Apostila Métodos Numéricos Prof Beghetto

UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ – UTFPR.
DEPARTAMENTO ACADÊMICO DE CONSTRUÇÃO CIVIL – DACOC.

CURSO: ENGENHARIA CIVIL – MÉTODOS NUMÉRICOS.
MÉTODOS NUMÉRICOS
Prof.: Dr. Eng. Mec., M. Eng. Mec., Eng. Civ. Fernando Luiz Martinechen Beghetto.
Fevereiro de 2020.
Curitiba – Paraná.
1
Métodos Numéricos – Prof. Dr. Eng. Mec., M. Eng. Mec., Eng. Civ. Fernando Luiz Martinechen Beghetto.
INTRODUÇÃO
Esta Apostila de Notas de Aula da Disciplina de Métodos Numéricos tem por objetivo apresentar as
formulações dos Métodos Numéricos de uso mais frequente nos Problemas de Engenharia.
Os assuntos são organizados e apresentados de forma lógica sendo distribuídos em sete capítulos:
 No Capítulo 1 são abordados os Erros Numéricos.
 No Capítulo 2 são apresentados os Métodos para a Determinação dos Zeros de Funções
Transcendentes.
 No Capítulo 3 são apresentados os Métodos de Solução dos Sistemas de Equações Lineares, sendo
este dividido entre Métodos Diretos e Métodos Indiretos.
 No Capítulo 4 são apresentados os Métodos de Solução dos Sistemas de Equações Não Lineares.
 No Capítulo 5 são apresentados os Métodos para o Ajuste de Curvas.
 No Capítulo 6 são apresentados os Métodos de Interpolação Numérica.
 Finalmente, no Capítulo 7 são apresentados os Métodos de Integração Numérica.
Ao longo desta Apostila são apresentados exercícios resolvidos, exercícios para atividade dos alunos em
sala de aula e exercícios propostos ao final de cada capítulo.
As demonstrações matemáticas abstratas não fazem parte do escopo deste trabalho, sendo substituídas
por exercícios resolvidos e interpretações gráficas, os quais apresentam os métodos de maneira mais direta e
objetiva. Ocasionalmente, recorre-se a algumas definições e argumentos matemáticos, os quais são
imprescindíveis para qualquer formulação analítica ou numérica.
No início desta apostila é apresentado um formulário de Derivadas e Integrais, para eventual consulta
dos alunos, caso haja alguma dúvida a respeito deste tema já abordado em disciplinas anteriores.
Recomenda-se ao aluno que realize os exercícios propostos em sala de aula, tendo a orientação do
professor. Os exercícios propostos ao final de cada capítulo, bem como as listas de exercícios servirão de
reforço ao aprendizado e de preparação para os testes.
Nesta disciplina, é imprescindível o uso de calculadoras. Em alguns exercícios, especialmente os
propostos, os alunos devem utilizar um computador para confeccionar os gráficos, montar as planilhas e
facilitar os cálculos.
Desejo a todos meus alunos um excelente curso e sucesso na futura carreira profissional!
Professor: Fernando Luiz Martinechen Beghetto.
Métodos Numéricos – Prof. Dr. Eng. Mec., M. Eng. Mec., Eng. Civ. Fernando Luiz Martinechen Beghetto. 2
SUMÁRIO
Introdução..............................................................................................................................................................5
1-Erros Numéricos................................................................................................................................................7
1.1-Erros de processamento numérico.....................................................................................................7
2-Zeros ou Raízes de Equações Transcendentes................................................................................................8
2.1-Teorema de Bolzano ou Teorema do Valor Intermediário.............................................................8
2.2-Técnica do Desdobramento................................................................................................................8
2.3-Método da Bissecção ou Dicotomia....................................................................................................9
2.4-Método da Regula Falsi (Falsa Regra ou Falsa Posição)...............................................................10
2.5-Método de Newton-Raphson............................................................................................................11
2.6-Método das Secantes.........................................................................................................................12
2.7-Método de Halley...............................................................................................................................12
Exercícios Propostos................................................................................................................................13
3-Solução de Sistemas de Equações Lineares...................................................................................................14
3.1-Métodos Diretos de Solução de Sistemas de Equações Lineares..................................................14
3.1.1-Método da Eliminação de Gauss.......................................................................................14
3.1.2-Método da Matriz Inversa de [A]......................................................................................15
3.1.3-Método da Decomposição [L][U].......................................................................................17
3.2-Métodos Indiretos de Solução de Sistemas de Equações Lineares...............................................18
3.2.1-Método de Gauss-Jacobi....................................................................................................18
3.2.2-Método de Gauss-Seidel.....................................................................................................20
3.2.3-Convergência dos Métodos de Gauss-Jacobi e Gauss-Seidel.........................................22
3.2.4-Método S.O.R. (Sucessive Over Relaxation).....................................................................23
Exercícios Resolvidos...................................................................................................................24
Exercícios Propostos....................................................................................................................27
4-Solução de Sistemas de Equações Não Lineares...........................................................................................28
4.1-Conceito de Não Linearidade...........................................................................................................28
4.2-Método de Newton.............................................................................................................................29
4.3-Método de Newton Modificado........................................................................................................30
5-Ajuste de Curvas..............................................................................................................................................32
5.1-Método dos Mínimos Quadrados.....................................................................................................32
5.1.1-Cálculo do Coeficiente de Determinação R².....................................................................35
6-Interpolação......................................................................................................................................................39
6.1-Interpolação por Sistemas (Vandermonde)....................................................................................39
6.2-Interpolação de Lagrange.................................................................................................................41
6.3-Interpolação usando Diferenças Divididas Finitas.........................................................................43
6.3.1-Polinômios Interpoladores de Gregory-Newton..............................................................44
6.3.2-Polinômios Interpoladores de Gauss................................................................................44
6.3.3-Polinômios Interpoladores de Stirling..............................................................................44
6.3.4-Polinômios Interpoladores da Diferença Central (Bessel e Everett).............................44
7-Integração Numérica.......................................................................................................................................48
7.1-Fórmulas de Newton-Cotes..............................................................................................................48
7.1.1-Regra dos Trapézios...........................................................................................................48
7.1.2-Regra dos Trapézios Composta.........................................................................................51
7.1.3-Regra de Simpson de (1/3).................................................................................................53
7.1.4-Regra de Simpson de (1/3) Composta...............................................................................54
7.1.5-Regra de Simpson de (3/8).................................................................................................54
7.1.6-Regra de Simpson de (3/8) Composta...............................................................................56
Referências Bibliográficas..................................................................................................................................59
Introdução.
Matemática Analítica:
A chamada Matemática Analítica é fundamentada em artifícios e abstrações algébricas. É sempre

genérica e fornece soluções exatas.
Exemplo: Calcule a derivada da função abaixo.
y  f ( x)  u v
dy y f ( x  x)  f ( x)
solução :  y  lim x 0  lim x 0 .
dx x x
y  f ( x)  u v  aplicando (ln) na igualdade.
ln( y )  ln(u v )  ln( y )  v. ln(u )  y  ev. ln( u )  u v
d (u v ) d (ev. ln( u ) ) u
  ev. ln( u ) .v. ln u   v. .
dx dx u
Matemática Numérica:
A Matemática Numérica é construtiva, do ponto de vista iterativo, a solução é aproximada e possui erros
os quais devem ser minimizados em uma rotina ou algoritmo numérico.
Exemplo: Calcule uma raiz real da função abaixo.
y  f ( x)  x 5  6.x  3  0 Solução : Serão 5 raízes ? Quais são reais ? Que Método utilizar ?
A lg orítmo de Briot  Ruffini ? Re lações de Girard ?
ou Métodos para o Cálculo de raízes de uma função ?
Observação: Para uma função linear, basta igualar a zero e isolar a variável. Para uma função do segundo grau,
recorre-se a Fórmula de Bhaskara e obtêm-se duas raízes, também é possível utilizar as Relações de Girard.
Para funções do terceiro grau e ordens superiores pode-se empregar o Algoritmo de Briot-Ruffini ou as
Relações de Girard. Bhaskara Akaria, astrônomo e astrólogo indiano, (1114-1185). Charles Auguste Briot,
matemático francês, (1817-1882). Paolo Ruffini, médico e matemático italiano, (1765-1822). Albert Girard,
matemático Francês, (1595-1632).
Relações de Girard:
P( x)  y  a.x 3  b.x 2  c.x  d , com a  0, sendo as raízes, r1 , r2 e r3 , então :

a.x 3  b.x 2  c.x  d  a.( x  r1 ).( x  r2 ).( x  r3 )
a.x 3  b.x 2  c.x  d
 ( x  r1 ).( x  r2 ).( x  r3 )
a
b c d
x 3  .x 2  .x   x 3  ( r1  r2  r3 ).x 2  (r1.r2  r1.r3  r2 .r3 ).x  r1.r2 .r3
a a a
Por comparação :
b c d
 (r1  r2  r3 );  (r1 .r2  r1 .r3  r2 .r3 );   r1 .r2 .r3 .
a a a
Exercício em sala de aula: Dada a função abaixo, desenvolva as Relações de Girard e encontre analiticamente
4 3 2
suas raízes. y  f ( x)  x  7.x  12.x  4.x  16  0 .
Até o presente foram mencionadas as funções algébricas polinomiais. E as funções transcendentes?
sin( x); cos( x); tan( x); sec( x); csc( x); cot( x);
arcsin( x); arccos( x); arctan( x ); arc sec( x); arc csc( x); arc cot( x);
sinh( x); cosh( x); tanh( x); sec h( x); csc h( x); coth( x);
arcsin h( x); arccos h( x); arctan h( x); arc sec h( x); arc csc h( x); arc coth( x);
e x ; log( x); ln( x); a x ; a1 / x ; etc.
Como extrair uma raiz da função com várias parcelas de funções transcendentes:
3 2
y   f i  x   5. ln( x)  cos( x)  e 2. x  8 x ?
i
Para isso, recorre-se aos Métodos Numéricos.
A solução numérica de um problema (físico, químico, biológico ou um fenômeno natural o qual possa ser
quantificado e modelado matemáticamente), pode ser representado pelo seguinte fluxograma na Figura abaixo:
Figura: Fluxograma de um Problema Matemático.
Algoritmo: É uma seqüência de instruções ordenadas de maneira lógica a qual produz a solução para um
problema específico. O algoritmo numérico deve ter os seguintes passos:
1-) Não deve violar as restrições físicas da máquina (computador ou calculadora);

2-) Não deve violar as restrições do próprio problema que está sendo resolvido;
3-) Estabelecer um critério de convergência para que o algoritmo numérico seja uma processo finito.
Observação: A palavra algarismo é atribuída ao matemático árabe Buchafar Mohamed Abenmusa Al-
Kuarizmi, que designa os símbolos introduzidos pelos árabes para representar os números.
1-Erros Numéricos.
Geralmente os erros numéricos provêm de três fontes:
1-) Modelagem matemática do problema;

2-) Precisão dos dados envolvidos;
3-) Erros de processamento numérico (na fase de solução do problema).
1.1-Erros de processamento numérico.
A-) Erros Inerentes: Fora de controle, implementação utilizando-se dados incorretos do problema.
B-) Erros de Arredondamento: Está ligado à precisão da máquina utilizada (número de dígitos limitados).
Exemplo: 1 / 3  Racional i lim itado.; 2  Irracional;   Irracional; e  ?
Regiões de Underflow e Overflow:
Considere a reta numerada abaixo:
overflow|------------------------------------|underflow 0 underflow|--------------------------------|overflow
Mn mn mp Mp
Onde:
Mn = Máximo negativo.
mn = Mínimo negativo.
mp = Mínimo positivo.
Mp = Máximo positivo.
Observação:
Número pequeno + Número grande – Número pequeno ≠ Número grande.
Número grande + Número pequeno – Número grande ≠ Número pequeno.
Desde que qualquer um deles esteja na região de underflow ou de overflow, conforme cada caso.
Prática em sala de aula: Testar a precisão das máquinas* para os números abaixo:
e  2,718281828459045235360287... Número de Euler , (base dos log aritmos neperianos) obtido por :
1 
x k
x 2 x3 x k 1
e  lim h0 (1  h ) ; ou e x  
h
1 x    ...   ...    x  .
k 0 k! 2! 3! (k  1)!
  3,141592653589793... Obtido pela divisão do perímetro de uma circunferência pelo seu diâmetro.
* A precisão está associada ao número de casas decimais das máquinas utilizadas:
  1  10 NÚMERO DE CASAS .
Observação: Leonhard Paul Euler, matemático e físico suíço (1707-1783). A palavra logaritmo deriva do
grego de logos (lugar), e arithmós (número). A origem dos logaritmos é atribuída ao matemático, físico,
astrônomo, astrólogo e teólogo escocês John Napier (1550-1617), em sua obra intitulada Mirifici
Logarithmorum Canonis Descriptio, publicado em 1614.
C-) Erros de Truncamento:
Ocorre pela interrupção de um processo infinito, por exemplo, o número e. Também ocorre em uma
discretização de um domínio infinito, pois limita-se o domínio a uma região ou a um subconjunto para tratar o
problema e posteriormente generalizar o modelo de representação através de uma integração, por exemplo, seja
ela temporal e/ou espacial.
2-Zeros ou Raízes de Equações Transcendentes.
Determinar um zero, ou uma raiz de uma função, consiste em satisfazer a seguinte igualdade:
y  f ( x)  0 Igualar a zero a equação, daí sua origem.
2.1-Teorema de Bolzano ou Teorema do Valor Intermediário.
Seja uma função y = f(x) contínua e diferenciável no intervalo I = [a,b], se f(a).f(b)<0, então existe ao
menos uma raiz pertencente ao intervalo I = [a,b], matematicamente:
y  f ( x), contínua em I  a, b ,

se f (a ). f (b)  0   / x  I  a, b   f ( x)  0,
onde x é raíz de f ( x).
se f (a ). f (b)  0  No. ímpar de raízes no int ervalo.
se f (a ). f (b)  0  No. par de raízes no int ervalo.
Observação: Bernard Placidus Johann Nepomuk Bolzano (1781-1848), matemático, teólogo e filósofo da
antiga Boemia, atual República Checa.
2.2-Técnica do Desdobramento.
Seja o problema de determinar uma raiz da função y = f(x) = cos(x) – x. Como o objetivo é de
determinar uma raiz, então deve-se fazer, y = f(x) = 0, o que gera, y = cos(x) – x = 0, o que implica em cos(x) =
x, desta forma, houve um desdobramento em duas funções, g(x) = cos(x) e h(x) = x. Na intersecção de g(x) com
h(x), tem-se a raiz procurada.
Representação gráfica da Técnica do Desdobramento.
Observação: No caso de uma função com várias parcelas de funções transcendentes, pode-se desdobrar da
maneira mais conveniente possível a função, associando-a sempre em duas partes, como por exemplo:
3 2 3 2
y   f i  x   5. ln( x)  cos( x)  e 2. x  8 x , g ( x)  cos( x), h( x)  5. ln( x)  e 2. x  8 x .
i
2.3-Método da Bissecção ou Dicotomia.
O Método da Bissecção ou Dicotomia consiste em dividir o intervalo escolhido I = [a,b] ao meio,

resultando em um outro intervalo menor o qual irá ser dividido novamente ao meio, e assim sucessivamente. O
objetivo é reduzir infinitamente o intervalo I = [a,b], reduzindo-se, desta forma, o erro existente em f(x),
aumentando-se assim a precisão da raiz.
Para iniciar o método, seja a 1 = a e b1 = b, e p 1 o ponto médio entre I = [a,b], então:
b1  a1 a1  b1
p1  a1   .
2 2
Formula de Recorrência do Método da Bissecção:
ab
xk  , para k  1,2,3,..., n iterações.
2
Este método possui taxa de convergência linear.
Observação: Para cada nova escolha dos valores do novo intervalo a ser dividido, deve-se
OBRIGATÓRIAMENTE testar os extremos do intervalo através do Teorema de Bolzano. O não cumprimento
deste teste resulta em divergência numérica.
Representação gráfica do Método da Bissecção.
Repete-se o algoritmo até que a precisão desejada seja satisfeita pelo critério de parada apropriado. Este
método possui uma taxa de convergência linear.
Critérios de Parada.
Em um algoritmo deve ser imposto um critério de parada para que o processo numérico seja
interrompido. Dentre os critérios de parada mais utilizados destacam-se o número de iterações e os cálculos dos
erros numéricos abaixo:
Erro absoluto, ou diferença entre passos de iteração: Este é acompanhado da unidade do problema.
xk  xk 1   .
Erro relativo a cada iteração: Este é um valor absoluto em porcentagem (sem unidade).
xk  xk 1
 .
xk
Valor da função no ponto: Este é acompanhado da unidade do problema.
f ( xk )   .
Exercício em sala de aula: Determine a raiz da função f(x) = 5.ln(x) – sin(x), pertencente ao intervalo I = [1,2],
utilizando o Método da Bissecção para 5 iterações. Compute os erros numéricos a cada iteração, considere
como critério a precisão a ser assumida f ( x k )   .
2.4-Método da Regula Falsi (Falsa Regra ou Falsa Posição):
O Método da Falsa Posição é um método iterativo que gera aproximações com retas secantes e conta
com um teste para assegurar que a raiz esteja no intervalo. Inicialmente escolhe-se (p 0) e (p 1), sendo
f(p0).f(p1)<0, de acordo com o Teorema de Bolzano. Liga-se o ponto ((p 0),f(p 0)) a ((p1),f(p1)), formando-se uma
reta secante à função. Esta reta intercepta o eixo (x) em uma nova aproximação da raiz, ou seja, (p2). Testa-se
agora o novo ponto ((p2),f(p2)) com ((p 0),f(p 0)) e ((p1),f(p1)), através do Teorema de Bolzano. Assim, escolhe-se
dois pontos que satisfaçam o Teorema de Bolzano. Ou seja, a pergunta a ser respondida é: a raiz está entre (p0)
e (p2)? Ou entre (p 2) e (p1)? Uma vez escolhido o novo intervalo repete-se o procedimento até que seja satisfeito
o critério de parada.
Representação gráfica do Método da Regula Falsi.
Formula de Recorrência do Método da Regula Falsi:
b. f (a)  a. f (b)
xk  , para k  1,2,3,..., n iterações.
f (a)  f (b)
Este método possui taxa de convergência superlinear.
utilizando o Método da Regula Falsi para 5 iterações. Compute os erros numéricos a cada iteração, considere
2.5-Método de Newton-Raphson:
Esse método é bastante utilizado, podendo ser derivado formalmente a partir da expansão de uma função
em uma Série de Taylor, retendo os termos de primeira ordem. Porém, a justificativa geométrica é bem mais
fácil de entender e pode ser vista na figura abaixo, onde, por aproximações sucessivas, chega-se ao zero da
função.
Representação gráfica do Método de Newton-Raphson.
Sucintamente, o que a figura acima descreve é o seguinte:

1. Arbitra-se um valor inicial para x como primeira aproximação;
2. Levanta-se a tangente à curva nesse ponto x;
3. A tangente cruza o eixo x num ponto que é mais próximo do zero;
4. Nesse novo ponto levanta-se outra tangente a curva;
5. A nova tangente cruza o eixo x num ponto ainda mais próximo do zero;
6. Repete-se o procedimento até que seja satisfeito o critério de parada.
Formula de Recorrência do Método de Newton-Raphson:
f ( xk )
xk 1  xk  , para k  0,1,2,3,..., n iterações.
f ( xk )
Este método possui taxa de convergência geométrica.
Advertências sobre o método de Newton-Raphson: Ao observar a fórmula de recorrência do método,

percebe-se que a raiz atual será a raiz anterior acrescida numericamente por uma razão. Observa-se no
denominador desta razão a presença de uma derivada. Esta não poderá ser nula, o que implica a falha do
Método de Newton-Raphson. Esta derivada nula significa ponto de máximo ou ponto de mínimo da função no
intervalo, tornando-se assim de extrema importância a escolha correta do intervalo para aplicação deste método,
livre de extremos da função. A ocorrência de ponto de máximo ou ponto de mínimo dentro do intervalo pode
gerar divergência ou falha no método. Outra consideração importante é o fato de que a derivada da função pode
ser de difícil manipulação, ou de não existir a derivada analítica da função, tornando-se inviável este método.
Uma solução seria a aplicação de uma derivada numérica.
Observação: Brook Taylor, matemático britânico, foi membro da Royal Society, (1685-1731). Sir. Isaac
Newton, astrônomo, alquimista, filósofo natural, teólogo e cientista inglês, foi membro da Royal Society,
(1643-1727). Joseph Raphson, matemático inglês (~1648-~1715).
utilizando o Método de Newton-Raphson para 5 iterações. Compute os erros numéricos a cada iteração,
considere como critério a precisão a ser assumida f ( x k )   .
2.6-Método das Secantes:
Para evitar o cálculo da derivada no Método de Newton-Raphson, introduz-se uma pequena variação.
Por definição:
f ( x)  f ( pn1 )
f ( pn1 )  lim x pn1 , fazendo x  pn2 , tem  se :
x  pn1
f ( pn2 )  f ( pn1 ) f ( pn1 )  f ( pn2 )
f ( pn1 )  lim pn2  pn1  ,
pn2  pn1 pn1  pn2
f ( pn1 )
seja pn  pn1  de Newton  Raphson, substituíndo  se, obtêm  se :
f ( pn1 )
f ( pn1 ).( pn1  pn2 )
pn  pn1  , para n  1,2,3,..., n iterações.
f ( pn1 )  f ( pn2 )
Representação gráfica do Método das Secantes.
Formula de Recorrência do Método das Secantes:
f ( a ).(a  b)
xk  a  , para k  1,2,3,..., n iterações.
f ( a)  f (b)
Este método possui taxa de convergência superlinear.
Observação: O Método das Secantes e o Método da Regula Falsi produzem a mesma taxa de convergência
superlinear. Também produzem os mesmos resultados numéricos a cada iteração, por utilizarem retas secantes
de aproximação. São variantes de um mesmo dispositivo numérico de aproximação através de retas secantes,
porém suas fórmulas de recorrência são diferentes.
utilizando o Método das Secantes para 5 iterações. Compute os erros numéricos a cada iteração, considere
2.7-Método de Halley:
Desde que a função seja contínua e possua derivadas ordinárias até a terceira ordem, a fórmula de
recorrência deste método pode ser escrita tendo como base o Método de Newton-Raphson considerando-se a
Série de Taylor com seus termos de ordem superior até a segunda derivada ordinária.
Formula de Recorrência do Método de Halley:
2. f ( xk ). f ( xk )
xk 1  xk  , para k  1,2,3,..., n iterações.
2. f ( xk )  f ( xk ). f ( xk )
2
Este método possui taxa de convergência cúbica, sendo mais eficiente do que o Método de Newton-Raphson, o
qual possui taxa de convergência geométrica.
Observação: Edmond Halley, matemático, geofísico, astrônomo real, meteorologista, cartógrafo, filósofo,
demógrafo e físico britânico. Foi membro da Royal Society, amigo de Sir Isaac Newton o qual ajudou a
publicar suas três leis da mecânica. Estudou a periodicidade das órbitas dos cometas, atribui-se o nome do
cometa Halley às suas descobertas, (1656-1742).
utilizando o Método de Halley para 5 iterações. Compute os erros numéricos a cada iteração, considere como
critério a precisão a ser assumida f ( x k )   .
Exercícios Propostos:
Utilizando os Métodos: Bissecção, Regula Falsi, Secantes, Newton-Raphson e Halley, determine as raízes das
funções elencadas abaixo dados seus respectivos intervalos. Utilize a Técnica do Desdobramento para ilustrar
as funções. Verifique a Pertinência das raízes em seus respectivos intervalos utilizando o Teorema de Bolzano.
Para todos os métodos empregados utilize todas as casas decimais da calculadora. Como critério de parada
utilize 5 iterações para o Método de Newton-Raphson e Halley (se possível), e para os demais métodos utilize 8
iterações. Compute o erro de cada iteração como sendo o módulo da função para a raiz aproximada (|f(xk)| = 
Utilize uma Tabela para organizar cada método empregado e seus respectivos valores computados. Observe que
cada exercício deve ser feito pelos cinco métodos distintos. Apresente as respostas finais aproximadas
acompanhadas do respectivo erro numérico. Finalmente, em cada função analisada pelos diferentes métodos,
apresente uma conclusão baseando-se no que foi possível observar, como por exemplo: tipo de convergência,
acurácia entre os métodos, etc.
1-) f ( x)  10. ln( x)  x , pertencente ao intervalo I=[1;2].

3
2-) f ( x)  ln( x )  5 x  3 , pertencente ao intervalo I=[0,6;1].
3-) f ( x)  ln( x)  sin( x) , pertencente ao intervalo I=[2;3].
4-) f ( x)  LOG10 x   cos( x) , pertencente ao intervalo I=[1;2].
5-) f ( x)  LOG10  x   sin( x) , pertencente ao intervalo I=[1,5;3,5].
3 2
6-) f ( x)  e 2. x  8 x , pertencente ao intervalo I=[1;2].
2
7-) f ( x)  e 4. x  cos( x) , pertencente ao intervalo I=[0;2].
3 2
8-) f ( x)  5. ln( x)  cos( x)  e 2. x  8 x , pertencente ao intervalo I=[1;2].
3 2
9-) f ( x)  5. ln( x 2 )  cos( x 3 )  sin( x 2 )  e 2.x  8 x .Considere como aproximação inicial (x0=1,03).
3-Solução de Sistemas de Equações Lineares:
Dado um sistema de equações lineares de ordem (n x n), ou seja, de (n) equações por (n) variáveis:
a11 .x1  a12 .x2  ...  a1n .xn  b1 

a . x  a 22 .x2  ...  a 2 n .xn  b2 
 21 1
 
      
a n1.x1  a n 2 .x 2  ...  a nn .xn  bn 
Pode-se separá-lo convenientemente na forma matricial [A]{x}={b}:
 a11 a12  a1n   x1   b1 

a a  a2 n  x  b 
A   21 22 ; x   2 ; b   2 .
       
   xn  bn 
an1 an 2  ann 
A solução deste sistema virá com o vetor solução {x} que satisfaça simultaneamente a todas as
equações. Os métodos de solução do sistema de equações lineares podem ser divididos em Métodos Diretos e
Métodos Indiretos. Nos métodos diretos a solução do sistema de equações lineares virá de forma analítica,
enquanto que nos métodos indiretos a solução virá através de algoritmo ou rotina numérica.
3.1-Métodos Diretos de Solução de Sistemas de Equações Lineares:
3.1.1-Método da Eliminação de Gauss:
Em um sistema de equações lineares são permitidas as seguintes operações:

- Cada equação (linha) pode ser multiplicada por qualquer constante não nula;
- Cada equação (linha) pode ser multiplicada e adicionada à outra equação (linha);
- Cada equação (linha) pode ser permutada por outra equação (linha).
Estas operações visam o escalonamento do sistema de equações lineares. Uma vez com o sistema de
equações lineares já escalonado, (Matriz Triangular Superior), a solução é obtida através da substituição
retroativa das variáveis, ou Retrosubstituição.
Exemplo 1: Resolver o seguinte sistema de equações lineares pelo Método da Eliminação de Gauss.
 x1  2.x2  3.x3  9 1 2 3  9 L1  L1 1 2 3  9  L1  L1
     
2.x1  x2  x3  8   2  1 1  8  L2  L2  (2).L1  0  5  5   10   L2  L2
3.x  x  3  3 0  1  3 L3  L3  (3).L1 0  6  10   24 L3  L3  (6 / 5).L2
 1 3   
1 2 3  9   x1  2.x2  3.x3  9  x1  2
0  5  5   10   5.x  5.x  10  Re trosubstituição x  1  Re sposta : S .P.D. x  2  1 3T .
   2 3  2

0 0  4   12  4.x3  12 
 x3 3
Matriz Triangular Superior.
Observação: Carl Friedrich Gauss, matemático, físico e astrônomo alemão, considerado como Arquimedes e
Newton, um dos maiores expoentes matemáticos de toda história, (1777-1885).
Exemplo 2: Resolver o seguinte sistema de equações lineares pelo Método da Eliminação de Gauss.
 x1  2.x2  4.x3  4   1 2  4   4 L1  L1 1 2  4   4  x1  2.x2  4.x3  4

       
 2.x1  3. x2  7.x3  6   2  3 7  6   L2  L2  (2).L1  0 1  1   2   x2  x3  2 
 x  2. x  5. x  5    1  2 5  5  L3  L3  (1).L1 
0 0 1  1   x3  1 
 1 2 3    
x1  2
Re trosubstituição x2  1  Re sposta : S .P.D. x  2  1 1 .
T
x3  1
Observação: A Estratégia de Pivotamento Parcial e Pivotamento Total é apresentada na seqüência no

tópico Exercícios Resolvidos, bem como outros métodos numéricos.
Exercício em sala de aula: Resolver os seguintes sistemas de equações lineares pelo Método da Eliminação de
Gauss.
 x1  x 2  x3  4 
 
2.x1  x 2  2.x3  5  Re sposta : S .P.D. x  3  1 0 .
T
 x  x  3. x  2 
 1 2 3 
 x1  2.x 2  3. x3  10 
 
3. x1  4. x2  6.x3  23  Re sposta : S .I .
3. x  2. x  3.x  10 
 1 2 3 
 x1  3. x2  2.x3  x4  2
  T
 x1  2.x 2  x3  2.x4  1   Re sposta : S .P.I . x   1  7.x3  4.x4 1  3.x3  x4 x3 x4  .
 x  7.x  4.x  1 
 1 3 4 
3.1.2-Método da Matriz Inversa de [A]:
Dado um sistema de equações lineares de ordem (n x n), ou seja, de (n) equações por (n) variáveis,
escrito na forma matricial [A]{x}={b}. Para que haja a solução deste sistema através da Álgebra Linear, tem-se:
Ax  b Multiplicando  se a igualdade pela Matriz Inversa A ,

1
 x1 
 x2 
 
A1 Ax  A1b  I x  A1 b  A1 A  I      A b.
1
  
 xn 
Desde que exista a matriz inversa de [A], a solução do sistema de equações lineares torna-se possível.
Para sua existência é necessário que a mesma seja quadrada, e que det([A])≠0, assim, será chamada de matriz
não-singular.
Exemplo de Cálculo da Matriz Inversa: Cargas horizontal e vertical (Px) e (Py) e um momento (M)
são aplicados a uma viga em balaço de comprimento (L), como mostrado na figura.
Na extremidade livre, o alongamento (x), a deflexão (flecha) (y) e o ângulo de giro (), são
relacionados da seguinte maneira:
F   K x Lei de Hooke.  K 1 F   K 1 K x então K 1 F   I x

 L / E. A 0 0   Px   x 
 0    

3
L / 3.E.I L / 2.E.I  Py    y .
2
 0 L2 / 2.E.I L / E.I   M    
Onde (E), (A) e (I) são respectivamente o módulo de elasticidade do material (módulo de Young), a área
de secção transversal da viga, e o momento de inércia de área de secção transversal da viga. A matriz linear
anterior é positiva definida e é chamada de matriz de flexibilidade da estrutura.
A-) Obter a inversa da matriz de flexibilidade, (matriz de rigidez), [K]. Considere os seguintes dados:
E=200tf/cm²; A=400cm²; L=3,0m e I=50.000cm4.
B-) Usando o resultado do item anterior, calcular as cargas (Px), (Py) e o momento (M) correspondentes
aos deslocamentos x=0,0035cm; y=3,0cm e =0,018rad.
Solução: Item (A)
K 1 K   I 
 L / E. A 0 0   k11 k12
k13  1 0 0
 0 3
L / 3 .E.I L / 2.E.I . k 21
2
k 22 k 23   0 1 0; Operacionando,

 0 L2 / 2.E.I L / E.I   k31k32 k33  0 0 1 
 k11 k12 k13   E. A / L 0 0 
K   k 21 k 22  
k 23    0 12.EI / L 3 2
 6.E.I / L   Matriz de Rigidez.
2
k 31 k 32 k33   0  6 .E.I / L 4.E.I / L 
Solução: Item (B)
 Px   E. A / L 0 0   x 
    
F   K x Lei de Hooke.   Py    0 12.EI / L3  6.E.I / L   y  Usando o S .I .
2
M   0  6.E.I / L2 4.E.I / L    
  
 Px  266,67 0 0  0,000035
    6 
 Py    0 4,44  6,67.10  0,03 
M   0  6,67 13,33   0,018 
    
Px  9,33kN ; Py  13,33kN ; M  40kN .m.
Observação: Thomas Young, físico, médico e egiptólogo britânico, (1773-1829). Robert Hooke, cientista
experimental inglês, (1635-1703).
Exercício em sala de aula: Considerando-se o problema anterior, determine o alongamento (x), a deflexão
(flecha) (y) e o ângulo de giro (), produzidos respectivamente pelas cargas horizontal e vertical (Px=10kN) e
(Py=15kN) e um momento (M=50kN.m).
3.1.3-Método da Decomposição [L][U]:
Uma matriz quadrada pode ser escrita como o produto de duas matrizes:
4 3 1 0  4 3 
8 5  2 1  0  1  A  LU .
    
Onde [L], (lower), é a matriz triangular inferior com (1) na diagonal principal, e [U], (upper), é matriz
triangular superior obtida através da eliminação de Gauss. Definições das matrizes:
L  lii  1,  i. e l ji  m ji ,  j  i.
U   Obtida por triangularização (escalonamento),
A  LU ,
 1 0 0  a11 a12 a13 

A  m21 1 0  0 a22 a23 .
m31 m32 1  0 0 a33 
Resolução do Sistema de Equações Lineares por Decomposição [L][U]:
Ax  b,
LU x  b,
1º ) L y  b, Substituição Sucessiva ( Ativa ),
2º ) U x  y, Substituição Re troativa (Re trosubstituição).
Exemplo de Cálculo da Decomposição [L][U]: Dado o sistema de equações lineares abaixo, resolva-o
utilizando a Decomposição [L][U].
3.x1  4.x2  x3  9 3  4 1 
  0 
 x1  2.x2  2.x3  3   A  1 2 2 ;
4.x  3.x  2  4 0  3
 1 3 
Etapa 1  Zerar termos abaixo do pivô a11 :
(0 ) (0 )
L1  L1 3  4 1 
a21 1 a31 4
 A  0 10 / 3 5 / 3 ;

(1)
m21  ( 0 )  ; m31  (0 )  ;  L2  L2  (m21 ).L1 
a11 3 a11 3  
L3  L3  ( m31 ).L1 0 16 / 3  13 / 3
Etapa 2  Zerar termos abaixo do pivô a22 :

(1)
L1  L1 3  4 1 
a 16 / 3 16
 A  0 10 / 3 5 / 3;

(2)
m32  32 (1)   ;  L2  L2 
a22 10 / 3 10
L3  L3  ( m32 ).L2 0 0  7 
 1 0 0  1 0 0 a11 a12 a13  3  4 1 


L  m21 1  
0   1 / 3 1 0;  U    0 a22 a23   0 10 / 3 5 / 3;
 
m31 m32 1 4 / 3 16 / 10 1  0 0 a33  0 0  7 
Resolução do Sistema de Equações Lineares por Decomposição [L][U]:
1º ) L y  b, Substituição Sucessiva ( Ativa),
 y1  9 
 
 (1 / 3). y1  y2  3   y  9 0  14 ;
T
( 4 / 3). y  (16 / 10). y  y  2 

 1 2 3 
2º ) U x  y, Substituição Re troativa (Re trosubstituição).

 3.x1  4.x2  x3  9 
 
(10 / 3).x2  (5 / 3).x3  0   x  1  1 2 .
T
  7.x3  14 
 
Observação: Outro Método que utiliza a decomposição de matrizes é o Método da Decomposição ou

Fatoração de Cholesky, o qual é apresentado no tópico Exercícios Resolvidos.
Exercício em sala de aula: Em uma empresa são produzidos quatro tipos de computadores, os quais requerem
de quatro espécies de recursos à produção: mão de obra, metais, plásticos e componentes eletrônicos. Estas
quantidades de recursos necessárias para a produção de cada tipo de computador são:
Considere um consumo diário de 504 horas de mão de obra, 1970 kg de metais, 970 kg de plásticos e 601
componentes. Use a decomposição [L][U] para calcular o número de computadores (número inteiro) de cada
tipo produzidos por dia.
3.2-Métodos Indiretos de Solução de Sistemas de Equações Lineares:
3.2.1-Método de Gauss-Jacobi:
a11 .x1  a12 .x2  ...  a1n .xn  b1 

a . x  a 22 .x2  ...  a 2 n .xn  b2 
 21 1
 
      
a n1.x1  a n 2 .x 2  ...  a nn .xn  bn 
 a11 a12  a1n   x1   b1 

a a  a2 n  x  b 
A   21 22 ; x   2 ; b   2 .
       
   xn  bn 
Considerando a seguinte decomposição aditiva da matriz [A]:
A  D   L  U .
Onde [D] é uma matriz diagonal, [L] e [U] são matrizes triangulares (inferior e superior) com diagonal
nula. O sistema de equações lineares [A]{x}={b}, pode então ser escrito da seguinte forma:
Ax  b  A  D  L  U ,

D   L  U x  b
Dx  L   U x  b
x  D 1 L  U x  D 1b
x( k 1)  D 1 L  U x( k )  D 1b  J   D 
1
L  U ; C   D 1b;
x( k 1)  J x( k )  C .
Para exemplificar o procedimento, considere o seguinte sistema de equações lineares abaixo:
 a11 .x1  a12 .x2  a13 .x3  b1 

 
a 21 .x1  a 22 .x2  a 23 .x3  b2 , Isolando  se xi em cada linha Li ,
 a .x  a .x  a .x  b 
 31 1 32 2 33 3 3
b1  a12 .x2  a13 .x3

x1 em L1 ; x1 
a11
b2  a 21 .x1  a 23 .x3
x2 em L2 ; x2  ;
a22
b  a31 .x1  a32 .x2
x3 em L3 ; x3  3 .
a33
De forma iterativa, tem  se :

k  k 
 k 1 b1  a12 .x2  a13 .x3
x1 
a11
k  k 
 k 1 b2  a 21 .x1  a 23 .x3
x2  ;
a 22
k  k 
 k 1 b3  a31 .x1  a32 .x2
x3  .
a33
Generalizando-se para um sistema de equações lineares de ordem (n x n), tem-se a seguinte fórmula de
recorrência:
Formula de Recorrência do Método de Gauss-Jacobi:

n
k 
bi   aij .x j
 k 1 ji
xi  .
aii
Para dar início ao procedimento numérico iterativo é necessário atribuir um vetor de aproximação inicial, (chute
inicial), {x}(0).
Exemplo de Cálculo do Método de Gauss-Jacobi: Dado o sistema de equações lineares abaixo, resolva-o
aplicando o Método de Gauss-Jacobi para cinco iterações. Atribua o vetor de aproximação inicial como sendo o
vetor nulo e considere quatro casas de precisão após a vírgula.
 10.x1  x2  2.x3  6 
 x  11.x  x  3.x  25
 1 2 3 4 
 
 12. x  x 2  10. x 3  x 4  11 
 3.x2  x3  8.x4  15 
k 1 k  k 
x1  (1 / 10).x2  (1 / 5).x3  (3 / 5);
 k 1 k  k  k 
x2  (1 / 11).x1  (1 / 11).x3  (3 / 11).x4  (25 / 11);
k 1 k  k  k 
x3  (1 / 5).x1  (1 / 10).x2  (1 / 10).x4  (11 / 10);
 k 1 k  k 
x4  (3 / 8).x2  (1 / 8).x3  (15 / 8).
Os resultados apresentados na tabela abaixo são relativos ao Método de Gauss-Seidel, fazer utilizando o
Método de Gauss-Jacobi e comparar.
k 0 1 2 3 4 5
k  0,0000 0,6000 1,030 1,0065 1,0009 1,0001
x1
k  0,0000 2,3272 2,037 2,0036 2,0003 2,0000
x2
k  0,0000 -0,9873 -1,014 -1,0025 -1,0003 -1,0000
x3
k  0,0000 0,8789 0,9844 0,9983 0,9999 1,0000
x4
A solução exata deste problema é o vetor {x}={1, 2, -1, 1}T. Obviamente, a precisão neste exercício está
associada ao número de casas fixadas na máquina. Porém, torna-se necessário apresentar o cálculo dos erros
numéricos para a solução do sistema de equações lineares.
Critérios de Parada.
Pode-se empregar o cálculo do erro relativo durante o procedimento numérico. Este é apresentado na
forma da Norma Infinito.
x k 1  x  k 

 .
x k 1

Para o exemplo anterior, tem-se:
x 5   x  4  0,0008 

5 
  0,0004.
x 2,0000 

Observação: Karl Gustav Jacob Jacobi, matemático alemão, estudou as funções elípticas, a mecânica celeste, a
mecânica analítica e a teoria dos números, (1804-1851).
3.2.2-Método de Gauss-Seidel:
a11 .x1  a12 .x2  ...  a1n .xn  b1 
a .x  a 22 .x2  ...  a 2 n .xn  b2 
 21 1
 
      
a n1.x1  a n 2 .x 2  ...  a nn .xn  bn 
 a11 a12  a1n   x1   b1 

a a  a2 n  x  b 
A   21 22 ; x   2 ; b   2 .
       
   xn  bn 
Considerando a seguinte decomposição aditiva da matriz [A]:
A  D   L  U .
Onde [D] é uma matriz diagonal, [L] e [U] são matrizes triangulares (inferior e superior) com diagonal
nula. O sistema de equações lineares [A]{x}={b}, pode então ser escrito da seguinte forma:
Ax  b  A  D   L  U ,

D   L  U x  b
D   Lx  U x  b
x  D   L1 U x  D   L1b S   D   L1 U x; D   D   L 1b;
x( k 1)  S x( k )  D .
Para exemplificar o procedimento, considere o seguinte sistema de equações lineares abaixo:
 a11 .x1  a12 .x2  a13 .x3  b1 

 
a 21 .x1  a 22 .x2  a 23 .x3  b2 , Isolando  se xi em cada linha Li ,
 a .x  a .x  a .x  b 
 31 1 32 2 33 3 3
b1  a12 .x2  a13 .x3

x1 em L1 ; x1 
a11
b2  a 21 .x1  a 23 .x3
x2 em L2 ; x2  ;
a22
b  a31 .x1  a32 .x2
x3 em L3 ; x3  3 .
a33

k  k 
 k 1 b1  a12 .x2  a13.x3
x1 
a11
 k  1 k 
 k 1 b2  a21.x1  a23.x3
x2  ;
a22
 k  1 k 1
 k 1 b3  a31.x1  a32 .x2
x3  .
a33
Observa-se no Método de Gauss-Seidel uma pequena variante do Método de Gauss-Jacobi, a qual estão sendo
atualizadas as raízes a cada fórmula de recorrência, e não sendo atualizadas ao final de cada iteração. Esta
atualização torna o método mais eficaz, do ponto de vista de convergência quando comparado ao método
anterior.
Para dar início ao procedimento numérico iterativo é necessário atribuir um vetor de aproximação inicial, (chute
inicial), {x}(0).
Exemplo de Cálculo do Método de Gauss-Seidel: Seja o seguinte sistema de equações lineares abaixo, cuja
solução exata é dada por {x}={3, 4, -5}T. Utilizando o Método de Gauss-Seidel com uma aproximação inicial
{x}(0) = {1, 1, 1}T, tem-se:
 4.x1  3.x2  24 
 
3.x1  4.x2  x3  30, Isolando  se xi em cada linha Li ,
  x  4.x  24 
 2 3 

 k 1  k 
x1  0,75.x2  6;
 k 1 k 1 k 
x2  0,75.x1  0,25.x3  7,5;
k 1 k 1
x3  0,25.x2  6.
Os resultados são apresentados na tabela abaixo:
Comparando-se as soluções numéricas com a solução exata dada por {x}={3, 4, -5}T, observa-se que:
Método de Gauss-Seidel:
Em relação às raízes:
Em (x1) ocorre uma série convergente da direita para a esquerda, ou seja, (3←5,25);
Em (x2) ocorre uma série convergente da esquerda para a direita, ou seja, (3,8125→4);
Em (x3), ocorre uma série convergente da esquerda para a direita, ou seja, (-5,046875→-5).
De maneira geral, a convergência do método é monotônica.
Observação: Philipp Ludwig von Seidel, matemático alemão, (1821-1896).
3.2.3-Convergência dos Métodos de Gauss-Jacobi e Gauss-Seidel:
Os métodos sempre convergem quando:
i-) [A] for uma matriz diagonalmente dominante, ou seja:
n
aii   aij .
j i
ii-) [A] for uma matriz positiva definida, ou seja:


yT Ay  0  y  0 . 
3.2.4-Método S.O.R. (Sucessive Over Relaxation):
Este método está associado a uma aceleração na convergência dos demais métodos indiretos de solução
dos sistemas de equações lineares. Sua fórmula de recorrência pode ser apresentada por:
x(Sk.O1.R) .  .x(k 1)  1   . x(k )
Em x e x , utilizam-se os métodos iterativos como Gauss-Jacobi, Gauss-Seidel, etc.

( k 1) (k )
Algumas considerações à respeito deste método:
i-) Assumindo > 1, pode-se acelerar a convergência dos resultados, chamada de (sobre-relaxação);
ii-) Assumindo < 1, pode-se tornar o método mais estável, para 0 < < 1 chamada de (sub-relaxação);
iii-) Se [A] é simétrica e positiva definida, o método converge para qualquer 0 < < 2.
Teorema (Kahan):
Se a ii ≠ 0, para cada i = 1,2,3,...,n, então o método S.O.R. pode convergir somente se 0 < < 2.
Teorema (Ostrowski-Reich):
Se [A] é uma matriz positiva definida e 0 < < 2, então o método S.O.R. convergirá para qualquer
escolha de aproximação inicial x (0).
Exemplo de Cálculo do Método S.O.R.: Considere o seguinte sistema de equações lineares do exemplo
anterior:
 4.x1  3.x2  24 
 
3.x1  4.x2  x3  30.
  x  4.x  24 
 2 3 
Partindo-se das fórmulas de recorrência do Método de Gauss-Seidel, tem-se:
k 1 k 
x1  0,75.x2  6;
k 1  k 1 k 
x2  0,75.x1  0,25.x3  7,5;
 k 1 k 1
x3  0,25.x2  6.
Aplicando-se o Método S.O.R, para um  = 1,25, tem-se:
k 1 k  k 
x1  0,25.x1  0,9375.x2  7,5;
k 1  k 1 k  k 
x2  0,9375.x1  0,25.x2  0,3125.x3  9,375;
 k 1  k 1 k 
x3  0,3125.x2  0,25.x3  7,5.
Utilizando uma aproximação inicial {x}(0) = {1, 1, 1}T, e considerando-se sete casas decimais, cuja solução
exata é dada por {x}={3, 4, -5}T, os resultados são apresentados na tabela abaixo:
Método de Gauss-Seidel utilizando-se do S.O.R. com  = 1,25:
A idéia geral do método é que soma-se um erro na presente iteração (as variáveis vem acompanhadas de
25% de erro na presente iteração, desde que se desconte o mesmo erro na iteração anterior, ou seja, -0,25.x1, -
0,25.x2 e -0,25.x3). Com este dispositivo matemático (sem sentido físico), acelera-se a convergência.
De maneira geral, a convergência do método é oscilatória (não necessariamente alternada entre esquerda
e direita, nem obrigatoriamente nesta ordem e tampouco sempre oscilatória, pois há períodos monotônicos
dentro das oscilações). Finalmente, as respostas tendem a convergir mais rapidamente para a solução exata, o
que requer um número menor de iterações. Isto pode ser verificado a cada iteração computando-se os erros
(absolutos e relativos) e comparando-se entre os métodos empregados.
Comparativo Geral entre os Métodos:
Considerando-se o seguinte sistema de equações lineares abaixo, e utilizando-se sete casas decimais:
 4.x1  3.x2  24 
 
3.x1  4.x2  x3  30.
  x  4.x  24 
 2 3 
O Método de Gauss-Jacobi requer 69 iterações para se chegar à solução exata;

O Método de Gauss-Seidel requer 34 iterações para se chegar à solução exata;
O Método de Gauss-Seidel utilizando-se do S.O.R. com  = 1,25, requer 14 iterações.
Exercícios Resolvidos:
Exercício 1: Seja o sistema linear com a matriz dos coeficientes proposta por Collatz.
1 2  2  x   1
1 1 1  y   6 
    
 2 2 1   z   9 
Verificar a convergência dos métodos de Gauss-Jacobi e Gauss-Seidel e justificar os resultados.
Resposta: Os resultados são apresentados na Tabela abaixo:
Gauss-Jacobi Gauss-Seidel
x0 = 0; y0 = 0; z0 = 0 (Solução inicial) x0 = 0; y0 = 0; z0 = 0 (Solução inicial)
Tolerância: 1 x 10-5 Tolerância: 1 x 10 -5
Número de iterações = 4 Número de iterações = 490
x = -7,0375 x 10 150; y = 7,0423 x 10150;
x = 1; y = 2; z = 3 (Solução)
z = -0,0096 x 10150 (Solução)
232 Número de operações 18.439 Número de operações
Tabela: Resultados obtidos.
Observa-se que com o Método de Gauss-Jacobi a convergência foi atingida com apenas (4) iterações. O
Método de Gauss-Seidel não convergiu, pois a matriz [A] do sistema, [A]{x}={b}, não é uma matriz
diagonalmente dominante.
É condição suficiente para os Métodos de Gauss-Jacobi e Gauss-Seidel que a matriz [A] seja
diagonalmente dominante estrita, isto é:
n
aii   aij i 1, 2 , 3,..., n
j 1
j i
Exercício 2: Calcule a solução do sistema através da decomposição de Cholesky e verifique a exatidão e

unicidade da solução.
 9  6 3   x   3
 6 29  7  y    8
    
 3  7 18   z   33 
Resposta: Seja o sistema de equações algébricas lineares dadas por [A]{x}={b}, onde [A] é uma matriz
simétrica e positiva definida. A decomposição de Cholesky consiste em decompor a matriz [A] como sendo
[L][L]T = [A] onde [L] é uma matriz triangular inferior e, conseqüentemente [L]T é uma matriz triangular
superior. Desta forma os coeficientes da matriz [L] são dados em função dos coeficientes da matriz [A] da
seguinte maneira:
i 1
1/ 2 1 
 i 1
 lij   aij   lik l jk 
lii   aii   lik2  lii  
j  i 1, i  2 ,..., n
 k 1  e k 1
Após construir a matriz [L], resolve-se o sistema [L]{y} = {b}, e, finalmente resolve-se [L]T{x} = {y}. Para
o presente exercício, tem-se:
l11 = (a11)1/2 = (9)1/2 = 3

l21 = (a21)/l11 = (-6)/3 = -2
l31 = (a31)/l11 = (3)/3 = 1
l22 = (a22 – l212)1/2 = (29 – (-2)2)1/2 = 5
l32 = (a32 – l21l31)/l22 = (-7 – (-2)(1))/5 = -1
l33 = (a33 – (l322 + l312))1/2 = (18 – ((-1)2 + (1)2))1/2 = 4
Montando-se a matriz [L] com os coeficientes calculados, faz-se o procedimento [L]{y} = {b}:
3 0 0   y1   3  y1    1 
 2   y    8 ,    

5 0
 2    assim, tem-se  y 2     2 .
 1 1 4   y3   33  y   8 
 3  
Agora fazendo [L]T{x} = {y}, tem-se:
3 2 1   x1    1  x1   1
0        
5  1  x2    2 , assim, tem-se  x2    0  .
 
 0 0 4   x3   8  x   2 
 3  
Os resultados obtidos são apresentados na Tabela abaixo:
Decomposição de Cholesky
x = -1
y=0
z=2
34.354 Número de operações
Exercício 3: Considere uma seção transversal de uma barra de metal, com fluxo de calor desprezível na direção
perpendicular à placa. Sejam T1....T6 as temperaturas em graus Celsius nos seis vértices interiores do reticulado
conforme mostra a Figura abaixo. A temperatura num vértice é aproximadamente igual à média aritmética dos
quatro vértices vizinhos mais próximos: à esquerda; à direita; acima e abaixo. Escreva um sistema de equações
cuja solução fornece as estimativas para as temperaturas T1....T6. Resolva usando o método TDMA.
100ºC
T1 T2 T3
20ºC 50ºC
T4 T5 T6
70ºC
Figura: Barra de metal e suas temperaturas.
Resposta: Conforme o exposto acima e com os dados da Figura, tem-se a média aritmética para cada
temperatura:
T1  100º T2  T4  20º  / 4

T2  100º T3  T5  T1  / 4
T3  100º 50º T6  T2  / 4
T4  T1  T5  70º 20º  / 4
T5  T2  T6  70º T4  / 4
T6  T3  50º 70º T5  / 4
Pode-se escrever o sistema de equações na forma matricial:
 4  1 0  1 0 0  T1  120º 
 1 4  1 0  1 0  T  100º 
  2   
 0  1 4 0 0  1 T3  150º 
     
 1 0 0 4  1 0  T4   90º 
 0  1 0  1 4  1 T5   70º 
    
 0 0  1 0  1 4  T6  120º 
Os resultados obtidos são apresentados na Tabela abaixo:
Método TDMA
T1 = 62,48447204968944ºC
T2 = 75,27950310559005ºC
T3 = 72,48447204968943ºC
T4 = 54,65838509316770ºC
T5 = 66,14906832298136ºC
T6 = 64,65838509316771ºC
504 Número de operações
Exercício 1: Resolva os seguintes sistemas de equações lineares utilizando o Método da Eliminação de Gauss.
Exercício 2: Resolva o sistema de equações lineares utilizando o Método de Gauss-Seidel, para quatro
iterações. Inicie o método com a aproximação inicial: Compute também os erros
numéricos a cada iteração.
Permutando-se as linhas 1 e 3, tem-se:
4-Solução de Sistemas de Equações Não Lineares.
4.1-Conceito de Não Linearidade.
Primeiramente deve ser compreendido claramente o conceito de uma não linearidade. Do ponto de vista
matemático, a não linearidade será qualquer valor do expoente da variável que seja diferente da unidade. Por
exemplo:
x 2 , x3 ,..., x n1 ;
x1 / 2  2 x , x1 / 3  3 x ,..., x1 / n  n x ;
x 0, 2 , x 1 , x 0, 25  4 x ;
A não linearidade pode também aparecer na forma de produto ou divisão entre as variáveis, como por
exemplo:
x1.x2 , x. y, x. y.z,  . ;
x1 x1.x2
, ;
x2 x3
Também pode-se encontrar qualquer uma das funções transcendentes vistas anteriormente, por
exemplo:
sin( x); cos( x); tan( x ); sec( x); csc( x); cot( x);
arcsin( x); arccos( x); arctan( x); arc sec( x); arc csc( x); arc cot( x);
sinh( x); cosh( x); tanh( x); sec h( x); csc h( x); coth( x);
arcsin h( x); arccos h( x); arctan h( x); arc sec h( x); arc csc h( x ); arc coth( x);
e x ; log( x ); ln( x); a x ; a1 / x ; etc.
Sistema de Equações Não Lineares:
São exemplos de alguns sistemas de equações não lineares:
Exercício Prático: Destaque as não linearidades presentes nas equações mencionadas acima.
4.2-Método de Newton.
Considere a fórmula de recorrência do Método de Newton-Raphson visto anteriormente:
f ( xk )
xk 1  xk  , para k  0,1,2,3,..., n iterações, ou
f ( xk )
xk 1  xk   f ( xk ) . f ( xk ).
1
Esta é utilizada para a determinação do zero ou raiz de uma função transcendente. Se agora,
considerarmos um conjunto de funções e suas respectivas variáveis:
f1  x1 , x2 , x3 ; f 2  x1 , x2 , x3 ; f 3  x1 , x2 , x3 .
Escrevendo-se a fórmula de recorrência do Método de Newton-Raphson considerando-se as funções

acima, tem-se:
 f1 k  f1
k  k 
f1 
 
1  x1 k  x2 x3 
 f k   f
k 
 f f 2
k  k 
f 2 
k 1
xj  xjk 
  i  . fi ( x jk  )  i  J k     2
x3 
 JACOBIANO.
 x j  x j  x1 k  x2
k  k 
 f 3 f3 f 3 
 x x2 x3 
 1
1
 k 1 k   f  k  
xj  xj    i  . f i ( x jk  )
 x j 
1
k   f k  
x j    i  . f i ( x jk  )
 x j 
1
 f i  k   k   f i k    f i k   k 
 .
 j x    .  . fi ( x j )
 x j   x j   x j 
 f i  k   k 

x
  k 
.x j    ij . f i ( x j )
 j 
 f i  k   k  k 
 .x j   f i ( x j ).
 x j 
Formula de Recorrência do Método de Newton:
 f i  k   k  k 
 .x j   f i ( x j ) para x jk   x jk 1  x jk   x jk 1  x jk   x jk .
x
 j 
Exemplo de Cálculo do Método de Newton: Considere o seguinte sistema de equações não lineares abaixo:
1
f1  x1 , x2 , x3   3.x1  cos x2 .x3    0;
2
f 2  x1, x2 , x3   x1  81. x2  0,1  sin  x3   1,06  0;
2 2
10.  3
f3  x1, x2 , x3   e x1 .x 2  20.x3   0.
3
Determine a solução deste problema utilizando o Método de Newton com a aproximação inicial de
0 
x  0,1; 0,1;  0,1 .
T
Resolução: Aplicando-se a fórmula de recorrência do Método de Newton, tem-se:
 f i  k   k  k 
 .x j   f i ( x j ) para x jk   x jk 1  x jk   x jk 1  x jk   x jk .
 x j 
 1 
 3 x . sin  x . x  x . sin  x . x
2 3   x k 
  3 . x 1  cos x 2 . x3   
3 2 3 2 1 2
   k    2 
 162. x2  0,1 cos x3  .x2    x1  81. x2  0,1  sin  x3   1,06;
2
 2.x1
 x2 .e  x1. x2  x1.e  x1. x2 20  x3k   
e  x1. x2  20.x3 
10.  3 
 3 
 
0 
Aplicando-se a aproximação inicial x  0,1; 0,1;  0,1 e resolvendo o sistema de equações
T
linearizado a cada iteração, tem-se os seguintes resultados na Tabela abaixo:
Analisando-se os resultados apresentados na Tabela acima observa-se que a taxa de convergência do

Método de Newton é geométrica, e que para este exemplo, em apenas cinco iterações houve a convergência,
considerando-se como critério a norma infinito.
4.3-Método de Newton Modificado.
Naturalmente existem outros métodos numéricos de solução de sistemas de equações não lineares, tais
como: Método de Newton Modificado, Método Quase-Newton, Método de Sherman-Morrison, Método de
Broyden, entre outros.
O Método de Newton Modificado é uma variante do Método de Newton, o qual emprega o vetor de
aproximação inicial na matriz jacobiana e não a atualiza nas demais iterações, ou seja:
 f i 0    k  k 
 .x j   f i ( x j ) para x jk   x jk 1  x jk   x jk 1  x jk   x jk  .
 x j 
Exercício em sala de aula: Resolver o sistema de equações não lineares anterior utilizando-se o Método de
Newton Modificado comparando-se os resultados obtidos a cada iteração.
Exercícios Propostos: Utilizando-se o Método de Newton resolva os seguintes sistemas de equações não
lineares abaixo. Compute apenas duas iterações e utilize para a aproximação inicial o vetor nulo.
Respostas:
5-Ajuste de Curvas.
Considere o problema de ajustar os pontos tabelados representados abaixo:
x f(x)
0,00 1,0000
0,25 1,2840
0,50 1,6487
0,75 2,1170
1,00 2,7183
Tabela: Dados Experimentais.
Os quais representam dados de um experimento (caso discreto), que são ilustrados graficamente através
do Gráfico de dispersão na Figura abaixo:
3,00
2,50
2,00
f(x)
1,50
1,00
0,50
0,00
0,00 0,20 0,40 0,60 0,80 1,00
x
Figura: Gráfico de dispersão.
Deseja-se determinar a melhor curva de ajuste (com menor erro numérico) para os dados apresentados.
Para este problema pode ser empregado o Método dos Mínimos Quadrados (Least Square Method).
5.1-Método dos Mínimos Quadrados.
O objetivo deste método é encontrar uma curva que melhor ajuste um conjunto de pontos dados. Esta
curva irá minimizar a soma dos quadrados das diferenças entre os valores dados e os valores encontrados.
Exemplo: Seja o evento representado pelos dados da Tabela e Figura acima, ao considerar um polinômio
quadrático de ajuste via Método dos Mínimos Quadrados, tem-se o seguinte procedimento:
Polinômio Quadrático
n 2
f ( x)   ai .x i  a0 .x 0  a1 .x1  a 2 .x 2
i 0
Substitiundo  se nos dados tabelados :

1  a0
1,284  a0  0,25.a1  0,0625.a2
1,6487  a0  0,50.a1  0,25.a2
2,1170  a0  0,75.a1  0,5625.a2
2,7183  a0  a1  a 2
Matricialmente :
1 0 0   1 
1 0,25 0,0625 a  
   0   1,284 
1 0,50 0,25 . a1   1,6487 
    
 1 0, 75 0,5625 a2   2,1170
1 1 1  2,7183
Observam-se neste sistema cinco equações e três incógnitas. Para que sua solução seja possível sem desprezar
nenhuma equação para que não se percam dados do experimento, procede-se com a Ortogonalização do
sistema, isto é:
x .a  y  5 Equações e 3 Incógnitas.

x 5 X 3 .a3 X 1  y5 X 1
x T 3 X 5 .x 5 X 3 .a3 X 1  x T 3 X 5 y5 X 1  ORTOGONALIZAÇÃO.
x.x3 X 3 .a3 X 1  x. y3 X 1 Sistema Ortogonalizado ( Sistema de Equações Lineares).
A solução do Sistema Ortogonalizado, (Sistema de Equações Lineares) pode ser resolvido por qualquer dos
métodos vistos anteriormente. O objetivo é determinar os coeficientes incógnitos representados por ( ai ).
Retornando ao problema, tem-se a seguinte solução:
x T 3 X 5 .x 5 X 3 .a3 X 1  xT 3 X 5 y5 X 1  ORTOGONALIZAÇÃO.

1 0 0   1 
  1  1,284 
1 1 1 1 1 1 0,25 0,0625 a 0  1 1 1 1
0 0,25 0,50 0,75 1.1 0,50 0,25 . a   0 0,25 0,50 0,75 1.1,6487 
    
1  
0 0,0625 0,25 0,5625 1 1 0,75 0,5625 a 2  0 0,0625 0,25 0,5625 1  2,1170 
1 1 1  2,7183
x.x3 X 3 .a3 X 1  x. y3 X 1 Sistema Ortogonalizado ( Sistema de Equações Lineares).
 5 2,5 1,875   a0   8,768 

 2,5 1,875 1,5625 . a1    5,4514  Sistema Ortogonalizado ( Sistema de Equações Lineares).

1,875 1,5625 1,3828125 a 2  4,4015375
Resolução do Sistema de Equações Lineares através da Eliminação de Gauss:
 5 2,5 1,875   a0   8,768  L1  L1

 2,5 1,875     
1,5625 . a1    5,4514  L2  L2  0,5.L1

1,875 1,5625 1,3828125 a 2  4,4015375 L3  L3  0,375.L1
A matriz acima é simétrica, positiva definida e inversível.
5 2,5 1,875  a0   8,768  L1  L1

0 0,625 0,625 . a1    1,0674  L2  L2

0 0,625 0,6796875 a2  1,1135375 L3  L3  1.L2
5 2,5 1,875   a0   8,768  a2  0,843657142
0 0,625     
0,625 . a1    1,0674   Re trosubstituição  a1  0,864182858

0 0 0,0546875 a 2  0,0461375 a0  1,005137143
E o polinômio de ajuste será:
Polinômio Quadrático
n2
f ( x)   ai .xi  a0 .x 0  a1.x1  a2 .x 2
i 0
n2
f ( x)   ai .xi  1,005137143.x 0  0,864182858.x1  0,843657142.x 2
i 0
Aplicando-se os dados tabelados anteriormente no presente polinômio tem-se os seguintes resultados:
x f(x) f(x) aproximado |erro abs.| |erro rela.|

0,00 1,0000 1,0051 0,0051 0,0051
0,25 1,2840 1,2739 0,0101 0,0079
0,50 1,6487 1,6481 0,0006 0,0003
0,75 2,1170 2,1278 0,0108 0,0051
1,00 2,7183 2,7130 0,0053 0,0020
Tabela: Dados Experimentais, Dados Ajustados e Erros Numéricos.
A Figura abaixo mostra os dados do experimento e a curva de ajuste (polinômio quadrático):
3,00
y = 0,843657143x 2 + 0,864182857x + 1,005137143
2,50 R2 = 0,999852787
2,00
f(x)
1,50
1,00
0,50
0,00
0,00 0,20 0,40 0,60 0,80 1,00
x
Figura: Dados do Experimento e Curva de Ajuste.
O Ajuste através do Método dos Mínimos Quadrados pode utilizar um polinômio de grau (n), curvas
hiperbólicas, logarítmicas, exponenciais, ou até mesmo a combinação destas parcelas de funções
transcendentes.
Os dados do experimento acima também poderiam ser ajustados através da função f ( x)  e x , como
mostra na Figura abaixo:
3,00
2,50 y = ex
R2 = 1
2,00
f(x)
1,50
1,00
0,50
0,00
0,00 0,20 0,40 0,60 0,80 1,00
x
Figura: Dados do Experimento e Curva de Ajuste.
Neste caso, o erro tende a zero pois, R² = 1.
5.1.1-Cálculo do Coeficiente de Determinação R².
O coeficiente de determinação, (R²) é uma medida descritiva da proporção da variação de (y) que pode
ser explicada por variações de (x), via Regressão Linear do Método dos Mínimos Quadrados. A parte não

explicada está associada aos resíduos, ou erros, entre os valores de ajuste ( yi ) e os valores ( yi ) tabulados.
Quanto mais próximo de (1) estiver o coeficiente de determinação, melhor será o grau de explicação da
variável (y) em termos da variável (x).
Para o cálculo do coeficiente de determinação (R²), seguem-se as seguintes descrições:
Seja a Soma Total dos Quadrados dada pela relação abaixo:
n 2
SQTOTAL    yi  y  .
i 1
Considerando-se ( yi ) os valores tabulados e ( y ) a média destes valores, assim, a soma total dos
quadrados é a soma dos quadrados das diferenças entre a média e cada valor tabulado.
Seja a Soma dos Quadrados dos Resíduos dada pela relação abaixo:
n 2

SQRES.    yi  yi  .
i 1

Considerando-se ( yi ) os valores ajustados de ( yi ), esta equação é a soma dos quadrados dos resíduos

obtidos entre os valores de ( yi ) e ( yi ), a qual calcula a parte não explicada do método, ou seja, a parte que
compõe os resíduos.
Seja a Soma dos Quadrados da parte Explicada dada pela relação abaixo:
n 2

SQEXP.    yi  y  .
i 1
Esta equação soma os quadrados das diferenças entre a média e os valores ajustados.
Assim, no modelo, tem-se a parte explicada (prevista) mais a parte residual:
SQTOTAL  SQEXP.  SQRES . .
Normalizando-se, tem-se:
n 2 n 2
 
SQEXP.   yi  y  SQRES.   yi  yi 
R 2  i 1
2
ou 1  1 i 1
2
.
SQTOTAL n SQTOTAL n
 y
i 1
i  y y
i 1
i  y
Exemplo: Calcular o coeficiente de determinação (R²) do exemplo anterior.

Solução: Primeiro calcula-se o valor médio ( y ):
n
 y 1  1,2840  1,6487  2,1170  2,7183

i 1
i
y   1,7536.
n 5
n 2

Agora, calcula-se SQRES .    yi  yi  :
i 1
n 2

SQRES .    yi  yi   0,000274133.
i 1
n 2
Agora, calcula-se SQTOTAL    yi  y  :

i 1
n 2
SQTOTAL    yi  y   1,86214680.
i 1
Finalmente, calcula-se R²:
n 2

SQRES .   yi  yi  0,000274133
R 2 1  1 i 1
2
 1  0,999852787.
SQTOTAL n 1,86214680
y  y
i 1
i
A interpretação deste coeficiente de determinação significa, em termos percentuais, que 99,9852787% das
amostras foram efetivamente ajustadas pela curva determinada.
Observação: O Coeficiente de Determinação está associado à Regressão Linear via Método dos Mínimos
Quadrados, enquanto que o coeficiente de Correlação está associado à Correlação Linear de Pearson. Karl
Pearson foi o londrino que desenvolveu a Análise de Regressão Linear e a Análise de Correlação Linear, (1857-
1936).
Resumo geral do Método dos Mínimos Quadrados:
x .a  y
x T .x .a  xT .y  ORTOGONALIZAÇÃO.
a  x T .x  xT .y  S .E.L.
1
Cálculo de R 2 .
Exercício em sala de aula: O alongamento de uma mola foi medido em função da carga aplicada segundo os
dados da Tabela abaixo. Calcule a curva de ajuste cúbica utilizando o Método dos Mínimos Quadrados,
determine também o coeficiente de determinação R².
Carga aplicada (kg) Alongamento medido (cm)

2 1,0
4 2,5
6 5,0
8 6,3
Tabela: Experimento da mola.
Exercício 1: Em um tanque elástico destinado ao armazenamento de líquidos, o volume é dado em função de

sua altura conforme os dados apresentados na tabela abaixo. Calcule a curva de ajuste quadrática utilizando o
Método dos Mínimos Quadrados, determine também o coeficiente de determinação R².
h(m) V(m³)
0,5 1,341
1,0 4,253
1,5 8,357
2,0 13,571
Exercício 2: A resistência à tração do aço varia em função da temperatura conforme os dados da Tabela abaixo.
Calcule a curva de ajuste quadrática utilizando o Método dos Mínimos Quadrados, determine também o
coeficiente de determinação R².
Temperatura (ºC) Resistência (tf/cm²)

250 5,720
330 5,260
412 4,450
485 2,780
Exercício 3: A velocidade do som na água varia com a temperatura conforme a Tabela abaixo. Calcule a curva
de ajuste (do quarto grau) utilizando o Método dos Mínimos Quadrados, determine também o coeficiente de
determinação R².
Temperatura (ºC) Velocidade (m/s)
86 1552
93,3 1548
98,9 1544
104,4 1538
110 1532
Exercício 4: A Lei de Abrams estabelece que a resistência à compressão do concreto é função do fator
água/cimento da mistura. Determine uma curva de melhor ajuste possível utilizando-se um polinômio de
Mínimos Quadrados. Calcule também o coeficiente R². Ilustre graficamente com os pontos da tabela e com a
curva de ajuste encontrada. Calcule as respectivas resistências do concreto para os fatores água/cimento iguais a
0,45; 0,55; 0,65 e 0,75.
a/c fck28(MPa)
0,40 35,20
0,50 26,69
0,60 20,24
0,70 15,35
0,80 11,64
6-Interpolação.
A interpolação pode ser interpretada como parte do ajuste, onde interpolar significa que a curva
obrigatoriamente deve passar por um conjunto de pontos dados. Diferentemente do ajuste, que a curva não tem
a obrigatoriedade de passar por todos os pontos.
6.1-Interpolação por Sistemas (Vandermonde).
A interpolação por sistemas, também chamada de interpolação de Vandermonde, pode ser definida por:
 x10 x11 x12  x1n1   a0   y0 

 0    
 x2 x12 x22  x2n1   a1   y1 
 x30    
x13 x32  x3n1 . a2    y2 
 
          
   
 x0 x1n xn2  xnn1  an1   yn1 
 n
Onde a Matriz de Vandermonde é definida por:
 x10 x11 x12  x1n1 

 0 
 x2 x12 x22  x2n1 
 x30 x31 x32  x3n1 
 
     
 x0 x1n xn2  xnn1 
 n
Assim, o polinômio de interpolação pode ser escrito da seguinte maneira:
n
P  x    ai . x i .
i 0
O problema consiste em definir o número de pontos que querem participar da interpolação, tendo-se em
vista o número total de pontos do evento. A ordem, ou o grau do polinômio interpolador está associada à
escolha do número de pontos. Ou seja, para (n) pontos escolhidos, tem-se o grau do polinômio (n-1).
Se a Matriz de Vandermonde tiver o seu determinante diferente de zero, o problema tem solução.
Observação: Alexandre-Theóphile Vandermonde, músico, matemático e químico francês, (1735-1796).
Exemplo: Considere o experimento da mola visto anteriormente. Pretende-se determinar o valor do

alongamento da mola produzido pela carga aplicada de (7kg), considerando-se um polinômio interpolador
quadrático.
Carga aplicada (kg) Alongamento medido (cm)

2 1,0
4 2,5
6 5,0
8 6,3
Tabela: Experimento da mola.
Solução: Observa-se na Tabela que o valor da carga de (7kg) está entre os valores de cargas de (6kg) e (8kg),
assim deve-se escolher mais um ponto devido a ordem quadrática do polinômio. Para (3 pontos), polinômio do
2º grau (quadrático). Naturalmente o próximo ponto escolhido será o de (4kg), pois deve-se respeitar as
vizinhanças dos dados anteriores. Assim, tem-se os seguintes pontos escolhidos (4kg), (6kg) e (8kg), os quais
correspondem respectivamente aos alongamentos de (2,5cm), (5,0cm) e (6,3cm).
x0  4kg  y0  2,5cm
x1  6kg  y1  5,0cm
x2  8kg  y2  6,3cm
Aplicando-se o polinômio quadrático nestes pontos:
n
Px    ai .xi  a0 .x 0  a1.x1  a2 .x 2 .
i 0
1 x0 x02  a0   y0 
 
1 x1 x12 . a1    y1 
1 x2 x22  a2   y2 

1 4 16  a0   2,5
1 6 36. a   5,0  Sistema de Equações Lineares.
   1  
1 8 64 a2   6,3
Agora resolve-se o sistema de equações lineares para determinar os coeficientes incógnitos ( ai ) os quais
compõe o polinômio interpolador. Por eliminação de Gauss, tem-se:
1 4 16  a0  2,5 L1  L1
1 6 36. a   5,0  L  L  1.L
   1   2 2 1
1 8 64 a2  6,3 L3  L3  1.L1
1 4 16  a0  2,5 L1  L1
0 2 20. a   2,5 L  L
   1   2 2
0 4 48 a2  3,8  L3  L3  2.L2
1 4 16   a0   2,5  a2  0,15
0 2 20. a    2,5   Re trosubstituição a  2,75
   1   1
0 0 8  a2   1,2 a0  6,1
O polinômio quadrático de interpolação, e o valor a ser interpolado torna-se:
n
P x    ai .x i  a0 .x 0  a1.x1  a2 .x 2
i 0
P x   6,1  2,75 x1  0,15 x 2

P7 kg   6,1  2,75.7   0,15.7   5,8cm
2
Observa-se que o valor pertence ao intervalo de (5,0cm a 6,3cm), sendo esta verificação sempre
importante. Também, outra forma mais completa de verificar é obedecendo-se literalmente o conceito de
interpolação, ou seja, aplicar os valores que foram utilizados para satisfazer ao polinômio interpolador, ou seja:
P4kg   6,1  2,75.4   0,15.4   2,5cm

2
P6 kg   6,1  2,75.6   0,15.6   5,0cm

2
P8kg   6,1  2,75.8  0,15.8  6,3cm

2
Ainda, podem ser interpolados quaisquer valores dentro do intervalo de cargas de (4kg a 8kg).
Exercício em sala de aula: Considerando-se o problema anterior, determine dois polinômios interpoladores
quadráticos para o cálculo de (5kg), para isso utilize outros valores da Tabela. Compare os resultados.
6.2-Interpolação de Lagrange.
Outra forma de interpolação sem resolver o sistema de equações lineares, pode ser obtida utilizando-se o
polinômio interpolador de Lagrange, que pode ser escrito como:
n
Pn  x    f  xk .Lk  x .
k 0
Por exemplo:
P1  x   f  x0 .L0  x   f  x1 .L1  x .
P2  x   f  x0 .L0  x   f  x1 .L1  x   f  x2 .L2  x .

Pn  x   f  x0 .L0  x   f  x1 .L1 x   f  x2 .L2  x   ...  f  xn .Ln  x .
Onde:
Pk  x   f  x .
E, também:
Lk  x   
n x  x  .
j
j 0 x  x 
k j
jk
Para um polinômio linear, ou seja, uma reta, (1º grau) tem-se:
P1  x   L0  x   
1 x  x   x  x 
j 1
e L1 x   
1 x  x   x  x 
j 0
assim,
j 0 x  x  x  x 
k j 0 1 j 0 x  x  x  x 
k j 1 0
j0 j 1
P1  x   f  x0 .L0  x   f  x1 .L1  x 
  x  x1     x  x0  
P1  x   f  x0 .   f  x1 . .
  x0  x1     x1  x0  
Para um polinômio quadrático, ou seja, uma parábola, (2º grau) tem-se:
P2  x   L0  x   
2
x  x1 . x  x2  ; L1  x   
2
x  x0 . x  x2  ; 2
L2  x   
x  x0 . x  x1  ; assim,
j 0  x 0  x1 
. x0  x2  j  0 x1  x0 
 . x1  x2  j0  x 2  x0 
. x2  x1 
j0 j 1 j2
P2  x   f  x0 .L0  x   f  x1 .L1  x   f x2 .L2  x 

  x  x1 . x  x2     x  x0 . x  x2     x  x0 . x  x1  
P2  x   f  x0 .   f  x1 .   f  x2 . .
  x0  x1 
. x0  x2     x1  x0 
. x1  x2     x2  x0 
. x2  x1  
Observação: Note que, por exemplo, L0  x  aplicado no polinômio P1  x  será uma função do primeiro grau,
enquanto que para P2  x  será uma função do segundo grau, e assim sucessivamente.
Exemplo: A Tabela abaixo apresenta dados do calor específico da água em função da temperatura. A-)
Determine o valor do calor específico da água para a temperatura de (32,5ºC) utilizando um polinômio
interpolador lagrangeano quadrático. B-) Determine o valor do calor específico da água para a temperatura de
(37ºC). C-) Determine a temperatura correspondente ao calor específico de (0,9982cal./g.ºC).
Temperatura (ºC) Calor Específico da água (cal./g.ºC)

20 0,99907
25 0,99852
30 0,99826
35 0,99818
40 0,99828
45 0,99878
Tabela: Calor Específico da água em função da temperatura.
Solução: Para (3 pontos), polinômio do 2º grau (quadrático). Analisando-se os itens A-) e B-), pode-se escolher
os três pontos que satisfaçam simultaneamente estes itens, ou seja, as temperaturas a serem escolhidas são
(30ºC), (35ºC) e (40ºC), aos quais correspondem respectivamente ao calor específico de (0,99826 cal./g.ºC),
(0,99818 cal./g.ºC) e (0,99828 cal./g.ºC). Desta forma, não haverá a necessidade de calcular dois polinômios de
interpolação. Também o item C-), será satisfeito pelo mesmo polinômio interpolador, pois o valor de
(0,9982cal./g.ºC) está compreendido entre os valores selecionados.
x0  30º C  y0  0,99826cal. / g .º C
x1  35º C  y1  0,99818cal. / g .º C
x2  40º C  y2  0,99828cal. / g .º C
Aplicando-se o polinômio interpolador lagrangeano quadrático nestes pontos:
P2  x   f  x0 .L0  x   f  x1 .L1  x   f  x2 .L2  x 

  x  x1 . x  x2     x  x0 . x  x2     x  x0 . x  x1  
P2  x   f  x0 .   f  x1 .   f  x2 . .
  x0  x1 
. x0  x2     x1  x0 
. x1  x2   . x2  x1  
  x2  x0 
  x  35 . x  40     x  30 . x  40    x  30
. x  35 
P2  x   0,99826.   0,99818.   0,99828. .
 30  35 . 30  40    35  30 . 35  40  . 40  35
 40  30
Desenvolvendo-se:
P2 x   1,00252  0,00025.x  0,0000036.x 2 Polinômio Interpolador Quadrático.
A) P2 32,5º C   1,00252  0,00025.32,5  0,0000036.32,5  0,9981875  0,99820cal. / g.º C .

2
B ) P2 37º C   1,00252  0,00025.37   0,0000036.37   0,9981984  0,99820cal. / g .º C.

2
C )0,9982  1,00252  0,00025.x  0,0000036.x 2  0,00432  0,00025.x  0,0000036.x 2

Por Bhaskara Akaria  x1  37,0955566º C e x2  32,34888785º C  t1  37 º C e t 2  32º C.
Os dois valores satisfazem o polinômio e o sentido físico do problema.
Observação: Joseph Louis Lagrange, (1736-1813), matemático franco-italiano, produziu a sua principal obra
Mecânica Analítica, publicada em 1788. Desenvolveu uma formulação energética para o tratamento de
problemas dinâmicos. No método dos elementos finitos, embora tenha surgido posteriormente no século XX,
há uma família de elementos finitos lagrangeanos, as quais suas funções de forma são produzidas pelos
polinômios interpoladores lagrangeanos, vistos acima.
Exercício em sala de aula: Considerando-se o problema anterior, resolva-o utilizando-se de outros pontos da
Tabela. Compare os resultados.
6.3-Interpolação usando Diferenças Divididas Finitas.
Considere o seguinte evento interpretado pelo diagrama de Fraser abaixo:
Figura: Diagrama de Fraser.
Onde as diferenças divididas finitas são definidas por:
f  x1   f  x0 
f x0 x1   Diferença Dividida Finita de Pr imeira Ordem.
x1  x0
f x2   f  x1 
f x1x2   Diferença Dividida Finita de Pr imeira Ordem.
x2  x1
f  x3   f  x2 
f x2 x3   Diferença Dividida Finita de Pr imeira Ordem.
x3  x2
f x1x2   f x0 x1 
f x0 x1x2   Diferença Dividida Finita de Segunda Ordem.
x2  x0
f x2 x3   f x1 x2 
f x1x2 x3   Diferença Dividida Finita de Segunda Ordem.
x3  x1
f x1x2 x3   f x0 x1x2 
f x0 x1x2 x3   Diferença Dividida Finita de Terceira Ordem.
x3  x0
Genericamente têm-se os possíveis polinômios interpoladores de Newton do terceiro grau, via os caminhos no
Diagrama de Fraser:
AEHJ, BEHJ, BFHJ, BFIJ, CFHJ, CFIJ, CGIJ e DGIJ.
Relacionando-se as letras aos termos do Diagrama de Fraser:
1-) P3  x   f  x0   f x0 x1 . x  x0   f x0 x1 x2 . x  x0 

. x  x1   f x0 x1 x2 x3 . x  x0 
. x  x1 
. x  x2 .

. x  x0   f x0 x1 x2 x3 .x  x1 
. x  x0 
. x  x2 .

. x  x2   f x0 x1 x2 x3 . x  x1 
. x  x2 
. x  x0 .

. x  x2   f x0 x1 x2 x3 . x  x1 
. x  x2 
. x  x3 .
. x  x1   f x0 x1 x2 x3 . x  x2 
. x  x1 
. x  x0 .

. x  x1   f x0 x1 x2 x3 . x  x2 
. x  x1 
. x  x3 .

. x  x3   f x0 x1 x2 x3 . x  x2 
. x  x3 
. x  x1 .
8-) P3  x   f  x3   f x2 x3 .x  x3   f x1 x2 x3 . x  x3 

. x  x2   f x0 x1 x2 x3 . x  x3 
. x  x2 
. x  x1 .
Os quais podem ser classificados como:
6.3.1-Polinômios Interpoladores de Gregory-Newton.

. x  x1   f x0 x1 x2 x3 . x  x0 
. x  x1 
. x  x2 .
8-) P3  x   f  x3   f x2 x3 .x  x3   f x1 x2 x3 . x  x3 

. x  x2   f x0 x1 x2 x3 . x  x3 
. x  x2 
. x  x1 .
6.3.2-Polinômios Interpoladores de Gauss.

. x  x2   f x0 x1 x2 x3 . x  x1 
. x  x2 
. x  x0 .

. x  x1   f x0 x1 x2 x3 . x  x2 
. x  x1 
. x  x3 .
6.3.3-Polinômios Interpoladores de Stirling.
Calculado com a média dos polinômios de Gauss.
6.3.4-Polinômios Interpoladores da Diferença Central (Bessel e Everett).
Seja agora outro evento com um número de amostras ímpar via Diagrama de Fraser, como mostra a Figura
abaixo:
Se forem escolhidos como referência o termo central (C) e escolher os polinômios (CGKMO) e
(CHKNO), serão então empregados os Polinômios Interpoladores da Diferença Central.
Demais polinômios interpoladores como o de Bessel e o de Everett, são composições dos termos,
(médias) entre os polinômios formados pelas diferenças divididas finitas pares e ímpares.
Logicamente as ordens inferiores dos polinômios interpoladores tais como, quadrático e linear, podem
ser obtidas truncando-se as ordens mais elevadas dos polinômios interpoladores anteriores.
Observação: James Gregory, matemático e astrônomo escocês, (1638-1675). Friedrich Wilhelm Bessel,
matemático e físico alemão, (1784-1846). James Stirling, matemático escocês, (1692-1770).
Exemplo: No problema visto anteriormente: A velocidade do som na água varia com a temperatura conforme a
Tabela abaixo. Calcule um polinômio interpolador utilizando-se de todos os valores da Tabela. Estime a
velocidade do som quando a temperatura da água atinge os 100ºC.
Temperatura (ºC) Velocidade (m/s)

86 1552
93,3 1548
98,9 1544
104,4 1538
110 1532
Solução: Como o problema requer a utilização de todos os pontos da tabela, deve-se construir uma tabela de
diferenças divididas finitas utilizando-se de todos os dados do problema.
xi f(xi) f[xx] f[xxx] f[xxxx] f[xxxxx]

86 1552
-0,54794521
93,3 1548 -0,01289461
-0,71428571 -0,00114323
98,9 1544 -0,03393003 0,00013667
-1,09090909 0,00213683
104,4 1538 0,00175500
-1,07142857
110 1532
Tomando-se como referência o primeiro polinômio de Gregory-Newton:
P4  x   f  x0   f x0 x1 . x  x0   f x0 x1x2 . x  x0 

. x  x1  
 f x0 x1 x2 x3 . x  x0  . x  x2   f x0 x1x2 x3 x4 . x  x0 
. x  x1  . x  x1 
. x  x2 
. x  x3 .
Substituindo-se os valores:
P4  x   1552  (-0,54794521). x  86  (-0,01289461). x  86

. x  93,3 
 (-0,00114323). x  86 
. x  93,3
. x  98,9   (0,00013667). x  86
. x  93,3
. x  98,9 
. x  104,4 .
Desenvolvendo-se:
P4 100  1552  (-0,54794521).100  86   (-0,01289461).100  86

. 100  93,3 
 (-0,00114323).100  86
. 100  93,3
. 100  98,9   (0,00013667).100  86
. 100  93,3
. 100  98,9 
. 100  104,4 .
P4 100   1552  (-0,54794521).14   (-0,01289461).14 

. 6,7  
 (-0,001143 23).14 
. 6,7 
. 1,1  (0,00013667 ).14 
. 6,7 
. 1,1
.  4, 4 .
P4 100  1552  (-7,67123294)  (-1,209514418)  (-0,117958471)  (-0,062047086)  1542,939247m / s.
Resposta: 1543m/s.
Observação: A curva de ajuste para este problema (com um polinômio do quarto grau) é apresentada abaixo:
1555 4 3 2
y = 0,000137x - 0,053433x + 7,794706x - 503,637103x +
13725,499237
2
1550 R = 1,000000
1545
v(m/s)
1540
1535
1530
85 90 95 100 105 110 115
T(ºC)
Figura: Curva de Ajuste do problema.
Exercício em Sala de Aula: Tendo como base a tabela das diferenças divididas finitas do exercício anterior,
desenvolva os outros polinômios possíveis, calcule a velocidade do som quando a temperatura da água atinge
os 100ºC e compare os resultados. Compare também os polinômios de interpolação com a curva de ajuste
apresentada acima.
Exercícios Propostos.
Exercício 1: A tabela seguinte apresenta a população do Brasil (em milhões). Construa um polinômio
interpolador de Vandermonde de grau 4 para estimar a população no ano de 1965. Construa um gráfico
apresentando o polinômio interpolador comparando-se com os dados da tabela.
Ano 1940 1950 1960 1970 1980

População 41,2 51,9 70,2 93,1 119,0
Exercício 2: Os resultados da densidade da água em várias temperaturas são apresentados na tabela a seguir.
T (ºC) 0 5 10 15 20 25 30 35 40
(g/cm³) 0,9999 0,9998 0,9997 0,9991 0,9982 0,9971 0,9957 0,9941 0,9902
Utilizando a interpolação de Lagrange para polinômios de 2º e de 3º graus, calcule a densidade da água para as
temperaturas de 13ºC e 17ºC. Construa um gráfico apresentando os respectivos dados da tabela comparando-se
com os polinômios encontrados, compare e discuta os resultados.
Exercício 3: Conhecendo-se o diâmetro e a resistividade de um fio cilíndrico, verificou-se a resistência do fio

de acordo com o comprimento. Os dados obtidos são apresentados na tabela.
L (m) 500 1000 1500 2000 2500 3000 3500 4000

R(ohms) 2,74 5,48 7,90 11,00 13,93 16,43 20,24 23,52
Utilizando a interpolação de Newton para polinômios de 2º e de 3º graus, determine as prováveis resistências
para fios de comprimentos iguais a 1730m e 3200m. Construa um gráfico apresentando os respectivos dados da
tabela comparando-se com os polinômios encontrados, compare e discuta os resultados.
Exercício 4: Sendo 200 candelas a intensidade luminosa de uma lâmpada, foi calculada a iluminação em casos
de incidência normal sobre a superfície situada a distâncias conhecidas, quando para cada distância foi
calculada a iluminação, conforme a tabela a seguir:
Distância (m) 1,00 1,25 1,50 1,75 2,00 2,25 2,50

Iluminação(lux) 200,00 128,00 88,39 65,30 50,00 39,50 32,00
Utilizando a interpolação de Newton para polinômios de 2º e de 3º graus, determine as prováveis iluminações

quando a superfície estiver situada a 1,60m e a 2,38m da lâmpada. Construa um gráfico apresentando os
respectivos dados da tabela comparando-se com os polinômios encontrados, compare e discuta os resultados.
7-Integração Numérica.
b
O objetivo de determinar  f ( x)dx na forma numérica surge quando a f ( x) dx não possui forma
a
analítica de integração, (não consta nos formulários), ou quando a solução de f ( x) dx é difícil, ou ainda,
quando não se tem f ( x) dx e o evento é representado na forma de pontos  x, f ( x)  .
7.1-Fórmulas de Newton-Cotes.
As fórmulas de integração de Newton-Cotes baseiam-se na aproximação, (interpolação) de um

polinômio g (x) a ser integrado no lugar de f (x) . Este polinômio pode ser linear, dando origem a regra do
trapézio, quadrático, dando origem a regra de Simpson de 1/3, cúbico, dando origem a regra de Simpson de 3/8,
ou ainda, ser formado por ordens mais elevadas, ou várias aplicações dentro de um intervalo fechado [a, b].
7.1.1-Regra dos Trapézios.
b
Seja o problema de calcular a integral definida de Riemann dada por  f ( x)dx . Pode-se utilizar uma
a
aproximação numérica de f (x) por uma função de aproximação P1(x), neste caso, uma reta que liga os pontos
f(a) e f(b) da função f (x) como mostra a Figura abaixo:
Figura: Integração numérica por trapézio.
b
Do ponto de vista geométrico, o objetivo do cálculo da integral definida de Riemann dada por  f ( x)dx ,
a
é o determinar a área abaixo da curva da função f (x) , limitada pelo intervalo fechado [a, b].
Observa-se na Figura que a área total será formada pela área do trapézio acrescida de um erro. Este erro
numérico é formado pela área entre o trapézio e a função f (x) . Desta forma, pode-se definir a regra do
trapézio:
b b ba h h
 f ( x)dx   P1 ( x)dx  . f ( a )  f (b)  ou . f ( a )  f (b )  ou . f ( x0 )  f ( x1 ) .
a a 2 2 2
Exemplo para Um Trapézio: Calcular a integral definida abaixo pelo método analítico e pela regra do
trapézio. Compute também os erros numéricos.
3
 x 2 dx
1
Cálculo analítico:
3
3  x3   33 13   27 1  26
 x 2dx              8,666... u.a. Solução Exata.
1
 3 1  3 3   3 3  3
Cálculo pela regra do trapézio:
3 3 ba 3 1 2
1
x 2 dx   P1 x dx 
1 2
. f ( a )  f (b )  
2
   
. (3) 2  (1) 2  . (3) 2  (1) 2  10u.a.
2
Cálculo dos Erros Numéricos:
Erro Absoluto:
26 26  30 4
 10    1,333... u.a.
3 3 3
Erro Relativo:
4
3  15,38461538 %.
26
3
Observa-se que o erro numérico ainda está alto, não sendo esta uma solução satisfatória. Desta forma,
empregar-se-á o cálculo para dois trapézios, conforme ilustra a Figura abaixo:
Figura: Integração numérica por dois trapézios.
Assim, pode-se definir a regra para dois trapézios:
x2  x0
h ;
2
x2 x2  x0 x  x0 h
 f ( x)dx  . f ( x0 )  f ( x1 )   2 . f ( x1 )  f ( x2 )  . f ( x0 )  2. f ( x1 )  f ( x2 ) .
x0 2 2 2
Exemplo para Dois Trapézios: Usando-se do problema anterior:
3 h 1
1 2 2

. f ( x0 )  2. f ( x1 )  f ( x2 )   . (1) 2  2.(2) 2  (3) 2  9 u.a.
x 2 dx  
Erro Absoluto:
26 26  27 1
9    0,333... u.a.
3 3 3
Erro Relativo:
1/ 3
 3,846153846%.
26
3
Observa-se que o erro numérico reduziu, mas pode-se melhorar a solução numérica com o emprego da fórmula
para três trapézios. Desta forma, empregar-se-á o cálculo para três trapézios, conforme ilustra a Figura abaixo:
Figura: Integração numérica por três trapézios.
Assim, pode-se definir a regra para três trapézios:
x3  x0
h ;
3
x3 x1 x2 x3
 f ( x)dx   f ( x)dx   f ( x)dx   f ( x )dx 
x0 x0 x1 x2
h h h h
 . f ( x0 )  f ( x1 )   . f ( x1 )  f ( x2 )  . f ( x2 )  f ( x3 )   . f ( x0 )  2. f ( x1 )  2. f ( x2 )  f ( x3 ).
2 2 2 2
Exemplo para Três Trapézios: Usando-se do problema anterior:
x3  x0 3  1 2
h   ;
3 3 3
3 h 2 1
 2 2 2 2

1 x dx  2 . f ( x0 )  2. f ( x1 )  2. f ( x2 )  f ( x3 )   3 . 2 . (1)  2.(5 / 3)  2.(7 / 3)  (3)  8,814814814...u.a.
2
Erro Absoluto:
26
 8,814814814  0,148148148...u.a.
3
Erro Relativo:
0,148148148
 1,709401708%.
26
3
Generalizando-se o raciocínio, tem-se a formulação para quatro trapézios:
x4  x0
h ;
4
x4 x1 x2 x3 x4
 f ( x)dx   f ( x)dx   f ( x)dx   f ( x)dx   f ( x)dx 
x0 x0 x1 x2 x3
h h h h
 . f ( x0 )  f ( x1 )   . f ( x1 )  f ( x2 )   . f ( x2 )  f ( x3 )   . f ( x3 )  f ( x4 ) 
2 2 2 2
h
 . f ( x0 )  2. f ( x1 )  2. f ( x2 )  2. f ( x3 )  f ( x4 ).
2
Exercício em sala de aula: Calcular o exercício anterior usando-se a regra para quatro trapézios, computar
também os erros numéricos.
Observação: Roger Cotes, matemático inglês, foi membro da Royal Society e trabalhou ao lado de Newton,
(1682-1716). George Friedrich Bernhard Riemann, (1826-1866), matemático alemão, grande desenvolvedor da
geometria a qual é chamada riemanniana a qual foi estudada mais tarde por Einstein no desenvolvimento de sua
teoria da relatividade.
7.1.2-Regra dos Trapézios Composta.
Considerando-se os desenvolvimentos anteriores, pode-se determinar a formulação para (n) trapézios, a

chamada Regra dos Trapézios Composta da seguinte forma:
xn  x0
h ;
n
xn x1 x2 x3 xn
 f ( x)dx   f ( x)dx   f ( x)dx   f ( x )dx  ...   f ( x)dx 
x0 x0 x1 x2 x n 1
h h h h
 . f ( x0 )  f ( x1 )   . f ( x1 )  f ( x2 )  . f ( x2 )  f ( x3 )   ...  . f ( xn 1 )  f ( xn ) 
2 2 2 2
h
 . f ( x0 )  2. f ( x1 )  2. f ( x2 )  2. f ( x3 )  ...  2. f ( xn 1 )  f ( xn )  ou
2
h
 . f ( x0 )  f ( xn )  2. f ( x1 )  f ( x2 )  f ( x3 )  ...  f ( xn 1 ).
2
Exemplo da Regra dos Trapézios Composta: Calcular a integral definida abaixo pela regra dos trapézios
composta para seis subintervalos, calcule também os erros numéricos.
5
 x 2 dx
1
Solução Numérica:
x6  x0 5  1 4 2
h    ;
6 6 6 3
x0  1;
2 3 2 5
x1  1  h  1     ;
3 3 3 3
5 5 2 7
x2   h    ;
3 3 3 3
7 7 2 9
x3   h    ;
3 3 3 3
9 9 2 11
x4   h    ;
3 3 3 3
11 11 2 13
x5   h    ;
3 3 3 3
13 13 2 15
x6   h     5;
3 3 3 3
x6 h
 x0 f ( x)dx  2 . f ( x0 )  f ( x6 )  2. f ( x1 )  f ( x2 )  f ( x3 )  f ( x4 )  f ( x5 );
2 1
5
2
 2 2 2

1 x dx  3 . 2 (1)  (5)  2. (5 / 3)  (7 / 3)  (9 / 3)  (11/ 3)  (13 / 3)   41,629629629...u.a.
2 2 2 2
Solução Analítica:
5
5
2  x3   53  13  125  1  124 
 x dx         u.a.
1
 3 1  3   3   3 
Erro Absoluto:
124
 41,629629629  0,296296296...u.a.
3
Erro Relativo:
0,296296296
 0,716845854 %.
124
3
Erro de Truncamento da Regra dos Trapézios:
Outra fórmula para o cálculo do erro de truncamento, caso não exista a solução analítica da integral, é
dado da seguinte maneira:
ET 
xn  x0 3 .Máx. f x   x  I  x0 , xn .
12.n2
Para o problema anterior, tem-se:
ET 
5  1
3
.2  0,296296296...u.a. C.Q.D.
2
12.6 
Ou seja, a fórmula do erro de truncamento fornece o erro absoluto entre a integral resolvida pela solução
analítica e a integral resolvida pela solução numérica.
Observação: C.Q.D, vem da expressão “como se queria demonstrar”, em latim quod erat demonstrandum,
antigamente representado por Q.E.D.
7.1.3-Regra de Simpson de (1/3).
b
a
aproximação numérica de f (x) por uma função de aproximação P2(x), neste caso, uma função quadrática, a
qual ligará três pontos da função f (x) como mostra a Figura abaixo:
Figura: Integração numérica pela Regra de Simpson de (1/3).
A formulação da Regra de Simpson de (1/3), também chamada de Primeira Regra de Simpson, pode ser escrita
da seguinte maneira:
x2  x0
h ;
2
x2 x2 h
 f ( x)dx   P2  x dx  . f  x0   4. f  x1   f  x2 .
x0 x0 3
A qual irá produzir um erro de truncamento que pode ser calculado a partir de:
Erro de Truncamento da Regra de Simpson de (1/3):
h5
ET   .Máx. f IV  x   x  I  x0 , x2 .
90
Exemplo da Regra de Simpson de (1/3): Considerando-se o problema anterior. Calcular a integral definida
abaixo pelo método analítico e pela regra de Simpson de (1/3). Compute também os erros numéricos.
5
 x 2 dx
1
x2  x0 5  1 4
h    2;
2 2 2
5 x2 h
1 x dx   x0 P2 x dx  3 . f x0   4. f x1   f x2 ;
2
2 2 124
5
 
1 x dx  3 . 1  4.3  5  3 u.a.  Igual a solução exata.
2 2 2
Observa-se também que pela fórmula do erro de truncamento não existirá erro, pois a derivada ordinária de
quarta ordem da função a ser integrada não existe assim o erro torna-se zero.
Observação: Thomas Simpson foi um matemático e inventor britânico, (1710-1761).
7.1.4-Regra de Simpson de (1/3) Composta.
De maneira análoga à Regra dos Trapézios, a generalização da Regra de Simpson de (1/3) para
integração ao longo de um intervalo [a, b] é feita dividindo-se [a, b] num número par (2.n) de subintervalos de
ba
amplitude h  , de tal forma que x0  a, e x2.n  b . Nota-se que o número de subdivisões deve ser
2.n
múltiplo de 2, pois precisa-se de dois subintervalos (e, portanto, três pontos). Para aplicar uma vez a regra, tem-
se então:
x2. n x2 x4 x2. n
 f  x dx   f  x dx   f  x dx  ...   f  x dx.
x0 x0 x2 x2. n  2

Usando-se a Regra de Simpson de (1/3) para cada subintervalo, x j , x j 2 , j=0,2,4,...,2.n-2, obtêm-se:
x 2. n h h h
 f  x dx  . f  x0   4. f  x1   f  x2   . f  x2   4. f x3   f  x4   ...  . f  x2.n  2   4. f  x2.n 1   f  x2.n .
x0 3 3 3
Então:
x 2. n h
 f x dx  . f  x0   4. f x1   2. f  x2   4. f  x3   2. f  x4   ...  2. f  x2.n  2   4. f  x2.n 1   f  x2.n .
x0 3
Erro de Truncamento da Regra de Simpson de (1/3) Composta:
ET  
b  a 5 .Máx. f IV x   x  I  a , b.
180.n 4
7.1.5-Regra de Simpson de (3/8).
b
a
aproximação numérica de f (x) por uma função de aproximação P3(x), neste caso, uma função cúbica, a qual
ligará quatro pontos da função f (x) como mostra a Figura abaixo:
Figura: Integração numérica pela Regra de Simpson de (3/8).
A formulação da Regra de Simpson de (3/8), também chamada de Segunda Regra de Simpson pode ser escrita
da seguinte maneira:
x3  x0
h ;
3
x3 x3 3.h
 f ( x)dx   P3  x dx  . f  x0   3. f  x1   3. f  x2   f  x3 .
x0 x0 8
A qual irá produzir um erro de truncamento que pode ser calculado a partir de:
Erro de Truncamento da Regra de Simpson de (3/8):
3.h 5
ET   .Máx. f IV  x   x  I  x0 , x3 .
80
Exemplo da Regra de Simpson de (3/8): Calcular a integral definida abaixo pela regra de Simpson de (3/8).
Compute também os erros numéricos.
2 dx
1 5  3 .x
x3  x0 2  1 1
h   ;
3 3 3
x0  1;  f  x0   0,125;
1 3 1 4
x1  1  h  1     ;  f  x1   0,11111...;
3 3 3 3
4 4 1 5
x2   h    ;  f  x2   0,10000;
3 3 3 3
5 5 1 6
x3   h     2;  f  x3   0,090909...;
3 3 3 3
2 dx x3 1 3
1 5  3.x  x0 P3 x dx  3 . 8 .0,125  3.0,11111...  3.0,10000  0,090909...  0,106155303 u.a.
Solução Analítica:
2 dx 1
  .ln 11  ln 8   0,106151243u.a.
1 5  3 .x 3
Erro Absoluto:
0,106151243  0,106155303  0,000004059u.a.
Erro Relativo:
0,000004059
 0,003823789 %.
0,106151243
7.1.6-Regra de Simpson de (3/8) Composta.
Para generalizar a Regra de Simpson de (3/8), deve-se dividir o intervalo [a, b] em um número de
ba
subintervalos de amplitude h  , de tal forma que x0  a, e x3.n  b . Nota-se que o número de subdivisões
3.n
deve ser múltiplo de 3, pois precisa-se de três subintervalos (e, portanto, quatro pontos). Para aplicar uma vez a
regra, tem-se então:
x3. n x3 x6 x3. n
 f  x dx   f  x dx   f  x dx  ...   f  x dx.
x0 x0 x3 x3. n 3

Usando-se a Regra de Simpson de (3/8) para cada subintervalo, x j , x j  3 , j=0,3,6,...,3.n-3, obtêm-se: 
x 3. n 3.h 3.h
 f  x dx  . f  x0   3. f  x1   3. f x2   f  x3   . f  x3   3. f  x4   3. f  x5   f  x6   ... 
x0 8 8
3.h
 . f  x3.n  3   3. f  x3.n  2   3. f  x3.n 1   f  x3.n .
8
Então:
x3. n 3.h  f  x0   3. f  x1   3. f  x2   2. f  x3   3. f x4   3. f  x5   ...  

 f  x dx  . .
x0 8  2. f  x3.n3   3. f  x3.n 2   3. f  x3.n1   f x3.n  
ET 
b  a
5
.Máx. f IV  x   x  I  a, b.
80.n 4
Exercício Resolvido: Calcular a integral definida abaixo com um erro de E=1.10-2, usando as Regras de
Newton-Cotes.
  x4 
0  4  x  sin x  dx.
2
Solução: Para resolver este problema deve-se identificar qual das fórmulas exige o menor valor de parcelas (n)
de subintervalos. Este pode ser determinado a partir das fórmulas do erro de truncamento das integrações.
Sendo estas avaliadas considerando-se um erro de E=1.10-2.
Assim, tem-se para cada regra:
Erro de Truncamento da Regra dos Trapézios:

1/ 2
b  a 3 .Máx. f x  2
   0 3
 1.10  n    
. 3. 2  2  sin      90,37  n  91 sub int ervalos.
2
12.n 2 12.1.10 
1/ 4
b  a 5 .Máx. f IV x  2
   0 5
 1.10  n  

.6  sin  / 2   5,87  n  6 sub int ervalos.
2
180.n 4 180.1.10 
1/ 4
b  a 5 .Máx. f IV x  2
   0 5
 1.10  n  

.6  sin  / 2   7,19  n  9 sub int ervalos.
2
80.n 4  80.1.10 
Desta forma, observa-se que a Regra de Simpson de (1/3) Composta é a que exige o menor esforço. Assim,
tem-se:
ba  0 
h   ;
n 6 6
x0  0;  f  x0   0,0000;
 
x1  0  h  0   ;  f  x1   0,7929;
6 6
    
x2   h    2.  ;  f  x2   2,2633;
6 6 6 6 3
   2.   3. 
x3   h      ;  f  x3   4,9894;
3 3 6 6 6 2
   3.   4. 2.
x4   h      ;  f  x4   10,0628;
2 2 6 6 6 3
2. 2.  4.   5.
x5  h    ;  f  x5   19,0979;
3 3 6 6 6
5. 5.  6.
x6  h     ;  f x6   34,2219;
6 6 6 6
 x
4
  1 0,0000  4.0,7929  2.2,2633  4.4,9894  
0  4  x  sin x dx.  6 . 3 . 2.10,0628  4.19,0979  34,2219
2
  27,6451u.a.

Exercícios Propostos.
Exercício 1: Calcular as integrais definidas abaixo pelas Regras dos Trapézios, compute também os erros
numéricos.
3.x  2dx (1 Trapézio). C-) 0 cosx  dx (4 Trapézios).
4,5 1 6 1
A-)  2
dx ( 2 Trapézios ). B-) 
4 x 3 1 x
Exercício 2: Calcule o trabalho realizado por um gás, utilizando a Regra dos Trapézios Composta,
V
considerando-se os dados da Tabela abaixo: Sugestão W   P.dV . Resposta: 157,5J.
V0
V(m³) P(N/m²)
1,5 80
2,0 72
2,5 64
3,0 53
3,5 44
4,0 31
4,5 22
 /2
Exercício 3: Calcule  2 sin  x dx usando a Regra dos Trapézios Composta para seis subintervalos e usando
0
a Primeira Regra de Simpson computando-se também os erros numéricos. Compare as soluções.
0, 6
0, 6  e 3. x 
2 3. x
Exercício 4: Calcule  x .e dx cuja solução analítica é   
9.x 2  6.x  2   0,293386...u.a.
0
 27 0
-2
Considerando-se um erro de E=1.10 e utilizando uma das Três Regras de Newton-Cotes, determine a solução
numérica com o menor esforço computacional.
Referências Bibliográficas:
Beghetto, F.L.M., Métodos Numéricos Aplicados à Engenharia Civil – Notas de Aula. Curso de Engenharia
Civil. Departamento Acadêmico de Construção Civil, DACOC, Universidade Tecnológica Federal do Paraná,
UTFPR, 2012, 2013, 2014, 2015, 2016, 2017, 2018 e 2019.
Beghetto, F.L.M., Cálculo Numérico I e II – Notas de Aula. Curso de Engenharia Mecânica. Pontifícia
Universidade Católica do Paraná, PUCPR, 2011 e 2012.
Burden, R.L., Faires, J.D. Análise numérica, 8ª edição, Cengage Learning, 2008.
Franco, N. B. Cálculo Numérico, São Paulo: Pearson Prentice Hall, 2007, 6º Reimpressão, Abril 2013.
Iyengar, S. R. K., Jain, R. K., Numerical Methods. New Age International Publishers. New Delhi. 2009.
Monteiro, M. T. T., Métodos Numéricos: Exercícios resolvidos aplicados à engenharia e outras ciências.
Universidade do Minho. Portugal. 2012.
Ruggiero, M.A.G., Lopes, V.L.R. Cálculo Numérico: Aspectos Teóricos e Computacionais, 2ª edição, Makron,
1997.
Wolupeck, A., Cálculo Numérico e Aplicações, Departamento Acadêmico de Informática, Centro Federal de
Educação Tecnológica do Paraná – CEFET-PR, 1999.

Apostila Métodos Numéricos Prof Beghetto

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

Apostila Métodos Numéricos Prof Beghetto

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ – UTFPR.

DEPARTAMENTO ACADÊMICO DE CONSTRUÇÃO CIVIL – DACOC.

Professor: Fernando Luiz Martinechen Beghetto.

A chamada Matemática Analítica é fundamentada em artifícios e abstrações algébricas. É sempre

Exemplo: Calcule a derivada da função abaixo.

Exemplo: Calcule uma raiz real da função abaixo.

P( x)  y  a.x 3  b.x 2  c.x  d , com a  0, sendo as raízes, r1 , r2 e r3 , então :

Até o presente foram mencionadas as funções algébricas polinomiais. E as funções transcendentes?

Figura: Fluxograma de um Problema Matemático.

1-) Não deve violar as restrições físicas da máquina (computador ou calculadora);

Geralmente os erros numéricos provêm de três fontes:

1-) Modelagem matemática do problema;

1.1-Erros de processamento numérico.

Exemplo: 1 / 3  Racional i lim itado.; 2  Irracional;   Irracional; e  ?

Regiões de Underflow e Overflow:

Considere a reta numerada abaixo:

C-) Erros de Truncamento:

y  f ( x)  0 Igualar a zero a equação, daí sua origem.

2.1-Teorema de Bolzano ou Teorema do Valor Intermediário.

y  f ( x), contínua em I  a, b ,

Representação gráfica da Técnica do Desdobramento.

O Método da Bissecção ou Dicotomia consiste em dividir o intervalo escolhido I = [a,b] ao meio,

Formula de Recorrência do Método da Bissecção:

Este método possui taxa de convergência linear.

Representação gráfica do Método da Bissecção.

Valor da função no ponto: Este é acompanhado da unidade do problema.

2.4-Método da Regula Falsi (Falsa Regra ou Falsa Posição):

Representação gráfica do Método da Regula Falsi.

Formula de Recorrência do Método da Regula Falsi:

Este método possui taxa de convergência superlinear.

Representação gráfica do Método de Newton-Raphson.

Sucintamente, o que a figura acima descreve é o seguinte:

Formula de Recorrência do Método de Newton-Raphson:

Este método possui taxa de convergência geométrica.

Advertências sobre o método de Newton-Raphson: Ao observar a fórmula de recorrência do método,

Representação gráfica do Método das Secantes.

Formula de Recorrência do Método das Secantes:

Este método possui taxa de convergência superlinear.

1-) f ( x)  10. ln( x)  x , pertencente ao intervalo I=[1;2].

a11 .x1  a12 .x2  ...  a1n .xn  b1 

Pode-se separá-lo convenientemente na forma matricial [A]{x}={b}:

 a11 a12  a1n   x1   b1 

3.1-Métodos Diretos de Solução de Sistemas de Equações Lineares:

3.1.1-Método da Eliminação de Gauss:

Em um sistema de equações lineares são permitidas as seguintes operações:

Matriz Triangular Superior.

 x1  2.x2  4.x3  4   1 2  4   4 L1  L1 1 2  4   4  x1  2.x2  4.x3  4

Observação: A Estratégia de Pivotamento Parcial e Pivotamento Total é apresentada na seqüência no

3.1.2-Método da Matriz Inversa de [A]:

Ax  b Multiplicando  se a igualdade pela Matriz Inversa A ,

F   K x Lei de Hooke.  K 1 F   K 1 K x então K 1 F   I x

Solução: Item (A)

Solução: Item (B)

3.1.3-Método da Decomposição [L][U]:

Resolução do Sistema de Equações Lineares por Decomposição [L][U]:

Etapa 2  Zerar termos abaixo do pivô a22 :

 1 0 0  1 0 0 a11 a12 a13  3  4 1 

( 4 / 3). y  (16 / 10). y  y  2 

2º ) U x  y, Substituição Re troativa (Re trosubstituição).

Observação: Outro Método que utiliza a decomposição de matrizes é o Método da Decomposição ou

3.2-Métodos Indiretos de Solução de Sistemas de Equações Lineares:

a11 .x1  a12 .x2  ...  a1n .xn  b1 

Pode-se separá-lo convenientemente na forma matricial [A]{x}={b}: