Universidade Federal de Lavras

Instituto de Ciências Exatas e Tecnológicas

Departamento de Matemática e Matemática Aplicada

Apostila: Cálculo Numérico

Autor: Prof. Tiago Vieira

Lavras/MG
Junho/2022
Sumário

Apresentação 3

I Tópicos 4
1 Sistemas de numeração, conversão decimal-binário-decimal e erros 5

2 Zeros de funções – métodos intervalares 7

3 Zeros de funções – métodos abertos 11

4 Sistemas lineares – métodos interativos 14

5 Sistemas lineares – métodos exatos 18

6 Sistemas não-lineares 22

7 Método dos quadrados mı́nimos 25

8 Intepolação polinomial 29

9 Intepolação por splines 32

10 Integração numérica 37

II Listas de exercı́cios 41
1 Sistemas de numeração, conversão decimal-binário-decimal e erros 42

2 Zeros de funções – métodos intervalares 44

3 Zeros de funções – métodos abertos 47

4 Sistemas lineares – métodos iterativos 50

5 Sistemas lineares – métodos exatos 52

6 Sistemas não-lineares 54

7 Método dos quadrados mı́nimos 57

8 Interpolação polinomial 61

1
9 Interpolação por splines 63

10 Integração numérica 65

III Respostas das listas de exercı́cios 69

1 Sistemas de numeração, conversão decimal-binário-decimal e erros 70

2 Zeros de funções – métodos intervalares 72

3 Zeros de funções – métodos abertos 75

4 Sistemas lineares – métodos iterativos 78

5 Sistemas lineares – métodos exatos 80

6 Sistemas não-lineares 83

7 Método dos quadrados mı́nimos 86

8 Interpolação polinomial 91

9 Interpolação por splines 94

10 Integração numérica 96

2
Apresentação

Este material é um compilado das notas de aula e das listas de exercı́cios trabalhadas com
os alunos da disciplina de Cálculo Númerico da UFLA. Ele foi elaborado para utilização no
contexto do Estudo Remoto Emergencial iniciado no ano 2020 e carece de revisão mais apurada,
embora semestralmente erros sejam corrigidos e algumas alterações sejam feitas. Seu propósito
é apontar aos alunos os tópicos que serão abordados na disciplina, de modo que não há qualquer
intenção de apresentar esses tópicos de forma aprofundada. Ele não é e não substitui um livro-
texto, portanto, caro(a) aluno(a), utilize-o sempre como um material prévio ou adicional ao
livro-texto indicado pelo professor.
Os conteúdos aqui constantes podem ser encontrados, total ou parcialmente, em livros que
tratam de cálculo numérico, análise numérica, métodos numéricos ou métodos computacionais.
Alguns deles são:

ˆ CAMPOS FILHO, F. F. Algoritmos numéricos: uma abordagem moderna de cálculo

numérico. 3. ed. Rio de Janeiro: LTC, 2018.

ˆ CHAPRA, S. C.; CANALE, R. P. Métodos numéricos para engenharia. 7. ed.

Porto Alegre: AMGH Ed., 2016.

ˆ FRANCO, N. B. Cálculo numérico. São Paulo: Pearson Prentice Hall, 2007.

ˆ RUGGIERO, M. A. G; LOPES, V. L. R. Cálculo numérico: aspectos teóricos e com-

putacionais. 2. ed. São Paulo: Makron Books, 1997.

3
Parte I

Tópicos

4
Tópico 1: Sistemas de numeração,
conversão decimal-binário-decimal e
erros

ˆ Sistemas de numeração
Número é a ideia de quantidade ou o resultado de uma operação sobre uma quantidade.
Numeral é a representação escrita ou falada de um número.
Algarismo (ou dı́gito) é o sı́mbolo que usamos para compor numerais através da escrita.
Sistema de numeração é um conjunto de convenções usado para representar quantidades.
Caracterı́stica posicional: cada algarismo contribui com um peso diferente para o valor
do número representado e esse peso é determinado por sua posição.
Notação numérica: ou ponto fixo, ou ponto flutuante.
ˆ Conversão decimal-binário-decimal
Um número inteiro N escrito na forma Am−1 Am−2 Am−3 . . . A2 A1 A0 , composta por m
algarismos Ai numa base B, tem seu valor dado pela expressão
m−1
X
Ai B i .


N=
i=0

Se N é não-inteiro e está escrito na forma Am−1 Am−2 Am−3 . . . A2 A1 A0 A−1 A−2 . . . A−k ,
composta por m algarismos inteiros e k algarismos fracionários, a expressão correta é
m−1
X
Ai B i .


N=
i=−k

ˆ Erros
Os números irracionais não têm representação escrita com uma quantidade finita de al-
garismos, qualquer que seja o sistema de numeração utilizado, portanto precisarão de
arredondamento, ou seja, chegar-se-á a resultados aproximados sempre que forem utiliza-
dos os cálculos.
Num sistema de numeração especı́fico, há um subconjunto de números racionais que
não podem ser escritos, sem o uso da notação de fração, com uma quantidade finita de
algarismos, levando ao mesmo problema dos números irracionais.
Sendo x o valor exato de uma variável e x̄ seu valor calculado (aproximado), definem-se
dois tipos de erros:
   
 Erro absoluto   x − x̄ 
Erro absoluto = |x − x̄| e Erro relativo =  =
  x .

x

5
ˆ Erros de arredondamento X erros de truncamento

– Os erros de arredondamento são causados pela limitação da representação numérica

utilizada. São erros de magnitude geralmente pequena e incontrolável pois dependem
das operações bit a bit realizadas pela máquina.
– Os erros de truncamento derivam das limitações dos métodos numéricos empregados
e tendem a produzir desvios maiores nos resultados dos cálculos numéricos, embora
esses desvios possam ser minimizados, por exemplo, aumentando a quantidade de
iterações.

6
Tópico 2: Zeros de funções – métodos
intervalares

ˆ Definição e teorema
Definição: zero de uma função.
Seja f uma função real definida no conjunto A e seja a ∈ A. Quando f (a) = 0, então a é
um zero da função f .
Teorema do valor intermediário.
Seja f uma função contı́nua definida em [a; b] e seja k um número qualquer entre f (a) e
f (b). Pode-se afirmar que existe um número c ∈ [a; b] tal que f (c) = k.
Geometricamente, todo ponto em que o gráfico de um função de uma variável desenhado
sobre um sistema de eixos cartesiano intercepta o eixo horizontal é um zero da função.
O teorema do valor intermediário garante que há um zero da função no intervalo [a; b],
incluindo as extremidades, sempre que f (a) · f (b) ≤ 0.

ˆ Propósito e métodos iterativos

Toda equação de uma variável pode ser reescrita na forma f (x) = 0 e solucionar tal
equação torna-se um problema equivalente ao de encontrar o zero desta função f .
Quando o zero de uma função não pode ser encontrado algebricamente, pode-se utili-
zar uma abordagem numérica baseada em métodos iterativos. Eles são métodos que,
dada uma condição inicial adequada, geram resultados que servem como novos valores de
entrada para uma execução seguinte, conforme ilustra o diagrama abaixo.

entrada inicial → método iterativo → resultado 1 → método iterativo → resultado 2

ˆ Condições iniciais e finais para a execução do método numérico iterativo

Condições iniciais são ou um conjunto numérico que contenha um zero da função, ou uma
estimativa inicial adequada para o valor do zero.
Condições finais são critérios (de parada da execução do método numérico) utilizados
para definir ou quando uma estimativa para o zero da função foi encontrada com precisão
adequada, ou quando se verifica que o método não conseguirá obter tal estimativa. Os
principais critérios de parada são:
– o erro absoluto ou o erro relativo na estimativa do zero da função;
– o valor da função calculada na estimativa do zero;
– um limite máximo para a quantidade de iterações.

ˆ Método da bisseção
O método da bisseção trabalha dividindo ao meio um intervalo inicial contendo um zero
da função até que esse intervalo se torne tão pequeno quanto se deseje.

7
 1. Utilizando o teorema do valor intermediário, determine um intervalo inicial [a; b]
para a execução do método tal que ele contenha pelo menos um zero da função f
dada.
 
a+b
2. Teste se o ponto médio x = do intervalo é um zero da função.
2
I Se sim, a iteração deve ser encerrada e x é o valor procurado.
I Se não, verifique se f (a) f (x) ≤ 0.
. Se sim, há um zero no intervalo [a; x].
. Se não, há um zero no intervalo [x; b].
I Defina como novo intervalo aquele no qual há um zero de f .
3. Repita o passo 2 até que um dos critérios de parada seja alcançado.

A figura a seguir ilustra a localização das quatro primeiras estimativas para o zero da
função f (x) quando se aplica o método da bisseção ao intervalo inicial [a; b]. Cada esti-
mativa é o ponto médio do intervalo utilizado e este intervalo deve ser atualizado para o
cálculo de cada nova estimativa de modo a garantir que ele contenha o zero da função.
y

x2 x1
x
a x3 x b
4
•
f (x)

ˆ Método da posição falsa

O método da posição falsa é uma modificação do método da bisseção buscando uma
convergência mais rápida para o resultado. Ele divide o intervalo em partes desiguais,
buscando trabalhar com a menor parte do intervalo na próxima iteração.

1. Utilizando o teorema do valor intermediário, determine um intervalo inicial [a; b]

para a execução do método tal que ele contenha pelo menos um zero da função f
dada.
a|f (b)| + b|f (a)|
2. Teste se x = é um zero da função.
|f (a)| + |f (b)|
I Se sim, a iteração deve ser encerrada e x é o valor procurado.
I Se não, verifique se f (a) f (x) ≤ 0.
. Se sim, há um zero no intervalo [a; x].
. Se não, há um zero no intervalo [x; b].
I Defina como novo intervalo aquele no qual há um zero de f .
3. Repita o passo 2 até que um dos critérios de parada seja alcançado.

A figura a seguir ilustra a localização das quatro primeiras estimativas para o zero da
função f (x) quando se aplica o método da posição falsa ao intervalo inicial [a; b]. Cada
extremidade do intervalo é projetada sobre o gráfico e é traçada uma reta ligando esses

8
 pontos. A interceptação do eixo horizontal por esta reta indica a localização da estimativa
do zero da função.
y

x3 x2 x1
• x
a b
x4 •
•
f (x)
•

ˆ Método alternativo da posição falsa

Pode-se tentar uma melhoria no método da posição falsa visando uma convergência mais
rápida, ao se exigir que, quando uma das extremidades é mantida durante duas iterações
consecutivas, a imagem correspondente àquela extremidade seja dividida pela metade.

1. Utilizando o teorema do valor intermediário, determine um intervalo inicial [a; b]

para a execução do método tal que ele contenha pelo menos um zero da função f
dada.
Defina variáveis para armazenar o valor absoluto da função em cada extremidade do
intervalo: A = |f (a)| e B = |f (b)|.
aB + bA
2. Teste se x = é um zero da função.
A+B
I Se sim, a iteração deve ser encerrada e x é o valor procurado.
I Se não, verifique se f (a) f (x) < 0.
. Se sim, há um zero no intervalo [a; x]. Portanto, no inı́cio da próxima
iteração, faça a extremidade superior do intervalo b assumir o valor de x
e atualize os valores de B por |f (x)| e de A por A/2.
. Se não, há um zero no intervalo [x; b]. Portanto, no inı́cio da próxima
iteração, faça a extremidade inferior do intervalo a assumir o valor de x
e atualize os valores de A por |f (x)| e de B por B/2.
3. Repita o passo 2 até que um dos critérios de parada seja alcançado.

A figura a seguir ilustra a localização das duas primeiras estimativas para o zero da
função f (x) quando se aplica o método alternativo da posição falsa ao intervalo inicial
[a; b]. A interpretação geométrica é semelhante àquela do método da posição falsa, mas
neste caso a extremidade do intervalo que se mantém inalterada durante duas ou mais
iterações consecutivas tem sua altura dividida por 2, aproximando-se do eixo horizontal
com a intenção de que a estimativa calculada esteja ainda mais próxima do valor real do
zero da função.

9
 y

•
• x2 x1
x
a b
•
f (x)
•

10
Tópico 3: Zeros de funções – métodos
abertos

ˆ Método do ponto fixo

O método do ponto fixo consiste em transformar a equação f (x) = 0 numa equação
x = φ(x), onde φ é chamada de função de iteração de f . Em seguida essa equação é
iterada na forma xt+1 = φ(xt ) a partir de uma estimativa inicial x0 .

1. Escolha uma estimativa inicial x0 para o zero da função f dada.

2. Calcule a próxima estimativa utilizando xt+1 = φ(xt ).
3. Repita o passo 2 até que um dos critérios de parada seja satisfeito.

Há garantia de que o método converge para a solução apenas quando:

. φ(x) e φ0 (x) são contı́nuas em um intervalo I centrado no valor do zero de f ;

. |φ0 (x)| < 1;
. x0 ∈ I.

A convergência é tão mais rápida quanto menor for |φ0 (x)|. É importante notar que
estes critérios, quando atendidos, garantem a convergência das iterações para a solução,
porém caso não sejam atendidos, a consequência é que nada pode ser afirmado sobre a
convergência antes que alguns iterações sejam realizadas.
A figura a seguir ilustra a localização das cinco primeiras estimativas (excluı́da a esco-
lha inicial) para o zero da função f (x) quando se aplica o método do ponto fixo com
estimativa inicial x0 . Deve-se prestar atenção que no caso do método do ponto fixo, o
gráfico analisado é da função de iteração φ(x) e não da função f (x); e no caso da função
de iteração, a solução não ocorre na interceptação com o eixo horizontal, mas na inter-
ceptação com a reta y = x (diagonal principal). Os passos necessários para localizar as
estimativas são: (i) cada estimativa deve ser projetada verticalmente sobre o gráfico de
φ(x); (ii) a partir dessa posição deve ser traçada uma reta horizontal; (iii) a interceptação
desta reta horizontal com a diagonal principal dá a posição da próxima estimativa sobre
o eixo horizontal; (iv) os passos anteriores são repetidos até que sejam encontradas todas
as estimativas desejadas.

11
 y
y=x

• •• φ(x)
•

x0 • x5
x
•
x1 x2 x3 x4

ˆ Método de Newton
O método de Newton é uma modificação do método do ponto fixo com o objetivo de ter
a taxa de convergência mais rápida possı́vel (|φ0 (x)| = 0).
A forma geral das funções de iteração é φ(x) = x + A(x) f (x), logo aplicando a condição
de que φ0 (x∗ ) = 0 chega-se a A(x) = −1/f 0 (x), onde x∗ é um zero de f .

1. Escolha uma estimativa inicial x0 para o zero da função f dada.

f (xt )
2. Calcule a próxima estimativa utilizando xt+1 = xt − 0 .
f (xt )
3. Repita o passo 2 até que um dos critérios de parada seja satisfeito.

Esse método converge quando f (x), f 0 (x) e f 00 (x) são contı́nuas em um intervalo I con-
tendo um zero de f , e também quando f 0 (x∗ ) 6= 0.
A figura a seguir ilustra a localização das três primeiras estimativas (excluı́da a escolha
inicial) para o zero da função f (x) quando se aplica o método de Newton com estimativa
inicial x0 . É traçada a tangente ao gráfico da função em cada estimativa e o ponto de
interceptação desta reta tangente com o eixo horizontal indica a localização da próxima
estimativa.
y

•
x1 x3 x0
• x
x2
• f (x)

ˆ Método das secantes

O método de Newton exige que a derivada da função f seja conhecida e calculada na
estimativa do zero a cada iteração. Para evitar essa necessidade, o método das secantes
f (xt ) − f (xt−1 )
substitui a derivada f 0 (x) por um quociente de diferenças f 0 (x) ≈ .
xt − xt−1

12
 1. Escolha duas estimativas iniciais x0 e x1 distintas para o zero da função f dada.
xt−1 f (xt ) − xt f (xt−1 )
2. Calcule a próxima estimativa utilizando xt+1 = .
f (xt ) − f (xt−1 )
3. Repita o passo 2 até que um dos critérios de parada seja satisfeito.

Pode-se assumir que esse método converge sempre que o método de Newton também
converge.
A figura a seguir ilustra a localização das três primeiras estimativas (excluı́das as duas
escolhas iniciais) para o zero da função f (x) quando se aplica o método da secante com
estimativas iniciais x(−1) e x0 . É traçada a reta que contém as duas últimas estimativas e
o ponto de interceptação desta reta com o eixo horizontal indica a localização da próxima
estimativa.
y

• x3 x
2 x(−1)
x
•
x1 x0
• • f (x)

13
Tópico 4: Sistemas lineares – métodos
interativos

ˆ Equação linear e não-linear

Uma equação é chamada de linear nas variáveis xj quando pode ser escrita como

a0 + a1 x1 + a2 x2 + . . . + aj xj + . . . + an xn = 0,

onde os vários ai são coeficientes constantes. Dito de outra forma, uma equação é linear
quando:

(i) a potência de cada variável ou é 0, ou é 1;

(ii) as variáveis não são argumentos de funções transcendentais (por exemplo, funções
exponenciais, logarı́tmicas ou trigonométricas);
(iii) não há termos formados por produtos de duas ou mais variáveis.

Toda equação que viole pelo menos uma dessas condições é uma equação não-linear.

ˆ Sistema de equações
Um sistema de equações é um conjunto de duas ou mais equações que precisam ser
satisfeitas simultaneamente. Pode-se expressá-lo enumerando todas as suas equações ou
agrupá-las em notação matricial:
     

 a11 x1 + a12 x2 + · · · + a1n xn = b1 a11 a12 · · · a1n x1 b1
 a21 x1 + a22 x2 + · · · + a2n xn = b2
  a21 a22 · · · a2n   x2   b2 
⇔  .. ..   ..  =  ..  ⇔
    
.. .. .. . .

 . .  . . . .  .   . 

 a x + a x + ··· + a x = b
n1 1 n2 2 nn n n an1 an2 · · · ann xn bn

⇔ A~x = ~b
sendo A chamada de matriz de coeficientes, ~x chamado de vetor de variáveis e ~b chamado
de vetor constante.
A interpretação geométrica da solução de um sistema de equações lineares depende do
tipo de sistema, conforme classificação apresentada a seguir, e da quantidade de equações
que o perfazem. Portanto, os apontamentos seguintes são válidos para sistemas consisten-
tes e determinados. No caso de duas equações, cada uma delas é uma reta no plano e cada
solução do sistema é um dos pontos de intersecção das retas. No caso de três equações,
cada uma delas é uma plano no espaço e cada solução do sistema é um dos pontos de in-
tersecção dos planos. Para sistemas com mais de três equações a interpretação geométrica
fica prejudicada, pois terı́amos que “visualizar” objetos geométricos num espaço com mais
de três dimensões.

14
ˆ Classificação dos sistemas lineares
Quanto à quantidade de soluções, quando existem, um sistema linear costuma ser classi-
ficado como se segue.

I Inconsistente (incompatı́vel ou impossı́vel) quando não há uma solução.

Geralmente isso ocorre quando há mais equações do que incógnitas (m > n).
I Consistente (compatı́vel ou possı́vel) quando há pelo menos uma solução.
Essa categoria é dividida em outras duas.
. Consistente determinado se há somente uma solução, o que geralmente ocorre
quando a quantidade de equações é igual à quantidade de incógnitas (m = n).
. Consistente indeterminado se há mais do que uma solução, o que costuma ocor-
rer quando a quantidade de equações é menor do que a de incógnitas (m < n).
ˆ Métodos iterativos de Jacobi e de Gauss-Seidel
Dado um sistema linear (quadrado) com mesma quantidade de equações e incógnitas


 a11 x1 + a12 x2 + a13 x3 + · · · + a1n xn = b1
 21 x1 + a22 x2 + a23 x3 + · · · + a2n xn = b2
a



a31 x1 + a32 x2 + a33 x3 + · · · + a3n xn = b3 ,
 .. ..



 . .
 a x + a x + a x + ··· + a x = b
n1 1 n2 2 n3 3 nn n n

as equações de iteração do método de Jacobi são

1 
 
(t+1) (t) (t) (t)

 x 1 = b 1 − (a x
12 2 + a x
13 3 + . . . + a 1n x n )



 a11




 (t+1) 1  (t) (t) (t)


 x 2 = b 2 − (a x
21 1 + a x
23 3 + . . . + a 2n x n )
a22



 (t+1) 1  (t) (t) (t)

x = b − (a x + a x + . . . + a x )

 3 3 31 1 32 2 3n n
a33






 .
.. .
..

1

  
 x(t+1) −
(t) (t) (t)


n = b n (a x
n1 1 + a x
n2 2 + . . . + a x
n,n−1 n−1 )
ann
enquanto as equações de iteração do método de Gauss-Seidel são
1 
 
(t+1) (t) (t) (t) (t)

 x 1 = b 1 − (a x
12 2 + a x
13 3 + a x
14 4 + . . . + a x
1n n )



 a11




 (t+1) 1  (t+1) (t) (t) (t)


 x 2 = b 2 − (a x
21 1 + a x
23 3 + a x
24 4 + . . . + a x
2n n )
a22



 (t+1) 1  (t+1) (t+1) (t) (t)

x = b − (a x + a x + a x + . . . + a x )

3 31 1 32 2 34 4 3n n
 3
a33




 .. ..
. .



1

  
(t+1) (t+1) (t+1) (t+1) (t+1)
bn − (an1 x1

 xn
 = + an2 x2 + an3 x3 + . . . + an,n−1 xn−1 )
ann
Deve-se perceber que em cada método numérico cada equação iterativa foi obtida ao se
isolar a k-ésima variável na k-ésima equação. Na verdade, esta é uma aplicação particular

15
 o método do ponto fixo estendido à um sistema de n equações compostas por n variáveis.
A diferença entre o método de Jacobi e o método de Gauss-Seidel está na forma como o
valor de cada variável é atualizado. Enquanto o método de Jacobi calcula a estimativa de
cada variável na iteração t+1 apenas com base nos valores estabelecidas para todas outras
variáveis na iteração t, o método de Gauss-Seidel se utilizada dos valores das estimativas
já calculadas na iteração t + 1 para acelerar o processo de convergência para solução do
sistema. Em outras palavras: o método de Jacobi atualiza cada estimativa com base
nos valores da estimativa anterior de cada variável; já o método de Gauss-Seidel sempre
utiliza o valor mais atual disponı́vel.
Um alerta sobre a notação: os subscritos indicam rótulos para variáveis diferentes, en-
quanto que os sobrescritos entre parênteses referem-se à contagem das iterações. Não se
deve confundir esses sobrescritos com expoentes, pois todas as equações são lineares.
ˆ Critério de convergência
Por serem casos particulares do método do ponto fixo, a convergência dos métodos itera-
tivos de Jacobi e de Gauss-Seidel decorre da condição válida para o ponto fixo:
       
 ∂φk   ∂φk   ∂φk   ∂φk 
 ∂x1  +  ∂x2  + · · · +  ∂xk  + · · · +  xn  < 1
       

com
1
φk = (bk − (ak1 x1 + ak2 x2 + · · · + ak,k−1 xk−1 + ak,k+1 xk+1 + · · · + akn xn ))
akk
e k = 1, 2, 3, . . . , n. Ou seja, φk = 0 é a função de iteração referente à k-ésima equação
do sistema. Cada derivada vale:
  (  akj 
 ∂φk   akk  , se j 6= k
 ∂xj  =
 
0, se j = k
Substituindo na equação anterior:
         
 ak1   ak2 
 + · · · +  ak,k−1  +  ak,k+1  + · · · +  akn  < 1
     
 +
 akk   akk   akk   akk   akk 

Por fim, pode-se usar algumas propriedades do valor absoluto para chegar a

|ak1 | + |ak2 | + · · · + |ak,k−1 | + |ak,k+1 | + · · · + |akn | < |akk |

ou, de forma mais compacta, a

n
X
|akk | > |akj |
j=1;j6=k

Isso significa que há garantia de convergência quando, para todas as linhas da matriz de
coeficientes, a soma do valor absoluto de todos os elementos que não estão na diagonal
principal é menor do que o valor absoluto do elemento que está na diagonal.
ˆ Critérios de parada

I Uma condição a ser usada é estipular uma quantidade máxima de iterações que
podem ser executadas.
Esse critério costuma ser utilizado apenas como uma salvaguarda para o caso em
que as estimativas não estejam convergindo para um certo valor.

16
I Os outros critérios utilizados são o erro absoluto e o erro relativo no cálculo do vetor
~x com um valor de erro aceitável.
. O erro absoluto é definido como o elemento de maior valor absoluto do vetor
diferença ~x(t+1) − ~x(t) , sendo representado por
 
 (t+1) (t) 
max xi − xi 
1<i<n

Isso significa que ao final da iteração t + 1, deve-se calcular a diferença entre a

estimativa de cada variável encontrada na iteração t + 1 e na iteração t, sendo
o adotado como valor do erro a diferença com maior valor absoluto. A cada
iteração o valor do erro pode se referir a uma variável diferente, dependendo de
como a convergência de cada uma seja mais lenta ou não.
. O erro relativo é dado por
  (t+1) 
(t) 
x
 i − x i 
max    
1<i<n (t+1) 
 xi 

17
Tópico 5: Sistemas lineares – métodos
exatos

ˆ Sistemas equivalentes e operações elementares

Sistemas equivalentes são aqueles que têm o mesmo conjunto de soluções. Dois sistemas
equivalente diferem um do outro por uma certa quantidade de operações elementares
sobre suas equações.
As operações elementares são três:

(1) Trocar duas equações de posição.

(2) Multiplicar uma equação por um valor real diferente de zero.
(3) Substituir uma das equações pela soma de um múltiplo de outra equação a ela.

As mesmas operações elementares que podem ser aplicadas sobre as equações de um

sistema também se aplicam às linhas de matrizes. Elas são úteis quando aplicadas sobre
as linhas da matriz de coeficientes ou da matriz aumentada (ver abaixo) de um sistema
linear.

ˆ Matrizes elementares
Matriz elementar é a matriz obtida a partir da aplicação de uma operação elementar sobre
a matriz identidade.

– Exemplo 1: trocar duas primeiras linhas de posição.

   
1 0 0 0 1 0
(1)
 0 1 0 ⇒  1 0 0  (1) : L1 ↔ L2
0 0 1 0 0 1

– Exemplo 2: multiplicar a terceira linha por k.

   
1 0 0 1 0 0
(2)
 0 1 0 ⇒ 0 1 0  (2) : L3 ← kL3
0 0 1 0 0 k

– Exemplo 3: somar a segunda linha multiplicada por −k à terceira linha.

   
1 0 0 1 0 0
(3)
 0 1 0 ⇒ 0
  1 0  (3) : L3 ← L3 − kL2
0 0 1 0 −k 1

Aplicar uma operação elementar sobre uma matriz qualquer tem o mesmo efeito que
multiplicar essa matriz à esquerda pela matriz elementar correspondente àquela operação.

18
  
1 0
– Exemplo: A matriz elementar corresponde à operação elementar que subs-
1 1
titui a segunda
 linha pela soma dela com a primeira (L2 ← L2 + L1 ). Multiplicar a
1 2
matriz por essa matriz elementar tem o mesmo efeito que a aplicação da
3 4
operação elementar descrita:
      
1 0 1 2 1·1+0·3 1·2+0·4 1 2
= =
1 1 3 4 1·1+1·3 1·2+1·4 4 6

ˆ Matriz aumentada ou estendida

Dado um sistema linear A~x = ~b, chamamos de matriz aumentada a matriz [A ~b].
Por exemplo, dado o sistema linear

 a11 x1 + a12 x2 + a13 x3 = b1
a21 x1 + a22 x2 + a23 x3 = b2 ,
a31 x1 + a32 x2 + a33 x3 = b3


sua matriz aumentada é  

a11 a12 a13 b1
A =  a21 a22 a23 b2  .
a31 a32 a33 b3

ˆ Métodos exatos
O objetivo dos métodos exatos não é necessariamente apresentar a solução do sistema
linear, mas reescrevê-lo de uma forma cuja procura pela solução se torne mais fácil.
Isso é feito com a aplicação recorrente de operações elementares a fim de gerar sistemas
equivalentes cada vez mais fáceis de seres resolvidos.

ˆ Algoritmo do método de eliminação de Gauss

1. Em cada coluna da matriz estendida correspondente à parte dos coeficientes, chame

o elemento da diagonal principal de pivô.
2. Substitua as linhas localizadas abaixo do pivô pela soma de múltiplos adequados da
linha que contém o pivô a cada uma delas. Faça isso para zerar todos os elementos
abaixo da diagonal principal.
3. Repita os passos para todas as colunas da matriz referente aos coeficientes, da pri-
meira coluna até a última.

O resultado desse algoritmo é a obtenção de um sistema triangular superior, o qual pode

facilmente ser resolvido por substituições sucessivas:
n
!
1 X
xk = bk − (akr xr ) ,
akk r=k+1

onde n é o número de equações e k varia (decresce) de n até 1.

ˆ Algoritmo do método da eliminação de Gauss com pivotamento (parcial)

O objetivo do que chamamos de pivotamento é evitar que o elemento pivô seja zero, pois
nesse caso o método de Gauss não pode ser aplicado, já que chegaria a uma divisão por
zero.

19
 1. Em cada coluna da matriz estendida correspondente à parte dos coeficientes, chame
o elemento da diagonal principal de pivô.
2. Se o elemento pivô escolhido for zero, permute a linha da matriz que o contém com
qualquer outra linha abaixo de modo que o pivô nunca seja igual a zero.
3. Substitua as linhas abaixo da diagonal principal pela soma de múltiplos adequados
da linha que contém o pivô a cada uma delas, de modo a zerar todos os elementos
abaixo da diagonal principal.
4. Repita esses passos para todas as colunas da matriz referente aos coeficientes, da
primeira coluna até a última.

Ao final do algoritmo chega-se a um sistema triangular superior cuja solução pode ser
encontrada por substituições sucessivas.

ˆ Algoritmo do método de eliminação de Gauss-Jordan

1. Dado um sistema linear qualquer, construa sua matriz aumentada e utilize o método
de eliminação de Gauss para obter a matriz triangular equivalente.
2. De posse da matriz triangular, escolha uma coluna e chame seu elemento da diagonal
principal de pivô.
3. Substitua as linhas acima da diagonal principal pela soma de múltiplos adequados
da linha que contém o pivô a cada uma delas, de modo a zerar todos os elementos
acima da diagonal principal.
4. Repita os passos 2 e 3 para todas as colunas referentes aos coeficientes, da última
até a primeira.

Como resultado da aplicação desses passos tem-se um sistema diagonal, que se tiver os
coeficientes iguais a 1, então sua solução é o próprio vetor constante.

ˆ Algoritmo do método de decomposição LU

1. Utilize o método de eliminação de Gauss para construir a matriz U .

2. Inicialmente assuma que a matriz L é igual a matriz identidade de mesma ordem.
Para cada elemento zerado na matriz U durante a aplicação da eliminação de Gauss,
deve ser posicionado na mesma posição na matriz L o inverso aditivo do multiplicador
utilizado.

O resultado da aplicação desse método sobre uma matriz A são duas matrizes U (tri-
angular superior) e L (triangular inferior) tais que LU = A. Convém ressaltar que a
decomposição LU não é única, exceto em casos particulares, logo pode-se chegar a outra
decomposição se forem utilizados outros passos para gerar cada uma das matrizes trian-
gulares. De fato, a forma de construção da matriz L mencionada acima só tem validade
se for utilizado o algoritmo de eliminação de Gauss descrito anteriormente, de modo que,
se alguma operação elementar além das necessárias for executada, então deve-se procurar
outra forma de chegar à matriz L.

ˆ Decomposição LU com pivotamento (parcial)

Quando um sistema A~x = ~b exige permutação de linhas (isto é, uma estratégia de pi-
votamento), ele se torna P A~x = P~b, onde P é a matriz de permutação utilizada. P é
o produto de todas as permutações realizadas, na ordem em que se realizam, estando a

20
primeira mais à direita. (Lembrar que o produto matricial não é comutativo!) Como
P A = LU , a solução do sistema é obtida por

U~x = ~y
LU~x = P~b ⇒ .
L~y = P~b

Na prática, ao realizar a decomposição LU através da eliminação de Gauss com pivota-

mento, a matriz U gerada já estará com as linhas na posição correta, mas as mesmas
permutações devem ser aplicadas sobre o vetor constante e sobre as posições nas quais
serão alocados os inversos aditivos dos multiplicadores na matriz L.

21
Tópico 6: Sistemas não-lineares

ˆ Método do ponto fixo para sistemas de duas equações


f (x, y) = 0
Dado um sistema de equações , deve-se reescrevê-lo na forma
g(x, y) = 0

xt+1 = F (xt , yt )
,
yt+1 = G(xt , yt )
sendo F e G, respectivamente, as funções de iteração associadas às funções f e g.
As condições de convergência são semelhantes às do método do ponto fixo para encontrar
um zero de uma função de uma variável.
. As funções F e G, e suas derivadas parciais, devem ser contı́nuas na vizinhança da
solução (x∗ , y ∗ ).
. A condição inicial (x0 , y0 ) deve ser próxima “o suficiente” da solução.
. As desigualdades seguintes devem ser satisfeitas na “vizinhança” da solução:
       
 ∂F   ∂F   ∂G   ∂G 
+ <1 e  ∂x  +  ∂y  < 1.
    
 ∂x   ∂y 

Ressalta-se o fato de que quando uma dessas condições não for atendida, a convergência
ou não das funções de iteração a partir das condições inicias dadas só pode ser verificada
depois de executada uma certa quantidade de iterações.
ˆ Método do ponto fixo para sistemas com três ou mais equações
Aplicar o método do ponto fixo para um sistema não-linear com três ou mais equações é
uma extensão imediata do caso com duas equações. Deve-se (i) reescrever cada equação de
modo a isolar uma variável diferente, gerando todas das funções de iteração necessárias,
(ii) escolher uma condição inicial adequada e (iii) realizar tantas iterações quantas forem
necessárias. Um sistema com n equações deve ser reescrito da seguinte forma:
 (t+1)  
(t) (t) (t)
  x 1 = F 1 x 1 , x2 , . . . , x n
f1 (x1 , x2 , . . . , xn ) = 0



 
  
 (t+1) (t) (t) (t)
f2 (x1 , x2 , . . . , xn ) = 0

x2 = F2 x1 , x2 , . . . , xn
 
.. ⇒
 .  ..


 f (x , x , . . . , x ) = 0


 .
n 1 2 n   
 x(t+1) = F x(t) , x(t) , . . . , x(t)

n n 1 2 n

E as condições de convergência devem ser adaptadas para condizer com a quantidade de

equações e incógnitas do sistema em questão.
Sobre a notação: os subscritos indicam rótulos para variáveis diferentes, enquanto que os
sobrescritos entre parênteses referem-se à contagem das iterações. Não se deve confundir
esses sobrescritos com expoentes, pois todas as equações são lineares.

22
ˆ Método de Newton para sistemas de duas equações
O método de Newton utiliza-se da expansão de cada uma das funções em série de Taylor
truncadas em torno do ponto (x0 , y0 ), portanto, dadas as funções f (x, y) e g(x, y), as
expansões consideradas são
 
∂f  ∂f 
f (x, y) ≈ f (x0 , y0 ) + (x − x0 )  + (y − y0 ) 
∂x  ∂y 
x0 ,y0 x0 ,y0
 
∂g  ∂g 
g(x, y) ≈ g(x0 , y0 ) + (x − x0 )  + (y − y0 ) 
∂x  ∂y 
x0 ,y0 x0 ,y0

f (x, y) = 0
Deste modo, o sistema , se torna (de forma aproximada, embora seja usado
g(x, y) = 0
o sinal de igualdade)
  
 ∂f  ∂f 
0 = f (x0 , y0 ) + (x − x0 ) · + (y − y0 ) ·

  
∂x  ∂y 

  

x0 ,y0 x0 ,y0
  .

 ∂g  ∂g 
 0 = g(x0 , y0 ) + (x − x0 ) · ∂x  + (y − y0 ) ·

  
∂y 
 
x0 ,y0 x0 ,y0

Reorganizando os termos e indexando de modo a formar equações iterativas, a solução do

sistema pelo método de Newton é obtida através de
  
∂g  ∂f 

 f (x ,
t ty ) · ∂y  − g(x ,
t ty ) · ∂y 
xt ,yt xt ,yt

 xt+1 = xt −

  ∂f ∂f 

|J(ft , gt )|  
 ∂x ∂y 
  onde |J(ft , gt )| =  ∂g ∂g 
g(xt , yt ) · ∂f ∂g 
− f (xt , yt ) · ∂x
   

 ∂x   ∂x ∂y

 yt+1 = yt −
 xt ,yt xt ,yt
|J(ft , gt )|


Convém esclarecer que |J(ft , gt )| não significa o módulo da matriz jacobiana, significa o
seu determinante, que é chamado de jacobiano.
ˆ Método de Newton para sistemas com três ou mais equações
Passar a aplicação do método de Newton de sistemas com duas equações para siste-
mas com três ou mais equações requer uma abordagem diferente. A exposição necessita
da notação matricial, portanto um sistema de equações formado por n equações com n
variáveis pode ser indicado das seguintes formas:
    

 f 1 (x 1 , x2 , . . . , x n ) = 0 f 1 0
 f2 (x1 , x2 , . . . , xn ) = 0
  f2   0 
ou  ..  =  ..  ou f~ = ~0
   
..


 .  .   . 
 f (x , x , . . . , x ) = 0 fn 0
n 1 2 n

O mesmo padrão de notação para subscritos e sobrescritos usado para o tratar do método
do ponto fixo para sistemas com n equações é mantido. A linearização de cada equação
(série de Taylor truncada) fica na forma

    ∂f 
(0) (0) (0) k
fk (x1 , x2 , . . . , xn ) ≈ fk x1 , x2 , . . . , x(0)
n + x1 − x1 +
∂x1  (0) (0) (0)

x1 ,x2 ,...,xn
 
  ∂f  ∂f 
(0) k (0)

k
x2 − x2 + · · · + x n − x n
∂x2  (0) (0) (0) ∂xn  (0) (0) (0)
 
x1 ,x2 ,...,xn x1 ,x2 ,...,xn

23
com k = 1, 2, . . . , n; e sendo o sobrescrito (0) um indicador das coordenadas do ponto em
torno do qual se faz a linearização. Organizando em notação matricial:
  (0)   ∂f1 ∂f1 ∂f1
  (0)

f1 · · · ∂x x1 − x1

f1 ∂x1 ∂x2 n
 f2    x2 − x(0)
(0)
  ∂f ∂f ∂f2 
  
  f2   2
∂x ∂x
2
· · · ∂x 2

 ..  =  .  +  . 1
 2 n
..
     
 .   ..   .. .. .. ..   
. . .   . 
fn f
(0) ∂fn ∂fn
··· ∂fn
x − xn
(0)
n
 
n ∂x1 ∂x2 ∂xn (0) (0) (0)
x1 ,x2 ,...,xn

com o parêntese subscrito à matriz jacobiana sendo uma forma de indicar que as derivadas
devem ser calculadas no ponto cujas coordenadas têm sobrescrito (0). Compactando a
notação matricial:
f~ = f~(0) + J (0) ~x − ~x(0)

sendo J (0) a matriz jacobiana. Deste modo, concluı́mos que

)
f~ = ~0 ~0 = f~(0) + J (0) ~x − ~x(0) ⇒ J (0) ~x − ~x(0) = −f~(0)



⇒
f~ = f~(0) + J (0) ~x − ~x(0)

De modo parecido com o que foi feito no caso da dedução das equações iterativas para
sistemas com duas equações, no presente caso o sobrescrito (0) indica uma referência
ao último valor conhecido para a variável, enquanto que a não ocorrência do sobrescrito
indica uma referência ao valor da próxima estimativa para cada variável. Sendo assim, a
equação iterativa fica:
J (t) ~x(t+1) − ~x(t) = −f~(t)

O uso do método de Newton nesse formato requer a introdução de variáveis temporárias

agrupadas no vetor ~s(t) o qual é definido como ~s(t) = ~x(t+1) − ~x(t) . Sua aplicação é feita
com a execução de três passos a cada iteração:

1. Calcular a matriz jacobiana J (t) e o vetor f~(t) com base no valor conhecido para as
variáveis na iteração t.
2. Resolver o sistema linear J (t)~s(t) = −f~(t) para ficar conhecendo o valor das variáveis
temporárias ~s na iteração t.
3. Calcular as próximas estimativas das variáveis ~x partindo da definição das variáveis
temporárias ~s: ~x(t+1) = ~x(t) + ~s(t) .

Atenção: enquanto na discussão anterior para sistemas com duas equações foi utilizado o
determinante da matriz J, no presente caso deve-se trabalhar com a própria matriz J e
não com o seu determinante.

24
Tópico 7: Método dos quadrados
mı́nimos

ˆ Regressão ou ajuste de curvas pelo método dos quadrados mı́nimos

O método dos quadrados
mı́nimos encontra a função que
“melhor se ajusta” a todo um
conjunto de dados ou, em ou-
tras palavras, fornece o melhor
modelo matemática para eles
sem ter que obrigatoriamente
satisfazer a nenhum deles.
A figura ao lado mostra um
conjunto de pontos dispersos no
plano e a reta obtida por re-
gressão linear proveniente do
método dos quadrados mı́nimos.
ˆ Regressão linear simples
Dado um conjunto de dados com n pares (xi ; yi ), a função linear
u(x) = a0 + a1 x
que melhor descreve o comportamento médio desses dados é aquela cujos coeficientes
angular e linear são, respectivamente:1
  
P P P P P
yi xi − n (xi yi ) yi − a1 xi
i i i
a1 = 2 e a0 = i i
.
n

P P 2
xi − n (xi )
i i

Para chegar a esse resultado é necessário definir a função

X
D(a0 , a1 ) = (yi − a0 − a1 xi )2
i

que expressa a soma das distâncias de todos os pontos (xi ; yi ) à reta de regressão u(x).
Em seguida, minimiza-se D em relação aos parâmetros a0 e a1 :
∂D X ∂ X X X
0= = (yi − a0 − a1 xi )2 = −2 (yi − a0 − a1 xi ) ⇒ a0 n + a1 xi = yi
∂a0 i
∂a0 i i i
1
Deve-se prestar atenção ao fato de que os somatórios indicam apenas a variável muda e suprimem seu
intervalo de valores apenas com a intenção de simplificar a notação. Todos os somatórios aqui mostrados são
Pn
na forma .
i=1

25
 e
∂D X ∂ X
0= = (yi − a0 − a1 xi )2 = −2 xi (yi − a0 − a1 xi ) ⇒
∂a1 i
∂a1 i
X X X
⇒ a0 x i + a1 (xi )2 = (yi xi )
i i i

Obtém-se, pois, um sistema linear cujas incógnitas são os parâmetros a0 e a1 :

 P    P 
n P i 2 x i a 0 y i
P = P i
i x1 i (xi ) a1 i (yi xi )

A solução desse sistema foi mostrada acima.

ˆ Regressão linear múltipla

(m)
Considerando que o conjunto de dados seja formado por n tuplas (x0i ; x00i ; . . . ; xi ; yi )
compostas por m variáveis independentes x (diferenciadas pela quantidade de apóstrofos)
e uma variável dependente y, a função linear que melhor se ajusta aos dados é

u x0 , x00 , . . . , x(m) = a0 + a1 x0 + a2 x00 + . . . + am x(m) .

Para conhecer os parâmetros é preciso definir a função

X 2
(m)
D(a0 , a1 , a2 , . . . , am ) = yi − a0 − a1 x0i − a2 x00i − . . . − am xi
i

e minimizá-la em relação a todos os parâmetros a0 , . . . , am , chegando ao sistema

 P 0 P 00 P (m) 
n i xi i xi ... i xi    P
yi

 P 0 P 0 2 P 00 0 P(m) 0 
a0 P i 0
x ( i xi ) i xi xi ... i xi xi  a1   yi x

 Pi i
 
  P i 00i

00
P 0 00 P 00 2 P (m) 00  
a2   
i xi i xi xi ( i xi ) ... i xi xi   = i yi xi
   

 .
. .
. .. ... ..  ..   ..

 . . . .  .  
 .


 2 
am (m)
P (m) P 0 (m) P 00 (m) P P
(m)
i xi i xi xi i xi xi ... i xi i y i xi

cuja solução através de qualquer método numérico resulta nos valores apropriados para
os coeficientes da regressão u x0 , x00 , . . . , x(m) .

ˆ Regressão polinomial
Considerando que o conjunto de dados seja formado por n tuplas2 (xi ; x2i ; . . . ; xm
i ; yi ), a
função polinomial em x que melhor se ajusta aos dados é

u(x) = a0 + a1 x + a2 x2 + . . . + am xm

Para conhecer os parâmetros é preciso definir a função

X
2
D(a0 , a1 , . . . , am ) = y i − a0 − a1 x − a2 x 2 − . . . − am x m
i

2
A regressão polinomial pode ser pensada como um caso particular da regressão linear múltipla ao se fazer
o mapeamento x0 → x, x00 → x2 , x000 → x3 , . . . , x(m) → xm .

26
 e minimizá-la em relação a todos os parâmetros a0 , . . . , am , chegando ao sistema
P P 2 P m    P
n i xi i xi ... i xi i yi
 
P 2 P 3 P m+1   a 0
 P xi  P y i xi 
 Pi i xi i xi ... i xi   a1   i 
a
2
P 3 P 4 P m+2     P 2 
i xi i xi i xi ... i xi = i y i xi 
 2
 
 .. .. .. .. ..   ..   .. 
 . . . . .   .   . 
am
P m P 1+m P 2+m P 2m P m
i xi i xi i xi ... i xi i y i xi

cuja solução, obtida através de qualquer método numérico, resulta nos valores apropriados
para os coeficientes da regressão u(x).
É interessante ressaltar que a regressão linear é um caso particular dessa regressão poli-
nomial ao tomar o sistema linear acima com matriz de coeficientes 2x2, vetor de cógnitas
com os dois primeiros elementos e o vetor constante com os dois primeiros elementos.

ˆ Coeficiente de determinação
O principal parâmetro utilizado para quantificar a qualidade da regressão realizada é
chamado de coeficiente de determinação e denotado por R2 . Ele pode ser calculado
através de qualquer uma das três expressões:

(yi − ȳ)2 − (yi − ui )2 (yi − ui )2 (yi − ui )2

P P P P

R2 = i P i
2
=1− P i
2
=1− i
2 ,
(yi − ȳ) (yi − ȳ)

1
P 2
P
i i (yi ) − n yi
i i

sendo ȳ = n1 i yi o valor médio dos yi . Esse parâmetro tem valores no intervalo [0; 1], e
P
quanto mais próximo de 1 ele estiver, melhor é a regressão.

ˆ Regressão não-linear
É comum encontrar conjuntos de dados que relacionam variáveis através de funções ex-
ponenciais e leis de potência, o que faz com que seja necessária uma manipulação prévia
dos dados antes da aplicação da regressão linear.

– Se os dados fornecidos relacionam-se através da função exponencial

y = β αx ,

usa-se a transformação
ln(y) = ln(α) x + ln(β)
para encontrar uma relação linear entre x e ln(y). Portanto, para utilizar o método da
regressão linear, deve-se tomar o logaritmo de todos os dados referentes à variável y.
– Se os dados se relacionam por meio de uma função na forma de uma lei de potência

y = β xα ,

usa-se a transformação
ln(y) = α ln(x) + ln(β)
para encontrar uma relação linear entre ln(x) e ln(y). Portanto, para utilizar o
método da regressão linear, deve-se tomar o logaritmo dos dados referentes às duas
variáveis.

27
Deve-se prestar atenção ao fato de que depois de aplicar a regressão linear ao caso da
função exponencial, os coeficientes a0 e a1 correspondem ao ln(β) e ao ln(α), respectiva-
mente, de modo que é preciso realizar a operação exponencial sobre cada um deles a fim
de obter os parâmetros β e α referentes à expressão algébrica original. Raciocı́nio seme-
lhante se aplica à lei de potência, mas sem ser necessário realizar a operação exponencial
sobre o a1 , pois ele é identificado com o próprio α do modelo.

28
Tópico 8: Intepolação polinomial

ˆ Interpolação polinomial

A interpolação polinomial de um conjunto de

dados é a função polinomial que que satisfaz ao
mesmo tempo todos os dados.
Ao lado é mostrada uma figura na qual uma
função contém todos os sete pontos destacados,
logo pode-se depreender que se trata de uma
interpolação desses pontos.

ˆ Interpolação direta
Dado um conjunto de n + 1 pontos {(x0 ; y0 ), (x1 ; y1 ), (x2 ; y2 ), . . . , (xn ; yn )}, o polinômio
de grau n que interpola todos esses pontos é
pn (x) = a0 + a1 x + a2 x2 + . . . + an xn
Ele deve ser tal que satisfaz estas n + 1 condições:
pn (x0 ) = y0 ; pn (x1 ) = y1 ; pn (x2 ) = y2 ; ... pn (xn ) = yn
Isso faz com que os coeficientes a0 , a1 , . . . , an que determinam esse polinômio sejam de-
terminados a partir da resolução do sistema linear
    
1 x0 x20 . . . xn0 a0 y0
 1 x1 x2 . . . xn   a1   y1 
 1 1    
 1 x2 x2 . . . xn   a2   y2
=

 2 2  
 .. .. .. . . ..   ..   .. 
 . . . . .  .   . 
1 xn x2n . . . xnn an yn

ˆ Interpolação de Lagrange
A interpolação realizada através do método de Lagrange se utiliza do polinômio
n n
X Y (x − xj )
pn (x) = [yk Lk (x)] , com Lk (x) = .
(x k − xj )
k=0 j=0; j6=k

no qual n indica o grau do polinômio que interpola os n + 1 pontos. O produtório é feito

com j indo de 0 a n, mas evitando o caso j = k para não ocorrer uma divisão por zero.
– Exemplo 1: para os pontos (x0 ; y0 ) e (x1 ; y1 ), o polinômio interpolador é
1
X x − x1 x − x0
p1 (x) = [yk Lk (x)] = y0 L0 (x) + y1 L1 (x) = y0 + y1
k=0
x0 − x 1 x1 − x0

29
 – Exemplo 2: para os pontos (x0 ; y0 ), (x1 ; y1 ) e (x2 ; y2 ), o polinômio interpolador é
2
X
p2 (x) = [yk Lk (x)] =
k=0
= y0 L0 (x) + y1 L1 (x) + y2 L2 (x) =
(x − x1 )(x − x2 ) (x − x0 )(x − x2 ) (x − x0 )(x − x1 )
= y0 + y1 + y2
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 )

ˆ Interpolação de Newton
A interpolação realizada através do método de Newton se utiliza do polinômio

pn (x) = b0 + b1 (x − x0 ) + b2 (x − x0 )(x − x1 )+
b3 (x − x0 )(x − x1 )(x − x2 ) + . . . + bn [(x − x0 ) . . . (x − xn−1 )],

sendo os coeficientes b0 , b1 , . . . , bn calculados através da função (recursiva) de diferenças

divididas

b0 = ∆(x0 ) = y0
∆(x1 ) − ∆(x0 ) y1 − y0
b1 = ∆(x1 , x0 ) = =
x1 − x0 x1 − x0
y2 −y1 y1 −y0
∆(x2 , x1 ) − ∆(x1 , x0 ) x2 −x1
− x1 −x0
b2 = ∆(x2 , x1 , x0 ) = =
x 2 − x0 x2 − x0
y3 −y2 y −y y2 −y1 y −y
x3 −x2
− x2 −x1 x2 −x1
− x1 −x0
∆(x3 , x2 , x1 ) − ∆(x2 , x1 , x0 ) x3 −x1
2 1
− x2 −x0
1 0

b3 = ∆(x3 , x2 , x1 , x0 ) = =
x3 − x0 x3 − x 0
.. .. ..
. = . .
∆(xk , xk−1 , . . . , x1 ) − ∆(xk−1 , . . . , x1 , x0 )
bk = ∆(xk , xk−1 , . . . , x1 , x0 ) =
xk − x0
.. .. ..
. = . .

Nesse caso, assim como nos anteriores, n indica o grau do polinômio que interpola os n+1
pontos.

ˆ Estudo do erro na interpolação polinomial

Teorema (cuja prova não será mostrada):

Sejam n + 1 pontos, cujas abscissas são x0 , x1 , x2 , . . . , xn , ordenados de maneira

crescente. Seja f (x) a função correspondente a esses pontos, a qual tem derivadas até
a ordem (n + 1) para todo x no intervalo [x0 ; xn ]. Seja p(x) o polinômio interpolador
da função f satisfazendo aos n + 1 pontos enumerados. É possı́vel afirmar que em
qualquer ponto x ∈ [x0 ; xn ], o erro é dado por

f (n+1) (ξ)
En (x) = f (x) − p(x) = (x − x0 )(x − x1 )(x − x2 ) . . . (x − xn ) ,
(n + 1)!

onde ξ ∈ (x0 ; xn ).

Esse teorema nos diz que o valor do erro no cálculo de um ponto interpolado por meio
de um polinômio de grau n é proporcional à derivada de ordem n + 1 da função que está

30
 sendo interpolada em um ponto desconhecido (ξ) interno ao intervalo de dados, ou seja,
um ponto que não é uma de suas fronteiras. Apesar desse teorema não ter utilidade prática
na determinação do valor exato do erro de uma interpolação por causa da arbitrariedade
associada ao ponto ξ, ele pode ser útil para estimar um valor máximo para o erro ao se
utilizar um valor ξ ∗ que maximiza o resultado da derivada f (n+1) (ξ ∗ ).

ˆ Fenômeno de Runge
Chama-se de fenômeno de Runge a drástica oscilação do polinômio interpolador próximo
das fronteiras do intervalo de dados. A figura abaixo à esquerda mostra uma curva em
verde referente à função y = sen(x)
x
da qual foram extraı́dos 11 pontos (em azul) igualmente
espaçados no intervalo [−1; 1]. A curva em vermelho mostra o polinômio interpolador
desses pontos, o qual, embora seja uma boa aproximação para os pontos mais próximo do
centro do intervalo, apresenta oscilação crescente quando se aproxima das extremidades
do intervalo de dados. Poder-se-ia pensar que aumentar a quantidade de pontos — de 11
para 21, por exemplo — a serem interpolados dentro do mesmo intervalo [−1; 1] forçaria o
polinômio interpolador a ter um comportamento mais suave, entretanto a figura à direita
mostra que as oscilações nas bordas ficam maiores3 .

3
Deve-se estar atento à escala dos gráficos, pois enquanto na figura da esquerda toda a vertical representa
2,4 unidades de comprimento, na figura da direita a vertical tem 70 unidades de comprimento. Por isso, embora
visualmente as oscilações entre cada ponto da extremidade e seu vizinho tenham tamanhos semelhantes nas
duas figuras, as oscilações da figura à direita são cerca de 28 vezes maiores.

31
Tópico 9: Intepolação por splines

ˆ Introdução à interpolação por splines

Como exemplifica o fenômeno de Runge, a interpolação polinomial de um conjun-
tos com muitos pontos leva a polinômios com graus elevados, os quais podem resul-
tar em comportamentos oscilatórios inesperados. Para tentar evitar tais problemas,
pode-se fracionar o conjunto de dados em subconjuntos de dois pontos, ou de três
etc. a serem interpolados separadamente. Por exemplo, no lugar de interpolar os
n + 1 pontos (x0 ; y0 ), (x1 ; y1 ), (x2 ; y2 ), . . . , (xn ; yn ) de um certo conjunto todos de uma
vez, a interpolação se aplicaria sobre os subconjuntos de dois pontos consecutivos como
{(x0 ; y0 ), (x1 ; y1 )}, {(x1 ; y1 ), (x2 ; y2 )}, . . . , {(xn−1 ; yn−1 ), (xn ; yn )}. A interpolação reali-
zada dessa forma é chamada de interpolação por splines, sendo que spline é o nome dado
a cada uma das curvas (polinômios) intermediários utilizados para interpolar os subcon-
junto de pontos. Ao utilizar interpolação por splines, não se chega a um único polinômio
interpolador resultante; ao contrário, obtém-se uma função definida por partes, na qual
cada parte é um polinômio que interpola um dos subconjuntos.

ˆ Tipos de splines

– O tipo mais simples de spline é a linear (1º grau ou 1ª ordem): basta ligar dois pontos
consecutivos por segmentos de reta. Porém isso tem uma grande desvantagem: a
“curva” resultante não é uma suave, pois sua inclinação (derivada) não é contı́nua.
– A interpolação por splines quadráticas (2º grau ou 2ª ordem) utiliza parábolas para
fazer a interpolação de dois pontos consecutivos. Com isso, é possı́vel exigir que a
derivada da curva resultante seja contı́nua sobre cada um dos pontos conhecidos.
– O tipo de spline mais utilizado é a spline cúbica (3º grau ou 3ª ordem). Nesse
caso, pode-se exigir que tanto a inclinação (primeira derivada) como a concavidade
(segunda derivada) de cada curva seja contı́nua sobre cada ponto conhecido.

ˆ Aplicação da interpolação por splines

A seguir será dado um exemplo de aplicação dos três tipos de interpolação por splines
citados anteriormente, comparando-os entre si e com a interpolação polinomial padrão
executada sobre todos os pontos de uma vez.
Considere o seguinte conjunto de pontos que seguem da função y = 2 log3 (x):

i 1 2 3 4
xi 1 3 9 27
yi 0 2 4 6

O polinômio interpolador (de 3º grau) desses pontos é

x3 13 x2 13 x 69
p(x) = − + −
351 108 9 52
32
Gráfico abaixo mostra os pontos tabelados (azul), a função de qual foram obtidos (azul)
e a interpolação polinomial (preto).

– A interpolação com splines de primeiro grau se faz com

f (x1 ) + (f (xx22)−f (x1 )



 −x1
(x − x1 ), se x ∈ [x1 , x2 )

s(x) = f (x2 ) + (f (xx33)−f
−x2
(x2 )
(x − x2 ), se x ∈ [x2 , x3 )


f (x3 ) + (f (xx44)−f (x3 )
(x − x3 ), se x ∈ [x3 , x4 ]

−x3

que, após a substituição dos valores tabelados, fica

x − 1, se x ∈ [1, 3)



 x

s(x) = + 1, se x ∈ [3, 9)
3
 x + 3, se x ∈ [9, 27]



9
Gráfico abaixo mostra os pontos tabelados (azul), a função de qual foram obtidos
(azul), a interpolação polinomial (preto) e a interpolação por splines lineares (verde).

– A interpolação com splines de segundo grau se faz com

s (x), se x ∈ [x1 , x2 )

 1

s(x) = s2 (x), se x ∈ [x2 , x3 )


s3 (x), se x ∈ [x3 , x4 ]

33
 sendo si (x) = ai x2 + bi x + ci . Os valores das 9 incógnitas (ai , bi e ci ) são obtidos a
partir das seguintes condições sobre as splines:
* A função s(x), além de interpolar os 4 pontos, deve ser contı́nua, de modo que
valores de x pertencentes a duas splines tenham mesma imagem.
(1) s1 (x1 ) = y1 (2) s1 (x2 ) = y2 (3) s2 (x2 ) = y2
(4) s2 (x3 ) = y3 (5) s3 (x3 ) = y3 (6) s3 (x4 ) = y4
* A primeira derivada da função s(x), representada por s0 (x), deve ser contı́nua.
(7) s01 (x2 ) = s02 (x2 ) (8) s02 (x3 ) = s03 (x3 )
* A primeira spline deve ter curvatura zero, ou seja, deve ser uma reta.
(9) a1 = 0
Essas 9 condições podem ser organizadas de modo a formar um sistema linear nas
9 incógnitas, cuja resolução revela os coeficientes que especificam as splines que
compõem a interpolação.4
 2    
x1 x1 1 0 0 0 0 0 0 a1 y1
 2
 x2 x2 1 0 0 0 0 0 0   b 1   y2 
   
0 0 x22
    
 0 x2 1 0 0 0   c1   y 2 
    
 0
 0 0 x23 x3 1 0 0 0    a2   y3 
   
0 x23 x3 1   b 2  =  y 3  ⇒
    
 0 0 0 0 0
    
 0
 0 0 0 0 0 x24 x4 1  
 c2   y 4 
  
 2x2 1 0 −2x2 −1 0 0 0 0   a3   0 
    
    
 0 0 0 2x3 1 0 −2x3 −1 0   b3   0 
1 0 0 0 0 0 0 0 0 c3 0
 T
T 1 5 2 7
⇒ [a1 , b1 , c1 , a2 , b2 , c2 , a3 , b3 , c3 ] = 0, 1, −1, − , , −2, , − , 9
9 3 81 9
Esse resultado leva às splines são:


 x − 1, se x ∈ [1; 3)
x2 5x
s(x) = − 9 + 3 − 2, se x ∈ [3; 9)
 2x2 7x

81
− 9 + 9, se x ∈ [9; 27]
Gráfico seguinte mostra os pontos tabelados (azul), a função de qual foram obtidos
(azul), a interpolação polinomial (preto) e os splines quadráticos (magenta).

– A interpolação com splines de terceiro grau se faz com

s (x), se x ∈ [x1 , x2 )

 1

s(x) = s2 (x), se x ∈ [x2 , x3 )


s3 (x), se x ∈ [x3 , x4 ]
sendo si (x) = ai x3 + bi x2 + ci x + di . Os valores das 12 incógnitas (ai , bi , ci e di ) são
obtidos a partir das seguintes condições sobre as splines:
4
Note que o sobrescrito T se refere à operação de transposição de um vetor (ou matriz).

34
 * A função s(x), além de interpolar os 4 pontos, deve ser contı́nua.

(1) s1 (x1 ) = y1 (2) s1 (x2 ) = y2 (3) s2 (x2 ) = y2

(4) s2 (x3 ) = y3 (5) s3 (x3 ) = y3 (6) s3 (x4 ) = y4

* A primeira derivada da função s(x), representada por s0 (x), deve ser contı́nua.

(7) s01 (x2 ) = s02 (x2 ) (8) s02 (x3 ) = s03 (x3 )

* A segunda derivada da função s(x), representada por s00 (x), deve ser contı́nua.

(9) s001 (x2 ) = s002 (x2 ) (10) s002 (x3 ) = s003 (x3 )

* Para obter as chamadas splines cúbicas naturais, faz-se com que a segunda
derivadas das splines seja zero nos pontos extremos do domı́nio.

(11) s001 (x1 ) = 0 (12) s003 (x4 ) = 0

A partir dessas condições, não na mesma ordem apresentada para evitar elementos
iguais a zero na diagonal principal e facilitar a resolução do sistema por métodos
como a eliminação de Gauss, forma-se o sistema linear5 :

6x1 2 0 0 0 0 0 0 0 0 0 0 0
    
a1

 x31 x21 x1 1 0 0 0 0 0 0 0 0   b1  
   y1 

3x22 2x2 1 0 −3x22 −2x2 −1 0 0 0 0 0   c1   0
     
 
    

 x32 x22 x2 1 0 0 0 0 0 0 0 0 
 d1  
  y2 


 6x2 2 0 0 −6x2 −2 0 0 0 0 0 0    a2  
   0 

0 x32 x22
    

 0 0 0 x2 1 0 0 0 0 
 b2  
= y2 


 0 0 0 0 3x23 2x3 1 0 −3x23 −2x3 −1 0   c2  
   0 

0 0 0 0 x33 x23 x3 1 0 0 0 0   d2   y3
    
 
    

 0 0 0 0 6x3 2 0 0 −6x3 −2 0 0   a  
 3   0 

0 0 0 0 0 0 0 0 6x4 2 0 0   b3   0
    
 
0 0 x33 x23 x 3 1   c3  
     
 0 0 0 0 0 0 y3 
0 0 0 0 0 0 0 0 x34 x24 x4 1 d3 y4
5
Nesse sistema, as equações lineares correspondentes a cada uma das condições anteriores não estão ordenadas
tal como a numeração apresentada acima. Por exemplo, a primeira equação no sistema vem da condição (11).

35
 A solução desse sistema é
[a1 , b1 , c1 , d1 , a2 , b2 , c2 , d2 , a3 , b3 , c3 , d3 ]T =
 T
1 1 53 411 5 104 16 111 19 23 926 389
− , , , , ,− , ,− ,− , , ,−
29673 366 1098 122 706 549 9 61 907 366 907 366
Portanto, para o conjunto de pontos em questão as splines são:
x3 x2
 53x 411
 − 29673 + 366 + 1098 + 122 , se x ∈ [1; 3)

5x3 2
s(x) = 706
− 104x
549
+ 16x
9
− 111
61
, se x ∈ [3; 9)

 19x3 23x2 926x 389
− 907 + 366 + 907 − 366 , se x ∈ [9; 27]
Abaixo está um gráfico mostrando os pontos tabelados (azul), a função de qual foram
obtidos (azul), a interpolação polinomial (preto) e os splines cúbicos (vermelho).

Por fim, o gráfico seguinte resume aplicação da interpolação polinomial e das interpolação
por splines mostrando todas as interpolações obtidas acima. É fácil notar tanto a grande
oscilação observada na interpolação polinomial e também nas splines de segundo grau
quanto o caráter segmentado das splines lineares são evitados ao se utilizar as splines de
terceiro grau.

36
Tópico 10: Integração numérica

ˆ Erro aproximado na integração numérica

A aproximação de qualquer função f (x) por uma função polinomial pn (x), por exemplo,
através de uma interpolação, leva a uma erro rn (x), ou seja,
f (x) = pn (x) + rn (x)
Tomando a integral de a até b:
Z b Z b Z b
f (x) dx = pn (x) dx + rn (x) dx
a a a

Supondo que o pn (x) interpole os pontos x0 , . . . , xn ∈ [a; b] com x0 = a e xn = b, o erro

na aproximação é
(x − x0 )(x − x1 ) . . . (x − xn ) dn+1 f
rn (x) =
(n + 1)! d xn+1
logo Z b Z b
(x − x0 )(x − x1 ) . . . (x − xn ) dn+1 f

r(x) dx = dx
a a (n + 1)! d xn+1
Se os pontos x0 , . . . , xn são igualmente espaçados ente si pode-se usar q = (x − x0 )/h e
xp = x0 − ph para chegar a
Z b
hn+2 dn+1 f (x) n
Z
rn (x) dx = q(q − 1)(q − 2) . . . (q − n) dq.
a (n + 1)! d xn+1 0

Isso mostra que o erro é proporcional a um potência do espaçamento entre os pontos divido
pela quantidade de pontos mais um. Grosseiramente, essa equação afirmar que quanto
menor for o espaçamento, ou seja, quanto mais pontos forem utilizados na interpolação,
menor será o ero na integração, pois o denominador (fatorial) cresce mais rápido que o
denominador com o aumento de n. Entretanto, há que se levar em conta que a integral
na variável q passa a ter maior valor quando n aumenta, pois, ao mesmo tempo em que o
integrando será um polinômio de grau cada vez maior, a extremidade superior do intervalo
de integração será um número maior, sendo isso uma consequência imediata do fenômeno
de Runge.
A estratégia utilizada para driblar esse problema do erro na interpolação é utilizar um
procedimento semelhante àquele adotado na interpolação por splines: fracionar o intervalo
de integração em muitas partes, tendo muitos pontos a serem interpolados, mas utilizando
polinômios interpoladores de grau baixo sobre conjuntos de pontos subsequentes.
ˆ Fórmulas de Newton-Cotes
Lembrando que f (x) = pn (x) + rn (x), desprezando o termo referente ao erro e utilizando
o polinômio interpolador de Lagrange de grau n para determinar pn (x), é fácil ver que
Z b Z b n
Z b X ! n  Z b 
X
f (x) dx ≈ pn (x) dx = (yk Lk (x)) = yk Lk (x) dx .
a a a k=0 k=0 a

37
 ˆ Regra do trapézio
A regra do trapézio utiliza o polinômio interpolador de grau um para interpolar pares de
pontos. Chama-se de regra do trapézio simples a aplicação da regra uma única vez sobre
todo o intervalo de integração, enquanto que se esse intervalo for subdividido em partes
menores com a aplicação da regra sobre cada uma dessas partes, então passa-se a chamar
de regra do trapézio repetida.
Regra do trapézio simples, ao considerar x0 = a, x1 = b e h = x1 − x0 :6
Z b
(x1 − x0 ) (x1 − x0 ) h
f (x) dx ≈ y0 + y1 = (y1 + y0 )
a 2 2 2

Regra do trapézio repetida, ao considerar x0 = a, xn = b e h = xk − xk−1 :

Z b n−1 Z xi+1
X 
f (x) dx = f (x) dx
a i=0 xi
n−1  
X h
≈ (yi+1 − yi )
i=0
2
n−1
!
h X
≈ y0 + yn + 2 yi
2 i=1

ˆ Regra 1/3 de Simpson

A regra 1/3 de Simpson utiliza o polinômio interpolador de grau dois para interpolar trios
de pontos, portanto o intervalo de integração deve ser subdividido em uma quantidade
de partes par. A regra 1/3 de Simpson simples aplica-se quando o intervalo de integração
é dividido em apenas duas partes. Quando uma quantidade maior de partes é utilizada
tem-se a aplicação repetida da regra.
Regra 1/3 de Simpson simples, ao considerar x0 = a, x2 = b e h = xk − xk−1 :
Z b
h
f (x) dx ≈ (y0 + 4y1 + y2 )
a 3

Regra 1/3 de Simpson repetida, ao considerar x0 = a, xn = b e h = xk − xk−1 :

Z b n−1 Z xi+1
X 
f (x) dx = f (x) dx
a i=1 xi−1
n−1  
X h
≈ (yi+1 + 4yi + yi−1 )
i=1
3
 
n/2 (n/2)−1
h X X
≈ y0 + yn + 4 (y(2i−1) ) + 2 (y(2i) )
3 i=1 i=1

ˆ Quadratura de Gauss-Legendre

– Como utilizar
A quadratura de Gauss-Legendre só pode ser aplicada a integrais
R b cujo intervalo de
integração é de −1 a 1. Portanto, para calcular a integral a f (x) dx, é preciso
realizar esses passos:
6
A demonstração do resultado está na parte de exemplos da lista de exercı́cios.

38
 Rb R1
(1) Transforme a integral a
f (x) dx na integral −1
F (t) dt através da transformação
de variáveis
(b − a) t a + b
x= +
2 2
o que leva ao integrando
b−a
F (t) =
f (x(t))
2
(2) O valor da integração numérica é dado por um somatório:
Z b Z 1 n
X
f (x) dx = F (t)dt ≈ Ai F (ti ),
a −1 i=1

Os coeficientes Ai e ti devem ser consultados na seguinte tabela, na qual n

designa tanto o número de pontos quanto o grau do polinômio de Legendre
considerado:
p
A1 = 1 t1 = − 1/3
n=2 p
A2 = 1 t2 = p1/3
A1 = 5/9 t1 = − 3/5
n=3 A2 = 8/9 t2 = 0
p
A3 = 5/9 t3 =q 3/5
√
√ 15+2 30
t1 = −
A1 = 90−5180
30
q 35√
√
A2 = 90+5 30 t2 = − 15−2 35
30
180
n=4 √ q √
A3 = 90+5180
30
t3 = 15−2 30
√
A4 = 90−5 30 q 35√
180
t4 = 15+2 35
30

.. .. ..
. . .
– Explicação
Toda integração numérica é uma aproximação do tipo
Z b n
X
f (x) dx ≈ Ai f (xi ),
a i=1

sendo que nas fórmulas de Newton-Cotesos valores xi são igualmente espaçados e

h
na regra do trapézio, por exemplo, Ai = , com h = xi+1 − xi . Isso faz com
h/2
que, de modo geral, a integral calculada sobre n pontos seja exata para uma função
f (x) polinomial de grau n − 1.
Na quadratura de Gauss-Legendre os Ai e xi são escolhidos de modo que a integração
sobre n pontos resulte no valor exato para uma função f (x) polinomial de grau 2n−1.
Por exemplo, ao se considerar 2 pontos, a quadratura de Guass-Legendre R 1deve ser
exata para polinômios de grau até 3 e isso é garantido quando se exige que −1 F (t) dt
seja exata para F (t) = tk , com k = 0, 1, 2, 3. De fato, se são considerados 2 pontos,
então Z b
f (x) dx ≈ A1 F (t1 ) + A2 F (t2 )
a

39
com os valores de A1 , A2 , t1 e t2 obtidos como solução deste conjunto de quatro
equações: Z 1 Z 1
dt = A1 + A2 ; t dt = A1 t1 + A2 t2 ;
−1 −1
Z 1 Z 1
2
t dt = A1 t21 + A2 t22 ; t3 dt = A1 t31 + A2 t32 .
−1 −1

O mesmo raciocı́nio é utilizado para encontrar todos os outros Ai e ti mostrados na

tabela.
O fato de a quadratura de Gauss-Legendre se aplicar apenas a integrais calculadas
no intervalo [−1; 1] se deve a uma propriedade dos polinômios de Legendre: eles
são ortogonais em relação ao produto interno definido nesse intervalo. Os valores ti
tabelados são as raı́zes dos polinômios de Legendre usados em cada integração.

40
 Parte II

Listas de exercı́cios

41
Exercı́cios 1: Sistemas de numeração,
conversão decimal-binário-decimal e
erros

Dica: pode-se usar a calculadora on-line https://www.exploringbinary.com/binary-converter/ para rea-

lizar as conversões do sistemas de numeração decimal para binário e vice-versa, na qual é possı́vel limitar a
quantidade de algarismos fracionários mostrados no resultado, ao informar essa quantidade na opção “Truncate
infinite binary fractions to X bits”.

1. O que são erros de arredondamento e erros de estão em binário novamente para a

truncamento? Cite diferenças entre os dois. notação em decimal arrendondando para
que sejam mantidos seis algarismos fra-
2. Complete a tabela com as representações cor-
cionários (ou seja, obtenha “aproximações
retas dos números utilizando sistemas de nu-
dos valores aproximados”). Rotule os no-
meração de base 10 e base 2.
vos valores como π̄ e ē.
BASE 10 BASE 2
13.25 (c) Calcule a diferença π − π̄. O valor ab-
10.1101 soluto dessa diferença é chamado de erro
0.101 absoluto: Ea (π) = |π − π̄|. Faça o mesmo
1.53125 para e.

3. (a) Dados π = 3.141593 e e = 2.718282, (d) Calcule a razão entre a diferença π − π̄ e

escritos com base no sistema decimal, o valor supostamente correto π. O valor
reescreva-os utilizando o sistema binário absoluto dessa razão
 é chamado de erro
mantendo apenas os seis primeiros alga- relativo: Er (π) =  π−π̄
π . Faça o mesmo

rismos fracionários (depois de escritos no para e.
sistema binário). 4. Qual é o erro relativo ao aproximar o número
∗
(b) Converta os resultados anteriores que n = 11
30 por n = 0.367?

Exemplos e dicas

1. Podem-se citar as diferenças em relação à ori- como

gem e à magnitude desses erros. √
2 = 1.414214
2. Dado 12.75 em decimal, para escrevê-lo em = 1 · 20 + 0 · 2−1 + 1 · 2−2 + 1 · 2−3 +
binário é preciso reescrevê-lo como
0 · 2−4 + 1 · 2−5 + 0 · 2−6
12.75 = 8 + 4 + 0.5 + 0.25 ≈ 1.0110102
= 1 · 23 + 1 · 22 + 0 · 21 + 0 · 20 + (b) Voltando ao sistema decimal:
1 · 2−1 + 1 · 2−2
√
2 = 1+0.25+0.125+0.03125 = 1.40625010
Logo, a partir dos multiplicadores (coeficientes)
das potências de 2, conclui-se que em binário o (c) A partir disso, pode-se calcular o erro ab-
numeral é 1100.11 soluto:
√ √  √ √
3. (a) Dado 2 = 1.414214, pode-se reescrevê-lo Ea 2 = | 2 − 2| = 0.007964

42
 (d) E o erro relativo é: vale:
 m − m∗ 
 
EREL =  
m 
 √   √ 2 − √2 
1 
 − 0.111 
 
Er 2 = √

 = 0.005631
 =  9 1 

 2  1
9
 − 111 

=  9 11000 
 9  
 1 111 
=  − · 9
9 1000
 
 999 
4. Supondo que o número m = 91 seja aproximado = 1 −
1000 
por m∗ = 0.111, o qual pode ser reescrito como 1
m∗ = 1000
111
, o erro relativo nessa aproximação = = 0.001
1000

43
Exercı́cios 2: Zeros de funções –
métodos intervalares
1. O gráfico da função f (x) = sen(x) + cos(2x) é
mostrado a seguir. Pode-se observar que há três
zeros da função no intervalo x ∈ [0; 6].
f (x)
0 2 4 6
-2
(a) Todos eles podem ser encontrados através
dos métodos da bisseção e da posição
falsa? Justifique.
(b) Especifique dois intervalos de largura
unitária ([a; b] tal que b − a = 1) que po-
dem ser utilizados como condição inicial
para a execução do método da bisseção.
(c) Utilizando os intervalos informados no
item anterior execute o método da
bisseção para estimar o valor do zero da
função. O critério de parada das iterações
deve ser o erro relativo: Er < 0.01.
Observações: (i) organize as estimativas
em uma tabela conforme o exemplo se-
guinte; (ii) durante os cálculos, use ar-
redondamento para que sejam mantidos
cinco algarismos fracionários a cada uma
das operações matemáticas empregadas;
(iii) ao aplicar as funções trigonométricas,
os ângulos devem ser considerados em ra-
dianos.
Ite. Intervalo Estimativa Erro Rel.
(a+b)
2. Enquanto o método da bisseção emprega o
ponto médio do intervalo de trabalho a cada
iteração como estimativa do zero da função, o
método da posição falsa escolhe como estima-
tiva x1 o ponto de interceptação do eixo hori-
zontal pela reta que contém os pontos (a, f (a))
e (b, f (b)). Isso está ilustrado na figura abaixo.
Buscando acelerar a convergência da estimativa
x em direção ao zero da função, pode-se utilizar
uma versão alternativa do método da posição
falsa na qual a imagem da extremidade do in-
tervalo que fica inalterada entre duas iterações
consecutivas é diminuı́da pela metade, levando
à estimativa x∗2 . Se a mesma extremidade per-
manecer inalterada durante três iterações con-
secutivas, a imagem desta extremidade deve se
tornar um 1/4 do valor original. Ou seja, cada
vez que a extremidade é repetida, sua imagem é
dividida progressivamente por 2.
y
f (b)
a x1 x2
x
x∗2 b
f (a)
Utilize essa informação para calcular através do
método da posição falsa original e do método
alternativo o zero da função
f (x) = cos(x) − x3 .
1 [a; b] x1 = 2  —  Execute cinco iterações, considerando como
2 [a; x1 ] ou [x1 ; b] x2 = (...)
 x2 −x1  condição inicial o intervalo [0; 1] e como condição
2  x2 
de parada o valor absoluto da função na estima-
3
tiva. Organize os resultados numa tabela seme-
.. .. ..
4 . . . lhante àquela do exercı́cio anterior.
(d) Refaça os cálculos do item anterior utili- 3. Suponha que foram executadas 10 iterações do
zando o método da posição falsa. método da bisseção para encontrar o zero de

44
 uma função f arbitrária. Sabendo que o inter- y
f (x)
valo de trabalho inicial do método na 1ª iteração •
tinha largura 2 (por exemplo, o intervalo [0; 2]),
qual a largura do intervalo utilizado na 10ª
iteração?

4. Abaixo está o gráfico de uma função f (x) que −1

x
contém um zero no intervalo mostrado. Loca- 2
lize no eixo horizontal as quatro primeiras es-
•
timativas do zero da função de acordo com o
método da bisseção e calcule seus valores, to-
mando como intervalo inicial [−1; 2]. Observe
que duas marcações consecutivas no eixo hori-
zontal são distantes de meia unidade.
y 6. Repita outra vez a análise gráfica, mas utili-
f (x) zando o método alternativo da posição falsa.
•
Assim como no caso da posição falsa original,
não é possı́vel calcular numericamente as esti-
mativas do zero da função, mas é possı́vel fa-
zer uma estimativa visual da localização de cada
−1 1 uma delas.
x y
2 f (x)
•
•

−1
x
5. Repita a análise gráfica do exercı́cio anterior, 2
mas agora considerando o método da posição •
falsa. Perceba que não é possı́vel calcular nu-
mericamente as estimativas do zero da função
(por quê?), mas é possı́vel fazer uma estimativa
visual da localização de cada uma delas.

Exemplos e dicas

1. (a) Observar se algum dos zeros da função é
tal que não há intervalo que o contenha
de modo a satisfazer a condição derivada
do teorema do valor intermediário que ga-
rante a existência do zero da função.
(b) Um exemplo de intervalo que não é correto
é [0; 1], pois f (0) · f (1) > 1.
(c) Dado o intervalo inicial [3.3; 4.3], os pri-
meiros passos do cálculo seriam os seguin-
tes.
1ª iteração:
O ponto médio do intervalo, que é a pri-
meira estimativa do zero da função, é 3.8,
logo
f (3.8) = sen(3.8) + cos(7.6) = −0.36060
Verifica-se, em seguida, se o zero da função
encontra-se na primeira metade do inter-
valo de trabalho [3.3; 4.3]. Isso é feito ao
verificar se f (3.3) · f (3.8) ≤ 0. De fato,
pode-se calcular f (3.3) = 0.15379, o que
significa que a desigualdade anterior real-
mente ocorre. Com isso, o próximo inter-
valo de trabalho será [3.3; 3.8]. E na pri-
meira iteração ainda não é possı́vel calcu-
lar o erro relativo, pois não há estimativa
anterior com a qual comparar a estimativa
atual do zero da função.
2ª iteração:
O ponto médio do intervalo e segundo es-
timativa do zero agora é 3.55, logo
f (3.55) = sen(3.55) + cos(7.1) = 0.28740
O produto f (3.3) · f (3.55) é positivo, logo
f (3.55) · f (3.8) ≤ 0, o que significa que
o zero da função encontra-se no intervalo
[3.55; 3.8], e este será o próximo intervalo
de trabalho. A comparação das duas esti-
mativas encontradas resulta no erro rela-

45
 tivo zero da função vale x2 = 3.66594. O erro
  relativo cometido é
 3.55 − 3.8 
Er =   = 0.07042  
 3.66594 − 3.63195 
3.55  Er =   = 0.00927
Como o erro é maior do que a condição de
parada exigida (Er < 0.1), deve-se seguir
para a terceira iteração.
3ª iteração: . . .
A reunião dos cálculos das duas primeiras
iterações numa tabela fica:
Ite. Intervalo Estimativa Erro Rel.
1 [3.3; 4.3] 3.8 — 2
2 [3.3; 3.8] 3.55 0.07042
.. .. ..
3 . . .
(d) Os cálculos correspondentes ao método da
posição falsa seguem a mesma sequência
daqueles mostrados antes para o método
da bisseção, com a exceção de que a es-
timativa deixa de ser calculada como o
ponto médio, tendo uma fórmula própria.
1ª iteração:
Com a = 3.3, A = |f (a)| = 0.79248,
b = 4.3 e B = |f (b)| = 1.59489, a primeira
estimativa do zero da função vale:
aB + bA
x1 = = 3.63195
A+B
Sua imagem é f (x1 ) = 0.08549, logo
f (x1 ) · f (b) ≤ 0, fazendo com que
o próximo intervalo de trabalho seja
[3.63195; 4.3].
2ª iteração:
Com a = 3.63195, A = 0.08549, b = 4.3
e B = 1.59489, a segunda estimativa do
46
3.66594 
Como esse erro é menor do que a condição
de parada exigida, não é necessário reali-
zar a terceira iteração. Organizando esses
cálculos numa tabela:
Ite. Intervalo Estimativa Erro Rel.
1 [3.3; 4.3] 3.63195 —
[3.63195; 4.3] 3.66594 0.00927
2. Tomando como exemplo esta última aplicação
do método da posição falsa, sua adaptação para
o método da posição falsa alternativo se dá como
se segue. A primeira iteração é idêntica à do
método da posição falsa original, visto que não
há como uma das extremidades do intervalo es-
tar se repetindo. Na segunda iteração uma das
extremidades é repetida, a saber, a extremidade
4.3 para o caso em questão. Dessa forma, ao
calcular a segunda estimativa, deve-se utilizar
B∗ = B/2 = f (4.3)/2. Com isso, ela vale
aB ∗ + bA
x∗2 = = 3.69664
A + B∗
E os demais cálculos seguem de forma similar.
3. Lembrar que a cada iteração o tamanho do in-
tervalo diminui pela metade.
4. Seguir exemplo mostrado na parte de tópicos
desse conteúdo.
5. Idem.
6. Idem.
Exercı́cios 3: Zeros de funções –
métodos abertos

1. O gráfico da função t xt Er
−1 4 —
f (x) = sen(x) + cos(2x) 0 5  — 
x0 f (x(−1) )−x(−1) f (x0 )  x1 −x0 
1 x1 = f (x(−1) −f (x0 )  x1 
é mostrado a seguir. Pode-se observar que há .. ..
três zeros da função no intervalo x ∈ [0; 6]. 2 . .

f (x) 2. Para a mesma função f (x) do exercı́cio anterior,

use a função de iteração

φ(x) = x + sen(x) + cos(2x),

x
0 2 4 6 obtida ao somar x de ambos os lados da equação
f (x) = 0, e analise a convergência do método do
ponto fixo.

-2 (a) Veja que somente uma das estimativas ini-

ciais
  listadas
 a seguir satisfaz a condição
 dφ 
  < 1 e utilize-a para encontrar
 dx x0

(a) Em teoria, um dos zeros mostrados não
poderia ser encontrado através do método
de Newton. Identifique qual e dê a razão
pela qual ele não poderia ser encontrado.
(b) Utilize o método de Newton para esti-
mar o valor do zero citado no item an-
terior utilizando como condição inicial o
inteiro mais próximo e o critério de pa-
rada Er < 0.01 (erro relativo).
Observações: (i) organize as estimativas
em uma tabela conforme o exemplo se-
guinte; (ii) durante os cálculos, use ar-
redondamento para que sejam mantidos
cinco algarismos fracionários a cada uma
das operações matemáticas empregadas;
(iii) ao aplicar as funções trigonométricas,
os ângulos devem ser considerados em ra-
dianos.
t xt Er
um dos zeros da função tomando como
condição de parada o erro relativo Er <
0.01. Organize os resultados das iterações
numa tabela semelhante àquela do método
de Newton, mas com xt+1 = φ(xt ). Esti-
mativas iniciais: 1.3; 2; 3.5; 5.5.
(b) Note que a estimativa inicial 4.5 também
satisfaz a condição indicada antes, porém
os zeros da função próximos a ela não sa-
tisfazem (aproximadamente 3.67 e 5.76).
Realize 10 iterações do método do ponto
fixo a partir desta condição inicial para ob-
servar que não há sinais de convergência
para nenhum desses zeros.
Dica: Faça os gráficos de dφ/dx e f (x), prefe-
rencialmente no mesmo sistema de eixos, usando
algum recurso computacional como o buscador
da Google ou o WolframAlpha, digitando o co-
0 x0 (condição inicial)  —  mando plot seguido das expressões algébricas
correspondentes às funções que se quer ver os
x1 = x0 − ff0(x0)  x1 −x0 
1 (x0 )  x1 
gráficos, separadas por uma vı́rgula. Por exem-
.. .. plo, para ver os gráficos das funções g(x) = x
2 . .
e h(x) = x2 no mesmo sistema de eixos usando
(c) Utilize o método da secante para preen- essas ferramentas citadas, usa-se o comando:
cher a tabela a seguir até que Er < 0.02. plot x, x^2

47
3. Abaixo está o gráfico de uma função f (x) que
contém um zero no intervalo mostrado. Localize
no eixo horizontal as três primeiras estimativas
do zero da função de acordo com o método da
secante tomando como condições iniciais x(−1) e
x0 .
y
5. A seguir é mostrado o gráfico de uma função de
iteração φ(x) tal que φ(x) = f (x) − x. Localize
no eixo horizontal as três primeiras estimativas
do zero da função f (x) de acordo com o método
do ponto fixo tomando como condição inicial x0 .
y
φ(x)

y=x

x0 x
x x0
x(−1)

f (x)

4. Abaixo está o gráfico de uma função f (x) que

contém um zero no intervalo mostrado. Localize
no eixo horizontal as três primeiras estimativas
do zero da função de acordo com o método de
Newton tomando como condição inicial x0 .
y

x
x0

f (x)

Exemplos e dicas

1. (a) Deve-se observar quando a expressão ite- iteração.

rativa referente ao método de Newton fa- 2ª iteração:
lha. Com f (x1 ) = −0.33893 e f 0 (x1 ) =
(b) Como exemplo considere a condição ini- −2.72341, a segunda estimava vale
cial x0 = 3.3.
f (x1 )
1ª iteração: x2 = x1 − = 3.66760
Com f (3.3) = 0.79248 e f 0 (3.3) = f 0 (x1 )
−1.61056, a primeira estimativa fica
O erro relativo nesta iteração é:
f (x0 )
x1 = x0 − = 3.79205  
 x2 − x1 
f 0 (x0 ) E2 =   = 0.03393
x2 
Comparada com o chute inicial, o erro re-
lativo na primeira iteração é Novamente a condição de parada não foi
   
 x1 − x0   3.79205 − 3.3  satisfeita, logo é necessária mais uma
Er =   =   = 0.12976 iteração.
x1   3.79205 
3ª iteração: . . .
Como a condição de parada não é sa- Resume-se os cálculos das duas primeiras
tisfeita, é necessário ir para a próxima iterações numa tabela como esta:

48
 t xt Er O erro relativo nesse caso é
0 3.3 —  
 x2 − x1 
1 3.79205 0.12976 Er =   = 0.22426
2 3.66760 0.03393 x2 
.. ..
3 . . Como ele é menor do que 0.2, seria ne-
cessária pelo menos mais uma iteração.
(c) Supondo que as condições iniciais sejam 3ª iteração: . . .
x(−1) = 4 e x0 = 4.5, as duas primeiras A seguinte tabela resume o emprego do
iterações são como se segue. método da bisseção.
1ª iteração:
t xt Er
A primeira estimativa é
−1 4 —
x0 f (x(−1) ) − x(−1) f (x0 ) 0 4.5 —
x1 = = 3.54261 1 3.54261 0.27025
f (x(−1) − f (x0 )
2 3.67569 0.22426
E o erro relativo correspondente é .. ..
3 . .
 
 x1 − x0  2. Seguir os passos indicados no enunciado do
Er =   = 0.27025
x1  exercı́cio.

o qual não satisfaz a condição de parada. 3. Seguir exemplo mostrado na parte de tópicos
2ª iteração: desse conteúdo.
4. Idem.
x1 f (x0 ) − x0 f (x1 )
x2 = = 3.67569 5. Idem.
f (x0 − f (x1 )

49
Exercı́cios 4: Sistemas lineares –
métodos iterativos

1. Considere o sistema linear 2. Use o método iterativo de Gauss-Seidel para re-

     solver o sistema linear
10 3 −2 x 57 
 2 8 −1   y  =  20  .  5x1 + x2 + x3 = 5
1 1 5 z −4 3x1 + 4x2 + x3 = 6 .
3x1 + 3x2 + 6x3 = 0

(a) Verifique que ele atende à condição de con-
vergência para a aplicação dos métodos Utilize como condição de parada o erro absoluto
iterativos. no vetor solução menor do que 1/100. Não use
arredondamento, mantenha as frações.
(b) Resolva esse sistema utilizando o método (t) (t) (t)
de Jacobi até que o valor do erro re- t x1 x2 x3 Ea
lativo (Er ) no vetor solução seja me- 0 —
nor que 10−3 . Em todos os passos 1
dos seus cálculos, arredonde os resul- 2
tados mantendo cinco algarismos fra- 3. A equação ax + by = c é uma equação implı́cita
cionários. Considere
como condição ini- de uma reta no espaço bidimensional. Sendo as-
cial x(0) ; y (0) ; z (0) = (0; 0; 0). Para or- sim, um sistema de duas equações pode ser pen-
ganizar os resultados das iterações, utilize sado como duas retas no espaço bidimensional.
uma tabela conforme indicado abaixo. Com base na interpretação de uma equação de
t x(t) y (t) z (t) Er duas variáveis como uma reta, explique o posi-
0 — cionamento relativo das retas nos casos em que
1 o sistema linear:
2
(a) não tem solução;
(c) Resolva o sistema utilizando o método de
(b) tem infinitas soluções;
Gauss-Seidel para as mesmas condições es-
pecificadas no item anterior. (c) tem somente uma solução.

Exemplos e dicas

1. Considere que fosse o sistema t x(t) y (t) Ea

     0 0 0 —
2 1 x 3
= 1 1.50000 0.33333 1.50000
−2 3 y 1
2 1.33334 1.33332 0,99999
Ele satisfaz a condição de convergência pois os 3 0.83334 1.22221 0.5
elementos da diagonal principal da matriz de co- 4 0.8889 0.88888 0.33333
eficientes são maiores, em valor absoluto, do que 5 1.05556 0.92592 0.16666
os outros elementos da respectiva linha, também 6 1.03704 1.03703 0.11111
em valor absoluto. As equações iterativas do 7 0.98149 1.02468 0.05555
método de Jacobi são
(
x(t+1) = 12 3 − y (t)

y (t+1) = 13 1 + 2x(t)


As equações iterativas do método de Gauss-
e suas primeiras iterações seriam as seguintes. Seidel são

50
 ( tabela referente ao método de Gauss-Seidel sem
1


x(t+1) = 2 3 − y (t) o uso de arrendondamento fica:
1 t x(t) y (t) Ea


y (t+1) = 3 1 + 2x(t+1)
0 0 0 —
e suas iterações iniciais estão resumidas a seguir. 1 3/2 4/3 3/2
t x(t) y (t) Ea 2 5/6 8/9 2/3
0 0 0 — 3 19/18 28/27 2/9
1 1.50000 1.33332 1.50000 4 53/54 80/81 2/27
2 0.83334 0.88888 0.66666
3. Lembrar que cada ponto em comum às duas re-
3 1.05556 1.03703 0.22222 tas corresponde a uma solução do sistema linear,
4 0.98149 0.98765 0.07407 fazer o desenho da posição relativa das retas no
O critério de parada utilizado foi o erro absoluto espaço e explicar. Pode-se utilizar os seguintes
menor do que 1/10 para ambos os métodos. Fica exemplos para ajudar a chegar na resposta mais
evidente que o método de Gauss-Seidel converge geral para cada caso:
mais rápido para solução (x = 1; y = 1).   
x+y =1 x+y =1 x+y =1
2. Usando o mesmo sistema do exemplo anterior, a , ,
x−y =3 2x + 2y = 2 2x + 2y = 3

51
Exercı́cios 5: Sistemas lineares –
métodos exatos

1. Considere uma matriz A de ordem 3, sobre a (a) Obtenha um sistema linear triangular
qual é aplicado o método de eliminação de Gauss equivalente através da eliminação de
gerando a matriz Gauss, mantendo as frações7 , ou seja, sem
  realizar arredondamentos. Enumero todas
2 1 0 as operações elementares utilizadas.
 0 −1 3  .
0 0 9 (b) Determine as matrizes que formam a fa-
toração LU da matriz de coeficientes do
As operações elementares aplicadas foram: sistema original.
    (c) A partir do resultado do item anterior,
1 0 0 1 0 0 obtenha um sistema diagonal (eliminação
E1 =  3 1 0  ; E2 =  0 1 0  ; de Gauss-Jordan). Novamente realize
0 0 1 −1 0 1 as operações matemáticas mantendo as
  frações. Informe as operações elementares
1 0 0 utilizadas.
E3 = 0
 1 0 .
0 − 23 1 (d) Qual a solução do sistema linear?

Determine a matriz A. 3. Utilize a decomposição LU para resolver o sis-

tema
2. Considere o sistema linear

     
 x1 + 2x2 + 2x3 + x4 = 6
2 0 3 x1 9 2x1 + 4x2 + x3 + 3x4 = 10

 1 −1 1   x2  =  7  . 
 x1 + x2 + 2x3 − x4 = 3
−2 2 4 x3 −8 2x1 + x2 + 4x3 + 2x4 = 9


Exemplos e dicas

1. Considere que fosse uma matriz A0 sobre a qual e chegou-se à matriz triangular
foram aplicadas as operações elementares
 
    2 1 0
1 0 0 1 0 0  0 −1 1 
E10 =  −1 1 0 ; E20 =  0 1 0 ;
0 0 7/2
0 0 1 −1/2 0 1

Essa matriz, por ser triangular superior, é a

própria matriz U . A partir das matrizes ele-
 
1 0 0
E30 =  0 1 0  mentares informadas pode-se identificar os mul-
0 3/2 1 tiplicadores usados no processo de eliminação de
7
As calculadores cientı́ficas têm um botão a cb que serve para realizar cálculos utilizando frações. Por exem-

plo, ao digitar os botões 7 a cb 3 + 1 a cb 3 = será mostrado o resultado 2 t 2 t 3 , o que significa 2+ 23 .

Pode-se também usar a ferramenta Wolfram Alpha disponı́vel na web em https://www.wolframalpha.com, a
qual mostra o resultado do cálculo exato com frações.

52
 Gauss e construir a matriz triangular inferior: O sistema diagonal é
  
1 0 0 2x + 0y = 4
L= 1 1 0  0x − 5y = 5
1/2 −3/2 1
e sua solução, que é a mesma do sistema qua-
A matriz A0 original era drado original, é
    
1 0 0 2 1 0 2 1 0 x=2 e y = −1
 1 1 0   0 −1 1 = 2 0 1 
1
2 − 32 1 0 0 7
2 1 2 2 3. Caso o sistema linear fosse

2. Supondo que fosse um sistema linear  x1 + 2x2 + 3x3 = 1
     x1 + 2x2 + 4x3 = 2
2 3 x 1 
2x1 + 3x3 = 3
=
4 1 y 7
a operações elementares
cuja matriz aumentada é
  L2 ← L2 − L1 ; L3 ← L3 − 2 · L1 ; L2 ↔ L3
2 3 1
4 1 7 aplicadas à matriz de coeficientes geram
Ao usar a operação elementar L2 ← L2 − 2L1 ,  
1 2 3
chega-se ao sistema triangular superior cuja ma-
U =  0 −4 −3 
triz aumentada é
0 0 1
 
2 3 1
0 −5 5 A matriz L correspondente, levando em conta a
permutação das posições das linhas 2 e 3, é
Portanto a matriz U da decomposição LU é  
  1 0 0
2 3 L= 2 1 0 
U=
0 −5 1 0 1

A matriz elementar correspondente à operação A permutação deve ser aplicada ao vetor cons-
acima é   tante do sistema linear, levando ao vetor
1 0 [1 3 2]T . Em notação matricial o sistema fica
−2 1
     
e dela chegamos à matriz L da decomposição: 1 0 0 1 2 3 x1 1
 2 1 0   0 −4 −3   x2  =  3 
 
1 0 1 0 1 0 0 1 x3 2
L=
2 1 | {z
L
}| {z
U
} | {z } | {z }
~
x ~b0

Fazendo o produto LU , temos

sendo ~b0 o vetor constante permutado. A solução
    
1 0 2 3 2 3 é encontrada por meio de dois sistemas triangu-
= lares:
2 1 0 −5 4 1
L~y = ~b0

LU~x = ~b0 ⇒
que é a própria matriz de coeficientes do sis- U~x = ~y
tema original. Partindo do sistema triangular
superior, podemos executar a operação elemen- sendo ~y um vetor de variáveis temporário. Re-
tar L1 ← L1 + 53 L2 e obter um sistema diagonal solvendo primeiro o sistema L~y = ~b0 , chega-se
equivalente cuja matriz aumentada é a ~y = [1 1 1]T . Por fim, a solução do sistema
  U~x = ~y é a própria solução do sistema original:
2 0 4
0 −5 5 x1 = 0; x2 = −1; x3 = 1

53
Exercı́cios 6: Sistemas não-lineares

1. Considere o sistema não-linear ˆ o plano h(x, y, z) = 0, com

 2
y − cos(x) − 1 = 0
√
xy − xy = 0
para resolver os itens a seguir.
(a) Use o método do ponto fixo para estimar
(a) Encontre equações iterativas adequadas
a serem utilizadas para resolver o sis-
tema através do método do ponto fixo tais
que satisfaçam a condição de convergência
para a condição inicial x(0) = 0.9 e y (0) =
1.1.
(b) Usando as equações encontradas no item
anterior e partindo da condição inicial in-
formada, realize as 5 primeiras iterações
e organize as estimativas calculadas numa
tabela semelhante a esta abaixo. Preste
atenção que as funções trigonométricas
devem ser calculadas considerando que os
ângulos estão em radianos.
x y 1
h(x, y, z) = + +
3 2 4
um dos pontos de interseção dos três ob-
jetos. Para tanto, monte o sistema não-
linear, escreva as equações iterativas, tome
como condição inicial o ponto
   1 1

x(0) , y (0) , z (0) = 0, − ,
2 2
e organize o resultado das 5 primeiras
iterações numa tabela semelhante a esta,
cuja última coluna contém o erro refe-
rente ao valor de cada função calculada
na última estimativa conhecida para cada
variável.

t xt yt Eabs t xt yt zt Ef,g,h
0 0.90000 1.10000 — 0 0.0000 −0.5000 0.5000 0.1250
1 1
.. ..
. .
5 5

2. Quais as equações iterativas correspondentes ao (b) Escreva a equação matricial

método de Newton quando aplicada ao sistema  
do exercı́cio anterior. Considere a versão do J (t) ~x(t+1) − ~x(t) = −f~(t)
método de Newton especı́fica para sistemas com
duas equações. referente à aplicação do método de New-
3. Considere os seguintes objetos geométricos: ton para resolução do sistema não-linear
montado a partir das equações dos três ob-
ˆ o parabolóide f (x, y, z) = 0, com jetos geométricos, e determine o valor de
~x(3) , partindo da mesma condição inicial
x2 y2 z
f (x, y, z) = + − do item anterior e fazendo uso da variável
6 4 8 temporária ~s(t) = ~x(t+1) − ~x(t) . Construa
ˆ o plano g(x, y, z) = 0, com uma tabela semelhante àquela do item an-
x z terior para mostrar os resultados de cada
g(x, y, z) = + uma das iterações.
2 4

54
 Exemplos e dicas

1. Considere que o sistema fosse iteração. O erro absoluto da variável x na pri-

 meira iteração é
sen(x)/y = 2    
xy + x2 = 1 Eabs x(1) = x(1) − x(0)  = |1 − 1| = 0
 

a ser resolvido partindo da condição inicial O erro absoluto da variável y na primeira

  iteração é
x(0) ; y (0) = (1; 0)    
Eabs y (1) = y (1) − y (0)  = |0.4207−0| = 0.4207
 
Para evitar trabalhar com a função inversa de
uma trigonométrica, será isolada a variável y na Sendo assim, o erro absoluto cometido na pri-
primeira equação e a variável x na segunda. Um meira iteração é o erro correspondente à variável
dos possı́veis pares de equações de iteração é y. O erro absoluto de cada variável na segunda
 (t+1)
iteração é
y =p sen x(t) /2

Eabs x(2)
= |0.7611 − 1| = 0.2389

x(t+1) = 1 − x(t) y (t)
Eabs y (2) = |0.4207 − 0.4207| = 0
o qual corresponde ao uso das funções de
iteração Isso faz com que o erro absoluto da segunda
 iteração seja o erro referente à variável x. E
F (x, y) = sen(x)/2
√ esses cálculos seguem tantas quantas iterações
G(x, y) = 1 − xy forem necessárias.

As funções de iteração utilizadas satisfazem à 2. Esse exemplo de sistema não-linear pode ser re-
condição de convergência, pois escrito como

   f (x, y) = 0, com f (x, y) = sen(x)/y − 2
∂F

cos(x)
∂x x(0) ,y (0) = 2 ≈ 0.27  g(x, y) = 0, com g(x, y) = xy + x2 − 1
x(0) ,y (0) ⇒
∂F
∂y = 0

As derivadas parciais dessas funções são
   
 ∂F   ∂F 
 ∂x   ∂y  < 1
 +  ∂f cos(x) ∂f sen(x) ∂g ∂g
= ; =− ; = y+2x; =x
∂x y ∂y y2 ∂x ∂y
e
   o que resulta no jacobiano8
∂G
= 2√−y


∂x x(0) ,y (0) =0   ∂f ∂f 
 1−xy x(0) ,y (0)  
  ⇒  ∂x ∂y 
|J(f, g)| =  ∂g ∂g  =
∂G
∂y = 2√−x
1−xy
= − 1 
2  
x(0) ,y (0) x(0) ,y (0) ∂x ∂y
   
 ∂G   ∂G  x cos(x) (y + 2x) sen(x)
 ∂x   ∂y  < 1
 +  = +
y y2

Substituindo x(0) e y (0) nas equações de iteração Para montar a expressão iterativa da variável x
∂g
chega-se à primeira estimativa de cada variável: é preciso determinar f · ∂y − g · ∂f
∂y , que para o
sistema em estudo é
 (1) (0)


y = sen px /2 ≈ 0.4207 ∂g ∂f

sen(x)

x(1) = 1 − x(0) y (0) = 1 f· −g· = −2 +
∂y ∂y y
 
Utilizando esses resultados chega-se a segunda 2

− sen(x)
xy + x − 1 =
estimativa: y2
x2
 
 (2)
sen(x) 1
y =p sen x(1) /2 ≈ 0.4207 = 2x + − − 2x
y y y
x(2) = 1 − x(1) y (1) ≈ 0.7611
Portanto, a expressão iterativa da variável x é
E assim por diante.  
x2
 sen(x)

1
O erro absoluto de cada variável é calculado e y 2x + y − y − 2x
a cada iteração, o maior dos dois erros é con- x(t+1) = x − x cos(x) (y+2x) sen(x) 
siderado como “o erro” correspondente àquela y + y2 (t)
x ,y (t)
8
Jacobiano é o nome dado ao determinante da matriz jacobiana, portanto “jacobiano” não é a mesma coisa
que “matriz jacobiana”.

55
 com o lado direito da igualdade calculado como
nos valores conhecidos para as variáveis na  
(t)
 
(t)
 
cos x1 sen x1
iteração t. A expressão iterativa para a variável
 (t+1)   (t) 
(t) − (t) 2
  x1 x1
y precisa do fator g · ∂f ∂g
∂x − f · ∂x , que para esse
x2
 
 x2   − 
sistema é
  (t+1) (t)
(t) (t) (t) x2 x2
x2 + 2x1 x1
∂f ∂g
cos(x) 
(t)

= xy + x2 − 1
 
g· −f · − sen x1
∂x ∂x y (t) −2
x2
=
   
sen(x) 
− 2 (y + 2x) (t) (t) 2
y x1 x2 + (x1 ) − 1

Logo, a expressão iterativa para a variável y é Para realizar as iterações é necessário utili-
zar um vetor temporário ~s = [s1 , s2 ]T , o qual
y (t+1) = contém as soluções do sistema J~s = −f~ em cada


xy + x2 − 1 cos(x)/y− iteração. Assim, para a condição inicial
 

sen(x)

y − 2 (y + 2x)  " (0) #  
x1
 
y −  0.5
 x cos(x)
+ (y+2x) sen(x)  =
 y y2  x
(0) 0.5
2
x(t) ,y (t)
temos
também tendo o lado direito da igualdade cal-    
1.7552 −1.9177 −1.0411
culado com os valores conhecidos na iteração t. J (0)
= e f~(0) =
1.5 0.5 −0.5
3. A aplicação do método do ponto fixo para um
sistema com mais de duas equações segue o logo,9
mesmo padrão da sua aplicação para sistemas  
com duas equações, por isso será exemplificado 0.3941
J (0) (0)
~s = −f~(0) ⇒ ~s(0) =
apenas o uso do método de Newton. Entre- −0.1822
tanto, para procurar facilitar o entendimento,
será usado o sistema de duas equações dos itens Pela definição do vetor ~s, chega-se à primeira
anteriores. Procurando usar uma notação mais estimativa para as variáveis:
apropriada para a generalização da notação ma-  
(1) (0) (0) 0.8941
tricial para sistemas com três ou mais equações, ~x = ~x + ~s =
0.3178
o sistema será reescrito como

f1 (x1 , x2 ) = 0, com f1 (x1 , x2 ) = sen(x1 )/x2 − 2 Em seguida, esses valores são usados para cal-
f2 (x1 , x2 ) = 0, com f2 (x1 , x2 ) = x1 x2 + (x1 )2 − 1 cular J (1) e f~(1) , o quais levam ~s(1) , que é usado
para obter a segunda estimativa ~x(2) .
A matriz jacobiana é Ao ser pedido o valor do erro referente ao valor
" ∂f ∂f
# " # de cada função calculada na última estimativa
cos(x1 )
− sen(x 1)
1 1

J= ∂x1 ∂x2
= x2 (x2 )2 conhecida, o que se está pedindo é o valor do
∂f2
∂x1
∂f2
∂x2
x2 + 2x1 x1 elemento de f~ com maior valor absoluto a cada
iteração. Então, de acordo com o f~(0) mostrado
e com ela escrevemos a equação matricial antes, o valor do erro inicial é 1.0411 e do erro
  na primeira iteração é 0.4533, sendo este último
J (t) ~x(t+1) − ~x(t) = −f~(t) obtido ao calcular f~(1) a partir de ~x(1) .

9
Pode-se usar ferramentas computacionais para resolver os sistemas lineares. A nota 22 do dia 1/7/20
disponı́vel em https://sites.google.com/ufla.br/gex114/notas mostra como resolver este sistema linear
utilizando o Scilab.

56
Exercı́cios 7: Método dos quadrados
mı́nimos

1. Considere os conjuntos de pontos abaixo: Para cada regressão calcule o coeficiente de de-
x −3 −2 0 2 terminação correspondente.
(A)
y −2 −1 1 2 3. Dados os três pontos (0; 0), 12 ; b e (1; 1):

x −2 0 2 3
(B) (a) indique um valor para b de modo que a
y −2 0 0 2
regressão linear desses pontos tenha o co-
x −2 0 2 3 eficiente R2 = 109
;
(C)
y −1 0 2 2
Considere também as retas mostradas no se- (b) determine a regressão linear correspon-
guinte sistema de eixos cartesianos: dente ao valor de R2 e b indicados no item
anterior.
y
Há dois valores possı́veis para b e, consequente-
(i)
mente, para a função linear com melhor ajuste.
(ii)
4. Quando se sabe que os dados, para os quais se
(iii) busca o melhor ajuste através do método dos
quadrados mı́nimos, não correspondem a uma
(iv) função linear, pode-se linearizar o modelo do
qual provém os dados. Isto é feito ao aplicar
x
uma operação (logaritmo, por exemplo) sobre
toda a equação e ao reescrever a equação resul-
tante com novas variáveis na forma linear. Sa-
bendo disso, considere a tabela a seguir e tente
ajustar os dados a dois modelos diferentes:
(modelo I: exponencial) y = α β x ;
(modelo II: lei de potência) y = α xβ .
x 1 2 3 4 5 6
y 47 65 92 132 190 275
Associe cada conjunto de pontos com a corres-
pondente reta de ajuste.
(a) Para cada um dos modelos encontre os va-
2. Considere os quatro pontos tabelados abaixo: lores de α e β, obtidos pelo uso do método
dos mı́nimos quadrados aplicados à linea-
x −1 1 2 4
rização.
y 1 1 0 2
(b) Determine qual dos dois modelos tem me-
Usando o método dos quadrados mı́nimos, en- lhor ajuste. Use o coeficiente de deter-
contre minação para justificar a resposta.
(a) a regressão linear (grau 1);
Use arredondamento de modo que todos os
(b) a regressão quadrática (grau 2); números tenham dois algarismos fracionários a
(c) a regressão cúbica (grau 3). cada passo dos cálculos.

57
 Exemplos e dicas

1. A resposta é encontrada apenas por inspeção vi- (b) Monta-se e resolve-se o sistema linear com
sual. três equações e três incógnitas correspon-
dente à regressão quadrática.
2. Considere que com os pontos fossem
(c) Monta-se e resolve-se o sistema linear com
x −1 0 2 quatro equações e quatro incógnitas cor-
y 1 0 1 respondente à regressão cúbica.
(a) Para calcular a regressão linear precisa-
mos dos somatórios 3. Tome como exemplo os pontos (−1; 1), (0; b) e
X X X (1; −1).
xi = 1; (xi )2 = 5; yi = 2;
i i i
(a) O sistema linear cuja solução são os coefi-
X cientes da regressão linear é
(xi yi ) = 1
i     
3 0 a0 b
O sistema linear correspondente à re- =
0 2 a1 −2
gressão linear é

3 1

a0
  
2 A solução desse sistema é
=
1 5 a1 1
b
a1 = −1 e a0 =
sobre o qual pode ser aplicada a operação 3
elementar
Portanto, a regressão linear é
L1 ← L1 − 3L2
b
u(x) = −x
resultando no sistema triangular 3
    
0 −14 a0 −1 Se fosse procurado o valor que b que faz o
=
1 5 a1 1 coeficiente de determinação assumir o va-
lor 4/5, então esse valor de b é a solução
cuja solução é da equação
1
a0 = ≈ 0.0714 4
P
(yi − ui )2
14 = 1 − Pi 2
5 i (yi − ȳ)
9
a1 = ≈ 0.6429
14 ao substituir todos os valores das coorde-
Por isso, a regressão linear dos pontos da- nadas y, todos os valores das coordenadas
dos é x na função u(x) e o valor médio das co-
1 9
u(x) = + x ordenadas y, correspondente a ȳ. Substi-
14 14 tuindo esses valores e calculando cada so-
O coeficiente de determinação vale matório separadamente:
(yi − ui )2
P
  2
2 i
X b
R =1− P = (yi − ui )2 = 1− −1 +
(yi − ȳ)2 3
i i
  2
4 2

1

2 19 2

b
1− 7 + 0 − 14 + 1− 14 b− −0 +
=1− 2
2 = 3
2 2
1 − 23 + 0 − 23



+ 1− 3   2
9 1 25 b
49 + 196 + 196 −1 − −1 =
=1− 1 4 1 = 3
9 + 9 + 9  2  2  2
b 2b b
31/98 = − + + − =
=1− = 3 3 3
2/3
93 b2 4b2 b2
=1− = = + + =
196 9 9 9
2
103 2b
= ≈ 0.5255 =
196 3

58
 X X
e (xy) ≈ 64.55; y = 3.69;
 2  2
X b b Substituindo esses resultados nas fórmulas
(yi − ȳ)2 = 1− + b− +
3 3 que dão o valor dos coeficientes angular e
i
 2 linear da regressão linear, chega-se a
b
−1 − =
3 P P P
( y)( x) − n (x y)
2b b2 4b2
 
b= P 2 ≈ 0.06;
= 1− + + +
P
3 9 9 ( x) − n (x2 )
P P
( y) − b( x)
2b b2
 
a= ≈ 0.23
1+ + = n
3 9
6b2 Portanto, a melhor regressão linear para
=2+ = os dados linearizados é
9
2b2
=2+ z = 0.23 + 0.06 x
3
Voltando à equação para R2 : Depois de voltar às variáveis originais do
modelo ao tomar a exponencial de base e
4 2b2 1 2b2 de ambos os lados da identidade lineari-
=1− ⇒ = ⇒ zada, a regressão linear indica que o me-
5 6 + 2b2 5 6 + 2b2
lhor modelo exponencial para os dados ta-
3 belados é
⇒ 10b2 = 6 + 2b2 ⇒ b2 = ⇒
4
r y ≈ 1.26 · 1.06x
3
⇒b=± ≈ ±0.8660
4 Para ajustar os dados ao modelo II (y =
Isso significa que qualquer um desses dois α xβ ) por meio da regressão linear, antes
valores pode ser atribuı́do a b para que é preciso linearizá-lo tomando o logaritmo
seja obtida uma regressão linear com coe- natural sobre os dois lados da igualdade:
ficiente de determinação igual a 4/5.
z =a+βt
(b) Substituindo qualquer um dos valores de b
na expressão encontrada para a regressão com z = ln(y), a = ln(α) e t = ln(x).
linear no item anterior, chega-se a Portanto, é preciso transformar a tabela
de dados original:
u(x) = 0.2887 − x t 0 1.61 2.71 3.22
z 0 0.69 1.39 1.61
ou
O cálculo dos somatórios necessários dá:
u(x) = −0.2887 − x X
n = 4; x = 7.54;
4. Tome-se como exemplo a tabela de dados:
x 1 5 15 25 X 2 X
x2 ≈ 20.30;


x ≈ 56.85;
y 1 2 4 5
X X
(xy) ≈ 10.06; y = 3.69;
(a) Para ajustar os dados ao modelo I (y =
α β x ) por meio da regressão linear, antes Substituindo esses resultados nas fórmulas
é preciso linearizá-lo tomando o logaritmo que dão o valor dos coeficientes angular e
natural sobre os dois lados da igualdade: linear da regressão linear, chega-se a

z = a + bx P P P
( y)( x) − n (x y)
com z = ln(y), a = ln(α) e b = ln(β). β= P 2 P 2 ≈ 0.51;
( x) − n (x )
Portanto, é preciso transformar a tabela P P
( y) − b( x)
de dados original: a= ≈ −0.04
n
x 1 5 15 25
z 0 0.69 1.39 1.61 Portanto, a melhor regressão linear para
O cálculo dos somatórios necessários dá: os dados linearizados é

z = −0.04 + 0.51 t
X
n = 4; x = 46;
X 2 X Após voltar às variáveis originais do mo-
x2 ≈ 876;


x ≈ 2116; delo ao tomar a exponencial de base e de

59
 ambos os lados da identidade linearizada, Assim, o coeficiente de determinação do
a regressão linear indica que o melhor mo- modelo I linearizado vale
delo em lei de potência para os dados ta-
belados é R2 ≈ 0.88

y ≈ 0.96 · x0.51 Para o modelo II o somatório do denomi-

nador vale:
(b) O coeficiente de determinação será calcu- X
lado através da fórmula (y − u)2 ≈ 0.01
(y − u)2
P
R2 = 1 − P P 2 Usando esses valores, o coeficiente de de-
(y 2 ) − n1 ( y) terminação do modelo II linearizado vale
com
X 2 R2 ≈ 1
X
2


y ≈ 13.62; y ≈ 5.00;
Portanto, de acordo com o coeficiente de
Para o modelo I o somatório do denomi- determinação, o modelo que melhor se
nador vale: ajusta aos dados tabelados é o modelo
X II, pois tem o coeficiente de determinação
(y − u)2 ≈ 0.19 mais alto.

60
Exercı́cios 8: Interpolação polinomial

1. Dados dois pontos com coordenadas (t; u) e 4. Qual o grau do polinômio interpolador utili-
(v; w), use o polinômio interpolador de Lagrange zado em cada interpolação mostrada na imagem
para interpolá-los e mostre que se a reta que abaixo?
contém esses pontos for escrita na forma p(x) =
ax + b, então
u−w wt − uv
a= e b=
t−v t−v

2. Determine o polinômio interpolador desse con-

junto de pontos usando interpolação direta:

x −1 1 2 4
y 1 1 0 2

3. Considere este conjunto de pontos extraı́dos da

função y = f (x) = 2 log3 (x):

x 1 3 9 27
y 0 2 4 6 5. Considere que você tenha 4 pontos extraı́dos de
uma função f (x) polinomial cúbica e lembre que
(a) Use o polinômio interpolador de Newton
o erro máximo cometido no processo de inter-
para calcular a ordenada interpolada dos
polação é dado por
pontos que têm abscissas
ˆ x=2 Emax (x) = |(x − x0 ) × (x − x1 ) × . . . ×
ˆ x=6 |f (n+1) (x∗ )|
ˆ x = 18 (x − xn )| ,
(n + 1)!
(b) Informe qual desses pontos interpolados
está mais distante do valor dado pela onde x∗ é o valor que maximiza a derivada de
função f , indicando o valor do erro ab- f (x) de ordem (n + 1) no intervalo da reta real
soluto cometido na interpolação de cada definido pelos pontos conhecidos. A partir des-
ponto. Assuma que o erro absoluto seja sas informações mostre, utilizando a expressão
calculado como para o erro máximo, que o polinômio interpola-
dor desses 4 pontos é exatamente f (x), ou seja,
erro abs. = |(valor correto)−(valor interpolado)| mostre que o erro máximo é zero.

Exemplos e dicas

1. Montar o polinômio interpolador de Lagrange o polinômio interpolador teria grau 2:

para os pontos dados e manipular algebrica-
mente até escrevê-lo da forma pedida.
p(x) = a0 + a1 x + a2 x2
2. Se o conjunto de pontos fosse
Ao substituir as coordenadas de cada ponto
x −1 1 2 nesse polinômio, obtém-se um sistema linear
y 1 1 0 com três equações e três incógnitas:

61
 com coeficientes

p(−1) = 1 ⇒ a0 − a1 + a2 = 1 y1 − y0
y2 −y1
− y1 −y0
x2 −x1 x1 −x0
p(1) = 1 ⇒ a0 + a1 + a2 = 1 b0 = y0 ; b1 = ; b2 =
x1 − x0 x2 − x0
p(2) = 0 ⇒ a0 + 2a1 + 4a2 = 0
Substituindo as coordenadas dos pontos
Ao escrever esse sistema em notação matricial, (x0 ; y0 ) = (1; 0), (x1 ; y1 ) = (3; 2) e
sua matriz estendida é (x2 ; y2 ) = (9; 4), o polinômio fica
 
1 −1 1 1
 1 1 1 1  1
(x − 1)(x − 3) =
p(x) = 0 + 1 · (x − 1) −
1 2 4 0 12
1 2 1 1
Aplicando as operações elementares =x−1− x + x− =
12 3 4
1 2 4 5
L2 ← L2 − L1 =− x + x−
12 3 4
L3 ← L3 − L1
Supondo que fosse procurada a inter-
3
L3 ← L3 − L2 polação de x = 4, ela seria
2
chega-se ao sistema triangular equivalente cuja 16 16 5 −16 + 64 − 15 11
matriz estendida é p(4) = − + − = =
12 3 4 12 4
 
1 −1 1 1
 0 2 0 0  (b) A imagem de x = 4 de acordo com a
0 0 3 −1 função f é
A solução desse sistema linear é
ln(4)
y = f (4) = 2 log3 (x) = 2 · ≈ 2.5237
4 1 ln(3)
a0 = ; a1 = 0; a2 = −
3 3
Portanto, o polinômio interpolador dos três pon- Sendo assim, o erro absoluto cometido na
tos considerados é interpolação do ponto com abscissa x = 4
é
4 1 2
p(x) = − x
3 3
 
 11 
Eabs (4) =  − 2.5237 = 0.2263

3. Considere três pontos extraı́dos da função y = 4
f (x) = 2 log3 (x):
4. Dica: o polinômio interpolador de 2 pontos é
x 1 3 9 uma reta (grau 1), o polinômio interpolador de
y 0 2 4 3 pontos é uma parábola (grau 2) e assim con-
tinua.
(a) O polinômio interpolador de Newton tem
a forma
5. Dica: assuma que f (x) seja uma função polino-
p(x) = b0 + b1 (x − x0 ) + b2 (x − x0 )(x − x1 ) mial cúbica genérica e calcule as derivadas.

62
Exercı́cios 9: Interpolação por splines

1. Utilize splines de 2ª ordem para interpolar o se- ˆ as splines 1 e 2 devem ser tais que
guinte conjunto de dados:    
d s1  d s2 
x 1 3 9 27 − = 0;
dx dx
 
x=3 x=3
y 0 2 4 6
Note que serão necessárias três funções splines, ˆ as splines 2 e 3 devem ser tais que
as quais podem ser denotadas por    
d s2  d s3 
s1 (x) = a1 x2 + b1 x + c1 , para 1 ≤ x < 3, − = 0.
dx dx
 
x=9 x=9
2
s2 (x) = a2 x + b2 x + c2 , para 3 ≤ x < 9,
2 Isso dá um total de 8 condições, cada uma le-
s3 (x) = a3 x + b3 x + c3 , para 9 ≤ x ≤ 27.
vando a uma equação linear nos coeficientes
ai , bi , ci , para i = 1, 2, 3. A nona condição cos-
Essas três splines necessitam de um total de
tuma ser a1 = 0. Assim, restam 8 incógnitas
9 coeficientes que precisam ser determinados.
para serem determinadas a partir de 8 equações
Para realizar esse trabalho contamos com as
lineares.
condições que essas funções devem satisfazer:
Monte esse sistema linear, resolva-o e escreva as
ˆ a spline 1 deve satisfazer às duas condições equações algébricas das splines.
s1 (1) = 0 e s1 (3) = 2;
2. Sabendo que os pontos tabelados no exercı́cio
ˆ a spline 2 deve satisfazer às duas condições anterior seguem da função f (x) = 2 log3 (x),
s2 (3) = 2 e s2 (9) = 4; determine o erro cometido na interpolação por
ˆ a spline 3 deve satisfazer às duas condições splines de 2ª ordem. Use toda a precisão
s3 (9) = 4 e s3 (27) = 6; numérica disponı́vel.

Exemplos e dicas

1. Considerando o mesmo conjunto de pontos do mesmo tempo (i) interpole os quatro pontos ta-
enunciado e supondo que fosse pedido o cálculo belados e (ii) seja contı́nua no intervalo [x1 ; x4 ],
das splines de 1º grau, seria preciso determinar ou seja,
os coeficientes ai e bi de cada si (x) = ai x + bi
(1) s1 (x1 ) = y1 (2) s1 (x2 ) = y2
que compõem a interpolação10
 (3) s2 (x2 ) = y2 (4) s2 (x3 ) = y3
 s1 (x), se x ∈ [x1 , x2 )

 (5) s3 (x3 ) = y3 (6) s3 (x4 ) = y4
s(x) = s2 (x), se x ∈ [x2 , x3 ) Note que as restrições do tipo (i) estão numera-

das por 1, 3, 5 e 6; enquanto que as restrições do

s3 (x), se x ∈ [x3 , x4 ]

tipo (ii) têm números 2 e 4. Essas seis condições
As únicas restrições impostas são de que s(x) ao levam ao sistema linear11
10
Essa é a forma de determinar os coeficientes por meio da resolução de um sistema linear, diferentemente do
cálculo direto mostrado na parte de tópicos desta apostila para o caso das splines de 1ª ordem.
11
Nesse caso especı́fico, o sistema de seis equações e seis incógnitas é equivalente aos seguintes três sistemas
de duas equações e duas incógnitas:
              
x1 1 a1 y1 x2 1 a2 y2 x3 1 a3 y3
= ; = ; =
x2 1 b1 y2 x3 1 b2 y3 x4 1 b3 y4

63
 ˆ Para s1 :
    
x1 1 0 0 0 0 a1 y1 f (x) − s1 (x) = 2 log3 (x) − x + 1 ⇒

 x2 1 0 0 0 0 
 b1  
  y2 

 0 0 x2 1 0 0  a2  
= y2  d 2
   ⇒ (f − s1 ) = −1

 0 0 x3 1 0 0 
 b2  
  y3 
 dx ln(3) x
 0 0 0 0 x3 1  a3   y3 
Maximizando:
0 0 0 0 x4 1 b3 y4
2 2
cuja solução é 0= ∗ −1 ⇒ x∗1 = ≈ 1.820478
ln(3) x1 ln(3)
 T
T 1 1 Calculando a diferença em x∗1 :
[a1 , b1 , a2 , b2 , a3 , b3 ] = 1, −1, , 1, , 3
3 9
f (x∗1 ) − s1 (x∗1 ) ≈ 0.270169
Portanto, a interpolação por splines lineares é
 ˆ Para s2 :

 x − 1, se x ∈ [1, 3)
x

x
s(x) = 3 + 1, se x ∈ [3, 9) f (x) − s2 (x) = 2 log3 (x) − −1⇒
 3
 x

9 + 3, se x ∈ [9, 27]
d 2 1
⇒ (f − s2 ) = −
Para se ter uma ideia melhor do resultado da in- dx ln(3) x 3
terpolação, a seguir é mostrado uma figura con- Maximizando:
tendo os pontos, a função logarı́tmica que obe-
decem (tracejada) e a interpolação por splines 2 1 6
0= − ⇒ x∗2 = ≈ 5.461435
lineares (linha contı́nua). ln(3) x∗2 3 ln(3)
y
Calculando a diferença em x∗2 :
•
f (x∗2 ) − s2 (x∗2 ) ≈ 0.270169

• ˆ Para s3 :
x
• f (x) − s3 (x) = 2 log3 (x) − +3⇒
9

• x d 2 1
⇒ (f − s3 ) = −
dx ln(3) x 9

2. A inspeção visual da figura anterior indica que Maximizando:

a terceira parte da spline é aquela que mais se 2 1 18
distancia da função logarı́tmica, porém isso não 0= − ⇒ x∗3 = ≈ 16.384306
ln(3) x∗3 9 ln(3)
será considerado e o erro de cada parte da spline
será calculado. Esse erro é calculado com os se- Calculando a diferença em x∗3 :
guintes passos:
f (x∗3 ) − s3 (x∗3 ) ≈ 0.270169
(i) calcula-se a diferença entre f (x) e si (x);
(ii) maximiza-se essa diferença para descobrir Portanto, os cálculos mostram que, diferente-
em qual x ela é máxima; mente da aparência visual todas as três splines
têm a mesma maior distância à função f (x). O
(iii) o x∗i que a maximiza é substituı́do na di- erro é aproximadamente 0.27 e, no caso genérico,
ferença calculada no passo (i); corresponde à diferença com maior valor abso-
(iv) repete-se os passos anteriores para todo i. luto.

64
Exercı́cios 10: Integração numérica

1. Abaixo está o gráfico de uma função f (x) ar- dos seguintes modos:
bitrária.
(a) Dividindo seu intervalo de integração em
f (x) quatro partes de tamanhos iguais (cinco
y2 pontos) e utilizando a regra do trapézio.
(b) Dividindo seu intervalo de integração em
y1 quatro partes de tamanhos iguais (cinco
pontos) e utilizando a regra 1/3 de Simp-
y0 son.
(c) Utilizando a quadratura de Gauss-
x Legendre com três pontos.
x0 x1 x2
(d) Algebricamente para encontrar o resul-
(a) Utilize um polinômio interpolador do se- tado correto e para calcular o erro abso-
gundo grau para os três pontos mostra- luto cometido pela aplicação de cada um
dos com o objetivo de deduzir a regra 1/3 dos métodos numéricos anteriores.
de Simpson, utilizada no cálculo da inte- Obs.: durante os cálculos, considere toda a pre-
gração numérica de f (x). cisão numérica de sua calculadora.
Dicas. 2 2
3. Considere a elipse xa2 + yb2 = 1, com semi-eixo
(i) Pode-se utilizar tanto o polinômio in- maior a = 2 e semi-eixo menor b = 1.
terpolador de Lagrange quanto o de y
Newton.
(ii) Note que x2 − x1 = x1 − x0 = x2 −x 2
0
.
b
Chame essa distância de h. x
a
(iii) É possı́vel simplificar o processo de
integração ao utilizar uma variável u
definida a partir de x−xk = (u−k)h.
(b) Supondo que o intervalo de integração seja (a) Mostre que a área A da elipse é dada por
dividido em n partes, qual é a restrição so-
4b a 2
Z
bre o valor de n? A= (a − x2 )1/2 dx.
Dica: o polinômio interpolador de grau 2 é a 0
usado a cada conjunto de 3 pontos, sendo (b) Calcule a área da elipse utilizando:
que o último ponto de um conjunto é o
primeiro ponto do conjunto subsequente. (i) a regra do trapézio, com 6 intervalos;
(ii) a regra 1/3 de Simpson, com 6 inter-
(c) Desenvolva a fórmula matemática da re-
valos;
gra 1/3 de Simpson para o caso genérico
em que ela seja aplicada para resolver uma (iii) a quadratura de Gauss-Legendre,
integral cujo intervalo de integração foi di- com polinômio de Legendre de
vidido em n partes de tamanhos iguais. grau 3.
Não é necessário deixar a fórmula final (c) Sabendo que
em termos de somatórios, mas deve estar " √ #
claro o padrão que se forma na soma dos
Z
2 2 1/2 1 x a2 
− x2 + 
(a − x ) dx =
yi . 2 a2 arctan √a2x−x2

2. Calcule o valor da integral + constante,

Z 3 calcule o erro absoluto cometido ao utili-
(ex + 2x) dx zar cada um dos métodos do item anterior.
0

65
 Use a precisão numérica que estiver disponı́vel, de dois modo: (i) de forma exata, algebrica-
desde que o resultado tenha pelo menos 5 alga- mente; e (ii) utilizando a regra 1/3 de Simpson,
rismos significativos. ao considerar que entre os pontos x0 e x2 existe
4. Mostre que a regra 1/3 de Simpson resolve de um ponto x1 tal que x1 = x0 +x2
2
. Depois mostre
forma exata a integral de qualquer polinômio do que os dois resultados são iguais.
segundo grau. Faça isso resolvendo a integral
Z x2
a · x2 + b · x + c dx


x0

Exemplos e dicas
 1  2  1
u2

1. Supondo que fosse o gráfico  u 
⇒ I = −y0 h · − u  + y1 h ·
2 2 0
y   0
y1 1 1
= −y0 h · − 1 + y1 h ·
2 2
h
y0 = · (y0 + y1 )
2
x
x0 x1 (b) Para a regra do trapézio não há restrição:
n pode ser par ou pode ser ı́mpar.
(c) Desenvolvendo a fórmula para a regra do
(a) Considerando que fosse pedido para de- trapézio repetida (generalizada):
duzir a regra do trapézio, deve-se usar o Z xn Z x1
polinômio de Lagrange de grau um: f (x) dx = f (x) dx+
x0 x0
Z x2
1
f (x) dx + . . . +
X
p1 (x) = yk Lk (x) x1
k=0 Z xn
f (x) dx
com xn−1
h
1 ≈ · (y0 + y1 )+
Y (x − xj ) 2
Lk (x) = h
(xk − xj ) · (y1 + y2 ) + . . . +
j=0j6=k
2
h
Explicitamente: · (yn−1 + yn )
2
h
x − x1 x − x0 = · (y0 + yn +
p1 (x) = y0 · + y1 · 2
x0 − x1 x1 − x0
2 · (y1 + y2 + . . . + yn−1 ))
 
Integrando e utilizando a variável u suge- h 
n−1
X
rida: = · y0 + yn + yj 
2 j=1
Z x1
I= p1 (x) dx 2. Considere que a integral fosse
x0
Z x1 Z 2
y0
= · (x − x1 ) dx+ (ex + 2) dx
x0 − x1 x0 0
Z x1
y1
· (x − x0 ) dx (a) Supondo que o intervalo de integração
x1 − x0 x0
Z 1 fosse dividido em duas partes, as abscis-
y0 sas a serem analisadas são
= · (u − 1)h2 du+
(0 − 1) h 0
Z x1 x0 = 0, x1 = 1, x2 = 2
y1
· (u − 0)h2 du
(1 − 0) h x0 Para cada um desses valores de x o in-
Z 1 Z 1 tegrando, chamado agora de y assume o
= −y0 h · (u − 1) du + y1 h u du ⇒ valor:
0 0
y0 = 3, y1 = e + 2, y2 = e2 + 2

66
 Aplicando a regra do trapézio: Logo, o resultado da quadratura de Gauss
Z 2 é
I= (ex + 2) dx Z 2
0 I= (ex + 2) dx
h 0
≈ · (y0 + y2 + 2y1 )
2 ≈ A1 F (t1 ) + A2 F (t2 ) + A3 F (t3 )
1 ≈ 10.388878
≈ · 3 + e2 + 2 + 2 · (e + 2)



2
1 (d) A solução correta da integral é
≈ · 9 + e2 + 2 · e


2 Z 2
≈ 10.912810
I= (ex + 2) dx
0
(b) Usando os mesmos pontos de antes para 2
= (ex + 2x) 

estimar a integral pela regra 1/3 de Simp-
son: 2

0 0

= e +4 − e +0
Z 2
I= (ex + 2) dx = e2 + 3
0 ≈ 10.389056
h
≈ · (y0 + y2 + 4y1 )
3 Sendo assim, o erro absoluto cometido
1 pela aplicação de cada método numérico
≈ · 1 + e2 + 2 + 4 · (e + 2)



3 é
1
≈ · 11 + e2 + 4 · e


3 RT : Eabs = |10.389056 − 10.912810|
≈ 10.420728 = 0.523754
1
(c) Para aplicar a quadratura de Gauss- R S : Eabs = |10.389056 − 9.754061|
3
Legendre, o primeiro passo é alterar = 0.634995
a variável de integração, passando da
variável x para a variável t de modo que QG : Eabs = |10.389056 − 10.388878|
= 0.000182
x=t+1
3. Dicas:
Com isso a integral inicial se torna
Z 2 Z 1 (a) Calcular a área da figura no primeiro qua-
(ex + 2) dx = et+1 + 2 dt


drante e multiplicar por 4.
0 −1
(b) Usar cada método numérico seguindo o
donde se identifica o integrando como exemplo do exercı́cio anterior.
F (t) = et+1 + 2 (c) Calcular o valor correto da integral no-
tando que
Se for utilizada a quadratura de Gauss-
π
Lengendre com três pontos, a integral é lim arctan(z) =
aproximada pelo somatório
z→∞ 2
Em seguida, calcular o erro absoluto como
A1 F (t1 ) + A2 F (t2 ) + A3 F (t3 ) no exercı́cio anterior.
com os Ai e ti conhecidos por serem tabe- 4. Considerando que fosse pedido para mostrar que
lados. Substituindo os valores, termos do a regra do trapézio resolve de forma exata a in-
somatório assume o seguinte valor: tegral de qualquer polinômio do primeiro grau,
5  √  o procedimento a ser feito seria o seguinte. Pri-
A1 F (t1 ) = · e1− 3/5 + 2 meiro resolve-se a integral
9
≈ 1.807127 Z x1
I= (a · x + b) dx
x0
8
A2 F (t2 ) = · e1 + 2


9 de forma exata:
≈ 4.194028

5  1+√3/5 
A3 F (t3 ) = · e +2
9
≈ 4.387723

67
 Depois resolve-se através da regra do trapézio:

h
I= · (y0 + y1 )
2
x1 − x0
= · ((a · x0 + b) + (a · x1 + b))
2
Z x1
a · (x1 − x0 ) · (x1 + x0 )
I= (a · x + b) dx = + b · (x1 − x0 )
x0 2

x2 a · (x1 )2 − (x0 )2
 
x1 = + b · (x1 − x0 )
= a· +b·x 
2 x0 2
2 2


a · (x1 ) − (x0 ) Como os dois resultados são iguais, está mos-
= + b · (x1 − x0 )
2 trado o que se desejava.

68
 Parte III

Respostas das listas de exercı́cios

69
Respostas 1: Sistemas de numeração,
conversão decimal-binário-decimal e
erros

Dica: pode-se usar a calculadora on-line https://www.exploringbinary.com/binary-converter/ para rea-

lizar as conversões do sistemas de numeração decimal para binário e vice-versa, na qual é possı́vel limitar a
quantidade de algarismos fracionários mostrados no resultado, ao informar essa quantidade na opção “Truncate
infinite binary fractions to X bits”.

1. O que são erros de arredondamento e erros de
truncamento? Cite diferenças entre os dois.
Resposta
Erros de arredondamento são aqueles proveni-
entes da finitude da representação numérica em
máquinas (computadores). Por outro lado, os
erros de truncamento são aqueles originados nas
limitações do próprio método numérico utili-
zado. Em geral, os erros de arredondamento
têm magnitude menor do que os erros de trun-
camento. Enquanto erros de arrendondamento
dificilmente são controláveis quando há muitas
operações sendo realizadas, os erros de trunca-
mento podem ser (relativamente) controlados ao
se alterar o método numérico utilizado.
2. Complete a tabela com as representações cor-
retas dos números utilizando sistemas de nu-
meração de base 10 e base 2.
BASE 10 BASE 2
13.25
10.1101
0.101
1.53125
Resposta
13.2510 = 8 + 4 + 1 + 0.25
= 1 · 23 + 1 · 22 + 0 · 21 +
0.1012 = 1 · 2−1 + 1 · 2−3 = 0.5 + 0.125 = 0.62510
1.5312510 = 1 · 20 + 1 · 2−1 + 0 · 2−2 +
0 · 2−3 + 0 · 2−4 + 1 · 2−5
= 1.100012
3. (a) Dados π = 3.141593 e e = 2.718282,
escritos com base no sistema decimal,
reescreva-os utilizando o sistema binário
mantendo apenas os seis primeiros alga-
rismos fracionários (depois de escritos no
sistema binário).
(b) Converta os resultados anteriores que
estão em binário novamente para a
notação em decimal arrendondando para
que sejam mantidos seis algarismos fra-
cionários (ou seja, obtenha “aproximações
dos valores aproximados”). Rotule os no-
vos valores como π̄ e ē.
(c) Calcule a diferença π − π̄. O valor ab-
soluto dessa diferença é chamado de erro
absoluto: Ea (π) = |π − π̄|. Faça o mesmo
para e.
(d) Calcule a razão entre a diferença π − π̄ e
o valor supostamente correto π. O valor
absoluto dessa razão
 é chamado de erro
relativo: Er (π) =  π−π̄
π . Faça o mesmo

1 · 20 + 0 · 2−1 + 1 · 2−2 para e.
= 1101.012
Resposta

10.11012 = 1 · 21 + 1 · 2−1 + 1 · 2−2 + 1 · 2−4 (a) Antes de iniciar a conversão, é conveniente

listar o valor de todas as potências de 2 de
= 2 + 0.5 + 0.25 + 0.0625
que necessitamos, conforme mostra o qua-
= 2.812510 dro abaixo.

70
 22 = 4 Ea (e) = |e − ē| = 0.015157
21 = 2
20 = 1 (d) O erro relativo calculado para cada
2−1 = 0.5 variável é
2−2 = 0.25  
2−3 = 0.125  π − π̄ 
Er (π) =   = 0.000308
2−4 = 0.0625 π 
2−5 = 0.03125
2−6 = 0.015625
 
 e − ē 
Er (e) = 
  = 0.005576
A partir dessa tabela podemos escrever: e 
π = 1 × 21 + 1 × 20 + 0 × 2−1 +
0 × 2−2 + 1 × 2−3 + 0 × 2−4 +
4. Qual é o erro relativo ao aproximar o número
0 × 2−5 + 1 × 2−6 n = 11 ∗
30 por n = 0.367?
≈ 11.0010012 Resposta

e = 1 × 21 + 0 × 20 + 1 × 2−1 +
0 × 2−2 + 1 × 2−3 + 1 × 2−4 + EABS = |n − n∗ |
−5 −6
0×2 +1×2
 
 11 
=  − 0.367

≈ 10.1011012 30
 
 11 367 
(b) Voltando ao sistema decimal, temos = −

30 1000 
π̄ = 2 + 1 + 0.125 + 0.015625 = 3.14062510
 
 1100 − 1101 
= 
3000 
ē = 2 + 0.5 + 0.125 + 0.0625 + 0.015625 1
=
= 2.70312510 3000

(c) O erro absoluto calculado para cada EABS 1/3000 1 30 1

variável é EREL = = = · = ≈ 0.00091
n 11/30 3000 11 1100
Ea (π) = |π − π̄| = 0.000968

71
Respostas 2: Zeros de funções –
métodos intervalares

Orientação para as respostas: o arredondamento deve ser tal que se o sexto algarismo fracionário for 0, 1, 2, 3
ou 4, o arredondamento do quinto algarismo é feito para baixo; e nos outros casos ele é feito para cima.

1. O gráfico da função f (x) = sen(x) + cos(2x) é deve ser o erro relativo: Er < 0.01.
mostrado a seguir. Pode-se observar que há três Observações: (i) organize as estimativas
zeros da função no intervalo x ∈ [0; 6]. em uma tabela conforme o exemplo se-
guinte; (ii) durante os cálculos, use ar-
f (x) redondamento para que sejam mantidos
cinco algarismos fracionários a cada uma
das operações matemáticas empregadas;
(iii) ao aplicar as funções trigonométricas,
x os ângulos devem ser considerados em ra-
0 2 4 6 dianos.
Ite. Intervalo Estimativa Erro Rel.
(a+b)
1 [a; b] x1 = 2  — 
x2 = (...)
 x2 −x1 
2 [a; x1 ] ou [x1 ; b]
-2 2  x2 
3
.. .. ..
(a) Todos eles podem ser encontrados através 4 . . .
dos métodos da bisseção e da posição Resposta
falsa? Justifique.
Para os intervalos com extremidades intei-
Resposta ras indicados na resposta ao item anterior,
Não, pois qualquer intervalo cercando as tabelas são as que se segue.
apenas o primeiro zero (em x ∈ [1; 2])
não satisfaz a condição que garante a Ite. Intervalo Estimativa Erro Rel.
existência do zero de acordo com o teo- 1 [3; 4] 3.5 —
rema do valor intermediário. 2 [3.5; 4] 3.75 0.06667
3 [3.5; 3.75] 3.635 0.03448
4 [3.625; 3.75] 3.6875 0.01695
(b) Especifique dois intervalos de largura
5 [3.625; 3.66875] 3.65625 0.00855
unitária ([a; b] tal que b − a = 1) que po-
dem ser utilizados como condição inicial
para a execução do método da bisseção. Ite. Intervalo Estimativa Erro Rel.
Resposta 1 [5; 6] 5.5 —
2 [5.5; 6] 5.75 0.04348
Há muitas respostas possı́veis caso se 3 [5.75; 6] 5.875 0.02128
queira lidar com intervalos cujas extre- 4 [5.75; 5.875] 5.8125 0.01075
midades não são apenas números intei- 5 [5.75; 5.8125] 5.78125 0.00541
ros. Para intervalos cujas extremidades
são números inteiros, a resposta são os in- As tabelas referentes a outras escolhas
tervalos [3; 4] e [5; 6]. para o intervalo inicial podem ser confe-
ridas na tabela interativa disponibilizado
junto com este documento.
(c) Utilizando os intervalos informados no
item anterior execute o método da
bisseção para estimar o valor do zero da (d) Refaça os cálculos do item anterior utili-
função. O critério de parada das iterações zando o método da posição falsa.

72
 Resposta de parada o valor absoluto da função na estima-
tiva. Organize os resultados numa tabela seme-
Para os mesmos intervalos com extremi- lhante àquela do exercı́cio anterior.
dades inteiras usados na resposta ao item
Resposta
anterior, as tabelas são as que se segue.
Método da posição falsa original:
Ite. Intervalo Estimativa Erro Rel.
Ite. Intervalo xt |f (xt )|
1 [3; 4] 3.54966 —
1 [0; 1] 0.68507 0.45285
2 [3.54966; 4] 3.65868 0.0298
2 [0.68507; 1] 0.84136 0.07086
3 [3.65868; 4] 3.66496 0.00171
3 [0.84136; 1] 0.86254 0.0088
4 [0.86254; 1] 0.86512 0.00107
Ite. Intervalo Estimativa Erro Rel.
1 [5; 6] 5.76108 — Método da posição falsa alternativo:
2 [5; 5.76108] 5.75944 0.00028 Ite. Intervalo xt |f (xt )|
As tabelas referentes a outras escolhas
1 [0; 1] 0.68507 0.45285
para o intervalo inicial podem ser confe-
2 [0.68507; 1] 0.84135 0.07089
ridas na tabela interativa disponibilizado
3 [0.84135; 1] 0.87877 0.04052
junto com este documento.
4 [0.84135; 0.87877] 0.85891 0.01962

2. Enquanto o método da bisseção emprega o 3. Suponha que foram executadas 10 iterações do

ponto médio do intervalo de trabalho a cada
iteração como estimativa do zero da função, o
método da posição falsa escolhe como estima-
tiva x1 o ponto de interceptação do eixo hori-
zontal pela reta que contém os pontos (a, f (a))
e (b, f (b)). Isso está ilustrado na figura abaixo.
Buscando acelerar a convergência da estimativa
em direção ao zero da função, pode-se utilizar
uma versão alternativa do método da posição
falsa na qual a imagem da extremidade do in-
tervalo que fica inalterada entre duas iterações
consecutivas é diminuı́da pela metade, levando
à estimativa x∗2 . Se a mesma extremidade per-
manecer inalterada durante três iterações con-
secutivas, a imagem desta extremidade deve se
tornar um 1/4 do valor original. Ou seja, cada
vez que a extremidade é repetida, sua imagem é
dividida progressivamente por 2.
y 4. Abaixo está o gráfico de uma função f (x) que
f (b)
a x1 x2
x f (x)
x∗2 b •
f (a)
método da bisseção para encontrar o zero de
uma função f arbitrária. Sabendo que o inter-
valo de trabalho inicial do método na 1ª iteração
tinha largura 2 (por exemplo, o intervalo [0; 2]),
qual a largura do intervalo utilizado na 10ª
iteração?
Resposta
Sendo L a largura do intervalo utilizado na
iteração 1, a largura do intervalo utilizado na
iteração 2 será L/2, na iteração 3 será L/4,
etc. Seguindo com esse raciocı́nio, na iteração
n, a largura do intervalo utilizado será L/2(n−1) ,
onde L é o intervalo na primeira iteração. Deste
modo, na 10ª iteração, o intervalo será L/29
e quando L = 2, obtem-se o valor numérico
2/29 = 2−8 = 0.00390625.
contém um zero no intervalo mostrado. Loca-
lize no eixo horizontal as quatro primeiras es-
timativas do zero da função de acordo com o
método da bisseção e calcule seus valores, to-
mando como intervalo inicial [−1; 2]. Observe
que duas marcações consecutivas no eixo hori-
zontal são distantes de meia unidade.
y

x4
x1 x2
Utilize essa informação para calcular através do −1 1
x
método da posição falsa original e do método 2
alternativo o zero da função • x3
f (x) = cos(x) − x3 .

Execute cinco iterações, considerando como

condição inicial o intervalo [0; 1] e como condição

73
 Resposta Resposta

As estimativas estão indicadas no gráfico acima A localização de cada estimativa está indicada
e enumeradas como x1 , x2 , x3 e x4 . Seus valores no gráfico acima. Note que não é possı́vel calcu-
são: lar o valor numérico de cada uma sem que seja
2 + (−1) conhecida a expressão algébrica da função f (x).
x1 = = 0.5
2
2 + 0.5
x2 = = 1.25 6. Repita outra vez a análise gráfica, mas utili-
2
2 + 1.25 zando o método alternativo da posição falsa.
x3 = = 1.625 Assim como no caso da posição falsa original,
2
não é possı́vel calcular numericamente as esti-
1.625 + 1.25 mativas do zero da função, mas é possı́vel fa-
x4 = = 1.4375
2 zer uma estimativa visual da localização de cada
uma delas.
5. Repita a análise gráfica do exercı́cio anterior, y
mas agora considerando o método da posição f (x)
•
falsa. Perceba que não é possı́vel calcular nu-
mericamente as estimativas do zero da função
(por quê?), mas é possı́vel fazer uma estimativa x4 •
visual da localização de cada uma delas. x2 •
x1 •
y −1
f (x) x
• 2
x3
• • •

•
x1 x3
−1
x
2
x2 Resposta
• • x4
• • A localização de cada estimativa está indicada
no gráfico acima. Note que não é possı́vel calcu-
lar o valor numérico de cada uma sem que seja
conhecida a expressão algébrica da função f (x).

74
Respostas 3: Zeros de funções –
métodos abertos

Orientação para as respostas: o arredondamento deve ser tal que se o quinto algarismo fracionário for 0, 1, 2,
3 ou 4, o arredondamento do quarto algarismo é feito para baixo e nos outros casos ele é feito para cima.

1. O gráfico da função t xt Er
0 x0 (condição inicial)  — 
f (x) = sen(x) + cos(2x) f (x0 )  x1 −x0 
1 x1 = x0 − f 0 (x0 )  x1 
é mostrado a seguir. Pode-se observar que há .. ..
2 . .
três zeros da função no intervalo x ∈ [0; 6].
Resposta
f (x)
O inteiro mais próximo do zero da função
que está no intervalo [1; 2] é 2. A aplicação
do método de Newton, cuja função de
iteração neste caso é
x
0 2 4 6 sen(x(t−1) ) + cos(2x(t−1) )
x(t) = x(t−1) − ,
cos(x(t−1) ) − 2 sen(2x(t−1) )

resulta na tabela abaixo.

-2 t xt Er
0 2 —
(a) Em teoria, um dos zeros mostrados não 1 1.76704 0.13184
poderia ser encontrado através do método 2 1.6673 0.05982
de Newton. Identifique qual e dê a razão 3 1.61884 0.02994
pela qual ele não poderia ser encontrado. 4 1.59479 0.01508
Resposta 5 1.58284 0.00755

Não. Em teoria, o primeiro zero positivo,

(c) Utilize o método da secante para preen-
localizado no intervalo [1; 2], não poderia
cher a tabela a seguir até que Er < 0.02.
ser encontrado, pois neste zero a função
tem um mı́nimo local e neste mı́nimo, as- t xt Er
sim como em qualquer ponto extremo, a −1 4 —
derivada da função tem valor zero. 0 5  — 
x0 f (x(−1) )−x(−1) f (x0 )  x1 −x0 
(b) Utilize o método de Newton para esti- 1 x1 = f (x(−1) −f (x0 )  x1 
mar o valor do zero citado no item an- .. ..
terior utilizando como condição inicial o 2 . .
inteiro mais próximo e o critério de pa- Resposta
rada Er < 0.01 (erro relativo).
Observações: (i) organize as estimativas
em uma tabela conforme o exemplo se- t xt Er
guinte; (ii) durante os cálculos, use ar- −1 4 —
redondamento para que sejam mantidos 0 5 0.67078
cinco algarismos fracionários a cada uma 1 2.99262 0.20334
das operações matemáticas empregadas; 2 3.75644 0.03797
(iii) ao aplicar as funções trigonométricas, 3 3.61901 0.01231
os ângulos devem ser considerados em ra- 4 3.6641 0.01231
dianos.

75
2. Para a mesma função f (x) do exercı́cio anterior, f (x)
use a função de iteração
4

φ(x) = x + sen(x) + cos(2x),

2
obtida ao somar x de ambos os lados da equação
f (x) = 0, e analise a convergência do método do 1
ponto fixo.
• • • • x
0 2 4 6

(a) Veja que somente uma das estimativas ini- −1

ciais listadas a seguir satisfaz a condição
−2
  
 dφ 
  < 1 e utilize-a para encontrar
 dx x0

um dos zeros da função tomando como
condição de parada o erro relativo Er < As iterações do método do ponto fixo para
0.01. Organize os resultados das iterações x0 = 1.3 são mostradas na tabela abaixo.
numa tabela semelhante àquela do método
t xt Er
de Newton, mas com xt+1 = φ(xt ). Esti-
mativas iniciais: 1.3; 2; 3.5; 5.5. 0 1.3 —
1 1.40667 0.07583
2 1.44662 0.02762
(b) Note que a estimativa inicial 4.5 também 3 1.4696 0.01564
satisfaz a condição indica antes, porém os 4 1.48489 0.0103
zeros da função próximos a ela não satisfa-
5 1.49592 0.00737
zem (aproximadamente 3.67 e 5.76). Rea-
lize 10 iterações do método do ponto fixo
a partir desta condição inicial para obser- (b) As iterações são mostradas a seguir. Pode-
var que não há sinais de convergência para se observar já a partir da quarta iteração
nenhum desses zeros. que o erro relativo não segue a tendência
de caminhar em direção a zero.

t xt Er
Dica: faça os gráficos de dφ/dx e f (x), preferen- 0 4.5 —
cialmente no mesmo sistema de eixos, usando
1 2.61134 0.72325
algum recurso computacional como o buscador
2 3.60552 0.27574
da Google ou o WolframAlpha, digitando o co-
3 3.75761 0.04048
mando plot seguido das expressões algébricas
4 3.51214 0.06989
correspondentes às funções que se quer ver os
5 3.88774 0.09661
gráficos, separadas por uma vı́rgula.
6 3.28735 0.18264
7 4, 09992 0.19819
Resposta 8 2.94269 0.39326
9 4.06219 0.27559
10 2.99911 0.35447

(a) Para a função de iteração em questão te-

mos

dφ
= 1 + cos(x) − 2 sen(2x)
dx

O gráfico dessa derivada é mostrado
abaixo e nele também são indicados no
eixo horizontal as posições das estimati-
vas iniciais sugeridas. É fácil notar que
apenas a estimativa x0 = 1.3 satisfaz
|(dφ/dx)x0 | < 1.
3. Abaixo está o gráfico de uma função f (x) que
contém um zero no intervalo mostrado. Localize
no eixo horizontal as três primeiras estimativas
do zero da função de acordo com o método da
secante tomando como condições iniciais x(−1) e
x0 .

76
 y Resposta

A localização de cada estimativa está indicada

no gráfico acima.
5. A seguir é mostrado o gráfico de uma função
de iteração φ(x) associada a uma função f (x).
Localize no eixo horizontal as três primeiras es-
• x2 timativas do zero da função f (x) de acordo com
x0 o método do ponto fixo tomando como condição
• x
x(−1) inicial x0 .
x1 •
x3 • y
f (x)
φ(x)
Resposta
y=x
A localização de cada estimativa está indicada
no gráfico acima.
4. Abaixo está o gráfico de uma função f (x) que •
x3
contém um zero no intervalo mostrado. Localize x2
no eixo horizontal as três primeiras estimativas x
x1 x0
do zero da função de acordo com o método de •
•
Newton tomando como condição inicial x0 .
y
Resposta

A localização de cada estimativa está indicada

no gráfico acima.

•
x3
•
x
x0
x1 x2 •
f (x)

77
Respostas 4: Sistemas lineares –
métodos iterativos

 (2)
1. Considere o sistema linear  x = (57 − 3 × 2.5 + 2 × (−0.8)) /10 = 4.79
     y (2) = (20 − 2 × 5.7 − 0.8) /8 = 0.975
10 3 −2 x 57  (2)
z = (−4 − 5.7 − 2.5) /5 = −2.44
 2 8 −1   y  =  20  .
1 1 5 z −4 ..
.
(a) Verifique que ele atende à condição de con- Agora é mostrada uma tabela com os va-
vergência para a aplicação dos métodos lores de x, y, z e Er para cada iteração.
iterativos.
t x(t) y (t) z (t) Er
Resposta
0 0 0 0 0
O sistema é diagonalmente, pois o valor 1 5.7 2.5 −0.8 1
absoluto do elemento de cada linha na di- 2 4.79 0.975 −2.44 0.67213
agonal principal é maior do que a soma 3 4.9195 0.9975 −1.953 0.24936
dos valores absolutos dos demais. Para a 4 5.01015 1.026 −1.9834 0.01533
1ª linha, temos |10| > |3|+|−2|; para a 2ª 5 4.99552 0.99954 −2.00723 0.01187
linha: |8| > |2| + | − 1|; e para a 3ª linha: 6 4.99869 1.00022 −1.99901 0.00411
|5| > |1| + |1|. 7 5.00013 1.00045 −1.99978 0.00039

(b) Resolva esse sistema utilizando o método

(c) Resolva o sistema utilizando o método de
de Jacobi até que o valor do erro re-
Gauss-Seidel para as mesmas condições es-
lativo (Er ) no vetor solução seja me-
pecificadas no item anterior.
nor que 10−3 . Em todos os passos
dos seus cálculos, arredonde os resul- Resposta
tados mantendo cinco algarismos fra-
As equações iterativas para uso do método
cionários. Considere
como condição ini- de Gauss-Seidel são
cial x(0) ; y (0) ; z (0) = (0; 0; 0). Para or-
ganizar os resultados das iterações, utilize
 (t+1)

 x = 57 − 3y (t) + 2z (t) /10
uma tabela conforme indicado abaixo.



t x(t) y (t) z (t) Er y (t+1) = 20 − 2x(t+1) + z (t) /8



 (t+1)
0 — z = −4 − x(t+1) − y (t+1) /5
1
2 Abaixo são mostradas algumas iterações.
Resposta  (1)
 x = (57 − 3 × 0 + 2 × 0) /10 = 5.7
As equações iterativas para uso do método y (1) = (20 − 2 × 5.7 + 0) /8 = 5/2 = 1.075
 (1)
de Jacobi são z = (−4 − 5.7 − 1.075) /5 = −4/5 = −2.155
 (t+1)

x = 57 − 3y (t) + 2z (t) /10  (2)


 
 x = (57 − 3 × 1.075 + 2 × (−2.155)) /10 =


y (t+1) = 20 − 2x(t) + z (t) /8 = 4.94650

(2)
 y = (20 − 2 × 4.9465 − 2.155) /8 = 0.994



 (t+1)
z = −4 − x(t) − y (t) /5 
 (2)
z = (−4 − 4.9465 − 0.994) /5 = −1.9881
A seguir são mostradas algumas iterações:
..
 (1) .
 x = (57 − 3 × 0 + 2 × 0) /10 = 5.7
y (1) = (20 − 2 × 0 + 0) /8 = 2.5 A seguir temos uma tabela com os valores
 (1)
z = (−4 − 0 − 0) /5 = −0.8 de x, y, z e Er a cada iteração.

78
 t x(t) y (t) z (t) Er Resposta
0 0 0 0 0
1 5.7 1.075 −2.155 1 Supondo duas retas quaisquer no espaço bidi-
2 4.9465 0.994 −1.9881 0.08395 mensional, existem 3 situações possı́veis para
3 5.00418 1.00044 −2.00092 0.00641 elas: ou (i) são paralelas e não coincidentes, ou
4 4.99968 0.99997 −1.99993 0.0009 (ii) elas são paralelas e coincidentes, ou (iii) elas
Confira a tabela interativa disponibilizada não são paralelas. Abaixo estão ilustradas essas
junto com este documento. três situações.
(i) (ii) (iii)
2. Use o método iterativo de Gauss-Seidel para re-
solver o sistema linear

 5x1 + x2 + x3 = 5
3x1 + 4x2 + x3 = 6 .
3x1 + 3x2 + 6x3 = 0

Sabemos que a(s) solução(ões) do sistema de
Utilize como condição de parada o erro absoluto equações é(são) o (conjunto de) ponto(s) (x, y)
no vetor solução menor do que 1/100. Não use que satisfaz(em) a ambas as equações ao mesmo
arredondamento, mantenha as frações. tempo. A partir das ilustrações acima é fácil
(t) (t) (t)
t x1 x2 x3 Ea responder ao questionamento apresentado.
0 —
(a) O sistema linear não tem solução quando
1
as duas equações apresentadas correspon-
2
dem a duas retas paralelas. Como essas
Resposta retas não se cruzam, não há ponto (x, y)
Esta é a tabela com os valores obtidos a cada que satisfaça às duas equações ao mesmo
iteração. tempo.
(t) (t) (t) (b) O sistema linear tem infinitas soluções
t x1 x2 x3 Ea
quando as duas equações que o compõem
0 0 0 0 —
3 representam a mesma reta. Isso ocorre
1 1 4 − 78 1
41 19 quando as equações são múltiplas uma da
2 40 20 − 79
80
1
5
403 793 1599 33 outra, isto é, quando qualquer uma pode
3 400 800 − 1600 800
8013 7989 8001 59 ser obtida a partir da outra pela mul-
4 − 8000
8000 8000 8000 tiplicação de uma constante diferente de
3. A equação ax + by = c é uma equação implı́cita zero. Nesse caso, qualquer ponto de uma
de uma reta no espaço bidimensional. Sendo as- equação satisfaz imediatamente à outra,
sim, um sistema de duas equações pode ser pen- logo há infinitos pontos (x, y) que satisfa-
sado como duas retas no espaço bidimensional. zem a ambas.
Com base na interpretação de uma equação de
(c) O sistema linear tem somente uma
duas variáveis como uma reta, explique o posi-
solução quando as retas representadas pe-
cionamento relativo das retas nos casos em que
las equações são concorrentes, ou seja, não
o sistema linear:
são paralelas. Nesse caso, há um único
(a) não tem solução; ponto (x, y) que satisfaz a ambas: é o
ponto de cruzamento das retas.
(b) tem infinitas soluções;
(c) tem somente uma solução.

79
Respostas 5: Sistemas lineares –
métodos exatos

1. Considere uma matriz A de ordem 3, sobre a 2. Considere o sistema linear

qual é aplicado o método de eliminação de Gauss     
gerando a matriz 2 0 3 x1 9
   1 −1 1   x2  =  7  .
2 1 0 −2 2 4 x3 −8
 0 −1 3  .
0 0 9 (a) Obtenha um sistema linear triangular
equivalente através da eliminação de
As operações elementares aplicadas foram: Gauss, mantendo as frações12 , ou seja,

1 0 0
 
1 0 0
 sem realizar arredondamentos. Enumero
E1 =  3 1 0  ; E2 =  0 1 0  ; todas as operações elementares utilizadas.
0 0 1 −1 0 1 (b) Determine as matrizes que formam a fa-
  toração LU da matriz de coeficientes do
1 0 0 sistema original.
E3 =  0 1 0 .
2
0 −3 1 (c) A partir do resultado do item anterior,
obtenha um sistema diagonal (eliminação
Determine a matriz A. de Gauss-Jordan). Novamente realize
Resposta as operações matemáticas mantendo as
frações. Informe as operações elementares
A matriz A pode ser decomposta em dois fatores utilizadas.
L (triangular inferior) e U (triangular superior),
tais que A = LU . A matriz U é a própria matriz (d) Qual a solução do sistema linear?
triangular resultante do processo de eliminação Resposta
de Gauss. A matriz L pode ser obtida a partir
das matrizes elementares dadas: A matriz aumentada do sistema dado é
   
1 0 0 2 0 3 9
L =  −3 1 0  .  1 −1 1 7 
1 23 1 −2 2 4 −8
Com isso, temos (a) Usando as operações elementares (linha k
é representada por Lk )
A = LU =
   1
1 0 0 2 1 0 L2 ← L2 − · L1
=  −3 1 0   0 −1 3  = 2
1 23 1 0 0 9 L3 ← L3 + L1
 
2 1 0 chega-se à matriz estendida
=  −6 −4 3   
2 1
11 2 0 3 9
3  0 −1 − 1 5  .
2 2
0 2 7 1
12
As calculadores cientı́ficas têm um botão a cb que serve para realizar cálculos utilizando frações. Por exem-

plo, ao digitar os botões 7 a cb 3 + 1 a cb 3 = será mostrado o resultado 2 t 2 t 3 , o que significa

2
2+ 3.
Pode-se também usar a ferramenta wolframalpha.com disponı́vel na web, a qual mostra o resultado do
cálculo exato com frações.

80
 Usando a operação elementar

L3 ← L3 + 2 · L2 3. Utilize a decomposição LU para resolver o sis-

tema
chega-se à matriz estendida 
   x1 + 2x2 + 2x3 + x4 = 6

2 0 3 9 
2x1 + 4x2 + x3 + 3x4 = 10
 0 −1 − 1 5  . x1 + x2 + 2x3 − x4 = 3
2 2 

0 0 6 6 
2x1 + x2 + 4x3 + 2x4 = 9
Portanto, um sistema triangular equiva-
lente é Resposta

A matriz de coeficientes é
    
2 0 3 x1 9
 0 −1 − 1   x2  =  5  .  
2 2 1 2 2 1
0 0 6 x3 6  2 4 1 3 
A= 
 1 1 2 −1 
(b) Das matriz triangular resultante após a
2 1 4 2
aplicação dos passos da eliminação de
Gauss e das operações elementares utili-
e a sequência de operações elementares ne-
zadas, a fatoração LU é
cessárias para transformá-la numa matriz trian-

1 0 0
 
2 0 3
 gular superior é
L =  21 1 0  ; U =  0 −1 − 12     
−1 −2 1 0 0 6 1 0 0 0 1 0 0 0
 −2 1 0 0   0 1 0 0 
E1 =    ; E2 =  ;
(c) Partindo da matriz estendida 0 0 1 0  −1 0 1 0 
0 0 0 1 0 0 0 1
 
2 0 3 9
 0 −1 − 1 5  .
   
2 2 1 0 0 0 1 0 0 0
0 0 6 6  0 1 0 0   0 0 0 1 
E3 = 
 0 0
 ; E4 =  ;
1 0   0 0 1 0 
o uso das operações elementares −2 0 0 1 0 1 0 0
1    
L2 ← L2 + · L3 1 0 0 0 1 0 0 0
12  0 1 0 0   0 1 0 0 
E5 = 
 0 −1
 ; E6 =  .
1 1 0   0 0 0 1 
L1 ← L1 − · L3 3
2 0 0 0 1 0 0 1 0
leva à matriz estendida Foram realizadas duas operações de per-
mutação: E4 e E6 . Portanto, a matriz de per-
 
2 0 0 6
 0 −1 0 3  mutação do sistema em questão é P = E6 E4 ,
0 0 6 6 sendo preservada a mesma ordem em que elas
foram executadas sobre a matriz A. É necessário
Portanto, um sistema triangular equiva- aplicar as permutações sobre o vetor constante
lente é para que o resultado final esteja correto.
    
2 0 0 x1 6      
 0 −1 0   x2  =  3  1 0 0 0 1 0 0 0 6 6
 0 1 0 0   0 0 0 1   10   9 
0 0 6 x3 6    = 
 0 0 0 1   0 0 1 0   3   10 
0 0 1 0 0 1 0 0 9 3
(d) Aplicando as operações elementares
1 1 Esse é o vetor constante após as permutações.
L1 ← · L1 ; L2 ← −L2 ; L3 ← · L3
2 6 As matrizes L e U obtidas após as seis operações
sobre o sistema diagonal obtido no item elementares enumeradas são
anterior, chega-se ao sistema 
1 0 0 0
 
1 2 2 1

      2 1 0 0   0 −3 0 0 
1 0 0 x1 3 L=  2 0 1 0 ; U =  0
  
 0 1 0   x2  =  −3  0 −3 1 
0 0 1 x3 1 1 31 0 1 0 0 0 −2

cuja solução é imediata: Tendo feito isso, transformamos o sistema origi-

nal A~x = ~b em outro A0 ~x = ~b0 , com A0 = P A e
x1 = 3; x2 = −3; x3 = 1 ~b0 = P~b. Por isso, a resolução do sistema linear

81
é obtida a partir da resolução de dois sistemas Usando esse vetor ~y , resolve-se o sistema trian-
triangulares, um inferior e outro superior: gular superior, cuja solução é a própria solução
do sistema linear original:
L~y = ~b0

A0 ~x = ~b0 ⇒ LU~x = ~b0 ⇒ ,
U~x = ~y    
1 2 2 1 x1 6
onde ~y é um vetor de variáveis intermediárias.  0 −3 0 0    −3 
  x2

  −2  ⇒
O sistema triangular inferior deve ser resolvido  = 
 0 0 −3 1   x3
primeiro: 0 0 0 −2 x4 −2
    
1 0 0 0 y1 6
 2 1 0 0   y2   9 
 2 0 1 0   y3  =  10  ⇒
        
x1 1
1 13 0 1 y4 3  x2   1 
    ⇒
 x3  =  1
  
y1 6 
 y2   −3  x4 1
⇒  y3  =  −2 
  

y4 −2

82
Respostas 6: Sistemas não-lineares

p
1. Considere o sistema não-linear Sendo G(x, y) = cos(x) + 1 a função ob-
 2 tida ao isolar a variável y, temos
y − cos(x) − 1 = 0
√ !
xy − xy = 0

∂G  sen(x) 
=

p
∂x x(0) ,y(0)

 2 1 + cos(x)  (0) (0)
para resolver os itens a seguir. x ,y
≈ 0.32486
(a) Encontre equações iterativas adequadas
a serem utilizadas para resolver o sis- e
tema através do método do ponto fixo tais ∂G
=0
que satisfaçam a condição de convergência ∂y
para a condição inicial x(0) = 0.9 e y (0) = Isso mostra que
1.1.    
 ∂F   ∂F 
 ∂x   ∂y  < 1
 + 
(b) Usando as equações encontradas no item
anterior e partindo da condição inicial in- e    
formada, realize as 5 primeiras iterações  ∂G   ∂G 
 ∂x   ∂y  < 1
 + 
e organize as estimativas calculadas numa
tabela semelhante a esta abaixo. Preste
quando as derivadas são calculadas em
atenção que as funções trigonométricas
x(0) e y (0) .
devem ser calculadas considerando que os
ângulos estão em radianos. (b) O resultado das 5 primeiras iterações está
resumida nesta tabela.
t xt yt Eabs
t xt yt Eabs
0 0.90000 1.10000 —
0 0.90000 1.10000 —
1
.. 1 0.90453 1.27342 0.17342
. 2 0.84280 1.27203 0.06173
5 3 0.81398 1.29049 0.02882
4 0.79420 1.29870 0.01978
Resposta 5 0.78201 1.30417 0.01219

(a) Há mais de um conjunto de equações ite-

rativas possı́veis, pois é possı́vel isolar 2. Quais as equações iterativas correspondentes ao
cada variável em cada uma das equações método de Newton quando aplicada ao sistema
de mais de um forma. Um conjunto de do exercı́cio anterior. Considere a versão do
equações possı́vel é método de Newton especı́fica para sistemas com
( q
duas equações.
y (t+1) = cos x(t) + 1 Resposta
p
x(t+1) = x(t) /y (t)
Antes de iniciar os cálculos do método de New-
p ton é preciso identificar as funções que compõem
Sendo F (x, y) = x/y a função obtida ao
o sistema em análise:
isolar a variável x, temos
f (x, y) = y 2 − cos(x) − 1


∂F 

1
 √
 g(x, y) = xy − xy
= √  ≈ 0.50252
∂x x(0) ,y(0)
 2 xy x(0) ,y(0)
O método de Newton utiliza o determinante da
e matriz jacobiana que é composta pelas deriva-
 √ ! das
∂F  − x  r
= ≈ −0.41115 ∂f ∂f ∂g 1 y
= sen(x); = 2y; =y− ;
p
∂y x(0) ,y(0)

2 y 3 x(0) ,y(0) ∂x ∂y ∂x 2 x

83
 r
∂g 1 x Logo, para este sistema linear a equação itera-
=x− ;
∂y 2 y tiva para a variável y é
O jacobiano é
y (t+1) =
√
 
 sen(x) 2yq   
xy −


xy sen(x)−


|J(f, g)| =  =
 py

 y − 12 x x − 12 xy  2 1
py


y −  y − cos(x) − 1 y − 2 x


q  py

1 x 1
x − 2 y sen(x) + 2x y − 2 x
 r   r   
1 x 1 y
= x− sen(x) + 2x y − x(t) ,y (t)
2 y 2 x
com o lado direito da igualdade calculado
A equação iterativa para a variável x tem a
nos valores conhecidos para as variáveis na
forma geral
  iteração t.
∂g 
f (xt , yt ) · ∂y − g(xt , yt ) · ∂f

 ∂y 
xt ,yt xt ,yt
xt+1 = xt − 3. Considere os seguintes objetos geométricos:
|J(ft , gt )|
Para o sistema em estudo: ˆ o parabolóide f (x, y, z) = 0, com
 r 
∂g 1 x x2 y2 z
= y 2 − cos(x) − 1 x −


f· = f (x, y, z) = + −
∂y 2 y 6 4 8
p
y3 x ˆ o plano g(x, y, z) = 0, com
 r 
2 1 x
= xy − − (cos(x) + 1) x −
2 2 y x z
g(x, y, z) = +
e 2 4
∂f √ p
ˆ o plano h(x, y, z) = 0, com
g· = (xy − xy) · (2y) = 2xy 2 − 2 xy 3
∂y
x y 1
donde se chega a h(x, y, z) = + +
3 2 4
p
∂g ∂f 5 xy 3 (a) Use o método do ponto fixo para estimar
f· −g· = −xy 2 − − um dos pontos de interseção dos três ob-
∂y ∂y 2
 r 
1 x jetos. Para tanto, monte o sistema não-
(cos(x) + 1) x − linear, escreva as equações iterativas, tome
2 y
como condição inicial o ponto
Portanto, para este sistema não-linear a equação   

(0) (0) (0) 1 1
iterativa da variável x é x ,y ,z = 0, − ,
2 2
x(t+1) =
 √ e organize o resultado das 5 primeiras
5 xy 3
 q 
xy 2 + 2 + (cos(x) + 1) x − 12 xy iterações numa tabela semelhante a esta,
x + 

q 
 cuja última coluna contém o erro refe-
1 x 1
py

x − 2 y sen(x) + 2x y − 2 x rente ao valor de cada função calculada
x(t) ,y (t) na última estimativa conhecida para cada
sendo o lado direito da igualdade calculado variável.
com os valores conhecidos para as variáveis na t xt yt zt Ef,g,h
iteração t. A equação iterativa para a variável
0 0.0000 −0.5000 0.5000 0.1250
y tem a forma geral
1
..
 
g(xt , yt ) · ∂f ∂g 
− f (xt , yt ) · ∂x

∂x 
xt ,yt

xt ,yt
.
yt+1 = yt − 5
|J(ft , gt )|
(b) Escreva a equação matricial
Para o sistema em estudo:  
∂f √ J (t) ~x(t+1) − ~x(t) = −f~(t)
g· = (xy − xy) sen(x)
∂x
e referente à aplicação do método de New-
r   ton para resolução do sistema não-linear
∂g 2

1 y montado a partir das equações dos três ob-
f· = y − cos(x) − 1 y −
∂x 2 x jetos geométricos, e determine o valor de
donde se chega a ~x(3) , partindo da mesma condição inicial
do item anterior e fazendo uso da variável
∂f ∂g √ temporária ~s(t) = ~x(t+1) − ~x(t) . Construa
g· −f · = (xy − xy) sen(x)−
∂x ∂x r  uma tabela semelhante àquela do item an-

1 y terior para mostrar os resultados de cada
y 2 − cos(x) − 1 y −


2 x uma das iterações.

84
Resposta logo,
 
(a) Um dos possı́veis conjuntos de equações −0.15
iterativas é J (0) ~s(0) = −f~(0) ⇒ ~s(0) =  0.1 
  (t) 2 2
 −0.2
(t+1) (x ) (y(t) )
 z = 8 +
sendo a solução do sistema linear obtida

 6 4

(t)
x (t+1)
= − z 2 por qualquer método numérico conhecido.
Usando a definição do vetor ~s dada no
 
x(t)

 y (t+1) = −2 14

+ 3 enunciado, temos
A variável z foi isolada na primeira 
−0.15

equação para evitar o ocorrência da raiz ~x(1) = ~x(0) + ~s(0) =  −0.4 
quadrada de números negativos. A partir 0.3
da condição inicial dada, as 5 primeiras
iterações resultam na tabela a seguir. Usando ~x(1) , calcula-se J (1) e f~(1) :
−0.05 −0.2 − 81
 
t xt yt zt Ef,g,h
0 0.0000 −0.5000 0.5000 0.1250 J (1) =  1
2 0 1 
4 e
1 1
1 −0.2500 −0.5000 0.5000 0.0833 3 2 0
 
2 −0.2500 −0.3333 0.5833 0.0347 0.00625
3 −0.2917 −0.3333 0.3056 0.0694 f~(1) =  0 
4 −0.1528 −0.3056 0.3356 0.0463 0
5 −0.1678 −0.3981 0.2178 0.0294
O vetor temporário vale
Mais iterações podem ser verificadas na 
−0.01875

tabela disponibilizada junto com este do- J (1) ~s(1) = −f~(1) ⇒ ~s(1) =  0.0125 
cumento. 0.0375
(b) Vamos reescrever as funções dadas utili-
zando outros rótulos: Portanto, a segunda estimativa das
variáveis é
(x1 )2 (x2 )2

x3
 f1 (x1 , x2 , x3 ) = 6 + 4 − 8
 
−0.16875

x1 x3
f2 (x1 , x2 , x3 ) = 2 + 4 ~x(2) = ~x(1) + ~s(1) =  −0.3875 

f3 (x1 , x2 , x3 ) = x31 + x22 + 14 0.3375


Os vetores ~x e f~ são Seguindo a mesma sequência de passos,

    obtém-se
x1 f1
−0.05625 −0.19375 − 81
 
~x =  x2  e f~ =  f2 
x3 f3 J (2) =  1
2 0 1 
4 e
1 1
3 2 0
A matriz jacobiana é  
 ∂f ∂f ∂f
 0.0000977
x1 x2
− 81
1 1 1
 
∂x1 ∂x2 ∂x3 3 2 f~(2) =  0 
∂f2 ∂f2 ∂f2
   1 1
J = = 0
 0
 ∂x1 ∂x2 ∂x3  2 4 
∂f3 ∂f3 ∂f3 1 1
3 2 0 que leva a
∂x1 ∂x2 ∂x3
 
Portanto, a equação matricial pedida é −0.0003026
 x(t) x(t)   (t+1)   (t)  ~s(2) =  0.0002017 
1 2
− 8  x1
1 x
 1(t) 0.0006051
 31 2
  (t+1)  
 −  x2
1   x2
 2 0 4
  
 donde se obtém a terceira estimativa para
1 1 (t+1) (t)
3 2 0 x3 x3 as variáveis
2 2  
−0.1690526
 
(t) (t)
 
x1 x2 x3
(t)

 6 + 4 − 8  ~x(3) =  −0.3872983 
(t) (t)
= − x1 x 0.3381051
 
 2 + 34 

(t) (t)
x1 x
+ 22 + 14 Organizando essas estimativas numa ta-
3
bela:
Para realizar as iterações será utilizado ve- (t) (t) (t)
tor temporário ~s = [s1 , s2 , s3 ]T , o qual t x1 x2 x3 Ef1 ,f2 ,f3
contém as soluções do sistema J~s = −f~ 0 0.0000 −0.5000 0.5000 0.1250
em cada iteração. Assim, para a condição 1 −0.1500 −0.4000 0.3000 0.0063
inicial dada temos 2 −0.1688 −0.3875 0.3375 0.0001
3 −0.1691 −0.3873 0.3381 0.0000
0 − 14 − 18
   
0
J (0) =  12 0 1 
4 e f~(0) =  18 
1 1
3 2 0 0
85
Respostas 7: Método dos quadrados
mı́nimos

1. Considere os conjuntos de pontos abaixo: (b) a regressão quadrática (grau 2);

x −3 −2 0 2 (c) a regressão cúbica (grau 3).
(A)
y −2 −1 1 2
x −2 0 2 3 Para cada regressão calcule o coeficiente de de-
(B)
y −2 0 0 2 terminação correspondente.
x −2 0 2 3 Resposta
(C)
y −1 0 2 2
Considere também as retas mostradas no se- (a) As partir das coordenadas informadas:
guinte sistema de eixos cartesianos:
X X
y n = 4; xi = 6; (xi )2 = 22;
i i
(i)
X X
(ii) (xi yi ) = 8; yi = 4
i i
(iii)
Portanto, a regressão linear
(iv)
u = a0 + a1 x
x
tem coeficientes
  
P P P
yi xi − n (xi yi )
i i i
a1 =  2 =
P P 2
xi − n (xi )
i i
4·6−4·8
= 2 =
Associe cada conjunto de pontos com a corres- 6 − 4 · 22
pondente reta de ajuste. 24 − 32
= =
36 − 88
Resposta
2
= ≈ 0.1538
Os elementos de cada conjunto são localizados 13
na figura acima. A partir da inspeção visual,
fica claro que a relação entre os dados e as retas P P
são: yi − a1 xi 2
i i 4− 13 ·6 10
(A)–(i) (B)–(iii) (C)–(ii) a0 = = =
n 4 13
2. Considere os quatro pontos tabelados abaixo: ≈ 0.7692

x −1 1 2 4 Isto é,
y 1 1 0 2 10 2
u(x) = + x
13 13
Usando o método dos quadrados mı́nimos, en-
contre Para calcular o coeficiente de deter-
minação é preciso
P primeiramente determi-
(a) a regressão linear (grau 1); nar o valor de i (yi − ui )2 . Substituindo

86
 as coordenadas fornecidas: cuja solução é

8
2 
12
2 47
a0 = ≈ 0.6026
X
(yi − ui )2 = 1 − + 1− + 78
13 13
i 9
 2  2 a1 = − ≈ −0.3462
14 18 26
0− + 2− = 1
13 13 a2 = ≈ 0.1667
25 1 196 64 6
= + + + =
169 169 169 169 Portanto, o polinômio quadrático que me-
286 lhor se ajusta aos dados é
= =
169 47 9 1
22 u(x) = − x + x2
= 78 26 6
13
Seguindo um caminho semelhante ao do
Também é preciso conhecer o somatório item anterior, chega-se ao coeficiente
2
P
(y
i i − ȳ) , com ȳ sendo o valor médio 17
das coordenadas y. Substituindo as coor- R2 = ≈ 0.6538
26
denadas:
X (c) O sistema linear agora tem dimensão 4x4
(yi − ȳ)2 = (1 − 1)2 + (1 − 1)2 + e sua matriz estendida é
i  
4 6 22 72 4
(0 − 1)2 + (2 − 1)2 =  6 22 72 274 8 
 
=0+0+1+1=  22 72 274 1056 34 
=2 72 274 1056 4162 128

Com isso, o coeficiente é dado por e o uso das operações elementares

3
P
(yi − ui )2 L2 ← L2 − L1
i
2
2
R =1− P = 11
(yi − ȳ)2 L3 ← L3 − L1
i 2
22/13 L4 ← L4 − 18L1
=1− =
2 L3 ← L3 − 3L2
11
=1− = 166
13 L4 ← L4 − L2
2 13
= ≈ 0.1538 9
13 L4 ← L4 − L3
2
(b) Com os pontos informados, o sistema li- leva ao sistema triangular cuja matriz es-
near tendida é
 

n
P P 2    P  4 6 22 72 4
i xi i xi a0 i y i
 0 13 39 166
 P P 2 P 3  P 2 
i xi i xi i xi 
 a1  = 
i yi xi 
  
   0 0 36 162 6 
P 2 P 3 P 4 a2 P 2
i xi i xi i xi i yi xi 0 0 0 225 45
13 13

se torna A solução desse sistema é

26
    
4 6 22 a0 4 a0 = ≈ 1.7333
 6 22 72   a1  =  8  15
22 72 272 a2 34 1
a1 = − = −0.2
5
Usando as operações elementares 11
a2 = − ≈ −0.7333
3 15
L2 ← L2 − L1 1
2 a3 = = 0.2
5
11 Sendo assim, a regressão cúbica é
L3 ← L3 − L1
2
26 1 11 2 1 3
L3 ← L3 − 3L2 u(x) = − x− x + x
15 5 15 5
chega-se ao sistema e o coeficiente de determinação correspon-
     dente é
4 6 22 a0 4
 0 13 39   a1  =  2  R2 = 1
0 0 36 a2 6 .

87
 é preciso antes calcular dois somatórios:
  2
X b 1
1

(yi − ui )2 = 0 − − +
3. Dados os três pontos (0; 0), 2; b e (1; 1): 3 6
i
  2
b 1
b− + +
(a) indique um valor para b de modo que a 3 3
2
regressão linear desses pontos tenha o co-
 
b 5
eficiente R2 = 109
; 1− + =
3 6
 2  2
(b) determine a regressão linear correspon- b 1 2b 1
= − + − +
dente ao valor de R2 e b indicados no item 3 6 3 3
2
anterior.

1 b
− =
6 3
 2 
b b 1
Há dois valores possı́veis para b e, consequente- = − + +
mente, para a função linear com melhor ajuste. 9 9 36
 2 
4b 4b 1
− + +
Resposta 9 9 9
b b2
 
1
− + =
36 9 9
(a) O sistema linear a ser resolvido para en- 6b2 6b 3
contrar a regressão linear é = − +
9 9 18
" # e
3   
3 2 a0 b+1  2
= X b+1
3 5 a1 b
2 +1
(yi − ȳ)2 = 0 − +
2 4
i
3
 2
b+1
Usando as operações elementares b− +
3
 2
1 b+1
L1 ← L1 1− =
3 3
 2  2
b 1 2b 1
= + + − +
3 3 3 3
2 2
L2 ← L2

2 b
3 − =
3 3
 2 
b 2b 1
= + + +
L2 ← L2 − L1 9 9 9
 2 
4b 4b 1
− + +
chega-se ao sistema 9 9 9
4 4b b2
 
" # " # − + =
1 1
a0
 b+1 9 9 9
2 3
1 = 1 6b2 6b 6
0 a1
3 3 = − +
9 9 9
cuja solução é Notando que ui é obtido através da subs-
tituição das coordenadas x de cada ponto
(xi ; yi ) na expressão para u(x) anterior e
b 1 que ȳ é o valor médio das coordenadas y.
a1 = 1 e a0 = −
3 6 A divisão desses dois somatórios resulta
em
Portanto, a regressão linear dos pontos da- 6b2 6b 3
(y − ui )2 9 − 9 + 18
P
dos é Pi i 2
= 6b2 6b 6
=
i (yi − ȳ) 9 − 9 + 9
b 1
u(x) = − +x 6b2 − 6b + 23
3 6 = =
6b2 − 6b + 6
Para poder trabalhar com a informação b2 − b + 14
= 2
dada sobre o coeficiente de determinação, b −b+1

88
 (y −ui )2
P
Usando a definição R2 = 1 − Pi i 2 e (a) Considerando o modelo I e tomando o lo-
i (yi −ȳ)
o valor fornecido para R2 : garitmo de ambos os lados da igualdade,
temos ln y = ln α + x ln β. Com w = ln y,
9 b2 − b + 14 1 b2 − b + 14 a = ln α e b = ln β, o modelo linearizado
= 1− 2 ⇒ = 2 ⇒ para ser usado na regressão desses dados
10 b −b+1 10 b −b+1
é w = a + bx.
b2 − b + 1 1 x 1 2 3 4 5 6
⇒ = b2 − b + ⇒ w 3.85 4.17 4.52 4.88 5.25 5.62
10 4
Realizando os cálculos dos somatórios:
9b2 9b 3 1
⇒ − − = 0 ⇒ b2 − b − = 0 X
10 10 20 6 n = 6; x = 21;
Esse última equação quadrática tem duas X 2 X
x2 = 91;


soluções: x = 441;
q X X
−(−1) ± (−1)2 − 4 · −1 (xy) = 105.24; y = 28.29;
6
b= = X 2
2
X
y 2 ≈ 135.59


q y ≈ 800.32;
1 ± 1 − 23
= = Substituindo esses cálculos nas expressões
q2 que determinam os coeficientes da melhor
1 ± 13  regressão linear obtida pelo método dos
0.7886
= ≈ quadrados mı́nimos, encontramos
2 0.2113 P P P
( y)( x) − n (x y)
b= P 2 P ≈ 0.36;
(b) Substituindo cada valor de b encontrado ( x) − n (x2 )
no item anterior na expressão para a re- P P
( y) − b( x)
gressão linear, chega-se a a= ≈ 3.46
n
  
0.7886 0.0962 + x Com isso, o ajuste da linearização do mo-
b= ⇒ u(x) =
0.2113 −0.0962 + x delo I fica
u(x) = 0.36 x + 3.46

4. Quando se sabe que os dados, para os quais se e o coeficiente de determinação é

busca o melhor ajuste através do método dos P
(y − u)2
2
quadrados mı́nimos, não correspondem a uma R =1− P P 2 ≈ 1,
(y 2 ) − n1 ( y)
função linear, pode-se linearizar o modelo do
qual provém os dados. Isto é feito ao aplicar pois (y − u)2 ≈ 0. A partir dos valores
P
uma operação (logaritmo, por exemplo) sobre de a e b obtemos α ≈ 31.82 e β ≈ 1.43.
toda a equação e ao reescrever a equação resul- Portanto, isso nos permite afirmar que o
tante com novas variáveis na forma linear. Sa- melhor ajuste linear para os dados forne-
bendo disso, considere a tabela a seguir e tente cidos de acordo com o modelo I é
ajustar os dados a dois modelos diferentes:
(modelo I: exponencial) y = α β x ; y = 31.82 × 1.43x
(modelo II: lei de potência) y = α xβ .
O modelo II, ao ser linearizado, nos dá
x 1 2 3 4 5 6 ln y = ln α + β ln x. Usando a = ln α,
y 47 65 92 132 190 275 t = ln x e w = ln y, o modelo lineari-
zado para ser usado na regressão agora é
(a) Para cada um dos modelos encontre os va- w = a + βt. Abaixo está a tabela a ser
lores de α e β, obtidos pelo uso do método utilizada nesta regressão.
dos mı́nimos quadrados aplicados à linea- t 0 0.69 1.10 1.39 1.61 1.79
rização. w 3.85 4.17 4.52 4.88 5.25 5.62
(b) Determine qual dos dois modelos tem me- O cálculo dos somatórios dá:
lhor ajuste. Use o coeficiente de deter- X
n = 6; x = 6.58;
minação para justificar a resposta.
X 2 X
x2 ≈ 9.41;


Use arredondamento de modo que todos os x ≈ 43.30;
números tenham dois algarismos fracionários a X X
(xy) ≈ 33.14; y = 28.29;
cada passo dos cálculos.
X 2
Resposta
X
y 2 ≈ 135.59


y ≈ 800.32;

89
 A partir desses somatórios, os valores dos o maior entre os dois, portanto ele é o me-
coeficientes da melhor regressão linear são: lhor modelo para os dados fornecidos. De
P P P fato, como mostram os gráficos seguintes,
( y)( x) − n (x y)
b= P 2 P ≈ 0.96; o modelo I encontrado está muito melhor
( x) − n (x2 ) ajustado aos dados do que o modelo II.
P P
( y) − b( x) y
a= ≈ 3.66
n
• modelo I
Com isso, o ajuste da linearização do mo-
delo II fica
modelo II
u(x) = 0.96 x + 3.66
•
e o coeficiente de determinação é
(y − u)2
P
R2 = 1 − P P 2 ≈ 0.92, •
(y 2 ) − n1 ( y)
•
sendo (y − u)2 ≈ 0.17. O resultado da
P
•
execução da regressão nos diz que a = 3.66 •
e β = 0.96. A partir disso, obtemos
α = 38.86 e consequentemente a melhor
regressão linear de acordo com o modelo x
II é
y = 38.86 x0.96
(b) De acordo com os cálculos anteriores, o
coeficiente de determinação do modelo I é

90
Respostas 8: Interpolação polinomial

1. Dados dois pontos com coordenadas (t; u) e O sistema linear a ser resolvido é
(v; w), use o polinômio interpolador de Lagrange    
1 −1 1 −1 a0 1
para interpolá-los e mostre que se a reta que  1 1 1 1   a1   1 
contém esses pontos for escrita na forma p(x) = 
 1
 = 
2 4 8   a2   0 
ax + b, então
1 4 16 64 a3 2
u−w wt − uv
a= e b= Usando as operações elementares
t−v t−v
L2 ← L2 − L1
Resposta
L3 ← L3 − L1
Se (x0 ; y0 ) = (t; u) e (x1 ; y1 ) = (v; w), a fórmula L4 ← L4 − L1
do polinômio interpolador de Lagrange 3
L3 ← L3 − L2
2
X 2
p2 (x) = [yk Lk (x)] = 5
L4 ← L4 − L2
k=0 2
= y0 L0 (x) + y1 L1 (x) = L4 ← L4 − 5L3
x − x1 x − x0
= y0 + y1 chega-se ao sistema triangular
x0 − x1 x1 − x0     
1 −1 1 −1 a0 1
fica  0
x−v x−t 2 0 2   a1   1 
=
p2 (x) = u +w
  
 0 0 3 6   a2   0 
t−v v−t
0 0 0 30 a3 2
Deve-se manipular algebricamente essa ex-
pressão para encontrar qual o coeficiente de x cuja solução é
e qual o outro termo constante que é somado ao
monônio: 26 1
a0 = ≈ 1.7333; a1 = − = −0.2;
15 5
x−v x−t
p2 (x) = u −w = 11 1
t−v t−v a2 = − ≈ 0.7333; a4 = = 0.2
ux − uv − wx + wt 15 5
= =
t−v Portanto, o polinômio interpolador dos pontos

u−w
 
wt − uv
 informados é
= x+
t−v t−v 26 1 11 2 1 3
p(x) = − x− x + x
15 5 15 5
Neste último passo o primeiro par de parênteses
corresponde ao a procurado e o segundo par cor-
responde ao b: 3. Considere este conjunto de pontos extraı́dos da
função y = f (x) = 2 log3 (x):
u−w wt − uv
a= e b=
t−v t−v x 1 3 9 27
y 0 2 4 6
2. Determine o polinômio interpolador desse con- (a) Use o polinômio interpolador de Newton
junto de pontos usando interpolação direta: para calcular a ordenada interpolada dos
pontos que têm abscissas
x −1 1 2 4
y 1 1 0 2 ˆ x=2
ˆ x=6
Resposta ˆ x = 18

91
 (b) Informe qual desses pontos interpolados Para os valores de x pedidos temos:
está mais distante do valor dado pela   
função f , indicando o valor do erro ab- 1 (−7)
p3 (2) = 1 · 1 + (−1) · − + =
soluto cometido na interpolação de cada 12 351
ponto. Assuma que o erro absoluto seja 1549
= ≈ 1.1033
calculado como 1404
erro abs. = |(valor correto)−(valor interpolado)|   
1 (−3)
p3 (6) = 5 · 1 + 3 · − + =
Resposta 12 351
565
(a) O conjunto de quatro pontos deve ser in- = ≈ 3.6218
156
terpolado por um polinômio de terceiro
grau e o polinômio interpolador de New-   
1 9
ton genérico de grau 3 é p3 (18) = 17 · 1 + 15 · − + =
12 351
p3 (x) = b0 + b1 (x − x0 )+ 119
= ≈ 2.2885
b2 (x − x0 )(x − x1 )+ 52
b3 (x − x0 )(x − x1 )(x − x2 ) (b) O valor retornado pela função f para cada
De acordo com a relação recursiva de dife- uma das abscissas indicadas no item ante-
renças divididas, os coeficientes b0 , b1 , b2 rior é
e b3 são dados pelas expressões: ln(2)
f (2) = 2 log3 (2) = 2 · ≈ 1.2619
ln(3)
b0 = ∆(x0 ) = y0 ;
∆(x1 ) − ∆(x0 ) y1 − y0 ln(6)
b1 = ∆(x1 , x0 ) = = ; f (6) = 2 log3 (6) = 2 · ≈ 3.2619
x1 − x0 x1 − x0 ln(3)
b2 = ∆(x2 , x1 , x0 ) = ln(18)
f (18) = 2 log3 (18) = 2 · ≈ 5.2619
∆(x2 , x1 ) − ∆(x1 , x0 ) ln(3)
= =
x2 − x0 O erro absoluto na interpolação de cada
y2 −y1 y1 −y0
x2 −x1 − x1 −x0 um desses valores, ao usar o resultado do
= ; item anterior, é
x2 − x0
b3 = ∆(x3 , x2 , x1 , x0 ) =
Eabs (2) = |1.2619 − 1.1033| = 0.1586
∆(x3 , x2 , x1 ) − ∆(x2 , x1 , x0 )
= = Eabs (6) = |3.2619 − 3.6218| = 0.3599
x3 − x0

 y3 −y2      y2 −y1   y1 −y0  

y2 −y1
x3 −x2 − x2 −x1 x2 −x1 − x1 −x0 Eabs (18) = |5.2619 − 2.2885| = 2.9734
x3 −x1 − x2 −x0
= Portanto, o ponto interpolado mais dis-
x3 − x0 tante de sua posição correta é aquele com
A partir da tabela, temos abscissa x = 18 e aquele cuja interpolação
ficou mais próxima é o que tem x = 2.
y1 − y0 = 2; y2 − y0 = 4; y3 − y0 = 6;

y2 − y1 = 2; y3 − y1 = 4; y3 − y2 = 2;
4. Qual o grau do polinômio interpolador utili-
x1 −x0 = 2; x2 −x0 = 8; x3 −x0 = 26; zado em cada interpolação mostrada na imagem
x2 −x1 = 6; x3 −x1 = 24; x3 −x2 = 18. abaixo?
Usando esses valores nas expressões para
os coeficientes b0 , . . . , b3 :
1 1
b0 = 0; b1 = 1; b2 = − ; b3 = .
12 351
Portanto, o polinômio interpolador de
Newton é
(x − 1)(x − 3)
p3 (x) = (x − 1) − +
12
(x − 1)(x − 3)(x − 9)
=
 351  
1 (x − 9)
= (x − 1) 1 − (x − 3) − + .
12 351

92
 Resposta para o erro máximo, que o polinômio interpola-
dor desses 4 pontos é exatamente f (x), ou seja,
A linha tracejada azul interpola 4 pontos, por- mostre que o erro máximo é zero.
tanto trata-se de uma função cúbica. A linha
contı́nua vermelha interpola 6 pontos, por isso Resposta
é uma função polinomial com grau 5. A linha Podemos supor que f (x) = a0 + a1 x + a2 x2 +
pontilhada preta interpola 11 pontos, portanto a3 x3 . A expressão para o erro máximo exige que
corresponde a um polinômio com grau 10. seja calculada a derivada de 4ª ordem de f (x):
5. Considere que você tenha 4 pontos extraı́dos de
uma função f (x) polinomial cúbica e lembre que df
f (1) (x) = = a1 + 2a2 x + 3a3 x2
o erro máximo cometido no processo de inter- dx
polação é dado por d2 f
f (2) (x) = = 2a2 + 6a3 x
dx2
Emax (x) = |(x − x0 ) × (x − x1 ) × . . . × d3 f
f (3) (x) = = 6a3
|f (n+1) (x∗ )| dx3
(x − xn )| ,
(n + 1)! d4 f
f (4) (x) = =0
dx4
onde x∗ é o valor que maximiza a derivada de
f (x) de ordem (n + 1) no intervalo da reta real Portanto, Emax = 0, o que mostra que o po-
definido pelos pontos conhecidos. A partir des- linômio interpolador deve ser igual à função
sas informações mostre, utilizando a expressão f (x).

93
Respostas 9: Interpolação por splines

1. Utilize splines de 2ª ordem para interpolar o se- A partir das condições dadas, temos o sistema
guinte conjunto de dados:     
1 1 0 0 0 0 0 0 b1 0
x 1 3 9 27  3 1 0 0 0 0 0 0   c1   2 
y 0 2 4 6
    

 0 0 9 3 1 0 0 0    a2
  
  2 

Note que serão necessárias três funções splines,

 0 0 81 9 1 0 0 0  
 b2
 
= 4 

as quais podem ser denotadas por

 0 0 0 0 0 81 9 1    c2
  
  4 


 0 0 0 0 0 729 27 1   
 a3
 
  6 

s1 (x) = a1 x2 + b1 x + c1 , para 1 ≤ x ≤ 3,
 1 0 −6 −1 0 0 0 0   b3   0 
2
0 0 18 1 0 −18 −1 0 c3 0
s2 (x) = a2 x + b2 x + c2 , para 3 ≤ x ≤ 9,
2
s3 (x) = a3 x + b3 x + c3 , para 9 ≤ x ≤ 27. A 1ª equação desse sistema nos dá b1 = −c1 .
Além disso, a 1ª equação subtraı́da da 2ª resulta
em 2b1 = 2 ⇒ b1 = 1, e c1 = −1. Esses resul-
Essas três splines necessitam de um total de tados nos permitem reduzir o sistema acima a
9 coeficientes que precisam ser determinados. um sistema formado por 6 equações contendo 6
Para realizar esse trabalho contamos com as incógnitas:
condições que essas funções devem satisfazer:
    
9 3 1 0 0 0 a2 2
ˆ a spline 1 deve satisfazer às duas condições  81
 9 1 0 0 0   b2   4
  


 0 0 0 81 9 1 
s1 (1) = 0 e s1 (3) = 2;   c2  =  4
   
 
 0 0 0 729 27 1   a3   6 
ˆ a spline 2 deve satisfazer às duas condições
    
 −6 −1 0 0 0 0   b3   −1 
s2 (3) = 2 e s2 (9) = 4; 18 1 0 −18 −1 0 c3 0
ˆ a spline 3 deve satisfazer às duas condições
Para reduzir o tamanho desse sistema devemos
s3 (9) = 4 e s3 (27) = 6;
notar que a 1ª equação subtraı́da da 2ª resulta
ˆ as splines 1 e 2 devem ser tais que em 72a2 + 6b2 = 2. Essa equação juntamente
com a 5ª equação do sistema nos dá
   
d s1 d s2
−

= 0; 1
 
72a2 + 6b2 = 2
dx dx ⇒ 36a2 = −4 ⇒ a2 = −
 
x=3 x=3
−6a2 − b2 = −1 9

ˆ as splines 2 e 3 devem ser tais que Portanto, b2 = 53 e c2 = −2.

    Esse resultado nos permite reduzir o sistema de
d s2 d s3 6 equações a um sistema de 3 equações com 3
− = 0.
 
dx dx incógnitas:
 
x=9 x=9
    
81 9 1 a3 4
Isso dá um total de 8 condições, cada uma le-  729 27 1   b3  =  6 
vando a uma equação linear nos coeficientes 1
−18 −1 0 c3 3
ai , bi , ci , para i = 1, 2, 3. A nona condição cos-
tuma ser a1 = 0. Assim, restam 8 incógnitas Nesse último sistema podemos subtrair a 1ª
para serem determinadas a partir de 8 equações equação da 2ª e obter 648a3 + 18b3 = 2. Essa
lineares. equação junto com a terceira nos levam a
Monte esse sistema linear, resolva-o e escreva as 
648a3 + 18b3 = 2 2
equações algébricas das splines. ⇒ 324a3 = 8 ⇒ a3 =
−18a3 − b3 = 31 81
Resposta
Logo, b3 = − 79 e c3 = 9.

94
  p 
Consequentemente, as splines são 3 ln(243) ± ln(3)(−16 + 25 ln(3))
⇒ x∗2 = ⇒
s1 (x) = x − 1, para 1 ≤ x ≤ 3, ln(81)
x2 5x 
s2 (x) = − + − 2 para 3 ≤ x ≤ 9, 1.327120
9 3 ⇒ x∗2 ≈
6.172880
2x2 7x
s3 (x) = − + 9, para 9 ≤ x ≤ 27.
81 9 Calculando a diferença no valor de x∗2 :

f (x∗2 ) − s2 (x∗2 ) ≈ −0.740734

2. Sabendo que os pontos tabelados no exercı́cio
anterior seguem da função f (x) = 2 log3 (x),
determine o erro cometido na interpolação por ˆ Para s3 :
splines de 2ª ordem. Use toda a precisão
numérica disponı́vel. 2x2 7x
f (x) − s3 (x) = 2 log3 (x) − + −9 ⇒
Resposta 81 9

ˆ Para s1 : d 2 4x 7
⇒ (f − s3 ) = − +
dx ln(3) x 81 9
f (x) − s1 (x) = 2 log3 (x) − x + 1 ⇒
Maximizando:
d 2
⇒ (f − s1 ) = −1
dx ln(3) x 2 1
0= − ⇒
Maximizando: ln(3) x∗3 9
2 2
0= −1 ⇒ x∗1 = ≈ 1.820478
 p 
ln(3) x∗1 ln(3) 9 7 ln(3) ± ln(3)(32 + 49 ln(3))
⇒ x∗3 = ⇒
Calculando a diferença em x∗1 : 8 ln(3)

f (x∗1 ) − s1 (x∗1 ) ≈ 0.270169


−2.068858
⇒ x∗3 ≈
17.818858
ˆ Para s2 :
x2 5x Calculando a diferença em x∗3 :
f (x) − s2 (x) = 2 log3 (x) + − +2 ⇒
9 3
f (x∗3 ) − s3 (x∗3 ) ≈ 2.26276
d 2 2x 5
⇒ (f − s2 ) = + −
dx ln(3) x 9 3 Os cálculos mostram que a maior diferença em
Maximizando: valor absoluto se dá na terceira spline e vale
2 2x 5 aproximadamente 2.26276, sendo esse o erro na
0= + − ⇒ interpolação.
ln(3) x 9 3

95
Respostas 10: Integração numérica

1. Abaixo está o gráfico de uma função f (x) ar- (a) Utilizando o polinômio interpolador de
bitrária. Lagrange de 2º grau,
f (x) 2
X
p2 (x) = yk Lk (x)
y2 k=0
com
y1 2
Y (x − xj )
Lk (x) =
y0 (xk − xj )
j=0j6=k

x como uma aproximação de f (x), a integral

x0 x1 x2 passa a ser calculada como
Z x2 Z x2
f (x) dx ≈ p2 (x) dx
(a) Utilize um polinômio interpolador do se- x0 x0
gundo grau para os três pontos mostra- Z x2 2
X
!
dos com o objetivo de deduzir a regra 1/3 ≈ yk Lk (x) dx
de Simpson, utilizada no cálculo da inte- x0 k=0
gração numérica de f (x). 2 
X Z x2 
Dicas. ≈ yk Lk (x) dx
k=0 x0
(i) Pode-se utilizar tanto o polinômio in- Z x2
terpolador de Lagrange quanto o de ≈ y0 L0 (x) dx+
Newton. x0
Z x2
(ii) Note que x2 − x1 = x1 − x0 = x2 −x 2
0
. y1 L1 (x) dx+
Chame essa distância de h. x0
Z x2
(iii) É possı́vel simplificar o processo de
y2 L2 (x) dx
integração ao utilizar uma variável u x0
definida a partir de x−xk = (u−k)h.
Ao seguirmos a dica dada, uma dessas três
(b) Supondo que o intervalo de integração seja integrais tem o valor:
dividido em n partes, qual é a restrição so- Z x2 Z x2
(x − x1 )(x − x2 )
bre o valor de n? L0 (x) dx = dx
x0 x0 (x0 − x1 )(x0 − x2 )
Dica: o polinômio interpolador de grau 2 é Z 2
usado a cada conjunto de 3 pontos, sendo (u − 1)(u − 2)h2
= h du
que o último ponto de um conjunto é o 0 2h2
primeiro ponto do conjunto subsequente. h 2 2
Z
= (u − 3u + 2) du
(c) Desenvolva a fórmula matemática da re- 2 0
gra 1/3 de Simpson para o caso genérico h
=
em que ela seja aplicada para resolver uma 3
integral cujo intervalo de integração foi di- Z x2 Z x2
vidido em n partes de tamanhos iguais. (x − x0 )(x − x2 )
L1 (x) dx = dx
Não é necessário deixar a fórmula final x0 x0 (x 1 − x0 )(x1 − x2 )
em termos de somatórios, mas deve estar Z 2
u(u − 2)h2
claro o padrão que se forma na soma dos = h du
0 −h2
yi . Z 2
= −h (u2 − 2u) du
Resposta 0
4h
=
3

96
 x2 x2
(x − x0 )(x − x1 )
Z Z
L2 (x) dx = dx (d) Algebricamente para encontrar o resul-
x0 x0 (x2 − x0 )(x2 − x1 ) tado correto e para calcular o erro abso-
Z 2
u(u − 1)h2 luto cometido pela aplicação de cada um
= h du dos métodos numéricos anteriores.
0 2h2
Z 2
h Obs.: durante os cálculos, considere toda a pre-
= (u2 − u) du
2 0 cisão numérica de sua calculadora.
h Resposta
=
3
Para facilitar a notação utilizada na resposta,
Portanto, vamos considerar que yi = f (xi ) = exi + 2xi e
Z x2
h h = 3/4.
f (x) dx ≈ (y0 + 4y1 + y2 ).
x0 3 Ao dividirmos o intervalo de integração em qua-
tro partes de tamanhos iguais, são conhecidos os
(b) Sendo utilizada a interpolação de grau 2, pontos
são necessários 3 pontos para que ela seja
aplicada. Dito de outra forma, a inter- (x0 = 0; y0 = 1)

polação de grau 2 é aplicada a cada 2 x1 = 34 ; y1 = e3/4 + 32

subintervalos do intervalo de integração, x2 = 32 ; y2 = e3/2 + 3

portanto n deve ser múltiplo de 2. x3 = 49 ; y3 = e9/4 +
92
x4 = 3; y4 = e3 + 6
(c) Para cada dois intervalos consecutivos,
por exemplo, os intervalos delimitados pe- (a)
los pontos xk−1 , xk e xk+1 , temos que adi- Z 3  
cionar um termo h y0 + 2y1 + 2y2 +
(ex + 2x) dx ≈
h 0 2 2y3 + y4
(yk−1 + 4yk + yk−1 ) 3/4
 
3

3 ≈ 1 + 2 e3/4 + +
2 2
Somando todos termos referentes aos in-  
tervalos definidos pelos pontos x0 , . . . , xn , 2 e3/2 + 3 +
a fórmula para a regra 1/3 de Simpson fica  
9/4 9
2 e + +
h h 2
I= (y0 + 4y1 + y2 ) + (y2 + 4y3 + y4 )+
3 3 
3


h e +6
. . . + (yn−2 + 4yn−1 + yn )
3 3
h ≈ × 77.258387
= (y0 + yn + 4y1 + 2y2 + 4y3 + 2y4 + 8
3
≈ 28.971895
. . . + 2yn−2 + 4yn−1 )
n−1
!
h X (b)
= y0 + yn + (ci yi ) ,
3 Z 3  
i=1 x h y0 + 4y1 + 2y2 +
 (e + 2x) dx ≈
2, quando i é par 0 3 4y3 + y4
com ci =
4, quando i é ímpar ≈ 28.116965

(c) Iniciamos mudando a variável de inte-

2. Calcule o valor da integral gração para que a integral passe a ser cal-
Z 3 culada no intervalo [−1; 1]. Fazendo
(ex + 2x) dx 3 3
0 x= t+
2 2
dos seguintes modos:
ficamos com
(a) Dividindo seu intervalo de integração em Z 3 Z 1
quatro partes de tamanhos iguais (cinco x
(e + 2x) dx = F (t) dt
pontos) e utilizando a regra do trapézio. 0 −1

(b) Dividindo seu intervalo de integração em onde

quatro partes de tamanhos iguais (cinco  
pontos) e utilizando a regra 1/3 de Simp- 3 3x 3
F (t) = ·f +
son. 2 2 2
(c) Utilizando a quadratura de Gauss- Os valores tabelados para a quadratura de
Legendre com três pontos. Gauss-Legendre com três pontos são

97
 p
A1 = 5/9 t1 = − 3/5 (i) a regra do trapézio, com 6 intervalos;
A2 = 8/9 t2 = 0 (ii) a regra 1/3 de Simpson, com 6 inter-
valos;
p
A3 = 5/9 t3 = 3/5
Logo, o resultado da quadratura de Gauss (iii) a quadratura de Gauss-Legendre,
é com polinômio de Legendre de
Z 1 grau 3.
F (t) dt ≈ A1 F (t1 ) + A2 F (t2 ) + A3 F (t3 ) (c) Sabendo que
−1
( √ ! ! " √ #
3 5 3 − 3 3
Z
2 2 1/2 1 x a2 
− x2 + 
≈ ·f √ + + (a − x ) dx =
2 9 2 5 2 2 a2 arctan √a2x−x2
 
8 3 + constante,
·f +
9 2
r !) calcule o erro absoluto cometido ao utili-
5 3 3 3 zar cada um dos métodos do item anterior.
·f +
9 2 5 2
Use a precisão numérica que estiver disponı́vel,
≈ 28.08033
desde que o resultado tenha pelo menos 5 alga-
rismos significativos.
(d) Resolvendo analiticamente, obtemos o re-
sultado: Resposta
Z 3
(a) Olhando apenas para o 1º quadrante da
3
(ex + 2x) dx = (ex + x2 )

0 0 figura da elipse, temos
= (e3 + 9) − (1 − 0)
x2 y2 x2
 
2 2
= e3 + 8 + = 1 ⇒ y = b 1 − ⇒
a2 b2 a2
≈ 28.085537
b 2
⇒y= (a − x2 )1/2
O erro absoluto referente a cada um dos a
métodos numéricos utilizados é A área da elipse no 1º quadrante é
RT : Eabs = |28.085537 − 28.971895| b a 2
Z
I= (a − x2 )1/2 dx.
= 0.886358 a 0
1 A área total da elipse é
R S : Eabs = |28.085537 − 28.116965|
3
4b a 2
Z
= 0.031428 A = 4I = (a − x2 ) dx.
QG : Eabs = |28.085537 − 28.08033| a 0
= 0.005207 (b) A integral a ser resolvida é
Isso mostra que, dos métodos utilizados, Z 2
a quadratura de Gauss foi o que mais se I= (4 − x2 )1/2 dx
0
aproximou do valor correto da integral,
enquanto que a regra do trapézio foi o que Sendo o intervalo de integração dividido
teve o pior resultado. em 6 subintervalos de tamanhos iguais
h = 31 , são conhecidos os pontos tabe-

lados abaixo.
2 2
3. Considere a elipse xa2 + yb2 = 1, com semi-eixo i 0 1 2 3 4 5 6
maior a = 2 e semi-eixo menor b = 1. xi 0 1 2
1 4 5
2
3 3 3 3
y √
35
√
32
√ √
5
√
11
yi 2 3 3 3 2 3 3 0

b De acordo com a regra do trapézio:

x
a
 
(1/3) y0 + y6 + 2y1 + 2y2 +
I≈
2 2y3 + 2y4 + 2y5
√ √
1 2 35 2 32
(a) Mostre que a área A da elipse é dada por ≈ 2+0+ + +
6 3 3
4b a 2
Z √ √ !
√ 4 5 2 11
A= (a − x2 )1/2 dx. 2 3+ +
a 0 3 3
(b) Calcule a área da elipse utilizando: ≈ 3.061983

98
 De acordo com a regra 1/3 de Simpson: uso de cada um dos métodos numéricos é

RT : Eabs = |6.2831853 − 6.123966|

 
(1/3) y0 + y6 + 4y1 + 2y2 +
I≈
3 4y3 + 2y4 + 4y5 = 0.1592193
√ √ 1
1 4 35 2 32 R S: Eabs = |6.2831853 − 6.2202524|
= 2+0+ + + 3
9 3 3
√ √ ! = 0.0606613
√ 4 5 4 11 QG : Eabs = |6.2831853 − 6.2875030|
4 3+ +
3 3 = 0.0043177
≈ 3.1101262

Para utilizar a quadratura de Gauss-

4. Mostre que a regra 1/3 de Simpson resolve de
Legendre devemos substituir a variável de
forma exata a integral de qualquer polinômio do
integração x por t usando a identidade
segundo grau. Faça isso resolvendo a integral
x = t + 1:
Z x2
a · x2 + b · x + c dx


Z 2 Z 1
2 1/2


I= 4−x dx = F (t) dt x0
0 −1
de dois modo: (i) de forma exata, algebrica-
com mente; e (ii) utilizando a regra 1/3 de Simpson,

1/2 ao considerar que entre os pontos x0 e x2 existe
F (t) = f (t + 1) = 4 − (t + 1)2 um ponto x1 tal que x1 = x0 +x2
2
. Depois mostre
que os dois resultados são iguais.
Usando os valores conhecidos para cada Resposta
Ai e ti correspondente à quadratura de
Gauss-Legendre para três pontos: Chamando a integral dada de I e resolvendo de
forma exata:
I ≈ A1 f (t1 + 1) + A2 f (t2 + 1) + A3 f (t3 + 1) Z x2
a · x2 + b · x + c dx


 r !2 1/2 I=
5 3 x
≈ · 4 − − +1  + 0 3  x2
9 5 x x2 
= a· +b· + c · x 
3 2 x0
 !2 1/2 3 3


a · (x2 ) − (x0 )
r
8 1/2 5 3
· (3) + · 4 − +1  = +
9 9 5 3

b · (x2 )2 − (x0 )2
≈ 3.1437515, +
2
c · (x2 − x0 )
Portanto, a área da elipse, calculada de
acordo com cada um desses métodos é: Considerando h = x2 −x
2
0
e resolvendo através
da regra 1/3 de Simpson:
(i) A ≈ 2I = 6.123866 (RT)
(ii) A ≈ 6.2202524 (R 13 S)
(iii) A ≈ 6.2875030 (QG)

(c) O valor correto da área é

Z 2
A=2 (4 − x2 )1/2 dx
0
 p   x=2
x 
= x 4 − x2 + 4 arctan √ 
4 − x2 
x=0
h   i
= 0 + 4 lim arctan(c) − 0 − 4 arctan(0)
c→∞
= 2π
≈ 6.2831853

Com isso, o erro absoluto cometido com o

99
 Os cálculos acima demonstram que o resultado
h da integral de qualquer polinômio de segundo
I = · (y0 + y2 + 4 · y1 ) grau calculado através da regra 1/3 de Simpson
3
(x2 − x0 )/2 é igual ao resultado exato.
· a · (x0 )2 + b · x0 + c +


=
3
a · (x2 )2 + b · x2 + c +

4 · a · (x1 )2 + 4 · b · x1 + 4 · c




x2 − x0
· a · (x0 )2 + b · x0 + c +


=
6
a · (x2 )2 + b · x2 + c +


 2   !!
x0 + x2 x0 + x2
4a · + 4b · + 4c
2 2
x2 − x0
· a · (x0 )2 + (x2 )2 + (x0 + x2 )2 +


=
6
b · (x0 + x2 + 2(x0 + x2 )) + 6c)
(x2 ) + (x0 )2 x2 + (x2 )3 +
3
 
a  2x0 (x2 )2 + (x0 )2 x2 
= · +
6  −x0 (x2 )2 − (x0 )3 − x0 (x2 )2 
−2(x0 )2 x2 − (x0 )3
b
· (x2 )2 + x2 x0 − x0 x2 − (x0 )2 +


2
c · (x2 − x0 )


a · (x2 )3 − (x0 )3
= +
3

b · (x2 )2 − (x0 )2
+
2
c · (x2 − x0 )

100
*** Fim ***

101