NOTAS DE AULA SOBRE CÁLCULO NUMÉRICO

NOTAS DE AULA
Cálculo Numérico
Universidade Tecnológica Federal do Paraná
- UTFPR -
Maiko Fernandes Buzzi

Cálculo Numérico – (Maiko) ii
Índice
1 Noções básicas sobre Erros........................................................................... 1-1
1.1 Erros ............................................................................................................. 1-1
1.2 Erros Absolutos e Relativos ............................................................................ 1-1
1.2.1 Erro Absoluto.................................................................................................................. 1-1
1.2.2 Erro Relativo ou Taxa de Erro ......................................................................................... 1-2
1.3 Erros de Arredondamento e Truncamento...................................................... 1-2
1.3.1 Erro de Arredondamento ............................................................................................... 1-2
1.3.2 Erro de Truncamento ..................................................................................................... 1-2
1.4 Aritmética de Ponto Flutuante ....................................................................... 1-2
1.5 Conversão de Bases ....................................................................................... 1-3
1.5.1 Conversão da Base  para a Decimal (10) ................................................................ 1-3
1.5.2 Conversão da Base Decimal para a  (10) ................................................................ 1-4
1.5.3 Exercícios: Conversão de Bases ...................................................................................... 1-6
1.6 Operações de Pontos Flutuantes .................................................................... 1-7
1.6.1 Representações .............................................................................................................. 1-7
1.6.2 Exercícios ........................................................................................................................ 1-7
1.6.3 Exercícios complementares ............................................................................................ 1-8
2 Zeros reais de funções reais........................................................................ 2-11

2.1 Introdução .................................................................................................. 2-11
2.2 Fase I: Isolamento das raízes ........................................................................ 2-11
2.3 Fase II: Refinamento - Critérios de Parada .................................................... 2-15
2.3.1 Método da Bissecção (ou Método da Dicotomia) ........................................................ 2-15
2.3.2 Método do Ponto Fixo (ou Método da Iteração Linear ou Método das Aproximações
sucessivas) 2-18
2.3.3 Método de Newton, Newton-Raphson (ou Método das Tangentes) ........................... 2-26
2.3.4 Método da Secante ...................................................................................................... 2-29
2.3.5 Comparação entre os métodos .................................................................................... 2-32
3 Resolução de sistemas de equações lineares .............................................. 3-34

3.1 Introdução .................................................................................................. 3-34
3.1.1 Forma Algébrica de Sn .................................................................................................. 3-34
3.1.2 Forma Matricial de Sn .................................................................................................. 3-34
3.1.3 Matriz Aumentada ou Matriz Completa do Sistema .................................................... 3-34
3.1.4 Solução do Sistema ...................................................................................................... 3-34
3.1.5 Classificação de um Sistema Linear .............................................................................. 3-34
3.1.6 Classificação quanto ao Determinante de A ................................................................ 3-35
3.2 Métodos diretos .......................................................................................... 3-35
3.2.1 Método de Eliminação de Gauss .................................................................................. 3-35
3.2.2 Estratégia de Pivoteamento Completo ........................................................................ 3-38
3.2.3 Fatoração LU ................................................................................................................ 3-40
3.2.4 Refinamento de Soluções ............................................................................................. 3-46
3.3 Métodos iterativos ...................................................................................... 3-47
3.3.1 Testes de parada .......................................................................................................... 3-47
3.3.2 Método de Gauss-Jacobi .............................................................................................. 3-47
3.3.3 Método de Gauss-Seidel .............................................................................................. 3-50
3.3.4 Comparação entre os métodos .................................................................................... 3-51
3.3.5 Critério de Sassenfeld ................................................................................................... 3-53
4 Interpolação .............................................................................................. 4-55

Cálculo Numérico – (Maiko) iii
4.1 Interpolação polinomial ............................................................................... 4-55
4.1.1 Existência e Unicidade do Polinômio Interpolador Pn(x) .............................................. 4-55
4.1.2 Forma de Lagrange ....................................................................................................... 4-56
4.1.3 Forma de Newton......................................................................................................... 4-58
4.2 Estudo de erro na interpolação .................................................................... 4-59
4.2.1 Estimativa para o Erro .................................................................................................. 4-60
4.3 Interpolação inversa: casos existentes.......................................................... 4-61
4.3.1 Encontrar x tal que Pn (x ) ....................................................................................... 4-61
4.3.2 Interpolação inversa ..................................................................................................... 4-62
4.4 Funções spline em interpolação ................................................................... 4-63
4.4.1 Função Spline ............................................................................................................... 4-64
4.4.2 Spline linear interpolante ............................................................................................. 4-64
4.4.3 Spline cúbica interpolante ............................................................................................ 4-65
5 Ajuste de curvas pelo método dos mínimos quadrados ............................... 5-71

5.1 Introdução .................................................................................................. 5-71
5.2 Caso Discreto............................................................................................... 5-72
5.3 Caso Contínuo ............................................................................................. 5-76
5.4 Família de Funções Não Lineares nos Parâmetros ......................................... 5-79
6 Integração Numérica ................................................................................. 6-81
6.1 Fórmulas de Newton-Cotes .......................................................................... 6-81
6.1.1 Regra dos Trapézios ..................................................................................................... 6-81
6.1.2 Regra dos Trapézios repetida ....................................................................................... 6-83
6.1.3 Regra 1/3 de Simpson .................................................................................................. 6-84
6.1.4 Regra 1/3 de Simpson repetida .................................................................................... 6-87
7 Solução numérica de equações diferenciais ordinárias ................................ 7-90

7.1 Introdução .................................................................................................. 7-90
7.2 Problema de valor inicial (PVI) ..................................................................... 7-91
7.2.1 Solução numérica de um PVI de primeira ordem......................................................... 7-91
7.2.2 Método de Euler........................................................................................................... 7-91
7.2.3 Métodos de Runge-Kutta ............................................................................................. 7-94
7.2.4 Método de Euler Aprimorado (Método de Runge-Kutta de Segunda Ordem) ............ 7-96
7.2.5 Fórmulas de Runge-Kutta de Quarta Ordem................................................................ 7-96
8 Referências Bibliográficas .......................................................................... 8-98

Cálculo Numérico Noções básicas sobre Erros 1-1
1 Noções básicas sobre Erros

Fenômenos da natureza podem ser descritos através do uso de modelos matemáticos.
MODELAGEM RESOLUÇÃO
MODELO
PROBLEMA SOLUÇÃO
MATEMÁTICO
• MODELAGEM: é a fase de obtenção de um modelo matemático que descreve o
comportamento do problema que se quer estudar.
• RESOLUÇÃO: é a fase de obtenção da solução do modelo matemático através da
aplicação de métodos numéricos.
1.1 Erros
Para se obter a solução do problema através do modelo matemático, erros são cometidos
nas fases: MODELAGEM e RESOLUÇÃO.
1. Calcular a área da superfície terrestre usando a formulação 𝐴 = 4𝜋𝑟 2 .

Resolução: Aproximações (ERROS):
MODELAGEM: a Terra é modelada como uma esfera, uma idealização de sua forma
verdadeira. O raio da Terra é obtido por medidas empíricas e cálculos prévios.
RESOLUÇÃO: o valor de  requer o truncamento de um processo infinito; os dados de
entrada e os resultados de operações aritméticas são arredondados pelo computador.
OBS. 1: Características do planeta Terra.
• Características Físicas:
Diâmetro Equatorial: 12756Km;
Diâmetro Polar: 12713Km;
Massa: 5,981024Kg;
Perímetro de Rotação Sideral: 23h 56min 04seg;
Inclinação do Equador Sobre a Órbita: 23o 27’.
• Características Orbitais:
Raio da Órbita, isto é, 1U.A. (unidade astronômica): 149897570Km;
Distância Máxima do Sol: 152100000Km;
Distância Mínima do Sol: 147100000Km;
Período de Revolução Sideral: 365dias 6h 9min 9,5seg;
Velocidade Orbital Média: 29,79Km/seg.
1.2 Erros Absolutos e Relativos

1.2.1 Erro Absoluto
É o módulo da diferença entre um valor exato 𝑥 de um número e seu valor aproximado
𝑥̅ .
𝐸𝐴𝑥 = |𝑥 − 𝑥̅ |,
onde 𝑥 é o valor exato e 𝑥̅ é o valor aproximado.
Geralmente não se conhece o valor exato 𝑥. Assim, o que se faz é obter um limitante
superior (𝑘1 majorante) ou uma estimativa para o módulo do erro absoluto.
|𝐸𝐴𝑥 | ≤ 𝑘1 .
Maiko
1.2.2 Erro Relativo ou Taxa de Erro
Erro relativo de 𝑥 é o módulo do quociente entre o erro absoluto 𝐸𝐴𝑥 e o valor exato 𝑥
ou o valor aproximado 𝑥̅ , se 𝑥 ou 𝑥̅ ≠ 0.
𝐸𝐴𝑥 𝑥−𝑥̅ 𝐸𝐴𝑥 𝑥−𝑥̅
𝐸𝑅𝑥 = | |=| | ou 𝐸𝑅𝑥 = | |=| |.
𝑥 𝑥 𝑥̅ 𝑥̅
2. Calcular os erros absoluto e relativo, nos itens a) e b).

a) 𝑥 = 1,5 e 𝑥̅ = 1,49; b) 𝑦 = 5,4 e 𝑦̅ = 5,39.
Resolução:
a) 𝐸𝐴𝑥 = 0,01 = 10−2 b) 𝐸𝐴𝑥 = 0,01 = 10−2
𝐸𝑅𝑥 = 0.00666667 𝐸𝑅𝑥 = 0.00185185
1.3 Erros de Arredondamento e Truncamento

1.3.1 Erro de Arredondamento
Arredondar um número na casa 𝑑𝑖 é desconsiderar as casas 𝑑𝑖+𝑗 (𝑗 = 1, … , ∞) de tal
forma que:
𝑑𝑖 seja a última casa se 𝑑𝑖+1 < 5;
𝑑𝑖 + 1 seja a última casa se 𝑑𝑖+1 ≥ 5.
3. Arredondar 𝜋 na quarta casa decimal, sendo que 𝜋 = 3,1415926535 …

Resolução: 𝑑𝑖 = 5 e 𝑑𝑖+1 = 9 > 5 ⇒ 𝑑𝑖 + 1 = 5 + 1 = 6. Logo: 𝜋 = 3,1416.
1.3.2 Erro de Truncamento

Truncar um número na casa 𝑑𝑖 é desconsiderar as casas 𝑑𝑖+𝑗 (𝑗 = 1, … , ∞).
4. Aproximar  truncando na quarta casa decimal, sendo que 𝜋 = 3,1415926535 …

Resolução: 𝑑𝑖 = 5 ⇒ 𝜋 = 3,1415.
5. Sabendo-se que 𝑒 𝑥 pode ser escrito através da fórmula abaixo, faça a aproximação de
𝑒 2 através de um truncamento após quatro termos da somatória.
∞
𝑥
𝑥𝑖 𝑥 𝑥2 𝑥3
𝑒 = ∑ = 1+ + + +⋯ , −∞ < 𝑥 < ∞
𝑖! 1! 2! 3!
𝑖=0
Resolução:
Truncando-se após quatro termos, tem-se:
3
2
2𝑖 21 22 23 4 8 19
𝑒 =∑ =1+ + + = 1+2+ + =
𝑖! 1! 2! 3! 2 6 3
𝑖=0
1.4 Aritmética de Ponto Flutuante

Um número é representado, internamente, na máquina de calcular ou no computador
através de uma seqüência de impulsos elétricos que indicam dois estados: 0 ou 1, ou seja, os
números são representados na base 2 ou binária.
De maneira geral, um número 𝑥 é representado na base  por:
Maiko
𝑑1 𝑑2 𝑑3 𝑑𝑡
𝑥 = ±[ + 2 + 3 + ⋯ + 𝑡 ] ∗ 𝛽 𝑒𝑥𝑝
𝛽 𝛽 𝛽 𝛽
Onde:
• 𝑑𝑖  são números inteiros contidos no intervalo 0 ≤ 𝑑𝑖 < 𝛽; 𝑖 = 1, 2, … , 𝑡;
• 𝑒𝑥𝑝  representa o expoente de  e assume valores entre 𝐼 ≤ 𝑒𝑥𝑝 ≤ 𝑆;
• I, S  limite inferior e limite superior, respectivamente, para a variação do expoente;
𝑑 𝑑 𝑑 𝑑
• [ 𝛽1 + 𝛽22 + 𝛽33 + ⋯ + 𝛽𝑡𝑡]  é chamada de mantissa e é a parte do número que representa
seus dígitos significativos;
• t  número de dígitos do sistema de representação.
6. Considerando no sistema de base 10, =10, represente os seguintes números, em

aritmética de ponto flutuante:
a) 0,34510; b) 31,41510.
3 4 5 
Resolução: a) 0,34510 =  + 2 + 3   100 ;
10 10 10 
3 1 4 1 5 
b) 31,41510=  + 2 + 3 + 4 + 5   102 .
10 10 10 10 10 
OBS. 2: Os números assim representados estão NORMALIZADOS, isto é, a mantissa é
um número entre 0 e 1.
7. Considerando no sistema binário, =2, represente o número 1012 em aritmética de ponto

flutuante.
1 0 1 
Resolução: 1012 = 0,101 23 =  + 2 + 3   23 .
2 2 2 
1.5 Conversão de Bases

1.5.1 Conversão da Base  para a Decimal (10)
Um número na base  pode ser escrito, na base decimal, como:
m
 aii = amm + am−1m−1 ++ a22 + a1 + a0 + a−1−1 + a−2−2 ++ an +1n +1 + ann .
i=n
Onde:
• ai  0 ai ;
• n , m  números inteiros, com n 0 e m 0.

Para a conversão, faz-se a operação entre a mantissa do número normalizado e a base
e xp
 .
Nos exercícios a seguir, faça a conversão da base indicada para a decimal, determinando
o valor da variável x .
Maiko
8. 10112 = x10 .
1 0 1 1 
Resolução: 10112 = 0,1011 24 =  + 2 + 3 + 4   24 = 23 +2+1=11
2 2 2 2 
 10112 = 1110  x =11.
9. 11,012 = x10 .
1 1 0 1 1
Resolução: 11,012 = 0,1101 22 =  + 2 + 3 + 4   22 =2+1+ 2 =3,25
2 2 2 2  2
 11,012 = 3,2510  x =3,25.
10. 403,125 = x10 .

4 0 3 1 2
Resolução: 403,125 = 0,40312 53 =  + 2 + 3 + 4 + 5   53
5 5 5 5 5 
1 2
=4 52 +0+3+ + 2 =100+3+0,2+0,08=103,28
5 5
 403,125 = 103,2810  x =103,28.
1.5.2 Conversão da Base Decimal para a  (10)

Aplica-se um processo para a parte inteira e um outro para a parte fracionária.
• a) PARTE INTEIRA ( N ):
• a.1) N 
 N10 = N .
• a.2) N 
N 
r1 q1 
r2 q2

 
qn −1 
rn qn Até que qn 
 N10 =( qn rn rn −1  r3 r2 r1 ) 
11. Converta 5910 para a base 2.

Resolução: N =59 e =2  N 
59 2
1 29 2
1 14 2
0 7 2
1 3 2
1 1  5910 = 1110112
Maiko
12. Converta 5910 para a base 3.
Resolução: N =59 e =3 N 
59 3
2 19 3
1 6 3
0 2  5910 = 20123
• b) PARTE FRACIONÁRIA ( F ):
Multiplica-se F por  e toma-se a parte inteira do produto como o primeiro dígito do
número na base . Repete-se o processo com a parte fracionária do produto tomando sua parte
inteira. Continua-se até que a parte fracionária seja igual a zero.
Nos exercícios a seguir, determinar o valor de x :
13. 0,187510 = x2 .
Resolução:
0,1875 0,375 0,75 0,5
2 2 2 2
0,3750 0,750 1,50 1,0
 0,187510 = 0,00112.
14. 0,610 = x2 .
Resolução:
0,6 0,2 0,4 0,8 0,6 
2 2 2 2 2
1,2 0,4 0,8 1,6 1,2 
 0,610 = 0,100110012.
15. 13,2510 = x2 .
Resolução:
• a) 1310 = ? N =13 e =2  N 
13 2
1 6 2
0 3 2
1 1
 1310 = 11012.
• b) 0,2510 = ?
0,25 0,5
2 2
0,50 1,0
 0,2510 = 0,012.
• Logo: 13,2510 = 1310 + 0,2510 = 11012 + 0,012 = 1101,012.
Maiko
1.5.3 Exercícios: Conversão de Bases
Transforme para a base que se pede (determine o valor de x ).
16. 100101,10012 = x10 .

Resolução: 100101,10012 = 0,1001011001 26
1 0 0 1 0 1 1 0 0 1 
=  + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10   26
2 2 2 2 2 2 2 2 2 2 
1 1
= 25 + 22 +1+ + 4 =32+4+1+0,5+0,0625=37,5625
2 2
 100101,10012 = 37,562510  x =37,5625.
17. 19,3867187510 = x4 .
Resolução:
• a) 1910 = ? N =19 e =4  N 
19 4
3 4 4
0 1
 1910 = 1034.
• b) 0,3867187510 = ?
0,38671875 0,546875 0,1875 0,75
4 4 4 4
1,54687500 2,187500 0,7500 3,00
 0,3867187510 = 0,12034.
• Logo: 19,3867187510 = 1910 + 0,3867187510 = 1034 + 0,12034 = 103,12034.
18. Transforme a medida 35 h 48 min 18 seg para minutos.

DICA: 35:48,1860 = x10 min .
 35 48 18  18
Resolução: 35:48,1860 = 0,35:48:18 602 =  + 2 + 3   602 = 3560 + 48 +
 60 60 60  60
= 2100 + 48 + 0,3 = 2148,3
 35:48,1860 = 2148,310.
 35 h 48 min 18 seg = 2148,3 min .
19. Transforme 35,805 horas para horas, minutos e segundos.

DICA: 35,80510 = x60 .
Resolução:
• a) 3510 = ? N =35 e =60  N 
 3510 = 3560.
Maiko
• b) 0, 80510 = ?
0,805 0,3
60 60
48,300 18,0
 0, 80510 = 0,48:1860.
• Logo: 35,80510 = 3510 + 0, 80510 = 3560 + 0,48:1860 = 35,48:1860.
 35,805 h = 35 h 48 min 18 seg .
1.6 Operações de Pontos Flutuantes

1.6.1 Representações
• Precisão dupla: “dobra” a mantissa (2 t );
• O zero em ponto flutuante é em geral representado com o menor expoente ( exp= I )
possível na máquina;
• Ao converter um número para determinada aritmética de ponto flutuante, emprega-se
sempre o arredondamento;
• Não é possível representar todos os números reais em determinada aritmética de ponto
flutuante (reta furada).
OBS. 3: Um exemplo da reta furada é: Considere a aritmética de pontos flutuantes com
parâmetros =10 e t =3. Tome os números consecutivos 3,57 e 3,58. Existem infinitos números
reais entre 3,57 e 3,58 que não podem ser representados nesta aritmética de pontos flutuantes.
Por exemplo: 3,571 ou 3,57437.
1.6.2 Exercícios
20. Preencher a tabela a seguir, com base nos parâmetros: t =3, =10, I =−5, S =5 e −5 ≤
exp ≤ 5.
Número Truncamento Arredondamento
−6,48 −0,64810 −0,64810
0,0002175 0,217 10−3 0,218 10−3
3498,3 0,349 10 4 0,35 10 4
−0,00000001452 −0,145 10−7 −0,145 10−7  UNDERFLOW
2379441,5 0,237 107 0,238 107  OVERFLOW
OBS. 4: Deve-se converter os valores para a aritmética de ponto flutuante com 3
algarismos significativos.
Nos exercícios seguintes, calcular o valor das expressões utilizando aritmética de ponto
flutuante com 3 algarismos significativos.
21. (4,26 + 9,24) + 5,04

Resolução: 13,5 + 5,04 = 18,5.
Maiko
22. 4,26 + (9,24 + 5,04)
Resolução: 4,26 + 14,3 = 18,6.
23. (4210 − 4,99) − 0,02

Resolução: 4210 − 0,02 = 4210.
24. 4210 − (4,99 + 0,02)

Resolução: 4210 − 5,01 = 4200.
2
25. (4,0237 − 6,106)
7
Resolução: 0,286(4,02 − 6,11) = 0,286(−2,09) = −0,598.
2  ( 4,0237 − 6,106 )
26.
7
2  (−2,09 ) − 4,18
Resolução: = = −0,597.
7 7
OBS. 5: Em aritmética de ponto flutuante não valem as propriedades associativas nem
distributivas.
27. Sendo =10, t =4 e exp[−5,5], calcule:

10 10
a) 42450 + 3; b)  3 + 42450.
i =1 i =1
Resolução:
10
• a) 42450 +  3 = 42450 = 0,4245105 ;
i =1
10
• b)  3 + 42450 = 30 + 42450 = 42480 = 0,4248105 .
i =1
1.6.3 Exercícios complementares

Nos exercícios seguintes, converter os números para a base decimal, determinando o
valor da variável x :
28. 11000112 = x10 .

7 1 1 0 0 0 1 1  7
Resolução: 11000112 =0, 1100011 2 =  + 2 + 3 + 4 + 5 + 6 + 7   2
 2 2 2 2 2 2 2 
= 26 + 25 +2+1 = 99
 11000112 = 9910  x =99.
29. 11111112 = x10 .

7 1 1 1 1 1 1 1  7
Resolução: 11111112 =0, 1111111 2 =  + 2 + 3 + 4 + 5 + 6 + 7   2
 2 2 2 2 2 2 2 
6 5 4 3 2
= 2 + 2 + 2 + 2 + 2 +2+1 = 127
 11111112 = 12710  x =127.
Maiko
30. 10101012 = x10 .
1 0 1 0 1 0 1 
Resolução: 10101012 =0, 1010101 27 =  + 2 + 3 + 4 + 5 + 6 + 7   27
2 2 2 2 2 2 2 
= 26 + 24 + 22 +1 = 85
 10101012 = 8510  x =85.
31. 101,00112 = x10 .

1 0 1 0 0 1 1 
Resolução: 101,00112 = 0, 1010011 23 =  + 2 + 3 + 4 + 5 + 6 + 7   23
2 2 2 2 2 2 2 
1 1
= 22 +1+ 3 + 4 = 5 + 0,125 + 0,0625 = 5 + 0,1875 = 5,1875
2 2
 101,00112 = 5,187510  x =5,1875.
32. 0,01111112 = x10 .

1 1 1 1 1 1
Resolução: 0,01111112 = 0, 111111 2−1 =  + 2 + 3 + 4 + 5 + 6   2−1
2 2 2 2 2 2 
1 1 1 1 1 1
= 2+ 3+ 4+ 5+ 6+ 7
2 2 2 2 2 2
= 0,25 + 0,125 + 0,0625 + 0,03125 + 0,015625 + 0,0078125 = 0,4921875
 0,01111112 = 0,492187510  x =0,4921875.
33. 1,0100112 = x10 .

1 0 1 0 0 1 1 
Resolução: 1,0100112 = 0, 10100112=  + 2 + 3 + 4 + 5 + 6 + 7  2
2 2 2 2 2 2 2 
1 1 1
=1+ 2 + 5 + 6 = 1 + 0,25 + 0,03125 + 0,015625 = 1,296875
2 2 2
 1,0100112 = 1,29687510  x =1,296875.
Nos exercícios seguintes, converter os números para a base binária, determinando o
valor da variável x :
34. 3710 = x2 .
Resolução: N =37 e =2  N 
37 2
1 18 2
0 9 2
1 4 2
0 2 2
0 1  3710 = 1001012
Maiko
35. 234510 = x2 .
Resolução: N =2345 e =2  N 
2345 2
1 1172 2
0 586 2
0 293 2
1 146 2
0 73 2
1 36 2
0 18 2
0 9 2
1 4 2
0 2 2
0 1  234510 = 1001001010012
36. Determine x com 36 dígitos: 0,121710 = x2 .

Resolução:
0,1217 0,2434 0,4868 0,9736 0,9472 0,8944 0,7888 0,5776 0,1552
        
0,2434 0,4868 0,9736 1,9472 1,8944 1,7888 1,5776 1,1552 0,3104
0,3104 0,6208 0,2416 0,4832 0,9664 0,9328 0,8656 0,7312 0,4624

        
0,6208 1,2416 0,4832 0,9664 1,9328 1,8656 1,7312 1,4624 0,9248
0,9248 0,8496 0,6992 0,3984 0,7968 0,5936 0,1872 0,3744 0,7488

        
1,8496 1,6992 1,3984 0,7968 1,5936 1,1872 0,3744 0,7488 1,4976
0,4976 0,9952 0,9904 0,9808 0,9616 0,9232 0,8464 0,6928 0,3856

        
0,9952 1,9904 1,9808 1,9616 1,9232 1,8464 1,6928 1,3856 0,7712
 0,121710 = 0,0001111100100111101110110010111111102.
37. Determine x com 8 dígitos: 2,4710 = x2 .

Resolução:
• a) 210 = ? N =2 e =2  N 
2 2
 210 = 102.
0 1
• b) 0, 4710 = ?
0,47 0,94 0,88 0,76 0,52 0,04 0,08 0,16 0,32
        
0,94 1,88 1,76 1,52 1,04 0,08 0,16 0,32 0,64
 0, 4710 = 0,011110002.
Logo: 2,4710 = 210 + 0, 4710 = 102 + 0,011110002 = 10, 011110002.
Maiko
Cálculo Numérico Zeros reais de funções reais 2-11
2 Zeros reais de funções reais

2.1 Introdução
Dada uma função real f definida e contínua em um intervalo aberto I , chama-se de
zero desta função em I , a todo x  I , tal que f( x ) = 0.
Neste capítulo são apresentados alguns processos iterativos para calcular de forma
aproximada os zeros reais de uma função real f dada. Por um processo iterativo entende-se
um processo que calcula uma seqüência de aproximações x1 , x2 , x3 , da solução desejada. O
cálculo de uma nova aproximação é feito utilizando aproximações anteriores. Dizemos que a
seqüência x1 , x2 , x3 , converge para x , se dado 0,  N ℕ (ℕ números naturais), tal que
qualquer que seja n  N , xn − x . Neste caso tem-se que lim xn = x , o que também poderá
n →
ser indicado por xn → x . Nos processos iterativos que serão apresentados, a determinação dos
zeros de uma função real de variável real será feita em duas etapas:
• Fase I: Isolar cada zero que se deseja determinar da função f em um intervalo [ a , b ],
sendo que cada intervalo deverá conter um e somente um zero da função f .
• Fase II: Cálculo dos zeros aproximados utilizando um método iterativo, com precisão
prefixada ou não.
2.2 Fase I: Isolamento das raízes

Teorema 1 Seja f (x) uma função contínua num intervalo [a, b]. Se 𝑓(𝑎) ∙ 𝑓(𝑏) < 0, então
existe pelo menos um zero de f (x) entre a e b.
y
y = f(x)
a x
b
OBS. 1: Sob as hipóteses do teorema 1, o zero x = será definido e único em [ a , b ] se a

derivada f ' ( x ) existir e preservar o sinal dentro do intervalo ] a , b [, isto é se f ' ( x )0, x ]
a , b [ ou f ' ( x )0, x ] a , b [. Isto significa dizer que a função f ( x ) é estritamente crescente
ou estritamente decrescente, respectivamente, no intervalo ] a , b [.
y
y = f(x)
a x
b
Maiko
Na pesquisa dos zeros reais de funções reais é muito útil o uso do Teorema 1 (que
fornece condições de existência de zeros em um intervalo), bem como da OBS 1. (que garante
a unicidade, isto é, garante que no intervalo considerado existe um e somente um zero da função
f ).
Outro recurso bastante empregado é: a partir da equação 𝑓(𝑥) = 0, obter a equação
equivalente g ( x )= h ( x ) e esboçar os gráficos destas funções obtendo os pontos onde as
mesmas se intersectam, pois f ()=0  g ()= h ().
38. Isolar os zeros da função f ( x )= x 3 −9 x +3.

Resolução: Pode-se construir uma tabela de valores para f ( x ) e analisar os sinais:
x −4 −3 −2 −1 0 1 2 3
f (x) − + + + + − − +
Como f (−4)  f (−3)  0 , f (0)  f (1)  0 e f (2)  f (3)  0 , conclui-se, de acordo com o
teorema 1, que existem zeros de f (x) nos intervalos [−4,−3], [0,1] e [2,3]. Como 𝑓(𝑥) =
0 tem exatamente 3 raízes, pode-se afirmar que existe exatamente um zero em cada um
destes intervalos.
y
y = f(x)
1 2 3 x
-4 -3 -2 -1 1 2 3 4
Pode-se também chegar às mesmas conclusões partindo da equação f ( x )= x 3 −9 x +3=0,

obtendo-se a equação equivalente x 3 =9 x −3. Neste caso, tem-se que g ( x) = x3 e
h( x) = 9x − 3 . Traçando os gráficos de g (x ) e h(x) , verifica-se que as abscissas dos
pontos de intersecção destas curvas estão nos intervalos [−4,−3], [0,1] e [2,3].
y
g( x) h(x)
1 x
-4 -3 -2 -1 2 1 2 3 3 4
Maiko
Outra forma de se verificar a unicidade de zeros nestes intervalos, é traçar o gráfico da
função derivada de f (x) , f '( x) = 3x2 − 9 e confirmar que a mesma preserva o sinal em
cada um dos intervalos ]−4,−3[, ]0,1[ e ]2,3[, conforme a 2.2.
y
y = f’(x)
-3 3 x
-4 -3 -2 -1 1 2 3 4
39. Isolar os zeros da função f ( x) = x ln x − 3,2 .

Resolução: Pode-se construir uma tabela de valores para f (x) e analisar os sinais:
x 1 2 3 4
f (x) − − + +
Como f (2)  f (3)  0 , conclui-se, de acordo com o teorema 1, que existem zeros de f (x)
no intervalo [2,3].
y y = f(x)
0,3
0,2
0,1 3,2 3,4 x
2,6 2,8 3,0
0
-0,1
-0,2
-0,3
-0,4
-0,5
-0,6
-0,7
-0,8
-0,9
-1,0
Pode-se ainda verificar graficamente que a função derivada da função f (x) ,

f '( x) =1 + ln x preserva o sinal no intervalo ]2,3[, neste caso f ' ( x)  0 x  ]2,3[, o que
pela Obs. 1 garante que só existe um zero de f (x) neste intervalo.
Maiko
y f’ (x )
1 x
40. Isolar os zeros da função f ( x) = 5 log x − 2 + 0,4 x .

X 1 2 3
f (x) − + +
no intervalo [1,2].
Pode-se também chegar a esta mesma conclusão partindo da equação
f ( x) = 5 log x − 2 + 0,4 x =0, obtendo-se a equação equivalente 5 log x = 2 − 0,4x . Neste
caso, tem-se que g( x) = 5 log x e h( x) = 2 − 0,4 x . Traçando os gráficos de g (x ) e h(x) ,
verifica-se que a abscissa do único ponto de intersecção destas curvas está no intervalo
[1,2].
y g (x )
2
1
h(x )
1 2 3 x
41. Isolar os zeros da função f ( x) = x − 5e− x .

x 0 1 2 3
f (x) − − + +
no intervalo [1,2].
Pode-se também chegar a esta mesma conclusão partindo da equação f ( x) = x − 5e− x
=0, obtendo-se a equação equivalente x = 5e − x . Neste caso, tem-se que g ( x) = x e
h( x) = 5e− x . Traçando os gráficos de g (x ) e h(x) , verifica-se que a abscissa do único
ponto de intersecção destas curvas está no intervalo [1,2].
Maiko
y
2
g (x )
h(x )
1  2 3 x
2.3 Fase II: Refinamento - Critérios de Parada

2.3.1 Método da Bissecção (ou Método da Dicotomia)
Este método é normalmente utilizado para diminuir o intervalo que contém o zero da
função, para a aplicação de outro método, pois o esforço computacional cresce demasiadamente
quando se aumenta a precisão exigida.
O processo consiste em dividir o intervalo que contém o zero ao meio e por aplicação
do Teorema 1, aplicado aos subintervalos resultantes, determinar qual deles contém o zero.
 a + b a + b 
a, 2  ,  2 , b
   
O processo é repetido para o novo subintervalo até que se obtenha uma precisão
prefixada. Desta forma, em cada iteração o zero da função é aproximado pelo ponto médio de
cada subintervalo que a contém.
y
f (x )
m3
a m2 m1 b x

Assim, na figura anterior tem-se:
a+b a + m1 m + m1
m1 = , m2 = , m3 = 2 ,
2 2 2
Desta forma, o maior erro que se pode cometer na:
(b − a )
• 1a iteração ( n =1): é
2
(b − a )
22
Maiko
(b − a )
23
 
(b − a )
• n a iteração: é
2n
Se o problema exige que o erro cometido seja inferior a um parâmetro , determina-se
(b − a )
a quantidade n de iterações encontrando o maior inteiro que satisfaz a inequação: 
2n
que se resolve da seguinte maneira:
(b − a ) (b − a )
n
  log n
 log   log(b − a) − log 2n  log   log(b − a) − n log 2  log 
2 2
log(b − a ) − log 
n 
log 2
42. Determinar um valor aproximado para 5 , com erro inferior a 10−2 .

Resolução: Determinar 5 é equivalente a obter o zero positivo da função f (x) = x 2 −5.
Sabe-se que o intervalo [2,3] contém este zero e a tolerância neste caso é  = 10 −2 . Assim,
a quantidade mínima de iterações para se obter a resposta com a precisão exigida é:
log(b − a ) − log  log(3 − 2) − log 10−2 log 1 + 2 log 10 0 + 2 1
n  n  n  n 
log 2 log 2 log 2 log 2
 n  6,643856. Como n deve ser intero, tem-se n =7.
n a x b f (a ) f (x) f (b ) ( b − a )/2
1 2,0 2,5 3,0 − + + 0,5
2 2,0 2,25 2,5 − + + 0,25
3 2,0 2,125 2,25 − − + 0,125
4 2,125 2,1875 2,25 − − + 0,0625
5 2,1875 2,21875 2,25 − − + 0,03125
6 2,21875 2,234375 2,25 − − + 0,015625
7 2,234375 2,2421875 2,25 − + + 0,0078125
Portanto 5 2,24218750,0078125
43. Um tanque de comprimento L tem uma secção transversal no formato de um

semicírculo com raio r (veja a figura). Quando cheio de água até uma distância h do
 2 2 h 2 2 
topo, o volume V da água é: V= L  0,5    r − r arcsen  − h ( r − h )  . Supondo
 r 
que L =10 ft , r=1 ft e V=12,4 ft3 , encontre a profundidade da água no tanque com
precisão de 0,01 ft .
Maiko
r 
h h
Resolução: Para calcular a profundidade r−h da água, substitui-se os valores de r , L e V

na expressão anterior para obter a equação arcsen(h) + h 1 − h 2 +1,24−0,5=0 cuja raiz
é h . Assim, deve-se calcular o zero da função f (h) = arcsen(h) + h 1 − h 2 +1,24−0,5,
com precisão de = 10 −2 . Para isto, primeiramente isola-se o zero desta função num
intervalo da seguinte forma.
Pode-se construir uma tabela de valores para f (h) e analisar os sinais:
H −1 0 1
Como f (0)  f (1)  0 , conclui-se, de acordo com o teorema 1, que existem zeros de f (h)
no intervalo [0,1].
Para se confirmar a unicidade deste zero neste intervalo, pode-se utilizar a OBS. 1, isto é,
calcula-se a derivada f , (h) de f (h) para verificar que a mesma preserva o sinal no
intervalo ]0,1[. Assim, obtém-se f , (h) =

1
2
h
+ 1 − h 2 + 1 − h2
2
(−1 / 2
)
(−2 h )
1− h
2(1 − h 2 )
,
f ( h) =  0 h ]0,1[ , o que significa que f (h) é estritamente crescente neste
2
1− h
intervalo, o que garante a unicidade do zero de f (h) em ]0,1[.
Agora determina-se o número de iterações necessárias para se obter a precisão exigida:
log(b − a ) − log  log 1 − log 10−2
n n   n 6,643856
log 2 log 2
Logo são necessárias n = 7 iterações.
n a h b f (a) f (h) f (b) (b−a)/2
1 0 0,5 1 − + + 0,5
2 0 0,25 0,5 − + + 0,25
3 0 0,125 0,25 − − + 0,125
4 0,125 0,1875 0,25 − + + 0,0625
5 0,125 0,15625 0,1875 − − + 0,03125
6 0,15625 0,171875 0,1875 − + + 0,015625
7 0,15625 0,1640625 0,171875 − − + 0,0078125
Assim, h =0,16406250,0078125 e a profundidade r − h da água solicitada é
aproximadamente 1−(0,1640625) ft .
Maiko
Algoritmo do Método da Bissecção

Seja f (x) uma função contínua em um intervalo [a,b], com f (a) . f (b) <0 e a raiz de
f (x) isolada em [ a , b ].
• Dados de Entrada: Pontos extremos a e b do intervalo; precisão ou tolerância () e o
número máximo de iterações (ITMAX).
• Saída: Solução aproximada x ou mensagem de "solução não encontrada" com a precisão
desejada no número máximo de iterações.
PASSO 1
Faça i =1
FA= f (a)
PASSO 2
Enquanto i  ITMAX execute os passos de 3 a 6
PASSO 3
( a + b)
Faça x = e FX = f (x)
2
PASSO 4
(b − a )
Se FX = 0 ou < , então
2
Saída ( x ) (Procedimento executado com sucesso)
FIM
PASSO 5
Faça i = i +1
PASSO 6
Se FA·FX > 0 então faça a = x e FA = FX
Caso contrário faça b = x
PASSO 7
Saída (Solução não encontrada com a precisão exigida)
FIM
2.3.2 Método do Ponto Fixo (ou Método da Iteração Linear ou Método das
Aproximações sucessivas)
Neste método a seqüência de aproximações do zero  de uma função 𝑓(𝑥) (𝑓(𝛼) = 0)
é obtida através de uma relação de recorrência da forma:
x n +1 = ( x n ) , n = 0, 1, 2, 
O ponto x 0 será considerado uma aproximação inicial do zero  da função f (x) e (x)
é uma função que tem  como ponto fixo, isto é, = () .
A primeira pergunta a ser respondida é: dada uma função f (x) com zero , como
encontrar uma função (x) que tenha  como ponto fixo? Isto pode ser feito através de uma
série de manipulações algébricas sobre a equação f (x) =0, transformando-a em uma equação
equivalente da forma x = (x) . Nestas transformações devem-se tomar os devidos cuidados
para que (x) esteja definida em  e para que  pertença à imagem de  . Como o zero  é
desconhecido, é necessário determinar um intervalo I que contenha  e que esteja contido tanto
no domínio quanto na imagem de  . É necessário que o zero  de f (x) seja único no intervalo
I, caso contrário não será possível discernir qual o zero determinado.
Maiko
y y =x
 (x )
Ponto fixo de  (x )
(Zero de f (x ) )
 x
44. Obter algumas funções de ponto fixo para a função f (x) = x 2 + x − 6 .

Resolução: Efetuando diferentes manipulações algébricas sobre a equação f (x) =0 ou
2
x + x − 6 =0, podem-se obter diferentes funções de ponto fixo, como por exemplo:
a) x 2 + x − 6 =0 x = 6 − x 2 , logo 1 ( x) = 6 − x 2 . Como 1 (−3) =−3 e 1 (2) =2, tem-se
que −3 e 2 são pontos fixos de 1 ( x) .
b) x 2 + x − 6 =0 x =  6 − x , logo se pode ter  2 ( x) = 6 − x e neste caso tem-se que
2 é ponto fixo de  2 ( x) , pois  2 (2) = 2 , ou  2 ( x) = − 6 − x e neste caso tem-se que −3
é ponto fixo de  2 ( x) , pois  2 (−3) = −3 .
6 x 6 6
c) x 2 + x − 6 =0 x  x + x − 6 = 0  x = −  x = − 1 , logo  3 ( x) = − 1 . Como
x x x x
 3 (−3) =−3 e  3 (2) =2, tem-se que −3 e 2 são pontos fixos de  3 ( x) .
6 6
d) x 2 + x − 6 =0 x  x + x − 6 = 0  x( x + 1) − 6 = 0  x = , logo  4 ( x) = .
x +1 x +1
Como  4 (−3) =−3 e  4 (2) =2, tem-se que −3 e 2 são pontos fixos de  4 ( x) .
No próximo passo algumas destas funções serão utilizadas na tentativa de gerar
seqüências aproximadoras dos zeros  de f (x) .
45. Aproximar o maior zero da função f (x) = x 2 + x − 6 , utilizando a função

 2 ( x) = 6 − x , e x 0 =1,5.
Resolução: Neste caso a fórmula de recorrência x n +1 = ( x n ) , n = 0, 1, 2,  será:
x n+1 =  2 ( x n ) = 6 − x n , e pode-se construir a seguinte tabela:
n xn x n+1 =  2 ( x n ) = 6 − x n
0 1,5 2,12132
1 2,12132 1,96944
2 1,96944 2,00763
3 2,00763 1,99809
4 1,99809 2,00048
  
Percebe-se que neste caso a seqüência {x n } converge para a raiz =2 da equação
x 2 + x − 6 = 0.
Maiko
y y =x
 2 (x )
x0 x 2 x 3 x1 6 x
=2
46. Aproximar o maior zero da função f (x) = x 2 + x − 6 , utilizando a função

1 ( x) = 6 − x 2 , e x 0 =1,5.
Resolução: Neste caso a fórmula de recorrência x n +1 = ( x n ) , n =0, 1, 2,  será:
xn+1 = 1 ( xn ) = 6 − xn2 , e pode-se construir a seguinte tabela:
n xn x n+1 = 1 ( x n ) = 6 − x 2
0 1,5 3,75
1 3,75 −8,0625
2 −8,0625 −59,003906
3 −59,003906 −3475,4609
  
Percebe-se que neste caso a seqüência {x n } não converge para a raiz  = 2 da equação
x 2 + x − 6 = 0.
y
6 y =x
x2
x0 x1 x
=2
1 (x )
Maiko
Assim, os dois exercícios anteriores mostram que dependendo da transformação
x = (x) escolhida, a relação de recorrência x n +1 = ( x n ) pode ou não fornecer uma seqüência
{x n } convergente. Desta forma, como determinar a priori, quais transformações fornecerão
seqüências convergentes? As figuras que seguem ilustram alguns casos onde ocorrem
convergência e alguns casos onde não ocorre convergência.
A seqüência x k  converge para o zero  (Convergência do tipo escada).

y y =x
 (x )
 x3 x2 x1 x0 x
A seqüência x k  converge para o zero  (Convergência do tipo caracol).

y y =x
(x )
x1 x3  x4 x2 x0 x
A seqüência x k  não converge para o zero .

y y =x
 (x )
 x0 x1 x2 x3 x
Maiko
A seqüência x k  não converge para o zero .
y  (x ) y =x
x3 x1  x0 x2 x
O Teorema que segue estabelece condições suficientes para garantir a convergência do
processo iterativo.
OBS. 2: Como as condições que o teorema que segue são apenas suficientes, dada uma
função  que não satisfaça estas condições, não se pode garantir que a seqüência gerada
x1 , x 2 , x 3 ,  diverge.
Convergência do Método das Aproximações Sucessivas

Teorema 2 Seja  um zero de uma função f, isolada em um intervalo I=[a,b], e seja  uma
função tal que ( ) =  . Se:
i)  e ' são funções contínuas em I;
ii) k = max  (x )  1
'
xI
iii) x 0  I e x n +1 = ( x n )  I , para n = 0, 1, 2, 
Então a seqüência x n  converge para o zero  .
OBS. 3: Para se resolver um problema com o método das aproximações sucessivas,
utiliza-se o teorema anterior da seguinte forma: inicialmente determina-se um intervalo I onde
o zero  de f (x) esteja isolado, e uma função  que tenha  como ponto fixo. Analisando 
e ' , pode-se verificar se as condições i) e ii) do Teorema 2 estão satisfeitas. Estas condições
podem não estar satisfeitas pelo fato do intervalo I ter sido superdimensionado. Neste caso
procura-se por um intervalo I ’ satisfazendo as condições do teorema. Na demonstração do
Teorema 2 , que pode ser vista em HUMES, Ana Flora C., et al. Noções de Cálculo Numérico.
São Paulo: McGraw-Hill, p. 16, 1984, tem-se que as condições i) e ii) garantem que se x n −1 
I então  − x n <  − x n−1 . Entretanto, isto não implica que x n  I . Uma maneira simples
para garantir que x n  I = a, b n  0 é tomar como valor inicial x0 o extremo de I mais
próximo do zero . Na seqüência, será mostrado que neste caso x1 = ( x 0 )  I : Supondo que
a seja o extremo de I mais próximo de , tem-se: x1 −  < x 0 −  = a −   b −  , logo x1
 I . A demonstração é análoga para o caso em que b o extremo de I mais próximo de .
OBS. 4: A condição iii) do Teorema 2 pode ser substituída por: iii’) o zero  é o ponto
médio do intervalo I . Na verdade, se para o intervalo I = a, b , estão satisfeitas as condições
i) e ii) do Teorema 2, e se a estiver mais próximo de  do que de b então, denotando a − 
por r, tem-se que para qualquer x0  a,  + r  a hipótese iii) do teorema é verificada. Mais
Maiko
ainda, para todo I = a, b nas condições do teorema 2, existe I ’ I tal que qualquer que seja
x0  I ’ tem-se que x n  I ’, n 1.
OBS. 5: A determinação do extremo de I = a, b mais próximo do zero  pode ser feito
da seguinte maneira: Suponhamos satisfeitas as hipóteses i) e ii) do Teorema 2 . Nestas
( a + b)
condições, seja x̂ = (ponto médio do intervalo I ). Sabe-se que (xˆ ) está mais próximo
2
de  do que x̂ . Se x̂ < (xˆ ) , então  está entre x̂ e b , ou seja, b é o extremo de I mais
próximo de  . Analogamente, se x̂ > (xˆ ) , então a é o extremo de I mais próximo de . Se
x̂ = (xˆ ) , então x̂ é o zero procurado.
a x b
 (x ) x

a x b
 (x ) x

Este é o caso em que b é o extremo mais próximo de .
Sejam dados ( x ),  e k = max  (x ) satisfazendo as hipóteses do teorema

'
OBS. 6:
xI
k
anterior. Se xn =( xn −1 ), então  − xn  x − x . Desta forma, obtém-se um limitante
1 − k n n −1
superior para o erro cometido na n -ésima iteração ( xn ).
47. Verificar as condições i) e ii) do teorema anterior quando do uso da função

 2 ( x) = 6 − x no exercício número 45.
Resolução:
Verificação da condição i):
•  2 ( x) = 6 − x é contínua no conjunto S ={ x /x  6}.
−1
• 2 ' ( x ) = é contínua no conjunto T ={ x /x < 6}.
2 6 − x
Verificação da condição ii):
−1
• 2 '( x) < 1  < 1  x < 5,75
2 6 − x
Logo, é possível obter um intervalo I , tal que =2 I , onde as condições i) e ii) estão
satisfeitas.
48. Verificar as condições i) e ii) do teorema anterior quando do uso da função

1 ( x) = 6 − x 2 .
Resolução:
Verificação da condição i):
• 1 ( x) = 6 − x 2 e 1'( x) = −2 x são contínuas em .
Verificação da condição ii):
Maiko
1 1
• 1 ' ( x ) < 1  − 2 x < 1  − < x < .
2 2
Logo, não existe um intervalo I , com =2 I , e tal que 1 ' ( x ) < 1,  x  I .
Algoritmo do Método das aproximações sucessivas

Para encontrar uma solução para p = ( p ) dada uma aproximação inicial p 0 .
• Dados de Entrada: Aproximação inicial p 0 , precisão ou tolerância () e o número

máximo de iterações (ITMAX).
• Saída: Solução aproximada p ou mensagem de “solução não encontrada”.
PASSO 1
Faça i = 1
PASSO 2
Enquanto i  ITMAX, execute os passos 3 – 6
PASSO 3
Faça p = ( p ) (calcular p i )
PASSO 4
Se p − p 0 <  então
Saída ( p ) (procedimento efetuado com sucesso)
FIM
PASSO 5
Faça i = i + 1
PASSO 6
Faça p 0 = p (atualize p 0 )
PASSO 7
Saída (solução não encontrada após ITMAX iterações)
FIM
OBS. 7: Outros critérios de parada podem ser utilizados:
• pn − pn −1  
pn − pn −1
• 
pn
• f ( pn )  
49. Encontrar o zero de f (x) = e x − x 2 + 4 com precisão  = 10 −6 , utilizando o método do

ponto fixo.
Resolução: Pode-se construir uma tabela de valores para f ( x ) e analisar os sinais:
x −3 −2 −1
f (x) − + +
Como f (−3)  f (−2)  0 , conclui-se, de acordo com o Teorema 1, que existem zeros de
f (x) no intervalo [−3,−2].
Fazendo h( x) = e x e g ( x) = x 2 − 4 , pode-se verificar que os gráficos das mesmas se
intersectam em apenas um ponto, o que garante que só existe um zero de f (x) neste
intervalo.
Maiko
y h(x ) = e x
5 g (x ) = x 2 - 4
4
3
2
1
-3  -2 -1 1 2 3 x
-1
-2
-3
-4
Assim, o zero de f (x) está isolado em [−3,−2].
Procurando uma função de ponto fixo adequada pode-se fazer:

e x − x 2 + 4 =0  x 2 = e x + 4  x = − e x + 4  ( x) = − e x + 4
Verificando as hipóteses i) e ii) do Teorema 2 :
ex
i) ' ( x) = −
2 ex + 4
( x) e  '( x) são contínuas em [−3,−2], o que garante a primeira condição do Teorema 2 .
ii) k = max ' ( x)
x[ −3, −2]
ex
'( x) = −
2. e x + 4
e −3
 ' ( −3) = − = −0,01237
2. e −3 + 4
e −2
 ' ( −2) = − = −0,03328
−2
2. e + 4
Como '( x) é decrescente no intervalo I =[−3,−2], k = 0,03328 < 1, o que garante a
segunda condição do Teorema 2 .
Procura-se agora, o extremo do intervalo I =[−3,−2] mais próximo do zero  de f (x) :
Para isto, segue-se o indicado na observação 5, isto é, calcula-se o ponto médio do intervalo
( −3 + ( −2))
I =[−3,−2]: x̂ = = −2,5 e (xˆ ) = (−2,5) = − e −2,5 + 4 = −2,02042. Como x̂
2
< (xˆ ) , isto é x̂ =−2,5 < (xˆ ) = ( −2,5) = −2,02042, então  está entre x̂ =−2,5 e −2, ou
seja, −2 é o extremo de I mais próximo de . Desta forma, iniciando o processo recursivo
pelo ponto x0 = −2, garante-se que todos os termos da seqüência aproximadora
pertencerão ao intervalo I =[−3,−2].
Maiko
Logo, utilizando ( x) = − e x + 4 a partir de x0 = −2, gera-se uma seqüência convergente

para o zero  de f (x) .
n xn x n +1 x n+1 − x n
0 −2 −2,0335524 0,0335524 > 10-6
1 −2,0335524 −2,0324541 0,0010983 > 10-6
2 −2,0324541 −2,0324895 0,0000354 > 10-6
3 −2,0324895 −2,0324884 0,0000011 > 10-6
4 −2,0324884 −2,0324884 0 < 10-6
Portanto, x = −2,0324884.
2.3.3 Método de Newton, Newton-Raphson (ou Método das Tangentes)

Este método é uma particularidade do método das aproximações sucessivas. A idéia é
construir uma função (x) para a qual exista um intervalo contendo o zero  , onde |𝜙′(𝑥)| <
1. Esta construção é feita impondo ' () = 0 . Como ' ( x) deve ser uma função contínua, existe
sempre uma vizinhança I de  onde max ' ( x) <1.
x I
Obtenção da função (x) : A forma mais geral de x = (x) equivalente a f (x) =0 é dada
por:
x = x + A( x) f ( x) = (x)
onde A(x) é uma função contínua tal que A()  0 . Escolhe-se A(x) de forma que ' () = 0
. Derivando-se a equação anterior, obtém-se ' ( x) =1+ A( x) f ' ( x) + A' ( x) f ( x) . Calculando esta
derivada no ponto  , obtém-se: ' () =1+ A() f ' () . Supondo que 𝑓′(𝛼) ≠ 0, para que
1
' () = 0 , deve-se ter A() = − . Assim, uma escolha satisfatória para A(x) será
f ' ( )
portanto:
1
A(x) = − , uma vez que x   .
f ' ( x)
Substituindo A(x) na equação inicial, tem-se:
f ( x)
(x) = x −
f '( x)
Assim, o processo iterativo de Newton é definido por:
f ( xn )
x n +1 = x n − , n = 0, 1, 2, 
f ' ( xn )
OBS. 8: A (x) é válida mesmo que f ' () = 0, uma vez que xn   .
Interpretação Geométrica do Método de Newton

O valor x n +1 é obtido traçando-se a tangente ao gráfico da função f (x) no ponto
( xn , f ( xn )) . A intersecção da reta tangente com o eixo das abscissas fornece a nova
aproximação x n +1 . Esta interpretação justifica o nome de método das tangentes.
Maiko
y
f (xn)

xn+1 xn
 x2 x1 x0 x
f (x )
f ( xn ) f ( xn )
tg = f ' ( xn ) =  xn+1 = xn −
xn − xn+1 f ' ( xn )
Convergência do Método de Newton

Teorema 3 Seja f : a, b →  , duas vezes diferenciável, com f " (x ) contínua. Suponha
que:
i) f (a )  f (b )  0
ii) f '( x)  0, x [a, b]
iii) f ''( x) não troca de sinal em a, b
Então, a seqüência gerada pelas iterações do método de Newton-Raphson utilizando a
f (x ) f (xn )
função (x ) = x − que equivale a xn+1 = xn − converge para o único zero  de f
f ' (x ) f ' (xn )
, isolado em a, b , se x0  a , b for escolhido convenientemente.
OBS. 9: Para se escolher o ponto inicial x0 , pode-se, por exemplo, fazer x0 = a se

(a ) a, b ou x0 = b caso contrário.
Algoritmo do Método de Newton

Para encontrar uma solução para f (x) =0, dada a derivada de f (x) e uma aproximação
inicial p 0 .
• Dados de Entrada: Aproximação inicial p 0 , precisão ou tolerância () e o número

• Saída: Solução aproximada p ou mensagem de “solução não encontrada”.
PASSO 1
Faça i =1
PASSO 2:
PASSO 3
Faça p = p 0 − f ( p 0 ) / f ' ( p 0 ) (calcular p i )
PASSO 4
Se p − p 0 <  então
Saída (p) (procedimento efetuado com sucesso)
FIM
PASSO 5
Faça i = i + 1
Maiko
PASSO 6
Faça p 0 =p (atualize p 0 )
Passo 7:
FIM
• p n − p n−1  
p n − p n −1
• 
pn
• f ( pn+1 )  
OBS. 11: O Método de Newton irá falhar se para algum n, f ' ( pn−1 ) = 0.
50. Encontrar a solução para a equação x = cos x com precisão  = 10 −6 .

Resolução: x = cos x  cos x − x = 0  f ( x) = cos x − x
Pode-se construir uma tabela de valores para f ( x ) e analisar os sinais:

x 0
2
f (x) + −

Como f (0)  f ( )  0 , conclui-se, de acordo com o Teorema 1, que existem zeros de f (x)
2

no intervalo [0, ].
2
Fazendo g (x) = x e h(x) = cos x , pode-se verificar que os gráficos das mesmas se
intersectam em apenas um ponto, o que garante que só existe um zero de f (x) neste
intervalo. Esta informação também pode ser verificada observando que a função f ' ( x)

=−sen x – 1, preserva o sinal x ]0, [, isto é, tem-se que neste caso f ' ( x )0, x ]0,
2
 
[ (e também em [0, ] ). Isto significa dizer que a função f ( x ) é estritamente
2 2

decrescente no intervalo ]0, [.
2
y g (x )= x
1
3 h (x )= cos x
 2
  2 x
2
-1
 
Como f ''( x) = − cos x , também preserva o sinal em [0, ], ( f '' ( x )0, x ]0, [, tem-
2 2
se que as condições i), ii) e iii) do teorema 3 são satisfeitas.
Maiko
cos(xn ) − xn
Assim, a fórmula recursiva de Newton para este caso fica: xn +1 = xn − para
− sen( xn ) − 1
n  0 . Agora deve-se escolher x0 convenientemente: Pode-se verificar que o ponto médio

x̂ = ou x̂ =0,785398163398 e ( x̂ ) =0,739536133515. Pela observação 5 concluímos
4
que x0 =0, pois ( x̂ ) < x̂ .
n xn xn +1 xn +1 − xn
0 0 1 1 > 10-6
1 1 0,750363868 0,249636132 > 10-6
2 0,750363868 0,7391128909 0,011250978 > 10-6
3 0,7391128909 0,7390851333 0,000027757 > 10-6
4 0,7390851333 0, 7390851332 0,0000000001 <10-6
Portanto, x = 0,739085133.
2.3.4 Método da Secante

Uma grande desvantagem do método de Newton é a necessidade de se obter a derivada
𝑓′(𝑥) e calcular o seu valor numérico a cada iteração. Para contornar este problema podemos
substituir o cálculo da primeira derivada 𝑓 ′ (𝑥) pelo quociente das diferenças, usando assim,
um modelo linear baseado nos dois valores calculados mais recentemente:
𝑓(𝑥𝑛 ) − 𝑓(𝑥𝑛−1 )
𝑓 ′ (𝑥) =
𝑥𝑛 − 𝑥𝑛−1
onde 𝑥𝑛 e 𝑥𝑛−1 são duas aproximações para a raiz.
Substituindo o valor aproximado da derivada acima na fórmula e Newton, obtém-se:
𝑓(𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛 − ′
𝑓 (𝑥)
𝑥𝑛 − 𝑥𝑛−1
𝑥𝑛+1 = 𝑥𝑛 − 𝑓(𝑥𝑛 )
𝑓(𝑥𝑛 ) − 𝑓(𝑥𝑛−1 )
Assim, o processo iterativo do Método da Secante é definido por:
𝑓(𝑥𝑛 ) ∙ (𝑥𝑛 − 𝑥𝑛−1 ) 𝑥𝑛−1 𝑓(𝑥𝑛 ) − 𝑥𝑛 𝑓(𝑥𝑛−1 )

𝑥𝑛+1 = 𝑥𝑛 − ou 𝑥𝑛+1 = ,
𝑓(𝑥𝑛 ) − 𝑓(𝑥𝑛−1 ) 𝑓(𝑥𝑛 ) − 𝑓(𝑥𝑛−1 )
com 𝑛 = 0, 1, 2, …
Interpretação Geométrica do Método da Secante

Os valores 𝑥0 e 𝑥1 são aproximações iniciais que determinam a reta pelos pontos
(𝑥0 , 𝑓(𝑥0 )) e (𝑥1 , 𝑓(𝑥1 )). A intersecção da reta secante com o eixo das abscissas fornece a nova
aproximação 𝑥2 .
Então, de dois valores 𝑥𝑛−1 e 𝑥𝑛 é determinada a reta pelos pontos (𝑥𝑛−1 , 𝑓(𝑥𝑛−1 )) e
(𝑥𝑛 , 𝑓(𝑥𝑛 )). A intersecção desta reta com o eixo das abscissas fornece a aproximação 𝑥𝑛+1.
Maiko
y
f (x )
f ( x0 )
f ( x3 )
x1 x2 x4
 x3 x0 x
f (x4)
f (x 2)
L a ur o
Cesa r
Ga lvã o f (x 1)
Para o desenho acima, tome 𝑥𝑛 = 𝑥1 . Desta forma, 𝑥𝑛−1 = 𝑥0 e 𝑥𝑛+1 = 𝑥2 . Assim, os
dois triângulos abaixo são semelhantes e foram tirados da figura acima.
L a ur o
Cesa r
Ga lvã o
f (x n -1)
f (x n)
x n +1 xn x n+1 x n-1
Então, por semelhança de triângulos, temos:
𝑓(𝑥𝑛−1 ) 𝑥𝑛−1 − 𝑥𝑛+1
=
𝑓(𝑥𝑛 ) 𝑥𝑛 − 𝑥𝑛+1
Isolando 𝑥𝑘+1 , temos:
𝑓(𝑥𝑛−1 ) ∙ (𝑥𝑛 − 𝑥𝑛+1 ) = 𝑓(𝑥𝑛 ) ∙ (𝑥𝑛−1 − 𝑥𝑛+1 )
𝑓(𝑥𝑛−1 )𝑥𝑛 − 𝑓(𝑥𝑛−1 )𝑥𝑛+1 = 𝑓(𝑥𝑛 )𝑥𝑛−1 − 𝑓(𝑥𝑛 )𝑥𝑛+1
𝑥𝑛+1 ∙ (𝑓(𝑥𝑛 ) − 𝑓(𝑥𝑛−1 )) = 𝑥𝑛−1 ∙ 𝑓(𝑥𝑛 ) − 𝑥𝑛 ∙ 𝑓(𝑥𝑛−1 )
𝑥𝑛−1 𝑓(𝑥𝑛 ) − 𝑥𝑛 𝑓(𝑥𝑛−1 )
𝑥𝑛+1 =
𝑓(𝑥𝑛 ) − 𝑓(𝑥𝑛−1 )
Convergência do Método da Secante

Como o método da secante é uma aproximação para o método de Newton, as condições
de convergência são próximas.
OBS. 12: O método da secante pode divergir se 𝑓(𝑥𝑘 ) ≅ 𝑓(𝑥𝑘−1 ).
Maiko
Algoritmo do Método da Secante
Para encontrar uma solução para f (x) =0, dadas duas aproximações inicial 𝑝0 e 𝑝1.
• Dados de Entrada: Aproximações inicial 𝑝0 e 𝑝1, precisão ou tolerância () e o número
• Saída: Solução aproximada 𝑝 ou mensagem de “solução não encontrada”.
PASSO 1
Faça i =1
PASSO 2:
PASSO 3
𝑝 𝑓(𝑝 )−𝑝1 𝑓(𝑝0 )
Faça 𝑝 = 0𝑓(𝑝1)−𝑓(𝑝 )
(calcular 𝑝𝑖 )
1 0
PASSO 4
Se |𝑝 − 𝑝1 | <  então
Saída (p) (procedimento efetuado com sucesso)
FIM
PASSO 5
Faça i = i + 1
PASSO 6
Faça 𝑝0 = 𝑝1 e 𝑝1 = 𝑝 (atualize 𝑝0 e 𝑝1)
Passo 7:
FIM
• p n − p n−1  
p n − p n −1
• 
pn
• f ( pn+1 )  
51. Considerando o mesmo exercício anterior, encontrar a solução para a equação x = cos x
com precisão  = 10 −6 , usando o método da secante. Considere 𝑥0 = 0 e 𝑥1 = 1, como
aproximações iniciais.
Resolução: 𝑓 (𝑥) = cos(𝑥) − 𝑥 = 0
Assim, a fórmula recursiva do método da secante para este caso fica:
𝑥𝑛+1 =
𝑓(𝑥𝑛 ) − 𝑓(𝑥𝑛−1 )
n x(n-1) x(n) x(n+1) |x(n+1) - x(n)|
0 0 1 0,685073357 0,314926643
1 1 0,685073357 0,736298998 0,05122564
2 0,685073357 0,736298998 0,739119362 0,002820364
3 0,736298998 0,739119362 0,739085112 3,42498E-05
4 0,739119362 0,739085112 0,739085133 2,11E-08
Portanto, x = 0,739085133.
Maiko
2.3.5 Comparação entre os métodos
Nos exercícios seguintes, considerando cada método especificado, determine uma
aproximação para o zero da função.
52. Pelo método da Bissecção, determine uma aproximação para x (1,2) da função
𝑓(𝑥) = 𝑒 −𝑥 − cos 𝑥 com aproximação 1 = 10−4 tal que ( b − a )/2 1 .
2
Resolução:
n a x b f (a ) f (x) f (b ) ( b − a )/2
1 1 1,5 2 - + + 0,5
2 1 1,25 1,5 - - + 0,25
3 1,25 1,375 1,5 - - + 0,125
4 1,375 1,4375 1,5 - - + 0,0625
5 1,4375 1,46875 1,5 - + + 0,03125
6 1,4375 1,453125 1,46875 - + + 0,015625
7 1,4375 1,4453125 1,453125 - - + 0,0078125
8 1,4453125 1,44921875 1,453125 - + + 0,00390625
9 1,4453125 1,447265625 1,44921875 - - + 0,001953125
10 1,447265625 1,448242188 1,44921875 - + + 0,000976563
11 1,447265625 1,447753906 1,448242188 - + + 0,000488281
12 1,447265625 1,447509766 1,447753906 - + + 0,000244141
13 1,447265625 1,447387695 1,447509766 - - + 0,00012207
14 1,447387695 1,44744873 1,447509766 - + + 6,10352E-05
Logo, x =1,44744873
53. Pelo método do Ponto Fixo ou Aproximações Sucessivas, determine uma aproximação
2
para 𝑥̅ (1,2) da função 𝑓(𝑥) = 𝑒 −𝑥 − cos 𝑥 com aproximação 𝜀1 = 𝜀1 = 10−4 tal que
|𝑓(𝑥𝑛 )| < 𝜀1 ou |𝑥𝑛+1 − 𝑥𝑛 | < 𝜀2 . Utilize 𝑥0 =1,5.
Resolução:
2
f ( x )= e − x − cos x
2
f ( x )=0  e − x − cos x + x − x =0
2
1( x )=− cos x + e − x + x  1 ' ( x )1 em (1,2)
2
2( x )= cos x − e − x + x   2 ' ( x )1 em (1,2)
2
 𝜙(𝑥) = cos 𝑥 − 𝑒 −𝑥 + 𝑥  𝑥𝑛+1 = 𝜙(𝑥𝑛 )
n xn x n +1 | x n +1 − x n | | f ( x n +1 )| Parada
0 1,5 1,465337977 0,034662023 0,01154599
1 1,465337977 1,453791987 0,01154599 0,004075472
2 1,453791987 1,449716515 0,004075472 0,001466938
3 1,449716515 1,448249577 0,001466938 0,000531683
4 1,448249577 1,447717894 0,000531683 0,000193187
5 1,447717894 1,447524708 0,000193187 7,02578E-05 |𝑓(𝑥𝑛 )| < 𝜀1
Logo, x =1,447524708.
Maiko
54. Pelo método de Newton-Raphson, determine uma aproximação para 𝑥̅ (1,2) da função
𝑓(𝑥) = 𝑒 −𝑥 − cos 𝑥 com aproximação 1 =  2 = 10−4 tal que | f ( x n +1 )| 1 ou
2
|𝑥𝑛+1 − 𝑥𝑛 | < 𝜀2 . Utilize 𝑥0 =1,5.

Resolução:
2 2
f ( x )= e − x − cos x  f ' ( x )=−2 x e − x + senx
2
f ( x) e − x − cos x
( x )= x −  ( x )= x − 2
 x n +1 =( x n )
f '( x) − 2 xe− x + senx
n xn x n +1 | x n +1 − x n | | f ( x n +1 )| Parada
0 1,5 1,4491235 0,0508765 0,001088623
1 1,4491235 1,447416347 0,001707153 1,32044E-06 |𝑓(𝑥𝑛+1 )| < 𝜀1
Logo, x =1,447416347.
55. Pelo método da secante, determine uma aproximação para 𝑥̅ (1,2) da função
𝑓(𝑥) = 𝑒 −𝑥 − cos 𝑥 com aproximação 1 =  2 = 10−4 tal que | f ( x n +1 )| 1 ou
2
|𝑥𝑛+1 − 𝑥𝑛 | < 𝜀2 . Utilize 𝑥0 = 1,5 e 𝑥1 = 1,2, como aproximações iniciais.

Resolução:
𝑥𝑛+1 =
𝑓(𝑥𝑛 ) − 𝑓(𝑥𝑛−1 )
n x(n-1) x(n) x(n+1) |x(n+1) - x(n)|
0 1,5 1,2 1,435046063 0,235046063
1 1,2 1,435046063 1,450627163 0,0155811
2 1,435046063 1,450627163 1,447385539 0,003241624
3 1,450627163 1,447385539 1,447414206 2,86668E-05
Logo, x =1,447414206.
Maiko
Cálculo Numérico Resolução de sistemas de equações lineares 3-34
3 Resolução de sistemas de equações lineares

3.1 Introdução
Vários problemas, como cálculo de estruturas de redes elétricas e solução de equações
diferenciais, recorrem a resolução numérica de um sistema linear S n de n equações com n
incógnitas.
3.1.1 Forma Algébrica de Sn

 a11x1 + a12 x2 +  + a1n xn = b1
a x + a22 x2 +  + a2 n xn = b2

S n =  21 1
    

an1 x1 + a n 2 x2 +  + ann xn = bn
ou
n
S n =  aij x j = bi , i =1, 2, , n .
j =1
3.1.2 Forma Matricial de Sn

A  x =b
 a11 a12  a1n   x1   b1 
a     
 21 a22  a2 n    x2  = b2  .
      
     
 an1 an 2  ann   xn  bn 
Onde:
• A  matriz dos coeficientes;
• x  vetor das incógnitas (ou vetor solução);
• b  vetor dos termos independentes.
3.1.3 Matriz Aumentada ou Matriz Completa do Sistema

 a11 a12  a1n b1 
a b2 
21 a22  a2 n
B =[ A  b ]=  .
    
 
 an1 an 2  ann bn 
3.1.4 Solução do Sistema

x =( x1 , x2 , , xn ) T .
3.1.5 Classificação de um Sistema Linear

• COMPATÍVEL: apresenta soluções;
• INCOMPATÍVEL: caso contrário.
Maiko
3.1.6 Classificação quanto ao Determinante de A
• det A 0 (SPD)  sistema linear possível e determinado (SOLUÇÃO ÚNICA);
• det A =0 (SPI) ou (SI): a matriz A é SINGULAR.
(SPI)  Sistema possível e indeterminado,
(SI)  Sistema impossível.
OBS. 1: Se bi =0, i =1, 2, , n , isto é, se b =0, o sistema é dito HOMOGÊNEO. Todo
sistema homogêneo é compatível, pois admite sempre a solução x =0. A solução é chamada
TRIVIAL.
3.2 Métodos diretos

São métodos que determinam a solução de um sistema linear com um número finito de
operações.
Definição: Dois sistemas lineares são equivalentes quando possuem a mesma solução.
3.2.1 Método de Eliminação de Gauss

Com ( n −1) passos, o sistema linear A  x = b é transformado num sistema triangular
superior equivalente. Tome det A 0 como hipótese.
A  x = b  U  x = c , o que se resolve por substituição.
[ A  b ]  [U  c ]
 a11 a12  a1n b1  u11 u12  u1n c1 
a   
 21 a22  a2 n b2    0 u22  u2 n c2  .
         
   
 an1 an 2  ann bn   0 0  unn cn 
2 x1 + 3x2 − x3 = 5

56. Resolver o sistema S3 , com S3 = 4 x1 + 4 x2 − 3x3 = 3 .
2 x − 3x + x3 = −1
 1 2
2 x1 + 3x2 − x3 = 5

Resolução: S3 = 4 x1 + 4 x2 − 3x3 = 3  [ A  b ]  [U  c ]
2 x − 3x2 + x3 = −1
 1
2 3 −1 5
[ A  b ] = 4 4 −3 3  (Matriz aumentada).
2 − 3 1 − 1
Seja B0 =[ A  b ] e Bk =[ U  c ] após k conjuntos de operações elementares aplicadas sobre
B0 .
• Etapa 1: em B0 , tome L(0 ) (0 )

i , com i =1,2,3, como as linhas de B0 e a11 como pivô e
calculam-se os multiplicadores mi(0 )

1 ( i =2,3).
(0) (0)
(0 ) a21 4 (0 ) a31 2
m21 =− ( 0 ) = − = −2; m31 =− ( 0 ) = − = −1.
a11 2 a11 2
Operações elementares nas linhas L(i 0+1) ( i =1,2,3).
Maiko
L1(1)  L1(0 ) ; L(12)  m21

(0 )
 L1(0 ) + L(0
2 ;
)
L(13)  m31
(0 )
 L1(0 ) + L(0
3 .
)
Sendo L(1i ) ( i =1,2,3) as linhas da matriz B1 .

(0 )
 Anulam-se todos os valores abaixo do pivô a11 .
2 3 − 1 5 
B1 = 0 − 2 − 1 − 7  .
 
0 − 6 2 − 6
• Etapa 2: Repete-se o processo para o próximo pivô, situado na diagonal da matriz B1 .

Em B1 , tome L(1i ) , com i =2,3 e a22
(1)
como pivô.
(1)
(1) a32 −6
m32 =− (1) = − = −3.
a22 −2
L1(2)  L1(1) ; L(2 ) (1)
2  L2 ; L(2 ) (1) (1) (1)
3  m32  L2 + L3 .
2 3 − 1 5 
B2 = 0 − 2 − 1 − 7   B2 =[ U  c ].
 
0 0 5 15 
Segue que:
1 
Resolvendo U  x = c por substituição retroativa, tem-se: x = 1 2 3 = 2 que é,
T
3
também, solução para o sistema A  x = b .
• Método compacto para a TRIANGULAÇÃO U  x = c :
Linha Multiplicador m Matriz Aumentada Transformação
(1) B0  2 3 -1 5
(0 )
(2) m21 = -( 4 )/( 2 )= -2 4 4 -3 3
(0 )
(3) m31 = -( 2 )/( 2 )= -1 2 -3 1 -1
(2) B1  0 -2 -1 -7 -2 L1(0) + L(0
2
)
(1)
(3) m32 = -( -6 )/( -2 )= -3 0 -6 2 -6 -1 L1(0) + L(0
3
)
(3) B2  0 0 5 15 -3 L(12) + L(1

3
)
As linhas contendo os pivôs formam o sistema U  x = c .
Maiko
57. Resolver o sistema S4 com arredondamento em duas casas decimais, na matriz
aumentada.
 8,7 x1 + 3,0 x 2 + 9,3x3 + 11,0 x 4 = 16,4
24,5 x − 8,8 x 2 + 11,5 x3 − 45,1x 4 = − 49,7
 1
S4  A  x = b  
52,3x1 − 84,0 x 2 − 23,5 x3 + 11,4 x 4 = − 80,8

 21,0 x1 − 81,0 x 2 − 13,2 x3 + 21,5 x 4 = − 106,3
Resolução:
Linha Multiplicador m Matriz Aumentada
(1) B0  8,70 3,00 9,30 11,00 16,40
(0 )
(2) m21 = -( 24,50 )/( 8,70 ) 24,50 -8,80 11,50 -45,10 -49,70
(0 )
(3) m31 = -( 52,30 )/( 8,70 ) 52,30 -84,00 -23,50 11,40 -80,80
(0 )
(4) m41 = -( 21,00 )/( 8,70 ) 21,00 -81,00 -13,20 21,50 -106,30
(2) B1  0,00 -17,25 -14,69 -76,08 -95,88
(1)
(3) m32 = -( -102,03 )/( -17,25 ) 0,00 -102,03 -79,41 -54,73 -179,39
(1)
(4) m42 = -( -88,24 )/( -17,25 ) 0,00 -88,24 -35,65 -5,05 -145,89
(3) B2  0,00 0,00 7,48 395,27 387,72
(2 )
(4) m43 = -( 39,49 )/( 7,48 ) 0,00 0,00 39,49 384,13 344,57
(4) B3  0,00 0,00 0,00 -1702,66 -1702,36

Então A  x = b  U  x = c  [ A  b ]  [ U  c ].
8,7 x1 + 3,0 x2 + 9,3x3 + 11,0 x4 = 16,4
 0 − 17,25 x2 − 14,69 x3 − 76,08 x4 = − 95,88

U x =c  
 0 0 + 7,48x3 + 395,27 x4 = 387,72

 0 0 0 − 1702,66 x4 = − 1702,36
Logo: x = 1,01 2,01 − 1,01 1,00 .
T
Cálculo do Resíduo
Uma medida para avaliar a precisão dos cálculos é o resíduo, que é dado por:
r = b − Ax .
58. Com base no exercício anterior, calcular o resíduo r do sistema A  x = b .

Resolução: r = b − Ax .
 16,4   8,7 3,0 9,3 11,0   1,01 

 − 49,7  24,5 − 8,8 11,5 − 45,1  2,01 
r = −  .
 − 80,8  52,3 − 84,0 − 23,5 11,4  − 1,01
     
− 106,3  21,0 − 81,0 − 13,2 21,5   1,00 
r = − 0,024 − 0,042 0,082 0,468T .
Maiko
Algoritmo de Eliminação de Gauss
Seja o sistema A  x = b , com Ann , xn1 e bn1 .
Sempre supor que akk 0 na etapa k .
TRIANGULARIZAÇÃO: A  x = b  U  x = c .
Para k =1, 2, , ( n −1)
Para i =( k +1), , n
a
m = ik
akk
aik =0
Para j =( k +1), , n
aij = aij − m  akj
bi = bi − m  bk
FIM
FIM
FIM
RESOLUÇÃO DO SISTEMA U  x = c .
b
xn = n
ann
Para k =( n −1), , 2, 1
s =0
Para j =( k +1), , n
s = s + akj  x j
FIM
bk − s
xk =
akk
FIM
3.2.2 Estratégia de Pivoteamento Completo

No momento de se calcular o multiplicador mik , se o pivô estiver próximo de zero, o
método pode ampliar os erros de arredondamento. Para se contornar estes problemas, escolhe-
se como pivô MAX aij , com i , j =1, 2, , n .
Dado A  x = b , tome B =[ A  b ].
 a11 a12  a1q  a1n b1 
a  a2 n b2 
 21 a22  a2 q
     
B= .
a p1 a p 2  a pq  a pn b p 
     
 
 an1 an 2  anq  ann bn 
Seja a pq = MAX aij , ( i , j =1, 2, , n ) o pivô da linha p . Então, calcula-se o
(0)
aiq
(0 )
multiplicador miq =− , em cada linha, i  p com i =1, 2, , n . Assim, anulam-se os
a (pq
0)
elementos aij da coluna q através da operação:
Maiko
L(1i )  miq
(0 )
 L(0p ) + L(0
i .
)
Eliminando-se a linha pivotal p , repete-se o processo até que se obtenha L(k

i
)
com k
conjuntos de operações elementares aplicadas sobre B , onde k =1, 2, , ( n −1).
59. Resolva S4 com arredondamento em duas casas decimais, utilizando eliminação de

Gauss com pivoteamento completo.
 8,7 x1 + 3,0 x 2 + 9,3x3 + 11,0 x 4 = 16,4
24,5 x − 8,8 x 2 + 11,5 x3 − 45,1x 4 = − 49,7
 1
S4  A  x = b   .
52,3x1 − 84,0 x 2 − 23,5 x3 + 11,4 x 4 = − 80,8

 21,0 x1 − 81,0 x 2 − 13,2 x3 + 21,5 x 4 = − 106,3
Resolução:
(0 )
(1) m12 = -( 3,00 )/( -84,00 ) 8,70 3,00 9,30 11,00 16,40
(0 )
(2) m22 = -( -8,80 )/( -84,00 ) 24,50 -8,80 11,50 -45,10 -49,70
(3) B0  52,30 -84,00 -23,50 11,40 -80,80
(0 )
(4) m42 = -( -81,00 )/( -84,00 ) 21,00 -81,00 -13,20 21,50 -106,30
(1)
(1) m14 = -( 11,41 )/( -46,29 ) 10,57 0,00 8,46 11,41 13,51
(2) B1  19,02 0,00 13,96 -46,29 -41,24
(1)
(4) m44 = -( 10,51 )/( -46,29 ) -29,43 0,00 9,46 10,51 -28,39
(2 )
(1) m11 = -( 15,26 )/( -25,11 ) 15,26 0,00 11,90 0,00 3,34
(4) B2  -25,11 0,00 12,63 0,00 -37,75
(1) B3  0,00 0,00 19,58 0,00 -19,60
Então A  x = b  U  x = c  [ A  b ]  [ U  c ].
B0  52,3x1 − 84,0 x2 − 23,5 x3 + 11,4 x4 = − 80,8

B  19,02 x1 + 0 + 13,96 x3 − 46,29 x4 = − 41,24
U x =c  1 
B2 − 25,11x1 + 0 + 12,63x3 + 0 = − 37,75
B3  0 + 0 + 19,58 x3 + 0 = − 19,60
Com o cálculo retroativo de B3 para B0 , obtém-se: x = 1,00 2,00 − 1,00 1,00 .
T
Considerando-se precisão em duas casas decimais, o processo levou ao x exato, em

conseqüência o resíduo é nulo.
r = b − Ax  r = 0,00 0,00 0,00 0,00T .
Maiko
3.2.3 Fatoração LU
“Toda matriz não singular admite uma decomposição em duas matrizes triangulares,
uma superior e outra inferior”. Quem garante esse resultado é o teorema abaixo.
Teorema de Gauss
Seja A uma matriz quadrada de ordem n tal que det A ≠ 0. Sejam U uma matriz triangular
superior,
𝑢𝑖𝑗 , se 𝑖 ≤ 𝑗
𝑈={
0, se 𝑖 > 𝑗
e L uma matriz triangular inferior com diagonal unitária,
0, se 𝑖 < 𝑗
𝐿 = { 1, 𝑠𝑒 𝑖 = 𝑗
𝑙𝑖𝑗 , se 𝑖 > 𝑗
Então existe e é única a decomposição A = LU, onde U é a matriz resultante do processo
de eliminação gaussiana e 𝑙𝑖𝑗 = 𝑚𝑖𝑗 , (multiplicadores de linhas, sem troca de sinal).
2 1 1 1 0 0 2 1 1
Apresentamos como exemplo: 𝐴 = (4 4 3) = (2 1 0) (0 2 1 )
6 7 4 ⏟3 2 1 ⏟0 0 −1
L U
A base do método de Decomposição LU, também conhecido como método Fatoração,
consiste na resolução de sistemas triangulares.
Seja o sistema linear Ax = b
Supor que seja possível fatorar a matriz A dos coeficientes: A = LU
Nestas condições, o sistema Ax = b pode ser reescrito na forma LUx = b, o que permite
o desmembramento em dois sistemas triangulares:
Ly = b e Ux = y
Resolvendo o primeiro sistema, calculamos y que, usado no segundo sistema, fornecerá
o vetor procurado x.
Dessa maneira, conhecidas L e U, o sistema será resolvido com 2n2 operações (dois
2𝑛3
sistemas triangulares), o que representa um ganho substancial comparado com as operações
3
do método da eliminação de Gauss.
Cálculo dos Fatores L e U:

Os fatores L e U podem ser obtidos através de fórmulas para os elementos 𝑙𝑖𝑗 e 𝑢𝑖𝑗 , ou
então, podem ser construídos usando a ideia básica do método da Eliminação de Gauss.
Veremos a seguir, através de um exemplo, como obter L e U através do processo de
Gauss.
60. Decompor a matriz A, usando a Decomposição LU.

1 2 −1
A = (2 3 −2)
1 −2 1
Calculando o 𝑚𝑖𝑗 e 𝑢𝑖𝑗 , usando o processo de Gauss (𝑚𝑖𝑗 sem troca de sinal), temos:
Resolução:
Para a Coluna 1 da matriz A(0):
1 2 −1
(0)
A=A = (2 3 −2)
1 −2 1
(0)
Pivô = 𝑎11 = 1
Maiko
(0) (0)
(0) 𝑎21 2 (0) 𝑎31 1
Multiplicadores: 𝑚21 = (0) = =2 𝑚31 = (0) = =1
𝑎11 1 𝑎11 1
Então:
(1) (0) (1) (0) (0) (0)
𝐿1 ← 𝐿1 ; 𝐿2 ← −𝑚21 ∗ 𝐿1 + 𝐿2
(1) (0) (0) (0)
𝐿3 ← −𝑚31 ∗ 𝐿1 + 𝐿3
1 2 −1
A(1) = (0 −1 0 )
0 −4 2
Para a Coluna 2 da matriz A(1):
Pivô = 𝑎22 = −1
(1)
(1) 𝑎32 −4
Multiplicadores: 𝑚32 = (1) = −1 = 4
𝑎22
Então:
(2) (1) (2) (1)
𝐿1 ← 𝐿1 ; 𝐿2 ← 𝐿2
(2) (1) (1) (1)
𝐿3 ← −𝑚32 ∗ 𝐿2 + 𝐿3
1 2 −1
A(2) = (0 −1 0 )
0 0 2
Os fatores L e U são:
1 0 0 1 0 0 1 2 −1
𝑚
𝐿 = ( 21 1 0 ) = (2 1 0) e 𝑈 = (0 −1 0 )
𝑚31 𝑚32 1 1 4 1 0 0 2
Logo:
1 0 0 1 2 −1 1 2 −1
A = 𝐿 ∗ 𝑈 = (2 1 0) ∗ (0 −1 0 ) = (2 3 −2)
1 4 1 0 0 2 1 −2 1
Vamos aproveitar o Exercício acima para resolver um sistema de equações lineares
através da Decomposição LU.
61. Resolva o sistema linear a seguir usando a Decomposição LU (Fatoração).

𝑥1 + 2𝑥2 − 𝑥3 = 2
{2𝑥1 + 3𝑥2 − 2𝑥3 = 3
𝑥1 − 2𝑥2 + 𝑥3 = 0
Resolução:
1 2 −1 1 0 0 1 2 −1
Já temos que: A = (2 3 −2) = (2 1 0) ∗ (0 −1 0 ) = 𝐿𝑈
1 −2 1 1 4 1 0 0 2
Para resolvermos o sistema Ax = b, onde b = (2 3 0)𝑡 , resolvemos primeiramente Ly=b.
1 0 0 𝑦1 2 𝑦1 = 2
𝑦
(2 1 0) ∗ ( 2 ) = (3) , ou seja, { 2𝑦1 + 𝑦2 = 3
1 4 1 𝑦3 0 𝑦1 + 4𝑦2 + 𝑦3 = 0
𝑦1 2
Então (𝑦2 ) = (−1).
𝑦3 2
A seguir calculamos x através da equação Ux = y.
1 2 −1 𝑥1 2 𝑥1 + 2𝑥2 − 𝑥3 = 2
(0 −1 0 ) ∗ (𝑥2 ) = (−1), ou seja, { −𝑥2 = −1
0 0 2 𝑥3 2 2𝑥3 = 2
𝑥1 1
Logo, 𝑥 = (𝑥2 ) = (1).
𝑥3 1
Maiko
62. Resolva o sistema linear a seguir usando a fatoração LU:
3𝑥1 + 2𝑥2 + 4𝑥3 = −1
{ 𝑥1 + 𝑥2 + 2𝑥3 = 10
4𝑥1 + 3𝑥2 + 2𝑥3 = 5
Resolução:
3 2 4 −1
A = (1 1 2) e 𝑏 = ( 10 )
4 3 2 5
Usando o processo de Gauss para triangular A, tem-se:
1ª coluna
Multiplicadores:
(0) (0)
(0) 𝑎21 1 (0) 𝑎31 4
𝑚21 = (0) = 3 e 𝑚31 = (0) =3
𝑎11 𝑎11
Aplicando os multiplicadores, obtém-se a matriz A(1):
3 2 4 𝐿1 → 𝐿1
(1) 0 1/3 2/3
𝐴 =( ) 𝐿2 → −𝑚21 ∗ 𝐿1 + 𝐿2
0 1/3 −10/3 𝐿3 → −𝑚31 ∗ 𝐿1 + 𝐿3
2ª coluna
Multiplicador:
(1)
(1) 𝑎32
𝑚32 = (1) =1
𝑎22
Aplicando o multiplicado, obtém-se a matriz A(2):
3 2 4 𝐿1 → 𝐿1
(2)
A = (0 1/3 2/3) 𝐿2 → 𝐿2
0 0 −4 𝐿3 → −𝑚32 ∗ 𝐿2 + 𝐿3
1 0 0 3 2 4
𝐿 = (1/3 1 0) e 𝑈 = (0 1/3 2/3)
4/3 1 1 0 0 −4
Resolvendo o sistema L(Ux)=b, tem-se:
𝑦1 = −1
𝑦1
𝐿𝑦 = 𝑏 → { 3 + 𝑦2 = 10
4𝑦1
+ 𝑦2 + 𝑦3 = 5
3
−1
𝑦 = (31/3)
−4
3𝑥1 + 2𝑥2 + 4𝑥3 = −1
𝑥2 2𝑥 31
𝑈𝑥 = 𝑦 → { + 33 = 3
3
−4𝑥3 = −4
−21
𝑥 = ( 29 )
1
63. Resolva o sistema linear a seguir usando a fatoração LU:
3𝑥 − 0,1𝑦 − 0,2𝑧 = −1,2
{ 0,1𝑥 + 7𝑦 − 0,3𝑧 = 7,8
0,3𝑥 − 0,2𝑦 + 10𝑧 = 3,5
Resolução:
3 −0,1 −0,2 −1,2
A = (0,1 7 −0,3) e 𝑏 = ( 7,8 )
0,3 −0,2 10 3,5
Maiko
1ª coluna
Multiplicadores:
(0) (0)
𝑎21 𝑎31
𝑚21 = (0) = 0,0333 e 𝑚31 = (0) = 0,1
𝑎11 𝑎11
3 −0,1 −0,2 𝐿1 → 𝐿1
(1)
A = (0 7,0033 −0,2933) 𝐿2 → −𝑚21 ∗ 𝐿1 + 𝐿2
0 −0,19 10,02 𝐿3 → −𝑚31 ∗ 𝐿1 + 𝐿3
2ª coluna
Multiplicador:
(1)
𝑎32
𝑚32 = (1) = −0,0271
𝑎22
3 −0,1 −0,2 𝐿1 → 𝐿1
(2)
A = (0 7,0033 −0,2933) 𝐿2 → 𝐿2
0 0 10,0120 𝐿3 → −𝑚32 ∗ 𝐿2 + 𝐿3
1 0 0 3 −0,1 −0,2
𝐿 = (0,0333 1 0) e 𝑈 = (0 7,0033 −0,2933)
0,1 −0,0271 1 0 0 10,0120
Resolvendo o sistema L(Ux)=b, tem-se:
𝑦1 = −1,2
𝐿𝑦 = 𝑏 → {0,0333𝑦1 + 𝑦2 = 7,8
0,1𝑦1 − 0,0271𝑦2 + 𝑦3 = 3,5
−1,2
𝑦 = ( 7,84 )
3,8327
3𝑥1 − 0,1𝑥2 − 0,2𝑥3 = −1,2
𝑈𝑥 = 𝑦 → {7,0033𝑥2 − 0,2933𝑥3 = 7,84
10,0120𝑥3 = 3,8327
−0,3366
𝑥 = ( 1,1355 )
0,3828
64. Considere a matriz.

1 1 1
A = (2 1 −1)
3 2 5
a) Calcule a fatoração LU de A.
b) Usando a fatoração LU, calcule o determinante de A.
Resolução:
a) Usando o processo de Gauss para triangular A, tem-se:
1ª coluna
Multiplicadores:
(0) (0)
𝑎21 𝑎31
𝑚21 = (0) = 2 e 𝑚31 = (0) =3
𝑎11 𝑎11
Maiko
1 1 1 𝐿1 → 𝐿1
(1)
A = (0 −1 −3) 𝐿2 → −𝑚21 ∗ 𝐿1 + 𝐿2
0 −1 2 𝐿3 → −𝑚31 ∗ 𝐿1 + 𝐿3
2ª coluna
Multiplicador:
(1)
𝑎32
𝑚32 = (1) =1
𝑎22
1 1 1 𝐿1 → 𝐿1
(2)
A = (0 −1 −3) 𝐿2 → 𝐿2
0 0 5 𝐿3 → −𝑚32 ∗ 𝐿2 + 𝐿3
1 0 0 1 1 1
𝐿 = (2 1 0 ) e 𝑈 = (0 −1 −3)
3 1 1 0 0 5
b) Sabe-se que A = LU então:

det(A) = det(𝐿𝑈)
det(A) = det(𝐿) ∗ det(𝑈)
det(A) = (1 ∙ 1 ∙ 1) ∗ (1 ∙ (−1) ∙ 5)
det(𝐴) = −5
65. Aplicando-se o método da decomposição LU a matriz:

? ? 3 ?
A=( 4 −1 10 8)
? −3 12 11
0 −2 −5 10
Obtiveram-se as matrizes:
? 0 ? ? ? −1 ? 5
𝐿 = (2 ? ? ? ) e 𝑈 = ( ? 1 ? −2 )
3 0 ? 0 ? 0 3 −4
0 ? 1 ? 0 ? 0 10
Preencha os espaços pontilhados com valores adequados.
Resolução:
Iniciamos completando a matriz L com os elementos da diagonal principal, que são igual
a 1, e com os elementos acima da diagonal principal, que são nulos.
1 0 0 0
𝐿 = (2 1 0 0)
3 0 1 0
0 ? 1 1
Também podemos completar alguns elementos da matriz U, abaixo da diagonal principal,
que são nulos.
? −1 ? 5
𝑈=( 0 1 ? −2 )
0 0 3 −4
0 0 0 10
(0)
𝑎21
Com o multiplicador 𝑚21 = (0) , podemos calcular os elementos 𝑎11 :
𝑎11
(0)
𝑎21
𝑚21 = (0)
𝑎11
Maiko
4
2= (0)
𝑎11
(0)
𝑎11 = 2
Comparando a primeira linha das matrizes A e U, completamos a primeira linha dessas
matrizes:
2 −1 3 5
A=( 4 −1 10 8)
? −3 12 11
0 −2 −5 10
2 −1 3 5
𝑈 = (0 1 ? −2)
0 0 3 −4
0 0 0 10
(0)
𝑎31
Com o multiplicador 𝑚31 = (0) , podemos calcular os elementos 𝑎31 :
𝑎11
(0)
𝑎31
𝑚31 = (0)
𝑎11
(0)
𝑎31
3=
2
(0)
𝑎31 = 6
Assim, temos:
2 −1 3 5
A=( 4 −1 10 8)
6 −3 12 11
0 −2 −5 10
(1)
Com os dados obtidos da matriz A podemos calcular o elemento 𝑎23 :
(1) (0) (0)
𝑎23 = 𝑎23 − 𝑚21 ∗ 𝑎13
(1)
𝑎23 = 10 − 2 ∗ 3
(1)
𝑎23 = 4
Assim, temos:
2 −1 3 5
𝑈 = (0 1 4 −2)
0 0 3 −4
0 0 0 10
2 −1 3 5
A(1) = (0 1 4 −2 )
0 0 3 −4
0 −2 −5 10
Com os dados dessa matriz podemos calcular o multiplicador 𝑚42 :
(1)
𝑎42
𝑚42 = (1) = −2
𝑎22
Assim, temos:
1 0 0 0
𝐿 = (2 1 0 0)
3 0 1 0
0 −2 1 1
Maiko
3.2.4 Refinamento de Soluções
Seja x (0) a solução aproximada para A  x = b . Obtém-se a solução melhorada x (1)
aplicando-se a correção (0 ) em x (0) .
x (1) = x (0) + (0 )
Se A  x (1) = b , então
A ( x (0) + (0 ) )= b
A  x (0) + A  (0 ) = b
 A  (0 ) = b − A  x (0)
 A  (0 ) = r (0) . Assim, (0 ) vem de [ A  r (0) ].
Obtido o (0 ) , calcula-se x (1) = x (0) + (0 ) .
Repete-se o processo para se obter x (2) , x (3) , , x (k ) , até que se tenha a precisão
desejada. Logo, obtém-se o refinamento de forma iterativa pela seguinte equação:
x (i ) = x (i −1) + ( i −1) , com i =1, 2,  k .
66. Considerando a resposta x do exercício 2, faça o refinamento de x até que se obtenha

o resíduo r (k ) =0, considerando precisão dupla ( 10−4 =0,0001), quatro casas decimais.
 8,7 x1 + 3,0 x 2 + 9,3x3 + 11,0 x 4 = 16,4
24,5 x − 8,8 x 2 + 11,5 x3 − 45,1x 4 = − 49,7
 1
Ax = 
b
52,3x1 − 84,0 x 2 − 23,5 x3 + 11,4 x 4 = − 80,8

 21,0 x1 − 81,0 x 2 − 13,2 x3 + 21,5 x 4 = − 106,3
x (0) = 1,01 2,01 − 1,01 1,00
T
r (0) = b − A  x (0)  r (0) = − 0,024 − 0,042 0,082 0,468T

REFINAMENTO:
( k −1)
x (k ) = x ( k −1) + ( k −1) A  ( k −1) = r  [ A  r ( k −1) ]  ( k −1)
Resolução:
• k =1 [ A  r (0) ]  (0 )  x (1) = x (0) + (0)
(1) B0  8,7000 3,0000 9,3000 11,0000 -0,0240
(0 )
(2) m21 = -( 24,5000 )/( 8,7000 ) 24,5000 -8,8000 11,5000 -45,1000 -0,0420
(0 )
(3) m31 = -( 52,3000 )/( 8,7000 ) 52,3000 -84,0000 -23,5000 11,4000 0,0820
(0 )
(4) m41 = -( 21,0000 )/( 8,7000 ) 21,0000 -81,0000 -13,2000 21,5000 0,4680
(2) B1  0,0000 -17,2483 -14,6897 -76,0770 0,0256
(1)
(3) m32 = -( -102,0345 )/( -17,2483 ) 0,0000 -102,0345 -79,4069 -54,7264 0,2263
(1)
(4) m42 = -( -88,2414 )/( -17,2483 ) 0,0000 -88,2414 -35,6483 -5,0517 0,5259
(3) B2  0,0000 0,0000 7,4919 395,3167 0,0749
(2 )
(4) m43 = -( 39,5034 )/( 7,4919 ) 0,0000 0,0000 39,5034 384,1543 0,3949
(4) B3  0,0000 0,0000 0,0000 -1700,2774 0,0000

Considerando 4 casas decimais:
Maiko
8,71 + 3,0 2 + 9,3 3 + 11,0 4 = − 0,0240
 0 − 17,2483 2 − 14,6897 3 − 76,0770 4 = 0,0256
(0 ) 
[A r ] 
 0 0 + 7,4919 3 + 395,3167 4 = 0,0749

 0 0 0 − 1700,2774 4 = 0,0000
Então:
(0 ) = − 0,0100 − 0,0100 0,0100 0,0000
T
[ A  r (0) ]  (0 ) 
x (0) = 1,01 2,01 − 1,01 1,00
T
Como:
x (1) = 1,0000 2,0000 − 1,0000 1,0000
T
x (1) = x (0) + (0 ) 
r (1) = b − A  x (1)  r (1) = 0,0000 0,0000 0,0000 0,0000T .
• Logo, após 1 refinamento, foi obtido r (1) =0 considerando 4 dígitos significativos. Logo, o
processo iterativo x (k ) = x ( k −1) + ( k −1) com k =1 levou a x = 1 2 − 1 1 .
T
3.3 Métodos iterativos

A solução x de um sistema de equações lineares A x = b pode ser obtido resolvendo,
de forma iterativa, o sistema equivalente da forma x = F  x + d , onde F é uma matriz n n ,
x e d vetores n  1 . Isto pode ser feito tomando ( x) = F  x + d , x ( k +1) = ( x ( k ) ) = F  x ( k ) + d
, onde k =0, 1, , M , e M é o número máximo de iterações e x (0) é o vetor inicial.
3.3.1 Testes de parada

O processo iterativo x ( k +1) gera aproximações até que:
( k +1)
• máx xi − xi( k )   , sendo  a tolerância; ou
1in
• k > M , sendo M o número máximo de iterações.
3.3.2 Método de Gauss-Jacobi

Adaptação de A x = b para x = F  x + d :
 a11x1 + a12 x2 +  + a1n xn = b1
a x + a22 x2 +  + a2 n xn = b2

A x = b   21 1
    

an1 x1 + an 2 x2 +  + ann xn = bn
 b1 − ( a12 x2 + a13 x3 + a14 x4 +  + a1n xn )
 x1 =
a11

 x b2 − ( a21x1 + a23 x3 + a24 x4 +  + a2 n xn )
=
x = Fx+d  2 a22
 
 bn − ( an1 x1 + an 2 x2 + an3 x3 +  + an( n−1) x( n−1) )
 xn =
 ann
OBS. 2: Para o sistema x = F  x + d , é necessário que aii  0, i . Caso isto não ocorra,
o sistema A x =𝑏 deve ser reagrupado.
Assim, a fórmula recursiva x = F  x + d é dada na forma matricial por:
Maiko
 a12 a13 a1n   b1 
 0 − −  −  a 
a11 a11 a11
 x1   a a a
  x1   11 
b
 x  − 21 0 − 23  − 2n   x   2 
 2   a22 a22 a22   2   a 22 
 x3  =  a31 a a   x  +  b 
  − − 32 0  − 3n   3   3 
    a33 a33 a33      a33 
 xn        x    
 a an 2 an3   n   bn 
− n1 − −  0   
 ann ann ann   a nn 
ou ainda x ( k +1) = F  x (k ) + d o que é equivalente a:
 ( k +1) b1 − (a12 x2( k ) + a13 x3( k ) + a14 x4( k ) +  + a1n xn( k ) )
x
 1 =
 a11
 ( k +1) b2 − (a 21 x1 + a23 x3 + a 24 x4( k ) +  + a 2 n xn( k ) )
(k ) (k )
 x2 =
 a 22
  

 x ( k +1) = bn − (a n1 x1 + an 2 x2 + an 3 x3 +  + a n ( n−1) x( n−1) )
(k ) (k ) (k ) (k )
 n a nn
67. Resolva o sistema a seguir, utilizando o método de Gauss-Jacobi, com x ( 0) = 0 n1 e

 = 10−2 =0,01.
10 x1 + 2 x2 + x3 = 7

A x = b   x1 + 5 x2 + x3 = −8  x = F  x + d
 2 x + 3x + 10 x3 = 6
 1 2
Resolução:
 2 1  7 
 0 − −   10 
10 10
 1 1   8
F = − 0 −  e d = − 
 5 5  5
− 2 − 3 0   6 
 10 10   10 
Neste caso a fórmula de recorrência fica:
 ( k +1) 7 − ( 2 x2( k ) + x3( k ) )

 x1 =
 10
 ( k +1) − 8 − ( x1( k ) + x3( k ) )
x ( k +1) = F  x (k ) + d   x2 =
 5
 ( k +1) 6 − ( 2 x1 + 3 x2( k ) )
(k )
 x3 =
 10
Maiko
k x1(k ) x2(k ) x3(k ) max xi( k ) − xi( k −1)

1i3
0 0 0 0 -
1 0,7 -1,6 0,6 1,6
2 0,96 -1,86 0,94 0,34
3 0,978 -1,98 0,966 0,12
4 0,9994 -1,9888 0,9984 0,0324
5 0,99792 -1,99956 0,99676 0,01076
6 1,000236 -1,998936 1,000284 0,003524
Com x (0) = 0 0 0 e =0,01, o processo convergiu com 6 iterações para:
T
x = 1,000236 − 1,998936 1,000284 .

T
Critério das linhas

Uma condição suficiente (mas não necessária) para garantir a convergência do método
de Gauss-Jacobi aplicado ao sistema A x = b , com aii  0, i , é
n
 aij  aii , i = 1, 2, 3,  , n .
j =1
j i
Neste caso, a matriz dos coeficientes das incógnitas A é dita estritamente diagonal
dominante.
68. Verificar se o critério das linhas é satisfeito no sistema de equações A x = b , que

10 x1 + 2 x2 + x3 = 7

segue: A x = b   x1 + 5 x2 + x3 = − 8
 2 x + 3x + 10 x = 6
 1 2 3
10 2 1 
Resolução: 
A= 1 5 1

 
 2 3 10
 a12 + a13  a11


  a21 + a23  a22
 a + a32  a33
 31
2 + 1  10

 1 + 1  5
2 + 3  10

Logo, a matriz dos coeficientes A é estritamente diagonal dominante, o que garante a

convergência do método de Gauss-Jacobi aplicado a este sistema com esta ordem de
equações e incógnitas.
Maiko
69. Verificar se o critério das linhas é satisfeito no sistema de equações A x = b , que

 x1 + 3x2 + x3 = − 2

segue: A x = b  5 x1 + 2 x2 + 2 x3 = 3
 6 x2 + 8 x3 = − 6

1 3 1
Resolução: A = 5 2 2
0 6 8
 a12 + a13  a11 3 + 1  1
 
  a21 + a23  a22   5 + 2  2
 a 0 + 6  8
 31 + a32  a33 
Logo a matriz dos coeficientes A não é estritamente diagonal dominante. Isto significa
que não é garantida a convergência do método de Gauss-Jacobi aplicado a este sistema
com esta ordem de equações e incógnitas.
Mas permutando adequadamente as equações do sistema, obtém-se o sistema equivalente:
5 x1 + 2 x2 + 2 x3 = 3

 x1 + 3x2 + x3 = − 2
 6 x2 + 8 x3 = − 6

5 2 2 
onde A = 1 3 1
0 6 8
 a12 + a13  a11 2 + 2  5
 
  a21 + a23  a22   1 + 1  3
 a 0 + 6  8
 31 + a32  a33 
Logo, esta nova matriz dos coeficientes A é estritamente diagonal dominante, o que
garante a convergência do método de Gauss-Jacobi aplicado a este sistema com esta nova
ordem de equações e incógnitas.
3.3.3 Método de Gauss-Seidel

É semelhante ao método de Gauss-Jacobi, com a diferença de utilizar xi( k +1) , 1  i < p ,
para o cálculo de x (pk +1) . Desta forma, as equações recursivas ficam:
 ( k +1) b1 − ( a12 x2( k ) + a13 x3( k ) + a14 x4( k ) +  + a1n xn( k ) )
 x1 =
 a11
 ( k +1) b2 − ( a21x1 ( k +1)
+ a23 x3 + a24 x4( k ) +  + a2 n xn( k ) )
(k )
 x2 =
 a22
( k +1) ( k +1)
 ( k +1) b3 − ( a31x1 + a32 x2 + a34 x4( k ) +  + a3n xn( k ) )
 x3 =
 a33
  
 ( k +1)
bn − ( an1 x1 + an 2 x2 ( k +1)
+ an3 x3( k +1) +  + an( n−1) x((nk−+11)) )
 xn( k +1) =
 ann
Maiko
70. Resolva o sistema a seguir, utilizando o método de Gauss-Seidel, com x ( 0) = 0 n1 e

 = 10−2 =0,01.
10 x1 + 2 x2 + x3 = 7

A x = b   x1 + 5 x2 + x3 = − 8
 2 x + 3x + 10 x = 6
 1 2 3
Resolução:
 ( k +1) 7 − ( 2 x2( k ) + x3( k ) )
 x1 =
 10
( k +1)
 ( k +1) − 8 − ( x1 + x3( k ) )
 x2 =
 5
( k +1)
 ( k +1) 6 − ( 2 x1 + 3x2( k +1) )
 x3 =
 10

1i3
0 0 0 0 -
1 0,7 -1,74 0,982 1,74
2 0,9498 -1,98636 1,005948 0,2498
3 0,9966772 -2,00052504 1,000822072 0,0468772
4 1,000022801 -2,000168975 1,000046132 0,003345601
T
x = 1,000023 − 2,000169 1,000046 .

T
3.3.4 Comparação entre os métodos
71. Resolva o sistema A x = b , utilizando o método de Gauss-Jacobi, com x ( 0) = 0 n1 e

=0,05.
5 x1 + x2 + x3 = 5

A x = b  3x1 + 4 x2 + x3 = 6
3x + 3x + 6 x = 0
 1 2 3
Resolução:
 1 1 5
 0 − 5 − 5 5
 3 1  6
F = − 0 −  e d =  Neste caso a fórmula de recorrência fica:
 4 4 4
− 3 − 3 0  0
 6 6 
  6 
Maiko
 ( k +1) 5 − ( x2( k ) + x3( k ) )
 x1 =
 5
( k +1)  ( k +1) 6 − (3 x1( k ) + x3( k ) )
x (k )
= F  x + d   x2 =
 4
 ( k +1) − (3 x1( k ) + 3 x2( k ) )
 x3 =
 6

1i3
0 0 0 0 -
1 1 1,5 0 1,5
2 0,7 0,75 -1,25 1,25
3 1,1 1,2875 -0,725 0,5375
4 0,8875 0,85625 -1,19375 0,46875
5 1,0675 1,1328125 -0,871875 0,321875
6 0,9478125 0,91734375 -1,10015625 0,22828125
7 1,0365625 1,064179688 -0,932578125 0,167578125
8 0,973679688 0,955722656 -1,050371094 0,117792969
9 1,018929688 1,032333008 -0,964701172 0,085669922
10 0,986473633 0,976978027 -1,025631348 0,060930176
11 1,009730664 1,016552612 -0,98172583 0,043905518
T
x = 1,0009731 1,016553 − 0,981726 .

T
72. Resolva o sistema A x = b , utilizando o método de Gauss-Seidel, com x ( 0) = 0 n1 e

=0,05.
5 x1 + x2 + x3 = 5

A x = b  3x1 + 4 x2 + x3 = 6
3x + 3x + 6 x = 0
 1 2 3
Resolução:
 ( k +1) 5 − ( x2( k ) + x3( k ) )
 x1 =
 5
( k +1)
 ( k +1) 6 − (3 x1 + x3( k ) )
 x2 =
 4
( k +1)
 ( k +1) − (3 x1 + 3 x2( k +1) )
 x3 =
 6

1i3
0 0 0 0 -
1 1 0,75 -0,875 1
2 1,025 0,95 -0,9875 0,2
3 1,0075 0,99125 -0,999375 0,04125
T
Maiko
x = 1,007500 0,991250 − 0,999375 .

T
3.3.5 Critério de Sassenfeld

Uma condição suficiente para garantir a convergência do método de Gauss-Seidel
aplicado ao sistema A x = b , com aii  0, i , é M 1, sendo M = max i , onde:
1in
n
1
1 =   a1 j
a11 j =2
1  i−1 n 
i =   aij   j +  aij  , i = 2, 3,  , n .
aii  j =1 j =i +1 
OBS. 3: Se o critério das linhas é satisfeito, então o critério de Sassenfeld também será
satisfeito.
73. Verificar se o critério de Sassenfeld é satisfeito no sistema de equações A x = b , que

 x1 + 0,5 x2 − 0,1x3 + 0,1x4 = 0,2
 0,2 x + x2 − 0,2 x3 − 0,1x4 = − 2,6
 1
segue: A x = b  
− 0,1x1 − 0,7 x2 + x3 + 0,2 x4 = 1,0

 0,1x1 + 0,3 x2 + 0,2 x3 + x4 = − 2,5
 1 0,5 − 0,1 0,1 

 0,2 1 − 0,2 − 0,1
Resolução: A= 
− 0,1 − 0,7 1 0,2 
 
 0,1 0,3 0,2 1 
1
1 =  [ a12 + a13 + a14 ] = 1· [ 0,5+0,1+0,1 ] = 0,7
a11
1
2 =  [ a 21  1 + a 23 + a 24 ] = 1· [ 0,2·0,7+0,2+0,1 ] = 0,44
a 22
1
3 =  [ a31  1 + a32   2 + a34 ] =1· [ 0,1·0,7+0,7·0,44+0,2 ] = 0,578
a33
1
4 =  [ a41  1 + a42   2 + a43  3 ] =1·[0,1·0,7+0,3·0,44+0,2·0,578] = 0,3176
a44
Então, M = max i = max { 0,7 ; 0,44 ; 0,578 ; 0,3176 } = 0,7  1. Logo o critério de
1i 4
Sassenfeld está satisfeito, o que garante a convergência do método de Gauss-Seidel
aplicado a este sistema.
Maiko
74. Verificar se o critério de Sassenfeld é satisfeito no sistema de equações A x = b , que

2 x1 + x2 + 3x3 = 9

segue: A x = b   − x 2 + x3 = 1
x + 3 x3 = 3
 1
Resolução: Com esta disposição de linhas e colunas, tem-se que:
1 1
1 =  [ a12 + a13 ] = ·[1+3] = 2 > 1, logo o critério de Sassenfeld não é satisfeito.
a11 2
Permutando as equações 1 e 3 tem-se o sistema de equações equivalente:
 x1 + 3 x3 = 3

 − x2 + x3 = 1 , e para esta disposição verifica-se que:
2 x + x + 3 x = 9
 1 2 3
1 1
1 =  [ a12 + a13 ] = ·[0+3] = 3 > 1, logo o critério de Sassenfeld novamente não
a11 1
é satisfeito.
Permutando agora as colunas 1 e 3 tem-se o sistema de equações equivalente:
3x3 + x1 = 3

 x3 − x 2 = 1 , e para esta disposição verifica-se que:
3x + x + 2 x = 9
 3 2 1
1 1 1
1 =  [ a12 + a13 ] = ·[0+1] =
a11 3 3
1 1 1 1
2 =  [ a 21  1 + a 23 ] = · [ 1· +0 ] =
a 22 −1 3 3
1 1 1 1 2
3 =  [ a31  1 + a32   2 ] = · [ 3· +1· ] =
a33 2 3 3 3
1 2 2
Então, M = max i = max { , }=  1. Logo o critério de Sassenfeld está satisfeito,
1i 3 3 3 3
o que garante a convergência do método de Gauss-Seidel aplicado a este sistema com esta
nova ordem de equações e incógnitas.
Maiko
Cálculo Numérico Interpolação 4-55
4 Interpolação
4.1 Interpolação polinomial
Uma função f ( x ) pode ser conhecida por um conjunto finito e discreto de n +1 pontos.
y ( x4 , y4 ) f (x )
( x0 , y0 )
( x1 , y1 )
(x3 , y3 ) ( x5 , y5 )
( x2 , y2 )
P(x )
x0 x1 x2 x3 x4 x5 x
xi yi
x0 y0
x1 y1
x2 y2
x3 y3
x4 y4
x5 y5
Para se INTERPOLAR os n +1 pontos obtidos da tabela, é utilizado um polinômio Pn (
x ) de tal forma que: Pn ( x i )= f ( x i ) para i =0, 1, , n .
4.1.1 Existência e Unicidade do Polinômio Interpolador Pn(x)

Teorema 1 Existe um único polinômio Pn ( x ), de grau  n , tal que: Pn ( xi )= f ( xi ), com
𝑖 = 0,1, … , 𝑛, desde que xi  x j , i  j .
n
Tome Pn ( x i )=  a k xik = f ( x i ) para i =0,1,, n . Desenvolvendo o sistema
k =0
n
f ( xi )=  a k xik ( i =0,1,, n ), obtém-se:
k =0
a0 + a1x0 + a2 x02 +  + an x0n = f ( x0 ) (i = 0 )

a0 + a1x1 + a2 x12 +  + an x1n = f ( x1 ) (i = 1)

    
a + a1xn + a2 xn2 +  + an xnn = f ( xn ) (i = n )
 0
Daí, retira-se a matriz dos coeficientes A para se calcular as incógnitas a0 , a1 ,, an .
1 x0 x02  x0n 
 
1 x1 x12  x1n 
A= .
   
 
1 xn xn2  xnn 
Maiko
A é uma matriz de VANDERMONDE e, sendo xi com i =0,1,, n , pontos distintos,
o det A 0. Assim o sistema admite solução única.
OBS. 1:
det A =( xn − xn −1 )( xn − xn − 2 )( xn − x0 )( xn −1 − xn − 2 )( xn −1 − xn − 3 )( xn −1 − x0
)

( x3 − x2 )( x3 − x1 )( x3 − x0 )( x2 − x1 )( x2 − x0 )( x1 − x0 )  det A =  (xi − x j ).
i j
ENTÃO: O polinômio Pn ( x ) existe e é único.
4.1.2 Forma de Lagrange

Seja f uma função tabelada em ( n +1) pontos distintos x0 , x1 ,, xn e seja Li ( x )
polinômios de Lagrange de grau n , onde Li é dado por:
n (x − x j ) 1 , se i = k
Li ( x )=  de tal forma que Li ( xk )= 
j = 0 ( xi − x j ) 0 , se i  k
j i
75. Determine Li ( xk ) para i =0,1,2, k =0,1,2 e n =2.

Resolução:
( x − x1 )( x − x2 )
i =0  L0 ( x )=
( x0 − x1 )( x0 − x2 )
k =0  L0 ( x0 )=1
k =1  L0 ( x1 )=0
k =2  L0 ( x2 )=0
( x − x0 )( x − x2 )
i =1  L1 ( x )=
( x1 − x0 )( x1 − x2 )
k =0  L1 ( x0 )=0
k =1  L1 ( x1 )=1
k =2  L1 ( x2 )=0
( x − x0 )( x − x1 )
• i =2  L2 ( x )=
( x2 − x0 )( x2 − x1 )
k =0  L2 ( x0 )=0
k =1  L2 ( x1 )=0
k =2  L2 ( x2 )=1
Para x = xk , com k =0,1,2,, n , temos:
n
Pn ( xk )=  yi Li ( xk )
i =0
 i  k  yi Li ( xk ) =0

=0
 i = k  yi Li ( xi ) = yi

=1
Maiko
A forma de Lagrange para o polinômio interpolador é:
n n n (x − x j )
Pn ( x )=  yi Li ( x ) ou Pn ( x )=  yi  (x
i =0 i =0 j =0 i − xj)
j i
76. Interpolar o ponto x =1,5 na tabela abaixo, empregando o polinômio interpolador de

Lagrange.
i 0 1 2 3
xi −1 0 1 2
yi 1 3 1 1
Resolução: n =3 é o grau máximo de P3 ( x ).
3
P3 ( x )=  yi Li ( x )  P3 ( x )=1 L0 ( x )+3 L1 ( x )+1 L2 ( x )+1 L3 ( x )
i =0
3 (x − x j )
Li ( x )= 
j = 0 ( xi − xj)
j i
( x − x1 )( x − x2 )( x − x3 ) ( x − 0)( x − 1)( x − 2) x 3 − 3x 2 + 2 x
L0 ( x )= = =
( x0 − x1 )( x0 − x2 )( x0 − x3 ) ( −1 − 0)( −1 − 1)( −1 − 2) −6
( x − x0 )( x − x2 )( x − x3 ) ( x + 1)( x − 1)( x − 2) x3 − 2 x 2 − x + 2
L1 ( x )= = =
( x1 − x0 )( x1 − x2 )( x1 − x3 ) (0 + 1)(0 − 1)(0 − 2) 2
( x − x0 )( x − x1 )( x − x3 ) ( x + 1)( x − 0)( x − 2) x3 − x 2 − 2 x
L2 ( x )= = =
( x2 − x0 )( x2 − x1 )( x2 − x3 ) (1 + 1)(1 − 0)(1 − 2) −2
( x − x0 )( x − x1 )( x − x2 ) ( x + 1)( x − 0)( x − 1) x3 − x
L3 ( x )= = =
( x3 − x0 )( x3 − x1 )( x3 − x2 ) ( 2 + 1)( 2 − 0)( 2 − 1) 6
Logo:
x 3 − 3x 2 + 2 x x3 − 2 x 2 − x + 2 x3 − x 2 − 2 x x3 − x
P3 ( x )= +3 + +
−6 2 −2 6
3 2
 P3 ( x )= x −2 x − x +3
P3 (1,5)= P3 ( 32 )= ( 32 )3 −2 ( 32 ) 2 − 32 +3
27 9 3
P3 (1,5)= − 2 − +3
8 4 2
3
P3 (1,5)=  P3 (1,5)=0,375
8
y
3
P3(x )
2
3
8
-1 0 1 3
2 2 x
Maiko
Forma de Newton
A forma de Newton para o polinômio Pn ( x ) que interpola f ( x )
em x0 , x1 ,, xn , (𝑛 + 1) pontos distintos é a seguinte:
Pn ( x )= f [ x0 ]+( x − x0 ) f [ x0 , x1 ]+( x − x0 )( x − x1 ) f [ x0 , x1 , x2 ]+

+( x − x0 )( x − x1 )( x − xn −1 ) f [ x0 , x1 ,, xn ].
Onde
ORDEM
f [ x0 ]= f ( x0 )= y0 0
f [ x1 ] − f [ x0 ] f ( x1 ) − f ( x0 ) y1 − y0
f [ x0 , x1 ]= = = 1
x1 − x0 x1 − x0 x1 − x0
f [ x1 , x2 ] − f [ x0 , x1 ]
f [ x0 , x1 , x2 ]= 2
x2 − x0
f [ x1 , x2 , x3 ] − f [ x0 , x1 , x2 ]
f [ x0 , x1 , x2 , x3 ]= 3
x3 − x0
 
f [ x1 , x2 ,, xn ] − f [ x0 , x1 ,, xn −1 ]
f [ x0 , x1 ,, xn ]= n
xn − x0
f [ x0 , x1 ,, xn ] é a DIFERENÇA DIVIDIDA de ordem n da função f ( x ) sobre os

n +1 pontos x0 , x1 ,, xn .
Tabela Prática (DIFERENÇAS DIVIDIDAS)

x ordem 0 ordem 1 ordem 2 ordem 3  ordem n
x0 𝑓[𝑥0 ]
𝑓[𝑥0 , 𝑥1 ]
x1 𝑓[𝑥1 ] 𝑓[𝑥0 , 𝑥1 , 𝑥2 ]
𝑓[𝑥1 , 𝑥2 ] 𝑓[𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 ]
x2 𝑓[𝑥2 ] 𝑓[𝑥1 , 𝑥2 , 𝑥3 ] 
𝑓[𝑥2 , 𝑥3 ] 𝑓[𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ]
x3 𝑓[𝑥3 ] 𝑓[𝑥2 , 𝑥3 , 𝑥4 ] 
𝑓[𝑥3 , 𝑥4 ]  𝑓[𝑥0 , ⋯ , 𝑥𝑛 ]
x4 𝑓[𝑥4 ]  
 𝑓[𝑥𝑛−3 , 𝑥𝑛−2 , 𝑥𝑛−1 , 𝑥𝑛 ]
  𝑓[𝑥𝑛−2 , 𝑥𝑛−1 , 𝑥𝑛 ]
𝑓[𝑥𝑛−1 , 𝑥𝑛 ]
xn 𝑓[𝑥𝑛 ]
Maiko
77. Interpolar o ponto x =1,5 na tabela abaixo, empregando a forma de Newton.
i 0 1 2 3
xi −1 0 1 2
yi 1 3 1 1
Resolução: n =3 é o grau máximo de P3 ( x ). Tabela de diferenças divididas:
x ordem 0 ordem 1 ordem 2 ordem 3
−1 1
3 −1
=2
0 − ( −1)
−2−2
0 3 =−2
1 − ( −1)
1− 3 1 − ( −2)
=−2 =1
1− 0 2 − ( −1)
0 − ( −2 )
1 1 =1
2−0
1−1
=0
2 −1
2 1
P3 ( x )= f [ x0 ]+( x − x0 ) f [ x0 , x1 ]+( x − x0 )( x − x1 ) f [ x0 , x1 , x2 ]+

+( x − x0 )( x − x1 )( x − x2 ) f [ x0 , x1 , x2 , x3 ]
P3 ( x )=1+( x +1)2+( x +1)( x )(−2)+( x +1)( x )( x −1)(1)
P3 ( x )=1+2 x +2−2 x 2 −2 x + x 3 − x
P3 ( x )= x 3 −2 x 2 − x +3
4.2 Estudo de erro na interpolação

Sejam x0  x1  x2  x n , ( n +1) pontos. Seja f ( x ) com derivadas até ordem ( n +1)
para x pertencente ao intervalo [ x0 , x n ].
Seja Pn ( x ) o polinômio interpolador de f ( x ) nos pontos x0 , x1 , x2 ,, x n .
Então, em qualquer ponto x pertencente ao intervalo [ x0 , x n ], o erro é dado por:
E n ( x )= f ( x )− Pn ( x )
f ( n+1) ( x )
E n ( x )=( x − x0 )( x − x1 )( x − x n )
( n + 1)!
onde  x ( x0 , x n ).
Esta fórmula tem uso limitado, pois são raras as situações em que f ( n+1) ( x ) é conhecida
e o ponto  x nunca é conhecido.
Maiko
4.2.1 Estimativa para o Erro
Utilizando a equação anterior, sendo f ( n+1) ( x ) contínua em I =[ x0 , x n ], pode-se
escrever:
| E n ( x )|=| f ( x )− Pn ( x )|
n
M n+1 ( n+1)
| E n ( x )|  ( x − xi )  , onde M n+1 = max f ( x) .
i =0 ( n + 1)! xI
Ao se construir a tabela de diferenças divididas até ordem n +1, pode-se usar o maior
M n+1
valor em módulo desta ordem como aproximação para no intervalo I =[ x0 , x n ].
( n + 1)!
n
Então: | E n ( x )|  ( x − xi )  max ( Dd )
i =0
sendo Dd os valores da tabela de diferenças divididas de ordem ( n +1).
78. Seja f ( x ) dada em forma de tabela de valores, como segue:

x 0,2 0,34 0,4 0,52 0,6 0,72
f (x) 0,16 0,22 0,27 0,29 0,32 0,37
• a) Obter f (0,47) usando um polinômio de grau 2;
• b) Dar uma estimativa para o erro.
Resolução: Tabela de diferenças divididas:
x ordem 0 ordem 1 ordem 2 ordem 3
0,2 0,16
0,4286
0,34 0,22 2,0235
0,8333 −17,8963
0,4 0,27 −3,7033
0,1667 18,2492
0,52 0,29 1,0415
0,375 −2,6031
0,6 0,32 0,2085
0,4167
0,72 0,37
Deve-se escolher 3 pontos próximos de 0,47 para a obtenção de P2 ( x ).
P2 ( x )= f [ x0 ]+( x − x0 ) f [ x0 , x1 ]+( x − x0 )( x − x1) f [ x0 , x1, x2 ]
P2 ( x )=0,27+( x −0,4)0,1667+( x −0,4)( x −0,52)1,0415
P2 ( x )=1,0415 x 2 −0,79148 x +0,419952
• a) P2 (0,47)=0,278 f (0,47)
• b) | E n (0,47)||(0,47−0,4)(0,47−0,52)(0,47−0,6)||18,2492|
| E n (0,47)|8,303 10−3 .
Maiko
79. Prove a igualdade seguinte.
x − x1 x − x0
P1 ( x )= f ( x0 ) + f ( x1 ) = f [ x0 ]+( x − x0 ) f [ x0 , x1]
x0 − x1 x1 − x0
Resolução:
x ordem 0 ordem 1
x0 f [ x0 ]= y0
y1 − y0
f [ x0 , x1 ]=
x1 − x0
x1 f [ x1 ]= y1  P1 ( x )= f [ x0 ]+( x − x0 ) f [ x0 , x1 ]
P1 ( x )= f [ x0 ]+( x − x0 ) f [ x0 , x1 ]
y1 − y0
 P1 ( x )= y0 +( x − x0 )
x1 − x0
x − x0 x − x0
 P1 ( x )= y0 + y1  − y0 
x1 − x0 x1 − x0
x − x0 x − x0
 P1 ( x )= y0 − y0  + y1 
x1 − x0 x1 − x0
 x − x0 
 P1 ( x )= y0   1 −  + y1  x − x0
 x1 − x0  x1 − x0
 x − x − x + x0 
 P1 ( x )= y0   1 0  + y1  x − x0
 x1 − x0  x1 − x0
x −x x − x0
 P1 ( x )= y0  1 + y1 
x1 − x0 x1 − x0
x − x1 x − x0
 P1 ( x )= f ( x0 ) + f ( x1 )
x0 − x1 x1 − x0
4.3 Interpolação inversa: casos existentes

O problema da interpolação inversa consiste em: dado y ( f ( x0 ), f ( xn )), obter x ,
tal que f ( x )= y .
São duas, as formas de se obter x . A primeira é encontrar x tal que Pn ( x )= y ; A
segunda é fazer a própria interpolação inversa, utilizando para isso, os valores de y .
4.3.1 Encontrar x tal que Pn (x )

Obter Pn ( x ) que interpola f ( x ) em x0 , x1 , x2 ,, x n e em seguida encontrar x , tal
que f ( x )= y .
OBS. 2: x obtido desta forma não permite se estimar o erro.
Maiko
80. Encontre x tal que f ( x )=2 pela tabela abaixo:
x 0,5 0,6 0,7 0,8 0,9 1,0
f (x) 1,65 1,82 2,01 2,23 2,46 2,72
Resolução:
Fazendo interpolação linear por x0 =0,6 e x1 =0,7:
x − x1 x − x0
P1 ( x )= f ( x0 ) + f ( x1 )
x0 − x1 x1 − x0
x − 0,7 x − 0,6
P1 ( x )=1,82 +2,01
− 0,1 0,1
P1 ( x )=−18,2 x +12,74+20,1 x −12,06  P1 ( x )=1,9 x +0,68.
2 − 0,68
P1 ( x )=2  1,9 x +0,68=2  x =
1,9
x =0,6947368.
4.3.2 Interpolação inversa

Se f ( x ) for inversível num intervalo contendo y , então x = f −1 ( y )= g ( y ).
Condição para a inversão de f ( x ): f é contínua e monótona crescente (decrescente)
num intervalo [ a , b ].
Dado f ( x ) contínua em ( x0 , x n ), então f ( x ) será admitida monótona crescente se
f ( x0 )  f ( x1 )    f ( x n ) e monótona decrescente se f ( x0 )  f ( x1 )    f ( x n ).
Respeitadas as condições dadas acima, será obtido o polinômio Pn ( y ) que interpola g
( y )= f −1 ( y ) sobre [ y0 , yn ].
81. Considere a tabela a seguir:

x 0 0,1 0,2 0,3 0,4 0,5
x
y =e 1 1,1052 1,2214 1,3499 1,4918 1,6487
Obter x , tal que e x =1,3165, usando um processo de interpolação quadrática. Usar a
forma de Newton para obter P2 ( y ). Construir a tabela de diferenças divididas.
Resolução:
y ordem 0 ordem 1 ordem 2 ordem 3
1 0
0,9506
1,1052 0,1 −0,4065
0,8606 0,1994
1,2214 0,2 −0,3367
0,7782 0,1679
1,3499 0,3 −0,2718
0,7047 0,1081
1,4918 0,4 −0,2256
0,6373
1,6487 0,5
Maiko
P2 ( y )= g [ y0 ]+( y − y0 ) g [ y0 , y1 ]+( y − y0 )( y − y1 ) g [ y0 , y1 , y2 ]
P2 ( y )=0,2+( y −1,2214)0,7782+( y −1,2214)( y −1,3499)(−0,2718)
P2 (1,3165)=0,27487.
Assim, e0, 27487 1,3165 Na calculadora = 1,316359.
Erro cometido:
M3
| E2 ( y )|  |( y − y0 )( y − y1 )( y − y2 )|
3!
M3
| E2 (1,3165)|  |(1,3165−1,2214)(1,3165−1,3499)(1,3165−1,4918)|
3!
M3
| E2 (1,3165)|  5,5681 10−4   M 3 = max g ''' ( y ) , y [ y0 , y2 ].
3!
M3
• 1o Caso: pode ser aproximado por 0,1994 (tabela de diferenças divididas de ordem 3).
3!
| E2 (1,3165)|  5,5681 10−4 0,1994  | E2 ( y )|  1,11028 10−4 .
• 2o Caso: f ( x )= e x  g ( y )= f −1 ( y )= ln y
1 1 2
 g ' ( y )=  g" ( y )=− 2  g"' ( y )= 3
y y y
2 M 1,0976
Logo: M 3 = 3
 M 3 =1,0976, então 3 = =0,18293.
(1,2214) 3! 3!
| E2 (1,3165)|  5,5681 10−4 0,18293  | E2 ( y )|  1,0186 10−4 (limite superior).
4.4 Funções spline em interpolação

1 2i
Considere f ( x )= tabelada no intervalo [−1,1] nos pontos x i =−1+ , com
1 + 25x2 n
i =0,1,, n .
No gráfico abaixo, pode ser observada a função f ( x ) e o polinômio P10 ( x ) que
interpola o conjunto discreto de pontos para n =10.
x −1,0 −0,8 −0,6 −0,4 −0,2 0 0,2 0,4 0,6 0,8 1,0
𝑓(𝑥) 0,038 0,059 0,1 0,2 0,5 1,0 0,5 0,2 0,1 0,059 0,038
3
y
2
1
2
P10(x )
f (x )
-1 - 12 0 1 1 x
2
Maiko
Em certos casos, a aproximação por Pn ( x ) pode ser desastrosa. Uma alternativa é
interpolar f ( x ) em grupos de poucos pontos, obtendo-se polinômios de graus menores, e
impor condições para que a função de aproximação seja contínua e tenha derivadas contínuas
até uma certa ordem.
4.4.1 Função Spline

Considere a função f ( x ) tabelada nos pontos x0  x1  x2  x n .
Uma função S p ( x ) é denominada SPLINE DE GRAU p com nós nos pontos xi , com
i =0,1,, n , se satisfaz as 3 seguintes condições:
1) Em cada subintervalo [ xi , xi +1 ], com i =0,1,,( n −1), S p ( x ) é um polinômio de grau p
representado por si ( x ).
2) S p ( x ) é contínua e tem derivada contínua até ordem ( p −1) em [ a , b ].
3) S p ( xi )= f ( xi ), com i =0,1,, n .
Nestes termos, S p ( x ) é denominada SPLINE INTERPOLANTE.
4.4.2 Spline linear interpolante

É representada por S1 ( x ) .
S1 ( x ) pode ser escrita em cada subintervalo [ xi −1 , xi ], com i =1,2,, n como:
xi − x x − xi −1
si ( x )= f ( xi −1 ) + f ( xi ) , x [ xi −1 , xi ] (01)
xi − xi −1 xi − xi −1
S1 ( x ) definida dessa forma satisfaz as condições 1) , 2) e 3) .
82. Achar a função spline linear que interpola a função f ( x ) tabelada a seguir.
x0 x1 x2 x3
x 1 2 5 7
y= f (x ) 1 2 3 2,5
y
3 s3(x ) f (x )
2,5
s2(x )
2
s1(x )
1
0 1 2 3 4 5 6 7 x
Resolução: Pela definição, pode-se definir 3 splines lineares para os 4 pontos: s1 ( x ),
s2 ( x ) e s3 ( x ).
x1 − x x − x0
• s1 ( x )= y0 + y1
x1 − x0 x1 − x0
2− x x −1
s1 ( x )=1 +2 =2− x +2 x −2= x  s1 ( x )= x , x [1,2].
2 −1 2 −1
Maiko
x2 − x x − x1
• s2 ( x )= y1 + y2
x2 − x1 x2 − x1
5− x x−2 2 1 1
s2 ( x )=2 +3 = (5− x )+ x −2= ( x +4)  s2 ( x )= ( x +4) , x [2,5].
5−2 5−2 3 3 3
x3 − x x − x2
• s3 ( x )= y2 + y3
x3 − x2 x3 − x2
7−x x−5
s3 ( x )=3 +2,5  s3 ( x )= 12 (−0,5 x +8,5) , x [5,7].
7−5 7−5
Então, no intervalo [ a , b ]=[1,7], a spline linear S1 ( x ) é dada por:
 s1( x ) , se x  [1,2];  1
 s1( x ) = x, s2 ( x ) = ( x + 4)
  3
S1 ( x )= s2 ( x ) , se x  [2,5]; tal que 
 s ( x ) , se x  [5,7]. e s ( x ) = 1 ( −0,5 x + 8,5).
 3 

3
2
4.4.3 Spline cúbica interpolante

É representada por S3 ( x ) .
A spline linear tem derivada primeira descontínua nos nós. A spline quadrática S2 ( x )
tem derivadas contínuas até ordem 1, portanto, pode ter picos ou troca abrupta de curvatura nos
nós.
A spline cúbica S3 ( x ) é mais utilizada por ter derivadas primeira e segunda contínuas,
que faz S3 ( x ) ser mais suave nos nós.
Definição: Suponha f ( x ) dada por xi , com i =0,1,, n .

Tome S3 ( x ) como spline cúbica de f ( x ) nos nós xi , caso existam n polinômios de
grau 3 definidos em cada subintervalo k por sk ( x ), com k =1,2,, n . Então a spline cúbica
S3 ( x ) deve satisfazer as 5 igualdades seguintes:
1) S3 ( x )= sk ( x ) para x [ xk −1 , xk ], k =1,2,, n .
2) S3 ( xi )= f ( xi ), com i =0,1,, n .
3) sk ( xk )= sk +1 ( xk ), k =1,2,,( n −1).
4) sk, ( xk )= sk, +1 ( xk ), k =1,2,,( n −1).
5) sk, , ( xk )= sk, ,+1 ( xk ), k =1,2,,( n −1).

Em cada intervalo [ xk −1 , xk ], sk ( x ) será dada por:
sk ( x )= ak ( x − xk )3+ bk ( x − xk )2+ ck ( x − xk )+ d k , com k =1,2,, n (02)

São 4 coeficientes para cada k à serem determinados.
Tome a notação hk = xk − xk −1 , para x = xk −1 .
Condição 1) : é satisfeita pela definição de sk ( x ).
Para a condição 2) , tem-se as equações:
d k = f ( xk )= sk ( xk ), k =1,2,, n (03)
s1 ( x0 )= f ( x0 )  − a1 h13 + b1 h12 − c1 h1 + d 1 = f ( x0 ), k =1 (04)
Maiko
Condição 3) para k =1,2,,( n −1).
sk +1 ( xk )= f ( xk )
− ak +1 h 3k +1 + bk +1 h k2 +1 − ck +1 hk +1 + d k +1 = f ( xk ) (05)
Para as condições 4) e 5) , tome as derivadas:
sk, ( x )=3 a k ( x − xk )2+2 bk ( x − xk )+ c k (06)
sk, , ( x )=6 a k ( x − xk )+2 bk (07)

Para x = xk  sk, , ( xk )=2 bk . Assim, o coeficiente bk é dado por:
sk,, ( xk )
bk = (08)
2
Para x = xk −1  sk, , ( xk −1 )=−6 a k hk +2 bk .
2bk − sk,, ( xk −1 ) sk,, ( xk ) − sk,, ( xk −1 )
ak = = .
6h k 6h k
Impondo a condição 5) , sk, , ( xk −1 )= sk,,−1 ( xk −1 ), obtém-se:
sk,, ( xk ) − sk,,−1( xk −1 )
ak = , com s0, , ( x0 ) arbitrária (09)
6hk
Na obtenção de c k , utilizam-se as equações (04) e (05):
− f ( xk −1 ) − ak h3k + bk hk2 + d k
ck = , d k = f ( xk )
hk
f ( xk ) − f ( xk −1 )
ck = −( a k hk2 − bk hk ), substituindo a k e bk obtém-se:
hk
f ( xk ) − f ( xk −1 )  sk,, ( xk ) − sk,,−1( xk −1 ) s ,, ( x ) 
ck = −  hk − k k hk 
hk  6 2 
Daí, c k pode ser dado por:
,, ,,
f ( xk ) − f ( xk −1 ) 2sk ( xk )  h k + sk −1( xk −1 )  h k
ck = + (10)
hk 6
Na obtenção dos coeficientes, tome yk = f ( xk ) e g k = sk, , ( xk ).
g k − g k −1
ak = (11)
6h k
gk
bk = (12)
2
yk − yk −1 2hk g k + g k −1hk
ck = + (13)
hk 6
d k = yk (14)
Impondo a última condição 4) , sk, ( xk )= sk, +1 ( xk ), com k =1,2,,( n −1), conclui-se
que:
Maiko
Para x = xk  sk, ( xk )= c k , então:

c k =3 a k +1 (xk − xk +1 ) +2 bk +1 (xk − xk +1 ) + c k +1
2
c k =3 a k +1 h k2 +1 −2 bk +1 hk +1 + c k +1
 c k +1 = c k −3 a k +1 h k2 +1 +2 bk +1 hk +1 .
Fazendo-se algumas substituições, através das equações (11), (12) e (13):
yk +1 − yk 2hk +1g k +1 + g k hk +1 yk − yk −1 2hk g k + g k −1hk g − gk g k +1hk +1
+ = + −3 k +1 hk +1 +2
hk +1 6 hk 6 6 2
Daí, chega-se a equação (15):
 y − yk yk − yk −1 
hk gk −1 +2( hk + hk +1 ) g k + hk +1gk +1 =6  k +1 −  , com k =1,2,,( n −1) (15)
 hk +1 h 
 k 
A equação (15) é um sistema de equações lineares A g = b , onde k =1,2,,( n −1).
A ordem do sistema é: A( n−1)( n+1) , g(n+1)1 e b(n−1)1 .
Pela variação de k , o sistema A g = b é indeterminado. Para se resolver o sistema, de
forma única, é necessário impor mais duas condições, apresentadas nas três alternativas a
seguir.
• (1a) Spline Natural  nos extremos, S3 ( x0 ) é aproximadamente linear.
S3" ( x0 )= g 0 =0
S3" ( xn )= g n =0
• (2a) Nos extremos, S3 ( x ) é aproximadamente parábola.

g 0 = g1
g n = g n −1
• (3a) Nos extremos, é dada uma inclinação I 0 e I n para S3 ( x ).

S3' ( x0 )= I 0  s 1, ( x0 )= I 0  3 a1 h12 −2 b1 h1 + c1 = I 0
S3' ( xn )= I n  s ,n ( xn )= I n  cn = In .
Nas alternativas (1a) e (2a), são eliminadas duas variáveis, g 0 e g n . Assim A g = b é
SPD, sendo que, o sistema é dado na ordem: A( n−1)( n−1) , g(n −1)1 e b(n−1)1 .
Na alternativa (3a), são acrescentadas duas equações. Assim A g = b é SPD, sendo que,
o sistema é dado na ordem: A( n+1)( n+1) , g(n+1)1 e b(n+1)1 .
Maiko
83. Encontrar uma aproximação para f (0,25) por spline cúbica natural, interpolando a
tabela:
x0 x1 x2 x3 x4
x 0 0,5 1,0 1,5 2,0
=
y f (x
3 1,8616 −0,5571 −4,1987 −9,0536
)
Resolução: n =4, logo, procura-se s1 ( x ), s 2 ( x ), s 3 ( x ) e s 4 ( x ).
Spline Natural  k =1,2,,( n −1)  k =1,2,3  Utilizando a (15), segue que:
 y − yk yk − yk −1 
 hk gk −1 +2( hk + hk +1 ) g k + hk +1gk +1 =6  k +1 − 
 hk +1 h 
 k 
hk = xk − xk −1  hk =0,5 k .  hk = h =0,5 .
6
Equação (15)  h g k −1 +4 h g k + h g k +1 = ( yk +1 − 2 yk + yk −1 ) , com k =1,2,3.
h
Desenvolvendo o sistema A g = b :
 6
hg0 + 4hg1 + hg2 = h ( y2 − 2 y1 + y0 )
 6
 hg1 + 4hg2 + hg3 = ( y3 − 2 y2 + y1 )
 h
hg + 4hg + hg = 6 ( y − 2 y + y )
 2 3 4
h
4 3 2
g 0 = g4 =0 (Spline Natural).
Então,
4h h 0   g1   y2 − 2 y1 + y0 
    6  
A g = b  h 4h h  g 2 =
    h  y3 − 2 y2 + y1  .
 0 h 4h  g3   y4 − 2 y3 + y2 
Substituindo os valores:
 2 0,5 0   g1  − 15,3636 − 6,6541
0,5 2 0,5   g  = − 14,6748  =  − 4,111  .
g
   2    
 0 0,5 2   g3  − 14,5598  − 6,252 
Forma geral de s i ( x )  s i ( x )= ai ( x − xi )3+ bi ( x − xi )2+ ci ( x − xi )+ d i , com i =1,2,3,4.
f (0,25)  s1 (0,25)
g1 − g 0 − 6,6541
a1 = =  a1 =−2,218
6h 3
g
b1 = 1 =−3,327  b1 =−3,327
2
y − y0 2hg1 + g 0 h
c1 = 1 + =−3,3858  c1 =−3,3858
h 6
d 1 = y1 =1,8616  d 1 =1,8616
Logo, s1 (0,25)=−2,218(−0,25)3−3,327(−0,25)2−3,3858(−0,25)+1,8616
 s1 (0,25)=2,5348  f (0,25) .
Maiko
Considerando os próximos 5 exercícios, encontrar uma aproximação para f ( x ) por
spline cúbica natural, interpolando a tabela:
x0 x1 x2 x3 x4
x 0 0,5 1,0 1,5 2,0
y= f (x
3 1,8616 −0,5571 −4,1987 −9,0536
)
n =4, logo, procura-se s1 ( x ), s 2 ( x ), s 3 ( x ) e s 4 ( x ).
Do exercício anterior, a forma geral de s i ( x ) é dada por:
s i ( x )= ai ( x − xi )3+ bi ( x − xi )2+ ci ( x − xi )+ d i , com i =1,2,3,4.
84. f (0,8).
Resolução:
f (0,8)  s 2 (0,8)
g 2 − g1
a2 = =0,8477  a 2 =0,8477
6h
g
b2 = 2 =−2,0555  b2 =−2,0555
2
y2 − y1 2hg2 + g1h
c2 = + =−6,0771  c 2 =−6,0771
h 6
d 2 = y2 =−0,5571  d 2 =−0,5571
Logo, s 2 (0,8)=0,8477(−0,2)3−2,0555(−0,2)2−6,0771(−0,2)−0,5571
 s 2 (0,8)=0,5693  f (0,8) .
85. f (1,1).
Resolução:
f (1,1)  s 3 (1,1)
g3 − g 2
a3 = =−0,7137  a3 =−0,7137
6h
g
b3 = 3 =−3,1260  b3 =−3,1260
2
y3 − y2 2hg3 + g 2 h
c3 = + =−8,6678  c 3 =−8,6678
h 6
d 3 = y3 =−4,1987  d 3 =−4,1987
Logo, s 3 (1,1)=−0,7137(−0,4) −3,1260(−0,4)2−8,6678(−0,4)−4,1987
3
 s 3 (1,1)=−1,1861  f (1,1) .
Maiko
86. f (1,2).
Resolução:
f (1,2)  s 3 (1,2)
g3 − g 2
a3 = =−0,7137  a3 =−0,7137
6h
g
b3 = 3 =−3,1260  b3 =−3,1260
2
y − y2 2hg3 + g 2 h
c3 = 3 + =−8,6678  c 3 =−8,6678
h 6
d 3 = y3 =−4,1987  d 3 =−4,1987
Logo, s 3 (1,2)=−0,7137(−0,3) −3,1260(−0,3)2−8,6678(−0,3)−4,1987
3
 s 3 (1,2)=−1,8604  f (1,2) .
87. f (1,3).
Resolução:
f (1,3)  s 3 (1,3)
g3 − g 2
a3 = =−0,7137  a3 =−0,7137
6h
g
b3 = 3 =−3,1260  b3 =−3,1260
2
y − y2 2hg3 + g 2 h
c3 = 3 + =−8,6678  c 3 =−8,6678
h 6
d 3 = y3 =−4,1987  d 3 =−4,1987
Logo, s 3 (1,3)=−0,7137(−0,2) −3,1260(−0,2)2−8,6678(−0,2)−4,1987
3
 s 3 (1,3)=−2,5845  f (1,3) .
88. f (1,7).
Resolução:
f (1,7)  s 4 (1,7)
g 4 − g3
a4 = =2,0840  a 4 =2,0840
6h
g
b4 = 4 =0  b4 =0
2
y − y3 2hg4 + g3h
c4 = 4 + =−10,2308  c 4 =−10,2308
h 6
d 4 = y4 =−9,0536  d 4 =−9,0536
Logo, s 4 (1,7)=2,0840(−0,3) +0(−0,3) −10,2308(−0,3)−9,0536
3 2
 s 4 (1,7)=−6,0406  f (1,7) .
Maiko
Cálculo Numérico Integração Numérica 5-71
5 Ajuste de curvas pelo método dos mínimos

quadrados
5.1 Introdução
Uma forma de se trabalhar com uma função definida por uma tabela de valores é a
interpolação. Contudo, a interpolação pode não ser aconselhável quando:
• É preciso obter um valor aproximado da função em algum ponto fora do intervalo de
tabelamento (extrapolação).
• Os valores tabelados são resultado de experimentos físicos, pois estes valores poderão
conter erros inerentes que, em geral, não são previsíveis.
Surge então a necessidade de se ajustar a estas funções tabeladas uma função que seja
uma “boa aproximação” para as mesmas e que nos permita “extrapolar” com certa margem de
segurança.
Assim, o objetivo deste processo é aproximar uma função f por outra função g ,
escolhida de uma família de funções em duas situações distintas:
• Domínio discreto: quando a função f é dada por uma tabela de valores.
y
• Domínio contínuo: quando a função f é dada por sua forma analítica.

y
y = f(x)
a x
b
Maiko
5.2 Caso Discreto

O problema do ajuste de curvas no caso em que se tem uma tabela de pontos:
x1 x2 x3  xm
f ( x1 ) f ( x2 ) f ( x3 )  f ( xm )
com x1 , x 2 , x3 ,  , x m [ a , b ], consiste em: “escolhidas” n funções contínuas g1 ( x ),
g 2 ( x ), g 3 ( x ),  , g n ( x ), contínuas em [ a , b ], obter n constantes 1 ,  2 ,  3 ,  ,  n tais
que a função g ( x )= 1 g1 ( x )+  2 g 2 ( x )+  3 g 3 ( x )+  +  n g n ( x ) se aproxime ao
máximo de f ( x ).
Este modelo matemático é linear pois os coeficientes que devem ser determinados
1 ,  2 ,  3 ,  ,  n aparecem linearmente, embora as funções g1 ( x ), g 2 ( x ), g 3 ( x ),  ,
g n ( x ) possam ser não lineares.
Surge então a primeira pergunta: Como escolher as funções contínuas g1 ( x ), g 2 ( x ),
g 3 ( x ),  , g n ( x ) ?
Esta escolha pode ser feita observando o gráfico dos pontos tabelados (diagrama de
dispersão) ou baseando-se em fundamentos teóricos do experimento que forneceu a tabela.
Seja d k = f ( xk )− g ( xk ) o desvio em xk .
O método dos mínimos quadrados consiste em escolher os coeficientes 1 ,  2 ,  3 , 
,  n de tal forma que a soma dos quadrados dos desvios seja mínima, isto é:
m m
 dk2 = [ f ( xk ) − g ( xk )]2 deve ser mínimo.
k =1 k =1
Assim, os coeficientes 1 ,  2 ,  3 ,  ,  n que fazem com que g ( x ) se aproxime ao
máximo de f ( x ), são os que minimizam a função:
m
F ( 1 ,  2 ,  3 ,,  n )= [ f ( xk ) − g ( xk )]2 =
k =1
m
[ f ( xk ) − 1 g1 ( xk ) −  2 g 2 ( xk ) −  3 g 3 ( xk ) −  −  n g n ( xk )]2 .
k =1
g
y
f ( xk)
dk
g( xk ) x
xk
Para isto é necessário que:
F
(1 ,  2 ,  3 ,,  n ) =0, j =1, 2, 3, , n , isto é:
 j
F
(1 ,  2 ,  3 ,,  n ) =
 j
Maiko
m
2·  [ f ( xk ) − 1 g1 ( xk ) −  2 g 2 ( xk ) −  −  n g n ( xk )]  [− g j ( xk )] =0, j =1, 2, 3, , n
k =1
ou
m
[ f ( xk ) − 1 g1 ( xk ) −  2 g 2 ( xk ) −  −  n g n ( xk )]  [ g j ( xk )] =0,
k =1
j =1, 2, 3, , n
Assim, tem-se o seguinte sistema de n equações lineares com n incógnitas 1 ,  2 ,
3 ,  ,n :
m
 [ f ( xk ) − 1 g1 ( xk ) −  2 g 2 ( xk ) −  −  n g n ( xk )]  [ g1 ( xk )] = 0
 k =1
m
 [ f ( xk ) − 1 g1 ( xk ) −  2 g 2 ( xk ) −  −  n g n ( xk )]  [ g 2 ( xk )] = 0
 k =1
 

 m
 [ f ( xk ) − 1 g1 ( xk ) −  2 g 2 ( xk ) −  −  n g n ( xk )]  [ g n ( xk )] = 0
 k =1
Que é equivalente a:
 m  m  m
  1 k g ( x )  g ( x
1 k  )   1 +  +  1 k g ( x )  g ( x
n k  )   n =  g1 ( xk )  f ( xk )
 k =1   k =1  k =1
 m
  g ( x )  g ( x )   +  +  g ( x )  g ( x )   = g ( x )  f ( x )
m m
  2 k 1 k  1  2 k n k  n  2 k k
 k =1   k =1  k =1

 
 m  m  m
 g n ( xk )  g1 ( xk )  1 +  +  g n ( xk )  g n ( xk )   n =  g n ( xk )  f ( xk )
 k =1   k =1  k =1
As equações deste sistema linear são chamadas de equações normais.
Este sistema pode ser escrito na forma matricial A   = b :
 a111 + a12 2 +  + a1n  n = b1
a  + a  +  + a2 n  n = b2
 21 1 22 2

    

an11 + an 2  2 +  + ann n = bn
m m
onde A = ( aij ) tal que aij =  g i ( xk )  g j ( xk ) =  g j ( xk )  g i ( xk ) = a ji , ou seja, A é
k =1 k =1
uma matriz simétrica;
m
 = [1 ,  2 ,,  n ]T e b = [b1 , b2 ,, bn ]T é tal que bi =  g i ( xk )  f ( xk ) .
k =1
m
Lembrando que, dados os vetores x e y   m o número real  x, y =  xk  y k é
k =1
chamado de produto escalar de x por y , e usando esta notação no sistema normal A   = b ,
tem-se: aij =  g i , g j  e bi =  gi , f  onde:
g l é o vetor [ g l ( x1 ) g l ( x2 ) g l ( x3 )  g l ( xm )]T e
Maiko
f é o vetor [ f ( x1 ) f ( x2 ) f ( x3 )  f ( xm )]T .
Desta forma o sistema na forma matricial fica:
  g1 , g1   g1 , g 2    g1 , g n    1    g1 , f  
 g , g   g , g    g , g      
 g , f 
 2 1 2 2 2 n   2
 = 2
          
     
 g n , g1   g n , g 2    g n , g n    n   g n , f  
Demonstra-se que, se as funções g1 ( x ), g 2 ( x ), g 3 ( x ),  , g n ( x ) forem tais que os
vetores g1 , g 2 , g 3 ,, g n , sejam linearmente independentes (LI), então det A  0 e o sistema de
equações é possível e determinado (SPD). Demonstra-se ainda que a solução única deste
sistema, 1 ,  2 ,  3 ,  ,  n é o ponto em que a função F ( 1 ,  2 ,  3 ,,  n ) atinge seu valor
mínimo.
OBS. 3: Se os vetores g1 , g 2 , g 3 ,, g n , forem ortogonais entre si, isto é, se  g i , g j  = 0
se i  j e  g i , g j   0 se i = j , a matriz dos coeficientes A será uma matriz diagonal, o que
facilita a resolução do sistema A   = b .
89. (Regressão Linear) Ajustar os dados da tabela abaixo através de uma reta.
i 1 2 3 4 5
xi 1,3 3,4 5,1 6,8 8,0
f ( xi ) 2,0 5,2 3,8 6,1 5,8
Resolução: Fazendo g ( x) = 1  g1 ( x) +  2  g 2 ( x) e considerando
g1 (x ) = 1 e g 2 (x ) = x , tem-se: g ( x) = 1 +  2  x .
Assim, a reta que melhor se ajusta aos valores da tabela terá coeficientes 1 e  2 , que são
solução do seguinte sistema na forma matricial:
  g1 , g1   g1 , g 2    1    g1 , f  
 g , g   g , g      =  
 2 1 2 2   2  g 2 , f  
g1 = [1 1 1 1 1]T
g 2 = [1,3 3,4 5,1 6,8 8,0]T
f = [2,0 5,2 3,8 6,1 5,8]T
 g1 , g1  = (1)(1)+(1)(1)+(1)(1)+(1)(1)+(1)(1) = 5
 g1 , g 2  = (1)(1,3)+(1)(3,4)+(1)(5,1)+(1)(6,8)+(1)(8,0) = 24,6
 g 2 , g1  = (1,3)(1)+(3,4)(1)+(5,1)(1)+(6,8)(1)+(8,0)(1) = 24,6
 g 2 , g 2  = (1,3)(1,3)+(3,4)(3,4)+(5,1)(5,1)+(6,8)(6,8)+(8,0)(8,0) = 149,50
 g1 , f  = (1)(2,0)+(1)(5,2)+(1)(3,8)+(1)(6,1)+(1)(5,8) = 22,9
 g 2 , f  = (1,3)(2,0)+(3,4)(5,2)+(5,1)(3,8)+(6,8)(6,1)+(8,0)(5,8) = 127,54
Assim,
 5 24 ,6   1   22 ,9 
24 ,6 149 ,50     = 127 ,54   1 = 2,01 e  2 = 0,522
   2  
Logo a equação da reta procurada é:
g ( x ) = 1 +  2  x  g (x) = 2,01+0,522 x
Maiko
90. Ajustar os dados da tabela através da parábola g1 ( x) = x 2 :
i 1 2 3 4 5 6 7 8 9 10 11
xi −1 −0,75 −0,6 −0,5 −0,3 0 0,2 0,4 0,5 0,7 1
f ( xi ) 2,05 1,153 0,45 0,4 0,5 0 0,2 0,6 0,512 1,2 2,05
y
2
-1 1 x
Resolução: Fazendo g ( x ) = 1  g1 ( x ) e considerando g1 (x ) = x 2 , obtém-se g ( x) = 1  x 2 .
Assim, para se obter a parábola que melhor se ajusta aos pontos da tabela, será necessário
encontrar 1 do sistema:
 g1 , g1    1  =  f , g1  
g1 = [(−1) 2 (−0,75) 2 (−0,6) 2  (0,7) 2 (1) 2 ]T
f = [2,05 1,153 0,45  1,2 2,05]T
 g1 , g1  = (−1) 2 (−1) 2 +(−0,75) 2 (−0,75) 2 +(−0,6) 2 (−0,6) 2 +  + (0,7) 2 (0,7) 2 +
(1) 2 (1) 2 = 2,8464
 g1 , f  = (−1) 2 (2,05)+(−0,75) 2 (1,153)+(−0,6) 2 (0,45)+ + (0,7) 2 (1,2) +
(1) 2 (2,05) = 5,8756.
5,8756
Assim, 1 = = 2,0642
2,8464
Logo a equação da parábola procurada é: g ( x) = 1  x2  g( x) = 2,0642  x2
91. Ajustar os dados da tabela abaixo por um polinômio do segundo grau

g ( x) = 1 + 2  x + 3  x 2 .
i 1 2 3 4
xi −2 −1 1 2
f ( xi ) 1 −3 1 9
Resolução: Neste caso tem-se que: g1 (x ) = 1, g 2 ( x ) = x e g 3 ( x) = x 2
  g1 , g1   g1 , g 2   g1 , g 3     1    g1 , f  
 g , g   g , g   g , g      =  g , f  
 2 1 2 2 2 3   2  2 
 g 3 , g1   g 3 , g 2   g 3 , g 3    3   g 3 , f  
Maiko
g1 = [1 1 1 1]T
g 2 = [− 2 − 1 1 2]T
g 3 = [( −2) 2 ( −1) 2 (1) 2 ( 2) 2 ]T
f = [1 − 3 1 9]T
 g1 , g1  = (1)(1)+(1)(1)+(1)(1)+(1)(1) = 4
 g1 , g 2  = (1)(−2)+(1)(−1)+(1)(1)+(1)(2) = 0
 g 2 , g1  = (−2)(1)+(−1)(1)+(1)(1)+(2)(1) = 0
 g1 , g 3  = (1) (−2) 2 +(1) (−1) 2 +(1) (1)2 +(1) ( 2) 2 = 10
 g 3 , g1  = (−2) 2 (1)+ (−1) 2 (1)+ (1)2 (1)+ ( 2) 2 (1) = 10
 g 2 , g 2  = (−2)( −2)+(−1)(−1)+(1)(1)+(2)(2) = 10
 g 2 , g 3  = (−2) (−2) 2 +(−1) (−1) 2 +(1) (1)2 +(2) ( 2) 2 = 0
 g 3 , g 2  = (−2) 2 (−2)+ (−1) 2 (−1)+ (1)2 (1)+ ( 2) 2 (2) = 0
 g 3 , g 3  = (−2) 2 (−2) 2 + (−1) 2 (−1) 2 + (1)2 (1)2 + ( 2) 2 ( 2) 2 = 34
 g1 , f  = (1)(1)+(1)(−3)+(1)(1)+(1)(9) = 8
 g 2 , f  = (−2)(1)+(−1)(−3)+(1)(1)+(2)(9) = 20
 g3 , f  = (−2) 2 (1)+ (−1) 2 (−3)+ (1)2 (1)+ ( 2) 2 (9)= 38 Assim,
 4 0 10   1   8 
 0 10 0     = 20   = −3,  = 2 e  = 2. Logo a equação da
   2   1 2 3
10 0 34  3  38
parábola procurada é: g ( x) = 1 +  2  x +  3  x 2  g(x) = − 3 + 2  x + 2  x 2
5.3 Caso Contínuo

No caso contínuo, o problema de ajuste de curvas consiste em: dada uma função
f (x) , contínua em [ a , b ] e escolhidas as funções 𝑔1 (𝑥), 𝑔2 (𝑥), 𝑔3 (𝑥), ..., 𝑔𝑛 (𝑥), todas
contínuas em [ a , b ], determinar constantes 1 ,  2 ,  3 ,,  n de modo que a função
𝑔𝑛 (𝑥) = 𝛼1 𝑔1 (𝑥) + 𝛼2 𝑔2 (𝑥) + 𝛼3 𝑔3 (𝑥) + ⋯ + 𝛼𝑛 𝑔𝑛 (𝑥), se aproxime ao máximo de f ( x )
no intervalo [ a , b ].
Seguindo o critério dos mínimos quadrados para o conceito de proximidade entre
f ( x ) e g ( x ), os coeficientes 1 ,  2 ,  3 ,,  n a serem obtidos são tais que
b
a [ f ( x) − g( x)] dx seja o menor possível.
2
Para achar  tal que g ( x ) f ( x ), tome:

b
a [ f ( x) − g( x)] dx = F ()= F ( 1 ,  2 ,  3 ,,  n ).
2
Encontram-se os pontos críticos de F ():

F
()=0, j =1,2,, n .
 j
b b
Mas, F ()=  [ f ( x) − g ( x)]2dx =  [ f ( x)2 − 2 f ( x) g ( x) + g ( x)2 ]dx
a a
b b b
 F ()=  f ( x)2dx −2  f ( x) g ( x)dx +  g ( x)2dx .
a a a
Maiko
F
Ao desenvolver ()=0, j =1,2,, n , obtém-se:
 j
  b 2   b g ( x ) g ( x )dx  b
  a g1 ( x )dx 1 +  +
 a 1 n  n
= a f ( x) g1( x)dx
 b
  g 2 ( x ) g1( x )dx 1 +  +   g 2 ( x ) g n ( x )dx  n
b b
 a   a 
= a f ( x) g 2 ( x)dx .
    
 b   g 2 ( x )dx 
b b
 a g n ( x ) g1( x )dx 1 +  +
 a n  n
= a f ( x) gn ( x)dx
  
Este é um sistema linear A = b de ordem n .
b
A =( aij ) tal que aij = a gi ( x) g j ( x)dx = a ji  aij = a ji .
A é SIMÉTRICA. =( 1 ,  2 ,  3 ,,  n ) e b =( b1 , b2 , b3 ,, bn ), tal que
b
bi =  f ( x) gi ( x)dx .
a
Usando a definição de produto escalar de duas funções p ( x ) e q ( x ) no intervalo
b
[ a , b ] por  p, q =  p( x)  q( x)dx , o sistema A = b fica:
a
A =( aij )= gi , g j e b =( bi )= f , gi .
92. Aproximar a função f ( x )=4 x 3 por um polinômio do primeiro grau, uma reta, no
intervalo [0,1].
Resolução:
g ( x )= 1 g1 ( x )+  2 g 2 ( x )= 1 +  2 x , isto é, g1 ( x )=1 e g 2 ( x )= x .
 a11 a12   1   b1    g1 , g1  g1 , g 2    1    f , g1 
A = b     =     = 
a21 a22   2  b2   g 2 , g1  g 2 , g 2    2   f , g 2  
1 1 1
0 g1 ( x)dx = 0 dx = x 0 =1
2
a11 =  g1 , g1  =
1
1 x2 1 1
a12 =  g1 , g 2  =  g 2 , g1  = a21 =  g1( x ) g 2 ( x )dx =  xdx = =
0 0 2 2
0
1
1 1 x3 1
a22 =  g 2 , g 2  = 0 g22 ( x)dx =  x 2dx =
0 3
=
3
0
1 1 1
0 f ( x)g1( x)dx = 0 4 x dx = x
3 4
b1 =  f , g1  = =1
0
1
1 1 4x 5 41
0 f ( x) g 2 ( x)dx =  4 x xdx =  4 x dx =
3 4
b2 =  f , g 2  = =
0 0 5 5
0
1 1  1  1  4 18
A = b   1 2
1
   =  4   1 =− e  2 = .
 2 3  2   5  5 5
Logo:
18 4
g ( x )= x −  f ( x )=4 x 3 em [0,1].
5 5
Maiko
93. Aproximar a função f ( x )= e x no intervalo [0,1] por uma reta.
Resolução:
g ( x )= 1 g1 ( x )+  2 g 2 ( x )= 1 +  2 x ,
isto é, g1 ( x )=1 e g2 ( x )= x .
 a11 a12   1   b1    g1 , g1  g1 , g 2    1    f , g1 

A = b     =     = 
a21 a22   2  b2   g 2 , g1  g 2 , g 2    2   f , g 2  
0 1 1dx = x0 =1
1 1
a11 =  g1 , g1  = 1,1 =
1
1  x2  1
a12 =  g1 , g 2  = 1, x =  1  xdx =   =
0
 2 0 2
1
a21 =  g 2 , g1  =  g1 , g 2  =
2
1
1 2  x3  1
a22 =  g 2 , g 2  =  x, x =  0
x dx = 
3
 =
0 3
b1 =  f , g1  = e x ,1 =
1 x
0 e dx =  1
ex 0 = e −1
1 x
b2 =  f , g 2  = e x , x = 0 e  xdx
Usando o método de integração por partes em b2 :  u  dv = u  v −  v  du
 x  e x dx =?
Fazendo u = x → du = dx e dv = e x dx → v = e x , obtém-se:
 x  e x dx = x  e x −  e x  dx = x  e x − e x = ( x − 1)e x + C
0 x  e dx = ( x − 1)  e 
1 x x 1
Logo, 0 = 0−(−1  e0 ) =1.
Assim:
1 1  1  e − 1
A = b   1 2
1
 =   1 =4 e −10 e  2 =18−6 e .
 2 3  2   1 
Logo:
x
g ( x )=(18−6 e ) x +4 e −10  f ( x )= e em [0,1].
Maiko
5.4 Família de Funções Não Lineares nos Parâmetros

Em alguns casos, a família de funções escolhidas pode ser não linear nos parâmetros,
m
isto é, g ( x ) não é da forma   k  g k (x) . Nestes casos é preciso efetuar uma “linearização”,
k =1
através de transformações convenientes.
Exemplos:
• 1o) f ( x ) 1  e  2 x = g ( x )
ln f ( x ) ln 1  e  2 x = ln 1 +  2  x = G ( x ).
Fazendo ln 1 = a1 e  2 = a2 , tem-se: G ( x )= a1 + a2  x ,
Desta forma G ( x ) ln f ( x ), sendo que G ( x ) é linear nos parâmetros a1 e a 2 .
1
• 2o) f ( x ) =g(x)
1 +  2  x
1
 1 +  2  x = G ( x ).
f (x )
Fazendo 1 = a1 e  2 = a2 , tem-se: G ( x )= a1 + a2  x ,
1
Desta forma G ( x ) , sendo que G ( x ) é linear nos parâmetros a1 e a 2 .
f (x )
• 3o) f ( x ) 1 + 2  x = g ( x )
f 2 ( x ) 1 +  2  x = G ( x ).
Fazendo 1 = a1 e  2 = a2 , tem-se: G ( x )= a1 + a2  x ,
Desta forma G ( x ) f 2 ( x ), sendo que G ( x ) é linear nos parâmetros a1 e a 2 .
Maiko
94. Ajustar os dados da tabela que segue por uma função da forma g ( x )= 1  e  2 x .
x 0 1 2
f (x) 1 0,5 0,7
Resolução: Desta forma, “linearizando” a função g ( x )= 1  e  2 x , como no primeiro
exemplo anterior, tem-se:
ln f ( x ) ln 1  e  2 x = ln 1 +  2  x = G ( x ).
Fazendo ln 1 = a1 e  2 = a2 , tem-se: G ( x )= a1 + a2  x .
Desta forma G ( x ) ln f ( x ), sendo que G ( x ) é linear nos parâmetros a1 e a 2 .
Fazendo agora g1 ( x ) =1 e g 2 ( x ) = x :
  g1 , g1   g1 , g 2    a1    ln f , g1 
 g , g   g , g     a  =  
 2 1 2 2   2   ln f , g 2  
g1 = 1 1 1
T
g2 = 0 1 2
T
ln f = [ln1 ln 0,5 ln 0,7]T

 g1, g1 =(1)(1)+(1)(1)+(1)(1) = 3
 g1 , g 2  =(1)(0)+(1)(1)+(1)(2) = 3
 g 2 , g1 =  g1 , g 2  = 3
 g 2 , g 2  =(0)(0)+(1)(1)+(2)(2) = 5
ln f , g1 =( ln 1)(1)+( ln 0,5)(1)+( ln 0,7)(1) = −1,050
ln f , g2  =( ln 1)(0)+( ln 0,5)(1)+( ln 0,7)(2) = −1,406
3 3  a1  − 1,050
3 5   a  = − 1,406  a1 = −0,172 e a 2 = −0,178.
   2  
Assim,  2 = a2 = −0,178 e 1 = ea1 = e−0,172 = 0,842.
2x
Desta forma, tem-se que: g ( x )= 1  e
 g ( x )=0,842 e−0,178x  f ( x ).
Os parâmetros assim obtidos não são ótimos dentro do critério dos mínimos quadrados,
isto porque estamos ajustando o problema linearizado por mínimos quadrados e não o problema
original. Portanto, os parâmetros a1 e a 2 do exemplo, são os que ajustam a função G ( x ) à
função ln f ( x ), no sentido dos mínimos quadrados. Não se pode afirmar que os parâmetros
2x
1 e  2 (obtidos de a1 e a 2 ) são os que ajustam g ( x )= 1  e à f ( x ), dentro do critério
dos mínimos quadrados.
Maiko
6 Integração Numérica
Se uma função f ( x ) é contínua em um intervalo [ a , b ] e sua primitiva F ( x ) é
conhecida, então
b
a f ( x)dx = F ( b )− F ( a ) (01)
onde F ' ( x )= f ( x ).
Por outro lado, nem sempre se tem F ( x ) e em alguns casos, a função a ser integrada é
dada por meio de tabela de pontos. Neste caso, torna-se necessária a utilização de métodos
numéricos.
A idéia básica da integração numérica é a substituição da função f ( x ) por um
polinômio que a aproxime no intervalo [ a , b ]. Assim o problema fica resolvido pela integração
de polinômios, o que é trivial de se fazer.
6.1 Fórmulas de Newton-Cotes

Neste caso, o polinômio que interpola f ( x ) o faz em pontos igualmente espaçados de
[𝑎, 𝑏].
n
b
Fórmulas fechadas: x 0 = a , x n = b e a f ( x )dx =  Ai f ( x i ) , sendo Ai coeficientes
i =0
determinados de acordo com o grau do polinômio aproximador.
6.1.1 Regra dos Trapézios

f (x )
y p 1(x )
f ( x 1)
f ( x 0)
0 a= x0 b= x1 x
h = b - a , h = x 1- x 0
A integral de f ( x ) no intervalo [ a , b ] é aproximada pela área de um trapézio.
b h
a f ( x)dx 
2
[ f ( x 0 )+ f ( x1 )] = IT (02)
A aproximação de f ( x ) pela fórmula de Lagrange é p1 ( x )= y 0 L 0 ( x )+ y1 L1 ( x )

x − x1 x − x0
com L 0 ( x )= e L1 ( x )= , logo:
x 0 − x1 x1 − x 0
x − x1 x − x0
p1 ( x )= f ( x 0 )+ f ( x1 ) (03)
−h h
Maiko
Estimativa para o Erro
f ( n +1) ( x )
f ( x )= p1 ( x )+ E ( x ) E n ( x )=( x − x 0 )( x − x n )
(n + 1)!
f " ( x )
E ( x )=( x − x 0 )( x − x1 ) ,  x ( x 0 , x1 )
2
f " ( x )
f ( x )= p1 ( x )+( x − x 0 )( x − x1 ) .
2
Integrando f ( x ):
x1 x1 x1 f " ( x ) x = a
x f ( x ) dx =  p1 ( x ) dx +  ( x − x 0 )( x − x1 ) dx , com  0
2  x1 = b
0 x0 x0
b
IT = a p1 ( x ) dx
b f " ( x )
ET =  ( x − a )( x − b ) dx
a 2
1 " b
ET = f ( c )  ( x − a )( x − b ) dx
2 a
1 " ( b − a )3
ET =− f ( c )
2 6
h3 "
ET =− f ( c ) com c ( a , b ) (04)
12
ou
h3
| ET | max | f " ( x )| (05)
12 [ a ,b ]
x
OBS. 4:
b
b  x 3 ax 2 bx 2  ( a − b) 3 ( b − a )3
a
2
( x − a x − b x + a b ) dx =  − − + abx = =− .
3 2 2 a 6 6
9
95. Calcular 1 6x − 5 dx , usando a regra dos trapézios.
Resolução:
a =1, b =9 e f ( x )= 6 x − 5
h = b − a  h =9−1  h =8.
b h
a f ( x)dx  2
[ f ( a )+ f ( b )] = IT
f ( a )= f (1)=1
f ( b )= f (9)=7
9 8
1 6x − 5 dx 
2
[1+7]  IT =32.
O erro cometido será, no máximo:
Maiko
h3
| ET | max | f " ( x )|
12 x[ a ,b ]
f " ( x )= − 9(6 x − 5)−3 / 2
83
| ET | max | − 9(6 x − 5)−3 / 2 |
12 [1,9]
x
x =1  | ET | 384
x =9  | ET | 1,119
Logo, | ET | 384.
6.1.2 Regra dos Trapézios repetida

y
f (x )
0 a= x0 x1 x2 x3 x n -1 b= xn x
h = x1 − x 0 = x 2 − x1 = x 3 − x 2 =  = x n − x n −1
b−a
h= , com n sendo o número de subdivisões do intervalo [ a , b ].
n
b
a f ( x)dx  A1 + A2 + A3 ++ An tal que Ai =área do trapézio i , com i =1,2,, n .
h
Ai = [ f ( x i −1 )+ f ( x i )]
2
n −1
b h
a f ( x )dx  [ f ( x 0 )+ f ( x n )+2  f ( x i ) ] (06)
2 i =1
(b − a ) 3
| E TR | max | f " ( x )| (07)
12n 2 x[ a ,b ]
Prove (07), tal que ETR = n ET .
9
96. Calcular 1 6x − 5 dx empregando o método dos trapézios com 8 repetições.
Determine uma aproximação para o erro cometido.
Resolução:
7
9 9 h
1 f ( x)dx = 1 6x − 5 dx  2 [ f ( x0 )+ f ( x8 )+2 
i =1
f ( xi ) ]
b − a 9 −1
h= =  h =1
n 8
Maiko
x x 0 =1 x1 =2 x 2 =3 x 3 =4 x 4 =5 x 5 =6 x 6 =7 x 7 =8 x8 =9
f (x) 1 2,65 3,61 4,36 5 5,57 6,08 6,56 7
9 1
1 6x − 5 dx  [1+7+2(2,65+3,61+4,36+5+5,57+6,08+6,56)] = 37,83.
2
9
1 6x − 5 dx  37,83.
Erro cometido será, no máximo:
(b − a ) 3 " 83
| E TR | 2
max | f ( x )| =  max |−9(6 x −5)−3/2| = 6.
2 x[1,9 ]
12n x[ a , b ] 12  8
f
Neste caso em particular, ( x ) pode ser integrada de forma exata:
49
9 49 du u 3 / 2 49  7 1 343 − 1
1 6x − 5 dx = 1 u
6
=
9
=
9
− =
9 9
= 38.
1
1
97. Seja I =  e x dx . Calcule uma aproximação para I usando 10 subintervalos e a regra
0
dos trapézios repetida. Estimar o erro cometido.
Resolução:
b−a 1 i
h= =  h =0,1  xi = , com i =0,1,,10.
n 10 10
9
1 1 x 0,1
0 f ( x)dx = 0 e dx  2 [ f ( x0 )+ f ( x10 )+2 i =1
f ( xi ) ]
1 x 0,1 0 1
0 e dx  2 [ e + e +2( e + e + e + e + e + e + e + e + e )] = 1,7197.
0,1 0, 2 0,3 0, 4 0,5 0, 6 0, 7 0,8 0,9
1 x
0 e dx  1,7197.
Erro cometido será, no máximo:
(b − a ) 3 (1 − 0) 3
| E TR | max | f "
( x )| =  max | e x |  0,00227.
12n 2 x[ a ,b ] 12  10 2 x[ 0,1]
1
98. Seja I =  e x dx . Qual o número mínimo de subdivisões, para a regra dos trapézios
0
repetida aplicada em I , de modo que o erro seja inferior a 10−3?
(b − a ) 3
Resolução: | E TR | 2
max | f " ( x )|  max | e x |= e .
12n x[ a ,b ] x[ 0 ,1]
1 e
 e 10−3  n2   n 15,05
12  n 2
12  10−3
n =16.
6.1.3 Regra 1/3 de Simpson

É obtida aproximando-se a função f ( x ) da equação (01) por um polinômio
interpolador de 2o grau, p2 ( x ), que é dado pela fórmula de Lagrange:
p2 ( x )= L0 ( x ) f ( x0 )+ L1 ( x ) f ( x1 )+ L2 ( x ) f ( x2 )
Maiko
2 (x − x j )
tal que Li ( x )=  , com i =0,1,2.
j = 0 ( xi − xj)
j i
y
f (x )
f ( x 0) p2(x )
f ( x 2)
f ( x 1)
0 a= x0 m= x 1 b= x2 x
h h
x0 = a , x1 = m e x2 = b
a+b
m = x1 =
2
b−a
h=
2
x0 − x1 =− h , x0 − x2 =−2 h ,
x1 − x0 = h , x1 − x2 =− h ,
x2 − x0 =2 h , x2 − x1 = h .
( x − x1 )( x − x 2 ) ( x − x 0 )( x − x 2 ) ( x − x 0 )( x − x1 )
p 2 ( x )= f ( x 0 )+ f ( x1 )+ f ( x2 )
( − h )( −2h ) ( h)( −h) ( 2h )( h )
b x2 x2
a f ( x)dx = x 0
f ( x )dx   p2 ( x )dx
x0
f ( x0 ) x2 f ( x1 ) x2 f ( x2 )
=
2h2
x ( x − x1 )( x − x2 )dx −
0 h2
x ( x − x0 )( x − x2 )dx +
0 2h2
x2
x 0
( x − x0 )( x − x1 )dx
h
= [ f ( x 0 )+4 f ( x1 )+ f ( x2 )]. Logo:
3
b x2 h
a f ( x )dx =  f ( x )dx  [ f ( x 0 )+4 f ( x1 )+ f ( x2 )]
x0 3
(08)

x2 x2 x2
x 0
f ( x )dx =  p2 ( x )dx +  R 2 ( x )dx
x0 x0
b b f ''' (  x )
ES =  R2 ( x)dx =  ( x − x0 )( x − x1 )( x − x2 ) dx (09)
a a 3!
Maiko
Mudança de Variável
x − x0 x0 − x 0
z=  x = hz + x 0 x = x0 = a  z =  z =0
h h
x2 − x 0 2h
x = x2 = b  z = =  z =2
h h
dx
dz =  dx = h dz
h
h  f ''' ( z ) 2
ES =
6 0 hz ( hz − h )( hz −2 h ) dz
h 4  f ''' ( z ) 2 h 4 ''' 2
0 0 ( z
3
ES = z ( z −1)( z −2) dz = f ( z ) − 3z 2 + 2 z ) dz
6 6
2
h 4 '''  z4 3 2 h 4 '''
ES = f ( z )   − z + z  = f ( z ) 0 = 0.
6 4 0 6

=0
Logo, ES =0. Isso quer dizer que ES não depende de R2 (resíduo de 2o grau).
Então:
b b f 4 ( x )
ES =  R3 ( x)dx =  ( x − x0 )( x − x1 )( x − x2 )( x − x3 ) dx
a a 4!
h5  f 4 ( z ) 2 h5 4 2 4
 f ( z )  ( z − 6 z + 11z − 6 z )dz
3 2
ES = z ( z −1)( z −2)( z −3) dz =
24 0 24 0

4
=−
15
h5 4
ES = − f () com ( a  b ).
90
h5
ES =  max | f 4 (x) | (10)
90 x[ a ,b ]
b−a ( b − a )5
Considerando h =  h5 = , tem-se:
2 32
( b − a )5
ES   max | f 4 (x) | (11)
2880 x[ a ,b ]
Maiko
6.1.4 Regra 1/3 de Simpson repetida
f (x )
0 a= x0 x1 x2 x3 x4 x5 x6 xm -2 xm -1 b = x m x
h
b−a
Na figura, tome h =  h = xi − xi −1 ( i =1,2, m ), para m =2 n  m é par.
2n
Aplica-se a regra de Simpson repetidas vezes no intervalo [ a , b ]=[ x0 , xm ].
x0 , x1 ,, xm são pontos igualmente espaçados.
Então:
n
h
a f ( x)dx = x0 f ( x)dx  
b xm
[ y 2i − 2 +4 y 2i −1 + y 2i ]
i =1 3
h h h
 [ y 0 +4 y1 + y2 ]+ [ y2 +4 y 3 + y4 ]++ [ ym − 2 +4 y m −1 + ym ]
3 3 3
b h
a f ( x)dx  3 [ y 0 + ym +2( y2 + y4 ++ ym − 2 )+4( y1 + y3 ++ y m−1 )]
−1 m m
b h  2 2 
a f ( x )dx   y 0 + ym +2  y2i +4  y2i −1  (12)
3  i =1 i =1 
Estimativa para o erro: ESR

ESR = n ES
h5
ESR  n   max | f 4 (x) | (13)
90 x[ a ,b ]
b−a ( b − a )5
Considerando h =  h5 = , tem-se:
2n 32n5
( b − a )5
ESR   max | 4 |
4 x[ a , b ] f (x )
(14)
2880 n
Maiko
1
99. Seja I =  e x dx . Calcule uma aproximação para I usando a regra 1/3 de Simpson com
m 0
=10. Estime o erro cometido.
Resolução:
Sendo m =10, h =1/10  h =0,1.
1 x 0,1 0,0
0 e dx  3 ( e +4 e +2 e +4 e +2 e ++2 e +4 e + e )
0,1 0, 2 0,3 0, 4 0,8 0,9 1, 0
1 x
0 e dx 1,71828278.
Estimativa do erro:
(1 − 0)5
ESR   max | e x |
4 x[ 0 ,1]
2880  5
e
ESR  4
 ESR 1,5101610−6 .
2880 5
Observe que ESR 0,00000151 e ETR 0,00227.
1
100. Seja I =  e x dx . Para que valor de m teríamos erro inferior a 10−3?
0
Resolução:
( b − a )5 m
ESR   max | f 4 (x) | Obs: m =2 n  n =
2880 n 4 x[ a ,b ] 2
(1 − 0)5 e
 e 10−3  n4 
2880 n 4
2880  10−3
n4 0,943848  n 0,9856563.
m =2 n 1,9713
m =2  Para um erro inferior a 10−3 seriam necessários 2 subintervalos.
Obs: na regra dos trapézios com repetição são necessários 16 intervalos.
10
101. Seja I =  log xdx . Aproxime I com a regra dos trapézios com 8 repetições. Estime o
6
erro cometido.
Resolução:
b − a 10 − 6
h= =  h =0,5.
n 8
i 0 1 2 3 4 5 6 7 8
xi 6,0 6,5 7,0 7,5 8,0 8,5 9,0 9,5 10,0
f ( xi ) 0,7781513 0,8129134 0,8450980 0,8750613 0,9030900 0,9294189 0,9542425 0,9777236 1,0
d log x 1 d 2 log x 1  ln10 −1

Obs: = =− =
dx x ln 10 dx 2 x 2  ln 2 10 x 2  ln 10
d 2 log x log e
 2
=− 2 .
dx x
10 0,5
6 log xdx 
2
[0,77815125+1,0+2(0,81291336++0,97772361)]=3,59331166.
Maiko
10
6 log xdx 3,59331166.
Estimativa do erro:
(10 − 6)3 d 2 log x 43 log e
ETR  2
 max 2
 ETR  2
 2
12  8 x[ 6 ,10] dx 12  8 6
 ETR 0,0010053113.
10
102. Seja I =  log xdx . Aproxime I com a regra de Simpson com 8 subintervalos. Estime
6
o erro cometido.
Resolução:
b − a 10 − 6
h= =  h =0,5. m =8 e n =4.
m 8
i 0 1 2 3 4 5 6 7 8
xi 6,0 6,5 7,0 7,5 8,0 8,5 9,0 9,5 10,0
f ( xi ) 0,7781513 0,8129134 0,8450980 0,8750613 0,9030900 0,9294189 0,9542425 0,9777236 1,0
d log x 1 d 2 log x −1
Obs: = 2
= 2
dx x ln 10 dx x  ln 10
2
d log x log e
 2
=− 2 .
dx x
3
d log x 2 log e
 = .
dx 3 x3
d 4 log x − 6 log e
 = .
dx 4 x4
10 0,5
6 log xdx 
3
[0,77815125+1,0+2(0,84509804+0,90308999+0,95424251)
+4(0,81291336+0,87506126+0,92941893+0,97772361)]=3,5939135.
10
6 log xdx 3,5939135.
Estimativa do erro:
(10 − 6)5 4 45 6 log e
E SR   max | f (x) |  E SR 
4 x[ 6 ,10] 4
 4
2880  n 2880  4 6
 E SR 0,0000027925.
Maiko
Cálculo Numérico Solução numérica de equações diferenciais ordinárias 7-90
7 Solução numérica de equações diferenciais

ordinárias
7.1 Introdução
Se uma equação diferencial tem apenas uma variável independente, então ela é uma
equação diferencial ordinária.
• EXEMPLOS:
dy
= x + y ; y , = x 2 + y 2 ; y ,, +(1− y 2 ) y , + y =0.
dx
Se uma equação diferencial envolve mais que uma variável independente, então ela é
equação diferencial parcial.
• EXEMPLO:
 2 u  2u
+ =0, com u  u ( x , y ).
x 2 y 2
A ordem de uma equação diferencial é a mais alta ordem de derivação que aparece na
equação.
Se, dada uma equação diferencial de ordem n , a função, assim como suas derivadas até
ordem n −1, são especificadas em um mesmo ponto, então temos um problema de valor inicial
(PVI).
Se, em problemas envolvendo equações diferenciais ordinárias de ordem n , n 2, as n
condições fornecidas não são dadas todas num mesmo ponto, então temos um problema de
valor de contorno (PVC).
dy
103. Resolver a seguinte EDO: =− xy .
dx
Resolução:
dy
=− xy
dx
1 1
 dy =− x dx 
y  y dy =  (− x) dx
2 2
x2 − x +c −x
 ln y =− + c  y = e 2  y = e 2  ec
2
2
− x2
 y =k e , para k . Que representa uma família de curvas em 2.
104. Para a mesma EDO anterior, y , =− xy , resolva considerando uma condição inicial
y ( x0 )= y0 , com x0 =0 e y0 =1.
 dy
 dx = − xy 2
 − x2 −0
Resolução: (PVI)   y =k e  1= k e 2
 y(0) = 1 
condição 
 

  inicial 
2
− x2
 k =1  y = e .
Maiko
7.2 Problema de valor inicial (PVI)

Uma equação diferencial de ordem n se apresenta da seguinte forma:
y (n ) = f ( x , y , y , , y ,, , y(3) , y (4 ) ,, y( n −1) ) (01)

onde
(l )dl y
y = l , l =1,2,, n , x [ a , b ] e y :[ a , b ]→.
dx
Associadas a Eq 01, podem existir condições cujo número coincide com a ordem da
EDO. Se tais condições se referem a um único valor x , tem-se um PROBLEMA DE VALOR
INICIAL – PVI. Caso contrário, tem-se um problema de valores de contorno.
7.2.1 Solução numérica de um PVI de primeira ordem

b−a
Toma-se m subintervalos de [ a , b ], ( m 1) e faz-se x j = x0 + j h onde h = ,
m
j =0,1,2,, m , x j [ a , b ].
I h ={ x0 , x1 ,, xm } é denominado REDE ou MALHA de [ a , b ]. A solução numérica
ym ( x ) é a função linear por partes.
y (xm )
Solução
Exata ym
y (x3)
y (x2) Solução
y (x1) y3 Numérica
y (x0)
y (x0) = y0 y2
y0 y1
x0 x1 x2 x3 xm-1 xm
• NOTAÇÃO: y ( x j ) y j significa que y j é aproximação para y ( x j ), x j  I h .
• NO GRÁFICO: y ( x j )  valor exato;
• y j  valor aproximado; j =1,2,, m .
7.2.2 Método de Euler

Seja o PVI de primeira ordem definido por:
 ,
 y = f ( x, y )
 (02)

 y( x0 ) = y0 = , sendo  um número dado.
Maiko
Para se aproximar y j para as soluções exatas y ( x j ), com j =1,2,, m , procura-se
inicialmente y1 .
T
y1
e1
y (x1) y (x )
y (x0) = y0
x0 x1
Traça-se a tangente T à curva y ( x ) no ponto ( x0 , y ( x0 )), cuja equação é:
y ( x )= y ( x0 )+( x − x0 ) y , ( x0 ) (03)
Fazendo x = x1 e lembrando que y ( x0 )= y0 , x1 − x0 = h , y , ( x0 )= f ( x0 , y ( x0 )) e
y1  y ( x1 ), tem-se:
y1 = y0 + h  f ( x0 , y ( x0 )) (04)
Erro cometido
e1 = y1 − y ( x1 ).
Aproximação e erro de yj de forma geral
 y j +1 = y j + h  f ( x j , y j )
 , com j =0,1,2,, m −1 (05)
e j +1 = y j +1 − y( x j +1 )
O método de Euler consiste em calcular RECURSIVAMENTE a seqüência { y j }
através das fórmulas:
( A) y0 = y( a ) = 
 , com j =0,1,2,, m −1 (06)
( B ) y j +1 = y j + h  f ( x j , y j )
 y, = x − y + 2
105. Achar aproximações para a solução do PVI  na malha de [0,1] com
 y ( 0) = 2
h =0,1.
Resolução:
1− 0
x0 =0, y0 =2, a =0, b =1, m = → m =10.
0,1
Usar a Eq 06 para j =0,1,2,,9.
• j =0:
y1 = y0 + h  f ( x0 , y0 )= y0 + h ( x0 − y0 +2)
y1 =2+0,1 f (0,2)
Maiko
y1 =2+0,1 (0−2+2)  y1 =2
x1 = x0 + h
x1 =0+0,1  x1 =0,1
• j =1:
y2 = y1 + h  f ( x1 , y1 )= y1 + h ( x1 − y1 +2)
y2 =2+0,1 (0,1−2+2)  y2 =2,01
x2 = x1 + h
x2 =0,1+0,1  x2 =0,2
• TABELA:
j xj yj y ( xj ) y j − y ( x j )= e j
0 0 2 2 0
1 0,1 2 2,004837 -0,004837
2 0,2 2,01 2,018731 -0,008731
3 0,3 2,029 2,040818 -0,011818
4 0,4 2,0561 2,07032 -0,01422
5 0,5 2,09049 2,106531 -0,016041
6 0,6 2,131441 2,148812 -0,017371
7 0,7 2,1782969 2,196585 -0,0182881
8 0,8 2,23046721 2,249329 -0,01886179
9 0,9 2,287420489 2,30657 -0,019149511
10 1 2,34867844 2,367879 -0,01920056
Na pratica, não se dispõe da solução exata y ( x j ) do PVI. Daí a necessidade de se
determinar uma expressão matemática para o erro. Usa-se a fórmula de Taylor para desenvolver
y ( x ), solução teórica do PVI, em torno de x0 :
x − x0 , ( x − x0 )2 ,, ( x − x0 )3 ,,,
y ( x )= y ( x0 )+ x
y ( 0 )+ x
y ( 0 )+ y ( x0 )+ (07)
1! 2! 3!
Fazendo x = x1 e lembrando que y ( x0 )= y0 , x1 − x0 = h , y , ( x0 )= f ( x0 , y ( x0 )) e
y1 = y ( x1 ), toma-se os dois primeiros termos da equação (07):
y1 = y0 + h  f ( x0 , y0 ). Generalizando-se, tem-se equação (05).
Erro local de truncamento - ELT

O erro no método de Euler quando se calcula y1 é obtido a partir do resto da fórmula de
( x − x0 )2 ,, h 2 ,,
Taylor, que é: y (), x0  x1 , ou e1 = y (), para h = x1 − x0 .
2! 2!
Numa etapa j dos cálculos, tem-se:
h 2 ,,
ej = y (), x j −1  x j , (08)
2!
que é o ERRO LOCAL DE TRUNCAMENTO – ELT.
Na prática, procura-se estabelecer COTAS ou ESTIMATIVAS para que se possa
conduzir o cálculo do erro com segurança.
Maiko
Toma-se k = y ,, (), constante e h suficientemente pequeno para ser tomado como
parâmetro do ELT. Diz-se que ELT é da ordem de h2 e se escreve ( h2 ).
7.2.3 Métodos de Runge-Kutta
Métodos de passo simples

Um método para resolver o PVI é de passo simples se a aproximação y j +1 depende
apenas do resultado y j da etapa anterior.
Forma geral para métodos de passo simples:
y j +1 = y j + h ( x j , y j ; h ), para j =0,1,2,, m −1. (09)

Onde  é a função incremento e h o comprimento do passo.
OBS. 1: Para o método de Euler, a função incremento é ( x j , y j ; h )= f ( x j , y j ). Um
caso especial de Runge-Kutta.
Métodos com Derivadas

O método de Euler possui ordem um pois, foi obtido da fórmula de Taylor com
desenvolvimento até o termo em h .
Ao fazer o mesmo desenvolvimento até o termo em h2 , obtém-se o método de passo
simples e ordem dois.
h 2 ,,
y j +1 = y j + h y , ( x j )+ y ( x j ), para j =0,1,2,, m −1. (10)
2!
ELT – Erro local de truncamento
h3 ,,,
e j +1 = y (), x j  x j +1 . (11)
3!
OBS. 2: Em (10), y , ( x j )= f ( x j , y j ).
y ,, ( x j )=? Regra da cadeia de f em relação a x j :
f f
( x j , y j ) = ( x j , y j ) x ( x j , y j ) + f ( x j , y j ) y ( x j , y j )
x x
 x y
 x

= y ,, ( x j ) =1 = f (x j ,y j )
f f
y ,, ( x j )= ( x j , y j )+ ( x j , y j ) f ( x j , y j )
x y
Maiko
 y, = x − y + 2
106. Achar aproximações para a solução do PVI  na malha [0,1] com h =0,1
 y ( 0) = 2
usando o método da equação (10).
Resolução:
1− 0
x0 =0, y0 =2, a =0, b =1, m = → m =10.
0,1
Usar equação (10) para j =0,1,,9.
• j =0:
h 2 ,,
y1 = y0 + h y , ( x0 )+ y ( x0 ) y , ( x0 )= f ( x0 , y0 )
2!
y , ( x0 )= x0 − y0 +2.
f f
y ,, ( x0 )= ( x0 , y0 )+ ( x0 , y0 ) f ( x0 , y0 )
x y
y ,, ( x0 )= y0 − x0 −1.
h2
y1 = y0 + h ( x0 − y0 +2)+ ( y0 − x0 −1)
2
( 0,1) 2
y1 =2+0,1(0−2+2)+ (2−0−1)
2
y1 =2,005 x1 = x0 + h → x1 =0+0,1 → x1 =0,1.
• j =1:
h 2 ,,
y2 = y1 + h y , ( x1 )+ y ( x1 )
2!
h2
y2 = y1 + h ( x1 − y1 +2)+ ( y1 − x1 −1)
2
( 0,1) 2
y2 =2,005+0,1(0,1−2,005+2)+ (2,005−0,1−1)
2
y2 =2,019025 x2 = x0 +2 h → x2 =0+20,1 → x2 =0,2.
• TABELA:
j xj yj y ( xj ) y j − y ( x j )= e j
0 0 2 2 0
1 0,1 2,005 2,004837 0,000163
2 0,2 2,019025 2,018731 0,000294
3 0,3 2,041217625 2,040818 0,000399625
4 0,4 2,070801951 2,07032 0,000481951
5 0,5 2,107075765 2,106531 0,000544765
6 0,6 2,149403568 2,148812 0,000591568
7 0,7 2,197210229 2,196585 0,000625229
8 0,8 2,249975257 2,249329 0,000646257
9 0,9 2,307227608 2,30657 0,000657608
10 1 2,368540985 2,367879 0,000661985
Maiko
7.2.4 Método de Euler Aprimorado (Método de Runge-Kutta de Segunda
Ordem)
Retomando a equação (09): y j +1 = y j + h ( x j , y j ; h ), para j =0,1,2,, m −1.
1
Fazendo-se ( x j , y j ; h )= ( k1 + k2 ) e substituindo na equação, tem-se:
2
h
y j +1 = y j +
( k1 + k2 ), para j =0,1,2,, m −1 (12)
2
onde k1 = f ( x j , y j ) e k2 = f ( x j + h , y j + h k1 ).
 dy
 = − xy
107. Achar aproximações para a solução do PVI  dx na malha [0,1] com h =0,5

 y(0) = 1
usando o método de Euler Aprimorado.
Resolução:
2
j xj yj k1 k2 y ( x j )= e− x / 2 | y j − y ( x j )|
0 0 1 0 -0,5 1 0
1 0,5 0,875 -0,4375 -0,65625 0,882496903 0,007496903
2 1 0,6015625 0,60653066 0,00496816
7.2.5 Fórmulas de Runge-Kutta de Quarta Ordem

Estas fórmulas são normalmente as mais utilizadas.
h
y j +1 = y j + ( k1 +2 k2 +2 k3 + k4 ), para j =0,1,2,, m −1 (13)
6
onde k1 = f ( x j , y j ),
h h
k2 = f ( x j + , y j + k1 ),
2 2
h h
k3 = f ( x j + , y j + k2 ) e
2 2
k4 = f ( x j + h , y j + h k3 ).
Erro local de truncamento: ETL
h5 (5)
ej = y (), x j −1  x j (14)
5!
Maiko
 dy
 = − xy
108. Calcular a solução do PVI  dx com h =0,1, no interior do intervalo [0,1], pelo

 y(0) = 1
método de Runge-Kutta de quarta ordem.
h
Resolução: y j +1 = y j + ( k1 +2 k2 +2 k3 + k4 ), para j =0,1,2,,9.
6
k1 =− x j y j
k2 =−( x j +0,05)( y j +0,05 k1 )
k3 =−( x j +0,05)( y j +0,05 k2 )
k4 =−( x j +0,1)( y j +0,1 k3 )
j xj yj k1 k2 k3 k4
0 0 1 0 -0,05 -0,049875 -0,09950125
1 0,1 0,995012479 -0,099501248 -0,148505613 -0,14813808 -0,196039734
2 0,2 0,980198673 -0,196039735 -0,242599172 -0,242017179 -0,286799087
3 0,3 0,955997481 -0,286799244 -0,329580132 -0,328831466 -0,369245734
4 0,4 0,923116345 -0,369246538 -0,407094308 -0,406242733 -0,441246036
5 0,5 0,882496901 -0,44124845 -0,473238963 -0,472359224 -0,501156587
6 0,6 0,83527021 -0,501162126 -0,526637868 -0,525809906 -0,547882454
7 0,7 0,782704542 -0,547893179 -0,566482412 -0,565785316 -0,580900808
8 0,8 0,726149051 -0,580919241 -0,592537626 -0,592043844 -0,6002502
9 0,9 0,666976845 -0,60027916 -0,605114742 -0,604885052 -0,606488339
10 1 0,606530726
 y, = x − y + 2
109. Achar aproximação para a solução do PVI  na malha [0,1] com h =0,1
 y ( 0) = 2
usando o método de Runge-Kutta de segunda ordem (Euler aprimorado).
1− 0
Resolução: x0 =0, y0 =2, a =0, b =1, m = → m =10
0,1
0,1
y j +1 = y j + ( k1 + k2 ), para j =0,1,2,,9 k1 = x j − y j +2 e k2 = x j +0,1− y j −0,1 k1 +2
2
j xj yj k1 k2
0 0 2 0 0,1
1 0,1 2,005 0,095 0,1855
2 0,2 2,019025 0,180975 0,2628775
3 0,3 2,041217625 0,258782375 0,332904138
4 0,4 2,070801951 0,329198049 0,396278244
5 0,5 2,107075765 0,392924235 0,453631811
6 0,6 2,149403568 0,450596432 0,505536789
7 0,7 2,197210229 0,502789771 0,552510794
8 0,8 2,249975257 0,550024743 0,595022269
9 0,9 2,307227608 0,592772392 0,633495153
10 1 2,368540985
Maiko
Cálculo Numérico Referências Bibliográficas 8-98
8 Referências Bibliográficas
1 ALBRECHT, P. Análise numérica: um curso moderno. Rio de Janeiro: LTC - Livros
Técnicos e Científicos: UNIVERSIDADE DE SÃO PAULO – USP, 1973.
2 JACQUES, I.; JUDD, C. Numerical analysis. London: Chapman and Hall, 1987.
3 SANTOS, V. R. B. Curso de cálculo numérico. São Paulo: USP, 1982.
4 BARROSO, L. C. Cálculo numérico (com aplicações). São Paulo: Harbra Editora
Ltda., 1987.
5 BURDEN, R. L.; FAIRES, D. Análise Numérica. São Paulo: Thomson/Pioneira, 2008.
6 MIRSHAWKA, V. Cálculo numérico. São Paulo: Nobel, 1981.
7 RUGGIERO, M. A. G. e LOPES, V. L. R. Cálculo numérico: aspéctos teóricos e
computacionais. São Paulo: Makron Books, 1997.
8 SPERANDIO, D.; MENDES, J. T.; SILVA, L. H. M. e. Cálculo numérico:
características matemáticas e computacionais dos dos métodos numéricos. São Paulo:
Prentice Hall, 2003.
Maiko

NOTAS DE AULA SOBRE CÁLCULO NUMÉRICO

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

NOTAS DE AULA SOBRE CÁLCULO NUMÉRICO

Enviado por

Direitos autorais:

Formatos disponíveis

NOTAS DE AULA

Universidade Tecnológica Federal do Paraná

Maiko Fernandes Buzzi

2 Zeros reais de funções reais........................................................................ 2-11

3 Resolução de sistemas de equações lineares .............................................. 3-34

4 Interpolação .............................................................................................. 4-55

5 Ajuste de curvas pelo método dos mínimos quadrados ............................... 5-71

7 Solução numérica de equações diferenciais ordinárias ................................ 7-90

8 Referências Bibliográficas .......................................................................... 8-98

1 Noções básicas sobre Erros

1. Calcular a área da superfície terrestre usando a formulação 𝐴 = 4𝜋𝑟 2 .

1.2 Erros Absolutos e Relativos

2. Calcular os erros absoluto e relativo, nos itens a) e b).

1.3 Erros de Arredondamento e Truncamento

3. Arredondar 𝜋 na quarta casa decimal, sendo que 𝜋 = 3,1415926535 …

1.3.2 Erro de Truncamento

4. Aproximar  truncando na quarta casa decimal, sendo que 𝜋 = 3,1415926535 …

1.4 Aritmética de Ponto Flutuante

6. Considerando no sistema de base 10, =10, represente os seguintes números, em

7. Considerando no sistema binário, =2, represente o número 1012 em aritmética de ponto

1.5 Conversão de Bases

• n , m  números inteiros, com n 0 e m 0.

10. 403,125 = x10 .

1.5.2 Conversão da Base Decimal para a  (10)

11. Converta 5910 para a base 2.

16. 100101,10012 = x10 .

18. Transforme a medida 35 h 48 min 18 seg para minutos.

19. Transforme 35,805 horas para horas, minutos e segundos.

1.6 Operações de Pontos Flutuantes

21. (4,26 + 9,24) + 5,04

23. (4210 − 4,99) − 0,02

24. 4210 − (4,99 + 0,02)

27. Sendo =10, t =4 e exp[−5,5], calcule:

1.6.3 Exercícios complementares

28. 11000112 = x10 .

29. 11111112 = x10 .

31. 101,00112 = x10 .

32. 0,01111112 = x10 .

33. 1,0100112 = x10 .

36. Determine x com 36 dígitos: 0,121710 = x2 .

0,3104 0,6208 0,2416 0,4832 0,9664 0,9328 0,8656 0,7312 0,4624

0,9248 0,8496 0,6992 0,3984 0,7968 0,5936 0,1872 0,3744 0,7488

0,4976 0,9952 0,9904 0,9808 0,9616 0,9232 0,8464 0,6928 0,3856

37. Determine x com 8 dígitos: 2,4710 = x2 .

2 Zeros reais de funções reais

2.2 Fase I: Isolamento das raízes

OBS. 1: Sob as hipóteses do teorema 1, o zero x = será definido e único em [ a , b ] se a

38. Isolar os zeros da função f ( x )= x 3 −9 x +3.

Pode-se também chegar às mesmas conclusões partindo da equação f ( x )= x 3 −9 x +3=0,

39. Isolar os zeros da função f ( x) = x ln x − 3,2 .

Pode-se ainda verificar graficamente que a função derivada da função f (x) ,

40. Isolar os zeros da função f ( x) = 5 log x − 2 + 0,4 x .

41. Isolar os zeros da função f ( x) = x − 5e− x .

2.3 Fase II: Refinamento - Critérios de Parada

42. Determinar um valor aproximado para 5 , com erro inferior a 10−2 .

43. Um tanque de comprimento L tem uma secção transversal no formato de um

Resolução: Para calcular a profundidade r−h da água, substitui-se os valores de r , L e V

intervalo ]0,1[. Assim, obtém-se f , (h) =

Algoritmo do Método da Bissecção

44. Obter algumas funções de ponto fixo para a função f (x) = x 2 + x − 6 .

45. Aproximar o maior zero da função f (x) = x 2 + x − 6 , utilizando a função

46. Aproximar o maior zero da função f (x) = x 2 + x − 6 , utilizando a função