S H A I A N A PA D I L H A

“
CÁLCULO NUMÉRICO
 » Teoria dos erros.
EMENTA » Zeros das funções.
» Soluções de equações.
» Sistemas lineares e inversão de matrizes.
» Sistemas não lineares.
» Interpolação.
» Integração numérica.
» Aproximação de funções: método dos mínimos quadrados.
» Solução numérica de equações diferenciais ordinárias.
“ Unidade 1

TEORIA DOS ERROS E

SISTEMAS DE EQUAÇÕES
 » Conhecer o sistema de conversão de bases;
» converter números escritos em uma base para outra;
» diferenciar erros de arredondamento de erros de
Objetivos truncamento;
» compreender como se dá a propagação de erros;
» resolver equações de primeiro, segundo grau, fracionárias e
biquadradas;
» conceituar métodos diretos de resolução e métodos
iterativos;
» encontrar soluções de sistemas de equações lineares através
de métodos diretos;
» encontrar soluções de sistemas de equações lineares através
de métodos iterativos;
» encontrar soluções de sistemas de equações lineares
complexos;
» familiarizar-se com demonstrações
matemáticas.
 UNIDADE 1
❖ TÓPICO 1 - TEORIA DOS ERROS

❖ TÓPICO 2 – EQUAÇÕES

❖ TÓPICO 3 - SISTEMAS DE EQUAÇÕES LINEARES

❖ TÓPICO 4 - SISTEMAS LINEARES – MÉTODOS ITERATIVOS

Unidade 1 – Tópico 1
Teoria dos Erros
 INTRODUÇÃO
O que é Cálculo Numérico? Qual o objetivo desta disciplina?
São métodos, algoritmos, desenvolvidos com a finalidade
de obter à solução de problemas matemáticos de forma
aproximada, usando de operações aritméticas simples,
passíveis de implementar em programas computacionais.

Desenvolver e compreender os métodos numéricos

aplicados para assuntos já estudos, porém, antes
resolvidos de forma analítica.
 ERROS DE MODELAGEM
Precisão de várias casas decimais.

Desprezando alguns fatores.

ERROS NA FASE DE RESOLUÇÃO

Erros por parte de computação

Exemplo simples, são os números irracionais

Unidade 1 – Tópico 2
Equações
 EQUAÇÕES
Como o intuito é trabalhar com o cálculo numérico, ou
seja, pensando em modelar problemas, as equações são
um forte aliado nesta tarefa.

Principalmente os polinômios, são fáceis de:

• Operar;
• Derivar;
• Integrar;
• Manipular.
Unidade 1 – Tópico 3
Sistemas Lineares:
Métodos Diretos
 MÉTODO DE CRAMER
𝑥 − 3𝑦 + 𝑧 = −1
ቐ 2𝑥 + 𝑦 + 2𝑧 = 5
−𝑥 − 2𝑦 + 𝑧 = 4

1 −3 1 𝑥 −1
2 1 2 ∙ 𝑦 = 5
−1 −2 1 𝑧 4

det 𝐷𝑥 det 𝐷𝑦 det 𝐷𝑧

𝑥= 𝑦= 𝑧=
det 𝐴 det 𝐴 det 𝐴
 MÉTODO DE CRAMER
1 −3 1 −1
Coeficientes 2 1 2 Termo independente 5
−1 −2 1 4
1 −3 1
det 𝐴 = 2 1 2
−1 −2 1
det 𝐴 = 1 + 6 − 4 − −1 − 4 − 6
det 𝐴 = 3 − −11
det 𝐴 = 14
 MÉTODO DE CRAMER
1 −3 1 −1
Coeficientes 2 1 2 Termo independente 5
−1 −2 1 4
−1 −3 1
det 𝐷𝑥 = 5 1 2
4 −2 1
det 𝐷𝑥 = −1 − 24 − 10 − 4 + 4 − 15
det 𝐷𝑥 = −35 − −7
det 𝐷𝑥 = −28
 MÉTODO DE CRAMER
1 −3 1 −1
Coeficientes 2 1 2 Termo independente 5
−1 −2 1 4
1 −1 1
det 𝐷𝑦 = 2 5 2
−1 4 1
det 𝐷𝑦 = 5 + 2 + 8 − −5 + 8 − 2
det 𝐷𝑦 = 15 − 1
det 𝐷𝑦 = 14
 MÉTODO DE CRAMER
1 −3 1 −1
Coeficientes 2 1 2 Termo independente 5
−1 −2 1 4
1 −3 −1
det 𝐷𝑧 = 2 1 5
−1 −2 4
det 𝐷𝑧 = 4 + 15 + 4 − 1 − 10 − 24
det 𝐷𝑧 = 23 − −33
det 𝐷𝑧 = 56
 MÉTODO DE CRAMER
det 𝐴 = 14; det 𝐷𝑥 = −28; det 𝐷𝑦 = 14; det 𝐷𝑧 = 56

det 𝐷𝑥 det 𝐷𝑦 det 𝐷𝑧

𝑥= 𝑦= 𝑧=
det 𝐴 det 𝐴 det 𝐴
−28 14 56
𝑥= 𝑦= 𝑧=
14 14 14
𝑥 = −2 𝑦=1 𝑧=4
𝑠= −2, 1, 4
Unidade 1 – Tópico 3
Sistemas Lineares:
Métodos Diretos
DECOMPOSIÇÃO LU OU FATORAÇÃO LU
2𝑥1 + 3𝑥2 − 𝑥3 = 5
ቐ 4𝑥1 + 4𝑥2 − 3𝑥3 = 3
2𝑥1 − 3𝑥2 + 𝑥3 = −1
na forma matricial
2 3 −1 𝑥1 5
4 4 −3 ∙ 𝑥2 = 3
2 −3 1 𝑥3 −1
Denotadas por:
2 3 −1 𝑥1 5
𝐴 = 4 4 −3 , 𝑋 = 𝑥2 , 𝐵 = 3
2 −3 1 𝑥3 −1
DECOMPOSIÇÃO LU OU FATORAÇÃO LU
𝐴∙𝑋 = 𝐵
⇒ 𝐿∙𝑈 ∙𝑋 = 𝐵
⇒ 𝐿∙ 𝑈∙𝑋 = 𝐵
⇒ 𝐿∙𝑌 = 𝐵
𝐿∙𝑌 = 𝐵
ቊ
𝑈∙𝑋 =𝑌
❖ 𝐿 é uma matriz triangular inferior formada pelos pivôs usados
no Método de Gauss (em inglês lower)
❖ 𝑈 é uma matriz triangular superior obtida pelo escalonamento
feito pelo método de Gauss (em inglês upper).
Unidade 1 – Tópico 3
Sistemas Lineares:
Métodos Diretos
MATRIZ INVERSA POR LU
2 3 −1
𝐴 = 4 4 −3
2 −3 1

1 0 0 2 3 −1
𝐿 = 2 1 0 , 𝑈 = 0 −2 −1
1 3 1 0 0 5

𝐴=𝐿∙𝑈
𝐴−1 = 𝐿 ∙ 𝑈 −1 = 𝑈 −1 ∙ 𝐿−1
Unidade 1 – Tópico 4
Sistemas Lineares:
Métodos Iterativos
 CRITÉRIOS DE CONVERGÊNCIA
MÉTODOS ITERATIVOS

❖ Métodos iterativos, podem ou não convergir;

❖ A escolha inicial das iterações pode ser relevante

❖ Uma escolha utilizada foi todos como zero;

❖ A ordem da posição das equações;

❖ Veremos dois métodos para verificar a convergência;

❖ Os métodos garantem a convergência, mas não são necessários.

“ Unidade 2

EQUAÇÕES NÃO LINEARES E

INTERPOLAÇÃO
 » localizar as raízes de equações e sistemas não lineares,
Objetivos tanto reais como complexos, e obter aproximações para tais
valores quando não for possível encontrá-los
explicitamente;
» identificar a melhor função que se aproxima de outra para
estimar valores;
» estimar raízes de equações polinomiais;
» entender como se dá a interpolação de valores através de
métodos numéricos e utilizá-los com propriedade;
» trabalhar com interpolação inversa;
» familiarizar-se com demonstrações matemáticas.
 UNIDADE 2

❖ TÓPICO 1 - ZEROS DAS FUNÇÕES

❖ TÓPICO 2 - SISTEMAS DE EQUAÇÕES NÃO LINEARES

❖ TÓPICO 3 - EQUAÇÕES POLINOMIAIS

❖ TÓPICO 4 - INTERPOLAÇÃO
Unidade 2 – Tópico 1
Zeros das Funções
 CONHECIMENTOS BÁSICOS
❖ É comum em funções e equações, a busca por suas raízes.
❖ Em funções, são os valores que quando aplicados, resultam em zero.
❖ Graficamente, são os valores que cortam o eixo das abscissas.

Para alguns tipos de funções não é

tão fácil encontrarmos esses valores
 CONHECIMENTOS BÁSICOS
TEOREMA: Seja 𝑓 uma função contínua em uma intervalo 𝑎, 𝑏 .
Se 𝑓(𝑎) ∙ 𝑓(𝑏) < 0, então existe pelo menos um ponto 𝑥ҧ entre 𝑎
e 𝑏 que é zero da função.
CONHECIMENTOS BÁSICOS
 CONHECIMENTOS BÁSICOS
EXEMPLO:
2 𝑥 2 −2
Seja a função 𝑓: ℝ → ℝ definida por 𝑓(𝑥) = 𝑥 + 1 𝑒 −1
encontre por inspeção, uma aproximação de uma de suas raízes.
 MÉTODO DA BISSEÇÃO
❖ Seja 𝑓 uma função contínua em uma intervalo 𝑎, 𝑏 . Se 𝑓(𝑎) ∙ 𝑓(𝑏) < 0,
então existe pelo menos um ponto 𝑥ҧ entre 𝑎 e 𝑏 que é zero da função.

❖ Método da Bisseção consiste em dividir o intervalo 𝑎, 𝑏 ao meio

sistematicamente até que, para um dado 𝜀 > 0, o critério de parada seja
satisfeito.

❖ O que pode acontecer?

❖ Podemos encontrar a solução!
❖ Podemos encontrar um aproximação da raiz por cima ou por baixo.
MÉTODO DA BISSEÇÃO

𝑎0 𝑎𝑎321
𝑏3 𝑏2 𝑏01
 MÉTODO DAS CORDAS
❖ Seja 𝑓 uma função contínua em uma intervalo 𝑎, 𝑏 . Se 𝑓(𝑎) ∙ 𝑓(𝑏) < 0,
então existe pelo menos um ponto 𝑥ҧ entre 𝑎 e 𝑏 que é zero da função.

❖ Método das Cordas consiste em utilizar uma reta (corda) que passe pelos
pontos 𝐴 𝑎, 𝑓 𝑎 e 𝐵 𝑏, 𝑓 𝑏 . O ponto 𝑥1 ∈ 𝑎, 𝑏 onde esta reta
cortar o eixo das abscissas será nossa primeira aproximação para a raiz.

❖ O que pode acontecer?

❖ Podemos encontrar a solução!
❖ Podemos encontrar um aproximação da raiz por cima ou por baixo
MÉTODO DAS CORDAS

𝑎0 𝑎12

𝑏2 𝑏01

𝑓 𝑎
𝑥1 = 𝑎 − ∙ (𝑏 − 𝑎)
𝑓 𝑏 −𝑓 𝑎
Unidade 2 – Tópico 1
Zeros das Funções:
Método de Newton
 MÉTODO DE NEWTON
❖ A base para este método é uma reta tangente a curva da expressão dada.

❖ Com esta reta, observasse o ponto em que ela corta o eixo das abscissas.

❖ Este ponto após aplicado algumas vezes, aproximasse da raiz.

❖ Método de Newton utiliza de derivadas.

❖ Lembra um pouco o Método de Cordas.

MÉTODO DE NEWTON
Converge ou Diverge?

𝑥2 𝑥1 𝑥0
𝑓 𝑥𝑘
𝑥𝑘+1 = 𝑥𝑘 − ′
𝑓 𝑥𝑘
Unidade 2 – Tópico 1
Zeros das Funções:
Método das Secantes
 MÉTODO DAS SECANTES
❖ O método da Secante nada mais é do que um aprimoramento do método
de Newton.

❖ Em cada iteração 𝑘, trocamos 𝑓 ′ 𝑥𝑘 do processo de iteração pelo

quociente:
𝑓 𝑥𝑘 − 𝑓 𝑥𝑘−1
𝑥𝑘 − 𝑥𝑘−1

❖ Desvantagem deste método em relação ao método de Newton é que, na

primeira iteração, teremos que fornecer o valor dos pontos 𝑥0 e 𝑥1 .
 Unidade 2 – Tópico 1
Zeros das Funções:
Método da Iteração Linear
 MÉTODO DA ITERAÇÃO LINEAR
❖ Inicialmente, é necessário encontrar uma função 𝐹 tal que 𝐹(𝑥) = 𝑥
utilizando para isso a igualdade 𝑓(𝑥) = 0.

❖ Exemplo:

Determinar na função 𝑓 𝑥 = 𝑥 3 + 2𝑥 − 4, com uma aproximação relativa de

10−3 , sabendo que há uma raiz no intervalo de 1; 1,5 .

𝑓 𝑥 = 𝑥 3 + 2𝑥 − 4
𝑥 3 + 2𝑥 − 4 = 0
 MÉTODO DA ITERAÇÃO LINEAR
Primeira 4 − 𝑥3
𝑥 3 + 2𝑥 − 4 = 0 ⟹ 2𝑥 = 4 − 𝑥 3 ⟹ 𝐹1 𝑥 =
Candidata 2
Segunda 3
𝑥 3 + 2𝑥 − 4 = 0 ⟹ 𝑥 3 = 4 − 2𝑥 ⟹ 𝐹2 𝑥 = 4 − 2𝑥
Candidata
Terceira 𝑥 3 = 4 − 2𝑥 ⟹ 𝑥 ∙ 𝑥 2 = 4 − 2𝑥 ⟹ 4 − 2𝑥
Candidata 𝐹3 𝑥 =
𝑥2
Quarta e
4 − 2𝑥 4 − 2𝑥
Quinta 𝑥 ∙ 𝑥 = 4 − 2𝑥 ⟹ 𝑥 =
2 2
⟹ 𝐹4,5 𝑥 = ±
Candidata 𝑥 𝑥
 MÉTODO DA ITERAÇÃO LINEAR
❖ A função 𝐹 é chamada de função de iteração.

❖ Qualquer valor 𝑥 que satisfaça 𝐹(𝑥) = 𝑥 é chamado de ponto fixo de 𝐹.

❖ Sabemos que tal ponto fixo pertence ao intervalo [𝑎, 𝑏], o que no nosso
problema está 1; 1,5 .

❖ Qual das 𝐹 utilizaremos?

❖ Para a escolha correta, temos que encontrar aquela que seja contínua no
intervalo [𝑎, 𝑏] e |𝐹′(𝑥)| < 1, para todo 𝑥 ∈ [𝑎, 𝑏].
 Unidade 2 – Tópico 2
Sistemas de Equações não
Lineares:
Método da Iteração Linear
 MÉTODO DA ITERAÇÃO LINEAR
❖ O método inicial é semelhante ao utilizado em raízes de funções.

Exemplo: Consideremos o sistema não linear

𝑥 2 + 𝑥𝑦 − 5𝑥 + 3 = 0
൝
4𝑥 + 𝑥𝑦 2 − 10𝑦 + 5 = 0

o sistema tem uma raiz próxima ao ponto 0,9; 0,9 .

 MÉTODO DA ITERAÇÃO LINEAR
❖ Inicialmente, precisamos encontrar as funções contínuas 𝐹 e 𝐺
que farão o papel de nossas funções de iteração.

𝑥 2 + 𝑥𝑦 − 5𝑥 + 3 = 0
൝
4𝑥 + 𝑥𝑦 2 − 10𝑦 + 5 = 0 𝑥 2 + 𝑥𝑦 + 3
𝐹 𝑥, 𝑦 =
5
𝑥 2 + 𝑥𝑦 + 3 4𝑥 + 𝑥𝑦 2 + 5
𝑥= 𝐺 𝑥, 𝑦 =
5 10
4𝑥 + 𝑥𝑦 2 + 5
𝑦= Verificaremos agora, três condições
10
para podermos aplicar o método
 MÉTODO DA ITERAÇÃO LINEAR
𝑖 As derivadas parciais de primeira ordem das funções 𝐹 e 𝐺 devem ser
contínuas próximas à solução do sistema.

𝑥 2 + 𝑥𝑦 + 3 Derivas Parciais de Primeira Ordem

𝐹 𝑥, 𝑦 =
5 𝜕𝐹 2𝑥 + 𝑦 𝜕𝐹 𝑥
4𝑥 + 𝑥𝑦 2 + 5 = =
𝐺 𝑥, 𝑦 = 𝜕𝑥 5 𝜕𝑦 5
10
𝜕𝐺 4 + 𝑦 2 𝜕𝐺 𝑥𝑦
= =
𝜕𝑥 10 𝜕𝑦 5

Observe que todas as derivadas parciais são

contínuas. Logo, a condição 𝑖 é satisfeita.
 Unidade 2 – Tópico 2
Sistemas de Equações não
Lineares:
Método de Newton
 MÉTODO DE NEWTON
❖ O método transforma um sistema não linear em um linear

❖ Base deste método, é a expansão das expressões envolvidas, na

série de Taylor em torno do ponto 𝑥0 , 𝑦0 .
𝜕𝑓 𝜕𝑓
𝑓 𝑥, 𝑦 = 𝑓 𝑥0 , 𝑦0 + 𝑥0 , 𝑦0 ∙ 𝑥 − 𝑥0 + 𝑥0 , 𝑦0 ∙ 𝑦 − 𝑦0
𝜕𝑥 𝜕𝑦
𝜕𝑔 𝜕𝑔
𝑔 𝑥, 𝑦 = 𝑔 𝑥0 , 𝑦0 + 𝑥0 , 𝑦0 ∙ 𝑥 − 𝑥0 + 𝑥0 , 𝑦0 ∙ 𝑦 − 𝑦0
𝜕𝑥 𝜕𝑦

𝑓 𝑥, 𝑦 = 0
ቊ
𝑔 𝑥, 𝑦 = 0
 MÉTODO DE NEWTON
❖ As condições para podermos aplicar o método de Newton sobre
um sistema não linear é que suas derivadas parciais sejam
contínuas até segunda ordem e limitadas próximas à solução do
sistema.

❖ Além disso,
𝜕𝑓 𝜕𝑔 𝜕𝑓 𝜕𝑔
𝑥0 , 𝑦0 ∙ 𝑥0 , 𝑦0 ≠ 𝑥0 , 𝑦0 ∙ 𝑥0 , 𝑦0
𝜕𝑥 𝜕𝑦 𝜕𝑦 𝜕𝑥

para todo 𝑥, 𝑦 próximo da raíz.

 Unidade 2 – Tópico 2
Equações não Lineares Complexas:
Método de Newton
 MÉTODO DE NEWTON
❖ O método que veremos a seguir, possibilita a resolução de uma
equação não linear com coeficientes complexos.
❖ O método é semelhante ao utilizado em equações não lineares
nos reais.
❖ Consideremos uma função não linear complexa f(z) = 0, contínua
com derivada primeira contínua. Aplicando o método de Newton
nesta função, da mesma forma que em uma equação não linear
real, teríamos:
𝑓 𝑧𝑘
𝑧𝑘+1 = 𝑧𝑘 − ′
𝑓 𝑧𝑘
 Unidade 2 – Tópico 3
Equações Polinomiais:
Método de Newton
 MÉTODO DE NEWTON
❖ O método que veremos a seguir, é uma junção do método de
Newton para raízes de equações ou funções, porém, a derivada
da função é substituída pelo Algoritmo de Briot-Ruffini-Horner.

❖ O dispositivo do Algoritmo de Briot-Ruffini-Horner, permite em

função polinomial, encontrar o valor numérico da função e suas
derivadas em um certo ponto.

❖ Do ponto de vista computacional, é muito relevante proceder

desta forma. O ganho é muito significativo!
 Unidade 2 – Tópico 3
Equações Polinomiais:
Algoritmo Quociente - Diferença
ALGORITMO QUOCIENTE-DIFERENÇA
❖ Não precisamos procurar um intervalo que contenha a raiz do
polinômio.
❖ Ele é tão eficiente que nos permite obter aproximações para
TODAS as raízes do polinômio SIMULTANEAMENTE.
❖ Esse método foi desenvolvido por Heinz Rutishauser que foi um
matemático suíço e é conhecido como Algoritmo Quociente-
Diferença ou Algoritmo Q-D.
❖ Só pode ser aplicado para polinômios cujos coeficientes sejam
todos não nulos.
 Unidade 2 – Tópico 4
Interpolação
Polinomial de Lagrange
INTERPOLAÇÃO POLINOMIAL DE LAGRANGE
❖ A necessidade de obter um valor intermediário que não consta
de uma tabela ocorre comumente

❖ Dado um conjunto de dados tal como na tabela abaixo:

𝑥𝑖 0,2 1,4 2,9 4,2 6,0
𝑓(𝑥𝑖 ) 0,002 0,013 0,022 0,044 0,057

Como obter o valor de 𝑓(𝑥) para um valor de 𝑥 que não tenha sido
medido, como 𝑥 = 2,1?
INTERPOLAÇÃO POLINOMIAL DE LAGRANGE
❖ A interpolação consiste em determinar uma função, que assume valores
conhecidos em certos pontos;
❖ Por serem fáceis de trabalhar, usaremos as funções polinomiais para
interpolar;
❖ A vantagem de fazer essa substituição é que, muitas vezes, não
conhecemos a função 𝑓 que descreve um fenômeno, ou ela tem um
comportamento que não nos permite calcular sua derivada ou sua integral;
❖ TEOREMA DE WEIRSTRASS existe alguma função polinomial esteja tão
próximo de 𝑓 quanto se queira;
❖ Outro fato interessante é que esse polinômio, uma vez construído, é único!
INTERPOLAÇÃO POLINOMIAL DE LAGRANGE
 Unidade 2 – Tópico 4
Interpolação
Polinomial de Newton
INTERPOLAÇÃO POLINOMIAL DE NEWTON
❖ A Interpolação de Lagrange é mais eficiente que simplesmente
resolver o sistema linear que surge quando igualamos a forma
geral do polinômio interpolador com o valor de 𝑓 nos 𝑛 pontos.
❖ O método de Lagrange também tem um inconveniente.
❖ Se, por alguma razão, descobrirmos o valor de 𝑓 para mais um
ponto e quisermos adicioná-lo na obtenção do polinômio
interpolador, teremos que repetir todo o processo.
❖ A ideia é utilizar da definição de derivada para encontrar o
operador diferença dividida finita (DDF).
Unidade 2 – Tópico 4
Interpolação Linear
 INTERPOLAÇÃO LINEAR
❖ A interpolação linear é bem eficiente, quando queremos
determinar apenas um ponto ausente em uma série de dados.

❖ Utilizamos apenas os pontos vizinhos ao procurado, encontramos

um polinômio de grau 1, ou seja, uma reta.

❖ Um polinômio de grau 1, tem a característica representada por

𝑃 𝑥 = 𝑎0 + 𝑎1 𝑥
Unidade 2 – Tópico 4
Interpolação Inversa
 INTERPOLAÇÃO INVERSA
❖ A interpolação inversa tem como finaliza, criar um polinômio,
que realize o processo inverso.

❖ É comum termos um conjunto de dados e queremos determinar

um valor ausente entre ele:

𝑥 −1 0 1 2
𝑓(𝑥) 4 2 1 5

❖ A ideia agora, é escolher um valor ausente na 𝑓 para encontrar

sua correspondência no 𝑥.
 INTERPOLAÇÃO INVERSA
❖ Poderíamos solucionar esse tipo de problema, igualando o
polinômio a um certo valor 𝑦, 𝑃(𝑥) = 𝑦. Porém, podem surgir
dois problemas:

❖ Existir valores distintos que satisfazem essa equação;

❖ Se o grau do polinômio for superior a 2, não temos uma

fórmula ou método de fácil aplicação para determinar esses
valores.
 INTERPOLAÇÃO INVERSA
❖ Problema:

❖ Nem toda a função admite inversa;

❖ Por isso, a função 𝑓 deve ser monótona, estritamente

crescente ou estritamente decrescente.

❖ 𝑓 𝑥𝑗 < 𝑓 𝑥𝑘 ⇔ 𝑥𝑗 < 𝑥𝑘 ou 𝑓 𝑥𝑗 > 𝑓 𝑥𝑘 ⇔ 𝑥𝑗 < 𝑥𝑘

❖ O polinômio interpolador para 𝑓 −1 pode ser qualquer um dos

métodos já vistos
“ Unidade 3

APROXIMAÇÃO DE FUNÇÕES,
INTEGRAÇÃO
NUMÉRICA E EQUAÇÕES
DIFERENCIAIS ORDINÁRIAS
Objetivos
» Compreender como se dá a aproximação de funções;
» aprender a utilizar as técnicas de aproximação de funções;
» identificar a melhor função que se aproxima de outra para
estimar valores;
» calcular integrais por métodos numéricos;
» encontrar soluções numéricas para equações diferenciais
ordinárias;
» familiarizar-se com demonstrações matemáticas.
 UNIDADE 3

❖ TÓPICO 1 - TEORIA DA APROXIMAÇÃO – MÉTODO DOS

MÍNIMOS QUADRADOS

❖ TÓPICO 2 - INTEGRAÇÃO NUMÉRICA

❖ TÓPICO 3 - EQUAÇÕES DIFERENCIAIS ORDINÁRIAS

Unidade 3 – Tópico 1
Regressão Linear
 REGRESSÃO LINEAR
❖ A ideia é designar por meio de uma equação matemática a
relação entre duas ou mais variáveis.

❖ Estas equações devem se ajustar dependendo da curva.

 REGRESSÃO LINEAR
❖ Veremos inicialmente o modelo de regressão linear:

❖ Como o nome sugere, ajustaremos o enxame de pontos por uma

reta.

❖ Com base nos dados constrói-se o diagrama de dispersão, que

deve exibir uma tendência linear para que se possa usar a
regressão linear.

❖ A equação será representada por

𝑦 = 𝑎0 + 𝑎1 𝑥
REGRESSÃO LINEAR
 REGRESSÃO LINEAR
Fórmula:
𝑦 = 𝑎0 + 𝑎1 𝑥

𝑛 𝑛 𝑛
𝑛 𝑛
𝑛 ෍ 𝑥𝑘 𝑦𝑘 − ෍ 𝑥𝑘 ෍ 𝑦𝑘
෍ 𝑦𝑘 − 𝑎1 ෍ 𝑥𝑘
𝑘=1 𝑘=1 𝑘=1
𝑎1 = 𝑘=1 𝑘=1
𝑛 𝑛 2 𝑎0 =
𝑛
𝑛 ෍ 𝑥𝑘2 − ෍ 𝑥𝑘
𝑘=1 𝑘=1
 Unidade 3 – Tópico 1
Regressão Linear Múltipla
 REGRESSÃO LINEAR MÚLTIPLA
❖ É semelhante ao realizando na regressão linear simples.

❖ Agora imaginemos que temos mais do que uma variável

independente no processo.

❖ Ou seja, que 𝑓 seja uma função que dependa de mais variáveis

além do 𝑥 para chegar em 𝑦.

❖ Aplicando o método dos mínimos quadrados da mesma forma

que fizemos para o caso da regressão linear simples.
 REGRESSÃO LINEAR MÚLTIPLA
𝑛 𝑛 𝑛 𝑛

𝑛 ෍ 𝑥𝑘1 ෍ 𝑥𝑘2 … ෍ 𝑥𝑘𝑝 ෍ 𝑦𝑘

𝑘=1 𝑘=1 𝑘=1 𝑘=1
𝑛 𝑛 𝑛 𝑛 𝑛

෍ 𝑥𝑘1 ෍ 𝑥𝑘21 ෍ 𝑥𝑘2 𝑥𝑘1 … ෍ 𝑥𝑘𝑝 𝑥𝑘1 𝑎0 ෍ 𝑥𝑘1 𝑦𝑘

𝑘=1 𝑘=1 𝑘=1 𝑘=1
𝑎1 𝑘=1
𝑛 𝑛 𝑛 𝑛 ∙ 𝑎2 = 𝑛

෍ 𝑥𝑘2 ෍ 𝑥𝑘1 𝑥𝑘2 ෍ 𝑥𝑘22 … ෍ 𝑥𝑘𝑝 𝑥𝑘2 ⋮ ෍ 𝑥𝑘2 𝑦𝑘

𝑘=1 𝑘=1 𝑘=1 𝑘=1
𝑎𝑝 𝑘=1
⋮ ⋮ ⋮ ⋮ ⋮
𝑛 𝑛 𝑛 𝑛 𝑛

෍ 𝑥𝑘𝑝 ෍ 𝑥𝑘1 𝑥𝑘𝑝 ෍ 𝑥𝑘2 𝑥𝑘𝑝 … ෍ 𝑥𝑘2𝑝 ෍ 𝑥𝑘𝑝 𝑦𝑘

𝑘=1 𝑘=1 𝑘=1 𝑘=1 𝑘=1

𝑦 = 𝑎0 + 𝑎1 𝑥1 + 𝑎2 𝑥2 + ⋯ + 𝑎𝑝 𝑥𝑝
Unidade 3 – Tópico 1
Regressão Polinomial
 REGRESSÃO POLINOMIAL
❖ A ideia agora é desenvolver um método para determinar um
polinômio de grau 𝑛, que melhor se ajuste a um conjunto de
dados.

❖ Desta forma, precisamos encontrar os coeficientes 𝑎0 , 𝑎1 , … , 𝑎𝑛 ,

sendo

𝑃 𝑥 = 𝑎0 + 𝑎1 𝑥 + ⋯ + 𝑎𝑛 𝑥 𝑛

❖ A ideia é a mesma da regressão linear, porém, estender para

polinômios de grau qualquer.
Unidade 3 – Tópico 2
Integração Numérica
Regra do Trapézio
 REGRA DO TRAPÉZIO
❖ Para determinar a integral de um função, devemos encontrar a
sua primitiva.
❖ Mas você deve lembrar do Cálculo que, infelizmente, não é tão
simples alguns casos.
❖ Podemos ter funções complicadas para integrar, ou ainda, casos
que não conhecemos a função 𝑓 apenas seu valor quando
aplicada em alguns pontos.
❖ Nesses casos, é necessário utilizarmos um método alternativo de
integração: a integração numérica.
 REGRA DO TRAPÉZIO
❖ Fórmula de Newton-Côtes
𝑓 𝑏
❖ Regra do trapézio:
❖ Observe a
interpretação
geométrica:
𝑓 𝑎
ℎ
𝐴 = 𝐵+𝑏 ∙
2
𝑏
ℎ
න 𝑓(𝑥) 𝑑𝑥 ≈ ∙ 𝑓 𝑎 + 𝑓 𝑏 ℎ
𝑎 2
com ℎ = 𝑏 − 𝑎 𝑎 𝑏
Unidade 3 – Tópico 2
Integração Numérica
Regra de Simpson
 REGRA DE SIMPSON
❖ Semelhando a Regra do Trapézio, a Regra de Simpson utiliza do
polinômio interpolador de Lagrange.
❖ A Regra do Trapézio utilizava um polinômio interpolador de grau
um, que proporcionava a ideia geométrica de um trapézio.
❖ A Regra de Simpson, utiliza um polinômio de segundo grau e
separa os extremos 𝑎 e 𝑏, em um número PAR de subintervalos.
❖ A amplitude é dado por
𝑏−𝑎
ℎ=
2𝑚
REGRA DE SIMPSON
REGRA DE SIMPSON
Unidade 3 – Tópico 2
Integração Numérica
Quadratura Gaussiana
 QUADRATURA GAUSSIANA
❖ Nesse método, os pontos não são mais escolhidos ao acaso, pela
pessoa que está implementando o método, mas obedecem a um
critério bem definido.
❖ Devemos substituir o intervalo de integração de 𝑎, 𝑏 para
−1,1 através de uma mudança de variável.
❖ A fórmula de Gauss para dois pontos é dada por:
𝑏
3 3
න 𝑓(𝑥) 𝑑𝑥 ≈ 𝐹 − +𝐹 ,
𝑎 3 3
1 1 1
com 𝐹 𝑡 = 𝑏 − 𝑎 ∙ 𝑓 𝑏−𝑎 𝑡+ 𝑏−𝑎
2 2 2
Unidade 3 – Tópico 3
Equações Diferenciais
Método de Euler
 MÉTODO DE EULER
❖ Equações diferenciais são aquelas que envolvem as derivadas da
função.
❖ Quando a função possui apenas uma variável independente, ela é
chamada de equação diferencial ordinária.
3
𝑑 𝑢 𝑑𝑢
❖ Exemplos: 𝑦 − 4𝑦 = cos 4𝑥
′′
− 4 = 𝑒 −3𝑥
𝑑𝑥 3 𝑑𝑥
❖ Resolver uma equação diferencial pode não ser simples.
❖ Algumas vezes, a teoria nos garante pelo menos a existência e a
unicidade da solução, mas não nos diz quem ela é.
 MÉTODO DE EULER
❖ Trataremos métodos de resolução, cujo problema é de valor
inicial (PVI).
❖ Família de soluções.

❖ Quando o número de condições adicionais coincide com a ordem

da EDO e tais condições se referem a um único valor 𝑥, dizemos
que temos um problema de valor inicial (PVI).
❖ Com estas condições, conseguimos então determinar uma única
solução para o problema.
 Unidade 3 – Tópico 3
Equações Diferenciais
Método de Runge-Kutta
 MÉTODO DE RUNGE-KUTTA
❖ Veremos o método de Runge-Kutta de ordem 2, chamado de
Euler Aperfeiçoado, Euler Modificado ou ainda de Método de
Heun.
❖ No método de Euler, começávamos o processo calculando a
inclinação da reta tangente à curva 𝑦(𝑥) no ponto 𝑥0 , 𝑦 𝑥0 .
❖ Uma forma de melhorar essa aproximação é considerar não
apenas a inclinação no ponto (𝑥𝑗−1 , 𝑦𝑗−1 ), mas a média das
inclinações nos pontos 𝑥𝑗−1 , 𝑦𝑗−1 e 𝑥𝑗 , 𝑦ത𝑗 , onde
𝑦ത𝑗 = 𝑦𝑗−1 + ℎ ∙ 𝑓 𝑥𝑗−1 , 𝑦𝑗−1
 » FRANCO, Neide Bertoldi. Cálculo Numérico (online
Bibliografias Plataforma Pearson):São Paulo: Pearson, 2006.

» FERNANDES, D. B.. Cálculo Numérico:São Paulo: Pearson

Education do Brasil, 2015.

» JARLETTI, C.. Cálculo Numérico:Curitiba: InterSaberes,

2018.
 » SPERANDIO, D.; MENDES, J. T.; SILVA, L. H. MONKEN
Bibliografias e. Cálculo Numérico (biblioteca Online Pearson):2.ed. São
Complementares Paulo: Pearson Education do Brasil, 2014.
» NAGLE, Kent R; SAFF, Edwar B. Equações Diferenciais:8ª.ed.
São Paulo: Pearson, 2012.
» OLIVEIRA, Rafael Lima. Equações Diferenciais
Ordinárias: métodos de resolução e aplicações. Curitiba:
InterSaberes, 2019.
» SILVA, Alexandre Rigotti. Equações Diferenciais:1ª.ed. São
Paulo: Pearson, 2015.
» FRANCO, Neide Bertoldi. Álgebra Linear (online Plataforma
Pearson):São Paulo: Pearson Education do Brasil, 2016.