Notas de Aula CN Enviado

Uma Introdução ao Cálculo Numérico
Notas de aula
Rosa García Márquez
RJ- 2016
Introdução ao Cálculo Numérico 0

Prefacio
A disciplina de Cálculo Numérico é muito extensa e rica para ser ministrada em 60 horas/aula,
portanto nestas notas de aula, tentamos colocar os tópicos básicos, acompanhados de exemplos e
aplicações quando possível.
Uma etapa importante na resolução numérica de modelos matemáticos é elaborar com antecipação
um algoritmo, o qual pode ser implementado em alguma linguagem de programação para gerar a
solução aproximada. Nestas notas de aula utilizamos o software Maple para gerar gráficos e
também para implementar alguns algoritmos.
Provavelmente contenha vários erros os quais devem corregidos, para isto esperamos contar com
suas sugestões para melhorá-la. Aguardo suas críticas e sugestões
rosagmarquez@yahoo.com.br ou rgmalillo@gmail.com

Sumário
Introdução .......................................................................................................................................... 4
Capítulo 1 .......................................................................................................................................... 6
1. Sistemas de Numeração ......................................................................................................... 6
1.1. Representação de um número em diferentes bases ................................................................ 7
1.2. Métodos para conversão de um número decimal para binário ............................................... 8
1.3. Conversão de um numeral na base binaria para a base decimal ........................................... 10
1.4. Mudando de base com ajuda do Maple ................................................................................ 12
 Exercícios ............................................................................................................................ 14
1.5. Aritmética de ponto flutuante .............................................................................................. 14
 Exercícios ............................................................................................................................ 19
1.6. Erros...................................................................................................................................... 20
a) Erro Absoluto ....................................................................................................................... 21
b) Erro Relativo ............................................................................................................................ 22
c) Erro Percentual ........................................................................................................................ 22
 Exercícios ............................................................................................................................ 23
Capítulo 2 ........................................................................................................................................ 25
2.1. Zeros de Funções Reais ............................................................................................................ 25
2.1.2. Estudo da Fase I.............................................................................................................. 26
2.1.2. Estudo da Fase II ................................................................................................................... 31
2.2. Método da Bisseção ou Dicotomia ........................................................................................... 32
2.2.1. Algoritmo do Método da Bisseção ........................................................................................ 34
2.3. Método da Secante............................................................................................................... 36
2.4. Método das Iterações Lineares (MIL) ..................................................................................... 40
 Exercícios ............................................................................................................................... 45
2.5. Método de Newton ................................................................................................................... 45
2.5.2. Algoritmo (Mil e Newton) .................................................................................................... 49
 Exercícios ............................................................................................................................ 49
Capítulo 3 ........................................................................................................................................ 53
Raízes de Polinômios de grau n ....................................................................................................... 53
Teorema Fundamental da Álgebra .............................................................................................. 53
3.1. Regra dos Sinais de Descartes .............................................................................................. 53
3.2.Teorema de Hua .................................................................................................................... 55
3.3. Cota de Laguerre-Thibault.................................................................................................... 57
 Exercícios ............................................................................................................................ 63
Capítulo 4 ........................................................................................................................................ 64
Resolução de Sistemas Lineares ...................................................................................................... 64
4.1 Métodos Diretos ........................................................................................................................ 64
4.1.1. Método de Eliminação de Gauss ....................................................................................... 65
4.1.2. Método de Crout ............................................................................................................... 69
4.1.3. Método de Cholesky .......................................................................................................... 70
4.2 Métodos Iterativos ............................................................................................................. 72

4.2.1. Critérios de Convergência ................................................................................................. 73
4.2.1. Método de Jacobi ................................................................................................................... 74
4.2.2. Método de Gauss-Seidel (GS) ........................................................................................... 76
4.2.3. Método SOR (Successive Over Relaxation) ..................................................................... 81
 Exercícios ............................................................................................................................ 85
Capítulo 5 ........................................................................................................................................ 86
Interpolação Polinomial ................................................................................................................... 86
5.1. Resolução do Sistema ............................................................................................................... 88
5.2. Forma de Lagrange ................................................................................................................... 89
5.3. Forma de Newton ................................................................................................................. 92
 Exercícios ............................................................................................................................ 94
Capítulo 6 ........................................................................................................................................ 98
Integração Numérica........................................................................................................................ 98
6.1. Fórmulas de Newton-Cotes ...................................................................................................... 99
6.1.1 Fórmulas dos Trapézios ...................................................................................................... 99
6.1.2. Estimativa do Erro............................................................................................................ 100
6.1.3. Regra dos Trapézios Repetida ......................................................................................... 101
6.1.4. Regra de Simpson 1/3 ................................................................................................. 103
6.1.5. Estimativa do Erro............................................................................................................ 104
6.1.6. Regra de Simpson 1/3 Repetida ..................................................................................... 105
6.1.7. Estimativa do Erro Simpson Repetida ............................................................................. 106
 Exercícios .......................................................................................................................... 108
Referências Bibliográficas ............................................................................................................. 110
Apendice A: Recordação de Gráficos de algumas funções ....................................................... 111

 Exercícios .......................................................................................................................... 113

Introdução
O cálculo numérico é um conjunto de ferramentas ou métodos usados com a finalidade de obter a
solução aproximada de um determinado problema ou modelo matemático, permitindo estabelecer
conexões entre os aspectos abstratos do rigor matemático e suas aplicações.
A maioria dos modelos matemáticos é originária da necessidade entender os fenômenos da
Natureza, para isto se realiza uma descrição matemática baseada nas leis básicas, os modelos
matemáticos são simplificados para tentar uma aproximação do fenômeno e mesmo que a
formulação não seja muito complexa, pode não ser resolvido analiticamente, neste caso se
recorrem à elaboração de algoritmos numéricos. Os métodos numéricos são utilizados quando os
procedimentos analíticos ou exatos são incapazes de dar uma resposta quantitativa. Vale ressaltar
que os métodos numéricos também têm suas limitações.
A resolução destes problemas envolve as seguintes etapas:
Formulação do
Problema Modelo
Real Matemático
Solução Interpretação
Numérica: dos
Algoritmo Codificação Resultados
Processamento
Obtidos
Segundo Moura, na formulação de uma modelo matemático envolve inicialmente a escolha

das variáveis que se considerem importantes, relevantes para o estudo do problema. Em seguida
das leis que suporem obedecidas para aquelas variáveis. E importante ter em mente que nem todas
as hipóteses simplificara ou facilitaram necessariamente o tratamento a posteriores do modelo.
Vale notar que com o avanço tecnológico o e o aperfeiçoamento das técnicas numérica levou a
modelagem matemática em alguns casos a suplantas outros métodos. São exigidas certas
propriedades como se a solução será estável? O sistema é bem posto?
Na formulação do modelo matemático, devem se escolher as variáveis adequadas e os

parâmetros de deslocamento, considerando as leis básicas (físicas, mecânicas, entre outras). A
escolha do método numérico para obter a solução aproximada, deve envolver um número finito de
operações. Analisar os resultados obtidos é relacionar com o problema real e verificar se os
resultados são os esperados, caso não o sejam, procura-se uma nova formulação. Este processo
pode envolver novas pesquisas, novo levantamentos de dados e/ou modificar o modelo
matemático.

Neste texto apresentamos os conceitos básicos e os métodos clássicos para determinar as
raízes de equações algébricas, solucionar um sistema linear, interpolação polinomial e
aproximação do valor das integrais definidas. Exibimos alguns comandos básicos do software
Maple, como ferramenta de auxílio para gerar gráficos, manipular expressões algébricas,
matriciais entre outros diluídos no texto e no anexo A. No final de cada capítulo são propostos
exercícios de fixação e suas respostas.

Capítulo 1
Antes de abordar os tópicos específicos do cálculo numérico, realizaremos uma recordação sobre
os sistemas de numeração utilizados na antiguidade e na atualidade. Também os tipos de erro que
podem gerar outros erros durante a resolução de um determinado problema, além da correta
interpretação dos resultados.
1. Sistemas de Numeração
As antigas civilizações utilizaram sistemas de numeração em diversas bases. Há quatro mil anos,
os babilônicos e mesopotâmicos usavam a base sessenta (60) a qual não foi totalmente excluída
em nosso dia a dia, pois consideramos 1 hora com 60 minutos, e um minuto com 60 segundos.
Muitos mercadores europeus utilizavam a base 12, por ter mais divisores que o número 10. Os
maias, astecas e celtas usavam a base vinte (20), na língua francesa atual, por exemplo, detecta-se
vestígios de uma base vinte na denominação de alguns números, cuja base foi utilizada pelos
celtas, povo que viveu na Europa no início da era cristã. Os egípcios, gregos, chineses e incas
adotaram a base decimal, para maiores detalhes veja o livro “Um Enfoque Pedagógico da
Matemática para o Ensino Fundamental” de Zander et al. Os algarismos indo-arábico são os dez
dígitos 0, 1, 2, 3, 4, 5, 6, 7, 8 e 9, com estes algarismos qualquer número pode ser representado,
esta base decimal prevaleceu por sua praticidade.
Atualmente, é usado em larga escala o sistema de numeração de base 2, ou sistema binário.

Esse sistema foi usado pelos chineses 3000 anos a.C. aproximadamente. Quarenta e seis séculos
depois, Leibniz redescobre o sistema binário. Este sistema de numeração binário é muito
importante, pois grande parte dos circuitos eletrônicos funciona com esta base (calculadoras,
computadores, etc.). Este sistema permite fazer operações lógicas e aritméticas usando-se apenas
dois dígitos ou dois estados: 0 e 1, os quais nas estruturas dessas máquinas se fazem corresponder
às situações de sim-não, ligado-desligado, aberto-fechado, etc., uma vez que os circuitos digitais
são constituídos por elementos dotados de dois estados distintos.
Os computadores trabalham internamente com dois níveis de tensão recebem instruções

com diferentes bases que não as decimais: além da base 2, se utilizam as bases 8 e 16. O
programador monta o programa na linguagem habitual e o chip interpreta e converte este
programa para a linguagem computacional. Os programas de computadores são codificados sob
forma binária e armazenados nas mídias (memórias, discos, etc) sob esse formato. Os dígitos
binários são habitualmente chamados de bit. Um número binário formado por 8 bits é designado
por byte, 16 bits é uma “Word”, 32 bits é uma “Double Word”.
Um número na base b, com 2  b  10 é representada com os algarismos: 0, 1, 2, ..., b-1. Já
o caso de bases b maiores que 10 são utilizados os algarismos de 0 a 9 combinados com as
primeiras letras do alfabeto. Por exemplo, na base 16, usamos os algarismos de 0 a 9 e as letras
maiúsculas A, B, C, D, E e F cujos valores são respectivamente 10, 11, 12, 13, 14 e 15.

Em todo sistema de numeração atual, o valor de um digito depende de sua posição relativa
no número.
1.1. Representação de um número em diferentes bases
Qualquer inteiro positivo N admite uma única representação da forma:
N  am b m  a m1b m1  a m 2b m 2  ...  a1b  a0 (1.1)
O inteiro b (2  b  10) é chamado de base e os algarismos ai ( i=0,...,m) são os restos das

divisões sucessivas, portanto 0  ai < b , para i=0,...,m. Para bases maiores que 11 são empregadas
letras para representar restos acima de 9.
A forma (1.1) de representação de um inteiro positivo N pode ser escrita de maneira abreviada
como
(am am1am2 ...a1a0 ) b (1.2)
onde 2  b  10 e 0  ai < b
No caso de N ser um número decimal finito ou infinito, ou um numeral em outra base b; 2  b 

10, também pode ser representado como a soma de termos que envolvem potencias de b e b-1 da
forma
N  a m b m  a m 1b m 1  a m  2 b m  2  ...  a1b  a0  a 1b 1  a  2 b 2  ...  a  n b  n  ... (1.3)
com 0  ai < b , para todo i=...-n,...,m.
Observação 1.1: Usamos a notação ( . )b para deixar claro que o número está sendo expresso na
base b. Quando não se usa nenhum índice subscrito, fica subentendido que o número está expresso
na base decimal.
 Quanto maior for o número natural maior é a quantidade de algarismos da base b <10;
 Todo número natural é expresso de modo único em qualquer base.
Números na Base 10:

Na base 10 se usam os algarismos de 0 a 9. Por exemplo:
O número 13 (treze) é representado como 13 = 1101+3100, onde a1 =1 e ao=3.
O número decimal 16,431 (dezesseis inteiros, quatro décimos, três centésimos e um milésimo)
também pode ser representado na forma da equação (1.3) por
16,431 = 1101+6100+ 410-1+310-2+ 110-3
3
O número N   0,42857142 85714... é representado como a soma infinita
7
0, 42857142... = 410-1+210-2+ 810-3+510-4+ ...
onde os pontos “...” indicam que o número de casas é infinito.
A “vírgula” é utilizada para separar a parte inteira da fracionária, no computador e calculadoras
utilizamos o “ponto”. Daqui para frente utilizaremos apenas o ponto como separador.

Numerais na Base 2 ou base binária:
Nesta base se usam os algarismos 0 e 1. Por exemplo:
O número 13 é representado por
13 = 123 + 122 + 021 + 120
Portanto o número 13 (base decimal) é equivalente ao numeral 1101 (base binária), representado
por:
13 = (1101)2.
Na Base 5, se usam os algarismos 0, 1, 2, 3 e 4. O número 13 é representado como

13 = 251 + 350,
logo
13=(23)5.
1.2. Métodos para conversão de um número decimal para binário

Nesta seção apresentamos três métodos para conversão de um número no sistema decimal para o
sistema binário.
I. Método de decomposição em potências de 2
Decompomos o número em função das potencias de 2 (tabela). Da equação (1.1), segue
N  am 2 m  am1 2 m 1  am 2 2 m 2  ...  a1 2  a0  a1 2 1  a2 2 2  ...

Onde os algarismos ai, iZ são iguais a zero ou um.
Considerando a tabela:
... 25 24 23 22 2 20 2-1 2-2 2-3 

... 32 16 8 4 2 1 0.5 0.25 0.125 
O número N é escrito de maneira abreviada como
N  (am am1am2 ...a1a0 a1a2 ...) 2 (1.4)
Exemplo 1: O número decimal 25 é decomposto como

25 = 16 + 8+ 1= 24+ 23 +1 = 124 + 123 + 022 + 02+ 120
Portanto 25= (11001)2
Exemplo 2: O número 14.625 é decomposto como

14.615 = 14+0.625 = 8 + 4 + 2 + 0.5 + 0.125 =
= 1  23  1  2 2  1  2  1  2 1  0  2 2  1  2 3
Portanto escrito na base 2 como

14.615  (1111.101) 2
Exemplo 3: O número 25.17 não pode ser decomposto em um número finito de potências de 2,
neste caso, estipulamos um número de dígitos para a parte fracionaria
25.17  1  2 4  1  23  0  2 2  0  2  1  20  0  2 1  0  2 2  1  2 3  ...
Portanto o número 25.17 é representado por (11011.001...) 2
II. Método das divisões sucessivas e o método das multiplicações sucessivas
Se N é um número recional arbitrário, primeiramente descompomos o número

N= (parte inteira) + (parte fracionária).
Por exemplo
64.215= 64+ 0.215
 Para o número inteiro aplicamos o método das divisões sucessivas.
 Para a parte fracionária, utiliza-se o método das multiplicações sucessivas.
(i) Método das divisões sucessivas

O número inteiro é dividido sucessivamente por 2 até que o quociente seja menor que 2. O número
binário é formado pela concatenação do último quociente com os restos das divisões lidos em
sentido inverso ao que foram obtidos.
Exemplo 1: O número 13 = (1101)2.

13 2
1 6 2
0 3 2
1 1
O processo descrito acima é o mesmo para qualquer base b (2  b  10), basta fazer sucessivas
divisões do número da base decimal por b até que o quociente seja menor que b.
(ii) Método das multiplicações sucessivas

Este método é aplicado quando a parte fracionária é não nula, e consiste em:
a) Multiplicar a parte fracionária do número dado por 2;
b) Deste resultado, reservamos a parte inteira, que corresponde ao primeiro dígito do
número na base 2. O restante da parte fracionária é novamente multiplicada por 2. O processo é
repetido até que a parte fracionária seja igual a zero. Caso não seja igual a zero, escolhemos um
número finito de operações.
Exemplo 2: Dado o número N= 124.1875 = 124 + 0.1875

Transformando parte inteira 124 na base binária:

124 2
0 62 2
0 31 2
1 15
2
1 7 2
1 3 2
1 1
O número binário é formado pela concatenação do último quociente com os restos das divisões
lidos em sentido inverso ao que foram obtidos, assim:
124 = (1111100)2
A parte fracionaria, multiplicamos por 2 e reservamos a parte inteira
0.1875  2 = 0.3750
0.3750  2 = 0.750
0.750  2 = 1.50
0.500  2 = 1.00
⁞
 (0.1875)10 = ( 0.0011)2
Portanto o número N= 124.1875 é representado pelo numeral (1111100.0011)2
Exemplo 3: Escreva o número 18.25 na base binária

O número 18.25 = 18 + 0.25
A parte inteira é dividida por 2
18 2
0 9 2
1 4 2
0 2 2
0 1
A parte fracionária multiplicamos por 2

0.25  2 = 0.5
0.5  2 = 1.0
0.0  2 = 0.00 (se anula)
Portanto 18.25=(10010.01)2
1.3. Conversão de um numeral na base binaria para a base decimal

Os métodos mais conhecidos são:

I. Método das somas sucessivas
Para passar um número da base binária para a base decimal somamos o digito multiplicado pela
potência de 2 correspondente à posição relativa. Isto é dado o numeral
(am am1am2 ...a1a0 .a1a2 ...) 2 , escrito na forma (1.1)
N  am 2 m  am 1 2 m 1  am 2 2 m 2  ...  a1 2  a0  a1 2 1  a2 2 2  a3 2 3  ... , (1.3)

onde ak é 0 ou 1.
Exemplo 1: Dado o numeral (10011)2 , vamos converter este numeral para a base decimal.
(10011)2 = 124 + 023+022 +12 + 120 = 16 + 0 + 0+ 2 + 1 = 19
Portanto (10011)2 = 19.
Exemplo 2: Dado o numeral 1011.011 na base binária, vamos descobrir o número que está
representando.
(1011.011)2 = 123+022 +12 + 120 + 02-1 + 12-2 +12-3 =
= 8 + 0 + 2 + 1 + 0 + 0.25 + 0.125 = 11.375
Portanto (1011.011)2 =11.375 (Onze unidade e trezentos setenta e cinco milésimos)
 Observação 1.2: Caso sejam estipuladas 3 casas decimais, este numeral binário, também
representa outros números, como por exemplo: 11.376, 11.377, 11.380.
II. Método de Horner

Este método é muito útil para converter um numeral da base 2 para a base 10, para isto,
escrevemos o numeral no esquema prático de Briot-Ruffini para obter o número procurado, da
seguinte forma
am am-1 ... a1 a0
2 2 am ... ... ...
am am-1 +2am ... am 2 m  am 1 2 m 1  am 2 2 m  2  ...  a1 2 N
Exemplo 1: O numeral (10011)2 representa o número 19, pois:
1 0 0 1 1
2 2 4 8 18
1 2 4 9 19

Matemático inglês, ficou conhecido por ter
desenvolvido o esquema de Horner para a solução
de equações algébricas, apresentado a 1 de
Julho de 1819 à Royal Society e publicado no
mesmo ano no "Philosophical Transactions of the
Royal Society".
No entanto, Horner não terá sido o primeiro

a desenvolver este método, conhecido já há 500
anos pelo matemático chinês Zhu Shijie (1270-
1330).
William George Horner
(1796-1837)
1.4. Mudando de base com ajuda do Maple
A mudança de base é um processo mecânico, o software Maple tem várias opções para fazer
mudanças de base. Por exemplo, através do comando:
[> convert([a0, a1, ..., am-2, am-1, am],base, base-atual, base-nova)
Exemplo 1:
[> convert([2,1,1], base, 3, 10);
tem como resultado [4,1] ou seja o numeral (112)3 = 14 na base decimal.
Exemplo 2:
Portanto (321)5 = 86.
Quando estamos com um número inicialmente na base decimal, podemos usar uma forma mais
simples do comando convert , que é “convert(número na base decimal, base, base para a qual
deseja converter)”, obtendo uma lista de algarismo de modo igual a forma anterior.
[> convert(numero-decimal , base, base-nova);
Exemplos

Portanto na base binária 25=(11001)2 e na base cinco 25=(100)5
Para converter um número decimal para binários, tem-se o comando:
[> convert( “numero-decimal, binary, “nº de casas decimais depois do ponto (da virgula)” ); # ou
simplesmente
[> convert( “numero-decimal, binary)
Exemplos
Para converter um número fracionário na base 2 para base 10, utilizando o Maple use o
comando:
[> convert(“nº desejado” , decimal, binary);
Exemplos:

 EXERCÍCIOS
1) Converta os seguintes números decimais para a forma binária:
a) 34 b) 24.5 c) 0.68
d) 56,43 e) 389.141
2) Converta cada um dos seguintes numerais binários para a forma decimal:
a) 101101 b) 110101011 c) 10.10111

d) 0.0011101 e) 1010.0011
Respostas
1) a) 100010 b) 11000.10000 c) .1010111000 d) 111000.01101
2) a) 45 b) 3416 c) 21.75 d) .453125
1.5. Aritmética de ponto flutuante

Nesta seção falaremos brevemente sobre o modo no qual os números são representados em um
computador e/ou em uma calculadora, para que se possa ter melhor entendimento sobre as
discrepâncias de resultados fornecidos por operações numéricas efetuadas em máquinas distintas
(calculadoras, computadores etc.).
A representação de um número decimal pode ser representado em notação científica na forma
Natural (Ex. 43.4567), Normal (Ex. 0.00434567104=43456.710-3) ou forma Normalizada
(Ex. 0.434567102 ).
Definição: A aritmética computacional que manipula os números na base  em notação cientifica

normalizada é chamada de aritmética de ponto flutuante (a.p.f.) .
Um número N qualquer na base , em aritmética do ponto flutuante (a.p.f.) de t dígitos tem a

forma:

N  (.d1d 2 d 3 ...d t )  

mantissa base
onde:
 : base
t : número máximo de dígitos significativos da mantissa (determina a precisão do número).
 (.d1d 2 d 3 ...d t ) : representa a fração na base  (chamada mantissa), 0 dj  -1, j=1,2,...,t.
: expoente que varia no intervalo [m, M], sendo que estes limites (inferior e superior)
dependem da máquina utilizada.
Definição: O conjunto dos números em ponto flutuante é chamado de conjunto de números

máquina. Este conjunto é finito.

Observações 1.3:
 Dado um número N, sua representação em aritmética de ponto flutuante de t dígitos é feita por
truncamento ou arredondamento.
 O número N não poderá ser representado neste sistema se o expoente estiver fora dos limites
m e M.
 quando  < m, ocorre o erro de underflow
 quando  > M, ocorre o erro de overflow
 Um número em aritmética de ponto flutuante se diz que está normalizado se d1 0.

 A partir de 1980 todos os computadores adotaram uma representação padrão para números em
ponto flutuante, chamada de IEEE 754, facilitando assim a portabilidade de programas.
Exemplo 1: Se considerarmos o sistema decimal (=10), [-4, 4] e t = 5 dígitos na mantissa.

Represente na a.p.f. os seguintes números:
a) 0.00253 neste sistema, na forma normalizada é representado por 0.253 10 2
b) 25.4 é representado por 0.254  10 2

c) O número 455601.45 não tem representação neste sistema, pois
455601.45  0.45560  10 6 e neste caso o expoente está além do limite superior pré-fixado na
definição deste sistema, o que chamamos de overflow.
d) O número 0,000005565 não tem representação neste sistema, pois
0.00000556 5  0.5565  10 5 e neste caso o expoente está além do limite inferior na definição
deste sistema, o que chamamos de underflow.
e) O número 1.4550893 neste sistema pode ser escrito de duas maneiras
 0.14550 101 adotando o critério de truncamento ou
 0.14551  101 adotando o critério de arredondamento ( dt+1 ≥ 5)
f) O maior número neste sistema hipotético é o número 0.99999  10 4 e o menor é

 0.99999  10 4
Exemplo 2: Se considerarmos o sistema binário (=2), e é reservado 1 bit para o sinal do número,
3 bits para o expoente e 5 bits (5 dígitos) para a mantissa.
±.
Lembre que o número 2=(10)2 . Represente na a.p.f. os seguintes números binários:

a) 0.00101 neste sistema, na forma normalizada é representado por 0.101  10 10
b) 11.1 é representado por 0.111  1010

c) O número 11011.01 não tem representação neste sistema, pois 11011.01  0.11011 10 101
e neste caso há uma interrupção relativa ao overflow. (pois o expoente tem 4 dígitos)
d) O número 0.0000001011 não tem representação neste sistema, pois
0.00000010 11  0.1011  10 110 e neste caso ocorre um erro de underflow. O expoente tem 4
dígitos e não pode ser armazenado no espaço reservado a ele.
e) O número 1.01011 neste sistema pode ser escrito 0.10101  10 1 é adotando o critério de
truncamento.
f) O maior número neste sistema é o número 0.11111  10111 e o menor é  0.11111  10 11 .
Exemplo 3: Dê a representação dos números dados na tabela a seguir, num sistema de aritmética
de ponto flutuante normalizado com 3 dígitos significativos na mantissa para
 = 10, t =3, m = -5 e M = 5.
Solução
Representação obtida por Representação obtida por

N
arredondamento truncamento
1.25 0.125  10 0.125 10

10.053 0.101  102 0.100  102
0.0567835 0.568  10-1 0.567  10-1
-0.008564 -0.856  10–2 -0.856  10-2
-68.57  10-3 -0.686  10-1 -0.685  10-1
66.6666..... 0.667  102 0.666  102
0.00000036 Underflow Underflow
156723.45 Overflow Overflow
Observe o que ocorre na interação entre usuário e o computador: o usuário passa seus dados no
sistema decimal e toda esta informação é convertida em binário pelo computador. Os resultados
obtidos em binário são convertidos em decimal e transmitido ao usuário. Hoje em dia, a mantissa é
o suficientemente grande, de tal forma que os erros diminuíram consideravelmente.
Exemplo 4: Dê a representação dos seguintes números num sistema de aritmética de ponto

flutuante com cinco dígitos,  = 2, m = -15 e M=15.
a) O número N = 124.1875 como já vimos anteriormente, ele é representado pelo numeral
N= (1111100.0011)2
Na a.p.f, temos :
(N)2 = 0.11111  10111
b) Se N = 11.6
11.6 = 11 + 0.6

11 = (1011)2 e
0.6 =(0.1001100110011...)2,
logo 11.6 = (1011.1001100110011...)2 o que corresponde ao numeral:
(N)2 = 0.10111  10100
Observe que N na base decimal tem representação exata, porém na base 2 sofreu erro de
truncamento.
Exemplo 4: Dados dois números consecutivos na base binária.

(N1)2=0.11100110  1010 e (N2)2= 0.11100111  1010.
Ao transformá-los para a base 10 temos:
1 1 1 0 0 1 1 0   1 0 0 1 1 0
N1 =   2  3  4  5  6  7  8   22 =  2  1   2  3  4  5  6  =
2 2 2 2 2 2 2 2   2 2 2 2 2 2 
N1 = 3.59375
1 1 1 0 0 1 1 1   1 0 0 1 1 1
N2 =   2  3  4  5  6  7  8   22   2  1   2  3  4  5  6  
2 2 2 2 2 2 2 2   2 2 2 2 2 2 
N2 = 3.609375
Observe que entre os números decimais N1=3.59375 e N2=3.609375 existem infinitos

pontos, mas a representação no sistema binário, considerando 8 casas após o ponto, serão dados
por (N1)2 ou por (N2)2. Por exemplo o número 3.6 na base binária é representado por (N2)2. Este
fato também contribui no erro de arredondamento.
Os números reais podem ser representados por uma reta contínua. Entretanto, em
aritmética de ponto flutuante, são representados por pontos discretos da reta real.
Exemplo 5: Consideremos o caso em que t = 4,  = 2, m = 0 e M = 4.

No intervalo [0.1, 1[, existem infinitos números reais. Neste computador hipotético temos um
número finito (exatamente 90, verifique!)
1.5.1. Operações na a.p.f.

O que acabamos de ver é o que acontece nos computadores e calculadoras, eles sempre trabalham
com uma quantidade fixa de dígitos na mantissa e os números que ultrapassam esta quantidade são
truncados ou arredondados, gerando erros nos cálculos.
Na adição e multiplicação com número de a.p.f. use utilizam as operações inteiras correspondentes
para operar as mantissas.
Algoritmo da adição na apf:

i) Compare o expoente dos números e desloque o menor número à direita até que seu
expoente seja igual ao maior número.
ii) Some as mantissas
iii) Normalize o resultado
Algoritmo da multiplicação na apf:
i) Some os expoentes
ii) Multiplique as mantissas
iii) Normalize o resultado se for necessário.
Para maiores detalhes, pesquise sobre o algoritmo de Booth.
Para esclarecer estes algoritmos vamos dar um exemplo:

Exemplo: Utilizando uma máquina munida do sistema de a.p.f. no qual t = 3,  = 10; m = 0 e
M = 4 e realizando aproximações por arredondamento. Considere os números x = 2.354 e y =
34.564
a) Determinada a adição x+y
b) Encontre o produto x.y
a) A representação dos números dados no sistema hipotético é da forma:
x  0.235  10  x  0.0235 10 2 e y  0.346 10 2 ,
Então, para somar estes dois números em apf, escolha o maior expoente, some os dígitos das
mantissas, finalmente normalize.
x  y  (0.0235  0.346)  10 2  0.3695  10 2  0.370  10 2
Observe que o valor real de x  y  36.918 . Este número na a.p.f. é representado por
x  y  0.369  10 2 , ressalve que este valor é ligeiramente é diferente
ao valor exato.
Neste caso escrevemos, observe que o número x não fica normalizado, nem com 3 dígitos na
mantissa, mas a máquina é programada para armazenar este número em um acumulador de
precisão dupla, para assegurar uma melhor aproximação.
b) Para efetuar a multiplicação se realiza a soma dos expoentes e se multiplica as mantissas.
Assim,
x. y  (0.235  10)  (0.346  10 2 )  (0.235  0.346)  103  0.08131 103  0.8131  10 2
Agora imagine se temos que realizar diversas operações aritméticas com vários números, percebe-
se claramente o acúmulo do erro, e isto é o que gera algumas diferenças quando realizamos
cálculos em máquinas que possuem sistemas distintos, como, por exemplo, se realizarmos esta
mesma operação só que supondo o sistema.
Alguns números reais necessitam de um número infinito de dígitos para representados
como é do caso dos números irracionais (ex. 2 , 3 ,...) números transcendentes (ex.  , e,  ,...) ou

1 1
números racionais (ex. , ,...) devido à limitação da representação finita na a.p.f. é utilizado o
3 7
corte, cometendo um erro de arredondamento ou truncamento.
No maple:
Podemos saber o intervalo de definição do expoente e o número de dígitos máximo da mantissa
para o computador em que o Maple está instalado através do comando “Maple_floats(expresão)”,
onde expressão pode ser:
 MAX_EXP, para saber o expoente máximo;
No Maple 17 tem-se: 9223372036854775806
 MIN_EXP, para saber o expoente mínimo;
No Maple 17 tem-se: - 9223372036854775806
 MAX_DIGITS, para saber a quantidade máxima de dígitos da mantissa.
No Maple 17 usa: 38654705646 dígitos.
Com o comando “Digits:=n” podemos alterar a quantidade de dígitos da mantissa, que por padrão
é 10, onde n é a quantidade desejada. Digite “Digits:=3:” e realize a soma de dois números.
Depois digite “Digits:=5:” e realize a mesma operação aritmética.
 EXERCÍCIOS
1) Seja um sistema decimal de a.p.f. de cinco dígitos, expoente 6 e 6. Represente os seguintes

números neste sistema.
a)   105
b) 5 + e  10-8
c) 25  cos (770)
d) 133.6
2) Calcule o valor das expressões que seguem, utilizando a.p.f. de três dígitos, normalizada.
a) 19.4 + 1.87  10.3
b) 27.5  11.3 -3465  0.000572
(12.1  4.052  6.7)
c)
14.1  7.004  (2.5) 3
1 2 5
d)  
3 7 6
Respostas:
1) a) .31415 × 106 b) .5 × 10 c) .56237 × 10 d) .1336 × 103
2) a) .109 × 102 b) .309 × 103 c) .130 d) .145× 10

1.6. Erros
Quando resolvemos um problema matemático através de um método numérico é inevitável o
surgimento de erros. O erro é a diferença entre o valor exato e o valor aproximado (calculado ou
registrado por observação). Algumas fontes de erros que encontramos nos problemas matemáticos
são:
Erro nos dados: Em geral, os dados necessários são obtidos através de experiências, que
estão sujeitos a erros e cada medida é um intervalo e não um valor numérico.
Simplificação no modelo matemático: É muito difícil um modelo matemático se ajustar

perfeitamente ao problema real. Para que a resolução torne possível é necessário fazer algumas
simplificações.
Erro Residual: Originados pela presença de processos infinitos. As funções envolvidas no

modelo matemático com frequência são expressadas em séries e para obter uma solução
aproximada nos vemos forçados a considerar apenas um número finito de termos, pois um
processo infinito não pode completar-se em um número finito de passos.
Erro Associado ao Sistema de Numeração: Quando representamos números racionais no

sistema decimal, binário ou outro, pode haver uma série infinita de dígitos à direita do ponto
(vírgula) por exemplo 16  0.166666... . Resulta evidente que somente podemos utilizar um número
finito de dígitos, dando origem aos denominados erros de arredondamento ou erro de truncamento.
Erro por Truncamento surge quando consideramos apenas n dígitos e o resto é
desprezado.
Erro por Arredondamento é surge quando arredondamos um número, para arredondar
um número a “n” dígitos significativos, eliminam-se todos os dígitos à direita do dígito
significativo do lugar n, se o primeiro dos dígitos desprezado é menor que 5, deixamos como estão
os dígitos restantes, senão acrescentamos uma unidade ao n-éssimo dígito.
Exemplo 1: A função cos x em desenvolvida em series de Taylor em torno da origem é da forma:

x2 x4 x6
cos x  1    
2! 4! 6!

1
Exemplo 2: A série de geométrica 2
k 0
k
, pode ser escrita na forma truncada

1 1 1 1 1
2
k 0
k
1  2  3  ...  n  Rn 1 ,
2 2 2 2
onde Rn 1 é o erro de truncamento.
Exemplo 3: Para calcular a área de um círculo de raio 200 m. Três pessoas resolvem o problema
da seguinte

João  (3.142)(40 000) = 125 680 m2
Chico  (3.1416)(40 000) = 125 664 m2
Diana  (3.141592654)(40 000) = 125 663.7 m2
Quem cometeu maior erro, supondo que a medição registrada oficialmente é 125 663,7 m2 ?
1 1 1 1 1
Exemplo 4: Efetuar a somatória S 1
    ....  utilizando 5 dígitos
1! 2! 3! 4! 10!
significativos. No maple utilizamos os seguintes comandos:
Tem-se uma aproximação do valor do número de Euler e 2.7182818284590452354. Este número

também conhecido como número de Napier (Néper).
1
Exemplo 5: O número  0.1428571428..., trabalhando com 4 dígitos significativos é
7
representado por
1
 0.1429 se optamos pelo critério de arredondamento
7
1
 0.1428 se optamos pelo critério de truncamento.
7
1001
Exemplo 6: O número = 0.025025 trabalhando com 4 dígitos significativos é representado
40000
por
1001
 0.250310-1 se optamos pelo critério de arredondamento
40000
1001
 0.250210-1 se optamos pelo critério de truncamento.
40000
1.6.1. Tipos de erros nas aproximações
a) Erro Absoluto
Denotamos por E abs ao Erro absoluto e é definido como o valor absoluto da diferença entre o
valor exato de um número x e de seu valor aproximado x
Eabs  | x  x | (1.7)

Em geral, apenas o valor de x é conhecido e neste caso é impossível obter o valor exato do erro
absoluto. O que se faz é obter um limitante superior ou uma estimativa para o modulo de erro
absoluto, tal que | x  x |  x , assim
x  x  x  x  x
Por exemplo, quando subimos em uma balança, aparece um número x , do qual excluímos o
valor x (que corresponde ao peso aproximado da roupa, sapatos, líquidos bebidos em excesso,
etc.) e concluímos que nosso peso é x  x  x .
b) Erro Relativo
O erro relativo é denotado por Erel e é definido como o erro absoluto dividido pelo valor
aproximado
E
E rel  abs (1.8)
x
c) Erro Percentual
É denotado por Eper e definido como
E per  Erel  100% . (1.9)
Observações 1.4: Para um mesmo problema podemos ter modelos matemáticos diferentes,
dependendo do enfoque desejado. A escolha errada do método numérico, pode levar a resultados
absurdos ou ficam distantes da realidade.
Definição: Um número aproximado x do valor exato x , é um número que difere ligeiramente do

número exato.
 Se x  x , dizemos que x é uma aproximação por excesso.
 Se x  x , se diz que x é uma aproximação por falta.
Exemplo 1: Sabendo-se que e  ]2.71, 2.72[ tomaremos para e um valor dentro desse intervalo,
por exemplo e = 2.715, teremos então, Eabs | e  e | < 0.01.
Exemplo 2: Suponhamos que um determinado valor x é representado por x =4523.83, de tal

forma que
|Eabs| ≤ 0.01 ou seja 4523.825  x  4523.835
Observações 1.5: Nos exemplos 1 e 2, os limitantes superiores para os erros absolutos são os
mesmos, mas não podemos dizer que x e e estão representados com a mesma precisão, é
necessário comparar a ordem de grandeza deles. Então, dependendo da grandeza dos números
envolvidos, o erro absoluto não é suficiente para descrever a precisão do cálculo, então calculando
os erros relativos:

Eabs | x  x | 0.01
para e : Erel     4.3956  10 3
x x 2.715
Eabs | x  x | 0.01
para x : Erel     2.21051  10 6
x x 4523.83
Portanto o número x do exemplo 2 é representado com maior precisão que o número e (número de
Napier) do exemplo 1. E ainda fica mais evidente, quando encontramos o erro percentual:
Cálculo do erro percentual: E per  E rel  100%

para e: E per  Erel  100%  0.43956 %
para x: E per  Erel  100%  0.00022 %
Confirmando uma vez mais que cometemos um erro maior na aproximação do número e.
 EXERCÍCIOS
1) Calcule o valor das expressões que seguem, utilizando aritmética de ponto flutuante com cinco
algarismos significativos; [m, M]= [-9, 9] , na forma normalizada.
a) 0.3 +1.745 1/3
b) (0.34  31.55  8.1) / (4.1 + 80.29  1.22)
c) 76.2  2.6  658  2.546
d) 1/9 + 1/9 + 1/6
e) 10( 91   )8
2) Um computador hipotético armazena números reais na forma normalizada. Utiliza 1 bit para o
sinal do número, 3 bits para o expoente e 5 bits para a mantissa. Adotando o critério de
truncamento.
i) Como ficam armazenados os seguintes números decimais?
a)   105 b) 5 10-2 + e  10-8 c) 2 107  cos (770) d) 133976,04
ii) Qual o maior e o menor número positivo representável nesse computador?
iii) Qual é o menor e o maior número negativo representável nesse computador?
3) Considere um computador binário, cujo sistema de ponto flutuante tenha 1 bit para o sinal do
número, 4 bits para o expoente e 5 bits para a mantissa num total de 6 bits.
i) Como ficam armazenados os seguintes números binários?
a) 10111 10110 b) 1110011 1010 c) 1011001 101111 d) 1010.1 e) 1100.0011
ii) Qual o valor verdadeiramente representado em cada caso (Converta para a base decimal os
números representados na a.p.f e o número dado. Compare os valores)
iii) Qual o maior e o menor número positivo representável nesse computador?
iv) Qual é o menor e o maior número negativo representável nesse computador?
20
4) Dado x um número real e x  110.1010101seu valor aproximado na base binária.
3
Considerando o sistema decimal determine o erro absoluto, relativo e percentual.
6) Utilizando 5 dígitos significativos, determine a área

i) do triângulo equilátero de lado igual a 7 unidades significativos ( 3 1.7321)
ii) a área de uma região circular com raio igual a 2 unidades (=3.1416)
iii) Considerando o valor de 3 =1.7320508075688772935. Determine a área do triângulo e
encontre o Eabs , Erel e E per .
iv) Considerando o valor de =3.1415926535897932385. Determine a área do círculo de raio 2
e encontre o Eabs , Erel e E per .
v) Em que aproximação cometeu maior erro?
Respostas
1)
2) ia) 0.1×10-99 menor número e 0.999×10999 é o maior número.
iia) -0.1×10-99 menor número e -0.999×10999 é o maior número negativo.
3) iii) 0.0001×10-111 é o menor número e 0.0001×101111 é o maior número

Capítulo 2
2.1. Zeros de Funções Reais

Seja f uma função definida no intervalo I  IR a valores reais, um número real  é um zero ou
raiz de f, se f() =0, I. Graficamente, os zeros reais são representados pelas abscissas dos pontos
onde a curva intersecta o eixo x.
x1 x2 x3 x4 x5
Figura 2.1: Raízes de uma função
Para as equações polinomiais de 1o e de 2o grau, existem expressões que nos fornecem as raízes do
polinômio e para certas funções podem ser determinadas as raízes analiticamente.
Exemplos:
5
1) g ( x)  2 x  5 , isolando x, temos x 
2
2) h( x)  ln x  9 , igualando a zero e isolando x, temos ln x 2  9  x 2  e 9 , portanto x  e 9 / 2
2
3) p( x)  x 5  9 x 4  1 , (não é simples)
4) f ( x)  x cos x  sinh x , (não é simples)
Para equações polinomiais de grau mais alto e para funções mais complicadas é praticamente
impossível achar os zeros exatos, como é o caso dos exemplos (3) e (4). Nestes casos precisamos
de um método numérico para encontrar a raiz aproximada.
Para determinar uma raiz de uma equação, adotamos as seguintes fases ou etapas:
Fase I: Localização ou isolamento da raiz, que consiste em determinar um intervalo que contenha
a raiz  da função dada.
Fase II: Refinamento, que consiste em melhorar a aproximação determinada na fase I até obter
uma precisão desejada.

2.1.2. Estudo da Fase I
Para a localização das raízes isoladas, qualquer informação é útil, como por exemplo: analisar o
domínio, paridade, periocidade da função, fazer um esboço do gráfico da função, considerar os
pontos de máximo e de mínimo e as concavidades.
No caso que seja difícil esboçar o gráfico da função, então transforme a equação f ( x)  0
em uma equação equivalente da forma g ( x)  h( x) e esboce os gráficos das funções g e h no
mesmo eixo cartesiano, os pontos de interseção dessas funções correspondem as raízes de f .
Exemplo 1: Localize as raízes da função f ( x)  x  5e  x .

Solução
Dom f = IR+ . Denotemos por h( x)  x e g ( x)  5e  x ao graficar ambas funções, podemos
observar que se intersectam num único ponto, cuja abscissa pertence ao intervalo ]1, 2[.
Para visualizar o gráfico destas funções com ajuda do maple, digitamos o comando
[> plot( [sqrt(x), 5exp(-x)], x=-2..8);
Figura 2.3: Gráfico das funções h(x) e g(x), se observa que se intersectam em um único ponto do intervalo [1,2]
Os seguintes teoremas ajudam na localização das raízes.
Teorema de Bolzano: Seja f (x) uma função contínua num intervalo [a, b]. Se f (a )  f (b)  0 ,
então existe pelo menos uma raiz  de f ( x)  0 entre a e b.
Graficamente temos:

f ( x) f ( x)
a  b a 1 2 3 b
Figura 2.2: Algumas possibilidades de raízes de uma função
 Observação 2.1: Sob as hipóteses do teorema de Bolzano, se existe f (x) e preserva o

sinal para todo x ]a, b[, então este intervalo contém um único zero de f (x) .
No exemplo 1 se verifica que sendo a  1 e b  2,
f (1)  1  5e 1  0.8394  0 e f (2)  2  5e 2  0.7375  0 , portanto f (a) f (b)  0 .
Como
1
f ( x)   5e  x  0 para todo x  [1, 2]
2 x
Então no intervalo [1, 2] existe uma única raiz de f (x) .
Bernard Placidus Johann Nepomuk

Bolzano
Nasceu na atual República Checa. Foi
matemático, teólogo e filosofo.
Também abordou problemas
relacionados ao espaço, força e a
propagação de ondas.
Bernard Bolzano
(1781-1848)
Teorema Fundamental da Álgebra (T.F.A.): Um polinômio de grau n, com coeficientes reais,

tem exatamente n raízes reais e/ou complexas.
Exemplo 2: Localize as raízes da função f ( x)  x 3  9 x  3 .

Solução
Dom f =IR. Construindo a tabela de sinais para f (x) temos:

x -5 -4 -3 -2 -1 0 1 2 3 4 5 6 ...
f (x) – – + + + + – – + + + +
Como o polinômio dado é de grau 3, então pelo T.F.A a função admite três raízes e pelo teorema
de Bolzano, existe pelo menos uma raiz nos intervalos: [-4,-3], [0,1] e [2,3]. Para verificar se a
raiz é única em cada intervalo, basta aplicar a observação anterior.
Neste exemplo em particular, é simples verificar que a raiz em cada intervalo é única, pois o
número de raízes de uma equação polinomial é igual ao grau do polinômio.
Outra forma: Como f ( x)  3 x 2  9 x  3x( x  3) , então a função tem pontos críticos em x=0 e
x=3, derivando novamente temos
f ( x)  6 x  9
como f (0)  9 , então a função é côncava para baixo e como f (3)  9 a função é côncava para
cima, portanto podemos concluir que f (0)=3 é um valor de máximo e f (3)=3 é um valor de
mínimo.
 Observação 2.2: Se f (a)  f (b)  0 , então não podemos garantir a existência de raízes no
intervalo [a, b]. Veja por exemplo os gráficos.
Figura 2.4: Alguns casos onde f (a) f (b)  0
Exemplo 3: Se f ( x)  x log x  1 , isole suas raízes.

Solução
1
Dom f = ]0,[ . Como x log x  1 , então para x  0 tem-se log x  , então denotemos por
x
1
g ( x)  log x e h( x ) 
x
Fazendo o esboço dos gráficos, podemos observar que elas se intersectam num único ponto x ,
Portanto a única raiz pertence ao intervalo [2, 3].
[> plot( [ ln(x)/ln(10), 1/x], x= -5..5, y=-5..5);

Figura 2.5: Gráfico das funções g ( x )  log x e h( x)  1
x
Exemplo 4: Seja f ( x)  2 cos x  e  x , isole suas raízes.

Solução
Dom f = IR. Se 2 cos x  e  x =0, então 2 cos x  e  x , denotando por
g ( x)  2 cos x e h( x)  e  x
E observando o esboço dos gráficos, vemos elas se intersectam em vários pontos, pois a função g
é periódica e a função h é assintótica ao eixo x. A função f ( x) possui uma única raiz negativa no
intervalo ]-/2, 0[, e infinitas raízes positivas.
[> plot( [ 2cos(x), exp(-x)], x = -10..10);
x
Figura 2.6: Gráfico das funções 2 cos x e e
x
Exemplo 5: Localize as raízes de f ( x)  tan x 
2
Solução

  
Dom f   x  IR / x  (2k  1) , k  Z 
 2 
x
Denotando por g ( x)  tan x (função periódica) e h( x)  ao graficar estas duas funções
2
observamos que a função f ( x) = 0 tem infinitas raízes, tanto positivas como negativas e zero é
uma raiz exata, conforme mostra a figura a seguir:
Figura 2.7: Gráfico das funções tan x e x , gerados com o comando [> plot ( {tan(x), -x/2}, x);
2
As raízes negativas encontram-se nos intervalos: [-k, (2k-1)/2[, k =1, 2, 3,... e as raízes
positivas encontram-se nos intervalos da forma: [ (2k-1)/2 , k[, k=1, 2, 3,....
 EXERCÍCIOS
I. Diga quantas raízes admite cada uma das seguintes equações algébricas:
1) 2 cos x  e 2 x  0 5) e x  sin x  3
2) tan x  5 x  0 6) sin x  x  0
3) 1  x ln x  0 7) x 3  3 x  1  0
4) 2 x  5 x  1 8) cosh x  x 2  0
II. Isole as raízes das seguintes equações
a) 2 x  3x  1 c) x log 5 x  1
b) x 2 .2
x2 d) x 3  0.4 x  1.4  0
 x
c) x log1 / 5 x  1 e) senh 2   senx  0
Respostas (I):
1) Admite uma raiz negativa e infinitas raízes positivas.
2) Infinitas raízes
3) Existe uma única raiz no intervalo [1, 2]
4) Existe uma raiz no intervalo, x = [4, 5]
5) Existe uma única raiz no intervalo [1.2, 1.6]

2.1.2. Estudo da Fase II
Após a fase I, isto é isolar a raiz de uma função em um intervalo I, nesta segunda fase utilizamos
um método numérico para determinar o valor aproximado da raiz. Existem vários métodos
numéricos que são processos iterativos, esses processos se caracterizam pela repetição de uma
determinada operação
Os métodos mais conhecidos, baseados em aproximações lineares são: O método da
Bissecção, o método da Secante, o Método das Iterações Lineares (M.I.L.) e o Método de
Newton. Existem outros métodos baseados em aproximações quadráticas como é o caso do
método de Muller, Wijngaarden-Dekker-Brent, entre outros.
Definição: Dizemos que um processo iterativo converge para  (raiz de uma função), se a
sequência gerada x1, x2, ...,xn ,... converge para , se dado um  > 0, existe um NIN tal que, para
qualquer n natural que seja n > N : |xn - | <  ou equivalentemente lim xn   .
n 
Observação 2.3: Os processos que estudaremos não fornecem raízes exatas de uma função em um
número finito de passo, exceto em casos particulares. O que buscaremos então será um valor
aproximado da raiz, chamaremos este valor x ; |   x |  erro. Como não podemos determinar o
valor exato, então vamos delimita-lo, isto é, para um delta previamente escolhido, devemos ter
|   x | .
Inicio
Dados Iniciais
k=0
Cálculos
Iniciais
k:=k+1
Cálculo da nova
Aproximação
Não
Sim
|xn+1 ‐xn |<erro
(Critério de
parada)
Cálculo Final
Fim
Figura 2.8: Fluxograma para os métodos iterativos
2.2. Método da Bisseção ou Dicotomia
Seja f uma função contínua definida no intervalo [a, b] e tal que f (a)  f (b)  0 . Para simplificar,
vamos supor que existe uma única raiz no intervalo neste intervalo.
O objetivo de método da bisseção é dividir sucessivamente o intervalo [a, b] ao meio até
obter b-a < , onde  >0 é uma precisão prefixada. Este método está baseado no teorema do valor
médio.
Graficamente temos:
f(x)
ao  bo
0 a=ao b=bo
2
Figura 2.9: Método da bisseção
1a iteração: Definimos xo como o ponto médio do intervalo [a, b], da forma

a b
xo  o o , supondo que (Fig.2.9):
2
f ( ao )  0
f ( xo )  0
f (bo )  0
Temos que f (ao )  f ( xo )  0 , então pelo teorema de Bolzano a raíz,   [ao, xo], então fazemos
a1 : ao e b1 : xo
2a iteração: x1 é o novo ponto médio do intervalo [a1, b1]

a b
x1  1 1 e supondo que
2
f (a1 )  0
f ( x1 )  0
f (b1 )  0
Como f(a1). f(x1) > 0 , significa que a raiz   [x1,b1], fazemos a2=x1 , b2=b1
3a iteração:

a2  b2
x2  e supondo que :
2
f (a2 )  0
f ( x2 )  0
f (b2 )  0
como f (a2 ) f ( x2 )  0 , então   [a2, x2], fazemos a3=a2 , b3=x2


Repetimos o processo de divisão contínua até obter bk - ak < , onde  é um erro prefixado.
Exemplo 1: Através do método da bisseção, determine uma raiz aproximada de

f ( x)  x log x  1 , dado  = 10-1.
Solução
Na fase I, foi determinado que a função f ( x) admite uma raiz no intervalo [2, 3].
Primeira iteração: Neste exemplo temos a0 = 2 e b0 = 3.
a0  b0
xo   2.5
2
Temos
f (2)  0.3979  0
f (2.5)  0.00515  0
f (3)  0.4314  0
Portanto a raiz está no intervalo [ x0 , b0 ] .
Segunda Iteração:
a1  b1
k  1; a1 : x0 ; b1  b0 e x1   2.75
2
Como
f (a1 )  0.0515  0
f ( x1 )  0.2082  0
f (b1 )  0.4314  0
Portanto a raiz está no intervalo [a1 , x1 ] .
E assim sucessivamente, tabelando estes resultados e realizando as seguintes iterações, temos:
k ak bk bk -ak xk f(ak) f(xk) f(bk)

0 2 3 1 2.5 -0.3979 -0.00515 0.4314
1 2.5 3 0.5 2.75 -0.00515 0.2082 0.4314
2 2.5 2.75 0.25 2.625 -0.00515 0.1002 0.2082
3 2.5 2.625 0.125 2.5625 -0.00515 0.0472 0.1002
4 2.5 2.5625 0.0625< 

Portanto, podemos considerar como raiz aproximada de f ( x) igualando a zero, qualquer  [2.5,
2.5625]. Por exemplo  = 2.54, serve como raiz uma aproximada. Foram necessárias 4 iterações
para obter a raiz aproximada de f ( x) =0 com erro menor que =10-1.
Exemplo 2: Determinar uma raiz aproximada da função f ( x )  x 3  9 x  3 através do método da

bisseção, considere =0.25.
Solução
Fase I:
Dom f = IR, chamando de g ( x)  x 3 e h( x)  9 x  3 , podemos observar que elas se intersectam
em 3 pontos, que se encontram nos intervalos:
I1 = [-4, -3] , I2 = [0, 1] e I3 = [ 3, 4]
Vamos a determinar a raiz contida no intervalo I2 através do método da bisseção na seguinte fase.
Fase II:

0 0 1 1 0.5 3 -1.375 -5
1 0 0.5 0.5 0.25 3 0.7665 -1.375
2 0.25 0.5 0.25 0.375 0.7665 -0.3223 -1.375
3 0.25 0.375 0.125 < 
Podemos considerar  = 0.35 como a raiz aproximada. Foram necessárias 3 iterações para obter a
raiz aproximada com uma tolerância  < 0.25.
Exemplo 3: Seja f ( x)  2 cos x  e  x . Encontre a raiz aproximada no intervalo [0, /2] com uma
tolerância  < 0.25
Solução

0 0 /2 /2 /4 1 0.9583 -0.2079
1 /4 /2 /4 1.1781 + 0.4575 -
2 1.1781 1.5708 0.3927 1.37445 + 0.1372 -
3 1.37445 0.19635 < 
1.5708
Podemos escolher como a raiz aproximada, por exemplo  = 1.57 (ou 1.4726 ou qualquer valor
no intervalo [a k , bk ] ).
2.2.1. Algoritmo do Método da Bisseção
Seja f uma função continua no intervalo [a, b] e tal que f (a)  f (b)  0

Início
Dados de entrada: extremos do intervalo: a, b
precisão  (erro permitido)
k=0
enquanto (b-a)   faça
inicio
k=k+1
ab
x
2
se f (a)  f ( x)  0 então
a=x
senão
b=x
fim
escolher   [a,b]
imprima ( , k)
fim.
Convergência: O método da bisseção converge sempre, desde que f ( x) seja contínua no

intervalo [a,b] e f (a)  f (b)  0 .
2.2.2. Estimativa do número de Iterações:

Dada uma precisão prefixada  e o intervalo [a, b], é possível saber a prior, o número k de
iterações necessárias para obter b  a   .
Demonstração:
O comprimento de cada intervalo [a n , bn ] para n  1,2,.., k é dado por
b0  a0
n  1 : b1  a1 
2
b  a1 b0  a0
n  2 : b2  a 2  1 
2 22
b  a 2 b0  a0
n  3 : b3  a3  2 
2 23

b  a k 1 b0  a0
n  k : bk  a k  k 1 
2 2k
b0  a0
Se existe um k, tal que bk  a k   , então   , para determinar o número de iteração
2k
isolamos k
log(b0  a0 )  log 
log(b0  a0 )  log   k log 2 , logo k .
log 2
Portanto o número mínimo de iterações é

log(b0  a0 )  log 
k (2.1)
log 2
Observe que o número de iterações não depende da função f ( x ) .
Exemplo 3:
Determine o número mínimo de iterações para obter bk - ak < =10-3, do exemplo (1), isto é para
f ( x)  x log x  1  0 e [a, b] = [2, 3]
Solução
Substituindo os valores de  = 10-3 , a=2 e b=3 na equação anterior (3), temos:
log(3  2)  log 10 3
k
log 2
k > 9.966
Portanto k =10 é o número mínimo de iterações necessárias.
Comentários:
 O método da bisseção converge, isto é, sempre é possível obter uma raiz aproximada para
qualquer função desde que f ( x) seja contínua em [a, b] e f (a)  f (b)  0 .
 As iterações envolvem cálculos simples.
 Dado o intervalo e a precisão , é possível determinar o número de iterações necessárias a prior
(antes de fazer as iterações).
 A convergência é muito lenta quando b-a é grande quando comparado com . Por exemplo se b
- a = 3 e  =10-7, então serão necessárias 25 iterações.
2.3. Método da Secante

Dizemos que uma reta L é secante de uma curva, se a reta L cruza dois ou mais pontos da curva. O
método da secante, como seu nome o diz é um método baseado na reta secante de uma função,
este método também é conhecido como Falsa Posição Modificado ou Regula Falsi (quando se fixa
um dos extremos).
Seja f ( x)  y uma função continua no intervalo [a, b] tal que f (a)  f (b)  0 . A equação do
segmento de reta que une os pontos (a, f (a )) e (b, f (b)) é dado por
L : ( x, y )  (a, f (a ))  t b  a, f (b)  f (a )  ; t  [0,1]
a equação paramétrica é da forma
 x  a  t (b  a )
L: (2.2)
 y  f (a)  t ( f (b)  f (a ))
xa
Da equação (2.2)1 obtemos t  , substituindo esta expressão em (2.2)2
ba
( x  a)
y  f (a )  ( f (b)  f (a )) (2.3)
ba

Como estamos procurando a raiz da função f ( x)  y , fazemos y  0 na equação (2.3) e isolamos
x nesta última expressão:
( x  a)
f (a)  ( f (b)  f (a))  0
ba
Então
f (a )(b  a) af (b)  af (a)  bf (a)  af (a )
x a 
f (b)  f (a) f (b)  f (a)
Simplificando temos a primeira aproximação
a f (b)  bf (a )
x para x  [a, b] (2.4)
f (b)  f (a)
A expressão (2.4) sugere um processo iterativo, da forma:
a f (bk )  bk f (a k )
xk  k , (2.5)
f (bk )  f (a k )
para k = 0, 1, 2,...,n.
Se k = 0, temos
a0 f (b0 )  b0 f (a0 )
x0  , onde a0 : a e b0 : b .
f (b0 )  f (a0 )
De forma análoga ao método de bisseção, temos três possibilidades:
 Se f ( x0 )  0 , então x0 é a raiz procurada.
 Se f ( x0 )  f (a0 )  0 então, há um zero no novo intervalo é [ x0 , b0 ] , neste caso a1 : x0 .
 Se f ( x0 )  f (a0 )  0 então, a raiz está no intervalo [a0 , x0 ] , neste caso b1 : x0 .
Devemos continuar este processo até | f ( xk ) |   ou | xk  xk 1 |  , onde  é o erro prefixado.
Figura 2.10: Esquematizando o método da secante (Regula Falsi)

Se a função for côncava em [a, b], um dos extremos não muda, permanece fixo.
Exemplo 1: Sabendo que a função f ( x)  2 cos x  e  x , tem uma raiz no intervalo [1,2]. Vamos a
determinar a raiz com uma precisão menor que 10-4
Solução
Iteração inicial: Neste exemplo temos a=1 e b=2.
1 f (2)  2 f (1)
xo   1.4151
f (2)  f (1)
Temos
f (1)  0.712725  0
f (1.424152)  0.051526  0
f (2)  0.96763  0
Portanto a raiz está no intervalo [ x0 , b] .
Primeira Iteração:
(1.424152) f (2)  2 f (1.424152)
k  1; a1 : x0 ; b1  b o e x1   1.4532655
f (2)  f (1.424152)
Como
f (a1 )  0.051526  0
f ( x1 )  0.00071525  0
f (b1 )  0.96763  0
Portanto a raiz está no intervalo [ x1 , b1 ] .
Segunda Iteração:
(1.4532655) f (2)  2 f (1.4532655)
k  2; a2 : x1 ; b2  b1 e x2   1.453669370
f (2)  f (1.4532655)
Como f ( x2 )  0.0000075299  10 -4 , então a raiz aproximada é x  1.453669370 .
Figura 2.11: Grafico da função f ( x)  2 cos x  e  x

9
Exemplo 2: Sabendo que a função f ( x)  x ln x  , tem uma raiz no intervalo [2,3]. Vamos a
x
determinar a raiz com uma precisão menor que 10-3
Solução
Neste exemplo denotemos por ao = 2 e bo = 3, assim
Iteração inicial:
2 f (3)  3 f (2)
xo   2.913232680
f (3)  f (2)
Temos
f ( 2)  -3.1137056 39  0
f ( 2.91323268 0)  0.02566135 2  0
f (3)  0.29583686 7  0
Portanto a raiz está no intervalo [a, x0 ] .

Primeira Iteração:
( 2) f ( 2.91323268 0)  2.91323268 0 f ( 2)
k  1; a1 : a0 ; b1  xo e x1   2.90576786 8
f ( 2.91323268 0)  f ( 2)
Como
f (a1 )  0
f ( x1 )  0.022878  0
f (b1 )  0
a raiz esta no intervalo [a, x0 ] .
Segunda Iteração:
k  2; a 2 : a1 ; b2  x1 e x 2  2.90510283 3
Como f ( x 2 )  0.00020444 9  10 -3 , portanto a raiz aproximada é x  2.90510283 3
Comentários:
 O método da secante converge mais rápido que o método da bisseção.
 As iterações envolvem cálculos simples.
 Dado o intervalo e a precisão , não é possível determinar o número de iterações necessárias
a priori.
 EXERCÍCIOS
1) Através do método da Bissecção, determine uma raiz aproximada de f ( x)  0 para  = 0.25

(neste exercício não é necessária a fase I, pois o intervalo inicial já é dado)
a) f ( x)  2 x  3x ,   [0, 1]
b) f ( x)  1  x ln x ,   [1, 2].

2) Determine a raiz aproximada de f ( x)  0 , utilizando o método da secante para  = 0.25 (Neste
exercício é precisa a fase I, pois o intervalo inicial não foi dado)
a) f ( x)  e x  4 x 2
b) f ( x)  2 sin x  e  x
3) Nos exercícios 1 e 2, determine o número mínimo de iterações para obter bk - ak < , onde
<10-5 (utilizar o intervalo inicial de cada exercício)
4) O método da Bissecção pode ser aplicado sempre que f ( x) é contínua em [a, b] e

f (a)  f (b)  0 , mesmo que f ( x) tenha mais de um zero em [a, b]. Nos casos em que isto ocorre,
verifique com o auxílio de gráficos, se é possível determinar qual zero será obtido por este
método.
5) Determine o valor aproximado de 7 pelo método da bisseção e pelo método da secante.
Comente os resultados obtidos.
6) Pelo método da secante, determine a raiz do polinômio x 4  x 3  4 x 2  4 x  1 no intervalo [-1,0]
com uma precisão menor ou igual a 10-3 .
Respostas:
1 a) 0.375 b)1.76322
2) a) 0,7141, b)3.11
3 ) 1a) 17 iterações b) 18 iterações
5) f (x)  x  7 a raiz aprox. 2.645751311
2
6) Raiz aprox. -0.2089531039 em 3 iterações.
2.4. Método das Iterações Lineares (MIL)

Seja f ( x) uma função contínua em [a, b], intervalo que contém uma raiz de f ( x )  0 .
O M.I.L. ou método das aproximações sucessivas, consiste em transformar a equação f ( x )  0
em uma equação equivalente a x   ( x ) e a partir de uma aproximação inicial x0, gerar a
sequência x1, x2,...,xk de aproximação para a raiz aproximada  pela relação xk 1   ( xk ) . A
função  é chamada função de iteração.
Uma raiz da equação x   ( x) é a abscissa do ponto de interseção da reta y = x e da

curva y   ( x) .
Exemplo 1: Considere a equação f ( x)  x 2  x  2  ( x  1)( x  2) , facilmente se visualiza que as

raízes são 1 e -2. Para esta função temos várias funções de iteração:
a) Da equação x 2  x  2  0 , podemos obter x  10  x 2 . Denotemos por  1 ( x ) à função
1 ( x)  2  x 2

b) De x 2  x  2  0 , temos x 2  2  x , então x  2  x . Seja  2 ( x)  2  x
c) Na equação x 2  x  2  0 dividindo por x; x  0, e isolando x temos:

2 2
x   1; x  0 , então denotemos por  3 ( x)   1; x  0
x x
d) Colocando x em evidencia temos:

2 2
x( x  1)  2, assim podemos obter x  ; x  1 , seja  4 ( x)  ; x  1
x 1 x 1

De uma função f ( x)  0 , podemos obter diferentes funções de iteração. Porém nem todas geram
sequência convergente para a raiz , conforme pode ser observados nos seguintes gráficos:
a)  é decrescente para x >0 e ( x)  0 b)  é decrescente e  ( x)  0

1 ( x)  2  x 2 ; xo  0.75  2 ( x)  2  x ; xo  0.5

c)  é crescente e ( x)  0 d) 4 é decrescente e  ( x)  0
2 2
3 ( x)   1; xo  0.5  4 ( x)  ; xo  0.5
x x 1
2
Claramente podemos observar que as funções  2 ( x)  2  x e  4 ( x)  ; geram sequencias
x 1
convergentes.
O seguinte teorema nos fornece condições suficientes para a convergência do MIL.
Teorema: Seja  uma raiz da equação f ( x) =0, num intervalo I e centralizado em . Seja  uma
função de iteração de f ( x) ,
se:
(a)  e  são contínuas em I;
(b) | ( x) |  M < 1, M = max | ( x) | e
(c) x0  I,
então a sequência x1, x2,...,xn gerada pelo processo iterativo converge para .
Prova:
(fica como exercício, use o teorema do valor médio)
Exemplo 2: Isole as raízes da x 2  x  10  0 e encontre 4 funções de iteração. Diga se elas geram

sequência convergente para a raiz  positiva.
Solução
Através do teorema de Bolzano (fase I), a função x 2  x  10  0 , tem raízes nos intervalos
[-4, -3.5] e em [2,3]. Como a raiz positiva pertence ao intervalo [2, 3], determinamos as funções
de iteração e vamos analisar se estão nas hipóteses do teorema:
(I) 1(x) = 10 - x2
1( x)  2 x
(a) 1 e 1 estão definidas no intervalo [2, 3]

(b) | 1 (x)| = | -2x| > 1, para todo x em [2,3], pois M=max |-2x| = 6 >1, logo 1 não satisfaz as
condições do teorema, logo não está garantida a convergência para  no processo iterativo.
1
(II)  2 ( x)  10  x , derivando temos:  ( x) 
2 10  x
(a) 2 e  2 estão definidas no intervalo [2, 3]
(b) M =max | 2 (x)| = 0.1889 < 1, para todo x em [2, 3],
(c) seja x0 = 2.5  [2, 3],
então 2 satisfaz as condições do teorema, assim fica garantida a convergência para  no processo
iterativo.
10  10
(III) Para x  0, seja 3 ( x)   1 , derivando: 3 ( x )  2
x x
(a) 3 e  3 estão definidas no intervalo [2, 3]
(b) M = max | 3 (x)| = 2.5 > 1, para todo x em [2, 3], não podemos garantir a convergência para 
no processo iterativo.
10  10
(IV) 4 ( x)  , derivando temos 4 ( x) 
x 1 ( x  1) 2
(a) 4 e  4 estão definidas no intervalo [2, 3]
(b) M =max | 4 ( x) | = 10/9 > 1, para todo x [2, 3], como existem valores neste intervalo tal que
| 4 ( x) | 1 , então podemos verificar se é possível refinar este intervalo tal que satisfaça o teorema
dado. Aplicando o método da bisseção:
Refinando o intervalo: Aplicando o método da bissecção no intervalo [2, 3] temos:
x= (3 +2)/2 = 2.5
f(3) = 2
f(2.5) = -1.25
f(2) = -4
logo, podemos afirmar que a raiz  [2.5, 3]. Então
10
M = max | 4 ( x ) |  1,
12 .25
Para x0 [2.5, 3], podemos garantir a convergência da sequência para a raiz .
 Podemos gerar a sequência convergente, considerando a função de iteração

 2 ( x)  10  x , x0 deve estar no intervalo [2, 3]. Tomado x0=2.5 temos:
k xk 2 (x) = 10  x
0 2.5 2.7386127
1 2.7386127 2.6946961
2 2.6946961 2.7028325
3 2.7028325 2.7013269

4 2.7013269 2.7016056
5 2.7016056 2.701554


Observe que a raiz está convergindo a  = 2.701562118716, que é a raiz exata da equação
f ( x) = 0.
2.4.1. Critério de Parada:

No M.I.L., escolhe-se xk como raiz aproximada de f ( x )  0 se:
| x k  x k 1 |  ou se | f ( x) |  , (2.6)
aquele que ocorrer primeiro.
No exemplo anterior, para =0.003, aplicando o critério de parada na quarta iteração temos:
| f ( x4 ) | = 0.001506 <  e | x4  x3 | 0.0015056  
Observe que | f ( x3 ) |= 0.008136 > . Portanto, x4 é a raiz aproximada com erro < 0.002.
Exemplo 3: Utilizando o MIL, determine uma raiz aproximada de f ( x)  e x  4 x 2 . Sabendo que

  [0, 1] e  =10-2.
Solução
Igualando a zero a função f ( x)  e x  4 x 2 temos e x  4 x 2 , como zero não é raiz e ambas funções
são positivas, então ln(e x )  ln(4 x 2 ) , assim
x  ln(4 x 2 )  2 ln(2 x)  ( x)
Vejamos se satisfaz as hipóteses do teorema do MIL:
2
(a) ' ( x ) 
x
 e ’ são contínuas no intervalo ]0, 1] ( ’ não é contínua em x=0).
2
(b) Observe que | ' ( x) |  1 , para todo x ]0,1]. Portanto não satisfaz as condições do
x
teorema e não está garantia da convergência. Precisamos encontrar outra função de iteração.
ex
Tendo e x  4 x 2  0 , então x   0.5e 0.5 x
4
Denotando por ( x)  0.5e 0.5 x , e derivando temos: ( x )  (0.5) 2 e 0.5 x
(a) ,  são contínuas no intervalo [0,1]
(b) M = max | ’(x)| = 0.4121803 < 1
(c) x0 = 0.5 [0,1]
Portanto satisfaz as condições do teorema. Gerando a sequência:

k xk (x) = 0.5 e0.5x |xk+1 - xk|
0 0.5 0.6420 0.142
1 0.6420 0.6893 0.0473
2 0.6893 0.7057 0.0164 > 
4 0.7057 0.7116 0.0059 < 
Teste de Parada : |x5 - x4| < . Não é necessário testar para | f ( x) |   , pois basta satisfazer para
um dos critérios de parada. Logo a raiz é aproximada é 0.7116, com erro < 0.01.
 Exercícios
(I) Aplicando o M.I.L., determine a raiz aproximada de f ( x) = 0 para = 10-3.
a) f ( x) = x2 + 0.5 x – 3.6 , e [1, 2]
b) f ( x) = 3x - cos x e [0,/4]
c) f ( x) = x2 - senh x
d) f ( x) = x3 - e2x
(II) A equação x2 + x - ¼ =0 possui uma raiz no intervalo [-0.5, -0.5]. A sequência produzida por
xn+1 = (xn) = - xn2 + ¼ será convergente para essa raiz?
Respostas:
I) 1) –2.03
4) não admite raízes
2.5. Método de Newton

O método de Newton também é conhecido como o método de Newton-Raphson ou método
das tangentes ou método de Newton-Fourier. O matemático inglês Joseph Raphson foi
contemporâneo de Newton e em 1690 publicou este método para aproximar raízes. Newton em
seu livro Método das fluxões descreve o mesmo método, em 1671, mas foi publicado somente em
1736, após 46 da publicação de Raphson.
Este método é um caso particular do MIL. No MIL, vimos que uma das condições de
convergência é | ( x) | 1 para todo x  I, onde I é o intervalo que contém a raiz  de f ( x)  0 .
Quanto menor for | ( x) | , mais rápida é a convergência.
No método de Newton, se escolhe uma função (x) de tal forma que sua derivada se anule,
isto é |’()| = 0, podendo assim garantir e acelerar a convergência de MIL. Então vamos escolher
uma  com tais condições, como x  ( x) temos:
x  ( x)  x  A( x) f ( x) ,
onde A é uma função contínua qualquer, tal que A()  0; vamos escolher a A(x) de forma que
() = 0. Derivando temos:
( x )  1  A( x ) f ( x )  A( x ) f ( x )
Então, para x   temos
()  1  A() f ()  A() f ()
0  1  A()  0  A() f ()
1
logo A( ) 
f (  )
Portanto a função de iteração é da forma:
f ( x)
( x )  x  (2.7)
f ( x )
Assim, para um primeiro valor escolhido xo, podemos obter os outros xk através da relação:
f ( xk )
x k 1  ( x k )  x k  para k=0, 1, 2,... (2.8)
f ( x k )
2.5.1. Interpretação Geométrica

O ponto xk+1 é obtido traçando a reta tangente à função f no ponto ( xk , f ( xk )) . A intersecção da
reta tangente com o eixo das abcissas fornece a nova aproximação xk+1, por este motivo é
chamado de ‘método das tangentes’, pois a equação da reta tangente a f ( x) em x0 e que passa
pelos pontos ( x1 ,0) e ( x0 , f ( x0 )) é dada por
L : y  f ( x0 )  f ( x0 )( x  x0 )
Fazendo y  0 e x  x1 temos a igualdade f ( x0 )  f ( x0 )( x1  x0 )  0, então
( x1  x0 ) f ( x0 )   f ( x0 )
Supondo que f ( x0 )  0 , isolando x1 obtemos:
f ( x0 )
x1  x0 
f ( x0 )
A cada iteração nos aproximamos da raiz da função f ( x) .
Com ajuda do maple podemos gerar os gráficos das tangentes:
[> with(plots):
[> with(student):
[> showtangent(x^2-5, x=2); # mostra o gráfico da função e da reta tangente no ponto (2, f(2))
[> fsolve(x^2-5, x, 2..3); # determina a raiz no intervalo I=[2,3]

O critério de parada é o mesmo do MIL.
Exemplo 4: Aplique o método de Newton no exemplo 2.

f ( x)  x 2  x  10 , para  [2, 3], e =0.001.
f ( x)
Sendo ( x)  x  , então substituindo os dados temos a função de interação
f ( x)
x 2  x  10
( x)  x 
2x  1
Considerado como a primeira aproximação inicial um valor x0[2, 3], por exemplo x0 = 2.5,
então:
k xk (xk) = xk+1 |xk+1 - xk|

0 2.5 2.70833333333 0.208333333
1 2.708333333 2.7015689 0.0067 > 
2 2.7015689 2.7015621 0.00000678 < 
Logo x3 = 2.701521 é a raiz aproximada, com erro menor que 10-3.

Observe que a convergência no Método de Newton é mais rápida do que o MIL.
Convergência:
Se numa determinada iteração k, f ( x)  0 , a convergência será muito lenta.
Teorema: Seja f uma função; f  C 2(I) , onde I é um intervalo que contém a raiz  de f ( x) .
Supondo f ‘()  0, então existe um intervalo I’ I, contendo a raiz  de f ( x) , tal que, se x0  I’,
a sequência

f ( xk )
xk 1  x k 
f ( xk )
converge para a raiz .
Isaac Newton
Grande cientista britânico, a quem não cabe julgar senão como
um dos mais grandes gênios da história da ciência. Tanto na
matemática, astronomia, óptica e principalmente no campo da
física clássica e física newtoniana
O método de Newton foi descrito em 1669 no ensaio 'Sobre el
análises mediante equações com um número infinito de
Isaac Newton términos'. O atual método difere dos apontes de Newton
(1642-1727)
Exemplo 5: Determine uma raiz aproximada de f ( x)  e x  4 x 2 =0 através do método de Newton,

sabendo-se que  [0, 1] e  = 10-3.
Derivando f temos: f ( x)  e x  8 x verificando o teorema:
f ( x)  e x  8
então, podemos observar que realmente f , f  e f  são funções contínuas no intervalo I = [0,1],
precisamos verificar que f ( x)  0 para todo x  I. Para isto, podemos aplicar o teorema de
Bolzano:
como f (0) f (1)  (e0 - 8(0)) . ( e1 - 8(1)) =(1).(-5.282) < 0, então existe um x  I, tal que :
f ( x)  0 .
Vamos aplicar o método de Bissecção em f ( x) , para refinar o intervalo:
x = (0+1)/2 = 0.5
f (0)  1  0
f (0.5)  066487  0
f (1)  1.2871  0
logo   [0.5, 1], vamos verificar se existe um zero de f ‘(x) no intervalo I’= [0.5, 1]; novamente
aplicando o teorema de Bolzano:
f ‘(0.5). (1) =(-2.3513) (-5.282) > 0
assim, no intervalo I’ não existe x, tal que a derivada da função se anule. Logo podemos aplicar o
método de Newton neste intervalo.
f ( x) ex  4x2
Sendo ( x)  x  = x x
f ( x) e  8x
vamos escolher x0  [0.5, 1], por exemplo x0 = 0.75
k xk (xk) = xk+1 |xk+1 - xk|

0 0.75 0.7157481 0.0342519
1 0.7157481 0.7148066 0.000915 < 
Logo a raiz aproximada é 0.7148066.

2.5.2. Algoritmo (Mil e Newton)
Início
dados de entrada: x0, 
se | f(x0)| <  então  = x0
senão
inicio
k =1
x1 = (x0)
enquanto |f(x1)| >=  ou |x1 - x0 | >=  faça
inicio
k= k+1
x1 = (x0)
fim
 = x1
imprima , k {número de iterações}
fim
fim.
 EXERCÍCIOS
(I) Determine a raiz das seguintes funções, cometendo um erro menor que 10-3
1) f ( x)  x 2  0.98 x  3.35 e [1, 2]
2) f ( x)  2 x  cos x e [0,/4]
3) f ( x)  x 2  2 sin x e [1, 2]
4) f ( x)  x 3  e 2 x e [0, 1]
i) Aplicando o método da secante
ii) Aplicando o método de Newton
ii) Através do método MIL.
iii) Compare os resultados obtidos. Qual método é mais eficiente?
(II) Faça um Programa em linguagem C ou Pascal, para determinar raízes de uma equação
algébrica através do método de Newton.
(III) Sabe-se que f (x) = x3 -x -1 =0 tem uma raiz no intervalo [0, 2]. Para = 10-5 aplique:
1) O MIL com (x) = (x+1)1/3 e x0= 0.5
2) Newton com x0= 0.5
3) Em geral, o método de Newton tem convergência mais rápida do que o MIL. Explique porque
no item (2) a convergência foi mais lenta.
4) Aplique o método da Bissecção no intervalo [0, 2] para determinar um valor inicial mais
apropriado e faça comentários.

Respostas
( I ) Usado o erro de 0.01
1) Newton : x =1.404755921 , Mil - x =1.4047

2) Newton : x =0.45018 , Mil - x =0.44965286
3) Newton: x =1.40426990 , Mil - x =1.40416881
4) Newton: 0.6488441333.
( II )
1) Mil x =1.32344341
2) Newton x =1.32471800
4) Bissecção x =1.9922
 Lista de Exercícios
1) Localize graficamente as raízes das equações abaixo:

a) e-x - ln x =0 f) x3 -6x + 2.28 =0
2
b) x - 10 ln x -5 =0 g) x4 - 4x = 1
c) x3 -e-2x +3 = 1 h) x = ex
3 2
d) 2x + x -1 = -1 i) x log2 x = 1
e) sen x = ln x j) x3 - 0.2x2 - 0.3x - 1.4 = 0
2) a) Através do método da Bisseção determine uma raiz das equações da 1ª questão (para cada
item escolher um intervalo) para = 0.01.
b) Determine o número de iterações no item (a) se  = 0.00002
c) Determine uma raiz de cada equação da 1ª questão, utilizando o MIL. Sendo =10-3
d) Determine uma raiz de cada eq. da 1ª questão, utilizando o método de Newton, com =10-3.
4) Seja f ( x)  e x  4 x 2 e  sua raiz no intervalo ]0, 1[. Tomado x0 =0.5, encontre o valor
aproximado de , com erro  =10-3, usando o MIL com (x)= 0.5 ex/2
5) Considere a função f ( x)  x 3  x  1 . Resolva pelo MIL com função de iteração:

1 1
( x)   , =0.01 e x0 =1. Justifique seus resultados (Nesta questão, não foi dado o
x x2
intervalo, deve-se então utilizar o método gráfico ou qualquer outro método).
6) Sabe-se que f ( x)  e 0.1x  x 2  10 , tem uma raiz no intervalo [2.5, 3.5]. Para =10-5 determine
uma função de iteração (x) convergente para a raiz  e encontre a raiz aproximada.
7) Sabe-se que f (x) = e x  cos x  0 , tem uma raiz  [1,2]. Através do método de Newton,
2
determine uma raiz aproximada para  = 0.005
8) Uma bola é arremessada para cima com velocidade v0=30 m/s a partir de uma altura x0 =5 m,
em um local onde a aceleração da gravidade é g= -9.81 m/s2. Sabendo que :
h(t )  xo  vo t  0.5 gt 2

a) Através do Método de Newton, determine o tempo t gastos para a bola tocar o solo (i.é quando
h(t) = 0), desconsidere o atrito com o ar.
b) A altura máxima que alcança a bola, (use qualquer método).
9) Através do método de Newton, determine o ponto de mínimo da função:

f ( x)  2 x 4  2 x 3  x 2  x  3 (lembre: o ponto de mínimo da função f (x) é a raiz da derivada
primeira, isto é, quando f ' ( x)  0 ).
10) Utilize o método de Newton para achar a raiz positiva mais pequena da equação tan( x)  x ,
com erro menor que 0.0001
11) Calcule a única raiz positiva da equação a seguir, pelo MIL:

f ( x)  x 5  x  0.4 com  = 0.0005
12) Encontre as raízes reais da equação x - sen x = 0.25 com =10-2
13) Encontre a maior raiz  positiva da equação:

x3 + x = 1 000 com erro menor que 10-4
14) A equação x3 -x -1 = 0 tem uma raiz  ]1,2[, determine-a, por qualquer método, com um
erro menor que 10-5.
15) Determine todas a raízes da equação:

x6 + 7x5 - 14x3 - 30x2 = 0, com erro menor que 10-3.
Respostas:
1)
a) Arredondamento: 0.17117×101 b) Arredondamento: -0.213119×101
Truncamento: 0.17116×101 Truncamento: -0.213119×101
c) Arredondamento: -0.14771×104 d) Arredondamento: 0.3889×101
Truncamento: - 0.14771×104 Truncamento: 0,03888×101
e) Arredondamento: 0.36446×102
Truncamento: 0.36446×102
2)
a) x  [1,1.5] b) x  [4,5] c) x  [-0.5,0] d) x  [-0.6,1] e) x  [2,3]
f) x  [0,0.5] g) x  [0,2] h) não tem raízes i) x  [1,2] j) x  [1,1.5]
reais
3) (a)
a) x =1.30859 b) x =0.6203125 c) x =-0.3398437 d) x =-0.5063 e) x =2.2266
f) x =0.3828 g) x =1.6641 h) não tem raízes reais i) x =1.5593 j) x =1.28516
(b)
a) k=15 b) k=15 c) k=15 d) k=15 e) k=16
f) k=15 g) k=17 h) não tem raízes i) k=17 j) k=15
(c)
a) x = 1.30979 b) x =0.63121914 c) x =-0.33696352 d) x =-0.499059 e) x =2.21911194
f) x =0.38983599 g) x =-0.249023 h) não tem raízes i) x =1.5598 j) x =1.2833
(d)
a) x =1.30979959 b) x =0.63144245 c) x =-0.33691966 d) x =-0.5 e)
x =2.21910715
f) x =0.389877 g) x =1.663251 h) não tem raiz i) x =1.5596 j) x =1.283531
4) x =0.71439308
5) 1 1
A função interação Q(x)= + , para ser usada no método MIL tem que ser:
x x2
i) Q(x) deve ser contínua ii) Q(x) deve ser derivável iii) |Q(x)|<=M<1
. Daí o iii) não é satisfeito. Então Q(x) não serve para achar a raiz.
1/ 2
  1  10e 0.1x 
6) Q1 ( x )    e x = 3.0434
 e 0.1x 
7) x =0.004392
8) x =6.2848 e t0 =6.28489 -> f’(t 0 )=0. Daí a bola demora esse tempo para chegar ao solo.
9) A raiz de f’(x)=1.086134=x 0 . Daí f’ (x 0 )=0 então x 0 é o ponto de mínimo.
10) x =0.000117171. Obs.: O ponto médio (0,0) é a raiz procurada.
11) x =1.0818 12) x =1.171 13) x =9.966666679 14) x =1.32471
15) a) x =-6.7922 b) x = -1.028 ±1.1544 i c) x =1.8487

Capítulo 3
Raízes de Polinômios de grau n

Neste capítulo abordamos os principais teoremas para isolar as raízes reais e complexas de um
polinômio de grau n e com coeficientes reais da forma:
p ( x )  a n x n  a n 1 x n 1  a n 2 x n  2  ...  a1 x  a0 ; an  0 (3.1)
com n  2.
Teorema Fundamental da Álgebra

Se p(x) é um polinômio de grau n  2, com coeficientes reais, admite exatamente n raízes
( an  0 ) reais e/ou complexas.
OBSERVAÇÃO: Se na equação (3.1) temos :

 ao  0 , então =0 é raiz (simples) de p( x) .
 ai  0 , para i = 0,1,2,..,r, então =0 é raiz de multiplicidade r+1.
Para determinar o número máximo das raízes positivas e negativas, usaremos a regra dos sinais de
“Descartes”:
3.1. Regra dos Sinais de Descartes
a) O número de raízes reais positivas de um polinômio de grau n, de coeficientes reais, é igual à

mudança de sinais na sequência de seus coeficientes ak ou menor que este número numa
quantidade par.
b) O número de raízes reais negativas de um polinômio de grau n é igual ao número de mudanças

de sinal na sequência de seus coeficientes ak do polinômio p( x) ou é menor que este número
numa quantidade par.
c) Se uma equação algébrica admite a raiz complexa z  a  bi , onde i   1 , então sua

conjugada z  a  bi também é raiz.

O francês Descartes também conhecido como
Renatus Cartesius, foi um físico, matemático e
filósofo.
Conhecido por sua contribuição com a

álgebra, sistema cartesiano, geometria
analítica, entre outros.
René Descartes
(1596-1650)
Exemplo 1: Através da regra de sinal de Descartes, determine o número de raízes reais e/ou
complexas do polinômio:
p ( x)  x 4  7 x 3  10 x 2  16 x .
Solução
O polinômio dado é de grau 4. Como ao  0 , então 1 = 0 é raiz. Então podemos fatorar x no
polinômio p( x)  x( x 3  7 x 2  10 x  16) e basta observemos a mudança de sinais no polinômio
p3 ( x)  x 3  7 x 2  10 x  16 :
p3 ( x)  x 3  7 x 2  10 x  16
   
 
Ocorrem 2 mudanças. Por tanto existem duas raízes ou nenhuma raiz real positiva.
Analisando o polinômio p3 ( x)
p3 ( x)   x 3  7 x 2  10 x  16
   

ocorre uma mudança, portanto existe uma raiz real negativa.
Logo, pelo regra de Descartes temos duas possibilidades:
Raízes 1o caso 2o caso
Raízes positivas 2 0
Raízes nulas 1 1
Raízes negativas 1 1
Raízes complexas 0 2
TOTAL 4 4
As raízes deste polinômio podem ser determinadas utilizando o esquema de Horner ou esquema
prático de Briot-Ruffini, da seguinte forma, tentamos com os divisores de 16

1 -7 -10 16
8 8 8 -16
1 1 -2 0
-2 -2 2
1 -1 0
1 1
1 0
Portanto as raízes de p ( x)  x 4  7 x 3  10 x 2  16 x são: 0, 1, -2 e 8.
Foi médico e matemático, nasceu em Valentano, atual Itália.

) Ruffini recusou a cadeira de matemática em Pavia, pois não
queria deixar a medicina. Em 1806 aceitou a cadeira 1814, foi
eleito reitor e ao mesmo tempo era professor de medicina
prática e matemática aplicada.
Resgatou e se aprofundou estudos clínicos que tinham sido
abandonados durante vários anos. Durante a epidemia de tifo de
1817 cuidou de seus concidadãos. Embora tenha se recuperado
da doença, havia perdido o vigor e acabou por falecer.
Paolo Ruffini
(1765-1822)
3.2.Teorema de Hua
Se uma equação algébrica de grau n, com coeficientes reais e todas suas raízes são reais, então o
quadrado de cada coeficiente extremo da equação é maior que o produto dos coeficientes
adjacentes i.é.: ak2  ak 1  ak 1 para k= 1, 2 , ..., n-1.
Corolário ou Regra de Hua

Se em uma equação algébrica de grau n, para algum um k; 1  k  n  1 , temos:
ak2  ak 1  ak 1 ,
Então, a equação admite pelo menos um par de raízes complexas.
O corolário de Hua nos dá uma condição necessária, mas não é suficiente!

O matemático chinês Loo-keng Hua, nasceu em Jintan,
Jiangsu. Ele foi o fundador e pioneiro em muitos
campos de investigação matemática. Ele era muito alegre
e otimista, a pesar dos problemas de saúde e a falta de
recursos econômicos. Hua apenas terminou o primário,
mas tinha muito talento.
Escreveu mais de 200 artigos e monografias, muitos dos
quais se tornaram clássicos. Recebeu o título de doutor
Loo-Keng Hua honorário da Universidade de Nancy na França em 1980.
(1910-1985)
Exemplo 2: Dado o polinômio p( x)  x 7  1 determine o número de raízes reais e/ou complexas.

Solução:
O grau do polinômio dado é 7. Não ocorrem mudanças de sinal em p( x) . Então, pela regra se
sinais de Descartes, não admite raízes reais positivas.
Analisando p( x)   x 7  1 , vemos ocorre uma mudança de sinal. Portanto admite uma raiz
real negativa.
ao  1
a1  0  0 2  (0)  (1)
a2  0  (0) 2  0

a6  0  (0) 2  (0)(1)
a7  1
Portanto, o corolário de Hua nos garante que existe pelo menos um par de raízes complexas.
Raízes 1o caso (único)

Raízes positivas 0
Raízes nulas 0
Raízes negativas 1
Raízes complexas 6
TOTAL 7
3.2. Esquema de Horner e Cotas de Laguerre-Thibault

Seja p ( x )  a n x n  a n1 x n 1  a n  2 x n 2  ...  a1 x  a0 ; (3.2)
an  0 e ak  IR, k  1,..., n
Fazendo xk em (3.2) temos p ( k )  an k n  an1k n1  an2 k n2  ...  a1k  a0 ; mas para
determinar este valor desta forma demora muito, então escrevemos

bn  an
bn1  an1  kbn
bn2  an2  kbn1  an2  k[an1  kan ] (3.3)
⁞
b0  ao  kb1  ao  [a1  k (a2  k (a3  k (a4  ...k (an1  kan ))]
O método de Horner também é conhecido como multiplicação aninhada.
Um dispositivo que facilita os cálculos dos bk , k=0,1,..,n é o esquema de Horner, da forma
an an 1 an  2 ... a1 ao
x=k kbn kbn1 ... kb2 kb1
an an1  kbn an2  kbn1 ... a1  kb2 ao  kb1
     
bn bn 1 bn  2 b1 bo
Exemplo:
Seja p( x)  x 3  7 x 2  10 x  16 . Determine p(4) .
b3  1
b2  7  4  3
b1  10  12  22
bo  16  88  72
Portanto p(4)  72 ou
1 -7 -10 16
x=4 4 -12 -88
1 -3 -22 -72 = p(4)
Observe que o polinômio dado, pode ser escrito de forma equivalente como:
p ( x)  x 3  7 x 2  10 x  16  ( x  4)( x 2  3x  22)  72 .
Para determinar um intervalo que contenha todas as raízes reais, usamos a seguinte
proposição:
3.3. Cota de Laguerre-Thibault

Dado um polinômio p(x) de grau n com coeficientes reais, determinamos o polinômio
p( x)  p(  )
q ( x)  , onde   1,2,..., m .
x
 Se todos os coeficientes de q(x) são positivos ou nulos e p()  0 , então  é uma cota
superior das raízes positivas de p( x) .
O esquema de Horner é muito útil e prático para encontrar estas cotas

an an 1 an  2 ... a1 ao
 bn bn1 ...  b2 b1
x
an an1   bn an2   bn1 ... a1   b2 ao   b1  p ()
       
bn bn 1 bn  2 b1 bo
p( x)  p (  )
Coeficientes do polinômio q( x)  . Observe que os coeficientes do polinômio q(x)
x
correspondem aos valores de bk , k=0,..n.
 A cota inferior é determinada ao substituir x por  x e multiplicamos por (-1)n o polinômio

dado (3.2) e realizamos um procedimento análogo para Q( x)  (1) n p( x). Obtendo uma cota
inferior, a qual a denotamos por  .
Portanto ao determinar as Cotas de Laguerre-Thibault, obtemos os extremos do intervalo

I ]  , [ , (3.4)
onde   e  são cotas inferior e superior respectivamente. O intervalo I contém todas as raízes
reais do polinômio p( x) .
De fato isto é verdade, pois:

p ( x)  
p()  q
( x ) ( x  ) > 0 para todo x   e

  
Q ( x)  Q
 ()  q~
 ( x)( x  ) > 0 para todo x   , então p( x)  0, para x  

  
Exemplo: Seja p( x)  x 3  7 x 2  10 x  16 . Determine as Cotas de Laguerre-Thibault.

Solução:
Sabendo que os divisores de 16 são: 16, 8, 4, 2, podemos escolher como  um desses
divisores.
Se fazemos   4 obtemos p(4)  72 < 0 e q( x)  x 2  3 x  22 , portanto não serve este valor
como limitante superior. Ao tentamos com   8
1 -7 - 10 16
8 8 8 -16
1 1 - 2 <0 0  0
Temos um coeficiente negativo, portanto tentamos com o consecutivo.
Ao fazer   9 temos

1 -7 -10 16
9 9 18 72
1 2 8 88 = p(9)
Logo q ( x)  x 2  2 x  8 , como todos os coeficientes são positivos e p(9)>0, então o valor de   9

serve como limitante superior.
Para obter um limite inferior das raízes k, consideramos o polinômio p(-x), para este novo
polinômio, encontraremos um número  ( >0) tal que todos os coeficientes no esquema de
Hörner sejam não negativos. Então seguindo o razoamento anterior, temos a desigualdade:
- k  , k=1,2,...,m  n e k raiz do polinômio Q(x)
em consequência k  -, teremos obtido portanto o limite inferior - das raízes reais de p(x).
- 1 2 ... m
Conclusão: Todas as raízes reais de p(x) estão contidas no intervalo I= [ -, ]
Continuando o exemplo 1: sendo q3(x)=(-1)( -x3 -7x2 +10x +16)
7 1 -10 -16
2 2 18 16
1 9 8 0  0
o último termo tem que ser positivo, como faltou pouco, vamos tentar com =2.1
1 7 -10 -16
2.1 2.1 19.11 19.131
1 9.1 9.11 3.131 > 0
Logo  = 2.1
Portanto as raízes reais do polinômio p(x) = x4 -7x3 -10x2 +16x = 0, estão contidas no intervalo :
I= [-2.1, 9] = [ -, ].
Exemplo 3: Sendo p(x) = x4 - 2x3 + 3x2 + 4x -1. Determine o número de raízes reais positivas,
nulas, negativas e o intervalo que as contém.
Contando as mudanças de sinal em p(x): + - + + -, então temos 3 mudanças.

Contando as mudanças de sinal de p(-x) : + + + - - , temos 1 mudanças.

Raízes 1o caso 2o caso
raízes positivas 3 1
raízes nulas 0 0
raízes negativas 1 1
raízes complexas 0 2
TOTAL 4 4
Tendo:
ao  1
a1  4  4 2  (  1)( 3 )
a 2  3  3 2  ( 4 )(  2 )
a3  2  (  2 ) 2  ( 3 )( 1)
a4  1
Não existe nenhum k tal que satisfaça a regra de Hua. Portanto nada a afirmar!
O teorema de Hua nos dá uma condição necessária, mas não suficiente! Graficamente podemos
visualizar que p admite um par de raízes reais, portanto existem duas raízes complexas. Estamos
no caso 2.
Determinando  e  pelo esquema de Hörner:

Para p(x):
1 -2 3 4 -1
2 0 2 0 6 20
1 0 3 10 19 >0
Para (-1)4p(-x) = x4 + 2x3 + 3x2 - 4x -1, temos:
1 2 3 -4 -1
1 1 3 6 2
1 3 6 2 1 >0
Portanto I =[-, ] = [-1, 2], i.é., as raízes reais do 2o caso estão em I.
Verifiquemos a analise, através do gráfico do polinômio p(x) :

[> plot(x^4 – 2*x^3 + 3*x^2 + 4*x –1, x= -1.. 2);

Gráfico de p(x) = x4 - 2x3 + 3x2 + 4x -1
As raízes reais podem ser determinadas pelo método de Newton ou secante e são:
10 3 5x
Exercício: Sendo p5 ( x )  x 5  x  x2  determine o número de raízes reais positivas,
9 8
nulas, negativas e o intervalo que as contém.
Existem 2 teoremas a mais, que nos ajudam a localizar os zeros e eles são:
Teorema 3.1: Se p(x) é um polinômio de grau n e de coeficientes reais, então p(x) tem pelo menos
um zero no interior do círculo centrado na origem e de raio igual ao valor min{1, n} onde:
ao ao
1 = n n = n (3.4)
a1 an
Teorema 3.2: Se p ( x )  a n x n  a n 1 x n 1  a n  2 x n  2  ...  a1 x  a0 ; a n  0 é um polinômio de grau

n e de coeficientes reais, então cada zero de p(x) se encontra na região circular de centro na origem
e raio R, onde R é:
ak
R  1  max (3.5)
0 k  n 1 a
n
1
Ao substituir x  no polinômio de ordem n, temos:
y
n n 1 n2
1 1 1 1 1
p   a n    a n 1    a n  2    ...  a1    a 0 ; a n  0
 y  y  y  y  y
Multiplicando por y n a expressão anterior
1
y n p    a n  a n 1 y 1  a n  2 y 2  ...  a1 y n 1  a 0 y n ; a n  0
 y

1
Supondo que a0  0 , o polinômio q( y )  y n p  é de ordem n, pelo teorema 2, todas as raízes
 y
y k de q(y) estão na região circular de centro na origem e raio r, onde r é:
1
r (3.6)
a
1  max k
1 k  n a
0
1 a
assim y k   1  max k , portanto
xk 1 k  n a0
1
xk  (3.7)
a
1  max k
1 k  n a
0
Podemos concluir que todas as raízes do polinômio

p ( x )  a n x n  a n 1 x n 1  a n  2 x n  2  ...  a1 x  a0 ; a n  0
Estão contidas no anel circular de raios r e R.
No exemplo 3: Sendo p(x) = x4 - 2x3 + 3x2 + 4x -1 = 0
| 1 | | 1 |
1 = 4 1 n = 4 1 , assim min {1 , 1} =1
|4 | |1|
O teorema 1 nos garante que pelo menos uma raiz no círculo de raio 1 e centro na origem.
Pelo teorema 2, temos

a 1 1 1
R  1  max k  1  max{1, 2, 3, 4}  5 e r    .
0  k 3 1 ak 1  max{1,2,3,4} 5
1  max
1 k  n a0

1
Portanto todas as raízes de p(x) estão contidas no anel circular com centro na origem e raios e
5
5 respectivamente, conforme mostra a figura.
Raízes do polinômio são {0.906039, 0.218769, 1.343636  1.799993i, 1.343636  1.799993i}
Obs. O teorema 2 nos ajuda a localizar as raízes complexas, já que as raízes reais estão
localizadas.
 Uma vez localizadas as raízes reais, o melhor método para encontrar a raiz aproximada é o
método de Newton ou das secantes.
Existem outros critérios para delimitar a região que contém as raízes, veja por exemplo a RPM 42
pg. 40 do prof. Lenimar Nunes.
 EXERCÍCIOS
Determine quantas raízes reais e/ou complexas admitem os seguintes polinômios:

1) p5 ( x )  2 x 5  8 x 2  x  2
2) p6 ( x )  x 6  12 x 5  13 x 2  9
3) p4(x)  x 4
 8x 3
 5x 2
4) p 7 ( x )  x 7  3 x 6  12 x 4  x 2
Respostas:
1) raízes reais: 1 2) raízes reais: 2

raízes complexas: 4 raízes complexas: 4
3) raízes reais: 4 4) raízes reais: 5 , raízes complexas: 2 (revisar)

4) as raízes reais são:  2 , 2 , 0 .25

Capítulo 4
Resolução de Sistemas Lineares
Sistemas lineares de equações é um conjunto de m equações lineares que envolvem n variáveis

independentes. Na resolução de sistemas lineares vamos considerar n equações lineares e n
incógnitas.
Os métodos de resolução de sistemas lineares são divididos em dois grupos: Métodos Diretos e
Métodos Iterativos.
a) Métodos Diretos: São aqueles que fornecem solução exata do sistema linear (com exceção
dos erros de arredondamento) após um número finito de operações, como por exemplo: o método
de eliminação de Gauss, Crout (LU), Cholesky (Khaletsky), Cramer, etc.
b) Métodos Iterativos: Permitem obter as raízes do sistema com uma precisão prefixada,
através de um processo convergente. Usados para sistemas lineares de grande porte, os que em
geral são esparsos (i.é. possuem uma grande porcentagem de elementos nulos). Estudaremos os
métodos iterativos de Jacobi, de Gauss-Seidel e S.O.R. (Successive Over Relaxation).
4.1 Métodos Diretos

Um sistema linear é um arranjo do tipo
a11 x1  a12 x 2  ...  a1n x n  b1


a 21 x1  a 22 x 2  ...  a 2 n x n  b2
 (4.1)

a x  a x  ...  a x  b
 n1 1 n2 2 nn n n
Escrito na forma matricial como
Ax  b (4.2)
onde
 a11 a12 . . a1n   x1   b1 
     
 a 21 a 22 . . a2n   x2   b2 
A . . . . .  x.  e b . 
     
 . . . . .   .   . 
a . . a nn  x  b 
 n1 an2  n  n
Denotemos por K um corpo e K nn o conjunto de todas a matrizes da ordem nn.

Propriedade: A solução de um sistema linear não se altera se subtrairmos de uma equação outra
equação multiplicada por uma constante ou trocamos duas equações.
 Para a existência de uma única solução, vamos supor que A  K nn e que o det(A)  0 e
que os elementos da diagonal sejam não nulos (aii  0, i=1,2,...,n), caso o sejam, permutamos
duas equações ou mais.
4.1.1. Método de Eliminação de Gauss

Vamos a recordar o método de eliminação de Gauss, pois o método de Cramer é muito custoso,
considerando um sistema linear com n equações lineares e n incógnitas, no método de
2n 3 3n 2 7 n
escalonamento de Gauss são efetuadas aproximadamente   operações, já no
3 2 6
Cramer são aproximadamente ( n  1)( n  1) n! operações.
Se temos, por exemplo, uma matriz A1010, pelo método de Gauss realizamos 805 operações
e um software demora 0.8 milésimos de segundo para gerar a solução e no Cramer realiza
359.251.200 operações e gasta 1 minuto e 8 segundos. Se tivermos uma matriz A2020, por Gauss
realiza 5910 operações e no Cramer 970.727.901.262.479.360.000 operações. Muita diferença!
Esta aumenta mais ainda quando n é grande.
O matemático, astrônomo e físico alemão

Gauss (1777-1855) contribuiu em diversas
áreas da ciência, é conhecido como o
“Príncipe da Matemática”.
Johann Carl Friedrich Gauss.
O método de eliminação de Gauss consiste em triangularizar a matriz A da equação (4.2)

i.é. transformar o sistema linear (4.1) num sistema equivalente, da seguinte forma:
Consideramos a matriz aumentada
 a11 a12 a13  a1n b1 
a 
 21 a 22 a 23  a 2 n b2 
      
 
a n1 a n 2 a n 3  a nn bn 
E através de operações elementares entre linhas, obtemos o sistema equivalente:

a11 a12 a13  a1n b1 
0 ~
 a~22 a~23  a~2 n b2 
      
 ~
0 0 0  a~nn bn 
Uma desvantagem deste método é quando a matriz for esparsa, pois no processo de
triangularização extingue a espasidade.
Por motivos didáticos, vamos descrever o método para uma matriz 33. A33x = b31,
temos o sistema:
 a11 a12 a13  x1   b1 
    
 a 21 a 22 a 23  x 2    b2 
a    
 31 a 32 a 33  x 3   b3 
Como vamos operar apenas sobre os coeficientes e termos independentes do sistema, este será
representado através da matriz aumentada associada ao sistema:
 a11 a12 a13 b1   a11 a12 a13 b1   a11 a12 a13 b1 

   , , ,
  , , ,

 a 21 a 22 a 23 b2    0 a 22 a 23 b2    0 a 22 a 23 b2 
a a 32 a 33 b3   0 a32
,
a 33 b3   0
, ,
0 a33 b3 
,, ,,
 31
A primeira etapa consiste em zerar os elementos da 1a coluna abaixo a diagonal principal, o

primeiro elemento a11 é chamado de pivô, multiplicadores: m21 = a21 / a11, m31 = a31 / a11 . Sejam
L1, L2 e L3 as linhas 1,2 e 3 da matriz aumentada A|b, então após as operações elementares temos:
L1 : permanece inalterada
L2 := L2 - m21L1
L3 := L3 - m31L1
A segunda etapa consiste em eliminar a32’, o pivô é a22 ‘ e o multiplicador m32 = a32 / a22
L1 e L2 permaneceram inalteradas e L3 := L3 - m32L2.
Resolvendo o sistema equivalente da forma:
a11 x1  a12 x 2  .a13 x3  b1

 ~
 a~22 x 2  a~23 x 2  b2 (4.3)
 ~
 a~33 x3  b3
Observe que este sistema tem solução imediata. Da última equação temos :
~
b3
x3  ~
a33
Os valores das outras variáveis são obtidas pelo chamado processo retroativo
~
(b2  a~33 x3 )
x2 
a~ 22

(b1  a12 x 2  a12 x3 )
x1  .
a11
Exemplo 1: Dado o sistema

 2  1 3  x1   2 
    
 5 6 1  x 2     1
 1 3 8  x   3 
  3   
Vamos a determinar a solução através do método de eliminação de Gauss, triangularizando a
matriz estendida, temos:
 2 1 3 2   2 1 3 2   2 1 3 2 
     
 5 6 1  1   0 8.5  6.5  6    0 8.5  6.5  6 
 1 3 8 3   0 3.5 6.5 2   0 0 9.1765 4.4706 
     
Então
2x1 - x2 + 3 x3 = 2
8.5x2 - 6.5 x3 = -6
9.1765x3 = 4.4706
Daí temos a solução : x3 = 0.48718, x2 = -0.33333 e x1= 0.10256
Observação: Nos casos que o pivô aii tenha valor muito próximo de zero, deve-se utilizar a
seguinte estratégia:
1) No início da etapa k do processo de eliminação, escolher para pivô o elemento de maior
módulo entre os coeficientes aik, i= k, k+1,...,n , isto é, o max{aik, ai+1k, ..., ank }
2) Trocar as linhas k e i se for necessário.
Esta estratégia é conhecida como condensação pivotal. Vejamos o seguinte exemplo:
Exemplo 2: Resolva o sistema:

 0.1x1  x 2  2 x 3  1

2 x1  x 2  0.4 x 3  1 (4.4)
  4x  2x  x  3
 1 2 3
Se aplicamos o método de eliminação de Gauss no sistema (4.4) diretamente, sem condensação

pivotal teríamos:
 0.1 1 2 1   0.1 1 2 1   0.1 1 2 1 

     
 2  1 0.4  1   0  21  39.6  21   0  21  39.6  21
 4 2 1 3   0 42 81 43   0 0 1.8 1 
 
logo:
x3 =0.555555
x2 = -0.04762
x1 = -1.587

Se verificamos em qualquer equação do sistema (4.4) devemos ter a igualdade, mas se
substituímos na 3a equação :
-4 (-1.587) + 2(-0.04762) + 0.55555 = 6.8083  3
Portanto a solução achada é incorreta, devido ao pivô a11 = 0.1 tem valor muito próximo a zero,
assim deu origem a multiplicadores altos, que por sua vez ampliaram erros de arredondamento.
Nestes casos é recomendável aplicar o método de eliminação de Gauss com condensação pivotal
temos:
 0.1 1 2 1  2  1 0.4  1  2  1 0.4  1 

     
 2  1 0.4  1  (troca L1 e L2)  0.1 1 2 1    0 1.05 1.98 1.05 
 4 2 1 3   4 2 1 3   0 0 1.8 1 
 
assim obtemos:
x3 = 0.555555;
x2 = -0.047619
x1 = -0.6349206
podemos verificar em qualquer equação do sistema (4.4), por exemplo:
2x1 -x2 +0.4x3 = 2(-0.6349206) - (-0.047619) + (0.4)(0.555555) = 1
0.1x1 + x2 + 2x3 = (0.1)( -0.6349206) - 0.044719 + 2(0.555555) = 0.999999999  1
Exercício 1: Determine a solução do seguinte sistema, pelo método de eliminação Gauss:


 2 x1  x 2  3x3  5 x 4  7

 6 x1  4 x 2  12 x3  11x 4  6
4 x1  2 x 2  10 x3  8 x 4  6

  2 x 2  8 x3  10 x 4  60
Solução X = (1, -2, 3, -4)
Exercício 2: Supondo sempre que os coeficientes ajj  0, escreva um programa em Pascal que
determine a solução do sistema linear Ann x = bn1, considerando o algoritmo:
Algoritmo:
inicio:
Para k=1,2,...,n faça
para i = k+1,k+ 2,...,n faça
mik =aik /aii
para j = k+1,..., n faça
aij = aij - mik akj
bi = bi - mik bk
fim-para
fim-para

para i = n, n-1,..., 1 faça
1  n 
xi 
aii
 bi 



j i 1
aij x j 


fim.
4.1.2. Método de Crout

Foi desenvolvido pelo matemático americano Prescott Durand Crout (1907 – 1984) este método
também é conhecido como o método LU, pois descompõe a matriz quadrada A como o produto de
duas matrizes L e U, onde L é uma matriz triangular inferior e U uma matriz triangular superior
unitária (isto é os elementos da diagonal são 1) da forma: A=LU
 a11 a12 a13  a1n   l11 0 0  0  1 u12 u13  u1n 

     
 a21 a22 a23  a2 n   l21 l22 0  0 0 1 u 23  u 2 n 
a a32 a33 
 a3n =  l31 l32 l33  0 0 0 1  u3 n 
 31     
    .              
a    lnn  0 0
 n1 an 2 an 3  ann   ln1 ln 2 ln 3   0 1 
Considerando o sistema Ax = b, substituindo A por LU, temos:

LUx = b, (4.4)
Chamando de:
Ux = y (4.5)
Ly = b (4.6)
Então para resolver o sistema Ax=b , primeiro resolvemos o sistema (4.6) e logo o sistema (4.5),
observe que as matrizes já estão triangularizadas.
Exemplo: Considere o sistema Ax=b, para

 2 1 1  1 
   
A   3 2 1 e b 4 
 4 1 1   5
   
Como a matriz A é simétrica pode ser decomposta da forma:
 2 1 1  2 0 0   1 12 12 
     
A   3 2 1   3 1 2 0   0 1  1
 4 1 1  4  1  2   0 0 1 
    
  
L U
onde
2 0 0   1 12 12 
   
L   3 12 0  e U =  0 1  1
 4 1  2 0 0 1 
   
Primeiramente resolvemos os sistema Ly=b, uma vez obtido y, resolvemos o sistema Ux=y.
1o Resolvendo o sistema Ly=b,

2 0 0   y1   1 
     
 3 12 0   y2    4 
 4 1  2  y    5
   3  
1
Então 2 y1  1, então y1  ,
2
y  3
3 y1  2  4 , então y 2  2 4    5
2  2
4 y1  y 2  2 y 3  5 , então  2 y3  5  4 y1  y 2  5  2  5  2 , portanto y 3  1
Logo
 y1  1 / 2 
   
 y2    5 
y   1 
 3  
2o Resolvendo o sistema Ux=y
1 1
2
1
  x1   12 
2
    
0 1  1  x 2    5 
0
 0 1   x3   1 
De onde obtemos
x3  1
x 2  x3  5 , então x 2  5  1  6
Finalmente
x x 1 1 6 1
x1  2  3  , logo x1     3
2 2 2 2 2 2
Portanto a solução do sistema dado Ax=b é dado por

 x1    3 
   
 x2    6  .
x   1 
 3  
4.1.3. Método de Cholesky

Foi desenvolvido pelo cartografo francês André-Louis Cholesky (1875-1918). Dado o sistema Ax
= b, onde A é uma matriz simétrica (A = At) e definida positiva, então existe uma matriz L
triangular inferior tal que a matriz A possa ser decomposta como
A=LLt. (4.7)
Dizemos que uma matriz é definida positiva, se seus autovalores são positivos.

Dado o sistema Ax=b e considerando que A=LLt, então temos:
L( Lt x)  b
denotando por
Ly  b (4.8)
Lxy
t
(4.9)
ficamos novamente com 2 sistemas, onde as matrizes são triangulares, o que torna fácil encontrar
a solução. Primeiro resolvemos o sistema Ly = b na eq.(4.8) e uma vez obtida a matriz y,
resolvemos o sistema Ltx= y (4.9).
Exemplo: Decomponha a matriz A da forma A  LLt

6 1 3 
 
A  1 4  2
3  2 9 
 
Como a matriz A é simétrica e definida positiva, pois seus autovalores são positivos, então
procuramos uma matriz triangular inferior L, tal que A  LLt
   6 6 
 6 0 0   6 
 6 1 3     6 2 
   6 138   138 5 138 
A  1 4  2   0   0  
3  2 9   6 6   6 46 
   6 5 138 3 138   0 3 138 
    0
2  46 23  23 
  

L Lt
Exercício: Resolva o sistema Ax=b, se

1 2 3  10 
   
A   2 5 7  e b   11 
 3 7 26  12 
   
A matriz dada é simétrica e definida positiva, pois seus autovalores são positivos, então
1 2 3  1 0 0 1 2 3
     
A   2 5 7    2 1 0 0 1 1
 3 7 26   3 1 4  0 0 4
   
L Lt
Resolvemos o sistema
 1 0 0   y1  10 
     
 2 1 0   y 2    11  ,
 3 1 4   y  12 
   3  
 y1   10 
   
de onde obtemos pelo processo retroativo  y 2     9  , logo resolvemos o sistema
 y   9 
 3  4 

 1 2 3   x1   10 
     
 0 1 1   x2     9 
 0 0 4   x   9 
   3  4 
de onde obtemos pelo processo retroativo a solução do sistema dada por:
 x1   457 
   16 
 x 2    16  .
135
 x   9 
 3   16 
4.2 Métodos Iterativos

Na resolução numérica de sistemas lineares previamente devemos arrumar as equações
(condensação pivotal) de tal forma que os elementos da diagonal sejam não nulos, nem próximos
de zero com a finalidade de evitar uma instabilidade numérica, mas se o sistema for mal
condicionado a técnica de trocar equações não funciona!. Portanto antes de iniciar o processo
iterativo devemos identificar se o sistema é mal condicionado ou não, para isto é necessário
determinar de certas condições (critérios) para garantir a convergência da sequência gerada pelo
método iterativo.
A ideia básica de métodos iterativos é particionar a matriz A em duas matrizes da forma:

AM N onde N  M  A (resto) e M , N  K nn
Para a solução do sistema linear Ax  b :
Ax  Mx  Nx  b , então
Mx  b  Nx (4.9)
O método iterativo consiste em considerar uma matriz x(0)  K n1 , (qualquer) como primeira
aproximação e a partir da equação (4.9) definir a sequência:
Mx ( n1)  Nx ( n )  b (4.10)
logo
x ( n 1)  M 1 Nx ( n )  M 1b (4.11)
 Para isto é necessário que det(M)  0, e que M seja “simples”, de tal forma que a resolução
seja “quase trivial”.
 Precisamos impor condições para que a sequência x ( n ) convirja para x (solução exata do
sistema linear), assim
lim Mx ( n1)  lim Nx ( n )  b  Mx  Nx  b
n n
o que implica que :

( M  N ) x  Ax  b (4.12)

Conclusão: Se há convergência, então a sequência converge é para a solução x .
Observações:
 Os métodos iterativos tem convergência assegurada baixo certas condições.
 A vantagem destes métodos é que mantém a espasidade da matriz dos coeficientes.
4.2.1. Critérios de Convergência

Vamos abordar alguns critérios que permitam determinar quando existe convergência para estes
métodos iterativos.
Repare, na equação (4.11) temos:
x ( n 1)  M 1 Nx ( n )  M 1b
E de (4.12) obtemos:
Mx  b  Nx (4.13)
Definamos como erro das iterações como as matrizes coluna:

e ( n)  x (n)  x , (4.14)
Assim quando lim e ( n )  0 , a solução convergirá para a solução do sistema.

n
Subtraindo (4.13) de (4.10), temos:

Me( n1)  Ne( n )
de onde deduzimos que:
e( n1)  M 1 Ne( n )  ( M 1 N ) 2 e ( n1)  ( M 1 N )3 e ( n2)  ...  ( M 1 N ) n1 e( 0)
Denotemos por
C  M 1 N (4.15)
A igualdade (4.15) pode ser escrita como
e( k )  C k e(0) , para algum k >1

o erro convergirá para a matriz coluna nula, independentemente dos valores da matriz inicial e ( 0 ) ,
desde que as potências da matriz C k tendam para a matriz nula.
Observação: Se para uma determinada norma matricial temos || C || 1 , então lim || C ||k  0 e o
k 
erro tende a zero, pois
|| e ( k ) ||  || C k e ( 0) ||  || C ||k || e ( 0) || .
Definição: Seja B  K nn uma matriz quadrada, o raio espectral da matriz B é igual ao maior
autovalor de B. Denotemos por
B   max |  j |, (4.16)

j 1,...,n

onde  j é um autovalor da matriz B, isto é satisfaz a relação det( B   j I )  0 , I  K nn é matriz
identidade.
 O Primeiro Critério de Convergência: Raio Espectral

Dado pelo teorema:
Teorema : ( Condições Necessárias e Suficientes de Convergência )
Os métodos iterativos convergem, qualquer que seja o vector inicial x ( 0 ) se e somente se o raio
espectral da matriz C  M 1 N dada na equação (4.15) é menor que um.
Portanto podemos concluir que o método é convergente se e somente se (C )  1 , onde  é o raio
espectral da matriz C. Este teorema nos fornece uma condição necessária e suficiente para
assegurar a convergência dos métodos de Jacobi e Gauss-Seidel.
Observe que a matriz C pode ser escrita como:

C = M-1N = M-1(M-A) = (I- M-1A).
 Segundo Critério de Convergência: Critério das Linhas

Baseado na seguinte definição:
Definição: Dizemos que a matriz A é diagonal dominante estritamente por linhas (ou colunas) se
n
| aii |  | a
j 1
ij | para i =1,2,...,n (4.17)
j i
A desigualdade (4.17) implica que | aii |  0 , então

n
| aij |
|a
j 1 ii |
1.
j i
Teorema: (Condição Suficiente de Convergência )

Se A é uma matriz diagonal dominante por linhas ou por colunas, então os métodos de Jacobi e de
Gauss-Seidel são convergentes, para qualquer valor inicial.
4.2.1. Método de Jacobi

Este método foi ideado pelo matemático alemão judeo Carl Gustv Jakob Jacobi (1804-1851),
consiste em considerar a matriz M (acima mencionada) como a matriz D , onde M  D é a
diagonal da matriz A e N  D  A .
Caso que algum elemento da diagonal aii (para i =1,2,...,n) seja nulo, então permutamos as
linhas. Uma vantagem deste método é que é fácil calcular x(n+1) , pois Dx(n+1) = Nx(n) +b, logo a i-
ésima componente de x(k+1) é da forma

 
1  
n
x  ( k 1)
 bi 
i
aii  j 1

(k )
aij x j 

(4.18)
 j i 
É necessário manter a ordem para encontrar a solução. Este método converge se e somente se:
( I-D-1A) < 1 ou equivalentemente se M 1 N   1
Onde M 1  D 1 e N  A  D . Quanto menor seja o valor de , mas rápida será a convergência

do método iterativo. Lembre que neste método C = - D-1( L + U ).
Quando devemos parar? É fixado o número de iterações ou se aplica o seguinte teste de parada:
Denotemos por R (k ) a maior distância entre os elementos das matrizes colunas x(k) e x(k-1) , da
forma
R ( k )  max | xi( k )  xi( k 1) | . (4.19)
1i  n
Assim, dada uma precisão prefixada , a solução aproximada do sistema da matriz será a matriz
x(k) desde que
R(k) < .
Carl Gustav Jacobi

Nasceu na atual Alemanha. Estudo na Universidade de Berlim,
destacando-se em Filosofia e Matemática.
Jacobi, com apenas 12 anos, já havia conseguido o conhecimento
necessário para ingressar na universidade, mas na Universidade de Berlim
só aceitava estudantes a partir de 16 anos, o que fez que ele tivesse que
continuar na mesma classe até 1821, durante este período, Jacobi recebeu
prêmios por seus destaques em latim, grego e história, mas preferia
estudar os textos de Euler, entre outros textos avançados. Jacobi era um
professor nato e gostava de transmitir suas ideias. Aos 21 anos obteve o
Carl Gustav Jacob Jacobi título de Ph.D. e depois foi professor de matemática na Universidade de
(1804-1851) Königsberg até sua morte. Seus principais trabalhos foram no campo da
Teoria das Funções Elípticas e da Teoria dos Determinantes.
Exemplo 1: Resolver o seguinte sistema pelos métodos de Jacobi, com  = 0.001

 8 x1  x 2  2 x3  3

 2 x1  8 x 2  4 x3  6 (4.20)
 4 x  2 x  8 x  3
 1 2 3
Pelo método de Jacobi temos:

3  x 2( k )  2 x3( k )
x1( k 1) 
8
 6  4 x3( k )  2 x1
x 2( k 1) 
8
3  4x (k )
 2 x 2( k )
x3( k 1)  1
8
Considerando como ponto inicial a origem (0,0,0), temos
k x1( k ) x 2( k ) x 3( k ) R (k )
0 0 0 0 -
1 0.375002 -0.75002 0.37500 0.75
2 0.375003 -1.031253 0.75000 0.375
3 0.316414 -1.218754 0.82031 0.1875
4 0.322275 -1.239265 0.83789 0.02051
5 0.320436 -1.249516 0.84595 0.01025
6 0.319707 -1.253087 0.84760 0.00357
7 0319736 -1.25372 0.84812 0.000641< 
Logo a solução aproximada do sistema dado (4.20) é encontrada na sétima iteração e é:

x  (0.319737, 1.253772, 0.84812) .
Uma pequena variação do método Jacobi é o método de Gauss-Seidel.
4.2.2. Método de Gauss-Seidel (GS)

Foi ideado em 1874 por Philipp Ludwig von Seidel e Johann Carl Friedrich Gauss. Neste método
é considerada a matriz M como M= D + L, onde D é a diagonal e L é a matriz triangular inferior
da matriz A, da forma:
 0 0 . . 0  a11 0 . . 0 
   
 a121 0 0 . .  0 a22 0 . . 
L   a31 a32 0 . . e D . 0 . . .  ; det D  0
   
 . . . . 0  . . . . 0 
a . . a nn 1 0   0 . . 0 ann 
 n1 
A solução do sistema Ax=b é aproximada da seguinte forma:

Dx ( n1)  Lx ( n1)  ( A  M ) x ( n )  b
Dx ( n1)  ( A  M ) x ( n )  Lx ( n1)  b

x ( n1)  D 1 ( A  M ) x ( n )  Lx ( n1)  b 
Onde a i-ésima componente de x(n+1) é da forma:

1  i 1 n 
x ( k 1)
i 
aii
 bi 



j 1
aij x ( k 1)
j  
j i 1
aij x (jk ) 


i=1,2,...,n (4.21)
Caso que algum elemento da diagonal akk se anule ou seja próximo de zero, então permutamos as
linhas antes de aplicar o método de Gauss-Seidel.
A ordem é muito importante, observe que este método usa o dado mais recente. As vantagens
deste método são a tolerância de erros operacionais e que a convergência é mais rápido que o
método de Jacobi em geral, existem casos em que isto não acontece.
O teste de parada é o mesmo que o de Jacobi.
Analisando a convergência: O método de Gauss-Seidel converge se e somente se

( I-(D+L)-1A) < 1
Escrito de forma equivalentemente
( M 1 N )  1 (4.22)
onde M  L  D e N  M  A , observe que N  U (matriz triangular superior)

Note que neste método a matriz C é dada por
C = - ( L + D )-1 U
 a11 0 . . 0   0 0  0  a12 . .  a1n 

0 . .
     
 0 a 22 0 . .   a 21 . 0 0 0. .  a2 n 
0 .
D . 0 . . . ; L   a31
a32 0 . . e U   . 0 0 .  a3 n 
     
 . . . . 0  .  .. . 0.  . . . . . 
 0  a . a nn1 0  0
 . . 0 a nn  .  n1  . . 0 0 
Em particular se a matriz A é simétrica e definida positiva, o método de GS converge.
Philipp Ludwig von Seidel
Foi um astrônomo e matemático alemão.

Em1874 publicou seu trabalho sobre a
resolução iterativa de sistema de equações
lineares, em cálculo numérico se conhece
como o método de Gauss-Seidel.
Philipp von Seidel

(1821-1896)

Exemplo 1: Resolver o sistema (4.20) pelo método de Gauss-Seidel. Com =0.001
 8 x1  x 2  2 x3  3

 2 x1  8 x 2  4 x3  6
 4 x  2 x  8 x  3
 1 2 3
Observe que a matriz dos coeficientes é (estritamente) diagonal dominante. Isolando cada variável
x j ; j  1,2,3 e colocando no esquema de Gauss Seidel, assim temos:
( k 1) 3  x 2( k )  2 x3( k )
x 1 
8
 6  4 x3  2 x1( k 1)
(k )
x 2( k 1) 
8
( k 1)
3  4 x  2 x 2( k 1)
x3( k 1)  1
8
Considerando como ponto de partida a origem (0,0,0), e tabelando os dados, segue
k x1( k ) x 2( k ) x 3( k ) R (k )
0 0 0 0 -
1 0.375002 -0.843752 0.77344 0.84375
2 0.287113 -1.208496 0.82068 0.36475
3 0.320894 -1.240562 0.84559 0.03378
4 0.318674 -1.252462 0.84745 0.01189
5 0.319695 -1.2536497 0.84826 0.001188
6 0.319641 -1.254040 0.84833 0.0004 < 
Logo a solução do sistema (4.20) é: x  ( 0.319641, 1.254040, 0.8433 ) .

Existem outros critérios de convergência para este método como por exemplo o critério de
Sassenfeld.
 O terceiro Critério de Convergência: Critério de Sassenfeld
Critério de Sassenfeld:
Sem perda de generalidade, vamos supor que A é uma matriz 44, então considere os valores reais
1
1  | a12 |  | a13 |  | a14 |
| a11 |
1
2  | a21 | 1  | a23 |  | a24 | (4.23)
| a 22 |
1
3  | a31 | 1  | a32 |  2  | a34 |
| a33 |
1
4  | a41 | 1  | a42 |  2  | a43 |  3 
| a 44 |

Se max  i  1 , então o método de Gauss Seidel gera uma sequência convergente.
1 i  4
Exemplo 2: Dado o seguinte sistema, analise os testes de convergência para o método de Gauss-
Seidel e resolva o sistema com uma precisão <10-3, com a aproximação inicial x ( 0)  (0, 1, 0)
2 x1  3x 2  6 x3  1

9 x1  3x 2  5 x3  6
 x  6 x  3x  7
 1 2 3
Reorganizando o sistema dado temos o sistema

9 x1  3x 2  5 x3  6

 x1  6 x 2  3x3  7 (4.24)
4 x  3x  6 x  1
 1 2 3
a) Vamos analisar o sistema (4.24) através dos critérios de convergência ao sistema (4.24) p:
a1) Critérios das linhas j:
| a11 |  9  | 3 |  | 5 |
| a 22 |  6  | 1 |  | 3 |
| a 33 | | 6 |  | 4 |  | 3 |
Portanto este critério não é satisfeito e nada podemos afirmar.
a2) Critério de Sassenfeld:

1
1  | a12 |  | a13 |  1 3  5  8
| a11 | 9 9
2 
1
| a21 | 1  | a 23 |  1  8  3   35
| a 22 | 69  54
1 1  4  8 3  35  297 11
3  | a31 | 1  | a32 |  2      
| a33 | 6 9 54  324 12
Então: max  i  max{0.88889, 0.64815, 0.91667}  0.91667  1

1 i  4
Portanto é satisfeito o Critério de Sassenfeld, observe que  está muito próximo de um, o que
indica que a convergência será lenta.
Se neste método  é maior que um, uma outra forma de verificar se a sequência converge é através
do através do raio espectral.
a3) Critério do raio espectral
No método de GS temos
9 0 0   0 3  5 0 1 5

     3 9

M   1 6 0  N   0 0 3 , então C  M 1 N   0 1
18
16
27 
 4 3  6 0 0 0  0 7 2 
     36 27 

Calculando os autovalores da matriz M-1N
 1
3
5
9
 7 1
0 1
18  16
27 =  2     =0
 54 9
0 7
36
2
27 
De onde obtemos os autovalores: 1  0,  2  0.27476 , e  3  0.40439 , logo o raio espectral é
C   max{ 0, 0.27476 , 0.40439 }  0.40439
Sabemos que este método é convergente se e somente se C   1 , portanto está garantida a
convergência.
b) Isolando as variáveis em cada equação do sistema dado temos:

1
x1   6  3 x 2  5 x3 
9
1
x 2  7  x1  3 x3 
6
1
x3   1  4 x1  3 x 2 
6
c) A sequência convergente é gerada por
 x1  9  6  3x 2  5 x3 
 (k ) 1 ( k 1) ( k 1

 x 2  7  x1  3x3 
(k ) 1 (k ) ( k 1)
 6
 x   1  1  4 x ( k )  3x ( k ) 
( k )
 3 6
1 2
Consideremos a aproximação inicial como x ( 0)  (0, 1, 0) , então vamos preencher a tabela

k x1( k ) x 2( k ) x 3( k ) R (k )
0 0 1 0 -
1 -0.333333 1.222222 0.5555555 0.555555
2 -0.567901 0.983539 0.2757983 02757202
3 -0.4942844 1.1091297 0.3917086 0.1255906
4 -0.5145726 1.0565745 0.3519055 0.0525555
5 -0.5090782 1,0757103 0.3645363 0.0191358
6 -0.51061676 1.0695013 0.3645363 0.019136 > 
7 -0.51072520 1.0712546 0.36182543 0.001783 > 
8 -0.51058597 1.07085462 0.36170183 0.000433 < 
Portanto a solução aproximada do sistema dado é

x1  0.51058597, x 2  1.07085462, x3  0.36170183 .
4.2.3. Método SOR (Successive Over Relaxation)

Este método acelera a convergência do método de Gauss-Seidel em alguns casos, usando a
relaxação, resulta da combinação linear da forma:
 X i( k 1)  (1  ) X i( k ) (4.25)

GS
Onde  é um fator real ponderado.

No método de Gauss-Seidel temos:
 1
i 1 n 
 bi 
xi( k 1) 

 aii
j 1

aij x (jk 1) 
j i 1

aij x (jk ) 


i=1,2,...,n
No método SOR a i-esima coordenada é da forma:

 i 1
1
n 
 bi 


xi( k 1)  
j 1
aii 
aij x (jk 1) 
j  i 1

aij x (jk )   (1  ) xi( k ) i=1,2,...,n


(4.26)
Observe que se =1, então SOR = GS; se =0 não há chances de convergência.
 Critério de convergência para o método SOR

Dado pelos seguintes teoremas:
Teorema (Kahan - condição necessária)
Se aii  0 e (C )  |   1 | , então para que haja convergência do método SOR, qualquer que seja
a primeira aproximação é necessário que 0    2 .
Teorema (Ostrowski-Reich - condição suficiente)
Se a matriz A for simétrica e definida positiva, 0    2 , então há convergência do método SOR,
qualquer aproximação inicial.
Conclusão: Dado o sistema Ax=b, C    , onde C  D 1 ( L  U ) se 0    2 então a

sequência gerada por (4.21) converge à solução exata,
Uma opção para a escolha de  é dada por
2
 onde C  D 1 ( L  U ) (4.27)
1  1   (C ) 2
Exemplo 1: Resolver o seguinte sistema pelo método SOR, considere =1.25 e =0.001
 8 x1  x 2  2 x3  3

 2 x1  8 x 2  4 x3  6
 4 x  2 x  8 x  3
 1 2 3

No método SOR temos
 3  x 2( k )  2 x3( k ) 
x1( k 1)     (1  ) x1( k )
 8 
  6  4 x3  2 x1( k 1) 
(k )
x2( k 1)
    (1  ) x ( k )
 8  2
 
 3  4 x1( k 1)  2 x 2( k 1) 
x3( k 1)     (1  ) x3( k )
 8 
Considerando como ponto de partida a origem (0,0,0), se considerarmos =1.5, diverge
=0.75 demora em convergir, mas =1.022171629, temos a sequência convergente:
k x1( k ) x 2( k ) x 3( k ) R (k )
0 0 0 0 0
1 0.3833143609 0.8001586880 0.8645819880
2 0.2808096771 -1.228168207 0.8229410560 0.3635862190
3 0.3237164400 -1.242715171 0.8480823452 0.0429067629
4 0.3181991358 -1.253832090 0.8475459558 0.011116919
5 0.3198789588 -1.253740736 0.8483930371 0.0016798230
6 0.3196135764 -1.254107876 0.8483324429 0.000367 < 
Comparando os três métodos para o sistema do ex. 1 (SOR):

a) Resolvendo pelo método de Eliminação de Gauss temos a solução
x  (0.31967213, 1.25409836, 0.84360656) .
b) Por Jacobi: x  (0.319737, 1.253772, 0.84812) , em 7 iterações.
c) Por Gauss-Seidel x  (0.319641, 1.254040, 0.8433) em 6 iterações
d) SOR: x  (0.31961358, 1.2541079, 0.84833244) em 6 iterações.
Neste exemplo o mais aproximado foi o GS.

Exemplo 2: Dado o seguinte sistema, analise o teste de convergência para o método de SOR e
resolva o sistema com uma precisão <10-3, com a aproximação inicial x ( 0)  (0, 1, 0)
9 x1  3x 2  5 x3  6

 x1  6 x 2  3x3  7
4 x  3x  6 x  1
 1 2 3

As equações que geram uma sequência convergente pelo método SOR é através das equações
 (k ) 
 x1  9  6  3x 2  5 x3   (1  ) x1
( k 1) ( k 1 ( k 1)
 
 x 2  7  x1  3x3   (1  ) x 2
(k ) (k ) ( k 1) ( k 1)
 6
 x     1  4 x ( k )  3 x ( k )   (1  ) x ( k 1)
( k )
 3 6
1 2 3
desde que 0    2 . Como vimos anteriormente, uma opção para a escolha de  é dada por
2

1  1   2 (C )
onde C  D 1 ( L  U ) , a matriz C é da forma:
C=
Os autovalores de C são:
então (C )  0.60288 < 1 e   1.112454  2 , com este valor são necessárias 19 iterações para
obter a solução aproximada, mas considerando   0.75 são apenas necessárias 8 iterações. Com
  0.5 são necessárias 12 iterações, conforme mostra a tabela.
k x1( k ) x 2( k ) x 3( k ) R (k )
0 0 1 0 -
1 0.5972222222 0.1770833334 0.4027777778
2 0.3682002314 0.1418185764 0.2290219908
3 0.2731888382 0.05769969798 0.1282009549
4 0.2514269741 0.06635635679
⁞ ⁞ ⁞ ⁞ ⁞
10 0.2847592104 0.00159026656
11 0.2843468476 0.05316722382 0.0007295111<
Portanto a solução é ( ,0.2843468476, 0.05316722382)
Observação:
Um critério para determinar o número mínimo de iterações é o seguinte:

(C ) k 1 || X (()) ||1
 , (4.28)
1  (C )
onde  é a precisão desejada e || X (()) ||1  max | x (j0) |  0 ,
0 j  n
então isolando k temos:

(k  1) ln (C )  ln || X (()) ||1  ln   ln(1  (C ))
Como (C ) < 1, então ln (C )  0 ,inverte a desigualdade, assim
ln   ln(1  (C ))  ln || X (()) ||1

k 1. (4.29)
ln (C )
 Se considerarmos o sistema dado no exemplo 2 do G-S, temos

ln 10 3  ln(1  0.40439112)  ln 1
k  1  7.2021
ln 0.40439112
Portanto serão necessárias pelo menos 8 iterações. Exatamente como mostra o exemplo.
 Se considerarmos o sistema dado no exemplo 2 do SOR, temos

ln 10 3  ln(1  0.6028865)  ln 1
k  1  14.476
ln 0.6028865
Portanto serão necessárias pelo menos 15 iterações. Mas no SOR, depende fortemente do valor de
w.
Observações:
1. A convergência dos métodos iterativos depende fortemente da posição das equações.
2. Antes de realizar os testes de convergência, recomendasse reorganizar o sistema.
3. Quando os métodos iterativos convergem, independentemente da aproximação inicial.
4. Para garantir a convergência método de Jacobi, basta que seja satisfeito o critério das linhas
(colunas) ou o critério do raio espectral.
5. Para garantir a convergência método de de Gauss Seidel, deve ser satisfeito um dos critérios:
o critério das linhas (colunas) ou o critério do raio espectral ou de Sassenfeld.
6. No método de Gauus Seidel , o cálculo do raio espectral é mais trabalhoso que do Jacobi.
7. No método SOR a convergência pode ser mais rápida que GS ou não! Depende de w.
8. Quando se tem um sistema muito grande, estes métodos geram certa incerteza.

 EXERCÍCIOS
1) Determine a solução do sistema a seguir, com erro =0.05. Através dos métodos de Jacobi,
Gauss-Seidel e SOR.
 3 x1  2 x2  x3  5

 3 x1  8 x2  2 x3  3
 4 x  2 x  9 x  10
 1 2 3
Solução: xjacobi=( 1.03958, 0.55804 ,0.77389 ) ; xgauss-seidel =(1.04718, 0.57365, 0.77318)
2) Resolvendo o seguinte sistema pelo método de eliminação Gauss, obtemos a solução: X = (1, -
2, 3, -4)
6 x1  4 x 2  12 x3  11x 4  6
2 x  x  3 x  5 x  7
 1 2 3 4
 4 x1  2 x 2  10 x3  8 x 4  6
  2 x  8 x  10 x  60
 2 3 4

Para este sistema é possível aplicar os métodos iterativos de Jacobi ou GS? Por quê?
Solução: No Jacobi os autovalores em valor absoluto são maiores que 1. Troque a ordem das equações. Ver o GS
3) Resolva o sistema
 2  1 3  x1   2 
    
 5 6 1  x 2     1
 1 3 8  x   3 
  3   
pelos métodos iterativos de GS e SOR.
Solução: (0.08202, -0.31948, 0.484178) com erro menor que 0.05.
4) Através do critério de Sassenfeld, determine os valores de m para poder assegurar a

convergência do GS? (não permute as equações)
 2 x1  x 2  x3  2

 x1  4 x 2  mx3  3 .
3 x  x  mx  4
 1 2 3

Capítulo 5
Interpolação Polinomial
Interpolar é uma forma de estimar um valor desconhecido a partir de um conjunto de pontos
tabelados. Em problemas reais precisamos fazer a interpolação de um novo valor x numa tabela
gerada por uma função conhecida ou gerada apenas por dados experimentais.
A interpolação polinomial consiste em determinar um polinômio p( x) que passe pelos

pontos tabelados, com o objetivo de facilitar ou realizar certas operações (lembre-se que pPn ; Pn
é a família dos polinômios de grau menor ou igual a n, forma um espaço vetorial de dimensão
n+1). Muitas vezes a função analítica tem uma expressão tal que, as operações de diferenciação e
integração são difíceis ou impossíveis de serem realizadas.
Existem várias formas de achar o polinômio interpolador, como por exemplo: a forma de
Lagrange, de Aitken/Neville, de Newton, de Hermite, entre outros. Vamos mostrar que este
polinômio existe e é único.
Sejam xi ; i  0, 1, 2,..., n números reais distintos, tais que x0  x1  x2    xn e dados os

valores f 0 , f1 ,, f n tal que f ( xi )  f i ; i  0, 1,.., n . Para interpolar uma função f ( x) , vamos a
aproxima-la por um polinômio p( x) de grau n. Este polinômio é chamado de polinômio
interpolador de f relativamente ao pontos xi, i=0,1,...,n.
Considerando a tabela contendo (n+1) pontos distintos, da forma:

x x0 x1 .... xn
f ( x) f ( x0 ) f ( x1 ) .... f ( xn )
Seja x um ponto diferente dos pontos xi, i=0,1,...,n, tal que x  [xi, xi+1], interpolar o ponto x
significa calcular o valor aproximado de p( x )  f ( x ) , assim podemos incluir o novo ponto
( x , f ( x )) à tabela.

Proposição: Dados (n+1) pontos ( x0 , y0 ), ( x1 , y1 ),  , ( xn , y n ) tal que x0  x1    xn , então
existe um único polinômio de grau menor ou igual a n que passa por esses pontos, isto é existe um
único polinômio p (x ) tal que p( xi )  yi , i=0,1,...,n.
Demonstração:
Seja p ( x )  a 0  a1 x  a 2 x 2 ... a n x n um polinômio de grau menor ou igual a n, devemos
determinar os coeficientes a0 , a1 ,.., an tal que p( xi )  yi , para i=0,1,...,n, então temos:

2
p ( x0 )  a0  a1 x0  a2 x0  ...  an x0  y0
n
2
p ( x1 )  a0  a1 x1  a2 x1  ...  an x1  y1
n
: (5.1)
:
2
p ( xn )  a0  a1 xn  a2 xn  ...  an xn  yn
n
Escrita na forma matricial,

1 x0 x02 ... x0n  a0   y0 
    
1 x1 x12 ... x1n  a1   y1 
: : : ... :  :    :  (5.2)
    
: : : ... :  :   : 
    
1 xn xn2 ... xnn  an   yn 
  
X a y
Em forma simplificada, equivalente a

Xa  y
Observação: A matriz X T é conhecida como a matriz de Vandermonde, devido ao matemático

francês Alexandre-Theóphile Vandermonde (1735 - 1796).
Para provar que o sistema Xa  y admite uma única solução, partiremos do absurdo, isto é, vamos
supor que ele admite duas soluções distintas a1 e a2 tal que :
Xa1  y e Xa2  y ,
Então
X ( a1  a2 )  y  y  0
denotando por a  a1  a2 temos o sistema Xa  0 como a  0, então det( X )  0 , o que contradiz a
hipótese, pois det( X )  0 , portanto a1 = a2.
5. Formas para Obter pn(x):
Podemos resolver o sistema (5.1) ou aplicar um outro método de interpolação, nesta seção
veremos os métodos de Lagrange e de Newton.

5.1. Resolução do Sistema
Uma das formas de interpolar é resolver o sistema citado acima na proposição. Veja o exemplo a
seguir:
Exemplo 1: Dada a tabela de pontos, determine o polinômio:

a) que interpola a função f ( x) nos pontos tabelados
b) f (1)
x -1 0 2
f ( x) 4 1 -1
Solução:
a) Na tabela temos 3 pontos x0, x1 e x2, então o polinômio será de grau 2 (interpolação quadrática)
p 2 ( x )  a 0  a1 x  a 2 x 2
Nos pontos x0, x1 e x2 temos:
p2 ( x 0 )  a 0  a1 ( 1)  a 2 ( 1) 2  4
p2 ( x1 )  a 0  a1 (0)  a 2 (0) 2  1
p 2 ( x 2 )  a 0  a1 ( 2 )  a 2 ( 2 ) 2   1
Escrevendo na forma matricial e resolvendo pelo método de eliminação de Gauss (ou por qualquer
outro método) tem-se:
 1 1 1  a 0   4 
    
 1 0 0  a1    1 
    
 1 2 4  a 2   1
De onde obtemos:
a2= 2/3
a1= -7/3
a0 = 1
Então o polinômio interpolador é da forma:
7 2
p 2 ( x)  1  x  x 2
3 3
b) Observe que x=1, não é tabelado. Mas determinar f(1) é equivalente a determinar um valor
7 2 2
aproximado, calculando p2 (1)  1     0.6667 .
3 3 3
Observação: A interpolação por resolução de sistemas, nem sempre é possível determinar o

polinômio interpolador, pois sendo X a matriz transposta de Vandermonde, para pontos tabelados
x0, x1,...,xn muito próximos o sistema será mal condicionado. Para contornar este problema,
estudaremos outros métodos.

5.2. Forma de Lagrange
Sejam x0 , x1 ,, xn pontos distintos, tal que f ( xi )  yi , i=1,2,...,n e seja pn(x) um polinômio
interpolador de f (x) de grau menor ou igual a n , da forma:

pn ( x)  L0 ( x) y0  L1 ( x) y1  ...  Ln ( x) yn (5.3)
onde Lk (x) são polinômios de grau  n, para k=1,..,n.
Os polinômios Lk (x) devem satisfazer a condição pn ( xk )  yk . Para satisfazer tal condição,

precisamos ter:
0 se k j

Lk ( x j )  
1 se k j

Substituindo em (5.3) temos:
pn ( xk )  0 y0  0 y1  ...0 yk 1  1yk  0 yk 1  ...  0 yn  yk
Lagrange definiu os polinômios Lk (x) da seguinte forma:
( x  xo )( x  x1 )( x  x2 )...( x  xk 1 )( x  xk 1 )...( x  xn )
Lk ( x )  (5.4)
( xk  xo )( xk  x1 )( xk  x2 )...( xk  xk 1 )( xk  xk 1 )...( xk  xn )
Com esta definição observe que:
Lk ( xk )  1
Para j  k, se anula, por exemplo se j = 1  k, então:
( x  xo )( x1  x1 )( x1  x2 )...( x1  xk 1 )( x1  xk 1 )...( x1  xn )
Lk ( x1 )  0.

Joseph-Louis Lagrange
Matemático francês de origem italiano.

Joseph, foi o único de dez irmãos que sobreviveu à infância. Até os 17
anos não mostrou interesse pela matemática até ler as publicações do
astrônomo inglês Halley. Em 1760 era muito respeitado na Europa.
Escreveu vários tratados de astronomia, resolução de equações diferencias,
cálculo de determinantes e mecânica analítica. Napoleão Bonaparte fez
dele senador, conde do império e grande oficial da Legião de Honra.
Presidiu a comissão para estabelecer o sistema de Pesos e medidas
Joseph-Louis Lagrange
(1736-1813 )
Exemplo 2: Determine o polinômio interpolador de f (x) pelo método de Lagrange, nos pontos
tabelados do exemplo anterior:
x -1 0 2
f (x) 4 1 -1
Solução:
Temos x0 = -1, x1=0, x2=2, y0=4, y1= 1 e y2= -1
Como são 3 pontos tabelados, o polinômio interpolador será de grau 2 e será da forma:
p2 ( x)  L0 ( x) y0  L1 ( x) y1  L2 ( x) y2
onde,
( x  x1 )( x  x2 ) x ( x  2)
L0 ( x )  
( x0  x1 )( x0  x2 ) 3
( x  x0 )( x  x2 )  ( x  1)( x  2)
L1 ( x)  
( x1  x0 )( x1  x2 ) 2
( x  x0 )( x  x1 ) ( x  1) x
L2 ( x )  
( x2  x0 )( x2  x1 ) 6
Substituindo estes polinômios em p2(x) temos:
x( x  2) ( x  1)( x  2) x( x  2)
p2 ( x )  .(4)  .(1)  .(1)
3 2 6
Simplificando
7x 2x2
p2 ( x)  1  
3 3
Observe que este polinômio é idêntico ao obtido resolvendo o sistema, pois o polinômio
interpolador é único.
Exemplo 3: Considerando a tabela abaixo

x -1 0 1 2 3
f (x) 1 1 0 -1 -2

a) Determine o polinômio interpolador e calcule f(0.5)
b) Determine um polinômio interpolador de grau 1 e calcule f(0.5)
Resolução: a)
( x  x1 )( x  x 2 )( x  x 3 )( x  x 4 ) x ( x  1)( x  2 )( x  3)
L0(x) = 
( x 0  x1 )( x 0  x 2 )( x 0  x 3 )( x 0  x 4 ) 24
( x  x 0 )( x  x 2 )( x  x 3 )( x  x 4 ) ( x  1)( x  1)( x  2)( x  3)
L1(x) = 
( x1  x 0 )( x1  x 2 )( x1  x 3 )( x1  x 4 ) 6
( x  x 0 )( x  x1 )( x  x 3 )( x  x 4 ) ( x  1)( x )( x  2)( x  3)
L2(x) = 
( x 2  x 0 )( x 2  x1 )( x 2  x 3 )( x 2  x 4 ) 4
( x  x 0 )( x  x1 )( x  x 2 )( x  x 4 ) ( x  1)( x )( x  1)( x  3)
L3(x) = 
( x 3  x 0 )( x 3  x1 )( x 3  x 2 )( x 3  x 4 ) 6
( x  x 0 )( x  x1 )( x  x 2 )( x  x 3 ) ( x  1)( x )( x  1)( x  2)
L4(x) = 
( x 4  x 0 )( x 4  x1 )( x 4  x 2 )( x 4  x 3 ) 24
Substituindo estes polinômios em p4(x), temos:

x ( x  1)( x  2)( x  3) ( x  1)( x  1)( x  2)( x  3) ( x  1)( x )( x  2)( x  3)
p4(x)= (1)+ (1)+ (0) +
24 6 4
( x  1)( x )( x  1)( x  3) ( x  1)( x )( x  1)( x  2)
(-1) + (-2)
6 24
Logo p4(0.5)=0.5391.
b) Para obter um polinômio interpolador de grau 1, precisamos de 2 pontos. Como o ponto 0.5 está
entre 0 e 1 na tabela, escolhemos x0=0 e x1=1, assim y0=1 , y1=0
p1(x) = L0(x)y0 + L1(x)y1
onde
( x  x1 ) ( x  1)
L0(x) = 
( x 0  x1 ) 1
( x  x0 ) ( x )
L1 ( x )   x
( x1  x0 ) 1
Então p1(x) = -(x-1)1 + x.(0) = -x+1, logo p1(0.5) = 0.5
Observe que os resultados!
5.2.1. Estimativa do erro cometido na interpolação de Lagrange

Suponha que xo , x1 ,..., xn são dados distintos no intervalo [a, b] e que f  C n1[a, b] . Então, para
cada x ∈ [a, b], existe um número ξ(x) no intervalo ]a, b[ tal que
f ( n1) ( x )
f ( x)  p ( x)  ( x  xo )( x  x1 )  ( x  xn )
(n  1)!
Onde p(x) é o polinômio interpolador, então o erro cometido é estimado como
f ( n1) ( x )
E ( x  xo )( x  x1 )  ( x  xn ) .
(n  1)!

5.3. Forma de Newton
Este método é também conhecido pelo método das diferenças divididas em relação aos distintos
pontos x0 , x1 ,, xn , tal que f ( xk )  f k ; k  0, 1,..., n
O polinômio interpolador da função f (x) de grau  n da forma:
pn ( x)  a0  a1 ( x  x0 )  a2 ( x  x0 )( x  x1 )  ...  an ( x  x0 )( x  x1 )( x  xn ) (5.5)
onde ak são constantes a determinar.
Como p ( xk )  f k ; k  0, 1,..., n , então substituímos para cada k na relação (5.5), da seguinte

forma: pn ( x0 )  a0  f 0  f ( x0 )
f ( x1 )  f ( x0 )
pn ( x1 )  a0  a1 ( x1  x0 )  f ( x1 ) , então a1 
x1  x0
E assim sucessivamente, os valores das constantes ak tem uma expressão grande, por causa disto
se recorre à seguinte notação:
E chamada de diferença dividida de ordem zero à expressão: f [ x0 ]  f ( x0 )

f [ x1 ]  f [ x0 ]
E chamada de diferença dividida de ordem um à expressão: f [ x0 , x1 ] 
x1  x0
f [ x1 , x2 ]  f [ x0 , x1 ]
Assim a diferença dividida de ordem dois é dada por: f [ x0 , x1 , x2 ] 
x 2  x0
⁞
f [ x1 , x2 ,..., xn ]  f [ x0 , x1 ,..., xn1 ]
A diferença dividida de ordem n: f [ x0 , x1 ,..., xn ] 
x n  x0
Portanto o polinômio da equação (5.5) pode ser escrito como:
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 ,..., xn ]
onde:
f [ x1 ]  f [ x0 ]
a0  f [ x0 ], a1   f [ x0 , x1 ] ,..., an  f [ x0 , x1 ,..., xn ]
x1  x0
como a construção de pn(x) é trabalhosa, então recorremos à seguinte tabela (diferenças divididas),
sem perda de generalidade, suponhamos que n=4:
xk yi = f0 f1 f2 f3 f4
x0 y0  f [ x0 ]
f [ x0 , x1 ]
x1 y1  f [ x1 ] f [ x0 , x1 , x2 ]
f [ x1 , x2 ] f [ x0 , x1 , x2 , x3 ]
x2 y 2  f [ x2 ] f [ x1 , x2 , x3 ] f [ x0 , x1 , x2 , x3 , x4 ]
f [ x2 , x3 ] f [ x1 , x2 , x3 , x4 ]
x3 y3  f [ x3 ] f [ x2 , x3 , x4 ]
f [ x3 , x4 ]
x4 y 4  f [ x4 ]

Estimativa do Erro:
Uma estimativa do erro cometido na interpolação de Newton é através da fórmula:
En ( x)  ( x  x0 )( x  x1 )  ( x  xn ) f [ x0 ,..., xn , x] (5.6)
onde x é o valor a ser interpolado. (Independente de conhecer a forma analítica da função f)
Teorema: Se a função é conhecida e fC(n+1)(I), para xiI, i=1,...,n então:

f ( n1) ( x )
f [ x0 , x1 ,.., xn , x]  tal que x ]x0,xn[
(n  1)!
Dem.
Exemplo 4: Resolva o exemplo (3), pela forma de Newton:

Considerando a tabela abaixo
x -1 0 1 2 3
f (x) 1 1 0 -1 -2
a) Determine o polinômio interpolador e calcule f(0.5)
b) Determine um polinômio interpolador de grau 1 e calcule f(0.5)
Solução:
xi yi = f0 f1 f2 f3 f4
x0  1 f [ x0 ]  1
f[x0,x1]=0
x1 =0 f [ x1 ]  1 f[x0,x1,x2]= -1/2
f[x1,x2]=-1 f[x0,x1,x2,x3]=1/6
x2 =1 f [ x2 ]  0 f[x1,x2,x3]=0 f[x0,x1,x2,x3,x4]=-1/24
f[x2,x3]=-1 f[x1,x2,x3,x4]=0
x3 =2 f [ x3 ]  1 f[x2,x3,x4]=0
f[x3,x4]=-1
x4 =3 f [ x 4 ]  2
portanto
p4 ( 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 ]
 ( x  x0 )( x  x1 )( x  x2 )( x  x3 ) f [ x0 , x1 , x2 , x3 , x4 ]

p4(x) = 1 + (x+1)(0)+(x+1)(x)(-0.5) +(x+1)(x)(x-1)(1/6)+(x+1)(x)(x-1)(x-2) (-1/24) =
=-x4/24 +x3/4-11x2/24-3x/4+1
p4(0.5) = 69/128 =0.539063 (idem)
Neste exemplo podemos determinar o erro, para x=0.5, obtivemos f(0.5)=0.539063
xi yi = f0 f1 f2 f3 f4 f5
x0 =-1 y0 =1
f[x0,x1]=0
x1 =0 y1 = 1 f[x0,x1,x]=-0.307
f[x1,x]=-0.461 f[x0,x1,x,x2]=-0.116
x = 0.5 y=0.5391 f[x1,x,x2]=-0.539 f[x0,x1,x,x2,x3]=0.099
f[x1,x2]=-1 f[x0,x1,x2,x3]=0.18 f[x0,.,x4]=-0.039
x2 =1 y2 = 0 f[x1,x2,x3]=0 f[x1,x, x2,x3,x4]=-0.06
f[x2,x3]=-1 f[x1,x2,x3,x4]=0
x3 =2 y3 = -1 f[x2,x3,x4]=0
f[x3,x4]=-1
x4 =3 y4 = -2
Erro= E4(0.5) = (x-x0)(x-x1)....(x-xn) f [x0,x1,...,xn,x]

= (0.5+1)(0.5)(0.5-1)(0.5-2)(0.5-3)(-0.039)= 0.0548 (muito grande!)
Observação:
Na interpolação polinomial na forma de Lagrange requer 2n 3  3n  2 operações aritméticas (n é o
número de subintervalos)
3n 2  5n  10
Já na forma de Newton operações aritméticas. Portanto se n>2 na forma de
2
Lagrange se requer mais operações.
 EXERCÍCIOS
1) Na tabela abaixo está assinalado o número de habitantes de uma cidade.

ano 1970 1980 1985 1990
0
n de habitantes 352724 683908 1235030 1814990
Utilizando a interpolação linear na forma de Lagrange, determine o número aproximado de

habitantes no ano 1975.
2) A função f ( x)  x 3  4 x 2  2 x  1 , passa pelos pontos tabelados:

x 0.0 0.1 0.3 0.4
f (x) 1.000 0.761 0.067 -0.376
a) Determine o valor aproximado de f (0.28)
b) Calcular p1(0.28), p2(0.28) e p3(0.28) onde pi são os polinômios interpoladores de grau i
=1,2,3.
c) Calcule:
E1(x)= | f(0.28)- p1(0.28) |
E2(x)= | f(0.28)- p2(0.28) |
E3(x)= | f(0.28)- p3(0.28) |
d) Comparar os valores de E1, E2 e E3. Sua conclusão era a esperada? Por que?
3) A tabela abaixo relaciona o calor específico da água em função da temperatura.

(a) Calcular o calor específico da água a uma temperatura de 35oC, usando um polinômio de 2o
grau, utilizando a forma de Lagrange.
(b) Calcular a temperatura, quando o calor específico é 0.999, pela forma de Newton.
temperatura (oC) 20 30 45 55
calor específico 0.99807 0.99826 0.99849 0.99919
4) Usar os valores de log2(1/4), log2(1/2), log2(1) e log2(2) para determinar o valor aproximado de
log2(1.5) e o erro máximo cometido.
5) Queremos construir a tabela que contenha os valores de cos(x), para os pontos igualmente
espaçados no intervalo I=[1, 2].
Qual deve ser o menor número de pontos desta tabela para se obter a partir dela, o cos(x),
usando interpolação linear com |E(x)|  10-6, para qualquer x  I ?
6) Sabe-se que a equação x  e  x  0 admite uma raiz no intervalo [0,1], determine o valor desta
raiz usando um polinômio de interpolação sobre três pontos.
7) Com que grau de precisão podemos calcular 115 usando interpolação sobre os pontos
x0 =100, x1 = 121 e x2 =144 ?
8) Construa um tabela de diferenças divididas (forma de Newton) com os dados:

x 0.0 0.5 1.0 1.5 2.0 2.5
f (x) -2.78 -2.241 -1.65 -0.594 1.34 4.564
9) Um objeto é lançado na direção mostrada na figura abaixo e as coordenadas de x e y são dadas

em vários instantes após ser o lançamento, dados na tabela. Calcule x(250), y(250) e y(x(250))
usando um polinômio interpolador sobre todos os pontos .

Tempo (s) X (m) Y (m)
0 0 0
100 70 200
200 220 500
300 350 1200
400 500 900
500 580 600
1.6
 cos 2 x 
10) Calcule o valor aproximado de 0

 8  x
dx , considerando 8 pontos igualmente espaçados.
3 

Extraído de http://www.petbrazil.com.br/bicho/caes/490.htm
11) Na tabela abaixo, está assinalando o número de rottweilers registrados, no Brasil:
Ano 1990 1992 1994 1996 1997 1999 2000

Número de 4063 5096 10712 21045 26028 18050 14053
Rottweilers
a) Utilizando o polinômio interpolador na forma de Lagrange, determine o número de rottweilers

no ano 1998.
b) Utilizando o polinômio interpolador na forma de Newton, descubra em que data foram
registrados e 8.000 rottweilers?
Respostas

1) 2731.818000 x - .1622299943 10 x +0 .3211341982 10 x -0 .2118936577 10
7
> P(1975)= 1442760.500.10
2) p1 = -3.470000000x+1.108000000;
(a) p2 =-3.199999990x2-2.190000006x+1.012000001
p3 = x3-3.9999999x2-2x+0.99999
p1(0.28) = 0.1364000000;
(b) p2(0.28) = 0.1479200000;
p3(0.28) = 0.1483520000;
(c) f(0.28) = 0.148352; E1 := 0.011952000; E2 := 0.000432; E3 := 0;
3) P(x) = -0.146667×10
6
x^2+.263334×10
4
x+.997602000
(a)
P(35) = 0.9983440000
(b) 3
5
2 7 3
P(x) =0 .9958020000 +0.2163333334×10 x- 0.6480000003×10 x +0.6666666669×10 x
Daí, 0.999 = P(x) .Logo x:= 53.10383736.
4 P(log[2](1.5))= -0.7495403703 E := 0.1910164240×10
1
5 Três pontos
6 x = 0.5671430904
7
8 x0 := 0; x1 := 0.5; x2 := 1.0; x3 := 1.5; x4 := 2.0; x5 := 2.5

Capítulo 6
Integração Numérica
Seja f : I  IR; I  [a, b]  IR uma função integrável e seja F (x) sua primitiva. A integração por
métodos numéricos é utilizada nos casos em que a primitiva F (x) é de difícil obtenção ou quando
apenas são conhecidos os valores discretos de f (x) . A ideia básica é determinar um polinômio
interpolador de f (x) que passa pelos pontos ( xi , f ( xi )); i  0, 1,..., n , uma vez obtido este
polinômio integramos em relação a x o polinômio obtendo assim, o valor aproximado da integral
definida no intervalor [a, b] da função dada:
b b
 f ( x)dx   p ( x)dx
a a
n (6.1)
onde pn  Pn ; Pn é a família dos polinômios de grau menor ou igual a n, pn interpola f (x) em

pontos x0 , x1 ,..., xn ; xi  [a, b] para i= 0,1,...,n.
A fórmula que fornece o valor numérico aproximado da integral de uma função é chamada de
‘quadratura numérica’ ou ‘fórmula de integração numérica’. Existem dois tipos de fórmulas.
1) A primeira fórmula se aplica a funções com valores conhecidos, em pontos igualmente

espaçados e são chamadas fórmulas de Newton-Cotes. Dentre estas temos 2 tipos: fechadas (usam
os valores extremos) e abertas (não consideram os valores extremos).
Dentro das fórmulas de Newton-Cotes fechadas, estudaremos:
 A regra dos trapézios
 Regra dos trapézios repetida
 Regra 1/3 de Simpson
 Regra 1/3 de Simpson repetida
Existem outras regras, como do ponto médio, Simpson dos 3/8, regra de Bode, etc.
2) A segunda fórmula se aplica a funções com valores conhecidos em pontos predeterminados não
necessariamente equidistantes e são as chamadas fórmulas de Gauss ou quadratura de Gauss.
O matemático e astrônomo inglês Roger Cotes

(1682-1716) foi membro da Royal Society.
Trabalhou na revisão do livro Philosophiae
Naturalis Principia Mathematica com Isacc
Newton.
Desenvolveu as formulas de integração
numérica conhecidas por “formulas de Newton-
Cotes” . Introduziu a conhecida fórmula de Euler.

6.1. Fórmulas de Newton‐Cotes
Suporemos sempre que a função f seja contínua no intervalo fechado [a, b] e com tantas derivadas
contínuas em [a, b] quanto foram necessárias.
6.1.1 Fórmulas dos Trapézios

A integral de uma função f no intervalo [a, b] pode ser aproximado pela área de um trapézio
conforme as figuras (6.1), observe o erro cometido na aproximação nos gráficos a seguir:
Figura 6.1: Regra do trapézio
Então:
b
(b  a)

a
f ( x)dx  ( f (a)  f (b))
2
 Áreatrapézio (6.1)
A fórmula (6.1) também pode ser obtida integrando o polinômio interpolador de primeiro grau
que interpola os pontos (a, f (a )) e (b, f (b)) .
Denotemos por h = b-a, a = x0 e b= x1, considerando a tabela
x x0 x1
f (x) f ( x0 ) f ( x1 )
o polinômio que interpola estes pontos é da forma

( x  x1 ) ( x  x0 )
p1 ( x)  f ( x0 )  f ( x1 )
( x0  x1 ) ( x1  x0 )
Como f ( x)  p1 ( x) , então integrando em ambos lados, temos
x1 x1
 f ( x)dx   p ( x)dx  2  f ( x )  f ( x ) .
h
1 0 1
x0 x0
Portanto a integral da função f, pela regra dos trapézios simples (n=1) é dada por:
x1
 f ( x)dx  ( f ( x )  f ( x )) 2 .
h
0 1 (6.2)
x0

6.1.2. Estimativa do Erro
O erro cometido na aproximação linear de f (x) por p1(x) é dada por:
1
Erro  f ( x)  p1 ( x)  ( x  x0 )( x  x1 ) f ( x ) , x  ]x0, x1[ (6.3)
2
Integrando em ambos lados da expressão (6.3) e denotando por ET por:
x1 x1
1
x

ET   f ( x)  p1 ( x) dx 
0
2 x

( x  x0 )( x  x1 ) f ( x )dx
0
(6.4)
Substituindo por
t  x  x0  dt  dx .
Os extremos de integração são:
se x  x0  t  0 e se x  x1 => t  x1  x0  h
Substituindo estes resultados na expressão (6.4), e aplicando o teorema da média para integrais
(*), temos:
f ()  t 3 t 2  f ()(h 3 )
h h
1 f ()h 3
ET 
20


f ( t )t (t  h)dt 
2  3 2 0




26

12
;  ]x0, x1[
Como não podemos calcular exatamente o valor de f () , podemos determinar um erro máximo
cometido:
h3M 2
| ET |  (6.5)
12
onde M 2  max | f ( x) | , para x  [ x0 , x1 ] .
(*) Teorema da Média para Integrais: Sejam f e g funções reais, definidas e contínuas no
intervalo fechado [a, b]. Se a função g (x) não muda de sinal para x  [a, b] , então para algum
  [a, b] , tem-se
b b
 f ( x) g ( x)dx  f () g ( x)dx .

a a
2.3
x
dx
Exemplo 1: Determine o valor aproximado de I  e calcule o erro cometido.
1.0
1
Denotando por f ( x)  , h  2 .3  1  1 .3 , x0  1. e x1  2.3 e substituindo na equação (6.2)
x
tem-se:
x1
1 1  1.3
 f ( x)dx  ( f ( x )  f ( x ))  2   1  2.3   2
h
I= 0 1  0.9326087
x0
O erro máximo cometido é:

h 3 M 2 (1.3) 3 M 2 2
| ET |   , onde M 2  max 3  2
12 12 1 x 2.3 x
Assim, o erro máximo cometido é dado por

h 3 M 2 (1.3) 3 (2)
| ET |    0.366166
12 12

Comparando com o valor exato desta integral:
2.3
 x = ln x
dx 2.3
I 1.0
 ln 2.3  ln 1.0  0.8329091229
1.0
O erro absoluto entre o valor exato e o valor obtido é dado por:

Eabs = | 0.8329091229  0.9323087 | = 0.099699
Observe que o Eabs é menor que ET, pois ET é o erro máximo cometido.
6.1.3. Regra dos Trapézios Repetida
Na figura (6.1) podemos observar que se a função f (x) não é linear, então quanto maior seja o
comprimento do intervalo de integração, maior será o erro cometido na aproximação da integral.
Uma forma de melhorar o resultado é subdividir o intervalo [a, b] em n subintervalos de
ba
comprimento h, onde h  .
n
Figura 5.2: Regra do trapézio repetido
Aplicando a regra dos trapézios em cada subintervalo temos:

b
 f ( x)dx   f ( x )  f ( x )  2  ( f ( x )  f ( x ))  2  ....  ( f ( x
h h h
0 1 1 2 n1 )  f ( xn )) 
a
2
  h2
 f ( x0 )  2 f ( x1 )  2 f ( x2 )  ...  2 f ( xn1 )  f ( xn ) 
Portanto integral da função f é aproximada pela regra dos trapézios repetida da forma:
h 
b n

a
f ( x)dx  
2
f ( x0 )  f ( x n )  2 
k 1
f ( xk ) 

(6.6)
O erro é obtido na integração do intervalo [a, b] é obtido somando o erro de cada subintervalo.
Assim,
 h3
ET    f ( 0 )  f (1 )    f ( n1 ); onde i  ]xi, xi+1[.
12

Como não podemos determinar o valor exato de i, denotemos por M 2  max | f ( x) |
[ a ,b ]
Desta forma, o erro máximo cometido na aproximação da integral pela regra dos trapézios repetida
é dada por:
n  h 3  M 2 (b  a ) 3 M 2
| ETR |   (6.7)
12 12n 2
2.3

dx
Exemplo 2: Determine o valor aproximado de I  , utilizando a regra dos trapézios repetida
1.0
x
com 4 subdivisões.
(b  a ) 2.3  1
Sendo h    0.325 , então
4 4
xi 1.0 1.325 1.65 1.975 2.3

f ( xi ) 1 0.8810573 0.6060606 0.50632911 0.43478261
2 2
Temos que M2 = max 3

[1, 2.3] x 1
Logo,
2.3
 x  2  f ( x )  f ( x )   h f ( x )  f ( x ) 
dx h
I TR  0 4 1 2
1.0
0.325
= 1  0.43478261  0.325(0.8810573  0.6060606) =08399618518
2
O erro cometido:
n  h 3  M 2 (b  a ) 3 M 2
| ETR |    0.011442708
12 12n 2
Observe que o erro máximo cometido na regra dos trapézios repetida é menor quando que na regra
dos trapézios com um intervalo (exemplo (1))
 Se n =10, obtemos ITR 0.8340489543 e ETR ≤ 0.001830833 (erro é muito menor).

 Se n =100, temos ITR 0.8329205439 e ETR ≤ 0.183110-4
 Se n =1000, ITR  0.8329092370 e ETR ≤ 0.18310-8
1 1 1
Exemplo 3. (Provão 2001): Sejam p um inteiro maior que 2, A = 1 +   ...  e B é
2 3 p
p
dx
a aproximação de  x pela regra dos trapézios com passo igual a 1. Então A-B é igual a :
1

1 1 1 1 1 1
a)  b)  c) d) e) 0
2 2p 2 p 2p 2
Solução:
o gráfico da função 1/x é da forma
pela regra dos trapézios repetida temos

p
 1 1 1 1 1 
 x  1  p  2   2  3  ...  p  1 .1
dx
1
1 1 1 1 1
B=     ... 
2 2p 2 3 p 1
1 1 1
A= 1    ... 
2 3 p
1 1 1
A-B= 1  
2 p 2p
1 2 1 1 1
=  = 
2 2p 2 2p
Portanto a resposta correta é o item (a).
6.1.4. Regra de Simpson 1/3

Para obter a regra de Simpson, aproximamos f (x) por um polinômio de grau 2. Se p2(x) interpola
f (x) nos pontos x0 =a, x1 =(a+b)/2 e x2=b, tal que:
x a  x0 ab b  x2
 x1
2
f (x) f ( x0 ) f ( x1 ) f ( x2 )
na forma de Lagrange, temos:

( x  x1 )( x  x2 ) f ( x0 ) ( x  x0 )( x  x2 ) f ( x1 ) ( x  x0 )( x  x1 ) f ( x2 )
p2 ( x )   
( x0  x1 )( x0  x2 ) ( x1  x0 )( x1  x2 ) ( x2  x0 )( x2  x1 )
Chamando h  x1  x0  x2  x1 e integrando o polinômio p2 ( x) no intervalo I=[a, b] , obtemos:

x2 x2
 f ( x)dx   p
x0 x0
2 ( x )dx 
( x  x1 )( x  x 2 ) f ( x 0 ) ( x  x 0 )( x  x 2 ) f ( x1 ) ( x  x 0 )( x  x1 ) f ( x 2 )
x2 2 x 2 x

x0
( x 0  x1 )( x 0  x 2 )
dx  
x
( x1  x 0 )( x1  x 2 )
dx  
x0
( x 2  x 0 )( x 2  x1 )
dx
f ( x 0 )h f ( x1 ) f ( x 2 ) h
= 4    f ( x 0 )  4 f ( x1 )  f ( x 2 ) 
3 3 3 3
Por tanto:
x2
 f ( x)dx  3  f ( x )  4 f ( x )  f ( x )
h
0 1 2 (6.5)
x0
Graficamente temos:
6.1.5. Estimativa do Erro

O erro cometido na regra de Simpson 1/3 é dado por:
 h 5 f (iv ) ()  (b  a) 5 f (iv ) ( x) ba

ES =  ,  ]x0 , x2 [ ; h 
90 2880 2
Fazendo M4= max| f (iv ) ( x )| , temos:
[ x0 , x1 ]
h5 M 4
| ES |  (6.6)
90
Esta demonstração já é bem elaborada do que a regra dos trapézios. Veja nos livros citados na
bibliografia.
2.3

dx
Exemplo (3): Determine I  utilizando a regra de Simpson.
1.0
x
b  a 2 .3  1
Dividindo o intervalo [1.0, 2.3] em duas partes, h    0.65 , obtemos os três pontos:
2 2
xi 1.0 1.65 2.3

f ( xi ) 
1 1 0.606060606 0.43478261
xi
3.6
dx 0.65
I 
3.0
x

3
(1  0.43478261  4  0.6060606)  0.8361220903
1 24 24
sendo f ( x)  , f (iv ) ( x)  5 , então M 4  5  24, logo
x x 1
5 5
h M 4 (0.65) (24)
| ES |    0.030941
90 90
Observe que este resultado é muito menor do que o do exemplo (1) obtido pela regra dos trapézios
simples.
6.1.6. Regra de Simpson 1/3 Repetida
Para obter melhor resultado, podemos dividir o intervalo [a, b] em m=2n subintervalos e aplicar a
regra de Simpson em cada subintervalo. Suponhamos que a=x0, x1,x2,...,x2n =b são os m+1 pontos
ba
igualmente espaçados com h   xi 1  xi para i  0,1,2,..., m  2n.
2n
Observe que o número de subintervalos é par.
xm
h h h
 f ( x)dx  3  f ( x
x0
0 )  4 f ( x1 )  f ( x 2 )  
3
 f ( x2 )  4 f ( x3 )  f ( x4 )   f ( x4 )  4 f ( x5 )  f ( x6 )....
3
h
....  f ( x2n2 )  4 f ( x2 n1 )  f ( x2 n )
3
h
  f ( x0 )  4 f ( x1 )  2 f ( x2 )  4 f ( x3 )  2 f ( x4 ) .....2 f ( x2n2 )  4 f ( x2 n1 )  f ( x2 n )
3
h

 ( f ( x 0 )  f ( x 2 n ))  4 f ( x1 )  f ( x 3 ) .... f ( x 2 n 1 )  2 f ( x 2 )  f ( x 4 ) .... f ( x 2 n  2 )
3

Portanto:
h    n 
b n

a
f ( x)dx  ( f ( x0 )  f ( x2 n ))  4
3  
k 1

f ( x2 k 1 )   2
  k 2
f ( x2 k 2 ) 

(6.7)

6.1.7. Estimativa do Erro Simpson Repetida
O erro máximo cometido nesta aproximação é dado por:
h5 M 4
| ES |  n  (6.8)
90
ba
onde h e M 4  max | f (iv ) ( x) |
2n [ x0 , x2 n ]
Exemplo 4: Utilizando a regra de Simpson 1/3 repetida, determine o valor aproximado de

2.3

dx
I , considere n = 4.
1.0
x
(como m= 2n , então teremos 8 subdivisões).
Determinado h:
b  a 1.3
h   0.1625
2n 8
para facilitar os cálculos, montamos a tabela:
xi 1 1+ h 1+ 2h 1+ 3h 1+4 h 1+5 h 1+6 h 1+ 7h 2.3

1 1 0.860215 0.754717 0.672269 0.606061 0.551724 0.506329 0.467836 0.434783
f ( xi ) 
xi
h    
b n n
a
f ( x)dx  ( f ( x0 )  f ( x2 n ))  4
3  
k 1
f ( x2 k 1 )   2
 

k 1
f ( x2 k 2 ) 

b 0.1625 1  0.434783  4[0.860215  0.672269  0.551724  0.467836]  
 f ( x)dx   
a 3  2[0.754717  0.6060606  0.506329] 
logo
b
 f ( x ) dx 0.832930228
a
E o erro cometido
h 5 M 4 4(0.1625) 5 M 4
|ESR|  n   0.5035  10 5 ;
90 90
onde
M4= max | f (iv ) ( x )| =24
[ x0 , x2 n ]
2.3
 x  0.832930228, com erro máximo 0.503410

dx
Portanto a integral I  -5
.
1.0

Exemplo 5: Determine o número mínimo de divisões para obter erro menor que 10-4 na
1
aproximação do valor de  e x dx :
2
0
a) Pela regra dos trapézios repetida.
b) Pela regra de Simpson repetida.
a) Seja n, o número de divisões na regra dos trapézios:

1 0 1
h 
n n
2
denotando f ( x )  e x temos:
2
f ( x)  2 xe x ,
2 2 2
f ( x)  2e x  4 x 2 e x  2e x (1  2 x 2 )
2
f ( x)  4 xe x (3  2 x 2 )
2

f (iv ) ( x)  4e x (1  2 x 2 )(3  2 x 2 )  4 x 2 
M 2  max | f ( x) | 2e  3  8.4365636
[ 0 ,1]
sabendo que
n  h 3  M 2 (b  a ) 3  M 2 8.4365636
| ETR |    10 4 ,
12 12n 2 12n 2
então n  83.85, portanto serão necessárias n = 84 partições.
b) Sendo m =2n o número de divisões, h=(b-a)/m e

M4 = max | f (iv ) ( x )| =4e((3)(5)+4)=206.58941 , temos:
[ x0 , x2 n ]
h5 M 4 206.58941 n  206.5894 206.5894

|ESR|  n   n    10 4 ;
90 90m 5 90  25 n 5 90  32  n 4
então n  5.175, como m=2n 10.35 e m é um número par, o maior par mais próximo é m=12
(subdivisões).
Exemplo 6: Determine o número de divisões e a regra que deve ser usada para obter erro menor
3
-3
que 10 com menor esforço computacional para determinar  f ( x)dx
0
para:
 3x  3 se 0  x  1

f ( x)   x 2  2 se 1  x  2
 x 5  26 se 2  x  3

A integral em cada subintervalo é
3 1 2 3
 f ( x)dx =  (3x  3)dx +  ( x  2)dx +  ( x 5  26)dx

2
0 0 1 2
 Para a primeira integra, aplica-se a regra dos trapézios com erro 0, pois a derivada de ordem 2
de 3x+3 é nula, e consideramos apenas 1 subintervalo (n=1), para x [0,1[.

 Para a segunda integral aplica-se a regra de Simpson com erro 0, pois a derivada de ordem 4
de x2+2 é igual a zero. Consideramos n=1, então m=2 subintervalos em [1,2[.
 Para a terceira integral, mesmo aplicando a regra de Simpson haverá erro, pois a derivada de
quarta ordem de x5-26 é diferente de zero, para x[2, 3]. Para obter o menor número possível
de divisões, vamos aplicar a regra de Simpson repetida. Sendo f ( x)  x 5  26 , temos
f (iv ) ( x)  120 x e M4=máx|120x| = (120).(3)=360, para x [2,3]
h5 M 4 h 5 (360) 4n 1
|ESR|  n   n  5 5  4  10 3 ,
90 90 2 n 8n
então n  3.344  m  6.687 , como m tem que ser par, então m=8.
 Exercícios
1) Dada a função f (x) definida a partir da tabela a seguir
xi 0.0 0.25 0.5 0.75 1.0
f ( xi ) 0.600 0.751 0.938 1.335 2.400
1
Calcular o valor de I=  f ( x)dx :

0
a) Aplicando a regra dos Trapézios repetida com n=4.

b) Aplicando a regra de Simpson com n=3 (dica interpole os pontos que não estão tabelados).
2) Calcule as integrais abaixo pela regra dos trapézios e pela regra de Simpson, usando 4 divisões
de [a, b]. Compare seus resultados.
2 4 4
dx
a) e b)  3
c) 
x
dx xdx
1 1 2
x
3) Usando as integrais do exercício anterior, com quantas divisões do intervalo no mínimo, demos
esperar obter erros menores que 10-5 ?
6
dx
4) Calcule o valor aproximado de  (1  x)
0
usando a regra dos trapézio (n=4) e a regra de
Simpson (m=2n=6).
5) Em que sentido a regra de Simpson é melhor do que a dos trapézios?
 ( 3x  3x  1)dx pela regra de Simpson

3
6) Qual é o erro máximo cometido na aproximação de
0
com 6 subintervalos? Calcule por trapézios com 6 subintervalos e compare os resultados.

 /2
7) Determine a distância entre xi e xi+1, para que no valor aproximado de  cos x dx seja cometido
0
-3
um erro inferior a 10 pela regra de:
a) Trapézios b) Simpson.
8) Use a regra de Simpson para integrar a função abaixo entre 0 e 2 com menor esforço
computacional possível (menor número de divisões e maior precisão) Justifique sua resposta!.
 2x se 0  x  1
f ( x)  
( x  2) se 1  x  2
4
9) Faça um programa na linguagem Pascal para determinar a seguinte integral dupla, utilizando a
regra dos trapézios e de Simpson repetidas com 20 divisões para ambos métodos e ambos os
intervalos.
 /2
 0. 4 4 

0
  ( y  y ) cos x dy dx
0 
10) Verifique o valor exato das seguintes integrais definidas e determine o valor aproximado
através da regra de Simpson 1/3 considerando n=10.

1
 4
 ln 2
1
ln x 2
 1  x dx   x
2
a) b) ln(1  tgx)dx  c) 2
dx 
0
4 0
8
0
1 8

Referências Bibliográficas
[1] Demidovich, B.P. and Maron I.A. Computational Mathematics . Mir Publishers-Moscow.
1981
[2] Colli, Eduardo e Hirofume Cláudio. Cálculo Numérico — Fundamentos e Aplicações

Departamento de Matemática Aplicada – IME-USP . 2009
[3] Franco, Neide Maria Bertoldi. Cálculo Numérico. Editora Pearson. 2002.
[4] Humes, Melo, Yoshida e Martins. Noções de Cálculo Numérico. Mc Graw Hill. 1984.
[5] García Márquez, R. , Zander Vaiano e Gervazoni Silva de Mello, Elizabeth. Um Enfoque
Pedagógico da Matemática para o Ensino Fundamental. Ed. Clube de Autores. 2009.
https://www.clubedeautores.com.br/book/3081--
Um_Enfoque_Pedagogico_da_Matematica?topic=didaticos#.V‐aT_fArKUk
[6] Ruggiero Márcia A. Gomes e de Rocha Lopes Vera Lúcia. Cálculo Numérico. Aspectos
teóricos e computacionais. Mc Graw Hill. 1988.
[6] Raymundo de Oliveira, Curso de Cálculo Numérico.

http://www.raymundodeoliveira.eng.br/calculo.html
[6] http://www.iceb.ufop.br/decom/prof/bob/ (acesso em junho de 2015)
[7] www.dma.uem.br//kit (programas com maple)
[8] www.lcad.icma.usp.br (apostila Maple)
[9] http://www-groups.dcs.st-and.ac.uk/~history/Mathematicians/ História de matemáticos por

ordem alfabética

Apendice A: Recordação de Gráficos de algumas funções
i. f ( x)  sen( x) , Dom f  IR
Esta é uma função ímpar ( f ( x)   f ( x) ),
No maple:
[> restart; with(plots):

[> plot(sin(x), x=-10..10);
ii. f ( x) cos x , Dom f  IR

Como cos x=cos(-x) , então concluímos que é uma função par ( f ( x)  f ( x) ).
[> plot(cos(x), x=-10..10);
sin x
iii. f ( x)  tan x 
cos x
Dom f ={ x  IR / x   (2k+1) /2, k = 0,1,2,...}
[> plot(tan(x), x=-10..10);

iv. f ( x)  log a x
Dom f = { x  IR / x > 0 }
Se a >1, y  log a x  a y  x
Por exemplo se a = 2 fig. (a)

(a) (b)
Se 0 < a < 1, por exemplo se a = 1/2, fig. (b)

[> plot(ln[2](x), x=0..100);
[> plot(ln[1/2](x), x=0..100);
v. f ( x)  e ax , onde e  2.718281828459
Dom f = lR
Para a > 0, por exemplo, a = 1, veja fig. (a)
(a) (b)
Para a < 1 por exemplo, a = -1. Veja fig.(b)

> plot(exp(x), x=-10..4);
> plot(exp(-x), x=-4..10);
vi. f ( x)  x a
Dom f = IR
4ª) Se a é um número ímpar, temos

a=1 a=3 a=5
6ª) Se a é um número par, temos

a=2 a=4 a=6
[> plot ({x, x^3, x^5, x^7}, x= -2..2,y=-10..10); # para graficar vários gráficos juntos.
[> t[1]:=plot(x^2, x=-3..3, y=0..10): t[2]:=plot(x^4, x=-3..3, y=0..10): t[3]:=plot(x^6, x=-3..3,
y=0..10): display(t[i] $i=1..3);
Os gráficos também podem ser animados
[>animate(plot, [x^A, x=-4..4, y=-3..3], A=-4..4);
[>animate(plot,[sin(A*x, x=-4..4, y=-1..1], A=0..4);
 EXERCÍCIOS
1. Determine o domínio e esboce o gráfico das seguintes funções:
a) sin 2 x d) sin( x) g) cos 2x i) log 5 x

1
b) ex/3 e) x 2  4 h) 4  x 2 j) tan x
2
c) log 1 x f) 3x 3  2 x 2  x  4
4

Notas de Aula CN Enviado

Enviado por

Dados do documento

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 CN Enviado

Enviado por

Direitos autorais:

Formatos disponíveis

Uma Introdução ao Cálculo Numérico

Rosa García Márquez

Introdução ao Cálculo Numérico 0

Introdução ao Cálculo Numérico 1

Introdução ao Cálculo Numérico 2

Referências Bibliográficas ............................................................................................................. 110

Apendice A: Recordação de Gráficos de algumas funções ....................................................... 111

Introdução ao Cálculo Numérico 3

Segundo Moura, na formulação de uma modelo matemático envolve inicialmente a escolha

Na formulação do modelo matemático, devem se escolher as variáveis adequadas e os

Introdução ao Cálculo Numérico 4

Introdução ao Cálculo Numérico 5

Atualmente, é usado em larga escala o sistema de numeração de base 2, ou sistema binário.

Os computadores trabalham internamente com dois níveis de tensão recebem instruções

Introdução ao Cálculo Numérico 6

1.1. Representação de um número em diferentes bases

Qualquer inteiro positivo N admite uma única representação da forma:

N  am b m  a m1b m1  a m 2b m 2  ...  a1b  a0 (1.1)

O inteiro b (2  b  10) é chamado de base e os algarismos ai ( i=0,...,m) são os restos das

No caso de N ser um número decimal finito ou infinito, ou um numeral em outra base b; 2  b 

Números na Base 10:

Introdução ao Cálculo Numérico 7

Na Base 5, se usam os algarismos 0, 1, 2, 3 e 4. O número 13 é representado como

1.2. Métodos para conversão de um número decimal para binário

I. Método de decomposição em potências de 2

Decompomos o número em função das potencias de 2 (tabela). Da equação (1.1), segue

N  am 2 m  am1 2 m 1  am 2 2 m 2  ...  a1 2  a0  a1 2 1  a2 2 2  ...

... 25 24 23 22 2 20 2-1 2-2 2-3 

O número N é escrito de maneira abreviada como

N  (am am1am2 ...a1a0 a1a2 ...) 2 (1.4)

Exemplo 1: O número decimal 25 é decomposto como

Exemplo 2: O número 14.625 é decomposto como

Introdução ao Cálculo Numérico 8

II. Método das divisões sucessivas e o método das multiplicações sucessivas

Se N é um número recional arbitrário, primeiramente descompomos o número

(i) Método das divisões sucessivas

Exemplo 1: O número 13 = (1101)2.

(ii) Método das multiplicações sucessivas

Exemplo 2: Dado o número N= 124.1875 = 124 + 0.1875

Introdução ao Cálculo Numérico 9

Portanto o número N= 124.1875 é representado pelo numeral (1111100.0011)2

Exemplo 3: Escreva o número 18.25 na base binária

A parte fracionária multiplicamos por 2

1.3. Conversão de um numeral na base binaria para a base decimal

Introdução ao Cálculo Numérico 10

N  am 2 m  am 1 2 m 1  am 2 2 m 2  ...  a1 2  a0  a1 2 1  a2 2 2  a3 2 3  ... , (1.3)

II. Método de Horner

Exemplo 1: O numeral (10011)2 representa o número 19, pois:

Introdução ao Cálculo Numérico 11

No entanto, Horner não terá sido o primeiro

1.4. Mudando de base com ajuda do Maple

[> convert([a0, a1, ..., am-2, am-1, am],base, base-atual, base-nova)

Portanto (321)5 = 86.

Introdução ao Cálculo Numérico 12

Para converter um número decimal para binários, tem-se o comando:

[> convert(“nº desejado” , decimal, binary);

Introdução ao Cálculo Numérico 13

1) Converta os seguintes números decimais para a forma binária:

2) Converta cada um dos seguintes numerais binários para a forma decimal:

a) 101101 b) 110101011 c) 10.10111

1.5. Aritmética de ponto flutuante

Definição: A aritmética computacional que manipula os números na base  em notação cientifica

Um número N qualquer na base , em aritmética do ponto flutuante (a.p.f.) de t dígitos tem a