CÁLCULO NUMÉRICO

Roberto Carlos Lourenço dos Santos

SUMÁRIO

1 MATRIZES E DETERMINANTES ................................................................. 3

2 SISTEMAS LINEARES I............................................................................. 14
3 SISTEMAS LINEARES II............................................................................ 22
4 EQUAÇÕES ALGÉBRICAS E TRANSCENDENTES ....................................... 35
5 INTERPOLAÇÃO POLINOMIAL ................................................................ 47
6 RESOLUÇÕES NUMÉRICAS ..................................................................... 56

2
1 MATRIZES E DETERMINANTES
Neste bloco, estudaremos as definições de Matrizes e Determinantes, passando pelas
operações que envolvem Matrizes e propriedades dos Determinantes.

No curso de Cálculo Numérico é fundamental conhecer e dominar esse conteúdo para

resolver diversos problemas de equações lineares e sistemas lineares, assim como
outros tópicos que estudaremos.

Desejo um ótimo período de estudos!

1.1 Matrizes

Nesse tópico temos como objetivo compreender a definição e operações com

matrizes.

Por definição: Sendo m e n números naturais não nulos, chama-se matriz retangular m
x n uma tabela formada por m x n números dispostos em m linhas e n colunas.

A  aij mxn

Igualdade entre Matrizes

Para duas matrizes serem iguais:

*mesma quantidade de linhas e colunas;

*todos os elementos correspondentes iguais.

 a11 a12 a13 a14   a11 a12 a13 a14 

a a a a   a a a a 
 21 22 23 24   21 22 23 24 
a31 a32 a33 a34  a31 a32 a33 a34 

3
Determine os valores de x e y, sendo A e B matrizes iguais.

x 1
A
9 3
3 1
B
y 3 x=3ey=9

Exemplo de matriz transposta:

 2 1 5
A 
Sendo 4 7 9 , apresente a matriz transposta de A

 2 4
A  1 7 
t

5 9 

Matrizes quadradas

Sendo m= n, número de linhas igual ao número de colunas, temos uma matriz

quadrada.

 a11 a12 a13 ... a1n 

a a a ... a 
 21 22 23 2 n 
... ... ... ... ... 
 
an1 an 2 ... ann 

Matrizes Identidade

É uma matriz quadrada diagonal, onde os elementos da diagonal principal assumem o

valor 1 e os demais elementos da matriz são nulos.

4
 1 0 0 ... 0 
0 1 0 ... 0 
In  
... ...... ...... 
 
0 0 ... 1

 2 1  2
A  3 5 8 
4 7 9 
Dada a matriz , apresente:

a) diagonal principal;

Resposta:

2 
 5 
 
 9

b) diagonal secundária;

Resposta:

  2
 5 
 
4 

c) tr(A) (traço da matriz A);

Resposta:

2 
 5 
 
 9

tr(A) = 2 + 5 + 9 = 16

5
Adição e Subtração de Matrizes

Para ocorrer adição ou subtração é obrigatório:

Am x n e Bm x n

m = m (linhas)

n = n (colunas)

Exemplos:

1 2 3 3 7 0
   
Sendo A = 0 5 8 e B = 0 4 9 , calcule:

a) A + B

Resolução:

b) A – B

Resolução

6
Multiplicação de matriz por um escalar

 a b c  ak bk ck 
k.  
d e f  dk ek fk 

Multiplicação de matriz por matriz

Para ocorrer uma multiplicação de:

Am x n por Br x s, onde n = r

Número de colunas da primeira matriz tem que ser igual ao número de linhas da
segunda matriz. Caso contrário não é possível a operação.

Exemplos:

a)

7
b)

1 2
7 8 
9 0. 3 4
 5 6

Não é possível, pois o número de colunas da primeira (2) matriz é diferente do

número de linhas da segunda matriz (3).

1.2 – Determinantes I

Nesse momento vamos compreender e desenvolver cálculo de determinantes de

ordem 1, 2 e 3.

Propriedades dos determinantes:

8
Determinante de ordem 1

Dada uma matriz quadrada de ordem 1, seu determinante é igual ao único elemento
da matriz.

Determinante de ordem 2

Dada uma matriz quadrada de ordem 2, seu determinante é igual ao produto dos
elementos da diagonal principal menos o produto dos elementos da diagonal
secundária.

a b 
A     det A  a.d  b.c
c d 

Exemplo:

 2 4
A     det A  2.7  4.3  14  12  2
 3 7

Determinante de ordem 3

Dada uma matriz quadrada de ordem 3, calculamos seu determinante da

seguinte maneira:

9
Exemplo: Calcule o determinante da matriz A:

1.3 – Determinantes II

Agora será possível compreender como calcular determinantes de ordem superior

trabalhando com Teorema de Laplace e Regra de Chiò.

10
 1 3
A22  (1) 2 2 .  (1).(5  12)  7
4 5

1 2
A23  (1) 23 .  (1).(1  8)  7
4 1

11
Regra de Chiò

Sendo D, determinante de uma matriz A de ordem n que possui pelo menos um

elemento igual a 1. Observamos a linha e a coluna em que se encontra o elemento
igual a 1.

aij  1
Seja .

Suprimimos a linha e a coluna de:

aij
.
De cada elemento restante k, subtraímos o produto daqueles dois elementos que se
encontram nos pés das perpendiculares baixadas de k sobre a linha e a coluna
suprimidas, obtendo um determinante D’.

E por fim, D  (1) .D'

i j

12
Conclusão

Neste bloco, estudamos a definição das Matrizes, as operações envolvendo matrizes e

ainda os cálculos de Determinantes.

Espero que você tenha compreendido os tópicos apresentados. Como dica, recomendo
refazer cada exemplo sem observar as resoluções para, posteriormente, conseguir
fazer a devida comparação.

Tudo de bom!

Referências

BARROSO, L. C.; BARROSO, M.M. A.; FREDERICO, F.C.F.; CARVALHO, M. L. B.; MAIA,
M. L. Cálculo Numérico. São Paulo: Harbra, 1987.

DANTE, L. R. Matemática. São Paulo: Ática, 2009.

FRANCO, N. B. Cálculo Numérico. São Paulo: Pearson, 2006.

IEZZI, G.; DOLCE, O.; TEIXEIRA, J. C.; MACHADO, N. J.; GOULART, M. C.; CASTRO, L.
R. S.; MACHADO, A. S. Matemática. São Paulo: Atual, 1995.

LAY, D. C; LAY, S. R; MCDONALD, J. J. Álgebra Linear e suas aplicações. Rio de

Janeiro: LTC, 2018.

LIPSCHUTZ, S. Álgebra Linear. São Paulo: Makron Books, 1994.

13
2 SISTEMAS LINEARES I
Neste bloco, estudaremos os Sistemas Lineares, onde conheceremos as equações
lineares para ser possível compreender sua definição. Ainda teremos a oportunidade
de estudar as caraterísticas dos sistemas lineares como sistema possível e
determinado, ou ainda, sistema possível, indeterminado e sistema impossível. Para
concluir, conheceremos o sistema homogêneo.

Conhecer os sistemas lineares é fundamental para dar sequência aos estudos em

Cálculo Numérico, sendo necessário para resolver diversos problemas e situações.

Bons estudos!

2.1 Equação Linear

Estudar a teoria das equações lineares é fundamental no campo da Álgebra Linear.

Onde, muitos dos problemas dessa área são solucionados quando resolvemos um
sistema de equações lineares.

Definição de Equação Linear

Por uma equação linear sobre o corpo real R, entendemos uma expressão da seguinte
forma:

a1 .x1  a2 .x2  a3 .x3  a4 .x5  ...  an .xn  b

onde a i assume o papel de coeficiente da incógnitas, sendo a1 , a2, a3 , a4 ,..., an

números reais que acompanham x1 , x2, x3 , x4 ,..., xn . Os x i são as incógnitas ou

variáveis que possuem valores desconhecidos e b é o termo independente, chamado

de termo constante, sendo também um número real.

Para um conjunto de valores dados as incógnitas:

14
x1  k1
x2  k 2
x3  k 3
x4  k 4
xn  k n

Podemos afirmar que esse conjunto definido por k1 , k 2, k 3 , k 4 ,..., k n  é a solução para a

equação linear: a1 .x1  a2 .x2  a3 .x3  a4 .x5  ...  an .xn  b , onde é possível obter:

a1 .k1  a2 .k 2  a3 .k3  a4 .k5  ...  an .k n  b

Dessa forma, está correto afirmar que S = k1 , k 2, k 3 , k 4 ,..., k n  é o conjunto solução ou

conjunto verdade para a equação linear.

Exemplos de Equações Lineares:

Conforme definição de equação linear, uma equação só pode ser classificada como
equação linear se o expoente da incógnita for exatamente o valor 1. Caso contrário, a
equação não é uma equação linear.

a1 .x1  a2 .x2  a3 .x3  a4 .x5  ...  an .xn  b

Veja os exemplos a seguir:

a) 7 x  2 y  4 z  9  0

Nesse exemplo, temos os coeficientes das incógnitas sendo 7, 2 e 4.

As incógnitas são x, y e z, onde todas estão elevadas ao expoente 1.

Dessa forma é possível classificar essa equação como equação linear.

b) x  2 x2  4 x3  5x4  3x5  12

Neste outro exemplo, temos os coeficientes das incógnitas sendo 1, 2, 4 , 5 e (-3).

15
As incógnitas são x1 , x2, x3 , x4 e x5 , onde todas estão elevadas ao expoente 1.

Dessa forma é possível classificá-la como equação linear.

c) x  x²  3 y  6

Nesse caso não temos uma equação linear, pois a incógnita x está elevada ao expoente
2 no segundo termo.

d) x  4y  t  3

Nesse outro caso, a equação não é linear porque a incógnita x é radicando de uma raiz
quadrada, onde x está elevado ao expoente ½ .

e) x.y + 3z + 4 t + 7w = 13

Neste novo exemplo a equação não é linear, pois existe a multiplicação das incógnitas
x e y, e assim, a equação apresentada não é linear.

2.2 Sistemas Lineares I

Nesse tópico os objetivos são compreender a definição de sistemas lineares e tornar

possível classificar cada sistema como sistema possível determinado, sistema possível
indeterminado ou sistema impossível.

16
Equação Linear

Sistema de Equação Linear

Denomina-se sistema de equações lineares ou sistema linear um conjunto de duas ou

mais equações lineares:

 a11x1  a12 x2  a13 x3    a1n xn  b1

 a x  a x  a x  a x  b
 21 1 22 2 23 3 2n n 2

S  a31x1  a32 x2  a33 x3    a3n xn  b3

 

 an1 x1  an 2 x2  an 3 x3    ann xn  bn

Se uma ênupla ordenada de números reais

1 ,  2 , 3 , ,  n  tornarem verdadeira
todas as equações do sistema linear de n incógnitas, ela é uma solução do sistema
linear.

Resolver um sistema linear significa determinar o conjunto de todas as soluções desse

sistema.

Classificação dos sistemas lineares quanto ao número de soluções

Um sistema linear pode ser classificado quanto ao número de soluções em compatível

(ou possível) e incompatível (ou impossível).

17
Forma Matricial de um sistema linear

18
  a11x1  a12 x2  a13 x3    a1n xn  b1
 a x  a x  a x  a x  b
 21 1 22 2 23 3 2n n 2

S  a31x1  a32 x2  a33 x3    a3n xn  b3

 

 am1 x1  am 2 x2  am3 x3    amn xn  bn

 a11 a12  a1n   x1   b1 

a a  a  x  b 
 21 22 2 n   2   2
      
     
m 
 
a a a xn  
bn 
1
 m2
mn
matriz constituída pelos matriz coluna matriz coluna
coeficientes das incógnitas constituída constituída
pelas incógnitas pelos termos
independentes

2.3 – Sistemas Lineares II

Nesse momento será possível compreender a definição de sistema linear homogêneo.

Sistema homogêneo

 a11x1  a12 x2  a13 x3    a1n xn  b1

 a x  a x  a x  a x  b
 21 1 22 2 23 3 2n n 2

S  a31x1  a32 x2  a33 x3    a3n xn  b3

 

 an1 x1  an 2 x2  an 3 x3    ann xn  bn

bi  0.
Denomina-se sistema linear homogêneo quando

 a11x1  a12 x2  a13 x3    a1n xn  0

 a x  a x  a x  a x  0
 21 1 22 2 23 3 2n n

S  a31x1  a32 x2  a33 x3    a3n xn  0

 

 an1 x1  an 2 x2  an 3 x3    ann xn  0

19
Qualquer sistema linear homogêneo possui a solução (0, 0, 0, 0, ..., 0), porém nem
sempre será a única solução. O sistema será sempre possível, mas pode ser
determinado ou indeterminado.

 a11x1  a12 x2  a13 x3    a1n xn  0

 a x  a x  a x  a x  0
 21 1 22 2 23 3 2n n

S  a31x1  a32 x2  a33 x3    a3n xn  0

 

 an1 x1  an 2 x2  an 3 x3    ann xn  0

Teorema: Um sistema homogêneo de equações lineares com mais incógnitas do que

equações tem alguma solução não nula.

Exemplo:

Resolva o sistema a seguir

 x  2 y  4 z  5w  0

S  2 x  y  3 z  5w  0
 3x  4 y  z  w  0


Demonstração

 x  2 y  4 z  5w  0  x  2 y  4 z  5w  0  x  2 y  4 z  5w  0
  
S  2 x  y  3 z  5w  0  S   5 y  5 z  5w  0  S  yzw0
 3x  4 y  z  w  0  2 y  13z  14w  0  2 y  13z  14w  0
  

 x  2 y  4 z  5w  0  x  2 y  4 z  5w  0
 
S yzw0 S yzw0
  11z  12w  0  11z  12w  0
 

12w
11z  12w  0  z  
11

Nesse caso, o w pode assumir um valor real qualquer!

20
Conclusão

Neste bloco, estudamos as equações lineares. Sistema linear e suas classificações

como sistema possível e determinado, sistema possível e indeterminado, sistema
impossível e, para concluir, sistema homogêneo, estudando um teorema que colabora
na resolução de sistema homogêneo.

Tudo de bom!

Referências

BARROSO, L. C.; BARROSO, M.M. A.; FREDERICO, F.C.F.; CARVALHO, M. L. B.; MAIA, M.
L. Cálculo Numérico. São Paulo: Harbra, 1987.

DANTE, L. R. Matemática. São Paulo: Ática, 2009.

FRANCO, N. B. Cálculo Numérico. São Paulo: Pearson, 2006.

IEZZI, G.; DOLCE, O.; TEIXEIRA, J. C.; MACHADO, N. J.; GOULART, M. C.; CASTRO, L. R. S.;
MACHADO, A. S. Matemática. São Paulo: Atual, 1995.

LAY, D. C; LAY, S. R; MCDONALD, J. J. Álgebra Linear e suas aplicações. Rio de Janeiro:

LTC, 2018.

LIPSCHUTZ, S. Álgebra Linear. São Paulo: Makron Books, 1994.

21
3 SISTEMAS LINEARES II
Neste bloco, estudaremos três métodos para solucionar um sistema linear. Teremos a
oportunidade de estudar a Regra de Cramer, uma ferramenta que trabalha com o
cálculo de determinantes, depois o Método de Gauss e, para finalizar, o Método de
Jordan.

Bons estudos.

3.1 Regra de Cramer

Nesse momento vamos estudar um método para solucionar um sistema linear quando
o mesmo for um sistema possível e determinado.

Para um sistema denominado como S, onde existem n equações lineares e n

quantidade de incógnitas indicadas por x1 , x2 , x3 ,..., xn , definimos da seguinte maneira

a Regra de Cramer:

B é a matriz incompleta do sistema S, onde os elementos de B são os coeficientes das

incógnitas do sistema S.

Bi é uma matriz obtida de B, onde a coluna dos coeficientes de x i é substituída pelos

termos independentes do sistema S.

Sendo o det B ≠ 0, logo o sistema é spd e com isso será possível encontrar o valor de
det Bi
cada incógnita desenvolvendo o seguinte cálculo: xi  .
det B

Exemplo 1

Resolva o sistema linear a seguir usando a Regra de Cramer:

 3x  y  z  1

 2x  y  z  5
x  3 y  2z  2


Resolução:
22
No primeiro momento montamos a matriz B, sendo uma matriz incompleta formada
pelos coeficientes das incógnitas do sistema dado.

 3 1  1
 
B  2 1 1 
1 3 2 
 

det B = -11

Como det B ≠ 0, temos um sistema linear possível e determinado. Agora, vamos

calcular os determinantes das outras matrizes substituindo a coluna de cada
coeficiente da seguinte forma:

 1 1  1
 
Temos a matriz B x   5 1 1  , onde a coluna dos coeficientes de x foi substituída
2 3 2 
 
pelos termos independentes do sistema.

det Bx  22

 3 1  1
 
Nesse caso, temos a matriz B y   2 5 1  , sendo a coluna dos coeficientes de y
1 2 2 
 
substituída pelos termos independentes do sistema.

det B y  22

3 1 1
 
Agora, vamos trabalhar com a matriz B z   2 1 5  , onde a coluna dos coeficientes
1 3 2
 
de z foi substituída pelos termos independentes do sistema.

det B y  33

23
Para concluir, vamos determinar o valor de cada incógnita:

det Bx  22
x  2
det B  11

det B y 22
y   2
det B  11

det Bz  33
z  3
det B  11

Portanto, o conjunto solução para o sistema dado é V = {(2, -2, 3)}.

Exemplo 2

Apresente o valor de m para que o sistema a seguir seja possível e determinado.

 x  y  z 1

 2 x  y  3z  6
mx  y  5 z  9


Resolução:

Com a Regra de Cramer podemos resolver um sistema possível e determinado. Sendo

assim, o determinante da matriz incompleta formada pelos coeficientes das incógnitas
precisa resultar em um valor diferente de zero.

A seguir, matriz incompleta:

 1  1  1
 
B2 1 3
m 1 5 
 

Agora, considerando que o sistema é possível e determinado, temos det B ≠ 0.

24
  1  1  1 1  1
 
B2 1 3 2 1
m 1 5 m 1
 

det B = 5 – 3m – 2 + 10 – 3 + m ≠ 0

 - 2m + 10 ≠ 0

m≠5

Dessa forma, temos que m pode assumir qualquer valor real, exceto o 5, para que o
sistema linear apresentado seja possível e determinado.

3.2 Método de Gauss

Como objetivos desse tópico, vamos compreender e aplicar o Método de Gauss para
solucionar sistemas lineares.

Trabalhar com o Método de Gauss, consiste em transformar o sistema linear original

em um sistema linear triangular, com matriz dos coeficientes triangulares superiores
que seja equivalente ao sistema dado, isto é, que tenha a mesma solução, mediante
permutações e combinações lineares de linha. Onde, após referida transformação,
encontramos a solução do sistema através da substituição.

Exemplo:

Resolva, pelo método de Gauss, o sistema linear a seguir

25
Essa é a tabela para trabalhar com o Método de Gauss

Onde preenchemos com os dados do sistema:

26
27
Após operações envolvendo os coeficientes das incógnitas e os termos independentes,
voltamos para o sistema:

Por substituição encontramos os valores das incógnitas:

28
4 y – 10 z = - 25

4 y – 10 . 0,5 = - 25

4 y – 5 = - 25

4 y = - 25 + 5

y = - 20 / 4

y=-5

x – y + 4z = 7

x –(-5) + 4.0,5 = 7

x+5+2=7

x+7=7

x=7–7

x=0

Portanto, o conjunto solução para o sistema é:

S  0  5 0,5
t

3.3 Método de Jordan

Trabalhar com o Método de Jordan, consiste em operar transformações elementares

sobre as equações do sistema linear dado até que se obtenha um sistema diagonal
equivalente.

Exemplo: Resolva o sistema linear a seguir trabalhando com o método de Jordan.

29
Preenchemos a tabela com os valores dados no sistema:

30
31
32
Voltamos para o sistema:

33
Conclusão

Neste bloco, estudamos a Regra de Cramer, Método de Gauss e Método de Jordan,

ferramentas importantes e fundamentais para solucionar problemas envolvendo
sistemas lineares.

Referências

BARROSO, L. C.; BARROSO, M.M. A.; FREDERICO, F.C.F.; CARVALHO, M. L. B.; MAIA, M.
L. Cálculo Numérico. São Paulo: Harbra, 1987.

DANTE, L. R. Matemática. São Paulo: Ática, 2009.

FRANCO, N. B. Cálculo Numérico. São Paulo: Pearson, 2006.

IEZZI, G.; DOLCE, O.; TEIXEIRA, J. C.; MACHADO, N. J.; GOULART, M. C.; CASTRO, L. R. S.;
MACHADO, A. S. Matemática. São Paulo: Atual, 1995.

LAY, D. C; LAY, S. R; MCDONALD, J. J. Álgebra Linear e suas aplicações. Rio de Janeiro:

LTC, 2018.

LIPSCHUTZ, S. Álgebra Linear. São Paulo: Makron Books, 1994.

34
4 EQUAÇÕES ALGÉBRICAS E TRANSCENDENTES
Neste bloco, estudaremos as Equações Algébricas e Transcendentes. Será possível
conhecer métodos para solucionar Equações Algébricas, como Algoritmo de Briot-
Ruffini, as Relações de Girard e o Método de Newton-Raphson.

Aproveite esse momento para complementar seus estudos realizando uma breve
pesquisa sobre os nomes desses grandes ícones da Matemática.

Bons estudos!

4.1 Equações Algébricas

Nesse momento, conheceremos a definição e exemplos de equações algébricas. Em

muitos problemas da Engenharia há necessidade de se determinar um número λ para
o qual uma função f(x) seja zero, ou seja, f(λ) = 0. Chamamos esse valor λ de zero da
função f(x) ou raiz da equação f(x) = 0.

Definição de Equação Algébrica

Seja uma equação algébrica de grau n, sendo n ϵ N*:

Temos que:

P( x)  an .x n  an1 .x n1  an2 .x n2  ...  a0  0

Onde os coeficientes a i são números reais e a n  0.

O grau da equação algébrica P(x) = 0 é justamente o grau do polinômio P(x).

Exemplos de equações algébricas que também são chamadas de equações

polinomiais:

35
a) 3x + 5 = 0 (grau 1)

b) 5x² - 9x + 1 = 0 (grau 2)

c) x³ + 12 x² - 5x + 2 = 0 (grau 3)

d) x 7  2 x 3  5x  9  0 (grau 7)

Toda equação algébrica de grau n (n ≥ 1) admite n raízes, distintas ou iguais.

Isolamento de Raízes

Para se calcular uma raiz duas etapas devem ser seguidas:

I) Isolar a raiz, ou seja, achar um intervalo [a, b], o menor possível, que contenha uma
e somente uma raiz da equação f(x) = 0.

II) Melhorar o valor da raiz aproximada, isto é, refiná-la até o grau de exatidão
requerido.

Teorema: Se uma função contínua f(x) assume valores de sinais opostos nos pontos
extremos do intervalo [a, b], isto é f(a) . f(b) < 0, então o intervalo conterá, no mínimo,
uma raiz da equação f(x) = 0, ou seja, λ ϵ [a, b] onde f(λ) = 0.

Ilustração do teorema:

36
f(a) . f(b) < 0

Forma fatorada de um polinômio

Como toda equação algébrica e grau n (n ≥ 1) admite pelo menos uma raiz complexa,
temos que:

Para a equação algébrica:

P( x)  an .x n  an1 .x n1  an2 .x n2  ...  a0  0

Temos 1 tal que P(1 )  0 , ou seja:

P( x)  ( x  1 ).Q( x)  0

Realizando fatoração sucessivamente obtemos:

P( x)  ( x  1 ).( x  2 ).( x  3 )  ...  ( x  n ).Qn  0

Como o coeficiente de x n em P(x) é a n , concluímos por identidade de polinômios que

a constante Qn é a n e, então:

P( x)  an ( x  1 ).( x  2 ).( x  3 )  ...  ( x  n )

Sendo essa a forma fatorada do polinômio.

37
Exemplo:

Apresente o polinômio P(x) na forma fatorada:

P(x) = 2x³ - 5x² + 3x

Resolução:

P(x) = 2x³ - 5x² + 3x

 P(x) = x. (2x² - 5x + 3)
  3 
 P( x)  x. 2.x  1. x   
  2 
 3
 P( x)  2 x.x  1. x  
 2

Relações de Girard

Em 1629 o matemático Albert Girard (1590 – 1633) obteve informações gerais sobre as
raízes de uma equação algébrica ao relacioná-las com os seus coeficientes.

Para estabelecer essas relações, consideremos a identidade entre um polinômio de

grau n e sua forma fatorada, onde comparecem as raízes 1 , 2 , 3 ,..., n .

A seguir temos as Relações de Girard:

Equação do 2° grau

ax ²  bx  c  0 a0
raízes 1 e 2
b
1) 1  2  
a
c
2) 1   2 
a

Equação do 3° grau

38
ax ³  bx ²  cx  d  0 a0
raízes 1 ,  2 e 3
b
1) 1   2  3  
a
c
2) 1  2  1  3   2  3 
a
d
3) 1  2  3  
a

Equação do 4° grau

ax 4  bx 3  cx 2  dx  e  0 a0
raízes 1 , 2 , 3 e 4
b
1) 1  2  3  4  
a
c
2) 1  2  1  3  1  4  2  3  2  4  31  4 
a
d
3) 1  2  3  1  2  4  1  3  4  2  3  4  
a
e
4) 1  2  3  4 
a

E dessa forma é possível construir as Relações de Girard para as demais equações de

grau superior.

É importante destacar que equações de grau n, onde n ≥ 3, somente as relações de

Girard não é o suficiente para encontrar as raízes. Dessa forma, é necessário conhecer
alguma informação sobre as raízes para ser possível determinar a solução da equação.

39
4.2 Equações Transcendentes

A leitura indicada apresenta a definição das Equações Transcendentes (Equações Não

Lineares) onde será possível rever os gráficos de funções importantes para a
compreensão desse conteúdo. Ótima leitura.

FRANCO, N. B. Cálculo Numérico. São Paulo: Pearson, 2006. p. 62-76.

4.3 Métodos para resolver Equações Algébricas

Nesse tópico temos como objetivos compreender e aplicar métodos para resolver
equações algébricas.

Algoritmo de Briot-Ruffini

Exemplo:

Resolva a equação P(x) = 2x³ - x² - 7x + 6 = 0, sabendo que o número 1 é raiz.

40
Raízes Racionais

Nesse momento vamos estudar que nas equações algébricas com coeficientes inteiros
é possível descobrir as raízes racionais se elas existirem.

Exemplo:

Resolva a equação 2x³ - 11x² + 13x – 4 = 0.

41
Método de Newton-Raphson

Para resolver uma equação com o Método de Newton-Raphson seguimos os passos:

1. Separar f(x) em g(x) e h(x);

2. Gráfico das funções no mesmo plano;

3. Determinar o intervalo da raiz;

4. Aplicar a equação para determinar o valor de xn  1 ;

5. Verifique a tolerância determinada.

Exemplo: Ache a raiz positiva de f(x) = x³ - 6, com є ≤ 0,001.

Resolução

1° Passo: Separar f(x) em g(x) e h(x)

f(x) = g(x) – h(x)

g(x) = x³

h(x) = 6

42
43
5. Verifique a tolerância determinada.

є ≤ 0,001

Encontramos:

0,001 ≤ 0,166667

Como a tolerância não foi atendida ainda, é necessário calcular novamente.

44
Novamente realizamos os cálculos:

45
Conclusão

Neste bloco, estudamos as Equações Algébricas e Transcendentes, onde foi possível

conhecer métodos para solucionar Equações Algébricas, trabalhando com o Algoritmo
de Briot-Ruffini, as Relações de Girard e o Método de Newton-Raphson.

Referências

BARROSO, L. C.; BARROSO, M.M. A.; FREDERICO, F.C.F.; CARVALHO, M. L. B.; MAIA, M.
L. Cálculo Numérico. São Paulo: Harbra, 1987.

DANTE, L. R. Matemática. São Paulo: Ática, 2009.

FRANCO, N. B. Cálculo Numérico. São Paulo: Pearson, 2006.

IEZZI, G.; DOLCE, O.; TEIXEIRA, J. C.; MACHADO, N. J.; GOULART, M. C.; CASTRO, L. R. S.;
MACHADO, A. S. Matemática. São Paulo: Atual, 1995.

LAY, D. C; LAY, S. R; MCDONALD, J. J. Álgebra Linear e suas aplicações. Rio de Janeiro:

LTC, 2018.

LIPSCHUTZ, S. Álgebra Linear. São Paulo: Makron Books, 1994.

46
5 INTERPOLAÇÃO POLINOMIAL
Neste bloco, estudaremos a Interpolação Polinomial, estudando sua definição e
passando pela Interpolação Linear, Interpolação Quadrática e Outras Formas de
Polinômio de Interpolação.

Nesse momento será obrigatório a utilização de ferramentas estudadas anteriormente

para solucionar sistemas lineares. Caso exista alguma dificuldade em resolver é
necessário retomar os estudos anteriores para dar continuidade no tema a seguir.

Bons estudos!

5.1 Interpolação Linear

Nesse momento temos como objetivo compreender e desenvolver a interpolação

linear.

Realizar a interpolação polinomial é uma ferramenta para determinar uma função

aproximada de outra função desconhecida.

Sendo assim, tal estudo é fundamental:

I. Quando não conhecemos a expressão analítica de f(x), isto é, sabemos apenas seu
x0 , x1 , x2 ,..., xn
valor em alguns pontos distintos:

II. Sendo f(x) uma função extremamente complicada e de difícil manejo. Trocando
dessa forma a precisão pela simplificação dos cálculos.

Definição: Polinômio de interpolação de uma função y = f(x) sobre um conjunto de

x0 , x1 , x2 ,..., xn
pontos distintos ao polinômio de grau máximo n que coincide com
x0 , x1 , x2 ,..., xn
f(x) em . Tal polinômio será designado por:

Pn ( f ; x) ou Pn ( x)

47
Exemplo:

Conhecendo a seguinte tabela:

Determine o polinômio de interpolação para a função definida por esse conjunto de

pares.

48
Interpolação Linear

y  f ( x) : ( x0 , y0 ) e ( x1 , y1 )
Dados dois pontos distintos de uma função

( x0 , y0 ) e ( x1 , y1 )
geramos uma reta que passa pelos dois pontos, onde P1 é uma
reta que está se aproximando da função original f(x).

P1 ( x)  a1 x  a0

Exemplo:

Seja a função y = f(x) definida pelos pontos (0,00; 1,35) e (1; 2,94). Determine o valor
aproximado para f(0,73).

49
Resolução:

Erro de Truncamento

Erro de truncamento (ET) é cometido quando a fórmula de interpolação a ser utilizada

é escolhida, pois a aproximação de uma função conhecida apenas através de dois
pontos dados é feita por um polinômio de primeiro grau.

Fórmula:

f ' ' ( )
ET ( x)   x  x0 .( x  x1 ).
2

  x0 , x1 

50
Exemplo:

Seja a função f(x) = x² - 3x + 1, usando os valores de para x (x1 = 1,0 e x2 = 1,5) e os

valores correspondentes f(x1) e f(x2), calcule:

a) o valor aproximado para f(1,2);

b) o erro de truncamento cometido no cálculo do item anterior.

Resolução:

a) O valor aproximado para f(1,2);

i. f(1,0) = - 1 e f(1,5) = -1,25

b) o erro de truncamento cometido no cálculo do item anterior.

51
5.2 Interpolação Quadrática

Vamos conhecer a Interpolação Quadrática, sendo uma maneira de encontrar uma

função aproximada quando conhecemos apenas três pontos distintos de uma
determinada função.

Sendo assim, se de uma função, são conhecidos três pontos distintos, então o
polinômio interpolador será:

P2 ( x)  a2 x 2  a1 x  a0

O polinômio P2 ( x) é conhecido como função quadrática, cuja imagem geométrica é

uma parábola.

Resolvendo o sistema gerado pela substituição das coordenadas dos pontos distintos
( x0 ; y0 ), ( x1 ; y1 ), ( x2 ; y 2 ) na função, encontramos os valores de

a0 , a1 e a2 .

a 2 x0 2  a1 x0  a 0  y 0

 a 2 x1  a1 x1  a 0  y1
2

a x 2  a x  a  y
 2 2 1 2 0 2

Exemplo 1:

Utilizando os três pontos da tabela abaixo, determine a função quadrática que se

2.sen² x
aproxima da função f ( x)  .
x 1

52
 x y = f(x)

0 0

π/6 0,328

π/4 0,560

Resolução:

Substituindo as coordenadas dos três pontos no polinômio P2 ( x)  a2 x 2  a1 x  a0

formamos o sistema a seguir:

 
 a 2 .0  a1 .0  a 0  0
2  a0  0
   a0  0
         
2 2

a 2 .   a1 .   a 0  0,328  a 2 .   a1 .   0,328 a1  0,452
  6 2 6   6 2 6 a  0,333
           2
a 2 .   a1 .   a 0  0,560 a 2 .   a1 .   0,560
 4 6  4 6

Após encontrar os valores de a0 , a1 e a 2 , determinamos o polinômio

P2 ( x)  0,333.x 2  0,452.x

Exemplo 2:

Determinar o valor aproximado de f (0, 2) trabalhando com a interpolação quadrática,

usando os valores tabelados da função f(x) = x² - 2x + 1. Usando apenas 2 casas
decimais.

53
 x y = f(x)

0,5 0,25

0,3 0,49

0,1 0,81

Resolução:

Para o polinômio interpolador P2 ( x)  a2 x 2  a1 x  a0 , substituímos os pontos dados e

geramos o sistema:

a 2 .0,5 2  a1 .0,5  a0  0,25 0,25a 2  a1 .0,5  a0  0,25  a0  1,00

  
a 2 .0,3  a1 .0,3  a0  0,49  0,09a 2  a1 .0,3  a0  0,49  a1  2,00
2

 a .0,12  a .0,1  a  0,81 0,01.a  a .0,1  a  0,81  a  1,00

 2 1 0  2 1 0  2

Logo, P2 ( x)  x  2 x  1  P2 (0,2)  0,64

2

Portanto, o valor aproximado para f (0,2) definido pela interpolação quadrática é 0,64.

5.3 Outras Formas de Polinômio de Interpolação

Nesse momento será possível conhecer Outras Formas do Polinômio de Interpolação,

estudando a Diferença Dividida, o Cálculo Sistemático das Diferenças Divididas e a
Fórmula de Newton do Polinômio de Interpolação.

FRANCO, N. B. Cálculo Numérico. São Paulo: Pearson, 2006. p. 304 – 312.

Ótima leitura.

Conclusão

Neste bloco, estudamos a Interpolação Polinomial, sua definição, Interpolação Linear,

Interpolação Quadrática e Outras Formas de Polinômio de Interpolação.

54
Referências

BARROSO, L. C.; BARROSO, M.M. A.; FREDERICO, F.C.F.; CARVALHO, M. L. B.; MAIA, M.
L. Cálculo Numérico. São Paulo: Harbra, 1987.

DANTE, L. R. Matemática. São Paulo: Ática, 2009.

FRANCO, N. B. Cálculo Numérico. São Paulo: Pearson, 2006.

IEZZI, G.; DOLCE, O.; TEIXEIRA, J. C.; MACHADO, N. J.; GOULART, M. C.; CASTRO, L. R. S.;
MACHADO, A. S. Matemática. São Paulo: Atual, 1995.

LAY, D. C; LAY, S. R; MCDONALD, J. J. Álgebra Linear e suas aplicações. Rio de Janeiro:

LTC, 2018.

LIPSCHUTZ, S. Álgebra Linear. São Paulo: Makron Books, 1994.

55
6 RESOLUÇÕES NUMÉRICAS
Chegamos ao último bloco, no qual estudaremos as Resoluções Numéricas, passando
pelo Método dos Mínimos Quadrados, depois Resolução Numérica de Integrais e
Resolução Numérica com Equações Diferenciais.

Desejo um ótimo estudo.

6.1 Método dos Mínimos Quadrados

Vamos compreender e desenvolver o Método dos Mínimos Quadrados para

determinar uma função aproximada.

O Método dos Mínimos Quadrados trabalha com aproximação de funções tendo como
base a projeção ortogonal de um vetor sobre um subespaço. Dessa forma, esse
método consiste em aproximar uma função f(x) de E por uma função F(x) de E’ tal que
a distância de f(x) a E’ seja mínima.

Para aproximar f(x) ϵ C [a, b] por um polinômio Pm(x) de grau no máximo m, basta
determinar a projeção ortogonal de f(x) sobre Km(x), o qual é gerado por
{1, x, x 2 , x3 ,..., x m }

Onde os coeficientes de Pm(x) serão vetor solução do sistema linear:

56
 (1,1) ( x,1) ... ( x m ,1)   a0   ( f ,1) 
    
 (1, x) ( x, x) ... ( x m , x)   a1   ( f , x) 
 ... ... . ...    ... 
    
 (1, x m ) ( x, x m ) ... ( x m , x m )   a   ( f , x m ) 
  m   

Usando dessa forma o produto escalar usual de C[a, b], isto é, para f, g Є C[a, b]:

b
( f , g )   f ( x).g ( x).dx
a

Exemplo:

Dada a função f ( x)  x  5x, x [1,1] , aproxime f(x) por um polinômio do 2º grau

4

usando o método dos mínimos quadrados.

57
58
6.2 Resolução Numérica de Integrais

Estudando o cálculo de integral definida em Cálculo Diferencial e Integral de uma

função f (x), sendo contínua em um intervalo [a, b] e sua primitiva F (x) é conhecida, da
seguinte forma:

b
a
f ( x)dx  F (b)  F (a) , onde F’(x) = f(x).

Porém, existem casos onde não é possível determinar a função ou até mesmo sua
primitiva para calcular a integral definida.

Dessa forma, para se calcular o valor da integral definida de f(x) quando não
conhecemos a função torna-se necessário trabalhar com métodos numéricos.

Para aproximar a integral usaremos Fórmulas de Quadratura. Tais fórmulas são

também chamadas de Fórmulas de Integração Numérica.

As fórmulas de quadratura são aquelas que aproximam a integral usando combinação

linear dos valores da função.

59
Regra dos Trapézios

A Fórmula de Newton-Cotes é conhecida como a Regra dos Trapézios, é dada da

seguinte forma:

b
( x1  x0 )
I   f ( x)dx  I  . y 0  y1 , onde x0  a e x1  b.
a
2

Exemplo:

3, 6
dx
Calcule, pela Regra dos Trapézios, o valor de 3
x
.

Resolução:

b
( x1  x0 )
Para integrar utilizando a Regra dos Trapézios I   f ( x)dx  I  . y 0  y1  :
a
2

Observando o enunciado, temos;

1
f ( x) 
x
1 1
y0   y0 
x0 3
1 1
y1   y1 
x1 3,6

Sendo assim, desenvolvemos:

(3,6  3)  1 1 
3, 6
1
I  x .dx  I 
3
2
.    I  0,18333
 3 3,6 

60
 3, 6
dx
Agora resolvendo o cálculo de 3
x
, sem utilizar a Regra dos Trapézios, temos:

3, 6
dx
I   I  ln( x) 3  I  ln(3,6)  ln(3)  0,18232
3, 6

3
x

Fórmula Composta

Uma forma que se tem de melhorar o resultado obtido utilizando-se a Regra dos
Trapézios é substituindo o intervalo [a, b] em n subintervalos de amplitude h e a cada
subintervalo aplicar a Regra dos Trapézios.

Dessa forma, temos as aplicações sucessivas da Regra dos Trapézios determinando:

b
. y 0  y1   . y1  y 2   . y 2  y 3   ...  . y n 1  yn 
h h h h
I   f ( x)dx  I 
a
2 2 2 2

ba
. y 0  2 y1  2 y 2  2 y 3  ...  2 y n 1  2 y n ,
h
I sendo h 
2 n

61
Exemplo:

3, 6
dx
Calcule a integral 3
x
, utilizando a Regra dos Trapézios composta e subdividindo o

intervalo em 6 subintervalos.

Resolução

Primeiro passo calculamos o valor de h:

3,6  3 0,6
h   0,1
6 6

Em seguida determinamos os valores da tabela:

i xi yi

0 3,0 0,333333

1 3,1 0,322581

2 3,2 0,312500

3 3,3 0,303030

4 3,4 0,294118

5 3,5 0,285714

6 3,6 0,277778

Terceiro e último passo será resolver:

62
 ba
. y 0  2 y1  2 y 2  2 y 3  ...  2 y n 1  2 y n ,
h
I sendo h 
2 n

0,1
I .(0,333333  2.0,322581  2.0,312500  2.0,303030  2.0,294118  2.0,285714  2.0,277778)
2
 I  0,182350

3, 6
dx
Portanto, o valor aproximado para 
3
x
utilizando a Rega dos Trapézios Compostos é

0,182350.

6.3 Resolução Numérica de Equações Diferenciais

Para uma melhor compreensão do conteúdo é recomendado realizar essa leitura, que
irá explicar a Solução Numérica de Equações Diferenciais, apresentando o Método de
Taylor d Ordem q, o Erro de Truncamento Local e Métodos Lineares de Passo Múltiplo.

FRANCO, N. B. Cálculo Numérico. São Paulo: Pearson, 2006.

Ótima leitura.

Conclusão

Estudamos as Resoluções Numéricas, envolvendo o Método dos Mínimos Quadrados,

Resolução Numérica de Integrais e finalizamos com a Resolução Numérica com
Equações Diferenciais.

Desejo sucesso e uma ótima jornada para todos!

63
Referências

BARROSO, L. C.; BARROSO, M.M. A.; FREDERICO, F.C.F.; CARVALHO, M. L. B.; MAIA, M.
L. Cálculo Numérico. São Paulo: Harbra, 1987.

DANTE, L. R. Matemática. São Paulo: Ática, 2009.

FRANCO, N. B. Cálculo Numérico. São Paulo: Pearson, 2006.

IEZZI, G.; DOLCE, O.; TEIXEIRA, J. C.; MACHADO, N. J.; GOULART, M. C.; CASTRO, L. R. S.;
MACHADO, A. S. Matemática. São Paulo: Atual, 1995.

LAY, D. C; LAY, S. R; MCDONALD, J. J. Álgebra Linear e suas aplicações. Rio de Janeiro:

LTC, 2018.

LIPSCHUTZ, S. Álgebra Linear. São Paulo: Makron Books, 1994.

64