Computação Científica II

(EEL7031)

Resolução de Equações Não-lineares

(polinômios e equações transcendentais)

1
Objetivo Geral

Objetivos
 Estudar o problema de determinar, por métodos numéricos, as
raízes de polinômios e equações transcendentais.

Tópicos principais
 Introdução.
 O método da bissecção
 O método da secante.
 O método da posição falsa
 O método de Newton.
 Análise de erros e aceleração da convergência.
 O método de Müller.
 Análise dos métodos e de software. 2
Introdução

Problema de interesse
 Dado uma função f : ℜ → ℜ determinar a existência e o valor de:

x tal que f ( x) = 0

Histórico
 Os primeiros estudos datam do Século IX, realizados por matemáticos
árabes que difundiram a utilização do sistema decimal e do zero na
escrita de números.
 Em 1746, D’Alembert enunciou o Teorema Fundamental da Álgebra,
demonstrado por Gauss em 1799, que estabelece: “toda a equação
polinomial de grau n possui exatamente n raízes”.
 O matemático Niels Abel, em 1824, provou que as equações de
quinto grau ou superior não podem ser resolvidas por radicais e
combinações de coeficientes.
 A partir destes resultados e até os dias atuais, os métodos de cálculo
das n raízes de um polinômio de grau n são voltados aos métodos
iterativos. 3
Introdução

Características dos métodos iterativos
 Os métodos iterativos são constituídos por 4 partes principais:
 Estimativa inicial: uma ou mais aproximações para a raiz
desejada.
 Atualização: uma fórmula que atualize a solução aproximada.
 Critério de parada: uma forma de estabelecer quando parar o
processo iterativo em qualquer caso.
 Estimador de exatidão: está associado ao critério de parada e
provê uma estimativa do erro cometido.

4
Introdução

Critérios de parada
 Há 4 critérios básicos de parada de métodos iterativos:
 Tolerância relativa na variável: xi − xi −1 < ε
1
xi
 Tolerância absoluta na função: f ( xi ) < ε 2

 Número de DSE: DSE ( xi , xi −1 ) ≥ k

 Número máximo de iterações permitido: nmax
 Comentários
 O segundo critério é, sempre que possível, preferido em relação
ao primeiro por ser mais confiável.
 O terceiro critério fornece uma idéia mais clara da exatidão
obtida.
5
O método da bissecção

Elementos básicos
 Usado para determinar uma solução
para f ( x ) = 0 no intervalo [a, b] ,
supondo:
 f (x) uma função contínua;
 f ( a. ) ∗ f (b) < 0
 f ( x ) corta o eixo x em pelo menos
um ponto no intervalo [a, b ] .

Algoritmo geral
 Calcular f (x) no ponto médio de [a, b] : p = ( a + b) / 2
 Se f ( x p ) ≠ 0 escolhe-se um novo intervalo de modo que f (x)
tenha sinais opostos nas extremidades f ( a ) ∗ f ( x p ) < 0 ou
f (b) ∗ f ( x p ) < 0
 Repetir os passos anteriores até atingir a precisão desejada. 6
O método da bissecção

Algoritmo geral
 Um intervalo [ an +1 , bn +1 ] contendo uma aproximação para a raiz
de f ( x ) = 0 é construído de um intervalo [ an , bn ] contendo a
raiz, como segue:
 Calcule:
bn − an
pn = an + , n = 1,2,…
2

 Então, faça:

an +1 = an e bn +1 = pn ; se f (an ) ∗ f ( pn ) < 0
e
an +1 = pn e bn +1 = bn ; se f (an ) ∗ f ( pn ) > 0

7
 O método da bissecção

Algoritmo 5.3 Se f ( pi ) ∗ f a < 0
então :
1. Entrar dados (a, b, f(x), ε 1 , ε 2 , nmax | f (a ) ∗ f (b) < 0)
ai +1 ← ai , f a ← f (ai +1 )
2. Faça a1 ← a, b1 ← b, i ← 1
bi +1 ← pi , f b ← f (bi +1 )
3. Faça f a ← f (a1 ), f b ← f (b1 ) e f a ∗ f b
senão :
4. Se f a ∗ f b > 0, saída
ai +1 ← pi , f a ← f (ai +1 )
" intervalo [a,b] inadequado" , vá p/ Fim.
bi +1 ← bi , f b ← f (bi +1 )
5. Enquanto f a > ε 2 e f b > ε 2 e i < nmax
5.4 i = i + 1
5.1 Se ai − bi < ε 1 ∗ ai
6. Se i > nmax , saída
então : saída {ai , bi }, vá p/ Fim. " Não atingiu a exatidão em nmax iterações
5.2 pi ← 0.5 * (ai + bi )
7. Se f a ≤ ε 2 , saída " p = {ai +1}" , vá p/ Fim
8. Se f b ≤ ε 2 , saída " p = {bi +1}"
7. Fim : Pare.

8
O método da bissecção

Exemplo
 Determine a raiz de f ( x) = x 3 + 4 x 2 − 10 = 0 no intervalo [1,2]

9
 O método da bissecção

Análise de convergência
 Para cada passo do método, o comprimento do intervalo conhecido é
divido por 2. Então, pode-se escrever:
b−a
pn − p ≤
2n
 Assim, pode-se determinar um limite para o número necessário de
iterações para assegurar uma determinada tolerância TOL, ou seja:
b−a b−a b−a
n
< TOL <2 n n > log 2  
2 TOL  TOL 
 Seja p a raiz de f(x) e seja E j = p − p j o erro na iteração j. Uma vez que
p j + p j −1 Ej E j +1 1
p j +1 = , ∋ f ( p j ) ∗ f ( p j −1 ) < 0 E j +1 ≤ ⇔ ≤
2 2 Ej 2
 Logo: E j +1 1
lim j →∞ = O método da bissecção tem
Ej 2 convergência linear
10
O método da bissecção

Comentários
 Teoricamente, o método é seguro e converge em um número fixo de
iterações, tanto menor quanto menor for o intervalo [a,b]. Contudo,
poderão ocorrer dificuldades para:
 Identificar a existência de raízes em um intervalo [a,b] qualquer, ao
longo do processo iterativo, se ocorrer um erro de arredondamento,
mesmo que pequeno, no momento em que se avalia o sinal da função
nos extremos ou no ponto médio de [a,b].
 encontrar um intervalo inicial para funções que possuam raízes de
multiplicidade par ou muito próximas, tais como aquelas ilustradas nas
figuras abaixo.

11
O método da secante

Elementos básicos
 Definir um intervalo [ p1 , p0 ] e os pontos ( p0 , f ( p0 ) ) e ( p1 , f ( p1 ) )
 Construir a linha reta definida pelos pontos acima - secante de f(x).
 Escolher como solução a interseção da reta com o eixo x
 Repetir o procedimentos sucessivamente para os intervalos
[ p2 , p1 ], [ p3 , p2 ],… , [ pn , pn −1 ]

( p1 , f ( p1 ))
( p0 , f ( p0 ))

12
O método da secante

Formulação matemática
 A equação da linha secante através
de ( p0 , f ( p0 )) e ( p1 , f ( p1 )) é:

f ( p1 ) − f ( p0 )
y = f ( p1 ) + ( x − p1 )
p1 − p0
 A intersecção com o eixo x em (p2,0)
satisfaz:
f ( p1 ) − f ( p0 ) f ( p1 )( p1 − p0 )
0 = f ( p1 ) + ( p2 − p1 ) p2 = p1 −
p1 − p0 f ( p1 ) − f ( p0 )
 Generalizando, resulta: f ( pn )( pn − pn −1 )
pn +1 = pn − ; n = 1,2,…
f ( pn ) − f ( pn −1 )

A interseção da secante com o eixo x poderá ocorrer fora do 13

intervalo de interesse e, por isso, o método nem sempre converge.
O método da secante

Critérios de parada
 Tolerância de convergência: pn − pn −1 < TOL

 Limite máximo de iterações: n ≤ nmax

Advertência
 Embora algebricamente equivalente recomenda-se, para se evitar
cancelamentos subtrativos, não substituir a equação de iteração

f ( pn )( pn − pn −1 ) f ( pn −1 ) pn − f ( pn ) pn −1
pn +1 = pn − por pn +1 =
f ( pn ) − f ( pn −1 ) f ( pn −1 ) − f ( pn )

14
 O método da secante

Exemplo
 Determine a raiz de f ( x) = x 3 + 4 x 2 − 10 = 0 no intervalo [1,2]

Note que o resultado final foi obtido com 6 iterações, aproximadamente

a metade do número de iterações realizadas pelo método da bissecção.
15
O método da posição falsa

Elementos básicos
 Sob as mesmas condições iniciais do método da bisseção, particionar
o intervalo [a,b] na interseção da reta que une os pontos definidos a
seguir, com o eixo x.
 Pontos iniciais: (a, f ( a) ) e (b, f (b) )
 Define-se então a solução p2 e um novo intervalo conforme a variação
do sinal de f(x).
Método da secante Método da posição falsa

(b, f (b))
a = p0

b = p1
b = p1

(a, f (a )) 16
O método da posição falsa

Passos principais
 Com a1=a e b1=b, a aproximação p2 é (b1 , f (b1 ))
dada por:
f (a1 )(b1 − a1 ) a1 = p 0
p2 = a1 − b1 = p 1
f (b1 ) − f (a1 )
Se f ( p2 ) ∗ f (a1 ) < 0,
faça : a2 = a1 e b2 = p2
(a1 , f (a1 ))
Se f ( p2 ) ∗ f (b1 ) < 0,
faça : a2 = p2 e b2 = b1
 Calcule:
f (a2 )(b2 − a2 )
p3 = a2 −
f (b2 ) − f (a2 )
 Seguir o procedimento para p4,...,pn
17
O método da posição falsa

Algoritmo geral
 Um intervalo [ an +1 , bn +1 ], para n > 1, contendo uma aproximação para
a raiz de f ( x ) = 0, é encontrada de um intervalo [ an , bn ] contendo a
raiz calculando-se:
f (an )(bn − an )
pn +1 = an −
f (bn ) − f (an )
 Então faça:

an +1 = an e bn +1 = pn +1 ; se f (an ) ∗ f ( pn +1 ) < 0
e
an +1 = pn +1 e bn +1 = bn ; se f (an ) ∗ f ( pn +1 ) > 0

Embora aparentemente superior, o método da posição falsa

converge mais lentamente que o método da secante. 18
O método da posição falsa

Exemplo
 Determine a raiz de f ( x) = x 3 + 4 x 2 − 10 = 0 no intervalo [1,2]

19
 O método de Newton

Elementos básicos
 Sejam f(x),f’(x) e f’’(x) contínuas em [a,b] e
p o único zero de f(x) em [a,b].
 Escolher uma solução inicial po para p
 Fazer uma expansão em série de Taylor
para f ( x) = f ( p0 + ∆p0 ) = 0
∆p0 (∆p0 ) 2
f ( p0 + ∆p0 ) = f ( p0 ) + f ′( p0 ) + f ′′( p0 ) +…
1! 2!
 Tomando-se 2 termos das série, resulta:

f ( p0 + ∆p0 ) = f ( p0 ) + f ′( p0 ) ∗ ∆p0 ≅ 0 ∆p0 = − f ( p0 ) / f ′( p0 )

 Obter:
p1 = p0 + ∆p0 p1 = p0 − f ( p0 ) / f ′( p0 )

 Obter aproximações subseqüentes para p 20

de modo similar.
O método de Newton

Algoritmo geral
 A aproximação pn +1 para uma raiz de f ( x) = 0 é calculada da
aproximação pn usando-se a equação:

f ( pn )
pn +1 = pn − ; n = 1,2,…
f ′( pn )

21
O método de Newton

Exemplo
 Determine a raiz de f ( x) = x 3 + 4 x 2 − 10 = 0 no intervalo [1,2]

f ( pn )
pn +1 = pn −
f ′( pn )

22
O método de Newton

Análise de convergência
 Considere p ser uma solução para f ( x) = 0 e que f’’ existe em um
intervalo contendo p e a aproximação pn. Expandindo f em série de
Taylor para pn e calculando para x = p, resulta:
f ′′(ξ )
0 = f ( p ) = f ( pn ) + f ′( pn )( p − pn ) + ( p − pn ) 2 ξ está entre pn e p
2
 Conseqüentemente, se f ′( pn ) ≠ 0 , obtém-se:
f ( pn ) f ′′(ξ )
( p − pn ) + =− ( p − pn ) 2
f ′( pn ) 2 f ′( pn )
f ( pn )
 Substituindo-se pn +1 = pn − na equação acima, resulta:
f ′( pn )
f ′′(ξ )
( p − pn +1 ) = − ( p − pn ) 2
2 f ′( pn ) 23
O método de Newton

Análise de convergência (cont.)
 Se existir uma constante positiva M tal que f ′′( x) ≤ M em um
intervalo em torno de p, e se pn estiver neste intervalo, pode-se
reescrever
f ′′(ξ )
( p − pn +1 ) = − ( p − pn ) 2
2 f ′( pn )

 Como:
M 2
p − pn +1 ≤ p − pn
2 f ′( pn )

Comentários
 O erro p − pn +1 da (n+1)ésima aproximação é limitado por
aproximadamente o quadrado do erro da (n)ésima aproximação p − pn
 O método de Newton converge quadraticamente se f ′( pn ) ≠ 0 e
se p0 é suficientemente próximo de p. 24
O método de Newton

Situações de dificuldades para o método de Newton
 Os gráficos abaixo ilustram situações em que ocorrem dificuldades
para a convergência do método de Newton

Caso 1 Caso 2

Caso 3 25
O Método da Iteração Linear - MIL

Elementos gerais
 Seja f (x) uma função contínua em [a, b] , intervalo que contém
uma raiz de f ( x) = 0. O MIL consiste em:
 transformar f ( x) = 0 em x = ϕ (x) ;
 tomar um valor inicial para x = x0 ;
 gerar uma seqüência {xk } de aproximações para ξ pela
relação xk +1 = ϕ ( xk ) , pois a função ϕ (x) é tal que f (ξ ) = 0 se e
somente se ϕ (ξ ) = ξ
 Uma função ϕ (x) que satisfaz a condição acima é chamada de
função de iteração para a equaçãof ( x) = 0 .
 A técnica descrita transforma o problema de resolver f ( x) = 0 no
problema de encontrar um ponto fixo de ϕ (x)
 Exemplo:
f ( x) = x 2 + x − 6 = 0 x = ϕ ( x) = 6 − x 2 26
O Método da Iteração Linear - MIL

Análise Ilustrativa da
y
convergência
 Considere uma equação x = ϕ1 ( x)
qualquer:
f ( x) = 0

 Em geral podem ser {xk } → ξ quando k → ∞

y
definidas várias funções de
iteração:
 Opção 1: x = ϕ1 ( x)
x = ϕ 2 ( x)

 Opção 2: x = ϕ 2 ( x)

{xk } → ξ quando k → ∞ 27
O Método da Iteração Linear - MIL

Análise Ilustrativa da
y x = ϕ3 ( x)
convergência (cont.)
 Equação: f ( x) = 0
{xk } não converge para ξ
 Opção 3: x = ϕ3 ( x )

y
 Opção 4: x = ϕ ( x)
4
x = ϕ 4 ( x)
Note que nem todas as funções de
iteração geram seqüências {xk } não converge para ξ
convergentes para a raiz de f(x)=0

28
O Método da Iteração Linear - MIL

Análise formal de convergência
 Seja ξ uma raiz da equação f ( x) = 0 , isolada num intervalo [a,b],
centrado em ξ.
 Seja ϕ (x ) uma função de iteração para f ( x ) = 0
 Se:
 ϕ (x) e ϕ ′(x) são contínuas em [a,b];

 ϕ ′( x) ≤ M < 1, ∀x ∈ [a, b] e;

 x0 ∈ [a, b] .
então a seqüência {xk } gerada pelo processo iterativo xk +1 = ϕ ( xk )
converge para ξ .

29
O Método da Iteração Linear - MIL

Exemplo numérico 1:
 Considere a equação f ( x) = x 2 + x − 6 = 0 , ξ1 = −3 e ξ 2 = 2
 Aplicar o método MIL com ϕ ( x) = 6 − x 2 e x0 = 1.5
x1 = ϕ ( x0 ) = 6 − 1.52 = 3.75
x2 = ϕ ( x1 ) = 6 − 3.752 = −8.0625
x3 = ϕ ( x2 ) = 6 − (−8.0625) 2 = −59.003906
x4 = ϕ ( x3 ) = 6 − (−59.003906) 2 = −3475.4609
⋮
 Análise das condições de convergência
ϕ ( x) = 6 − x 2 e ϕ ′( x) = −2 x ϕ ′( x) < 1 ⇔ 2 x < 1 ⇔ − < x <
1 1
ϕ ( x) e ϕ ′( x) são contínuas em ℜ 2 2

Não existe um intervalo [a,b] centrado em ξ=2, tal que ϕ ′( x) < 1, ∀x ∈ [a, b] 30
O Método da Iteração Linear - MIL

Exemplo numérico 2:
 Considere a equação f ( x) = x + x − 6 = 0 , ξ1 = −3 e ξ 2 = 2
2

 Aplicar o método MIL com ϕ ( x) = 6 − x e x0 = 1.5

x1 = ϕ ( x0 ) = 6 − 1.5 = 2.12132
x2 = ϕ ( x1 ) = 6 − 2.12132 = 1.96944
x3 = ϕ ( x2 ) = 6 − 1.96944 = 2.00763
x4 = ϕ ( x3 ) = 6 − 2.00763 = 1.99809
x5 = ϕ ( x4 ) = 6 − 1.99809 = 2.00048
⋮
 Análise das condições de convergência
1 Atendidas as
ϕ ′( x) < 1 ⇔ < 1 ⇔ x < 5.75 condições do teorema
2 6− x 31
Análise de erro e Aceleração de Convergência

Convergência linear
 Um método que produz uma seqüência de aproximações {pn } que
converge para um número {p} , converge linearmente se, para um
valor elevado de {n}, existe uma constante 0 < M < 1, tal que:

p − pn +1 ≤ M p − pn

Convergência quadrática
 Um método que produz uma seqüência de aproximações {pn } que
converge para um número {p}, converge quadraticamente se, para
um valor elevado de{n}, existe uma constante 0 < M, tal que:
2
p − pn +1 ≤ M p − pn
32
 Análise de erro e Aceleração de Convergência

Exemplo
 Suponha que {pn } converge linearmente para {p = 0}, {p̂n } converge
quadraticamente para {p = 0} e suponha M = 0.5 para ambos os
casos. Então, tem-se:
2 2
p1 ≤ M p0 ≤ (0.5). p0 pˆ 1 ≤ M pˆ 0 ≤ (0.5). pˆ 0

p2 ≤ M p1 ≤ 0.5(0.5). p0 = (0.5) . p0
2 2
( ) = (0.5) . pˆ
pˆ 2 ≤ M pˆ 1 ≤ 0.5 0.5 pˆ 0
2 2 3
0
4

( )
p3 ≤ M p2 ≤ 0.5 (0.5) 2 . p0 = (0.5)3 . p0 pˆ ≤ M pˆ 2
3 2 ≤ 0.5((0.5) . pˆ ) = (0.5) . p
3
0
4 2 7
0
8

⋮ ⋮
pn ≤ (0.5) n . p0 2 n −1 2n
pˆ n ≤ (0.5) . pˆ 0

33
Análise de erro e Aceleração de Convergência

Exemplo numérico
 A tabela abaixo ilustra a velocidade relativa de convergência para zero
destes limites de erro, supondo p0 = pˆ 0 = 1

Observe-se que a convergência quadrática atingiu precisão de 10-38 em sete

termos, enquanto que a convergência linear necessitaria de 126 termos.
34
Análise de erro e Aceleração de Convergência

O método de Aitken ∆2
 É uma técnica que pode ser usada para acelerar a convergência de
uma seqüência linearmente convergente, independente de sua
origem ou aplicação.
 Suponha {pn }∞n =0 uma seqüência convergente com limite p . Para
construir uma seqüência {qn } que converge mais rapidamente para p
do que {pn } , assume-se que pn − p, pn +1 − p e pn + 2 − p tenham o
mesmo sinal e que n seja suficientemente maior que:
pn +1 − p pn + 2 − p
≈
pn − p pn +1 − p
Então:

( pn+1 − p )2 ≈ ( pn+ 2 − p )( pn − p )

pn2+1 − 2 pn +1 p + p 2 ≈ pn + 2 pn − ( pn + pn + 2 ) p + p 2 35
Análise de erro e Aceleração de Convergência

O método de Aitken ∆2 (cont.)
 Da expressão pn2+1 − 2 pn +1 p + p 2 ≈ pn + 2 pn − ( pn + pn + 2 ) p + p 2 , tem-se:

( pn+ 2 + pn − 2 pn+1 ) p ≈ pn + 2 pn − pn2+1

 Resolvendo para p resulta:

pn + 2 pn − p
2 ( pn+1 − pn )2
p≈ ou p ≈ pn − p − 2 p + p
n +1
pn + 2 − 2 pn +1 + pn n+2 n +1 n

 Define-se, então a seqüência {qn }∞n =0 , onde

q n = pn −
( pn+1 − pn )2
pn + 2 − 2 pn +1 + pn
também converge para p, e, em geral, mais rapidamente.
36
Análise de erro e Aceleração de Convergência

O método de Aitken ∆2 - Exemplo
 A seqüência {pn }n =1 onde pn = cos(1 / n) converge linearmente para
∞

p = 1. Os primeiros termos de {pn }n =1 e {qn }n =1 são dados na tabela

∞ ∞

abaixo:

Note que a seqüência {qn }n =1 converge

∞

mais rapidamente para p = 1 que {pn }n =1

∞

37
O Método de Müller

Aspectos gerais
 Há um número significativo de problemas em que os métodos da
secante, posição falsa e Newton não apresentam resultados
satisfatórios.
 Na maioria dos casos, os resultados insatisfatórios ocorrem quando
a função e sua derivada estão simultaneamente próximas de zero.
 Estes métodos não podem ser usados para o cálculo de raízes
complexas, a menos que a aproximação inicial seja um número
complexo com parte imaginária não-nula.
 O método de Müller, proposto em 1956, é uma generalização do
método da secante, ao substituir a reta que passa por duas
aproximações prévias, por uma parábola que passa por três
aproximações prévias.
 Por suas características, o método de Müller também fornece raízes
38
complexas de polinômios.
 O Método de Müller

Elementos principais Secante

 O método de Müller utiliza o zero de uma

parábola, formada usando três aproximações
prévias, para determinar a próxima
aproximação, conforme ilustrado na figura b.
 Considere o polinômio quadrático abaixo, que
passa por ( p0 , f ( p0 )), ( p1 , f ( p1 )) e ( p2 , f ( p2 )) .
Parábola

P ( x ) = a ( x − p2 ) 2 + b ( x − p 2 ) + c
 As constantes a,b e c são determinadas das
seguintes condições:
f ( p0 ) = a ( p0 − p 2 ) 2 + b ( p0 − p 2 ) + c ↑
p0 p1
↑ ↑ ↑
p2 p3
f ( p1 ) = a ( p1 − p2 ) 2 + b( p1 − p2 ) + c
f ( p2 ) = a ( p2 − p 2 ) 2 + b ( p2 − p 2 ) + c 39
 O Método de Müller

Determinação da intersecção
 A raiz de P( x) = a ( x − p2 ) 2 + b( x − p2 ) + c = 0 é
determinada pela equação abaixo, em vez da
tradicional “fórmula de Bahskara”, visando
diminuir os erros de arredondamento.

− 2c
p3 − p2 = ↑ ↑ ↑ ↑

b ± b 2 − 4ac p0 p1 p2 p3

 O sinal do radical é definido em conformidade

com a opção de maior magnitude do
denominador, visando evitar a subtração de
números de magnitudes próximas, sendo p3
selecionado como a raiz de P(x) mais próxima
de p2. .
40
 O Método de Müller

Algoritmo
 Dadas as aproximações iniciais p0 , p1 e p2 , determine: .
2c
p3 − p2 = −
b + sign(b) b 2 − 4ac
c = f ( p2 )
onde:
( p0 − p2 ) 2 [ f ( p1 ) − f ( p2 )] − ( p1 − p2 ) 2 [ f ( p0 ) − f ( p2 )]
b=
( p0 − p2 )( p1 − p2 )( p0 − p1 )
( p1 − p2 )[ f ( p0 ) − f ( p2 )] − ( p0 − p2 )[ f ( p1 ) − f ( p2 )]
a=
( p0 − p2 )( p1 − p2 )( p0 − p1 )
 Então, continue o processo iterativo com p1 , p2 e p3 substituindo
p0 , p1 e p2
 O método calcula aproximações para raízes complexas, desde que
seja usado aritmética complexa, quando o radical b 2 − 4ac < 0 41
 O Método de Müller

Exemplo
 Considere o polinômio f ( x) = 16 x 4 − 40 x 3 + 5 x 2 + 20 x + 6.
 Use o método de Müller e determine raízes deste polinômio para três
diferentes condições iniciais para p0 , p1 e p2 , com tolerância de
precisão de 10-5.
 Caso 1: p0 = 0.5, p1 = -0.5, p2 = 0

p1*
42
 O Método de Müller

Exemplo (cont.)
 Caso 2:

p0 = 0.5, p1 = 1.0, p2 = 1.5

p2*
 Caso 3:

p0 = 2.5, p1 = 2.0, p2 = 2.25

 Portanto: as raízes do polinômio *

são:
p3

p1* = −0.356062 ± 0.162758i

p2* = 1.24168
p3* = 1.97044 43
 O Método de Müller

Comentários finais
 O método de Müller pode ser utilizado para determinar as raízes de
polinômios com uma variedade de condições iniciais.
 A técnica geralmente converge para qualquer escolha de condição
inicial.
 Pacotes computacionais de uso geral que empregam o método de
Müller exigem somente uma aproximação inicial por raiz ou,
opcionalmente, podem gerar esta aproximação inicial.
 O método de Müller é mais eficiente que o método da secante, mas não
tão eficiente quanto o método de Newton. Contudo, a facilidade de
implementação e a maior segurança de que a raiz será encontrada
quando se utiliza o método de Müller podem ser mais relevantes.
 Qualquer um dos métodos, secante, Newton e Müller, convergem
rapidamente, uma vez que uma razoável aproximação inicial seja
especificada. Tal condição poderá ser determinada usando-se os
métodos da bissecção ou posição falsa. 44
 Aplicação do MATLAB

Aspectos gerais
 A função ROOTS é usada para calcular todas as raízes, reais e
complexas, de um polinômio.
 Para um função qualquer, FZERO é usada para calcular uma raiz
próxima a aproximação inicial especificada, dentro de uma tolerância
especificada.
 Cálculo das raízes do polinômio: f ( x ) = 16 x 4
− 40 x 3
+ 5 x 2
+ 20 x + 6
>> coef=[16 -40 5 20 6]
coef =
16 -40 5 20 6
>> r=roots(coef)
r=
1.9704
1.2417
-0.3561 + 0.1628i
-0.3561 - 0.1628i 45
 Aplicação do MATLAB

Aspectos gerais
 Representação gráfica de f ( x) = 16 x 4 − 40 x 3 + 5 x 2 + 20 x + 6 na
seqüência do cálculo das raízes.

>> x=-1:.1:3;
>> y=polyval(coef,x);
>> plot(x,y)
>> grid
>> title('Grafico de f(x)')
>> xlabel('eixo x')
>> ylabel('eixo y')

46
 Aplicação do Maple

Aspectos gerais
 Determinar as raízes de f ( x) = 16 x 4 − 40 x 3 + 5 x 2 + 20 x + 6 .

 Raízes reais:
fsolve(16*x^4-40*x^3+5*x^2+20*x+6,x);
1.241677445, 1.970446079

 Raízes reais e complexas:

fsolve(16*x^4-40*x^3+5*x^2+20*x+6,x,complex);
-0.3560617617 − 0.1627583829 I, -0.3560617617 + 0.1627583829 I, 1.241677445 ,
1.970446079

47
 Conclusões

Resolução da equação f(x) = 0, onde f é uma função contínua.
 Se [a,b] é um intervalo em que f(a) e f(b) tem sinais opostos, então os
métodos da bissecção e o método da posição falsa convergem. Contudo
a convergências destes métodos pode ser lenta.
 Convergência rápida pode ser obtida usando-se os métodos da secante
e de Newton, porém, são necessárias condições iniciais relativamente
próximas à raiz.
 Os métodos da bissecção e da posição falsa podem ser utilizados como
métodos de partida para os métodos da secante e de Newton.
 O método de Müller apresenta convergência rápida sem restrições para
a condição inicial, porém não tão rápida quanto o método de Newton.
 O método de Müller apresenta a vantagem adicional de permitir o
cálculo de raízes complexas, sendo comumente empregado em pacotes
computacionais.
 Existem métodos de alta ordem para a determinação de raízes de
48
polinômios, tais como: Laguerre, Jenkins-Traub e Brent.