Caderno Didatico Calculo Numerico

Santos Demetrio Miranda Borjas
CÁLCULO NUMÉRICO
Governo Federal
Ministro de Educação
José Henrique Paim
Universidade Aberta do Brasil

Responsável pela Diretoria da Educação a Distância
João Carlos Teatini de Souza Clímaco
Universidade Federal Rural do Semi-Árido

Reitor
José de Arimatea de Matos
Pró-Reitor de Graduação
Augusto Carlos Pavão
Núcleo de Educação a Distância

Coordenadora UAB
Kátia Cilene da Silva
Equipe multidisciplinar Equipe administrativa

Antônio Charleskson Lopes Pinheiro – Diretor de Rafaela Cristina Alves de Freitas – Assistente em Administração
Produção de Material Didático Iriane Teresa de Araújo – Responsável pelo fomento
Ulisses de Melo Furtado – Designer Instrucional Lucas Vinicius Martins Cunha – Estagiário
Celeneh Rocha de Castro – Diretora de Formação Continuada Bruno Layson Ferreira Leão – Estagiário
Thiago Henrique Freire de Oliveira – Gerente de Rede
Adriana Mara Guimarães de Farias – Programadora
Equipe de apoio
Márcio Vinicius Barreto da Silva – Revisão Linguística
Camilla Moreira Uchoa – Webdesigner
Nayra Maria da Costa Lima – Revisão Didática
Ramon Ribeiro Vitorino Rodrigues - Diretor de Arte Josenildo Ferreira Galdino – Revisor Matemático
Alberto de Oliveira Lima – Diagramador
José Antonio da Silva - Diagramador Serviços técnicos especializados
Frediano Araújo de Sousa – Ilustrador Life Tecnologia e Consultoria
Mikael Oliveira de Meneses – Produção de E-Books
Edição
EDUFERSA
Arte da capa Impressão
Felipe de Araújo Alves
Imprima Soluções Gráfica Ltda/ME
© 2013 by NEaD/UFERSA - Todos os direitos reservados. Nenhuma parte desta publicação poderá ser reproduzida
ou transmitida de qualquer modo ou por qualquer outro meio, eletrônico ou mecânico, incluindo fotocópia, gravação
ou qualquer outro tipo de sistema de armazenamento e transmissão de informação, sem prévia autorização, por escrito,
do NEaD/UFERSA. O conteúdo da obra é de exclusiva responsabilidade dos autores.
Biblioteca Central Orlando Teixeira – BCOT/UFERSA

Setor de Processos Técnicos – Ficha Catalográfica
B734c Borjas, Santos Demetrio Miranda.

Cálculo numérico / Santos Demetrio Miranda
Borjas. – Mossoró : EdUFERSA, 2013.
144 p. : il.
ISBN: 978-85-63145-60-4
1. Cálculo numérico. 2. Matemática. I. Título.
RN/UFERSA/BCOT CDD: 518
Bibliotecário-Documentalista
Mário Gaudêncio – CRB-15/476
http://nead.ufersa.edu.br/
APRESENTAÇÃO DA DISCIPLINA
Caro(a) aluno(a),
O objetivo principal desta disciplina é estudar os métodos numéricos para obter
as soluções aproximadas de problemas, que possam ser representados por modelos
matemáticos. Veremos as definições de erros na modelagem matemática, mostrare-
mos os diferentes tipos de erro e como representar um número no sistema binário e
no sistema decimal. Utilizaremos o software Scilab para realizar algumas simulações
numéricas, tais como: encontrar os zeros de uma função real de variável real, inter-
polação de uma função, ajustes de curvas, integração numérica, solução de sistemas
lineares de ordem n, dentre outros.
Na primeira unidade, estudaremos os conceitos e as formas de aplicabilidade
dos Sistemas Numéricos, Erros, Interpolação Polinominal e os Ajustes de Curvas.
Na segunda unidade, vamos aprender a resolver situações relacionadas ao zero
real de função real e integração numérica.
Na terceira unidade, conheceremos as resoluções numéricas de equação linear e
os tratamentos numéricos de equações diferenciais ordinais.
Seu empenho nas atividades e na sala de aulas será essencial para a compreen-
são da disciplina.
Agradeço desde já as sugestões e comentários destinados a este trabalho, por
considerá-los extremadamente importantes para melhorar ainda mais o mesmo.
Um forte abraço.
SOBRE O AUTOR
Santos Demétrio Miranda Borjas é bacharel em Matemática e dou-

tor em Engenharia Elétrica pela Universidade de São Paulo–USP. Atual-
mente, pertence ao quadro de professores efetivos de Matemática da
Universidade Federal Rural do Semi-Árido – UFERSA. Seu interesse em
pesquisa se dá na área de Matemática Aplicada.
Profº. Santos Miranda

SUMÁRIO
UNIDADE I
SISTEMA DE NUMERAÇÃO E ERROS
REPRESENTAÇÃO DECIMAL E BINÁRIA 13
• Conversão de números no sistema decimal e binário 14
• Representação de um número no formato ponto flutuante 16
• Armazenamento de um número na memória do computador 18
• Aritmética de ponto flutuante 21
ERROS 22
• Erros de arredondamento 23
• Erros de truncamento 23
• Erro absoluto 23
• Erro relativo 23
INTERPOLAÇÃO 26
• Forma padrão do polinômio interpolador 30
• Forma de Lagrange 31
• Forma de Newton 35
• Estudo do erro na interpolação 38
PROBLEMA DE AJUSTE DE CURVAS, CASO DISCRETO 42
• Medição da qualidade de ajuste 44
• Regressão linear por mínimos quadrados 44
UNIDADE II
COEFICIENTE DE VARIAÇÃO
O PROBLEMA DE DETERMINAR ZEROS DE FUNÇÕES 51
• Métodos iterativos para calcular zeros de funções 57
• Método da bisseção 59
• Método do ponto fixo 63

• Método de Newton 68
ANÁLISES DE ERROS PARA MÉTODOS ITERATIVOS 71
INTEGRAÇÃO NUMÉRICA 74
• Importância da integração numérica 74
• Métodos de integração 77
UNIDADE III
RESOLUÇÃO NUMÉRICA DE EQUAÇÕES LINEARES E TRATAMENTO
NUMÉRICO DE EQUAÇÕES DIFERENCIAIS ORDINÁRIAS
REVISÃO DE SISTEMAS LINEARES 95
• Classificação de um sistema linear 97
• Métodos de solução de sistemas lineares 98
• Métodos diretos 98
• Normas de vetores e matrizes 110
• Métodos indiretos 115
TRATAMENTO NUMÉRICO DE EQUAÇÕES DIFERENCIAIS ORDINÁRIAS 123
• Revisão de equações diferenciais 123
• Problema de valor inicial e problema de valor de contorno 125
• Problema de valores iniciais de primeira ordem 126
• Solução numérica de problemas de valor inicial 128
• Método de Taylor 129
• Método de Euler 130
• Método de Taylor de ordem 2 133
• Método de Runge-Kutta 135

I SISTEMA DE
NUMERAÇÃO
E ERROS
Neste capítulo, vamos conhecer os sistemas de numeração,

erros e interpolação polinomial.
O sistema de numeração é importante porque permite repre-
sentar um número em uma base determinada. Por exemplo, os
computadores usam a base 2 para realizar operações entre nú-
meros e a base 10, para mostrar seus resultados. Neste processo,
geralmente ocorrem erros. Existem diversos tipos de erros na mo-
delagem matemática.
Objetivos:
• Mostrar a representação de números na base decimal e na

base binária;
• Demonstrar a conversão de números nos sistemas decimal e

binário;
• Apresentar os diferentes tipos de erros.

I - SISTEMA DE NUMERAÇÃO E ERROS
Representação decimal e binária

UN 01
Os números podem ser representados de várias formas. Na vida cotidiana, usamos números tomando
como base o sistema decimal (base 10), que usa dez algarismos: 0,1,2,3,4,5,6,7,8,9. Assim, o número
607.312, por exemplo, pode ser expresso como segue (usaremos ponto para separar a parte inteira da
parte decimal de um número):

(607.312)10 = 6x102 + 0x101 + 7x100 + 3x10(-1) + 1x10(-2) + 2x10(-3).
Observe que um número no sistema decimal pode ser representado por meio de um polinômio de base
10 com coeficientes inteiros compreendidos entre zero e nove. Os computadores atuais representam os
números internamente na base binária ou base 2. Este sistema usa dois algarismos 0 e 1. Assim, o número
4, por exemplo, pode ser representado como segue:
(4)10 = (100)2=1x22+0x21+0x20=4
Assim, um número no sistema binário pode ser representado por meio de um polinômio de base 2 com
coeficientes inteiros compreendidos entre 0 e 1.
De forma geral, um número real X pode ser decomposto com a soma dos dígitos, d_i, que os constituem
multiplicado pelas potências de sua base B, veja:
(X)B = (dn d(n-1)..d1 d0 .d(-1) d(-2)..d(-m) )B
(X)B = dn xBn + dn-1 xBn-1 + ... + d1 xB1 + d0 xB0 + d-1 xB-1 + d-2 xB-2 + .. + d-m xB-m
13
Neste momento, você deve estar se perguntando: como isso foi feito? Como foi realizada a conversão do
número 4 em base 10 para a base 2? Esta pergunta será respondida a seguir.
EXERCÍCIO RESOLVIDO:
1. Nos seguintes exemplos, usaremos a fórmula dada acima para decompor um número na base B:
a) Decompor o número 421.0012 na base decimal B=10
(421.0012 )10 = 4x102 + 2x101 + 1x100 + 0x10(-1) + 0x10(-2) + 1x10(-3) + 2x10(-4).
parte inteira parte decimal
b) Decompor o número 20.70018 na base decimal B=10
(20.70018 )10 = 2x101 + 0x100+7x10-1 + 0x10-2 + 0x10-3 + 1x10-4 + 8x10-5.
c) Decompor o número 10110.111 na base binária B=2
(10110.111 )2=1x24 + 0x23+1x22 + 1x21 + 0x20+1x2-1 + 1x2-2+1x2-3.
d) Decompor o número 0.10111 na base binária B=2
(0.100111 )2= 0x20 + 1x2-1 + 0x2-2 + 0x2-3 + 1x2-4 + 1x2-5 + 1x2-6.
CÁLCULO NUMÉRICO
Autor: Santos Demétrio Miranda Borjas CN
Conversão de números nos sistemas

decimal e binário
Um número pode ser representado em mais de uma base. Fazendo uma mudança de base, é sempre pos-
sível determinar a representação deste número em uma nova base. Por meio de exemplos, veremos como
se faz esta conversão.
1. Mudar a representação dos números:
a) (1101)2 para a base 10
b) (0.110)2 para a base 10
c) (13)10 para a base 2
d) (0.75)10 para a base 2
e) (0.9)10 para a base 2
f) (7.9)10 para a base 2
14 Solução: Para cada item, será explicado o procedimento aplicado.

a) (1101)2 para a base 10
Dado o número 1101 na base 2, qual a representação deste número na base 10?
Observe que neste caso o número não tem parte decimal (não existe ponto). Então, a fim de passar este
número para a base 10, você deve multiplicar cada algarismo do número dado na base 2 por potências
crescentes de 2, da direita para a esquerda, e, por último, somar todas as parcelas. Assim:
1101=1x23+1x22+0x21+1x20=8+4+0+1=13
Logo: (1101)2=(13)10.
b) (0.110)2 para a base 10.
Dado o número 0.110 na base 2, qual a representação deste número na base 10?
Neste caso, vemos que o número 0 representa a parte inteira e o número 110 representa a parte deci-
mal. Então, a fim de passar este número para a base 10, você deve multiplicar cada algarismo da parte
decimal do número dado na base 2 por potências decrescentes de 2, da esquerda para a direita, e, por
último, somar todas as parcelas. Assim:
1 1 1 1
0.110 = 1x2−1 + 1x2−2 + 0x2−3 = 1x + 1x +0= + = 0.75
21 22 2 4
Logo: (0.110)2=(0.75)10.
c) (13)10 para a base 2
Dado o número 13 na base 10, qual a representação deste número na base 2?
CÁLCULO NUMÉRICO
CN Autor: Santos Demétrio Miranda Borjas
Observe que neste caso o número não tem parte decimal (não existe ponto). Então, para passar este
número para a base 2, você deve dividi-lo por 2 e continuar dividindo o quociente por 2, até que o úl-
timo quociente seja igual a 1. Então, o número na base 2 será obtido tomando-se o último quociente e
todos os restos das divisões anteriores. Assim:
13 2
1 6 2
0 3 2
1 1
Logo: (13)10 = (1101)2
d) (0.75)10 para a base 2
Dado o número 0.75 na base 10, qual a representação deste número na base 2?
O número 0.75 na base 2 tem a forma , 0.d

1d2d3 ..dn ou seja,
(0.75)10 =(0.d1d2d3 ..dn ..)2
Portanto, para representar o número 0.75 na base 2, é necessário encontrar os números
d1 ,d2 ,d3 ,..,dn
Procedimento prático para encontrar os dígitos d1 ,d2 ,d3 ,..,dn
Você deve multiplicar a parte decimal do número dado por 2 e continuar multiplicando a parte decimal
do resultado obtido por 2. Este processo continua até se obter um resultado nulo ou repetitivo. Os dígi-
15
tos serão obtidos tomando-se a parte inteira do resultado de cada multiplicação. Assim:
0.75x2 = 1.50 ⇒ 1 = d1
0.50x2 = 1.00 ⇒ 1 = d2
0.00x2 = 0.00 ⇒ 0 = d3
Resultado nulo.
Logo: (0.75)10 = (0.110)2
e) (0.9)10 para a base 2
O número 0.9 na base 2 tem a seguinte forma: (0.9)10 =(0.d1d2d3 ..dn ..)2
0.9x2 = 1.8 ⇒ 1 = d1
0.8x2 = 1.6 ⇒ 1 = d2
0.6x2 = 1.2 ⇒ 1 = d3
0.2x2 = 0.4 ⇒ 0 = d4
0.4x2 = 0.8 ⇒ 0 = d5
0.8x2 = 1.6 ⇒ 1 = d6 = d2 Parar, o procedimento é repetitivo
0.6x2 = 1.2 ⇒ 1 = d7 = d3
0.2x2 = 0.4 ⇒ 0 = d8 = d4
0.4x2 = 0.8 ⇒ 0 = d9 = d5
0.8x2 = 1.6 ⇒ 1 = d10 = d6 = d2
0.6x2 = 1.2 ⇒ 1 = d11 = d7 = d3
0.2x2 = 0.4 ⇒ 0 = d12 = d8 = d4
... ... ... ... ... ...
CÁLCULO NUMÉRICO
Logo: (0.9)10 =(0.d1d2d3d4d5d2d3d4d5d2d3d4d5d2d3d4d5d2 .....)2

(0.9)10 =(0.d1 d2d3d4d5 .......)2
(0.9)10 =(0.11100110011001&..)2 =(0.11100&)2 ,,
onde 1100 representa o período repetitivo. Este exemplo mostra que um número que tem represen-
tação finita na base decimal não necessariamente tem representação finita na base binária.
f) (13.9)10 para a base 2
Neste caso, é melhor representar o número 13.9 na forma:

13.9 = 13 + 0.9
Logo, temos que passar as partes inteira e decimal dadas em base 10 para base 2 (ou base binária).
A parte inteira 13 é obtida seguindo o item (c), o que nos fornece:
(13)10 = (1101)2
A parte decimal é obtida seguindo o item (e), o que nos fornece:
(0.9)10 = (0.11100110011001…..) 2
Assim, (13.9)10 = (1101)2 + (0.11100110011001…..)2
(13.9)10 = (1101.11100110011001…..)2
(13.9)10 = (1101.11100..)2
Portanto, o número 3.9 (na base 10) tem representação 1101.11100.. na base binária.
16
Representação de um número
no formato ponto flutuante
A representação decimal em ponto flutuante, também conhecida como notação científica, tem a forma:
d.d1d2d3 ..dt x10p
Nesta notação, um algarismo é escrito à esquerda da vírgula decimal (ponto) e os demais algarismos sig-
nificativos são escritos à direita da vírgula. O número 0.d1 d2 d3..dt é chamado de mantissa t, que indica o
número de algarismos significativos.
Exemplo:
O número 658.4238 na notação científica é escrito na forma 6.584238x102
O número 5000.035 na notação científica é escrito na forma 5.000035x103
O número 568 na notação científica é escrito na forma 5.68x102
O número 0.975 na notação científica é escrito na forma 9.75x10-1
O número 0.00687 na notação científica é escrito na forma 6.87x10-3
O número 0.000600 na notação científica é escrito na forma 6x10-4
A representação binária em ponto flutuante, também conhecida como notação científica, tem a forma
1.bbbbt x2n
Nesta forma, a mantissa é 0.bbbbt e n é chamada a potência de 2. Tanto a mantissa quanto o expoente são
escritos na forma binária. O índice t indica o número de algarismos significativos.
CÁLCULO NUMÉRICO
1. Expressar o número 30 na representação binária em ponto flutuante.
O número 30 está na base decimal, ou seja: 30=(30)10. Para representar o número 30 na base binária
em ponto flutuante, temos que realizar os seguintes passos:
Passo 1:Deve-se multiplicar e dividir 30 por 2n , onde n é a maior potência de 2 tal que o resultado de
2n seja menor ou igual a 30.
Procurando n:
Por exemplo:
= 23 8= , 24 16, 25 = 32 . Então, escolhemos n = 4 , pois 24 = 16 < 30 . Assim, escolhemos
n =4.
Encontrado o valor de n = 4 , multiplicar e dividir 30 por 2n
30 4
=30 = x2 1.875x24
24
Passo 2:
Agora devemos passar tanto a mantissa como o expoente na forma binária. Assim a mantissa 0.875 e
o expoente 4 são escritos na forma binária.
A mantissa 0.875 na forma binária é (0.d1d2d3 ..dn ..)2 onde:
0.875x2 = 1.75⇒ 1 = d1
0.75x2 = 1.5 ⇒ 1 = d2
0.5x2 = 1.0 ⇒ 1 = d3
0.0x2 = 0.0 ⇒ 0 = d4 17
(0.875)10 = (0.1110)2
O expoente n = 4 na forma binária é 100, de fato:
4 2
0 2 2
0 1
(4)10 = (100)2
Logo, o número 30 tem representação binária em ponto flutuante (também conhecida como notação
científica) na forma:
1.1110x2100
mantissa expoente
De fato, para verificar que o número em notação científica 1.1110x2100 representa o número 30, deve-
-se converter a mantissa 0.1110 e o expoente 100 para sua forma decimal. Assim:
2 + 0x21 +0x20]
1.1110x 2 100 =(1 + 1x2−1 + 1x2−2 + 1x2−3 + 0x2−4)x2[1x2
mantissa mantissa expoente
=(1 + 1x2 + 1x2−2 + 1x2−3 + 0x2−4) x 24
−1
= 24 + 23 + 22 + 2 = 30.
Uma pergunta natural seria: como é armazenado um número no computador? Isto será mostrado a
seguir.
CÁLCULO NUMÉRICO
Armazenamento de um número
na memória do computador
Computadores e máquinas digitais armazenam e processam números na forma binária (base 2) em ponto
flutuante. O computador armazena os valores do expoente e da mantissa separadamente, não sendo arma-
zenado o primeiro 1 à frente da vírgula decimal (ou ponto). Cada algarismo binário (0 ou 1) é chamado de
bit (do inglês, binary digit). A memória do computador é organizada em bytes (1 bytes = 8 bits).
De acordo com a norma IEEE 754-1985, os computadores armazenam números nos formatos precisão
simples (usando 32 bits = 4 bytes) ou precisão dupla (64 bits = 8 bytes), como mostra a figura a seguir:
Precisão simples:
277266. . . . . . . . 22222212
12
0 0 -1
22-122-2-2 . . . . . . 2-23
-23
indicador Expoente + Mantissa = f

do sinal s Polarização
O primeiro bit, denotado por s, armazena o sinal do número, escreve-se s=0 se o número é positivo e s=1
se o número é negativo. Os 8 bits seguintes servem para armazenar o expoente, o qual será denotado por
c. Os 23 bits restantes servem para armazenar a mantissa, a qual será denotada por f.
18 Precisão dupla:
21029 . . . . . . . 222120 2-12-2 . . . . . . . 2-52
indicador Expoente + Mantissa = f

do sinal s Polarização
O primeiro bit, denotado por s, armazena o sinal do número, escreve-se s=0 se o número é positivo e s=1
se o número é negativo. Os 11 bits seguintes servem para armazenar o expoente, o qual será denotado por
c. Os 52 bits restantes servem para armazenar a mantissa, a qual será denotada por f.
Para economizar armazenamento e fornecer uma representação única de cada número em ponto flutu-
ante, é imposta uma normalização. A utilização deste sistema fornece um número em ponto flutuante da
forma (para precisão dupla):
X=(-1)s 2(c-1023) (1+f) ou X=(-1)s (1+f)2(c-1023)
Onde o número 1023 é chamado de polarização. Observe que o número X tem uma representação para ser
armazenada no computador e apresenta uma representação na base binária de ponto flutuante na forma:
X=± 1.bbbb_t x 2n ou X=±(1+0.bbbb_t)x 2n = (1)s (1+f) x 2n
Das duas representações do número X, resulta:
C-1023=n
Expoente armazenado Expoente da forma

no computador de ponto flutuante
ou
c=1023+n
CÁLCULO NUMÉRICO
Em resumo:
Dado um número na base decimal para ser armazenado no computador, primeiramente devemos passá-lo
na forma de ponto flutuante e depois encontrar os valores de s, c e f.
1. Represente graficamente o armazenamento do número 28.25 em um computador usando precisão
dupla (64 bits), de acordo com a norma IEEE-754.
O número 28.25 está em base decimal. Para ser armazenado em um computador, deve-se passar este
número para uma representação em ponto flutuante da forma:
(-1)s 2(c-1023) (1+f)
O procedimento é dado pelos seguintes passos:
Passo 1:
Você deve multiplicar e dividir o número 28.25 por 2n, onde n é escolhido de tal forma que o valor 2n
seja menor ou igual a 28.25.
Por exemplo, 23=8, 24=16 e 25=32 escolhemos n=4, pois 24=16<28.25. Assim, escolhemos n=4.
Encontrado o valor de n=4, multiplique e divida 28.25 por 2n
28.25 4
=
28.25 = x2 1.765625x24
24
28.25 = 1.765625 x 24
19
{
mantissa expoente
Observe que 0.765625 representa a mantissa e n=4 representa o expoente do número 28.25.
Passo 2:
Vamos encontrar os valores de s, c e f da fórmula:
(-1)s 2(c-1023) (1+f)
Como foi dito, s assume o valor de 0 se o número for positivo e o valor de 1 se o número for negativo.
Neste caso, o número 28.25 é positivo, portanto s=0.
O símbolo c é obtido da fórmula:

c - polarização = n
ou
c = expoente + polarização
Onde n representa o expoente do número obtido no passo 1 e a polarização é definida por 1023. Desta
forma, temos:
c - 1023 = n ⇒ c = 4 + 1023 = 1027
O símbolo f representa a mantissa. f já foi obtida no passo 1: a mantissa é 0.765625.
Passo 3:
A mantissa 0.765625 e o número c=1027 são escritos na forma binária.
A mantissa 0.765625 na forma binária é 0.110001.

O número c=1027 na forma binária é 10000000011.
CÁLCULO NUMÉRICO
A figura abaixo mostra como o número 28.25 é armazenado no computador no formato de 64 bits.
Para isto, usamos os números s, c e f no formato binário. Vejamos:
0 1 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 1 0 0 0 0 0 0 0 0 0 .......0
Indicador Expoente Mantissa = f

do sinal s +
Polarização = C
2. O número armazenado em um computador de 64 bits é dado pela figura:
1 1 0 0 0 0 0 0 0 0 1 1 1 0 1 1 1 0 0 1 0 0 0 1 0 0 0 ... 0 0
Represente este número na base decimal.
Um número armazenado no computador é um número em ponto flutuante da forma:
(-1)s 2c-1023 (1+f), então
Encontrando o sinal do número:

20 Na figura acima, o bit mais à esquerda é 1, o que indica que o número é negativo. Então, s=1.
Encontrado o expoente do número 2c-1023.

Os próximos 11 bits na figura acima, 10000000011, correspondem ao número decimal c:
c=1x210+0x29+⋯+0x23+0x22+1x21+1x20=1024+2+1=1027
Então, a parte exponencial do número é 2c-1023=2(1027-1023)=24.
Encontrando a mantissa f
Os 52 bits finais na figura acima especificam que a mantissa seja:
f=1x2-1+0x2-2+1x2-3+1x2-4+1x2-5+0x2-6+0x2-7+1x2-8+0x2-9+0x2-10+0x2-11+1x2-12+0x2-13+0x2-14+....+0x2-52
f=1x2-1+1x2-3+1x2-4+1x2-5+1x2-8+1x2-12
f=2-1+2-3+2-4+2-5+2-8+2-12
Portanto, número em ponto flutuante armazenado no computador representa o número decimal:
(-1)s 2c-1023 (1+f)=(-1)1 24 (1+[2-1+2-3+2-4+2-5+2-8+2-12 ] )

= -( 24 x1+ 24 x[2-1+2-3+2-4+2-5+2-8+2-12 ] )
=- ( 24+23+21+20+2-1+2-4+2-8 ) = - 27.56640625
(-1)s 2c-1023 (1+f)=- 27.56640625
Assim, o número armazenado nesse computador é - 27.56640625.
Com o objetivo de examinar os erros, os números das máquinas são representados na forma normali-
zada de ponto flutuante, chamada também de aritmética de ponto flutuante. Então vejamos:
CÁLCULO NUMÉRICO
Aritmética de ponto flutuante
Um computador ou calculadora representa um número real X no sistema denominado aritmética de ponto

flutuante. Assim, o número real X será representado na forma:
X=±(0.d1 d2 d3..dt)x Br
Onde:
B é a base em que a máquina opera, pode ser base 2, 3, 4, 8, 10, etc.;
t é o número de dígitos na mantissa; 0 ≤ dk ≤ (B-1) para k=1,2,3..,t;

r é o expoente no intervalo [m,M].
No caso d1 ≠ 0 e dt ≠ 0, dizemos que esta máquina (computador) armazena o número X com t dígitos sig-
nificativos.
Em qualquer máquina, apenas um conjunto finito de números reais pode ser armazenado. Portanto, a re-
presentação de um número real será realizada por meio do truncamento ou arredondamento. Por exem-
plo: √2=1.414213562373… não pode ser representado de forma exata em um computador.
Exemplo:
Vamos supor que uma máquina opera no sistema decimal (B=10) com 4 dígitos significativos (t =4) e r ∈
[-5,5]. Isto significa que os números nesta máquina apresentam a forma (em aritmética de ponto flutuan-
te). 21
X=±( 0.d1 d2 d3 d4 )x 10r para 0 ≤ dk ≤ 9, r ∈ [-5,5].
4 dígitos
significativos
Para representar √2 nesta máquina, temos que apresentar este número na forma de ponto flutuante nor-
malizado (ou aritmética de ponto flutuante):
√2= 1.414213562373… = (0.1414213562373..)x101
Logo, é possível armazenar o número com 4 dígitos significativos obtido por cancelamento:
0.1414x101
ou armazenar o número com 4 dígitos significativos obtido por arredondamento
0.1414x101
No caso de arredondamento, observamos que o dígito seguinte a d4 é 2, o qual é menor do que 5. Portanto,
não incrementamos uma unidade a d4 .
Deste modo, para armazenar o número π=3.14159263558… nesse computador devemos representá-lo na
forma de ponto flutuante normalizado (ou aritmética de ponto flutuante).
π = 3.14159263558… = (0.314159263558…)x101
Logo, é possível:
Armazenar o número com 4 dígitos significativos obtido por cancelamento:
0.3141x101
CÁLCULO NUMÉRICO
ou por arredondamento considerando 4 dígitos significativos
0.3142x101
No caso de arredondamento, observamos que o dígito seguinte a d4 é 5, o qual é maior ou igual a 5. Portan-
to, incrementamos uma unidade a d4.
O menor número, em valor absoluto, representado nesta máquina é:
m= 0.1000x10-5 = 1x10-1 x 10-5 = 10-6 = 0.000001
E o maior número, em valor absoluto, representado nesta máquina é:
M= 0.9999x105 = 99 990
Assim, os números X que podem ser representados nesta máquina são da forma:
m ≤ |X| ≤ M ou 0.000001≤|X|≤99 990
Portanto, o número X= 0.00000002158 = 0.2158x10-7 não pode ser representado nesta máquina porque
o expoente -7 é menor do que -5. Nesta situação, a máquina acusa a ocorrência de underflow e neste caso
os números são geralmente igualados a zero. Em resumo, para esta máquina qualquer número de módulo
menor do que 0.000001 resulta em underflow. Os números superiores a 99 990 resultam em overflow e
normalmente fazem o cálculo parar. É o caso do número X=0.5986x108, pois o expoente é maior do que 5.
A figura a seguir ilustra estes casos:
22
m MM
Under�low Over�low
São números que Intervalo de valores que São números maiores do

ocorrem em cálculos podem ser representados que M e geralmente fazem
menores do que m o cálculo parar
Erros
UN 01
Os erros são inerentes ao problema de modelamento matemático. A figura abaixo representa, de forma
sucinta, as etapas para solucionar um problema em estudo.
Problema Modelo
Matemático Solução
em estudo
A representação matemática do problema em estudo é chamada de modelo matemático. A solução do

modelo matemático pode ser de forma analítica ou numérica. As soluções numéricas podem ser muito
precisas, mas em geral são inexatas. Dois tipos de erros são introduzidos quando métodos numéricos são
usados na solução de um problema os chamados erros de arredondamento e os erros de truncamento.
CÁLCULO NUMÉRICO
Erros de arredondamento
Foi visto que os números são representados em um computador por meio de um número finito de bits.
Consequentemente, os números infinitos devem ser encurtados. Um número pode ser encurtado de duas
formas: cortando ou descartando os algarismos a mais ou fazendo um arredondamento. No corte, os al-
garismos, além da mantissa, são deixados de fora. Já no caso do arredondamento, o último algarismo da
mantissa é arredondado. Por exemplo, o número 2/3 na forma decimal com quatro algarismos significati-
vos pode ser escrito como um número encurtado: 0,6666 ou arredondado: 0,6667. Se o número for encur-
tado ou arredondado, sempre haverá erros no cálculo numérico. Pode-se pensar que estes erros não são
significativos, mas se o processo é repetido várias vezes o erro obtido no final pode ser muito expressivo.
Erros de Truncamento
De forma geral, podemos dizer que um erro de truncamento ocorre quando substituímos um processo ma-
temático exato (finito ou infinito) por um processo aproximado correspondente a uma parte do processo
matemático. Por exemplo, a série de Maclaurin da função f(x)=ex é dada na forma exata por:
∞
xk
ex = ∑
k =0
k!
Vamos supor que desejamos calcular o valor da série usando o computador. Pode-se observar que é im-
possível somar os infinitos termos da série. Então, substituímos o processo matemático exato (neste caso
infinito) por um processo aproximado, dado pela soma de um número finito N, de termos. Assim:
ex ≈
N
∑ k!
xk 23
k =0
É claro que na medida em que N aumenta, o erro de truncamento diminui.
Erro absoluto
O erro absoluto é a diferença entre o valor exato de um número x e de seu valor aproximado x* :

EAx = x - x* (1.1)
Se EAx é positivo, podemos dizer que a aproximação é por defeito. Se EAx é negativo, dizemos que a apro-
ximação é por excesso.
Erro relativo
O erro relativo é definido como o erro absoluto dividido pelo valor exato:
EAx x-x *
ERx = = para x x≤≠0 0 (1.2)
x x
e o erro relativo porcentual é dado por:
ERx %= ( ERx )100% (1.3)
Uma pergunta natural seria: qual fórmula do erro usar? Para responder a esta questão, vejamos o seguinte
exemplo: suponha que 10mm e 10000mm representam as medidas exatas da espessura de uma placa me-
tálica e a longitude de um fio, respectivamente. E sejam 9mm e 9999mm as medidas aproximadas. Neste
caso, os erros gerados por estas aproximações são:
CÁLCULO NUMÉRICO
a) Espessura de uma placa: x = 10 mm e x* = 9 mm
Erro absoluto: EAx = 10 - 9 = 1 mm
1
=
Erro relativo: ERx = 0.1 mm
10
Erro relativo porcentual: ERx% = 0.1 (100%) = 10%
b) Longitude de um fio y=1000mm e y*= 999mm
Erro absoluto: EAy = 1000 - 999 = 1mm
Erro relativo: ERy =

1
=0.001 mm
1000
Erro relativo porcentual: ERy% = 0.001(100%) = 0.1%
Observe que em ambos os casos o erro absoluto é o mesmo. Portanto, o erro absoluto simplesmente não
traduz nada se não soubermos a ordem de grandeza do valor calculado. Na prática, isto pode dar uma
informação inadequada ou insuficiente. Para o exemplo citado acima, temos que o erro absoluto 1 mm é
mais significativo para o caso (a) do que para o caso (b).
No cálculo da espessura da placa, comete-se um erro relativo bastante significativo, e no cálculo da longi-
tude de um fio, o erro relativo é pequeno. Por esta razão, o erro relativo é amplamente empregado, pois o
erro relativo tem a finalidade de dar uma idéia do grau de influência do erro no valor desejado.
Para obter os erros absolutos e relativos, é necessário conhecer o valor exato de x. Infelizmente, na maioria
das vezes, este valor é desconhecido. Quando aplicamos algum método numérico, o objetivo é determinar
24 uma aproximação para o valor exato desconhecido. Se o valor exato é conhecido, não tem sentido aplicar
um método numérico para obter uma aproximação dele. Assim, na forma prática as equações citadas aci-
ma do erro absoluto e relativo não são de muita utilidade. A importância destas fórmulas é dada no campo
teórico. Para superar este problema, devemos obter um limitante superior ou uma estimativa para o mó-
dulo do erro absoluto. Assim:
|EAx | = |x - x *| ≤ ε para ε ≥ 0
Esta inequação nos permite saber em que intervalo se encontra o valor exato de x, mesmo não o conhe-
cendo, isto é:
-ε + x * ≤ x ≤ ε + x *
Na prática, é desejável que a cota ε seja próxima de zero. O intervalo de confiança ou intervalo de pre-
cisão para x é (x * - ε, x * + ε ).
a+b
Reciprocamente, se é conhecido um intervalo de confiança para x, x∈(a,b), então x =
*
é a melhor
aproximação de x e seu erro absoluto é limitado por: 2
b-a
Ax ≤
E ″
2
3.14 + 3.15
Por exemplo, sabendo-se que π ∈ ( 3.14 ,3.15 ), então π* = = 3.145 é a melhor aproximação de π,
2
3.15 − 3.14
e seu erro absoluto é limitado por E Ax ≤ = 0.005 de fato, 0.0034073... = |π-π* | = |EAx | ≤ 0.005.
2
Como normalmente o valor de x não é conhecido e é próximo de x*, costuma-se calcular também um limi-
tante superior para o erro relativo tal que:
ε
ERx ≤
x*
Onde ε é um limitante superior do erro absoluto.
CÁLCULO NUMÉRICO
1. Vamos supor que uma máquina opera no sistema decimal (B = 10) com 4 dígitos significativos (t = 4)
e r ∈ [-5,5]. Podemos dizer que o número tem a forma:
x = ± (0.d1 d2 d3 d4) x 10r para 0 ≤ dk ≤ 9, r ∈ [-5,5]

Dados:
x = 0.947 x 104 e y = 0.1271 x 102 obter x + y
Para obter a adição aritmética em ponto flutuante, é necessário o alinhamento dos dois pontos deci-
mais nos dois números, o que é feito da seguinte forma:
x = 0.947 x 104 e y = 0.001271 x 104
Então, o resultado exato da operação x+y é dado por:
x + y = 0.947 x 104 + 0.001271 x 104 = (0.947 + 0.001271) x 104

x + y = 0.948271 x 104
Dado que em nosso sistema podemos representar números com t = 4 algarismos significativos. Sen-
do assim, o resultado exato x+y deve ser arredondado ou encurtado.
Logo, teríamos valores aproximados x + y :
x + y = 0.9483x104 no arredondamento com erro
|EAx | = | x - x* | = | 0.948271 x 104 - 0.9483x104 | = | 0.948271 - 0.9483 | x 104

|EAx | = 0.000029 x 104 = 0.29 e 25
x + y = 0.9482x104 no encurtamento com erro
|EAx | = | x - x*| = | 0.948271 x 104 - 0.9482 x 104 | = | 0.948271 - 0.9482 | x 104

|EAx | = 0.000071 x 104 = 0.71.
EXERCÍCIO PROPOSTO:
1. Dado o número 2.47 em base 10, qual sua representação em base 2 usando 8 algarismos significati-
vos? Esta representação é exata? Faça o mesmo para o número 33.0233.

2. Converta os seguintes números binários para sua forma decimal:
a) 1011101 b) 11000101.101 c) 10010101110001.01110101

3. Use o formato de 64 bits para determinar o equivalente decimal dos seguintes números de máquina:
a) 0 10000001010 1001001100000000000....0
b) 1 10000001010 1001001100000000000....0
c) 0 01111111111 0101001100000000000...0
4. Determine o maior intervalo no qual x* deve estar contido, a fim de aproximar x com erro relativo de
no máximo 10-4 para cada valor de x.
a) x = π b) x = e
5. Considere uma máquina cuja representação de números é definida por: B=10, t=5 e r ∈ [-5,5]. Pede-se:

a) Qual o menor e maior números em modelo representado nesta máquina?
CÁLCULO NUMÉRICO
b) Como será representado o número 73.8559 nesta máquina se for usado arredondamento? E se o nú-
mero for encurtado?

c) Se x=42459 e y=4, qual é o resultado de x+y?
Interpolação
UN 01
Caro aluno! Neste tópico, vamos tratar do seguinte problema: imagine que para certos valores de x = xi ,
com i = 0,1,2,..,n, é possível conhecer sua imagem f(x) = f(xi) = yi , dada pela função f(x), onde o problema
é achar uma função φ(x) tal que φ(xi) = f(xi) = yi. Podemos dizer que as imagens das duas funções coin-
cidem para os pontos xi, com i = 0,1,2,..., n. Este tipo de problema é frequentemente encontrado nas enge-
nharias por meio da coleta de dados de certos experimentos. Neste caso, esses dados formam um conjunto
de pontos discretos.
Considere (n + 1) pontos distintos: x0, x1, ..., xn, e os valores de f (x) nesses pontos: f (xo), f (x1),... f (xn). O
problema de interpolação de f (x) consiste em se obter uma determinada função φ(x) tal que:
ϕ ( x 0 ) = f ( x 0 ) = y 0

PROBLEMA DE
ϕ ( x1 ) = f ( x1 ) = y 1
INTERPOLAÇÃO

Dentro de um ϕ ( x 2 ) = f ( x 2 ) = y 2
conjunto de funções, 
achar a função φ  .... .... ....
26 tal que


ϕ( xn ) = f ( xn ) = y n (1.1)
Os (n+1) pontos distintos: x0, x1, x2, .., xn sejam chamados de nós da interpolação. O problema da interpo-
lação é representado na figura 1.1.
Figura 1.1 – Representação gráfica do problema de interpolação.
y
f (x)
j(x)
f
x
0 x0 x1 xi xn
Dentro do conjunto de funções que aproximam f(x), as funções polinomiais de grau ≤n são muito usadas:
j ( x ) ==
Pn (x) a n x n + a n −1 x n −1 + .... + a2 x2 + a1 x1 + a0
A razão disto é que os polinômios são facilmente computáveis, assim como suas derivadas e integrais con-
tinuam sendo polinômios.
Nesta seção, mostraremos como aproximar uma função usando métodos de interpolação polinomial para
os seguintes casos:
a) Se a função f(x) é complicada e de difícil manejo;
b) Se f(x) não é conhecida analiticamente, mas é dado o conjunto de pontos (x0 , f(x0 )), (x1 , f(x1)),....,(xn , f(xn )).
CÁLCULO NUMÉRICO
Observação:
a) Existem outras formas de interpolação polinomial, como, por exemplo, aproximação por polinômios
de Hermite. Neste caso, as condições de interpolação dadas na equação (1.1) são outras.
b) A função φ(x) poderia ser escolhida também como função racional, trigonométrica, etc.
FIQUE DE OLHO
Você deve estar se perguntando: como posso ter certeza de que um polinômio Pn(x) interpola a
função f(x)? Esta questão é respondida pelo teorema mostrado em seguida.
Teorema (Teorema da Aproximação de Weierstrass)
Suponha que a função f:[a,b]⊂ R→R é contínua em [a,b]. Então, para cada ε > 0, existe um polinômio com
a propriedade:
|f(x)-P(x)|< ε, para todo x ∈ [a,b].
A demonstração deste teorema pode ser encontrada em qualquer livro de Cálculo.
O Teorema diz que dada uma função contínua em [a,b], existe um polinômio que aproxima f (x) para todo
x que se encontra no intervalo [a,b]. Mas o Teorema não mostra como encontrar este polinômio. Como
primeira tentativa para encontrar este polinômio, considere os polinômios de Taylor para aproximar a
função f (x).
Aproximação de uma função por meio dos polinômios de Taylor:

27
Esta aproximação é baseada no teorema de Taylor, o qual é dado a seguir:
Suponha que f, f', f'',...,f (n) são funções contínuas em [a,b], que f(n+1) exista em [a,b] e que x0 ∈ [a,b].
Então, existe um número ξ ( x ) entre x0 e x tal que:
f(x)=Pn (x)+R n (x)

Onde:
pn(x) é o polinômio de Taylor de grau n de f em x0 , definido por:

n f k ( x0 )
Pn ( x ) = ∑ ( x - x0 )k
k =0 k!
e Rn(x) é chamado resto (ou erro de truncamento) relativo a pn(x), definido por:
f n +1 (ξ( x ))
R n (x) = ( x - x0 )n +1 onde ξ( x ) ∈ (a, b).
(n + 1)!
Mostraremos por meio de um exemplo que estes polinômios não aproximam a função f(x) em todo o intervalo [a,b].
1. Seja a função f(x)=ex, use os cinco primeiros polinômios de Taylor para aproximar a função dada em
torno do ponto x0=0.
A função f(x) = ex satisfaz todas as hipóteses do teorema de Taylor, pois f(x) = ex, f'(x) = ex, f'' (x) = ex,...,
f (n)(x) = ex são funções contínuas em todo R. Logo, os polinômios de Taylor de ordem 0, 1, 2, 3,4 e 5
em torno do ponto x0 = 0 são:
P0 (x)=1;
P1 (x)=1+x;
x2
P2 (x)=1+x+
2
x 2 x3
P3 (x)=1+x+ + ;
2 6
x 2 x3 x 4 CÁLCULO NUMÉRICO
P4 (x)=1+x+ + + ;
2 6 24 Autor: Santos Demétrio Miranda Borjas CN
P1 (x)=1+x;
2
I - SISTEMA DE NUMERAÇÃO E ERROSx
P (x)=1+x+
2
2
x 2 x3
P3 (x)=1+x+ + ;
2 6
x 2 x3 x 4
P4 (x)=1+x+ + + ;
2 6 24
x 2 x3 x 4 x5
P5 (x)=1+x+ + + +
2 6 24 120
Os gráficos dos polinômios são mostrados na figura 1.2:
Figura 1.2 – Representação gráfica da aproximação usando os polinômios de Taylor.

30
Y
f = exp(x)
25
P0
P1
P2
P3
20 P4
P5
15
10
X
28 0
-5
-2 -1 0 1 2 3 4
Visualizando a figura 1.2 em torno do ponto x0 = 0, podemos dizer que todos os polinômios repre-
sentam a função satisfatoriamente. Porém, se nos afastamos deste ponto, o erro piora, isto é, o erro
e(x) = | f(x)-P(x) | cresce quando x se afasta de x0 = 0, o que era de se esperar, pois os polinômios de
Taylor aproximam a função em torno de um ponto dado. Portanto, não podemos dizer que estes poli-
nômios interpolam a função em todo o intervalo. A aproximação básica dos polinômios de Taylor em
Análises Numérica não é para propósitos de aproximação, mas para dedução de técnicas numéricas e
estimativas de erros.
Interpolação polinomial
Dados os pontos (x0,f(x0)), (x1,f(x1)),….,(xn,f(xn)), portanto (n+1) pontos, o problema da interpolação poli-
nomial é aproximar a função f(x) por um polinômio Pn (x) de grau menor ou igual a n tal que:
f(xi) = Pn (xi) para i = 0, 1, 2, 3,…,n
FIQUE DE OLHO
Surgem agora mais perguntas: como saber se existe o polinômio Pn(x) tal que satisfaça a
condição f (xi) = Pn (xi) Caso exista, ele é único? Estas perguntas são respondidas pelo
Teorema a seguir.
Teorema
Seja f(x) definida em x0, x1, x2, ..., xn, (n+1) pontos distintos de um intervalo [a,b]. Então existe um único
polinômio Pn (x) de grau menor ou igual a n tal que
CÁLCULO NUMÉRICO
Pn (xi ) = f(xi), para i = 0, 1, 3,…,n

Prova:
Da álgebra linear, sabemos que o conjunto de polinômios de grau ≤ n sobre o corpo dos números reais é
um espaço vetorial. Considerando a base canônica deste espaço vetorial, um polinômio de grau ≤ n pode
ser representado por:
Pn (x) = an xn+an-1 xn-1+an-2 xn-2+ ... +a2 x2+a1 x1+a0 (1.2)
Assim, o polinômio Pn(x) fica determinado se conhecermos os coeficientes a0, a1, a2, …, an. Observe que o
polinômio Pn(x) é, no máximo, de grau n se an≠0.
Da condição Pn(xi) = f(xi) = yi, para i = 0,1,3,…,n, e da equação (1.2) obtemos o sistema linear:
a0 + a1 x0 + a2 x20 +…+ a n x0n = f ( x0 )
a0 + a1 x1 + a2 x12 +…+ a n x1n = f ( x1 )

a0 + a1 x n + a2 x2n +…+ a n x nn = f ( x n ) (1.3)
Com n+1 equações e n+1 incógnitas (as incógnitas são a0, a1, a2, …, an).
O sistema de equações dado em (1.3) pode ser representado na forma matricial
1 x0 x20 x30 … x0n   a0   f ( x0 ) 
    
1 x1 x12 x31 … x1n   a1  f ( x1 ) 
  =
           
   
1 x n x2n x3n … x nn  a n   f ( x n )

ou AX=B, 29
onde:
 1 x0 x20 x30 … x0n   a0   f ( x0 ) 
     
 1 x x x … x1   1  e B =  f ( x1 ) 
2 3 n a
A= 1 1 1  , X =
 ..   .. 
 ………………….     
1 x x x … x 
2 3 n a n   f ( x n )
 n n n n
A matriz A é chamada matriz de Vandermonde. Portanto, desde que os pontos x0 , x1 , x2 , ..., xn sejam distin-
tos, o determinante da matriz A será diferente de zero, o que significa que a matriz A possui inversa. Logo,
o sistema AX=B possui solução única dada por:
X=A-1 B (1.4)
Assim, os coeficientes a0, a1, a2, …, an do polinômio Pn(x) são únicos e são calculados pela equação (1.4).
Em resumo, o polinômio Pn(x) existe e é único.
FIQUE DE OLHO
Até agora, vimos que dado um conjunto de pontos existe um único polinômio Pn (x) de grau ≤
n que interpola f(x), isto é, Pn(xi) = f(xi ) = yi, para i=0,1,2,…,n. Este polinômio pode ser obtido de
várias formas matemáticas. Mostraremos agora como deduzir três dessas formas: forma Padrão,
Lagrange e Newton.
Observação:
1. O polinômio da equação (1.2) é chamado polinômio interpolador.

2. Dado um conjunto de pontos (n+1) pontos, devemos encontrar o polinômio interpolador com grau
≤ n. Isto significa que o grau do polinômio sempre será a quantidade de pontos menos um.
3. Sabe-se que o polinômio interpolador é único, mas existem três formas de representá-lo. A pergunta
natural é: qual usar ou como saber qual é o mais eficiente?
CÁLCULO NUMÉRICO
Forma padrão do polinômio interpolador
A forma padrão do polinômio interpolador é dada pela resolução do sistema (1.3).
a0 + a1 x0 + a2 x20 +…+ a n x0n = f ( x0 )

a0 + a1 x1 + a2 x12 +…+ a n x1n = f ( x1 )
    
a0 + a1 x n + a2 x2n +…+ a n x nn = f ( x n )
Pelo que foi visto acima, a solução deste sistema na forma matricial é dada pela equação (1.4):
X=A-1 B
1. Encontre o polinômio interpolador para o conjunto de dados:
{(0.15,0.12),(0.2,0.16),(0.25,0.19),(0.3,0.22)}
O conjunto de dados pode ser expresso na forma:
xi x yi = f(xi)
x0 0.15 0.12
(4 pontos) x1 0.2 0.16
30 x2 0.25 0.19
x3 0.3 0.22
Um polinômio de grau ≤ 3 é da forma:
P3 (x) = a0 + a1 x1+a2 x2+a3 x3;
Se P3 (x) é o polinômio interpolador, deve satisfazer:
P3 ( x0 ) = f ( x0 ) a 0 + a1 ( x 0 ) + a 2 ( x 0 ) + a3 ( x 0 ) = f ( x 0 )
1 2 3
⇔
P3 ( x1 ) = f ( x1 ) a 0 + a1 ( x 1 ) + a 2 ( x 1 ) + a3 ( x 1 ) = f ( x 1 )
1 2 3
⇔
P3 ( x2 ) = f ( x2 ) a 0 + a1 ( x 2 ) + a 2 ( x 2 ) + a3 ( x 2 ) = f ( x 2 )
1 2 3
⇔
P3 ( x3 ) = f ( x3 ) a 0 + a1 ( x 3 ) + a 2 ( x 3 ) + a3 ( x 3 ) = f ( x 3 )
1 2 3
⇔ (1.5)
Substituindo-se os valores das abscissas x0 = 0.15, x1 = 0.2, x2 = 0.25, x3 = 0.3 e f(xi) (ver tabela acima)
no sistema (3.5), obtemos:
a0 + a1 ( 0.15) + a2 ( 0.15) + a3 ( 0.15) = 0.12
1 2 3
a0 + a1 ( 0.2) + a2 ( 0.2) + a3 ( 0.2) = 0.16

1 2 3
a0 + a1 ( 0.25) + a2 ( 0.25) + a3 ( 0.25) = 0.19

1 2 3
a0 + a1 ( 0.3) + a2 ( 0.3) + a3 ( 0.3) = 0.22 (1.6)

1 2 3
A solução deste sistema na forma matricial é dada pela equação (1.4):
X=A-1 B
Onde A é a matriz de Vandermonde
CÁLCULO NUMÉRICO
1 x0 x02 x03  1 0.15 0.025 0.000337

   
1 x1 x12 x13  1 0.20 0.040 0.0080 
A=  ⇒ A=
1 x2 x22 x23  1 0.25 0.0625 0.01562
   
1 x3 x32 x33  1 0.30 0.090 0.0270 
Para computar a inversa de A, podemos usar vários métodos vistos no curso de Álgebra Linear. Por-
tanto, a solução do sistema (1.6) é dada por:
a0   −0.1599
   
a 3.0666 
X =  1 = 
a2   −10 
   
a3  13.7763 
Assim, o polinômio interpolador é:
P3(x) = -0.1599 + 3.0666 x -10x2 + 13.333x3
A figura 1.3 mostra a interpolação para este polinômio:
Figura 1.3: Interpolação de f(x) usando o polinômio P3 (x).
0.24
0.22 y
P3
0.2
0.18
0.16
0.14
31
0.12
0.1
0.08
0.12 0.14 0.16 0.18 0.2 0.22 0.24 0.26 0.28 0.3 0.32
Observando a figura 1.3, podemos afirmar que nos pontos xi o polinômio P3(x) aproxima exatamente
a função yi = f(xi).
Uma dificuldade deste método é que a matriz A de Vandermonde pode ser mal condicionada e pode levar a
um resultado pouco confiável. Além disso, se a matriz A tem dimensão elevada, precisamos realizar muitos
cálculos para computar a solução do sistema (1.3). Por este motivo, este método é pouco usado na prática.
FIQUE DE OLHO
Caro aluno, agora que você viu que é muito laborioso tentar encontrar os coeficientes do polinô-
mio interpolador usando a inversa da matriz de Vandermonde, você deve estar se perguntando:
existem outras formas de uso mais fácil para escrever o polinômio interpolador? Sim, e elas serão
apresentadas a seguir.
Forma de Lagrange
Sejam x0, x1, x2, .., xn, (n+1) pontos distintos e yi = f(xi) para i = 0,1, 2, 3,…,n.
Seja Pn(x) o polinômio de grau ≤ n que interpola y = f(x) nos pontos x0, x1, x2, .., xn. Como Pn(x) tem grau
≤ n, podemos expressá-lo como soma finita de termos Li(x), polinômios que têm como máximo grau n.
Portanto:
Pn ( x ) = y 0L0 ( x ) + y 1L1 ( x ) + y 2L2 ( x ) + .. + y n −1Ln −1 ( x ) + y n Ln ( x ) (1.7)
CÁLCULO NUMÉRICO
O polinômio definido em (1.7) deve satisfazer:

Pn ( x i ) = y i (1.8)
pois é polinômio interpolador de f. Deste modo, substituindo x = xi na equação (1.7), obtemos:
Pn ( x i ) = y 0L0 ( x i ) + y 1L1 ( x i ) + .... + y i Li ( x i ) +…y n −1Ln −1 ( x ) + y n Ln ( x i ) (1.9)
Da equação (1.9), observamos que a forma mais simples de satisfazer a condição dada em (1.8) é impor:
0 se k ≠ i
Lk ( x i ) = 
1 se k = i (1.10)
De fato, substituindo (1.10) na equação (1.9), resulta:

Pn ( x i ) = y 0 0 + y 1 0 + .... + y i Li ( x i ) +…y n −1 0 + y n 0
ou
Pn ( x i ) = y i Li ( x i ) = y i
Portanto, os polinômios Lk (x) que satisfazem a equação (1.10) são definidos da forma:
( x − x0 ) ( x − x1 )…( x − x k −1 ) ( x − x k +1 )…( x − x n ) n (x − x )
Lk ( x ) =
i
=∏
( x k − x0 ) ( x k − x1 )…( x k − x k −1 ) ( x k − x k +1 )…( x k − x n ) i=0 ( x k − x i )
i≠k
Se x = x k , temos Lk ( x k ) = 1, e se x = x i , temos Lk ( x i ) = 0 para i ≠ k .
Em resumo, a fórmula de Lagrange para o polinômio interpolador é dada por:

n
32 Pn ( x ) = ∑yL
k =0
k k (x)
ou
n
( x − xi )
Lk ( x ) = ∏ (x
i =0 k − xi )
i≠k
SAIBA MAIS
Lagrange #mediaviewer/Ficheiro:Lagrange_
http://pt.wikipedia.org/wiki/Joseph-Louis_
Joseph Louis Lagrange (1736 - 1813) foi um matemático, senador,
conde do império e grande oficial da Legião de Honra da Italia.
Aos 16 anos tornou-se professor de matemática na Escola Real de
Artilharia de Turim. Aos 19 anos escreveu a obra Mecânica Analí-
tica sendo a principal de sua carreira matemática. Resolveu vários
problemas da matemática como a oscilação da lua e o teorema do
portrait.jpg
valor médio. Morreu na manhã do dia 10 de Abril de 1813, com

setenta e seis anos.
1
1. Seja f ( x ) = uma função. Usamos os números x0 = 2, x1 = 3 e x2 = 5 para determinar um polinômio
x
interpolador para a função f(x). Use este polinômio para estimar f (3.5).
xi x yi = f(x i) = x1 i
x0 2 0.5
(3 pontos) x1 3 0.333
x2 5 0.2
Procuramos um polinômio de grau menor ou igual a dois, pois o conjunto de dados possui três pontos.
Assim, um polinômio de Lagrange de grau ≤ 2 é da forma
CÁLCULO NUMÉRICO
2
P2 ( x ) = ∑yL
k =0
k k ( x ) = y 0L0 ( x ) + y1L1 ( x ) + y 2L2 ( x )
P2 ( x ) = 0.5L0 ( x ) + 0.333L1 ( x ) + 0.2L2 ( x )
Onde
( x − x1 ) ( x − x2 ) ( x − 3) ( x − 5) x2 − 8x + 15 Observe que para k = 0 o termo (x - x0)

L0 ( x ) = = =
( x 0 − x1 ) ( x 0 − x 2 ) ( 2 − 3 ) ( 2 − 5 ) 3 não aparece no numerador.

L1 ( x ) = = =
( x1 − x 0 ) ( x1 − x 2 ) ( 3 − 2 ) ( 3 − 5 ) −2 não aparece no numerador.

L2 ( x ) = = = não aparece no numerador.
( x 2 − x 0 ) ( x 2 − x1 ) ( 5 − 2) ( 5 − 3) 6
Assim, o polinômio interpolador na forma de Lagrange é:

 x2 − 8x + 15   x2 − 7x + 10   x2 − 5x + 6 
P2 ( x ) = 0.5  + 0.333  + 0.2 
 3   −2   6
     
Agrupando os termos semelhantes, obtemos:
x2 x 31
P2 ( x ) = − +
30 3 30
1
Logo, uma aproximação de f (3.5) = = 0.2857142 é f (3.5) ≈ P2 (3.5) = 0.2750
3.5 33
A figura 1.4 mostra o polinômio interpolador para a função f(x).
Figura 1.4 – Interpolação de “f” usando polinômio P2 (x).
1,5
f(x)= 1
x
1
P2 (x)
0,5
0
0 1 2 3 4 5 6
1
Observando a figura 1.4, vemos que P2(x), polinômio de Lagrange, coincide com a função f ( x ) =
nos pontos x0 = 2, x1 = 3 e x2 = 5. x
2. Considere o exercício resolvido 1 da página 30, onde o conjunto de dados é:
xi x yi = f(xi)
x0 0.15 0.12
(4 pontos) x1 0.2 0.16
x2 0.25 0.19
x3 0.3 0.22
CÁLCULO NUMÉRICO
Os valores dados na tabela acima podem ser interpretados como dados coletados de algum experi-
mento. Neste caso, a função f(x) não é conhecida.
Procuramos um polinômio de Lagrange de grau menor ou igual a três, pois o conjunto de dados possui
quatro pontos. Assim, o polinômio de Lagrange de grau ≤ 3 é da forma:
3
P3 ( x ) = ∑yL
k =0
k k ( x ) = y 0L0 ( x ) + y1L1 ( x ) + y 2L2 ( x ) + y3L3 ( x )
P3 ( x ) = 0.12L0 ( x ) + 0.16 L1 ( x ) + 0.19 L2 ( x ) + 0.22L3 ( x )
Onde:
( x − x1 ) ( x − x 2 ) ( x − x3 ) ( x − 0.2) ( x − 0.25) ( x − 0.3)
L0 ( x ) = = =
( x0 − x1 ) ( x0 − x2 ) ( x0 − x3 ) (1.5 − 0.2) (1.5 − 0.25) (1.5 − 0.3)
4000 3 740
L0 ( x ) = − x + 1000x2 − x + 20
3 3
( x − x 0 ) ( x − x 2 ) ( x − x3 ) ( x − 0.15) ( x − 0.25) ( x − 0.3)

L1 ( x ) = = =
( x1 − x0 ) ( x1 − x2 ) ( x1 − x3 ) (0.2 − 0.15) (0.2 − 0.25) (0.2 − 0.3)
L1 ( x ) = 4000x3 − 2800x2 + 630x − 45
( x − x 0 ) ( x − x1 ) ( x − x3 ) ( x − 0.15) ( x − 0.2) ( x − 0.3)

L2 ( x ) = = =
( x2 − x0 ) ( x2 − x1 ) ( x2 − x3 ) (0.25 − 0.15) (0.25 − 0.2) (0.25 − 0.3)
L2 ( x ) = −4000x3 + 260x2 − 540x + 36
( x − x 0 ) ( x − x1 ) ( x − x 2 ) ( x − 0.15) ( x − 0.2) ( x − 0.25)

34 L3 ( x ) =
( x3 − x 0 ) ( x3 − x1 ) ( x3 − x 2 )
=
(0.3 − 0.15) (0.3 − 0.2) (0.3 − 0.25)
=
4000 3 470
L3 ( x ) = x − 800x2 + − 10
3 3
Assim, o polinômio interpolador na forma de Lagrange é:
 400 3 740 
P3 ( x ) = 0.12 − x + 1000x2 − x + 20 
 3 3 
(
+ 0.16 4000x3 − 2800x2 + 630x − 45 )
+ 0.19 ( −4000x 3
+ 2600x2 − 540x + 36 )
 4000 3 470 
+ 0.22 x − 800x2 + x − 10 
 3 3 
Agrupando termos semelhantes, obtemos:
40 3 46 4
P3 ( x ) = x − 10x2 + x−
3 15 25
Observação:
Como o objetivo é aproximar a função f(x), para valores de x = xp não tabelados usando o polinômio inter-
polador, não precisamos desenvolver os produtos dados por Lk (x). Precisamos apenas substituir o valor
x = xp para obter Pn (xp). Por exemplo, considere o exercício resolvido 1, da página 30. Nele queremos
aproximar f (3.5), então devemos fazer:
P2 (3.5) = 0.5L0 (3.5) + 0.333L1 (3.5) + 0.2L2 (3.5)

ou
(3.5 − 3) (3.5 − 5) (3.5 − 2) (3.5 − 5) (3.5 − 2) (3.5 − 3)
P2 (3.5) = 0.5 + 0.333 + 0.2
( 2 − 3) ( 2 − 5) (3 − 2) (3 − 5) (5 − 2) (5 − 3)
P2 (3.5)=0.2746
CÁLCULO NUMÉRICO
Uma desvantagem deste método é que se um valor interpolado for calculado para um conjunto de n dados
e se esse conjunto de dados for ampliado para incluir o dado adicional (xn+1, f(xn+1)), todos os termos do
polinômio de Lagrange devem ser calculados novamente. Este problema é superado com o método de
Newton, apresentado a seguir.
Forma de Newton
Vamos supor que Pn(x) seja o n-ésimo polinômio de Lagrange que interpola f (x) nos (n+1) pontos distin-
tos x0, x1, x2, ..., xn. Como já visto, o polinômio interpolador quando existe é único, mas pode ter diferentes
representações algébricas, as quais serão úteis em determinadas situações. Assim, o polinômio de Newton
que interpola a função f(x) em x0, x1, x2, ..., xn, (n+1) pontos distintos é dado por:
Pn ( x ) = a0 + a1 ( x − x0 ) + a2 ( x − x0 ) ( x − x1 ) +…+ a n ( x − x0 ) .. ( x − x n −1 ) (1.11)
Para i=0,1,..n., o polinômio definido em (1.11) deve satisfazer:
Pn(xi) = f (xi) (1.12)
pois é polinômio interpolador de f. Se x = x0 da equação (1.11), observamos que todos os termos do lado
direito são nulos, exceto o primeiro termo. Usando (1.12), resulta:
Pn(x0) = a0 = f(x0)
Desta forma, obtemos a0 = f(x0).
Se x = x1, observamos do lado direito da equação (1.11) que somente os dois primeiros termos não se
anulam. Usando (1.12), resulta:
Pn ( x1 ) = a0 + a1 ( x1 − x0 ) = f ( x1 )
Usando a0 = f(x0) e isolando a1 desta última equação, obtemos:
35
f ( x1 ) − f ( x 0 )
a1 = (1.13)
( x1 − x 0 )
Assim, dados dois pontos distintos x0, x1, o polinômio interpolador de Newton será da forma:
 f ( x1 ) − f ( x 0 ) 
P1 ( x ) = f ( x0 )  +   ( x − x0 )
 ( x1 − x0 ) 
FIQUE DE OLHO
Calma, caro aluno, eu concordo com você: é muito trabalhoso continuar com este procedimento
para achar as constantes ai do polinômio de Newton de grau maior do que um. Por isso existe
uma forma mais eficiente de calcular os coeficientes a0, a1, a2, …,an usando o método de diferen-
ças divididas de uma função, o qual será explicado a seguir.
Apresentamos agora a notação de diferença dividida. Seja f(x) uma função tabela em (n+1) pontos distin-
tos: x0, x1, x2, ...,xn.
Defina-se o operador de diferenças divididas por:

f  x0  = f ( x0 ) ( ordem 0)
f  x1  − f  x 0  f ( x1 ) − f ( x 0 )
f  x0 , x1  =     = ( ordem 1)
x1 − x 0 x1 − x 0
f  x1 , x2  − f  x0 , x1 
f  x0 , x1 , x2  =  ( ordem 2)
x2 − x0
f  x1 , x2 , x3  − f  x0 , x1 , x2 
f  x0 , x1 , x2 , x3  =  ( ordem 3)
x3 − x 0
 
f  x1 , x2 , x3 ,…, x n  − f  x0 , x1 , x2 ,…, x n −1 
f  x0 , x1 , x2 ,…, x n  =  ( ordem n )
x n − x0
CÁLCULO NUMÉRICO
Onde f [x0 , x1 , x2 , …, xk ] é a diferença dividida de ordem k da função f(x) sobre os (k+1) pontos distintos
x0, x1, x2, ..., xk.
Portanto, dada uma função f(x) e conhecidos os valores f(x) para (n+1) pontos distintos x0, x1, x2, ..., xn,
podemos construir as seguintes diferenças divididas:
x0 f [x0] = a0
f [x0, x1] = a1
x1 f [x1] f [x0, x1, x2] = a2
f [x1, x2] f [x0, x1, x2, x3] = a
3
x2 f [x2] f [x2, x3, x4]
f [x2, x3] f [x1, x2, x3, x4]
x3 f [x3] f [x4, x5, x6] f [x0, x1, ..., xn] = an
f [x3, x4]
f [xn-3, xn-2, xn-1, xn]
x4 f [x4]
f [xn-2, xn-1, xn]
f [xn-1, xn]
xn f [xn]
Ordem 0 Ordem 1 Ordem 2 Ordem 3 Ordem n
f (x ) − f (x )
Com esta notação, a equação (1.13) pode ser reescrita com a1 = 1 0
= f  x0 , x1  e o polinômio
interpolador de Newton de grau 1 será da forma: ( x1 − x 0 )
36
P1 ( x ) = f  x 0  + f  x0 , x1  ( x − x0 ) (1.14)
Usando as diferenças divididas, o polinômio interpolador de Newton de ordem (n+1) dado na equação
(1.11) é reescrito na forma:
Pn ( x ) = f  x0  + f  x0 , x1  ( x − x0 ) + f  x0 , x1 , x2  ( x − x0 ) ( x − x1 ) +….
+…+ f  x0 , x1 ,.., x n  ( x − x0 ) .. ( x − x n −1 )
Ou n
Pn ( x ) = f  x0  + ∑ f x
k =1
0 , x1 ,.., x k 
 ( x − x0 ) ..( x − xk −1 )
1. Considere o exercício resolvido 1 da página 32, onde o conjunto de dados é:
xi x yi = f(x i) = x1 i
x0 2 0.5
(3 pontos) x1 3 0.333
x2 5 0.2
Procuramos um polinômio de grau menor ou igual a dois, pois o conjunto de dados possui três pontos.
Assim, o polinômio de Newton de grau 2 é da forma:
P2 ( x ) = f  x0  + f  x0 , x1  ( x − x0 ) + f  x0 , x1 , x2  ( x − x0 ) ( x − x1 )
Onde os coeficientes podem ser determinados na forma:
CÁLCULO NUMÉRICO
x0 = 2 f[x0]= 0.5 = a0
f[x0, x1]= 0.333 - 0.5 = - 0.167 = a1
x1 = 3 f[x1]= 0.333 3-2
f[x1, x2]= - 0.1675 +- 20.0665 = 0.0335 = a2
0.2 - 0.333
x2 = 5 f[x2]= 0.2 f[x1, x2]= = - 0.0665
5-3
Com os coeficientes determinados, o polinômio é:
P2 ( x ) = 0.5 − 0.167 ( x − 2) + 0.0335( x − 2) ( x − 3)

ou
67 669 207
P2 ( x ) = x² − x+
2000 2000 200
= 0.2857142 é f (3.5) ≈ P2 (3.5) = 0.2746

1
Logo, uma aproximação de f (3.5) =
3.5
2. Considere a função f ( x ) = ex + cos ( x ) . Use os números x0 = 0, x1 = 0.5, x2 = 1 e x3 = 1.5 para deter-

1.
minar um polinômio interpolador para a função f(x), e use este polinômio para estimar f(0.8).
xi x f ( x=i ) e x + cos ( x)
x0 0 2
(4 pontos) x1 0.5 2.5263
x2 1 3.2585
x3 1.5 4.5524
37
Procuramos um polinômio de grau menor ou igual a três, pois o conjunto de dados possui quatro pon-
tos. Assim, o polinômio de Newton de grau 3 é da forma:
P3 ( x ) = a0 + a1 ( x − x0 ) + a2 ( x − x0 ) ( x − x1 ) + a3 ( x − x0 ) ( x − x1 ) ( x − x2 )
Onde os coeficientes a0, a1, a2 e a3 são determinados usando o método das diferenças divididas. Assim:
xi f(xi)
x0 = 0 2 = a0
1.0526 = a1
x1 = 0.5 2.5263 0.4118 = a2
1.4646 0.4741 = a3
x2 = 1 3,2585 1.1231
2.5878
x3 = 1.5 4.5524
P3 ( x ) = 2 + 1.0526 ( x − 0 ) + 0.4118 ( x − 0 ) ( x − 0.5) + 0.4741 ( x − 0 ) ( x − 0.5) ( x − 1 )
Logo, uma aproximação de f ( 0.8 ) = 2.92224 é f ( 0.8 ) ≈ P3 ( 0.8 ) = 2.9182 .
Observação:
Os pontos de espaçamento entre os pontos x0, x1, x2, ..., xn não precisam ser iguais. É claro que no caso
em que todos os pontos possuem a mesma medida, as contas para computar o polinômio interpolador
diminuem. Para maiores detalhes, ver Leônidas Barroso (1987).
CÁLCULO NUMÉRICO
Estudo do Erro na interpolação
Caro aluno, até agora vimos como um polinômio interpola uma função dada nos (n+1) pontos x0,x1,x2,..,xn.
Porém, para os pontos intermediários, o polinômio interpolador não necessariamente fornece o valor exa-
to para f(x), como mostra a figura 1.5:
Figura 1.5 – Interpretação do erro na interpolação.
P 2(x)
f(x)
E2
Erro
E1
P 1(x)
x
x0 x1
Portanto, o próximo passo será calcular o Erro ou o limitante para o erro envolvido na aproximação. Este
erro é definido por:
38 En ( x ) = f ( x ) − Pn ( x ) para todo x ∈  x0 , x n  (3.15)
Observando a figura 3.5, vemos graficamente que o erro E2 ( x ) = f ( x ) − P2 ( x ) maior superior ao erro
E ( x ) = f ( x ) − P ( x ) para todo x ∈  x0 , x1  .
1 1
FIQUE DE OLHO
O Erro dado na equação (3.15) somente pode ser calculado se a função f(x) é conhecida. Porém,
quando se coletam dados experimentais, esta função não é conhecida. Então, como podemos
calcular o erro neste caso?
O seguinte teorema mostra a expressão exata do erro que se comete quando aproximamos f(x) por Pn(x).
Teorema
Sejam x0, x1, x2, ..., xn, (n+1) pontos distintos no intervalo [x0, xn ].
Seja f(x) com derivadas até ordem (n+1) contínuas para todo x∈[x0, xn].
Seja Pn(x) o polinômio interpolador de f(x) nos pontos x0, x1, x2, ..., xn.
Então, em qualquer ponto x ∈[x0, xn], o erro é dado por:
En ( x ) = f ( x ) − Pn ( x ) = ( x − x0 ) ( x − x1 )…( x − x n )
f(
n +1 )
( ξ( x ))
(1.16)
( n + 1 )!
Onde:
ξ ( x ) ∈ ( x0 , x n )
Prova
Primeiramente, provemos que a equação (1.16) é valida para todos os pontos x = xk com k = 0,1, 2.., n
CÁLCULO NUMÉRICO
De fato, para cada x = xk temos o termo (x - x0 )(x - x1)…(x - xn) = 0 e pela hipótese f(xk ) = Pn(xk ). Logo, es-
colhendo arbitrariamente ξ(xk ) ∈ (x0, xn) temos que o erro En(xk) = 0. Portanto, a equação (1.16) é válida
para os pontos x = xk com k=0,1,2,...,n.
Provemos agora que a equação (1.16) é válida para qualquer ponto x∈[x0, xn], com x≠xk para k=0,1,2,…,n.
Para isto, defina-se uma função auxiliar H(t) determinada por:
( t − x0 ) ( t − x1 )…( t − xn )
H ( t ) = f ( t ) − Pn ( t ) − f ( x ) − Pn ( x ) 
( x − x0 ) ( x − x1 )…( x − x n )
Ou
n
( t − xk )
H ( t ) = f ( t ) − Pn ( t ) − f ( x ) − Pn ( x )  ∏ (x − x
k =0 k)
(1.17)
Observe que a função H depende de uma só variável, t ∈ [x0, xn], isto significa que t pode assumir qualquer
valor no intervalo [x0, xn], inclusive os pontos x0, x1, x2, ..., xn. H está bem definido, pois x ∈ [x0, xn], mas x
não pode assumir os valores x0, x1, x2, ..., xn. É claro que em algum momento t e x podem coincidir.
A função H possui derivadas até ordem (n+1), f(x) possui derivadas até ordem (n+1) por hipóteses e Pn(x)
possui derivadas até ordem (n+1), por ser polinômio.
Afirmamos que H possui (n+2) zeros no intervalo [x0, xn].
De fato, se t = xk, com k = 0,1,2,…,n, podemos dizer que para cada k, t assume os valores x0, x1, x2, …, xn da
equação (1.17). Temos, portanto:
n
( xk − xk )
H ( x k ) = f ( x k ) − Pn ( x k ) − f ( x ) − Pn ( x ) 
(x − x ) ∏
k =0 k 39
n
∏ (x − x
0
H ( x k ) = 0 − f ( x ) − Pn ( x )  =0
k =0 k )
Assim, no caso em que t = xk, com k=0,1,2,...,n, vemos que H(t) possui (n+1) zeros em [x0, xn].
E no caso em que t = x, para x ∈ [x0,xn], mas x não pode assumir os valores x0, x1, x2, ..., xn, da equação
(1.17), temos:
n
( x − xk )
H ( x ) = f ( x ) − Pn ( x ) − f ( x ) − Pn ( x ) 
(x − x ) ∏
k =0 k
H ( x ) = 0 − f ( x ) − Pn ( x )  .1 = 0
Portanto, H possui (n+2) zeros, x, x0, x1, x2, ..., xn, no intervalo [x0, xn] e H possui derivadas até ordem (n+1).
Então, pelo Teorema generalizado de Rolle, existe um número ξx em (x0, xn) para o qual H(n+1) (ξx )=0. Logo,
da equação (1.17) obtemos:
d n +1 
n
( t − xk ) 
0 = H(
n +1 )
( ξx ) = f ( n +1) ( ξx ) − Pn( n +1) ( ξx ) − f ( x ) − Pn ( x )  ∏
 k =0 ( x − x k )  t = ξ x
n +1  
t
Como:
d n +1 
n
( t − xk )  ( n + 1 )!
∏
t n +1  k =0 ( x − x k ) 
= n
t = ξx
∏( x − x
k =0
k ) . E o polinômio Pn(x) tem grau como máximo n, então sua (n+1)-
-ésima derivada é zero, isto é, Pn(n+1)=0. Assim, a última equação pode ser expressa por:
( n + 1 )!
0 = f(
n +1 )
( ξx ) − 0 − f ( x ) − Pn ( x ) n
∏( x − x
k =0
k )
Ou
f(
n +1 )
( ξx )
f ( x ) − Pn ( x ) = ( x − x0 ) ( x − x1 )…( x − x n ) para ξx ∈ ( x0 , x n ) .
( n + 1 )!
CÁLCULO NUMÉRICO
Comentários:
1. Observe que o erro dado pela equação (1.16) está relacionado com a (n+1) derivada da função f(x).
Deste modo, a fim de determinar o erro é necessário primeiro computar a (n+1) derivada da função f.
2. No caso em que Pn(x) é o polinômio de Newton, pode ser provado que o erro também é dado pela
equação (1.16), onde:
f ( ) ( ξx )
n +1
= f  x0 , x1 , x2 ,.., x n , x 
( n + 1 )!
3. A fórmula do erro dada na equação (1.16) tem importância teórica, sendo usada em outras técnicas
como integração numérica. Este tópico será visto posteriormente. .
Limitante para o Erro
Como foi dito anteriormente, a fórmula para o Erro dado na equação (1.16) tem uso limitado na prática,
pois quase nunca é conhecida a função f(x) e o erro não poderia ser calculado usando a equação (1.16). Na
prática, são usadas as seguintes fórmulas. Para maiores detalhes, ver Ruggiero (1998):
Mn + 1
En ( x ) ≤ ( x − x0 ) ( x − x1 )…( x − x n )
( n + 1 )!
Onde
Mn +1 = máx f (
n +1 )
x0 ≤ x ≤ x n
(x)
40 1. Computemos o erro cometido no exercício resolvido 2, da página 37, ao estimar a função f(0.8), onde
f(x)=ex+cos(x) pelo polinômio interpolador P3(x).
Neste caso, a função é conhecida. Podemos, portanto, computar o erro exato:

E3 ( 0.8 ) = f ( 0.8 ) − P3 ( 0.8 ) ≈ 2.92224 − 2.91819 ≈ 0.00405
Vejamos um limitante para o erro:
M3+1
E3 ( 0.8 ) ≤ ( 0.8 − x0 ) ( 0.8 − x1 ) ( 0.8 − x2 ) ( 0.8 − x3 )
( + 1 )!
3
Onde:
M3+1 = máx f ( ) ( x )
4
0≤ x ≤1.5
Como f ( ) ( x ) = ex + cos ( x ) é uma função crescente em módulo no intervalo [0,1.5], segue que:
4
M4 = máx ex + cos ( x ) = 4.55242, para x = 1.5

0≤ x ≤1.5
Assim, temos um limitante para o erro no ponto interpolador x=0.8 dado por:
4.55242
E3 ( 0.8 ) ≤ ( 0.8 − 0 ) ( 0.8 − 0.5) ( 0.8 − 1) ( 0.8 − 1.5) = 0.0063733
24
Realmente:
E3 ( 0.8 ) ≈ 0.00405 ≤ 0.0063733
Estimativa para o erro
Se a função f(x) não é conhecida, mas conhecemos seus valores nos pontos distintos x0, x1, x2, ..., xn, vemos
que não é possível limitar o erro, pois não é possível conhecer Mn+1; porém, construindo a tabela de dife-
renças divididas até ordem (n+1), podemos usar o maior valor (em módulo) dessas diferenças como uma
M
aproximação para n+1 no intervalo [x0, xn]. Para maiores detalhes, ver Ruggiero (1998).
( n + 1 )!
En ( x ) ≤ | ( x − x0 ) ( x − x1 ) ..( x − x n ) | máx diferençasdivididasdeordem ( n + 1 )
CÁLCULO NUMÉRICO
1. Computemos uma estimativa para o erro cometido no exercício resolvido 2, página 37, ao estimar
a função f(0.8) pelo polinômio interpolador P1(x). Devemos usar os valores dados na tabela do
exemplo, supondo que não é conhecida a função f.
Devem ser escolhidos dois pontos de interpolação. Como 0.8 ∈ [0.5,1], temos x0 = 0.5 e x1 = 1.
Assim, o polinômio de Newton de grau 1 é da forma:
P1 ( x ) = a0 + a1 ( x − x0 )
Onde os coeficientes a0 e a2 são determinados usando o método das diferenças divididas. Veja:
x1 f(xi)
0 2
1.0526
x0 = 0,5 2.5263 = a0 0.4118
1.4646 = a1 0.4741
x1 = 1 3,2585 1.1231
2.5878
1.5 4.5524
Ordem 0 0rdem 1 Ordem 2 Ordem 3
P1 ( x ) = 2.5263 + 1.4646 ( x − 0.5)

41
Logo,umaaproximaçãode f ( 0.8 ) é f ( 0.8 ) ≈ P1 ( 0.8 ) = 2.9656.
Uma estimativa do erro é dada por:
E1 0.8 ≤ ( 0.8 − 0.5) ( 0.8 − 1 ) máx diferençasdivididasdeordem (1 + 1 )
E1 ( 0.8 ) ≤ ( 0.8 − 0.5) ( 0.8 − 1 ) 1.1231 = 0.0674
1. A tabela abaixo fornece o número de habitantes do Brasil (em milhões) desde 1872:
x 1872 1890 1900 1920 1940 1950 1960 1970 1980 1991
y 9.9 14.3 17.4 30.6 41.2 51.9 70.2 93.1 119.0 146.2
a) Obtenha uma estimativa para a população brasileira no ano 2010. Analise seu resultado.
b) Em que ano a população brasileira ultrapassou o índice de 100 milhões?

Usar interpolação padrão, forma de Lagrange e forma de Newton.
2. Aproximar ln(3.5) por interpolação linear, onde ln(x) é tabelado abaixo:
x 1 2 3 4
ln(x) 0 0.6931 1.0986 1.3863
Usar interpolação padrão, forma de Lagrange e forma de Newton.

CÁLCULO NUMÉRICO
3. Seja f(x) dada na forma:
x 0.2 0.34 0.4 0.52 0.6 0.72
f (x) 0.16 0.22 0.27 0.29 0.32 0.37
a) Obter f(0.49) usando um polinômio de grau 2.
b) Dar uma estimativa para o erro.
Ajuste de Curvas
UN 01
Caro aluno, na seção anterior vimos que dada uma função f(x) definida para x0, x1,x2, …, xn, (n+1) pon-
tos distintos no intervalo [x0, xn], o problema era encontrar um polinômio de grau no máximo n tal que
Pn(xk) = f(xk) para k=0,1,2,...,n. No entanto, muitos engenheiros e cientistas usam dados experimentais ou
não tabulados de diferentes maneiras, por exemplo: dado um conjunto de dados, é necessário encontrar
algum modelo matemático (equação) que possa reapresentá-los. Nestes casos, os dados poderão conter
erros inerentes e em geral imprevisíveis. Portanto, não é recomendável exigir que Pn(xk) = f (xk). O que se
pode exigir é encontrar uma função ψ(x) que melhor se ajuste aos dados.
Problema de ajuste de curvas, caso discreto

42
{ }
Suponhamos que H = φ1 ( x ) , φ2 ( x ) ,…, φn ( x ) é um conjunto cujos elementos são funções contínuas em
[x0, xn ]. Logo, dado um conjunto de dados (x1,y1),(x2,y2 ), ..., (xn, yn ) o problema de ajuste de curvas con-
siste em procurar uma função ψ(x) da forma:
ψ ( x ) = a1 φ1 ( x ) + a2φ2 ( x ) + .. + a n φn ( x )
que melhor represente o conjunto de dados. Com isso, podemos dizer que a função ψ(x) não deve obri-
gatoriamente fornecer o valor exato em cada ponto, mas representar satisfatoriamente o conjunto como
um todo.
FIQUE DE OLHO
Para solucionar o problema citado acima, você deve primeiramente escolher as funções ϕ1,ϕ2,…,
ϕn. Escolhida as funções, o segundo passo é obter os n coeficientes a1, a2, …, an tais que a função
ψ(x) se aproxime ao máximo dos yi para i=1, ..., n.
Caro aluno, penso que você esteja se perguntando: de que forma eu escolho as funções ϕ1(x), ϕ2(x), …,
ϕn (x)? Vamos entender como isto acontece.
Escolha das funções ϕi(x)
Uma forma de escolher as funções ϕi(x), para i=1,...,n, é observar o gráfico dos pontos (x1, y1), (x2, y2), ...,
(xn, yn). Este gráfico é chamado diagrama de dispersão.
1. Vamos supor que as tabelas abaixo representam os dados de determinados experimentos. Represente
o digrama de dispersão dos dados, e para cada caso escolha as funções ϕi(x).
CÁLCULO NUMÉRICO
a) Tabela 1
x𝑥𝑥 -0.74 -0.6 -0.4 -0.3 0 0.25 0.4 0.5 0.7
𝑦𝑦y 1.2 0.5 0.41 0.52 0 0.2 0.63 0.514 1.25
b) Tabela 2
xx 0 1 2.5 3.5 4.8 5 5.8 6
yy 0.1 1.2 5 3 5.8 4 6.8 5
As figuras 1.6 e 1.7 representam os diagramas de dispersão para cada caso

Figura 1.6 – Diagrama de Dispersão para o caso (a) Figura 1.7 – Diagrama de Dispersão para ocaso (b).
1.4 8
1.2 7
1 6
0.8 5
0.6 4
0.4 3
0.2 2
0 1 43
-0.2 0
-1
-0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 -1 0 1 2 3 4 5 6 7
a) Na figura 1.6, observamos que é suficiente considerar ϕ1(x) = x2, e ϕi(x) = 0, para i = 2, ..., n. Assim
resulta:
ψ(x) = a1 ϕ1(x)
ou
ψ(x) = a1 x2
O passo seguinte é obter a1 tal que a função ψ(x) se aproxime ao máximo dos pontos dados.
b) Na figura 1.7, observamos que é suficiente considerar a equação de uma reta, sabendo que ϕ1
(x)=1, ϕ2 (x) = x e ϕi (x) = 0, para i = 3, ..., n. Assim, resulta:
ψ(x) = a1 ϕ1(x) + a2 ϕ2 (x)

ou
ψ(x)=a1 + a2 x
No passo seguinte, você deve obter a1 e a2 tal que a função ψ(x) se aproxime ao máximo dos pontos
dados.
SAIBA MAIS
Escolhida a função , surge outra pergunta: como escolher as constantes a1, a2, …, an de tal
forma que se possa obter a melhor função ψ(x) que se ajuste aos dados. Assim, por exemplo,
para o caso (a) de todas as parábolas que passam pela origem, devemos encontrar a melhor que
se ajuste ao gráfico de dispersão. E no exemplo (b)?
O processo para obter as constantes a1, a2, …, an que fornecem o melhor ajuste requer a definição do que
vem a ser melhor ajuste. Isto será mostrado a seguir.
CÁLCULO NUMÉRICO
Medição da qualidade de ajuste
Denotemos por comodidade f(xi) = yi, com i = 1, ..., n, a imagem dos pontos x1, x2, …, xn. Existem várias
formas de medir a qualidade de ajuste de uma curva. Por exemplo:
n n
E= ∑ ∑(y
i =1
ri =
i =1
i − ψ ( x i ))
Observe que o erro definido desta forma não é conveniente, como mostra a seguinte figura:
Figura 1.8 – Ajuste de curvas usando somas dos erros.
y(x)
f (x) ψ(x3)
E3 = - E 2
E4 = - E 1
ψ(x4)
ψ(x1)
E1 E2
ψ(x2) X
x1 x2 x3 x4
Observando a figura 1.8, vemos que:

44 4
E= ∑(y
i =1
i − ψ ( x i )) = 0
Porém, isto é falso. Além disso, pode acontecer que o erro seja negativo. Para evitar estes problemas, é
conveniente definir o erro na forma:
n
 y i − ψ ( x i )  ∑
2

E=

i =1 (1.18)
Regressão linear por mínimos quadrados
Dado (x1, y1 ), (x2, y2 ), ..., (xn, yn ) um conjunto de pontos e considerando a função linear ψ(x) = a1 + a2 x,
a regressão linear por mínimos quadrados consiste em determinar os coeficientes a1 e a2 que levem a um
melhor ajuste da função ψ(x) com o conjunto de pontos. O melhor ajuste é definido com o menor valor do
erro dado na equação (1.18). Assim, resulta:
n
E ( a1 , a 2 ) = ∑ y − ( a1 + a2 x i ) 
2
i
i =1
O problema agora é determinar o erro mínimo, para que E(a1, a2) seja mínimo. Do cálculo diferencial, se a
função E possui um ponto mínimo, suas derivadas parciais devem ser nulas, isto é:
∂E ( a1 , a2 )
=0
∂a1
∂E ( a1 , a2 )
=0
∂a2
Calculando as derivadas parciais da função E(a1, a2) e igualando a zero, obtemos:
∂E ( a1 , a2 ) n
∂a1
= −2 ∑( y
i =1
i − a1 − a 2 x i ) = 0
CÁLCULO NUMÉRICO
ou
n n n
∑ ∑
i =1
yi −
i =1
a1 − a 2 ∑x
i =1
i =0
n n
na1 + a2 ∑x = ∑y
i =1
i
i =1
i
e
∂E ( a1 , a2 ) n
∂a2
= −2 ∑( yi =1
i − a1 − a 2 x i ) x i = 0
ou
n n n
∑i =1
y i x i − a1 ∑ i =1
x i − a2 ∑[x ]
i =1
i
2
=0
n n n
a1 ∑
i =1
x i + a2 ∑ i =1
[x i ]2 = ∑y x
i =1
i i
As equações acima formam um sistema, chamado sistema normal, de duas equações com duas incógnitas
a1 e a2, que podem ser escritas na forma:
n n 
na1 + a2 y i x i = y i
i =1 i =1


∑ ∑
n n n


i =1 i =1 i =1
∑
a1 x i + a2 [x i ]2 = y i x i 

∑ ∑
Cuja solução é dada por:

45
2
∑ ∑ y  −  ∑ y x   ∑ x 
n n n n
 x  
i =1 i i =1 i  i =1 i i  i =1 i 
a1 =    
2
∑ x 2 −  ∑ 
n n
n x
i =1 i  i =1 i 

−   
∑ ∑ ∑
n n n
n yx x  y
i =1 i i  i =1 i 
 i =1 i 

a2 = 2
∑ x 2 −  ∑ x 
n n
n
i =1 i  i =1 i 

1. Suponha que a tabela abaixo represente os dados coletados de certo experimento:
𝑥𝑥xi 1 3 5 7 9 10
i
𝑦𝑦yi 1.3 4.2 7 10.1 13.0 15.6
i
Qual é a melhor função que se ajusta a estes dados?
CÁLCULO NUMÉRICO
Primeiramente, devemos fazer o gráfico de dispersão dos dados, mostrado na figura 1.9.
Figura 1.9 – Diagrama de Dispersão.
16
14
12
10
8
6
4
2
0
0 2 4 6 8 10
Observando o gráfico 1.9, vemos que a função procurada é da forma linear
ψ ( x ) = a1 + a 2 x
as constantes a1 e a2 são obtidas pela equação acima. Para isto, formemos a tabela:
xi yi x i2 y ix i
46 1 1.3 1 1.3
3 4.2 9 12.6
5 7 25 35
7 10.1 49 70.7
9 13 81 117
10 15.6 100 156
∑ 35 51.2 265 392.6
Logo:
265(51.2) − 392.6 (35)
a1 = = −0.4740
6 ( 265) − 1225
6 (392.6 ) − 35(51.2
2)
a2 = = 1.5441
6 ( 265) − 1225
Portanto:
ψ(x) = - 0.4740 + 1.5441 x
E o erro é dado por:
n
∑ y − ψ ( x i )  = 0.75
2
E= i
i =1
CÁLCULO NUMÉRICO
O gráfico desta reta e os pontos dados são mostrados na figura 1.10.

Figura 1.10 – Gráfico da função ψ(x) (linha preta) e dos dados yi (pontos azuis).
16
14
12
10
8
6
0 2 4 6 8 10
Observando a figura 1.10, verificamos que a função ψ(x) não passa por todos os pontos, mas de
todas as retas ψ(x) = a1+ a2 x, a que melhor se ajusta aos dados com erro global de 0.75 é a reta
ψ(x) = - 0.4740 + 1.5441 x.
47
1. Dada a função f(x) por meio da tabela:
x -1 0 1 2
f(x) 0 -1 0 7
Ajuste-a por um polinômio, usando o método de mínimos quadrados.
CÁLCULO NUMÉRICO
II ZEROS REAIS DE
FUNÇÕES REAIS E
INTEGRAÇÃO NUMÉRICA
Nesta unidade vamos aprender a encontrar os zeros de funções

reais. A importância deste conhecimento se dá pelo fato de ele
estar presente na maioria das ciências exatas. Seu esforço e dedi-
cação serão de fundamental importância para a compreensão do
tema. Mostraremos a importância da aplicação do cálculo numérico
na solução de integrais definidas.
Objetivos:
• Mostrar algumas aplicações que dificultam a determinação de

zeros de funções;
• Apresentar técnicas e métodos iterativos para resolver o pro-

blema;
• Mostrar, por meio de exemplos, a aplicação dos métodos ite-

rativos.
• Mostrar a importância da integração numérica;
• Mostrar algumas técnicas de integração numérica;
• Mostrar o erro na integração numérica.

II - ZEROS REAIS DE FUNÇÕES REAIS E INTEGRAÇÃO NUMÉRICA
O problema de determinar zeros de funções

UN 02
O problema de
determinar os zeros
de f é equivalente ao
problema de determinar
as raízes da equação
f(x)=0.
Exemplo:
A figura 2.1 representa um circuito elétrico composto por uma fonte de tensão V e duas resistências R1 e
R2. Usando a segunda lei de Kirchhoff, obtemos:
V - V1- V2= 0 ou V - R 1 i - R2 i = 0 (2.1)
Figura 2.1 – Circuito elétrico
R1
I + –
V1
+ 51
V2
V(t)
+ R2
–
–
A equação (2.1) pode ser representada pela equação f(i) = 0, onde f(i) = V - R1 i - R2 i. Para este caso parti-
V
cular, é fácil perceber que i = é um zero de f(i).
R1 + R 2
SAIBA MAIS
mediaviewer/Ficheiro:Gustav_Robert_Kirchhoff.jpg
http://pt.wikipedia.org/wiki/Gustav_Kirchhoff#
Gustav Robert Kirchhoff foi um físico alemão, nascido em Königsberg,

Prússia (atualmente Kaliningrado, Rússia). Filho de Friedrich Kirchhoff
(advogado) e Johanna Henriette. Graduou-se na Universidade de Kö-
nigsberg em 1847, onde participou dos seminários de física-matemá-
tica sob a direção de Franz Ernst Neumann e Friedrich Julius Richelot.
Suas contribuições científicas foram principalmente no campo dos

circuitos elétricos, na espectroscopia, na emissão de radiação dos
corpos negros e na teoria da elasticidade (modelo de placas de Kir-
chhoff–Love).
Em 1845 Kirchhoff formulou as leis dos nós e das malhas na análise de circuitos elétricos (Leis de
Kirchhoff) quando ainda era um estudante.
Morreu no dia 17 de outubro de 1887.
CÁLCULO NUMÉRICO
Exemplo:
As raízes da equação de segundo grau ax2 + bx + c = 0 são facilmente obtidas por meio da fórmula
−b ± b2 − 4ac
x= , a≠0
2a (2.2)
A equação de segundo grau tem diferentes aplicações. Por exemplo, na Física ela pode representar a que-
da livre de um corpo. Na saúde, esta equação nos permite computar o Indice de Massa Corpórea (IMC),
definido por
peso ( Kg )
IMC =
(altura )2
Um indivíduo é considerado obeso quando seu IMC é superior a 30.
SAIBA MAIS
O IMC não pode ser aplicado em crianças. Acesse o site http://www.terra.com.
br/saude/infograficos/imc/ e conheça mais sobre IMC.
Exemplo:
As raízes da equação
x3 + px2 + qx + r = 0 (2.3)
52 podem ser obtidas fazendo a mudança de variável x = z - p. Substituindo-se na equação (2.3), resulta:
3
z3 + az + b = 0 (2.4)
onde
1
(
a = 3q − p2 e b =
3
)
1
27
(
2p3 − 9pq + 27r )
Assim, as raízes da equação (2.4) são dadas por:
A +B A −B A +B A −B
z1 = A + B, z2 = − + −3 , z3 == − − −3
2 2 2 2
onde
−b b2 a3 −b b2 a3
A=3 + + e B=3 − +
2 4 27 2 4 27
Por último, as raízes da equação (2.3) são
p p p
x1 = z1 − ; x2 = z2 − e x3 = z3 −
3 3 3
Exemplo:
A equação de Kepler, usada para determinar órbitas de satélite, é dada por:
M = x − E sen (x)
Supondo que M e E são valores conhecidos, temos o problema para obter a raiz da equação de Kepler.
Neste caso, f(x) = M - x + E sen(x).
CÁLCULO NUMÉRICO
Exemplo:
“Imagine um paraquedista que abre seu paraquedas no instante t=0, da altura h0, ou uma bolinha que par-
te do repouso a uma altura h0 dentro de um tubo cheio de água caindo sob a força da gravidade. Levando
em conta que a queda não é completamente livre, pois o meio oferece resistência ao movimento, quanto
tempo levará a queda do paraquedista ou da bolinha?”
Resolver este problema é igual a obter as raízes da equação h(t) = h0, onde
h ( t ) = A + Bt − Ce−Dt
e A,B,C e D são constantes de dimensões apropriadas. Para maiores detalhes, ver Asano e Colli (2007, p.
90).
Os exemplos citados acima mostram a importância da obtenção dos zeros reais de funções reais ou da
determinação das raízes reais de equações. Nos exemplos citados acima vemos que existem fórmulas para
resolver equações polinomiais de grau 1, 2 e 3. Também é possível determinar as raízes de uma equação
polinomial de quarta ordem. Tal fórmula é devida a Ludovico Ferrari (1522-1569).
A fórmula para calcular as raízes de uma equação polinomial de quinta ordem foi pesquisada durante
séculos. Em 1798, o matemático italiano Paolo Ruffini Comprovou que é possível resolver por radicais
uma equação de 5º grau. Posteriormente, e de forma independente, o matemático norueguês Neils Hen-
rik Abel, em 1824, provou que não existem fórmulas para computar as raízes de polinômios com grau
maior do que cinco. Para estes casos e outros, fica evidente que para computar as raízes de uma equação
é necessário recorrer aos métodos numéricos.
Em alguns casos, por exemplo, de equações polinomiais, suas raízes podem ser reais ou complexas, mas
nós estamos interessados somente no estudo de zeros de funções reais. Graficamente, os zeros reais de
f(x) são representados pelas abscissas dos pontos onde uma curva intercepta o eixo OX, como mostra a
figura 2.1.
53
Figura 2.1 – Zeros reais de uma função real.
f (x)
x1 x2 x3 x4
Na figura 2.1, os pontos x1, x2, x3 e x4 representam os zeros reais da função f(x).
FIQUE DE OLHO
Caro aluno, você deve estar se perguntando se toda equação possui raízes e, em caso afirmativo,
como é possível calculá-las. A resposta para a primeira pergunta é dada pelo teorema abaixo.
CÁLCULO NUMÉRICO
Comentários:
1. O teorema de Bolzano afirma que se f é uma função contínua em determinado intervalo e tem sinal
oposto em seus extremos, f possui ao menos um zero real (pode ter mais).
2. O teorema não fornece nenhum método para achar os zeros de f.
3. O intervalo [a,b] deve ser escolhido de tal forma que satisfaça f (a) . f (b) < 0.
Exemplo::
Figura 2.2 – Gráfico da função f(x).
12
Y
10
54 4
2 f(x)
X
0
-2
-4
-6
-8
-3 -2 -1 0 1 2
FIQUE DE OLHO
Dizer que f preserva o sinal em (a,b) é igual a afirmar que
f ’ (x) > 0 ,∀x ∈ (a,b). Isto significa que a função f é estritamente crescente em (a,b)
ou
f ’ (x) < 0 ,∀x ∈ (a,b). Isto significa que a função f é estritamente decrescente em (a,b).
CÁLCULO NUMÉRICO
 3 
f ′ ( x ) = −1 − 3e− x = −  1 + x 
 e  (2.5)
1
Na equação (2.5), o termo x é estritamente positivo para todo x ∈ [0,3]. Logo, da equação (2.5) temos
que e
 1  f ′ ( x ) < 0 para todo x ∈ ( 0,3)

f ′( x ) = −  1 + x <0 ou (2.6)
 e 
A equação (2.6) implica em que f (x) preserva o sinal no intervalo (0,3). Logo podemos afirmar que a fun-
ção f (x) tem um único zero no intervalo (0,3). A figura 2.3 representa o gráfico de f (x).
10
55
Y
8
2
f(x) X
0
-2
-4
-1 0 1 2 3 4
Observando a figura 2.3, podemos comprovar que a função f (x) tem um único zero no intervalo [0,3].
O passo inicial para computar os zeros de uma função é determinar o intervalo no qual a função tem um
único zero, o que é chamado de isolar o zero da função, ou seja, determinar um intervalo [a,b], o menor
possível, que contenha uma e somente uma raiz da equação f (x) = 0. A seguir, apresentaremos, por meio
de exemplos, dois métodos para isolar raízes.
CÁLCULO NUMÉRICO
x -5 -4 -3 -2 -1 0 1 2 3 4 5
f(x) -79 -27 1 11 9 1 -7 -9 1 29 81
Sinal - - + + + + - - + + +
Exemplo:
Localizar os zeros das funções:
a) f(x) = x3 - 9x + 1.
b) f(x) = √x - 4e-x
Para localizar os zeros destas funções, usaremos o método gráfico, o qual consiste em usar algum progra-
ma (software) que permita esboçar o gráfico de funções. Para isto, é necessário utilizar um dos seguintes
processos:
i) Esboçar o gráfico da função f (x) e localizar as abscissas dos pontos onde o gráfico de f (x) intercepta o
eixo OX;
ii) Em alguns casos, a partir da equação f (x) = 0, é conveniente obter uma equação equivalente g(x) = h(x)
56 e esboçar os gráficos das funções no mesmo eixo cartesiano, para depois localizar os pontos x onde as
duas curvas se interceptam.
Para o item (a), podemos usar o processo descrito em (i) ou (ii). Como o item (i) já foi usado nos exemplos
acima, usaremos o item (ii). Da equação f (x) = 0 ou x3 - 9x + 1 = 0, podemos obter a equação equivalente
x3 = 9x - 1 . Neste caso, temos g(x) = x3 e h(x) = 9x - 1. Assim:
Figura 2.4 – Gráfico das funções g(x) e h(x).
80 Y
60
40
h(x)
20
0 g(x) X
-20
-40
-60
-80
-4 -3 -2 -1 0 1 2 3 4
Observando a figura 2.4, podemos afirmar que em cada um dos intervalos (-4,-3), (0, 1) e (2,3) existe um e
somente um zero da função f(x).
Para o item (b), é mais conveniente usar o processo descrito em (ii): √x - 4e-x = 0 ⟺ √x = 4e-x, então temos
g(x) = √x e h(x) = 4e-x. Assim:
CÁLCULO NUMÉRICO
3,5
h(x)
3
2,5
2
g(x)
1,5
0,5
0
0 0,5 1 1,5 2 1 2,5 3 3,5 4
Observando a figura 2.5, podemos afirmar que no intervalo (1,1.5) existe um e somente um zero da
função f(x).
SAIBA MAIS
Amplie seus conhecimentos consultando o endereço eletrônico que segue:
http://www.ime.usp.br/~asano/LivroNumerico/LivroNumerico.pdf.
57
Métodos iterativos para calcular zeros de funções
Neste item, continuaremos abordando o problema para encontrar os zeros reais de funções reais. Serão
apresentados alguns dos principais métodos numéricos iterativos para obter uma aproximação do zero
de uma função dada. Entre estes métodos iterativos, temos: Método da Bisecção, Método do Ponto Fixo,
Método de Newton e Método da Secante.
Os métodos iterativos são compostos basicamente por:
a) Inicialização: Onde se localiza o intervalo que contém o zero da função ou uma aproximação do ze-
ro da função, dependendo do método numérico a ser aplicado.
b) Atualização: Na atualização, usa-se geralmente uma fórmula para calcular uma nova aproximação.
c) Critério de parada: Como o próprio nome diz, é o módulo que estabelece quando parar um proces-
so iterativo.
Comentários:
1. O item (a) trata da forma de encontrar ou localizar o intervalo [a,b] que contém unicamente um zero
na função. Este tema já foi abordado.
2. O item (b) caracteriza as diferentes formas usadas em um método iterativo para calcular uma nova
iteração.
3. Os métodos iterativos usados para aproximar a raiz exata da equação f (x)=0 podem ser colocados em
um diagrama de fluxo:
CÁLCULO NUMÉRICO
início
dados iniciais
cálculos iniciais
N=1
cálcular a nova
aproximação
Sim cálculos
aproximação suficientemente Fim
próximo do zero exato finais
cálculos
intermediários
N=N+1
Segundo o diagrama de fluxo acima, todos os métodos iterativos devem fazer um teste de parada, dado
58 pela pergunta:
A aproximação no instante n está suficientemente próxima do zero exato da função f(x)?
FIQUE DE OLHO
Seguramente você deve estar se perguntando: “que importância há em dois números (neste
caso, os valores exato e aproximado) estarem suficientemente próximos? Para isto, é preciso
entender o significado de raiz próxima.
Existem duas interpretações para raízes próximas, as quais nem sempre levam ao mesmo resultado:
Seja p raiz ou o zero exato da função f (x). Dizemos que xn é a raiz aproximada na iteração n com precisão ε se:
i) |p-xn | < ε ou
ii) |f(xn)|<ε
Os itens (i) e (ii) são considerados testes de parada.
Assim, a equação
en= |p - xn | (2.7)
define o erro em xn na n-enésima iteração de um método iterativo. Na prática, este erro não pode ser co-
nhecido, pois p, zero exato, não é conhecido. Pelo mesmo argumento, o critério de parada dado no item (i)
não pode ser aplicado.
Uma forma de solucionar este problema é reduzir o intervalo que contém a raiz (ou zero) a cada iteração.
Se obtivermos um intervalo [xk, xk+1] de tamanho menor que ε contendo p, qualquer ponto neste intervalo
pode ser tomado como raiz (ou zero) aproximada. Na prática, é usado um dos seguintes critérios como
teste de parada:
iii) x n − x n −1 < ε
x n − x n −1
iv) <ε
xn
v) f ( x n ) < ε
CÁLCULO NUMÉRICO
Observação:
Existem casos em que a condição do critério (iii) é satisfeita sem que ele ocorra com o critério (v). Para
maiores detalhes, ver Ruggiero (1998).
Caro aluno, a seguir serão apresentados os métodos iterativos para se obter uma aproximação dos zeros
reais de funções.
Método da bisseção
59
a0 + b0 f ( a0 ) f ( x0 ) < 0 ⇒ Novo intervalo a1 , b1  = a0 , x0 

x0 = verificar 
f ( x0 ) f ( b0 ) < 0 ⇒ Novo intervalo a1 , b1  =  x0 , b0 
2
Segunda iteração:
Considere o intervalo inicial [a1, b1 ].
a1 + b1 f ( a1 ) f ( x0 ) < 0 ⇒ Novo intervalo a2 , b2  = a1 , x1 

x1 = verificar 
f ( x1 ) f ( b1 ) < 0 ⇒ Novo intervalo a2 , b2  =  x1 , b1 
2
x − x0
Se for satisfeita a relação 1 < ε deve-se parar. Caso contrário, deve-se continuar com as iterações
x1
até atingir a tolerância desejada.
Uma interpretação gráfica deste método é dada pela figura 2.6

Figura 2.6 – Método da Bissecção.
Y
f(x)
a p x0 b
0 X
CÁLCULO NUMÉRICO
Convergência:
Vamos supor que [a0, b0] seja o intervalo inicial e que a raiz p seja única no interior deste intervalo. O mé-
todo da bissecção gera três sequências:
lim a n = r .
n →∞
lim bn = s .
n →∞
a n + bn
c) A sequência x n = , n = 0, 1, ... é tal que an ≤ xn ≤bn.
2
A amplitude de cada intervalo é a metade da amplitude do intervalo anterior. Assim, por indução temos:
1 1
(bn − a n ) = (bn −1 − a n −1 ) = … = n (b0 − a0 )
2 2
lim (bn − a n ) = 0, portanto, p = lim a n = lim bn = s

n →∞ n →∞ n →∞
Além disso, do item (c) temos que

lim x n = p.
n →∞
Agora, resta provar que p é o zero da função f (x), ou seja, f (p) = 0. Observe que em cada iteração n temos
f (an) . f (bn) < 0. Logo:
60 ( )( )
0 ≥ lim f ( a n ) .f ( bn )  = lim f ( a n ) . lim f ( bn ) = f lim a n f lim bn = [f ( p )]2
n →∞ n →∞ n →∞ n →∞ n →∞
Portanto, lim x n = p .
n →∞
Estimativa do número de iterações:
Dado uma precisão ε e um intervalo inicial [a,b], é possível saber, a priori, quantas iterações serão efetu-
adas pelo método da bissecção. Isto é dado pelo teorema mostrado abaixo.
Teorema:
Seja f : R→R uma função continua no intervalo [a,b] e f (a) . f (b) < 0. O método da bissecção gera uma se-
quência xn para n ≥ 0, que se aproxima de um zero p de f com ordem de convergência dada por
b−a (2.8)
p − xn ≤ , para n ≥ 0
2n
A prova deste teorema pode ser encontrada em Richard Burden (2008).
Logo, se queremos garantir |p - xn | < ε basta impor na equação (2.8)
b−a
<ε
2n
b−a
⇒ 2n >
ε
⇒ n.log ( 2) > log ( b − a ) − log ( ε )
(2.9)
log ( b − a ) − log ( ε )
⇒ n>
log ( 2)
A equação (2.9) fornece um limitante para o número de iterações. Em muitos casos, este limitante é muito
superior ao número realmente necessário.
CÁLCULO NUMÉRICO
1. Aproximar o zero real da função f(x) = x3 + 4x2 - 10.
Usaremos o método gráfico para isolar o zero real de f (x)

250
Y
200
150
f(x)
100
50
0
X
-54
-1 0 1 2 3 4 5
Na figura 2.7, obtemos o intervalo [1,2] que contém o único p, zero real da função f (x). Observe que
f (1) . f (2) < 0. Vamos supor que desejamos saber o número de iterações necessárias para resolver
f (x) = 0 com precisão 10-3, utilizando a = 1 e b = 2. Da equação (2.9), temos
n>
(
log ( 2 − 1 ) − log 10−3 )= 3
≅ 9, 96 61
log ( 2) log ( 2)
Portanto, dez iterações deveriam ser necessárias para obter uma aproximação do zero exato p com
precisão 10-3.
As iterações são realizadas da seguinte forma:
Primeira iteração:
Considere o intervalo inicial [a0, b0]=[1,2], onde f (1) f (2) < 0, pois
f (1 ) = (1 ) + 4 (1 ) − 10 = −5 ⇒ f ( a0 ) = f (1 ) < 0 e
3 2
f ( 2) = ( 2) + 4 ( 2) − 10 = 14 ⇒ f ( b0 ) = f ( 2) > 0
3 2
a0+ b 1+2 3 3

x0 = =
(1) <= 02 e e f ( x0 ) = f  2  = 2.375 > 0
0
1 ) − 10 = −5 ⇒ f 2( a0 ) = f 2
2
2) − 10 = 14resulta
⇒ f (fb(0a0) = ) ff((x20))><00 ⇒ Novo intervalo a1 , b1  = a0 , x0  = 1, 32 
2
+2 3
( x0 ) = f  iteração:
3
= e fSegunda  = 2.375 > 0
2 2 2
x0 ) < 0 ⇒Considere = 1, 2  , onde f (1) f ( 32 ) < 0, pois
 = a[a01, x, b0 1]=
3
a1 , binicial
o intervalo
Novo intervalo 1  
f (1 ) = (1 ) + 4 (1 ) − 10 = −5 ⇒ f ( a1 ) = f (1) < 0 e
3 2
3 2
3 3 3 3
f   =   + 4   − 10 = 2.375 ⇒ f ( b1 ) = f   > 0
2 2 2 2
3
a1 + b 1+
x1 = 1
= 2 = 5 e f ( x ) = f  5  = −1.7968 < 0
1 4
2 2 4  
5 3
resulta f ( x1 ) f ( b1 ) < 0 ⇒ Novo intervalo
o a2 , b2  =  x1 , b1  =  , 
 4 2
CÁLCULO NUMÉRICO
Como
5 3
x1 − x 0 −
1
| | = 4 2 = = 0.2 > 10−3 = ε
x1 5 5
4
x n − x n −1
Deve-se continuar com as iterações até atingir < 10−3 . Outras iterações são mostradas na
tabela 2.1. xn
Tabela 2.1 – Iterações da função f.
Número an bn xn
de
iterações
1 1 2 1.5
2 1 1.5 1.25
3 1.25 1.5 1.375
4 1.25 1.375 1.3125
5 1.3125 1,375 1.34375
6 1,3437 1,375 1.359375
7 1,35937 1,375 1.3671875
8 1,35937 1,36718 1.36328125
9 1,36328 1,36718 1.365234375
62 10 1.36328 1.36252 1.364257813
Segundo a teoria, eram necessárias 10 iterações para atingir a tolerância 10-3, mas a tabela 2.1 mostra
que na décima iteração o valor x10 = 1.364257813 corresponde à precisão de 10-4, pois
x10 − x 9 1.364257813 − 1.365234375

= = 0.00071581924
x10 1.364257813
Portanto, temos:
x10 − x 9
< 10−4
x10
Isto não está errado, pois a análise do erro fornece um limitante para o número de iterações, o qual é
muito superior ao número realmente necessário.
Observações finais:

1. Se a raiz pertence ao intervalo [a,b], o método sempre converge para uma resposta desejada;

2. As iterações não envolvem cálculos laboriosos;

3. No caso em que a amplitude do intervalo inicial seja bem superior à tolerância desejada, a conver-
gência é muito lenta em comparação com outros métodos. Portanto, este método é usado para obter
dados iniciais de outro método de convergência mais rápida;

4. Este método não precisa de ponto de inicialização;

5. Existem variações deste método, como o Método das Cordas, o Método de Pégaso, entre outros. Para
maiores detalhes, ver Leonidas et. al (1987).
CÁLCULO NUMÉRICO
Método do ponto fixo
Considere a função f :[0,10]→R, definida por f (x) = x. Neste caso, a função f possui um zero real p = 0. Ob-
serve que não é possível aproximar p, zero real, usando o método da bissecção, pois não se verifica a con-
dição f (a) f (b) < 0. Para solucionar este problema, é necessário aplicar outros métodos iterativos, dentre
os quais temos o método do ponto fixo.
FIQUE DE OLHO
Caro aluno, você deve estar se perguntando: “o que é um ponto fixo de uma função?”. A seguin-
te definição responde a esta pergunta.
x n +1 = ϕ ( x n )
63
Figura 2.8 – Método de iteração do ponto fixo.
y=x
solução
f(x) y=j(x)
p x
A determinação da raiz aproximada em p é baseada na sequência de soluções aproximadas, geradas por

meio da equação (2.10).
O processo para obter p começa com a escolha do ponto x1 no eixo OX e o traço de uma reta vertical que
intercepta a curva y=φ(x) no ponto x2 = φ(x1 ). Logo, uma reta horizontal é traçada a partir do ponto (x1,
φ(x1 ) ) = (x1, x2) em direção à reta y = x. O ponto de intercepção fornece a localização do ponto x2 no
eixo OX e o processo volta a se repetir. Quando o método funciona, os valores de x obtidos por meio do
processo iterativo xn+1 = φ(xn) geram uma sequência convergente na direção da solução procurada, como
mostra a figura 2.9.
CÁLCULO NUMÉRICO
Figura 2.9 – Convergência do método do ponto fixo

Y
y=j(x)
y=x
solução j(x1)
j(x2)
j(x3)
p x3 x2 x1 X
Dependendo da escolha da função φ, é possível que as iterações não convirjam para o ponto fixo, mas, ao
contrário, divirjam, como mostra a figura 2.10.
Figura 2.10 – Divergência do método do ponto fixo.
y j(x4) y=x
j(x2)
solução
j(x1)
64 j(x3)
y=j(x)
x4 x2 p x 1 x3 x
Exemplo:
Considerando a função f (x) = x2 + x - 12. Tentar encontrar a raiz da equação f (x) = 0 é o mesmo que
tentar encontrar a solução do ponto fixo x = φ(x), onde φ é chamada função iteração. Para a equação
f (x) = x 2+x - 12 = 0, temos várias funções de iteração, dentre as quais:

a) x2 + x - 12 = 0 ⇒ x = x2 + 2x - 12 ⇒ φ1 (x) = x2 + 2x - 12
O processo iterativo correspondente é x n +1 = ϕ1 ( x n ) = ( x n ) + 2( x n ) − 12

2
b) xx2 12 == 00 ⇒ x =  12 − x , para 12 − x ≥ 0 ⇒ ϕ2 ( x ) =  12 − x
2 ++ xx -- 12
O processo iterativo correspondente é x n +1 = ϕ2 ( x n ) =  12 − ( x n )
12 12
c) x2 + x − 12 = 0 ⇒ x = − 1, para x ≠ 0 ⇒ ϕ3 ( x ) = −1
x x
12
O processo iterativo correspondente é x n +1 = ϕ3 ( x ) = −1
xn
12 12
d) x2 + x − 12 = 0 ⇒ x = , para ( x + 1 ) ≠ 0 ⇒ ϕ4 ( x ) =
x +1 x +1
12
O processo iterativo correspondente é x n +1 = ϕ4 ( x n ) =
xn + 1
e) x2 + x − 12 = 0 ⇒ x = 12 − x2 , ⇒ ϕ5 ( x ) = 12 − x2
CÁLCULO NUMÉRICO
O processo iterativo correspondente é x n +1 = ϕ5 ( x n ) = 12 − ( x n )2
A forma geral das funções de iteração φ(x) é
φ (x) = x + h(x) f(x).

Onde h(x) é uma função contínua e se p é ponto fixo de φ(x), então h(p)≠0.
Mostremos que f(p) = 0 se, e somente se, p = φ(p).
* Provemos que se f(p) = 0, então p = φ(p).

De fato, por definição temos φ(x) = x + h(x) f(x). Logo, fazendo x = p obtemos
φ(p) = p + h(p) f(p)
usando a hipótese f(p) = 0 na última equação, resulta φ(p)=p.
* Provemos agora que se p=φ(p), então f(p)=0

Por definição, temos φ(x) = x + h(x) f(x). Logo, fazendo x = p obtemos φ(p) = p + h(p) f(p), por hipóteses
φ(p) = p, p é ponto fixo de φ

ou
p + h(p) f(p) = p ⇒ f(p) = 0, pois o número h(p)≠0.
Exemplo:
Considere a equação f(x)= x2 + x -12=0. Embora não seja necessário usar método numérico para encon-
trar as duas raízes reais x = -4 e x = 3 da equação x2 - 4x + 3 = 0, vamos usar duas funções de iteração para 65
demonstrar numericamente e graficamente a convergência ou não do processo iterativo. Considere pri-
meiramente a raiz p = 3 e φ5 (x) = 12 - x2. E partindo de uma aproximação inicial x0 = 2.5, temos
x0 = 2.5
x1 = φ5 (x0) = 12 - (2.5)2 = 5.75
x2 = φ5 (x1) = 12 - (5.75)2 = -21.0625
x3 = φ5 (x2) = 12 - (-21.0625)2 = -431.6289

... ......
Vemos que o processo parece divergir (não convergir) da raiz p = 3, como ilustra a figura 2.11.
Figura 2.11 – Gráfico da divergência usando a função φ5(x) = 12 - x2.
Y
y=x
j5(x)
0 -8 -6 -4 -2 0 2 4 6 8 10
CÁLCULO NUMÉRICO
Considere agora a raiz p=3 e a função de iteração dada por ϕ2 ( x ) = 12 − x. Partindo novamente da apro-
ximação inicial x0 = 2.5, temos
x0 = 2.5
x1 = ϕ2 ( x0 ) = 12 − 2.5 = 3.0822
x2 = ϕ2 ( x1 ) = 12 − 3.0822 = 2.9863
x3 = ϕ2 ( x2 ) = 12 − 2.9863 = 3.002
x 4 = ϕ2 ( x3 ) = 12 − 3.0023 = 2.9996
Vemos que o processo iterativo parece convergir para a raiz p = 3, o que é ilustrado na figura 2.12.
Figura 2.12 – Gráfico da convergência usando a função j2 (=

x) 12 − x
Y=x
4.5
3.5 j2 ( x )
2.5
66 2
1.5
1
1 1.5 2 2.5 3 3.5 4 4.5 5
Como foi dito anteriormente, dependendo da escolha apropriada da função de iteração, pode-se obter uma
sequência que convirja para alguma raiz. Na verdade, é possível determinar a priori se as iterações conver-
gem ou divergem de certa função φ, o que é fornecido pelo teorema abaixo.
Teorema do Ponto Fixo
Seja p ∈ [a,b] uma raiz da equação f (x) = 0.

Seja φ(x) uma função de iteração para a equação f (x) = 0.
Se
i) φ(x) e φ’(x) são contínuas em [a,b].
ii) |φ’ (x)| ≤ k < 1 , para todo x ∈ (a,b) e
iii) x0 ∈ [a,b]
então a sequência x0 gerada pelo processo iterativo Xn+1 = φ (Xn) converge para p.
Aprova deste teorema pode ser encontrada em Riggiero 1998.
CÁLCULO NUMÉRICO
ϕ2 ( x ) = 12 − x
−1
ϕ'2 ( x ) =
2 12 − x
−1 47
φ' ( x ) < 1 ⇔ <1 ⇔ x < = 11.75
2 12 − x 4
ϕ'5 ( x ) < 1 ⇔ 2 x < 1
⇔− 2 < x <
1 1
2
67
Critério de parada
O critério de parada usado no método do ponto fixo é o mesmo usado no método da bissecção.
Comentários:
Existem muitos métodos numéricos derivados do método do ponto fixo, um deles é o de Wegstein. Este
método procura acelerar a convergência do método do ponto fixo. Outro é o de Relaxação que procura o
parâmetro certo para acelerar a convergência do método de Wegstein. Temos ainda os métodos: de Aitken,
de Steffensen, de Newton, entre outros.
CÁLCULO NUMÉRICO
Método de Newton
O método de Newton é uma das técnicas mais usadas para aproximar a raiz da equação f(x) = 0. Existem
várias formas de apresentar este método: uma delas é usando o método do ponto fixo, outra é usando os
polinômios de Taylor. Trataremos agora desta primeira forma.
Foi visto no método do ponto fixo que se p é raiz isolada da equação f(x) = 0 no intervalo [a, b], o problema
de determinar a raiz da equação f(x) = 0 é equivalente a determinar o ponto fixo da função x = φ(x), onde
φ é chamada de função de iteração. De forma geral, a função de iteração é dada por φ(x) = x + h(x) f(x). Se
φ(x) e φ'(x) são funções contínuas no intervalo [a,b] e |φ'(x)| < 1, sabemos que a função de iteração gera
uma sequência convergente para p.
Logo, o método de Newton consiste em determinar a função h(x) tal que φ'(p) = 0. Neste caso, para x pró-
ximo de p teríamos φ'(x) ≅ 0 e, portanto, |φ' (x)| < 1, requisito necessário para garantir a convergência do
ponto fixo.
Procurando a função h(x) de

φ(x) = x + h(x) f(x)
derivando para ambos os lados a equação acima, temos:
φ’(x) = 1 + h’(x) f(x) + h(x) f’(x)
68 de onde resulta:
φ’(p) = 1 + h’(p) f(p) + h(p) f’ (p) = 1 + h(p) f’(p)
pois p é zero de f e estamos supondo que f’(p) ≠ 0. Como desejamos que φ’(p)=0, da última equação ob-
temos:
1
1 + h ( p) f ′( p) = 0 ⇒ h ( p) = −
f ′( p)
condição satisfeita se:

1
h(x) = −
f (x)
′
para x próximos de p. Da definição de h(x), resulta que f’(x) ≠ 0 para x próximos de p e que as funções f, f’
e f’’ sejam contínuas. Portanto, no método de Newton a função de iteração dada por:
f (x)
ϕ( x ) = x −
f ′( x )
satisfaz
φ’(p) = 0
de fato
f ′ ( x )  − f ( x ) f ′′ ( x ) f ( x ) f ′′ ( x )
2
ϕ′ ( x ) = 1 −  =
f ′ ( x )   f ′ ( x ) 
2 2
CÁLCULO NUMÉRICO
e, como f(p) = 0, vemos que φ'(p) = 0.
Assim, escolhendo x0, o processo iterativo do método de Newton é dado por
f ( xn )
x n +1 = x n −
f ′( xn )
Uma interpretação gráfica do método de Newton é mostrada na figura 2.12.
Figura 2.12 – Método de Newton.
Y
f (x0)
f (x1)
f (x2)
OX
p x2 x1 x0
y = f (x) 69
O método de Newton começa com a escolha do ponto x0 como primeira estimativa de p, solução da equa-
ção f(x) = 0. A segunda estimativa, x1, é obtida da interseção do eixo OX com a reta tangente ao gráfico de
f(x) no ponto (x0 , f(x0)). Matematicamente, a inclinação f'(x0) da tangente no ponto (x0 , f(x0)) é dada por
f ( x0 ) − 0
f ′ ( x0 ) =
x 0 − x1
isolando x1, obtemos:
f ( x0 )
x1 = x 0 −
f ′ ( x0 )
A terceira estimativa, x2, é obtida da interseção do eixo OX com a reta tangente ao gráfico de f(x) no ponto
(x1 , f(x1 )). Matematicamente, a inclinação f'(x1 ) da tangente no ponto (x1 , f(x1 )) é dada por:
f ( x1 ) − 0
f ′ ( x1 ) =
x1 − x 2
Isolando x2, obtemos:
f ( x1 )
x 2 = x1 −
f ′ ( x1 )
Generalizando este procedimento, obtemos a estimativa para xn+1, dada por
f ( xn )
x n +1 = x n −
f ′( xn )
O método de Newton também é conhecido como método das tangentes. A convergência do método New-
ton é dada pelo seguinte teorema:
CÁLCULO NUMÉRICO
Teorema (Convergência do método de Newton)
Sejam f, f' e f'' contínuas no intervalo [a,b] que contém a raiz p da equação f(x) = 0. Suponha que f' (p) ≠ 0.
Então existe um δ > 0 tal que o método de Newton gera uma sequência xn, para n = 0,1…, que converge
para p para qualquer aproximação inicial x0 ∈ [p - δ, p + δ].
A demonstração deste teorema pode ser encontrada em Burden (2008).
Critério de parada:
O critério de parada utilizado no método de Newton é o mesmo usado no método do ponto fixo.
Observação:
Uma das desvantagens de usar o método Newton é a necessidade de conhecer f’ (xn ), valor da derivada,
em cada iteração. Na maioria das vezes, isto pode ser muito complicado. Para contornar este problema,
deve-se substituir a derivada f ’ (xn ) pelo quociente das diferenças, por definição:
f ( x ) − f ( xn )
f ′ ( x n ) = lim
x →xn x − xn
Tomando x = xn-1, temos:
f ( x n −1 ) − f ( x n ) f ( x n ) − f ( x n −1 )
f ′( xn ) ≅ =
x n −1 − x n x n − x n −1
Onde xn e xn-1 são duas aproximações para p. Usando esta aproximação na fórmula recursiva de Newton,
70 temos:
f ( x n ) ( x n − x n −1 )
x n +1 = x n −
f ( x n ) − f ( x n −1 )
Ou
x n −1 f ( x n ) − x n f ( x n −1 )
x n +1 =
f ( x n ) − f ( x n −1 )
Esta técnica é chamada de método da secante.
Exemplo:
No exemplo acima, procuramos aproximações da solução real de f(x) = x3 + 4x2 - 10 = 0, com precisão 10-3.
Para este exemplo, usaremos o método de Newton a fim de obter as soluções aproximadas.
Do exemplo acima temos que p, solução exata de f (x) = 0, pertence ao intervalo [1,2]. Para este intervalo,
as funções f (x), f’ (x) = 3x2 + 8x e f’’(x) = 6x + 8 são contínuas e f’(p)≠0. Assim, as condições do teorema de
convergência do método de Newton são satisfeitas e o método de Newton gera uma sequência xn, para n =
0,1,2,…, que converge para p. Esta sequência é obtida da seguinte forma:
f ( xn )
x n +1 = x n −
f ′( xn )
Considerando x0 = 1.2, temos:
x0 = 1.2
f ( x0 ) ( x0 )3 + 4(x0 )2 − 10 (1.2)3 + 4 (1.2)2 − 10
x1 = x 0 − = x0 − = 1.2 − = 1.3804
f ′ ( x0 ) 3( x0 ) + 8 ( x0 )
2
3(1.2) + 8 (1.2)
2
f ( x1 ) (1.3804 )3 + 4 (1.3804 )2 − 10
x 2 = x1 − = 1.3804 − = 1.36534246
f ′ ( x1 ) 3(1.3804 ) + 8 (1.3804 )
2
f ( x2 ) (1.36534 )3 + 4 (1.36534 )2 − 10
x3 = x 2 − = 1.36534 − = 1.36523001
f ′ ( x2 ) 3(1.36534 ) + 8 (1.36534 )
2
CÁLCULO NUMÉRICO
Verificando o critério de parada:
x3 − x 2 1.3652300196 − 1.3653424684
= = 0.00008236
x3 1.3652300196
portanto:
x3 − x 2
< 10−5
x3
Observe que o método de Newton converge mais rapidamente do que o Método da Bissecção. Para atingir
a tolerância desejada, foi necessário fazer somente três iterações.
Para solucionar o problema acima usando o método da secante, será necessário ter duas condições ini-
ciais, considere neste caso x0 = 1.2 e x1 = 1.8. A sequência xn, para n = 1,2,..., é obtida de
x n −1 f ( x n ) − x n f ( x n −1 )
x n +1 =
f ( x n ) − f ( x n −1 )
=x0 1=
.2 e x1 1.8
x2 =
x 0 f ( x1 ) − x1 f ( x 0 )
=
( ) (
x0 x13 + 4x12 − 10 − x1 x03 + 4x02 − 10 )=
f ( x1 ) − f ( x 0 ) (x 1
3
+ 4x12 − 10 ) − ( x + 4x
0
3
0
2
− 10 )
x2 =
( 3
) ( 2
) = 1.3333
1.2 (1.8 ) + 4 (1.8 ) − 10 − 1.8 (1.2) + 4 (1.2) − 10
3 2
((1.8) + 4(1.8) − 10) − ((1.2) + 4(1.2) − 10)

3 2 3 2
x3 =
x1 f ( x 2 ) − x 2 f ( x1 )
=
( ) (
x1 x23 + 4x22 − 10 − x2 x13 + 4x12 − 10 ) = 1.3593
f ( x 2 ) − f ( x1 ) (x 2
3
+ 4x22 − 10 ) − ( x + 4x − 10 )
1
3
1
2
71
x 2 f ( x3 ) − x3 f ( x 2 ) x (x + 4x32 − 10 ) − x ( x + 4x − 10 )
3 3 2
1 3 2 2 2
x4 = = = 1.36532
1.36532
f ( x3 ) − f ( x 2 ) (x 3
3
+ 4x32 − 10 ) − ( x + 4x − 10 )
2
3
2
2
como
x 4 − x3
= 0.0044 > 10−3
x4
Devemos continuar com mais iterações até atingir a precisão desejada.
Analises de erros para métodos iterativos

UN 02
Se um método iterativo gera uma sequência xn que convirja para uma raiz p da equação f(x) = 0, então se
verifica: lim en = 0 , logo dizemos que este método é “útil”. Mas para o método iterativo ser eficiente de-
n→∞
vem ser verificadas as seguintes condições:

a) A sequência gerada pelo método iterativo deve convergir mesmo que o valor inicial x0 não seja um
valor próximo de p;
b) A convergência da sequência gerada pelo método iterativo deve ser rápida. Assim, nas iterações n e n+1,
o erro en+1 deve ser menor do que o erro en.
CÁLCULO NUMÉRICO
FIQUE DE OLHO
Caro aluno, agora você deve estar se perguntando: o que significa uma convergência rápida?
Para responder a esta pergunta, precisamos primeiro entender o conceito da ordem de conver-
gência de um método iterativo.
Definição:
Suponha que xn seja uma sequência que converge para p, com xn ≠ p, para n = 0,1,… Se existem constantes
positivas N e λ, tal que se verifica:
x n +1 − p
lim N
=λ
n →∞
xn − p
ou
en + 1 (2.11)
lim N
=λ
n →∞
en
dizemos que xn converge para p, com ordem de convergência N e com constante de erro assintótica λ.
A ordem N de convergência de um método numérico nos dá uma informação sobre a rapidez de conver-
gência desse método, pois de 2.11 podemos escrever:
N
en + 1 ≈ λ en
Supondo que o método iterativo é convergente, o erro en é um número próximo de zero. Logo, quanto
maior for N, mais próximo de zero estará o valor λ |en |N, independentemente do valor de λ. Observe que
en+1, dado por |en+1|≈λ |en |N, é bem inferior a en quanto maior for N. Assim, uma sequência xn com alta
ordem de convergência converge mais rapidamente do que uma sequência de ordem inferior.
72 No caso em que N=1, dizemos que a sequência xn é linearmente convergente e no caso em que N=2 dize-
mos que a sequência xn é quadraticamente convergente.
* Convergência do Método da Bissecção

A convergência do Método da Bissecção é dada pelo Teorema que segue:
Teorema (Convergência do Método da Bissecção)
Seja f : R→R uma função contínua no intervalo [a,b] e f(a) . f(b) < 0. O método da bissecção gera uma se-
quência xn para n ≥ 0 que se aproxima de um zero p de f com ordem de convergência dada por:
b−a
p − xn ≤ , para n ≥ 0 (2.12)
2n
O Teorema acima diz que o Método da Bissecção é convergente, mas sua ordem de convergência não pode
ser obtida usando a equação 2.12. Como a cada iteração o intervalo é dividido pela metade, considere
|en |=|xn - p| < |bn - an| erro na n-ésima iteração, onde xn é o ponto médio deste intervalo. Como o método
é convergente, temos que:
en
en + 1 ≈
2
Portanto, o Método da Bissecção tem convergência linear (N=1).
* Convergência do Método do Ponto Fixo

A convergência do ponto fixo é dada pelo teorema mostrado abaixo.
Teorema (Convergência do Método do Ponto Fixo)

Seja φ uma função contínua em [a,b] tal que φ(x) ∈ [a,b] para todo x ∈ [a,b]. Suponha que φ’(x) é contínua
em (a,b) e que existe uma constante 0 < k < 1 com:
|φ’(x)| ≤ k , para todo x ∈ (a,b),
Se φ’(p) ≠ 0, então para qualquer número x0 em [a,b] a sequência

CÁLCULO NUMÉRICO
xn+1 = φ(xn)
converge apenas linearmente para o único ponto fixo p em [a,b].
Demonstração:
Do teorema do ponto fixo, sabemos que a sequência xn converge para p. Usando o Teorema do Valor Médio,
temos:
xn+1 - p = φ(xn) - φ(p) = φ’ (cn)(xn - p)
onde cn está entre xn e p. Logo, temos:

x n +1 − p
= ϕ′ ( cn )
xn − p
como xn converge para p, então cn também converge para p, e usando o fato de que φ é contínua em (a,b)
temos:
x
lim n +1
−p
n →∞ x − p
n
= lim ϕ' ( cn ) = ϕ′ lim cn = ϕ′ ( p )
n →∞ n →∞
( )
Portanto:
en + 1
lim = ϕ′ ( p ) = K
n →∞ en
* Convergência do Método de Newton

Supondo que sejam satisfatórias as hipóteses do teorema da convergência do Método de Newton, temos
que a sequência xn converge para p. Deste modo:
f ( xn )
x n +1 = x n - = j( xn )
f ′( xn )
f ( xf ()xn ) f ( x f) ( xn )
73
=x nx+n1+1- p− p x==x − p − n Þ e⇒
n -n p -
e = e −n
n +1 n+e1n - n
f ′ ( xf n()xn )
′ f ′ ( x nf )′ ( xn )
O desenvolvimento de Taylor de f(x) em torno de xn resulta em:
f ′′ ( cn )
f ( x ) = f ( xn ) + f ′( xn )( x − xn ) + ( x − x n )2
2!
Onde cn está entre xn e p. Tomando x = p, obtemos:
f ′′ ( cn )
0 = f ( p) = f ( xn ) + f ′( xn )( p − xn ) + (p − x n )2
2!
f ′′ ( cn )
f ( xn ) = f ′( xn )( xn − p) − ( x n − p)2
2!
f ′′ ( cn )
f ( x n ) = f ′ ( x n )( en ) − (en )2
2!
f ( xn ) f ′′ ( cn )
= ( en ) − (en )2
f ′( xn ) 2! f ′ ( x n )
f ′′ ( cn ) f ( xn )
(en )2 = ( en ) − = en + 1
2! f ′ ( x n ) f ′( xn )
en + 1 f ′′ ( cn )
=
en 2 2f ′ ( x n )
Como xn converge para p, então cn também converge para p, e usando a hipóteses que f, f’ e f’’ são contí-
nuas em (a,b) temos:
e
lim n +21 = lim
f ′′ ( cn )
=
f ′′ lim cn
n →∞
=
f ′′ ( p ) (
= ϕ''( p )
)
n →∞ e
n
n →∞ 2f ′ ( x )
n 2f ′ lim x n 2f ′ ( p )
( n →∞
)
Portanto, o método de Newton tem convergência quadrática (N = 2).
A ordem de convergência do método da secante não é quadrática, porém não é linear. Para maiores deta-
lhes, ver Ruggiero (1998).
CÁLCULO NUMÉRICO
1. Considere as equações:
a) 3cos(x) - e3x = 0

b) x3 + 2x - 1000 = 0

c) 1- 4x ln(x) = 0
Localize os intervalos das raízes usando o método gráfico da equação equivalente g(x) = h(x), método das
tabelas. Justifique a existência de uma raiz nos intervalos.

2. Seja f(x) = x + ln(x) que possui um zero no intervalo I=[0.2,2]. Qual é o número de iterações necessá-
rias para resolver f(x) = 0 com precisão 10-5 usando o Método da Bissecção. Realize manualmente três
iterações. Use algum programa numérico para obter a solução desejada.

3. Seja x2 + x - 6 = 0. Encontre ao menos três funções de iteração, identificando graficamente para cada
uma delas a que gera uma sequência convergente para as raízes da função f(x) = 0.
4. Sabendo que a raiz da equação f(x) = xex -1 = 0 pertence ao intervalo (0,1). Escolha φ(x) = e-x como
função iteração e comprove teoricamente que esta função iteração gera uma sequência convergente
(usando o método do ponto fixo).
5. Seja a função f(x)=x2 - x - 2 cujas raízes são -1 e 2. Considere duas funções iterações φ1(x) = x2 - 2 e
ϕ2 ( x ) = 2 + x . Verifique teoricamente qual destas funções iteração gera uma sequência convergente
(usando o método do ponto fixo). Realize manualmente três iterações e verifique o erro cometido.
74 6. Use o Método de Newton e o Método da Secante para aproximar uma raiz da função dos itens quatro e
cinco. Para isto, escolha a raiz aproximada e faça duas iterações.
Integração Numérica
UN 02
Nesta seção, mostraremos a importância da aplicação do cálculo numérico na solução de integrais defi-
nidas. A integral definida é interpretada como a área de determinada região. Portanto, para este caso o
problema de integração numérica se reduz à aproximação desta área. Este problema é solucionado inicial-
mente usando os conceitos da Integral de Bernhard Riemann.
Importância da integração numérica
∫
A = f ( x ) dx
a
(2.13)
dF ( x )
= f (x)
dx
b
∫f ( x )dx = F ( b) − F (a )
a
(2.14)
CÁLCULO NUMÉRICO
A prova deste Teorema pode ser encontrada em Lima (2007).
Assim, o problema dado pela equação 2.14 tem solução desde que a função f(x) seja contínua no intervalo
de integração [a, b] e possua primitiva.
Uma interpretação geométrica do Teorema Fundamental do Cálculo, no caso em que f(x) ≥ 0 para todo x
∈ [a,b] é mostrado na figura 2.13.
Figura 2.13 – Interpretação da integral definida.
f (x)
X
0 x=a y=0 b=x
A figura 2.13 mostra a área do conjunto A do plano limitado pelas retas x = a, x = b e y = 0, bem como pelo
gráfico da função f(x).
75
1. Calcule a área da região do plano cartesiano limitado pelo gráfico de f ( x ) = xex e pelas retas x = 0,
2
x = 1, y = 0.
A área da região pedida é mostrada na figura 2.15

Figura 2.15 – Gráfico da função f(x) e as retas x = 0, x = 1, y = 0.
6
f ( x ) = xex
2
1
A x=1
x=0
0
-1
y=0
-2
-0.5 0 0.5 1 1.5
CÁLCULO NUMÉRICO
1 2
F ( x ) = ex
2
FIQUE DE OLHO
1 x2
Caro aluno tente verificar que F ( x ) = e é uma primitiva de f(x). Para isto, verifique.
2
a) que a função f(x) é continua em [0,1];
dF ( x )
b) = f ( x) para todo x ∈ (0,1).
dx
Como as hipóteses do Teorema Fundamental do C[alculo são satisfeitas, resulta da equação 2.14:
1
∫xe dx = F (1) − F ( 0)
x2
0
1 2
mas F ( x ) = ex é uma primitiva de f(x), então a área é dada por:
2
1
A = xex dx = e( ) − e( ) = ( e − 1)
1 12 1 02 1
∫
2
2 2 2
0
FIQUE DE OLHO
Caro aluno, você deve estar pensando se é fácil calcular a integral definida. Saiba que para isto é
necessário encontrar uma primitiva da função contínua f(x). O problema é justamente saber se a
função possui primitiva e como encontrá-la.
76 O seguinte corolário responde à primeira questão:
:
dF ( x )
= f (x)
dx
f ( x ) = ex
2
∫e
0
x2
dx
usando a equação 2.14, pois não conhecemos F (x) primitiva de f (x). Neste caso, precisamos de algum
método numérico que nos permita aproximar esta integral.
Exemplo:
1. Calcule a integral: x
1
∫1+ x
0
4
dx
Usando o método de integração, obtém-se (não é muito fácil resolver esta integral, mas com atenção aos
detalhes você consegue):
 x2 + x 2 + 1   x 2 
x
1 1 1
∫0
1+ x 4
dx =
4 2
ln  2  −
 x − x 2 +1 2 2
arctg  2
 x − 1 
 
CÁLCULO NUMÉRICO
No exemplo resolvido acima, as funções elementares que conformam a solução analítica fazem desta uma
expressão complicada e pelo geral obtemos um valor aproximado da solução para um x fixo. Com isto,
em muitos casos os métodos de integração, que inicialmente proporcionam valores exatos, possibilitam
valores aproximados.
Outra impossibilidade de obter o valor exato da integral definida ocorre quando não é possível conhecer a
regra de correspondência da função f(x), mas para certo conjunto discreto de pontos é possível conhecer
suas imagens, caso de dados obtidos a partir de certo experimento. Desta forma, precisamos de algum
método do cálculo numérico para aproximar essa integral.
FIQUE DE OLHO
Podemos então resumir dizendo que existe uma necessidade de se calcular uma integral nume-
ricamente quando a integração analítica é difícil, ou mesmo impossível, e quando o integrando é
fornecido como um conjunto discreto de pontos.
A seguir, serão apresentados alguns métodos numéricos para aproximar a integral definida pela equação
2.13.
Métodos de Integração
Neste item, acredito ser pertinente apresentar de forma rápida a integral de Riemann, que fornecerá base
para entender alguns métodos numéricos usados para aproximar o valor da integral definida na equação
2.13.
77
Figura 2.16 – Interpretação geométrica da soma de Riemann.
f (x)
Y
Ro A Ri Rn - 1
X
0 a = x0 xn = b
Inicialmente dividimos o intervalo [a, b] em (n+1) pontos: a = x0 < x1 < x2 ... < xn, o que é chamado de par-
tição do intervalo [a,b].
Seja hi = xi - xi-1 o comprimento do intervalo [xi-1, xi] em cada um destes intervalos escolhemos um ponto
qualquer xi*.
Para cada i=1,2,...n construiremos um retângulo de base hi e altura f(xi*). Assim, Ri = f(xi*) hi representa
a área do retângulo Ri.
A soma das áreas dos n retângulo (ver figura 2.16), é dada por:
f(xi*) hi + f(x2*) h2 + ... + f(xn*) hn =

n
= ∑
i=1
f ( xi*)hi
CÁLCULO NUMÉRICO
Esta soma é chamada de Soma de Riemann da função f (x). Desta forma, temos por definição:
b n
∫
A = f ( x ) dx = lim
máx hi → 0 ∑ f(xi*)hi
i =1
a
Podemos usar a Soma de Riemann para aproximar a área de A.
n
A≈ ∑ f(xi*) hi
i =1
Método do Retângulo e do ponto central:

b n
Seja f(x) continua em [a,b], o método do retângulo aproxima A = f ( x ) dx =porlim
∫
uma das seguintes
f ( xi*)hi formas:
máx hi → 0 ∑
i =1
a
= K para todo x ∈ [a,b], a integral definida pode ser calculada por uma das seguintes formas:
∫
A = f ( x ) dx ≈ f ( a ) ( b − a ) = A1
a
(2.15)
ou
b
∫
A = f ( x ) dx ≈ f ( b ) ( b − a ) = A2
a
(2.16 )
No método do ponto central (ou método do ponto médio) A é aproximada por:
78
b
∫
A = f ( x ) dx ≈ f ( a + b ) ( b − a ) = A3 (2.16 )
a 2
Dependendo da função, o erro não pode ser aceitável, como mostra a figura 2.17.
Figura 2.17 – Integração usando o método do retângulo.
Y f (b)
f (x)
Erro
f (a)
A1
X
0 a b
Porém, o erro pode ser reduzido se aplicamos o método do retângulo composto, que utiliza a Soma de
Riemann para aproximar A. O ponto xi* ∈ [xi- 1, xi+1] é arbitrário e em particular pode ser escolhido como
um dos pontos extremos ou ponto médio deste intervalo.
Fórmulas do Método do Retângulo composto:
Consideremos o comprimento dos n intervalos iguais

h h h h
a= xo x1 x2 ... xi-1 xi xn-i xn = b
onde e xi* ∈ [xi-1, xi], para i = 1, 2., ..., n.
CÁLCULO NUMÉRICO
• Se xi* = xi-1 para i = 1, 2., ..., n, temos da Soma de Riemann.
b n
∫
A = f ( x ) dx ≈
a
∑ f (x
i =1
i −1 ).h (2.17 )
∫
A = f ( x ) dx ≈ f ( xo ) h + f ( x1) h + ... + f ( xn − 1)h
a
(2.17a)
• Se xi* = xi para i = 1, 2., ..., n, temos da Soma de Riemann.

b n
∫
A = f ( x ) dx ≈
a
∑ f (x
i =1
i −1 ).h (2.17 )
∫
A = f ( x ) dx ≈ f ( x1) h + f ( x2) h + ... + f ( xn ) h
a
(2.17b)
Fórmula do Método do ponto médio composto:
x i −1 + x i
No caso em que x *i = para i = 1, 2....,n, temos da Soma de Riemann.
2
b
 x i −1 + x i 
n
∫
A = f ( x ) dx ≈ ∑ f  h
a i =1
2  79
b
 x + xi   x1 + x 2   x + xn 
a
∫
A = f ( x ) dx ≈ f  0
 2 
 h + f
 2 
 h + ... + f  n −1
 2 h
 (2.18)
1
∫
x 2
1. Aproximar a integral definida e dx usando os métodos citados acima.
0
• Método do Retângulo para n=1:
Vemos que [a,b] = [0,1] e f ( x ) = ex . Deste modo, usando a fórmula do retângulo, da equação 2.15,
2
temos:
1
∫
A = f ( x ) dx = f ( 0 ) (1 − 0 ) = e0 = 1
2
Ou usando a segunda fórmula, da equação 2.15, obtemos:
∫
A = f ( x ) dx = f (1 ) (1 − 0 ) = e1 = e1 = 2.7183..
2
No primeiro caso, dizemos que o valor da integral é subestimado e no segundo caso dizemos que o
valor da integral definida é superestimado, como mostra a figura 2.18.
CÁLCULO NUMÉRICO
x2
Figura 2.18 – Integração usando da função f (x)= e .
3.5
f(x)
3
2.5
Método do retângulo
2 Equação (2.15b)
1.5
Método do retângulo
Equação (2.15a) 1
Método do ponto
central (2.16)
0.5
-1 -0.5 0 0.5 1 1.5
• Método do ponto médio:

Considere n = 1, [a,b] = [0,1], e f ( x ) = ex2 . Da equação 2.16, obtemos:
1
 0+1
1
( )2
80 0
∫
A = f ( x ) dx ≈ f 
 2 
 (1 − 0) = e 2 = 1.2840
• Método do Retângulo composto para n=4:
1−0
Como os quatro intervalos devem ter o mesmo comprimento, então h = = 0.25 . Observe que
4
neste caso temos xi = x0 + i.h para i = 1,2,3,4, por exemplo x3 = x0 + 3.h = 0 + 3(0.25) = 0.75 . Consi-
dere a tabela abaixo.
[xi-1
[ xi, , xxii]+1 ] f ( x i-1 ) = e( xi-1 ) f(xi) = e (xi)2
2
i = 1,2,3,4 i = 1, 2, 3, 4 i = 1, 2, 3, 4
f(x0) = f ( 0 ) = e(0) = 1 f(x1) = f ( 0.25) = e(0.25) = 1.0645
2 2
[xo, x1] = [0, 0.25]
f(x1) = f ( 0.25) = e(0.25) = 1.0645 f(x2) = f ( 0.5) = e(0.5) = 1.2840

2 2
[x1, x2] = [0.25, 0.5]
f(x2) = f ( 0.5) = e(0.5) = 1.2840 f(x3) = f ( 0.75) = e(0.75) = 1.7551

2 2
[x2, x3] = [0.5, 0.75]
f(x3) = f ( 0.75) = e(0.75) = 1.7551 f(x4) = f (1) = e(1) = 2.7183

2 2
[x3, x4] = [0.75, 1]
Usando as fórmulas do retângulo composto, da equação (2.17a), resulta

1
∫
A = f ( x ) dx ≈ f ( x0 ) h + f ( x1 ) h + f ( x2 ) h + f ( x3 ) h
0
1
∫
A = f ( x ) dx ≈ h f ( x0 ) + f ( x1 ) + f ( x2 ) + f ( x3 ) 
0
1
∫
A = ex dxdx ≈ ( 0.25)[1 + 1.0645 + 1.2840 + 1.7551] = 1.2759
2
CÁLCULO NUMÉRICO
Usando este método, concluímos que a área A é aproximadamente 1.2759.
E da equação (2.17b) resulta:
∫
A = f ( x ) dx ≈ h f ( x1 ) + f ( x2 ) + f ( x3 ) + f ( x 4 ) 
a
1
∫
A = ex dxdx ≈ ( 0.25)[1.0645 + 1.2840 + 1.7551 + 2.7183] = 1.7055
2
Usando este método, obtemos que a área A é aproximadamente 1.7055.
• Método do ponto médio composto, para este caso considere quatro subintervalos:
x i −1 + x i
[ x, i x, x]i +1 ]
[xi-1  x + xi 
i 2 f  i −1 
i = 1,2,3,4  2 
i = 1,2,3,4
[xo, x1] = [0, 0.25] 0+0.25
f ( 0.125) =e(0.125) = 1.0157
2
=0.125
2
[x1, x2] = [0.25, 0.5]

f ( 0.375 ) e=
2
0.25 + 0.5 = (0.375)
1.1510
= 0.375
2
[x2, x3] = [0.5, 0.75]

f ( 0.625 ) e=
2
0.5 + 0.75 = (0.625)
1.4779
= 0.625
2
[x3, x4] = [0.75, 1] 0.75 + 1 f ( 0.875

= ) e=
(0.875)2
2.1503
81
= 0.875
2
Usando a fórmula dada pela equação 2.18, do método do ponto médio composto, temos:
b
 x + x1   x1 + x 2   x + x3   x3 + x 4 
a
∫
A = f ( x ) dx ≈ f  0
 2 
h + f 
 2 
 h+ f  2
 2 
h + f 
 2 
h
b
  x + x1   x1 + x 2   x 2 + x3   x 3+ x 4 
a
∫
A = f ( x ) dx ≈ h f  0 +f
  2   2   2   2
+f +f 

1
∫
A = ex dxdx ≈ ( 0.25)[1.0157 + 1.1510 + 1.4779 + 2.1503] = 1.4487
2
Usando este método, obtemos que a área A é aproximadamente 1.4487.
2. Aproximar a integral definida 3x2dx =

usando
7 ∫os métodos citados acima
1
Neste caso, é possível encontrar o valor exato da integral. O objetivo, porém, é apresentar o desempe-
2
nho dos métodos apresentados acima. A solução exata é 3x dx = 7 ∫

2
• Método do Retângulo para n=1:
Vemos que [a,b]=[1,2] e f(x)=3x2, então usando a equação 2.15 do retângulo, temos:
2
∫
A = f ( x ) dx = f (1 )( 2 − 1 ) = 3(1)2 = 3
1
CÁLCULO NUMÉRICO
Ou usando a equação 2.16 resulta:

2
∫
A = f ( x ) dx = f ( 2)( 2 − 1 ) = 3(2)2 = 12
1
No primeiro caso, dizemos que o valor da integral é subestimado e no segundo caso dizemos que o
valor da integral definida é superestimado.
• Método do ponto médio:
Considere n = 1, [a,b] = [1,2] e f(x) = 3x2, usando a equação 2.17, obtém-se:
2 2
1+2 3
1
∫
A = f ( x ) dx ≈ f 
 2  ( 2 − 1 ) = 3 2  = 6.75
  
• Método do Retângulo composto para n=4:

2−1
Como os quatro intervalos devem ter o mesmo comprimento, então h = = 0.25 . Assim, obtemos
os intervalos [1, 1.25], [1.25, 1.5], [1.5, 1.75] e [1.75, 2]. 4
Aproximando A usando a equação (2.17a), subestimado, obtemos:

82
2
∫
A = 3x2dx ≈ f (1 ) 0.25 + f (1.25) 0.25 + f (1.5) 0.25 + f (1.75) 0.25 = 5.9063
1
Agora, aproximando A usando a equação (2.17b), superestimado, obtemos:
∫
A = 3x2dx ≈ f (1.25) 0.25 + f (1.5) 0.25 + f (1.75) 0.25 + f ( 2) 0.25 = 8.1563
1
• Método do Ponto médio composto:
Aproximando A usando a fórmula do método do ponto médio composto, equação 2.18, temos:
2
  1 + 1.25   1.25 + 1.5   1.5 + 1.75   1.75 + 2  
1
∫
A = 3x2dx ≈ h f 
  2  
+f 2 +f
  2  + f  2 
  
2
∫
A = 3x2dx ≈ 0.25[3.7969 + 5.671 + 7.9219 + 10.5469]
1
2
∫
A = 3x2dx ≈ 6.9844
1
Observamos que o ponto médio representa uma melhor aproximação em relação ao método do retân-
gulo para funções monótonas. A justificativa é que, ao invés de usar os valores da função em x = xi-1
ou x = xi, ele usa o valor do integrando no meio do intervalo, f  x i−1 + x i  , o que faz diminuir o erro na
 2 
aproximação. Infelizmente isto não é verdade em todos os casos, motivo pelo qual precisamos de out-
ros métodos numéricos que permitam aproximar a integral definida com certo erro prefixado. Entre
estes métodos, temos o método do trapézio e o método de Simpson.
CÁLCULO NUMÉRICO
Método dos Trapézios:
Seja f(x) uma função definida em x0, x1, x2, ..., xn, (n+1) pontos distintos do intervalo [a,b] = [x0, xn]. Estes
pontos dividem o intervalo [x0, xn] em n subintervalos, cada um de comprimento hi = xi+1 - xi para i = 0, 1,
2, ..., n-1.
Vamos supor que f(x) possui derivadas até ordem (n+1) contínuas para todo x ∈ [x0, xn] e Pn(x) e o polinômio
interpolador de f(x) nos pontos x0, x1, x2, ..., xn. Então, em qualquer ponto x ∈ [x0, xn], o erro En(x) é dado por:
f ( x ) =Pn ( x ) + En ( x ) (2.19)
Onde
En ( x ) = ( x − x0 ) ( x − x1 )…( x − x n )
f(
n +1)
( ξ ( x )) para ξ ( x ) ∈ ( x0 , x n )
( n + 1 )!
A equação 2.19 já foi vista na interpolação.
Integrando de a = x0 até b = xn a ambos os lados da equação 2.19, obtemos:
b b b
∫
f ( x ) dx
=
a
∫
a
∫
Pn ( x ) dx + En ( x ) dx
a
Assim:
b b
∫f ( x )dx ≈ ∫P ( x )dx
a a
n 83
(2.20)
Com erro E(f) dado por
b
E( f ) = ∫ E ( x )dx
a
n
Se usarmos
n
Pn ( x ) = ∑y L
k =0
k k (x)
polinômio de Lagrange, que interpola f(x) e En (x) na equação 2.20, resulta:

b xn n
∫f ( x )dx ≈ ∫ ∑f(x )L
a x0 k = 0
k k ( x ) dx
xn
f(
n +1)
( ξ ( x ) ) dx (2.21)
E( f ) = ∫ ( x − x0 )( x − x1 )…( x − xn )
x0
( n + 1 )!
Onde
( x − x0 ) ( x − x1 )…( x − x k −1 ) ( x − x k +1 )…( x − x n )
Lk ( x ) =
( x k − x0 ) ( x k − x1 )…( x k − x k −1 ) ( x k − x k +1 )…( x k − x n )
A seguir, vamos obter as fórmulas explícitas do método dos Trapézios.
Dedução da fórmula da regra do Trapézio para dois pontos dados:
Dado os pontos (x0, f(x0 )) e (x1, f(x1)), onde a = x0, b = x1, h = x1 - x0, como existem dois pontos distintos
x0 e x1, o polinômio interpolador de Lagrange é de grau 1:
P1 ( x ) = f ( x0 ) L0 ( x ) + f ( x1 ) L1 ( x )
CÁLCULO NUMÉRICO
ou
( x − x1 ) ( x − x0 )
P1 ( x ) = f ( x0 ) + f (x )
( x 0 − x1 ) ( x1 − x 0 ) 1
Como temos dois pontos, existe um intervalo n = 1. Logo, da equação (2.21), temos:
b x1 1 x1
∫f ( x )dx ≈ ∫ ∑f(x )L
a x0 k = 0
k k ( x ) dx = ∫ f (x0 )L0 ( x ) + f (x k )L1 ( x ) dx
x0
 ( x − x1 ) ( x − x0 )
x1
b

∫
a
f ( x ) dx ≈ ∫ 
 ( x 0 − x1 )
x0 
f ( x0 ) +
( x1 − x 0 )
f ( x1 )  dx

f ( x0 ) f ( x1 )
b x1 x1
∫
a
f ( x ) dx ≈
( x 0 − x 1 ) x0 ∫ ( x − x1 )dx + ( x1 − x0 ) x∫0
( x − x0 ) dx
f ( x0 ) f ( x1 )
b x1 x1
∫f ( x ) dx ≈
a
h ∫ ( x − x )dx −
x0
1
h ∫ ( x − x )dx
x0
0
b
h
∫f ( x )dx ≈ 22 f ( x ) + f ( x )
a
0 1
O termo do lado direito na equação acima representa a área do trapézio de altura h = x1 - x0 e bases f(x0)
e f(x1), como mostra a figura 2.19.
Figura 2.19 – O Método do Trapézio.
Y f(x1)
84
f(x0)
h X
0 x0 x1
b
Observando a figura 2.19, vemos que ao aproximar a área A = f ( x ) dx pela área do trapézio cometemos
um erro. Vejamos como é a expressão deste erro. a
∫
O erro cometido é definido pela equação 2.19. E no caso em que n = 1, temos:
f ′′ ( ξ ( x ) )
x1
E( f ) = ∫ ( x − x 0 ) ( x − x1 )
x0
2!
dx (2.22)
Para solucionar a integral dada na equação (2.22), defina-se g(x) = (x-x0)(x - x1 ). A função g(x) não muda
de sinal em [x0, x1] e por hipóteses a função f'' (ξ(x)), que depende de x, é contínua para todo x ∈[x0, x1],
então do Teorema do Valor Médio com peso para integrais existe uma constante c em (x0, x1) tal que
f ′′ ( c )
x1
E( f ) =
2 ∫ ( x − x )( x − x )dx
x0
0 1
f ′′ ( c )  x3 ( x1 + x0 ) 2
x

1
E( f ) =  − x + x 0 1 
x x
2 3 2  x0
h3
f ′′ ( c ) E( f ) = −
12
Em resumo, temos a fórmula da regra do trapézio para dois pontos dados:
b = x1
h h3
∫
a = x0
f ( x ) dx =
2
f ( x0 ) + f ( x1 )  − f ′′ ( c )
12
CÁLCULO NUMÉRICO
Observe que o termo do erro para o método do Trapézio envolve a segunda derivada de f. Portanto, no caso
em que f(x) representa um polinômio de grau 1 temos f''(x) = 0, o que significa que E(f) é nulo. Portanto,
para este caso, a fórmula do Trapézio fornece um valor exato.
Limitante para o Erro na fórmula da regra do trapézio para dois pontos:
O número c, na fórmula do Erro, não é conhecido no intervalo (x0,x1) e, portanto, não podemos calculá-lo.
Podemos, porém, calcular uma estimativa superior para o Erro, a qual é dada por:
h3 h3 h3
E( f ) = − f ′′ ( c ) = f ′′ ( c ) para c ∈[x0 , x1 ] ou E( f ) ≤ M1 (2.23)
12 12 12
Onde
M1 = máx f ′′( x ) .
x0 ≤ x ≤ x1
M1 existe, pois por hipóteses f’’(x) é contínua para todo x ∈ [x0, x1].
1. Seja : 2
∫
A = 3x2dx
1
Calcule uma aproximação para A usando a regra do trapézio, o erro exato e o erro estimado.
85
Como f(x) = 3x2 , da fórmula da regra do trapézio para dois pontos dados, temos:
2
(2 − 1)  h3
∫
A = 3x2dx =
1
2 f (1) + f ( 2)  − 12 f ′′ ( c )
Logo, A é aproximada por:

2
(2 − 1) 
∫
A = 3x2dx ≈
1
2 3(1) + 3( 4 )  = 7.5
Neste caso, é possível calcular o erro exato:
E = |valor exato-valor aproximado| = |7 - 7.5| = 0.5
Estimativa do erro é obtida da equação (2.23):

(2 − 1)
3
1
E( f ) ≤ M1 = M1
12 12
Onde,
M1 = máx f ′′ ( x ) = máx 6 = 6
1≤ x ≤2 1≤ x ≤2
Logo, temos que: |E(f)| ≤ 0.5
Regra dos trapézios repetida:
Com o objetivo de ter uma melhor aproximação para a integral definida A, pode-se dividir o intervalo de
integração em n subintervalos e em cada um deles aplicar o método do trapézio, como mostra a figura
2.20.
CÁLCULO NUMÉRICO
Figura 2.20 – Método do Trapézio composto
f(x)
f(x)
X
x0 x1 x2 xn - 1 xn
Conforme mostra a figura 2.20, o intervalo [a,b] = [x0, xn] é divido em n subintervalos [xi, xi+1] para i = 0, 1,
... ,n-1. Por simplicidade, considere intervalos de igual comprimento, isto é, h = xi+1 - xi para i = 0, 1, ...,n-1.
A integral sobre [a,b] = [x0, xn] pode ser escrita como a soma das integrais dos subintervalos [xi, xi+1].
Assim, resulta:
b x1 x2 xn n −1 x i + 1
∫
a x0
∫ x1
∫
f ( x ) dx = f ( x ) dx + f ( x ) dx +…+ ∫
x n −1
f ( x ) dx = ∑ ∫ f ( x )dx
i =0 xi
Aplicando o método do trapézio no intervalo [xi, xi+1], obtém-se:

b n −1
h h3 
∫ f ( x ) dx = ∑  f ( x i ) + f ( x i +1 )  − f ′′ ( ci ) 
i =0 
2 12 
86
a
b n −1 n −1
h3
∑ ∑ f ′′(c )
h
∫
a
f ( x ) dx =
2 i =0
f ( x i ) + f ( x i +1 )  −
12 i =0
i
b n −1
∫
h
(
f ( x ) dx = f ( x0 ) + 2 f ( x1 ) + f ( x2 ) + ... + f ( x n −1 )  + f ( x n ) −
2
h3
12
) ∑ f ′′(c ) i
a i =0
Onde ci ∈ [xi, xi+1].
Como estamos supondo que f''(x) é contínua em [a,b] = [x0, xn], uma generalização do Teorema do Valor
Intermediário nos garante que existe ξ ∈ (a,b) tal que:
n −1
∑f ′′(c ) = nf ′′( ξ )
i =0
i
Em resumo, temos a fórmula da regra dos trapézios repetida, dada por:
b = xn
∫ f ( x ) dx =
h
2
( h3
)
f ( x0 ) + 2 f ( x1 ) + f ( x2 ) + .. + f ( x n −1 )  + f ( x n ) − nf ′′ ( ξ )
12
a = x0
Limitante para o Erro na fórmula da regra do trapézio repetida:
No Erro, o valor f’’(ξ) não pode ser calculado, pois não é possível encontrar o ponto ξ ∈ (a,b). Quando pos-
sível, calculamos um limitante superior para o erro.
Temos que:
h3
E ( f ) = − nf ′′ ( ξ )
12
h3
E( f ) = − nf ′′ ( ξ ) para ξ ∈[x0 , x n ]
12
h3
E( f ) ≤ n M2 (2.24)
12
CÁLCULO NUMÉRICO
Onde
M2 = max f ′′ ( x ) .
x0 ≤ x ≤ x n
M2 existe, pois por hipóteses f''(x) é contínua para todo x ∈[x0, xn].
b−a b−a
Como h = ⇒n= . Logo, o erro pode ser reescrito:
n h
h2
E( f ) ≤ ( b − a ) M2 . (2.25)
12
1. Seja : 2
∫
A = 3x2dx
1
a) Calcule uma aproximação para A usando quatro subintervalos do mesmo comprimento e a regra do
trapézio repetida. Estime o erro cometido.

b) Qual é o número mínimo de subdivisões de modo que o erro < 10-2.
O comprimento de cada intervalo será

2−1
= 0.25 h=
4
Assim, os pontos x0 = 1, x1 = 1.25, x2 = 1.5, x3 = 1.75 e x4 = 2 dividem o intervalo [a,b] = [1,2] em
quatro subintervalos.
87
a) Aplicando a regra dos trapézios repetida, teremos:
2
∫
A = 3x2dx =
h
2
( ) h3
f ( x0 ) + 2 f ( x1 ) + f ( x2 ) + f ( x3 )  + f ( x 4 ) − nf ′′ ( ξ )
12
1
Logo, A é aproximada por
(0.25)
(3(1) + 2 3(1.25) + 3(1.5) + 3(1.75)  + 3(2) )
2
∫
A = 3x 2dx ≈
2 2 2 2 2
1
2
2
∫
A = 3x2dx ≈ 7.0313
1
Comparando este resultado com o resultado do exercício resolvido, página 81, fornecido pelo método
do ponto médio composto, podemos dizer que usando o mesmo número de intervalos o método do
trapézio aproxima melhor a integral definida.
Cálculo do erro exato:

E=|valor exato-valor aproximado|=|7-7.0313|=0.03125
Na estimativa do erro, da equação 2.25, tem-se:

(0.25)
2
1
E ( f ) ≤ (2 − 1) M2 = M2
12 192
onde
M2 = máx f ′′ ( x ) = máx 6 = 6
1≤ x ≤2 1≤ x ≤2
|E(f)| ≤ 0.03125
b) Precisamos encontrar n tal que o erro ≤ 10-2.
A fórmula do erro para o método do trapézio repetida, da equação 2.25, é

h3
E ( f ) ≤ n M2
12
CÁLCULO NUMÉRICO
Onde
b−a 1
h= ⇒ nh = 2 − 1 ⇒ n = e M2 = máx f ′′ ( x ) = máx 6 = 6
n h 1≤ x ≤2 1≤ x ≤2
Assim, teremos
h2 h2
E ( f ) ≤ nh
e M2 = 1. .6
12 12
1
E ( f ) ≤ h2
2
A condição erro <10-2, isto é, |E(f)|<10-2, será satisfeita se
1 2
h < 10−2
2
2 1
⇒ h2 < =
100 50
1
= 0.14142 ⇒h<
50
1 1
Portanto, deveremos tomar h < 0.14142 ou n = > ⇒ n > 7.071
h 0.14142
Assim, para obter um erro <10-2 devemos dividir o intervalo [a,b] = [1,2] em oito subintervalos de
1
comprimento h= = 0.125.
8
Método da Regra 1/3 de Simpson:
Seja f(x) uma função definida em três pontos distintos a = x0, x1, x2 = b do intervalo [a,b] = [x0, x2 ], da
88 mesma forma que no método do trapézio temos:

b b b
∫
f ( x ) dx
=
a
∫P ( x ) dx + ∫ E ( x ) dx
a
2
a
2
Ou
b b
( x − x1 ) ( x − x 2 ) ( x − x0 ) ( x − x2 )
∫f ( x )dx = ∫f ( x ) ( x
a a
0
0 − x1 ) ( x 0 − x 2 )
+ f ( x1 )
( x1 − x 0 ) ( x1 − x 2 )
+
( x − x 0 ) ( x − x1 ) b
f ′′′ ( ξ ( x ) )
+ f ( x2 ) dx + ∫ ( x − x0 ) ( x − x1 ) ( x − x2 ) dx
( x 2 − x 0 ) ( x 2 − x1 ) a
3 !
Observe que o método de Simpson aproxima a função f(x) por meio de um polinômio interpolador de
segundo grau, usando dois intervalos.
Assim, a integral definida é aproximada por:
b b
( x − x1 ) ( x − x 2 ) ( x − x0 ) ( x − x2 ) ( x − x 0 ) ( x − x1 )
∫
a
∫
f ( x ) dx ≈ f ( x0 )
a
( x 0 − x1 ) ( x 0 − x 2 )
+ f ( x1 )
( x1 − x 0 ) ( x1 − x 2 )
+ f ( x2 )
( x 2 − x 0 ) ( x 2 − x1 )
dx (2.26)
Com erro de aproximação

b
f ′′′ ( ξ ( x ) )
E( f ) = ∫ ( x − x 0 ) ( x − x1 ) ( x − x 2 )
a
3!
dx
Resolvendo a integral do lado direito da equação 2.26:
Como h = x1 - x0 e 2h = x2 - x0, de 2.26, temos:

f ( x0 ) f ( x1 ) f ( x2 )
b x2 x2 x2
∫f ( x )dx ≈ ( −h )( −2h ) ∫ ( x − x )( x − x )dx + h ( −h ) ∫ ( x − x )( x − x )dx + 2h ( h ) ∫ ( x − x )( x − x )dx

a x0
1 2
x0
0 2
x0
0 1
f ( x0 ) f ( x1 ) f ( x2 )
b x2 x2 x2
∫f ( x )dx ≈
a
2h2 ∫ ( x − x )( x − x )dx −
x0
1 2
h2 ∫ ( x − x )( x − x )dx +
x0
0 2
2h2 ∫ ( x − x )( x − x )dx
x0
0 1
(2.27)
CÁLCULO NUMÉRICO
As integrais dadas na equação 2.27 podem ser facilmente resolvidas usando a mudança de variável
x − x0
u=
h
Inicialmente, resolveremos o primeiro termo da equação 2.27:
x2

∫ ( x − x )( x − x )dx
x0
1 2
(2.28)
Fazendo hu = x - x0 então hdu = dx

se x = x0 então u=0 e se x = x2 então u=2
Observe que
hu = x - x0 ⇒ hu + x1 = x - x0 + x1
⇒ hu + x1 = x - h
⇒ hu - h = x - x1
⇒ h(u - 1) = x - x1 (2.29)
De forma análoga:
h(u - 1) = x - x1 ⇒ h(u - 1) + x2 = x - x1 + x2
⇒ h(u - 1) + x2 = x - h
⇒ h(u - 1) - h = x - x2
⇒ h(u - 2) = x - x2 (2.30)
Substituindo as equações 2.29 e 2.30 em 2.28, obtemos:
x2 2 2
∫ ( x − x )( x − x )dx = ∫h ( u − 1) h ( u − 2) hdu = h ∫(u − 3u + 2)du

89
3 2
1 2
x0 0 0
x2
2
∫ ( x − x )( x − x )dx = h  3  (2.31)
3
1 2
x0
Resolveremos agora o segundo termo da equação 2.27:
b 2h 2h
∫ ( x − x0 )( x − x2 )dx = ∫huh ( u − 2) hdu = h ∫(u − 2u)du

3 2
a 0 0
x2
 4 (2.32)
∫ ( x − x )( x − x )dx = h  − 3 
3
1 2
x0
Resolveremos agora o terceiro termo da equação 2.27:
b 2h 2h
∫ ( x − x )( x − x )dx = ∫huh ( u − 1) hdu = h ∫(u − u)du

3 2
0 1
a 0 0
x2
2 (2.33)
∫ ( x − x )( x − x )dx = h  3 
3
1 2
x0
Por último, substituindo as equações 2.31, 2.32 e 2.33 na equação 2.27, obtemos:
f ( x0 )
 2  f ( x )  4  f ( x2 ) 3  2 
b
∫f ( x )dx ≈
a
2h
h3   − 21 h3  −  +
2
3 h  3  2h
2
h  
3
b
h
∫f ( x )dx ≈ 3 f ( x ) + 4f ( x ) + f ( x )
a
0 1 2
Pode ser provado que o erro no método de Simpson é dado por:

h5 (IV )
E( f ) = − f (c )
90
CÁLCULO NUMÉRICO
Para c ∈ (x0, x2). Para maiores detalhes, ver Ruggiero (1998) e Burden (2008).
Em resumo, temos a fórmula da regra 1/3 de Simpson para três pontos dados.
x2
h
∫f ( x )dx ≈ 3 f ( x ) + 4f ( x ) + f ( x )
x0
0 1 2
h5 (IV )
E( f ) = − f (c )
90
Como o erro envolve derivada de quarta ordem da função f(x), o método de Simpson fornecerá resultados
exatos quando a função f(x) é um polinômio de grau menor ou igual a três.
Limitante para o Erro na fórmula da regra 1/3 se Simpson:
No Erro, o valor f(IV) (c) não pode ser calculado, pois não é possível encontrar o ponto c ∈ (a,b). Quando
possível, calculamos um limitante superior para o erro.
h5 (2.24)
E( f ) ≤ M3
90
Onde
M3 = máx f ( ) ( c ) .
IV
x0 ≤ c ≤ x n
* Método da regra 1/3 de Simpson repetida
90 De forma análoga, no método do Trapézio podemos dividir o intervalo [a,b] = [x0, xn] em número par de
subintervalos, pois o método de Simpson precisa de três pontos, ou seja, de dois intervalos.
Logo, a fórmula do método da regra 1/3 de Simpson repetida é dada por
xn
∫ f ( x )dx ≈ 3 f ( x ) + 4( f ( x ) + f ( x ) + .. + f ( x )) + 2( f ( x ) + f ( x ) + .. + f ( x n −2 ) ) + f ( x n )

h
0 1 3 n −1 2 4
x0
E a fórmula do erro é
nh5 (IV )
E( f ) = − f ( ξ ) para ξ ∈ ( x0 , x n )
180
Para maiores detalhes, ver Ruggiero (1998) e Burden (2008).
Limitante para o Erro na fórmula da regra 1/3 se Simpson repetida:
No erro, o valor f(IV) (c) não pode ser calculado, pois não é possível encontrar o ponto c ∈ (a,b). Quando
possível, calculamos um limitante superior para o erro.
h5
E( f ) ≤ n M4
180
Onde
M4 = máx f ( ) ( c ) .
IV
x0 ≤ c ≤ x n
1. Seja : 1
dx
A=4 ∫1+ x
0
2
a) Calcule uma aproximação para A usando o método 1/3 de Simpson e o limitante para o erro;
CÁLCULO NUMÉRICO
b) Calcular uma aproximação para A usando o método 1/3 de Simpson com erro ≤ 10-4.
a) A aproximação de A usando o método de 1/3 de Simpson é dada pela fórmula

b
h
∫f ( x )dx ≈ 3 f ( x ) + 4f ( x ) + f ( x )
a
0 1 2
Para usar a fórmula acima, precisamos dividir o intervalo [a,b]=[0,1] em dois subintervalos. Desta
forma, obteremos três pontos, x0, x1 e x2. Assim:
h h
a = x0 x1 x2= 1
onde
b−a 1−0
h= ⇒h= = 0.5 é a distância de cada ponto
n 2
=
x0 0=
, x1 0.5 e x2 = 1

Como
1
f (x) =
1 + x2
Obtemos
1 1 1
f ( x0 ) = = 1, f ( x 1 ) = = 0.8 e f ( x2 ) = = 0.5
1+0 1 + ( 0.5) 1 + 12
2 2
Portanto,
1
dx h
91
A=4 ∫
0
1+ x 2
≈ 4 f ( x0 ) + 4f ( x1 ) + f ( x2 ) 
3
1
dx 0.5
A=4 ∫1+ x
0
2
≈4
3 
1 + 4 ( 0.8 ) + 0.5 = 0.7833
O limitante para o erro é dada pela fórmula

h5
E( f ) ≤ M3
90
onde
M3 = max f ( ) ( c ) = 24
IV
x0 ≤ c ≤ x n
Logo:
(0.5)
5
(24 ) = 8.33x10−3
E( f ) ≤
90
b) Neste caso, é preciso calcular n e h de tal forma que o limitante para o erro seja menor ou igual a
10-4.
Usaremos o limitante para o erro do método 1/3 Simpson repetido
h5
E( f ) ≤ n M4
180
Onde M4 = 24, obtido do exercício anterior.
Logo:
h5
n 24 ≤ 10−4
180
Como
1−0 1
h= =
n n
CÁLCULO NUMÉRICO
temos
1
24 ≤ 10−4 ⇒ n ≥ 4 (10)4 ( 0.1333) = 6.04275
5
n n
180
Como n é um número natural, tomamos n = 8, pois o método de Simpson divide o intervalo [a,b] em
números pares, por isso não tomamos n = 7.
Considerando h=1 = 0.125, formamos a seguinte tabela de dados:

8
1
h= = 0.125
8
xxii 0 0.1250 0.25 0.375 0.5 0.625 0.75 0.875 1
1
f ( xi )= 1 0.9846 0.941 0.876 0.8 0.7191 0.64 0.5664 0.5
1+ ( x i )
2
Usando a forma 1/3 Simpson repetida:

1
dx h
A=4 ∫ 2
≈ 4 [f ( x0 ) + 4 ( f ( x1 ) + f ( x3 ) + f ( x5 ) + f ( x7 ) ) + 2( f ( x2 ) + f ( x 4 ) + f ( x6 ) ) + f ( x 8 )]
0
1+ x 3
(0.125) 
A≈4 1 + 4 ( 0.9846 + 0.8767 + 0.7191 + 0.5664 ) + 2( 0.9412 + 0.8 + 0.6
64 ) + 0.5
92 3
A ≈ 4 ( 0.7853) = 3.141592
1. Calcule as integrais a seguir por meio da regra dos trapézios e da regra de Simpson, usando quatro e
seis divisões de [a, b]:
2
a)
∫e dx
x
14
1
b)
∫
2
x
dx
Quantas divisões do intervalo, no mínimo, podemos esperar obter erros menores que 10-5?

π/2
∫ cos ( x )dx com erro inferior a 10

-3 pela regra de Simpson.
2. Determine h, para que se possa avaliar
0
3. Dada a tabela:
x 0 0.2 04 06 0.8 1
f(x) 1 1.2408 1.5735 2.0333 2.6965 3.7183
1
Use a regra de Simpson 1/3 para calcular I = f ( x ) dx
∫
0
CÁLCULO NUMÉRICO
III RESOLUÇÃO NUMÉRICA DE EQUAÇÕES
LINEARES E TRATAMENTO NUMÉRICO
DE EQUAÇÕES DIFERENCIAIS ORDINÁRIAS
Este é o último capítulo do nosso livro. Nele veremos, inicial-

mente, como encontrar a solução numérica para sistemas linea-
res de n equações com n incógnitas. Sistemas lineares aparecem
de forma natural em diversas áreas da ciência e engenharia.
Mostraremos como encontrar aproximações numéricas para
a solução de uma equação diferencial ordinária (EDO). Equações
diferenciais aparecem com muita frequência na modelagem ma-
temática das ciências e engenharias.
Objetivos:
• Apresentar o problema para resolver sistemas lineares;
• Mostrar diversos métodos para resolver o problema;
• Aplicar os métodos na resolução numérica de sistemas Line-

ares de ordem n;
• Enunciar o problema de valor inicial e o problema de contor-
no de uma EDO;
• Mostrar por meio de exemplos a existência da solução exata

de uma EDO com valor inicial (PVI);
• Aplicar alguns métodos numéricos na resolução numérica de

EDO com PVI.
III - RESOLUÇÃO NUMÉRICA DE EQUAÇÕES LINEARES E TRATAMENTO NUMÉRICO DE EQUAÇÕES DIFERENCIAIS ORDINÁRIAS
Revisão de sistemas lineares

UN 03
Antes de apresentar uma definição de sistemas lineares, vejamos primeiramente o que entendemos por
equação linear.
Uma equação linear é toda equação expressa da forma:
a11 x1 + a12 x2 + ... + a1n xn = b1 (3.1)
onde a11, a12, ..., a1n são números reais chamados coeficientes das incógnitas x1, x2, ..., xn, respectivamente.
O número real b1 é chamado termo independente da equação linear.
FIQUE DE OLHO
Observe que para ser dita linear a equação 3.1 precisa que cada um de seus termos tenha uma
incógnita e cada incógnita apareça na primeira potência.
Exemplos:
a) São exemplos de equações lineares:

i) x + 5y = 10
ii)
iii)
x + 5y - 6z = 10
5x1 + x2 + x3 = 10
95
b) São exemplos de equações não lineares:
i) 5x12 + x2 + x3 = 10 , pois o primeiro termo contém uma variável elevada ao quadrado
ii) x + 5y + 15xy - 6y = 10, pois o termo 15xy contém duas incógnitas
Desta forma, podemos dizer que uma coleção finita de equações lineares é chamada de sistema de equa-
ções lineares ou sistema linear. Um sistema linear com m equações e n incógnitas é escrito usualmente na
forma:
a11 x1 + a12 x2 + .. + a1n x n = b1 

a21 x1 + a22 x2 + .. + a2n x n = b2 

a x + a x + .. + a3n x n = b3 
31 1 32 2  (3.2)
... ... ....

a m1 x1 + a m2 x2 + .. + a mn x n = bm 
O sistema 3.2 pode ser representado na forma matricial
Ax = b (3.3)
onde
a11 a12 ... a1n 
 
A =  21 22
a a ... a2n 
é chamada a matriz dos coeficientes
    
 
a m1 a m2 ... a mn 
 x1 
x 
x =  2  é chamado vetor das incógnitas ou vetor solução
 
 
xn 
CÁLCULO NUMÉRICO
 b1 
b 
e b =   é um vetor constante.
2
  
 
bm 
O problema de resolver o sistema 3.2 consiste em calcular os valores das incógnitas x1, x2, ...,xn, de forma
que satisfaçam as m equações simultaneamente. Para tanto, devemos encontrar o vetor da solução x tal
que suas componentes satisfazem simultaneamente todas as equações do sistema 3.2.
Exemplo:
Considere o seguinte sistema:
2x1 + 2x2 + x3 = 5
x1 + x2 - 3x3 = -1
Este sistema consta de duas equações e três incógnitas. A forma matricial deste sistema é
Ax = b
ou
 x1 
2 2 1     5 
1 1 −3  x2  =  −1
  x   
 3
onde
 x1 
2 2 1  x  e b =  5 
A=  ; x =  2  −1
1 1 −3  
 x3 
96 1 1  x1 
     
Afirmamos que o vetor x = 1 é solução do sistema linear acima. De fato, de x = 1 =  x2  resulta x1=1,
1 1  x3 
x2 = 1 e x3 = 1. Substituindo estes valores no sistema linear dado, vemos que as duas equações são satis-
feitas. Seria bom verificar este fato.
5
Mas o vetor x =  0  não é solução do sistema linear, pois para que a primeira equação seja satisfeita deve
 
 −5
ser 2x1 + 2x2 + x3 = 5
2(5) + 2(0) + (-5) = 5
Já a segunda equação não é verdadeira. Observe:
x1 + x2 - 3x3 = -1
(5) + (0) - 3 (-5) = -1
20 ≠ -1
FIQUE DE OLHO
Você deve estar se perguntando o que foi feito para se obter o vetor x da solução do exemplo
acima. Existem vários métodos para encontrar o vetor da solução. Vamos conhecê-los agora!
Antes de procurar a solução do sistema linear 3.2, vejamos primeiramente quando um sistema possui so-
lução. Sabendo que há possibilidade de existir uma solução, vale a pena procurá-la, pois não tem sentido
procurar algo que não existe. Inicialmente, vamos ver o caso de um sistema linear de duas equações com
duas incógnitas em relação ao número de soluções que podem ocorrer.
a) 4x1 + 2x2 = 6 b) 2x1 + x2 = 3 c) 4x1 + 2x2 = 6

x1 - 3x2= -2 12x1 + 6x2 = 18 4x1 + 2x2 = 2
CÁLCULO NUMÉRICO
A representação gráfica destes sistemas é:
f(x) f(x)
f(x)
X X X
Retas concorrentes Retas coincidentes Retas paralelas

solução única infinitas soluções Nenhuma solução
det(A) ≠ 0 det(A) = 0 det(A) = 0
Em resumo, para um sistema linear de duas equações com duas incógnitas, podemos representar geome-
tricamente cada equação por meio de retas e observar se estas se interceptam em um ponto. Quando isto
ocorre, dizemos que o sistema possui solução única. Se as retas são coincidentes elas se interceptam em
infinitos pontos, então dizemos que o sistema possui infinitas soluções. No caso em que as retas sejam
paralelas, dizemos que o sistema linear não possui solução.
De forma geral, o sistema linear 3.2 pode ser classificado pelo número de soluções que ela admite e pode 97
ocorrer que o sistema linear possua solução única, que admita infinitas soluções ou não admita nenhuma
solução.
Classificação de um sistema linear
CÁLCULO NUMÉRICO
 a11   a12   a13   a1 n 

a  a  a  a 
b = x1  11  + x2  12  + x3  13  +…+ x n  1n 
           
       
a n1  a n 2  a n3  a nn 
Métodos de solução de sistemas lineares

98
Os métodos numéricos para solucionar sistemas lineares de ordem n podem ser divididos em dois grupos,
métodos diretos e métodos iterativos. Nos métodos diretos, a solução é obtida por meio da realização de
operações algébricas nas equações. Nos métodos iterativos, é preciso que uma solução inicial aproximada
faça uso de algum método iterativo que gere uma sequência de vetores a qual em certas condições conver-
girá para a solução procurada.
Métodos diretos
Entre os métodos diretos, temos: a regra de Cramer, solução de sistemas utilizando matrizes triangulares,
método de eliminação de Gauss, fatoração LU, fatoração de Cholesky, matriz inversa, dentre outros. Cada
um deles tem suas vantagens e desvantagens.
Resolução de sistemas de equações lineares usando a regra de Cramer:
Este método se aplica à resolução de sistemas lineares de n equações com n incógnitas. Supondo que o
determinante da matriz dos coeficientes não é nulo, a regra de Cramer é dada pelo seguinte Teorema.
Teorema (Regra de Cramer)
Seja Ax = b um sistema linear de ordem n. Se D = det(A) ≠ 0, o sistema linear será consistente ou possível e
 x1 
x 
terá solução única x =   tal que x i = i para i = 1, 2, 3, ..., n
2 D
  D
 
 n
x
onde Di é o determinante da matriz obtida de A, substituindo-se a i-ésima coluna pela coluna dos termos
independentes das equações do sistema.
CÁLCULO NUMÉRICO
A demonstração do Teorema (Regra de Cramer) pode ser encontrada em qualquer livro de Álgebra linear.
Exemplo:
O sistema linear
x1 + 2x2 + x3 = 8
2x1 - x2 + x3 = 3
6x1 + 2x2 - 2x3 = 4
possui três equações com três incógnitas x1, x2 e x3. E a matriz dos coeficientes é:
1 2 1 
A = 2 −1 1 
6 2 −2
é fácil verificar para este caso que D = det(A) = 30 ≠ 0. De fato,
D = det(A) = 1(2 - 2) - 2( - 4 - 6) + 1(4 + 6) = 20 + 10 = 30
 x1 
Então pelo Teorema (Regra de Cramer), o sistema linear possui solução única dada por x =  x2 
 
 x3 
Encontrando o valor x1:
Devemos substituir os termos independentes na primeira coluna da matriz A, formando uma segunda
matriz denotada por Ax1.
8 2 1  99
Ax1 = 3 −1 1  e D1 = det ( Ax1 ) = 30
4 2 −2
D1 30
logo, x=
1 = =1
D 30
Devemos substituir os termos independentes na segunda coluna da matriz A, formando uma segunda
matriz denotada por Ax2.
1 8 1 
Ax2 = 2 3 1  e D2 = det ( Ax2 ) = 60
6 4 −2
D2 60
logo, x=
2 = =2
D 30
Devemos substituir os termos independentes na terceira coluna da matriz A, formando uma segunda ma-
triz denotada por Ax3.
1 2 8 
Ax3 = 2 −1 3  e D3 = det ( Ax3 ) = 90
6 2 4
D3 90
logo, x=
3 = =3
D 30
CÁLCULO NUMÉRICO
1
Portanto, a solução procurada é x = 2 . Verifique se x é solução do sistema.
 
3
O método de Cramer não é muito popular devido ao grande número de contas exigidas para encontrar a
solução do sistema linear, o que torna este método não competitivo em relação aos outros métodos apre-
sentados a seguir.
Solução de sistemas lineares Triangulares:
No caso em que a matriz dos coeficientes de um sistema linear nxn tem uma representação simples, a
solução do sistema correspondente é realizada de forma direta.
* Sistema de equações com matrizes de coeficientes triangular Superior:
Um sistema de equações lineares com matriz de coeficientes triangular superior tem a seguinte forma
a11 x1 + a12 x2 + a13 x3+ ... + a1n xn = b1

a22 x2 + a23 x3 + ... + a2n xn = b2
a32 x3 + ... + a3n xn = b3 (3.4)
… …. …
ann xn = bn
O sistema 3.4 pode ser representado na forma matricial Ux = b, onde U é matriz n x n, triangular superior,
100 isto é, uij = 0 para i > j. O sistema nesta forma tem todos os coeficientes nulos abaixo da diagonal e é re-
solvido por um procedimento chamado de substituição regressiva.
A solução do sistema 3.4 é dada por meio do seguinte procedimento: da última equação temos
bn
xn =
a nn
o valor de xn é substituído na equação anterior, resolvida para xn - 1
bn −1 − a n −1n −1 x n
x n −1 =
a n −1 n −1
continuando com este processo sucessivamente, obtém-se xn - 2, xn - 3, ... ,x2 e, finalmente, x1:
b1 − a12 x2 − a13 x3 − .. − a1n x n

x1 =
a11
Exemplo:
O sistema linear
x1 + 2x2 + x3 = 8
- x 2 + x3 = 3
- 2x3 = 4
é dado na forma triangular superior. Então, a solução é dada por substituição regressiva:
4 3 − ( −2) 8 − ( −2) − 2( −5)

x3 = = −2 x2 = = −5 x1 = = 20
−2 −1 1
Observe que a matriz dos coeficientes do sistema dado é uma matriz triangular superior
1 2 1 
A = 0 −1 1 
0 0 −2
CÁLCULO NUMÉRICO
* Sistema de equações com matrizes de coeficientes triangular Inferior:
Um sistema de equações lineares com matriz de coeficientes triangular inferior é da forma

a11 x1 = b1
a21 x1 + a22 x2 = b2
a31 x1 + a32 x2 + a33 x3 = b3
… …. … (3.5)
an1 x1 + an2 x2 + .. …+ ann xn =bn
O sistema 3.5 pode ser representada na forma matricial Lx = b, onde L é matriz n x n, triangular inferior,
isto é, lij = 0 para i < j. O sistema nesta forma tem todos os coeficientes nulos acima da diagonal e é re-
solvido por um procedimento chamado de substituição progressiva.
A solução do sistema 3.5 é dada por meio do seguinte procedimento: da primeira equação, temos
b
x1 = 1
a11
o valor de x1 é substituído na equação seguinte, que é resolvida para x2

b2 − a21 x1
x2 =
a22
Continuando com este processo sucessivamente, obtém-se x3, ..., xn - 1 e, finalmente, xn
bn − a n1 x1 − a n2 x2 − .. − a n −1 n −1 x n −1
xn =
a nn
Exemplo:
O sistema linear
x1 =8
2x1 - x2 =3
6x1 + 2x2 - 2x3 = 4
101
é dado na forma triangular inferior. Então, a solução é dada por substituição regressiva
3 − 2( 8 ) 4 − 6 ( 8 ) − 2(13)
x1 = 8; x2 = = 13; x3 = = 35
−1 −2
Observe que neste caso a matriz dos coeficientes do sistema é uma matriz triangular inferior
1 0 0 
A = 2 −1 0 
6 2 −2
* Sistema de equações com matrizes de coeficientes na forma diagonal:
Dado o sistema linear de ordem n

Ax = b
onde A = diag(aij ) é de ordem n x n. Da Álgebra linear, temos det(A) = a11 a22 a33 … ann. De acordo com as
hipóteses do teorema, se det(A) ≠ 0, ou seja, se nenhum dos elementos da diagonal de A for nulo, o sistema
linear de ordem n possui solução única. Neste caso, a solução única é dada por
bi
=xi = para i 1, 2,..., n
ai
Se algum ai é zero e bi ≠ 0, o sistema linear de ordem n não possui solução, sendo, portanto, um sistema
inconsistente.
Exemplo:
Seja o sistema linear de ordem três
x1 =8
-x2 =3
-2x3 =4
CÁLCULO NUMÉRICO
Com solução dada por
x1 = 8, x2 = -3 e x3 = -2
Observe que os elementos da matriz do sistema estão na forma diagonal
1 0 0 
A = 0 −1 0 
0 0 −2
SAIBA MAIS
Até agora vimos que se o sistema linear de ordem n é dado na forma triangular superior, trian-
gular inferior ou na forma diagonal, sabemos como obter a solução do sistema. Porém, nem
sempre o sistema linear de ordem n é dado nesta forma e nestas condições, o que fazer então? A
resposta mais simples é verificar se existe algum método que nos permita transformar o sistema
dado em outro sistema equivalente usando alguma das formas citadas acima.
O método de eliminação de Gauss é um método direto que permite solucionar um sistema linear de ordem
n usando manipulação algébrica para transformar o sistema linear em outro sistema equivalente na forma
triangular superior.
Sistemas equivalentes:
Dois sistemas de equações lineares se chamam equivalentes quando possuem as mesmas soluções. O
seguinte Teorema estabelece que, agregando-se ou retirando-se uma equação que é combinação linear
das equações do sistema, obtemos um sistema equivalente ao original.
102 Teorema fundamental de equivalência:
}
Seja o sistema linear de m equações com n incógnitas
a11 x1 + a12 x2 + .. + a1n x n =b1
a21 x1 + a22 x2 + .. + a2n x n =b2
a31 x1 + a32 x2 + .. + a3n x n =b3 (3.6)
…. … …. …
a m1 x1 + a m2 x2 + .. + a mn x n =bm
Se aumentarmos ou retirarmos uma equação combinação linear das equações do sistema 3.6, resultará em
um sistema equivalente.
A prova deste teorema pode ser encontrada em qualquer livro de Álgebra Linear.
Este teorema tem grande importância prática, pois permite a modificação do sistema original para outro
equivalente no qual seja mais fácil obter a solução. O método de Gauss e suas variantes se baseiam neste
teorema.
Método de eliminação de Gauss básico:
}
Considere um sistema linear de ordem n
E1 : a11 x1 + a12 x2 + .. + a1n x n =b1
E2 : a21 x1 + a22 x2 + .. + a2n x n =b2
E3 : a31 x1 + a32 x2 + .. + a3n x n =b3 (3.7)
…. … …. …
En : a n1 x1 + a n2 x2 + .. + a nn x n =bn
O método de eliminação de Gauss utiliza três tipos de operações para transformar o sistema 3.7 em outro
sistema equivalente com matriz de coeficientes na forma triangular superior, cuja solução já foi vista ante-
riormente. Isto é feito por meio das seguintes operações:
CÁLCULO NUMÉRICO
1. ( λ Ei ) → Ei
Significa que a equação Ei pode ser multiplicada por qualquer constante λ ≠ 0, e a equação resultante pode
ser utilizada no lugar de Ei .
2. (E1 + λEj) → Ei
Significa que a equação Ej pode ser multiplicada por qualquer constante λ e adicionada à equação Ei , com
a equação resultante sendo utilizada no lugar de Ei .
3. Ei ↔ Ej
Significa que as equações Ei e Ej podem ser trocadas de posição.
Assim, por meio de uma sequência destas operações, o sistema original pode ser transformado em outro
sistema equivalente.
Exemplo:
Seja o sistema linear de ordem 4
E1 : 2x1 + 2x2 + 6x 4 = 8 a11 a12 a13 a14   x1   b1 

E2 : 2x1 + x2 − x3 + x 4 = 1  a22 a23 a24   x2   b2 
a21 =
E3 : 3x1 − x2 − x3 + 2x 4 = −3  a31 a32 a33 a34   x3   b3 
    
E4 : − x1 + 2x2 + 3x3 − x 4 = 4
a 41 a 42 a 43 a 44   x 4  b4 
Usaremos o método de eliminação de Gauss básico para encontrar a solução do sistema, dada por meio
dos seguintes passos: 103
Passo 1:
A equação E1 não é alterada e, a fim de obter um sistema linear na forma triangular superior, deve-se
eliminar a variável x1 das equações E2, E3 e E4, o que é feito usando a primeira equação, E1, chamada de
equação pivô. O coeficiente a11 na equação E1 é chamado de coeficiente pivô ou elemento pivô. Para este
exemplo, a11 = 2 é o elemento pivô.
a
Para eliminar o termo a21 x1 = 2x1, na equação E2, deve-se fazer (E2 - m21 E1 )→E2 onde m21 = 21 ⇒
a 2 a11
m21 = 21 = =1. Logo:
a11 2
E2: 2x1 + x2 - x3 + x4 = 1 -
m21 E1: 2x1 + 2x2 + 6x4 = 8
E2 - m21 E1 0 - x2 - x3 - 5x4 = -7 escrever isto na equação E2
a
Para eliminar o termo a31 x1 = 3x1 na equação E3, deve-se fazer (E3 - m31 E1 ) → E3 onde m31 = 31 ⇒
a 3 a11
m31 = 31 = . Logo:
a31 2
E3: 3x1 - x2 - x3 + 2x4 = -3

m21 E1: 3x1 + 3x2 + 9x4 = 12
E3 - m31 E1 0 - 4x2 - x3 - 7x4 = -15 escrever isto na equação E3
a
Para eliminar o termo a41 x1 = - x1 na equação E4, deve-se fazer E4 - m41 E1 → E4 onde m41 = 41 ⇒
a 41
a -1
m41 = 41 = . Logo:
a11 2
CÁLCULO NUMÉRICO
E4: - x1 + 2x2 + 3x3 - x4 = 4

m21 E1: - x 1 - x2 - 3x4 = -4
E4 - m41 E1 0 + 3x2 + 3x3 + 2x4 = 8 escrever isto na equação E4
O sistema resultante após estas operações é
E1 : 2x1 + 2x2 + 6x 4 = 8
a11 a12 a13 a14   x1   b1 
E2 : − x2 − x3 − 5x 4 = −7  a22 a23 a24   x2   b2 
 0 =
E3 : − 4x2 − x3 − 7x 4 = −15  0 a32 a33 a34   x3   b3 
E4 : 3x2 + 3x3 + 2x 4 = 8     
 0 a 42 a 43 a 44   x 4  b4 
Este é o fim do primeiro passo.
Passo 2:
Neste passo, a equação E2 é chamada de equação pivô e o coeficiente a22 é chamado de coeficiente pivô.
A fim de obter um sistema linear na forma triangular superior, deve-se eliminar a variável x2 das equações
E3 e E4, o que é feito em uma equação por vez, usando equação pivô E2 e coeficiente pivô a22.
a32
Para eliminar o termo a32 x2 = - 4x2 na equação E3, fazer (E3 - m32 E2 ) → E3 onde m32 = ⇒
a22
a32 −4
⇒ m32 == 4 . Logo:
=
a22 −1
E3 : - 4x2 - x3 - 7x4 = - 15
m32 E2 : - 4 x2 - 4x3 -20x4 = - 28
104 E3 - m32 E2 0 + 3x3 +13x4 = 13 escrever isto na equação E3
a
Para eliminar o termo a42 x2 = 3x2 na equação E4, deve-se fazer (E4 - m42 E2) → E4 onde m42 = 42 ⇒
a 3 a22
m42 = 42 = = -3. Logo:
a22 −1
E4 : 3x2 + 3x3 + 2x4 = 8
m42 E2: 3x2 + 3x3 + 15x4 = 21
E4 - m42 E2 0 + 0 - 13x4 = - 13 escrever isto na equação E4
O sistema resultante após estas operações é

E1 : 2x1 + 2x2 + 6x 4 = 8 a11 a12 a13 a14   x1   b1 
E2 : − x2 − x3 − 5x 4 = −7  a24  x  b 
 0 a22 a23  2 =  2
E3 : 3x3 + 13x4 = 13  0 0 a33 a34   x3   b3 
E4 : − 13x4 = −13      
 0 0 0 a 44   x 4   b4 
Este é o fim do segundo passo.
Neste passo, já temos o sistema na forma triangular superior, pois o termo a43 = 0. Caso isto não aconteça,
ou seja, se a43 ≠ 0, o processo continua, considerando agora E3 como equação pivô e, usando o coeficiente
a
pivô a33, devemos eliminar o termo a43 x3 na equação E4. Devemos fazer (E4 - m43 E3 )→E4, onde m43 = 43 .
a33
Assim, o sistema acima pode ser resolvido por meio de processo de substituição regressiva. Portanto, a
solução procurada é x4 = 1, x3 = 0, x2 = 2 e x1 = -1.
Observação:
Ao realizar as operações apresentadas no exemplo acima, não era necessário escrever todas as equações
para cada caso, tampouco carregar as incógnitas, pois elas sempre ficaram nas mesmas colunas. A única
variação do sistema é dada nos coeficientes das incógnitas e o vetor constante b. Por esta razão, é melhor
usar a representação da matriz aumentada no sistema linear de ordem n:
CÁLCULO NUMÉRICO
 
 a11 a … a 
a11 a1212 … a1n1n ... b 
a a … a b 1
[[ AAbb]]==a2121 a2222 … a2n2n b1 
b22

 
aa n1 a … a . 
a n2n2 … a nnnn .. b 
 n1 bnn
Considere o exemplo acima:

E1 : 2x1 + 2x2 + 6x 4 = 8
E2 : 2x1 + x2 − x3 + x 4 = 1
E3 : 3x1 − x2 − x3 + 2x 4 = −3
E4 : − x1 + 2x2 + 3x3 − x 4 = 4
a matriz aumentada do sistema é

 2 2 2 2 0 0 6 6 ... 8 8  E1E1
 2 2 1 1 −1−1 1 1 1 1  E2E2
[ A[ Ab]b=] =  ..  
3 3 −1−1 −1−1 2 2 .−3−3 E3E3
 ..  
 −1−1 2 2 3 3 −1−1 . 4 4  E4E4
Realizando as operações conforme descrito no exemplo acima, tem-se:

Passo 1:
E1E1 22 22 00 66 ... 88 
( (2 2 21211 )1 ) 2 2 00 −1−1 −1−1 −5−5 .. −7−7 
E E − −
m m E E → →E E
.
( E(3E3−−mm3131E1E)1 →) →E3E3 00 −4−4 −1−1 −7−7 .−15 
−15
( E( 4E4−−mm4141E1E)1 →

) →E4E4 00 33 33 22 88 
..  
105
Passo 2:
EE11 22 22 00 66 ... 88 
EE22 00 −−11 −−11 −−55 . −−77
 ..
((EE33−−mm3232EE22))→→EE33 00 00 33 13 13 13 13
 . 
((EE44−−mm4242EE22))→→EE44 00 00 00 13 13 ..−−1313
A matriz final pode agora ser transformada em seu sistema linear correspondente
E1 : 2x1 + 2x2 + 6x4 = 8

E2 : - x2 - x3 - 5x4 = -7
E3 : 3x3 + 13x4 = 13
E4 : -13x4 = -13
cuja solução pode ser facilmente obtida.
SAIBA MAIS
Você deve ter notado que no exemplo acima poderia existir um problema nas operações. Por
a
exemplo, no passo 1, a operação E2 - m21 E1 existe desde que o multiplicador m21 = 21 exista, o
a11
que significa que o elemento pivô a11 não pode ser nulo, mas se a11 = 0, o que fazer? A resposta
é dada a seguir.
Método de eliminação de Gauss com pivoteamento parcial
O Elemento pivô é zero
Como a linha pivô é dividida pelo elemento pivô, surge um problema para realizar o método de eliminação
CÁLCULO NUMÉRICO
de Gauss quando o elemento pivô é nulo. Este processo pode ser corrigido com a mudança da ordem das
linhas, processo chamado de pivotação, como mostra o seguinte exemplo:
Exemplo:
Considere o sistema linear de ordem três
..
E1 : 0x1 + 4x2 + 6x3 = 92 E1 0 4 6 . 92
E2 4 −3 2 16 
E2 : 4x1 − 3x2 + 2x3 = 16 
2 4 −3 ..
E3 : 2x1 + 4x2 − 3x3 = 12 E3 . 12
Usaremos o método de eliminação de Gauss com pivoteamento parcial para encontrar a solução do siste-
ma, o que é dado por meio dos seguintes passos:
Passo 1:
Como o elemento pivô é zero a11 = 0, deve-se trocar esta linha por outra. Assim:
E1 ↔ E2 4 −3 2 ... 16  E1 4 −3 2 ... 16 
   
E2 0 4 6 . 92, então E2 0 4 6 . 92
. E3 2 4 −3 .. 12
E3 2 4 −3 . 12
Agora E1 representa a equação pivô e a11 = 4 é o elemento pivô. Nosso objetivo é fazer com que os coefi-
cientes a21 e a31 da linha E2 e E3 sejam iguais a zero. Mas no caso em que a21 já seja zero, resta tornar zero
a31 2 1
a31, o que é feito por meio da operação (E3 - m31 E1 ) → E3 onde m= 31 = =
a11 4 2
106 E1 4 −3 2 ... 16 
E2 0 4 6 92
 .
( E3 − m31E1 ) → E3 0 11 / 2 −4 .. 4 
Passo 2:
..
E1 4 −3 2 . 16 
E2 0 4 6 92
 ..
E3 0 11 / 2 −4 . 4 
Agora E2 representa a equação pivô e a22 = 4 é o elemento pivô diferente de zero. Se este fosse igual a
zero, teríamos que trocar as linhas novamente. Agora nosso objetivo é tornar igual a zero o coeficiente a32
a32 11 / 2 11
= 11/2 da linha E3, o que é feito por meio da operação (E3 - m32 E2 ) → E3 onde m=32 = =
a22 4 8
..
E1  4 −3 2 . 16 
E2 0 −4 6 92 
 .. 
( E3 − m32E2 ) → E3 0 0 −49 / 4 . −32
Logo, o sistema de equações lineares é:
E1 : 4x1 − 3x2 + 2x3 = 16
E2 : 0 − 4x2 + 6x3 = 92
49
E3 : 0+0− = −32
4x3
128 1895 4373
E a solução é dada por x3 = , x2 = e x1 = −
49 98 392
* O elemento pivô tem valor pequeno:
Quando o elemento pivô tem valor pequeno em relação aos outros elementos da linha pivô, pode haver
erros de arredondamento. Neste caso, as linhas devem ser trocadas de tal forma que a equação pivô tenha
o maior elemento pivô.
CÁLCULO NUMÉRICO
Exemplo:
Considere o sistema de equações lineares de ordem 2

.
EE11 0.0002 12.530.. 12.532
0.0002 12.530
0.0002x + 12.530y = 12.532  ..12.532
0.43x + y = 5.3
EE22  0.43
0.43 11 . 5.3 5.3 
Na equação pivô E1, vemos que o valor do elemento pivô a11 = 0.0002 é pequeno em relação aos demais
termos da linha. Devemos, portanto, trocar as linhas
E1 ↔ E2  0.43 1 5.3  E1  0.43 1 5.3 

0.0002 12.530 12.532 logo E2 0.0002 12.530 12.532
E2    
Agora E1 representa a equação pivô, e a11 = 0.43 é o elemento pivô. Nosso objetivo é tornar igual a zero o
coeficiente a21 da linha E2.
a 0.0002
Isto é feito por meio da operação (E2 - m21 E1)→E2, onde m21 = 21 = = 0.0004651 , conside-
rando quatro algarismos significativos a11 0.43
m21E1 = 0.0004651[0.43 1 5.3] = [0.00019999 0.0004651 0.00246503]

m21E1 = [0.0002 0.0004651 0.002465]
Logo:
E2 - m21 E1 = [0.0002 12.530 ⋮ 12.532] [0.0002 0.0004651 ⋮ 0.002465]

E2 - m21 E1 = [ 0 12.529534 ⋮ 12.529535]
Mas, considerando quatro algarismos significativos: 107

E2 - m21 E1 = [ 0 12.53 ⋮ 12.53]
Assim, resulta:
E1 E1 0.43
0.43 1 1 5.35.3   0.43
0.43 1 1 5.35.3  
 ou ou 
ou  
( E2( E−2m−21mE211 )E→ E2 E2
1)→ 0 0 12.53
12.5312.53
12.53
    0 0 12.53
12.5312.53
12.53
 
Logo, o sistema de equações lineares é:
E1: 0.43x + 1y = 5.3

E2: 0 + 12.53y = 12.53
5.3 − 1
1 e xx
E a solução é dada por y == = 10 .
0.43
Caro aluno, tente encontrar a solução do exemplo acima usando o método básico de eliminação de Gauss
sem trocar as linhas. Verifique se a solução obtida por este método está errada, ou seja, se não é solução do
sistema. Use em cada operação quatro algarismos significativos.
Método de decomposição LU:
Dado o sistema linear de ordem n na forma matricial

Ax = b
foi visto que uma das formas exatas de encontrar o vetor solução x é dada pelo método de Gauss. Este
método consta de duas partes:
i) O sistema Ax=b é transformado em outro sistema equivalente na forma triangular superior;

ii) A solução do sistema equivalente é obtida usando substituição regressiva.
Assim, durante o procedimento de eliminação de Gauss, a matriz dos coeficientes A e o vetor b são alte-
rados. Isto significa que se houver a necessidade de resolver sistemas lineares de ordem n com a mesma
matriz de coeficientes A, mas com diferentes vetores constantes b, o procedimento de eliminação de Gauss
CÁLCULO NUMÉRICO
deve ser realizado para cada vetor b dado.

Parece muito trabalho, não é? Concordo com você! Seria muito interessante se existisse um método exato
que permitisse solucionar este problema, se as operações realizadas na matriz dos coeficientes A fossem
dissociadas (ou desacopladas) daquelas realizadas no vetor de constantes b. De forma que o processo de
eliminação de Gauss na matriz A seria feito apenas uma vez e usado para solucionar sistemas de equações
lineares com diferentes vetores b.
Uma opção para resolver Ax = b com a mesma matriz de coeficientes A, com diferentes vetores b, é calcular
a inversa da matriz A. Assim, conhecida A-1 matriz inversa de A a solução para diferentes valores de b é
dada por:
x = A-1 b
Mas o cálculo da matriz A-1 requer muitas operações matemáticas quando a ordem da matriz A é grande,
sendo, portanto, computacionalmente ineficiente. Um método mais eficiente é o método de decomposição
LU, o qual é dado pelo seguinte Teorema.
Teorema (Fatoração LU):

Dada uma matriz quadrada A de ordem n, e seja Ak a matriz constituída das primeiras k linhas e colunas
de A.
Se det(Ak ) ≠ 0 para k = 1, 2, ..., (n-1), existe uma única matriz triangular inferior L e uma única matriz trian-
gular superior U tais que A = LU. Além disso, det(A) = u11 u22 u33 ... unn.
A demonstração deste teorema pode ser encontrada em Ruggiero (1998).
Resolução do sistema linear Ax = b usando a fatoração LU de A:
Dado o sistema Linear de ordem n, Ax = b, e supondo que a matriz dos coeficientes é decomposta (ou fato-
rada) em duas matrizes L e U:
108 A = LU
onde L é uma matriz triangular inferior e U é uma matriz triangular superior. Com esta equação, o sistema
linear Ax = b pode ser reescrito na forma
L Ux = b
A equação L Ux = b é resolvida em dois passos
i) Defina Ly = b;
ii) Defina Ux = y.
Assim, encontrada a solução y no item (i), a solução x do problema é obtida do item (ii).
FIQUE DE OLHO
Caro aluno, penso que você tenha entendido a forma de obtenção da solução do sistema Ax =
b usando a fatoração LU. Acredito, porém, que você deva estar se perguntando sobre a forma
de encontrar as matrizes L e U, já que sem essas matrizes não podemos encontrar a solução x do
sistema linear? Vamos entender agora como isto pode ser feito.
Dada a matriz A, vários métodos podem ser usados para determinar as matrizes correspondentes L e U tal
que A = LU. Um deles é o método de eliminação de Gauss. Neste método, as matrizes L e U já são calculadas
automaticamente. A matriz U é obtida ao final do processo da eliminação de Gauss e a matriz triangular
inferior L não é dada explicitamente, mas seus elementos são calculados ao longo desse processo.
Pode ser provado que os elementos da diagonal da matriz L são iguais a 1 e os elementos abaixo da dia-
gonal são os multiplicadores mij que multiplicam a equação pivô. Para maiores detalhes, ver Ruggiero
(1998). Assim, dada uma matriz A de ordem 4 e usando a eliminação de Gauss, temos:
A=LU
 1 0 0 0 a11 a12 a13 a14 
m 1 0  a24 
0  0 a22 a23
A =  21
 m31 m32 1 0  0 0 a33 a34 
  
m41 m42 m43 1  0 0 0 a 44 
CÁLCULO NUMÉRICO
Exemplo:
Resolver o sistema linear:
3x1 + 2x2 + 4x3 = 1

2x1 + 2x2 + 4x3 = 4
4x1 + 3x2 + 2x3 = 3
usando o método de decomposição LU.
Usaremos o método de Gauss básico (sem pivoteamento parcial) para fatorar A.
Passo 1:
Obter a matriz A dos coeficientes do sistema linear
3 2 4  …E1
A = 2 2 4  …E2
4 3 2  …E3
Passo 2:
Obter a matriz U (e de passo a matriz L). A linha E1 representa a equação pivô e o número a11 = 3 repre-
senta o elemento pivô. Nosso objetivo é eliminar os termos a21 = 2 e a33 = 4 das linhas E2 e E3, respectiva-
mente, o que é feito por meio da seguinte operação
a 2a21 2
( E2 − m(21E2E−1 )m→21EE12) →
onde onde
Eonde
2 m
21
21 = m21 == =
a11 3a11 3
a31 4a31 4
( E3 − m(31E3E−1 )m→31EE13) → Eonde
onde3 m31 = m31 ==
onde =
a11 3a11 3 109
Assim,
E1 3 2 4 
2 2 4 
( E2 − m21E1 ) → E2   resulta a nova matriz
( E3 − m31E1 ) → E3 4 3 2 
E1 3 2 4 
E2 0 2 / 3 4 / 3 
 
E3 0 1 / 3 −10 / 3
2
Agora E2 representa a linha pivô e a22 =representa o elemento pivô. Para obter a matriz triangular su-
3
1
perior, devemos eliminar o termo a32 = da linha E3, o que é feito por meio da operação
3
a32 1 / 3 1
( E3 − m32E2 ) → E3 , onde m32 = = =
a22 2 / 3 2
Assim: E1 3 2 4 
E2 0 2 / 3 4 / 3 
  resulta a nova matriz
( E3 − m32E2 ) → E3 0 1 / 3 −10 / 3
E1 3 2 4 
E2 0 2 / 3 4 / 3 = U
 
E3 0 0 −4 
Como
 1  10 0  0   1  1 0 0 0

L = m 
= m211 0
L 21  
1 , temos
0temosque
, temos = 2L/=32 / 1 1 0
queL
que 3 0
 m31  mm  1
3132 m132 4 / 34 1/ /3 2 1 1/2 1
Assim, a decomposição da matriz A tem a forma:

CÁLCULO NUMÉRICO
3 2 4   1 0 0 3 2 4 
  
A = 2 2 4  = 2 / 3 1 0 0 2 / 3 4 / 3
 
4 3 2  4 / 3 1 / 2 1 0 0 −4 
Passo 3:
Agora resolveremos o sistema LUx = b. Como foi dito, esta equação é resolvida em dois passos: defina
Ly = b e a solução x é obtida de Ux = y.
i) defina Ly = b.
 1 0 0   y 1  1 
2 / 3 1 0  y 2  = 4 

4 / 3 1 / 2 1  y 3  3 
a forma de obtenção da solução deste sistema já foi vista anteriormente. Portanto:
y1   1 
y =  y 2  = 10 / 3
 y 3   0 
ii) a solução x é obtida de Ux = y, isto é:
3 2 4   x1   1 
0 2 / 3 4 / 3  x  = 10 / 3
  2  
0 0 −4   x3   0 
 x1   −3
110 =
a forma como obter a solução deste sistema já foi vista anteriormente. Portanto: x = x2   5  é solu-
 
ção do sistema.  x3   0 
3x1 + 2x2 + 4x3 = 1
2x1 + 2x2 + 4x3 = 4
4x1 + 3x2 + 2x3 = 3
Antes de mostrarmos alguns métodos iterativos para obter uma solução aproximada do sistema linear
Ax = b, vejamos algumas definições sobre normas de vetores e matrizes.
Normas de vetores e matrizes
Definição:
CÁLCULO NUMÉRICO
 x1 
x 
x =  2
 
x 
 n
n
(3.8)
x 2 = x12 + x22 + .. + x2n = ∑x
i =1
2
i
x ∞ = max { x1 , x2 ,…, x n } = max { x i } (3.9)

1≤ i ≤ n
n
x 1 = x1 + x2 + ,…+ x n = ∑x i =1
i (3.10)
 −1
5
 
=x  1  ∈ R5
 
111
0
 6 
x 1 =−1 + 5 + 1 + 0 + 6 =13
x 2 = ( −1)2 + (5)2 + (1)2 + ( 0)2 + ( 6 )2 = 63
x max { −1 , 5 , 1 , 0 , 6 } =
= 6
8
Definição:
 x1   y 1 

x 2   y2 
x =  y= 
   
x  y 
 n  n
n
( x1 - y1 )2 + .. + ( x n - y n )2 = ∑( x - y )
2
x-y2 = i i e
i =1
xx −- yy=
∞ max { x1 − y1 , x2 − y2 ,…, xn − y=
n } max { x i − yi }
1≤ i ≤ n
CÁLCULO NUMÉRICO
1
x = 1
1
 1 
x = 0.571
*
1.333
x − x* 2 = (1 − 1)2 + (1 − 0.571)2 + (1 − 1.333)2

x − x* 2 = (0)2 + (0.429)2 + ( −0.333)2 = 0.5431
e
x − x * ∞ = max { 1 − 1 , 1 − 0.571 , 1 − 1.333 }
x − x * ∞ = max { 0 , 0.429 , −0.333 } = 0.429
O conceito de distância em Rn também é usado para definir o limite de uma sequência de vetores no es-
paço Rn.
Definição:
112 Diz-se que uma sequência de vetores {x ( ) }
k
∞
em Rn converge para x com relação à norma ‖∙‖ se, dado
k =1
qualquer ε > 0, existe um inteiro N(ε) tal que
‖x(k) - x‖ < ε para todo k ≥ N(ε)
Teorema (Convergência de sequência de vetores):
{x ( ) }
∞
k
A sequência de vetores converge para x em Rn com relação à norma ‖∙‖∞ se, e somente se,
k =1
( k )( k )
x i x i = x=i x i para
limlim para
cada i =i1,
cada = 2,...,n
1, 2,...,n
n →∞
n →∞
A prova do Teorema (Convergência de sequencia de vetores) pode ser encontrada em Burden (2008).
Caso necessitemos determinar a distância entre matrizes de ordem n x n, será preciso fazer uso nova-
mente da definição de norma. Da Álgebra Linear, resulta que o conjunto de todas as matrizes de ordem n x
n, com operações de soma de matrizes e produto de um escalar pela matriz, forma um espaço vetorial de
dimensão n2. Podemos então falar de norma de uma matriz.
Uma pergunta natural é: “como definir a norma de uma matriz?”. Esta pergunta é respondida pela definição
mostrada a seguir.
Definição:
Sejam ‖∙‖p uma norma definida em Rn e Mnxn, o espaço vetorial formado pelo conjunto de matrizes n x n.
A aplicação ‖∙‖:Mnxn → R tal que para todo A ∈ Mnxn
Ax p
A = sup
xp ≠0 xp
é designada norma matricial subordinada à norma vetorial ‖∙‖p.
CÁLCULO NUMÉRICO
n n
∑∑ a
2
A F = ij
i =1 j=1
 n 
A ∞ = max 
1≤ i ≤ n ∑ a ij 
 j=1 
 n 
A 1 = max 
1≤ j≤ n ∑
 i =1
a ij 

: 113
3 2 5 
A = 0 1 2 
1 4 −53x3
:
 3   3 3 3 
A 1 = max 
1≤ j≤3 ∑
 i =1
a ij  = max 

∑
 i =1
a i1 , ∑
i =1
a i2 , ∑
i =1
a i3 

∑a
i =1
i1 = a11 + a21 + a31 = 3 + 0 + 1 = 4
∑a
i =1
i2 = a12 + a22 + a32 = 2 + 1 + 4 = 7
∑a
i =1
i3 = a13 + a23 + a33 = 5 + 2 + 5 = 12
A 1 = max {4,7,12} = 12
CÁLCULO NUMÉRICO
b) A norma linha da matriz A é :

 3   3 3 3 
A ∞ = max 
1≤ i ≤ n ∑
 j=1
a ij  = max 
  j=1
a1j , ∑ ∑
j=1
a2j , ∑a
j=1
3j 

Onde
3
∑a
j=1
1j = a11 + a12 + a13 = 3 + 2 + 5 = 10
∑a
j=1
2j = a21 + a22 + a23 = 0 + 1 + 2 = 3
∑a
j=1
3j = a31 + a32 + a33 = 1 + 4 + 5 = 10
A ∞ = max {10, 3, 10} = 10
Observe que a norma linha da matriz A não é outra coisa que somar cada linha da matriz A e observar qual
é o maior valor em módulo
c) A norma de Frobenius:
3 3 3
A F = ∑∑
i =1 j=1
a ij
2
= ∑( a
i =1
i1
2 2
+ a i2 + a i3
2
)
=  a11 + a12 + a13  +  a21 + a22 + a23  +  a31 + a32 + a33 
2 2 2 2 2 2 2 2 2
A F
     
114 A F =  3 + 2 + 5  +  0 + 1 + 2  +  1 + 4 + −5 

2 2 2
 
2 2 2
 
2 2 2


A F = [9 + 4 + 25] + [0 + 1 + 4] + [1 + 16 + 25]

A F = 38 + 5 + 42 = 9.21

Observe que a norma de Frobenius da matriz A não é outra coisa que obter a raiz quadrada da soma de
cada elemento da matriz A elevado ao quadrado.
Vejamos agora alguns resultados importantes referentes a normas matriciais.
Teorema:
Seja ‖∙‖ uma norma de Rn, então para A ∈ Mnxn, tem-se
‖Ax‖ ≤ ‖A‖‖x‖,
onde ‖A‖ é a norma de A subordinada à norma ‖x‖.
Demonstração:
Sabemos que Ax Ax
A = sup ≥ para x ∈ R n
x ≠0 x x
e, portanto,
‖Ax‖ ≤ ‖A‖‖x‖.
Teorema:
Para A, B ∈ Mnxn, tem-se ‖AB‖ ≤ ‖A‖‖B‖
De fato, usando o resultado do teorema anterior, temos

ABx A Bx
AB = sup ≤ sup
x ≠0 x x ≠0 x
Bx
CÁLCULO NUMÉRICO AB ≤ A sup = A B
CN Autor: Santos Demétrio Miranda Borjas x ≠0 x
ABx A Bx
AB = sup ≤ sup
x ≠0 x x ≠0 x
Bx
AB ≤ A sup = A B
x ≠0 x
Portanto:
AB ≤ A B
Agora apresentaremos dois métodos iterativos para encontrar uma solução aproximada de um sistema
linear de ordem n.
Métodos indiretos
Caro aluno, considere o problema de determinar a solução x do sistema linear de ordem n:
Ax = b (3.14)
Este problema pode ser resolvido com o uso de uma abordagem iterativa. O método é semelhante ao mé-
todo do ponto fixo, já visto nas aulas passadas.
Os métodos iterativos transformam o sistema 3.14, de alguma forma, em um sistema equivalente do tipo
x = Mx + h (3.15)
Para alguma matriz M de ordem n e algum vetor h de ordem n x 1 de maneira que a solução x de 3.15 seja
também solução de 3.14. Uma das formas de obter a matriz M é somar a ambos os lados da equação 3.14
o vetor x. Assim, Ax + x = b + x, de onde resulta x = (I - A)x + b. Definindo-se M =(I - A) e b = h, obtém-se a
equação 3.15.
115
A equação 3.15 pode ser representada na forma
x = φ(x), (3.16)
onde φ(x) = Mx+h é a função de iteração na forma matricial e M é chamada de matriz iteração do processo
iterativo.
Com esta transformação, podemos escrever o método iterativo na forma
x(0) dado, vetor aproximação inicial para a solução x, obtemos
x(k+1) = Mx(k) + h = φ(x(k)) para k = 0,1,2,... (3.17)
{ }
∞
Se a sequência x ( k +1) converge para x, então x coincide com a solução x de Ax = b. De fato, passando-
k =1
se ao limite a ambos os lados da equação (3.17), temos:
lim x (
n →∞
k +1 )
(
= lim Mx ( ) + h
n →∞
k
)
x = Mx + h
e usando a hipóteses de que ambos sistemas são equivalentes, temos que x é também solução do sistema
Ax = b.
FIQUE DE OLHO
Estamos supondo que x(k+1), sequência gerada pela equação 3.17, converge para a solução x.
Mas como podemos ter certeza disso? O próximo teorema responde a esta pergunta.
CÁLCULO NUMÉRICO
Teorema (condição necessária e suficiente para a convergência do processo iterativo):
A condição necessária e suficiente para a convergência do processo iterativo definida por 3.17 é que
max|βi | < 1, onde βi representa os autovalores da matriz M.
A prova deste teorema pode ser encontrada em Franco (2006).
Segundo o Teorema acima, para saber se um sistema iterativo é convergente, devemos calcular os autova-
lores da matriz M, o que muitas vezes não é fácil. Uma alternativa é dada pelo seguinte corolário.
Corolário:
Considere o sistema iterativo x(k+1) = Mx(k) + h.
Se ‖M‖ < 1 para qualquer norma de matrizes, o processo iterativo é convergente.
Prova:
Defina-se o vetor de erro e(k) = x - x(k).
Agora subtraindo 3.17 membro a membro da equação (3.15), obtemos
x − x(
k +1 )
(
= Mx + h − Mx ( ) + h
k
)
ou
x − x(
k +1 )
(
= M x − x( )
k
)
e(
k +1 )
= M e( )
k
(3.18)
De 3.18, resulta
116 Para k = 0 ⇒ e(1) = M e(0)
Para k = 1 ⇒ e(2) = M e(1) = M M e(0) = M2 e(0)
Para k = 2 ⇒ e(3) = M e(2) = M M2 e(0) = M3 e(0)
De forma geral, podemos escrever:
e( ) = Mn e( )
n 0
onde e(0) = x - x(0) é o erro inicial. Tomando normas a ambos os lados da equação acima, resulta:
e( ) = Mn e( )
n 0
usando os Teoremas apresentados na página 114, resulta
‖e(n) ‖ ≤ ‖M‖n ‖e(0)‖
da desigualdade acima, vemos que se ‖M‖ < 1:
lim e( ) = 0,
n
n →∞
Portanto:
lim x − x ( ) = 0,
n
n →∞
isto é, se ‖M‖ < 1 para alguma norma, o processo iterativo gera uma sequência convergente.
Exemplo:
Verifique se o sistema linear Ax = b, que tem matriz iteração M, convergirá para a solução do sistema.
CÁLCULO NUMÉRICO
 1 0.2 0.2
M = 0.7 1 0.3
0.5 0.5 1 
a) A norma coluna da matriz M é
‖M‖1 = max{2.2, 1.7, 1.5} = 2.2
b) A norma linha da matriz M é
‖M‖∞ = max{1.4, 2, 2} = 2
Observe que o critério ‖M‖ < 1 não é satisfeito usando essas duas normas. Portanto, nada pode ser dito
em relação à convergência iterativa usando este critério.
Teste de parada:
Dado x(0) vetor inicial o processo iterativo é repetido até que o vetor x(k) esteja suficientemente próximo
do vetor x(k+1). A distância entre os vetores é medida por
d( ) = x ( ) − x ( )
k k k −1
∞ = max x i
1≤ i ≤ n
{ ( ) − x( ) }
k
i
k −1
Logo, dada uma precisão pré-fixada ε > 0, o vetor x(k) será escolhido como x, solução aproximada da
solução exata, se d(k) < ε. Este e outros critérios são definidos a seguir:
i) Critério do erro absoluto 117

d(k) = ‖x(k) - x(k-1)‖∞ < ε
ii) Critério do erro relativo
(k )
− x(
k −1)
x ∞
d( ) =
k
<ε
(k )
x ∞
iii) Critério do número máximo de iterações
Método iterativo de Gauss-Jacobi:
Dado o sistema linear de ordem n, Ax = b, o método de Gauss-Jacobi transforma este sistema em um sis-
tema equivalente x = Mx + b, o que é feito da seguinte forma:
Dado o sistema linear de ordem n

a11 x1 + a12 x2 + a13 x3 + ... + a1n xn = b1
a21 x1 + a22 x2 + a23 x3 + ... + a2n xn = b2
a31 x1 + a32 x2 + a33 x3 + ... + a3n xn = b3
(3.19)
…. …. …. …
an1 x1 + an2 x2 + an3 x3 + ... + ann xn = bn
Supondo que aii ≠ 0 para i = 1, ..., n elementos da diagonal da matriz dos coeficientes é diferente de zero, o
primeiro passo é isolar as incógnitas correspondentes a esses coeficientes:
a11 x1 = - (a12 x2 + a13 x3 + a14 x4 + ... + a1n xn) + b1

a22 x2 = - (a21 x1 + a23 x3 + a24 x4 + ... + a2n xn) + b2
a33 x3 = - (a31 x1 + a32 x2 + a34 x4 + ... + a3n xn) + b3 (3.20)
…. .… …. .… … .… .…
ann xn= - (an1 x1 + an2 x2 + an3 x3 + ... + an n-1 xn-1) + bn
CÁLCULO NUMÉRICO
Como aii ≠ 0, resulta

1
x1 = ( b1 − a12x2 − a13x3 − a14 x 4 −…− a1n x n )
a11
1
x2 = ( b2 − a21 x1 − a23 x3 − a24 x4 − ... − a2n xn )
a22
1 (3.21)
x3 = ( b3 − a31 x1 − a32 x2 − a34 x4 − ... − a3n xn )
a33
…. … …. … … … …
1
xn = ( bn − an1 x1 − an2x2 − an3x3 − ... − an n −1 x n −1 )
a33
nn
E o processo iterativo é
x1(
k +1 )
= (
1
a11
b1 − a12 x2( ) − a13 x3( ) − a14 x 4( ) −…− a1n x n ( )
k k k k
)
(b − a x ( ))
1
x2( ) (k )
− a23 x3( ) − a24 x 4( ) − ... − a2n
k +1 k k k
= 2 21 x1 n
a 22
(b − a x ( ))
1
x3( ) (k )
− a32 x2( ) − a34 x 4( ) − ... − a3n
k +1 k k k
= 3 31 x1 n
a 33 (3.22)
…. …
…. … … … …
x n( ) =
k +1 1
a33
(
bn − a n1 x1( ) − a n2 x2( ) − a n3 x3( ) − ... − a n n −1 x n −1( )
k k k k
)
nn
A equação 3.21 tem sua representação matricial na forma
 a12 a13 a1n 
0 a11 a11
...
a11   b1 
 a11 
118  x1 

 a21 0
a23
...
a2n

  x1   b2 
x   a22 a22 a22    
 2    x2   a22 
a31 a32 a3n   x  +  b3 
 x3  = −  0 ...
   a33 a33 a33  3  
       a33 
x    x   
 n  an1 an2 an3  4  
 ... 0   bn 
 ann ann ann  
 ann


Assim, temos x = Mx + b, onde a matriz iterativa do método Gauss-Jacobi, M, é dada por
 a12 a13 a1n 
0 a11 a11
...
a11 
 
 a21 0
a23
...
a2n 
 a22 a22 a22 
 
a31 a32 a3n
M = − 0 ... 
 a33 a33 a33 
 
 
 an1 an2 an3 
 ... 0 
 ann ann ann 
e o processo iterativo na forma matricial é
 a12 a13 a1n   b1 
0 a11 a11
...
a11   a11 
x ( )    ( )  
a2n   x1 
k + 1 k
 1   a21 0 a23
...    b2 
 x2 ( k + 1 )   a 22 a 22 a 22
 (
 x2 k )  a22 
     
a31 a32 a3n   k  b3 (3.23)
 x3( k +1)  = −  0 ...  x ( ) +  
  a33 a33 a33   3   a33 
       
    
 ( k +1 )   an1  x ( k )   bn 
 xn  an2 an3
 ... 0   n   
 a nn a nn a nn
  ann 
Dado o vetor x(0) inicial, a sequência de vetores x(k) pode ser obtida a partir das equações 3.22 ou 3.23.
CÁLCULO NUMÉRICO
Exemplo:
Considere o sistema linear de ordem 3,
12x1 + 1.5x2 - 1.5x3 = 12
0.5x1 - 3.5x2 + x3 = -2
6x1 + 3x2 + 27x3 = 36
Usaremos o método de Gauss Jacobi para obter solução aproximada do sistema com ε = 0.1.
 ( 0) 
0  x1 
Considere x (0) = 0 =  x2(0) 
 
0  (0) 
 x3 
Pelo citado acima, temos: 1
12x1 = − (1.5x2 − 1.5x3 ) + 12 ⇒ x1 = (12 − 1.5x2 + 1.5x3 )
12
1
−3.5x2 = − ( 0.5x1 + x3 ) − 2 ⇒ x2 = − ( −2 − 0.5x1 − x3 )
3.5
1
27x3 = − ( 6x1 + 3x2 ) + 36 ⇒ 27x3 = (36 − 6x1 − 3x2 )
27
A sequência de vetores x(k) será obtida usando o processo iterativo na forma matricial
 x ( k +1 )   (k ) 
 1   0 1.5 / 12 −1.5 / 12  x1  12 / 12 
 x2( k +1)  = − 0.5 / −3.5  
 0 1 / −3.5   x2( k )  +  2 / 3.5 
   
 x3( k +1)   6 / 27 3 / 27 0   ( k )  36 / 27
 x3 
Assim, para k = 0, temos:
 x (1) 
 1   0 1.5 / 12 −1.5 / 12 0 12 / 12  119
    
( )
 x2  = − 0.5 / −3.5
1
 0 1 / −3.5  0 +  2 / 3.5 
 
 x3(1)   6 / 27 3 / 27 0  0 36 / 27
 x (1)  12 / 12
 1   
x ( ) =  x2(1)  =  2 / 3.5 
1
 
 x3(1)  36 / 27
Calculando a distância
d(1) = x(1) − x(0) ∞ = 1.333 > ε
Prosseguindo as iterações, temos:

Para k = 1
 x ( 2)   (1) 
 1   0 1.5 / 12 −1.5 / 12  x1  12 / 12 
 x2(2)  = − 0.5 / −3.5  
 0 1 / −3.5   x2(1)  +  2 / 3.5 
   
 x3(2)   6 / 27 3 / 27 0   (1)  36 / 27
 x3 
 x ( 2) 
 1   0 1.5 / 12 −1.5 / 12 12 / 12  12 / 12 
 x2(2)  = − 0.5 / −3.5    
 0 1 / −3.5   2 / 3.5  +  2 / 3.5 
 
 x3(2)   6 / 27 3 / 27 0  36 / 27 36 / 27
 x (2)  1.0952
 1   
( 2)  ( 2)  
x = x2 = 1.0952
  
 x3(2)  1.0476 
d(2) = x(2) − x(1) ∞ = 0.5238 > ε
Prosseguindo as iterações, temos:
CÁLCULO NUMÉRICO
Para k = 2
 x ( 3)   ( 2) 
 1   0 1.5 / 12 −1.5 / 12  x1  12 / 12 
 x2(3)  = − 0.5 / −3.5  
 0 1 / −3.5   x2(2)  +  2 / 3.5 
   
 x3(3)   6 / 27 3 / 27 0   (2)  36 / 27
 x3 
 x ( 3) 
 1   0 1.5 / 12 −1.5 / 12 1.0952 12 / 12 
    
( )
 x2  = − 0.5 / −3.5
3
 0 1 / −3.5  1.0952 +  2 / 3.5 
 
 x3(3)   6 / 27 3 / 27 0  1.0476 36 / 27
 x (3)  0.9940
 1   
( 3)  ( 3 )  
x = x2 = 1.0272
 
 x3(3)  0.9683
d(3) = x(3) − x(2) ∞ = 0.101 > ε
Como não é satisfeita a condição ε = 0.1, continuamos com o processo, para k = 3, temos:
 x ( 4)  0.9926
 1   
( 4)  ( 4)  
x = x2 = 0.9901
  
 x3( 4 )  0.9983
d(4) = x(4) − x(3) ∞ = 0.037 < ε
120
O processo iterativo termina, pois é satisfeita a condição ε = 0.1.
No exemplo acima, aplicamos o método de Gauss-Jacobi para obter uma solução aproximada do sistema
linear dado. Não tínhamos, porém, garantia de que a sequência gerada por esse método convergia para a
solução do sistema.
Critério de Convergência:
Seja M=[mij] a matriz de iteração do método de Gauss-Jacobi. Este método é convergente se:
a) O critério das linhas for satisfeito, isto é:

n
μ = max
1≤ i ≤ n ∑m
j =1
ij <1
j ≠i
b) O critério das colunas for satisfeito, isto é:

n
c = max
1≤ j≤ n ∑m
i =1
ij <1
i≠ j
c) Se a matriz A, do sistema Ax = b, é estritamente diagonal dominante, isto é:
n
∑a
i =1
ij < a ii para i = 1, 2,...,n
i≠ j
É necessário que um dos critérios acima seja satisfeito a fim de atingir a convergência do método iterativo.
CÁLCULO NUMÉRICO
Exemplo:
Considere o sistema linear de ordem 3,

12x1 + 1.5x2 - 1.5x3 = 12
0.5x1 - 3.5x2 + x3 = -2
6x1 + 3x2 + 27x3 = 36
 12 1.5 −1.5
Observe que a matriz A = 0.5 −3.5 1  dos coeficientes do sistema dada é diagonal dominante, pois
é satisfeita a relação:  6 3 27 
a12 + a13 = 1.5 + −1.5 < 12 = a11

a21 + a23 = 0.5 + 1 < −3.5 = a22
a31 + a32 = 6 + 3 < 27 = a33
Portanto, o método iterativo de Gauss-Jacobi gera uma sequência convergente. Como exemplo, verifique-
mos também os critérios das linhas e das colunas. A matriz M é dada por
 1.5 −1.5 
 0 12 12 
 
0.5 1
M = − 0 
 −3.5 −3.5 
 
 6 3
0 
 27 27 
Critério das linhas:

m12 + m13 = −1.5 / 12 + 1.5 / 12 = 0.25 121
m21 + m23 = 0.5 / 3.5 + 1 / 3.5 = 0.4285
m31 + m32 = −6 / 27 + −3 / 27 = .0.333
Então
3
μ = max
1≤ i ≤3 ∑m
j =1
ij = 0.4285 < 1
j ≠i
Critério das colunas

m21 + m31 = 0.5 / 3.5 + −6 / 27 = 0.3650
m12 + m32 = −1.5 / 12 + −3 / 27 = 0.2361
m13 + m23 = 1.5 / 12 + 1 / 3.5 = 0.4107
.
Então
3
c = max
1≤ j≤3 ∑m
i =1
ij = 0.4107 < 1
i≠ j
Método iterativo de Gauss-Seidel:

Com o objetivo de acelerar a convergência do método iterativo de Gauss-Jacobi o método de Gauss-Seidel
atualiza os valores das incógnitas em cada iteração. Assim, dado o sistema linear de ordem n.
a11 x1 + a12 x2 + a13 x3 + .. + a1n x n = b1

a21 x1 + a22 x2 + a23 x3 + .. + a2n x n = b2
a31 x1 + a32 x2 + a33 x3 + .. + a3n x n = b3
…. … …. …
a n1 x1 + a n2 x2 + a n3 x3 + .. + ann x n = bn
Supondo aii ≠ 0 para i = 1, ..., n elementos da diagonal da matriz dos coeficientes é diferente de zero, o
primeiro passo é isolar as incógnitas correspondentes a esses coeficientes.
CÁLCULO NUMÉRICO
1
x1 = (b1 − a12 x2 − a13 x3 − a14 x 4 −…− a1n x n )
a11
1
x2 = (b2 − a21 x1 − a23 x3 − a24 x 4 − ... − a2n x n )
a22
1
x3 = (b3 − a31 x1 − a32 x2 − a34 x 4 − ... − a3n x n )
a33
…. … …. … … … …
1
xn = (bn − a n1 x1 − a n2 x2 − a n3 x3 − ... − a n n −1 x n −1 )
a nn
( k +1 ) 1 (k ) (k ) (k )
(b1 − a12 x2 − a13 x3 − a14 x 4 −…− a1n x (n ) )
k
x1 =
a11
( k +1 ) 1 ( k +1 ) (k ) (k )
− a23 x3 − a24 x 4 − ... − a2n x (n ) )
k
x2 = (b2 − a21 x1
a22
( k +1 ) 1 ( k +1 ) ( k +1 ) (k )
− a34 x 4 − ... − a3n x (n ) )
k
x3 = (b3 − a31 x1 − a32 x2
a33
…. … …. … … … …
1 ( k +1 ) ( k +1 ) ( k +1 ) ( k +1 )
x (n
k +1 )
= (bn − a n1 x1 − a n2 x2 − a n3 x3 − ... − a n n −1 x n −1 )
a nn
O critério de convergência é o mesmo aplicado no critério de Gauss – Jacobi.
Exemplo:
122 12x1 + 1.5x2 - 1.5x3 = 12

0.5x1 - 3.5x2 + x3 = -2
6x1 + 3x2 + 27x3 = 36
0
Usaremos o método de Gauss-Seidel para obter a solução aproximada do sistema, considere x (0) = 0 e
ε = 0.8. Então isolando as incógnitas tais como descrito acima 0
1
x1 = (12 − 1.5x2 + 1.5x3 )
12
1
x2 = − ( −2 − 0.5x1 − x3 )
3.5
1
x3 = (36 − 6x1 − 3x2 )
27
x1
( k +1 )
=
1
12
( (k )
12 − 1.5x2 + 1.5x3
(k )
)
x2
( k +1 )
=
1
3.5
(
2 + 0.5x1
( k +1 )
+ x3
(k )
)
( k +1 ) 1
x3 =
27
(
36 − 6x1
( k +1 )
− 3x2
( k +1 )
)
Para k = 0, temos:
(1)
x1 =
1
12
( ( 0)
12 − 1.5x2 + 1.5x3
( 0)
) ⇒ x1 =
1
12
(1)
(12 − 1.5(0) + 1.5(0) ) = 1
(1)
x2 =
1
3.5
( (1)
2 + 0.5x1 + x3
( 0)
) (1)
⇒ x2 =
1
3.5
(2 + 0.5(1) + 0) = 0.71428
(1) 1
x3 =
27
( (1)
36 − 6x1 − 3x2
(1)
) (1) 1
⇒ x3 = (36 − 6 (1 ) − 3( 0.71428 ) ) = 1.63
27
Então
 x (1) 
 1   1 
(1)  (1)  
x = x2 = 0.71428
  
 x3(1)   1.63 
CÁLCULO NUMÉRICO
Para k = 1, temos:
( 2)
x1 =
1
12
( (1)
)(1) (1) 1
12 − 1.5x2 + 1.5x3 ⇒ x1 = (12 − 1.5( 0.71428 ) + 1.5( 1.63) ) = 1.1145
12
( 2)
x2 =
1
3.5
( ( 2)
)
(1)
2 + 0.5x1 + x3 ⇒ x2 =
(1) 1
3.5
(2 + 0.5(1.1145) + 1.63) = 1.1964
( 2) 1
x3 =
27
( ( 2)
)( 2) (1) 1
36 − 6x1 − 3x2 ⇒ x3 = (36 − 6 (1.1145) − 3(1.1964 ) ) = 0.9527
27
Então
 x (2)  1.1145
 1   
x ( ) =  x2(2)  = 1.1964 
2
 
 x3(2)  0.9527
x(2) − x(1) ∞ = 0.677 < ε
Tratamento numérico de equações

diferenciais ordinárias
UN 03
Neste tópico mostraremos como encontrar aproximações numéricas para a solução de uma equação dife-
rencial ordinária (EDO). Equações diferenciais aparecem com muita frequência na modelagem matemá-
tica das ciências e engenharias. Infelizmente, nem sempre se pode obter a solução analítica ou exata para
123
uma equação diferencial. Portanto, precisamos conhecer alguns métodos numéricos para obter aproxima-
ções da solução exata.
Revisão de equações diferenciais

As equações diferenciais são muito utilizadas na modelagem de problemas das ciências exatas, descreven-
do matematicamente diversos conceitos desenvolvidos nessas áreas de conhecimento. Assim, o estudo
da dinâmica populacional, a interpretação do decaimento radioativo, a lei de Newton do aquecimento e
resfriamento, o estudo da disseminação de uma doença, a relação quantitativa de reagentes e produtos em
uma reação química, a análise de misturas de substâncias, o estudo de um circuito elétrico e a descrição
da queda de corpos no ar são exemplos de fenômenos da vida real que podem ser melhor compreendidos
quando lhes são criados modelos matemáticos por meio de equações diferenciais.
Entende-se por equação diferencial qualquer equação que envolve uma variável dependente e suas deriva-
das em relação a uma ou mais variáveis independentes. As equações diferenciais são classificadas quanto
ao tipo, à ordem e à linearidade.
Quanto ao tipo, uma equação diferencial pode ser classificada como uma equação diferencial ordinária
(EDO) ou como uma equação diferencial parcial (EDP).
Uma equação diferencial ordinária é aquela que contém somente derivadas ordinárias de uma ou mais va-
riáveis dependentes em relação a uma única variável independente. As seguintes equações são exemplos
de equações diferenciais ordinárias:
dy
a) + y =1
dx
d²y dy
b) + + y2 = 0
dx² dx
2 4
 d3u   du 
c)  3  +   t = u + 1
 dt   dt 
 
CÁLCULO NUMÉRICO
∂²u ∂²u ∂²u

d) + + =0
∂x² ∂y² ∂z²
 ∂²u ∂²u ∂²u  ∂²u
e) a2  + + =
 ∂x² ∂y² ∂z²  ∂t²
 ∂²u ∂²u ∂²u  ∂u
f) a2  + + =
 ∂x² ∂y² ∂z²  ∂t
124
(
F x,y,y ′,…,y ( ) = 0
n
)
dn y
x,y, y ′,.. y ( ) e y ( ) =
n n
dx n
dn y dn −1 y dy
an ( x ) n
+ a n −1 ( x ) n −1
+…+ a1 ( x ) + a0 ( x ) y = g ( x ) ,
dx dx dx
d³y dy
+x − 5y = ex
dx³ dx
d²y
+ sen ( y ) = 0
dx²
(3.25)
CÁLCULO NUMÉRICO
dy
= 2x
dx
φ ( x ) = 16 − x2
−x
φ ( x ) = 16 − x2 e φ'( x ) =
16 − x2
φ ( x ) = 16 − x2 e φ'( x ) =
−x 125
2
16 − x
' −x
φ ( x ) φ ( x ) + x = 16 − x2 +x =0
16 − x2
−x
φ ( x ) = 16 − x2 e φ'( x ) =
16 − x2
Problema de valor inicial e problema

de valor de contorno
Uma EDO de ordem n do tipo
(
Resolver : y ( ) = f x, y, y ′,…,y ( )
n n −1
) 
Sujeito a : y ( x0 ) = y 0,  chamada de Problema de Valor Inicial (PVI)
y ′ ( x0 ) = y 1
..

………… .

y(
n −1)
( x0 ) = y ( n −1) 
O problema consiste em encontrar uma função ϕ(x) solução da EDO tal que para um único valor da vari-
ável independente x0 se verifica a restrição imposta. Assim, ϕ(x0 ) = y0, ϕ(x0) = y1 , …, ϕ(n-1) (x0 ) = yn-1,
onde y0, y1, …, yn-1 são constantes dadas.
Outro tipo de problema da forma
CÁLCULO NUMÉRICO
(
Resolver : y ( ) = f x, y, y ′,…,y ( )
n n −1
) 
Sujeito a : y ( x1 ) = y 1,  Problema de Valor de Contorno (PVC)
y ( x2 ) = y 2 
..
. 
y ( x n −1 ) = y ( n −1) 
O problema consiste em encontrar uma função ϕ(x) solução da EDO tal que para di-
ferentes valores da variável independente x se verifica a restrição imposta. Assim,
φφ(φ(x(x0x0)0)=
)==yy0,y0,0,φφ(φ(x(x1x1)1)=)==yy1,y1,1,φφ(φx((x2x2)2)=)==yy2y22,… , φ,,φ(φ((nn−−)11)()x
((xnxn−n1−−1)1)=)==yy(yn((n−n1−−)11)) . Onde x0, x1, …, x(n-1) e y0, y1, …, y(n-1)
n −1
…
,,…
são constantes dadas
Exemplos:
Os seguintes problemas são exemplos de PVI
a) y''- 8y' + 2y + 3x = 0
y(0) = 5.4
y' (0) = 4
b) xy''' + x2 y' + yy'' = 2xe(-3x)

y(1) = -2
y'(1) = 1
y''(1) = 0
126 A seguinte equação é um exemplo de PVC
3
d) y ′′ + ( y ′ − 6) = 0
x
y ( 0.5) = 7
y ′ (1 ) = 8
Os métodos numéricos estudados serão aplicáveis para o PVI no caso de n = 1. Neste caso, temos um pro-
blema de valor inicial de primeira ordem.
Problema de valores iniciais de primeira ordem
y ′ = f ( x,y )

 (3.26)
y( )
x0 = y 0 
é uma função contínua para todo (x, y) ∈ D e (x0, y0)∈D
( x,(x,x,φφφ( x(xx) ) ∈)∈∈D.D.D.φφφ( x(xx) )eeeφφφ''('x(xx) ) estão bem definidas

''('x(xx) )===ff(f x,
φφφ (x,x,φφφ( x(xx) ) )eeeφφφ( x(xx000) )===yyy000
CÁLCULO NUMÉRICO
:
y′ = x 

 (3.27)
y (0) = 0 

x2
φ( x ) = +C
2
:
y ′ = 8x y
y (0) = 0
FIQUE DE OLHO
Caro aluno, na disciplina de Equações Diferenciáveis você já viu diversos métodos para obter a
solução exata de uma EDO, tais como Método das variáveis separáveis, método do fator inte-
grante, dentre outros. Mas antes de procurar a solução exata (ou numérica), é necessário saber
sobre a existência da solução de uma EDO. Caso seja comprovada essa existência, procure saber
se ela é única.
127
y ′ = f ( x,y )
y ( x0 ) = y 0 } (3.29)
{
D = ( x,y ) ∈ R2 / a < x < b ; − ∞ < y < ∞ }
CÁLCULO NUMÉRICO
Corolário:
Vamos supor que a função f(x,y), dada em 3.29, é uma função definida e contínua em D = ( x,y ) ∈ R2 / a < x < b ; − {
{ }
D = ( x,y ) ∈ R2 / a < x < b ; − ∞ < y < ∞ para a e b finitos. Se existe uma constante L tal que
∂f ( x,y )
≤L para todo (x,y)∈D
∂y
O PVI 3.29 tem solução única ϕ(x) para x ∈ I.
Solução numérica de problemas de valor inicial
Seja o PVI
y ′ = f ( x,y )
y ( x0 ) = y 0 } (3.30)
e ϕ(x) é solução exata única do PVI 3.30 em I = [a,b].
A resolução numérica do PVI 3.30 consiste na obtenção de valores aproximados da solução exata nos pon-
tos xk ∈ [a,b]. Com isto, queremos aproximar os números ϕ(xk ), onde ϕ(x) não é conhecida, mas sabemos
que existe ou sua representação é muito complexa.
128 FIQUE DE OLHO

Você deve estar se perguntando como isto é feito. Se a solução exata ϕ(x) não é conhecida,
então de que forma vamos aproximar valores que não conhecemos?
O procedimento para obter os valores aproximados de ϕ(xk) é dado pelos seguintes passos:
Primeiro passo:
Verificar se o PVI 3.30 possui solução única; em outras palavras, se as hipóteses do Teorema de existência e
unicidade são satisfeitas (ou do corolário acima). Então, o PVI possui solução única ϕ(x). A função solução
é contínua e diferençável em I = [a,b].
Segundo passo:
Dividir o intervalo I = [a,b] em m subintervalos não necessariamente do mesmo comprimento. A fim de

facilitar, vamos supor que os m intervalos têm o mesmo comprimento. Esta divisão gera uma sequência de
pontos onde a = x0 e xm = b, como mostra a figura:
h h h h h h h h h
a = x0 x1 x2 x3 xk xk+ 1 xm - 1 xm = b
b-a
xk = x0 + kh, para k = 1, 2, ..., m com h=
m
O conjunto de pontos {x0, x1, ..., xm} é denominado rede ou malha de [a,b]. A distância h entre os pontos da
rede é chamada tamanho de passo e m representa o número de passos.
Denotemos por yk uma aproximação para a solução exata em xk ∈ [a,b], isto é:
y k ≈ yφk( x≈k φ) (exfkke) =eff(kx=k ,y

f ( kx k) ,y k ) (3.31)
CÁLCULO NUMÉRICO
Terceiro passo:
Aplicar algum método numérico para obter aproximações yk da solução exata ϕ(xk) nos pontos da malha.
Existem vários métodos numéricos para determinar a solução aproximada do PVI 3.30, entre eles temos o
método de Taylor, método de Euler o e método de Runge Kutta.
Método de Taylor
Seja o PVI
y ′ = f ( x,y )
y ( x0 ) = y 0 } (3.32)
com solução exata ϕ(x) e única do PVI 3.32 em I = [a,b].
Vamos supor que a função ϕ(x) possui (n+1) derivadas contínuas, então a série de Taylor de ϕ(x) em torno
de x = x0 é
( x − x0 )2 ( x − x 0 )n
φ ( x ) = φ ( x0 ) + ( x − x0 ) φ′ ( x0 ) + φ''( x0 ) +…+ φ( ) ( x0 ) + R (3.33)
n
2 n!
( x − x 0 )n +1 ( n +1 )
onde o resto R é dado por R = φ ( ξx ) e
ξx
é um ponto entre x e x 0.
( n + 1 )!
Se na equação 3.33 fazemos x = xk+1, x0 = xk e substituímos também R resulta:
129
( x k +1 − x k )2
φ ( x k +1 ) = φ ( x k ) + ( x k +1 − x k ) φ′ ( x k ) + φ''( x k ) +…+
2
n +1
( x k +1 − x k )n ( x − xk )
φ( ) ( x k ) + k +1 φ(
n +1 )
+
n
( ξk ) (3.34)
n! ( n + 1 )!
Denotando h = xk+1 - xk, a equação 3.34 pode ser reescrita
h2 hn ( n ) h n +1 ( n +1 )
φ ( x k +1 ) = φ ( x k ) + hφ′ ( x k ) + φ''( x k ) +…+ φ ( xk ) + φ ( ξk ) (3.35)
2 n! ( n + 1 )!
Se yk(i) representa a aproximação para a i-ésima derivada da função ϕ(x) em xk : yk(i) ≈ ϕ(i) (xk ) e usando
a notação yk ≈ ϕ(xk ), resulta da equação 3.35:
h2 hn ( n ) h n +1 ( n +1 )
φ ( x k +1 ) ≈ y k +1 = y k + h y'k + y''k +…+ y k ( xk ) + φ ( ξk )
2 n! ( n + 1 )!
Como a série de Taylor é infinita, por razões práticas limitamos o número de termos na expressão acima.
Assim, a série de Taylor truncada para certo n é da forma
h2 hn ( n )
y k +1 = y k + h y'k + y''k +…+ y k ( xk ) (3.35)
2 n!
E seu erro de truncamento é dado por
h n +1 ( n +1 )
e ( x k +1 ) = φ ( ξk )
( n + 1 )! (3.36)
CÁLCULO NUMÉRICO
Estimativa para o erro de truncamento:
Supondo que a função ϕ(x) possui (n+1) derivadas contínuas no intervalo de discretização I=[a,b] , existe
Mn +1 = max φ(
n +1 )
x∈I
(x)
Assim, teremos um majorante para o erro de truncamento
h n +1
e(x k +1 ) ≤ M
( n + 1 )! n +1
Observe que as derivadas ϕ’, ϕ’’, .., ϕ(n) na equação 3.35 não podem ser computadas, pois estamos supon-
do que a solução ϕ(x) não é conhecida. Pareceria, portanto, que não é possível encontrar yk(i) ≈ ϕ(i) (xk )
aproximação para a i-ésima derivada da função ϕ(x) em xk. Mas é possível determinar yk(i). Vejamos para
dois casos
Como ϕ é solução do PVI, então satisfaz
ϕ’(x) = f(x, ϕ(x))
Logo, derivando a equação acima obtemos
dφ′ ( x ) df ( x, φ ( x ) )
φ′′ ( x ) = = = fx ( x, φ ( x ) ) + fφ ( x, φ ( x ) ) φ′ ( x )
dx dx
Assim, podemos escrever no ponto ( x k , φ ( x k ) )

130
φ′ ( x k ) = f ( x k , φ ( x k ) )
φ′′ ( x k ) = fx ( x k , φ ( x k ) ) + fφ ( x k , φ ( x k ) ) φ′ ( x k )
Usando as notações de aproximação yk ≈ ϕ(xk ), y’k ≈ ϕ’(xk ) e y’’k ≈ ϕ’’(xk ) nas equações acima, temos:
φ′ ( x k ) ≈ y'k = f ( x k ,y k ) (3.37)
φ′′ ( x k ) ≈ y''k = fx ( x k ,y k ) + fy ( x k ,y k ) y'k (3.38)
Como a função f é dada no PVI, é possível conhecer y’k e y’’k.
Método de Euler
Seja o PVI
y ′ = f ( x,y )
}
(3.32)
y ( x0 ) = y 0
O método de Euler é um método de Taylor de ordem 1. Considere n = 1 na equação 3.35.
y k +1 = y k + h y'k (3.38)
e como y’k = f(xk, yk ), a equação 3.38 pode ser reescrita:
yk+1 = yk + h f (xk, yk ) para k = 0, 1, 2, …, m

(3.39)
O erro local cometido é a diferença entre o valor exato e o valor aproximado em cada ponto (xk, yk ), k = 0,
1, 2, …, m.
CÁLCULO NUMÉRICO
O erro de truncamento é
h2
E≤ M
( 2 )! 2
Onde
{
M2 = max φ''( x )
x∈[a,b]
}
O método de Euler é chamado de método de passo simples (ou método de Euler explícito), pois para cal-
cular yk+1 usamos apenas o valor yk.
1. Usando o método de Euler, calcule a solução aproximada de y(1) para o seguinte PVI
y’ = -2y
y(0) = 1
de uma estimativa do erro cometido
Verificando se o sistema possui solução única:

∂f ( x,y ) 2
Como = −2 = 2 ≤ L , basta considerar L = 3, e a função f(x, y) = -2y é contínua em todo R . Des-
∂y
te modo, pelo corolário, o PVI possui solução única.
É fácil verificar se ϕ(x) = e-2x é solução única do PVI. Mas a motivo de exemplo, vamos usar o método
de Euler explícito para obter a solução aproximada para ϕ(1) = y(1).
Considere o intervalo I = [a,b] = [0,1]. Agora devemos construir a malha. Vejamos os seguintes casos:
131
Primeiro caso:
1−0
é, h
Considerando m=1 intervalo, isto= = 1:
1
h
0 = x0 xi = 1
e usando a fórmula de Euler explícita
y k +1 = y k + hf ( x k ,y k )
Como temos um passo, devemos fazer somente uma iteração para k=0.
Para k=0:
O passo é h=1 , e x0 = 0 , y0 = 1 são obtidos da condição inicial ϕ(x0 ) = ϕ(0) = y0 = 1
A fórmula recursiva para k=0 é da forma

φ ( x1 ) = φ (1 ) ≈ y 1 = y 0 + hf ( x0 ,y 0 )
Logo, resulta
y1 = 1+1 f(0,1) = 1 + (-2)(1) = -1
y1 = -1
Considerando um passo ou um só intervalo temos um erro de
E = φ (1 ) − y 1 = e ( ) + 1 = 1.135335
−2 1
CÁLCULO NUMÉRICO
Segundo caso:
1−0
Consideremos agora 4 intervalos m = 4, com passo h = = 0.25 :
4
h h h h
0 = x0 x1 x2 x3 x4 = 1
A fórmula para obter as iterações é
φ ( x k +1 ) ≈ y k +1 = y k + hf ( x k ,y k )
Como temos 4 passos, devemos fazer 4 iterações para k = 0, k = 1, k = 2 e k = 3.
Para k = 0:
O passo é h =0.25
x0 = 0
y0 = 1 são obtidos da condição inicial ϕ(x0 ) = ϕ(0) = y0 = 1
A fórmula recursiva para k = 0 é da forma
φ ( x1 ) ≈ y 1 = y 0 + hf ( x0 ,y 0 )
φ ( x1 ) = φ ( 0.25) ≈ y 1 = y 0 + hf ( x0 ,y 0 )
⇒ y1 = 1 + 0.25f ( 0,1) = 1 + 0.25( −2) = 0.5
132 Para k = 1:
y1 = 0.5
O passo é h = 0.25
x1 = 0.25 é obtido de xk = x0 + kh com x0 = 0, k = 1 e h = 0.25
y1 = 0.5 é obtido do passo k = 0

φ ( x2 ) ≈ y 2 = y 1 + hf ( x1 ,y 1 )
φ ( x2 ) = φ ( 0.5) ≈ y 2 = y 1 + hf ( x1 ,y 1 )
⇒ y 2 = 0.5 + 0.25f ( 0.25,0.5) = 0.5 + 0.25( −1) = 0.25
y 2 = 0.25
Para k = 2:
O passo é h = 0.25

φ ( x3 ) ≈ y 3 = y 2 + hf ( x2 ,y 2 )
φ ( x3 ) = φ ( 0.75) ≈ y 3 = y 2 + hf ( x2 ,y 2 )
⇒ y3 = 0.25 + 0.25f ( 0.75,0.25) = 0.25 + 0.25( −0.5) = 0.125
y3 = 0.125
Para k = 3:
O passo é h=0.25
CÁLCULO NUMÉRICO
φ ( x 4 ) ≈ y 4 = y 3 + hf ( x3 ,y 3 )
φφ( x(φx4(4)x)=4=φ) φ(=1(φ1) ()≈1≈) ≈ yy4 4=y=4yy3=3+y+3hfhf

+(hf
x( 3x(3,yx,y3 3,y
) )3 )
⇒⇒y⇒ = 0.125
y4 4=y=40.125
0.125 (1,0.125
(1,0.125
+ 0.25f
++0.25f
0.25f (1,0.125
) )==0.125
) 0.125
= 0.125 ( −( −0.25
+ 0.25
++0.25
0.25 (0.25
) )==0.0625
−0.25 ) 0.0625
= 0.0625
= 0.0625
yy4 4=y=40.0625
0.0625
Considerando 4 intervalos, temos um erro de
E = φ (1 ) − y 1 = e ( ) − 0.0625 = 0.072835
−2 1
Observamos que quanto menor for a medida do passo, menor é o erro cometido.
Método de Taylor de ordem 2

Seja o PVI
y ′ = f ( x,y )

y ( x0 ) = y 0 } (3.32)
O método de Taylor de ordem 2. Considere n=2 na equação 3.35 tal que
h2
y k +1 = y k + h y'k +
2
y''k (3.38)
133
Onde
y’k = f(xk, yk )
y’’k = fx (xk, yk ) + fy (xk, yk ) y’k, então a equação 3.38 pode ser reescrita.
h2
y k +1 = y k + hf ( x k ,y k ) +
2 
fx ( x k ,y k ) + fy ( x k ,y k )  f ( x k ,y k ) ] para k = 0, 1, 2, …, m
O Erro de truncamento é
h3
E≤ M
( 3 )! 3
Onde
{
M3 = max φ'''( x )
x∈[a,b]
}
1. Usando o método de Taylor de ordem 2, calcule a solução aproximada de y(1) para o exercício resolvi-
do na pagina 131, dê uma estimativa do erro cometido.
Foi visto que ϕ(x) = e-2x é solução única do PVI. Mas a motivo de exemplo vamos usar o método de
Taylor de ordem 2 para obter a solução aproximada para ϕ(1)
Considere o intervalo I = [a,b] = [0,1] agora devemos construir a malha vejamos os seguintes casos:
Primeiro caso:
1−0
Considerando m = 1 intervalo, isto é, h = =1:
1
h
0 = x0 x1 = 1
CÁLCULO NUMÉRICO
e usando a fórmula de Taylor de ordem 2

h2
φ ( x k +1 ) ≈ y k +1 = y k + hf ( x k ,y k ) +
2 
fx ( x k ,y k ) + fy ( x k ,y k )  f ( x k ,y k ) ]
Para usar esta fórmula, precisamos computar fx e fy, de f(x,y) = -2y. Assim:
∂f ( x,y ) ∂f ( x,y )
fx = = 0 e fy = = −2
∂x ∂y
Logo
fx ( x k ,y k ) = 0 e fy ( x k ,y k ) = −2 e f ( x k ,y k ) = −2y k
Substituindo estes valores na equação acima, resulta
h2
φ ( x k +1 ) ≈ y k +1 = y k + h ( −2y k ) + [0 − 2](−2y k )
2
Ou
y k +1 = y k − 2h y k + 2h2 y k
Para este exemplo em particular, temos a fórmula recursiva
(
y k +1 = 1 − 2h + 2h2 y k )
Para k = 0:
134 O passo é h = 1 e
x0 = 0
(
y 1 = 1 − 2h + 2h2 y 0 )
( )
φ ( x1 ) = φ (1) ≈ y 1 = 1 − 2h + 2h2 y 0
⇒ y 1 = ( 1 − 2 + 2) 1 = 1
y1 = 1
E o erro
E = φ (1 ) − y 1 = e ( ) − 1 = 0.8647
−2 1
Segundo caso:
1-0
Considerando m = 2 intervalos, isto é, h = = 0.5 :
2
h h
0 = x0 x1 = 0.5 x2 = 1
A fórmula para obter as iterações é
(
φ ( x k +1 ) ≈ y k +1 = 1 − 2h + 2h2 y k )
Como temos 2 passos, devemos fazer 2 iterações para k = 0 e k = 1.
Para k = 0:
O passo é h = 0.5
CÁLCULO NUMÉRICO
x0 = 0
(
φ ( x1 ) ≈ y 1 = 1 − 2h + 2h2 y 0 )
( )
φ ( x1 ) = φ ( 0.5) ≈ y 1 = 1 − 2h + 2h2 y 0
⇒ y1 = [1 − 2( 0.5) + 2( 0.5)  ( 1) = 0.5

2
y1 = 0.5
Para k = 1:
O passo é h = 0.5

(
φ ( x2 ) ≈ y 2 = 1 − 2h + 2h2 y1 )
(
⇒ y 2 = [1 − 2( 0.5) + 2 0.5)2  ( 0.5)
y 2 = 0.25
Considerando 2 intervalos, temos um erro de

135
−2(1)
E = φ (1 ) − y 2 = e − 0.25 = 0.1147.
Observamos que com uma iteração m=1 o método de Taylor de ordem 2 aproxima melhor do que o
método de Euler.
Exemplo:
Considere o seguinte exemplo:
y’ = -xy
y(0) = 1
onde I = [0,1].
Certamente você será capaz de verificar que o PVI possui solução única.
Levando em consideração o método de Taylor de 4 ordem, precisamos observar as seguintes derivadas
y’’ = -y + x2 y
y’’’ = 3xy - yx3
y(4) = 3y - 6x2 y + 4x4 y
Podemos ver claramente que para uma função simples f(x,y) = -xy o processo de derivada começa a tornar-
-se complexo na medida em que a ordem cresce. Isto constitui uma desvantagem do método de Taylor.
Método de Runge-Kutta
O método de Taylor possui um erro local de discretização de ordem elevado; porém, como foi visto tem
uma desvantagem que o faz indesejável para uso na prática. Os métodos de Runge-Kutta se caracterizam
por ter um erro local de ordem elevado, tal como os métodos de Taylor, porém, estes métodos evitam o
cálculo das derivadas de f(x,y).
CÁLCULO NUMÉRICO
Os métodos de Runge-Kutta têm uma representação na forma:
y k +1 = y k + Inclinação .h
Onde “inclinação” é uma constante determinada por certos números de pontos em um subintervalo. O
número de pontos usados para determinar a constante “inclinação” é dado pela ordem do método usado.
Assim, os métodos de Runge-Kutta de segunda ordem usam dois pontos para determinar esta constante;
no caso dos métodos de Runge-Kutta de terceira ordem usam três pontos, e assim por diante. O método de
Runge-Kutta de quarta ordem é o mais popular e de maior aplicação na prática.
A forma geral dos métodos de Runge-Kutta de segunda ordem é:
y k +1 = y k + ( c1K1 + c2K 2 ) .h
com
K1 = f ( x k ,y k )
K 2 = f ( x k + a2h,y k + b21K1h )
Onde c1, c2, a2 e b21 são constantes que variam de acordo com o método a ser usado.
1 1
=
Por exemplo, se c1 =, c2= e b21 1 , temos o método de Euler modificado, que corresponde ao
, a2 1=
2 2
método de Runge-Kutta de segunda ordem:
1 1 
y k +1 = y k +  K1 + K 2  .h
2 2 
136 com
K1 = f ( x k ,y k )
K 2 = f ( x k + h,y k + K1h )
1 3 2 2
=
Se c1 =, c2= , a2 = e b21 , resulta no método de Heun, que corresponde ao método de Runge Kutta
4 4 3 3
de segunda ordem:
1 3 
y k +1 = y k +  K1 + K2  .h
4 4 
com
K1 = f ( x k ,y k )
 2 2 
K2 = f  x k + h,y k + K1h 
 3 3 
Em geral, os métodos de Runge-Kutta de quarta ordem são da forma:
y k +1 = y k + ( c1K1 + c2K2 + c3K3 + c4K 4 ) .h
com
K1 = f ( x k ,y k )
K 2 = f ( x k + a2h,y k + b21K1h )
K3 = f ( x k + a3h,y k + b31K1h + b32K 2h )
K 4 = f ( x k + a 4 h,y k + b41K1h + b42K 2h + b43K3h )
Onde c1, c2, c3,c4, a2, a3, a4, b21, b31, b32, b41, b42 e b43 são constantes que variam de acordo com o método
a ser usado.
O método de Runge-Kutta de quarta ordem clássico usa as seguintes constantes

1 2 1
c1 = c4 = , c2 = c3 = , a2 = a3 = b21 = b32 = , a4 = b43 = 1 , b31 = b41 = b42 = 0
6 6 2
CÁLCULO NUMÉRICO
Assim, temos a fórmula recursiva
1
y k +1 = y k + ( K1 + 2K2 + 2K3 + K 4 ) .h
6
onde
K1 = f ( x k ,y k )
 1 1 
K 2 = f  x k + h,y k + K1h 
 2 2 
 1 1 
K3 = f  x k + h,y k + K 2h 
 2 2 
K 4 = f ( x k + h,y k + K3h )
1. Usando o método de Runge-Kutta de quarta ordem, calcule a solução aproximada de y(1) para o se-
guinte PVI:
y' = -xy
y(0) = 1
Considere o intervalo I=[a,b]=[0,1], devemos construir a malha. Vejamos os seguintes casos:
Primeiro caso:
1−0
Considerando m=1 intervalo, isto é, h =
1
=1 ⇒ h = 1:
137
h
0 = x0 x1 = 1
E usando a fórmula
1
( K1 + 2K2 + 2K3 + K 4 ) .h
y k +1 = y k +
6
Para k = 0:
O passo é h = 1 , e
x0 = 0
1
y1 = y0 + ( K1 + 2K2 + 2K3 + K 4 ) .h
6
Onde
f ( x,y ) = −xy é dada no PVI
K1 = f ( x0 ,y 0 ) ⇒ K1 = − x0 y 0 = −0 ( 1 ) = 0
 1 1   1
K 2 = f  x0 + h,y 0 + K1h  ⇒ K 2 = − 0 +  .[1 + 0] = −0.5
 2 2   2
 1 1   1   1  1  3
K3 = f  x0 + h,y 0 + K 2h  ⇒ K3 = − 0 +  . 1 +  −   = −
 2 2   2   2  2  8
 3 5
K 4 = f ( x0 + h,y 0 + K3h ) ⇒ K 4 = − [0 + 1]. 1 −  = −
 8 8
CÁLCULO NUMÉRICO
Substituindo estes valores na fórmula recursiva
1
y1 = y0 + ( K1 + 2K2 + 2K3 + K 4 ) .h
6
Resulta
1  1  3 5 29
y 1 = 1 +  0 + 2 −  + 2 −  −  .1 = = 0.6041
6  2  8 8 48
Logo, a solução aproximada para ϕ(1) usando um passo é dada por y1 = 0.6041.
Segundo caso:
1−0
Considerando m=2 intervalos, isto é h = = 0.5:
2
E usando a fórmula
h h
0 = x0 x1 = 0.5 x2 = 1
1
y k +1 = y k + ( K1 + 2K2 + 2K3 + K 4 ) .h
6
Como temos dois passos, devemos fazer duas iterações para k=0 e k=1.
Para k = 0:
138 O passo é h = 0.5

x0 = 0

1
y1 = y 0 + ( K1 + 2K2 + 2K3 + K 4 ) .h
6
onde
Onde
f ( x,y ) = −xy é dada no PVI
K1 = f ( x0 ,y 0 ) ⇒ K 1 = − x 0 y 0 = −0 ( 1 ) = 0
 1 1   1  1  1
K 2 = f  x0 + h,y 0 + K1h  ⇒ K2 = − 0 +    . (1 + 0 ) = −
 2 2   2  2  4
 1 1   1  1  1 1  1 15
K3 = f  x0 + h,y 0 + K 2h  ⇒ K3 = − 0 +    .[1 +  − ( )] = −
 2 2   2  2  2 4  2 64
 1   15  1   113
K 4 = f ( x0 + h,y 0 + K3h ) ⇒ K 4 = − 0 +  . 1 −    = −
 2  64 2
  256
1
y1 = y 0 + ( K1 + 2K2 + 2K3 + K 4 ) .h
6
resulta
1  1   15  17 
y 1 = 1 +  0 + 2 −  + 2 −  −  .1 = 0.8825
6  4   16  64 
Para k = 1:
O passo é h = 0.5
x1 = 0.5 é obtido de x1 = x0 + h ⇒ x1 = 0 + 0.5 = 0.5
y1 = 0.8825 é obtido do casso para k = 0
CÁLCULO NUMÉRICO

1
y2 = y1 + ( K1 + 2K2 + 2K3 + K 4 ) .h
6
onde Onde
f ( x,y ) = − xy e dada no PVI
K1 = f ( x1 ,y 1 ) ⇒ K1 = − ( 0.5) . ( 0.8825) = −0.4412
 1 1   1  1   1  1 
K 2 = f  x1 + h,y 1 + K1h  ⇒ K 2 = − 0.5 +    0.8825 + ( −0.4412)    = −0.5791
 2 2   2  2   2  2 
 1 1   1  1  1 1
K3 = f  x1 + h,y 1 + K 2h  ⇒ K3 = − 0.5 +    .[0.8825 + ( −0.5791 )( )] = 0.5533
 2 2   2  2  2 2
 1   1 
K 4 = f ( x1 + h,y 1 + K3h ) ⇒ K 4 = − 0.5 +  . 0.8825 + ( −0.5533) .    = − 0.6059
 2   2 
1
y 2 = y 1 + ( K1 + 2K2 + 2K3 + K 4 ) .h
6
resulta
1
y 2 = 0.8825 +  −0.4412 + 2( −0.5791) + 2( −0.5533) − 0.6059 ( 0.5) = 0.6065
6
Logo, a solução aproximada para ϕ(1) usando dois passos é dada por y2 = 0.6065.
1. Resolver os seguintes sistemas usando os métodos diretos: Regra de Cramer, Método de Eliminação de
139
Gauss e método de decomposição LU.
2x − 3y + x = −5
0.03x + 58,9y = 59.2
a) b) 4x − 6y − z = −7
5,3x − 6.10y = 47
1x + 2y + z = 4
2. Encontrar as normas A F , A ∞ e A 1 , onde A representa a matriz dos coeficientes dos sistemas

(a) e (b) do exercício 1.
3. Use o método de Gauss-Jacobi e Gauss-Seidel para obter uma solução aproximada dos sistemas dados
3 2
no exercício 1 use 3 iterações. Compute o erro x 4 − x3 .
4. Dado o PVI
y’ = y
y(0) = 1
Usando o método de Taylor de ordem 2, faça uma tabela para a solução do PVI. Considere h=0.1 e n=5.
Compute o erro em cada iteração.

5. Usando o método de Euler, calcule a solução aproximada de y(1) para o PVI dado no exercício 4. Dê
uma estimativa do erro cometido. Use m=3.
6. Dado o PVI
y’ = 1x + 4y
y(0) = 1
Use o método de Runge Kutta de quarta ordem para determinar uma estimativa y(1). Use m = 2.
CÁLCULO NUMÉRICO
Referências
BURDEN, Richard; FAIRES, Douglas. Análises Numéricas. São Paulo: Pioneira Thomson Learning, 2008.
RUGGIERO, Márcia; LOPES, Vera. Cálculo Numérico aspectos teóricos e computacionais. 2ª Ed. São
Paulo: Pearson Makron Books, 1998.
FRANCO, Neide Bertoldi. Cálculo Numérico. São Paulo: Pearson Prentice Hall, 2006
LIMA, Elon Lages. Analise Real. Vol. 1, coleção matemática universitária, IMPA, 2007.
BARROSO, Leonidas. Cálculo Numérico - com aplicações, 2ª Ed. São Paulo: Harbra Ltda, 1987.
140
CÁLCULO NUMÉRICO
ANOTAÇÕES
EDITORA
EDUFERSA - Editora da Universidade Federal Rural do Semi-Árido
Campus Leste da UFERSA
Av. Francisco Mota, 572 - Bairro Costa e Silva
Mossoró-RN | CEP: 59.625-900
edufersa@ufersa.edu.br
IMPRESSÃO
Imprima Soluções Gráfica Ltda/ME
Rua Capitão Lima, 170 - Santo Amaro
Recife-PE | CEP: 50040-080
Telefone: (91) 3061 6411
COMPOSIÇÃO
Formato: 21cm x 29,7cm
Capa: Couchê, plastificada, alceado e grampeado
Papel: Couchê liso
Número de páginas: 144
Tiragem: 400
Agência Brasileira do ISBN

ISBN 978-85-63145-60-4
U N I V E R S I D A D E F E D E R A L
R U R A L D O S E M I - Á R I D O
núcleo de educação a distância
Ministério
da Educação

Caderno Didatico Calculo Numerico

Enviado por

Dados do documento

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

Caderno Didatico Calculo Numerico

Enviado por

Direitos autorais:

Formatos disponíveis

Santos Demetrio Miranda Borjas

Universidade Aberta do Brasil

Universidade Federal Rural do Semi-Árido

Núcleo de Educação a Distância

Equipe multidisciplinar Equipe administrativa

Biblioteca Central Orlando Teixeira – BCOT/UFERSA

B734c Borjas, Santos Demetrio Miranda.

1. Cálculo numérico. 2. Matemática. I. Título.

RN/UFERSA/BCOT CDD: 518

Santos Demétrio Miranda Borjas é bacharel em Matemática e dou-

Profº. Santos Miranda

SISTEMA DE NUMERAÇÃO E ERROS

REPRESENTAÇÃO DECIMAL E BINÁRIA 13

• Conversão de números no sistema decimal e binário  14

• Representação de um número no formato ponto flutuante  16

• Armazenamento de um número na memória do computador  18

• Aritmética de ponto flutuante  21

• Forma padrão do polinômio interpolador  30

• Estudo do erro na interpolação  38

PROBLEMA DE AJUSTE DE CURVAS, CASO DISCRETO  42

• Medição da qualidade de ajuste  44

• Regressão linear por mínimos quadrados  44

O PROBLEMA DE DETERMINAR ZEROS DE FUNÇÕES  51

• Métodos iterativos para calcular zeros de funções  57

• Método do ponto fixo  63

ANÁLISES DE ERROS PARA MÉTODOS ITERATIVOS  71

• Importância da integração numérica  74

RESOLUÇÃO NUMÉRICA DE EQUAÇÕES LINEARES E TRATAMENTO

NUMÉRICO DE EQUAÇÕES DIFERENCIAIS ORDINÁRIAS

REVISÃO DE SISTEMAS LINEARES  95

• Classificação de um sistema linear  97

• Métodos de solução de sistemas lineares  98

• Normas de vetores e matrizes  110

• Métodos indiretos  115

TRATAMENTO NUMÉRICO DE EQUAÇÕES DIFERENCIAIS ORDINÁRIAS 123

• Revisão de equações diferenciais  123

• Problema de valor inicial e problema de valor de contorno  125

• Problema de valores iniciais de primeira ordem  126

• Solução numérica de problemas de valor inicial  128

• Método de Taylor  129

• Método de Euler  130

• Método de Taylor de ordem 2  133

• Método de Runge-Kutta  135

Neste capítulo, vamos conhecer os sistemas de numeração,

• Mostrar a representação de números na base decimal e na

• Demonstrar a conversão de números nos sistemas decimal e

• Apresentar os diferentes tipos de erros.

Representação decimal e binária

(X)B = (dn d(n-1)..d1 d0 .d(-1) d(-2)..d(-m) )B

a) Decompor o número 421.0012 na base decimal B=10

(421.0012 )10 = 4x102 + 2x101 + 1x100 + 0x10(-1) + 0x10(-2) + 1x10(-3) + 2x10(-4).

parte inteira parte decimal

b) Decompor o número 20.70018 na base decimal B=10

(20.70018 )10 = 2x101 + 0x100+7x10-1 + 0x10-2 + 0x10-3 + 1x10-4 + 8x10-5.

parte inteira parte decimal

c) Decompor o número 10110.111 na base binária B=2

(10110.111 )2=1x24 + 0x23+1x22 + 1x21 + 0x20+1x2-1 + 1x2-2+1x2-3.

parte inteira parte decimal

d) Decompor o número 0.10111 na base binária B=2

(0.100111 )2= 0x20 + 1x2-1 + 0x2-2 + 0x2-3 + 1x2-4 + 1x2-5 + 1x2-6.

parte inteira parte decimal

Conversão de números nos sistemas

1. Mudar a representação dos números:

a) (1101)2 para a base 10

• Conversão de números no sistema decimal e binário 14

• Representação de um número no formato ponto flutuante 16

• Armazenamento de um número na memória do computador 18

• Aritmética de ponto flutuante 21

• Forma padrão do polinômio interpolador 30

• Estudo do erro na interpolação 38

PROBLEMA DE AJUSTE DE CURVAS, CASO DISCRETO 42

• Medição da qualidade de ajuste 44

• Regressão linear por mínimos quadrados 44

O PROBLEMA DE DETERMINAR ZEROS DE FUNÇÕES 51

• Métodos iterativos para calcular zeros de funções 57

• Método do ponto fixo 63

ANÁLISES DE ERROS PARA MÉTODOS ITERATIVOS 71

• Importância da integração numérica 74

REVISÃO DE SISTEMAS LINEARES 95

• Classificação de um sistema linear 97

• Métodos de solução de sistemas lineares 98

• Normas de vetores e matrizes 110

• Métodos indiretos 115

• Revisão de equações diferenciais 123

• Problema de valor inicial e problema de valor de contorno 125

• Problema de valores iniciais de primeira ordem 126

• Solução numérica de problemas de valor inicial 128

• Método de Taylor 129

• Método de Euler 130

• Método de Taylor de ordem 2 133

• Método de Runge-Kutta 135