal que este coincida com a função
nestes pontos, isto é, P(xi) = f(xi) = Yi i = O, 1, ... , n.
Apresentamos, a seguir, o teorema que garante a existência e a unicidade
do polinômio que desejamos determinar.
Teorema 4.1
Seja f(x) definida em XQ, xv ..., Xn (n + 1) pontos distintos de um intervalo [a, b],
Existência e Unicidade
então existe um único polinômio P(x) de grau menor ou igual a n tal que
P(xi) = f(xi) = Yi i = 1, ... , n.
Prova:
Considere o polinômio de grau n, P(x) = an xn + an_1 xn-l + ... + a1x + a0 tal que
P(xi) = f(xi) = Yi i = O, 1, . .. , n.
Desta forma, temos:
Aproximação de Funções 129
onde x = (a0 , a0_1 , , ao ), b = (y0 , y1 , , y0 ) e a matriz A é dada por:

Podemos observar que temos um sistema de equações lineares Ax = b,
••• •••
xô Xon-1 Xo 1
x
A= r X1n-1 X1 1
xºn Xnn 1 ... Xn 1

-
O det(A), chamado de determinante de Vandermonde, é dado por:
det(A) = TI (xi -xi ),

i<j
Como os pontos xi i = O, 1, ... , n são distintos, segue que det(A) * O, o

que significa que o sistema linear possui uma única solução e, portanto, os
coeficientes a0, a 1, ... , a0 do polinômio são únicos calculados pela resolução
deste sistema. Em resumo, o polinômio P(x) existe e é único.
Definição 4.1
x1 1 , x0 (n + 1) pontos distintos de um intervalo [a, b], ao polinômio P(x) de grau

Denominamos polinômio interpolador de uma função f(x) definida em XQ,
•••
menor ou igual a n, que coincide com a função nos pontos xi i = 1, ... , n, isto é,
P(xi) = f(xi) = Yi i = l, ... , n.
Representamos graficamente, conforme Figura 4.2:
f(x) f(x)
f(xn)
P(x)
f(Xo)
Xo = a X1 X0 = b X
Figura 4.2
Embora o polinômio interpolador P(x) coincida com a função nos pontos

de interpolação XQ, x1 1 , x0, espera-se que P(x ) = f(x) para x * xi i = O, ... , n, ou
•••
seja, estimamos f(x) pelo polinômio interpolador e cometemos um erro nesta

aproximação, dado por:
E( x) f (x) - P(x) =
Podemos representar graficamente, conforme Figura 4.3.
f(x)
---------------------------------------------------------
f(xn)
{ p(x) -
-
-- -- - - �-- - - - - - - - - - - - - - - - - - - -
f(x 1 ) - - - - - - - - - - - - - - - -
-- ---
E(X) f(x) --
- ----
----- --�------------------------------
'
1
1
1
1
1
:xo = a
Xn = b X
Figura 4.3
Apresentamos, a seguir, uma expressão geral para o erro cometido

quando aproximamos uma função f(x) por um pelinômio interpolador P(x).
Teorema 4.2
Seja f(x) uma função definida em XQ, xv ... , Xn (n + 1) pontos distintos de um
intervalo [a, b] e (n + 1) vezes diferenciável. Se P(x) interpola f(x) nestes pon
tos, então o erro cometido E(x) é dado por:
E(x) f(x) - P(x) 'Jl ( X ) f< n+l l (Ç)
= =
(n + 1) !
Onde
n
'Jl ( X ) Il (x - x; ) e Ç e [x0 , xn 1
=
i=O
Prova:
Considere x E [x0 , Xn ].
i) Se x xi i O, l, . , n, então 'Jl(Xi) O e, portanto, temos f(xi) P(xi)
= = . . = =
e a expressão dada para o erro é válida.

ii) Se x '* Xj, i = O, 1, . .. , n, construímos uma função auxiliar:

<l>(s) = f(s) - P(s) - g(x)'l'(s), s E [x0 ,xn 1 com g( X ) = f(x) - P(x)
'l'(x)
Caso s = xi então:
<l>(x; ) = f(xJ - P(xJ - g(x)'l'(xJ = O
Caso s = x * xi, então:
<l>(x) = f(x) -P(x)-g(x)'l'(x) = f(x) - P(x) f(x)-P(x) 'l'(x) = O
'!'( X )
Assim, <!>(s) anula-se em pelo menos (n + 2) pontos de [Xo, xn], isto é,
nos pontos x, XQ, xv . .. , Xn ·
Desta forma, pelo teorema de Rolle do cálculo diferencial e integral,
temos que:
<1>'(s) possui pelo menos (n + 1) raízes em [x0 , xn ];
<1>" ( s) possui pelo menos n raízes em [x0 , Xn ];
<l>( n+l l (s) possui pelo menos 1 raiz em [x0 , xn 1 ·

Seja Ç uma raiz de <1>< n+1 > (s), istoé, <1>(n+1 > (1;) = 0. Derivando <j>(s) (n + 1)
vezes, temos:
<l>( n+l l (s) = f( n+tl (s)-0 - g(x )(n+l)!
e
<l>( n+l l (Ç) = f( n+l l (Ç)-g(x)(n+ l)! = O
Portanto,
( n+l )
g(x) = f (Ç)
(n+ l)!
e conforme a definição da função g(x), segue que
f (x) - P(x) f( n+l l(Ç)
=
ou, ainda, '!'( X ) (n+l)!
f(x)-P(x) = 'l'(x) -� f( n+l ) (Ç)
(n+ l)!
Portanto, o erro cometido é dado pela expressão proposta:
E(x) = f(x) - P(x) = '!'( X ) f< n+Il (Ç)
(n + 1)!
Limitante superior para o erro

Na expressão do erro do Teorema 4.2, o parâmetro Ç não é conhecido no inter
valo [Xo, xnl e, portanto, não é possível calcular o valor numérico de f ( n+I ) (Ç).
Desta forma, apresentamos uma estimativa para o erro como segue:
Temos:
E(x) = f(x) - P(x) = '!'(X) f< n+l l (Ç)

(n + l) !
Podemos escrever:
1 1 l 'lf(X) 1 M
1 E(x) 1 = (n'!'+(X)l) ! f( n+l l (Ç) = l(n'lf+(X)l) !l 1 f( n+l l (Ç) 1 � (n
+ l) !
com M máx { l f( n+t > (x) I , x E [x0 , x0 J }

=
Assim, temos um limitante superior para o erro:
1 E(x) I � l 'l'(x)l)I! M
(n +
Observação
Podemos calcular uma estimativa para o erro somente quando tivermos a
expressão analítica da função f(x), pois, de acordo com a fórmula do limitante
superior para o erro, devemos dispor da (n + 1)-ésima derivada dessa função.
Nos casos em que tivermos apenas a função tabelada em um número
finito de pontos, sabemos que estamos cometendo um erro no ponto a ser
avaliado, mas não é possível estimá-lo.
A seguir, embora a resolução do sistema linear obtido na prova do Teo
rema 4.1 forneça uma maneira para determinar o polinómio interpolador de
uma função, apresentamos, também neste capítulo, outras fórmulas interpo
latórias para determinar o mesmo polinómio interpolador, uma vez que este
é único, porém com uma maior facilidade nos cálculos: Lagrange, Newton e
Newton-Gregory .
4.3 Fórmula i nterpolatória de Lagrange

Seja f(x) definida em x0, x 1 1 , Xn (n + 1) pontos distintos de um intervalo
[a, b] e Yi = f(xi) i = O, . . . , n.
•••
Considere o polinómio na forma:

n
P(x) = y0 R 0 (x) + y1 f 1 (x) + ... + yi f i (x) + ... + y0R n (x) = L Yk f k (x)
l< dl
Mostremos que P(x) é um polinôrnio interpolador, isto é, P(xJ = Yi i = O, ..., n.

Desta forma, temos:
P(xJ = y0 i0(x)+y1i1 (x)+ ... +yi i i (xJ+ ... +yn l n (x) = yi i = O , ... , n
{
Para que P(xi) Yi i O, ... , n, é suficiente que:
= =
i k (xJ = O para i :;t: k

idxJ = l para i. = k
Para que o polinôrnio P(x) satisfaça esta propriedade, podemos considerar:
x
idx ) = (x - Xo ) (x -x1 ) ... (x-xk_1 ) (x -xk+d ... ( -xn )
(xk -x0 )(xk -x1 ) ... (xk -xk_1 ) (xk -xk+i ) ... (X1c -xn )
Ou, ainda,
Assim, temos a fórmula de Lagrange para o polinômio interpolador:

n
P(x ) = L Yk idx )
k=O
Exemplo 4.1
Considere a função f(x) definida nos pontos, conforme tabela:
o 0.5 1.0
1 .3 2.5 0.9
Determine o polinômio interpolador, usando a fórmula de Lagrange, e

estime f(0. 8) . Neste caso, temos P(x ) = y0 i 0(x)+y1 i 1 (x )+y2 i 2 (x ) de grau � 2.
Construção dos ik(x) :
2
i o (x ) = (x-x1 ) (x -x2 ) = (x-O.S)(x - 1) = x - 1.5x +0.5
(x0 -x1 ) (x0 -x2 ) (0-0.5)(0 -1) 0.5
2
l i (x) = (x-x0 )(x -x2 ) = (x -O ) (x -1) = x -x
(x1 -x0 )(x1 -x2 ) (0.5 -0 )(0.5 -1) --0.25
2
i z (x ) = ( (x-x0 )(x -x1 ) = (x-O)(x -0.5) = x -0. Sx
Xz - Xo ) (Xz - X1 ) (1 -0)(1 -0.5) 0.5
Assim,
[ 2
0.5
] [ ]2
--0 .25
[ 2
P(x) = (1.3) x - 1.5x+0.5 + (2.5) x -x +(0.9) x -0.5x =
0.5
]
= -5.6x2 + 5.2x +1.3
Portanto, temos:
P(x) = - 5.6x2 + 5.2x+ 1.3 e f(0.8) = P(0.8) = 1.8760
Neste caso, temos um erro cometido na aproximação da função e, conse
qüentemente, no valor de f(0.8), mas não podemos estimá-lo, pois não temos
a forma analítica da função f(x).
Exemplo 4.2
Considere a função f(x) = < 3 + x) definida nos pontos conforme, tabela:
(l + x)
0.1 0.2 0.4

2.82 2.67 2.43
Determine o polinómio interpolador de f(x), usando a fórmula de La-

grange, avalie f(0.25) e um limitante superior para o erro.
Neste caso, temos P(x) = y0 t' 0 (x)+ y1 t' 1 (x)+ y2 t' 2 (x) de grau 2.
Construção dos t'k(x):
2
t' o (x) = (x -x1 )(x -x2 ) = (x -0. 2)(x -0 .4) = x -0.6x +0.08
(x0 - x1 )(x0 -x2 ) (0.1 -0.2)(0.1-0.4) 0.03
2
t' i (x) = (x -x0 )(x -x2 ) = (x -0.l )(x - 0.4) = x - 0.5x +0.04
(x1 -x0 )(x1 -x2 ) (0.2 -0. 1)(0.2 -0 .4) --0.02
2
t' 2 ( X ) = ( X -Xo )(X -X1 ) - (x - O.l)(x -0 .2) = x - 0.3x+0.02
( X2 -Xo )( X2 -x. ) (0.4 -0.1)(0.4 -0.2) 0.06
Assim,
[ 2
] [
2
]
P(x) = (2.82) x -0. 6x +0. 08 + (2.67) x -0. 5x +0.04 +
0.03 --0.02
[ 2
]
+(2.43) x - 0.3x +0.02 = x2 - l.8x + 2.99
0.06
Portanto, temos:
P(x) = x2 -1 .8 x+2.99 e f(0.25) = P(0.25) = 2.6025
A partir da fórmula do limitante superior para o erro:
para n = 2 temos:
Como f< 3 > (x) = -1 2 é uma função decrescente em módulo no intervalo

4
(l + x)
[0.1, 0.4], temos que:
if<3> (x) I assume o valor máximo em x = 0.1, ou seja :
máx l f< 3 > (x) l = 8.1962
Assim, temos um limitante para o erro no ponto interpolado x = 0.25, como
segue:
1 E(0.25) 1 $ 1 (0.25 - 0.1)(0.25:0.2)(0.25 - 0.4} 1 (8.1962) = 0.0015

4.3. 1 Fórmula interpolatória de Lagrange para pontos
eqüidistantes
Considere uma função f(x}, definida em XcJ, xlt ... , Xn (n + 1) pontos distintos de
um intervalo [a,b], tais que xi+l - xi h i = O, ... , n - 1 (pontos eqüidistantes).
=
Neste caso, é possível fazer uma mudança de variável conveniente e

obter o polinômio interpolador usando a fórmula de Lagrange de maneira
mais simples, isto é, com algumas simplificações nos cálculos.
Consideramos a seguinte mudança de variável:
(x - x0 ) •
u= ou amda x = x0 + uh
h
Desta forma, temos a seguinte correspondência dos valores da variável
x com a nova variável u, conforme Figura 4.4.
h h h
,----J'-.., ,----J'-..,
Xo X1 X2 Xn-1 Xn X
l h=l l l l l
o 1 2 n-1 n u
Figura 4.4
Podemos observar na Figura 4.4 a correspondência dos pontos tabelados

na variável x, com os novos pontos na variável u. Os pontos x0, xv . . . , Xn,
com espaçamento h, possuem uma correspondência única com os pontos
O, l, ... , n, com h 1, o que toma os cálculos bem mais simples.
=
Nesta mudança de variável temos as seguintes propriedades:

a) (x - Xr) (u - r) h
b) (xr - Xs) (r - s) h
=
Prova:
Sabemos que x = x0 + uh e que Xr = Xo + rh, desta forma, temos:
b) (xr - X5) Xo + rh - Xo - sh (r - s)h

a) (x - xr) x0 + uh - Xo - rh (u - r)h
= =
= =
Aplicando as propriedades a) e b) na expressão fk(x), dada por:

( x - x0 ) ( x - x1 ) ... ( x - xk_1 )( x -xk+i ) ... ( x - xn ) ��
f k ( X ) = ��
(xk -xo )(xk - x1 ) ... ( xk -xk-1 ) ( xk -xk+1 ) ... ( xk - xn )
temos na variável u a seguinte expressão para fk(u):
(u - O)h (u - l) h ... (u - (k - l)) h (u - (k + l))h ... ( u - n)h ��

f k (u ) = ��
(k - O)h (k - l)h ... (k - (k - l) h ( k - (k + l))h ... (k - n)h
(u - O) (u - 1) ... (u - (k - l))(u - (k + l)) ... (u - n)
= ��
(k - O) (k - 1) ... ( k - (k - l))(k - (k + l)) ... (k - n)
portanto,
Assim, podemos escrever o polinómio interpolador, fórmula de Lagrange,

para pontos eqüidistantes na variável u da seguinte forma:
P(u) = L Y k i \ (u)
n
k=O
Note que .é'k(u) não depende dos pontos de interpolação originais e,
portanto, são os mesmos para qualquer cálculo de polinómios interpola
dores de grau � n.
Limitante superior para o erro para pontos eqüidistantes
Para pontos eqüidistantes, um limitante superior para o erro é dado, basea
do no seguinte resultado:
Teorema 4.3
Seja f(x) uma função definida e (n + 1) vezes diferenciável num intervalo [a, b]. Se
jam XcJ, xv ... , Xn, (n + 1) pontos distintos e eqüidistantes deste intervalo. Se P(x)
interpola f(x) nestes pontos, então o limitante superior para o erro é dado por:
hn+l
I E(x) I = l f(x) - P(x) I � M
onde, 4(n + 1)
M máx l f( n+t l (x) I x e [x0 , xn 1
=
Prova: Young, D. M.; Gregory, R. T.

Exemplo 4.3
Considere a função f(x) = cos(x), tabelada nos pontos como segue:
Xj 0.2 0.4 0.6

f(xi) 0.9801 0.9211 0.8253
Determine o polinómio interpolador usando a fórmula de Lagrange,

estime f(0.3) e um limitante superior para o erro.
Neste caso, consideramos um polinómio de grau � 2.
P(u) = y0 .é' 0 (u) + y1.é'1 (u) + y2 .é' 2 (u)
.e (u - l)(u - 2) u2 - 3u + 2
o (u) = =
(0 - 1)(0 - 2) 2
(u -O)( u - 2) u2 - 2u
.é'i (u) = =
(1 - 0)(1 - 2) -1
.e (u - O)(u - 1) u2 - u
2 (u) =
(2 - 0)(2 - 1) 2
P(u) = (0.9801> [u2 - �u + 2] + (0.921 1> [u2�12u] + (0.8253> [u2; u] =

= - 0.0184 u2 - 0.0406 u + 0.9801
Portanto, temos o polinômio interpolador:
P(u) = --0 .0184 u2 - 0.0406 u + 0.9801
Para avaliar f(0.3), temos de fazer a mudança de variável, isto é, deter

minar o correspondente valor de u para x = 0.3:
( X - Xo ) _ (0.3 - 0.2)
U = = 0.5
h 0.2
Assim, f(0.3) = P(0.5) = 0.9552

Limitante superior para o erro:
hn + l
I E(x) I � 4(n + l) M = - M
h3
12
/
onde
M = máx l f< 3 > (x) I = sen(0.6) = 0.5646
Assim,
·2
I E(0.3) 1 � º12
3 (0.5646) = 0.0004
4.4 Interpolação linear

Apresentamos, a seguir, um caso particular de interpolação, denominada
·
interpolação linear.
Considere uma f(x) definida em dois pontos Xo e x11 conforme Figura 4.5.
f(x)
f(x)
Xo X
Figura 4.5
O polinómio interpolador, neste caso, de grau � 1 (uma reta), é dado por:

/
onde
No caso da interpolação linear, podemos escrever um limitante superior para

o erro da seguinte forma:
I E(x) I � i 'l'��)I M
M = máx
onde
{I f(2 l (x) � x E [x0 , xi ] }
e 'lf ( X ) = (x - x0 ) (x - x1 )
Podemos notar que a função 'lf (x) é uma parábola passando pelos pon
tos Xo e x1 e assume o máximo valor no ponto médio p (x0 + x1} /2. =
X (Xo X1 ) - (Xo X1 X0) (Xo X1 X1) -

Desta forma, temos o valor da função 'lf(x) no ponto x:
+ + + h2
'lf ( ) _- 'lf - -
2 2 2 4
Assim, temos um limitante superior para o erro:
1 E(x) 1 � J
- h2 z
J M= h M
onde 8 8
M = máx { J f( 2 > (x) J x e [x0 , xd }
Exemplo 4.4
1
Considere uma função f(x) = -- tabelada nos pontos conforme segue:
(l + x)
1 2
1 /2 1 /3
Determine o polinómio interpolador usando a fórmula de Lagrange;

avalie f(l .5) e um limitante superior para o erro.
Temos:
P(x) = Yot'o (x)+ y 1t'1 (x)
.e (x - 2) .e (x - 1)
o (x) = 1 (x) =
(1 - 2) (2 - 1)
(x - 2) (x - l)
P(x) = l / 2 +1/3 = (-l / 6) x + 2 / 3
(-1) 1
f(l.5) ::: P(l.5) = 0.4167
h2
onde
I l SM
E(x) �
M = máx {J f( 2 > (x) J x e [x0 , xd }

Como a função f<2l (x) é decrescente em módulo, esta assume o valor
máximo em x = 1.
l I
Logo,
2
M = máx J f( 2 > (x) J = máx = 1/4
(l + x)3
Assim:
h2
I E(x) I � M = _!:_ (l / 4) = 0.0313
8 8
Relação entre o erro cometido e a distância dos pontos

Exemplo 4.5
Qual deve ser a amplitude do intervalo a ser considerado no tabelamento da
1
função f(x) = -- no intervalo [0,2], de modo que a interpolação linear
(l + x)
apresente um erro menor ou igual 0.0001?
Sabemos que,
h2
onde
I E (x) l � S M
M = máx 1 f< 2 l (x) 1 x e [x0 , xi ]
h2
Assim, basta impor que M � 0.0001
8
2
Como a função f< 2 l (x) = é decrescente em módulo no intervalo
(1 + x)3
l 1
[0,2], o máximo valor que esta função assume no ponto x = O é dado por:
2
M = máx =2
(1 + x)3
Então temos:
h2
- (2) � 0.0001 � h � 0.02
8
Portanto, a amplitude do intervalo a ser tomado é de h � 0.02.
4.5 Fórmula interpolatória de Newton

Apresentamos, a seguir, a fórmula interpolatória de Newton, a qual é cons
truída a partir do conhecimento das diferenças divididas como segue:
Diferenças divididas
Seja f(x) uma função contínua, (n + 1) vezes diferenciável e definida em
:xo, x1, ... , Xn (n + 1) pontos distintos de um intervalo [ a, b] .
Definição 4.2
Diferença dividida de ordem zero
Definimos diferença dividida de ordem zero de uma função f(x) definida nos
pontos xi i = O, 1, ... , n por:
f [xd = f(xi) i=O,l, ... , n
As diferenças divididas de ordens superiores são definidas recursiva

mente, como segue:
Definição 4.3
Diferença dividida de ordem n
Definimos diferença dividida de ordem n de uma função f(x) definida nos
pontos xi i = O, l, , n por:
...
Podemos tabelar de forma conveniente as diferenças divididas, notando que

as diferenças de ordem 1 são calculadas a partir das diferenças de ordem
zero, as diferenças de ordem 2, a partir das diferenças de ordem 1 e, assim
sucessivamente, como segue:
f[x0]
X Ordem O Ordem 1 Ordem 2 Ordem 3
Xo
f[x0, x1]
f[x1] f[xo, xv x2]
f[xv Xz ] f[ XQ, X11 X21 X3)
X1
f[x2] f[x11 Xz, x3]

f[ X21 X3 )
Xz
f[x3]
--
X3
Exemplo 4.6
Construir a tabela de diferenças divididas da função f(x) = 1 / x definida
sobre os pontos x0 1, x1 = 2, x2 = 4, x3 = 5.
=
Construção das diferenças divididas:

Diferenças divididas de ordem zero:
f[x0 ] = f(x0 ) = 1
f[xi ] = f(x1 ) = 1 / 2
f[x2 ] = f(x2 ) = 1 / 4
f[x3 ] = f(x3 ) = 1 / 5
Diferenças divididas de ordem 1:

f[x i ] - f[x0 ] _ (1 / 2 -1) _ _
f[xo , xi ] = 112
(x 1 - x0 ) (2 - 1)
(1 / 4 - 1 /2) _ l i 8
f[x2 ] - f[xi ] _
f[xi , x2 ] =
(4 - 2) -
(X2 - X1 )
f[x ] - f[x2 ] (1 / 2-1) _
f[x2 , x3 ] = 3 1 1 20
(X3 - X 2 ) (2- 1)
Diferenças divididas de ordem 2:
f[x 1 , x 2 ] - f[x0 , xi ] 1/8
f[ , =
Xo X 1 1 X 2 ] -----
=1/8
( Xz - x o ) (3)
f[ X1 , X 2 , X3 ] =
f[x2 , x3 ] - f[x1 1 x2 ]
------
(-l / 20:t>l / 8) 12/ 160
( X3 - x i ) 3
Os cálculos podem ser convenientemente arranjados no tabelamento das

diferenças divididas, conforme segue:
X Ordem O Ordem 1 Ordem 2 Ordem 3
1 1
-1 /2
2 1 /2 1 /8
-1 /8 -2/160
4 1 /4 12/160
-1 /20
5 1 /5
Teorema 4.4
Seja f(x) uma função contínua, (n + 1) vezes diferenciável no intervalo [a, b] .
Sejam XQ, x 11 , Xn (n + 1) pontos distintos de [a, b] . Então temos:
•••
Prova: Isaacson, E.; Keller, H. B.

Uma conseqüência imediata desse teorema é dada a seguir por:
Corolário 4.1
f [x0, x1 1 , xn J = f [xi0, Xjv ... , Xj n J , onde f o, j 11 , jn é qualquer permutação de
••• •••
O, l, ... , n.
Desta forma, podemos escrever as diferenças divididas em qualquer
ordem, como segue:
f[x0 , xi J = f[x1 1 xo ]
f[x0 , x1 , x2 ] = f[x1 , x0 , x2 ] = f[x1 1 x 2 1 x0 ] = ...
Segue destes resultados o seguinte corolário:
f [Xo , X1 1 , Xj-l i Xj+1 ' ···i Xn ) -f [Xo , X1 1 , Xk-l i Xk+1 ' ···i Xn ) .
Corolário 4.2
••• •••
f [x0 , x1 , ... , xn J = , )';t k

(xk - xi )
Baseando-se nos resultados obtidos das diferenças divididas, podemos
agora determmar uma nova fórmula interpolatória, denominada fórmula de
Newton.
Considere uma função f(x) contínua definida em XQ, x1 1 , Xn (n ••• + 1)
pontos distintos de um intervalo [a, b] .
Determinamos as diferenças divididas de f(x) nos pontos:
Considerando os pontos x0 e x, temos:
f[X] - f [Xo ]
f [xº ' x] = ' X :;é Xo
(X - Xo )
Portanto,
f(x) = f(x0 ) + (x -x0 ) f{x0 , x]
Da mesma forma, considerando os pontos XQ, x1 e x, temos:
.
f[x0 , x] - f[x0 , xi ]
f[Xo , X1 1 X ] = , X :;é X1
(x - x1 )
Substituindo f[x0, x] na expressão anterior, temos:
Assim, sucessivamente, temos:

f[xo , X1 , ... , Xn-1 1 x] - f[xo , X1 1 ···1 Xn ]
f[Xo , X1 1 ···i Xn , X ] -
- , X :;é Xn
(x -xn )
f(x) = f[x0 ] + (x - x0 )f[x0 , xi ] + (x - x0 )(x - x1 )f[x0 , x1 , x2 ] + ... +
+ (x -x0 )(x - xi ) ... ( x -xn_1 )f [xo , X1 1 ... , xn )+
+ (x -x0 )(x - xi ) ... (x -xn )f[x0 , x1 1 ... , xn , x J

f(x) = P(x) + R(x)
onde
P(x) = f[x0 ] + (x -x0 ) f[x0 , xi ] + (x - x0 )(x - xi ) f[x0 , x1 1 x2 ] +
+ . . . + (x - x0 )(x - xi ) . . . (x - xn_1 ) f[xo , X1 1 ··· 1 Xn ]
R(x) = (x - x0 )(x - x1 ) ... (x - xn ) f[x0 , x1 1 ...xn , x]
Teorema 4.5
Seja f(x) uma função contínua e definida em XQ, x1 1 , Xn (n + 1) pontos distin
•••
tos de um intervalo [a, b]. O polinômio de grau � n baseado nas diferenças

divididas, dado por:
Pn (x) = f[x0 ] + (x - x0 ) f[x0 xi ] + (x -x0 )(x - x1 ) f[x0 , x1 , x2 ] +
�
+ . . . + (x - x0 )(x - x1 ) . . . (x - xn_1 ) f[xo , X1 1 ··· 1 Xn ]
interpola f(x) nos pontos x0, x1 1 , Xn. •••
Prova:
Inicialmente notamos que Pn(x) é um polinômio de grau � n, uma vez que o termo
de maior grau é obtido pelo produto de monômios: (x - x0 )(x - x1 ) ... (x - xn ).
Mostramos, agora, por indução finita sobre n, que Pn(xJ f(xJ i = O, l, ..., n.
=
Para n = 1, temos dois pontos Xo e x1:

P1 (x) = f(x0 )+ (x - x0 ) f[x0 , x1 ]
Substituindo x = Xo e x = x1, então:
o que mostra que P1(x) interpola f(x) em Xo e x1.

Suponha válido para (n-1 ), isto é, Pn-l (xJ = f(xJ i = O, l, . . , n - 1, mos .
tremos que também vale para n.

Segue da definição de pn(x) que:
Pn (x) = Pn_1 (x) + (x - x0 )(x - x1 ) ... (x - xJ ... ( X - Xn_1 ) f[xo , X1 1 ··· 1 Xn ]
Assim, para i = O, 1, ... , n - 1 temos:
Pn (xi ) = Pn-1 (xJ+ (xi - xo )(xi - x1 ) ... (xi -xi ) ... (xi - Xn-1 ) f[xo , X1 1 ··· 1 Xn ] =
= Pn-l (xi ) = f(xi )
A última igualdade segue da hipótese de indução.
Resta provar que,

Pn (xn ) = f(xo ) + (xn - xo ) f[xa , xd + (xn - x0 )(xn - x1 ) f[x0 , x1 , x2 ] +
+ ··· + (xn - xo )(xn -X 1 ) (xn - Xn-1 ) f[xo , X1 , ... , xn ]
···
Para x = Xw temos que R(xn ) = (Xn -xo )(xn - xi ) ... (xn -xn )f[xo , x1 , ... , Xn , Xn ] = O
f(xn ) = f( xo ) + (xn - x0 ) f[xa , xd + ( xn - xo )(xn - x1 ) f[x0 , xv x2 ] +
+ ... + (xn - x0 )(xn - xi ) ... (xn - Xn_i ) f[x0 , x1 , ... , xn 1
Assim, temos:
Pn(Xn) = f(xn)
Portanto, para todo i = O, 1, ... , n temos que P(xi) = f(xi), o que prova que
P(x) dado é um polinômio interpolador da função f(x).
Teorema 4.6
Seja f(x) uma função contínua e suficientemente diferenciável no intervalo
[a, b] e definida em XQ, x1 1 , Xn (n + 1) pontos deste intervalo. Então, para
•••
x e [a, b] e x :;t: xi i = O, l, ... , n, temos que:
Prova:
f( n+l l (Ç)
Do Teorema 4.2, f(x) - P(x) = (x - x0 )(x - xi ) ... (x - xn ) .
- (n + l) !
Porém,
f(x) - P(x) = R(x) = (x -x0 )(x - xi ) ... (x - xn ) f[x0 , Xv ... , Xn , x]
Portanto, para x :;t: xi , temos:
f( n+l l (Ç)
f[x0 , x1 , ... , xn , X] = Ç e [a, b ]
(n + l) !
Assim, dados (n + 1) pontos distintos :xo, x11 , xn em um intervalo [a,b] e
•••
(n + 1) valores de f(x) nos pontos xi i = O, l, ... , n, o polinômio interpolador,

fórmula de Newton, é construído seguindo os passos:
a) Para i = O, l, ... , n, faça f [xd = f(xJ (diferenças de ordem zero)
b) Para r = l, 2, ... , n, faça:
Para i = O, l, ... , n-r, faça:
_ f[xi +1 ' ··· 1 Xi +r ] - f[xu ... , Xi+ ( r-1) ]
----------'-�
f[Xu Xi+l 1 .. · 1 Xi+r ] - - (diferenças de
(xi +r - xi ) ordem r)
c) O polinómio interpolador é dado por:
P(x) = f(x0 )+ i{fi

1=1 J=Ü
(x - xi )f[x0 , x1 1 ... ,xi+t l }
Exemplo 4.7
Considere a função f(x) = ex+ sen(x) tabelada como segue:
o 0.5 1.0
1 2.12 3.55
Determine o polinómio interpolador usando a fórmula de Newton;

avalie f(0.7) e um limitante superior para o erro.
Neste caso, temos um polinómio interpolador de grau � 2 dado por:
P(x) = f[x0 ] + (x -x0 ) f[x0 ,xJ+(x -x0 )(x -xi ) f[x0 ,x1 , x2 ]
Tabela das diferenças divididas:
Ordem O Ordem 1 Ordem 2

o
X
1
2.24
0.5 2.12 0.62
2.86
1.0 3.55
Assim, temos:
P(x) = 1 + (x-0)(2.24)+ (x-O)(x-0.5)(0.62) = 0.62 x2 + l.93x + 1
e, portanto,
f(0.7) :: P(0.7) = 2 . 6548
Para avaliar um limitante superior para o erro, usamos:

Assim, para n = 2, temos:
Como a função f<3>(x) = ex - cos(x), é uma função crescente em módulo

no intervalo [O, l], segue que:
máx l f( 3 l (x) I = 2.1780, em x = 1
Assim, temos um limitante para o erro no ponto interpolado x = 0.7
dado por:
I E(0.7)1 � 1 (0.7 -0)(0.7 � 0.5)(0.7 - 1) 1 (2.1780) = 0.0152

4.6 Interpolação inversa
Denominamos interpolação inversa quando, conhecidos os valores de uma
calcular o valor numérico da variável x correspondente a um valor y = f(x)
função f(x) definida em (n + 1) pontos distintos xi i = O, ... , n necessitamos
conhecido inicialmente.
a qual denotamos por f-1 (x), então para os pontos tabelados Yi = f(xi) i = O, n
Supondo que a função inversa de f(x) exista no intervalo de interpolação,
temos xi = f-1 (yi), e o valor desejado x tal x que y = f (x) é obtido por x = f-1 (y).
... ,·
Assim, simplesmente trocamos na tabela de dados os valores de x e f(x)

e fazemos a interpolação de f-1 (x) como visto anteriormente neste capítulo.
Lembramos, ainda, que a função inversa x= f-1 (y) existe e é única
se f(x) é contínua e monótona crescente ou decrescente no intervalo
de interpolação. Caso f(x) seja dada por uma tabela e, supondo que
esta seja contínua no intervalo, esta condição de monótona crescente é
observada quando f(Xo ) > f(x1 ) > . . . > f(xn ) ou monótona decrescente quando
f(x0 ) < f(x1 ) < . . . < f(xn ).
Exemplo 4.8
Considere uma função f(x) tabelada como segue:
o 1 2
1.31 3.51 3.78
Usando interpolação inversa, determine x tal que f(x) 3.63. =
Usamos o polinómio interpolador, fórmula de Newton de grau 2, que

interpola a função h(y) = f-1 (y) nos pontos y0 = 1.31; y1 = 3.51 e y2 = 3.78.
Assim, temos a tabela da função inversa dada por:
1
y, 1.31 3.51 3.78
o 1 2
A tabela das diferenças divididas é dada por:
y Ordem O Ordem 1 Ordem 2

1.31 o
0.4545
3.51 1 1.3155
3.7037
3.78 2
��ta forma, o polinômio interpolador é dado por:

P( y) = h[yo ] +(y - yo ) h[yo , Y1 ] +(y - yo )(y - y1 ) h[yo , Y1 1 Y2 ] =
= (O)+(y -1.31)(0.4545)+(y -1.31)(y -3.51)(1.3155)
Assim, P(3.63) = 1.4207, que consiste numa aproximação para x tal que
f(x) = 3.63.
A seguir, apresentamos uma outra fórmula interpolatória, chamada
fórmula de Newton-Gregory, a qual é construída baseada nas diferenças
finitas para pontos eqüidistantes.
Diferenças finitas
Seja uma função f(x) contínua no intervalo [a, b ]. Sejam XQ, x11 , Xn (n + l) •••
pontos distintos deste intervalo [a, b] tais que xi+t -xi = h i = O, 1, ... , n- 1, isto é,
os pontos são eqüidistantes.
Definição 4.4
Diferença finita de ordem zero
A diferença finita de ordem zero de uma função f(x) definida nos pontos
x E [a, b] é dada por:
õºf(x) = f(x)
Definição 4.5
Diferença finita de ordem r
A diferença div�da de ordem r de uma função f(x) definida nos pontos
x E [ a , b] é dada por:
l:!t.C f(x) = �r-l f(x + h) - � r-l f(x)
Nesta definição, para r = 1 temos o operador diferença finita progres

sivo � dado por:
Af(x) = f(x + h)-f(x)
Ou seja, quando aplicamos o operador � a uma função f(x), temos a varia
A
ção do valor da função nos pontos (x) e (x + h), e f(x) é uma aproximação
h
para a derivada de f(x).
Assim, desenvolvendo-se os operadores, aplicados à funçáo f(x), pode
mos escrever:
�º f(x) = f(x)
�1 f(x) = f(x+ h)-f(x)
�2 f(x) = f(x + 2h)- 2f(x + h)+ f(x)
�3 f(x) = f(x + 3h) -3f(x+ 2h)+ 3f(x + h)- f(x)
�n f(x) = (�}(x +nh)- (�}(x + (n-l)h + +(-lt (:}(x)

De um modo geral, temos:
�r f(x) = � (-l)i G) f(x + (r -i)h)
Considerando x = xi e lembrando que,
Xj+l = xi + h, xi + 2 = xi + 2h .. Xj+r-l = xi + (r - l)h, temos:
.
r
()
. r
�r f(xi ) = _L (-1)1 1 f(xj +r-d
i=O
.
Ou, denotando-se fk = f(xk) para todo k,
r
()
. r
�r � = _L (-1)1 � +r-i
i=O
·
1
Exemplo 4.9
Considere uma função tabelada nos pontos como segue:
0.2 0.4 0.6

8 10 15
Diferenças finitas de ordem zero:

L\0 f(x0 ) = f(x0 ) = 8
L\0 f(x1 ) = f(x1 ) = 10
L\0 f(x2 ) = f(x2 ) = 15
Diferenças finitas de ordem 1:
L\1 f(x0 ) = L\0 f(x1 )- L\0 f(x0 ) = (10 - 8) = 2
L\1 f(x1 ) = L\0 f(x2 ) - .:'.\0 f(x1 ) = (15 - 10) = 5
Diferenças finitas de ordem 2:
Podemos organizar o cálculo das diferenças finitas, conforme a tabela

a seguir:
Tabela das diferenças finitas:
L\º f L\l f L\2 f L\3 f

Xo L\ºf(Xo)
L\l f(xo)
X1 L\ºf(x1 ) L\2f(:xo)
L\1 f(x 1 ) L\3f(Xo)
X2 L\ºf(x2) L\2f(x1 )
L\1 f(x2)
X3 L\ºf(x3)
Os valores das diferenças finitas estão dispostos na tabela da se

guinte forma:
A1 f(x1 ) = A0 f(xi )-A0 f(x0 )
A2 f(x0 ) = A1 f(x1 ) - A1 f(x0 )
A3 f(x0 ) = A2 f(x1 ) -A2 f(x0 )
Exemplo 4.10
Considere uma função f(x) tabelada nos pontos como segue:
0.5 0.7 0.9 1.1

5.8 7.9 10.1 12.3
Aº f A1 f A2 f A3 f
0.5 5.8
2.10
0.7 7.9 0.10
2.20 --0.10
0.9 10.1 0.00
2.20
1.1 12.3
A seguir, podemos relacionar as diferenças divididas, dadas no polinômio

interpolador de Newton, com as diferenças finitas descritas anteriormente.
Seja f(x) uma função contínuà e (n + 1) vezes diferenciável no intervalo

Teorema 4.7
[a, b]. Sejam XQ, x1 , , Xn (n + 1) pontos distintos e eqüidistantes deste inter

••.
valo, então temos:

Prova:
Por indução finita temos:
a) Para n = l, x1 = x0 + h, temos que:
A0f(x0 + h) - Aº f(x0 ) 1
f1 [x0 ' x1 ] = fo [xi ] - fo [x0 ] = = Alf(x01 )
(x1 - x0 ) l ! h1 !h
e, portanto, a relação do teorema é válida.
b) Suponha que é válida para n-1, isto é:
An-l f(xo )
�-1 [ Xo , Xv · · 1 Xn ] -
(n - l)! hn-l
e mostremos que é válida para n, isto é:
�-1 [X1 1 ··· 1 Xn ] - �-1 [ Xo , ··· 1 Xn-1 1
' [Xo , X1 , ... , Xn ]
'n
(xn - Xo )
��-
An-1 f(x1 ) An-l f(xo )
(n - l) ! hn-l (n - l ) ! hn-l
=
[ ]
(nh)
l A n-1 f(x0 + h) - An-l f(x0 ) An f(xo )
= -- =
(n h) (n - l)! hn-l n ! hn
Portanto, podemos concluir que o resultado é válido para todo n.
A partir deste resultado, que relaciona as diferenças divididas com as
diferenças finitas, podemos enunciar uma nova fórmula interpolatória, cha
mada de fórmula de Newton-Gregory.
4. 7 Fórmula interpolatória de Newton-Gregory

Considere uma função f(x) definida em um intervalo [a, b] e, XQ, xv ... , Xn (n + 1 )
pontos distintos e eqüidistantes deste intervalo.
Substituindo a relação entre as diferenças divididas e finitas dadas pelo
Teorema 4.7 na fórmula interpolatória de Newton, temos uma nova expres
são para o polinômio interpolador, conhecida como fórmula interpolatória
de Newton-Gregory, dada por:
A1 f(x0 ) A2 f(Xo )
P(x) = A0 f(x0 ) + (x - x0 ) + (x - x0 )(x - x 1 ) + ... +
l ! h1 2 !h2
An f(xo )
+ (x - x0 )(x - xi ) ... (x - xn_1 ) -___n_
n! h
um intervalo [a, b] e (n + 1) valores de f(x) nos pontos xi i = O, l, ... , n, o polinómio

Assim, dados (n + 1) pontos distintos e eqüidistantes x0, xv ... , Xn em
interpolador, fórmula de Newton-Gregory, é construído seguindo os passos:
a) Para r = O, 1, ... , n faça
.ô'f(xi ) = � (-1) G) f(xj+r-d (diferenças finitas)
n i- 1{
b) Construir o polinómio interpolador
i o
P(x) = f(x0 )+ L IJ <x - xi ) ó1. f(x
, i
)}
i=l j=O .h
A expressão do erro do polinómio interpolador em termos das dife
renças finitas é a mesma obtida nas fórmulas interpolatórias anteriores, pois
o polinómio interpolador é único. Podemos confirmar esta observação a par
tir do seguinte teorema:
Teorema 4.8
Seja f(x) uma função contínua e (n + 1) vezes diferenciável no intervalo
[a, b ]. Sejam x0, xv ... , Xn (n + l) pontos distintos e eqüidistantes deste inter
valo, então temos:
Prova: Isaacson, E.; Keller, H. B.

Assim, usando este resultado na expressão do erro, temos:
E(x) = (x -x0 )(x - xi ) ... (x -xn )f[xo , X1 , ... , Xn ] =
n+l f(x)
= (x -x0 )(x - x1 ) ... (x -xn ) -nó+-1--'- -
h (n + l)!
- 'l'(X) f(n+l l (Ç) Ç e [a, b ]
(n+l)!
Como anteriormente, a estimativa para o erro é dada pelo seguinte limi
tante superior para o erro:
Exemplo 4.11
Considere a função f(x) = -1- tabelada nos pontos como segue:
(x +l)
o 1 2
1 1/2 2/3
Determine o polinômio interpolador pela fórmula de Newton-Gregory,

avalie f(l.3) e um limitante superior para o erro.
Usamos os três pontos tabelados para obter um polinômio interpolador
de grau � 2:
1 2
P(x)= .:lº f(:xo )+(x -x0 ) .:l f(x1° ) +(x -x0 ) (x -xi ) .:l f(x2° )
l!h 2!h
o 1
-1 /2
1 1/2 2/3
1/6
2 2/3
Assim, temos:
P(x) = l + (x -0) -1/2 + (x-O)(x -1) 2/3 = -1 x - -5 x+l
-- -
2
1 2 3 6
Portanto, temos:
P(x) = ..!. x2 - � x+ 1 e f(l.3) = P(l.3) = 0.5850
·
3 6
Como f3 (x) = 6 4 , temos:

(l+x)
máx l f3(x) I = 6, em x = O
Assim,
1 E(l .3) 1 � (1.3 - 0)(l. �� l)(l .3 - 2) (6) = 0.2730
Podemos, ainda, escrever o polinômio interpolador de Newton-Gregory,

considerando a seguinte mudança de variável:
U = (x- :xo ) ou X = Xo + uh
h
Como os pontos são eqüidistantes, Xr Xo + rh, segue que:
=
(x - xr) (u - r)h
=
Note que nesta nova variável u os pontos de interpolação XQ, Xv ..., Xn

correspondem aos pontos O, l, 2, ... , n.
Desta forma, podemos escrever o polinômio de Newton-Gregory na
variável u:
2
P(u) = ôº f(x0 )+(u -O) ô1f(x0 ) +(u-O)(u-1) ô f(x0 ) + ... +
1! 2!
n
+(u -O)(u-1) ... (u -(n -1)) ô n!f(x0 )
Podemos escrever o limitante superior para o erro por:

E(u) � (u-O)(u-1) ... (u -n) hn+l M
(n+l)!
onde M = máx i t<n + l l(x) I x e [a, b].
Exemplo 4.12
Considere a função f(x) tabelada nos pontos conforme segue:
0.1 0.2 0.3 0.4

1.01 1.05 1.12 1.23
Determine o polinômio interpolador de Newton-Gregory na variável u

e avalie f(0.35).
O ponto x = 0.35 corresponde, na variável u:

u = (x -x0 ) = (0.35 - 0. 1) = 250
h 0. 1
1 2 0)
P(u) = �º f(x0 ) + (u - O) � f(x! 0 ) + (u - O)(u - 1) � f(x
2! +
l
3 0)
+ (u - O)(u - l)(u - 2) � f(x 3!
�º f �l f
0.1 1.01
0.04
0.2 1 .05 0.03
0.07 0.0 1
0.3 1 .12 0.04
0. 11
0.4 1 .23
Assim, temos:
P(u) = l.Ol + u(0.04) + u(u -1) 0.03 + u(u - l) (u-2) O.Ol =
2 6
3
=0.00017u +0.0099u2 + 0.0284u + l.Ol
f(0.35) :: Pu (2.50) = 1. 1 694
4.8 Aproximação de funções - o método dos mínimos
quadrados
O estudo do tópico interpolação polinomial neste capítulo, Seção 4.2, fornece
uma maneira de aproximarmos uma função por um polinômio, com a carac
terística que este coincida com o valor da função em alguns pontos, isto é,
P(xJ = f(xJ i = O, l, ... , n, e dizemos que P(x) interpola a função f(x) nos pon
tos XQ, xv ... , Xn. Assim, P(x) é uma aproximação para a função f(x).
Apresentamos, nesta seção, uma forma alternativa para aproximar uma
função f(x) usando o método dos mínimos quadrados, o qual consiste em,
conhecidos os valores de f(x) em m pontos, determinar uma função g(x) que
melhor se aproxime de f(x). Esta melhor aproximação será definida a seguir,

e a função g(x) pode ser uma combinação de funções polinomiais, exponen
ciais logarítmicas, trigonométricas etc.
4.8.1 Caso discreto
Inicialmente, consideramos o caso em que a função f(x) é definida em um
conjunto discreto, isto é, a função é conhecida em m pontos, geralmente
obtidos em experimentos, conforme a tabela:
X
f(x)
Graficamente, temos a disposição dos pontos obtidos no experimento
na Figura 4.6:
· /
j�
f(x) /
.
g (x)
:/. .
.
V
. V.-- /'
. . /
1
.
. ·/� · !
1
1
.
•
V. 1
. --:º /
.
V
. /
1 ...
�
X
>1 >2 "3 X
;n
- -
Figura 4.6
Observando a disposição dos pontos (xi, f(xi)) i = l, ..., m na Figura 4.6, ve
mos que g(x) possui o comportamento de wna reta, isto é, um polinômio de grau 1:
g(x) = a1 g1 (x)+a2 g2 (x) = a1 x + a2
com g1(x) = x e g2(x) = 1. Assim, escolhemos uma farru1ia de funções as quais
dependem dos parâmetros a1 e a2.
O problema agora consiste em determinar os parâmetros a1 e a2 de modo

que a função g(x) se ajuste melhor aos dados da tabela. Para falar em "melhor
ajuste", temos de ter um critério para a escolha dos parâmetros a1 e a2, isto é,
ter uma medida para o erro cometido nesta aproximação.
Definição 4.6
Definimos e(xi) f(xi) - g(xi) como o erro ou desvio cometido numa aproxi
=
mação de uma função f(x) por uma função g(x), nos pontos xi i 1, ... , m.
=
Desta forma, desejamos determinar uma função g(x) de modo que nos
pontos xi i 1, ..., m os desvios sejam "pequenos". Neste caso, é tentador desejar
=
m
que a soma dos erros seja mínima, isto é, que L e(xi ) seja mínima. Entretanto,
i=l
este fato não traduz que g(x) seja uma "boa" aproximação para a função f(x), como
podemos observar na Figura 4.7, em que a função g(x) que melhor se aproxima
2
de f(x) é a reta rv que passa pelos pontos dados e L e(xi ) = O.
i=l 2
No entanto, quando tomamos a reta r2, temos também que L e(xi ) = O
i=l
e esta reta não é uma "boa" aproximação para a função f(x), embora a soma
dos erros seja zero, o que não significa que os erros sejam nulos, pois soma
mos grandezas numéricas com sinais opostos, podemos notar que e(x1) > O e
e(x2) < O para a reta r2 .
f(x)
Figura 4.7
Um critério para obter e(xi) i = l, ..., m pequenos em todos os pontos da

tabela seria considerar a soma I l e(xJ I mínima, porém este critério acarreta
m
i=l
dificuldades de resolução, pois a função valor absoluto não é diferenciável
na origem.
Uma maneira para contornar esses problemas consiste em considerar
·
uma medida para o erro da seguinte forma:

minimizar I e(xJ2 =minimizar L (f(xJ-g(xJ)2
m m
i=l i=l
Assim, considerando o exemplo da Figura 4.6, desejamos encontrar uma
função g(x) = a1x+a2 que melhor se aproxime da função f(x), de forma que
E(al t a2 ) = L (e(xJ)2 seja mínimo. Do cálculo diferencial, se a função E(al t a2 )
m
possui um i=lponto de mínimo, então suas derivadas parciais devem ser

nulas, isto é,
Derivando E(al t a2 )com relação à variável "a{, temos:
=L 2(a1 xi + a2 -f(xJ)xi =
m
i=l
Assim, temos:
Derivando E(al t a2 ) com relação à variável a2 temos:
i=l
= L 2(a1 xi + a2 -f(xJ) =
Assim, temos:
Portanto, os parâmetros a1 e a2 que minimizam o erro E(ava2) necessa

riamente satisfazem o seguinte sistema de equações lineares:
(t, x}1 + (i x}2 i x; f(x; )

�
(i +' + m a2 i f(x; ) �
O sistema de equações obtido é chamado sistema de equações nor

mais, o qual pode ser resolvido por qualquer método visto anteriormente.
P�rticularmente, o método de Cholesky pode ser aplicado, pois o sistema
de equações normais possui a matriz A do sistema simétrica e definida po
sitiva.
Prova-se que a solução do sistema de equações normais nos parâmetros
a1 e a2, de fato minimizam a soma dos quadrados dos erros.
x
Exemplo 4.13
Seja f( ) tabelada como segue:
o 1 2 3 4
0.98 -3.01 -6.99 -11.01 -15
f(x)
5
2 3 4 5 X
-
-3.01
-5
-6.99
-10
-15 ----------
g(x)
Figura 4.8
Observando o gráfico da Figura 4.8, vemos que os dados possuem o

comportamento linear. Usando o método dos mínimos quadrados, deter
minamos dentre todas as retas g(x) a1x + a2 aquela que melhor se ajusta
=
aos dados.
5 5 5
I x i 2 I xi ª1 L f(xJxi
k=l k=l k=l
=
5 5
I xi 5 ª2 I f(xJ
k=l k=l
Xj f(xi) x?1 f(Xj)Xi

o 0.98 o 0 . 00
1 -3. 0 1 1 -3 . 0 1
2 -6.99 4 -13.98
3 -1 1 . 0 1 9 -33 .03
I
4 -15.00 16 -60 .00
10 -35 . 03 30 -11 0 . 02
[ ] [ªª1] [ ]
Assim, temos o seguinte sistema de equações lineares:
2
30 10 -110.02 =
10 5 -35.03
{ª1ª2
Usando o método de eliminação de Gauss, temos:
= -3 . 9960
= 0 . 9860
Portanto, g(x) -3.9960 x + 0.9860

=
Cálculo do erro:
e(x1 )2 (f(O)-g(O) )2
= = 0.0000
e(x2 )2 (f(l}-g(l})2
= = 0.0000
e(x3 )2 (f(2)-g(2))2
= = 0.0003
e(x4 )2 (f(3)-g(3))2
= = 0.0001
e(xs )2 (f(4)-g(4))2
= = 0.0000
5
Portanto, L e(xi )2 0.0004 e qualquer outra reta possui a soma dos
=
i =l
quadrados dos erros superior a este valor obtido.
Podemos ter dados experimentais onde seja necessário aproximar a
função f(x) por um polinómio de grau 2, isto é, uma parábola:
g(x) a1 g1 (x) + a2 g2 (x) + a3 g3 (x) a1 x2 + a2 x + a3
=
com g1 (x) x2, g2(x) x e g3 (x) = 1

=
·
= =
Generalizando este procedimento, escrevemos g(x) como uma combi

nação linear de funções como segue:
g(x) = a1 gi (x) + a2 g2 (x) + ... + an gn (x)
com gi(x) sendo funções escolhidas.
Procedendo de maneira análoga ao caso do ajuste linear, a reta, pode-

m
mos determinar os parâmetros ai i = l, ... , n de forma que o erro L e(xJ2

i=l
seja mínimo.
Assim, temos:
m m
+ L gn (xJg1 (xJ)an = L f(x i )g 1 (xJ

i=l i=l
+( L gn (xJg2 (xJ )ln = L f(xJg2 (xJ

m m
i=l i=l
m m
+( L gn (xJgn (xJ)an = L f(xJgn (xJ

i=l i=l
Portanto, para determinar os parâmetros ai i = l, ..., n, devemos resolver

o seguinte sistema de equações lineares:
m m m m
(L g1 (x; )g1 (x; ))a1 +(L g2(xi )g1 (x; ))a2 + ... + L gn (x; )g1 (x; ))an L f (x; )g1 (x; )
=
i=l i=l i=l i=l
m m m m
(L g1 (x; )gz(x; ))a1 +(L gz( x; )gz (xi ) )az + ... + (L gn ( x i )g2(x; ))an L f (xi )g2( x i )
=
i=l i=l i=l i=l
•
m m m m
(L g1 (xi )gn (xi ))a1 +(L g2( xi )gn (x; ))a2 + ... + (L gn ( x ; )gn (xi ))an L f (x; )gn (x i )
=
i=l i=l i=l i=l
Osistema de equações lineares obtido é denominado sistema de equa

ções normais, o qual pode ser resolvido por qualquer método visto anterior
mente. Resolvido este sistema, determinamos os parâmetros ai i= l, ... , n e
conseqüentemente a função g(x) = a1g1(x) + . . . + angn(x) que melhor se ajusta à
função f(x) nos pontos x1 Xm no sentido dos mínimos quadrados.
•••
Exemplo 4.14
Considere uma função f(x) definida conforme tabela:
X -2 -1 o 1 2 3
f(x) 19.01 3.99 -1 .00 4.01 18.99 45.00
g(x)
f(x) 45
-2 1 2 3 X
-3 -1 o
Figura 4.9
Observando a Figura 4.9, vemos que a função possui o comportamento

Assim, tomamos g(x) = a1x + a2x + a3, isto é, g1(x) x2, g2(x) x, �(x) l,
de uma parábola, polinômio de2grau 2.
= = =
e determinamos os parâmetros a11 a2, e a3 de modo que g(x) se ajuste aos

dados da tabela no senso dos mínimos quadrados.
Temos o sistema de equações normais:

6 6
I xi4 Ixi3 Ixi2
6 6
ª1
ª2
L f(xi )xf
i=l i=l i=l i=l
6 6 6 6
Ixi3 Ix/ Ixi = L f(xJxi
i=l i=l i=l i=l
6 6 6
2
I xi I x i 6 a3 If<xJ
i=l i=l i=l
� X�1 x1 x'f
1 f(xi) xif(xJ xTf(xJ
-2 4 -8 16 19.01 -38.02 76.04
-1 1 -1 1 3.99 -3.99 3 .99
o o o o -1 .00 0.00 0.00
1 1 1 1 4.01 4.01 4.01
2 4 8 16 1 8.99 37.98 75.96
I
3 9 27 81 45.00 135.00 405.00
3 19 27 115.00 90.00 134.98 565.00
[�� :; �1 [::] [�::��1 =
{ª1
1 9 3 6 a3 90.00
= 5.0893
ª2 = 0.05 1 5
a3 = -1.1 403
Portanto, g(x ) = 5.0893x2 + 0.05 1 5 -1.1 403.
Cálculo do erro:
e(xi )2 = (f(x1 ) - g(x1 ))2 = 0.0 1 08
e(x2 )2 = (f(x2 ) - g(x2 ))2 = 0.0086
e(x3 )2 = (f(x3 ) - g(x3 ))2 = 0.0 1 97
e(x4 )2 = (f(x4 ) - g(x4 ))2 = 0.000 1
e(xs )2 = (f(x5 ) - g(x5 ))2 = 0. 1 088
e(x6 )2 = (f(x6 ) - g(x6 ))2 = 0.0332
6
Portanto, L e(xi )2 = 0.1812 e qualquer outra parábola possui a soma
i= l
dos quadrados dos erros superior a este valor obtido.
Exemplo 4.15
Considere a função f(x) tabelada como segue:
Xj --0.5 o 0.5 1 .0 1 .5 2.0 2.5 3.0 3.5 4.0 4.5

f(xi) --0.25 0.5 0.25 0.00 0.75 1 .50 1 .25 1 .00 1.75 2.50 2.25
Usando o método dos mínimos quadrados, determine uma função g(x)

que melhor se ajuste aos dados da tabela.
Observando a Figura 4.10, vemos que os dados da função f(x) sugere
uma função, a qual é uma combinação de uma função linear com uma fun
ção periódica do tipo: g(x) = a1 g1 (x)+ a2 g2 (x) = a1 x + a2 cos(ax), com g1 (x) = x
e g:i(x) = cos(ax).
f(x)
2 f(x)
- - - - - - - - - - - -1 - - -
1 - - - - - - - - - - - - � - - - r
,
1
1
X
-1 1 2 3 4 5
-1
Figura 4.1 0
Note que a função g(x) não é linear nos parâmetros, pois o parâmetro
a é um argumento da função cos(x). Entretanto, observando os pontos na Fi
gura 4.10 vemos que há uma oscilação de período igual a 2 (pontos de máximo
ou mínimo ocorrem a cada 2 unidades). Portanto, tomamos a = 3.14 e temos

que a função g(x) = a1(x) + a2 cos(3.14x) é agora uma função linear nos parâ
metros a1 e a2 . Desta forma, temos o seguinte sistema de equações normais:
( L g1 (xi )g1 (xi ) )a1 + ( L g1 (xi )g2 (xJ)a2 = L f(xJg1 (xJ

11 11 11 .
i=l i=l i=l
( L g2 (xJgi (xi ) )a1 + ( L g2 (xJg2 (xJ)a2 = L f(xJg2 (xJ
11 11 11
i=l i=l i=l
Assim, temos:
+ < I cos(3.14xJxJa2 = L f(xJxi

11 11
i=l i=l i=l
<I cos(3.14xJxJa1 + < I cos2 (3.14xJ)a2 = L f(xJcos(3.14xJ
11 11 11
i=l i=l i=l
Calculando os coeficientes do sistema de equações normais temos:
11
I xf = n .5000
i=l
11
I cos(3.14xJxi = 2.0192
i=l
11
L f(xJxi = 36.7500
i=l
11
I cos2 (3.14xJ = 5.0001
i=l
11
L f(xi )cos(3.14 xi ) =3.5096.
i=l
[ ][ ] [ ]
7 1.5000 2.0192 ª1 36.7500
=
2.0192 5.0001 ª2 3.5096
{ ª1 = 0.4999
ª2 = 0.5000
Portanto:
g(x) = 0.4999 x + 0.5000 cos(3.14 x)
e o erro dos mínimos quadrados é dado por:
11
L e(xJ2 = 0.0001.
i=l
4.8.2 Caso contínuo

O método dos mínimos quadrados pode ainda ser usado para aproximar
uma função f(x) contínua num intervalo [a, b], por uma combinação de fun
ções do tipo g(x) = a1 g1 (x)+a2 g2 (x)+ ... + an gn (x), onde g1 (x),g2 (x), ... , gn (x)
são funções contínuas no intervalo [a, b].
Neste caso, desejamos determinar g(x) que melhor se aproxime da fun
ção f(x), isto é, que a área entre as curvas de f(x) e g(x) seja a menor possível,
dando a idéia de proximidade de duas funções, o que é representado por:
b
E(a1 t a2 , ... , an ) = J (f(x)-a1 g1 (x)+ ... +gn (x))2 dx
ª
Assim, o problema do método dos mínimos é definido por:

Minimizar E(av a2, ... , an )
isto é, Minimizar r (f(x)-(a1 g1 (x)+a2 g2 (x)+ ... + an gn (x ))2 dx
Portanto, como anteriormente, o ponto de mínimo necessariamente
satisfaz:
ou seja,
Jb
aE m
-
a ai
= -2 (f(x)-
ª
L ªkgdx)gi (x))dx = O 1� i �m
Denotando o produto escalar de funções por ( f,g ) = r f(x)g(x)dx, temos
i=O
o seguinte sistema de equações normais: ª
( g1 , g i ) ( g1 , g z ) ( gi ,gm ) ª1
( g2 ' gi ) ( g2 ' g z ) ( gz ,gm ) ª2 =
Se o determinante da matriz do sistema de equações normais for dife

rente de zero, então o sistema possui solução única, ou seja, existe uma
única função g(x) que melhor se ajusta à função f(x). Desta forma, a so
lução (a1, a2, ... , an) obtida na resolução deste sistema fornece a melhor
g(x) = a1 g1 (x) + a2 g2 (x) + ... + an gn (x) que se aproxima da função f(x).
Observação
Se as funções escolhidas gi(x) forem linearmente independentes, então o de
terminante da matriz A do sistema de equações normais é diferente de zero.
Exemplo 4.16
Usando o método dos mínimos quadrados, aproxime a função f(x)=e-x Ílo
intervalo ( 1, 3] por um polinómio de grau 1 da forma g(x)= a1 + a2 x.
Temos:
[(1, 1) (l,x)l [ª1 ] = [(l,e-x )l

O sistema de equações normais é dado por:
(l,x) (x,x) a2 (x,e-x )

Assim,
(1,1 ) = r l dx = l
( l,x) = r xdx = 4
(x,x ) = r x2dx = 26/ 3 = 8.6667
(1,e-x ) = r e-xdx = 0.3181
(x,e- x ) = r xe- xdx = 0.5366
[ l[ ] [ 1
Portanto, o sistema de equações normais é dado por:
1 4 ª1 0 .3181
-
4 8.6667 ª2 0.5366
Usando o método de eliminação de Gauss, obtemos:

a1 --0.0832 a2 0.1003 e a reta que melhor se ajusta à
= =
f(x) e- x no intervalo [l, 3] é dada por:

g(x) a1 + a2 x - 0.0832x + 0.1003
=
= =
Regressão não linear nos parâmetros - aj uste não-linear

Muitas vezes temos dados experimentais em que o ajuste como combinação
linear nos parâmetros não é adequado e não pode ser considerado. Neste
caso, necessitamos de outras famílias de funções para representar adequada
mente uma função representada em uma tabela .
a) Ajuste hiperbólico
Considere os dados obtidos experimentalmente, conforme ilustrado na Fi
gura 4.11:
1 !
.. •
i
f(x)
1!o
---+---+-�-;.-- -+--.--.,--+---··-·-- -
. .
. . . . . ,
i
1----
-t---+- ---+---t--+-- + . -+-
Figura 4.1 1
Observando a Figura 4.11, vemos que a representação dos dados possui

um comportamento do tipo:
Como anteriormente, desejamos determinar os parâmetros ao e a1 de

modo que E(a1 ,a2 ) = l: e(xJ2 seja mínimo, isto é,
m
i=l
Minimizar L (f(xJ -g(xJ)2

m
i=l
Como a função g(x) não é linear nos parâmetros a1 e a2, o sistema

obtido por:
é um sistema de equações não lineares, o qual pode ser resolvido usando

o método de Newton, descrito no Capítulo 3. Entretanto, o método dos
mínimos quadrados, desenvolvido anteriormente, pode ser usado fazen
do-se uma transformação adequada de modo a obter uma combinação
linear nos parâmetros.
1X + 2
Se a função g(x) a 1 a aproxima a função f(x) dada inicialmente,
=
consideramos a função h(x) -1- a1 x + a2 que também aproxima-se à função

= =
g(x)
-1- e temos agora o caso do ajuste linear já desenvolvido anteriormente.
f(x)
Se g(x) aproxima-se à função f(x), -1- aproxima-se à função -1-.
g(x) f(x)
Esquematicamente:
g(x) f(x)
1 1
g(x) f(x)
Da tabela inicialmente dada, construímos uma nova tabela da se
guinte forma:
O problema agora consiste em aproximarmos a função -1- por uma

reta h(x) = a1x + a2 e o sistema de equações normais é dado por:
f(x)
i=l
Os parâmetros obtidos na resolução do sistema de equações normais

resolvem o problema
Minimizar I (-1- - h( xd)2

i=t f(xi )
e fornecem uma solução aproximada para o problema inicial proposto.
Exemplo 4.17
Considere a função f(x) tabelada nos pontos como segue:
-3 -2 -1 --0.5 --0.4
--0.13 --0.20 --0.49 -2.01 -4.99
petermine uma função g(x) que melhor se ajuste aos dados da tabela e
6
calcule L e(xi )2 .
i=l
Temos a disposição dos pontos da função f(x) num gráfico, confor-
me Figura 4.12, a qual sugere um comportamento de uma função do tipo
g(x) = a1 1 a
--
x+ 2
f(x)
-3 -2 -1 -0.5 o
1 X
- -:- - --0. 49
1
- - -
2 01
.
- - -4 . 99
Figura 4.1 2
Desta forma, consideremos uma nova tabela da função -1-:

f(x)
xi -3 -2 -1 -0.5 -0.4
l/f(xi) -7.6923 -5.000 -2.0408 -0.4975 -0.2004
Éconveniente fazer o chamado "teste do alinhamento" da função -1-

f(x)
como segue na Figura 4.13:
f(x)
Figura 4.1 3
Observando a Figura 4.13, vemos que os pontos obtidos possuem um

f( x )
1
comportamento linear e, portanto, a aproximação linear para - - é adequada
e podemos escrever o sistema de equações normais como segue:
i=l
Xj xt 1/f(xt)
-3 9 -7. 6923 23.0769
-2 4 -5 10
-1 1 -2 . 0408 2 . 0408
-0 .5 0 . 25 -0.4975 0 . 2488
-0.4 0.16 -0. 2004 0 .0802
-6. 9 14.41 -15.43 1 0 35.4467
Substituindo estes valores obtidos, temos o seguinte sistema de equa

ções lineares:
[ 14.41 - 6.9 ª1
-6.9 5 ª2
][ ] [
=
35.4467
-15.4310
]
{
ª2 = 0.9093
ª1 = 2.8952
Portanto, temos g(x) = 2.8952 1
X + 0.9093
------
Erro cometido:
e(xi )2 = (f(x1 )-g(x1 ))2 = 0.0000
e(x2 )2 = (f(x2 )-g(x2 ))2 = 0.0000
e(x3 )2 = (f(x3 )-g(x3 ))2 = 0.0002
e(x4 )2 = (f(x4 )-g(x4 ))2 = 0.0232
e(x5 )2 = (f(x5 )-g(x5))2 = 0.9423
Portanto, temos:
5
:L e(xJ2 = 0.9657
i=l
b) Ajuste exponencial
Podemos obter dados experimentais dispostos conforme ilustrado na Figura
4.14, a qual sugere que devemos aproximar a função observada por uma
função g(x) da forma g(x) = a(b)x com os parâmetros a e b positivos.
!
---� I
1 •
1
1
f(x)
i ' i
/·
'
'
'
. '
: :•
1 A
1
1 .
.
··-· ·---··---
�-+--· ··-·
/
' y i
.
. ·
·
i . .Y.
v.�
. . 1
.
�
.
--
. .
___,�
.
. . ----
.
.
1 �
!
1 ! i
o X
l Xt Xz Xm
1
1
1 i
Figura 4.1 4
Desejamos determinar a e b de forma que E(a,b) = 'L e(xJ2 seja míni-

m
mo, isto é: i=l
Minimizar L (f(xJ-g(xJ)2
m
i=l
O método dos mínimos quadrados desenvolvido anteriormente pode

ser usado fazendo a seguinte transformação:
h(x) = ln(g(x)) = ln(a( bx )) = ln(a)+x ln(b) = ln(a)+xln(b)
Definindo-se:
temos que h(x) é uma combinação linear das funções g1 (x) = x e g2 (x) = 1,
isto é, h(x) = a1g1 (x)+a2 g2 (x).
Assim, se a função g(x) aproxima a função f(x), então a função h(x)
aproxima ln(f(x)).
Esquematicamente:
g(x) "" f(x)
ln(g(x)) "" ln(f(x))
Desta forma, construímos a seguinte tabela:
X1 X2 ... Xn
ln(f(x1)) ln(f(x2)) ... ln(f(xn))
Assim, temos o seguinte sistema de equações normais:
< l xJa2 L ln(f(xJ)xi

m m m
( L xi2 )a1 + =
i=l i=l i=l

m
ma2 L ln(f(xJ) =
i=l
Os parâmetros a1 e a2 obtidos na resolução do sistema linear de equa
ções resolvem o problema:
m
Minimizar L ln(f(xJ)-h(xJ)2
i=l
e fornecem uma solução aproximada para o problema original dado.
Observação
Caso o leitor deseje resolver o problema proposto sem usar o fato da lineari
zação, temos de resolver um sistema de equações não-lineares, descrito neste
livro no Capítulo 3.
Exemplo 4.18
Considere uma função tabelada nos pontos como segue:
Xj -1 -0.9 -0.8 o 1 2
f(xi) 6.01 5.39 4.80 2.01 0.65 0.21
Determine uma função g(x) que melhor se ajuste aos dados da tabela de
6
f(x) e calcule L e(xi )2 .
i=l
Para determinar a função que se ajusta aos dados da tabela, vamos

exibir os pontos dados num gráfico, conforme a Figura 4.15, e vemos que
g(x) possui um comportamento exponencial da forma g(x) a(bx) com =
O < b < l.
7
f(x)
o 2 X
-1 1
Figura 4.1 5
Desta forma, construímos a seguinte tabela para a função linearizada

ln(f(x)):
Xj -1 -0.9 -0.8 o 1 2
ln(f(xi)) 1.79 1.68 1.57 0.70 -0.43 -1.56
Como estamos realizando um ajuste linear, é conveniente fazer p chamado

"teste do alinhamento" e verificar que de fato os pontos (xi, ln(f(xi)) i l, ..., m
=
possuem um comportamento linear, como segue na Figura 4.16.

f(x)
2
- - - - - - -
f i'9
.
- - - -i-_57
o X
-1 -0.8
-0.43
-1
- - - - - - - - - - - - - - - - - - - - - -
-1 . 56
-2
Figura 4.1 6
Portanto, podemos escrever o sistema de equações normais como segue:

+
6 6 6
( L x i 2 ) a1 (L xJa2 L ln(f(xJ)xi
=
i=l i=l i=l

+
6
6a2 L ln(f(xJ)
=
i=l
xi X�l ln(f(xi)) xi ln(f(xi))

-1 1 1 . 79 -1 .790
-0 .9 0.81 1 .68 -1 .512
-0.8 0.64 1 .57 -1 .256
o o 0 . 70 0 .000
1 1 -0.43 -0.430
I
2 4 -1 .56 -3 . 120
0.3 7.45 3 . 75 -8 . 1 08
Substituindo estes valores obtidos no sistema linear, temos o seguinte
[ ][ ] [ ]
sistema de equações normais:
7.45 0.3 ª1 -8.108
=
0.3 6 ª2 3.75
a2 = 0.6808 � a = eª2 = 1.9755
a1 = -1.1157 � b = eª1 = 0.3277
Portanto, a função que melhor se ajusta aos dados tabelados, no sentido
dos mínimos quadrados, é dada por:
g(x) = (1.9755)(0.3377)X
Erro total cometido:
e(xi )2 = (f(x1 )-g(x1 ))2 = 0.0256
e(x2 )2 = (f(x2 )-g(x2 ))2 = 0.0201
e(x3 )2 = (f(x3 )-g(x3 ))2 = 0.0084
e(x4 )2 = (f(x4 )-g(x4 ))2 = 0.0012
e(x5 )2 = (f(x5)-g(x5 ))2 = 0.0003
e(x6 )2 = (f(x6 )-g(x6 ))2 = 0.0002
6
Portanto, temos: L e(xi )2 = 0.0558
i=l
Observação
Podemos, ainda, fazer outros ajustes, por exemplo, usando a função geométrica
g(x) = a1xª2, e fazer a linearização dos parâmetros a1 e a2 como anteriormente.
Considerações finais sobre aproximação de funções
De uma maneira geral, além das considerações apresentadas sobre como
aproximar uma função conhecida em determinados pontos por uma outra
função, é necessário observar quando podemos utilizar a interpolação poli
nomial ou o método dos mínimos quadrados.
a) Quando temos um experimento com muitos dados coletados, que
descrevem um fenômeno observado, a aproximação usando o
método dos mínimos quadrados deve ser considerada, uma vez
que temos dados resultantes de medidas, que geralmente são acome

tidos de erros, sugerindo a necessidade de representá-los por uma
função que nos permita obter aproximações "seguras" em valores
geralmente fora do intervalo de medida.
b) O uso dos polinômios interpoladores para aproximar funções dentro
de intervalos conhecidos seria oportuno quando desejamos fazer uma
análise mais local da função no intervalo considerado, isto é, determi
nar valores desconhecidos da função em intervalos predefinidos.
Quanto ao grau do polinômio ser considerado no intervalo de observa
ção, não deve ser "alto", pois pode acontecer que, à medida que o grau
aumenta, para determinadas funções, os polinômios interpoladores
começam a distanciar-se nos demais pontos não interpolados, situação
conhecida na literatura como fenômeno de Runge (lsaacson e Keller).
Além disso, o aumento no grau do polinômio na busca de uma
"melhor" precisão na interpolação também faz com que o número
de operações se eleve, aumentando assim a possibilidade de erros
no processamento dos algoritmos.
observamos ser a de Lagrange aquela que requer um maior esforço
c) Nas fórmulas interpolatórias de Lagrange, Newton e Newton-Gregory,
computacional, considerado a partir de operações elementares, quan
do comparada com as fórmulas de Newton e Newton-Gregory. Quandc;>
os pontos são eqüidistantes, é aconselhável o uso da fórmula de Newton
Gregory, pela sua simplicidade e pelo menor esforço computacional.
4.9 Trabalhando com o Software Numérico
No Software Numérico, o usuário deve selecionar o módulo aproximação
de funções e selecionar a opção interpolação de funções seguida de tabela de
pontos ou expressão da função ou, ainda, a opção de aproximação de funções
usando o método dos mínimos quadrados.
Caso a opção seja interpolação, o usuário deve fornecer a tabela de pontos
da função, escolher corretamente o grau do polinômio e o ponto a ser inter
polado. Além disso, se a expressão da função for declarada, temos a função
tabelada nos pontos declarados, e o usuário pode determinar, além do poli
nômio interpolador da função, um limitante superior para o erro.
Pode-se, ainda, plotar os pontos tabelados de f(x) para uma boa escolha
do ajuste de funções no método dos mínimos quadrados.
Exemplo 4.19
Considere as seguintes observações do lançamento de um projétil:
a) O ponto de lançamento foi considerado como a origem do sistema
cartesiano.
b) Fotografando o projétil a 8 metros do ponto de lançamento na hori

zontal, foi determinada uma altitude de 7.86 metros.
c) A 16 metros do lançamento, uma barreira o interceptou e foi deter
minada uma altitude final de 5.67 metros.
A Figura 4.17 ilustra a trajetória do projétil:
f(x)
7 .89
�
�
- - - - - - - - - - - - - - - - - - - - - - - -:..:-�-.--.---
�
�
5.67 �
---------------------------------------------�
1
4
�
�
�
·�
�
4 16 X
Figura 4.1 7
Observando os dados, vemos que estes possuem o comportamento de uma

parábola, podemos obter aproximadamente valores para a altitude do pro
jétil em diversos momentos usando interpolação e comparar posteriormente
com a equação teórica da trajetória dada por:
x2
2 Vo COSz (a.)
1
y xtg(a.)--g =
z
onde,
a � ângulo com a horizontal
v0 � velocidade inicial
Usando o Software Numérico, vamos determinar o polinômio interpo
lador e avaliar a altitude do projétil a 12.5 metros do lançamento.
o usuário deve selecionar a opção aproximação de funções, seguida
mente de interpolação, entrar com os pontos e os correspondentes valores
de f(x) do problema e pode selecionar polinômio interpolador, fórmula de
Newton e avaliar o valor da altitude do projétil a 12.5 metros do lançamento,
conforme resultados da Figura 4.18 a) e b).
OJQI) IU.WAI
8.lml 7.SfOI
16.cm> 5.6llll
a) b)
Figura 4.1 8
Temos, assim, o polinômio interpolador de grau 2:

P (x) -0.0785x2 + l.6106x
=
e a avaliação da altitude do projétil a 12.5 metros do lançamento é dada por:

P( 12.5) 7.8647. =
Exemplo 4.20
Em um experimento de laboratório, observa-se o crescimento de uma po
pulação de um tipo de larva, em um tanque, de dois em dois dias, durante
um período de tempo de 12 dias (número de larvas por cm3), conforme a
seguinte tabela:
Dias o 2 4 6 8 10 12
Larva (cm3) 17 25 34 43 56 65 78
Usando o Software Numérico, podemos observar a disposição dos pon

tos e escolher uma função g(x) que melhor se ajuste aos dados da tabela e, a
partir do conhecimento de g(x), podemos avaliar aproximadamente o cresci
mento da população de larvas num período de tempo posterior desejado.
No Software Numérico, selecione as opções aproximação de funções,
método dos mínimos quadrados. Digite os valores da tabela e analise a dis
posição dos pontos para a escolha de g(x), conforme Figura 4.19 a) e b).
Observando a Figura 4.19 b), escolhemos um polinômio de grau 2 para
representar os dados.
a) b)
e)
Figura 4.1 9
Portanto, temos que g(x) 0.0982x2 + 3.9107x + 16.8571.

=
Podemos avaliar o crescimento da população de larvas, por exemplo,

16 dias depois do início do experimento, isto é, g(16) 104.5675 larvas por cm3,
=
considerando naturalmente que as condições para o crescimento dessa popu

lação nos períodos anteriores foram preservadas. O erro total cometido nesta
aproximação é dado na Figura 4.19 c).
Exercícios
1. Considere as funções a seguir, definidas nos pontos x0 = 0.5,x1 = l.0,x2 = 1.5.
a) f(x) = sen(x)
b) f(x) = .j(2+x)
c) f(x ) = ln(4 +x)
de Newton-Gregory, e avalie f(l.34) e um limitante superior para o erro.

Usando o Software Numérico, determine o polinômio interpolador, fórmula
2. Considere a função f(x) e-x definida no intervalo [O, 3]. Usando o polinô
=
mio interpolador, fórmula de Lagrange de graus l, 2 e 3, calcule o valor

aproximado f(l.45) e um limitante superior para o erro em cada caso.
3. Obtenha o polinômio interpolador, fórmula de Newton, para as funções
cometido para o ponto a ser interpolado x = 0.23 em a) e x = 1.23 em b).
abaixo, nos pontos dados, com o auxílio do Software Numérico, avalie o erro
a) f(x) = cos(x) + 2x, Xo = 0. 1 x1 = 0 .3 x2 = 0.5
b) f(x) = e3 x sen(x), Xo = 1 .2 x1 = 1 . 7 x2 = 2.0
4. Seja f(x) 2ex + 3 definida no intervalo [O, 2].
=
a) Aproxime f(0.35) utilizando interpolação linear com x0 O e x1 0.5.

= =
b) Aproxime f(0.85) utilizando interpolação linear com Xo 0.5 x1 = 1.0.

=
c) Aproxime f(0.35) e f(0.85) utilizando um polinômio, fórmula de La

grange de grau 2, com os pontos Xo O x1 1 x2 = 2.
= =
d) Em qual dos casos obtemos melhor aproximação no ponto desejado?

Justifique suas afirmações.
5. Considere a equação x - ex = O.
a) Usando o método de Newton, resolva a equação com E = 0.0001.
b) Usando interpolação inversa, determine uma aproximação para a so- ·
lução da equação O.=
c) Compare os resultados obtidos.

6. Usando o Software Numérico e o polinômio interpolador, fórmula de
Newton e Newton-Gregory de grau 2, avalie f(0.45) a partir dos dados
da seguinte tabela:
Xj 0. 1 0.3 0.5 0.7 0.9
f(xi) 1.2500 1 .5678 3.6789 8.8900 1 0.5699
7. Mostre que existe um único polinômio de grau � 2 tal que P(l) 3, =
P((2) 5 e P(3) = 12.

=
Usando o polinômio interpolador, fórmula de Newton-Gregory, avalie

Pz(l.5).
8. De um automóvel percorrendo um trajeto em linha reta foi cronometrada
a distância percorrida em diversos momentos, conforme tabela dada:
Tempo (min) o 10 20 30
Distância (km) o 20.56 30 . 67 67.78
Usando interpolação, determinar a distância percorrida 15.6 minutos de
pois da partida;
9. Sendo P1(x) o polinômio de interpolação linear de f(x) em a e b, determi

ne e E (a , b) de modo que:
f(x)-P1 (x) = (x-a)(x -b) f< 2l(c), para as funções f(x) definidas como:
2
a) f(x) = x3, com a = 1 e b 2 e o ponto a ser interpolado x = 1 .5 .
=
b) f(x) = e-x, com a = 0.5 e b 1 e o ponto a ser interpolado x = 0.7.

=
10. Construa uma tabela para determinar o valor de ex para 0 2

xk = k/5 k = l, ... , 5 e determine o valor aproximado de e · 3 usando:
a) Polinômio interpolador, fórmula de Lagrange.
b) Polinômio interpolador, fórmula de Newton.
c) Calcular um limitante superior para o erro.
1 1. Determine um valor aproximado para cos(0.14) usando um polinômio
interpolador de grau 2, e calcule um limitante superior para o erro.
12. Em um experimento foram obtidos os seguintes dados:
1X· o 1 2 3 4
0.01 1.01 1.40 3.81 4.01
a) Determinar a reta que melhor se ajusta aos dados da tabela, usando o
método dos 5
mínimos quadrados, com o auxílio do Software Numérico.
b) Calcule L e(xi )2 .
i=l
13. Considere os dados de um experimento conforme tabela:

-9 -6 -4 -2 o 2 4
30.1 10.1 8.9 5.9 5.0 3.9 4.0 1
Usando o método dos mínimos quadrados e o Software Numérico, ajustar
aos dados da tabela funções:
a) Hiperbólica
b) Exponencial
c) Compare os resultados obtidos.
1 4. Considere a tabela de observações com valores de uma função f(t) (que
representa o consumo de água numa cidade no período t, ou a demanda
por um produto no período t) t O, ..., 4. Desejamos prever o futuro, isto é,
=
determinar o valor de /(5).

t o 1 2 3 4
f(t) 1 1 .0 10.5 10.3 10.2 10.2
Considere duas estratégias para prever o valor de f em t + 1 :

reta) e use o polinômio interpolador para prever f(t + 1).
a) Interpole f nos últimos dois períodos t - 1 e t (obtenha, portanto, uma
mos períodos t - 2, t - 1 e t e use a reta ajustada para prever f(t + 1).

b) Ajuste uma reta, pelo método dos mínimos quadrados, aos três últi-
Para avaliar as estratégias, considere t + 1 4 e use as duas estratégias para
=
prever f(4) e compare com o valor já observado f(4) 10.2. Qual das duas
=
estratégias apresentou resultado melhor?

Escolha a estratégia que apresentou o resultado melhor e utilize-a para
prever /(5).
15. Estime JV, usando a fórmula de interpolação de Lagrange sobre os
pontos Xo 9, x1 16, x2 25.
= = =
a) Avalie a precisão da estimativa, usando um limitante para o erro de

interpolação.
b) Utilize o valor de Jfi dado pela sua calculadora e compare com o
valor estimado pela interpolação. A precisão avaliada está coerente?
Comente.
Capítulo 5
Integração Numérica
5.1 Introdução
Neste capítulo, apresentamos algtms métodos numéricos para calcular aproxi
madamente a integral de uma função com uma variável real definida num
intervalo [a, b].
De uma maneira geral, temos:
1 J f(x) dx
b
onde f(x) é contínua com derivadas contínuas em [a, b].

Quando for possível determinar a função primitiva F(x) de f(x), tal que
F'(x) f(x), o valor da integral é dado por:
=
1= J f (x) dx F(b) - F(a)

b
Graficamente, considerando a função f(x) � O, para todo xe[a, b],

podemos relacionar 1 J f ( x ) d x com a área A, entre a curva e o eixo das
b
a
abscissas, conforme Figura 5.1 :
189
f(x)
f(b ) - - - - - - - - -
f(x)
f(a ) - - - - - - -
- - - - - - - - - - - - - - - -
a b X
Figura 5.1
Exemplo 5.1
Para calcular J x3 dx, como F(x)= � satisfaz F'(x) = x3, então:

2 4
o
4
o
J 4 4
x3 dx = F(2)-F(O) = (2) - (0) = 4
4 4
Entretanto, nem sempre é possível determinar a função primitiva F(x);
em algumas situações, mesmo conseguindo determinar F(x), seu tratamento
pode tomar-se complexo e trabalhoso. Podemos, ainda, desconhecer explici
tamente a função f(x) quando, em experimentos, obtemos os valores de f(x)
em pontos xi do intervalo de integração [a, b] sem, no entanto, ter o conhe
cimento da expressão analítica da função que necessitamos integrar. Nestes
o valor da integral definida 1.
casos, métodos numéricos são desenvolvidos para obter aproximações para
Estas aproximações podem ser obtidas a partir da integração do poli
nômio interpolador da função f(x), em pontos eqüidistantes do intervalo [a, b].
Este processo é conhecido como fórmulas de quadratura de Newton-Cotes.
Existem também outras fórmulas aproximadas para integração numé
rica conhecidas como fórmulas de quadratura de Gauss.
Assim, de um modo geral, fórmulas de integração numérica podem ser
obtidas pela integração do polinômio interpolador Pn(x) de uma função f(x)
definida em pontos distintos XQ, x11 , Xn do intervalo [a, b].
•••
Assim, temos:
J f(x) dx = J Pn (x) d x
Xn Xn
Xo
I ntegração Numérica 191
Podemos representar graficamente, conforme Figura 5.2:
Xn=b X
Figura 5.2
5.2 Fórmulas de quadratura de Newton-Cotes

Considere uma função definida em x0, xv ... , xn, (n + 1) pontos distintos e
eqüidistantes no intervalo [a, b ], isto é, (xi+ l - xi) = h i = O, 1, . .. , n 1 sendo
- ,
h > O a distância entre os pontos.

Quando consideramos Xo = a e Xn = b, temos as fórmulas fechadas de
Newton-Cotes.
Seja Pn(x) o polinômio interpolador de uma função f(x) definida nos
pontos XQ, x1, ..., Xn, (n + 1) pontos distintos e eqüidistantes no intervalo [a, b], tal
que Xo = a e Xn = b. Considerando que f(x) é suficientemente diferenciável,
temos da interpolação polinomial que:
f(x) = Pn(X) + En(X)
onde
( n+ l )
(n+ l )!
f (Ç)
En (x) = (X-X0 ) (X-Xn ) --
••• X0 � Ç � Xn
Assim,
J f (x) d x = J Pn (x) d x
Xn Xn
e o erro dado por:
J En (x)dx
xo
Como os pontos escolhidos são eqüidistantes, por simplicidade usamos

a fórmula de interpolação de Newton-Gregory:
+. .. + (x -x0) ... (X - Xn-1 ) --

An f(x0)
n! hn
a qual pode ser reescrita com a mudança de variável:
u = (x - Xo ) / h ou x = x0 + uh
de modo que na variável u os pontos de interpolação são sempre O, 1, ..., n e

o polinômio interpolador é dado por:
Pn (x) = A f(x0 )+ u A f(x0 )+ u(u - 1 ) A2 f (x0 ) + ... + u(u - 1 ) . . . (u - (n - l )) A f(x0 )
o 1
n
2! n!
e o erro na interpolação na variável u é dado por:
de modo que o erro na integração pode ser escrito como:
5.3 Erro cometido na integração numérica
Como vimos, quando aproximamos a integral J f (x) dx por J Pn (x) dx come-

Xn Xn
Xo
temos um erro, o qual é expresso pelo seguinte teorema:

Teorema 5.1
pontos xi Xo + ih i = O, l, . .. , n subdividem o intervalo de integra

a) Se f(x) possui (n + 1) derivadas contínuas no intervalo [Xo, xn] e os
=
ção num número ímpar de intervalos, então existe Ç tal que:

f( Ç) n
J (u) (u-1) . . . (u-n) du,
(n+l)
(n+ l ) !
hn+2
En =
0
Xo �Ç� xn
Integração Numérica 193
pontos xi = Xo + ih i = O, l, ... , n subdividem o intervalo de integra

b) Se f(x) possui (n + 2) derivadas contínuas no intervalo [ Xo, Xn], e os
ção num número par de intervalos, então existe Ç tal que:
(n+2) n
J
h n+3 f(Ç) n (u)(u-1) ... (u-n) du, x0 � Ç � x
En ! (u --) n
(n+2) 0 2
Prova: Jennings, W.
5.4 Regra dos trapézios
polinômio interpolador de Newton-Gregory da função f(x) de grau n = 1

Considere uma função f(x) definida em dois pontos Xo e x1 no intervalo [a, b].
O
é dado por:
º
P1 (x)= Liº f(xo )+(x -xo ) Li f(xl0 )
l!h
e
1
J f(x)dx = J P1 (x)dx = h J P1 (u)du
� �
� � o
onde u -{x-x0 ) , com h = x1 - x0 .

h
=
f(x)
Figura 5.3
Podemos integrar facilmente P1(u) e obter uma fórmula de integração

da seguinte forma:
J f(x) dx = hJ (�0 f(x0 )+u �1 f(x0 ) du = hJ �0 f(x0 ) du + hJ u �1 f(x0 ) du

x, 1 1 1
o
Como �0 f(x0) = f(x0 ) e �1 f(x0) = f(x1 ) - f(x0 ), temos:

Xo o o
Portanto, temos:
J f(x)dx = 2"h [f(x0 )+f(x1 )]
x,
� regra dos trapézios

Xo
Podemos observar que J f(x) dx corresponde à área do trapézio for

x,
><o
mada entre o polinômio interpolador P1(x) e o eixo das abscissas, conforme Fi-
gura 5.3, justificando, assim: a denominação regra dos trapézios.
5.4. 1 Erro na regra dos trapézios
Neste caso, o intervalo de integração n = 1 é ímpar e, portanto, pela parte (a)
do Teorema 5.1, temos:
E1 = h3 f ( 2 ) (Ç)
1
2!
J (u) (u-l) du x0 $ Ç $ x1
o
Como J u(u-1) du = --,

1 1 temos que o erro é dado por:
o
6
E1 = - �; f <2l (Ç)
Podemos observar que o argumento Ç na fórmula do erro E1 não é uma gran
deza numérica conhecida no intervalo [Xo, xi] e, portanto, não é possível
calculá-lo exatamente na regra dos trapézios, mas podemos calcular uma

estimativa, que será o limitante superior para o erro. Tomando a igualdade em
módulo, temos que:
1
I E1 1 = - �� f<2l(Ç) 1 = 1 - �� l i f<2> (Ç) I ÇE[x0 ,xi ]
Como i f < 2> (Ç) I � máx {i f< 2>(x) I , xE[x0 ,xi J }, temos que:
Exemplo 5.2
Calcule o valor aproximado de J (In(x) + x) dx usando a regra dos trapézios

1
0,5
e um limitante superior para o erro.

Solução:
Tabelando a função f(x) nos pontos x0 0.5 e x1 = 1, temos:
=
X 0.5 1
f(x) --0.1931 1.0000
Assim, usando a regra dos trapézios, temos:
J0,5 ( ln(x) +x) dx ::: -h2 [f(x0 )+f(x1 )] = -

1 o·5 [-0.1931+1.0000] = 0.2017
2
Como a função f(x) (2) = --1 , então i f< 2 >(0.5) l = máx { l f< 2 >(x) l 1 0.S � x � l } = 4,
X2
pois a função l f< 2 >(x) I = 1z é decrescente no intervalo [0.5, 1].
X
Desta forma, temos:
3
I E1 1 � (0.5)
12 (4) 0.0417 =
Regra dos trapézios generalizada
A regra dos trapézios generalizada consiste na subdivisão do intervalo de

integração em n subintervalos iguais, cada qual de amplitude h = (xn - Xo)/n,
Xo = a Xn = b, e em aplicarmos a regra dos trapézios em cada subintervalo,
isto é, a cada dois pontos consecutivos.
Representamos graficamente conforme Figura 5.4:
f(x)
f(x)
h h h
Figura 5.4
Assim, temos que:

J f(x)dx = 2h [f(x0 ) + f(x1 )] + 2h [f(x1 ) + f(x2 )] + . . . + 2h [f(xn_1 ) + f(xn )] =
Xn
xo
Erro na regra dos trapézios generalizada

Como vimos, em cada aplicação da regra dos trapézios temos a seguinte
expressão para o erro:
O erro total na fórmula generalizada é obtido a partir da soma dos erros

cometidos em cada subintervalo, isto é:
I ntegração Numérica 197
Co�o xi-t � Çi � xi , i l, ... , n e f2)(x) é uma função contínua por hipó

=
tese, então existe Çe [x0 , x n 1 tal que

n 2)
I/ 2 l <Çi > n f<( Ç >
=
i =l
Assim, a expressão para o erro na regra dos trapézios generalizada
toma-se:
Como o número de subintervalos n é dado por n (xn - Xo)/h, temos:

=
Et - - h2 (x - X ) f((2)Ç) ÇE [X , X ]
12 n o
= o n
Como o argumento Ç não é conhecido, não podemos determinar o erro exa
tamente, mas podemos calcular um limitante superior para o erro.
2
I E1 1 � h12 (xn - x0 ) máx { l f (2>(x) I , x0 � x � xn }
Exemplo 5.3
Calcule o valor aproximado da integral J F dx usando a regra dos trapézios

4
1
generalizada para 2, 4 e 6 subintervalos e um limitante superior para o erro.
a) Solução para 2 subintervalos
Neste caso, h é determinado por:
Tabelando a função f(x), com h 1.5, temos:=
X 1 2.5 4
f( x ) 1.000 1.5811 2.000
Assim,
f "rx
4
A. dx = -h2 [f(xo ) + 2f(x1) + f(x2 ) ] 125 [1 + 2(1.5811) + 2]

= _
.
1
Portanto,
J JX dx
4
= 4.6217
1

Usando a expressão do limitante superior para o erro, temos:
2
IE1 1 ::; h12 (xn - x0) máx { i f <2 >(x) l x0 ::; x ::; x2 }
1
Como a função Ú�) = -± x-312 , então i f < 2> (l)I = máx { l f< 2 > (x) l x E [l, 41 } = 0.25,
1
pois i f <2 >(x ) I é decrescente no intervalo [l, 4].

Assim, temos:
E t 1 ::; (1.5)2 (4-1 ) (0.25) = 0. 1406
I 12
b ) Solução para 4 subintervalos
Neste caso, o espaçamento h é determinado por:
h = (xn - Xo ) = 4-1 � h = 0.75
n 4
Tabelando a função f(x) com h = 0.75, temos:
X 1 1.75 2.5 3.25 4

f(x) 1.000 1.3229 1.5811 1.8028 2.000
Assim,
J JX dx = 2h [f(x0) + 2(f(x1 ) + f(x2 ) + f(x3 )) + f(x4 )] =

4
= º · 75 [1 + 2(1.3229 + 1.5811 + 1.8028) + 2] = 4.6551

2
Logo, temos:
J JX dx
4
= 4.6551
1

Usando a expressão do limitante superior para erro, temos:
Como a função f(x) (2) = - 1 x-3/2 , então i f< 2>(1) I = máx i f<2 >(x) I , xe[l, 4] } = 0.25,
4 {
pois l f( 2 )(x) I é decrescente no intervalo [l, 4].
Assim, temos:
I E1 1 � (0.75 ) (4 - 1 ) (0.25) = 0.0352
2
12
e)Solução para 6 subintervalos
Neste caso, o espaçamento h é determinado por:
h = (xn n- Xo ) = 4 6-1 � = h = 0.5
Tabelando a função f(x) com h=0.5, temos:
X 1 1.5 2.0 2.5 3.0 3.5 4

f(x) 1.0000 1.2247 1.4142 1.5811 1.7321 1 .8708 2.0000
Assim,
4
J JX dx = h2 [f(x0)+ 2(f(x1 )+f(x2 )+f(x3 )+ f(x4 )+ f(x5 ))+f(x6 )] =
-
1
= 0.5 [1+2(1.2247+ 1 .41 42 + 1 .5811 + 1.7321 + 1 .8708) + 2] = 4.6615
2
Portanto,
J JX dx = 4.6615
4

{l }
O valor de máx f < 2 l(x) , x0 :5: x :5: xn = 0.25 como nos casos anteriores e,
I
portanto, temos:
2
j E , j :5: (0.5) (4 - 1 ) (0.25) = 0 .0 1 56
12
Apresentamos a seguir a Tabela 5. 1 , com os resultados obtidos pela regra
dos trapézios com 2, 4 e 6 subintervalos e um limitante superior para o erro
em cada caso.
Tabela de resultados da regra dos trapézios com 2, 4 e 6 subintervalos e

limitante superior para o erro
2 subintervalos 4 subintervalos 6 subintervalos

Valor aproximado 4.621 7 4.6551 4.6615
Limitante superior 0.1406 0.0352 0.0156
Tabela 5.1
Observe, na Tabela 5. 1 , que na medida em que diminuímos o espaça

mento h, isto é, aumentamos o número de subintervalos, os resultados obtidos
são mais próximos do valor exato da integral, isto é, o erro tende a zero.
5.5 Regra 1 /3 de Simpson

Considere uma função f(x) definida em três pontos distintos x0, x1, x2 eqüidis
tantes no intervalo [a, b], e o polinômio interpolador de Newton-Gregory da
função f(x), de grau n = 2, com Xo = a e x2 = b, escrito como:
Assim,
2
f f(x) dx = f P2 (x) dx = hf P2 (u) du
� �
� � o
(x - x0 ) (x - x0 )
onde u = com h = n ---
h ' n
f(x)
f(x)
:xo = a X
Figura 5.5
Assim,
Uma vez que,
Assim, temos:
·rJ f(x) dx = h [f(x0 ) + 4f(xi )+ f(x2 )] � regra 1/3 de Simpson

-
Xo
3
5.5. 1 Erro na regra 113 de Simpson

Neste caso, o intervalo de integração foi subdividido em um número n = 2
(par de subintervalos) e, portanto, pela parte (b) do Teorema 5.1, temos:
n+3 f(n(x+2))
E0 = h
(n +2) !
u
J (u -n/2) (u) (u - 1) ... (u - n) du x0 $ Ç $ x0
0
(4)
E2 = 4 ! J (u - l)(u)(u - l)(u - 2) d u
h5 f(Ç) 2
o
J
2 4
o
Como (u - l)(u)(u - 2) du = - -, temos:
15
Como o argumento Ç não é conhecido, não é possível calcular o erro exa

tamente, portanto, trabalhamos com um limitante superior como segue:

Temos que o erro é dado por:
, Xo $ x $ X2
(4 )
h5 f ( Ç )
E2 = -
90
Tomando em módulo a expressão anterior temos que:
l �� l l f(4l(Ç) I Ç e [x0 , x2 ]
J E2 J = -
Desta forma, podemos escrever o limitante superior para o erro como:
J E2 J $ 90 $ x $ x2 }
h5
{ máx 1 f( 4 l(x ) I , x 0
Exemplo 5.4
J cos(x) d x usando a regra 1 /3 de

1 .5
Calcule o valor aproximado da integral

0.5
Simpson e um limitante superior para o erro.
Solução
Neste caso, o valor do espaçamento h é calculado por:
h= (b - a) = 0.5
2
Tabelando a função f(x) = cos (x) com h = 0.5, temos:
X 0.5 1.0 1.5

f(x) 0.8776 0.5403 0.0707
Desta forma, temos:

h
J f(x) dx o ·5 [0.8776+ 4(0.5403)+0.0707] = 05183
l .5
= -3 [f(x0 )+ 4f(x1 )+f(x2 )] = -3

�
Portanto,
f cos(x) dx
1 .5
= 0.5183
0.5

Da fórmula do limitante superior para erro, temos que:
1 E2 I ::;; 9h50 máx {J f( 4 l (x ) J , x E [0.5, 1.51 }
Como a função f( 4 l (x ) = cos(x), então J f ( 4 l(O.S)j = máx {J f< 4 l (x) J } = 0.8776, pois a
função l f<4 > (x) I é decrescente no intervalo [0.5, 1.5].
Assim,
(0 .8776) = 0.0003
5
1 E2 I ::;; (0.5)
90
Regra 1/3 de Simpson generalizada

Na regra 1/3 de Simpson, foram necessários 3 pontos para a interpolação quadrá
tica, o que significa a divisão do intervalo de integração em 2 subintervalos.
A regra 1 /3 Simpson generalizada consiste em subdividirmos o intervalo
[a, b] de integração em n subintervalos de amplitude h, onde n é um número
par de subintervalos, de forma que x0 = a, Xn = b e aplicarmos a regra 1 /3 de
Simpson em cada 2 subintervalos consecutivos.
f(x)
2
P (x)
j
f(x)
h
Xn-2 Xn-1 Xn = b X
Figura 5.6
Assim, aplicando a regra 1 /3 de Simpson para cada 3 pontos, isto é, a

cada 2 subintervalos, temos:
f f(x)dx = -h3 [f(x0)+4f(x1)+f(x2 )] + -h3 [f(x2 )+4f(x3 }+f(x4 )] + ... +

Xn
X()
Erro na regra 1/3 generalizada de Simpson

\
Para cada dois subintervalos (3 pontos distintos e eqüidistantes } , aplicamos

a regra 1 /3 de Simpson e o erro cometido para cada aplicação é dado por:
(4)
2-
E _ _
h5 f( Çd x2i-2 � Çi � x2i i = 1, 2, ... , n/2
90
Desta forma, o erro total cometido na regra 1 /3 de Simpson generali
zada é obtido a partir da soma dos erros cometidos a cada aplicação da regra
1 /3 de Simpson a cada dois subintervalos subseqüentes, isto é:
= L --
n/2
hS f((4) ) X2 2 � � X2
E1
90 Ç i- Çi i
i i = 1, 2, ... , n/2
i=l
Como x0 :5 Çi :5 Xn i 1, 2, ... , n/2 e f<4> (x) é contínua por hipótese, então

=
existe um Ç E [x0 , xn ] tal que:
I f ( çi > /2 (4)
n/2 (4)
=
� f(Ç)
i=l 2
Assim, a expressão para o erro na regra 1 /3 de Simpson generalizada

é dada por:
Como o número de subintervalos n = �

(xn xo )
, temos que:
(4)
4
h
E1 = - - (xn - Xo ) f ( Ç )
180

Como Ç E [x0 , xn 1 não é uma grandeza numérica conhecida, trabalhamos
com um limitante para o erro, conforme segue:
Exemplo 5.5
J
3
Calcule o valor aproximado da ( xex + 1 ) d x, usando a regra 1 /3 de Simpson

o
para 2, 4 e 6 subintervalos e um limitante superior para o erro.
Neste caso, o valor do espaçamento h é dado por:
(xn - Xo )
h = = 1.5
n
Tabelando a função f(x) para h = 1 .5, temos:
X o 1 .5 3.0
f(x) 1 .0000 7.7225 61.2566
Assim,
3
f (xex + 1) dx = -h [f(x0 )+ 4f(x1 )+ f(x2 )] = -
1 ·5
(1+ 4(7.7225)+ 61.2566) = 46.5733
o 3 3
Portanto, temos:
3
f (xex + 1) dx = 46.5733
o

4) = ex (4 + x) e l f( 4 ) (3) = máx { l f( 4 ) (x) 1, x E [O, 3J}

Como f ((x) I = 140.5988,
pois a função l f( 4l(x) I é crescente em módulo no intervalo [O, 3].
Temos:
(1 .5) 4
I Et l �
1 80
(3 - 1) (140. 5 988) = 1 1 . 8630
b)Solução para 4 subintervalos

(xn - Xo )
h= = 0.75
n
X o 0.75 1.5 2.25 3 .0

f(x) 1 .0000 2.5878 7.7225 22.3474 61 .2566
Assim,
J (xex + 1) dx = -h3 [f(x0 ) + 4(f(xi )+ f(x3 )) + 2f(x2 ) + f(x4 )]
3
= 0 · 75 (1 + 4 (2.5878 + 22.3474) + 2 (7.7225) + 61 .2566) = 44.3606

3
Portanto, temos:
J (xex + 1) d x
3
= 44.3606
o

. \
Como f (x) = ex (4 + x) e l f( 4 l (3) I = máx {l f( 4 > (x) , , x E [O, 31 } = 140.5988, pois

(4)
a função i f< 4 > (x) I é crescente em módulo no intervalo [O, 3].
Temos:
4
I E1 1 � (0.75)
1 80
(3 - 1)(140.5988) = 0.74 1 4
e) Solução para 6 subintervalos

h (xn - xo )
= = 0.5
n
X o 0.5 1 .0 1 .5 2.0 2.5 3.0

f(x) 1.0000 1 .8244 3.7183 7.7225 15.7781 31 .4562 61 .2566
Assim,
J (xex + 1) dx -3 [ f (x0 ) + 4 (f (x1 ) + f (x3 ) + f (x5 ))+ 2(f (x2 ) + f (x4 ) ) + f (x6 ) ] =
3 h
=
o
0.5
= [ 1 + 4 (1 .8244 + 7.7225 + 31 .4562) + 2(3.7183 + 15.7781) +
3
+ 61 .2566 ] = 44.2103
Portanto,
J (xex
3
+ 1) dx = 44.2103
o

Como f (4)(x) = ex (4 + x) e i f(4 l(3)l = máx { l f(4 >(x) 1 1 x e [O, 31} = 140.5988, como
nos casos anteriores, temos:
4
I Et 1 � (0.5) (3-0) (140.5988) = 0. 1 465
1 80
Apresentamos, a seguir, a Tabela 5.2 com os resultados obtidos usando

a regra 1/3 de Simpson, com 2, 4 e 6 subintervalos e um limitante superior
para o erro em cada caso.
Tabela de resultados da regra 1/3 de Simpson com 2, 4 e 6 subintervalos e


Valor aproximado 46.5733 44.3606 44.2103
Limitante superior 11 .8630 0.7414 0.1465
Tabela 5.2
Observação
Pode-se notar que, na medida em que diminuímos o espaçamento h entre
os pontos, o limitante superior para o erro decresce, indicando valores mais
próximos do valor exato da integral.
5.6 Regra 3/8 de Simpson
Considere uma função f(x) definida em XQ, xv x2, x3 quatro pontos distintos e
eqüidistantes de um intervalo [a, b]. Neste intervalo, considere o polinómio
interpolador de Newton-Gregory da função f(x), de grau n = 3, com Xo a e =
x3 = b, isto é,
o
1 0) �2 f(x0 ) +
P3 (x) = �ºf(Y� ) + (x -xo ) � f(x + (x -x )(x -x 1 )
''IJ
l ! hl 2 ! h2
3 o)
+ (x -x0 )(x -xi )(x-x2 ) �3 f(x
! h3
e, portanto,
3
J f(x) dx :: J P3 (x) dx J P3 (u) du
X3 X3
=h
"o "o o
com h = Xn - Xo .
(x - x0 )
onde u =
h n
f(x)
Figura 5.7
Assim,
J f(x) dx :: h J [Aºf(x0 )+uAi f(x0 ) + u (u2.� l) ,:l2 f(x0 ) +

X3 3
-�i(u - 2) ,:l3f(x0 )] du = h J3 Aºf(x0 ) du +

"o o
(u)(u
+
0
u(u � l) 2
3 3
+h J uAi f(x0 ) du + h J ,:l f(x0 ) du +
o o 2.
3 (u)(u - l)(u - 2)
+h J ,:l3 f(xo ) du
o 3!
Uma vez que,
Assim, temos:
J f(x) dx = 83 h [f(x0 ) + 3f(x1 )+ 3f(x2 ) + f(x3 )]

X3
Xo
5.6. 1 Erro na regra 318 de Simpson

Para esta regra de integração, o intervalo [a, b] foi subdividido em um número
n 3, ímpar, de subintervalos e, portanto, pela parte a) do Teorema 5.1, temos:
=
J0 u (u - l )(u - 2) . . . (u - n) du
h n+2 (n+l ) 0
E0 = -
r,- f(Ç) Ç e [x0 , x3 ]
,n + l) !
logo,
h
E3 = -
5 (4 ) 3
f(Ç)
4!
J u(u - l )(u - 2)(u - 3) du Ç e [x0 , x3 ]
o
Resolvendo-se a integral da expressão anterior, temos:

3 (4)
E3 = - - hs f( Ç )
80
I E3 1 $ :o h5 máx { l f (4>(x) l , x0 $ x $ x3 }
Exemplo 5.6
J
1 .2
Calcule o valor aproximado da (ex +Sx) dx usando a regra 3/8 de Simpson

0.3
e um limitante superior para o erro.
Solução:
Temos h =
(xn - xo )
= 0.3
n
Tabelando a função f(x) com h 0.3, temos: =
X 0.3 0.6 0. 9 1.2

f(x) 2.8499 4.8221 6 . 9 596 9.3201
Assim,
J
1 .2
3
)+f(x2 ))+f(x3 )]
0. 3
f(x)dx =
B h[f(x0)+3(f(x1
3
= - (0.3) [2.8499 + 3 (4. 822 1 + 6.9596) + 9 . 320 1 ]
8
Portanto temos:
1 .2
J (ex + 5x) dx = 5 . 3454

0. 3
(4)
Neste caso, f ( x ) =eX, é uma função crescente em módulo no intervalo
[x0, x3] logo,
i f <4l (l .2) 1 = máx { l f ! 4 l (x) I , x e [0.3, 1 .21 } = 9 .3201
Portanto,
1 E3 I � � (0.3) 5 (9.320 1) = 0.0085

8

A regra 3/8 de Simpson generalizada consiste em 'subdividirmos o inter
número múltiplo de 3, de forma que Xo = a Xn = b e aplicarmos a regra 3/8 de

valo [a, b] de integração em n subintervalos, de amplitude h, onde n é um
Simpson a cada 4 pontos consecutivos, ou 3 subintervalos consecutivos.

f(x)
h h h h h h
Xn-3 Xn-2 Xn-1 Xn b =

X
Figura 5.8
Assim,
f f(x) dx 3 3
�
XQ
=-
8 h[f(x0)+3f(x1 )+3f(x2 )+f(x3 )]+-h[f(x
8 3 )+3f(x4 )+3f(x5 )+f(x6 )]+...+
+ S3 h[f(xn-3 )+3f(xn_2 )+3f(xn_1 )+f(xn )] =
=
3
s h[f(x0 )+3(f(x1 )+f(x2 )+f(x4 )+f(x5 )+... +f(xn_2 )+f(xn_1 ))+
+2 (f(x3 )+f(x6 )+...+f(xn-3 ))+f(xn )]
Erro na Regra de 3/8 de Simpson generalizada
Para cada três subintervalos, ou quatro pontos distintos e eqüidistantes, apli

camos a regra 3 / 8 de Simpson e o erro em cada aplicação é dado por:
Assim, o erro total cometido na Regra 3/8 de Simpson generalizada é

obtido a partir da soma dos erros cometidos em cada aplicação da regra 3/8 de
Simpson, a cada 3 subintervalos subseqüentes, isto é,
L -- h5 f ( ÇJ
i=l
3 (4)
1, 2, ... , n /3
n/3
Et = i =
80
No entanto, como f4) (x) é contínua por hipótese e Çi E [x3 i_3 , x3 d então
existe Ç E [ x0 , Xn ], tal que:
I f(4) ( ÇJ = n3 f<4) ( Çç )
n/3
-
i=I
Portanto,
= - - hs - f( ..,� )
3 n <4 l
E
t 80 3
(xn Xo )
Como o número de subintervalos é dado por n = � , temos:
- (xn - X0 ) f(Ç)
h4 (4)
E1 = X0 � Ç � x n
80
Exemplo 5.7
7
Calcule o valor aproximado da J in (x + 9) dx usando a regra 3/8 de Simpson
1
para 3, 6 e 9 subintervalos e um limitante superior para o erro.
Neste caso, o espaçamento h é dado por:
Tabelando a função com h = 2, temos:
X 1 3 5 7
f(x) 2.3026 2.4849 2.6391 2.7726
Assim,
J ln (x + 9) dx = -38 h [f(x0 ) + 3f(xi ) + 3f(x2 ) + f(x3 )]

7
3
= - 2 [2.3026 + 3 (2.4841 +2.6391)+
1
8
+ 2.7726 ] = 15.3354
Portanto, temos
J ln(x +9) dx
7
= 15.3354
1

Temos que a fórmula do limitante superior para o erro é dada por:
(4)
-
Como f ( x )
6 é uma função decrescente em módulo, no
(x+9)4
=
intervalo [1,7], temos:
Portanto,
1 E1 1 � (2)4 (7 - 1 ) (0.0006) 0 . 0007

=
80
b) Solução para 6 subintervalos
Neste caso, o espaçamento h é dado por:
Tabelando a função f(x) com h = l , temos:
X 1 2 3 4 5 6 7
f(x) 2.3026 2.3979 2.4849 2.5649 2.6391 2.7081 2.7726
Assim,
J ln (x + 9)dx
7
= -38 h [f(x0 )+3(f(xi )+f(x2 )+f(x4 )+f(x5 ))+ 2f(x3 )+f(x6 )] =
=
3(l) [2.3026+3(2.3979+2.4849+ 2.6391 + 2.7081) +
8
+ 2 (2.5649) + 2.7726] 15.3356 =
Portanto, temos:
f ln (x +9) dx
7
= 15.3356
1
Da fórmula do limitante superior para o erro, temos:
Como
l f (4l( l) I = máx { l f ( 4l(x) I , x E[l.7] } = 0.0006

então temos:
l )4 ( 7 -1)(0.0006) = 0.0004
j Ei j � (80
e) Solução para 9 subintervalos:
Neste caso, temos que o espaçamento h é dado por:
h = (xn n- Xo ) = 3_
3
X 1 5/3 7/3 3 11/3 13/3 5 17/3 19/3 7
f(x) 2.3026 2.3671 2.4277 2.4849 2.5390 2.5909 2.6391 2.6856 2.7300 2.7726
Assim,
7
J ln (x + 9 ) dx = 38 h [f(x0 )+3(f(x 1 )+f(x 2 )+f(x4 )+ f(x 5 )+ f(x7 )+ f(x 8 ))+
-
1
+2(f(x 3 )+f(x6 ))+f(x9 )] = 3 (2 !3) [2.3026+3( 2.3671 +2.4277 +2.5390+
8
+ 2.5909+2.6856+2.7300) + 2 ( 2.4849+2.6391)+2.7726] = 15.3360
Portanto, temos:
f ln(x+9) dx
7
= 15.3360
1

Da fórmula do limitante para o erro, temos que:
Como j f (4l(l ) j = máx { j f < 4l(x ) j , x E [l, 7] } 0.0006 temos:

=
1 E1 1 :5; (2/3)
80 4 ( - ) (0.0006)
7 1 = 0.000089
Concluímos, portanto, que na medida em que diminuímos o valor do

espaçamento h, obtemos um limitante superior para o erro cada vez menor,
o que significa que temos valores aproximados melhores comparados com o
valor exato da integral.
Apresentamos, a seguir, a Tabela 5.3 com os resultados obtidos pela regra
3/8 de Simpson, com 3,6 e 9 subintervalos e um limitante superior para o
erro em cada caso.
Tabela de resultados da regra 3/8 de Simpson com 2, 4 e 6 subintervalos e


Valor aproximado 15.3354 15.3356 15.3360
Limitante superior 0.0007 0.0004 0.000089
Tabela 5.3
5. 7 Fórmula de quadratura de Gauss

Apresentamos, ainda neste capítulo, uma maneira alternativa para calcular
a integral de uma função, conhecida como fórmula de quadratura de Gauss,
ou simplesmente quadratura gaussiana. As fórmulas de Newton-Cotes estu
dadas anteriormente são obtidas integrando-se os polinômios interpoladores
e, como as expressões dos erros envolvem a (n + 1 )-ésima ou (n + 2)-ésima
derivadas da função a ser integrada, são exatas para polinômios de grau :5; n
ou grau ::;; n + 1. Veremos que é possível obter fórmulas de integração, as quais
são exatas para polinômios de graus superiores.
Considere a integral de uma função 1 = J f(x )dx.
b
a
Desejamos desenvolver uma fórmula de integração na forma:

= J f(x) dx = A0f(x0) + A 1 f(x 1 ) + ... + A n f(x n )
b
1
a
onde os coeficientes Ai e os pontos xi i O, . . . , n devem ser determinados de

=
forma a obter a melhor precisão possível. Note que nesta expressão temos
2n + 2 incógnitas, isto é, A0, Ai, ... , An, x0, ... , Xn .
Podemos esperar que seja possível encontrar valores que integrem exa
tamente polinômios de grau � 2n + 1, uma vez que estes são definidos por
2n + 2 parâmetros.
Fazemos inicialmente o desenvolvimento para dois pontos:
1= J f(x) dx = A0f(x0 ) + A1 f(x1 )

b
Por simplicidade, consideramos o intervalo de integração dado por [-1, 1 ],

sem perda de generalidade. De fato, podemos sempre reduzir um intervalo
de integração [a, b], com a e b finitos, no intervalo [-1, 1] por meio de uma
mudança de variável, como, por exemplo,
x(t) = "21 (b-a)t + 21 (b+a), t e [-1, 1]
Ou seja, qualquer que seja x E [a, b], existe t E [-1, 1] tal que x = x(t).
Assim, considerando dx = x ' ( t)dt ! ( b - a)dt, temos:

=
2
1 = J f(x) dx = J f(x(t))x '(t) dt = J F(t) dt
b 1 1
a -1 -1
Onde
1 - a) f(-(b
F(t) = -(b 1 - a)t + -(b
1 + a))
2 2 2
I>essa forma, construímos uma fórmula de integração da seguinte maneira:
1=
1
f F(t) dt ::: A0 F( t0) + A 1 F( t1 )
-1
em que os parâmetros A0, Av t0 e ti devem ser determinados de modo que

seja exata para polinômios de graus :5: 3 (neste caso, n 1). Para isto, basta =
exigir que seja exata para os polinômios F0( t) = l, F1 (t) = t, F2(t) = t 2 e F3 (t) = t 3 ,
pois qualquer outro polinômio de grau � 3 pode ser escrito como:
Assim, se tivermos
1
J Fk (t) dt = A0 Fk (t0) + A 1 Fk (t 1 ) k = O, 1, 2, 3
-1
isto é, a fórmula é exata para estes polinômios, então:
1 1 1 1 1
J P3 (t) dt = a0 J F0( t)dt + a 1 J F1 (t)dt + a2 J F2(t)dt + a 3 J F3 (t)dt =
� � � � �
= a0(A0 F0( t0 ) + A 1 F0 (t 1 )) + a 1 (A0 F1 (t0) + A 1 F1 (t 1 )) +

+ ª 2 (Ao F2 (t o ) + A 1 F2 (t 1 )) + ª3 (Ao F3 (to ) + A1 F3 (t 1 )) =
= A0 P3 ( t 0 ) + A 1 P3 ( t 1 )
Ou seja, é exata para o cálculo de P3 (t).

Portanto, considerando F0( t) = l, F1 (t) = t, F2 (t) = t 2 e F3 (t) = t 3 , as incóg
nitas Ao, Av t0 e t1 podem ser determinadas por:
1
J tk dt = A0 t� + A 1 t� , k = O, 1, 2, 3.
-1
Ou seja, temos o sistema:
1
Para k = O � J t 0dt = A0 t� + A 1 t�
-1
1
Para k = 1 � J t 1 dt = A0 t� + A 1 t:
-1
1
Para k = 2 � J t 2dt = A0 t� + A 1 ti
-1
1 3
Para k = 3 � J t dt = A0 t� + A1ti
-1
Como as integrais que aparecem neste sistema são facilmente calcu

ladas, temos um sistema de equações não-lineares:
A0 + A 1 = 2
A0 t0 + A 1 t 1 = O
A0 t � + A1 t i = 2 / 3
A0 t� + A 1 t; = O
Para resolver este sistema, considere t0 -t1 e a solução é imediata e
=
dada por:
-t0 = t 1 = J3
- = 0.577350
3
Portanto,
l
f F(t ) dt = !Gauss = F(- -)
J3 + F(-)
J3
�
3 3
Esta fórmula é chamada quadratura de Gauss, é exata para polinómios

de grau � 3, por construção, e pode ser usada para aproximar integrais de
funções não polinomiais.
Para n 2 (3 pontos), esta fórmula é exata para polinómios de grau � 5,
=
isto é, se F(t) for um polinómio de grau � 5, então,
I = J F(t )dt = AoF(t0 )+A1 F(t1 )+ A2 F(t 2)

1
Analogamente ao caso anterior, n = l, podemos considerar F0(t) = 1,

-1
F1(t) = t, F2(t) = t2, F3 (t) = t3, F4(t) = t4 e F5(t) = t5 e as incógnitas A0, Av

A2, to, ti. e t2 podem ser determinadas por:
f t k dt = A0 t� + A1 t� , k = O, l, ... , 5
1
-1
Ou seja,
1
Para k = O � J t º dt = A0 t� + A 1 t� + A 2 t �
-1
1
Para k = 1 � J t 1 dt = A0 t� + A 1 t� + A 1 t ;
-1
1
Para k = 2 � J t 2 dt = A0 t� + A 1 t; + A 2 t;
-1
1
Para k = 3 � J t 3 dt = A0 t� + A 1 ti + A 2 t�
-1
1
Para k = 4 � J t 4 dt = A0 t� + A 1 t : + A 2 t�
-1
1
Para k = 5 � J t 5 dt = A0 t� + A 1 t i + A 2 t;
-1
Como as integrais que aparecem neste sistema são facilmente calcu
ladas, temos um sistema de equações não-lineares:
A0 + A 1 + A 2 = 2
A 0 t0 + A 1 t 1 + A 2 t 2 = O
A0 t� + A 1 ti + A1t ; = 2 / 3
A 0 t� + A 1 t ; + A 2 t ; = O
A0 t� + A 1 t � + A 2 t� = 2 / 5
A0 t� + A 1 t ; + A1t; = O
simetria nos pontos to, t1 e t2 (propriedade que pode ser mostrada em geral):
A solução deste sistema não-linear pode ser obtida facilmente por considerar
uma
to = -t2, t 1 e t1 = O
Substituindo no sistema, obtemos:

5
A0 = A 2 = g = 0.555556
8
A I = - = 0.888889
9
- t0 = t 2 = .jt = 0.774597
tl = o
Assim,para 3 pontos (n 2), a fórmula de quadratura de Gauss para urna

=
função qualquer, exata para polinômios de graus :5: 5, por construção, é dada por:
!Gauss = � F(-./f) + � F(O) + � F(./f)
9 9 9
Portanto,
J F(t) dt = � F(-J-f)+ � F(O)+ � F( J-f)
1
: !Gauss
-1
9 9 9
Para mais detalhes sobre este assunto, veja Conte, S. D.; Boor, C.
Exemplo 5.8
3
Calcule 1 = J 3exdx, usando a quadratura gaussiana para n 2 pontos. =
1
Solução
Fazendo mudança de variável na função f(x) = 3 ex no intervalo [l, 3] para o
intervalo [-1, 1], temos:
x = -1 (b-a)t+ -1 (b+a)= t + 2 e F( t)= 3e( 1+2>
2 2
Assim,
3
f f(x) dx = f F( t)dt = A0 F( t0 ) + A 1 F( t1 )
1
1 -1
com
A0 = A1 = 1
J3 = -0. 5 77 3 5
t0 = - -
3
t.
J3 = 0.57735
=-
3
Logo,
J3 ) = 3e -3
lcauss = Ao F(to )+A1F(t1 ) = F( -J3
( J3 +2 )
3 )-+F(-3 + 3e( J33 +2) = 51.9309

Portanto,
J 3exdx lcauss = 51.9309
3
=:
1
Exemplo 5.9
3
Calcule 1 = J 3ex dx, usando a quadratura gaussiana para n = 3 pontos.
1
Solução:
Fazendo mudança de variável na função f(x) = 3 ex no intervalo [l, 3] para o
intervalo [-1, 1] temos:
x = -1 (b-a)t+-(b+a)=
1 t + 2 e F(t) = 3e(t+Z)
2 2
Assim,
3
f f(x) dx = f F(t)dt = A0 F(t0 ) + A 1 F(t1 ) + A 2 F(t2 ) =
1
1 -1
= � F(-jt ) + � F(O) + � F( jt ) = 52.1004

9 9 9
Logo,
3J 3exdx :: ! auss = 52.1004
1 G
Podemos usar o exemplo anterior para comparar numericamente a fór

mula de quadratura de Gauss com 3 pontos, regra 1 /3 de Simpson e o valor
"exato" da integral.
3J 3exdx = 3ex 3 = 52.1018
Valor exato �
1 1 1
Apresentamos a seguir a Tabela 5.4 com os resultados obtidos pelas

diversas fórmulas de integração numérica .
Tabela de comparação quadratura de Gauss e regra 1/3 de Simpson
1 / 3 Simpson 1 /3 Simpson 1 / 3 Simpson

Exato Gauss n = 2 Gauss n = 3 3 pontos 5 pontos 7 pontos
Valor 52.1018 51 .9309 52.1004 52.3601 52.1194 52.1053
-
Erro 0.1709 0.0014 0.2583 0.0176 0.0035
Tabela 5.4
Observações
Analisando os resultados obtidos na Tabela 5.4, podemos concluir que:
1 . As fórmulas de quadratura de Gauss produzem resultados melho
res com menor esforço computacional do que as regras de Simpson,
no sentido que, com menos avaliações da função é possível obter
resultados melhores. Entretanto, nem sempre a expressão da função
a ser integrada é disponível, podendo ser conhecida em pontos defi
nidos por experimento. Neste caso, as fórmulas de quadratura de
Gauss não podem ser usadas.
2. Quando aumentamos o número de pontos, ambas as fórmulas me
lhoram a precisão, como o esperado.
car a fórmula de quadratura de Gauss, com n = 3 pontos, em cada

3. Se o intervalo de integração for grande, podemos subdividi-lo e apli
subintervalo, do mesmo modo que a regra 1 /3 de Simpson é obtida,

mantendo o polinómio interpolador de grau 2, e o intervalo de inte
gração é subdividido.
5.8 Integração dupla

Apresentamos, nesta seção, métodos numéricos para a resolução da integral
de funções com duas variáveis, na forma geral:
I= JJ f(x, y ) dy dx,
b d
a�x�b e c�y�d
a e
Ou, ainda, podemos escrever:
I= JrJ f(x, y) dy] dx

b d
a e
J f(x, y)dy , então temos que:

d
Considere F(x) =
1= J F(x) dx
b
Para calcular esta integral, usaremos a regra dos trapézios generalizada,

seguidamente da regra 1 /3 de Simpson Generalizada, desenvolvidas ante
riormente para integração de uma função com uma variável real.
5.8.1 Regra dos trapézios generalizada

Usando a regra dos trapézios generalizada, temos que:
J F(x)dx := 2h [F(x0 ) + 2(F(x 1 ) + F(x2) + ... + F(x0_1 )) + F(x 0 )]

b
I=
a
onde
F(xJ = f f(x i , y) dy := 2h [f(x i , y0 ) + 2(f(x i ' y 1 ) + ...+ f(x i , y 0_1 )) + f(x i , y 0 )]

d
i = O , ... , n
Os(n + 1) valores F(xi) podem ser calculados por qualquer método de

integração visto anteriormente, e com estes valores podemos calcular o valor
aproximado de I = J J f(x, y)dydx.

b d
a e
5.8.2 Regra 113 de Simpson generalizada

Usando a regra 1 /3 de Simpson, desenvolvida anteriormente nesta se
ção, temos:
J F(x)dx
b
h
I= = 3 [F(x0 )+4(F(x 1 )+ F(x 3 )+ ...+ F(x 0_1 }}+2(F(x2)+ F(x 4 )+ ... +
a
+ F(x0_2 }}+ F(x 0 )]

onde
F(xJ ::: J f(x i , y) dy

d
i = O, ... , n
Os (n 1) valores de F(xi) podem ser calculados por qualquer método

+
de integração visto anteriormente, e com estes valores podemos calcular
o valor aproximado de I = J J f(x, y) dy dx.

b d
a e
Exemplo 5.10
1 .0 0 .5
Calcule o valor da integral dupla J J
ln(x + y ) dy dx.
0. 1 0 . 1
Seja F(x) = J ln(x + y ) dy, então 1 = J F(x) dx.
M 1�
0. 1 0. 1
Para calcular 1 = J F(x) dx, usaremos a regra dos trapézios generalizada
1 .0
0. 1
para h = 0.3 com os pontos x0 = 0.1, x1 = 0.4, x2 = 0.7 e x3 = 1 .0.
Temos:
1 .0
o3
I = J F(x)dx :: -'- [F(x 0 ) + 2(F(x 1 ) + F(x 2 )) + F(x 3 )]
0. 1 2
Para calcular F(xi) i = O, ... , 3, usamos a regra dos trapézios generalizada

com h = 0.1 e y0 = 0.1, y1 = 0.2, y2 = 0.3, y3 = 0.4, y4 = 0.5.
Assim temos:
0.5
�(x0 ) = F(O.l) = f ln(O.l + y) dy ::
0. 1
O.l
= [ln(O.l + y 0 ) + 2(ln(0.1 + y 1 ) + ln(0.1 + y 2 ) + ln(O.l + y 3 )) +
2
+ ln(O.l + y 4 )] = - 0.3874
0.5
F(x 1 ) = F(0.4) = f ln(0.4 + y ) dy ::
0. 1
O.l
= [ln(0.4 + y 0 ) + 2(ln(0.4 + y 1 ) + ln(0.4 + y 2 ) + ln(0.4 + y 3 )) +
2
+ ln(0.4 + y 4 ) ] = - 0.1490
0.5
F(x 2 ) = F(0.7) = f ln(0.7 + y) dy ::
0. 1
O.l
= [ln(0.7 + y 0 ) + 2(ln(0.7 + y 1 ) + ln(0.7 + y 2 ) + ln(0.7 + y 3 )) +
2
+ ln(0.7 + y 4 )] = - 0.0030
0.5
F(x 3 ) = F(l .O) = f ln(l .O + y) dy ::
0. 1
O. l
= [ln(l.0 + y 0 ) + 2(ln( l .0 + y 1 ) + ln(l .0 + y 2 ) + ln(l .O + y 3 )) +
+ ln(l.0 + y 4 )] = 0.1032
2
Assim, temos:
0.3
= [-0.3874 + 2(-0.1490 - 0.0030) + 0.1032] -0.0882
=
2
Portanto,
1 .0 0.5
J J ln(x + y) dy dx = -0.0882.
0.1 0. 1
Exemplo 5.11
1
J J cos(x + y) dy dx.
2
Calcule o valor da integral dupla
o o
1 2
Seja F(x) = J cos(x + y)dy, então I = J F(x) dx.
o o
Para calcular 1 = J F(x) dx, usaremos a regra 1 / 3 de Simpson genera-

2
lizada para h = 0.5 com x 0 = O, x 1 = 0.5, x 2 = 1 .0 e x 3 = 1 .5 e x 4 = 2.0.

Temos:
1 = F(x) dx :: -·- [ F(x0 )+ 4(F(x1 )+ F(x 3 )) + 2(F(x 2 )) + F(x 4 )]

J
2
5 o
o 3
1
Para o cálculo de F(xJ = J cos(x i + y) dy i = O, . . , 5, usaremos a regra 1 /3
.
o
de Simpson generalizada com h = 0.2 e os pontos y 3 = 0.6, y 4 = 0.8 e y 5 = 1 .0,
y0 = O, y = 0.2, y 2 = 0.4, conforme segue:
1
o2
F(x 0 ) = F(O) = J cos(O + y) dy = -·-[cos(O) + 4(cos(0.2) + cos(0.6)) +
1
o 3
+ 2(cos(0.4) + cos(0.8)) + cos(l.O)] = 0.7998
1
o2
F(x 1 ) = F(0.5) J cos(0.5 + y) dy = -·- [cos(0.5) + 4(cos(0.7) + cos(l.1)) +
=
o 3
+ 2(cos(0.9) + cos(l.3)) + cos(l .5)] = 0.5067
f
1
o2
F(x2 ) = F(l .O) = cos(l .O + y) d y = -·- [cos(l .O) + 4(cos(l .2) + cos(l .6)) +
o 3
+ 2(cos(l .4) + cos(l .8)) + cos( 2.0)] = 0.0229
f
1
02
F(x3 ) = F(l .5) = cos(l .5 + y) d y = -·- [cos(l .5) + 4(cos(l .7) + cos(2. l)) +
o 3
+ 2(cos(l .9) + cos(2.3)) + cos(2.5)] = - 0.3496
f
1
02
F(x4 ) = F(2.0) = cos( 2 .0 + y) d y = -·- [co s( 2.0 ) + 4(cos(2. 2 ) + cos(2.6)) +
o 3
+ 2(cos(2.4) + cos(2.8)) + cos(3.0)] = - 0.7031
Assim, ternos:
1 = F(x) dx =
2
J o º 5 [F(x0 ) + 4(F(x ) + F(x
--
3
1 3 )) + 2(F(x 2 )) + F(x 4 )] =
o
05
= · [(0.7998) + 4(0.5067 - 0.3496) + 2(0.0229) + (-0.7031)] = - 0.1285
3
Portanto,
21
J J cos(x + y)dy dx = -0.1285
00

No Software Numérico, o usuário deve selecionar o Módulo Integração Numé
rica e selecionar a opção Entrar com Pontos seguido de Tabela de Pontos ou
Entrar com Função especificando o valor do espaçamento h ou ainda com a
opção de fornecer o número de pontos desejado no processo de integração.
Exemplo 5.12
Considere o seguinte problema:
Um automóvel percorre urna distância entre duas cidades em 10 horas.
Com auxílio de um marcador de velocidade, ternos a velocidade do automó
vel a cada hora, conforme dados a seguir:
Tempo (horas) o 1 2 3 4 5 6 7 8 9 10
Vel. (km/hora) o 50.4 53.7 67.5 74.3 84.6 92. 1 98.3 100 105 110
Qual a distância percorrida pelo automóvel?

Solução:
10
O cálculo da distância percorrida é J f(x) dx.
o
Usamos o Software Numérico, selecionamos a opção Integração Numé-

rica, digitamos os dados fornecidos, seguido da opção Regra 1/3 de Simpson,
conforme Figura 5.9 a, b e c.
10
0.0000 0.0000
1.0000 50.4000
2.0000
3.0000
4.. 0000
a) b)
Regra 1 13 de Sillpson
Regra 318 de Sillpson
e) d)
Assim, temos o valor da distância percorrida pelo automóvel, dada por:

10
J f(x) dx = 791 .1333, conforme ilustrado na Figura 5.9 d).
o
Figura 5.9
Exercícios
1. Usando a regra dos trapézios generalizada, calcule o valor aproximado
da J (cos (x) + x) dx, usando 6 pontos e um limitante superior para o erro.
6
2. Calcule o valor aproximado da J 3 e-x dx usando:

1
o
a)
Regra dos trapézios generalizada, com h = 1 /5.
b)
Regra 1 /3 de Simpson generalizada, com h = 1 /6.
c)
Regra 3/8 de Simpson generalizada, com h = 1 /6.
d)
Usando o Software Numérico, calcule a integral acima e compare com
os resultados obtidos.
Para cada caso, calcule um limitante superior para o erro.
2
3. Calcule o valor aproximado da J e 2 x dx usando:
1
a) Regra dos trapézios generalizada, com 4 subintervalos.

b) Regra 1 /3 de Simpson generalizada, com 6 subintervalos.
c) Regra 3/8 de Simpson generalizada, com 9 subintervalos.
d)Usando o Software Numérico, calcule a integral acima e compare com
Para cada caso, calcule um limitante superior para o erro.
4. Considere as margens de um rio e tome como referência de medida uma
linha reta a uma das margens desse rio. Foram medidas distâncias, em me
tros, entre esta linha reta e as duas margens, de 10 em 10 metros, a partir
do ponto tomado como origem. Tais dados foram registrados na tabela a
seguir. Determine o valor aproximado da área do rio no intervalo [10, 30],
usando seus conhecimentos de cálculo numérico e com o auxílio do
Software Numérico.
X o 10 20 30 50
y(M1) 50.8 86.2 136 72.8 51
y(M2) 113.6 144.5 185 171 .2 95.3
5. Determine o menor número de subintervalos em que podemos dividir o

1
intervalo [O, 1 ] para obter o valor da J 4 e- 2 x dx, pela regra 3/8 de Simpson
o
generalizada, com erro � 0.01.
J (ln (x + 8) - 2x) dx
5.6
6. Calcule o valor aproximado da usando a regra 1 /3
1.6
de Simpson generalizada com 6 subintervalos e um limitante superior
para o erro.
7. Calcule o valor aproximado da integral do exercício 6) usando a regra
3/8 de Simpson generalizada com 10 pontos e um limitante superior
para o erro.
8. Determine o menor número de subintervalos em que podemos dividir
1.8
o intervalo [0.2; 1 .8 ] para calcular J (x2 + sen(x)+ 3) dx com um erro
0.2
0.0001 usando:
a) Regra 1 /3 de Simpson generalizada.
b) Regra 3/8 de Simpson generalizada.
c) Usando o Software Numérico, calcule a integral acima e compare com
9. Considere a função f(x) dada através da seguinte tabela:
X o 1 2 3 4 5 6
f(x) 0.21 0.32 0.42 0.51 0.82 0.91 1 .12
6
a) Usando a regra dos trapézios generalizada, calcule o valor da J f(x) dx.
o
b) Usando a regra 1/3 de Simpson generalizada, calcule o valor da J f(x) dx.

6
c) Usando a regra 3/8 de Simpson generalizada, calcule o valor da J f(x) dx.

6
d) Usando o Software Numérico, calcule a integral acima, e compare

com os resultados obtidos.
10. Determinar o menor número de subintervalos em que podemos dividir
o intervalo [0.1; 0.7] para calcular I J (e -3x + 7x) dx usando a regra dos
0.7
=
0.1
calcule o valor aproximado de I.

trapézios com um erro menor que ou igual a 0.001 . Para esta divisão,
2
11. Calcule J cos(x)
--
(1 + x)
.
dx usando 6 submtervalos:
1
a) Regra dos trapézios generalizada.

b) Regra 1 /3 de Simpson generalizada.
c) Regra 3/8 de Simpson generalizada.
12. Determine o menor número de subintervalos em que podemos dividir o
J JX d x com um erro � 0.001 usando:
4
intervalo [1,4] para calcular

1
a) Regra dos trapézios generalizada.
b) Regra 1 /3 de Simpson generalizada.
c) Regra 3/8 de Simpson generalizada.
d) Usando o Software Numérico, calcule a integral acima e compare com
13. Considere a função f(x) = ln(x) + x2 tabelada nos pontos:
X 0.1 0.2 0.33 0.5

f(x) -2.2926 -1 .5694 -1 .1140 -0.4431
0.5
Usando a regra 1 /3 de Simpson e a regra dos trapézios, calcule J f(x) dx.
0.1
J J e<x+y) dy dx usando:
1 0.5
14. Calcule
o o
a) Regra dos trapézios generalizada com h = 0.2.

b) Regra 1 /3 de Simpson generalizada com h = 0.1 .
15. Usando a fórmula de quadratura de Gauss:
a) Calcular I = J cos 2 (x) dx com 2 pontos e 3 pontos.

1
· o
b) Calcular I = J cos 2 (x) dx pela regra 1 /3 de Simpson com 3 pontos e

1
o
5 pontos.
c) Comparar os resultados obtidos em a) e b). Comente.
Capítulo 6
Solução Numérica de Equações

Diferenciais Ordinárias
6.1 Introdução
A importância do estudo das equações diferenciais ordinárias justifica-se
pelo fato de ocorrerem com muita freqüência na modelagem matemática de
diferentes situações práticas, principalmente nas áreas de engenharia, física,
biologia, economia, biomedicina etc.
Métodos numéricos para resolução dessas equações diferenciais ordiná
rias são fundamentais, pois com freqüência soluções exatas não são possíveis,
ou muito difícil de serem determinadas.
Tipicamente, problemas que envolvem uma variável e suas derivadas
levam a uma equação diferencial ordinária.
A seguir, apresentamos um problema simplificado para ilustrar uma
equação diferencial ordinária.
Exemplo 6.1
Sabemos que, em condições normais, uma população de uma certa localidade
cresce a uma taxa proporcional ao número de indivíduos. Sabendo-se que após
dois anos a população é o dobro da população inicial e após três anos é de vinte
mil indivíduos, qual é o número de indivíduos da população dessa localidade?
Solução:
Consideremos:
N = N(t) � número de indivíduos no instante (t)
N0 = N(to) � número de indivíduos no instante (to)
Como a taxa de variação da população é proporcional ao número de indiví
duos, temos a seguinte equação:
dN
= KN
dt
onde K é uma constante de proporcionalidade.
233
Essa equação obtida é uma equação diferencial ordinária, pois rela

ciona a variável N (número de indivíduos) e sua derivada com relação à
variável t (tempo).
A solução analítica ou exata desta equação é dada por:
N(t) = c eK1
Pois, se derivarmos esta expressão em relação à variável (t), obtemos:
d N(t) d N(t)
= K e eK' � = K N(t)
dt dt
Note que, para todo c E ':R, a função N(t) é uma solução da equação dife
rencial obtida, isto é, esta equação apresenta infinitas soluções. Entretanto,
com os dados do problema, o parâmetro "c" pode ser unicamente determinado.
Cálculo de (e):
Considere o instante inicial to = O, quando o número de indivíduos é N(O) = N0•
Logo, temos que c = N0 e, portanto,
N(t) = N0e K '
Como a população dobra em 2 anos, segue que, para t = 2, N(2) = 2N0 e, subs
Cálculo de (K):
tituindo na expressão obtida, segue que:

K = 0.3466
N(t) = N o e o.3466 1
Cálculo da população inicial (N0):

Sabemos que para t = 3 anos, o tamanho da população da cidade é de N =
20.000 indivíduos.
Logo, podemos concluir que a população inicial da referida cidade é
N0 = 7070 indivíduos
Desta maneira, a variável N, a qual depende da variável t, que resolve
o problema para todo t, é dada por:
N(t) = 7070 e°" 3466 1 t ;?: O
Obviamente, esta solução tem sentido somente para valores pequenos
de t, uma vez que, com o crescimento indiscriminado da população, as "condi
ções normais" devem ser alteradas.
Solução Numérica de Equações Diferenciais Ordinárias 235
Nem sempre podemos ter uma solução analítica para uma equação
diferencial, como no exemplo dado. Entretanto, devemos saber avaliar
tante ti, i = 1, 2, ...

(mesmo que aproximadamente) N(ti), isto é, o tamanho da população no ins
Definição 6.1
Uma equação diferencial ordinária de ordem n é uma equação da se
guinte forma:
F (x, y (x), y ' (x), y " (x), ... , y (nl (x) ) = O
onde estão envolvidas a função incógnita y = y(x) e suas derivadas até ordem n,
sendo x a variável independente.
A notação yG> representa a derivada de ordem j da função incógnita y em
dj y .
d xl
relação à variável independente x e pode também ser representada por
Exemplo 6.2
--
As equações a seguir podem ser escritas conforme a Definição 6.1 e são equações
, . onde y ' =
. . dy d2 y
1 erencia1s ord"manas,
d"f , y" = 2 .
dx dx
dy
( )2
a) = 3x - 1 � ordem 1
dx
b) e Y ____I.2 + 2 _r = 1 � ordem 2
d2 d
dx dx
c) y ' + 3 y " + 6y = sen (x) � ordem 2
Quando a função incógnita depende de mais de uma variável e rela

ciona suas derivadas parciais, temos uma equação diferencial a derivadas
parciais, ou uma equação diferencial parcial.
Exemplo 6.3
-
As equações seguintes são equações diferenciais parciais:
= o � a função incógnita y = y(t, x)

ª2 y 2
4ª y
a x2
a)
a t2
b) Uxx + Uy y = O � a funçao . , . U = U , e Uxx = azu , U = azu

- InCOgnita (X y)
a xz yy a yz -- -
6.2 Problema de valor inicial (PVI)

Vimos, no Exemplo 6.1, que quando a taxa de variação da função incógnita y
em relação à variável x é proporcional a y, temos a seguinte equação diferencial:
dy
= ky
dx
y = y ( x ) = c e kx
Vimos também que a solução para esta equação diferencial é dada por:
onde c é uma constante arbitrária.

Assim, a equação diferencial dada apresenta infinitas soluções, uma
vez que para cada valor escolhido para a constante c temos uma solução,
conforme ilustrado na Figura 6.1 .
y(x)
-------- -
X
Figu ra 6.1
Se considerarmos que a solução deve passar por um determinado ponto,

isto é, se considerarmos que em x = Xo o valor de y(x0) = y0, temos para o pro
blema proposto uma única solução.
�o
Tal solução é obtida quando usamos a solução da equação diferencial
no ponto x = Xo e obtemos o valor para constante c, isto é, c = .
e ><o
Assim, a única solução para a equação diferencial é dada por:

y ( x ) = Yo é(x - xo l
Definição 6.2
Um Problema de Valor Inicial (PVI) de primeira ordem consiste de uma equa
ção diferencial y ' = f (x, y), x � x 0 , e uma condição inicial y(Xo) = y0, onde y0 é
um valor dado, chamado de valor inicial.
{
Neste caso, podemos escrever o PVI da seguinte forma:
y ' = f (x, y )
(1)
y (x o ) = Yo
Uma condição que garante a existência e a unicidade da solução do PVI
é dada pelo seguinte teorema:
Teorema 6.1
finitos e - oo < y < + oo Se existe uma constante L tal que para todo x e [ a , b ] e
Considere uma função real f(x, y) contínua no intervalo a $ x $ b, com a e b
.
paratodopar(y,y1 ) tivermos: i f(x , y) - f(x , y1 ) 1 $ L 1 y - y1 l <CondiçãodeLipschitz

então existe uma única função y = y(x) satisfazendo as seguintes condições:
a) y(x) é contínua e diferenciável para todo x e [ a, b ]
b ) y ' = f (x , y (x)) para x e [ a, b ]
c) y(Xo) = yo, onde Yo é um valor conhecido.
Em outras palavras, a solução do PVI é uma função y = y(x) contínua e dife
renciável que satisfaz a equação diferencial y ' = f (x , y) e passa pelo ponto (Xo, y0).
Prova: Sotomayor, J. D.
Em muitas aplicações, podemos ter também um sistema de m-equações
simultâneas de primeira ordem em m funções incógnitas y1, y2, ... , Yrn em re
lação a uma variável independente x.
mo ponto Xo, temos um problema de valor inicial para um sistema de equações

Se cada uma dessas funções incógnitas satisfizer a condição inicial no mes
diferenciais de primeira ordem, o qual pode ser escrito da seguinte maneira:
dy l
- = f1 (x, Yu Y2 1 ... , Ym )
dx
dy 2
-- = f2 (x, Yu Y2 1 ... , Ym )
dx
dy m
= Í,,, ( X , Yu Y2 1 ··· 1 Ym )
dx
com valores iniciais:
Y1 (X o ) = ªu Y2 ( Xo ) = ª2 1 ... , Ym ( X o ) = a m
onde f11 f2, ... , frn são funções dadas e a11 a2, ... , Um são valores dados.
Podemos escrever em notação matricial:
f2 (x, y u Y 2 1 ··· 1 Ym ) CX.2

Y= F(x, Y) = Y0 =
f.n (x,
Y u Y2 1 ... , Ym )
{ !:
Assim, o sistema pode ser escrito da seguinte maneira:
= F (x, Y)
Y(x0 ) = Yo
Exemplo 6.4
Considere o sistema de equações de primeira ordem dado por:
d yl
=
d x Y2
d y2
= 4yi
dx
y 1 (0) = l, y 2 ( 0 ) = 2 , para x e [ a, b ]
[ l [
Podemos escrever o sistema dado na forma matricial conforme segue:
Y =
y 1 (x)
Y2 (x)
F (x, Y) = j [1 ]
f1 (x, y 1 1 Y2 )
f2 (x, Y1 1 Y2 )
e Y0 =
2
onde f1 (x, y 1 , y 2 ) = Y2 e f2 (x, Y1 1 Y2 ) = 4yi .
Podemos, ainda, na modelagem matemática de um problema, obter
uma equação diferencial de ordem m, isto é,
sendo a função f e os valores au a 2 , ... , a m conhecidos.

Ou, ainda, na notação alternativa:

y <rnl = f(x, y, y ', y " , . .. , y <rn-l l ) (2)
y(x o ) = CX.1 1 y '(x o ) = CX.z , y " (x o ) = CX. 3 , ... , y < rn-l l (x o ) = cx. rn
Podemos escrever a Equação 2 como um sistema de equaçf>es diferenciais de
primeira ordem com valores iniciais, pela definição das seguintes novas variáveis:
y1 (x) = y (x)
Yz ( X ) = Y 11 (x) = y '(x)
y3 (x) = y '2 (x) = y " (x)
Yrn (x) = y 'rn-1 (x) = y< rn-l l( x)

Com estas mudanças de variáveis, podemos escrever o seguinte sistema
de equações diferenciais ordinárias de primeira ordem, o qual é equivalente
à equação diferencial de ordem m dada em (2):
Y 'i = Yz
Y 12 = Y3
Y 1 rn-1 = Yrn
e as condições iniciais:
Y1 ( X o ) = CX.1 , Yz (X o ) = CX.z , y 3 ( Xo ) = CX. 3 , ..., yrn (Xo ) = CX. m
Usando a notação matricial, temos:
{ !� = F(x, Y)
Y (x0 ) = Y0
em que,
y2 CX.1
y3 CX.2
F (x, Y) = e Y0 =
f {x, Y1 1 Y2 1 ... , Yrn ) CX.rn

Exemplo 6.5
Considere a seguinte equação diferencial de quarta ordem dada por:
y( 4 l = y( 3 > - 2 y + 3x
y (x0 ) = 1, y'(x0 ) = 2, y " (x0) = 3, y "'(x0) = 4
Considere as seguintes variáveis:
Y1 = Y
Y2 = Y 'i = y '
y3 = y '2 = y "
Y4 = y '3 = y "'
Podemos escrever a equação diferencial de 4i ordem equivalente ao se-
guinte sistema de primeira ordem:
y '1 = Y2
Y '2 = Y3
y '3 = Y 4
y '4 = y4 - 2 y1 + 3x
com as seguintes condições iniciais:
f ::
ou, ainda, em notação matricial:
= F (x, Y)
Y (x0 ) = Y0
em que
Y2 Y1 1
Y3 Y2 2
F (x, Y) = Y= Yo =
Y4 Y3 3
y4 - 2y 1 + 3 x Y4 4
Os métodos numéricos apresentados neste capítulo para problemas de valo

res iniciais definidos em (1) podem também ser estendidos para o cálculo da solu
ção aproximada de problemas de valores iniciais com m equações simultâneas
de primeira ordem e, portanto, para equações diferenciais de ordem superior.
6.3 Discretização
Resolver numericamente um PVI consiste em calcular aproximações para
y y(x) em pontos discretos x0, x1 1 x2, , xN de um intervalo [a, b] .
= •.•
Para discretizar o intervalo [ a, b ], tomamos N subintervalos (N � 1 ) e

fazemos Xn Xo + nh n O 1, 2, ... , N com x0 = a e xN b, sendo h (xN - x0 )
= = , = = .
N
A este conjunto de pontos Xo, x1, x21 , xN denominamos rede ou malha de
•••
pontos discretos e calculamos aproximações para y(x) nestes pontos, isto é,

determinamos Yn tal que Yn = y(x n ) n O l, ... , N.
= ,
A partir de um ponto inicial dado y(Xo) y0 (valor inicial), calculamos passo

=
a passo, nos pontos x 1 x0 + h, x 2 x0 + 2 h, x3 x0 + 3 h, , x n x0 + nh,

= = = ... =
soluções aproximadas Yn para a solução exata y(xn) n O l, 2, ... , N, conforme

= ,
ilustrado na Figura 6.2.
y (x)
Solução exata
YN
Yn-1
Y1
Yo
X
o
Figura 6.2
O erro local, cometido nas aproximações em cada ponto, é a diferença

entre o valor exato da equação diferencial e o valor numérico aproximado em
cada um dos pontos do intervalo [a, b ], isto é:
e(x n ) y(x n ) - Y n , n 1, ... , N
= =
6.4 Métodos baseados em série de Taylor

Revisamos brevemente o desenvolvimento de uma função em série de Taylor
nas vizinhanças de um ponto x"' como segue:
Considere f(x) uma função contínua, e supomos que todas as suas
derivadas existam no ponto x Xn . A sêrie de Taylor nas vizinhanças do
=
ponto Xn é escrita como:
f(x) :: f(x n ) + (x -x n ) f ( l l (x n ) + (x -x n ) f< 2 >(x n ) + . . . + . . . (x - x n )P f( P > (x n ) + . . .

2
1! 2! p!
(l
onde f( Pl (xn ) = d P f(xn ) é a p-ésima derivada de f em xn
dxP
Se truncarmos o desenvolvimento da série de Ta ylor, no p-ésimo
termo, teremos:
Considere o ponto x = x n+i = x n + h.

Assim, temos que:
f ( Xn+1 ) =- f( xn ) + h f(l) (xn ) + h2 f( 2 ) (xn ) + ... + hP f(p) ( xn )
l! 2! P!
O erro de truncamento na série de Taylor é dado por:
Estimativa para o erro de truncamento

Considerando que a função f(x) possui a (p + 1)-ésima derivada contínua no
intervalo de discretização [a, b] e seja M = máx { J f<p+1 > (x) J, x E [a, b] }.
Assim, uma estimativa para o erro de truncamento é dada por:
1
E = M hp+ ---
(p + 1)!
{
Retomemos ao PVI:
y ' = f(x, y)
y (x o ) = Yo
Supondo que a solução y(x) do PVI possui suas derivadas contínuas

para todo x E [ a, b] , então podemos desenvolvê-la em série de Taylor em
tomo do ponto Xw isto é:
h2 hP (p)
Y ( Xn + h) - Y ( X n ) + h Y '( Xn ) + 2! Y " (Xn ) + .. + p! Y ( Xn ) + ...
•
Se truncarmos a série no termo de ordem p, ternos:

2
y (x n + h) = y (x n ) + hy '(x n ) + h y " (x n ) + ... + hP y < P l (x n )
2! p!
Neste caso o erro de truncamento é da ordem de hP+1 e denota-se ü(h<P+1 l).
y� y�
Usando a notação y n = y(x n ), y� = f(x n y n ), y� = � f(x n ' y n ) etc., e,
I
dx
considerando que x n+i x n + h, podemos calcular aproximações para y(x)
=
a partir de:
= + h ' + h 2 " + ... + hP y ( � ) � Método de Taylor de ordem p

Yn + Yn Y 2! Y n
1 n - -
p!
As expressões das derivadas de y no método de Taylor podem ser desen
volvidas, usando a seguinte notação:
y' = f(x, y)
y " = � y' = � f(x, y) = fx (x, y)+ fy (x, y)y '
dx dx
onde fx é a derivada de f com relação à variável x e fy é a derivada de f com
relação à y.
Assim, podemos escrever no ponto (xw Yn):
Y� = f(x n , Yn )
Y � = fx ( Xn , Yn ) + fy ( Xn , Yn ) Y� = fx (Xn , Yn ) + fy (x n , Yn )f( X n , Yn )
Ou, ainda, numa notação mais simplificada:
De maneira análoga, usando regras de derivação, podemos obter:

Observe que o cálculo das derivadas de ordem superior de y toma-se

cada vez mais complicado, com exceção dos casos em que a função f tenha
uma expressão bem simples, o que toma o método de Taylor de ordens su
periores inaceitável computacionalmente.
6.4. 1 Método de Euler

O método de Euler é um método de Taylor de ordem 1
Considere o PVI:
{y' = f(x,y)
y ( xo ) = Yo
A maneira mais simples para calcular a solução aproximada do PVI foi
introduzida por Euler por volta de 1768.
Considere, no desenvolvimento da série de Taylor para p = 1 :
Yn + l = Yn +h y 'n
e como y 'n = f(x n , Y n ), podemos escrever:
Yn+I = Yn + hf(x n , Yn ) n = O, l, 2, ... � Método de Euler
O Método de Euler consiste em, no primeiro passo, calcular y1 = y0 +

hf(Xo, y0), que é a aproximação Y1 da solução exata y(x1) no ponto X1 .
No segundo passo, y 2 = y 1 + hf(x1 , y 1 ), que é a aproximação Y2 da
solução exata y(x2) no ponto x2 . E, assim, sucessivamente, para cada um dos
pontos Xn n = O, 1, 2, , N de um intervalo [a, b].
...
Podemos interpretar graficamente o método de Euler aproximando a

função y(x) pela reta tangente no ponto dado (Xo, y(Xo)) da seguinte forma:
(y - yo ) = m(x - x0 )
onde m = y '(x0 ) = f(x0 , y0 ) é o coeficiente angular dessa reta.
Tomando y = y 1 e x = x 1, temos que:
Ou, ainda,
Assim, o ponto (x11 y1) pertence a esta reta tangente, e o mesmo raciocí
nio para os demais pontos discretizados, conforme ilustramos na Figura 6.3.
y(x) y(x)
y(x 1 ) = Yt ------------------------
Yo
X
o
Figura 6.3
O erro local cometido é a diferença entre o valor exato e o valor aproxi

mado em cada ponto (xw Yn) n O l, ... , N.
= ,
Erro de truncamento
Estimativa para o erro
No método de Euler, truncamos a série de Taylor em p = 1, uma estimativa
para o erro é dada por:
M h2
E= --
2!
onde
M máx { I y "(x) j , x E [a, b] }
=
Método de passo simples

O método de Euler, Y n +i Y n + hf (x n , Y n ), é chamado de método de passo
=
simples, pois, para calcular Yn +t usamos apenas o valor de Yn ·

Métodos que são descritos por fórmulas do tipo
Yn+l = <l>( Xn , Yn )
são chamados de métodos de passo simples.
Outros métodos podem ser desenvolvidos de forma que:

Yn+l = cl> (x n , Yn 1 Yn-1 ' Yn-2 1 )
. •.
São chamados de métodos de passo múltiplo.

Algoritmo 6.1
Considere o PVI:
{ y' = f(x, y)
y(x o ) = Yo
1. Declare:
a) Função f(x, y).
b) Condições iniciais: y(Xo) = yo).
(b - ª) .
c) Intervalo [a, b], onde a = Xo·
d) Número de subintervalos N e calcule: h =
N
2. Para n = O, ... , (N - 1), faça:
Calcule:
início
= Xn +h
Yn+l = Yn + hf(x n ' Y n )
Xn+l
fim
Exemplo 6.6
Usando o método de Euler, calcule a solução aproximada do seguinte PVI e
{
uma estimativa para o erro:
y' = f(x, y) = y -x
y (x0 ) = y(O) = 2
para x e [a, b] = [O, 1] e N = 4 subintervalos.

Temos:
Logo, o intervalo [O, 1] é discretizado por:
a = Xo
Do método de Euler:
Yn+l = Yn + h f ( Xn , Yn )
Cálculo de Y1
Para n·= O, temos a condição inicial y(x0 ) = y(O) = 2, então:
Y1 = Yo + h f ( x o , Yo ) = Yo + i [ Yo - Xo ] = 2.5000
Cálculo de Y2
Para n = l, temos:
Cálculo de y3
Para n = 2, temos:
YJ = Y2 + hf (x2 , Y2 ) = Y 2 + H Y2 - X2 ] = 3.7031
Cálculo de y4
Para n = 3, temos:
Estimativa para o erro
h2
E= T máx { J y " (x) J , x E [0, 11 }
Como a solução analítica y(x) do PVI é dada por y(x) = ex + x+ l, temos

que máx { J y " (x) J , x E [0, 1] } = 2.7182, uma vez que y " (x) = ex é uma função
crescente em módulo.
Portanto, temos:
E = (l / 4 )2 (2.7182) = 0.0849
2
Na Tabela 6.1 são apresentados os valores exatos, a partir de y(x) = ex + x + 1
(exata), a solução numérica encontrada pelo método de Euler e com os res
pectivos erros locais, nos pontos x0 = O, x 1 = t, x 2 = i, X 3 = t, x0 = 1 .
Tabela dos valores exatos e aproximados do PVI

Método de Euler
n Xt Sol. �_ i(x,J Sol. aprox. (y.) Erro = y(x.,) - y.

o o 2.0 2.0 O.O
1 1 /4 2 .5340 2.5000 0 .0340
2 2/4 3 . 1487 1
1
3 .0625 0 .0862
3 3 /4 3 . 8670
1 3 . 7031 0 . 1 639
4 1 4.7183 4.-±414 0 .2769
Tabela 6.1
Observe que a estimativa para o erro é "boa" no início do processo (é um

limitante superior no ponto x 1 ), mas piora quando os pontos afastam-se do
ponto inicial.
6.4.2 Método de Taylor de ordem p = 2

Usando o desenvolvimento da função solução y(x) do PVI, em série de Taylor,
é possível construir métodos de ordem maior do que p = 1. Neste caso, o único
inconveniente é o cálculo de derivadas, que para p 2 ainda é viável.=
Truncando o desenvolvimento da série de Taylor em p = 2, temos:
Yn+l = Yn + h Yn' + 2! Y n
h2 li
onde
Exemplo 6.4
Usando o método de Série de Taylor, de ordem p = 2, calcule a solução do
{
PVI definido por:
y ' = f( X , y) = X - y + 2
y (x0 ) = y(O) = 2
Para x E [a, b] = [O, 1] e usando uma discretização em 5 subinter
valos, temos:
h = (b - a) = 0 2 .
N
Logo,
Método de Taylor de ordem 2:
h2
Yn+1 = Yn + hy� + 2! y� n = O, l, 2, ... , 5
onde
y� = f(x n , Yn ) = X n -y n + 2
y�1 = fx (X n , Yn )+fy ( X n , Yn ) Y� = 1 +(-l)(X n -y n + 2) = -X n +y n - l
Cálculo de Y1
Para n = O, temos a condição inicial y(Xo) = y(O) 2, então:=
h21 li
Y1 = Yo + h Yo + -2! Y
o
Assim,
h2 (-x
Y1 = yo + h(xo - Yo + 2) + -
2 0 + y0 - 1) = 2.0200
Cálculo de Y2
Para n = 1, temos:
h2
Y2 = y1 + h (x1 - Y1 + 2) + - (-x1 + y1 - 1 ) = 2.0724
2
Cálculo de y3
Para n = 2, temos:
h2 (-x
y3 = y2 + h(x2 - Y2 + 2) + -
2 2 + y2 - 1 ) = 2.1514
Cálculo de Y4
Para n = 3, temos:
Cálculo de y5
Para n = 4, temos:
h2
Ys = y4 + h(x4 - y4 + 2) + -( -x4 + y4 - 1 ) = 2.3707
2
Exemplo 6.5
Usando o método de Euler de ordem p = 1, calcule a solução do PVI do
exemplo anterior.
Método de Euler: y n+i = y n + hf(x n , y n )
Assim, temos:
Cálculo de Y1
Para n = O, temos a condição inicial y(Xo) y(O) 2, então:
= =
logo,
Y1 = yo + h(xo -y0 +2) = 2.0000
Cálculo de y2
Para n 1, temos:
=
Cálculo de y3
Para n 2, temos:
=
Cálculo de y4
Para n 3, temos:
=
Cálculo de Ys
Para n 4, temos:
=
Na Tabela 6.2 são apresentados os valores exatos a partir de y(x) e-x + x + 1,

=
a solução numérica encontrada com o método de Euler (método de Taylor

de ordem 1), o método de Taylor de ordem 2 e com os respectivos erros, nos
pontos de discretização.
Solução Numérica d e Equações Diferenciais Ordinárias 251

Métodos de Taylor de ordens p = 1ep = 2
Sol. ap rox. Sol. aprox. Erro Erro

N X1 Sol. exata (p = 1) (p = 2) :?; (p = t) (p = 2)
o o 2.0 2.0 2.0 o.o o.o
1 0.2 2.0187 2.0 2 .0200 0.0187 0.0013
2 0.4 2 . 0703 2 . 0400 2.0724 0 . 0303 0 . 0021
3 0.6 2 . 1 488 2 . 1120 2.1514 0 . 0368 0. 0026
4 0.8 2.2493 2 . 2096 2.2521 0 . 0397 0.0028
5 1.0 2 .3679 2 . 3277 2 .3707 0 . 0402 0 .0028
Tabela 6.2
Observações
a) Os dados da Tabela 6.2 foram calculados usando quatro casas deci
mais e arredondamento.
aproximada usando os método de Taylor de ordem p = 1 e p 2.
b) O erro absoluto calculado se refere à diferença entre a solução exata e a
=
c) Conforme a expectativa, o método de Taylor de ordem 2 apresentou

resultados melhores.
6.5 Métodos de Runge-Kutta

Dentre os métodos numéricos para calcular a solução aproximada de proble
mas de valor inicial (PVI) mais utilizados, pela sua simplicidade e precisão,
estão os chamados métodos de Runge-Kutta, ou melhor, métodos de Carl
David Tolmé Runge (1856-1927) e Wilhelm Kutta (1867-1944).
Esses métodos apresentam precisão equivalente aos métodos de Taylor,
porém, com a vantagem de evitar o cálculo de derivadas de ordem elevada
que além, da complexidade analítica, exigem um significativo esforço compu
tacional. Ao contrário disto, os métodos de Runge-Kutta são baseados na
avaliação da função f(x, y) em alguns pontos.
{
Considere o PVI:
y '(x) f (x, y)
y(x o ) Y o
=
Definição 6.3
Para o PVI dado, o método geral de Runge-Kutta de R-estágios é definido por:
Y n+l Y n + h cl>R (x n , Y n 1 h)
=
onde
<l>R (x n , Y n 1 h) = c1k1 + c2 k 2 + ... +c Rk R
C1 + c2 + ...+ CR = l
com
k 1 = f(x n , Yn )
k 2 = f(x n + ha 2 , y n + h(b21k1 )) ª2 = h21
k 3 = f(x n + ha 3 , y n + h (b31k1 + b32 k 2 )) a 3 = b 31 + b 32
k 4 = f(x n + ha 4 , y n + h(b 41k1 + b42 k 2 + b 43 k 3 )) a 4 = b4 1 + b 42 + b43
Note que a aproximação Yn+ t é calculada a partir de Yn e uma "média"

nição de um método de Runge-Kutta podem ser escolhidos de modo que o
de valores da função f(x, y) em vários pontos. Os parâmetros c,, a,, brs na defi
método tenha a mesma ordem de um método de Taylor, o que define a ordem
dos métodos de Runge-Kutta.
6.5.1 Método de Runge-Kutta de ordem 1

O método de Runge-Kutta mais simples é 1-estágio, isto é, R = 1. Neste caso,
não há parâmetros a determinar e o método é dado por:
y n+l = y n + hku com ki = f(x n y n )
o que coincide com o método de Euler, isto é, o método de Taylor de ordem 1,
visto anteriormente neste capítulo.

O método de Runge-Kutta 2-estágios é dado por:
Yn+l = Yn + h(c 1 k 1 + c 2 k 2 )
com
C1 + c 2 = 1
k1 = f(x n , Y n )
k2 = f(x n + ha 2 1 Y n + h(b 21 k 1 )) a 2 = h 21
volver k2 por Taylor, em torno do ponto (X.V y0) até ordem 2, de modo a expressar
Para determinar os parâmetros c11 c21 a2 {b21 é igual a a2), podemos desen
o método na seguinte forma:
Y n+l = Y n + ( ... ) h + ( ... )h +O(h )
2 3
e, então, igualar os coeficientes de h e h2 com o método de Taylor de ordem 2,

o qual foi dado na Seção 6.4.2.
Assim, substituindo:
C 1 = f(x 0 , y0 ) k l = f(x 0 , 2y 0 ), k2 = f(x 0 , y 0 )+fx (X 0 , y0 )(ha 2 )+
+fy (x 0 , y0 )(ha 2k 1 )+ O(h ) na fórmula de Runge-Kutta 2-está
gios, segue:
e igualando-se os coeficientes de h e h2, do método de Taylor de or

dem 2, temos:
c 1 +c 2 = 1
1
C2 a 2 = 2
O sistema não-linear obtido possui infinitas soluções, as quais forne

cem métodos de Runge-Kutta de ordem 2. Um método bastante conhecido
o seguinte método:
2 2
.!.
decorre da solução particular do sistema: c 1 = , c 2 = .!. e a 2 = 1, o que fornece
onde
k 1 = f(x 0 , y 0 )
k2 = f(X0 + h, Y n + h k1 )
o qual é conhecido como método de Euler aperfeiçoado.
Na Figura 6.4 podemos interpretar graficamente o método de Euler

aperfeiçoado conforme segue:
y(x)
Y�+1 = Yn+ h y�
Yn+l
Yn
Figura 6.4
Na Figura 6.4 temos:
y� = f(xn , yn ). Usando o método de Euler, calcula-se Y�+t yn + h y�.

a) A reta r1 passa pelo ponto B (x"' Yn) e possui coeficiente angular
=
b) A reta r2 passa oelo ponto A ( x n +t , y �+t ) e possui coeficiente angular

=
f(xn + h, Yn + h Y� ) = f(xn+1 1 Y�+1 ) ·

=
c) A reta r0 passa pelo ponto A e sua inclinação é a média das inclina

ções das retas r1 e rz .
d) A reta r passa pelo ponto B e é paralela a reta r0•
e) O valor Yn+ t obtido pelo método de Euler aperfeiçoado, é uma apro
ximação para a solução y(x) no ponto Xn+t ·
Algoritmo 6.2
Considere o PVI:
{ y '(x) = f (x, y)
y (x o ) = Yo
1. Declare:
a) Função f(x,y).
b) Condições iniciais: y(xo) = Yo·
c) Intervalo [ a, b ], onde a = Xo ·
d) Número de subintervalos N e
- a)
Calcule h = (b .
N
2. Para n = O, l, 2, 3, .. . , (N - 1)
Calcule:
início
Xn + l = Xn + h
k l = f (x n , Y n )
k2 = f (x n+l l Y n + hk1 )
h
Y n + l = Yn + (k1 + k 2 )
Z
fim
Exemplo 6.9
{
Usando o método de Euler aperfeiçoado, calcule a solução do PVI definido por:
y ' = f (x, y ) = X - y + 2
x e [a, b] = [ O , 1 ] eN=5
y (x0 ) = y (O) = 2
Temos:
(b - a) = 0.2
h=
N
Logo,
Cálculo de Y1
Para n = O, temos a condição inicial y(Xo) = y(O) = 2, então:
k1 = f (x0 , y0 ) � k 1 = (x 0 - Yo + 2) = O
k2 = f (x 0 + h, Yo + hk 1 ) � k2 = X0 + h - y0 + 2 = 0.2
Do método de Euler aperfeiçoado temos:

h
Yn + l = Yn + 2 ( k l + k 2 )
Portanto,
Y1 = Yo + 2 ( k1 + kz )= 2.0200
h
-
Para n = l,
Cálculo de Y2
k 1 = f(x 1 1 y 1 ) � k 1 = (x 1 - y 1 + 2) = 0.18
k2 = f(x 1 + h, y 1 + h k 1 ) � k2 = x 1 + h - (y 1 + h k1 ) + 2 = 0.344
h
Y 2 = Y1 + 2 (k1 + k2 ) = 2.0724
-
Cálculo de y3
Para n = 2,
k 1 = f (x 2 , Y 2 ) � k1 = (x 2 - y 2 + 2) = 0.3276
k2 = f (x 2 + h, y 2 + h k1 ) � k 2 = x 2 + h - (y 2 + h k 1 ) + 2 = 0.4621
y3 = Y 2 + - (k 1 + k2 ) = 2.1514
h
2
Cálculo de y4
Para n 3,
=
k1 = f( X3 , y 3 ) � k 1 = (X 3 - y 3 + 2) = 0.4486
kz = f(X3 + h, y 3 + h k1 ) � k2 = X 3 + h - (y 3 + h k 1 ) + 2 = 0.5589
Y 4 = Y 3 + 2 (k1 + k2 ) = 2.2521
h
Cálculo de ys
Para n 4,
=
k 1 = f(X4 , y4 ) � k 1 = (X4 - Y 4 + 2) = 0.5479

kz = f (X4 + h, y 4 + hk1 ) � k 2 = X4 + h - (y 4 + h k 1 ) + 2 = 0.6383
Ys = Y 4 + -2 (k1 + k2 ) = 2.3707
h
Podemos, ainda, considerar outra solução do sistema não-linear, tam

bém bastante conhecida, dada por:
.!.
c 1 = 0, c 2 = 1 e a 2 = , que nos fornece o método:
2
h h
Yn+1 = Yn + hf(x n + - , Yn + -k ), com k1 = f(xw Yn)
2 2 i
o qual é conhecido por método de Euler modificado.
Algoritmo 6.3
{
Considere o PVI:
y ' (x) = f (x, y)
y (x o ) = Y o
1. Declare:
b) Condições iniciais: y(x 0) = y0 •
c) Intervalo [a, b], onde a= Xo·
Calcule h =
(b - a)
.
N
2. Para n = O, l, 2, 3, .. . , (N - 1),
Calcule:
início
h h
Yn + l = Yn + hf(X n + 2 ' Yn + 2 k1 )
fim
Exemplo 6.10
{
Usando o método de Euler modificado, calcule a solução do PVI definido por:
y' = f ( X , y) = X - y + 2
x e [a,b] = [0,1] e h = 0.2
y (x0 ) = y (O) = 2
Temos:
N
(b-a ) =
5
h
Logo:
Cálculo de y1
Para n = O, temos a condição inicial y(Xo) = y(O) = 2, então:
h h
Y1 = Yo + hf(xo + -2 , Yo + -2 k 1 )
h h
Y1 = Y o + hf(x o + -2 , Yo + -2 ( Xo - Yo + 2)
Cálculo de y2
Para n = 1, temos:
[
Y2 = Y1 + h <x 1 + � y 1 + 2) = 2.0760
- ]
Cálculo de y3
Para n = 2, temos:
h h
Y 3 = Y 2 + hf (X 2 + -2 Y 2 + -2 k 1 )
/
[
Y 3 = y 2 + h X 2 + � - (y 2 + � k1 ) + 2 = 2.1543]
Cálculo de y4
Para n 3, temos:
=
Y4 [
= y 3 + h X3 + � - (y3 + � ki ) + 2] = 2.2545
Cálculo de Ys
Para n = 4, temos:
Ys [
= Y 4 + h X4 + � - (y + � ki ) + 2] = 2.3727
4
Na Tabela 6.3, são apresentados os valores exatos, a partir de

y(x) e-x + x + 1, com a solução numérica encontrada pelos métodos de Euler,
=
Euler aperfeiçoado, modificado e método de Taylor de ordem 2, nos pontos

de discretização.

Métodos de Taylor p = 1ep = 2, Euler modificado e Euler aperfeiçoado
Euler Euler Taylor

n x, Sol. exata El,der modificado a p erfeiçoado ordem 2
o o 2.0 2.0 2.0 o.o 2.0
1 0.2 2.0187 2.0 2 . 0200 2 . 0200 2 . 0200
2 0.4 2.0703 2.0400 2 .0760 2 .0724 2 .0724
3 0.6 2 . 1 488 2. 1 1 20 2 . 1 543 2.1514 2.1514
4 0.8 2 . 2493 2.2096 2 . 2545 2.2521 2.2521
5 1.0 2.3679 2.3277 2 . 3 72 7 2 . 3 707 2 . 3707
Tabela 6.3
Observações
a) Os dados da tabela foram calculados usando quatro casas decimais
e arredondamento.
b) Os valores aproximados obtidos pelos métodos de Euler modificado,
aperfeiçoado e pelo método de Taylor de ordem 2 são de mesma
Euler (Taylor de ordem 1 ) como esperado.

ordem de grandeza e superiores às aproximações pelo método de

Y n +t = Yn + h( c, k , + c 2 k 2 + c3k3 )
onde,
k i = f(x n , Y n )
k 2 = f(x n + ha 2 , Yn + h (b 21 k 1 )) ª2 = b21
k 3 = f(x n + ha 3 , Y n + h (b 3 1 k 1 + b32 k 2 )) a 3 = b31 + b 32
Para determinar os parâmetros: Cv C2, C3, a2 (b2 1 é igual a a2), a3, b3 1 e b321
podemos desenvolver k2 e k3 em série de Taylor, em tomo do ponto (xrv Yn)
até ordem 3, de modo a expressar o método na seguinte forma:
+ ( ... ) h + ( ... ) h 2 + ( . . . ) h + O ( h 4 )
3
Y n +l = Yn ·
e, então, igualar os coeficientes de h, h2 e h3 com o método de Taylor de

ordem 3. Este procedimento nos fornece o sistema não-linear:
C 1 + C2 + C3 = 1
1
=
6
O sistema anterior tem infinitas soluções, as quais definem o método

de Runge-Kutta de ordem 3. Diante disto, o leitor poderia se perguntar se
seria possível um método de Runge-Kutta 3-estágios de ordem 4, isto é, se o
desenvolvimento de Taylor do método de Runge-Kutta 3-estágios pudesse
coincidir com os coeficientes do método de Taylor de 4ll ordem. Infelizmente,

a menos de funções f(x, y) particulares, em geral, isto não é possível.
Uma solução para o sistema não-linear anterior que define o método de
Runge-Kutta de ordem 3 é dada por:
C1 = - C2 = - C3 =
2 3 4
-
9 9 9
ª 2 = - b21 = -
1 1
2 2
a3 =
3 b = a b = O b = -3
3 3 - 32 32
4 1
-
4
o que nos fornece o seguinte método:
h
Y n+I
=
Yn + - (2k 1 + 3k 2 + 4k 3 )
9
com
k 1 = f(x 0 , y 0 }
1 1
k 2 = f(x 0 + - h, Yn + -hk 1 }
2 2
3 3
k 3 = f(x 0 + - h, Yn + - hk 2 }
4 4
o qual é um método de Runge-Kutta de ordem 3.
Outras fórmulas de Runge-Kutta de ordem 3 podem ser obtidas por
soluções alternativas do sistema não-linear anterior.
Algoritmo 6.4
Considere o PVI:
{ y '(x) = f (x , y)
y (xo ) = Yo
1 . Declare:
a) Função f(x,y).
b) Condições iniciais: y(Xo) = Yo ·
c) Intervalo [a, b], onde a = Xo ·
a) .
(b -
Calcule h =
N
2. Para n = O, 1, 2, 3, ... , (N - 1)
Calcule:
início
Xn +l = Xn + h
k 1 = f (x n , Y n }
1 1
k 2 = f (x n + - h, Yn + - hk 1 }
2 2
3 3
k 3 = f (x n + - h, Yn + - hk 2 }
4 4
fim
Exemplo 6.11
Usando o método de Runge-Kutta de ordem 3, calcule a solução do PVI
{
definido por:
X E [ a , b] = [ O , 1 ] e h = 0.2
y' = f(x, y) = X - y + 2
y ( x0 ) = y ( O ) = 2
Temos:
(b - a)
N= =5
h
Logo,
Cálculo de Y1
Para n = O, temos a condição inicial y(x0} = y(O) = 2, então:
k 1 = f (x 0 , y 0 ) � k 1 = (x 0 - y 0 + 2) = O
1 1
k 2 = f(x 0 + - h, Y o + -hk 1 ) = 0.1
2 2
3 3
k 3 = f(x 0 + - h, Yo + - hk 2 ) = 0.1350
4 4
Portanto, temos:
h
Y1 = Y o + ( 2k1 + 3k 2 + 4k 3 ) = 2.0187
-
9
Cálculo de Y2
Para n = 1, temos:
k 2 = f(x1 + 2 h , y1 + "2 h k 1 )
1 1 = 0.2632
k 3 = f(x1 + 4 h , y1 + 4" h k 2)
3 3 = 0.2918
Portanto, temos que:
Cálculo de y3
Para n 2, temos:
=
k i = f (x 2 , Y2 ) � k 1 = (x 2 - y 2 + 2) = 0.3298
k 2 = f (x 2 + 2 h , y1 + "2 h k 1 ) = 0.3968
1 1
k 3 = f (x 2 + - h , y1 + - h k 2 ) = 0.4203
3 3
4 4
Cálculo de y4
Para n 3, temos:
=
k1 = f (x 3 , y3 ) � k1 = (x 3 - y 3 + 2) = 0.4513
k 2 = f (x 3 + - h , y1 + - h k 1 ) = 0.4836
1 1
2 2
k 3 f (X3 + 43 h, Y1 + 43 h k 2) 0.5288
= =
y3 +
h ( 2k1 + 3k + 4k )
Y4 = -
9 2 3 2.2480
=
Cálculo de ys
Para n 4, temos:
=
k 1 = f (x 4 + 21 h , y 1 + "21 hk 1 ) = 0.5692
k 3 = f (x4 + -3 h, y1 + -3 h k2) = 0.6166

4 4
Na Tabela 6.4, são apresentados os valores exatos, a partir de

y(x) e-x + x + 1, a solução numérica encontrada pelos métodos de Euler
=
(ordem 1), Euler modificado (ordem 2), Taylor de ordem 2 e Runge-Kutta

de ordem 3, nos pontos de discretização.
Taylor
Métodos de Taylor p = 2, Euler, Euler modificado e Runge-Kutta p = 3
�ificado
Euler Runge-Kutta
º : ; · X1 Sol. exa� Euler ordem 2 de ordem 3
o o 2.0 2.0 2.0 2.0 2.0
1 0.2 2.0187 2.0 2 . 0200 2 . 0200 2 . 0 1 88
2 0.4 2 .0703 2 . 0400 2 . 0 760 2 . 0 724 2 .0702
3 0.6 2 . 1488 2 . 1 1 20 2 . 1 543 2.1514 2 . 1487
4 0.8 2 . 2493 2 . 2096 2 . 2545 2.2521 2.2480
5 1.0 2 .3679 2 . 3277 2 .3727 2 . 3 70 7 2.3653
Tabela 6.4
Observações
e arredondamentos.
b) A melhor precisão dos resultados obtida foi com o método de Runge
Kutta de ordem 3, como esperado, pois o erro é da ordem de h4, en
quanto para os demais possuem erros de ordem h2 e h3 •

Y n +I = Y n + h( c 1 k 1 + c 2 k 2 + c3k3 + c 4 k 4 )
onde
C 1 + C2 + C 3 + C4 = 1
k 1 = f (x n , y n )
k 2 = f (x n + ha 2 1 Yn + h (b 21 k 1 )) a 2 = b 21
k 3 = f (x n + ha 3 , Yn + h (b 31 k 1 + b32 k 2 )) a 3 = b31 + b32
k4 = f (x n + ha 4 , Yn + h (b 41 k 1 + b 42 k 2 + b43 k 3 )) a 4 = b 41 + b 42 + b43
Para determinar os parâmetros cv C21 C3, C4, a21 a3, a4, b21 , b31 1 b32, b41 1 b421
b43, podemos desenvolver k2, k3 e � por Taylor, em tomo do ponto (xnr Yn) até
ordem 4, de modo a expressar o método na seguinte forma:
) h + (···) h
= Yn + ( 2 + ( .. . ) h 3 ... ) h 4 + O h 5 )
Y n +l • • • +( (
e, então, igualar os coeficientes de h, h2, h3 e h4 com o método de Taylor de
ordem 4, o que nos leva a um sistema não-linear com 13 incógnitas (os parâme
tros anteriores). Uma solução particular para o sistema não linear é dada por:
1 2 2
C1 = - C2 = - C3 = - C4 = -
1
6 6 6 6
1 1
ª 2 = - b21 = -
2 2
a 3 = - b 31 = o b32 = -
1 1
2 2
a 4 = 1 b 41 = o b 42 = o b43 = 1
o que nos fornece o seguinte método:
= Yn
h
Y n +l + - (k 1 + 2k 2 + 2k3 + k 4 )
6
k 1 = f(x n , Yn )
1 1
k 2 = f(x n + -h, Yn + -k i )
2 2
1 1
k 3 = f(x n + -h, Yn + -k 2 )
2 2
k 4 = f(x n + h, y n + k 3 )
conhecido como método de Runge-Kutta de ordem 4.
Analogamente aos métodos anteriores de Runge-Kutta, também podemos

construir novas fórmulas por soluções alternativas para o sistema não-linear.
Algoritmo 6.5
{
Considere o PVI:
y ' (x) = f (x, y)
y (x o ) = Y o
1. Declare:
b) Condições iniciais: y(xo) = Yo ·
Calcule h (b - a)
=
.
N
2. Para n = O, 1, 2, 3, . .. , (N - 1)
Calcule:
início
X n+l = X n + h
ki = f (x n , Y n )
k2 = f (x n + -, y n + - k1 )
h h
2 2
k3 = f (x n + -2 , Y n + -2 k i )
1 h
k4 = f (x n + h, Y n + hk3 )
h
Y n+l = Y n + - ( k1 + 2k2 + 2 k3 + k 4 )
6
fim
Exemplo 6.12
Usando o método de Runge-Kutta de ordem 4, calcule a solução do PVI
{
dado por:
y ' = f(x, y) = x - y + 2
para x e [ a , b ] = [ O , 1] e h =
O .2
y (x 0 ) = y (O) = 2
Temos:
Logo,
Cálculo de y1
Para n O temos a condição inicial y(Xo) y(O)
= , = = 2, então:
k 1 f (x 0 , y0 ) � k 1 (x 0 - Y o + 2) O
= = =
k2 X0 +
= � - ( y0 + � k1 ) + 2 = 0.1
h h
k3 X0 + - - (y 0 + - k2 ) + 2 0.0900
= =
2 2
k 4 X o + h - (y + hk3 ) + 2 0.1820
= o =
Cálculo de Y2
Para n = 1, temos:
k 1 f (x 1 , y1 ) � k 1
= = (x 1 - y 1 + 2) = 0.1812
k2 X 1 +
= � - ( y1 + � kl ) + 2 = 0.2631
h h
k3 X 1 + - - ( Y1 - - k2 ) + 2 0.2549
= =
2 2
k 4 X 1 + h - (yl + h k3 ) + 2 0.3302
= =
Assim,
Cálculo de y3
Para n 2, temos:
=
Para n 3, calculamos respectivamente k11 k2, k3 e kt e temos:

Cálculo de y4
=
Para n 4, calculando k1, k21 k3 e kt temos:

Cálculo de y5
=
Na Tabela 6.5, são apresentados os valores exatos, a partir de y(x) e-x + =
x + 1, a solução numérica encontrada pelos métodos de Euler modificado

(ordem 2), Taylor de ordem 2, Runge-Kutta de ordem 3 e Runge-Kutta de
ordem 4, nos pontos de discretização.

Métodos de Euler modificado, Taylor p = 2, Runge-Kutta p = 3 e Runge-Kutta p = 4
Euler Taylor Runge-Kutta Runge-Kutta

n Xi Sol. exata modificado p=2 p=3 p=4
o o 2.0 2.0 2.0 2.0 2.0
1 0.2 2.0187 2 . 0200 2 . 0200 2.0187 2.0187
2 0.4 2 .0703 2 . 0724 2 . 0724 2 .0702 2 . 0703
3 0.6 2 . 1 488 2.1514 2.1514 2 . 1 487 2 . 1488
4 0.8 2 .2493 2 . 2521 2 .2521 2 . 2480 2 . 2493
5 1 .0 2. 3679 2 .3707 2 .3707 2 . 3653 2 .3679
Observações
com arredondamento.
b) A melhor precisão dos resultados obtida foi com o método de Runge
Kutta de ordem 4 como esperado, pois o erro é da ordem de h5•
Comentários finais
Como pudemos observar, as fórmulas de Runge-Kutta têm a vantagem de
não necessitarem das derivadas de ordem superior da função f(x, y),
como nos métodos de Taylor, porém, obtendo as mesmas ordens dos erros
de truncamento.
6.6 Métodos previsor-corretor

É possível desenvolver outros métodos para resolver equações diferen
ciais ordinárias baseados no teorema fundamental do cálculo, que pode ser
escrito por:
J
Xn+l
y '(x)dx = y(x n+1 ) - y(xn )
Como y '(x) = f(x, y(x)), temos que:
y(xn+1 ) = y(xn ) + J f(x, y(x))dx

Xn+l
(3)
A integral definida na equação anterior pode ser aproximada por dife

rentes métodos numéricos e, portanto, podemos ter diferentes métodos de
resolver a equação diferencial y ' = f(x, y). Por exemplo, se usarmos a regra
dos retângulos (isto é, a função é considerada constante no intervalo de
integração), COm h = Xn+1-Xn :
J
Xn+l
f(x, y(x))dx = h f(x n , y(x n ))
e, como antes, com a notação para a aproximação de y(xn) dada por y n = y(x n ),
segue de (3):
que consiste exatamente no método de Euler, o qual foi deduzido anterior

mente usando o teorema de Taylor truncado na derivada de primeira ordem.
Outros métodos de integração numérica podem ser utilizados para resol
ver a integral contida em (3).
A seguir, apresentamos o método dos trapézios, estudado no Capítulo 5,
Seção 5.4, o qual apresenta uma aproximação melhor do que o método de
Euler, porém, introduz uma dificuldade, em que uma equação não-linear
deve ser resolvida.
6.6.1 Método dos trapézios

Para resolver a integral em (3), podemos usar a regra dos trapézios dada por:
J
Xn+l
h
f(x, y(x))dx = [f(x n , y(x n )) + f(x n+l l y(x n+I ))]
Xn
Z
Desta forma, usando a aproximação y n = y(xn ), segue de (3):
(4)
O procedimento para calcular Yn+ i dado por (4) é chamado método dos
trapézios. Note, entretanto, que em (4), diferentemente dos métodos ante
riores (veja método de Euler, por exemplo), tem a incógnita y de forma
n+l '
implícita (em ambos os lados da equação em (4)). Por isto, tal método é cha
mado método implícito.
Os métodos anteriores, nos quais Yn+I é calculado explicitamente, são
chamados métodos explícitos. Um método explícito pode ser usado para obter
uma aproximação inicial de Yn+v como vemos a seguir, e é chamado previsor.
{
Para deixar mais claro ao leitor, consideramos o PVI:
y ' (x) = f (x, y)
y (x o ) = Y o
e queremos determinar a solução da equação diferencial y(x) numericamen
te, isto é, aproximações para y(x1), y(x2), , y(xN), as quais são denotadas por
•••
Y v Yi- . . , yN, respectivamente, e xv x2, , xN são os pontos de discretização.

. •••
Cálculo de Y1
Para determinar a aproximação para y(x1) pelo método dos trapézios, faze
mos n 1 em (4) e temos,
=
(5)
Assim, o valor de y1 não é fornecido explicitamente e temos uma equa

ção, em geral, não-linear, para ser resolvida, na qual y1 é a incógnita.
Sabemos, do Capítulo 3, Seção 3.3.2, que uma equação na forma: x <j>(x)
=
pode ser resolvida pelo método das aproximações sucessivas xk+I <j>(xk), o qual
=
produz uma seqüência xv Xi, . . convergente para uma solução X: da equação,

.
se Xo, dado inicialmente, for uma boa aproximação para x e 1 <j> '(x) l < l, para
todo X = X (uma vizinhança de x).
A Equação (5) pode ser escrita por (aqui y1 é a incógnita):
com
Podemos obter uma aproximação inicial para y11 a qual denotamos por
y� º l , usando um método explícito (previsor), por exemplo, o método de Euler.
Previsor:
y�ºl = y 0 + hf(x0 , y0 ) � primeira aproximação para Y1

e, então, usar o método das aproximações sucessivas, y �k+l l = <l> (y �k> ) .
Corretor:
para determmar y11 caso a sequencia y 1(O) , y (1 l ) , y (1 2 ) . convergir.

..
A •
.
. .
Um critério de parada deve ser definido, por exemplo:
ent-ao, y1 = y1(k+l) , sendo E > o, uma to1 erancia fixa,

1 (k + l ) y (k) 1
Se Y 1 k- ) l
I I
A •
< ê
y� + t
definida previamente.
Em geral, poucas iterações são necessárias para o corretor (que consiste
no método das aproximações sucessivas) e, se a convergência não for obtida,
o valor de h deve ser diminuído.
Esta última observação decorre do fato de que, para que haja conver
gência, devemos ter 1 <l> '(y) 1 < 1 1 numa vizinhança da raiz da equação, ou seja:
l <1>'<Y > I =
h af(x, Y > < 1
2 ay
e, portanto,
Assim, se a derivada da função f com relação a y for contínua, podemos

escolher h suficientemente pequeno para que o método das aproximações
sucessivas (isto é, o corretor) convirja.
Cálculo de Y2
Depois de calcular o valor de y11 repetimos o procedimento anterior para
determinar Y2·
Previsor:
y �ºl = y1 + hf(x 1 1 yi ) � primeira aproximação para Y2

Corretor:
(k+l) - h
Y2 - Y1 + - [f(X o , Yo ) + f(X u Y (k)
2 )]
2
, 1 y �k+l) - y �k) 1
ate que: 1 Y (2k+I l 1 < e .
Assim, sucessivamente, calculamos y3, y.., . , YN· . .
Algoritmo 6.6
{
Considere o PVI:
y ' (x) = f (x, y)
y (x o ) = Y o
1. Declare:
a) Função f(x,y).
b) Condições iniciais: y(Xo) = Yo·
d) E > O, uma tolerância fixa.

e) Número de subintervalos N e
(b - a)
Calcule h = .
N
2. Para n = O, ... , N-1, faça:

previsão: y �l1 = y n + hf(x n ' y n )
correção: Para k = O, l, ... faça
(k+l) h (k) .
Yn+l - Yn + [f(X n , Yn ) + f(X n+1 1 Yn+l )] ate, que.
- -
2
1 Y<k+1i
n+l y<kn > I < E
_
1 y�_:i1 > 1
+
F aça: y = y k l
n+l n +l .
Exemplo 6.13
Usando o método dos trapézios, com o método de Euler como previsor, cal
{
cule a solução do PVI definido por:
y ' = - 2y + l
x E [ a, b ] = [O, l] e N = S
y(O) = 1
Use no critério de parada do método das aproximações sucessivas E = 0.01.

A solução exata para este problema é dada por: y(x) = ..! e-2x + ..! .
2 2
O valor de é dado por h
h _ ( b - a ) = 0.2
N
af(x,y) 2 e, portanto, a escolha de satis az a proprie a e:
Note que - h f d d
ay
h < 2 / = 1. 1 �; 1
Método dos trapézios
Observação
Neste caso, a equação anterior é bem simples, pois f(x, y) é uma função linear
na variável y, de modo que o método dos trapézios se reduz a:
1
2
Yn+ l = Yn + - h [ (-2yn +l} + (-2Yn+l + l}]
Portanto, é fácil determinar exatamente Yn+ l · Para ilustrar o método pre
ditor-corretor, fazemos a previsão e as correções.
Para Xo O, é dado o valor inicial: y(O) Yo 1.
= = =
Cálculo d e y1 � aproximação para y(0.2)

Previsão (Euler):
y �º > = y0 + hf(x0 , y0 ) = 1 + 0.2(-2 + 1) = 0.8000 (aproximação inicial para y1 }
Correção (Trapézios):
y �1 > = y 0 + h [f(x0 , Y o ) + f(x 1 1 y �º»1 = 1 + 0.2 [ (-2(1)+ l }+ (-2(0.8)+ l}] = 0.8400

2 2
()
1 I
(O)
1
Erro: 1 y -( l y 1 - 0.0476 > 0.01
l I Y1 1
2
y �2> = y0 + h [f(x0 , y0 )+ f(x 1 1 y �1 » ] = 1 + 0 · [(-2(1)+ l}+ (-2.(0.8400)+ l}] = 0.8320
2 2
Y(i2 ) � "'((1 1 ) 1
I Y12 1
Erro: 1 = 0 . 0096 < 0.01
Portanto,
y1 = 0.8320
Solução exata: y(0.2) = 0.8352

1
O valor exato de y 1 =- = 0.8333, obtido na equação linear que define
1 .2
Yn+1 e tomando Yo = 1.
Cálculo de y2 � aproximação para y(0.4)
Previsão (Euler):
y�º> = y 1 +hf(x 1 , y 1 ) = 0.8320 + 0.2(-2(0.8320) + 1) = 0.6992 (aproximação ini

cial para y2 )
y �1 > = y 1 + h [f(x 1 1 y 1 )+ f(x 2 , y�º> )]= 0.8320+ · [(-2(0.8320) +1)+ (-2(0.6992)+

02
2 2
+ 1)] = 0.7258
Erro: 1 y 2 -O y 2 1 0.0366 > 0.01

(l) <º>
l
1 Y2 1
y �2> = y 1 + h [f(x 1 1 y 1 )+ f(x 2 , y�1 > )]= 0.8320+ · [(-2(0.8320)+1)+ (-2(0.7258)+

02
2 2
+ 1)] = 0.7264
(2 ) ��(2! ) 1 = 0.0008 < 0.01

Erro: 1 y 2
1 Y2 1
Portanto,
y2 = 0.7264
Solução exata: y(0.4) = 0.7247)

Cálculo de y3 � aproximação para y(0.6)
Previsão (Euler):
y �º > = y 2 + hf(x 2 1 y 2 ) = 0.7264 + 0.2(-2(0.7264) + 1) = 0.6358 (aproximação
inicial para y3 )
h 02
y �1 ) = y 2 + [f(x 2 1 y 2 )+ f(x 3 , y�º) )] = 0.7264 + · [(-2(0.7264)+ 1) + (-2(0.6358) +
2 2
+ 1)] = 0.6540
(1 ) - y3
Erro ·. 1 Y3 1 ) (0) 1 = O . 0278 > O . 01
IY� I
h 02
y�2) = y 2 + [f(x 2 1 y 2 )+ f(x3 , y�1 ) )] = 0.7264 + · [(-2(0.7264) + 1) + (-2(0.6540) +
2 2
+ 1)] = 0.6503
2
I Y � ) - y�l ) 1 -
Erro.. - 0.0057 < 0.01
I Y3< 2 l 1
Portanto,
y3 = 0.6 503
Solução exata: y(0.6) 0.6506. =
--t
Cálculo de y4 aproximação para y(0.8)
Previsão (Euler):
y�º l = y 3 + hf(x 3 , y 3 ) = 0.6503 + 0.2(-2(0.6503) + 1) = 0.5902 --t
aproximação
inicial para y4
h 02
y � l = y 3 + [f(x 3 , y3 )+ f(x 4 , y�l )] = 0.6503 + · [(-2(0.6503) + 1) + (-2(0.5902) +
2 2
+ 1)] = 0.6022
(l) (O)
Erro: 1 Y 4 -( t )Y 4 1 0.0 1 98 > 0.01
1 Y4 1
h º2
y �l = y 3 + [f(x3 , y 3 )+ f(x4 , y � )] = 0.6503 + · [(-2(0.6503)+ 1) + (-2(0.6022) +
2 2
+ 1)] = 0.5998
2
y( ) - y( ) l
Erro: 1 4 2 4 1 = 0.0040 < 0.01
1 Y <4 l 1
Portanto,
y4 = 0.5998
Solução exata: y(0.8) = 0.6009

Cálculo de y5 � aproximação para y(l.O)
Previsão (Euler):
y�º ) = y 4 + hf(x 4 , y 4 ) = 0.5998 +0.2(-2(0.5998) + 1) = 0.5575 � aproximação
inicial para y5
h º2
y �l ) = y 4 + (f(X4 , y 4 )+ f(X5 , y�ºl )]= 0.5998+ · ( (-2(0.5998)+ 1)+ (-2(0.5575)+
2 2
+ 1)] = 0.5683
1 ( 1 ) - y s(O) 1
Ys
Erro .
· l ) = O 0190 > O . 01
I Y� 1 .
02
y�2> = y4 + h [f(x4 , y 4 )+ f(x5 , y�1 ) )] = 0.5998+ · [(-2(0.5998)+1)+ (-2(0.5683)+
2 2
+ 1)] = 0.5662
2
( ) - y( ) 1
Erro .· 1 Ys 2 ) s 1 = O 0037 < O . 01
I Y� 1 .
Portanto,
y5 = 0.5662
Solução exata: y(l) = 0.5677

Método de Simpson
O intervalo de integração usado na obtenção de (3) foi [x n , X n+1 ], que en
volve apenas os pontos de discretização Xn e Xn+ v para os quais desejamos
o valor de y. Porém, podemos usar outros intervalos com mais pontos onde
desejamos o valor de y, como, por exemplo, o intervalo [x n , X n+2 ], com Xn+l
em seu interior. Pelo teorema fundamental do cálculo, temos que:
y(x n+2 ) = y(x n ) + J f(x, y(x))dx
Xn+2
(6)
e podemos usar a fórmula _.!:_ de Simpson para aproximar a integral anterior:

3
J
Xn+2
h
f(x, y(x))dx = 3 [f(x n , y(x n )) + 4f(x n+1 ' y(x n+1 )) + f(x n+2 , y(x n+2 ))]
Xn
Analogamente ao método dos trapézios, usando a aproximação y n = y ( x n ),

segue, de (6):
h
Y n+2 = Y n + [f(x n Y n ) + 4f(xn+ t Y n+l ) + f( X n+2 ' Y n+2 )] (7)
3 / /
O procedimento para calcular yn+2 dado por (7) é chamado método de

Simpson. Note, de (7), que o método de Simpson é implícito, uma vez que
Yn+2 a ser calculado no lado esquerdo de (7) aparece também implicitamente
no lado direito da equação.
Além disso, para o cálculo de Yn+2 são necessários o conhecimento de Yn
O método dos trapézios é um método implícito de 1-passo, pois depende

e Yn+ t· Por isto, este método é chamado método implícito de 2-passos .
apenas de Yn · Agora, para aplicar o método de Simpson, é necessário que se
valor y1 pode ser calculado por um método explícito de boa precisão.

tenha calculado dois valores iniciais: y0 e y1 . O valor y0 é dado do problema, e o
Com estes valores, usamos (7) para calcular y2 :

h
Y2 = Y o + - [f(x o , Yo ) + 4f(xu Y1 ) + f(x2 1 Y2 )]
3
em que apenas y2 é incógnita e, portanto, uma equação não-linear, em geral,
a ser resolvida.
Assim, como no método dos trapézios, usamos o método das aproxima
ções sucessivas para a obtenção de y2, com um método explícito (Previsor)
para obter uma primeira aproximação, por exemplo, o método de Euler:
Previsão (Euler): y�ºl = Y1 + hf(xu y i )
h
(Simpson): y�t J = Y o +
3 [f(x o , Y o )
Correção + 4f(x1 , Y1 ) + f(x2 1 y�ºl )]
2 h 1
y� > = y 0 + [f(x0 , y0 ) + 4f(x1 , y1 ) + f(x2 1 y� > )] etc.
3
A seqüência y� , y� , y; , ... deve convergir para a solução da equação (7),
se h for suficientemente pequeno.
Um critério de parada deve ser definido, por exemplo:
(k) 1
1 y (k + l)
Se 21 �k�1 ;12 então y = y�k+tl, sendo E > O é uma tolerância fixa,
y
< E 2
previamente definida. Caso duas ou três iterações não sejam suficientes, deve-se
diminuir o valor de h.
Depois de calculado o valor de y21 calcula-se analogamente y3, , YN· •••
{
Algoritmo 6.7
Considere o PVI:
y ' (x) = f (x, y)
y (xo ) = Yo
1. Declare:
b) Condições iniciais: y(Xo) = Yo·
E > O, uma tolerância fixa.

c) Intervalo [a, b], onde a = Xo·
d)
e) Número de subintervalos N e
Calcule h = ( b - ª ) .
N
2. Para n = O, ... , N-2, faça:
previsão: y �l2 = y n+l + hf(x n+l y n+l ) f
correção: Para k = O, 1, ... , faça:
y �:J > = y n + � [f(x n ' yn ) + 4f(xn+1 ' yn+l ) + f(xn+2 ' y�l2 )] até que:
<E
1 Y(k+l) (k)
n+2 - Yn+l 1
l y�:P 1
(k+l) ·
Faça.. Yn+2 -- Yn+2
Simpson, com o método de Euler para previsão, e tolerância E = 0.01 .

Sugerimos ao leitor resolver o PVI do exemplo anterior pelo método de

No Software Numérico, o usuário seleciona as opções Equações Diferen
ciais e Entre com os dados da equação, seguido da escolha dos métodos de
resolução de Runge-Kutta.
O usuário digita a expressão da equação diferencial, fornece o valor inicial
Xo, o tamanho do passo "h" e o valor Xn desejado, conforme exemplo que segue:
{
Exemplo 6.14
Considere o PVI dado por:
y ' = - xy
y(O) = 1
Usando o método de Euler, a partir de Xo = O e h = 0.1, calcule x5 e um
limitante superior para o erro.
O usuário digita a expressão da equação, os dados iniciais, o valor do
espaçamento "h" e o valor desejado y(0.5), conforme Figura 6.5 a) e b ):
E Difetenciai1
a) b)
Figura 6.5
Neste momento, o usuário seleciona o método de Euler e temos os re

sultados desejados conforme ilustrações da Figura 6.6:
Escolha o lllt!todo
RW1119 li:utta de 1.a otdeta · Euler

O.cml lcml
0.1(11) llml
o.mi 0.9!DI
r - Runge Kutta 3.a ,,...,_ o.m 0.9llll
D.41111 119411
a) b)
N"° h PIU &!
Ul.
e)
Figura 6.6
Desta forma, temos calculados os valores da função y(x) nos pontos

x 0 = 0, x 1 = 0.1, x 2 = 0.2, X 3 = 0.3, X 4 = 0.4 e x 5 = 0.5, conforme Figura 6.6 b).
Portanto, temos que y(0.5) = 0.9035, conforme Figura 6.6 c).
O usuário pode, ainda, plotar os pontos obtidos aproximadamente
e comparar com a solução exata, caso esta seja conhecida. Neste exemplo,
e- xy,
fornecendo a solução analítica dada por y(x) = --, e digitando esta
2
expressão, podemos comparar os valores exatos, com traço contínuo, com os
valores aproximados, conforme Figura 6.7:
\
)(
1
: .. . .
•
• YCX> portos
: . . ... .. ... .. .. � --···· ·: : :

1 . _ ,,,, .. .. .. .. .. .. .. .. .. .. .. · - - - · "' · = .. - - - - - - :
.. .. ..... .., .. .. ... .. .. : .. .. .. .. .. .. : .. .. .. .. .. .. :
: :
:- - - - - - - t - - - - - - -:- - - -- - - � - - - - - - - r - - - - - : - - - - - :- - � -� :
0..99: 1"' .. ... ... .. .. .. t .. .. .. .. .. . ..: . .. .. .. .. . . . . . • . . ... . .. .. :.. .. .. .. .. .. .. ! - - � . ... .. .. .. .. . .,, .. . - � .. . .. . . .. ... � .._ .. _ . .. .... .. :
• • " • • 1 ' • •
: - - - - - - -:- - - - - - , - - - !- - - - - - - - ; - - - - - - : - - - - - �- - - - - ;
! · - ! - - . - - - -� · 4· �
..
0..9:8 .. ... . .. . . .. .. ... .. .. .. .. .. . .. - · · · · · ..

· .. .. . .. . . .. .. .. .. .. .. .. .. ... ... .. .. ·
: · · ·:· - - · .. : : :; :
.
o.m - - - --! - - - - - - - - - - - - - - -------
: - - - .. .. ... � " .. .. .. .. ·:· :

0.90 - -- - --- 1 _ _ _ - - - - - - :- - - - - - - - - - - - -:
• • 1 • 1 1 i • i
0..95 :· .. .. . . .. : . .. .. ·:- -
- - - ,,� .. - - � - - .. .. .. .. .. .. .. .. .. - .. .. · - .. - - - - - - - - .. .. .. · - · .. .. .. . .. .. ·:
o.92 > - - - - - - : - - - ·:- - - - - � - - - - - r - - - - - - : - - · - - - : - - · - -� - · - - -: - - : - - - -:

0..94 - � -� �
... .. .. .. ..·:· . .. .. .. ... : .. .,. - - - - " . .. .. .. .. �- - - .. .. ... �
- .. .. - . . • . . .. . ... .. - - .. ,,. � - .. .. ..
0.91 : - - ; - - - : - - . - - - � - - - - - -� - - - - :- - ; - - . - - - � - - - - - - �- - - • - - :
0 ..93 · · . - ..:- · - - · - - r - - - - - - ..: - , -- .. . �
f ,• • ,. � ... - - · . .... " ,
. .. .. .. . ..
. .. . . . .. . . .. .. ...
' . .
- ; - - - - - - -� - - - - - - � - - - - - - - : - - - -:
- - - - - - - - - - - · - - - - - - - •
: - - - · - : .. · - -� - .. .. - - � - - - - : - - - · - - :
- - - - - - - - - - - - - - - - - - - - - : - - . - -
0 .9 : - . - - - - - ! - - - - - - : - - - - - . � - - - - - - � - - - - - - -: -
- - - - - - - - -
o.89 : - - - - - - � -
- : - - · �- · - - · · - r -
- - . - - - - - - - - · - - - - - - - - - - - - -
. . . . . ' . . .
o 0.05 0.1 0.1 5 0.2 0.21> 0.:1 0..:15 OA OA5 0.5
Figura 6.7
Exemplo 6.15
{
Considere o PVI dado por:
y ' = x y2 - y
y(O) = 1
Usando o método de Runge-Kutta de 4ª ordem, a partir de Xo = O e h = 0.1,
calcule o valor aproximado de y(0.7).
Solução:
O usuário digita a expressão da equação, os dados iniciais, o valor do espa
çamento "h" e o valor desejado y(0.7), seleciona o método de Runge-Kutta
de 4ª ordem, conforme Figura 6.8 a) e b):
a) b)
Neste momento, temos calculados os valores aproximados de y(x) nos

pontos desejados, conforme Figura 6.8 c):
0.!5000
--tcl71iii1 -- il--
6 0.6000 0.5980
7- -
e)
Portanto, temos que y(0.7) = 0.5596, conforme Figura 6.8 d):
d)
Figura 6.8
O usuário pode, ainda, plotar os valores aproximados de y(x), conforme

ilustrado na Figura 6.9:
•
t":: c.,r cif h o dl fercnc l9I�
1 - y(!:g
cquc1c oes _ __ 1
-.
- - - - -
· eante•
- -- - - - - - -- - -
. -- - . . . -- - . . . .
-:- - - - - - - �- - - - - - � - - - - - -i
- - - - - - - - - - - - - -- ------ - - - - - - - - - - - - - - -- -- - - - - - - -
:: :: · · · · · · -:-·
• • • •
:
· · · · · �t · · · · · · · :; · · • ·:: · · · · · · !: · . . :: · . . :; . . :i-:
: - - -:- - - - : -
0.515 .
· · ·:
--
0.9 : - i . .�_ ... � -- "" · - - - i -

.. _ - - · - - -- - � -- i -- - - - - - - .
i ; ·; r �- -r
' • • • • • • 1 • • •
... ... .. .. .. ... .. .. - - ... - -
• 1 • .. f • • • •
- - - - - - �1 - .. - --r-
t · · -· - - - i - - - - -�
: · - - - - - - f - - ·.- · · -:- - · - - - - 1 - - - - - - - : - - .. - - - � :
- - - .. - - - - - - -; -
' '
o.as
i - - - - - - � - - - - - -r - - - - - �- t
... - - - - - - - - - - .. .. .. -
0.e �;
1
·
• • • •
· · -
•
· · · ·i· •
· · · ·
•
· · · ·
•
· · · ·
•
· ·
•
· · � .
r
- - -
· · · · · · · · ·
· · - -· - - - - - - - · · - - - - - -
-
0-75
t -7--- i- - � - - - - � - - - - - - -rç - - - - �- r -;
- - - - - - - - -
0.1 : - - - - - - - :- - - - --+ - - - - --1-·- - --- � - - - - - - ·:- - - . : - - - - - - - :

- - - - - - - - - -: - - - - - - - : - - - - - - -f
OM ;
1
- - - - - - -
•
- - - - -
•
- - ·
•
- - - - -
r
- - - - - - - 1-
1
- -
• •
-
'"
- - - -- -
•
- - - - - -
o
0.6 :· .. . .. �· .. . . �. . . .. .. . . . · r- • • .o. • • . . .. .. ... . . . ..

- · -� · . . .. . ; . .. .. .. ,. .,. . .. . . . . .
. . . .
Figura 6.9
Exercícios
1. Usando o método de Euler de ordem p = 1 e o método de Taylor de ordem
l
p = 2, determine a solução aproximada do PVI dado por:
y
y' = f (x, y) = 2_2 - - y 2
x X X E [ a, b ] = [ l, 2 ]
y (x 0 ) = y (l) = - 1
a) Considerando h1 = 1 /5 e h2 = 1 / 10.
b) Sabendo-se que a solução analítica é dada por y ( x ) = .!_ , construa _
X
para cada caso uma tabela com os valores exatos e aproximados e
também o erro absoluto. Observe e faça comentários.
{
2. Usando o método de Euler, calcule a solução aproximada do seguinte PVI:
y' = f (x, y) = y - x
X E [ a, b] = (0, 1]
y (x0 ) = y (O) = 2
a) Considerando h1 = 1 /5 e h1 = 1 / 10.
b) Construa para cada caso uma tabela com os valores exatos e aproxi
mados e também um limitante superior para o erro. Observe e faça
comentários.
{
. Usando método de Euler modificado e o método de Euler aperfeiçoado,
calcule a solução aproximada do PVI definido por:
y' f (x, y) xy 1 1 3
= =
X E [a, b) [O, 2) =
y (x 0 ) y (O) 1
= =
a) Considerando N 1 5. =
b) Considerando N2 10. =
c) Sabendo-se que a solução analítica é dada por y (x) =

( x2 2 )3 / 2
-3-
+
,
construa para cada caso uma tabela com os valores exatos e aproximados e
também o erro absoluto. Observe os resultados obtidos e faça comentários.
{
4. Usando o método de Euler, método de Euler aperfeiçoado e o método de
Euler modificado, calcule a solução aproximada do PVI definido por:
y ' f (x, y) y cos(x)
= =
X E [a, b) [0, 1) =
y (x 0 ) y (O) 1 = =
a) Considerando h1 = 1 /5.
b) Considerando h2 = 1 / 10.
3
{
5. Usando os métodos de Runge-Kutta de ordem , calcule a solução apro-
ximada do seguinte problema de valor inicial:
y' f (x, y) xy 1 1 3
= =
X E [a, b) [0, 2) =
y (x 0 ) y (O) 1 = =
a) Considerando N 1 5. =
b) Considerando N2 10. =
c) Sabendo-se que a solução exata é dada por y (x) =

( x2 ; 2 )3 1 2 , construa
3
6. Usando o método de Runge-Kutta de ordem e o método de Runge
{
Kutta de ordem 4, calcule a solução aproximada do seguinte problema
de valor inicial:
y' f (x, y)
= xy 2 = -
X E [a, b) [l, 2) =
y (x 0 ) y (l) 2
= =
a) Considerando h1 1 /5. =
-3z,
b) Considerando h2 1 / 10. =
c) Sabendo-se que a solução analítica é dada por y (x) construa =

X
f
7. Usando os dois métodos de Runge-Kutta de ordem 4, calcule a solução
aproximada do seguinte problema de valor inicial:
1
y' = f (x, y) = + 0.4y 22
1 + 4x X E [0, 4]
y (x 0 ) = y (O) = 1
a) Considerando n 1 = 5.
b) Considerando n 2 = 10.
f
8. Usando todos os métodos de Runge-Kutta vistos neste capítulo, calcule
a solução aproximada com h = 0,01 do seguinte PVI:
y ' = f(x, y) = �
2
Y X E [a, b] = [0, 1]
·
y (x 0 ) = y (O) = 1
9. Usando o método dos trapézios, com o método de Euler como previsor,
{
calcule a solução do PVI definido por:
y' = 1 +
� x e [a, b] = [l, 2] e N = 5
y(l) = 2
Use no critério de parada do método das aproximações sucessivas E = 0.01.
10. Usando o método dos trapézios, com o método de Euler como previsor,
calcule a solução do PVI definido por:
a) y' = f (x, y) = - 2y + l
y(Xo) = y(O) = 1
Usando h = 0,1 calcule aproximadamente y(O, 3).
b) y' = f (x, y) = y
y(Xo) = y(O) = 1
Usando h = 0,1 calcule aproximadamente y(O, 3).
Capítulo 7
Manual do Software Numérico
285
7.1 I ntrodução
Com a popularidade dos microcomputadores a partir de 1980, surge uma
nova ferramenta como apoio ao ensino e aprendizagem, tomando-se im
prescindível o desenvolvimento de "softwares" que ligassem a sala de aula
e o laboratório de informática .
E m 1991, no Departamento d e Matemática d a UFSCar, foram iniciados dois
projetos de monitoria da disciplina de Cálculo Numérico com objetivo de desen
volver programas computacionais que facilitassem a resolução de exercícios
propostos, porém reforçando os conceitos estudados em sala de aula .
A partir de 1996, com o envolvimento do Departamento de Matemática
no Projeto REENGE, foi possível retomar aquelas idéias.
O projeto Desenvolvimento de Software para o Ensino de Matemática
teve como objetivo a informatização de disciplinas dos cursos básicos das
áreas de ciências e tecnologia da UFSCar com conteúdos de matemática,
para que os alunos pudessem reforçar conceitos dados em sala de aula nos
laboratórios de informática.
O Software Numérico foi desenvolvido inicialmente neste projeto e poste
riormente finalizado depois de vários testes, feitos nas aulas de laboratório
da disciplina de Cálculo Numérico no Departamento de Matemática-Univer
sidade Federal de São Carlos (UFSCar) .
7 .2 Objetivos
O Software Numérico é um software interativo, de apoio ao ensino e apren
dizagem de tópicos de matemática, para ser usado em laboratório de com
putação, onde conceitos e resultados apresentados em sala de aula são refor
çados através de exercícios propostos.
7.3 Software Numérico - Módulos desenvolvidos

O Software Numérico é constituído dos módulos: sistemas lineares, inversas
de matriz, raízes de funções, aproximação de funções, integração numérica
eequações diferenciais.
· Utiliza-se, nesta versão, uma ferramenta de programação visual deno
É
minada Delphi, orientada a eventos e destinada ao ambiente Windows.
implementado usando o Delphi / Pascal 5.0, baseado na interface gráfica
do Windows, sendo compatível com os sistemas operacionais Windows 98
e Windows XP.
Estão disponíveis duas versões: professor e estudante. Na versão pro
fessor, um Arquivo de Correção contém o registro do nome e o número do
aluno (Registro Acadêmico-RA). Esse arquivo grava todos os trabalhos feitos
e deve ser usado apenas pelo professor, possibilitando que ele acompanhe
todos os passos realizados pelos alunos durante a execução do software,
Manual do Software Numérico 287
permitindo, assim, que seja avaliado o conhecimento do conteúdo minis

trado em sala de aula. Encontra-se à disposição no site da Editora Thomson.
A versão estudante encontra-se no CD que acompanha este livro e difere da
versão professor apenas no Arquivo de Correção, que grava o trabalho de
apenas um usuário.
Nestas versões, o usuário terá disponível um Menu Principal, tanto
para os métodos numéricos quanto para as condições de aplicação destes,
além de um Help On Line.
Para execução desse software, o usuário deverá ter o conhecimento teó
rico dos métodos usados nos tópicos de Cálculo Numérico, bem como das
condições de aplicabilidade de cada um deles na resolução de um problema.
Além disso, o usuário deve configurar o computador para representação de
um número decimal, usando ponto ao invés de vírgula, como por exemplo
3.42 e não 3,42.
7.4 Abertura do Software N umérico

Ao abrir o Software Numérico, temos a seguinte janela:
Em seguida, o aluno deverá fazer sua identificação, depois clicar em

Confirma e fazer sua escolha de opções no Menu Principal, conforme
demonstram as janelas a seguir:
• '1
7.5 Descrição dos módulos do Software Numérico

Faremos uma descrição de cada módulo disponível no Software Numérico, suas
características e a forma simples para o usuário. Estão disponíveis os seguin
tes módulos: sistemas lineares, inversa de matriz, raízes de funções, apro
ximação de funções, integração numérica e equações diferenciais.
7 .5.1 Módulo sistemas lineares

Neste módulo, o usuário resolve sistemas de equações lineares através do
uso de métodos diretos e iterativos. Aqui, terá a sua disposição a opção Novo
Sistema, caso deseje registrar um novo sistema e calcular a solução.
Caso deseje apenas resolver um sistema e este já esteja armazenado em
um arquivo, o usuário posiciona em Abrir Sistema. Nesse caso, o usuário
deve fornecer o caminho corretamente para que este possa ser acessado e
então será aberta a janela com o sistema armazenado.
A seguir, o usuário seleciona um dos métodos numéricos da opção

Métodos de Resolução, que apresenta os seguintes métodos:
Métodos diretos
Método de decomposição de Cholesky
Método de eliminação de Gauss com pivotamento (diagonal, parcial
e total)
Método de eliminação de Gauss-Jordan
Métodos iterativos
Método iterativo de Jacobi-Richardson

Método iterativo de Gauss-Seidel
Uma vez escolhido um método direto ou um método iterativo, uma

janela se abrirá solicitando ao usuário as condições corretas para a execu
ção do método em questão. Neste momento, temos a janela Verifique as
Condições e a opção Continuar, que deverá ser acionada pelo usuário para
que o menu Condições possa ser utilizado para verificar as condições de
execução do método escolhido.
Uma vez clicadas corretamente todas as condições teóricas dos méto
dos, clicando em Resolver, temos a solução do sistema fornecido. Caso as
condições não estejam corretas, temos uma janela com a informação Veri
fique se todas as condições estão corretas e o usuário pode recomeçar
novamente o exercício.
Exemplo 7.1
Resolva o sistema de equações lineares usando o método de eliminação de
Gauss com pivotamento diagonal.
No Software Numérico, o usuário seleciona a opção Método de Elimi

nação de Gauss - Pivotamento Diagonal, digita o sistema dado no espaço
reservado e seleciona as condições corretas de aplicabilidade.
Neste caso, a condição é det A -:t:. O (det (A)<>O), conforme Figura 7.1 a).
XI X2 b
z 3 5
4 5 9(
... ... _.... -:li
- -·-
.
....li'
.. 'i.I - ·-
( Conlinum )
a)
Depois de clicar as condições necessárias para executar o método de

Eliminação de Gauss - pivotamento diagonal, temos a seguinte janela com a
solução do sistema dado, conforme Figura 7.1 b):
)(1 )(2
1.D D l JIDOU
b)
Figura 7.1
Exemplo 7.2
Resolva o sistema de equações lineares usando o método de decomposição LU.
1 1 3 [ =
[� : �i ::1 [!.s1
X3 2.5
posição LU,
No Software Numérico, o usuário seleciona a opção Método de Decom
digita o sistema dado no espaço reservado e seleciona as condi
ções corretas de aplicabilidade. Neste caso, os menores principais diferentes
de zero (<>0) e det A :;t: O (det(A)<>O), conforme Figura 7.2 a) e b).
1C' ia b
la
..
• 5 4j;
1
1 r:.st
a) b)
Clicando no botão Resolver, temos a solução x

janela da Figura 7.2 c):
= (1, O, 0.5), conforme
--�1
1 .011110 11 .ll U D D D.S:D

.___....
b)
Figura 7.2
Para resolver sistemas de equações lineares usando um método ite

rativo, o usuário deverá escolher a opção Método Iterativo de Jacobi
Richardson ou Método Iterativo de Gauss-Seidel no menu Métodos
de Resolução.
Uma vez escolhido o método iterativo, uma janela se abrirá solici
tando ao usuário as condições corretas para a execução do método em
questão; Neste momento, aparecerão na janela Verifique as Condições e a
opção Continuar, que deverá ser acionada pelo usuário para que o menu
Condições possa ser utilizado para verificar as condições de execução do
método escolhido.
Uma vez examinadas as condições necessárias, o usuário deverá
clicá-las corretamente e o resultado aparecerá numa janela. Com as con
dições clicadas, o usuário deverá clicar em Resolver e, neste momento, se
as condições foram devidamente escolhidas, aparecerá uma janela onde
o usuário deverá fornecer a Solução Inicial, a Precisão desejada e clicar
em Continuar.
Uma vez clicado em Continuar, será aberta uma janela com as iterações
executadas e o critério de parada (Erro). A seqüência de soluções será exibida em,
no máximo, cinqüenta iterações.
Uma vez examinadas as condições necessárias, o usuário deverá cli
cá-las corretamente e o resultado aparecerá numa janela. Com as condições
clicadas, o usuário deverá clicar em Resolver e, neste momento, se as con
dições não foram devidamente escolhidas, aparecerá uma janela com a
mensagem Verifique se todas as condições estão corretas. A solução do
sistema será apresentada se as condições foram escolhidas corretamente,
conforme Figura 7.3 a):
a)
Uma vez escolhidas as condições necessárias para a aplicabilidade do

método iterativo de Jacobi-Richardson, será exibida nesta janela a seguir a
seqüência de soluções aproximadas, usando o método iterativo de Jacobi
Richardson, convergindo para a solução do sistema.
Exibimos a seqüência de soluções aproximadas, convergindo para a so
lução x (1, 1) e o erro relativo correspondente em cada iteração, conforme
=
Figura 7.3 b).
""1'eçilo Xl
30 Jl .OotO
:n 1 .CIDOI
»- 1i :lteoã
i
» 1
..0 1
DÕ
b)
Figura 7.3
Para resolver um sistema usando o método iterativo de Gauss-Seidel, o usuário

Observação
deve proceder da mesma maneira como no método de Jacobi-Richardson, digi

tando as condições de aplicabilidade do método, que são det(A) * O, diagonal
principal diferente de zero, estritamente diagonalmente dominante ou ainda
Ainda com relação a sistemas, existe um procedimento para calcular o

critério de Sassenfeld menor que 1.
Número de Condição da matriz do sistema. Por exemplo, o número de condição

da matriz A do sistema dado anteriormente seria K(A) = 9, conforme Figura 7.4.
X1 b
3 2 !i
.. !i 9
Figura 7.4
Descrição breve dos métodos numéricos usados no módulo

sistemas lineares
O objetivo é fazer uma descrição rápida dos métodos de resolução de siste
mas de equações lineares, os quais devem ser estudados cuidadosamente
antes de usar o Software Numérico, que é uma ferramenta computacional
complementar de estudo para o aluno.
Métodos de resolução para sistemas de equações lineares
Seja Ax = b um sistema de equações lineares, onde A = (a;;) i, j = 1, ... , n
x = (x 1 , X2, ... , xS b = (b 1 , b2, ... , bnY e det(A) * O (solução única).
nar-se um vetor x = (x1 , x2 1 . . . , xn Y , de forma que todas as equações sejam

A resolução desse sistema de equações lineares consiste em determi
satisfeitas simultaneamente.
Métodos diretos
Os métodos diretos são aqueles em que (a menos de erros) no processamento

é fornecida a solução exata para o sistema dado.
Condições a serem verificadas

Menores principais � �i = det(Ai ) -:t:- 0 i = l, ... , n - 1 edet(A) -:t:- 0.
O método de decomposição LU consiste em decompor a matriz A no
com lii 1 i = 1, ... , n e U = (uii) i, j = 1, ... , n é uma matriz triangular

produto de LU, onde L (lii) i, j = l, . . . , n é uma matriz triangular inferior,
=
superior tal que A = LU.

A resolução do sistema dado agora consiste na resolução de dois siste
mas triangulares (inferior e superior) respectivamente, isto é:
Ax b sendo A = LU, temos:

=
L(Ux) = b
Portanto, temos dois sistemas triangulares (inferior e superior) para

serem resolvidos:
{Ly = b
Ux = y
Exemplo 7.2
� 1 = 2 :t: O � 2 = 4 :t: O det(A) = 8 :t: O

Condições
L= [ � � �j
1/2 1/2 1 U
=
r� � � l
o o 2
Temos os seguintes sistemas triangulares:

Ly = b
Solução: y = (3, 3, 2Y
= (1, 1, Ir
Ux = y
Solução: X:
Método de decomposição de Cholesky

Condições a serem verificadas
Simetria da matriz A
Menores principais � L\i = det (Ai) > O i = l, ... , n
O método de Cholesky consiste em decompor a matriz A no produto
de uma matriz R (ri;) i, j = 1, ... , n triangular superior com a diagonal posi
=
tiva, por uma matriz R1 = (ri;) i, j = 1, ... , n triangular inferior, tal que A=R1 R.
A resolução do sistema dado agora consiste na resolução de dois siste
mas triangulares (inferior e superior), respectivamente, isto é:
Ax = b A = R1 R
R1(Rx) = b
Portanto, deve-se resolver os dois sistemas triangulares (inferior e supe
rior) a seguir:
Exemplo 7.3
l j [XX21 j [ ]
Considere o seguinte sistema de equações lineares:
X3
1 1 Ü -2
1 5 Ü - -6
-
Ü Ü 1 -2
L\ 1 = 1 > O L\ 2 = 4 > O L\ 3 = det(A) = 4 > O

f l l
Condições
1 o
O O
f� � �
1
R' =
o o 1
R= 2
Temos os seguintes sistemas triangulares:
Solução: y = ( 2, 2, 2Y
Ry = b
- - -
Rx = y
Solução: x = (-1, -l, -2)1
Método de eliminação de Gauss com pivotamento diagonal

Condição
det(A } -:t:- 0
O método de eliminação de Gauss com pivotamento na diagonal consiste
em transformar o sistema dado Ax = b, num sistema triangular superior equi
valente, através da aplicação de operações elementares sobre as linhas da
matriz A e do vetor b.
Estratégia na escolha dos pivôs
No k-ésimo passo do método, a escolha do pivô é feita através da seleção do
primeiro elemento diferente de zero (nos elementos da matriz A, abaixo
da diagonal), isto é, a seleção é feita entre os coeficientes aii<k-t > da matriz A, i
= k, k + l, ... , n.
Caso não seja encontrado nenhum elemento diferente de zero para ser
o pivô, conclui-se que o det(A) = O.
Exemplo 7.4
Condição
r � � � 1 r:: 1 r � 1
-3 1 3 X3
=
3
det(A) = 24 -:t:- O
Sistema triangular equivalente:
x = (O, O, lY
Método de eliminação de Gauss com pivotamento parcial
Condição
det (A) :t:- O
O método de eliminação de Gauss com pivotamento parcial é uma modifi
cação da versão anterior do método de eliminação de Gauss, sendo que a cada
passo muda-se a estratégia de escolha dos elementos pivôs.
maior elemento em módulo (nos elementos da matriz A, abaixo da diagonal),
isto é, a seleção é feita entre os coeficientes� em módulo, j ai / k-t > j da matriz A,

i = k, k + 1, ... , n.
o pivô, conclui-se que o det(A) = O.
O procedimento de pivotamento na matriz A será como no método de
eliminação de Gauss com pivotamento na diagonal.
Exemplo 7.5
Condição
det (A) = 30 :t:- O
x = (1, O, 0)1•
Método de eliminação de Gauss com pivotamento total
Condição
det (A) :t:- O

O método de eliminação de Gauss com pivotamento total é uma modificação
da versão anterior do método de eliminação de Gauss, onde a cada passo
mudamos a estratégia na escolha dos pivôs.
No k-ésimo passo do método, a escolha do pivô é feita através da seleção
do maior elemento em módulo (em todos os elementos da matriz A), isto é,
a seleção é feita entre os coeficientes 1 a i ?-1> 1 da matriz A, i k, ... , n j k, ..., n.
= =
o pivô, concluímos que o det(A) = O.
eliminação de Gauss com pivotamento na diagonal.
Exemplo 7.6
Condição
det(A) 44 :t:- O
=
l� � �1 [::1 r � 1
o -l
/
11 6
/
X2
=
/
11 6
-l
/
x (O
= , l, Ot
Método de eliminação de Gauss-Jordan

Condição
det (A) -:!- O
dado num sistema equivalente Ix b, (1 é a matriz identidade), através da

O método de eliminação de Gauss-Jordan consiste em transformar o sistema
=
aplicação de operações elementares sobre as linhas da matriz A e do vetor b.

primeiro elemento diferente de zero (nos elementos da matriz A, abaixo
da diagonal), isto é, a seleção é feita entre os coeficientes aii<k-l) da matriz A, i
= k, k + l, ... , n.
Neste método, o pivô, a cada passo, deverá tornar-se igual a " l ", multi
plicando toda a linha escolhida pelo inverso do pivô.
o pivô, conclui-se que o det(A) O. =

eliminação de Gauss anterior.
Exemplo 7.7
Condição
det (A) -2 -:!- O
=
Sistema equivalente:
x (2, O, 0)1•
=
Métodos iterativos
Os métodos iterativos são aqueles que fornecem, a partir de uma solução ini
cial, uma seqüência de soluções aproximadas que deverá, sob determinadas
condições específicas, convergir para a solução do sistema.
Método iterativo de Jacobi-Richardson

O método iterativo de Jacobi-Richardson consiste na transformação do siste
ma Ax = b na forma equivalente:
x=Hx+g
O processo iterativo é dado por:
{
x<k+I l = H x<kl + g k = 0,1, ...
onde
- aii
se i =t: j
�
H= a � matriz iterativa
b{ .
se i=j
ai
g= _1
Convergência
A matriz A = (aii )i, j = 1, ... , n deverá ser estritamente diagonalmente domi
nante, isto é:
l aii 1 > I l ai i 1
j=l i;tj
i = l, ... , n
ou
j = 1, ... , n � norma coluna
ou
li H IL < 1 , onde l H t = máx i�i 1 �:ii 1 i = l, ... , n � norma linha
li x<k+xl<k) -+Ixl l(k) li < E, qualquer que se1a. a norma do R .

Critério de parada
l i i
n
(E suficientemente pequeno)
Exemplo 7.8
Análise de convergência
[ ]�
A matriz A do sistema não é estritamente diagonalmente dominante.
Construção da matriz iterativa:
o o -1 / 3
H= O O - 1 2 � matriz iterativa
-2 / 3 -1 / 3
Cálculo das normas:
ii H ii� = 1
l i H 111 = 5 / 6 < 1 � convergência garantida
Assim, para a precisão E 0.01:=
x< 0 > = (O , O, O) � solução inicial dada.

x< 1 > = (4 / 3, 2, 5 / 3) � solução obtida após uma iteração.
x< 1 0 > = (1 .2613, 1.8921, 0.1803)

x< 11 > = (1 .2732, l.9099, 0.1951)
Solução aproximada X: = (1.2732, 1.9099, 0.1951t
Método iterativo de Gauss-Seidel

O método iterativo de Gauss-Seidel consiste em transformar o sistema dado
Ax = b na forma equivalente:
x = Px + Qx + g
x(k+1 > = Px(k+1 ) + Qx<k > + g

O processo iterativo é dado por:
se i>j
� matriz estritamente triangular inferior
se i ::;; j
se i 2'. j
� matriz estritamente triangular sup erior
se i<j
x(k+1 ) = H x<k> + g
Na forma equivalente, podemos escrever:
onde H = [ (I P) ]-1 Q -
g = [ (I P) ]-1 g -
Convergência
A matriz A do sistema deverá ser estritamente diagonalmente dominante.
ou
I 1 -aaii i 1 �i + Í. 1 -aai i 1
Critério de Sassenfeld satisfeito:
máx �i < 1 com � =

i i = l, . . . ,n
i=I i=i+1 i
Exemplo 7.9
Análise de convergência
A matriz A do sistema não é estritamente diagonalmente dominante.
Cálculo dos �i i = 1, , 3
Critério de Sassenfeld:
...
�l �2 1 1 2 � 3 1 1 2
Como máx �i = 1 / 2 < 1 � convergência garantida
= 1/2 = =
Assim, tem-se para E = 0.001 :

x< 0> (-1, O, 1) � solução inicial dada
=
x0 > = ( 1, l, 2 / 3) � solução obtida após uma iteração
X(S ) = (1 .3307, 1 .3307, 0.3360)

x<9 > (1 .3320, 1 .3320, 0.3347)
=
li x< 9 l _x (B ) I L
li x <9 l I L
= 0.0009 < E
Solução aproximada X: = (1 .3320, 1.3320, 0.3347)1
Condicionamento de sistemas
Diz-se que um sistema de equações lineares Ax = b é mal condicionado
quando pequenas perturbações em alguns de seus coeficientes produzem
bruscas alterações em sua solução. Para verificar o mal condicionamento de
um sistema linear, deve-se calcular o Número de Condição da matriz dos
coeficientes do sistema, definido por:
Se K(A) for "próximo de 1" diz-se que o sistema é bem condicionado,

caso contrário, diz-se que o sistema é mal condicionado.
Exemplo 7.10
[1 ] [XI] [ ]
0.99 l .99
0.99 0.98 X2 - 1.97
Temos que,
Concluímos que temos um sistema mal condicionado, pois K(A) possui

um valor "muito grande", e que pequenas modificações nos coeficientes da
matriz A ou no vetor b provocam grandes alterações na sua solução.

7 .5.2 Módulo inversa de matriz

Para calcular inversa de matriz, foram usados os seguintes métodos numé
ricos: método de decomposição LU, decomposição de Cholesky, eliminação
de Gauss e eliminação de Gauss-Jordan.
Para a utilização do software, será necessário o conhecimento dos méto
dos, bem como as condições de aplicação de cada um deles, para que o usuário
tenha a facilidade em escolher os procedimentos adequados para a resolução de
sistema e para o cálculo da inversa de matriz. O usuário deverá declarar a ma
triz e escolher o método desejado de resolução conforme exemplo a seguir:
Exemplo 7.11
Calcule a inversa da matriz usando o método de eliminação
de Gauss:
O usuário digita a matriz A dada, seleciona o método de eliminação
de Gauss, seleciona as condições de aplicabilidade do método, conforme
Figura 7.5 a) e b ).
a) b)
O usuário, clicando no botão Calcular, terá a matriz inversa, conforme

Figura 7.5 c):
e)
Figura 7.5
Caso o usuário deseje calcular a inversa da matriz usando outro

método numérico disponível, o procedimento será análogo ao exposto
anteriormente.
Descrição breve do cálculo de inversa de matriz

Seja A = (aii) i, j = 1, ... , n uma matriz não singular, então existe uma única
matriz A-1 chamada de inversa de A, de tal forma que A A-1 = I. Neste caso,
temos n sistemas de equações lineares para serem resolvidos, usando qual
quer um dos métodos diretos vistos anteriormente.
Exemplo 7.12
r r 1
Calcule a inversa da seguinte matriz usando o método de eliminação de Gauss:
� � �i
Xn X12 X13
A= 1
A- = x21 x22 x23 � inversa de A
o 1 1 X31 X32 X33
=[ l
1, temos os seguintes sistemas triangulares:
[ ll = [ l l
Como A A-1
1 Ü Xu
Ü 1 2 X21 Ü
Ü Ü -1 X31 Ü
[� =
(x11 x 21 x31 j = (1, O, O) � primeira coluna da matriz inversa
� �1 r:�1 r � l
Ü Ü -1 X 32 -1
�
(x12 x22 x32 j ( -1, - 1, 1) � segunda coluna da matriz inversa
=
[ � � l [ ::1 [ � l
Ü Ü -1
(x13
X33 =
1
x23 x33 j (1, 2, -1) � terceira coluna da matriz inversa

=
Portanto, temos:
A-1 = r� =� �1
o 1 -1
� inversa da matriz A
7 5 3 Módulo raízes de funções

. .
O módulo raízes de funções tem por objetivo auxiliar o aluno na resolução

de equações, isto é, na determinação de raízes reais de uma função f(x), atra
vés do uso dos seguintes métodos iterativos de resolução:
Método da bisseção
Método das aproximações sucessivas
Método de Newton
Método das secantes
Esses métodos são abordados em sala de aula e o uso do software per
mite ao aluno reforçar conceitos e resultados vistos para a resolução de uma
equação, além de o professor ter condições de verificar a aprendizagem por
parte dos alunos na resolução de exercícios.
Para ilustrar o módulo Raízes de Funções, exibimos exemplos com pas

sos a serem seguidos pelo usuário em cada um dos métodos.
Inicialmente, ao abrir o módulo Raízes de Funções, a seguinte janela
será exibida ao usuário, conforme Figura 7.6:
Figura 7.6
Neste momento, o aluno deverá clicar em Nova Função, digitando no

espaço adequado a expressão analítica da função f(x) que deseja trabalhar ou
abrir arquivo com a função já armazenada, conforme janela na Figura 7.7 a):
a)
Neste momento, o usuário poderá plotar o gráfico da função escolhida

ou plotar a intersecção de dois gráficos, obtendo, assim, uma vizinhança para as
raízes de f(x), como exibido na janela, mostrada pela Figura 7.7 b):
-
c:: ( ,r� l • l • U - _ _
� -
V
1 .6
1 .2
/
· 1 .B 5
·1 .6
b)
Figura 7.7
Nestas janelas, temos a opção de intersecção de dois gráficos e uma

vizinhança para as raízes da função, conforme Figura 7.8 a) e b):
!::: 1 1 1t1 1 1 �
a) b)
Clicando em Continuar, o usuário terá a sua disposição os cálculos do:

valores da função f(x) nos pontos escolhidos, conforme janela da Figura 7.8 c):
1 2
l l(b)- -0.61 61
Nlo existe r aiz r eal par a f(x)
e)
Figura 7.8
Neste momento, o usuário deverá confirmar o intervalo onde se encon

tra a raiz desejada e escolher o método de resolução, conforme janelas da
Figura 7.9 a) e b ):
OK
Sil
a) b)
Figura 7.9
Essa janela é informativa, avisa o usuário de que o próximo passo é a

escolha do método a ser usado na resolução da equação f(x) = O.
Todos os métodos apresentam um roteiro semelhante, assim, nos próxi
mos métodos, o exemplo dado iniciará a partir deste ponto.
Métodos iterativos de resolução

Método da bisseção
Para resolver a equação f(x) = O usando o método da bisseção, o usuário
deverá clicar em Bisseção, fornecendo o intervalo inicial [r0, s0], a partir da
localização gráfica da vizinhança da raiz, conforme janelas da Figura 7.10
a) e b):
Nove FW>Ç&>
a) b)
Figura 7. 1 0
Clicando em Continuar, neste momento, o usuário verifica, usando resul

tados teóricos, se existe uma raiz no intervalo [a,b]. Fazendo a avaliação dé
ainda, fornecer a precisão desejada E = 0.0001 .

função nos extremos do intervalo e clicando em Sim, caso f(a) . f(b) < O deve
Clicando em Resolver, o método executa as iterações, conforme janelas

da Figura 7.11 a) e b):
Pergunta
Mio
a) b)
Ternos, neste momento, urna das raízes de f(x), conforme Figura 7.11 c),
dada por x = 1.4276.
Observação
Ao rolar a janela é possível visualizar todos os resultados aproximados obtidos.
e)
Figura 7. 1 1

Caso o usuário deseje resolver a equação cos(x)--0.1 x=O usando o método
das aproximações sucessivas, deverá posicionar em métodos de resolução e,
clicar em Método das Aproximações Sucessivas, fornecer a função iterativa
<l>(x)=cos(x)--0.1 x+x, a solução inicial x0 = 0.5 e a precisão E = 0.0001. Clicando
em Resolver, ternos as janelas conforme Figura 7.12 a) e b):
a) b)
Temos, agora, a seqüência de soluções aproximadas (rolar a janela

para visualizar todas as iterações) e a raiz x 1 .4275, conforme janela da
=
Figura 7.12 c):
e)
Figura 7. 1 2
Caso o usuano deseje, pode plotar o gráfico da função iterativa

<)> (x)=cos(x)-0.1 x+x e o gráfico y = x e observar as raízes da equação
cos(x) - 0.1 x = O na interseção dos gráficos. Para isso, basta clicar em Gráfico
e aparece a seguinte janela exibindo a convergência da seqüência de soluções
aproximadas, conforme janela da Figura 7.13 a):
�--1t----1t--�b"--,.1"-�t--�t--�r--�-t--t:X
2.7 3.6 4.S 5.
-4,8
a)
Figura 7.1 3
Observação
Caso haja mais de 30 iterações sem passar pelo critério de parada, abrirá
uma janela com a mensagem perguntando se deseja visualizar mais itera
ções, dessa forma, o usuário poderá optar por visualizar até 70 iterações.
Método de Newton
Caso o usuário deseje resolver a equação anterior cos(x)-0.1 x=O usando o
método de Newton, deverá posicionar em métodos de resolução, e cli
cando em Newton, fornecer a derivada da função f(x), a solução inicial Xo = 0.5,
a precisão E 0.0001 .
=
Clicando em Resolver, temos as janelas conforme Figura 7.14 a) e b):
a) b)
Temos, neste momento, a seqüência de soluções aproximadas exibidas

e a raiz procurada x = 1 .4276, conforme Figura 7.14 b) e c).
e)
Figura 7.1 4

Caso o usuário deseje resolver a equação cos(x)-0.1 x=O usando o método
tes, fornecer duas soluções iniciais Xo = 0.5 x1 = 1, e a precisão E = 0.0001.

das secantes, deverá posicionar em métodos de resolução e, clicar em Secan
Clicando em Resolver, temos a seqüência de soluções aproximadas e a

raiz x = 1.4275, conforme janela da Figura 7.15 b) e c):
2 15685
3 1.m
U275
a) b)
DIC
e)
Figura 7.1 5
Descrição breve dos métodos numéricos usados no

módulo raízes de funções
Seja f: 9t � 9t, contínua e diferenciável, deseja-se determinar as raízes da
equação f(x) = O, isto é, determinar X: tal que f(x) = O.
Métodos iterativos
Método da Bisseção
Seja f: 9t � 9t, contínua.
O método da bisseção consiste em determinar uma seqüência de inter
valos [rn, sn], em que a amplitude deste intervalo é a metade da amplitude
do intervalo anterior [rn-1 , Sn-i1 e que sempre contenha a raiz, a partir de um
intervalo inicial dado [ ro, s0].
Passos
1 . Dados E > O e um intervalo inicial [ a , b] que contenha uma raiz
para f(x).
Considerando r0=a e s0=b, determinar a seqüência de soluções
aproximadas:
xi = (Ii + sJ / 2 i = O, 1, ...
Se f(rJf(x J < O, então li+i = li e si+l = xi
Se f(rJf(x J > O, então li+i = xi e si+l = si
de para d a: � +l"-. i l < E.

. , . i -x
2 . C nteno
l"-i+l I
Sempre garantida, uma vez que partimos de um intervalo que contém a raiz.
Convergência
Exemplo 7.13
Resolva a equação x2 + ln(x) = O, usando o método da bisseção com E = 0.01 .
Considerando 1(i = 0.1 s0 = 1, para o qual verifica-se f(l(i )f(s 0 ) < 0, gera-se a
seqüência de soluções aproximadas:
X0 = (r0+ s0) / 2 0.5500
=
Como f(r0) = -2.2926 e f(x0) = -0.2953, o novo intervalo será tomado

como:
r1 = 0. 5 5 00 e s1 = 1
Assim, temos:
Continuando o procedimento de cálculo de soluções aproximadas, temos

as seguintes soluções aproximadas:
X2 = 0.6625 X3 = 0.6063 X4 = 0.6344 X5 = 0.6485 X6 = 0.6555 X7 = 0.6445
Xs = 0.6425
Neste momento, temos o critério de parada satisfeito:
l x1 - xl 1
7 0.0031 < E.
xs
Portanto, temos a solução aproximada dada por:
x := xs = 0.6425

O método das aproximações sucessivas consiste em transformar a equação
f(x) = O na forma equivalente x <1> (x), de maneira a determinar a raiz de f(x)
=
através da resolução da equação x <1> (x). =
Observa-se que existem infinitas maneiras de escrever x <J>(x). Por =
exemplo, multiplicando a equação f(x) O por uma função 8 (x): 9t � 9t, com
=
0(x) -:;:. O, e somando x, teremos:

<l>(x) = x + 0 (x)f(x) = x
Assim,
f(x) = O <=> <l> (x ) = x
Desta forma, gera-se o processo iterativo:
X ;+i = <l> (x; ) i = l, 2, ... � método das aproximações sucessivas
Convergência
Se l <l> '(x) l < l, para todo x nas vizinhanças da raiz X: então a seqüência de solu
ções aproximadas gerada pelo processo iterativo X;+i = <l> (x; ) i = l, 2, ... é
convergente para a raiz desejada X:.
Passos
1. Transformar a equação f(x) = O, na forma equivalente x = <1> (x).
2. Análise de convergência:
l <l> '(x) l < l, para todo x nas vizinhanças da raiz X:.
3. Dados E > O e x 0 uma solução inicial para a raiz, gerar a seqüência
de soluções aproximadas usando o processo iterativo:
X;+1 = <!> (x; ) i = l, 2, ...
l x;+1 - x; I < E.
I X i+ I I
4. Critério de parada:
Exemplo 7.14
Usando o método das aproximações sucessivas, determine uma raiz de
f(x) = cos(x)-x, com E = 0.01.
Depois de localizar uma vizinhança para a raiz de f(x), considera-se o
processo iterativo:
Analisando a convergência, temos l <l>'(x) I = 1 -sen(x) l < l, para todo x

nas vizinhanças da raiz x.
Desta forma, temos a seguinte seqüência de soluções aproximadas:
Xo = 0.7 X 1 = 0.7648 X2 = 0.7215 X 3 = 0.7500 X4 = 0.7311 X5 = 0.7444
X6 = Ü .7355 X7 = 0.7415 Xg = 0.7375
Neste momento, temos o critério de parada satisfeito:
Portanto, temos a solução aproximada, dada por:

X = x8 = 0.7375
Método de Newton
No método das aproximações sucessivas transformamos a equação f(x) = O
na forma equivalente x = <l> (x), onde <l>(x) = x + 0 (x)f(x) .
Para que a convergência seja garantida, deve-se ter 1 <l> '(x) 1 < 1 para x
O método de Newton consiste em tomar uma função (x), de forma

nas vizinhanças da raiz.
que <l>'(x) = O. Considerando e <!>' contínuas, temos l <l> '(x) l < l para todo x
nas vizinhanças da raiz x.
Assim, temos:
<l>(x) = x + 0 (x)f(x)
<l> '(x) = 1 + 0'(x )f(x)+ f '( x )0 (x) = o
Dessa forma,
e (x) = - 1 1 f '(x)
Adotando-se então a escolha 0(x) = - 1 / f '(x), temos:
Assim,
f(x; )
x i +l = x i - i = O, 1 , . . . -7 método de Newton
f '(xi )
Passos
1. Seja f(x) uma função contínua e diferenciável e dados E > O e Xo uma
solução inicial.
2. Gerar uma seqüência de soluções aproximadas, através do processo
iterativo:
f(x; )
x i+ 1 = xi - i = O, 1, ...
f '(x; )
3. Critério de parada: 1 '

x 1
j Xi-,d
<E
l +
Convergência
Baseado no método das aproximações sucessivas, o método de Newton foi
construído de modo que a convergência esteja garantida.
Determine uma raiz de f(x) = ln(x) + x - 4 com E = 0.000 1 .

Exemplo 7.15
Do método de Newton, temos:
X i+ l = X i - :.��i» i = O, l, ...
1
Como f '(x) = -- , temos a seqüência de soluções aproximadas:
(x + l)
Xo = 1 .5 X1 = 2.7567 X2 = 2.9250 X3 = 2.9263 X 4 = 2.9263
Neste momento, o critério de parada é satisfeito: jx 4 l

l x - X3 1
= 0.0000 < E.
Portanto, temos a solução aproximada, dada por:
x ::: x4 = 2.9263

Ométodo das secantes consiste na modificação do método de Newton, de
modo a não exigir o cálculo da derivada da função f(x):
Considera-se,
Do método de Newton,
i = O, l, . . .
Assim,
(xi-l f(xi ) - xi f(xi-l ))
xi.+1 = i = O, l, ... � métodos das secantes
(f(xJ - f(xi_1 )
Passos
1. Seja f(x) contínua e dados € > O Xo e x1 soluções iniciais.
2 Gerar a seqüência de soluções aproximadas, através do processo
iterativo:
(xi_1 f(xJ - xJ(xi_1 ))
x1+. 1 = i = O ' 1 ' ..
(f(xJ - f(xi-1 )) .
3. Critério de parada: 1 xi"-1

Xi+l
I < E.
Convergência
Garantida desde que as soluções iniciais sejam tomadas próximas da raiz de f(x).
Exemplo 7.16
Resolver a equação x + ln(x) = O, usando o método das secantes com € = 0.01.
Processo iterativo:
(xi-l f(xi ) - xJ(xi-t ))
Xi+l = i = O, l, ...
(f(xJ - f(xi-l )
Soluções iniciais: Xo = 0.1 x1 = 0.5.
Dessa forma, gera-se a seqüência de soluções aproximadas:
X2 = 0.5384 "4 = 0.5675
X3 0.5658
=
Neste momento, o critério de parada é satisfeito:

l x -X 3 1
X4 I
j = 0.0030 < € e
toma-se como solução aproximada
X =: X4 = 0.5675.
7 .5.4 Módulo aproximação de funções

Neste módulo, o usuário tem a sua disposição Interpolação de Funções,
Aproximação com tabela de pontos ou Expressão de f(x). Nesta opção, temos
disponíveis as Fórmulas Interpolatórias de Lagrange, Newton e Newton
Gregory. O usuário tem ainda disponível Ajustes de Funções usando o Mé
todo dos Mínimos Quadrados.
Interpolação de funções
Caso o usuário escolha Interpolação de Funções com a opção Aproximação - Ta
bela de pontos, deverá fornecer a tabela de pontos a ser interpolada, especificando
os valores de xi e os correspondentes f(xi), clicando sempre em Confirme. Poderá,
ainda, Limpar pontos ou Limpar 1 ponto, conforme janelas da Figura 7.16 a) e b):
a) b)
Figura 7.1 6
Neste momento, o usuário deve escolher a fórmula interpolatória dese

jada, conforme janelas da Figura 7.17 a):
a)
Clicando em Lagrange, o usuário deverá fornecer o grau do polinômio

corretamente e o ponto a ser interpolado. Neste momento, deverá clicar em
Polinômio Interpolador, seguidamente de Calcular polinômio no ponto,
conforme janela da Figura 7.17 b ) :
b)
Figura 7.1 7
Caso o usuário deseje plotar polinômio, basta clicar neste botão e temos
uma janela com o gráfico do polinômio, pontos fornecidos e o ponto interpo
lado, conforme janela da Figura 7.18:
� t • , • l l r ) • l>l 1 1 1 • • ( 1 < '" 1 , ._< Jr • ll H' J< '

r- ��- �- --
r r
- P61iít.t..., ln1•'111'6._.,r
. ,._..._. r�•
• Po.... ....... .wlA
· · r - · · · · - - · - - - - � - - - - - - - - - · - · - - - -- - - - · · - - - - - -
94 - - - - · - - · · - - · - - - - - - � - - · - - - - - - - - ;. - - - - - - - - - - · -r: - - - - - - - - - - - 1: - - - - - - -
� 2 ---- · - - · ·-------· r! :
···---··--·
.i: "
· - - - - - - - -
i ;
!
-�-----------·r··--· !
º - - - - - - - - - - ----- - - r - - · - - - - - · - r ·· · · - - - - · - r · - - · · -- · · r ···-·
· il :iil ---··· - - - - - - - - - - · · t · - - - - - - - - - - - r - - - - - - - - - - - 1- - - - - - - - - - - - 1 - - - - -
. ... 2 .... 2.8
Figura 7.1 8
Caso o usuário deseje trabalhar usando a expressão de f(x), deverá sele

cionar Aproximação - Expressão de f(x) e fornecer função f(x), conforme
janelas da Figura 7.19 a) e b):
E.nlre C011 a
a) b)
Neste momento, o usuário t�rá à sua disposição a função tabelada nos

pontos fornecidos, podendo ainda Limpar pontos ou Limpar 1 ponto, cli
cando sempre em Confirme, conforme janela na Figura 7.19 c):
e)
Figura 7.1 9
Clicando em Continuar, deverá fornecer corretamente o grau do polinó

mio, o ponto a ser interpolado e, clicando em Polinômio Interpolador e Calcular
polinômio no ponto, tem-se disponível a janela conforme Figura 7.20 a):
a)
O usuário poderá, ainda, Plotar polinômio, e terá o gráfico do polinô

mio interpolador, pontos fornecidos, ponto interpolado e a função fornecida,
conforme janela da Figura 7.20 b ) :
ª • • • t• • • • • !•• • • • ·�·-· ·-• • 1 • • • • • 1• •}

:: - . - -- - :� ---�- �: � �: +-�
2llO � • -
: - � � � � � � ��
- •
: - - - - - ::
-=· · - -�- . - - - - -- - � - -- - - -- ·
- -
-
- - - -
. - - - - · �- - -
-- ------:--- : --
-
230 - · - - - -� - - - - - - - - -� - - - - - - - - - - - � - - - - - - - - - - � - - - - - - · · · - - 1 - - ---
-----� -
aoo - - - - - ·e · · - - · · . .:. . . . . . . . .. · c ···· ·-···· i ---· · · · · -·i· -·
, 90 - - - - - ·r - - - - - - - - -- : - - -------- r - - - ----- - - 1 ---- - - ---- � - ----
ttlD - - -• •
-r - - . . . . . . - - ..z. • • • _ . • . _ _ _ -:- - - - - - • • • --�- • . _ _ _ . • . . - � ••--
, .º - - - - - - - - - - -� - - - - - - - - - - -� . - - - - - . - - - � - - - - - - - - - - - � - -- -
·� - -- - -� -- - - - - - . - - - - - - ;.. - - - - - - - - - �- - - - -- - - - - - -----
't iQO - - ---- � ------- �

· · ""?" · · - - - - - - - - - - - - - - - - - - - - - - - - - - - - - � �-----·
�� F E L ·:2.4 o ••
b)
Figura 7.20
Para calcular o limitante superior para o erro, clicando no botão apro

priado, o usuário fornece a expressão do limitante corretamente e a n-ésima
derivada da função f(x).
Com o auxílio de gráficos disponíveis, o usuário deverá calcular o maior

valor em módulo que esta derivada assume dentro do intervalo. Dessa forma,
tem-se as seguintes janelas, conforme janelas da Figura 7.21 a) e b):
"""
�l 1•11 1 : lntP Supenor p�a o crro
--------- - -
_
J.!18 ... . r- ��:·- ·-·:··- ·:······r·

... .. H
ia: ··:···· ·:··-···: ····- ·: · · ..
... ..,,. .
. ' . . ' . ' .
· -r· · -r· -·1 - --r· ·-r--

. . . . . '
. . . . . . '
. . .
. . . '
. . . .
'
'
. ' . '
. ' , . '
� � . . .. . .
'
.
.
.
'
.
. . .
. . .
'
1.M 1.12 12 1.19 1 .a 1.IM UJ 1.2 1.l! 1 .Jli
a) b)
Neste momento, tem-se o limitante superior para o erro calculado, con

forme janela da Figura 7.21 c):
e)
Figura 7.21
Todas as demais fórmulas interpolatórias seguem o mesmo roteiro,

conforme detalhado na fórmula de Lagrange.
Ajuste de funções - método dos mínimos quadrados

Caso o usuário escolha a opção Ajuste de Funções usando o Método dos
Mínimos Quadrados, deverá clicar no botão disponível e fornecer a tabela
de pontos para ser ajustada, podendo, ainda, Limpar pontos ou Limpar 1
ponto, conforme janelas da Figura 7.22 a) e b):
de curvas: Método dos M fninlos Q uadrados
Neste momento, o usuário deverá clicar no botão Plotar Pontos e terá

uma janela com os pontos dispostos no plano, para a seguir escolher a fun
ção que deverá ser usada no ajuste, conforme janela da Figura 7.23 a):
><
1• Ponloa 1ornecldoa 1
l ---------t- -----------1-- : -----1----- -

-
18 - ------ -- - - - - - ---- --------- ---- · - - - - - . -
-r···· ·r-·· ·:- ---r :

-
12 _ _ • •• • ---· . . . . . . . . . . . . . . . . . . . . . . . __ . ·----- - - · . ·--· ·· . . . . . .
6 --- - - ..:.. . .. .. ., _ _ _ ., _ _ _ _ _ _ ;. _ _ _ - - - - . - - - - - - �- - - - - - - - - - - - - - -:- - - - - - - - - - .. - - - - � - - - - .. - - ·

: . : : : :
- - -
' . ' '
· - - - - - :- - - - - · : .. · - - - �- · · - -- - · - - -r · · · - - --- · - -1- · · ·· ·
' . . ' '
o ... - .. - .. .. - - - - - - - - -- - - - - - - - - - -
' . .
' . .
' . .
- .. .. .. - - - .. - - - - • �- -- - - • - - .. .. • i- .. .. .. - - - - - :. - - - - . . - - - .. - - - - � - - - - - - - - .
' . . '
.-6; - - - - - .. -:·- .. .. - - .. - -
1 .118 1 .218 t ..44 1 Al2 t .8
a)
Observando os pontos na janela anterior, pode-se concluir que o ajuste

polinomial seria uma boa escolha, clicando em Ajuste Polinomial, Função
g(x) e Plotar g(x) tem-se uma janela com a função g(x) de grau 2 ajustada e o grá
fico de g(x), conforme Figura 7.23 b ):
� r, i.�trirln ''' "' ' l 1 n 1 1l 10<; Q• •·'><1rado"

-- -- - - ----�
'
t ----·t --· - - -r······· --···r · ····-·· ··· ---·· ·-·

: ·· r f.
18 ------ ------ --- · - · ·
12 · · · · · · · · · · · · ·· · · · • • • • • • . ...... . . . . . . . ········· .
.
.. .. .. . .. . .:,. . . . .. .. • � . .. .. .. .. . . . - . .. .. ... .. -' · · .. ... . .. .. .. .. .. .. . _ .. ..;.. � �
! � l ! i
• . . .. . .. . .. .. ... .. .. .. . .. .. ... .. ... 4 .. .. ... .. ... .. ..
· ·
•
...... :::.: :r::::: . ·· 1· : ::: :·::::·r·--:-::::::::: r :::::::

- . . . . . . . .
º --- ---
. .
1 .oe 1 .44 1 .e
� -100.6410 X� +30&9103 X!"(l) .::J. 1 7.:Ja17

Eno Plat- 111'."1 •., """"° """''"''°
b)
O usuário pode, ainda, avaliar a qualidade do ajuste escolhido, clicando

em Erro Cometido, conforme janela da Figura 7.23 c):
e)
Figura 7.23
Todos os demais ajustes seguem o mesmo roteiro exibido anteriormente.


módulo aproxi mação de funções
Seja f(x) definida em :xo, x11 , Xn (n + 1) pontos distintos de um intervalo [a, b].
Interpolação de funções
•••
Deseja-se aproximar essa função por um polinómio P(x) de grau menor ou

igual n, tal que o polinómio coincida com a função nestes pontos, isto é,
Pn (x; ) = f(x; ) i = O, l, ... , n.
Existência e Unicidade
Seja f(x) definida em Xo, x1, ... , Xn (n + 1) pontos distintos de um intervalo [a, b],
então existe um único polinómio Pn(x) de grau menor ou igual a n, tal que
P n (x; ) = f(x; ) i = O, l, ... , n.
Utiliza-se neste trabalho três fórmulas interpolatórias: Lagrange, Newton
e Newton-Gregory.
Seja f(x) definida em Xo, x1, . .., Xn (n + 1) pontos distintos de um intervalo [a, b].
Fórmula de Lagrange
Por notação considera-se f(xi) = Yi i = O, l, 2, .. . � n.

n n (x - x )
Neste caso, tem-se: Pn (x) = L Yk fdx), onde R k (x) = n i .
r;t k. I
k=O (x - x
i=O k i )
Fórmula de Newton
Baseado nas diferenças divididas:
� [xi ] = f(x J � diferença dividida de ordem zero
Assim, temos o polinómio interpolador de Newton:

pn (x) = � [Xo ]+( X-Xo )f1 [Xo , X1 ] + ( X -Xo )( X - X1 )f2 [Xo , X1 , Xz ] + ... +
+(X -Xo ( X -X1 ) ... ( X -Xn_1 )� [Xo , X1 1 ··· 1Xn ]
Fórmula de Newton-Gregory
Baseado nas diferenças finitas:
�n f(x) = �n-1 f(x + h) - �n-1 f(x) � diferença finita de ordem n

�º f(x) = f(x) � diferença finita de ordem zero
Assim, temos o polinómio interpolador de Newton-Gregory :

Pn (x) = do f(x0 )+(x -x0 ) �«�1 > +(x -x0 )(x -x1 ) �«�2 > + ... +
l!h 2!h
dnf(x0 )
+(x -x0 )(x -x1 ) ... (x -xn_1 )---'
n!hn
l (x -xº )(x -x1 ) ... (x -xn ) I máx { i f< n+l l (x) l , x e [a, b]
E(x) �
(n+ l)! }
Exemplo 7.17
Seja f(x) tabelada como segue:
X o 1.0 2.0
f(x) o 3.0 10.0
Determine o polinómio interpolador de f(x), usando a fórmula de
Lagrange, Newton-Gregory e Newton, avalie f(l.6).
a) Lagrange � P2 (x) = y0f0 (x)+ y1f 1 (x)+ y2 f 2 (x)
(x) = x2 - 3x + 2
fo
2
x 2 - 2x
f 1 (x) =
-1
2
x x
f 2 (X ) = ---
2
Portanto, temos P2 (x) = 2x2 + x e P(l.6) = 6.72 = f(l .6)
b) Newton � P2 (x) = t [x0]+(x -x0 )f1 [x0 ,x1 ]+(x - x0 )(x -x1 )f2 [x0, x1 ,x2 ]
Tabela das diferenças divididas:
fo f1 f2
o o 3.0
1 3.0 7.0 2
2 10.0
Portanto, P2 (x) = 2x2 +x e f(l.6) ::: P(l.6) = 6.72.

e) Newton-Gregory
Como h = l, temos:
d1 d2
P2 (x) = dº f(x0 )+(x -x0 ) f(x/ ) + (x -x0 )(x -x1 ) f(x2° )
l! h 2! h
ll.º ll.1 ll.2
o o 3
1 3.0 7 4
2 10.0
Portanto, P2 (x) = 2x2 + x f(l .6) :: P(l.6) = 6.72.

Observação
Caso o usuário forneça a forma analítica da função f(x), é possível calcular
limitante superior para o erro.
Aproximação de funções - método dos mínimos quadrados
O método dos mínimos quadrados consiste em, conhecidos os valores de f(x)
em m pontos, determinar uma função g(x) que melhor se aproxime de f(x). Para
esta aproximação usamos uma função g(x), a qual pode ser uma combinação de
funções polinomiais, exponenciais, logarítmicas, trigonométricas etc.
Assim, desejamos determinar uma função g(x) = a1 g1 (x) + a2 g2 (x) +
+ ... + an g n (x) de forma que o erro E = :L/ e(xJ )2 seja mínimo, isto é
m
E = L ) f(xJ - g(xJ)2 seja mínimo:

i=l
i=l
Portanto, para determinar os parâmetros ai i l, ... , n, temos de resol-
=
ver o seguinte sistema de equações lineares:
<=> L 1 (xi )g1 (xi ))a1 + ( L g2 (xi )g1 (xi ))a2 + . .. +

-aE = Ü ( g m m
ªª1 i=l i=l

+ ( L gn (xJg1 (xJ )an = L f(xJg1 (xJ
m m
i=l i=l
+ ( L gn (xJg2 (xi ))an = L f(xi )g2 (xJ

m m
i=l i=l
+ ( L gn (xJgn (xJ )an = L f(xJgn (xJ

m m
i=l
Assim, temos:
m m m m
(L, g1 (x; )g1 (x; ))a1 +(L,g2 (x; )g1 (x; ))a2 + ... + (L, gn (x; )g1 (x; ))an = L, f(x; )g1 (x; )
i=l i=l i=l i=l
m m m m
(L, g1 (x; )g2 (x; ))a1 + (L,g2 (x; )g2 (x; ))a2 + ... + (L, gn (x; )g2 (x; )) an = L, f(x; )g2 (x; )
i=l i=l i=l i=l
m m m m
(L g1 (x; )gn (x; ))a1 +(L, g2 (x; )gn (x; ))a2 + ... + (L, gn (x; )gn (x; ))an = L, f(x; )gn (x; )
i=l i=l i=l i=l
O sistema de equações lineares obtido é denominado sistema de equa

ções normais, o qual pode ser resolvido por qualquer método visto anterior
mente. Com a solução do sistema, determinamos os parâmetros a; i = 1, ... , n e,
conseqüentemente, a função g(x) = a1 g1 (x) + ... + an gn (x) que melhor se ajusta à
função f(x) nos pontos x11 x21 , Xm no senso dos mínimos quadrados.
•••
Exemplo 7.18
Seja f(x) tabelada como segue:
o
2.1
4.9
1 2
8.2
3
1 0. 3 44 5
1 16.8
Usando o método dos mínimos quadrados, determine g(x) = a1x + a2 , que

melhor se ajusta aos dados.
Sistema de equações normais:
I, x;2 I, x; I, f(x; ) x;
6 6 6
r::i
k=l k=l k=l
=
I, x; I, f(x; )
6 6
6
ª
k=l k=l
9rl56.491
Assim, temos o seguinte sistema de equações lineares:
r55 51 rª2l l
1
=
15 6
{ ª1
ª2 = 2.9571
= 2.0905
Portanto, temos:
g(x) = 2.9571 X + 2.0905

Cálculo do erro:
Temos: E = :L ( e (xJ )2 = 0.0762 e qualquer outra reta possui a soma dos

6
i=I
quadrados dos erros superior a este valor obtido.
Podemos, ainda, obter outras aproximações, usando a função hiperbó
lica e a função exponencial da seguinte forma:
a) Caso hiperbólico
1
Considere a função g(x) = para ser ajustada aos dados do problema.
a1 x + a2
Neste caso, como a função g(x) não é linear nos parâmetros a 1 e a2, o
sistema obtido por:
é um sistema de equações não lineares. O método dos mínimos quadrados

desenvolvido anteriormente pode ser usado, fazendo-se uma transformação
adequada de modo a obter uma combinação linear nos parâmetros.
1
Considere a função h(x) = -- = a1 x + a2 que aproxima a função
g(x)
1
-- e temos agora o caso do ajuste linear já conhecido. Assim, temos o se
f(x)
guinte sistema de equações normais:
( :L xn a1 + ( L xi )a2 = :L �
m m m
i=I i=I i=I f (Xi )
( L xJ a 1 + m(a2 ) :L
m
1 m
= -
i=I i=I f(xi )
Os parâmetros obtidos na resolução do sistema de equações normais resol

vem o problema
minimizar Íi= (-f(x1-i ) - h(xJ)2

t
e fornecem uma solução aproximada para o problema inicial proposto.
b) Caso exponencial
Podemos considerar uma função na forma g(x) = a(bt com os parâmetros
"a" e "b" positivos, para ser ajustada aos dados do problema.
O método dos mínimos quadrados desenvolvido anteriormente pode
ser usado fazendo a seguinte transformação:
h(x) = ln (g(x)) = ln (a ( bx )) = ln (a) + ln ( bx ) = ln (a) + x ln (b)
Definindo-se:
temos que h(x) é uma combinação linear das funções g1 (x) = x e g 2 (x) = l,
isto é, h(x) = a 1 g 1 (x) + a 2 g 2 (x).
Desta forma, obtemos o seguinte sistema de equações normais:
( L x/ )a1 + ( L xJa2 = I ln(f(xJ)xi

m m m
i=l i=l i=l
m(a2 ) = L ln(f(xJ)
m
i=l
Os parâmetros a 1 e a2 obtidos na resolução do sistema linear de equa
ções resolvem o problema
L
m
minimizar (ln(f(xJ - h(xJ)2

i=l
e fornecem uma solução aproximada para o problema original dado.
e) A decisão sobre a escolha da função a ser considerada no ajuste, para repre

sentar a tabela de dados, deve ser tomada após a construção do gráfico
com a disposição dos pontos.
7 5 5 Módulo integração numérica

. .
Neste módulo, o usuário tem à sua disposição métodos numéricos para inte
gração de funções. Nesta opção, estão disponíveis as regras de integração de
Newton-Cotes, ou seja: Regra dos Trapézios, Regra 1/3 de Simpson e Regra
3/8 de Simpson.
Caso a opção seja Pontos Eqüidistantes e Entrar com Pontos, temos uma
janela na qual o usuário deve fornecer os dados X; e os correspondentes f(xi ),
Limpar pontos ou ainda Limpar 1 ponto, conforme janelas da Figura 7.24 a) e b ):
l ntegr
23.0000
54.0000
1 5. 0000
·5. 0000
a) b)
Figura 7.24
Clicando em Continuar, o usuário deverá escolher a regra de integra

ção desejada, conforme janela a seguir:
Se o usuário desejar a opção Regra dos Trapézios, deve clicar no botão
adequado, e terá uma janela com o resultado desejado, conforme Figura 7.25
a) e b):
Regra dos T rap6zios
Regra 1 13 tle s-....
a) b)
Figura 7.25
Caso o usuário deseje a opção Regra 1/3 de Simpson, deve clicar no bo
tão disponível e, neste momento, terá uma janela Verifique as condições do
método, pois não é possível aplicar neste caso a Regra 1 /3 de Simpson, temos
apenas número ímpar de subintervalos, conforme janela da Figura 7.26 a):
a)
Se o usuário desejar usar a opção Regra 3/8 de Simpson, basta clicar

neste botão e terá o resultado, conforme janela da Figura 7.26 b):
b)
Figura 7.26
Caso o usuário deseje calcular a integral de uma função na opção

Entrar Função - Valor de h, deve fornecer a expressão da função, o inter
valo de integração e o espaçamento entre os pontos conforme janelas da
Figura 7.27 a) e b).
Neste caso, consideramos a função f(x) = (ex + 0.5), o intervalo [-1, 2]
e o espaçamento h = 0.1, clica-se na opção Regra dos Trapézios e temos os
resultados desejados, conforme janelas da Figura 7.27 c) e d).
Manual do Software Numérico 33 7
-uxm
e) d)
Pode-se, ainda, esboçar a área coberta pela integral da função dada,

clicando em Plotar Gráfico, e temos a área sombreada, conforme janela
da Figura 7.27 e):
e)
Figura 7.27
O usuário pode, ainda, calcular o limitante superior para o erro para a

regra dos trapézios, neste caso, deve fornecer as derivadas necessárias para este
cálculo, bem como analisar o maior valor que essa derivada assume, em módulo,
dentro do intervalo de integração, conforme janelas da Figura 7.28 a) e b):
a)
Fornecendo a expressão do limitante superior para o erro da regra

dos trapézios, temos o cálculo do limitante superior para o erro, conforme Fi
gura 7.28 b):
1- ver r eat
7 .D21
• 1 • t t 1 '
. '
... - - - .- - - • - - -.- - - .- - - .. - - r -
- -
' '
5.81 7
• 1
5.81 7
• • • •
.. - -. - - .- - -
• 1 ' ' ' 1 t 1

. . . . . . . '
r -;- --:--:---: - -:---;- -r- :-- -r -

. . . . . . . . . . . . . . . . . .
4 .21 3 !• - - -:• - - - •!- - - �1 - - -�1 - - !• - - -:- - - •� - ,-

•
- -:-• - 4 . 21 3
.
'
• • 1 • 1 1 •
. . .
• • 1 1 • • ' • • 1 1 1 1 t 1 • f '
' '
- -
'
-
' '
2' .SOS 2'.SOS
• - - ..1 - - - •
.. • - - - .-
.- - - � 1 - - .
• --� .- - - ..• -
- .. -•
·
' - ..� - - - ...
. . j 1 1 1 • • • • 1 1
-
' . ' .-
, • 1 f • •
1 t r 1 r
- - ... - - - .- - - . - - -....: - .- - - .. - - .- -
' .. ' . ' .
. ' .
: - - :- - - : - - � - - :
'
- - -· - - -- - - - -
. . . ' . . . . . . . . . . . . . .
t - - .:· - - : - - � - - : !---�-·� .. : :
1 .404 1 .404 - -
.. .. - - -
..O.S .0.6 -0..3 o 0.3 o.s 0.9 1 .2 1 .$ 1 .8 .o.a.o.6 .o.3 o 0.3 o.e o.9 1 .2 1 s 1 .s
(7.3891)
b)
Temos, neste momento, após clicar em Calcular limitante o valor do

limitante superior para o erro, conforme janela da Figura 7.28 c):
e)
Figura 28
No caso de o usuário desejar calcular a integral de uma função usando a

opção Entrar Função N11 de Pontos, como na Figura 7.29 a) deverá fornecer
-
a expressão de f(x) e o número de pontos desejado no cálculo da integral.

Digitando a função f(x) ex + 0.5, o intervalo [l, 2 ] e o número de pon =
tos N 10 pontos, temos os resultados desejados, conforme janelas da Figura

=
7.29 b) e c):
a) b)
Neste momento, temos a função avaliada nos pontos calculados xi e

clicando em Continuar temos as opções das regras de integração conforme
janelas da Figura 7.29 d) e e):
·1 .GOllO Cl.8819
.0.&&81 1Jn34
-o.3333 j1.2165
,, .•
-
0.(111)
�3333 1.8&
e) d)
gral, conforme resultado nas janelas da Figura 7.29 e) e f):

Clicando em Regra 1/3 de Simpson, temos o valor aproximado da inte
M6todo
Regra 1 fJ de Silpson
e) f)
Figura 7.29
O usuário pode, ainda, calcular o limitante superior para o erro para a

Regra 1 /3 de Simpson, fornecendo as derivadas necessárias e a expressão do
limitante superior para o erro, conforme janelas da Figura 7.30 a) e b):
7 D21 t- -�- - - �
• '
- - �-
•
- -� .. -� - -.-:- -- �-- !- - -�
1 � • • •
• • • 1 1 • • •
' '
1 1 1 1 • j i 1 •
'
5.817 � - -�--- �--1---�·-:·-�-- �-- �- : ·

• • • 1 • • • • •
1 • • 1 ' • • •
'
• • ' 1 ' • • •
'
'
41'3 ! · ·�- � · � · ·� - - � · =- · · : · .· · ·� ·
• • • 1 1
..
1 1 • 1 1 1 1 •
..
• • • • 1 ' ' • • • • 1 1 •
'
• • 1 • • • • 4
;- -+-- : -- �- -- :- - ; - - . � :
' '
- - !. - - -
. . . . . '
-
2.sae
• • • • 1 • • •
2.8118
�- -+--:--i-- -:·-�-- . - �--�--�-
• • f 1 . . . . . ..
1 1 1 1 1 • 1 t 1 1 1 1 t 1 t
'
' 1 '
. . . . . . . . .
'� !--� ; .. �
• •
...
•
.. .
•
. ·1_..; ; ... �,.--�·
1 •
....
• • �
1 .404 :' · ·�···�··
1 •
t·· •
·:• ··�""
•
? · · �-• - ·�• -
•
1 • • 1 t • • 1 • 1 1 1 t 1 • t
.oJ•j.Q.3 O D.S O.S 0.9 12 1.5 1 .8
a) b)
Clicando em Calcular Limitante, temos o resultado desejado, conforme

janela da Figura 7.30 c):
e)
Figura 7.30
Caso o usuário deseje calcular a integral de uma função, em pontos não

eqüidistantes, o Software Numérico oferecerá a opção do uso da Regra dos
Trapézios, considerando cada subintervalo e o "h" correspondente, confor
me janelas da Figura 7.31 a) e b):
Aviso
a) b)
Neste caso, digitando os valores de xi e f(xj), pode-se, ainda, Limpar

pontos ou Limpar 1 ponto; clicando em Continuar, temos o valor aproxima
do da integral, conforme janelas da Figura 7.31 c) e d):
1 .5000
1.11000 34..0000
3.0CO> -10.�
e) d)
Figura 7.31
Se o usuário desejar calcular a integral de uma função na opção Entrar

com Função, ainda nesta opção, Pontos não Eqüidistantes deve fornecer a
expressão de f(x), podendo ainda, Limpar pontos ou Limpar 1 ponto.
Neste caso, fornecendo os pontos desejados, temos a função f(x) tabelada.
Considerando a função f(x) l /x temos as janelas conforme Figura 7.32 a) e b):
=
lntegreç&o
1 .0000
0.6687
jo.2857 -
3.0000 0. 3333
3.5000
a) b)
Clicando em Continuar, temos o resultado aproximado da integral,

através da regra dos trapézios, conforme janela da Figura 7.32 c):
e)
Figura 7.32
Pode-se, ainda, observar a área coberta pela integral da função quando

utiliza-se a regra dos trapézios e o limitante superior para o erro, conforme
janela da Figura 7.33 a):
a)
O usuário pode, ainda, calcular o limitante superior para o erro na regra

dos trapézios, em cada subintervalo; por exemplo, considera-se o primeiro
subintervalo com h = 0.5. Os demais subintervalos seguem o mesmo roteiro,
no final somam-se os limitantes obtidos em cada subintervalo.
Neste caso, o usuário deve fornecer as derivadas necessárias para

cálculo do limitante superior para o erro, o máximo valor que esta assur
no intervalo de integração e a expressão do limitante, conforme janelas ·
Figura 7.33 b) e c):
b)
Cálculo do limitante superior para o erro da regra dos trapézios:
� L i mi tante erro !
1 - Valor • 1 - m6iato da d811v-&t.la •
Supen or para o _
real - Valor em mó�

- - - - - - r--- - - - - - - - - - - - - - - - · .- - - --- - - - - - - - - ... - - - - - - - - - - - - -
O.B77 : :
0 .977 - - - - - ...
. . .
- - - -
.. 1 1 •
. ' . . ' .
• 1 • 1
' .
- - - .. _.. _ _ _ _ _ _ ,,. - - - _ _ .,., _ _ _ ... _ _ ... _ _ _ ... ... ...

' . .
0.781 • 1 1 •
0 .781 1 • • •
- - - - ... ... ... ... - - - -- - - ... ... ... ....... ... - - - - .... - - - - -
.. 1 1 •
• 1 • •
. . .
4 f 1 1 1 1 • 1
. .
.. •
.... ·� - - - · · -=- - -
0.586 . . ·:- . ·:· ·:· . .. . . . ...: - o ses • • · � • • • • · ·:· • · • • • -:· • • • • • <· • • • • •
1 t •
. . . .. . . .. . . . . . ... .
!
•
:
1 1
: :
' 1
'
'
'
•
.
•
.
0..391 .. . . .. -� · - - · · ·:
. '
. . . . . .. .. :.. . . .. - - ..! - - - .. .
.
.
º'.391 -- .. .. .. + - - - - · �- - - - - .
' ' . .
: ' . .
- - -� - - - - - �- - - - - - � - - - - - - -- -:- - - - - - - - - - -
' . . . . .
0.1 95 0 .1 El5 : - - -t- - - - - -
' .
' . .
1 .5 2 2.5 3 1 .5 2 2.5 3
e)
Desta forma, temos um limitante superior para o erro conforme janE

da Figura 7.33 d):
d)
Figura 7.33

módulo integração numérica
A integração numérica consiste na aproximação de f(x) definida nos pontos
distintos x0, x1, ... , Xn do intervalo [a, b], pelo polinómio de interpolação, e na
integração de P(x) ao invés de f(x), isto é:
J J Pn ( x ) d x
b b
f(x)dx =
a a
Fórmulas de quadratura de Newton-Cotes

Seja f(x) definida em Xo, X11 , Xn (n + 1) pontos distintos e igualmente espaça
•••
dos no intervalo [a, b], tais que (x i+1 - xJ = h, i = O, 1, ... , n - 1, h > O.

Em particular, para a interpolação, utiliza-se o polinómio interpolador
de Newton-Gregory de grau n, dado por:
�1 f(x0 ) �2 f(x° )
Pn (x) = �º f(x0 )+(x - x0 ) + (x - x0 )(x - x 1 ) +
l!h 2!h2
�"f(x0 )
+ ... + (x - x0 ) (x - xn-1 )
••• ---
n! h"
Sabe-se, da interpolação polinomial, que,
f(x) = Pn (x) + En (x)
onde
Regra dos trapézios
Seja f(x) definida no intervalo [Xo, xi ]. Neste caso, o polinômio interpolador é

de grau n = 1, e temos:
J f(x)dx = J Pi (x)dx = hJ P1 (u)du

� � 1
� � o
onde P1 (u) é o polinômio interpolador de Newton-Gregory de grau n = 1 .

Assim,
1 1
(J
1
J f(x)dx = hJ ( 0 J
x,
� 0 f(x )+u � 1 f(x0 ))du = h � 0 f(x ) du + u �1 f(x0 ) du)

0
Xo Ü Ü Ü
J f(x)dx = zh [f(x0 ) + f(x1 )]

x,
Xo
Erro cometido na regra dos trapézios
Regra dos trapézios generalizada
A regra dos trapézios generalizada consiste na subdivisão do intervalo de

(x
�
integração [a, b] em n subintervalos iguais, onde n = n Xo ) Xo = a n = b , X
e na aplicação da regra dos trapézios em cada subintervalo.
Assim, temos:
Erro na regra dos trapézios generalizada

O erro total na fórmula generalizada é obtido a partir da soma dos erros come
tidos em cada subintervalo, isto é:
h3 (2)
E , = L - - f (Çi ) xi-I :::; Çi :::; xi
n
i=I 12
Assim, a expressão para o erro na regra dos trapézios generalizada

toma-se:
I E1 I :::; �� (xn - xo ) máx {l f ((� ) J , x0 :::; x :::; xn }

Regra 1/3 de Simpson
Seja f(x) definida no intervalo [a, b ]. Neste intervalo, consideramos os pontos
eqüidistantes x0, x1 1 x2, com x0 = a x0 = b, e construímos o polinômio interpo
lador da função f(x) de grau n = 2.
Assim, temos:
2
J f(x) dx = J P2 (x) dx = hJ P2 (u) du
X2 X2
Xo Xo o
Erro cometido na regra 1/3 de Simpson
E 2 = - h5 f ( Ç ) x0 :::; Ç :::; X2
(4)
90
{I I
s
}
h
I E2 I :::; 90 máx f ( x ) , x0 :::; x :::; x2

(4)
A Regra 1 /3 de Simpson generalizada consiste em subdividir o intervalo de

integração [a, b] em n subintervalos de amplitude h, em que n é um número
par de subintervalos, de forma que Xo = a, Xn = b, e aplicar a Regra 1 /3 de
Simpson em cada par consecutivo de intervalo.
Assim:
Erro na Regra 1/3 de Simpson generalizada
Como foi visto anteriormente, para cada dois subintervalos (3 pontos)

pode-se aplicar a Regra 1 /3 de Simpson e o erro total cometido para n apli
cações é dado por:
Regra 3/8 de Simpson
Considere f(x) definida [a, b]. Neste intervalo, considere os pontos Xo, Xv x21 x3
eqüidistantes. O polinómio interpolador neste caso é de grau n 3. =
Assim:
3
J f(x) dx := J P3 (x) dx = hJ P3 (u) du
� �
� � o
onde P3 (u) é o polinómio interpolador de Newton-Gregory de grau n = 3.

Assim,
x
3
J f(x)dx := hJ [�0 f(x0 ) + u�1 f(x0 ) + u(u2-! 1) �2 f(x0 ) + (u)(u -3l)(u
3
- 2) 3
o � f(x0 )] du
x
0 !
Uma vez que,

0
� f(x0 ) = f(x0 ) �1 f(x0 ) = f(x1 ) - f(x0 ) �2 f(x0 ) = f(x2 ) - 2f(x1 ) + f(x0 )
�3 f(x0 ) = f(x3 ) - 3f(x 2 ) + 3f(x1 ) - f(x0 )
temos:
Erro cometido na regra 3/8 de Simpson
3 (4)
E3 = -- h5 f (Ç)
80
A Regra 3 / 8 de Simpson generalizada consiste em subdividir o intervalo [a, b]

de integração em n subintervalos, de amplitude h, onde n um número múl
tiplo de 3, de forma que Xo = a e x0 = b, e aplicar a Regra 3/8 de Simpson a
cada 4 pontos consecutivos.
Assim,
J f(x) dx = -83 h [f(x0 ) + 3f(x1 ) + 3f(x2 ) + f(x3 ) ] + -83 h [f(x3 ) + 3f(x4 )+ 3f(x5 ) + f(x6 )] +
�
3 3
+...+ h [f(x0_3 ) + 3f(x0_2 ) + 3f(x0_1 )+ f(x0 )] = h [f(x0 )+ 3(f(x1 )+ f(x2 )+
B B
+ f(x 4 )+ ... + f(x0_2 ) + f(x 0_1 )) + 2(f(x3 )+ f(x6 ) + ... + f(x0_3 )) + f(x0 )]
Erro na Regra 3/8 de Simpson generalizada
Para cada três subintervalos (quatro pontos eqüidistantes) pode-se aplicar a

Regra 3/8 de Simpson e o erro total cometido para n aplicações é dado por:
Exemplo 7.19
Calcule J exdx usando 6 subintervalos pela regra dos trapézios, regra 1 /3

1
o
de Simpson e regra 3/8 de Simpson e um limitante superior para o erro em
cada uma delas.
Tabelando a função com h 1 /6, temos:
=
X o 1 /6 2/6 3/6 4/6 5/6 1

f(x) 1 1 .1814 1 .3956 1 .6487 1 .9477 2.3010 2.7183
a) Regra dos trapézios

Da regra dos trapézios temos:
Como, máx { l f2 <x) I , O :::; x :::; 1 } 2.7183 em x = l, temos:

=
I E(x) l ::s; ü.0063

b) Regra 1/3 de Simpson
Como máx { J f4 (x) J , O S x S 1 } 2.7183 em x

= = l, temos:
1 E1 1 S 0.00001
e) Regra 3/8 de Simpson
1
f ex dx = 3 -h8 [f(xo ) + 3(f(x1 )+ f(x2 ) + f(x4 )+ f(xs )) + 2f(x3 )+ f(x6 )] = 1 7183
.
JEr J S
{I I
h4 (4)
80 (xn - Xo ) máx f(x) ,
Como, máx { J f4 (x) J , O S x S 1 } 2.7183 em x

= = 1, temos:
J E1 1 S 0.00003
7 5 6 Módulo equações diferenciais
. .
Neste módulo, o usuário tem a sua disposição métodos numéricos para reso
{
lução de equações diferenciais ordinárias de 1 ordem com valor inicial (PVI):
li
y ' = f(x, y)
y(x o ) = y 0 � valor inicial
Nesta opção, temos disponível os métodos de Runge-Kutta:

Runge-Kutta de 1 ordem - método de Euler
li
Runge-Kutta de 2ll ordem - método de Euler aperfeiçoado

Runge-Kutta de 3ll ordem
Runge Kutta de 4ll ordem
Para utilização desse módulo, o usuário deverá clicar em Entre com os
dados da equação, fornecendo a expressão da equação diferencial, Xo, y0, h, e
o valor desejado Xn . Por exemplo, considere a equação diferencial y ' = y com
valor inicial y(O) = 1, h = 0,1 e � 0.4.
=
O usuário pode, ainda, Limpar tudo, conforme pode ser observado nas
janelas da Figura 7.34 a) e b):
a) b)
Figura 7.34
Neste momento, o usuário deverá escolher o método desejado, se clicar

na opção Runge-Kutta de P ordem - Euler, terá a equação discretizada e os
valores encontrados, conforme janelas da Figura 7.35 a) e b ):
a) b)
Temos o resultado desejado y("4) = y(0.4), conforme janela da Figura 7.35 c):
e)
Ousuário poderá, ainda, obter o gráfico da equação discretizada, cli

cando em Plotar Gráfico conforme janela da Figura 7.35 d):
)(
• Y()() • pinos
1 .45 - - - - - - - r - - - - - - � - - - - - - - • - - - - - - � -- - - -- - 1 - - - - - - {- - - - - - - t - - - - - - - r - - - - - - i - - - - - -
� ' • f t • ' • •
• 1 • • 1 t • 1 1 1
" '
• · • • �1
. ..
�- • � - -:· • • • • • • • • - • - •� - - • • - ... �1 • - - • - • • !t · · • • -:W • .. - .. • t • • • - • • · :· - .. .. • - .. ; ·•
r: - - - :: - - - - - ·:-: - - :: - - :: - : - - - - := - - .. - ::
1 A
1 t • 1 t •
... .. .. .. ... .. .. "' ..
f 1 • •
- ... - - �1 - - - - · - - �• .. ... ... - - - -:• .. - - - - · t - - ·: - - - •: - - :.. -- - - .. - - �'
'
1 .SS. � -- - - - · - � - �- - ·---- · - - - -� -
'
� : :· : 1 : : ..•. . .r : : :
... - - - - - - -
13 · - -
:: - - - - - :- : - - - - - · :: - - - - - - ·r ...
� - - - -- ... � - - - - - �- - - ... - - - � - - .. - -i-- : .. -- - - -�- - - - -- f - - ;

- - - - .. - - - - - - -- - - - .. - - -
1 125 1 1 • 1 • ' • • '

• • • • • • • • • • • • • • • • • • • • • • • • · . • . . • • . . . . · · . . .. . . .
' ..
. . . .. . . . . . . ..
12 .. - - - - - - - - - - - - - - r --- - - - : - - -- -
. .. 1 • • 1 • 1 • • • '
1 .1 5 � - - - - - ;. .. - - - - - �- - - - - - - r - - - - - - � - - - - - - - - - - - : - - - - - ·- i- - - -
'
... ... T - - - - - - - -� - - - - - - : - - - - - - �
: :
1 .1 � .. .. - - - - � .. .. . -
-
: : :
.. - :-
: -
: :
- - - · - .. :- - - .. - - - � - - .. .. - ... t - - - .. .. -!'-· .. - - - - + - - - - .. - - - -
::
- -
:
- - - - - - ! .. - - - - - -
::
1 • • • 1 • 1 • • •
1 1 1 Ir • • • 1 • ,. •
"
1 A)5; • • "' .. · � - 00:• "' '" - .. · ?" - · � � · · · · - -=- - -+ · · ·· ·:- · - - - � .. ... '"' "' :
o.'2
.. . .. .. ... .. .. .. .. . .. ... .. .. . . .. . . .. .. .. ... .. .. ... .. . ... .. .. ... ...
• • • • 1 • • 1 • • •
• • • • • • • 1 • • •
o oJM o..oe 0.1 8 02 0.24 0.28 0..32 0..36 0.4
d)
Figura 7.35
Caso o usuário conheça a solução exata (analítica) da equação dife

rencial, pode comparar os resultados obtidos com a função y(x), declarando,
na janela apropriada, a expressão da solução exata e obter o gráfico da solu
ção aproximada, bem como o gráfico da solução exata, conforme janelas
da Figura 7.36 a) e b):
a)
� < i.-_,1 f 1 < o P<�· l' e�-. d i f�n�n< i :i i<; _ .

. -· ·-· ·
----- - - -- -- - -
1 • • 1 • t 1 •
1 • • • 1 1 1 t
'
'
1 AS .... .. . .. .. .. · � · · · ·· -- � · • • 1! ,. 1 • • .,. - - - � • • • • ""!· • • · • - · t · ,. .. • ·� · · "• • '( • • • · -·
1 • • • 1 • •
, .. - - - .. .. .. -
1 ,4 : : ..;, . . . . .. . � .. . .. .. .. .. .. : .. · · · �· - · - · - - � - - - · ·� - · A- ,.
' '
... . . .. .... . . . . . .. . .. ... .. • . .: . .. . .. . .. .. .. .. .. ...
• • • • • • 1
1 .35 ;- · - · - - -�- ---- -t- - - - - - 1 - · - - - - -r - - - - · - �- - - - - -- r - - - - - - �- - . - - � - - - - - - ·
'
.. ------
t .s - .. - - - .. - � - .. - -- - � - - - .. - �
. - - - - - - - -t -
- - : - - .. - .. - - t .. - - . - -
• • 1 • • • •
1 .25 : - : · · · · .;. :· : �- . . :· · ·�- �-

"
- • • • • • • • • • • • • • • • • • . - . • • . • . • • • • . . . • . • . • . • • • • • • • . • •
' " .. 1 • ' 1 •

1 .2 : : -.-�
. . . - - .. - � .. .. .. ! ..
� : - ;. - -
1 .1 !1 :- - - - - - - : - - - - - - �- - - · - - � - -
' ·1 ;·······;······:
' . .
·-1 ... .. .. . .. . . ; - · · · · · 1· ... .. . . · r · · · - · · ·r · · · · · ·1· - · · · · · · ·· ·
1 DS '- - - - - - - -- -V .. .. . .. .. .. �- -- - - · - t - · · - - · ...:- - - - · - · t - · · ... .. .. ...;. . .. .. .. ... .. .,; .. . . .. . . · --

• • • • • 1 •
· · · -
• • • • • f '
..
o OJl4 O.D8 0.1:2 0.16 0.2 O.::M 0.28 0.32 D.316 0.4
b)
Caso o usuário conheça a solução exata da equação diferencial, pode

calcular o limitante superior para o erro, fornecendo a 2ª derivada da função
y(x), e a expressão do limitante superior para o erro.
Com o auxílio de gráficos, pode-se calcular o maior valor em módulo que a
função assume no intervalo de discretização, conforme janela da Figura 7.36 d):
e)
�I 1 111 i t,7inte Super- i rn- p.-w.1

��- ·--
o c1 T o
- - - - - ��
_!
___
)(
- - - - - -'- - - - - - -'- - - - - - _,_ - - - - - j - - -

. . ' .
1 .31 � f • 1 •
-
1 �S
t • •
t • 1 1
'
. . .
. . '
. . '
. . '
. . '
. . '
1 .1 5'1 - - - - ... ... .. - . - - - _..... ... - .. - · ·- - .. - - - ,.,_ - - - .. ..

1 .1 51
. . . .
. ' .
. . .
. . .
. . .
. . .
o 0 .()8 O.t 2 0.18 0 .2• o 0.06 0.12 0.1 8 0.24
d)
Temos, neste momento, o valor do limitante superior para o erro, con

forme janela da Figura 7.36 e):
OIC
e)
Figura 7.36
Se o usuário desejar a opção Runge-Kutta de 2• ordem - Euler Aperfei

çoado, terá os resultados conforme janelas da Figura 7.37 a) e b):
o o.mm 1 .cml
- --
1 0. 1 000 u reo
2 0. 2000 1 .221 0
-
3 '0. ml 1 . 3492
4 1 .4909
a)
b)
Figura 7.37

módulo equações diferenciais
Solução numérica de equações diferenciais ordinárias
{
Considere a equação diferencial orctinária de 1 ª ordem com valor inicial (PVI):
y ' = f(x, y)
y(xo ) = yo
Resolver a equação diferencial consiste em determinar uma função y(x) que satis
faça a equação dada. Um método numérico para resolver esta equação consiste
em determinar aproximações Yn para y(xn) onde Xn = Xo + nh n = O, 1, 2, ...
Métodos de Runge-Kutta:
P ordem - método de Euler
O método de Euler consiste em determinarmos as aproximações Yn para y(xn)
da seguinte forma:
2ª ordem - método de Euler aperfeiçoado

No método de Euler ape�feiçoado utilizamos a seguinte expressão:
h
Yn+l = Yn + 2 (k1 + k2 }
com k 1 = f(x n , Y n }
k 2 = f(x 0 + h, Yn + hk1 }
Métodos de Runge-Kutta de ordens superiores

3ª ordem
No caso dos métodos de Runge-Kutta de 3ª ordem, utilizamos a seguinte
expressão:
k1 = f(X0 , Yn }
com
1 1
k2 = f(xn + - h, Yn +- hk1 }
2 2
k 3 = f(X0 + 4 h, Yn + 4 hk 2 }
3 3
4ª ordem
No método de Runge-Kutta de 4ª ordem, utilizamos a seguinte expressão:
com
kl = f(xn , Yn )
1 h
k2 = f(xn + 2 h, Yn + 2 ki )
1 h
k3 = f(xn + - h, Yn + - k2 )
2 2
k4 = f(xn + h, Yn + hk3 )
Exemplo 7.20
{
Considere a equação diferencial de 1 il ordem com valor inicial:
y ' = - xy
y(O) = 1
Tomando h = 0.1 calcule y(0. 5) usando os métodos de Runge-Kutta de

1 ordem e de 4ã ordem.
li
a) Método de Runge-Kutta de 1 il ordem - método de Euler

y(O) = 1
y(0.2) = Y2 = 0.9900
y(0.1) = Y1 = 1 .000
y(0.4) = y4 = 0.9411
y(0.3) ::: y3 0.9702
=
y(0.5) = 0.9035
b) Método de Runge-Kutta de 4il ordem
y(O) 1
=
y(O.l) ::: Y1 = 0.9950
y(0.3) = y3 = 0.9560
y(0.2) = Y2 0.9802
=
y(0.4) ::: Y4 = 0.9231

y(0.5) ::: Ys = 0.8825
Referências Bibliográficas
1. ALBRECHT, P. Análise Numérica: Um Curso Moderno. São Paulo: Editora

da Universidade de São Paulo, 1973.
2. ANTON, H.; RORRER, C. 1. Álgebra Linear com Aplicações. Porto Alegre:
Bookman, 2000.
3. ARENALES, S. H. V.; TANIGUTI, F. Software Numérico-Módulo Raízes
- XXII CNMAC (1999).
4. BURDEN, R. L.; FAIRES, J. D. Numerical Analysis. Boston: PWS Publish
ing Company, 1993.
5. CONTE, S. D.; BOOR, C. Elementary Numerical Analysis, an Algorithmic
Approach. Nova York: McGraw-Hill, 1981.
6. CUNHA, M. C. C. Métodos Numéricos. 2íl. ed. Campinas: Editora da · ·
Unicamp, 2000.
7. DAREZZO, A. F.; LAZARINI, C.; MILANI, D. M.; FERRARI, L. M.; ARE
NALES, S. H. V. Notas de Cálculo Numérico. Publicação do Departamento de
Matemática-UFSCar, 1992.
8. DEMIOOVICH, B. P.; MARON, 1. A. Computational Mathematics. Moscou:
Mir Publishers, 1976.
9. DURAND, E. Solutions Numériques Des Équations Algébriques - Vol. 1 .
Paris: Masson et Cie É diteurs, 1971 .
10. FORSYTHE, G. E.; MOLER, C. V. Computer Solution of Linear Algebraic.
Systems. Englewood Cliffs: Prentice Hall, 1967.
11. ISAACSON, E.; KELLER, H. B. Analysis ofNumerical Methods. Nova York:
John Wiley, 1966.
361
12. JENNINGS, W. First Course in Numerical Methods. Nova York: Macmil

lan,1964.
13. KREYSZIG, E. Advanced Engineering Mathematics. Nova York: John Wiley
& Sons, 1993.
14. LAMBERT, J. D. Computacional Methods in Ordinary Differential Equations.
Nova York: John Wiley & Sons, 1971 .
15. RUGGIERO, M. A. G.; LOPES, V. L. R. Cálculo Numérico, Aspectos Teóricos
e Computacionais. 2ª ed. São Paulo: Makron Books, 1997.
16. SALVADOR, J. A; ARENALES, S. H. V.; DAREZZO, A. F.; SANTOS
WAGNER, V. M. Mapas Conceituais/Software Numérico: Urna Experiência
no Estudo de Sistemas Lineares e Zeros de Funções. Publicação da Socie
dade Brasileira de Matemática Aplicada e Computacional - Revista Tema -
Volume 4 - Número l, 2003.
17. SCHWARZ, H. R. Numerical Analysis - A Comprehensive Introduction.
Nova York: John Wiley & Sons, 1989.
18. SOTOMAYOR, J. D. Lições de Equações Diferenciais Ordinárias. Publicação
do IMPA - Projeto Euclides - 1979.
19. STEINBRUCH, A; WINTERLE, P. Álgebra Linear. São Paulo: Makron
Books Ltda, 1987.
20. SWOKOWSKI, E. W. Cálculo com Geometria Analítica. 2ª ed. São Paulo:
Pearson Education do Brasil, vol. 1 e vol. 2, 1995.
21. STEWART, J. Cálculo. São Paulo: Pioneira Thomson Learning, Vol. 1 .
4ª ed. 2003.
22. YOUNG, D. M.; GREGORY, R. T. A Survey of Numerical Mathematics -
Vol. 1 . Vol. 2. Reading: Addison-Wesley Cornpany, 1972.
23. WILKINSON, J. H. Rounding Errors in Algebraic Processes. Englewood
Cliffs: Prentice Hall, 1963.
,
lodice Remissivo
A parcial, 38
Ajuste total, 41
exponencial, 176 Equações diferenciais (solução numérica)
hiperbólico, 171 método de Euler Aperfeiçoado, 253
polinomial (caso discreto), 158 método de Euler modificado, 257
trigonométrico, 167 método de Euler, 244
Aproximações Sucessivas (método), 80 método previsor-corretor, 269
métodos de Runge-Kutta, 251
B Equações normais (sistemas), 161
Binário (sistema), 2 Equações polinomiais, 96
Bisseção (método), 76 Erros
absoluto, 10
e arredondamento, 10
Cholesky (método), 30 Euler (método), 244
Critério de Sassenfeld, 60 Mínimos quadrados, 160
Critério de parada, 56 na integração numérica, 192
na interpolação, 130
D propagação de erros, 14
Determinante de Vandermonde, 129 relativo, 11
Diagonalmente dominante, 55 truncamento, 12
Descartes (regra de sinais), 100 Estimativa do número de iterações (método
Diferenças da Bisseção), 78
divididas (operador), 141 Estudo da convergência (sistemas lineares), 55
finitas (operador), 149
F
Descrição breve dos métodos (usados no
Software Numérico) Fórmulas de Newton-Cotes, 191
Módulo Aproximação de funções, 331 Fórmula de Lagrange, 132
Módulo Equações diferenciais Fórmula de Newton, 141
ordinárias, 357 Fórmula de Newton-Gregory, 153
Módulo Integração Numérica, 346
Módulo Inversa de matriz, 306 G
Módulo Raízes de funções, 317 Gauss (método de eliminação), 34
Módulo Sistemas lineares, 294 Gaussiana (quadratura), 216
Gauss-Seidel (método iterativo), 58
E
Eliminação de Gauss (método), 34 1
diagonal, 34 Integração Numérica
estratégias de pivotamento, 34 regra dos trapézios, 193
363
quadratura Gaussiana, 216 p

regra 1/3 de Simpson, 200
Pivotamento (estratégias de), 34

Passo múltiplo (métodos de), 246
regra 3/8 de Simpson, 208 Passo simples (métodos de ), 245
Integração dupla, 223
Interpolação Polinomiais (equações), 96
inversa, 148 Polinomial (interpolação), 127
linear, 138 Previsor-corretor (método), 269
polinomial, 127 Problema de Valor Inicial (PVI), 236
Propagação de erros, 14
J
Jacobiana (matriz), 107 Q
Quadratura Gaussiana, 216
L
Lagrange (polinômio interpolador), 132 R
Localização de raízes, 97 Raízes de uma equação
LU (decomposição), 25 localização das raízes reais e complexas, 97
métodos numéricos, 76
M
Regra de Sinais de Descartes, 100
Mau condicionamento, 49 Regras de integração numérica, 189
Mantissa, 5 Runge-Kutta (métodos de), 251
Manual do Software Numérico, 285
Matriz definida positiva, 30 s
Métodos
Sistemas lineares (métodos), 19
Aproximações Sucessivas, 80
Sistemas de ponto flutuante, 5
Bisseção, 76
Sturm (seqüência), 101
Briot-Ruffini, 102
Sistemas não lineares (método), 106
Gráfico, 74
Sistemas triangulares, 21
Mínimos Quadrados, 157
Secante (método), 93
Newton Modificado, 92
Sassenfeld (critério), 60
Newton, 87
Simpson (regras), 200
Newton+Briot-Ruffini, 104
Newton-Bairstow, 112 Software Numérico
Posição Falsa, 96 Módulo Aproximação de funções, 321
Módulo integração numérica, 334

Módulo Equações diferenciais
Gauss com pivotamento diagonal, 34

Secantes, 93
Métodos diretos ordinárias, 352
Gauss com pivotamento parcial, 38 Módulo Inversa de matriz, 305

Gauss com pivotamento total, 41 Módulo Raízes de funções, 307
Gauss-Jordan, 44 Módulo sistemas lineares, 288
Métodos iterativos, 49
T
Gauss-Seidel, 58
Jacobi-Richardson, 53 Taylor (métodos de série de), 242
Mudança de base, 4 Trabalhando com o Software Numérico' 65'
121, 182, 227, 278
N Teste de alinhamento, 175
Newton (método para sistemas não Trapézios (regra), 193
lineares), 106 Teorema de Budan-Fourier, 100
Newton (polinômio interpolador), 141 Teorema do círculo (localização de raízes), 97
Newton-Cotes (fórmulas de integração), 191 Teorema de Sturm, 101
Newton-Gregory (polinômio
interpolador), 153 u
Underflow (sistema de ponto flutuante), 8
o
Operações elementares, 24 z
Overflow .(sistema de ponto flutuante), 8 Zero em ponto flutuante, 6
lt.lf'RESSÁO E ACABAMENTO:
YA��61�
--"""""

Arenales S Darezzo A Calculo Numerico 2008 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Arenales S Darezzo A Calculo Numerico 2008 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Sobre os autores

Selma Helena de Vasconcelos r\renales

Pnifrssor;1 do llepart.1mcntl1 dr Matf­

oricnt1ç;'io d e alunos nas áre;1s de Otimiza­

Artur Darezzo Filho

Licrnciado cm Matcmátira p el a íanrl­

1. Cálculo numérico 2. Cálculo numérico -

1. Cálculo numérico : Estudo e ensino 515. 07

Gerente Editorial: Produtora Editorial: Revisão:

Copyright © 2008 de Thomson Todos os direitos reservados. Dados Internacionais de

Com carinho para minha esposa Regina,

Capítulo 2 Solução numérica de sistemas de equações lineares e

Solução numérica de equações 73

Capítulo 4 Aproximação de funções 127

Capítulo 5 Integração numérica 189

Capítulo 6 Solução numérica de equações diferenciais ordinárias 233

Capítulo 7 Manual do Software Numérico 285

Referências bibliográficas 361

Índice remissivo 363

de exercícios, para todas as turmas de Cálculo Numérico no Laboratório de

Erros em Processos Numéricos

Fase da Modelagem Fase da Resolução

da base de processamento, os erros de representação, devido ao sistema uti­

1.2 Erros na fase da modelagem

1.3 Erros na fase de resolução

Erros na mudança da base

Acontece, muitas vezes, que esta transformação pode ser acometida de

N1 0 = L ªi xlOi , a i E {O, 1, , 9}, com n e m inteiros.

Assim, dado um número real qualquer numa base b, podemos escrevê-lo

Mudança da base binária para a base decimal

N10 = ( l, fn-v fn- 2 1 rn-3 1 ..., r3 , rz , ri )2

b) (11) 0 = (1011h = 1X2° + 1X21 + 0 X22 + 1X23

(0.375)(2) = 0.75 � parte inteira = O e parte fracionária = 0.75

(13.25)10 (13)i0 + (0.25)10 (1101)2 + (0.01)2 (1101.01)2

Sistema de ponto flutuante normalizado

número de dígitos significativos n e um expoente exp.

Dizemos que um número real nr está representado no sistema de ponto

sendo n o número máximo de dígitos na mantissa, d 11 d2, , dn, dígitos

significativos da mantissa, do sistema de representação, com o primeiro

expmín :5: exp :5: expmá x

zero :0.0000 ....... 0 bexPmín

b) O maior positivo exatamente representável é o real formado pela maior

maior = (0 X (b - l] [ b - 1] ... (b - 1]) b expmáx

d) O número máximo de expoentes possíveis é dado por:

NR+ = mantissas+ X expp íveis oss

Se considerarmos que dado um número real nr E SPF temos que

b) O maior exatamente representável:

e) A quantidade de· reais positivos exatamente representáveis:

exp = - 1 : 0.10x3-1 = 1 / 9 exp = - 1: 0.llx3-1 = 4 / 27

exp = - 1 : 0.12x3-1 =5 / 27 exp = - 1 : 0.20x3-1 = 2 / 9

exp = 2 : 0.12x32 = 5 exp = 2 : 0.20 32 = 6

exp = - 1 : 0.21 x3-1 = 7 / 27 exp = - 1 : 0.22 X 3-l = 8 / 27

Observe que o menor real positivo representável é e o maior positivo�

E os reais representados por

De modo geral, podemos representar o espaçamento entre os represen­

3 dígitos na mantissa, menor expoente igual a -1 e maior expoente 2.

Para este sistema temos 16 reais positivos exatamente representáveis

o 1/4 5/8 718 1 5/4 7/4 2 5/2 3 7/2

são exatamente representáveis, no entanto, (x + y) = (0.0001 0h x3 2 + (0.12h x

Podemos observar que:

onde aex é o valor exato da grandeza considerada e aaprox é o valor aproxi­

Como na maioria das vezes o valor exato não é disponível, a definição

onde E é um limitante conhecido.

Pnifrssor;1 do llepart.1mcntl1 dr Matf

oricnt1ç;'io d e alunos nas áre;1s de Otimiza

Licrnciado cm Matcmátira p el a íanrl

da base de processamento, os erros de representação, devido ao sistema uti

De modo geral, podemos representar o espaçamento entre os represen

onde aex é o valor exato da grandeza considerada e aaprox é o valor aproxi