Cálculo - Numerico v2

Engenharia de Telecomunicações (1º Ano – 2º Semestre)
ISUTIC - Instituto Superior para as

Tecnologias de Informação e
Comunicação
Disciplina de Cálculo
Numérico
Instituto Superior para Tecnologias de Informação e Comunicação - ISUTIC
ÍNDICE
Capítulo 1 – ERROS
Capítulo 2 – ZEROS DAS FUNÇÕES
Capítulo 3 – SISTEMAS DE EQUAÇÕES LINEARES – SELA`s
Capítulo 4 – INTERPOLAÇÃO
Capítulo 5 – AJUSTE DE CURVA
Capítulo 6 – INTEGRAÇÃO NUMÉRICA
Disciplina de Cálculo Nunérico – 1º Ano – 2º Semestre 1

CAPÍTULO 1
ERROS
1.1 – INTRODUÇÃO
A obtenção de uma solução numérica para um problema físico por meio de métodos numéricos nem
sempre fornece valores dentro de limites razoáveis. Esta afirmação é correta mesmo quando se aplica um
método adequado e os cálculos são efetuados de uma maneira correta.
Esta diferença é chamada erro e é inerente ao processo, não podendo, em muitos casos, ser evitada.
Exemplo 1: O modelo matemático que descreve o estudo do movimento de um corpo sujeito a uma
aceleração constante é:
1 2
distância x = x o + vo t + at tempo
2
percorrida
aceleração
distância velocidade
inicial inicial
Um engenheiro quer determinar a altura do edifício do prédio central. Para isso dispõe apenas de
uma bolinha de metal, cronômetro e a fórmula acima. Ele sobe no edifício, solta a bolinha e mede o
tempo que a bolinha gasta para tocar o solo: 3 segundos.
1 2
x = x o + vo t + at
2
1
x = 0 + 0× t + × 9,8 × 32 = 4,9 × 9 = 44,1 m
2
No modelo matemático não foram consideradas outras forças: resistência do ar, velocidade do vento,
peso da bolinha, etc.
Outro fator: precisão da leitura do cronômetro. Uma pequena variação devido a uma imprecisão do
experimentador no momento da leitura do dado, como por exemplo, se t = 3,5 s , a altura do prédio seria:
1
x = 0 + 0 × 3,5 + × 9,8 × 3,5 2 = 60 m
2
Ou seja, uma variação de 17% na leitura do tempo acarreta 36% de variação na distância percorrida.
Exemplo 2: A variação no comprimento de uma barra de metal sujeita a certa variação de temperatura é
dada pela seguinte fórmula:
Variação do ∆l = l o ( α t + β t 2 )
comprimento Constantes específicas para cada
material
Comprimento inicial
Temperatura
Disciplina de Cálculo Numérico – 1o Ano – 2º Semestre 2

Um físico quer determinar a variação no comprimento de uma barra de metal quando sujeita a uma
variação de temperatura de 10ºC, sendo:
l o = 1m
α = 0,001253
Obtidos experimentalmente
β = 0,000068
Então:
∆l = 1 . (0,001253 . 10 + 0,000068 . 10 2 ) = 0,019330 m
Como os valores de α e β foram obtidos experimentalmente com a precisão da ordem de 10 −6 ,

tem-se:
0,001252 < α < 0,001254

0,000067 < β < 0,000069
Então:
∆l > 1 . (0,001252 . 10 + 0,000067 . 10 2 ) = 0,019220 m

∆l < 1 . (0,001254 . 10 + 0,000069 . 10 2 ) = 0,019440 m
Logo:
0,019220 < ∆l < 0,019440 m
Ou, ainda:
∆l = 0,0193 ± 10 −4 m
OBS: Veja que uma imprecisão na sexta casa decimal de α e β implicou numa imprecisão na quarta
casa decimal de ∆l .
Neste caso temos uma imprecisão dos dados de entrada.
O processo de uma solução numérica de um problema físico por meio da aplicação de métodos
numéricos é representado segundo o diagrama:
PROBLEMA modelagem MODELO resolução SOLUÇÃO

FÍSICO MATEMÁTICO
Constrói-se um
Através de um dado Obtém-se a
problema físico solução com a
Instrumentos de cálculo que aplicação de
Raramente se tem uma necessitam que sejam feitas métodos
descrição correta desse certas aproximações numérico
fenômeno

Os erros são cometidos em todos os passos do esquema:
MODELAGEM: erros iniciais ou inerentes

RESOLUÇÃO: erros de arredondamento e truncamento
É de vital importância conhecer os tipos de erros a que estão sujeitos os métodos numéricos para
identificá-los, quantifica-los, evita-los, minimiza-los e controla-los.
Na engenharia, muitas vezes:
MODELOS Conduzem PROBLEMAS CUJA SOLUÇÃO EXATA

MATEMÁTICOS DEMANDA MUITO ESFORÇO PARA SER
DETERMINADA OU SIMPLESMENTE NÃO
PODE SER DETERMINADA
Usam-se métodos que forneçam uma aproximação da

solução dentro de um grau de precisão desejado
Método numérico: todo algarismo composto de uma lista de instruções envolvendo apenas operações
com números: operações aritméticas elementares, cálculo de funções, consulta a tabela de valores,
arbitramento de um valor, que tem por objetivo determinar um valor aproximado da solução exata dentro
de uma precisão estabelecida.
Número aproximado: é aquele cuja representação se difere do número exato.
1.2 – ERRO ABSOLUTO
É a diferença, em módulo, entre o valor exato de um número X e de seu valor aproximado X’.
EA ( X') = X − X'
Exemplos:
1) Qual é o erro absoluto cometido ao substituirmos 2 por 1,41?
EA ( x ' =1, 41) = 2 − 1,41 = 1,4142135.... − 1,41 = 0,0042135......
2
2) Ao substituirmos = 0,66666..... por 0,66 cometemos o seguinte erro absoluto:
3
EA (0,66) = 0,6666...... − 0,66 = 0,0066.....
OBS: Quando não se conhece o valor exato X, o erro absoluto é indeterminado.
1.3 – COTA SUPERIOR DE ERRO ABSOLUTO
Seja c > 0 um valor tal que,

EA ( X ') = X − X' < c
−m
Onde c = 0,5 × 10 . O valor de m indica que a aproximação X’ do valor exato X possui pelo
menos as m primeiras casas decimais corretas.
Exemplo: se tomarmos a aproximação 3,1428 para o número irracional π = 3,141592.... , o erro

absoluto cometido nesta aproximação é da ordem de:
EA (3,1428) = π − 3,1428 = 0,001207 < 0,5 × 10 −2 m=2
A aproximação π ' de π possui somente as duas primeiras casas decimais corretas.
1.4 – ERRO RELATIVO
O erro relativo é definido como:
EA (X') X − X'
ER ( X ' ) = =
X' X'
Erro percentual relativo é:
EPR = 100 × ER
Exemplos:
X = 0,00006 EA (X') = 0,00001

X' = 0,00005 ER (X ') = 0,2 => 20%
Y = 100500 EA (Y ') = 500

Y' = 100000 ER (Y ') = 0,005 => 0,5%
Qual foi a aproximação mais precisa?
EA (X ') < EA (Y ') => a aproximação utilizada para X é mais precisa que Y
ER (X') > ER (Y') => Y é mais preciso
OBS: Quanto menor for o erro relativo maior será a precisão do resultado da equação.
1.5 – ERROS DE ARREDONDAMENTO
Erro cometido quando se assume uma representação decimal finita para um número real que admite
representação infinita, através do abandono das casas decimais de mais baixa ordem.

De modo a limitar esse erro a meia unidade da última casa decimal conservada, adota-se o critério
universal de arredondamento.
• 1º algarismo decimal a ser eliminado <5, o último algarismo conservado fica como está.
• 1º algarismo decimal a ser eliminado ≥ 5 , o último algarismo conservado é aumentado de uma
unidade.
Exemplos:
1) Valor exato: 3 = 1,7320508.... Valor aproximado: 1,732
2) Valor exato: π 2 = 1,5707963.... Valor aproximado: 1,571
1.6 – ERROS DE TRUNCAMENTO
Erros provenientes da utilização de processos que deveriam ser infinitos (ou grandes) para a
determinação de um valor e que, por razões práticas, são truncados. Essa interrupção gera o erro de
truncamento.
Esses processos são utilizados na avaliação de funções matemáticas: exponenciação, logaritmos,
funções trigonométricas, etc.
Exemplos:
x3 x5 x7
1) sen ( x ) = x − + − + ....
3! 5! 7!
x 2 x3
2) ex = 1+ x + + + .......
2! 3!
1 1 1 1
3) e = 1 + + + + + .....
1! 2! 3! 4!
1.7 - ALGARISMOS SIGNIFICATIVOS
Na matemática aplicada, algarismos significativos são utilizados para monitorar os erros

ao se representar números reais na base 10.
Diz-se que uma representação tem n algarismos significativos quando admite-se um erro
no algarismo seguinte da representação.
Exemplos:
1/7 = 0,14 com dois algarismos significativos (já que o erro está na terceira casa decimal:
1/7 = 0,142857142857...).
1/30 = 0,0333 com três algarismos significativo (erro na quinta casa decimal).
Dada uma representação decimal:
1. os algarismos zero que correspondem às ordens maiores não são significativos.

Exemplos: em 001234,56 os dois primeiros zeros não são significativos; em 0,000543 os quatro
primeiros zeros não são significativos.
2. os algarismos zero que correspondem às menores ordens, se elas são fracionárias, são
significativos.
Exemplo: em 12,00 os dois últimos zeros são significativos .
3. os algarismos de 1 a 9 são sempre significativos.
4. zeros entre algarismos de 1 a 9 são significativos.
Exemplo: em 1203,4 todos algarismos são significativos.
5. Se existir uma vírgula decimal, todos os zeros à direita da vírgula decimal são significativos (ex:
1,000 e 33,30 possuem 4 algarismos significativos).
Exemplos:
157,0 4 algarismos significativos.

157 3 algarismos significativos.
Exemplos com potência de 10:
3200 ou 3,2 x 103 2 algarismos significativos

3200, ou 3,200 x 103 4 algarismos significativos
3200,0 ou 3,2000 x 103 5 algarismos significativos
32.050 ou 3,205 x 104 4 algarismos significativos
0,032 ou 3,2 x 10-2 2 algarismos significativos
0,03200 ou 3,200 x 10-2 4 algarismos significativos
OBS: A posição da vírgula não influi no número de algarismos significativos, por exemplo, o
comprimento de 0,0240m possui três algarismos significativos e pode ter a posição da vírgula
alterado de várias formas usando uma potência de dez adequada, e sem alterar o seu número
de algarismos significativos. Veja abaixo:
0,0240 m = 0,240 × 10 −1 m = 0,240 dm

0,0240 m = 2,40 × 10 −2 m = 2,40 cm
0,0240 m = 24,0 × 10 −3 m = 24,0 mm
Observe que o número de algarismos significativos é sempre três, independentemente da

forma que o número foi escrito e da posição de sua vírgula. Outro ponto importante é que o
valor da medida é sempre a mesma, visto que:
0,0240m = 0,240dm = 2,40 cm = 24,0mm.

EXERCÍCIOS
1) Se A = 3876,373 e só desejarmos a parte inteira A’, qual será o erro absoluto e a cota superior
de erro absoluto cometidos nesta aproximação?
2) Seja o número x = 2113 representado por x ' = 2112,9 e seja o número y = 5,2 representado
por y' = 5,3 . Pode-se dizer que ambos os números estão representados com a mesma precisão?
h3
3) Qual a cota superior de erro absoluto da aproximação sen(h) = h − para h = −0,5 ?
3!
4) Suponhamos que o valor y' = 0,6640 é um valor aproximado de Y=2/3. Das 6 afirmativas
abaixo, estão corretas:
a) o valor aproximado tem 5 algarismos significativos;

b) o valor aproximado só tem 4 algarismos significativos;
c) o valor aproximado só tem 3 algarismos significativos;
d) só tem 3 algarismos significativos corretos;
e) só tem 2 algarismos significativos corretos;
f) só tem 1 algarismo significativo correto.
5) Arredonde e trunque cada um dos números abaixo para 4 algarismos significativos:
a) 85,432431 b) 0,003134499 c) 998,075414
6) Para o número arredondado para 4 algarismos significativos do exercício 5-a), determine o erro
absoluto, a cota superior de erro absoluto, o erro relativo e o erro percentual relativo.
7) Determine o erro relativo cometido no cálculo do valor numérico de y ( x) = 3 x 2 + 2 x − 5 ,

sendo x = 3,16 e o erro absoluto cometido nesta medida igual a 0,001 .

CAPÍTULO 2
ZEROS DE FUNÇÕES
Em muitos problemas de Ciência e Engenharia, há necessidade de se determinar um número α para

o qual uma função f(x) seja zero, ou seja, f (α ) = 0 . O número α é chamado raiz da equação f ( x ) = 0
ou zero da função f(x).
Para a determinação aproximada de uma raiz, têm-se duas etapas: ETAPA DE ISOLAMENTO e
ETAPA DE REFINAMENTO.
1 – Etapa de Isolamento: achar um intervalo [a,b], o menor possível, que contenha uma e somente uma
raiz da equação f ( x ) = 0 .
Enumerar – localizar
2 – Etapa de Refinamento: melhorar o valor da raiz aproximada, isto é, refiná-la, através de métodos
iterativos até o grau de exatidão requerido.
Calcular seus valores, se não exatos, aproximados
2.2 – ETAPA DE ISOLAMENTO
Utilizam-se dois métodos distintos para separar as raízes reais de uma função:
- Método do TABELAMENTO
- Método GRÁFICO
2.2.1 – Método do Tabelamento
Nós intervalos em que f(x) for contínua e mudar de sinal enquanto sua derivada f’(x) mantiver seu
sinal constante, tem-se garantida a existência de uma única raiz real.
Equações Algébricas: quando nas expressões que definem f(x), a variável independente x estiver
( b
submetida apenas às operações fundamentais da álgebra +, −, ×, /, a , . )
5
Ex: f ( x ) = x 4 − x 3 + 3x + 4
3
f ( x ) = 3x + 1 + 4 x 2 − 3x
Equações Transcendentes: quando nas expressões que definem f(x), a variável independente x estiver
submetida às operações logarítmicas, exponenciais, trigonométricas e suas inversas.
Ex: f ( x ) = e x − senx − 2
f ( x ) = arctg( x ) + 2
Algumas equações algébricas de 1º e 2º graus, certas classes de 3º e 4º graus e algumas equações

transcendentes podem ter suas raízes computadas através de métodos analíticos.
Para polinômios de grau maior que 4 e para a grande maioria das equações transcendentes o
problema de se calcular as raízes só pode ser resolvido através de métodos que aproximam as soluções.
NÃO SE TEM UMA FÓRMULA PARA ACHAR AS RAÍZES.

Embora estes métodos não forneçam raízes exatas, elas podem, a menos de limitações de máquinas,
serem calculadas com a exatidão que o problema requeira, desde que certas condições sobre f sejam
satisfeitas.
2.2.2 – Teorema da Existência e Unicidade – T.E.U
I – Seja uma função contínua no intervalo [a,b].
OBS: Continuidade:
Dizer que uma função é contínua em x = c significa que o gráfico de f(x) não tem interrupções em
c.
f(x)
f(c)
x
c
Uma função é descontínua quando:
1 – A função não está definida em x = c.

2 – O limite de f(x) não existe em x = c.
- comportamento ilimitado
- comportamentos diferentes à esquerda e à direita (saltos)
3 – O limite de f(x) existe em x = c, mas não é igual a f(c).
f(x)
x
c1 c2 c2 c3
II – A função assume valores com sinais diferentes (opostos) nos pontos extremos do intervalo [a,b] , ou
seja, f (a ) . f(b) < 0 . Neste caso, a função corta o eixo das abscissas uma vez ou um número ímpar de
vezes.
f(x)
f(x)
a b
x x
α1 b a α1 α2 α3 α4
III – A derivada de 1ª ordem de f ( x ) existe e não muda de sinal dentro do intervalo [a,b], ou seja,
f ' ( x ) > 0 ou f ' ( x ) < 0 para a < x < b .

f(x) f(x)
a b
x x
α2 b
a
α2
f ' ( x ) > 0, ∀x ∈ [a, b] f ' ( x ) < 0, ∀x ∈ [a, b]
* Com a prova do TEU fica garantida a existência de apenas uma raiz real no intervalo [a,b].
* O atendimento apenas de II e III não garante a existência de uma única raiz no intervalo [a,b].
f(x)
crescente
crescente
x
* O atendimento apenas de I e II não garante a existência de uma única raiz no intervalo [a,b].
f(x)
b
a α1 α2 α3 α4 α5 x
Exemplo: Localizar as raízes da função f (x) = e x + x 2 − 4

f ' (x ) = e x + 2x
x −∞ -10 -3 -2 -1 0 1 2 10 ∞
f (x ) + + 96 +5 + 0,13 − 2,6 −3 − 0,28 + 7,38 + 22,1 +
f ' (x) - - - − 3,8 − 1,6 +1 + 4,71 + 11,3 + +
Decrescente Crescente
Logo, podemos concluir que em cada um dos intervalos [ −2,−1] e [1,2] existe apenas uma única
raiz.
2.2.3 – Método Gráfico
Para a análise gráfica da função f ( x ) , ou seja, na análise de f ( x ) = 0 podemos usar um dos

seguintes processos:

1º) Consiste em plotar o gráfico de y = f ( x )

Uma raiz real de uma função é o ponto onde a função f(x) toca o eixo dos x’s.
f(x)
x
a α1 α2 α3 α4 b
α1 , α 2 , α 3 e α 4 são raízes de f(x) no intervalo [a,b].

f (α1 ) = f (α 2 ) = f (α 3 ) = f (α 4 ) = 0
2º) Consiste em substituir f(x) por duas funções g(x) e h(x) equivalentes a f(x), ou seja,
f (x) = g(x ) − h(x )

f (x) = 0
g(x ) − h ( x ) = 0
g( x ) = h ( x )
α → f (α ) = 0 → g (α ) = h (α ) => funções que têm a mesma raiz.
As raízes reais de f(x) corresponderão às abscissas dos pontos de interseção do gráfico de g(x) com o
gráfico de h(x)
f(x)
g(x) h(x)
α1
x
a α3 α3 b
α1 , α 2 e α 3 são raízes reais de f ( x ) = g ( x ) − h ( x ) no intervalo [a,b].
No 2º processo, representar a função em análise através da subtração de duas componentes e não

realizar operações na determinação dessas componentes para não alterar a definição da função original,
pode-se perder raízes ou surgir raízes “estranhas”.
Exemplos:
f (x) = 0 => g(x ) − h ( x ) = 0 => g( x ) = h ( x )
1) f ( x ) = x 3 − 2 x 2 − 20 x + 30 = 0 2) f ( x ) = e x − sen ( x ) − 2 = 0

g( x ) = x 3 − 2 x 2 g(x ) = e x
h ( x ) = 20 x − 30 h ( x ) = sen ( x ) + 2
3) f ( x ) = log( x 2 ) + sen ( x ) 4) f ( x ) = x − x +1
g( x ) = log( x 2 ) g( x ) = x
h ( x ) = −sen ( x ) h (x ) = x − 1
OBS:
f ( x ) = log( x 2 ) + sen ( x ) = 0 f (x ) = x − x + 1 = 0
log( x 2 ) = −sen ( x ) x = x −1
2 log( x ) = −sen ( x ) x = ( x − 1) 2
log( x ) = −0,5 sen ( x ) x = x 2 − 2x + 1
? ? ? ?
Perda de raiz Aparecimento de uma raiz

Exemplo Aula: Encontrar as raízes da função f ( x ) = x 3 − 9 x + 3 , usando os dois métodos gráficos:
1º Método:
f (x ) = x 3 − 9x + 3
f ' ( x ) = 3x 2 − 9
f ' (x ) = 0 ⇒ x = ± 3
x f(x) f’(x)
−4 − 25 39
−3 3 18
− 3 13,3923 0
−1 11 -6
0 3 -9
1 −5 -6
3 − 7,3923 0
2 −7 3 α1 ∈ [−4,−3]
3 3 18 α 2 ∈ [0,1]
α 3 ∈ [2,3]
2º Método:
f (x ) = x 3 − 9x + 3
g(x ) = x 3
h (x ) = 9x − 3
α1 ∈ [−4,−3]
α 2 ∈ [0,1]
α 3 ∈ [2,3]

2.3 – ETAPA DE REFINAMENTO
O método do ISOLAMENTO é uma aproximação inicial da raiz exata α . Esta aproximação é

grosseira e precisa ser refinada.
Os métodos de aproximação da raiz exata são iterativos.
Um método iterativo consiste em uma sequência de instruções que são executadas passo a passo,
algumas das quais são repetidas em ciclos (iterações).
Os resultados obtidos em cada iteração do processo dependem dos valores calculados na iteração
anterior.
Principais Métodos:
Método da Bissecção (dicotomia) – divisão ao meio

- Método das Partes Proporcionais (da falsa posição)
- Método da Iteração Linear
Método de Newton-Raphson
- Método das secantes
Torna-se necessário estabelecer critérios de parada para esses processos iterativos, porque em
alguns casos você realiza infinitas iterações e não determina o valor exato.
2.3.1 – Método da Bissecção
- Simples: fácil de aplicar

- Seguro: inexistência de descontinuidade no intervalo [a,b]
- Pouco eficiente: de convergência lenta, muitas iterações até que seja atingida a precisão desejada
do valor aproximado da raiz (leva à raiz muito lentamente).
- Estrutura baseada no TEU: ter uma única raiz real contida no intervalo de análise [a,b]
Consiste em, obtido um intervalo contendo uma única raiz, ir dividindo-o ao meio, sucessivamente,
mantendo a raiz enquadrada (num intervalo) até aproximar-se suficientemente dela.
Método:
f ( x ) => contínua no intervalo [a,b]

f (a ) . f(b) < 0 => número ímpar de raízes
f ' ( x ) < 0 ou f ' ( x ) > 0 em [a,b] => uma única raiz
Divide-se [a,b] ao meio, obtém-se xo e tem-se dois subintervalos [a,xo] e [xo,b]:
• Se f ( x o ) = 0 → a raiz α é xo (exato)
• Senão, ela estará no subintervalo onde a função tem sinais opostos nos pontos extremos.
• Se f (a ) . f(x o ) < 0 , α ∈ [a , x o ]
• Senão se f (a ) . f(x o ) > 0 , α ∈ [ x o , b]
O novo intervalo [a1 , b1 ] que contém α é dividido ao meio e obtém-se x1 e o processo se repete até
que se obtenha uma “boa” aproximação para a raiz exata α .
Interpretação geométrica do Método da Bissecção:

f(x)
a x1 x 2 x
xo b
α ∈ [a , b ]
α ∈ [a , x o ]
α ∈ [x1 , x o ]
α ∈ [x 2 , x o ]
M
O processo se repete até que se obtenha uma boa aproximação para a raiz exata α . (atenda-se a tolerância
ε)
Número mínimo de iterações necessárias para se alcançar a tolerância pré-fixada:
ln[(b − a ) / ε)]
n≥ −1
ln 2
OBS: Se o intervalo inicial é tal que b − a >> ε , a convergência será muito lenta, pois, o numero de
interações tende a um número muito grande.
−7
Por exemplo, se b − a = 3 e ε = 10 => n = 25
Exemplo Aula: Encontrar a raiz da função f ( x ) = x 3 − 9 x + 3 , que se encontra no intervalo

I 2 = [0,1] com erro de ε < 10 −2 . Usar quatro casas decimais.
ln[(1 − 0) / 10 −2 )]
Número de interações: n≥ −1 => n ≥ 5,64 => n =6
ln 2
n an + bn - xn f(xn) ε
0 0 1 0,5 -1,3750 0,5
1 0 0,5 0,25 +0,7656 0,25
2 0,25 0,5 0,375 -0,3223 0,125
3 0,25 0,375 0,3125 +0,2180 0,0625
4 0,3125 0,375 0,3438 -0,0536 0,0313
5 0,3125 0,3438 0,3282 +0,0816 0,0157
0,0078 < 10−2
6 0,3282 0,3438 0,3360 0,0139
Então, α = x 6 = 0,3360

Exemplo 1: Calcular a raiz da equação f ( x ) = x 3 − 10 , com ε < 0,1 e α ∈ [2,3] . Usar quatro casas
decimais.
Teste do TEU:
1) Contínua no intervalo definido.
2) f ( a ) = f ( 2) = − 2 f (a ) . f(b) < 0
b−a
f (b) = f (3) = 17 ε=
2
3) f ' ( x ) = 3x 2
f ' (2) = 12 + Crescente
f ' (3) = 27 +
f ' (2,5) = 3 . 2,5 +
Número de interações: Se o intervalo é [2,3] e ε < 0,1
ln[(3 − 2) / 0,1)]
n≥ −1 => n ≥ 2,32 => n =3
ln 2
n an - bn + xn f(xn) ε
0 2 3 2,5 +5,625 0,5
1 2 2,5 2,25 +1,3906 0,25
2 2 2,25 2,125 -0,4043 0,125
3 2,125 2,25 2,1875 +0,4675 0,0625
α ≅ x 3 = 2,1875
2.3.2 – Método de Newton-Raphson
- Validas todas as condições do TEU

- As derivadas f ' ( x ) (f ' ( x ) ≠ 0) e f ' ' ( x ) devem também ser contínuas e preservarem o sinal do
intervalo.
- Método mais rápido (processo leva à raiz mais rapidamente).
- O método pode divergir.
O método de Newton-Raphson é equivalente a substituir um pequeno arco de curva y = f ( x ) por

uma reta tangente, traçada a partir de um ponto da curva.
Observação:
f(x) Derivada de 1ª ordem de uma função:
Traçar uma reta tangente à curva y = f ( x ) num ponto é obter

4
y = 2x a inclinação da curva neste ponto (a tangente do ângulo que esta
reta faz com o eixo x é a inclinação)
2
cateto oposto 4
tgθ = = =2 => y' ( x ) = 2
θ cateto adjacente 2
x
1 2

Interpretação geométrica do método:
Para se obter uma melhor aproximação x1 da raiz α , traça-se uma reta tangente à curva y = f ( x ) a
partir do ponto Bo [ x o , f ( x o )] que intercepta o eixo x no ponto x1.
- Do ponto B1[ x1 , f ( x1 )] traça-se outra tangente à curva que corta o eixo x no ponto x2, obtendo-
se uma melhor aproximação da raiz.
- O processo se repete até encontrar x n ≅ α com a exatidão requerida.
Portanto,
f (x o ) f ( x1 )
tgα = = f ' (x o ) tgβ =
x o − x1 x1 − x 2
f (x o ) f ( x1 )
f ' (x o ) = f ' ( x1 ) =
x o − x1 x1 − x 2
f (x o ) f ( x1 )
x o − x1 = x1 − x 2 =
f '(x o ) f ' ( x1 )
f (x o ) f ( x1 )
x1 = x o − x 2 = x1 −
f ' (x o ) f ' ( x1 )
Generalizando tem-se:
f (x n )
x n +1 = x n − p/ n = 0, 1, 2, ..... Fórmula do Método de Newton
f '(x n )
ε = x n − x n −1
Condições e observações para a convergência do método de Newton-Raphson (de Fourier:

estabelecem duas condições para garantir a convergência)
1ª) f ' ( x ) e f ' ' ( x ) com sinais constantes no intervalo [a,b].

f ' ' ( x ) não deve se anular no intervalo.

Se f ' ' ( x ) = 0 , então f ( x ) sofre mudança de concavidade no intervalo.
f(x) f ''(x) = 0
As tangentes podem conduzir a
aproximações fora do intervalo.
a
x
x1 b x2
f(x) f ''(x) = 0
Aproximações repetidas.
x
a = x1 b = x '1
2ª) A escolha de xo
A má escolha pode causar divergência no método.

xo deve ser o ponto extremo de [a,b] onde a função f(x) apresenta o mesmo sinal de f’’(x).
f ( x o ) . f' ' (x o ) > 0

+ + >0
ou
− − >0
1º Caso:
f(x)
f (a ) < 0
f (b) > 0
a f ' ' ( x ) > 0 (concavidade para cima)
x
x1 b
Em qual extremo f ( x ) . f' ' (x ) > 0 ?
f (b) . f' ' (b) > 0 => x o = b
Tangente que diverge

2º Caso:
f(x) f (a ) < 0
f (b) > 0
f ' ' ( x ) < 0 (concavidade para baixo)
a x1 x f (a ) . f' ' (a ) > 0 => x o = a
b
3º Caso:
f(x)
f (a ) > 0
f (b) < 0
f ''(x) > 0
b
a x1
x f (a ) . f' ' (a ) > 0 => x o = a
Tangente que diverge
4º Caso:
f(x) f (a ) > 0
f (b) < 0
f ''(x) < 0
x1 b x f ( b) . f' ' (b) > 0 => x o = b
a
Exemplo 1: Calcular a raiz α ∈ [0,5 , 1,5] de f ( x ) = x 3 − 5x 2 + x + 3 com ε ≤ 10 −3 ≅ 0,001

TEU: 1) contínua => OK
f (a ).f (b) < 0

2) => OK
+ . − <0
3) f ' ( x ) < 0 no intervalo => OK
f ( x ) = x 3 − 5x 2 + x + 3
f ' ( x ) = 3x 2 − 10 x + 1
f ' ' ( x ) = 6 x − 10

f (0,5) = 2,375 ( + )
f (1,5) = −3,375 ( − )
f ' (0,5) = −3,25 ( −)

f ' (1,5) = −7,25 ( −)
f ' (1) = −6 ( −)
f ' ' (0,5) = −7 ( − )

f ' ' (1,5) = −1 ( −)
Escolha de xo
f (b).f ' ' (b) > 0 f (x n )

=> x o = b x n +1 = x n − e ε = x n − x n −1
− − >0 f ' (x n )
n xn f (x n ) f ' (x n ) ε
0 1,5 - 3,3750 - 7,2500 ----
1 1,0345 - 0,2093 - 6,1344 0,4655
2 1,0004 - 0,0024 - 6,0016 0,0341
3 1,0000 0
α = x3 = 1
(neste caso a raiz é exata)
Não se deve usar esse método quando f(x) próxima do ponto de interseção com x é quase horizontal
( f ' ( x ) ≈ 0 → f(x)/f' (x) = ??? ).
Exemplo Aula: Considerando a função f ( x ) = x 3 − 9 x + 3 , determinar a raiz que está no intervalo

I 2 = [0,1] com erro de ε = 10−2 .
TEU: 1) contínua => OK
f (a ).f (b) < 0

2) => OK
+ . − <0
3) f ' ( x ) < 0 no intervalo => OK
f (x ) = x 3 − 9x + 3 => f ' ( x ) = 3x 2 − 9 => f ' ' ( x) = 6x
f (0) = +3 (+) f ' ( 0) = −9 ( − ) f ' ' ( 0) = 0 muda concav.

f (1) = −5 ( −) f ' (1) = −6 ( −) f ' ' (1) = 6
x 0 0,2 1
f(x) +3 1,208 −5
f'(x) −9 − 8,88 −6
Podemos reduzir o intervalo I=[0,2 , 1]

f (0,2) = 1,208 ( + ) f ' (0,2) = −8,88 ( −) f ' ' (0,2) = 1,2 ( + )

f (1) = −5 ( −) f ' (1) = −6 (−) f ' ' (1) = 6 (+)
Escolha de xo
f (a ).f ' ' (a ) > 0 f (x n )

=> x o = a = 0,2 x n +1 = x n −
+ + >0 f ' (x n )
n xn f (x n ) f ' (x n ) ε
0 0,2 1,208 − 8,88 ----
1 0,33604 0,01359 − 8,66123 0,13604
2 0,33761
− 9,04 × 10−6 − 8,65806 0,00157
α = x 3 = 0,33761

EXERCÍCIOS
1) Isolar todas as raízes da função pelo método do tabelamento.
f ( x ) = x 3 − 2 x 2 − 20 x + 30
Tabela de valores de f(x):

x -10 -8 -5 -4 -2 -1 0 1 2 3 4 5 10
f(x) -970 -450 -45 14 54 47 30 9 -10 -21 -18 5 630
2) Localizar as raízes da função contínua pelo método do tabelamento.
f ( x ) = x 4 + 2 x 3 − 7,5x 2 − 20 x − 11
Tabela de sinais de f(x) e f’(x):

x -6 -4 -3 -2,5 -2 -1,5 -1 -0,5 0 0,5 1 2 3 4
sinais
f(x) + + + - - + + - - - - - - +
f’(x) - - - - + + - - - - - + + +
3) Faça a tabela de valores da função f ( x ) = x 3 + 3x − 1 e indique o(s) intervalo(s) em que houver

zeros reais.
1
4) Ao estudar as raízes reais da função f ( x ) = + sen ( x ) , foi montada a seguinte tabela de sinais:
x
x (em radianos) -12 -10 -4,5 -2 1 3 10 12
sinal de f(x) + + + - + + - -
E chegou-se à conclusão que esta função possui raízes reais únicas nos intervalos [-4,5 , -2],
[-2, 1] e [3, 10]. Verifique se esta conclusão é verdadeira justificando sua resposta.
5) Localize pelo método do tabelamento as raízes das equações a seguir:
2x
a) 4 cos( x ) − e =0
b) 1 − x ln( x ) = 0
6) Localize graficamente as raízes das equações a seguir:
x
a) 2 − 3x = 0
3
b) x + x − 1000 = 0
7) Calcular, usando o método da bissecção, o valor aproximado da raiz pertencente ao intervalo [0,5,
4 3
1] da função f ( x ) = x + 2 x − x − 1 sabendo-se que esse valor aproximado deverá ter 2 casas
decimais corretas.
2
8) Calcular pelo método da bissecção a raiz da equação f ( x ) = x + ln( x ) com є ≤ 0.01 no
intervalo [0,5 , 1,0].

5 10 3 5
9) O polinômio p( x ) = x − x + x tem cinco zeros reais, todos no intervalo [-1,1].
9 21
Encontre pelo método da bissecção a maior raiz negativa com є ≤ 10-5.
10) Achar pelo método de Newton-Raphson a raiz de f ( x ) = 2 x 3 + ln(x ) − 5 , com є ≤ 10-7 no

intervalo [1, 2].
11) Calcular a raiz negativa pelo método de Newton-Raphson de f ( x ) = x 3 − 5x 2 + x + 3 com є ≤

10-5.
12) Use o método de Newton-Raphson para obter a menor raiz positiva das equações a seguir com
precisão є ≤ 10-4:
a) x − tg ( x ) = 0
2
x
b) 2 cos( x ) = e
2
5
c) x −6 = 0
13) Aplique o método de Newton-Raphson à equação x 3 − 2 x 2 − 3x + 10 = 0 com x0=1,9.

Justifique o que acontece.

CAPÍTULO 3
SISTEMAS DE EQUAÇÕES LINEARES – SELAs
3.1 – DEFINIÇÃO
Um sistema de equações lineares com n equações e n incógnitas na forma
a11x1 + a12 x 2 + a13 x 3 + .......... + a1n x n = b1


a x + a x + a 23 x 3 + ......... + a 2 n x n = b 2
s =  21 1 22 2
M
a n1x1 + a n 2 x 2 + a n 3 x 3 + ......... + a nn x n = b n
n
s n = ∑ a ij x j = b i p / i = 1,2,3,..., n
j=1
Onde,
a ij → Coeficientes das incógnitas

x j → Incógnitas
b i → Termos independentes
Pode ser colocado sob a forma
 a11 a12 L a1n   x1   b1 

a     
 21 a 22 L a 2n  ×  x 2  =  b 2  Vetor dos termos independentes
 M   M   M 
     
a n1 a n 2 L a nn   x n  b n 
Matriz de coeficiente Vetor das incógnitas
O sistema pode ainda ser colocado sob a forma matricial mais compacta => A.X = b
 a11 a12 L a1n b1 

a b 2 
Matriz ampliada ou matriz aumentada  21 a 22 L a 2n
 M 
 
a n1 a n 2 L a nn bn 
 x1 
 
x2
Vetor solução x= 
 M 
 
 x n 

3.2 – CLASSIFICAÇÃO
Natureza dos coeficientes e termos independentes:

• Reais: todos os coeficientes e termos independentes são números reais.
• Complexos: pelo menos um coeficiente ou termo independente for número complexo.
Valor dos termos independentes:

• Homogêneo: todos os termos independentes são nulos (b = 0).
• Heterogêneo: pelo menos um termo independente não é nulo.
Número de soluções:
• Possível e Determinado: uma única solução.
• Possível e Indeterminado: infinitas soluções.
• Impossível /Incompatível: não possui soluções.
Exemplo 1: Seja o sistema:
x1 + x 2 = 0 → x1 = − x 2
 1 2
x1 − x 2 = 0 → x1 = x 2
2
Qual é a solução do sistema?
Um ponto comum entre as retas.

Possui uma única solução: (0,0) => origem 1
OBS: De acordo com a Regra de Cramer, se o det( A ) ≠ 0 , o sistema é possível e determinado.
1 1 1 1
A=  => det(A ) = = −1 − 1 = −2 ≠ 0
1 − 1 1 −1
Logo, o sistema é real, homogêneo, possível e determinado.
x1 + x 2 = 0 → x1 = − x 2 1

2x1 + 2x 2 = 0 → 2x1 = −2 x 2
x1 = − x 2 2
Retas coincidentes => infinitas soluções 1

2
OBS:
1 1  1 1
A=  => det(A) = = 2−2 =0
2 2 2 2

1 0  1 0
AI =   => det( A I ) = = 0−0 = 0
 2 0 2 0
Det(AI) => substitui-se a i-ésima coluna de A pelo vetor coluna dos termos independentes.
Se o det(A) = det(A I ) = 0 , o sistema é possível e indeterminado
Logo, o sistema é real, homogêneo, possível e indeterminado.
x1 + x 2 = 0 → x1 = − x 2 1

x1 + x 2 = 1 → x1 = 1 − x 2 2
Retas paralelas => não têm ponto em comum

=> não tem solução 2
1
OBS:
1 1 1 1
A=  => det(A) = = 1 −1 = 0
1 1 1 1
1 0 1 0
AI =   => det(A I ) = = 1− 0 = 1
1 1 1 1
Se o det(A ) = 0 e o det(A I ) ≠ 0 , o sistema é impossível.
Logo, o sistema é real, heterogêneo e impossível.
3.3 – SISTEMA TRIANGULAR SUPERIOR
Um sistema é chamado triangular superior se é da forma
a11x1 + a12 x 2 + a13 x 3 + .......... + a1n x n = b1

 a 22 x 2 + a 23 x 3 + ......... + a 2n x n = b 2

s= a 33 x 3 + ......... + a 3n x n = b3
 M

 a nn x n = b n
e é chamada triangular inferior se é da forma

a11x1 = b1
a x + a x = b2
 21 1 22 2
s = a 31x1 + a 32 x 2 + a 33 x 3 = b3
M

a n1x1 + a n 2 x 2 + a n 3 x 3 + ......... + a nn x n = b n
Exemplo 1: Resolver o sistema linear triangular abaixo:
3x1 + 4x 2 − 5x 3 + x 4 = −10  1
 x 2 + x 3 − 2 x 4 = −1 − 1

s= x= 
 4 x 3 − 5x 4 = 3  2
  
2x 4 = 2  1
2x 4 = 2 4 x 3 − 5x 4 = 3 x 2 + x 3 − 2x 4 = −1
3x1 + 4x 2 − 5x 3 + x 4 = −10
x4 = 1 4x 3 − 5(1) = 3 x 2 + 2 − 2(1) = −1
3x1 + 4(−1) − 5(2) + 1 = −10
x3 = 2 x 2 = −1 x1 = 1
Exemplo 2:
3x1 + 4 x 2 − 5x 3 + x 4 = −10  1 + 4α 
 − 3 
 x 3 − 2x 4 = 0  
s= x= α 
 4 x 3 − 5x 4 = 3  2 
 2x 4 = 2  1 
 
2x 4 = 2 4 x 3 − 5x 4 = 3 0x 2 + x 3 − 2 x 4 = 0
3x1 + 4x 2 − 5x 3 + x 4 = −10
x4 = 1 4x 3 − 5(1) = 3 0x 2 + 2 − 2(1) = 0
3x1 + 4α − 5(2) + 1 = −10
1 + 4α
x3 = 2 0x 2 = 0 → x 2 = α x1 = −
3
Obs: x2 pode assumir qualquer valor. É uma variável livre (ou independente)
Exemplo 3:
3x1 + 4x 2 − 5x 3 + x 4 = −10

 x 3 − 2x 4 = − 1
s=
 4 x 3 − 5x 4 = 3
 2x 4 = 2

2x 4 = 2 4 x 3 − 5x 4 = 3 0x 2 + x 3 − 2x 4 = −1
x4 = 1 4x 3 − 5(1) = 3 0x 2 + 2 − 2(1) = −1
x3 = 2 0x 2 = −1 → Nenhum valor de x2 satisfaz a equação
O sistema é impossível (ou incompatível).
3.4 – SISTEMA INSTÁVEL
Em um sistema instável, uma pequena alteração em um dos coeficientes provoca uma grande
alteração na solução do sistema.
x1 + x 2 = 2 0,99.x1 + x 2 = 2
S= S=
x1 + 1,01.x 2 = 2,01 x1 + 1,01.x 2 = 2,01
1 − 100 
x=  x= 
1  101 
Para verificar se um sistema é instável, calcula-se a grandeza do determinante da matriz A. O
sistema será instável se det(norm( A )) ≅ 0 .
det( A )
det( norm ( A )) =
α1 .α 2 .....α n
onde,
α i = (a i1 ) 2 + (a i 2 ) 2 + ..... + (a in ) 2 p / i = 1,2,..., n
Para o exemplo anterior:
α1 = (a11 ) 2 + (a12 ) 2 = 12 + 12 = 2
α 2 = (a 21 ) 2 + (a 212 ) 2 = 12 + 1,012 = 2,0201
1,01× 1 − 1× 1 0,01
det(norm(A)) = = ≅ 0,005
2 . 2,0201 2,01
Logo, o sistema é instável, pois, comparando este resultado com a unidade, det(norm(A )) ≅ 0
3.5 – RESTOS OU RESÍDUOS
Restos ou Resíduos da solução de Sistemas Lineares é definido como:
R = B − A.X

 r1   b1   a11 a12 L a1n   x1 

 r   b  a a 22 L a 2 n   x 2 
R =  2  =  2  −  21 ×
M  M   M M M M  M
       
rn  b n  a n1 a n 2 L a nn   x n 
Se todas as componentes forem nulas, o vetor solução será a solução exata do sistema.
Se todas forem aproximadamente zero, tem-se que a solução corresponde a uma boa aproximação da
solução exata (em sistemas estáveis)
3.6 – SISTEMAS EQUIVALENTES
Dois sistemas são equivalentes se possuem a mesma solução, ou seja,
s ≈ s' ⇒ x ≈ x'
Dado um sistema s, pode-se obter um sistema equivalente s’ realizando sobre s uma ou mais das
operações abaixo:
- Trocar a ordem de duas equações do sistema.

- Multiplicar uma equação do sistema por uma constante não nula.
- Substituir uma equação pela combinação linear desta com outra equação do sistema.
s → compatível s’ → compatível
s → determinado s’ → determinado
s → indeterminado s’ → indeterminado
3.7 – MÉTODOS DE RESOLUÇÃO DE SELA’s
DIRETOS Eliminação Gaussiana Permitem a solução de um sistema a

Pivotação partir de um número finito de
operações aritméticas lementares.
ITERATIVOS Jacobi Partem de uma aproximação inicial

Gauss-Seidel utilizam sucessões infinitas de aproximações
Através da aplicação de um algoritmo.
3.8 – ELIMINAÇÃO DE GAUSS
Consiste em operar com transformações elementares sobre as equações do sistema, a fim de anular
certos coeficientes, até que obtenha um sistema triangular superior equivalente. Em seguida, resolve-se o
sistema triangular por substituições retroativas cuja solução também é solução do sistema dado.
Exemplo: Resolver o sistema abaixo pelo método da eliminação de Gauss. Verifique o resultado.
2x1 + 3x 2 − x 3 = 5

s = 4x1 + 4x 2 − 3x 3 = 3
2x − 3x + x = −1
 1 2 3
1a etapa: escrever a matriz aumentada do sistema.

2 3 −1 5
A oA = 4 4 −3 3
2 − 3 1 − 1
2a etapa: Montar um sistema triangular equivalente, ou seja, eliminar todos os coeficientes abaixo da
diagonal principal.
OBS: É impossível realizar uma eliminação quando o pivô for nulo (trocar linhas de posição para evitar o
pivô nulo)
Multiplicador: o pivô é o termo a11 = 2
o
ao 4
M o21 = − 21 = − = −2
o 2
a11
o
o a 31 2
M 31 = − = − = −1
o 2
a11
Faz-se as seguintes transformações elementares sobre as linhas de AA
L11 = Lo1 2 3 −1 5
A1A 
= 0 − 2 − 1 − 7
L12 = Lo2 + M o21 × Lo1 = Lo2 − 2 × Lo1
L13 = Lo3 + M 31
o
× Lo1 = Lo3 − 1 × Lo1 0 − 6 2 − 6
O novo pivô é o termo a122 = −2
a132 −6
M132 =− =− = −3
a122 −2
L21 = L11 2 3 −1 5
L22 = L12 A 2A = 0 − 2 − 1 − 7

L23 = L13 + M132 × L12 = L13 − 3 × L12 0 0 5 15 

Como o det A = 2 × −2 × 5 = −20 ≠ 0 (produto dos coeficientes da diagonal principal), o sistema
é possível e determinado
 2 x1 + 3 x 2 − x 3 = 5

s' =  − 2 x 2 − x 3 = −7 ≈ s
 5x 3 = 15

x3 = 3 − 2x 2 − 3 = −7 2x1 + 3× 2 − 3 = 5
− 2x 2 = −4 2x1 + 3 = 5
x2 = 2 2x1 = 2
x1 = 1

1 
 
Logo, a solução do sistema será x = 2
 
 3
Verificação:
2 × 1 + 3 × 2 − 3 = 5 5 = 5
 
4 × 1 + 4 × 2 − 3 × 3 = 3 3 = 3 OK
 2 × 1 − 3 × 2 + 3 = −1  − 1 = −1
 
3.9 – MÉTODO DA PIVOTAÇÃO
Parte de x1 e em cada etapa seleciona-se como linha pivotal aquela cujo coeficiente da incógnita que
se elimina tenha módulo máximo.
- Evita pivô nulo

- Minimiza erros de arredondamento
Exemplo: resolver o sistema abaixo usando o método da Pivotação. Verificar o resultado.
 x1 − x 2 + 3x 3 = 16

s = 4 x 1 + x 2 − x 3 = 2
4 x + 3 x + x = 6
 1 2 3
1 − 1 3 16 4 1 − 1 2 
A oA =  4 1 − 1 2  A oA = 1 − 1 3 16
 4 3 1 6   4 3 1 6 
ao 1 ao 4
M o21 = − 21 = − o
M 31 = − 31 = − = −1
o 4 o 4
a11 a11
L11 = Lo1
4 1 −1 2 
1  13 31
L12 = Lo2 + Mo21 × Lo1 = Lo2 − × Lo1 A1A = 0 −
5
4 4 2
0 24 2 4 
L13 = Lo3 + M31
o
× Lo1 = Lo3 − 1× Lo1 
4 1 −1 2 

A A = 0
1
2 2 4
 5 13 31
0 − 4 4 4 
a1 5 1 5
M132 = − 32 = × =
1
a 22 4 2 8

L2 = L11 4 1 − 1 2 
 
L22 = L12 A 2A = 0 2 2 4
5  9 
L23 = L13 + M132 × L12 = L13 + × L12 0 0 18
8 2 
Logo a solução deste sistema equivalente, que é a mesma solução do sistema original é:
 2
x =  − 2
 4 
Verificação:
2 − ( −2) + 3 × 4 = 16 16 = 16
 
4 × 2 − 2 − 4 = 2 2 = 2 OK
 4 × 2 + 3 × ( −2 ) + 4 = 6 6 = 6
 
3.10 – MÉTODO DE JACOBI
Os métodos iterativos consistem de algoritmos que a partir de um vetor aproximação inicial xo

produzem uma série de aproximações (x1, x2, ....., xn) da solução exata do sistema.
Para garantir a convergência do método de Jacobi, a matriz deve ser estritamente diagonalmente
dominante, ou seja,
n
a ii > ∑a
j=1
ij , i = 1,2,..., n
j≠ i
Exemplo: Resolver o sistema abaixo, pelo método de Jacobi, com ε ≤ 10 −1 ou k >5 (k é o número de
o 0 
iterações) e x =   . Verificar o resultado.
0 
2x − x = 1 2 − 1
s= 1 2 A= det A = 4 + 1 = 5 (única solução)
2 
=>
x1 + 2x 2 = 3 1
Gerar as equações iterativas explicitando x1 na 1a equação, x2 na 2a equação e assim por diante.
 k +1 1 + x k2
 x1 =
 2
 p/ k = 0, 1, 2, ....
 k +1 3 − x1k
x 2 = 2

Para k = 0, tem-se:
 1 1+ 0
x1 = 2 = 0,5 0,5
 x1 =  
x1 = 3 − 0 = 1,5 1,5 
 2 2
Para k = 1, tem-se:
 2 1 + 1,5
x1 = 2 = 1,25 1,25
 x2 =  
x 2 = 3 − 0,5 = 1,25 1,25
 2 2
Para, k = 2 tem-se:
 3 1 + 1,25
x = = 1,13
 1 2  1,13 
 x3 =  
 x 3 = 3 − 1,25 = 0,88 0,88
 2 2
ε ≥ x1k +1 − x1k ε ≥ x 2k +1 − x k2
k
x1k x k2
0 0,00 0,00 --- ---
1 0,50 1,50 0,50 1,50
2 1,25 1,25 0,75 0,25
3 1,13 0,88 0,12 0,37
4 0,94 0,94 0,19 0,06
5 0,97 1,03 0,03 0,09
≤ 10 −1
0,97 
A solução será: x =  
1,03 
Verificação:
2 × 0,97 − 1,03 = 1 0,91 ≅ 1

  OK
0,97 + 2 × 1,03 = 3 3,03 ≅ 3
3.11 – MÉTODO DE GAUSS-SEIDEL
- Possui convergência mais rápida. O método de converge se a matriz for estritamente diagonalmente
dominante.
k
- Para calcular x i , utiliza-se todos os valores que já foram calculados na iteração atual, mais os
valores calculados na iteração anterior.
- Critério de parada é o mesmo do método de Jacobi => ε ≥ x ik +1 − x ik
Exemplo: Resolver o sistema abaixo pelo método de Gauss-Seidel. Verificar o resultado.

2x − x = 1 0 
s= 1 2 , com xo =   e ε ≤ 10 −1
x1 + 2x 2 = 3 0 
As equações iterativas são:
 k +1 1 + x k
 x1 = 2
 2
 p/ k = 0, 1, 2, ....
 k +1 3 − x1k +1
x 2 = 2
 1 1+ 0
x1 = 2 = 0,5
1a iteração: 
x1 = 3 − 0,5 = 1,25
 2 2
ε ≥ x1k +1 − x1k ε ≥ x 2k +1 − x k2
k
x1k x k2
0 0,00 0,00 --- ---
1 0,50 1,25 0,50 1,25
2 1,13 0,94 0,63 0,31
3 0,97 1,02 0,16 0,08
4 1,01 1,00 0,04 0,02
≤ 10 −1
1,01
A solução será: x= 
1,00
Verificação:
2 × 1,01 − 1,00 = 1 1,02 ≅ 1

  OK
1,01 + 2 × 1,00 = 3 3,01 ≅ 3

EXERCÍCIOS
1) Classificar os sistemas abaixo e resolvê-los por substituições retroativas ou progressivas:
2x1 = 4
x + 3x = 2
 1 2
a) 
 x1 − x 2 + 2 x 3 = 0
2x1 + 4x 2 − x 3 + x 4 = 2
3x1 + 4x 2 − 5x 3 + x 4 = −10
x − 2x = −1
 3 4
b) 
4x 3 − 5x 4 = 3
2x 4 = 2
2) Determinar o vetor solução dos sistemas lineares abaixo:
 x1 = 1
x + x = −1
 1 2
a) 
 x1 + x 2 + x 3 = 3
x1 + x 2 + x 3 + x 4 = 3
x1 = 1

x1 + x 2 = −1
b) 2 x1 + x 2 + 3x 3 = 0
 x + x + x = −1
 1 2 3
x1 − x 2 + x 3 − x 4 + x 5 = 3
3) Determinar o vetor solução do sistema linear através do método de eliminação de Gauss:
x1 + x 2 + 2x 3 + 4x 4 = 7,12

x1 + x 2 + 5x 3 + 6x 4 = 12,02
a) 
2x1 + 5x 2 + x 3 + 2x 4 = 14,90
4x1 + 6x 2 + 2x 3 + x 4 = 20,72
4) Resolver pelo método da Pivotação os sistemas:
x1 + x 2 + 2 x 3 = 4

a) 2 x 1 − x 2 − x 3 = 0
 x − x − x = −1
 1 2 3

x1 + 2x 2 + 3x 3 + 4x 4 = 10

2x1 + x 2 + 2x 3 + 3x 4 =7
b) 
3x1 + 2x 2 + x 3 + 2x 4 =6
4x1 + 3x 2 + 2x 3 + x 4 =5
5) Determinar o vetor solução dos sistemas lineares abaixo, através do método de Jacobi, com no
máximo 10 iterações:
a ) Com [ ] T
x ( 0) = 0 0 0 0 e E ≤ 10 −2
x1 − 0,25x 2 − 0,25x 3 = 0


− 0,25x1 + x 2 − 0,25x 4 = 0

− 0,25x1 + x 3 − 0,25x 4 = 0,25
− 0,25x 2 + x 4 = 0,25
b) Com [ ] T
x ( 0) = 1 3 1 3 e E ≤ 10 −2
5x1 − x 2 + 2x 3 − x 4 = 5

x1 + 9x 2 − 3x 3 + 4x 4 = 26

3x 2 − 7 x 3 + 2x 4 = −7
− 2x1 + 2x 2 − 3x 3 + 10x 4 = 33
6) Determinar o vetor solução dos sistemas lineares abaixo, através do método de Gauss-Seidel, com
no máximo 10 iterações:
a) Com [ ]
x ( 0) = 0 0 0 0 e E ≤ 10 −2
T
x1 − 0,25x 2 − 0,25x 3 = 0


− 0,25x1 + x 2 − 0,25x 4 = 0

− 0,25x1 + x 3 − 0,25x 4 = 0.25
− 0,25x 2 + x 4 = 0,25
b) Com [
x ( 0) = 0 0 0 0 0 e E ≤ 10 −2 ] T
10 x1 + 4 x 2 − x 3 + 3x 4 = 2
 − 8 x − 2 x + x − 3x = 5
 2 3 4 5
2 x1 − 4 x 2 + 7 x 3 = 13
− x + 2 x − 3x − 10 x + 2 x = 4
 1 2 3 4 5
2 x1 − x 2 − x 3 + x 4 − 7 x 5 = 7

CAPÍTULO 4
INTERPOLAÇÃO
Muitas funções são conhecidas apenas em um conjunto finito de pontos de um intervalo [a, b] e não
se dispõe de sua forma analítica.
xi a = xo x1 x2 x3 ...... xn
f (x i ) f (x o ) f (x1) f (x 2 ) f (x 3 ) ...... f (x n )
A interpolação consiste em, a partir desses dados tabelados, aproximar f(x) para qualquer x ∈ [a, b]
por meio de outra função g(x) que satisfaça a condição:
f ( x i ) = g( x i ) para todo i = 0,1,2,3,..., n
As funções que substituem as funções dadas podem ser de tipos variados, tais como: exponencial,
logarítmica, trigonométrica e polinomial.
Estudaremos as funções polinomiais.
Por exemplo, para n = 3 , indicamos graficamente:
g(x)
f(x)
x
a = xo x1 x2 x3 = b
A necessidade de se obter a função interpoladora g(x) surge pelas situações:
1) Quando a expressão analítica de f(x) é muito complicada e exige muito esforço no seu manuseio
(ex: operações de integração e diferenciação);
2) Quando realmente só se conhecem os valores de f(x) para o conjunto de n pontos e é necessário

calcular o valor aproximado desta função em qualquer outro ponto x ≠ xi com x ∈ [a, b] (ex:
tabela de pontos obtida a partir de resultados experimentais).
Seja a função y = f ( x ) . Deseja-se determinar f ( x ) onde,
a) x ∈ [x o , x 3 ] e x ≠ x i para i = 0,1,2,3
Devemos fazer uma interpolação, ou seja, determinar um polinômio interpolador que é uma
aproximação da função tabelada.

b) x ∉ [x o , x 3 ]
Devemos realizar uma extrapolação, ou seja, a função interpoladora não garante boa
aproximação.
4.2 – INTERPOLAÇÃO LINEAR
Dados dois pontos distintos de uma função y = f ( x ) : (x o , y o ) e (x1, y1 ) . Deseja-se calcular o

valor de y para um determinado valor de x entre x o e x1 .
O grau do polinômio interpolador é uma unidade menor que o número de pontos conhecidos. Neste
caso, o polinômio interpolador tem grau 1 (dados 2 pontos).
p1 ( x ) = a o + a1x
onde ao e a1 devem ser calculados de forma que se tenha:
p1 ( x o ) = f ( x o ) = y o
p1(x1) = f (x1) = y1
a o + a1x o = y o
 ao e a1 são incógnitas
a o + a1x1 = y1
1 x o 
A=  matriz dos coeficientes
1 x1 
O det A ≠ 0 , pois x o ≠ x1 (pontos distintos) solução única
Exemplo: Seja a função y = f ( x ) definida pelos pontos (0; 1,35) e (1; 2,94) , determine
aproximadamente o valor de f (0,73) .
p1 ( x o ) = a o + a1.0 = 1,35 a o = 1,35

p 2 ( x1 ) = a o + a1.1 = 2,94 1,35 + a1 = 2,94 a1 = 1,59
Logo, p1(x) = 1,35 + 1,59x
Então, p1(0,73) = 2,51
4.3 – INTERPOLAÇÃO QUADRÁTICA
Se, de uma função são conhecidos 3 pontos distintos, o polinômio interpolador será:
P2 (x ) = a o + a1x + a 2 x 2

a o + a1x o + a 2 x o2 = y o 1 x o
 x o2 
 2  
a o + a1x1 + a 2 x1 = y1 A = 1 x1 x12  DetA≠ 0 (pontos distintos)
 2 1 x x 22 
a o + a1x 2 + a 2 x 2 = y 2  2 
Exemplo: Determine o polinômio que interpola os pontos da tabela dada a seguir. Calcule f ( 0,5) .
Verifique o resultado.
xi -2 0 2
f(xi) 18 4 6
Expressão do polinômio interpolador: P2 (x ) = a o + a1x + a 2 x 2
P2 (x o ) = a o + a1 (−2) + a 2 (−2) 2 = 18
P2 (x1 ) = a o + a1(0) + a 2 (0) 2 = 4
P2 (x 2 ) = a o + a1 (2) + a 2 (2) 2 = 6
− 2a1 + 4a 2 = 14
a o − 2a1 + 4a 2 = 18 
 4 − 2a1 + 4a 2 = 18 + 2a1 + 4a 2 = 2
a o = 4 
a + 2 a + 4 a = 6 4 + 2a1 + 4a 2 = 6 8a 2 = 16
 o 1 2
a2 = 2
2−8
2a1 + 4 × 2 = 2 a1 = a1 = −3
2
Logo, P2 ( x ) = 4 − 3x + 2 x 2
Então, P2 (0,5) = 3
Verificação:
Para x = −2 → P2 (−2) = 4 − 3 × ( −2) + 2 × (−2) 2 = 18 → 18 = 18

Para x = 0 → P2 (0) = 4 − 3 × (0) + 2 × (0) 2 = 4 → 4 = 4 OK
Para x = 2 → P2 (2) = 4 − 3 × (2) + 2 × (2) 2 = 6 → 6 = 6
4.4 – INTERPOLAÇÃO POLINOMIAL
As interpolações lineares e quadráticas são casos particulares da interpolação polinomial. Sendo

dados n + 1 pontos distintos, será determinado o polinômio interpolador de grau menor ou igual a n.
n
p n (x ) = a o + a1x + a 2 x 2 + ..... + a n x n ou p n (x ) = ∑ a i x i
i =0
Logo,

a + a x + a x 2 + ..... + a x n = y
 o 1 o 2 o n o o
a + a1x1 + a 2 x1 + ..... + a n x1 = y1
2 n
s= o
M
 2 n
a o + a1x n + a 2 x n + ..... + a n x n = y n
ao, a1, a2, ......, na são as incógnitas, resolvendo-se o sistema tem-se o polinômio pn(x).
4.5 – ERRO DE TRUNCAMENTO PARA A INTERPOLAÇÃO POLINOMIAL
f ( n +1) ( x )
E T ( x ) = (x − x o )(x − x1 ) ..... (x − x n )
( n + 1)!
ou
E T (x) = f ( x) − p n (x)
Na interpolação linear, p( x ) = a o + a1x , aproxima a função f(x) para uma reta que passa pelos
pontos ( x o , y o ) e (x1, y1 ) , como mostra a figura abaixo:
p(x)
y1 f(x)
Et
yo
xo x x1
O erro de truncamento no ponto x depende de sua localização. Se x coincidir com x o ou x1 o
erro é nulo, pois,
f ( n +1) ( x )
E T ( x ) = (x o − x o )(x − x1 ) ..... (x − x n )
0 ( n + 1)!
Exemplo: Seja a função f ( x ) = senx , calcule p1(π / 2) e Et ( π / 2) pelas duas fórmulas.
Dados:
xi yi
p1(x) = 0,77 + 0,07x
1 0,84
2 0,91 p1(π / 2) = 0,88
1) Et = f (x) − p1(x) Et = f (π / 2) − p1(π / 2) = 1 − 0,88 = 0,12
Et ( x ) = (x − x o )(x − x1 )
f ' ' (x)
2)
2!

 π   π  π  (−sen(π / 2))  1
Et  =  − 1 − 2  = (0,57).(−0,43). −  Et ( x ) = 0,12
 2   2  2  2  2
4.6 – INTERPOLAÇÃO DE LAGRANGE
Com o intuito de evitar resolução do sistema de equações lineares durante a determinação do

polinômio interpolador, pode-se representar pn(x) da seguinte maneira:
p n ( x ) = y o L o ( x ) + y1 L1 ( x ) + ....... + y n L n ( x )
ou
n
p n ( x ) = ∑ yi Li ( x )
i =0
Onde, Li(x) é um polinômio qualquer de grau menor ou igual a n com n + 1 pontos distintos conhecidos
(alguns coeficientes podem se anular).
( x − x o ).(x − x1 ).(x − x 2 )......(x − x i −1 ).(x − x i +1 )......(x − x n )

Li ( x ) =
( x i − x o ).(x i − x1 ).(x i − x 2 )......(x i − x i −1 ).(x i − x i +1 )......(x i − x n )
ou
n
∏ (x − x j )
j = 0, j ≠ i
Li (x ) =
n
∏ (x i − x j )
j= 0, j≠ i
logo
n n (x − x j )
p n (x ) = ∑ yi ∏ ( x
i=0 j= 0 i − x j)
j≠ i

Exemplo: Determinar o polinômio interpolador de Lagrange para a função conhecida pelos pontos
tabelados abaixo e calcule p (1,5) . Verificar o resultado.
xi yi 3 3 (x − x )
∑ yi ∏ (x
j
0 4 p3 (x) =
1 2 i=0 j= 0 i − x j)
2 0 j≠ i
3 -6
( x − x1 ).(x − x 2 ).(x − x 3 ) ( x − x o ).(x − x 2 ).(x − x 3 )

p3 ( x ) = y o + y1 +
( x o − x1 ).(x o − x 2 ).(x o − x 3 ) ( x1 − x o ).(x1 − x 2 ).(x1 − x 3 )
( x − x o ).(x − x1).(x − x 3 ) ( x − x o ).(x − x1 ).(x − x 2 )

+ y2 + y3
( x 2 − x o ).(x 2 − x1 ).(x 2 − x 3 ) ( x 3 − x o ).(x 3 − x1 ).(x 3 − x 2 )
( x − 1).( x − 2).( x − 3) ( x − 0).( x − 2).( x − 3) ( x − 0).( x − 1).( x − 2)

p3 ( x ) = 4 +2 +0−6
(−1) (−2) (−3) (1) (−1) (−2) (3) (2) (1)
4
p3 ( x ) = − ( x 2 − 3x + 2)(x − 3) + x ( x 2 − 5x + 6) − x ( x 2 − 3x + 2)
6
4
p3 ( x ) = − ( x 3 − 3x 2 − 3x 2 + 9 x + 2x − 6) + x 3 − 5x 2 + 6x − x 3 + 3x 2 − 2x
6
2
p3 ( x ) = − ( x 3 − 6x 2 + 11x − 6) − 2x 2 + 4x
3
2 22
p3 ( x ) = − x 3 + 4x 2 − x + 4 − 2x 2 + 4x
3 3
2 10
p3 ( x ) = − x 3 + 2 x 2 − x + 4
3 3
p3 (1,5) = 1,25
Verificação:
2 10
p 3 (0) = − × 03 + 2 × 0 2 − × 0 + 4 = 4 → 4 = 4
3 3
2 10
p 3 (1) = − ×13 + 2 ×12 − ×1 + 4 = 2 → 2 = 2 OK
3 3
2 10
p 3 ( 2) = − × 2 3 + 2 × 2 2 − × 2 + 4 = 0 → 0 = 0
3 3
2 10
p 3 (3) = − × 33 + 2 × 32 − × 3 + 4 = −6 → − 6 = −6
3 3

4.7 - INTERPOLAÇÃO COM DIFERENÇAS DIVIDIDAS (FÓRMULA DE NEWTON)
O polinômio pn (x) de grau menor ou igual a n que interpola f(x) em n + 1 pontos distintos pode
ser obtido através da expressão:
p n ( x ) = d o + d1 ( x − x o ) + d 2 ( x − x o )( x − x1 ) + ....... + d n ( x − x o )( x − x1 ).....( x − x n −1 )
Os coeficientes dk, com k = 0,1, 2,...., n são as diferenças divididas.
Tem-se que:
d o = f [x o ]
d1 = f [ x o , x1 ]
M
d n = f [ x o , x1, x 2 ,......, x n −1, x n ]
f[x o ] = f ( x o ) = yo

f[x ] = f ( x1) = y1
ORDEM 0 ⇒  1
M
f[x n ] = f ( x n ) = y n
 f ( x1 ) − f ( x o )
f[x o , x1 ] = x1 − x o

 f ( x 2 ) − f ( x1 )
f[x1, x 2 ] =
ORDEM 1 ⇒  x 2 − x1
M

 f ( x n ) − f ( x n −1 )
f[x n -1 , x n ] = x n − x n −1

 f [ x1, x 2 ] − f [ x o , x1 ]
f[x o , x1, x 2 ] = x2 − xo

 f [ x 2 , x 3 ] − f [ x1, x 2 ]
f[x1, x 2 , x 3 ] =
ORDEM 2 ⇒  x 3 − x1
M

 f [ x n −1, x n ] − f [ x n − 2 , x n −1 ]
f[x n - 2 , x n -1, x n ] = x n − x n −2

f [ x1, x 2 ,..., x n ] − f [ x o , x1,...., x n −1 ]

ORDEM N : f[x o , x1,....., x n −1, x n ] =
xn − xo
Assim,

x ORDEM ORDEM 1 ORDEM 2 ORDEM 3

0
f ( x1 ) − f ( x o ) f [ x1, x 2 ] − f [ x o , x1 ] f [x o , x1 , x 2 , x 3 ] =
f [x o , x1 ] = f [x o , x1 , x 2 ] =
xo f (x o )
x1 f ( x1 ) x1 − x o x2 − xo f [ x1 , x 2 , x 3 ] − f [ x o , x1 , x 2 ]
x3 − xo
f ( x 2 ) − f ( x1 )
f [x1 , x 2 ] =
x2 f (x 2 )
x 2 − x1
f (x 3 ) − f ( x 2 ) f [ x 2 , x 3 ] − f [ x1 , x 2 ]
f [x 2 , x 3 ] = f [x1 , x 2 , x 3 ] =
x3 f (x 3 )
x3 − x 2 x 3 − x1
Exemplo: Construir a tabela das diferenças divididas e obter, pela fórmula de Newton, o polinômio
interpolador dos pontos dados na tabela abaixo. Verifique o polinômio encontrado.
xi -2 0 2
f(xi) 18 4 6
Na tabela tem-se n + 1 = 3 pontos conhecidos, logo n = 2 . O polinômio interpolador de f(x), pela

fórmula de Newton será dado por:
p 2 ( x ) = d o + d1 ( x − x o ) + d 2 ( x − x o )( x − x1 )
p 2 ( x ) = d o + d1 ( x + 2) + d 2 ( x + 2)( x − 0)
p 2 (x ) = d o + d1 (x + 2) + d 2 (x 2 + 2x )
Quando se tem n + 1 pontos conhecidos, pode-se calcular n diferenças divididas de 1ª ordem, n −1

de 2ª ordem e assim sucessivamente, até uma diferença dividida de ordem n.
n +1 = 3 2 dd de 1ª ordem
n=2 1 dd de 2ª ordem
x ORDEM 0 ORDEM 1 ORDEM 2

x o = −2 d o = f (−2) = 18 4 − 18 d 2 = f [x o , x1 , x 2 ]
d1 = f [x o , x1 ] = = −7
x1 = 0 f (0) = 4 2 1 − (−7) 8
d2 = = =2
x2 = 2 f ( 2) = 6 6−4 2+2 4
f [x1 , x 2 ] = =1
2
O polinômio será: p 2 (x ) = 18 − 7( x + 2) + 2( x 2 + 2x ) = 18 − 7 x − 14 + 2x 2 + 4x
p 2 (x ) = 2x 2 − 3x + 4
Verificação:
p 2 (−2) = 2(−2) 2 − 3(−2) + 4 = 18 → 18 = 18
p 2 (0) = 2(0) 2 − 3(0) + 4 = 4 → 4=4 OK
p 2 (2) = 2(2) 2 − 3(2) + 4 = 6 → 6=6

EXERCÍCIOS
1) Calcule o número aproximado de habitantes de Belo Horizonte em 1975 usando os valores dados
pela tabela abaixo para os anos de 1970 e 1980.
Número de habitantes de Belo Horizonte nos censos de 1950, 1960, 1970 e 1980:
ANO 1950 1960 1970 1980

Habitantes 352.724 683.908 1.235.030 1.814.990
3) Dada a tabela abaixo:
xi 0 π/6 π/4 π/3 π/2

f(xi) 0,00 0,33 0,56 0,74 0,78
a) Determine uma função quadrática interpoladora e ache f(π/5).

b) Determine f(11π/18).
3) Utilizando os valores da função f ( x ) = x 2 − 3x + 1 , dados na tabela abaixo:
xi 0,5 1,0 1,5

f(xi) − 0,25 −1 − 1, 25
a) Determinar f(1,2) usando interpolação linear e calcular o erro de truncamento.

b) Determinar f(1,2) usando interpolação quadrática e calcular o erro de truncamento.
4) Calcular um valor aproximado de e 0,25 usando os valores abaixo e calcular o erro de

truncamento.
x 0,1 0,2 0,3 0,4

1,105 1,221 1,350 1,492
ex
a) usando interpolação linear.
b) usando interpolação quadrática
5) Obtenha o polinômio interpolador da função dada pela tabela.
xi 0 1 2 3
yi 4 2 0 -6
6) Determine o polinômio interpolador de Lagrange de acordo com a tabela.
xi 1 2 3
f(xi) 1 2 3
7) Determine o polinômio interpolador de Lagrange de acordo com a tabela.
xi -2 0 2
f(xi) 18 4 6
8) Construa a tabela de diferenças divididas e obtenha o polinômio interpolador da função
dada na tabela.
xi 0 1 2 3
f(xi) 4 2 0 -6

9) Calcule pelo método de Newton o valor interpolado de f(1.26), usando um polinômio de

grau 2 e a tabela abaixo.
xi 0.5 0.7 0.9 1.1 1.3

f(xi) 4,0 3,0 4,5 3,5 5,0
10) Ajuste os pontos da tabela abaixo a uma parábola.
xk -2 -1 0 1 2 3
yk -3 -2 0 4 8 11

CAPÍTULO 5
AJUSTE DE CURVA
O Ajuste de curva consiste no traçado de uma curva c mais próxima quanto possível do sistema de
pontos pi ( x i , yi ) com i = 1, 2,3,..., n .
y
c
y2
y1 yn
y3
x
x1 x2 x3 xn
k
A obtenção de uma função f ( x i ) que seja uma “boa aproximação” para os valores tabelados e que
permita extrapolar com certa margem de segurança é conhecida como função de ajuste.
Interpolação: a função interpoladora tem que coincidir com os pontos tabelados.
Ajuste: não é necessário que os pontos tabelados coincidam com a função ajuste, mas que a diferença
entre o valor de ajuste e o tabelado seja pequena.
5.2 – MÉTODO DOS MÍNIMOS QUADRADOS
Defini-se como resíduo do ajuste para cada ponto:
R k = f k (x k ) − f (x k ) p / k = 1,2,3,.... , n
O mmq determina que a função que melhor se ajusta aos m pontos dados é aquela para a qual a soma
dos quadrados dos resíduos seja mínima:
∑ [f k (x k ) − f (x k )] 2 → 0
m
R=
k =1
5.3 – AJUSTE A UM POLINÔMIO DE GRAU N
Para ajustar f(x) por um polinômio de grau n ≥ 1 , a função de ajuste deverá ter a seguinte expressão:
f k (x ) = a o + a1x + a 2 x 2 + .... + a n x n
Os coeficientes a o , a1, a 2 ,...., a n podem ser obtidos a partir da resolução do seguinte sistema:

 m
 ∑ xk ∑ x 2k L ∑ x nk  a o   ∑ y k 
 
∑ x k ∑ x 2k ∑ x 3k L ∑ x nk +1   a1  ∑ x k .y k 
 
∑ x nk + 2  . a 2  = ∑ x k .y k 
2
∑ x k ∑ x 3k ∑ x 4k
2
L
 M M M M  M   M 
   
∑ x nk +1 ∑ x nk + 2 ∑ x k  a n  ∑ x k .y k 
  n
∑ x k
n 2n
L
Onde m é o número de pontos da tabala dada.
5.3.1 – Ajuste Linear
Exemplo: A tabela abaixo mostra o desempenho de um torno de parafusos em função de sua idade. Faça a
projeção anual de 5 até 8 anos.
t (anos) 1 2 3 4
p (parafusos/dia) 240 200 180 150
Fazendo um diagrama com os pontos dados, verifica-se que uma reta é um bom ajuste para a função
tabelada. Logo,
y
250
200
150
f k ( x) = a o + a1x
100
50
x
2 3 4
Construindo a tabela,1tem-se:
k xk x 2k yk xk.yk
1 1 1 240 240
2 2 4 200 400
3 3 9 180 540
4 4 16 150 600
∑ 10 30 770 1780
 m ∑ x k  a o   ∑ yk   4 10 a o   770 
 x 2.  =   10 30 .  a  = 1780
∑ k ∑ x k   a1  ∑ x k .yk     1  
4a o + 10a1 = 770


10a o + 30a1 = 1780
a o = 178 − 3a1
4(178− 3a1) + 10a1 = 770 712 − 12a1 + 10a1 = 770 − 2a1 = 58

a1 = −29
f k ( x ) = 265 − 29 x
a o = 178 − 3(−29) a o = 265
Projetando a produção, tem-se:
t (anos) 5 6 7 8
p (parafusos/dia) 120 91 62 33
5.3.2 – Ajuste Para Casos Não Lineares
Em alguns casos, a função escolhida para ajuste pode não ser a polinomial. Para se aplicar o método
dos mínimos quadrados é necessário efetuar uma linearização através de algumas transformações
convenientes (substituição de uma ou mais variáveis por funções destas variáveis).
Exemplo 1: Ajuste Exponencial
y = a.e bx sendo y>0 y

20
ln y = ln a + ln e bx ln y = ln a + bx
Fazendo: z = ln y , a o = ln a e a1 = b 15
Tem-se a função linearizada: z = ao + a1x

10
Ajustar uma curva para os pontos da tabela
xk -1 0,1 1,5 3,3 4,5 5

yk 3,8 5,9 8,8 12 19,8
-1 1 2 3 4 5 x
O gráfico sugere um ajuste exponencial f * ( x ) = y = a.e bx .
Linearizando o modelo tem-se:
ln y = ln a + bx z = ao + a1x
xk -1 0,1 1,5 3,3 4,5

z = ln yk 1,34 1,77 2,17 2,48 2,99

Para obter ao e a1, tem-se:
k xk zk
x 2k xk .zk
1 -1 1 1,34 -1,34
2 0,1 0,01 1,77 0,18
3 1,5 2,25 2,17 3,26
4 3,3 10,89 2,48 8,18
5 4,5 20,25 2,99 13,46
∑ 8,4 34,40 10,75 23,74
5 8,4  a o  10,75
8,4 34,40 ×  a  = 23,74
   1  
5a o + 8,4a1 = 10,75 a o = 1,68

 
8,4a o + 34,40a1 = 23,74 a1 = 0,28
Levando estes valores nas expressões deduzidas para o caso linear tem-se:
a o = ln a = 1,68 → a = e1,68 → a = 5,37

a1 = b = 0,28
Logo, f * ( x ) = 5,37 e0,28x
Exemplo 2: y = a.c bx sendo y > 0 , c > 0 e c ≠1
logc y = logc (a.c bx ) logc y = logc a + logc c bx
log c y = log c a + bx z = log c y


↓ ↓ ↓ a o = log c a
z ao a1 a = b
 1
Função linearizada: z = ao + a1x
Exemplo 3: y = a.b x sendo y>0
ln y = ln(a.b x ) ln y = ln a + ln b x
ln y = ln a + x. ln b z = ln y
↓ ↓ ↓ 
a o = ln a
z ao a1 a = ln b
 1
Exemplo 4: y = a.x b sendo y>0 e x>0

ln y = ln(a.x b ) ln y = ln a + ln x b
ln y = ln a + b. ln x z = ln y
a = ln a
 o
↓ ↓ ↓ ↓ 
z ao a1 t a1 = b
t = ln x
Função linearizada: z = a o + a1t
1
Exemplo 5: y=
a + bx
1  1
y
= a + bx z = y

↓ ↓ ↓ a o = a
z a o a1 a = b
 1

Exemplo 6: y = a + b. cos x
y = a + b. cos x z = y
a = a
 o
↓ ↓ ↓ ↓ 
z a o a1 t a1 = b
t = cos x
Função linearizada: z = a o + a1t

EXERCÍCIOS
1) Ajuste os dados da tabela ao modelo y = a.10 bx .

xk -1 0.1 1.5 3.3 4.5
yk 3.8 5.9 8.8 12 19.8
2) O número de bactérias (Y) por unidade de volume em cultura após (X) horas é apresentado na
tabela a seguir.
xi 2 3.5 6 8
yi 8.4 13 19 24
Ajuste os dados à curva y = a.x b e determine a quantidade de bactérias para x=10 horas.
3) Para a tabela abaixo, ajuste pelo método dos mínimos quadrados uma fórmula do tipo y = a.e kx .
xk 1 2 3 4 5
yk 7 11 17 27 41
4) Para os dados da tabela abaixo, ajustar pelo método dos mínimos quadrados uma fórmula do tipo
y = a.x b .
xi 2 3 3.5 4
yi 65 60 55 50
5) Ache a curva trigonométrica do tipo y = a + b cos( x ) pelo métodos dos mínimos quadrados para
a tabela abaixo.
xk 0.1 0.2 0.5 0.7 0.9 1.3

yk 2.31 2.29 2.24 2.17 2.10 1.95

CAPÍTULO 6
INTEGRAÇÃO NUMÉRICA
Se uma função f(x) é contínua em um intervalo [a,b] e sua primitiva F(x) é conhecida, então a
integral definida desta função neste intervalo é dada por:
b
∫ f (x ) dx = F(b) − F(a) , onde F' ( x ) = f ( x )
a
Por exemplo:
3
2 x3
∫ x dx = 9 , pois, F( x ) = é uma função cuja derivada é f ( x ) = x
2
0
3
3
2 33 03
Assim, ∫ x dx = F(3) - F(0) = 3
−
3
=9
0
Em alguns casos o valor dessa primitiva F(x) não é conhecido ou é de difícil obtenção e, em situações
práticas, nem sempre se tem a função a ser integrada definida por uma fórmula analítica (mas definida por
tabela de pontos). Assim é necessária a utilização de métodos numéricos para calcular o valor da integral
definida f(x).
A seguir estudaremos dois métodos numéricos de integração: Método dos trapézios e Método de
Simpson.
6.2 – REGRA DO TRAPÉZIO
Consiste em substituir a função integrando f(x) por um polinômio interpolador de grau 1 que a
interpole nos extremos do intervalo de integração [a,b].
6.2.1 – Interpretação Geométrica
f (x)
P1(x)
f (x1)
f (x o )
a = xo b = x1
b = x1
IT = ∫ P1 ( x) dx =
h
[ f ( xo ) + f ( x1 )] = h ( yo + y1 ) área do trapézio da geometria
a = xo
2 2
A integral do polinômio interpolador é a área do trapézio de altura h e bases f(xo) e f(x1).

6.2.2 – Erro de Truncamento
A diferença entre a integral exata de f(x) e a integral aproximada (trapézio) é o erro de integração:
h3
ET = − f " (c) , a ≤ c ≤ b
12
OBS:
a) f " (c) deve ser o maior valor de f " ( x ) , no intervalo [a,b].
b) Se f " ( c ) > 0 o erro na integração é por excesso e se f " ( c ) < 0 o erro na integração é por falta.
6.2.3 – A Integral pela Regra do Trapézio
A integral resultante da Regra do Trapézio será dada pela expressão:
3
I = IT + E T =
h
[f ( x o ) + f ( x1)] − h f "(c)
2 12
3,6
dx
Exemplo: Calcular, pela regra do trapézio o valor de I = ∫
3,0
x
1o) cálculo de IT:
xi f(xi)
1
f (x ) = 3,0 0,3333
x 3,6 0,2778
h = x1 − xo = 3,6 − 3,0 = 0,6
IT =
h
[f ( x o ) + f ( x1)] = 0,6 [0,3333 + 0,2778] = 0,18333
2 2
2o) cálculo de ET:
f ( x ) = x −1 f ' ( x ) = − x −2 f ' ' ( x ) = 2 x −3 xi f’’(xi)

3,0 0,074
3,6 0,043
h3 h3 2 0, 6 3 2
ET = − f " ( c) = − . 3 = − . = −1,333 × 10 − 3
12 12 x 12 27
3o) cálculo de I:
I = IT + ET = 0,1833 − 1,333 × 10−3 = 0,1820
Pelo cálculo integral (analiticamente):
3,6
dx
I= ∫ = ln(3,6) − ln(3,0) = 0,18232
3,0
x

6.3 – METODO DOS TRAPÉZIOS REPETIDOS OU FÓRMULA COMPOSTA DOS

TRAPÉZIOS
Podemos constatar que quanto maior for o intervalo de integração, maior será o erro cometido pelo
método dos trapézios. Uma forma de se melhorar o resultado obtido (minimizar o erro) é subdividir o
intervalo [a,b] em n intervalos de amplitude h (partes iguais) e a cada subintervalo aplica-se a regra dos
trapézios.
f (x)
x o x1 x 2 x3 x4 x5 x6 x7 x8 x9 x10 L x
Somando a área dos n trapézios temos:
I TR =
h
[f ( x o ) + 2f (x1 ) + 2f ( x 2 ) + ... + 2f (x n −1 ) + f ( x n )]
2
O erro total cometido é a soma dos erros cometidos na aplicação da fórmula dos trapézios a cada
subintervalo.
ETR = E1 + E2 + ...+ En
(b − a )3
E TR = − f " (c )
12 .n 2
Assim: I = ITR + ETR

OBS: Quanto maior o número de subintervalos, menor será o erro.
Exemplo:
Calcular a integral abaixo utilizando a regra dos trapézios composta subdividindo o intervalo [a,b] em
6 subintervalos.
3,6
dx b − a 3,6 − 3,0
I= ∫ h= = = 0,1 xi f(xi)
3,0
x n 6 3,0 0,3333
3,1 0,3226
3,2 0,3125
1o) cálculo de ITR:
3,3 0,3030
3,4 0,2941
1 1 1
f (x ) = f ' (x) = − f ' ' (x) = 2 3,5 0,2857
3,6 0,2778
x x2 x3

I TR =
h
[f (x o ) + 2f (x1) + 2f (x 2 ) + 2f (x 3 ) + 2f (x 4 ) + 2f ( x 5 ) + f (x 6 )]
2
0,1
ITR = [0,3333+ 2.0,3226+ 2.0,3125+ 2.0,3030+ 2.0,2941+ 2.0,2857+ 0,2778] = 0,18235
2
2o) cálculo de ETR:
(b − a ) 3 (3,6 − 3,0) 3 2
E TR = − f " (c) = − × = −3,704 × 10 −5
12.n 2 12 × 6 2 27
3o) cálculo de I:
I = I TR + E TR = 0,18235 − 3,704 × 10 −5 = 0,182313
OBS: A precisão deste resultado é superior ao do método anterior.
6.4 – REGRA DE SIMPSON
Consiste em substituir a função integrando f(x) por um polinômio interpolador de grau 2

(parábola), que a interpole em 3 pontos igualmente espaçados xo, x1 e x2, onde, x o = a , x1 = a + h e
x2 = a + 2h = b .
f (x)
f (x1)
f (x o ) P2 (x)
a = xo x1 b = x2
h h
Is =
h
[f (x o ) + 4f (x1 ) + f (x 2 )]
3
h5
Es = − f ' ' ' ' (c )
90
I = Is + Es
3,6
dx
Exemplo: Calcular pela regra de Simpson o valor de I = ∫ .
3,0
x
xi f(xi)
3,0 0,3333
3,3 0,3030
3,6 0,2778

b−a
h= = 0,3
2
IS =
h
[f (x o ) + 4f (x1 ) + f (x 2 )] = 0,3 [0,3333 + 4 × 0,3030 + 0,2778] = 0,18232323
3 3
1 1 2 6 24
f (x ) = f ' (x) = − f ' ' (x) = f ' ' ' (x) = − f ' ' ' ' (x) =
2 3 4
x x x x x5
h5 0,35 24
ES = − f ' ' ' ' ( c) = − × = −2,6667 × 10 −6
90 90 3 5
I = IS + ES = 0,18232323− 2,6667×10−6 = 0,1823206
6.5 – REGRA DE SIMPSON REPETIDA
Deve-se substituir o intervalo de integração [a,b] em n subintervalos (n par) iguais de amplitude h

e a cada par de subintervalos aplicar a regra de simpson simples:
Área do 1o par de subintervalos:

h
[f ( x o ) + 4f ( x1 ) + f (x 2 )]
3
Área do 2o par de subintervalos:
h
[f (x 2 ) + 4f (x 3 ) + f ( x 4 )]
3
M
Área do último par de subintervalos:
h
[f ( x n −2 ) + 4f ( x n −1 ) + f (x n )]
3
Somando as áreas temos:
ISR =
h
[f (x o ) + 4f (x1) + 2f (x 2 ) + 4f (x 3 ) + 2f (x 4 ) + L + 2f (x n −2 ) + 4f ( x n −1 ) + f (x n )]
3
E SR = −
(b − a )5 f ' ' ' ' (c)
180 n 4
I = ISR + ESR
Exemplo: Calcular o valor da integral I aplicando a regra de Simpson repetida. Usar

n = 4.
2
I = ∫ ( x 2 + 2x + 1) dx
1 xi f(xi)
1,00 4,0000
1,25 5,0625
1,50 6,2500
1,75 7,5625
2,00 9,0000

b − a 2 −1
h= = = 0,25
4 4
ISR =
0,25
[4 + 4 × 5,0625 + 2 × 6,2500 + 4 × 7,5625 + 9] = 6,333333
3
f (x ) = x 2 + 2x + 1 f ' (x) = 2x + 2 f ' ' (x) = 2 f ' ' ' (x ) = f ' ' ' ' (x ) = 0
E SR = −
(b − a )5 f ' ' ' ' (c) = 0
180 n 4
I = ISR + ESR = 6,3333333
Analiticamente, o valor desta integral será:
2 2
x3
I = ∫ ( x + 2x + 1) dx =
2
+ x 2 + x = 6,333333
1
3
1
Referências Bibliográficas
RUGGIERO, M. A. G. e LOPES, V. L. R. - Cálculo Numérico: Aspectos Teóricos e Computacionais,
2. ed. Makron Books: São Paulo, 1997.
SPERANDIO, D., e outros. Cálculo Numérico: Características Matemáticas e Computacionais dos

Métodos Numéricos. Prentice Hall: Sao Paulo, 2003.
Créditos: Inatel – Instituto Nacional de Telecomunicações

Professora: Karina Perez Mokarzel

Cálculo - Numerico v2

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Cálculo - Numerico v2

Enviado por

Direitos autorais:

Formatos disponíveis

Engenharia de Telecomunicações (1º Ano – 2º Semestre)

ISUTIC - Instituto Superior para as

Disciplina de Cálculo Nunérico – 1º Ano – 2º Semestre 1

Disciplina de Cálculo Numérico – 1o Ano – 2º Semestre 2

∆l = 1 . (0,001253 . 10 + 0,000068 . 10 2 ) = 0,019330 m

Como os valores de α e β foram obtidos experimentalmente com a precisão da ordem de 10 −6 ,

0,001252 < α < 0,001254

∆l > 1 . (0,001252 . 10 + 0,000067 . 10 2 ) = 0,019220 m

0,019220 < ∆l < 0,019440 m

PROBLEMA modelagem MODELO resolução SOLUÇÃO

Disciplina de Cálculo Numérico – 1o Ano – 2º Semestre 3

Os erros são cometidos em todos os passos do esquema:

MODELAGEM: erros iniciais ou inerentes

Na engenharia, muitas vezes:

MODELOS Conduzem PROBLEMAS CUJA SOLUÇÃO EXATA

Usam-se métodos que forneçam uma aproximação da

Número aproximado: é aquele cuja representação se difere do número exato.

1.2 – ERRO ABSOLUTO

1) Qual é o erro absoluto cometido ao substituirmos 2 por 1,41?

EA ( x ' =1, 41) = 2 − 1,41 = 1,4142135.... − 1,41 = 0,0042135......

EA (0,66) = 0,6666...... − 0,66 = 0,0066.....

OBS: Quando não se conhece o valor exato X, o erro absoluto é indeterminado.

1.3 – COTA SUPERIOR DE ERRO ABSOLUTO

Seja c > 0 um valor tal que,

Disciplina de Cálculo Numérico – 1o Ano – 2º Semestre 4

EA ( X ') = X − X' < c

Exemplo: se tomarmos a aproximação 3,1428 para o número irracional π = 3,141592.... , o erro

EA (3,1428) = π − 3,1428 = 0,001207 < 0,5 × 10 −2 m=2

A aproximação π ' de π possui somente as duas primeiras casas decimais corretas.

1.4 – ERRO RELATIVO

O erro relativo é definido como:

Erro percentual relativo é:

X = 0,00006 EA (X') = 0,00001

Y = 100500 EA (Y ') = 500

Qual foi a aproximação mais precisa?

1.5 – ERROS DE ARREDONDAMENTO

Disciplina de Cálculo Numérico – 1o Ano – 2º Semestre 5

1) Valor exato: 3 = 1,7320508.... Valor aproximado: 1,732

2) Valor exato: π 2 = 1,5707963.... Valor aproximado: 1,571

1.6 – ERROS DE TRUNCAMENTO

Na matemática aplicada, algarismos significativos são utilizados para monitorar os erros

Dada uma representação decimal:

1. os algarismos zero que correspondem às ordens maiores não são significativos.

Disciplina de Cálculo Numérico – 1o Ano – 2º Semestre 6

157,0 4 algarismos significativos.

Exemplos com potência de 10:

3200 ou 3,2 x 103 2 algarismos significativos

0,0240 m = 0,240 × 10 −1 m = 0,240 dm

Observe que o número de algarismos significativos é sempre três, independentemente da

Disciplina de Cálculo Numérico – 1o Ano – 2º Semestre 7

a) o valor aproximado tem 5 algarismos significativos;

5) Arredonde e trunque cada um dos números abaixo para 4 algarismos significativos:

a) 85,432431 b) 0,003134499 c) 998,075414

7) Determine o erro relativo cometido no cálculo do valor numérico de y ( x) = 3 x 2 + 2 x − 5 ,

Disciplina de Cálculo Numérico – 1o Ano – 2º Semestre 8

Em muitos problemas de Ciência e Engenharia, há necessidade de se determinar um número α para

2.2 – ETAPA DE ISOLAMENTO

2.2.1 – Método do Tabelamento

Algumas equações algébricas de 1º e 2º graus, certas classes de 3º e 4º graus e algumas equações

Disciplina de Cálculo Numérico – 1o Ano – 2º Semestre 9

2.2.2 – Teorema da Existência e Unicidade – T.E.U

I – Seja uma função contínua no intervalo [a,b].