Notas

Cálculo Numérico
Valen�n Mendoza
UNIFEI
Apresentação da primeira versão
Estas notas de aula de Cálculo Numérico foram inicialmente escritas no semestre
2013-II quando ministrei esta disciplina para os estudantes da Universidade Federal de
Viçosa. Em princı́pio foram apresentados em forma de 6 apostilas, cada uma corres-
pondendo a um capı́tulo do conteúdo. Agora serão apresentadas juntas acrescentando
os exercı́cios de cada tópico. Nesta ocasião o conteúdo sera adequado às exigências
da disciplina de Cálculo Numérico ministrada na Universidade Federal de Itajubá.
O objetivo ao escrevê-las é proporcionar ao aluno os principais conceitos da análise
numérica que lhe permitam resolver os problemas que se lhe apresentarão no decorrer
de sua atividade de trabalho. Tivemos especial interesse em apresentar a dedução dos
métodos, seguindo as ideias gerais nas quais está baseado cada uma das técnicas
aqui mostradas.
Não está demais dizer que toda a tecnologia de nosso tempo está muito ligada ao
Cálculo Numérico. Sem ele seria impossı́vel calcular as probabilidades da distribuição
normal, resolver equações de difusão, trabalhar com dinâmica de fluidos, governar o
movimento de robots, etc. Pois existem modelos de fenômenos fı́sicos, econômicos,
biológicos, etc, que são analı́ticamente insolúveis, ou cuja solução é tão complicada
como para utilizá-la para fins práticos. Nesses casos o Cálculo Numérico constitui-se a
única ferramenta para abordá-los e para obter soluções aceitáveis. Por isso, se o aluno
sente que a disciplina é um pouco entediante quando utiliza a calculadora para realizar
contas sobre contas num determinado exercı́cio, deve ser consciente que isso é um
pequeno preço a pagar pelo conhecimento e a práxis que adquirirá e que, na hora das
aplicações, serão inestimáveis.
Fico devendo a parte computacional sem a qual a potência do Cálculo Numérico
não é apreciada.
Acredito que este trabalho contenha alguns erros, mas estes seriam muitos mais
se não fosse pelas correições que alguns dos alunos da UFV fizeram ao texto inicial.
Gostaria de agradecer a Daniela Abrantes Leal, Beatryz Cardoso Mendes, Gabriel de
Rezende Coelho, Franco Luiz Alves e Marcus Vinicius Miranda, que me indicaram al-
guns erros tipográficos ou de conteúdo, e do monitor Michael Caneshe quem corrigiu
muitos dos exercı́cios propostos. Mas a pesar do dedicado esforço deles, escaparam-
se algumas coisas que podem ser melhoradas. Por isso, se o leitor tiver comentários,
crı́ticas e sugestões pode encaminhá-las ao email valentin@unifei.edu.br. Serei
grato a quem comunicar os erros de qualquer natureza encontrados no texto.
Itajubá, fevereiro de 2016.

J. Valentı́n Mendoza M.
2
Sumário
1 Sequências e Séries 6
1.1 Seqûencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Séries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 Teste de Comparação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4 Teste da série alternada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5 Teste da Integral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6 Convergência absoluta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.7 Testes da raiz e da razão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.8 Séries de potências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.9 Representação de funções . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2 Métodos numéricos para a solução de equações 35

2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2 Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3 O Método de Bisseção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.1 Estimativa do número de iterações . . . . . . . . . . . . . . . . . . . 38
2.4 Método da Falsa Posição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.4.1 Erro Absoluto no método da Falsa Posição . . . . . . . . . . . . . . 40
2.4.2 Erro Relativo no método da Falsa Posição . . . . . . . . . . . . . . . 40
2.5 O Método das Aproximações Sucessivas . . . . . . . . . . . . . . . . . . . . 41
2.6 O Método de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.6.1 Convergência do Método de Newton . . . . . . . . . . . . . . . . . 45
2.6.2 Ordem de convergência do Método de Newton . . . . . . . . . . . 46
2.7 Método da Secante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.7.1 Ordem de convergência no Método da Secante . . . . . . . . . . . . 48
3 Interpolação Polinomial 54
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2 Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3 A Fórmula de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.4 A Fórmula de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.5 O erro na interpolação polinômial . . . . . . . . . . . . . . . . . . . . . . . 61
3.6 Interpolação Spline cúbico . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4 Resolução Numérica de Sistemas Lineares 69

4.1 Sistemas de equações lineares . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.2 Classificação de um sistema linear . . . . . . . . . . . . . . . . . . . . . . . 70
4.3 Operações elementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.4 Método de Gauss e de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . . 73
4.5 Pivotamento parcial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.6 Sistemas triangulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.6.1 Sistemas Triangulares Inferiores . . . . . . . . . . . . . . . . . . . . 78
4.6.2 Sistemas Triangulares Superiores . . . . . . . . . . . . . . . . . . . . 79
4.7 Método Direto: Decomposição LU . . . . . . . . . . . . . . . . . . . . . . . 80
4.8 Métodos Iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.8.1 O método de Jacobi-Richardson . . . . . . . . . . . . . . . . . . . . 85
4.8.2 O método de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . 87
4.9 Regra de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3
4.10 Matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.11 O método de Newton para a resolução de sistemas não lineares . . . . . . 94
5 Integração Numérica 99
5.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.2 Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.2.1 Estudo do Erro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.3 Regra dos Trapézios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.3.1 Limitante superior do erro na Regra do Trapézio . . . . . . . . . . . 103
5.3.2 Regra do Trapézio Generalizada . . . . . . . . . . . . . . . . . . . . 104
5.4 Regra 31 de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
5.4.1 Limitante superior para o Erro E2 na regra 1/3 de Simpson . . . . . 107
5.4.2 Regra 1/3 de Simpson Generalizada . . . . . . . . . . . . . . . . . . 109
5.5 Regra 38 de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.5.1 Limitante superior para o erro na regra 3/8 de Simpson . . . . . . . 112
5.5.2 Regra 3/8 de Simpson Generalizada . . . . . . . . . . . . . . . . . . 113
5.6 O método da quadratura gaussiana . . . . . . . . . . . . . . . . . . . . . . . 115
5.6.1 Mudança no intervalo . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.6.2 Fórmulas de quadratura . . . . . . . . . . . . . . . . . . . . . . . . . 117
6 O método dos mı́nimos quadrados 122

6.1 Ajuste linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
6.2 Qualidade do ajuste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
6.3 Ajuste polinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
6.4 Ajuste à uma curva do tipo y = axb . . . . . . . . . . . . . . . . . . . . . . . . 125
6.5 Ajuste à uma curva do tipo y = abx . . . . . . . . . . . . . . . . . . . . . . . 127
6.6 Caso contı́nuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
7 Resolução Numérica de Equações Diferenciais Ordinárias 132

7.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
7.2 Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
7.3 O Método de Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
7.4 Métodos de Runge-Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
7.4.1 Métodos de Runge-Kutta de Ordem 2 . . . . . . . . . . . . . . . . . 137
7.4.2 Métodos de Runge Kutta de Ordem 3 . . . . . . . . . . . . . . . . . 141
7.4.3 O Método de Runge-Kutta de Ordem 4 . . . . . . . . . . . . . . . . 144
7.5 Sistemas de Equações Diferenciais Ordinárias . . . . . . . . . . . . . . . . . 144
7.5.1 Aplicação a equações diferenciais de segunda ordem . . . . . . . . 147
7.6 Resolução numérica de um problema de valores de contorno . . . . . . . . 149
8 Resolução Numérica de Equações Diferenciais Parciais 156

8.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
8.2 Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
8.2.1 Equações Diferenciais Parciais . . . . . . . . . . . . . . . . . . . . . 156
8.2.2 Aproximações da primeira e da segunda derivada . . . . . . . . . . 157
8.3 Equações Parabólicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
8.3.1 O modelo de Equação Parabólica . . . . . . . . . . . . . . . . . . . . 158
8.3.2 Discretização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
8.3.3 Método Explı́cito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
8.3.4 O Método Implı́cito . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
8.3.5 O Método de Crank-Nicolson . . . . . . . . . . . . . . . . . . . . . . 168
4
8.3.6 Condições de Fronteira de Neumann ou com Derivadas . . . . . . 171
8.4 Equações Elı́pticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
8.4.1 O modelo de Equação Elı́ptica . . . . . . . . . . . . . . . . . . . . . 176
8.5 Equações não lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
5
1 Sequências e Séries
1.1 Seqûencias
DEFINIÇÃO 1.1. Uma sequência s é uma lista de números reais indexada pelos
números naturais, isto é,
n o∞
s = an = {a1 , a2 , · · · , an , · · · }.
n=1
Frequentemente indicaremos uma sequência por simplesmente {an }. O número an é

chamado o n-ésimo termo da sequência. Assim como as funções de números reais,
muitas sequências podem ser descritas por uma fórmula explı́cita para o termo an :
n2 + n n n2 + n o∞ n o
(a) Se an = , para n ≥ 1, obtemos a sequência = 1, 3, 6, 10, · · · .
2 2 n=1
n2 + 1 n n2 + 1 o n 5 10 17 26 o
(b) Se an = , para n ≥ 1, a sequência é = 1, , , , , · · · .
2n 2n 4 8 16 32
Outras sequencias podem ser descritas usando uma fórmula recursiva para o termo
geral:
(c) Se a1 = 1, a2 = 1 e definimos an = an−1 + an−2 , para n ≥ 3, obtemos a sequência de

Fibonacci:
n o
1, 1, 2, 3, 5, 8, 13, · · ·
(d) Para cada r ∈ [0, 1], definindo a1 = 0.5 e o termo geral pela fórmula logı́stica
an+1 = ran (1 − an ), para n ≥ 1, obtemos uma sequência que pode ser utilizada no
estudo de dinâmica populacional. Por exemplo para r = 3.5 obtemos a sequencia
n o
0.5, 0.875, 0.3828125, 0.826934814, 0.500897694, · · · .
Finalmente temos as sequências que não possuem uma fórmula explicita:
(e) Se an é o n-ésimo dı́gito decimal do número de Neper e, a sequência associada é

n o
7, 1, 8, 2, 8, 1, 8, 2, 8, 4, 5, 9, 0, 4, 5, 2, 3, · · ·
cujos termos não podem ser expressados por uma fórmula.
6
n o
Dada uma sequência an estamos interessados no comportamento dos termos an
quando n tende a +∞, isto é, em saber se existe o limite limn→+∞ an .
DEFINIÇÃO 1.2. Seja {an } uma sequência. Dizemos que {an } tem limite L, e escre-
vemos
lim an = L ou an → L quando n → ∞,
n→∞
se para cada > 0 dado, existe um N ∈ N tal que
se n > N então |an − L| < .
Se limn→∞ an existir dizemos que {an } converge ou é convergente. Isto significa que dado
qualquer intervalo (L − , L + ), todos os termos an , com n ≥ N + 1, estão nesse intervalo.
Caso contrário dizemos que {an } diverge.
n o∞ 1
Exemplo 1.1. A sequência an em que an = 1 + (−1)n tem limite L = 1. De fato
n=1 n
dado > 0, para obter
1 1
|an − L| < ou 1 + (−1)n − 1 < , deve-se ter < .
n n
1 1
Isto é, basta tomar n > , ou seja, tomando N = b c segue que

|an − L| < para todo n > N.
Figura 1: .
TEOREMA 1.1. O limite de uma sequência convergente é único.
Demonstração. Suponha que a sequência {an } tenha dois limites: lim an = L1 e lim an =
L2 . Pela definição dado > 0 existem N1 e N2 tal que se n > N1 , |an − L1 | < e se
n > N2 , |an − L2 | < . Logo se n > max{N1 , N2 } então
|L1 − L2 | = |(L1 − an ) − (L2 − an )| ≤ |an − L1 | + |an − L2 | < 2.
7
Como > 0 é arbitrário, |L1 − L2 | = 0. Assim L1 = L2 .
n o∞
DEFINIÇÃO 1.3. Dizemos que an é divergente para ∞, o qual é denotado
n≥1
limn→∞ an = ∞, se para cada número positivo M existe um inteiro positivo N tal
que:
se n > N então an > M.
n o n o
Dizemos que an diverge para −∞ se −an diverge para +∞. Neste caso denotamos
lim an = −∞.
TEOREMA 1.2. Suponha que limn→+∞ an = L e limn→+∞ bn = M, e c ∈ R. Então valem

as seguinte propriedades:

(1) lim an ± bn = L ± M
(2) lim an · bn = L · M
(3) lim c · an = c · L
an L
(4) se M , 0 então lim =
bn M
TEOREMA 1.3 (Teorema do Confronto). Suponha que existe N ∈ N tal que an ≤ bn ≤ cn

quando n ≥ N. Se lim an = lim cn = L então lim bn = L.
Demonstração. Dado > 0 existem N1 e N2 tais que se n > N1 segue que |an − L| < ,
e se n > N2 segue que |cn − L| < . Logo se n > N := max{N1 , N2 } segue que
− < an − L < e − < cn − L < =⇒ L − < an < bn < cn < L + .
Assim |bn − L| < , isto é, lim bn = L.
n!
Exemplo 1.2. Determine a convergência da sequência an = , para todo n ∈ N.
nn
Solução:
Note que
1 2 3 n 1
0 ≤ an = · · ··· ≤ , ∀n ≥ 1.
n n n n n
1 n!
Como lim = 0, o Teorema do Confronto 1.3 indica que lim n = 0.
n n
8
TEOREMA 1.4. lim |an | = 0 se, e somente se, lim an = 0.
Demonstração. Note que −|an | ≤ an ≤ |an |. Se lim |an | = 0, o Teorema do Confronto

1.3 demonstra que lim an = 0. Reciprocamente, se lim an = 0 então dado > 0 existe
N ∈ N tal que, se n > N então |an − 0| = ||an | − 0| < . Isto equivale a dizer que
lim |an | = 0.
TEOREMA 1.5. Seja f (x) uma função contı́nua em x = L. Se lim an = L então

lim f (an ) = f lim an = f (L).
Demonstração. Pela hipótese f (x) é contı́nua em x = L, então dado > 0 existe δ > 0
tal que se |x − L| < δ então | f (x) − f (L)| < . Além disso lim an = L implica que
para aquele δ > 0 existe N ∈ N tal que se n > N então |an − L| < δ. Juntado estas
conclusões, dado > 0 existe N tal que se n > N, então | f (an ) − f (L)| < .
DEFINIÇÃO 1.4. Uma sequência {an } é chamada crescente se an < an+1 para todo
n ≥ 1, isto é, se
a1 < a2 < · · · < an < · · · .
Uma sequência {an } é dita decrescente se an > an+1 para todo n ≥ 1. Se uma sequência
tiver uma destas propriedades é chamada monótona.
DEFINIÇÃO 1.5. Uma sequência {an } é limitada superiormente se existir um

número M tal que an ≤ M para todo n ≥ 1. Dizemos que é limitada inferior-
mente se existir um número m tal que m ≤ an para todo n ≥ 1. Se {an } for limitada
superiormente e inferiormente dizemos que é limitada.
Note que uma sequência decrescente é limitada superiormente por a1 e uma sequência
crescente é limitada inferiormente também pelo termo a1 .
TEOREMA 1.6. Toda sequência monótona e limitada é convergente.
9
Demonstração. Suponha que {an } seja uma sequência crescente. Como {an } é limitada,
o conjunto S = {an : n ≥ 1} tem um limitante superior. Pelo Axioma de Completitude,
existe um menor limitante superior L. Dado > 0, L − não é limitante superior
de S. Portanto aN > L − para algum inteiro N. Como {an } é crescente segue que
an > L − para todo n ≥ N. Assim L − < an < L + para todo n ≥ N. Daı́ |an − L| < ,
∀n > N, o que implica que lim an = L.
Exemplo 1.3. Investigue a sequência {an } definida pela relação de recorrência a1 = 1,

√
an+1 = 15 + 2an .
Solução:
Note que a1 = 1, a2 = 4.1231, a3 = 4.8214, a4 = 4.9641, a5 = 4.9928. Vamos provar que
{an } é crescente e limitada por 5. De fato:
√
• Se n = 1, a1 = 1 < a2 = 17 < 5.
• Suponha que para n = h, 0 < ah−1 < ah < 5. Então

p p √
2ah−1 < 2ah < 10 =⇒ 15+2ah−1 < 15+2ah < 25 =⇒ 15 + 2ah−1 < 15 + 2ah < 25.
Logo ah < ah+1 < 5.
Assim para todo n ≥ N, an < an+1 < 5. Pelo Teorema 1.6, {an } é convergente. Se
√
L = lim an , então pelo Teorema 1.5 (com f (x) = 15 + 2x),
p √
lim an+1 = lim 15 + 2an =⇒ L = 15 + 2L =⇒ L2 = 15 + 2L. (1.1)
Fatorando
L2 − 2L − 15 = 0 =⇒ (L + 3)(L − 5) = 0 =⇒ L = −3 ou L = 5
Como an > 0, segue que L = 5.
TEOREMA 1.7. Seja N ∈ R e f : [N, +∞) → R uma função contı́nua com limx→+∞ f (x) =
L. Se an = f (n) então limn→+∞ an = L.
O Teorema 1.7 nos permitirá calcular limites usando a Regra de l’Hôpital.
n ln n o+∞
Exemplo 1.4. Estude a convergência da sequência .
n n=1
10
Solução:
ln x
Pelo Teorema 1.7, podemos calcular o limite usando a função f (x) = , a qual é
x
contı́nua em [1, +∞). Logo
ln n ln x 1/x
lim = lim = lim = 0,
n→+∞ n x→+∞ x x→+∞ 1
em que na 2a igualdade temos usado a Regra de l’Hôpital.
Exemplo 1.5. Demonstre que {n1/n } é convergente e calcule o limite.
Solução:
(1) Considere a função f : (0, +∞) → (0, +∞) dada por f (x) = x1/x . Note que
f (x) ≥ 0, isto é, é limitada inferiormente. Além disso a sua derivada é f 0 (x) =
1 − ln x
x1/x , a qual é negativa para x > e. Logo f (x) é decrescente. Portanto
x2
{n } é decrescente para n ≥ 3. Do Teorema 1.6 concluı́mos que lim n1/n existe
1/n
e é igual a L.
(2) Afirmamos que L ≥ 1. De fato, se L < 1, existiria n0 tal que se n > n0 ,

L+1 L + 1 n
n1/n < < 1; neste caso n < < 1. Isto é uma contradição.
2 2
(3) Considere a função g(y) = ln y a qual é contı́nua em y = L. Pelo Teorema 1.5:
ln n
lim ln n1/n = ln lim n1/n =⇒ lim = ln L.
n
Pelo Exemplo 1.4, segue que ln L = 0 e então L = 1.
Exercı́cio 1.1. Estude a convergência das sequências:
sin 5n en+4
(a) (b) √
n+3 n2 (c) n2 + n − n
2 n
n 2 1 n (f) 1 −
(d) ln (e) + n
n+3 3n + 1 3
n−1
Exercı́cio 1.2. Demonstre, usando a definição, que limn→+∞ = 0.
n2 + 1
Exercı́cio 1.3. Investigue a convergência da sequência {an } definida pela relação de
1
recorrência a1 = 2, an+1 = an + 6 para todo n = 2, 3, · · ·
2
Exercı́cio 1.4. Seja {an } a sequência dada pela fórmula recursiva
a2n + 2
an+1 = ,
2an
11
com a1 = 1. Escreva os 7 primeiros termos desta sequência. Assumindo que lim an existe,
encontre-o.
5an + 4
Exercı́cio 1.5. Considere a sequência dada pela recorrência an+1 = com a1 = 5.
an + 2
Demonstre que {an } é monótona decrescente e limitada inferiormente. Calcule o seu
limite. (Dica: Calcule an+1 − an ).
Exercı́cio 1.6. Seja {an } a sequência de Fibonacci dada recursivamente por a1 = a2 = 1 e

an+1 = an + an−1 para todo n ≥ 2. Usando indução matemática comprove que
√ √
1 h 1 + 5 n 1 − 5 n i
an = √ − .
5 2 2
Exercı́cio 1.7. Defina a sequência {an } dada recursivamente por a1 = 0, 3 e an+1 = an (2−an )
para n ≥ 2. Comprove que {an } é uma sequência monótona e limitada. Encontre o limite.
12
1.2 Séries
DEFINIÇÃO 1.6. Seja {an }∞

n=1
uma sequência de números reais. Chamamos de série
infinita ou simplesmente série a uma expressão da forma
a1 + a2 + · · · + an + · · ·
P∞ P
a qual é denotada por n=1 an ou, simplesmente, an .
P
DEFINIÇÃO 1.7. Seja an uma série. Chamamos de sequência de somas parciais
à sequência {sn } em que
n
X
sn = ak = a1 + · · · + an é a n-ésima soma parcial
k=1
Se a sequência {sn } é convergente com S = lim sn então diz-se que a série

P
an é
convergente e escrevemos
∞
X
a1 + a2 + · · · + an + · · · = S ou an = S.
n=1
P
Se a sequência {sn } é divergente então diz-se que a série an é divergente.
an for convergente, então lim an = 0.

P
TEOREMA 1.8. Se a série
Demonstração. Se an é convergente então as sequência de somas parciais sn =

P
Pn
k=1 ak é convergente a um limite S = lim sn . Então

lim an = lim sn − sn−1 = lim sn − lim sn−1 = S − S = 0.
O Teorema 1.8 é equivalente ao Teste da divergência:
P
TEOREMA 1.9. Se lim an , 0 ou lim an não existe então a série an é divergente.
Exemplo 1.6. Seja r ∈ R uma constante. Então a série geométrica de razão r é
∞
X
rn−1 = 1 + r + r2 + r3 + · · · + rn + · · ·
n=1
13
Observe que sn = 1 + r + r2 + · · · + rn−1 e, multiplicando por r:
1 − rn
rsn = r + r2 + · · · + rn−1 + rn = sn − 1 + rn =⇒ sn = .
1−r
Concluı́mos que
• Se |r| < 1, lim rn = 0 e a série geométrica converge com
1
1 + r + r2 + r3 + · · · + rn + · · · = .
1−r
• Se r > 1, lim rn = ∞ e a série geométrica diverge. Neste caso diverge para

infinito.
• Se r = 1, lim rn = 1 e então, pelo Teste da Divergência, a série diverge.
• Se r ≤ −1, o limite lim rn não existe e a série geométrica diverge pelo Teste da
Divergência.
Exemplo 1.7. Considere a série telescópica
∞
X 1 1 1 1
= + + + ···
n(n + 1) 1 · 2 2 · 3 3 · 4
n=1
1 1 1 1 1
Note que s1 = 1 − , s2 = 1 − + − = 1 − , continuando esse processo obtemos
2 2 2 3 3
1
sn = 1 − =⇒ lim sn = 1.
n+1
Portanto a série telescópica é convergente e sua soma é 1.
Exemplo 1.8. Considere a série harmônica:

∞
X 1 1 1
= 1 + + + ···+
n 2 3
n=1
Note que
1 1 1 1 2 1
s1 = 1, s2 = 1 + , s22 = s2 + + > 1 + + = 1 + 2
2 3 4 2 4 2
1 1 1 1 1 1 1
s23 = s22 +
+ + + >1+2 +4 =1+3
5 6 7 8 2 8 2
n
Procedendo por indução, podemos demonstrar que s2n > 1 + . Logo lim sn = +∞
2
e a série harmônica é divergente.
14
P P
TEOREMA 1.10. Suponha que an e bn sejam séries convergentes e c ∈ R uma
constante. Então
can é convergente e can = c an .

P P P
(1)
P P P
an + bn é convergente e an + bn = an + bn .
P
(2)
1.3 Teste de Comparação
P∞ P∞
TEOREMA 1.11 (Teste de Comparação). Sejam n=1 an e n=1 bn duas séries tais que
0 ≤ an ≤ bn para todo n = 1, 2, · · · . Então
P∞ P∞
(1) Se n=1 bn converge então n=1 an converge.
P∞ P∞
(2) Se n=1 an diverge então n=1 bn diverge.
n o n o P P
Demonstração. Sejam sn e tn as sequências de somas parciais de an e bn , isto
é,
n
X n
X
sn = ai e tn = bi .
i=1 i=1
Como 0 ≤ an ≤ bn , segue que
sn ≤ sn + an+1 = sn+1 e tn ≤ tn + bn+1 = tn+1 ,
logo {sn } e {tn } são sequências monótonas crescentes. Como an < bn segue que sn < tn
P
para todo n. Se bn é convergente,
n
X n
X +∞
X
sn = ai ≤ bi ≤ bi < +∞,
i=1 i=1 i=1
indicando que {sn } é monótona limitada, logo convergente.

Se an é divergente, como an ≥ 0, segue que sn → +∞ quanto n → +∞. Como
P
para todo n, sn < tn , temos lim tn = +∞ o que implica que bn é divergente.

P

Exemplo 1.9. Considere a série

∞
X 1 1 1
2
= 1 + 2 + 2 + ··· .
n=1
n 2 3
1 1 1
< para todo n ≥ 2. Como ∞
P
Note que 2 n=2 é uma série telescópica
n n(n − 1) n(n − 1)
15
convergente com soma 1 segue que
∞ ∞
X 1 X 1
2
<1+ = 2.
n n(n − 1)
n=1 n=2
Pelo teste de comparação segue que a série dada é convergente.
Exemplo 1.10. Considere a série

∞
X 1
√ .
n=1 n2 + 3
Se n ≥ 1, n2 < n2 + 3 ≤ n2 + 3n2 . Assim extraindo raiz quadrada
√ 1 1 1
n< n2 + 3 ≤ 2n =⇒ ≤ √ < .
2n n +3
2 n
P∞
Como a série harmônica n=1 1/n é divergente, segue pelo teste de comparação que
a série diverge.
P∞ P∞
TEOREMA 1.12 (Teste de Comparação de Limite). Sejam n=1 an e n=1 bn duas séries
tais que an ≥ e bn ≥ 0 para todo n = 1, 2, · · · . Defina
an
c = lim .
n→+∞ bn
Se c é positivo e finito então ou ambas séries convergem ou ambas séries divergem.
Demonstração. Como 0 < c < +∞ podemos encontrar dois números positivos e

an
finitos A e B com A < c < B. Se c = lim , existe N ∈ N tais que se n > N:
bn
an
A< < B, isto é, Abn < an < Bbn .
bn
P∞ P∞
(1) Se n=1 bn diverge então n=1 Abn diverge e como Abn < an , para n > N, segue
P ∞
que n=1 an diverge pelo Teste da Comparação.
P∞
converge então ∞
n=1 Bbn converge e como an < Bbn , para todo
P
(2) Se n=1 bn
P∞
n > N, segue que n=1 an também converge pelo Teste da Comparação.
P∞ 2n + 1
Exemplo 1.11. Estude a convergência da série n=1 √
3
.
n9 + 3n − 1
16
Solução:
2n + 1 1
Considere an = √ e bn = . Note que
3
n9 + 3n − 1 n2
2n + 1 1
√ 2+
n2 (2n + 1)
3
an n9 + 3n − 1 n
lim = lim = lim √ = lim r = 2 < +∞.
bn 1 3
n9 + 3n − 1 3 3 1
n2 1+ 8 − 9
n n
P∞ 1 2n + 1
converge segue, pelo Teste de Comparação de Limites, que ∞
P
Como n=1 2 n=1 √
3
n n9 + 3n − 1
converge.
P+∞ 1
Exemplo 1.12. Estude a convergência da série n=0 .
5n −n
1 1
Demonstração. Considere an = e bn = n . Então
5n − n 5
1
bn n
lim = lim 5n = lim 5 − n = 1 − lim n = 1 − lim x = 1 − lim 1 = 1.
an 1 5n 5n 5x 5x ln 5
5n − n
P∞ 1 1
é convergente segue que ∞
P
Como n=0 n n=0 n é convergente.
5 5 −n
1.4 Teste da série alternada
TEOREMA 1.13 (Teorema de Leibniz). Se a série alternada

∞
X
(−1)n−1 an = a1 − a2 + a3 − a4 + · · · , com an > 0, (1.2)
n=1
satisfaz a1 > a2 > a3 > · · · > an > · · · e lim an = 0, então a série converge e sua soma S é
positiva com S < a1 .
n o
Demonstração. As somas parciais de ı́ndice ı́mpar s2n+1 formam uma sequência
não-crescente pois, como a2n+2 ≥ a2n+3 , s2n+3 = s2n+1 − a2n+2 + a2n+3 ≤ s2n+1 . Note
que s1 = a1 > a1 = a2 > s2 , s3 = s2 + a3 > s2 , s5 = s2 + a3 − a4 + a5 > s2 e em
n o
geral s2n+1 > s2 . Assim s2n+1 é monótona limitada e, portanto, converge com
n o
lim s2n+1 = L. Da mesma forma a série de somas parciais de ı́ndice par s2n é uma
sequência não-decrescente e limitada, e portanto, existe limn→∞ s2n = M. Como
17
lim an = 0, segue
ssn+1 = s2n + a2n+1 =⇒ lim s2n+1 = lim s2n + lim a2n+1 =⇒ L = M.
As duas sequências convergem ao mesmo limite e isto significa que a sequência de

somas parciais converge a L.
Exemplo 1.13. A série harmônica alternada

∞
X 1 1 1
(−1)n−1 = 1 − + + ···
n 2 3
n=1
satisfaz
1 1
• an+1 < an uma vez que < e
n+1 n
1
• lim an = lim = 0.
n
Logo, pelo Teorema de Leibniz, a série harmônica alternada converge. No Exemplo
1.25 demonstraremos que
1 1 1 1
1− + − + · · · + (−1)n+1 + · · · = ln 2.
2 3 4 n
1.5 Teste da Integral
TEOREMA 1.14 (Teste de Cauchy-Maclaurin). Suponha que f : [1, ∞) → [0, ∞) seja

uma função contı́nua, positiva e decrescente, e seja an = f (n). Então
R∞
(1) se 1 f (x)dx for convergente, então ∞
P
n=1 an é convergente;
R∞
(2) se 1 f (x)dx for divergente então ∞
P
n=1 an é divergente.
Demonstração. Seja an = f (n). Para todo n ≥ 1, vamos construir dois tipos retângulos:
I. Retângulos de altura an e base o intervalo [n − 1, n], e
II. retângulos de altura an e base [n, n + 1].
18
A área dos retângulos definidos em I e II é an ; assim, utilizando os retângulos em I,
segue que
Z n Z n
a2 + a3 + · · · + an ≤ f (x)dx =⇒ a1 + a2 + a3 + · · · + an ≤ a1 + f (x)dx.
1 1
Com os retângulos em II segue que

Z n+1 Z n
f (x)dx ≤ a1 + a2 + · · · + an ≤ a1 + f (x)dx.
1 1
Fazendo n → ∞,
Z ∞ ∞
X Z ∞
f (x)dx ≤ an ≤ a1 + f (x)dx.
1 n=1 1
Assim
R∞ P∞ R∞
(1) Se 1
f (x)dx converge então n=1 an é limitada por a1 + 1
f (x)dx. Como
an > 0, as somas parciais formam uma sequência monótona e limitada e por
tanto convergente.
R∞ P
(2) Se 1 f (x)dx diverge então a primeira desigualdade prova que an diverge
também.
Exemplo 1.14. Seja p > 0 constante. A série p é definida por
∞
X 1 1 1 1
p
= 1 + p + p + ··· + p + ···
n 2 3 n
n=1
Demonstre que (1) se p > 1, a série p converge e (2) se 0 < p ≤ 1, a série p diverge.
Solução:
1
Observe que a função f (x) = p , com x > 0, satisfaz as condições do Teste da Integral.
x
1 p
De fato, an = p = f (n) e f (x) é contı́nua e positiva. Como f 0 (x) = − p+1 < 0, para
n x
x > 0, a função é decrescente.
19
(1) Se p > 1,
∞ ∞
x−p+1
Z Z
1 M 1 1 1
dx = x−p dx = lim = lim − 1 = < ∞.
1 xp 0 M→∞ −p + 1 0 1 − p M→∞ Mp−1 p−1
Pelo Teste da Integral, a série p converge.

1 1
(2) Se p = 1 a série p é a série harmônica 1 + + + · · · a qual é divergente. Se
2 3
0 < p < 1, Z ∞
1 1
dx = lim M1−p
− 1 = ∞.
1 xp 1 − p M→∞
Logo a série diverge pelo teste da integral.
Podemos deduzir algumas propriedades da prova do Teste da integral. Note que o

R +∞
valor da integral 1 f (x)dx não é o valor da soma da série. Se
∞
X n
X ∞
X
S= ai , Sn = ai e R n = ai ,
i=1 i=1 i=n+1
e se f satisfaz as condições do item (1) do Teorema 1.14, segue que

Z +∞ Z +∞
f (x)dx ≤ S ≤ a1 + f (x)dx,
1 1
Z n+1 Z n
f (x)dx ≤ Sn ≤ a1 + f (x)dx, e
1 1
Z +∞ Z +∞
f (x)dx ≤ Rn ≤ f (x)dx.
n+1 n
1.6 Convergência absoluta
P
DEFINIÇÃO 1.8. Dizemos que a série an é absolutamente convergente se a série
P P P
de valores absolutos |an | for convergente. Se an for convergente mas |an |
P
diverge então dizemos que an é condicionalmente convergente.
P P
TEOREMA 1.15. Se |an | converge então an converge.
Demonstração. Note que 0 ≤ an + |an | ≤ 2|an | e, pelo teste de comparação segue que
20
P
an + |an | converge. Agora
∞
X X∞ ∞
X X∞
an + |an | − |an | = an + |an | − |an | = an
n=0 n=0 n=0 n=0
converge pelo Teorema 1.2.
Exemplo 1.15. A série harmônica alternada (−1)n−1 n1 é condicionalmente conver-

P
gente pois a série de seus valores absolutos (−1)n−1 n1 = n1 é a série harmônica di-
P P
vergente. A série (−1)n−1 n13 é absolutamente convergente pois (−1)n−1 n13 = n13
P P P
é uma série p = 3 convergente.
1.7 Testes da raiz e da razão
n o
TEOREMA 1.16 (Critério de Cauchy). Seja an uma sequência tal que
n≥1
p
n
lim sup |an | = L < ∞.
P∞
(a) Se L < 1 então n=1 an é absolutamente convergente.
P∞
(b) Se L > 1 então n=1 an é divergente.
Demonstração. (a) Se L = lim sup |an |1/n = infn≥1 supm≥n |am |1/m < 1, então dado > 0
existe N ∈ N tal que |an |1/n ≤ 1 − para todo n ≥ N. Por tanto
|aN | + |aN+1 | + · · · ≤ (1 − )N + (1 − )N+1 + · · · .
Como a última série é geométrica de razão 1 − < 1 segue que |aN | + |aN+1 | + · · ·
P
converge e por tanto an é absolutamente convergente.
n o
(b) Se L > 1 então existe uma subsequência de |an |1/n que converge a L > 1,
portanto os termos destas subsequência satisfazem lim |an | = ∞. Pelo teste da
P
divergência a série an diverge.

n o
TEOREMA 1.17 (Critério de d’Alembert). Seja an uma sequência tal que
n≥1
an+1
lim = L < ∞.
an
P∞
(a) Se L < 1 então n=1 an é absolutamente convergente.
21
P∞
(b) Se L > 1 então n=1 an é divergente.
P+∞ (−1)n n3
Exemplo 1.16. Teste a convergência da série n=1 .
3n
Solução:
Note que
(−1)n+1 (n + 1)3
an+1 3n+1 n + 1 3 1 1
lim = lim = lim = < 1,
an (−1)n n3 n 3 3
3n
n+1
pois lim = 1. Do Teste da Razão concluı́mos que a série é convergente.
n
P+∞ nn
Exemplo 1.17. Analise a convergência da série n=1 .
n!
Solução:
Como
(n + 1)n+1
an+1 (n + 1)! (n + 1)n 1 n
lim = lim n = lim n
= lim 1 + = e > 1.
an n n n
n!
Logo, o teste da razão indica que a série dada é divergente.
P+∞ 3n + 1 n
Exemplo 1.18. Estude a convergência da série .
n=1
4n + 6
Solução:
Note que, usando o Teste da Raiz,
√ 3n + 1 n 1/n 3n + 1 3
= lim = lim = < 1.
n
lim |an |
4n + 6 4n + 6 4
Logo a série é convergente.
Exercı́cio 1.8. Determine se as séries convergem ou divergem:
2 1 2 2 1 2 3 1 2 n 1 1 (−1)n
(a) + + + ··· + ··· (b) √ − √ 3
+ · · · + √
n
+ ···
7 2 7 3 7 n 7 10 √ 10 10
3 √
3
1 1 1 1 2 n
(c) √ + √ + ··· + p + ··· (d) + √ + ··· + √ + ···
1·2 2·3 n · (n + 1) 2 3 2 (n + 1) n
22
Exercı́cio 1.9. Determine se as séries convergem ou divergem.
1 3 5 2n − 1 1 2 3 3 5 n 2n−1
(a) √ + + √ + · · · + √ n (b) + + + ··· + + ···
2 2 2 2 2 2 5 8 3n − 1
2 3 2 4 3 n + 1 n 2 2·5 2 · 5 · 8 · · · (3n − 1) · · ·
(c) + + + ··· + + ··· (d) + + ··· + +
1 3 5 2n − 1 1 1·5 1 · 5 · 9 · · · (4n − 3) . . .
1 1 1
(e) 1 + 2 + 3 + ··· + n + ···
2 3 n
Exercı́cio 1.10. Determine se as séries convergem ou divergem.
1 1 1 1 1 1 1
(a) + + ··· + (b) + + + ··· + + ···
3 8 (n + 1)2 − 1 1 · 4 4 · 7 7 · 10 (3n − 2)(3n + 1)
1 2 n 2 2·5·8 2 · 5 · 8 · · · (6n − 7)(6n − 4)
(c) + + ··· + 2 + ··· (d) + + ··· + + ···
2 5 n +1 1 1·5·9 1 · 5 · 9 · · · (8n − 11)(8n − 7)
3 1 · 5 · · · (4n − 3)
1 8 n 1 1·5
(e) + 2 + ··· + n + ··· (f) + + ··· + + ···
e e e 2 2·4·6 2 · 4 · 6 · · · (4n − 4)(4n − 2)
2 2n−1 1 1 · 11 1 · 11 · 21 · · · (10n − 9)
(g) 1 + + ··· + + ··· (h) + + ··· + + ···
1! (n − 1)! 1! 3! (2n − 1)!
1 1 1
(i) + + ··· + + ···
53/2 63/2 (4 + n)3/2
Exercı́cio 1.11. Demonstre que

X 1
p
k=2 k ln k
converge se p > 1 e diverge se p ≤ 1.
23
1.8 Séries de potências
DEFINIÇÃO 1.9. O conjunto de valores de x para os quais a série de funções
f1 (x) + f2 (x) + · · · fn (x) + · · ·
converge é chamada região de convergência de esta série. A função
S(x) = lim Sn (x)
em que Sn (x) = f1 (x) + · · · + fn (x) e x pertence à região de convergência, é chamada

Soma da série.
Exemplo 1.19. Determine a região de convergência da série:
(x + 1) (x + 1)2 (x + 1)3 (x + 1)n

+ + + · · · + + ···
1·3 2 · 32 3 · 33 n · 3n
Solução:
(x + 1)n
Denotando por un = o termo geral da série, temos
n · 3n
|un+1 | |x + 1| n |x + 1|
lim = lim = .
|un | 3 n+1 3
Pelo teste da razão segue que

|x + 1|
(1) a série converge, se < 1, isto é, se −4 < x < 2;
3
|x + 1|
(2) a série diverge, se > 1, isto é, se x < −4 ou x > 2.
3
(3) se x = −4, a série fica
1 1 1
−1 + − + − ···
2 3 4
a qual é uma série alternada convergente pelo Teorema de Leibniz.
(4) se x = 2, a série fica

1 1
1+ + + ···
2 3
que é a série harmónica divergente.
Em conclusão a série converge quando −4 ≤ x < 2.
24
DEFINIÇÃO 1.10. Seja {cn } uma sequência de números reais e a ∈ R. A série de
potências centrada em x = a com coeficientes {cn } é a série:
∞
X n
cn x − a = c0 + c1 (x − a) + c2 (x − a)2 + · · · cn (x − a)n + · · ·
n=0
Exemplo 1.20. Se cn = 1 e a = 0, para todo n ≥ 0, segue
∞
X X 1
cn (x − a)n = xn = 1 + x + x2 + · · · xn + · · · = , se |x| < 1,
1−x
n=0
é a série geométrica, a qual é convergente se |x| < 1 e divergente se |x| ≥ 1.
P∞
Exemplo 1.21. Para que valores de x a série n
n=1 n (x + 5)n é convergente?
Solução:
Usando o teste da razão com an = nn (x + 5)n :
an+1 (n + 1)n+1 (x + 5)n+1 n + 1 n

lim = lim = lim (n + 1)|x + 5|
an n (x + 5)
n n n
n + 1 n
Como lim = e segue que
n
an+1
(1) Se x , −5 então lim = ∞ > 1 e, por tanto, a série diverge.
an
an+1
(2) Se x = −5 então lim = 0 < 1 e, por tanto, a série converge.
an
Portanto a série converge somente no ponto x = −5.
P∞
TEOREMA 1.18. Seja n=0 cn (x − a)n uma série de potências, então existe um número
0 ≤ R ≤ ∞ tal que
(a) se R = 0, a série converge somente para x = a;
(b) se R > 0, a série converge absolutamente para 0 ≤ |x−a| < R e diverge para |x−a| > R;
(c) se R = ∞ a série converge para todo x ∈ R.
O número R é chamado raio de convergência. Do Teorema 1.18 segue que
• se R = 0 a região de convergência da série é {a};
25
• se R > 0 a série converge em (a − R, a + R); neste caso os valores x = a − R e x = a + R
devem ser analisados separadamente para verificar se eles pertencem à região de
convergência. Assim a região de convergência é um intervalo da forma
(a − R, a + R), (a − R, a + R], [a − R, a + R) ou [a − R, a + R].
• Se R = ∞ a região de convergência é R.
Exemplo 1.22. Encontre o intervalo e o raio de convergência da série
∞
X 5n + 1 n
x+2 .
n=0
3n+1
Solução:
5n + 1 n
Usando o teste da razão com an = x + 2 ,
3n+1
an+1 (5n + 6)(x + 2)n+1 3n+1 5n + 6 |x + 2| |x + 2|

lim = lim · = lim = .
an 3n+2 (5n + 1)(x + 2)n 5n + 1 3 3
|x + 2|
(a) a série converge se < 1, isto é, se −5 < x < 1;
3
|x + 2|
(b) a série diverge se > 1, isto é, se x < −5 e x > 1;
3
(c) se x = 1, a série fica
∞
X 5n + 1
=∞
3
n=0
e assim a série diverge;
(d) se x = −5, a série fica

∞
X (5n + 1)(−1)n
3
n=0
a qual não tem limite.
Por tanto o raio de convergência é R = 3 e a região de convergência é (−5, 1).
TEOREMA 1.19. Suponha que cn , 0 para todo n suficientemente grande e o limite
cn
R = lim
n→∞ cn+1
26
cn (x − a)n tem raio de convergência
P
existe ou diverge ao infinito. Então a série de potências
R.
P∞ (−1)n
n=1 2 n (x + 1) .
Exemplo 1.23. Teste a convergência da série de potências n
n 4
Solução:
(−1)n
Observe que cn = e
n2 4n
cn 1/(n2 4n ) n + 1 2
lim = lim = lim 4 = 4.
n→∞ cn+1 1/((n + 1)2 4n+1 ) n
Assim a série converge se |x + 1| < 4, isto é, se −5 < x < 3; e a série diverge se x < −5
e x > 3. Se x = −5, a série fica
∞ ∞
X (−1)n X 1
(−4)n = a qual é convergente.
n=1
n2 4n n=1
n2
Se x = 3 a série fica
∞ ∞
X (−1)n X (−1)n
4n = a qual é absolutamente convergente.
n=1
n2 4n n=1
n2
Assim o intervalo de convergência é [−5, 3].
cn (x − a)n é dado por

P
TEOREMA 1.20 (Hadamard). O raio de convergência R da série
1
R= √
n
lim sup |cn |
em que R = 0 se lim sup diverge a ∞, e R = ∞ se o lim sup é 0.
Exemplo 1.24. Qual é o intervalo de convergência da série
4 2 2 4 3 2 4
1+ x+ x2 + x3 + x4 + · · ·?
3 3 3 3
Solução:
2 n 4 n
Observe que cn = se n é par e cn = se n é ı́mpar. Se tentamos aplicar o teste
3 3
27
da razão

 3
cn  se n é par cn cn
= =⇒ lim sup = ∞ , 0 = lim inf .


2 n+2
cn+1  3 · 2n−1

 se n é ı́mpar cn+1 cn+1
cn
Assim lim não existe e não podemos concluir nada pelo teste da razão. Porém,
cn+1
pelo teste da raiz vemos que

 2
p
n


 3 se n é par 1 1
|cn | =  =⇒ R = = = 3/4.

 4 lim sup |cn | 1/n 4/3

 se n é ı́mpar
3

3 3 3
Como a série diverge para x = ± segue que o intervalo de convergência é (− , ).
4 4 4
1.9 Representação de funções
TEOREMA 1.21 (Derivação e Integração termo a termo). Suponha que a série de

potências
∞
X
f (x) = cn (x − a)n
n=0
tem raio de convergência R. Então f (x) é diferenciável em |x − a| < R e
∞ Z ∞
X X cn
f (x) =
0 n−1
ncn (x − a) e f (x)dx = (x − a)n+1 + C
n+1
n=0 n=0
e estas duas séries também têm raio de convergência R.
TEOREMA 1.22 (Teorema de Taylor). Se f (x) tem uma representação em série de

potências ao redor do ponto x = a com raio de convergência R, então
∞
X f (n) (a) n
f (x) = x−a . (1.3)
n!
n=0
Demonstração. Pela hipótese, existe R > 0 tal que se |x − a| < R,
∞
X
f (x) = cn (x − a)n ,
n=0
para certas constantes cn . Observe que f (a) = c0 + c1 (0) + c2 (0)2 + · · · o que implica
28
c0 = f (a). Pelo Teorema 1.21, se |x − a| < R,
∞
X
f (x) =
0
cn n(x − a)n−1 e assim f 0 (a) = c1 + 2c2 (0) + 3c2 (0) + · · · .
n=1
Portanto c1 = f 0 (a). A seguir calculamos
∞
X
f 00 (x) = n(n − 1)cn (x − a)n−2 e f 00 (a) = 2c2 + 3.2(0) + · · · .
n=2
1 00
Logo c2 = f (a). Continuando dessa forma
2
∞
X
f (n) (x) = n(n − 1) · · · (n − N + 1)cn (x − a)n−N e f N (a) = N!cN .
n=N
1 (N)
Logo cN = f (a).
N!
A série em (1.3) é conhecida como a série de Taylor de f (x) no ponto x = a. Se a = 0, a

série de Taylor recebe o nome de série de Maclaurin em honor a Colin Maclaurin:
∞
X f (n) (0) n
f (x) = x .
n!
n=0
Exemplo 1.25. Encontre a série de Taylor de f (x) = ln(1 + x) ao redor do ponto a = 0.
Solução:
1
Observe que f (0) = ln 1 = 0 e f 0 (x) = do qual f 0 (a) = f 0 (0) = 1. Continuando
x+1
com as derivadas obtemos
f 00 (x) f 000 (x) f (4) (x) ··· f (n) (x)

1 2 3.2 (n − 1)!
− − ··· (−1)n−1
(x + 1)2 (1 + x)3 (1 + x)4 (1 + x)n
Segue que
(n − 1)!
f (n) (0) = (−1)n−1 = (−1)n−1 (n − 1)!.
1n
Substituindo na Série de Taylor
∞ +∞ ∞
X f n (0) X
n−1 (n − 1)!
X xn
(x − 0) = f (0) +
n
(−1) (x − 0) =
n
(−1)n−1 .
n! n! n
n=0 n=1 n=1
29
Para determinar o raio de convergência da série anterior aplicamos o Teorema 1.19:
cn 1/n n+1
R = lim = lim = lim = 1.
n→+∞ cn+1 n→+∞ 1/(n + 1) n→+∞ n
Assim
x2 x3 xn
ln(1 + x) = x − + − · · · + (−1)n−1 + · · · para valores de |x| < 1. (1.4)
2 3 n
Vamos analisar os extremos do intervalo. Fazendo x = 1 obtemos a soma da série

harmônica alternada:
1 1 1
ln 2 = ln(1 + 1) = 1 − + − · · · + (−1)n−1 + · · · ,
2 3 n
a qual é convergente. Se x = −1, obtemos o oposto da série harmônica

1 1
ln 0 = ln(1 − 1) = − 1 + + · · · + + · · · ,
2 n
a qual é divergente. Logo o intervalo de convergência da série 1.4 é (−1, 1].
√
3
Exemplo 1.26. Calcule o valor de 3.
Solução:
√
Vamos utilizar a série de Taylor da função f (x) = 3 x ao redor de um certo ponto a, e
√3
determinar f (3) = 3 por meio desta série. O valor de a será escolhido de forma tal
√ 27
que f (a) = 3 a seja conhecida e |a − 3| seja pequena. Por exemplo, a = . Observe
r 8
3 27

que f 27/8 = = 3/2. A derivada de f (x) é:
8
1 27 1 27 −2/3 1 4 4
f 0 (x) = x−2/3 =⇒ f 0 ( ) = · = · =
3 8 3 8 3 9 27
Além disso:
f 00 (x) f 000 (x) f (4) (x) ··· f (n) (x)
1 · 2 −5/3 1 · 2 · 5 −8/3 1 · 2 · 5 · 8 −11/3 1 · 2 · 5 · 8 · (3n − 4) −(3n−1)/3

− x x − x ··· − x
3·3 3·3·3 3·3·3·3 3n
30
E então:
27 27 27 27
f 00 ( ) f 000 ( ) f (4) ( ) ··· f (n) ( )
8 8 8 8
1 · 2 25 1 · 2 · 5 28 1 · 2 · 5 · 8 211 1 · 2 · 5 · 8 · (3n − 4) 23n−1

− − ··· −
3 · 3 35 3 · 3 · 3 38 3 · 3 · 3 · 3 311 3n 33n−1
A série de Taylor é
∞
X f (n) (27/8) 27 n 3 4 27 26 27 2 2 · 5 · 28 27 3
x− = + x− − x − + x − + ···
n=0
n! 8 2 27 8 2!37 8 3!311 8
Para determinar o raio de convergência da série anterior aplicamos o Teorema 1.19:
cn f (n) (27/8)/n! 3(n + 1) 27 27

R = lim = lim = lim · = .
n→+∞ cn+1 n→+∞ f (n+1) (27/8)/(n + 1)! n→+∞ 3n − 1 8 8
27 27
Logo se |x − |< segue que
8 8
√ 3 4 27 26 27 2 2 · 5 · 28 27 3
x= + + + ··· .
3
x− − x − x −
2 27 8 2!37 8 3!311 8
27 3 27
Para x = 3 temos |3 − |= < e substituindo na série:
8 8 8
√
3 3 4 27 26 27 2 2 · 5 · 28 27 3
3= + 3− − 3 − + 3 − + · · · ≈ 1, 442266.
2 27 8 2!37 8 3!311 8
A seguir apresentamos algumas das séries de Maclaurin mais utilizadas:
f (x) Série Convergência
1 P∞
n=0 x
n |x| < 1
1−x
p P∞ p(p − 1) · · · (p − n + 1) n
1+x n=0 x |x| < 1
n! n
P∞ x
ex n=0 x∈R
n!
P∞ n x2n+1
sin x (−1) x∈R
n=0
(2n + 1)!
2n
n x
P∞
cos x n=0 (−1) x∈R
(2n)!
31
Seja f (x) uma função de Classe Cn+1 num intervalo aberto (a−, a+). Então definimos
o polinômio de Taylor de ordem n de f (x) como sendo o polinômio:
n
f 00 (a) f (n) (a) X f (k) (a)
Tn (x) = f (a) + f 0 (a)(x − a) + (x − a)2 + · · · + (x − a)n = (x − a)k .
2! n! k!
k=0
TEOREMA 1.23 (Resto de Lagrange). Seja f de classe Cn+1 em I = (a − , a + ). Para

cada x , a em I, existe um ponto ξ situado entre x e a (ou seja, a < ξ < x ou x < ξ < a),
talque
f (n+1) (ξ)
Rn (x) := f (x) − Tn (x) = (x − a)n+1 .
(n + 1)!
Demonstração. Pelo Teorema fundamental do Cálculo:

Z x Z x
f (t)dt = f (x) − f (a) =⇒ f (x) = f (a) + f (t)dt.
a a
Na integral aplicamos integração por partes com u = f 0 (t) e v0 = 1, na qual podemos

considerar v = t − x:
x Rx
f (x) = f (a) + (t − x) f 0 (t) − a (t − x) f 00 (t)dt
a R
x
= f (a) + f 0 (a)(x − a) − a (t − x) f 00 (x)dt.
Repetindo o mesmo procedimento mais duas vezes:
f 00 (a) Rx f 000 (t)

f (x) = f (a) + f 0 (a)(x − a) + (x − a)2 + a (t − x)2 dt
2! 2
00
f (a) 000
f (a) Rx f (4) (t)
= f (a) + f 0 (a)(x − a) + (x − a)2 + (x − a)3 − a (t − x)3 dt.
2! 3! 3!
De modo geral
x
f (n+1) (t)
Z
f (x) = Tn (x) + (−1) n
(t − x)n dt.
a n!
Logo
x
f (n+1) (t)
Z
Rn (x) = (−1) n
(t − x)n dt (1.5)
a n!
Se m = min{ f (n+1) (t) : t ∈ I} e M = max{ f (n+1) (t) : t ∈ I} então
x x
(t − x)n (t − x)n
Z Z
n
m(−1) dt ≤ Rn (x) ≤ (−1)n M dt,
a n! a n!
e assim, pela continuidade de f (n+1) (t) em I, existe um ponto ξ no interior de I tal
32
que
x
(t − x)n (x − a)n+1
Z
Rn (x) = (−1) f
n (n+1)
(ξ) dt = f (n+1) (ξ) .
a n! (n + 1)!

COROLÁRIO 1.1. Com as hipóteses do Teorema 1.23, se | f (n+1) | ≤ M em I então
M
|Rn (x)| ≤ |x − a|n+1 .
(n + 1)!
Exercı́cio 1.12. Encontre o intervalo de convergência e teste a convergência nos extremos

desse intervalo:
∞ ∞ ∞
X
n 2 n
X n 2n−1 n X (x − 2)n
(a) (−1) (2n+1) x (b) x (c)
2n + 1 (2n − 1)2n
n=0 n=0 n=1
∞ ∞ ∞
X (x − 3)n X (3n − 2) X (x + 3)n
(d) (e) (x−3)n (f)
n=1
n · 5n
n=0
(n + 1)2 2n+1 n=1
n2
∞
∞ ∞
X
X 2n−1 x2n−1 X 2 2 (i) xn!
(g) (h) 3n xn
n=1
(4n − 3)2 n=0
n=1
∞ ∞ ∞
X 1 3n−1 X (x − 1)2n X (x − 2)2n
(j) n
x+5 (k) (l) (−1)n−1
2n · 4 n · 9n 2n
n=1 n=1 n=1
Exercı́cio 1.13. Aplicando diferenciação e integração termo a termo, encontre a soma

das seguintes séries:
x x3 xn x2 x3 xn
(a) x+ + + ··· + + ··· (b) x− + − · · · + (−1)n−1 + · · ·
2 3 n 2 3 n
x 3 x 5 x2n−1
(c) x+ + + ··· + + ··· (d) 1 + 2x + 3x2 + · · · + (n + 1)xn + · · ·
3 5 2n − 1
(e) 1 · 2 + 2 · 3x + · · · + n(n + 1)xn−1 + · · ·
Exercı́cio 1.14. Encontre a série de Maclaurin das funções.
(a) ex (b) sin x (c) cos x

Exercı́cio 1.15. Expandir as seguintes funções em série de potências ao redor do a dado:
1
(1) f (x) = ao redor de a = 1.
x
33
1
(2) f (x) = ao redor de a = −1.
x2
1
(3) f (x) = ao redor de a = −4.
x2 + 3x + 2
1
(4) f (x) = ao redor de a = −2.
x2 + 4x + 7
√
(5) f (x) = x ao redor de a = 4.
4 + 2(−1)n n
Exercı́cio 1.16. Para cada n ∈ N seja cn = .
5
cn+1 cn+1
(a) Encontre lim sup |cn |1/n , lim inf |cn |1/n , lim sup e lim inf .
cn cn
(−1)n cn convergem?
P P
(b) As séries cn e
cn xn .
P
(c) Encontre o intervalo de convergência da série de potências
34
2 Métodos numéricos para a solução de equações
2.1 Introdução
Muitos problemas em diferentes áreas de conhecimento reduzem-se à solução da equação:
f (x) = 0 (2.1)
em que f : [a, b] → R é uma função contı́nua. Um valor x̄ que satisfaz f (x̄) = 0 é chamado
uma raiz ou um zero de f (x).
É conhecido que se f (x) for um polinômio de grau menor ou igual a 4 existe uma
fórmula algébrica para determinar todas as suas raizes; mas se f (x) for um polinômio de
grau maior ou igual a 5 ou uma função envolvendo funções transcendentais, não existe
um método geral que permita encontrar exatamente as raizes da equação f (x) = 0.
Exemplo 2.1. A figura 2 mostra o sol na origem e a terra no ponto (1, 0). Existem 5
pontos de equilibrio, no plano determinado pela órbita da terra ao redor do sol, nos
quais um satélite permanece imóvil em relação à terra. Estes pontos são chamados
pontos de Lagrange em honor ao matemático francês Joseph Louis Lagrange quem
os descobriu estudando o problema restrito dos três corpos. Estes pontos são
obtidos quando as forças (gravitacionais, centrı́petas ) que agem no satélite se
contrabalancearem. Em dezembro de 2005 o satélite de pesquisa solar SOHO (Solar
and Heliospheric Observatory) foi colocado no ponto L1 . Este ponto L1 é uma boa
posição para monitorar o sol desde que as correntes de partı́culas do sol, como o
vento solar, atingem L1 aproximadamente uma hora antes de atingir a terra.
m2
Se m1 é a massa do sol, m2 é a massa da terra e r = m1 +m2 , então a coordenada x
de L1 é a única raiz da equação de grau 5:
p(x) = x5 − (2 + r)x4 + (1 + 2r)x3 − (1 − r)x2 + 2(1 − r)x + r − 1 = 0
Usando o valor aproximado de r ≈ 3.04042 × 10−6 , encontre a localização do

ponto L1 .
A distância entre L1 e a terra é quase a mesma que entre a terra e L2 . No ano
2022 começou a operar o telescópio James Webb o qual órbita o ponto L2 numa
órbita altamente elı́ptica, completando um circuito a cada 168 dias. A distância
entre James Webb e L2 varia entre between 250000 and 830000 kilometros.
Muitos problemas de ciência e tecnologia, como o problema anterior, conduzem à

resolução de equações não lineares para as quais é difı́cil ou impossı́vel encontrar
uma solução exata.
A solução do problema anterior só é possı́vel utilizando um método numérico. No

que segue apresentaremos alguns métodos que nos ajudarão a resolver equações deste
tipo.
35
Sol Terra
Figura 2: Pontos de Lagrange no sistema Sol-Terra.
2.2 Preliminares
Um teorema que utilizaremos é o seguinte.
TEOREMA 2.1 (Teorema do Valor Intermediário (TVI)). Seja f (x) é uma função
contı́nua num intervalo [a, b]. Se f (a) f (b) < 0 então existe pelo menos uma raiz x̄ de
f (x) = 0 entre a e b.
Em palavras, podemos garantir ao menos uma solução da equação f (x) = 0, desde que
as imagens dos extremos do intervalo [a, b] sejam de signais diferentes. Isto é, se f (a) > 0
e f (b) < 0, ou se f (a) < 0 e f (b) > 0.
Exemplo 2.2. No exemplo 2.1, a função é
f (x) = p(x) = x5 − (2 + r)x4 + (1 + 2r)x3 − (1 − r)x2 + 2(1 − r)x + r − 1.
Observe que f (0) = r − 1 < 0 e f (1) = r > 0 então, pelo TVI, existe uma raiz x̄ no
intervalo [0, 1].
Outro resultado que precisaremos é o seguinte teorema:
TEOREMA 2.2 (Teorema do Valor Médio (TVM)). Seja f (x) uma função contı́nua em
[a, b] e diferenciável no intervalo (a, b). Então existe um ponto c ∈ (a, b) tal que
f (b) − f (a) = f 0 (c)(b − a).
O TVI é a ferramenta principal do primeiro método numérico.
2.3 O Método de Bisseção

Suponha f (x) contı́nua e que existe um intervalo [a, b] tal que f (a) f (b) < 0. Sem perda
de generalidade, podemos supor f (a) > 0 e f (b) < 0. Pelo TVI, existe uma raiz x̄ de
f (x) = 0 entre a e b, que pode se qualquer ponto do intervalo [a, b]. Assim, temos pouca
36
informação sobre o valor da raiz. A ideia do método de Bisseção é diminuir o tamanho
do intervalo [a, b] com o intuito de conseguir um intervalo menor no qual podemos
encontrar a raiz.
Figura 3: O Método da Bisseção.
Como não temos ideia da ubicação da raiz, democraticamente, escolhemos como

primeira aproximação de x̄, o ponto médio do intervalo:
a+b
x1 =
2
Se por acaso obtemos que f (x1 ) = 0, então o problema ficaria resolvido pois neste caso
x̄ = x1 . Se f (x1 ) , 0 então x̄ encontra-se no interior de [a, x1 ] ou no interior de [x1 , b].
Para determinar em qual destes intervalos está a raiz, utilizamos o TVI:
(i) Se f (a) f (x1 ) < 0 então a raiz encontra-se em [a, x1 ],
(ii) Se f (x1 ) f (b) < 0 então a raiz encontra-se em [x1 , b].
No caso (i), fazemos b = x1 e no caso (ii), fazemos a = x1 . Em qualquer caso, temos

diminuido o tamanho do intervalo à metade. Com este novo intervalo repetimos o
processo o obtemos uma segunda aproximação x2 com a qual, se não é a raiz, diminuimos
o intervalo novamente na metade. Dependendo do valor de f (x2 ) teremos a = x2 ou
b = x2 .
Continuando este processo obtemos uma sequência de aproximações xn+1 , para
n = 0, 1, 2, ... que pertencem a intervalos In = [an , bn ] com a0 = a e b0 = b de forma que
f (an ) f (bn ) < 0 e o comprimento de cada Ii+1 é a metade do comprimento de Ii . Assim
bn−1 − an−1 b0 − a 0
bn − an = = ... = . (2.2)
2 2n
e
an + bn
xn+1 = .
2
O seguinte Teorema mostra a convergência das aproximações xn à raiz x̄.
37
TEOREMA 2.3. A sequência de aproximações xn obtidas pelo Método da Bisseção converge
para a raiz x̄.
Demonstração. Pela equação (2.2) temos que
b0 − a0
lim |bn − an | = lim = 0.
n→∞ n→∞ 2n
Por tanto limn→∞ bn = limn→∞ an = L onde L é um número real. Como an < xn+1 <
bn temos que limn→∞ xn = L. Provaremos que L = x̄. Observe que f (an ) f (bn ) < 0
então
lim f (an ) f (bn ) = f (L) f (L) ≤ 0,
n→∞
o que implica que ( f (L))2 ≤ 0. Mas ( f (L))2 ≥ 0. Assim a única possibilidade é que
f (L)2 = 0, ou f (L) = 0. Dessa forma L = x̄.
2.3.1 Estimativa do número de iterações
Desejamos determinar quantas iterações são necessárias como mı́nimo, para encontrar
um intervalo [an , bn ], que contenha a aproximação xn+1 , tal que
|xn+1 − x̄| < ,
em que é o erro absoluto ao aproximar x̄. Pela equação (2.2)
bn − a n b0 − a 0
|xn+1 − x̄| ≤ xn+1 − an = = n+1
2 2
Logo para obter a precisão desejada, é suficiente considerar um n tal que
b0 − a0
<
2n+1
Assim,
Log(b0 − a0 ) − Log()
n> − 1.
Log(2)
Observação 2.1. Ao resolver um problema numericamente, não esqueça de colocar a

calculadora no modo radianos.
Exemplo 2.3. Aplique o método de Bisseção para resolver a equação x3 + cos(x) = 0

obtendo os extremos do intervalo inicial a e b pelo TVI. Encontre um resultado xn
tal que |xn − x̄| < 0.01.
38
Solução:
A função a avaliar é f (x) = x3 + cos(x). Note que f (−1) = −0.45969 e f (0) = 1, assim
podemos considerar a = −1 e b = 0. Observe que precisaremos de
Log(0 + 1) − Log(0.01)
n> − 1 = 5.64
Log2
iterações para obter o erro desejado. Assim, é suficiente n = 6. Na seguinte tabela

organizaremos os dados:
n a b xn+1 f (a) f (b) f (xn+1 )

0 -1 0 -0.5 -0.45969 1 0.75258
1 -1 -0.5 -0.75 -0.45969 0.75258 0.309813
2 -1 -0.75 -0.875 -0.45969 0.309813 -0.02892
3 -0.875 -0.75 0 -0.8125 -0.02892 0.309813 0.1513
4 -0.875 -0.8125 -0.84375 -0.02892 0.1513 0.06398
5 -0.875 -0.84375 -0.859375 -0.02892 0.06398 0.018240
6 -0.875 -0.859375 -0.8671875 -0.02892 0.018240 -0.00516
Em cada passo fomos utilizando o TVI para escolher os valores de a e b. Repare

que
b6 − a6
|x7 − x̄| ≤ = 0.00781 < 0.01.
2
Assim uma aproximação da raiz é x7 = −0.8671875.
2.4 Método da Falsa Posição

O método da Falsa Posição é uma variação do método da Bisseção. Neste método mu-
damos a forma de escolher a aproximação xn+1 . Na Biseção aproximavamos utilizando
o ponto médio do intervalo. Na Falsa posição aproximaremos a raiz utilizando a reta L
que passa pelos pontos (a, f (a)) e (b, f (b)). Ou seja, f (x) é aproximada por L e assim x1 ,
a aproximação de x̄, será o ponto onde a ordenada y da reta L é zero.
Figura 4: O Método da Falsa Posição.
39
A equação da reta L é:
y − f (a) f (b) − f (a)
= .
x−a b−a
Se y = 0, então x = x1 . Logo
0 − f (a) f (b) − f (a)
= .
x1 − a b−a
Assim
a f (b) − b f (a)
x1 =
f (b) − f (a)
Tendo x1 , podemos usar o mesmo critério da Bisseção para escolher o novo intervalo
[a, b], isto é:
(i) Se f (a) f (x1 ) < 0 então a raiz encontra-se em [a, x1 ],
(ii) Se f (x1 ) f (b) < 0 então a raiz encontra-se em [x1 , b].
No caso (i) definimos b = x1 , e no caso (ii) definimos a = x1 . Logo, continuamos o

processo até obter a precisão desejada, obtendo intervalos [an , bn ] com a0 = a e b0 = b e
an f (bn ) − bn f (an )
xn+1 = . (2.3)
f (bn ) − f (an )
O Método da Bisseção utiliza só a informação dos valores a e b para encontrar xn+1 ,
entanto que a Falsa Posição utiliza a informação de a, b, f (a) e f (b).
2.4.1 Erro Absoluto no método da Falsa Posição
No método da Falsa Posição pode acontecer que an ou bn permanece fixo a partir de um

certo n, então não podemos garantir que bn − an tende para 0. Por isso utilizaremos o
erro absoluto |xn+1 − xn | < como critério de parada, onde é a precisão dada.
Por tanto, o método para quando atingimos a desigualdade |xn+1 − xn | < .
2.4.2 Erro Relativo no método da Falsa Posição
Em alguns exemplos, o critério de parada será estabelecido pelo erro relativo. Se desejar-
mos um erro relativo menor que , o método para uma vez que atingimos a desigualdade
xn+1 − xn
< . (2.4)
xn+1
Exemplo 2.4. Aplique o método da Falsa Posição para resolver a equação x3 +cos(x) =
0 com a = −1 e b = 0. Encontre um resultado xn+1 tal que |xn+1 − xn | < 0.01.
40
Solução:
Como f (x) = x3 + cos(x) e f (−1) = −0.45969 e f (0) = 1, consideramos a = −1 e b = 0.

O método para se atingimos |xn+1 − xn | < 0.01. Na seguinte tabela organizaremos os
dados:
n a b xn+1 f (a) f (b) f (xn+1 )

0 -1 0 -0.68507 -0.45969 1 0.45285
1 -1 -0.68507 -0.84135 -0.45969 0.45285 0.07089
2 -1 -0.84135 -0.86254 -0.45969 0.07089 0.00880
3 -1 -0.86254 -0.86512 -0.45969 0.00880 0.00106
Em cada passo, uma vez calculado xn+1 , utilizamos o TVI para escolher o intervalo
[a, b]. Note que
|x4 − x3 | ≤ 0.00262 < 0.01.
Assim uma aproximação da raiz é x4 = −0.86512.
Observação 2.2. Em todos os métodos que seguem aplicamos um dos dois critérios
de parada:
(i) Erro absoluto: se |xn+1 − xn | < ;
(ii) Erro relativo: se | xn+1 −xn

xn+1 | < .
2.5 O Método das Aproximações Sucessivas

Seja f (x) : [a, b] → R uma função contı́nua. O método de Aproximações Sucessivas ou
Método do Ponto Fixo consiste em escrever a equação f (x) = 0 na forma
x = φ(x) (2.5)
em que φ(x) é uma função contı́nua. Desse modo, achar uma raiz x̄ que satisfaça f (x̄) = 0
é equivalente a achar um x̄ tal que x̄ = φ(x̄).
Exemplo 2.5. Encontre uma função φ(x) tal que a equação x = φ(x) seja equivalente
à equação x3 − 13 = 0.
Solução:
Neste exemplo f (x) = x3 − 13. Existem várias maneiras de resolver o problema:
41
r
13 13
(i) Escreva − 13 = 0 na forma
x3 x2 = e então isole x na esquerda x = .
r x x
13
Por tanto φ(x) = .
x
(ii) Escreva x3 − 13 = 0 na forma 3x3 = 2x3 + 13. Divida entre 3x2 para obter
2x3 + 13 2x3 + 13
x= . Neste caso φ(x) = .
3x2 3x2
Do exemplo anterior é claro que existem muitas, na verdade infinitas, maneiras de definir
uma função φ(x). Se temos escolhido uma destas funções φ e um ponto x0 ∈ [a, b],
construa a sequência
xn+1 = φ(xn ) (2.6)
Se por acaso a sequência {xn } convergir para um número x∗ , isto é, limn→∞ xn = x∗ , então
temos que
lim xn+1 = lim φ(xn ).
n→∞ n→∞
Como φ é contı́nua,
lim xn+1 = φ( lim xn ),
n→∞ n→∞
o que implica x∗ = φ(x∗ ). Pela definição da φ, segue que f (x∗ ) = 0, ou seja, x̄ = x∗ .
A análise anterior mostra que podemos encontrar x̄ usando a sequência {xn } da

equação (2.6), desde que o limite limn→∞ xn exista.
O seguinte Teorema fornece condições para que o limite limn→∞ xn exista.
TEOREMA 2.4. Seja φ(x) uma função contı́nua e diferenciável num intervalo [a, b] no
qual vale
|φ0 (x)| < 1, (2.7)
e suponha que a equação f (x) = 0 seja equivalente à equação x = φ(x). Então, dado
x0 ∈ [a, b], a sequência de iterações xn+1 = φ(xn ) converge para a raiz x̄ de f (x) = 0.
Demonstração. Seja x̄ satisfazendo x̄ = φ(x̄) ou f (x̄) = 0. Pelo Teorema do Valor

Médio, para cada n existe um cn ∈ (x̄, xn ) tal que
|φ(xn ) − φ(x̄)| = |φ0 (cn )||xn − x̄|.
Como |φ0 (x)| < 1 para todo x ∈ [a, b] temos que |φ0 (cn )| ≤ λ, para um certo 0 < λ < 1.
42
Pela definição xn+1 = φ(xn ), isto implica que
|xn+1 − x̄| ≤ λ|xn − x̄|.
Continuando este processo temos:
|xn+1 − x̄| ≤ λ|xn − x̄| ≤ λ2 |xn−1 − x̄| ≤ . . . ≤ λn+2 |x0 − x̄|.
Por tanto
lim |xn+1 − x̄| ≤ lim λn+2 |x0 − x̄| = 0
n→∞ n→∞
pois λ < 1. Então,

lim |xn+1 − x̄| = 0
n→∞
o que implica limn→∞ xn+1 = x̄.
Observação 2.3. Pelo Teorema 2.4 devemos escolher uma φ que satisfaça:
|φ0 (x)| < 1. (2.8)
Exemplo 2.6. A função f (x) = xe−x − e−3 possui exatamente uma raiz x̄ em [0.01, 1].
Encontre esta raiz pelo método de Aproximações Sucessivas, utilizando um erro
absoluto menor que 0.01.
Solução:
Escreva a equação xe−x − e−3 = 0 na forma xe−x = e−3 , então divida entre e−x para
obter x = ex−3 . Assim φ(x) = ex−3 e φ0 (x) = ex−3 . Como 0.01 ≤ x ≤ 1 temos
−2.99 ≤ x − 3 ≤ −2 e então
e−2.99 ≤ ex−3 ≤ e−2 ,
pois ex−3 é uma função crescente. Logo, |φ0 (x)| ≤ e−2 ≈ 0.1353 < 1. Então φ(x)
satizfaz as condições do Teorema 2.4. Considere o ponto x0 = 0.5, então
x1 = φ(x0 ) = φ(0.5) = e0.5−3 = 0.08208.
Continuamos calculando os valores pela fórmula xn+1 = φ(xn ) na seguinte tabela:
n 0 1 2 3
xn 0.5 φ(0.5) = 0.08208 φ(0.08208) = 0.05404 φ(0.05404) = 0.052551
Observe que |x3 − x2 | = 0.00148 < 0.01. A solução aproximada é x3 = 0.052551.
43
2.6 O Método de Newton
A ideia para encontrar uma raiz da equação f (x) = 0 em todos os métodos numéricos
é começar com uma (ou mais) aproximação inicial x0 e então determinar a seguinte
aproximação seguindo uma regra dada. No método de Newton usa-se a reta tangente
para achar a segunda aproximação. Isto é feito da seguinte maneira.
Seja f : [a, b] → R uma função contı́nua em [a, b] e diferenciável em (a, b), e seja
x0 ∈ (a, b) uma aproximação inicial da raiz x̄. A reta tangente no ponto (x0 , f (x0 )) usa-se
para determinar a seguinte aproximação. Assim a nova aproximação será então o valor
de x1 no qual a ordenada da reta tangente é zero.
Reta tangente
Figura 5: O método de Newton.
A equação da reta tangente no ponto (x0 , f (x0 )) é:
y − f (x0 )
= f 0 (x0 ).
x − x0
Substituindo as condições x = x1 e y = 0 temos:
0 − f (x0 )
= f 0 (x0 ).
x1 − x0
Isolando x1 , obtemos a fórmula do método de Newton no ponto x0 :
f (x0 )
x1 = x0 − .
f 0 (x0 )
Uma vez calculado x1 podemos fazer o mesmo processo para achar outra aproximação
x2 a partir de x1 . É claro que a fórmula para x2 é:
f (x1 )
x2 = x1 − .
f 0 (x1 )
Em forma geral, a aproximação (n + 1)-ésima é dada por
f (xn )
xn+1 = xn − . (2.9)
f 0 (xn )
44
2.6.1 Convergência do Método de Newton
O seguinte Teorema garante a convergência do Método de Newton.
TEOREMA 2.5. Sejam f (x), f 0 (x) e f 00 (x) contı́nuas num intervalo I = [a, b] que contém
a raiz x̄ e suponha que f 0 (x̄) , 0. Então existe um intervalo I∗ ⊂ I, contendo a raiz x̄ tal que
se x0 ∈ I∗ , então a sequência {xn } gerada pela fórmula
f (xn )
xn+1 = xn −
f 0 (xn )
convergirá para a raiz.
Demonstração. Observe que o método de Newton é um caso particular do método

f (x)
das Aproximações sucessivas com φ(x) = x − f 0 (x) pois xn+1 = φ(xn ). Assim, pelo
Teorema 2.4, o método convergirá se |φ0 (x)| < 1. Note que
f (x) f 00 (x)
φ0 (x) =
[ f 0 (x)]2
Como f (x̄) = 0, temos φ0 (x̄) = 0. Pela continuidade de f, f 0 e f 00 , existe um intervalo

I∗ ⊂ I contendo x̄, no qual |φ0 (x)| < 1 para x ∈ I∗ .
Observação 2.4. O Teorema anterior diz que se começarmos com um ponto x0 próximo
da raiz x̄, então o Método de Newton convergirá para x̄.
Exemplo 2.7. Considere a equação não linear x2 − ex = 0. Use o método de Newton

para resolvê-la considerando uma aproximação inicial de x0 = −2 e um erro absoluto
menor que 0.001.
Solução:
Dos dados do problema f (x) = x2 − ex e f 0 (x) = 2x − ex . Usando a fórmula
f (xn )
xn+1 = xn − ,
f 0 (xn )
escreveremos as iterações na tabela abaixo:
45
n xn f (xn ) f 0 (xn )
0 -2 3.86466 -4.13533
1 -1.06545 0.79061 -2.47547
2 -0.74607 0.08239 -1.96636
3 -0.70417 0.00133 -1.90285
4 -0.70347 0.000004 -1.90180
Repare que |x4 − x3 | = 0.0007 < 0.001. Assim um valor aproximado da raiz é
x4 = −0.70347.
2.6.2 Ordem de convergência do Método de Newton
TEOREMA 2.6. Seja f uma função duas vezes diferenciável em um intervalo aberto I =
(a, b) tal que f 0 (x) , 0 em I. Se a sequência dada pelo método de Newton
f (xk )
xk+1 = xk − , k = 1, 2, · · ·
f 0 (xk )
converge para a raiz x quando k → ∞, então , para k suficientemente grande,
| f 00 (x)|
|xk+1 − x| ≤ M|xk − x|2 , se M > .
2| f 0 (x)|
Assim {xk } converge quadráticamente para x.
Demonstração. Seja k = xk = x. Pelo Teorema 1.23 do Resto na série de Taylor ,
2k
f (xk − k ) = f (xk ) − k f (xk ) +
0
f 00 (ξk )
2
para algum ξk situado entre xk e x. Como f (x) = 0 e x = xk − k segue
2k
0 = f (xk ) − (xk − x) f 0 (xk ) + f 00 (ξk ).
2
Como f 0 (xk ) , 0,
f (xk ) 2k f 00 (ξk )
0= − (x k − x) +
f 0 (xk ) 2 f 0 (ξk )
o qual
2k f 00 (ξk )
xk+1 − x = .
2 f 0 (ξk )
Assim
| f 00 (ξk )|
|xk+1 − x| ≤ |xk − x|2 .
2| f 0 (xk )|
Pela continuidade, f 0 (xk ) → f 0 (x) e, como ξk está entre xk e x, ξk → x e portanto
46
f 00 (ξk ) → f 00 (x). Logo, para k suficientemente grande
| f 00 (x)|
|xk+1 − x| ≤ M|xk − x|2 , se M > .
2| f 0 (x)|
2.7 Método da Secante

O Método de Newton precisa da avaliação da derivada f 0 (x) nos pontos xn que, depen-
dendo da função f (x), pode ser muito custosa. O Método da Secante surgue como uma
alternativa ao método de Newton no qual não é necessário avaliar a derivada da função.
A ideia é substituir a expressão f 0 (xn ) na fórmula de Newton por uma aproximação
dela. Suponha que conhecemos duas aproximações x0 e x1 da raiz x̄. Pelo método de
Newton
f (x1 )
x2 = x1 − .
f 0 (x1 )
Se não querermos derivar f , podemos aproximar a derivada f 0 (x1 ) pela inclinação da
reta que passa pelos pontos (x0 , f (x0 )) e (x1 , f (x1 )):
f (x1 ) − f (x0 )
f 0 (x1 ) ≈ .
x1 − x0
Dessa forma:
f (x1 )
x2 = x1 − h f (x )− f (x ) i
1 0
x1 −x0
Simplificando
x0 f (x1 ) − x1 f (x0 )
x2 = .
f (x1 ) − f (x0 )
Figura 6: O Método da Secante.
Fazendo a mesma análise para x1 e x2 , obteremos uma fórmula para x3
x1 f (x2 ) − x2 f (x1 )
x3 = .
f (x2 ) − f (x1 )
47
Em geral, a aproximação xn+1 depende de xn−1 e xn :
xn−1 f (xn ) − xn f (xn−1 )

xn+1 = . (2.10)
f (xn ) − f (xn−1 )
Observação 2.5. A fórmula do Método da Secante e do método da Falsa Posição é

a mesma. A diferença entre estes dois métodos é que no Método da Secante não é
necessário que os valores iniciais tenham signais opostos.
Exemplo 2.8. Utilize o Método da Secante para determinar uma raiz da equação
x3 − 9x + 3 = 0, em [0, 1] com erro relativo menor que 10−3 .
Solução:
Neste exemplo x0 = 0, x1 = 1 e f (x) = x3 − 9x + 3. Na tabela abaixo estão os valores

de xn e f (xn ). Em cada passo xn+1 é dado pela fórmula
xn−1 f (xn ) − xn f (xn−1 )

xn+1 = .
f (xn ) − f (xn−1 )
n xn−1 xn xn+1 f (xn−1 ) f (xn ) f (xn+1 )

1 0 1 0.375 3 -5 -0.32226
2 1 0.375 0.33194 -5 -0.32226 0.04911
3 0.375 0.33194 0.33763 -0.32226 0.04911 -0.00018
4 0.33194 0.33763 0.33760 0.04911 -0.00018 -0.00007
x5 −x4
O erro relativo para x5 = 0.00088 é menor que o erro procurado e assim uma
aproximação da raiz é x5 = 0.33760.
2.7.1 Ordem de convergência no Método da Secante
TEOREMA 2.7. Seja f uma função duas vezes diferenciável em um intervalo aberto I =
(a, b). Se a sequência dada pelo método da secante
xk−1 f (xk ) − xk f (xk−1 )

xk+1 = , k = 1, 2, · · ·
f (xk ) − f (xk−1 )
converge para a raiz x quando k → ∞, então , para k suficientemente grande,

√
1+ 5
|xk+1 − x| ≈ C|xk − x| , onde C é uma constante e p =
p
≈ 1, 618.
2
48
Demonstração. Seja k = xk − x. Observe que no método da Secante
xk − xk−1
xk+1 = xk − f (xk ) ·
f (xk ) − f (xk−1 )
o que implica
k − k−1
k+1 = k − f (xk ) · . (2.11)
f (xk ) − f (xk−1 )
Pelo Teorema de Taylor
f 00 (ξk ) 2 f 00 (ξk ) 2
f (xk ) = f (x) + k f 0 (x) + k = k f 0 (x) + k ,
2 2
em que ξk está entre x e xk . Assim como na prova do Teorema 2.6 temos que ξk → x
e logo
f 00 (x) 2 f 00 (x) 2
f (xk ) ≈ k f 0 (x) + k =⇒ f (xk ) − f (xk−1 ) ≈ f 0 (x)(k − k−1 ) + k − 2k−1 .
2 2
Substituindo na equação 2.11

k − k−1
k+1 ≈ k − f 0 (x)k + f 00 (x)2k /2 ·
(k − k−1 ) f 0 (x) + f 00 (x)(k + k−1 )/2
e simplificando:
k + M2k Mk k−1

k+1 ≈ k − = ≈ Mk k−1 , (2.12)
1 + M(k + k−1 ) 1 + M(k + k−1 )
f 00 (x)
com M = . Se existe p > 0 tal que para k grande |k | ≈ C|k−1 |p , então da
2 f (x)
aproximação 2.12,
1
|M| |M| p−1 1
C|k |p ≈ |M||k ||k−1 | =⇒ |k |p−1 ≈ |k−1 | =⇒ |k | ≈ |k−1 | p−1 .
C C
Comparando obtemos
√
1
|M| p−1 1 1 1 + 5
C= ep= =⇒ C = |M| p e p = .
C p−1 2
Evidentemente a ordem de convergência do método da secante é menor que a do método

de Newton, porém, a vantagem computacional do método da secante é que não é
necessário calcular as derivadas f 0 (xk ) em cada passo, o qual, dependendo de f (x) pode
ser muito custoso.
49
Exercı́cio 2.1. Localize graficamente as raizes da equação ln(x) + 5x − 6 − x2 = 0. Separe
cada uma delas em intervalos de comprimento máximo unitário.
Exercı́cio 2.2. Localize graficamente as raı́zes das equações:
x
(a) 4 cos(x) − e2x = 0; (b) − tan(x) = 0;
2
(c) 1 − x ln(x) = 0; (d) 2x − 3x = 0.
Exercı́cio 2.3. Considere a equação f (x) = xex − 1.
(a) Mostre que a equação possui uma raiz no intervalo [0.5, 1].
(b) Qual é o número mı́nimos de iterações necessárias para se obter uma aproximação
da raiz com duas casas decimais corretas, usando o Método da Bisseção?
(c) Se (xk ), k = 0, 1, 2, 3, .. é a sequência de aproximações para a solução da equação

f (x) = 0 através do Método da Bisseção, determine o valor aproximado de |x4 − x3 |.
Exercı́cio 2.4. Aplique o Método de Bisseção e da Falsa Posição para calcular a raiz positiva
de x3 − 15 = 0 com erro absoluto < 0, 01, partindo do intervalo [2.00, 3.00].
Exercı́cio 2.5. Aplique o Método de Bisseção para resolver:
(a) ex − x − 3x2 = 0; (b) x3 + cos(x) = 0
obtendo os extremos do intervalo inicial a e b graficamente. Encontre um resultado xn

tal que |x̄ − xn | < 0, 01.
Exercı́cio 2.6. Calcular a raiz de 2x3 − cos(x + 1) − 3 = 0, pertencente ao intervalo [−1, 2],
com precisão de 0.01 usando o Método de Bisseção com no máximo 10 passos. Verifique
quantos passos no mı́nimo são necessários para ter uma precisão de 10−8 .
Exercı́cio 2.7. Dado o polinómio p(x) = x3 + 2x2 + x − 2, faça o que se pede:
(a) Determine o intervalo onde todos os zeros do polinômio devem estar.
(b) Encontre uma aproximação para uma das raı́zes de p(x) = 0, com precisão de sete
casas decimais, usando o Método de Newton com no máximo 10 passos e x0 = 1.
Exercı́cio 2.8. Faça o exercı́cio anterior usando o polinômio p(x) = x3 + 4x2 + x − 2.
Exercı́cio 2.9. Considere a função f (x) = x3 − x − 1. Resolva a equação f (x) = 0 pelo

Método de aproximações sucessivas usando a função de iteração φ(x) = 1
x + 1
x2
e x0 = 1.
Justifique seus resultados.
Exercı́cio 2.10. As raı́zes de f (x) = ln(x) − x + 2 podem ser determinadas usando o

processo iterativo na forma xk+1 = φ(xk ), i = 1, 2, .... Encontre as raı́zes considerando:
(a) φ(x) = 2 + ln(x); (b) φ(x) = ex−2 .
50
Exercı́cio 2.11. A função f (x) = xe−x − e−3 , x ∈ R, possui exatamente duas raı́zes reais:
α1 ∈ [0.01, 1] e α2 ∈ [4, 5]. Considere as funções φ1 (x) = ex−3 e φ2 (x) = ln x + 3.
(a) φ1 pode ser usada para aproximar α1 pelo método das aproximações sucessivas
com garantia de convergência? E φ2 ?. Justifique.
(b) φ1 pode ser usada para aproximar α2 pelo método das aproximações sucessivas
com garantia de convergência? E φ2 ?. Justifique.
Exercı́cio 2.12. Mostre que x3 − 2x2 − 5 − sin(x) = 0 tem apenas uma raiz real e determine
seu valor correto até 5 casas decimais usando o Método de Newton, com no máximo 6
iterações. Considere x0 = 2.1.
Exercı́cio 2.13. Mostre que a fórmula para determinar a raiz cúbica de Q,
1 Q
xn+1 = 2xn + 2 , n = 0, 1, ....
3 xn
é um caso especial do Método de Newton. Aplique o método para calcular a raiz cúbica
de 2 com precisão de 10−2 usando o erro relativo. Considere x0 = 1.
Exercı́cio 2.14. Calcular as duas raı́zes de sin(x) − ex − 2x2 + 10 = 0 usando o Método de

Newton, com a precisão de |xn+1 − xn | ≤ 10−5 e no máximo 10 passos.
Exercı́cio 2.15. Localize os zeros do polinômio p(x) = x5 − 10 3

9x + 5
21 . Usando o Método
de Newton, encontre as raı́zes não nulas de p(x) = 0 com precisão de 6 casas decimais.
Exercı́cio 2.16. Utilizando o Método de Newton e chamando de (xk ), k = 0, 1, 2, ... a

sequência de aproximações para a solução da equação tan(x) − 2x = 0 no intervalo
[1, 1.5], com x0 = 1.3, encontre um valor aproximado de |x5 − x4 | × 107 .
Exercı́cio 2.17. Considere a equação não-linear x2 − ex = 0. Use o Método de Newton para

resolvê-la considerando uma aproximação inicial x0 = −2 e precisão menor que = 10−1 .
Use arredondamento e 4 casas decimais após a vı́rgula.
Exercı́cio 2.18. Utilizando o Método de Newton e chamando de (xk ), k = 0, 1, 2, ... a

sequência de aproximações para a solução da equação x3 + x − λ = 0 no intervalo
[1, 2], com x0 = 1.3 e λ = 3, encontre um valor aproximado de |x5 − x4 | × 107 .
Exercı́cio 2.19. Além da solução obvia x = 0, a equação
x sin(x) + 3x cos(x) − 2x = 0
tem duas soluções no intervalo [−1, 2], sendo uma positiva e a outra negativa. Sejam
(Sk ) e (Pk ), k = 1, 2, ... as sequências de aproximações para as raı́zes de f (x) obtidas pelo
Método da Secante e da Falsa Posição, respectivamente. Considerando S1 = P1 = −1 e
S2 = P2 = 1.5, encontre o valor aproximado de |S5 − P5 | × 100.
51
Exercı́cio 2.20. Utilize o Método da falsa posição para determinar a raiz da equação
x log(x) − 1 = 0, em [2, 3] com = 10−4 .
Exercı́cio 2.21. Utilize o Método da falsa posição para determinar a raiz da equação x3 −
9x + 3 = 0, em [0, 1] com = 10−4 .
Exercı́cio 2.22. Utilize o Método da secante para determinar a raiz da equação x3 − 9x + 3 =

0, em [0, 1] com = 10−4 .
Exercı́cio 2.23. Considere um pórtico em L invertido como na figura onde K é o coefi-

ciente de mola torsional. Encontre o valor do ángulo de equilibrio θ quando aplicamos
uma força P no extremo do pórtico. Resolva o problema com K = 1, L = 2 e P = 2.
Figura 7: Pórtico em L.
Exercı́cio 2.24. Use o Método de Newton para determinar o ponto de mı́nimo global do
polinômio abaixo, se existir tal ponto.
p(x) = x(x − 1)(x + 1)(x − 2) (2.13)
Atenção: Primeiro verifique se existe ou não um ponto de mı́nimo global (isto é, um
ponto α ∈ R tal que p(α) ≤ p(x), ∀x ∈ R). Depois isole os possı́veis candidatos (se
existirem) e só então calcule, pelo método pedido, o ponto de mı́nimo global.
Exercı́cio 2.25. Verifique que a sequência
p − 1 A
xn+1 = xn + p−1 (2.14)
p pxn
√
p √
4
pode ser utilizada para calcular A. Depois determine 9 com erro menor a 10−6 .
52
Exercı́cio 2.26. Na figura, o comprimento da corda
AB é de 4 cm e o comprimento do arco AB é de 5 cm.
Encontre o ângulo central θ, em radianos, correto
até a quarta casa decimal.
Exercı́cio 2.27. Um tanque tem a forma de um ci-

lindro reto, com raio igual a 1 e comprimento l.
Sua lateral (circular) é transparente e através dela
podemos observar o nı́vel do liquido no cilindro
(”deitado”). A porcentagem do liquido no fluido
pode ser obtida em função do ângulo (veja a fi-
gura). Por exemplo, o cilindro está cheio quando
θ = π e pela metade para θ = π2 . Calcule com erro
menor de 10−3 o valor de θ para o qual o cilindro
tem um quarto de seu volume cheio, através do
método de Aproximações sucessivas. Justifique to-
dos os passos de forma a garantir a convergência.
Exercı́cio 2.28. Um fábrica possui material para confecção de uma lata cilı́ndrica com
área total de superfı́cie de 800 cm2 . Deseja-se uma lata com esta área de superfı́cie e
volume de 1 litro. Determine através de um Método de Aproximações Sucessivas qual o raio
da lata e sua correspondente altura. Efetue 3 iterações do método e estime o número
de iterações necessárias para um erro menor que 10−5 . Justifique a convergência do
método. (Obs: deseja-se a lata mais alta...)
Exercı́cio 2.29. No exemplo (2.1), utilizando o Método de Newton , determine a posição

do Satélite SOHO. Utilize um erro absoluto menor que 10−10 !.
53
3 Interpolação Polinomial
3.1 Introdução
Num sentido amplo, interpolar significa obter informação sobre um evento ou fenômeno
a partir de dados conhecidos. Em nosso caso, queremos obter informação sobre uma
certa função f (x) para a qual só conhecemos o seu valor yi = f (xi ), i = 0, ..., n em n + 1
pontos denotados
x0 < x1 < .... < xn .
Como não conhecemos a expressão da f , podemos tentar encontrar uma função g(x) que
satisfaça as mesmas condições da f (x), ou seja,
g(xi ) = f (xi ) = yi , para todo i = 0, ..., n.
Isto é, desejamos encontrar uma função g(x) que coincida com f (x) pelo menos nos
pontos xi . A ideia é que g(x) possa substituir à f (x).
Figura 8: g(x) coincide com f (x) nos pontos xi , i = 0, 1, ..., n.
Existem várias justificativas para procurar uma função g(x) que substitua à função
f (x):
(a) Pode ser que não conhecemos f (x) exceto nos pontos xi , então se encontrar-
mos uma função g(x) que coincide com ela nestes pontos, podemos supor g
aproxima f , ou que g comporta-se como f .
(b) Outra razão é quando conhecemos f (x), mas a sua expressão é difı́cil de
trabalhar, por exemplo, de derivar ou integrar. Então se g coincide com f pelo
menos nos pontos xi , podemos fazer as contas com g ao invés de com f .
Um exemplo no qual podemos usar interpolação é o seguinte.
54
Exemplo 3.1. A tabela abaixo mostra a população (em milhões) do Brasil de 1960
a 2010. Seja f (x) a população do Brasil no ano x. O problema a ser resolvido é o
seguinte: Estime a população nos anos 1955, 1975 e 2012.
Ano 1960 1970 1980 1990 2000 2010

População 72.7759 96.0604 121.7404 149.6483 174.5049 195.2102
DEFINIÇÃO 3.1. A interpolação denomina-se Interpolação Polinomial se a função

g(x) é um polinômio.
Note que um polinômio está definido em toda a reta real R e, além disso, é fácil de
derivar e integrar. No que segue, a interpolação será sempre polinomial.
3.2 Preliminares
A pergunta natural então é: É possı́vel encontrar um polinômio que interpola f (x) nos
pontos x0 , x1 , ..., xn ? Ou seja, dados (n + 1)-pontos distintos x0 , x1 , ..., xn e suas respectivas
imagens yi = f (xi ), i = 0, 1, ..., n, existirá um polinômio g(x) = P(x) tal que P(xi ) = yi ?
O Teorema abaixo fornece uma resposta à pergunta anterior.
TEOREMA 3.1. Seja f (x) definida em x0 , x1 , ..., xn (n + 1) pontos distintos de um intervalo

[a, b], então existe um único polinômio P(x) de grau menor ou igual a n tal que P(xi ) =
f (xi ) = yi , para todo i = 0, 1, ..., n.
Demonstração. Considere um polinômio de grau n da forma
P(x) = a0 + a1 x + a2 x2 + ... + an xn .
Sob a hipótese P(xi ) = yi temos:
a0 + a1 x0 + ... + an xn0 = y0
a0 + a1 x1 + ... + an xn1 = y1
.. (3.1)
.
a0 + a1 xn + ... + an xnn = yn
Isto é, se o sistema linear anterior tem solução então podemos encontrar um P(x) que
interpola f (x) tal que os coeficientes de P(x) são precisamente os valores da solução
do sistema. Logo, é suficiente provar que o sistema tem solução única.
55
De fato, a matriz do sistema é:
...
 
 1 x0 xn0 
... xn1
 
 1 x1 
A =  .. .. .. ..
 
.

 . . . 
 
1 xn ... xnn

e, de álgebra linear, podemos provar que o determinante do sistema é:
n
Y
Det(A) = (xi − x j ) (3.2)
i>j
Como xi , x j , se i , j, Det(A) , 0. Por tanto o sistema tem solução única. Dessa

forma o polinômio P(x) que interpola f (x) é único.
DEFINIÇÃO 3.2. O polinômio P(x) do Teorema 3.1 é chamado Polinômio Interpo-

lante de f (x) nos pontos x0 , x1 , ..., xn .
Pelo Teorema 3.1, podemos obter os coeficientes do polinômio interpolante resol-

vendo o sistema linear (3.1). Mas, se n é grande, a resolução de um sistema linear
n × n pode ser muito custosa em relação ao tempo computacional utilizado. Assim,
é necessário utilizarmos outros métodos para determinar P(x) como a Fórmula de
Lagrange e a Fórmula de Newton.
3.3 A Fórmula de Lagrange

Para definir a fórmula de Lagrange do polinômio interpolante P(x) precisamos dos
polinômios de Lagrange que são definidos abaixo.
DEFINIÇÃO 3.3. Sejam x0 , x1 , ..., xn , (n + 1) pontos distintos. Seja k ∈ {0, .., n}. O
k-ésimo polinômio de Lagrange Lk (x) é definido por:
Y x − x
i (x − x0 )(x − x1 ) · · · (x − xk−1 )(x − xk+1 ) · · · (x − xn )
Lk (x) = =
xk − xi (xk − x0 )(xk − x1 ) · · · (xk − xk−1 )(xk − xk+1 ) · · · (xk − xn )
i,k
Os polinômios de Lagrange tem a seguinte propriedade:
(A) Lk (xk ) = 1 e Lk (xi ) = 0, se i , k. De fato, substituindo x = xk , o numerador e o

denominados são iguais e assim Lk (xk ) = 1. Por outro lado, substituindo x = xi
com i , k, vemos que o numerador anula-se no fator (x − xi ), e assim Lk (xi ) = 0.
56
DEFINIÇÃO 3.4. Sejam yi = f (xi ). Então o polinômio de Lagrange de f (x) é dado
por
P(x) = y0 L0 (x) + y1 L1 (x) + · · · + yn Ln (x). (3.3)
Pela propriedade (A), a avaliação de P(x) em x = xi é:
P(xi ) = y0 L0 (xi ) + y1 L1 (xi ) + · · · + yn Ln (xi ) = yi Li (xi ) = yi = f (xi ),
para todo i ∈ {0, 1, ..., n}. Então P(x) interpola f (x), e pela unicidade do Teorema 3.1,
P(x) é o polinômio interpolante de f (x) nos pontos x0 , x1 , · · · , xn Por tanto, a fórmula de
Lagrange (3.3) fornece uma maneira direta de calcular o polinômio interpolante.
Exemplo 3.2. A seguinte tabela mostra a população (em milhões) mundial de 1970
a 2000.
Ano 1970 1980 1990 2000

População 3710 4450 5280 6080
Encontre um polinômio interpolador de grau 3 e estime a população nos anos 1985

e 1995.
Solução:
Dos dados, x0 = 1970, x1 = 1980, x2 = 1990 e x3 = 2000; y0 = 3710, y1 = 4450,
y2 = 5280 e y3 = 6080. Definimos os polinômios de Lagrange:
(x − x1 )(x − x2 )(x − x3 ) (x − 1980)(x − 1990)(x − 2000)

L0 (x) = =
(x0 − x1 )(x0 − x2 )(x0 − x3 ) (1970 − 1980)(1970 − 1990)(1970 − 2000)
(x − x0 )(x − x2 )(x − x3 ) (x − 1970)(x − 1990)(x − 2000)

L1 (x) = =
(x1 − x0 )(x1 − x2 )(x1 − x3 ) (1980 − 1970)(1980 − 1990)(1980 − 2000)
(x − x0 )(x − x1 )(x − x3 ) (x − 1970)(x − 1980)(x − 2000)
L2 (x) = =
(x2 − x0 )(x2 − x1 )(x2 − x3 ) (1990 − 1970)(1990 − 1980)(1990 − 2000)
(x − x0 )(x − x1 )(x − x2 ) (x − 1970)(x − 1980)(x − 1990)
L3 (x) = =
(x3 − x0 )(x3 − x1 )(x3 − x2 ) (2000 − 1970)(2000 − 1980)(2000 − 1990)
O polinômio interpolante é:
P(x) = 3710L0 (x) + 4450L1 (x) + 5280L2 (x) + 6080L3 (x).
A população estimada no ano 1985 será
P(1985) = 3710L0 (1985) + 4450L1 (1985) + 5280L2 (1985) + 6080L3 (1985).
57
P(1985) = 3710(−0.0625) + 4450(0.5625) + 5280(0.5625) + 6080(−0.0625) = 4861.25.
Então a população estimada no ano 1985 é de 4861.25 milhões.

Dado real: Em 1985 a população mundial atingiu os 5000 milhões de pessoas.
3.4 A Fórmula de Newton

A Fórmula de Newton para determinar o polinômio interpolante de f (x) é uma fórmula
mais eficiente que a de Lagrange, pois precisa de menos custo computacional. A ideia
de Newton foi escrever o polinômio interpolante P(x) na forma
P(x) = b0 + b1 (x − x0 ) + b2 (x − x0 )(x − x1 ) + · · · + bn (x − x0 )(x − x1 ) · · · (x − xn−1 ), (3.4)
em que os coeficientes b0 , b1 , · · · , bn devem ser determinados. Esta fórmula precisa da

definição das diferenças divididas.
Seja f uma função definida em (n + 1)-pontos x0 , x1 , · · · , xn nos quais yi = f (xi ).
DEFINIÇÃO 3.5. As diferenças divididas de ordem 0, são os valores da própria

função f (x), ou seja,
f [xi ] := f (xi ), i = 0, 1, 2, ..., n
As diferenças divididas de ordem k, para 0 ≤ k ≤ n, são definidas utilizando as

diferenças de ordem k − 1:
f [xi+1 , · · · , xi+k ] − f [xi , · · · , xi+k−1 ]

f [xi , xi+1 , · · · , xi+k ] = , para 0 ≤ i ≤ n − k
xi+k − xi
Por exemplo se n = 3, as diferenças divididas de ordem 0 de f para os valores x0 , x1 , x2 , x3

são:
f [x0 ] = f (x0 ), f [x1 ] = f (x1 ), f [x2 ] = f (x2 ), f [x3 ] = f (x3 ),
as de ordem 1:
f [x1 ] − f [x0 ] f [x2 ] − f [x1 ] f [x3 ] − f [x2 ]
f [x0 , x1 ] = , f [x1 , x2 ] = , f [x2 , x3 ] = ,
x1 − x0 x2 − x1 x3 − x2
as de ordem 2:
f [x1 , x2 ] − f [x0 , x1 ] f [x2 , x3 ] − f [x1 , x2 ]
f [x0 , x1 , x2 ] = , f [x1 , x2 , x3 ] = ,
x2 − x0 x3 − x1
e as de ordem 3:
f [x1 , x2 , x3 ] − f [x0 , x1 , x2 ]
f [x0 , x1 , x2 , x3 ] = .
x3 − x0
Podemos organizar as diferenças divididas numa tabela, de modo que as diferenças
divididas de ordem 1 são calculadas a partir das diferenças de ordem 0, as de ordem 2 a
partir das de ordem 1, e assim sucessivamente.
58
xi yi ordem 0 ordem 1 ordem 2 ordem 3
x0 y0 f [x0 ]
f [x0 , x1 ]
x1 y1 f [x1 ] f [x0 , x1 , x2 ]
f [x1 , x2 ] f [x0 , x1 , x2 , x3 ]
x2 y2 f [x2 ] f [x1 , x2 , x3 ]
f [x2 , x3 ]
x3 y3 f [x3 ]
Observação 3.1. Uma propriedade fácil de verificar das diferenças divididas é que
estas não se alteram se permutamos dois valores xi e x j , por exemplo:
f [x1 , x2 ] = f [x2 , x1 ],
f [x1 , x2 , x3 ] = f [x2 , x1 , x3 ] = f [x2 , x3 , x1 ]
Como P(x) é o polinômio interpolante:
P(x0 ) = f (x0 ), P(x1 ) = f (x1 ), · · · , P(xn ) = f (xn ).
Pela igualdade (3.4) temos que P(x0 ) = b0 . Então
b0 = P(x0 ) = f (x0 ) = f [x0 ].
Assim foi provado que o coeficiente b0 deve ser igual à diferença dividida f [x0 ]. Da
mesma forma, da igualdade (3.4), P(x1 ) = b0 + b1 (x1 − x0 ), ou, equivalentemente,
P(x1 ) − b0 f (x1 ) − f (x0 ) f [x1 ] − f [x0 ]

b1 = = = = f [x0 , x1 ].
x1 − x0 x1 − x0 x1 − x0
Isto é, b1 é a primeira diferença de ordem 1. Continuando com a mesma ideia, como
f (x0 ) = P(x2 ) = b0 + b1 (x2 − x0 ) + b2 (x2 − x0 )(x2 − x1 ), temos que
f [x2 ] = f [x0 ] + f [x0 , x1 ](x2 − x0 ) + b2 (x2 − x0 )(x2 − x1 )
Efetuando algumas operações
f [x2 ] − f [x0 ]
= f [x0 , x1 ] + b2 (x2 − x1 )
x2 − x0
Ou
f [x0 , x2 ] − f [x0 , x1 ]
b2 =
x2 − x1
59
Pela Observação (3.1), temos
f [x0 , x2 ] − f [x1 , x0 ]
b2 = = f [x1 , x0 , x2 ] = f [x0 , x1 , x2 ]
x2 − x1
Ou seja, b2 é a segunda diferença dividida.

Repetindo o processo para P(xi ), obteremos que os coeficientes do Polinômio Inter-
polante na forma de Newton (3.4) são dados pelas diferenças divididas:
bi = f [x0 , x1 , · · · , xi ], para i = 0, 1, 2, ..., n.
Observação 3.2. Resumindo, o polinômio interpolante na forma de Newton é:
P(x) = f [x0 ] + f [x0 , x1 ](x − x0 ) + f [x0 , x1 , x2 ](x − x0 )(x − x1 ) + · · ·
+ f [x0 , · · · , xn ](x − x0 )(x − x1 ) · · · (x − xn−1 ).
Note que para formar o polinômio devemos tomar as diferenças divididas da parte
superior da tabela.
Exemplo 3.3. Um cabo sob ação do seu próprio peso está suspenso entre dois pontos
distantes 24 metros como na figura 9. A parte mais baixa do cabo ficou a 12 metros de
altura. Foram medidas diferentes alturas em vários pontos as quais estão mostradas
na tabela abaixo. Estime a altura a uma distância de 5 metros do centro.
xi -12 -9 -7 -2 0
yi 18.51 15.53 14.10 12.16 12
12 metros
Figura 9: Um cabo sob ação do seu próprio peso.
Solução:
Pela simetria do problema em relação ao eixo y, é suficiente considerar os dados
x0 = 0, x1 = 2, x2 = 7, x3 = 9 e x4 = 12.
60
xi yi ordem 0 ordem 1 ordem 2 ordem 3 ordem 4
0 12.00 12.00
0.08
2 12.16 12.16 0.044
0.388 0.0003
7 14.10 14.10 0.0467 0.000049
0.715 0.00089
9 15.53 15.53 0.0556
0.993
12 18.51 18.51
Pela fórmula de Newton
P(x) = 12.00 + 0.08(x − 0) + 0.044(x − 0)(x − 2) + 0.0003(x − 0)(x − 2)(x − 7)+ (3.5)
+0.000049(x − 0)(x − 2)(x − 7)(x − 9).
Substituindo o valor de x = 5 obtemos: P(5) = 13.0618.
3.5 O erro na interpolação polinômial
TEOREMA 3.2. Seja f uma função de classe Cn+1 no intervalo [a, b]. Se P(x) é o polinômio
interpolante de f sobre n + 1 pontos distintos x0 , x1 , · · · , xn em [a, b], então para cada
x ∈ [a, b] existe um ponto ξx tal que
n
1 Y
Rn (x) := f (x) − P(x) = f (n+1) (ξx ) (x − xi ).
(n + 1)!
i=0
1
Demonstração. Se x = xi então f (xi ) − P(xi ) = 0 = f (n+1) (ηx ) · 0, e a igualdade
(n + 1)!
é válida. Suponha que fixamos x , xi , i = 0, 1, · · · , n e defina
Qn
w(t) = i=0 (t − xi )
f (x) − P(x)
φx (t) = f (t) − P(t) − w(t).
w(x)
Então φx (t) é de classe Cn em [a, b], e φx (x) = 0, φx (xi ) = 0, ∀i = 0, 1, · · · , n. Agora, o

Teorema de Rolle indica que se f é diferenciável com n zeros distintos, então f 0 deve
ter pelo menos n − 1 zeros. Por tanto, φ0x (t) tem pelo menos n + 1 zeros distintos,
φ00
x (t) tem pelo menos n zeros distintos, e continuando assim podemos concluir que
61
(n+1)
φx (t) tem pelo menos um zero ξx em [a, b]. Note que
(n+1) f (x) − P(x) (n+1)

φx (t) = f (n+1) (t) − P(n+1) (t) − w (t)
w(x)
f (x) − P(x) d n+1 Qn
= f (n+1) (t) − P(n+1) (t) − (t − xi )
w(x) dtn+1 i=0
f (x) − P(x)
= f (n+1) (t) − P(n+1) (t) − (n + 1)!
w(x)
Portanto
(n+1) f (x) − P(x)

0 = φx (ξx ) = f (n+1) (ξx ) − P(n+1) (ξx ) − (n + 1)!
w(x)
Como P(x) é polinômio de grau n segue que P(n+1) (x) = 0. Logo
n
1 Y
f (x) − P(x) = f (n+1) (ξx ) (x − xi ).
(n + 1)!
i=0
COROLÁRIO 3.1. Sejam f (x) e P(x) como no Teorema 3.2. Então
|x − x0 ||x − x1 | · · · |x − xn |
|Rn (x)| ≤ max | f (n+1) (x)|.
(n + 1)! a≤x≤b
Exemplo 3.4. Seja f (x) = cos x. Utilize interpolação polinomial para calcular f (0.4),
usando o polinômio interpolante sobre os pontos x0 = 0, x1 = 0, 5 e x2 = 0, 8.
Encontre um limitante superior do erro cometido.
Solução:
O polinômio interpolante é:
(x − 0, 5)(x − 0, 8) (x − 0)(x − 0.8) (x − 0)(x − 0.5)

P(x) = cos 0· +cos 0.5 +cos 0.8
(0 − 0, 5)(0 − 0.8) (0, 5 − 0)(0, 5 − 0, 8) (0, 8 − 0)(0, 8 − 0, 5)
Então P(0, 4) = 0, 919970269. Para encontrar o erro cometido calculamos f (3) (x) =
sin x então
max | f (n+1) (x)| = max {| sin x|} = sin 0, 8 = 0, 717356.
a≤x≤b 0≤x≤0,8
Então
|0, 4 − 0||0, 4 − 0, 5||0, 4 − 0, 8|

|Rn (x)| ≤ · 0.717356 = 0, 001912949.
3!
De fato o valor real é cos 0.4 = 0, 9210609 e | cos 0.4 − P(0, 4)| = 0, 001090725.
62
3.6 Interpolação Spline cúbico
Dados (n + 1) pontos no plano (xi , yi ) com i = 0, · · · , n, desejamos encontrar uma função
interpolante S(x), denominada Spline Cúbico, que satisfaça as seguintes condições:
(1) em cada intervalo aberto (xi , xi+1 ), i = 0, · · · , n − 1, S(x) é um polinômio de grau 3;
(2) S(x) é contı́nua e tem derivadas até a ordem 2 contı́nuas em [x0 , xn ]; e
(3) S(xi ) = yi (condição de interpolação).
Assim existem n polinômios de grau 3, {sk (x)}, com k = 1, · · · , n, tal que
S(x) = sk (x) = ak (x − xk )3 + bk (x − xk )2 + ck (x − xk ) + dk , no intervalo x ∈ [xk−1 , xk ]
Das condição de interpolação temos que
(i) S(xk ) = yk , para k = 0, · · · , n;
(ii) sk (xk ) = sk+1 (xk ) para k, 1, · · · , n − 1;
(iii) s0k (xk ) = s0k+1 (xk ) para k, 1, · · · , n − 1; and
(iv) s00
k k
(x ) = s00 (x ) para k, 1, · · · , n − 1;
k+1 k
Seja hk = xk − xk−1 . Devemos determinar os valores dos coeficientes ak , bk , ck e dk . Isto é

feito da seguinte maneira:
• Note que dk = sk (xk ) = yk para k = 1, · · · , n. Isto determina os valores dos dk .
• A condição sk (xk ) = sk+1 (xk ) implica
dk = −ak+1 h3k+1 + bk+1 h2k+1 − ck+1 hk+1 + dk+1
Daı́, para k = 1, n − 1 temos
yk = −ak+1 h3k+1 + bk+1 h2k+1 − ck+1 hk+1 + yk+1 (3.6)
• Da continuidade das derivadas S0 (x) e S00 (x) nos pontos xk temos para k = 1, n − 1,
ck = 3ak+1 h2k+1 − 2bk+1 hk+1 + ck+1 (3.7)
bk = −3ak+1 hk+1 + bk+1 (3.8)
Isolando ak+1 e substituindo na equação 8.24 e 8.25 temos
2bk+1 + bk 2
yk = yk+1 + ( )hk+1 − ck+1 hk+1 (3.9)
3
63
ck = −(bk + bk+1 )hk+1 + ck+1 (3.10)
Da equação 3.9 temos que
yk+1 − yk 2bk+1 + bk
ck+1 = + hk+1 (3.11)
hk+1 3
Assim, substituindo na equação 3.10 temos para k = 2, · · · , n − 1
yk+1 − yk yk − yk−1
hk bk−1 + 2(hk + hk+1 )bk + hk+1 bk+1 = 3 −3 (3.12)
hk+1 hk
É mais conveniente usar a notação gk = s00

k k
(x ). Então
gk
bk = . (3.13)
2
Então o sistema de equações 3.12 converte-se em

yk+1 − yk yk − yk−1
hk gk−1 + 2(hk + hk+1 )gk + hk+1 gk+1 = 6 − (3.14)
hk+1 hk
para k = 1, · · · , n − 1. Este sistema é indeterminado pois tem n − 1 equações e n + 1

incógnitas. Para resolver isto, deixamos as variáveis g0 e gn livres.
Desse modo temos as seguintes alternativas:
(I) Supor que g0 = gn = 0, o qual equivale a supor que as cúbicas são aproximada-
mente polinômios lineares nos extremos. Nestes caso o spline é chamado spline
natural;
(II) Supor que g0 = g1 e gn = gn−1 , o que é equivalente a supor que as cúbicas são
aproximadamente parábolas nos extremos.
Os coeficientes dos polinômios cúbicos são então os seguintes:
gk − gk−1 gk yk − yk−1 2hk gk + hk gk−1

ak = bk = ck = + dk = yk .
6hk 2 hk 6
Exemplo 3.5. Achar o spline natural que interpola os pontos da tabela:
xi 0 1 2 3 4
f (xi ) 3 2 2,5 3,1 2,7
64
Solução:
Note que neste caso hk = h = 1 para todo k = 1, · · · , n. Assim o sistema a resolver é:
hg0 + 4hg1 + hg2 = 6h (y2 − 2y1 + y0 )





hg1 + 4hg2 + hg3 = 6h (y3 − 2y2 + y1 )





 hg + 4hg + hg = 6 (y − 2y + y )

2 3 4 h 4 3 2
Substituindo os valores de h, yk e g0 = g4 = 0,
0 + 4g1 + g2 = 9




g1 + 4g2 + g3 = 0, 6





 g + 4g + 0 = −6

2 3
Resolvendo o sistema obtemos g1 = 2, 2636, g2 = −0, 0545 e g3 = −1, 4455. Então

a1 = 0, 3772, a2 = −0, 3863, a3 = −0, 2318 e a4 = 0, 2409. Também b1 = 1, 1318,
b2 = −0, 0272, b3 = −0, 7227, b4 = 0, c1 = −0, 2454, c2 = 0, 8591, c3 = 0, 1090 e
c4 = −0, 6409. Os polinômios são



 s1 (x) = 0, 3772(x − 1)3 + 1, 1318(x − 1)2 − 0, 2454(x − 1) + 2, se x ∈ [0, 1]

 s2 (x) = −0, 3863(x − 2) − 0, 0272(x − 2) + 0, 8591(x − 2) + 2, 5,


 3 2 se x ∈ [1, 2]
s3 (x) = −0, 2318(x − 3)3 − 0, 7227(x − 3)2 + 0, 1090(x − 3) + 3, 1,




 se x ∈ [2, 3]
s4 (x) = 0, 2409(x − 4)3 + 0(x − 4)2 − 0, 6409(x − 4) + 2, 7,

se x ∈ [3, 4]


4.5
4.0
3.5
3.0
2.5
2.0
1 2 3 4
Figura 10: O polinômio de Lagrange(azul) e o polinômio spline cúbico(vermelho).
Exercı́cio 3.1. Use uma cúbica para determinar uma aproximação para a única raiz
positiva da equação 4 cos(x) − ex = 0.
Exercı́cio 3.2. Considere a função f (x) definida nos pontos, conforme tabela. Determine
o polinômio interpolador, usando a Fórmula de Lagrange, e estime f (0.8).
xi 0 0.5 1.0
f (xi ) 1.3 2.5 0.9
65
Exercı́cio 3.3. Considere a função f (x) = 3+x
1+x definida nos pontos conforme tabela.
Determine o polinômio interpolador, usando a Fórmula de Lagrange, e estime f (0.25).
xi 0.1 0.2 0.4

f (xi ) 2.82 2.67 2.43
Exercı́cio 3.4. Considere a tabela:
xi 1 3 4 5
f (xi ) 0 6 24 60
(a) Determine o polinômio, na forma de Lagrange, sobre todos os pontos.
(b) Calcule f (3.5).
Exercı́cio 3.5. Construir o polinômio de interpolação, na forma de Lagrange, para a função

y = sin(πx), escolhendo os pontos: x0 = 0, x1 = 1
6 e x2 = 12 .
R π
Exercı́cio 3.6. A integral elı́ptica é definida por: K(k) = 0
2 dx
(1−k2 sin2 x)1/2
. Por uma tabela
de valores desta integral, encontramos:
K(1) = 1.5708; K(2) = 1.5719; K(3) = 1.5739.
Determine K(2.5), usando o polinômio de interpolação, na forma de Lagrange, sobre todos

os pontos.
Exercı́cio 3.7. Dada a função tabelada f (x) definida pelos pontos
f (0) = 0, f (1) = 0.5, f (1.5) = 0.4, f (2.5) = 0.285, f (3.0) = 0.25.
(a) Determinar o polinômio de interpolação usando a Fórmula de Newton sobre dois

pontos (interpolação linear).
(b) Determinar o polinômio de interpolação usando a Fórmula de Newton sobre três

pontos (interpolação quadrática).
(c) Calcular f (0.5) usando os items a) e b).
Exercı́cio 3.8. Seja f (x) uma função definida pelos pontos f (−1) = 0, f (0) = 1 e f (2) = −1.
Usando a forma de Newton, encontre o polinômio p(x) que interpola a função f .
Exercı́cio 3.9. Considere a função f (x) = ln(x) para a qual temos
f (1) = 0, f (2) = 0.6931, f (3) = 1.0986, f (4) = 1.3863.
Usando o Método de Newton encontre uma aproximação de ln(3.7).
66
Exercı́cio 3.10. Seja f (x) dadas pelos seguintes valores
f (0.2) = 0.16, f (0.34) = 0.22, f (0.4) = 0.27, f (0.52) = 0.29, f (0.6) = 0.32, f (0.72) = 0.37.
Obter f (0.47) usando o polinômio de grau 2.

√
Exercı́cio 3.11. Considere a função f (x) = x definida nos pontos conforme tabela.
√
Determinar o valor aproximado de 1.12 usando o polinômio de Interpolação de Newton
sobre três pontos.
xi 1.0 1.1 1.15 1.25 1.3

f (xi ) 1 1.048 1.072 1.118 1.14
Exercı́cio 3.12. Sabendo-se que a equação x4 + 6x2 − 1 = 0 tem uma raiz em [0, 1],
determinar o valor aproximado dessa raiz usando polinômio de Interpolação de Newton
sobre três pontos.
R∞
e−t
Exercı́cio 3.13. A função y = f (x) = x t dt é dada pela tabela:
xi 0.01 0.02 0.03 0.04 0.05 0.06

f (xi ) 4.0379 3.3547 2.9591 2.6813 2.4679 2.2953
Através da Fórmula de Newton, calcule y para x = 0.0378 usando parábola e uma cúbica.
Exercı́cio 3.14. Dada a tabela abaixo, calcule e3.1 usando um polinômio de interpolação
sobre três pontos:
xi 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8

exi 11.02 13.46 16.44 20.08 24.53 29.96 36.59 44.70
Exercı́cio 3.15. Construa a tabela de diferenças divididas para a função f (x) com os
dados:
f (0) = 0, f (0.5) = −2.241, f (1.0) = −1.65, f (1.5) = −0.594, f (2) = 1.34, f (2.5) = 4.564
Estime o valor de f (1.23).
Exercı́cio 3.16. A raiz de uma função contı́nua pode ser aproximada pela raiz de seu
polinômio. Usando um polinômio de grau dois, encontre x̄ tal que f (x̄) = 0. Use 5 casas
decimais. Os valores exatos de f , para os valores dados de x, são:
f (1) = −0.757, f (2) = 0.141, f (3) = 0.842, f (4) = 0.909.
Exercı́cio 3.17. Uma maneira de se calcular a derivada de uma função em um ponto

x0 , quando não se conhece a expressão da mesma, é usar uma tabela para formar um
polinômio que aproxime a função, derivar então esse polinômio e avaliar sua derivada
67
em x = x0 . Dados os pontos abaixo, calcule f 0 (0.50) usando um polinômio interpolador de
grau 2:
f (0.40) = 1.51, f (0.45) = 1.49, f (0.50) = 1.47, f (0.55) = 1.44, f (0.60) = 1.42.
Exercı́cio 3.18. Engenheiros e programadores de computa-

A
dores usam interpolação polinomial para fazer gráficos por
B
computador. Por exemplo, suponha que deseja-se construir
uma curva que passa pelos pontos A = (2, 3), B = (4, 2),
C
C = (5, 0) e D = (3, −2) como na figura. Para auxiliar es-
tes professionais, usando Interpolação de Lagrange, encontre
uma curva que passa por estes 4 pontos. Faça as hipótesis
D
que ache necessário para a solução do problema.
Exercı́cio 3.19. A seguinte tabela mostra a população do Brasil de 1960 a 2010. Encontre
um polinômio interpolador de grau 5 e estime a população nos anos 1955, 1975 e 2012.
A população em 2012 foi aproximadamente 198.656 milhões. Quão precisas você acha
que são as aproximações nos anos 1955 e 1975?
Ano 1960 1970 1980 1990 2000 2010

População( em milhões) 72.7759 96.0604 121.7404 149.6483 174.5049 195.2102
Exercı́cio 3.20. Achar o spline natural que interpola os pontos da tabela:

xi 0,6 1,4 1,9 2,6
f (xi ) 3,2 3,4 2,7 3
Exercı́cio 3.21. Achar o spline natural que interpola os pontos da tabela:
xi 0 0, 5 0, 9 1, 6 2, 4
f (xi ) 2, 3 2 2, 5 3, 1 2, 7
Exercı́cio 3.22. Achar o spline, sujeito às condições g0 = g1 e g3 = g2 , que interpola os

pontos da tabela:
xi −0, 5 1 4, 3, 5
f (xi ) 4 4, 5 3, 8 4, 6
Exercı́cio 3.23. Achar o spline, sujeito às condições g0 = g1 e g4 = g3 , que interpola os
pontos da tabela:
xi -1 0,5 1 2,5 3
f (xi ) 3 2,7 2,5 4,8 4,6
Exercı́cio 3.24. Usando splines naturais e os pontos da tabela abaixo, determine o valor
de S(3, 2).
xi -1 2 3 3,5 4
f (xi ) 3 4,7 5 4,9 7
68
4 Resolução Numérica de Sistemas Lineares
4.1 Sistemas de equações lineares

Nesta seção estudaremos técnicas para resolver sistemas lineares de m equações e n
incógnitas ou variáveis da forma:
a11 x1 + a12 x2 + ... + a1n xn = b1

a21 x1 + a22 x2 + ... + a2n xn = b2
.. (4.1)
.
am1 x1 + am2 xm2 + ... + amn xn = bm
isto é, encontrar os valores de x j , j = 1, · · · , n, caso eles existam, que satisfaçam as m

equações em simultâneo. Nesse caso dizemos que x = (x1 , x2 , · · · , xn ) é uma solução de
(4.1).
O sistema 4.1 pode ser representado por
Ax = b (4.2)
em que
 
 a11 a12 · · · a1n 
 
 a
 21 a22 · · · a2n 
A =  . .. .. .. 
 .. . . . 

 
am1 am2 · · · amn
é uma matriz m × n chamada matriz dos coeficientes, e
   
 x1   b1 
   
 x2    b2 
x =  =
 
..  
 e b  .. 
.  . 
 
 
   
xn bm

são o vetor coluna das variáveis ou vetor solução e o vetor coluna dos termos independentes ou
vetor constante, respectivamente.
Ao adjuntar o vetor constante à matriz A obtemos uma matriz m × (n + 1)
 
 a11 a12 · · · a1n b1 
 
 a
 21 a22 · · · a2n b2 
A =  .
∗
.. .. .. ..  = [A | b]
 .. . . . . 

 
am1 am2 · · · amn bm
chamada matriz aumentada ou ampliada do sistema 4.1. Se bi = 0 para todo i = 1, · · · , m

então dizemos que o sistema 4.1 é homogêneo.
69
4.2 Classificação de um sistema linear
Um sistema linear pode ser classificado de acordo com o número de soluções que ele
possui:
(a) Sistema possı́vel ou compatı́vel: Quando possui pelo menos uma solução. Neste
casso pode acontecer que ele seja
(a.1) determinado, se admite uma única solução, ou

(a.2) indeterminado, se admite mais de uma solução.
(b) Sistema impossı́vel ou incompatı́vel : Quando não admite soluções.
A seguinte proposição mostra que, no caso (a.2), a existência de mais de uma solução
implica que o número de soluções não pode ser finito ou enumerável.
PROPOSIÇÃO 4.1. Se o sistema linear (4.1) tem duas soluções distintas x = (x1 , · · · , xn )
e y = (y1 , · · · , yn ), então ele tem infinitas soluções.
Demonstração. Definamos o vetor coluna vµ = µx + (1 − µ)y com µ ∈ R. Como Ax = b

e Ay = b segue que
Avµ = µAx + (1 − µ)Ay = µb + (1 − µ)b = b,
o qual implica que vµ é solução de (4.1).

Se µ , µ0 então vµ − vµ0 = (µ − µ0 )(x − y), ou seja, vµ , vµ0 para µ , µ0 . Logo o
sistema tem infinitas soluções.
Exemplo 4.1. Agora mostraremos que as três possibilidades dadas na classificação,

podem ocorrer em sistemas lineares. De fato, nos sistemas
 
 x1 − 2x2 = 3  x1 − 2x2 = 3

 

(1)  e (2)
 x1 + 3x2 = 5  2x1 − 4x2 = 6
 


vemos que o sistema (1) tem solução única dada por x1 , x2 = 19/5, 2/5 ; já o
sistema (2) tem infinitas soluções pois todos os pares da forma (x1 , x2 ) = (3 + 2t, t),
com t ∈ R, são soluções. Finalmente, o sistema

 x1 − 2x2 = 3


 x1 − 2x2 = 5


não tem solução.
70
4.3 Operações elementares
DEFINIÇÃO 4.1. Seja A uma matriz m×n cujas linhas são L1 , L2 , · · · , Lm . Chamamos
operação elementar sobre as linhas a uma das seguintes operações:
(I) Trocar a posição das linhas Li e L j de A, o qual é denotado por Li ↔ L j .
(II) Multiplicar a linha Li pelo escalar α, o qual é denotado por Li → αLi .
(III) Substituir a linha Li por Li + αL j em que α é um escalar e L j é outra linha; isto

será denotado Li → Li + αL j .
Duas matrizes A e B se denominam equivalentes por linhas se uma delas é obtida

da outra mediante uma sequência de operações elementares. Nesse caso escrevemos
A ∼ B.
Exemplo 4.2. Considere a matriz

 
 3 −1 4 2 
 
A =  1
 2 −5 0 

 
−2 3 −4 −1
Vamos aplicar algumas operações elementares na matriz A:
(1) Aplicando a operação L1 ↔ L2 em A, obtemos a matriz equivalente:

 
 1 2 −5 0 
 
A ∼  3 −1 4
 2 

 
−2 3 −4 −1
(2) Na matriz resultante aplicamos as operações L2 → L2 − 3L1 e L3 → L3 + 2L1 :

 
 1 2 −5 0 
 
A ∼  0 −7 19 2 

 
0 7 −14 −1
(3) Agora aplicamos L3 → L3 + L2 :

 
 1 2 −5 0 
 
A ∼  0 −7 19 2 
 
0 0 5 1
Chamamos de pivô de uma linha ao primeiro elemento não nulo que ela tem.
71
DEFINIÇÃO 4.2. Dizemos que uma matriz A de ordem m × n está na forma esca-
lonada se
(1) Se existem linhas nulas, estas encontram-se na parte inferior da matriz, depois
das linhas não nulas;
(2) O pivô de cada linha não nula está situado à direita do pivô da linha anterior.
Dizemos que A está na forma escalonada reduzida se está na forma escada e
(3) O pivô de cada linha não nula é igual a 1;
(4) Se uma coluna contém um pivô, então todos seus outros elementos são nulos.
Exemplo 4.3. Considere as matrizes

   
 1 −2 2 4   1 0 2
0 
   
 0 −1 −3 5   0 1 −3 0 
A =   e B = 
 

 0 0
 0 −1   
 0 0 0 1 
 0 0   
0 0 0 0 0 0 
Vemos que A está na forma escalonada mas não reduzida e, por outro lado, B está
na forma escalonada reduzida.
TEOREMA 4.1. Seja A uma matriz m × n. Existe uma única matriz escalonada reduzida
R equivalente por linhas à matriz A.
DEFINIÇÃO 4.3. Seja A uma matriz m × n e seja R a sua matriz equivalente por
linhas dada pelo Teorema 4.1. Então o posto de A, denotado por posto(A), é igual
ao número de linhas não nulas de R. A nulidade de A é igual a n − posto(A).
72
4.4 Método de Gauss e de Gauss-Jordan
TEOREMA 4.2. Sejam Ax = b um sistema linear e A∗ = [A | b] a sua matriz aumentada.

Se A∗ é equivalente por linhas a uma matriz [C | d] então Ax = b e Cx = d possuem as
mesmas soluções.
O Teorema 4.2 indica que, ao aplicar operações elementares à matriz aumentada, não
alteramos o conjunto solução de um sistema. Assim podemos resolver um sistema
usando os seguintes métodos:
(I) Método de Gauss ou Eliminação Gaussiana: Consiste em usar operações elemen-

tares para transformar a matriz aumentada [A | b] numa matriz [C | d] em que C
está em forma escalonada.
(II) Método de Gauss-Jordan: Consiste em usar operações elementares para trans-

formar a matriz aumentada [A | b] numa matriz [C | d] em que C está na forma
escalonada reduzida.
Depois podemos resolver o sistema Cx = d por substituição regressiva. O procedimento

usado no método de Gauss para resolver Ax = b é chamada Pivotamento. Supondo que
a matriz aumentada é dada por
 
 a11 a12 · · · a1n b1 
 
 a
 21 a22 · · · a2n b2 
A∗ =  . .. .. .. ..  = [A | b],
 .. . . . . 

 
am1 am2 · · · amn bm
seguimos os passos:
Passo 1. Trocando as linhas da matriz aumentada [A | b], podemos supor a11 , 0 o qual
será considerado o pivô. Nas linhas restantes Li aplicaremos uma operação ele-
ai1
mentar: Li → Li − L1 , para todo i = 2, · · · , m. Dessa forma obtemos um sistema
a11
equivalente
 
 a11 a12 ··· a1n b1 
  
a122 a12n b12   a11 ∗ b1 

 0 ···
..  = 
∗

A ∼  .. .. .. .. 
. . . . .  0 A1 b1
 

a1m2 · · · a1mn b1m
 
0

Passo 2. Se algum a1i2 , 0 então, trocando as linhas em [A1 | b1 ], podemos supor que a122 , 0.
Nesse caso repetimos o Passo 1 no subsistema [A1 | b1 ]. Se todos os a1i2 = 0,
i = 2, · · · , m, efetuamos o Passo 1 no menor subsistema distinto de zero definido a
partir da segunda linha.
Passo 3. Repetimos os Passos 1 e 2 até encontrar uma matriz escalonada equivalente a A∗ .
73
Vejamos alguns exemplos:
Exemplo 4.4. Resolver o sistema
3x1 + 2x2 + 4x2 = 1





x1 + x2 + 2x3 = 2





 5x + 4x + 8x = 5

1 2 2
Solução:
(1) Operação L1 ↔ L2 na matriz aumentada:
   
 3 2 4 1   1 1 2 2 
   
A∗ =  1 1 2 2  ∼  3 2 4 1 
   
5 4 8 5 5 4 8 5
(2) Operações L2 → L2 − 3L1 e L3 → L3 − 5L1 :

 
 1 1 2 2 
 
∗
A ∼  0 −1 −2 −5
 

 
0 −1 −2 −5
(3) Operações L1 → L1 + L2 e L3 → L3 − L2 :
 
 1 0 0 −3 
 
A∗ ∼  0 −1 −2 −5 
 
0 0 0 0
(4) Operação L2 → −L2 :

 
 1 0 0 −3 
 
A∗ ∼  0 1 2 5 
 
0 0 0 0
Notamos que, fazendo x3 = t, obtem-se x2 +2t = 5 ou x2 = 5−2t, e x1 = −3. Assim
o sistema tem infinitas soluções e o conjunto solução é {(x1 , x2 , x3 ) = (−3, 5 − 2t, t), t ∈
R}.
Exemplo 4.5. Resolver o sistema
3x1 − 4x2 + 6x3 = 2





2x1 + x2 − 2x3 = −1





 5x − 3x + 4x = 2

1 2 3
74
Solução:
2 5
(1) Operação L2 → L2 − L1 e L3 → L3 − L3 na matriz aumentada:
3 3
   
 3 −4 6 2   3 −4 6 2 
   
A∗ =  2 1 −2 −1  ∼  0 11/3 −6 −7/3 
   
5 −3 4 2 0 11/3 −6 −4/3
(2) Operações L3 → L3 − L2 :
 
 3 −4 6 2 
 
A∗ =  0 11/3 −6 −7/3 
 
0 0 0 1
A última linha da matriz equivalente é 0 = 1 o qual claramente é impossı́vel.

Logo o sistema não tem solução.
Observe que no Exemplo 4.4 temos posto(A∗ ) = posto(A), e nesse caso o sistema é
compatı́vel, e no Exemplo 4.5 temos posto(A∗ ) > posto(a) e nesse caso o sistema é
incompatı́vel. De fato o seguinte teorema caracteriza os sistemas lineares de acordo aos
postos de A e de A∗ .
TEOREMA 4.3 (Teorema de Rouché-Frobenius). Seja Ax = b um sistema de m equações

e n incógnitas e seja A∗ = [A | b] a sua matriz aumentada.
(I) Se posto(A∗ ) > posto(A) então o sistema não admite solução.
(II) Se posto(A∗ ) = posto(A) então o sistema é compatı́vel e
II.1 Se posto(A) = n, o sistema admite uma única solução.

II.2 Se posto(A) < n, o sistema tem infinitas soluções.
4.5 Pivotamento parcial

Quando se resolve um sistema linear, usando eliminação Gaussiana cometem-se erros
de arredondamento. Estes erros dependem do sistema de ponto flutuando utilizado
para representar as magnitudes numéricas. Se o sistema linear é de ordem alto ou se as
entradas da matriz contém números grandes ou próximos do zero, estes erros podem
acumular-se ou propagar-se de modo que a solução obtida finalmente seja notávelmente
imprecisa. No seguinte exemplo ilustramos esta situação num sistema 2 × 2:
75
Exemplo 4.6. Use eliminação Gaussiana para resolver o sistema:
1, 45 · 10−4 x + 1, 45y = 7, 25
14, 5x + 14, 5y = 87.
Suponha que a mantisa do sistema de ponto flutuante utilizado possui 3 dı́gitos

significativos.
Solução:
1
(1) Operação L1 → L1 :
1.45 · 10−4
   
 1, 45 · 10−4 1, 45 7, 25   1 10000 50000
A = 
∗

 ∼  
14, 5 14, 5 87   14, 5 14, 5 87 
(2) Operação L2 → L2 − 14, 5L1 :

 
∗
 1 10000 50000 
A ∼  
0 −144 · 10 −724 · 103
3 
1
−144 · 103
 
1 10000 50000
A∗ ∼ 

 

0 1 5, 02 
Assim y = 5, 02 e x = −200. Observe que a solução real do sistema é x =

1, 0001, y = 4, 9999.
Este tipo de propagação do erro pode ser amenizada permutando convenientemente as

linhas do sistema com o objetivo que obter pequenos multiplicadores. Uma maneira de
fazê-lo é pelo método do Pivotamento Parcial.
O Método de eliminação Gaussiana com Pivotamento Parcial consiste em
(1) Em cada passo, antes de fazer a eliminação na coluna j, encontre a entrada da

coluna que tem o maior valor absoluto. Essa entrada será o pivô.
(2) Permute as linhas do sistema de modo que o pivô está na primeira linha do
subsistema.
(3) Divida a primeira linha do subsistema pelo pivô.
(4) Utilize operações elementares, para converter a 0 as entradas restantes da

coluna.
76
No Exemplo a seguir mostramos como utilizar este método no sistema do Exemplo
4.6.
Exemplo 4.7. Use eliminação Gaussiana com pivotamento parcial para resolver o
sistema:
1, 45 · 10−4 x + 1, 45y = 7, 25
14, 5x + 14, 5y = 87.
Suponha que a mantisa do sistema de ponto flutuante utilizado possui 3 dı́gitos
significativos.
Solução:
(1) Vemos que o pivô na coluna 1 é 14, 5. Então fazemos a operação L1 ↔ L2 .
   
 1, 45 · 10−4 1, 45 7, 25 14, 5 14, 5 87
A = 
∗
  
 ∼  
14,5 14, 5 87   1, 45 · 10−4 1, 45 7, 25 
1
(2) Operação L1 → L1 e depois L2 → L2 − 1, 45 · 10−4 L1
14, 5
   
∗
 1 1 6   1 1 6 
A ∼  −4
 ∼  
1, 45 · 10 1, 45 7, 25   0 1, 44 7, 24 
1
1, 44  
 1 1 6
A∗ ∼ 


0 1 5, 02 
Assim y = 5, 02 e x = 0, 98. Observe que esse valores estão próximos dos valores
da solução x = 1, 0001, y = 4, 9999.
Se além de considerar o máximo da primeira coluna do subsistema, considerarmos o

máximo de todo o subsistema, então obtemos o método de Pivotamento Completo.
Porém, nem o pivotamento parcial nem o completo impedem a propagação do erro de
arredondamento, pois alguns sistemas são mal-condicionados, isto é, são sensı́veis a
erros numéricos. Por exemplo, sistemas cuja matriz de coeficientes tem determinante
próximo do zero tendem a ser mal-condicionados.
77
4.6 Sistemas triangulares
Existem dois tipos de sistemas lineares que são fáceis de resolver: Os sistemas triangu-
lares Inferiores e os sistemas triangulares Superiores.
Usaremos a letra L (de lower=inferior em inglês) para uma matriz triangular inferior
e U (de upper=superior em inglês) para uma matriz triangular superior.
4.6.1 Sistemas Triangulares Inferiores
São aqueles sistemas Lx = b na qual todos os termos que estão acima da diagonal de
L = (li j ) são 0:
l11 x1 = b1
l21 x1 +l22 x2 = b2
.. .. .. . (4.3)
. . . = ..
ln1 x1 +ln2 x2 · · · +lnn xn = bn
Exemplo 4.8. Resolva o sistema
3x1 = 1
x1 +5x2 = 1 (4.4)
2x1 −x2 +2x3 = 3
Solução:
Observe que da primeira equação x1 = 13 . Substituindo na segunda equação
1 2
x2 = (1 − x1 )/5 = (1 − )/5 = .
3 15
Agora, na terceira equação
2 2 37
x3 = (3 − 2x1 + x2 )/2 = (3 − + )/2 = .
3 15 30
Do Exemplo 4.8, podemos fazer a seguinte observação.
Observação 4.1. A solução geral de um sistema triangular inferior como (4.3), é dada
78
pelas fórmulas:
bi − i−1
P
b1 j=1 li j x j
x1 = , e xi = , para todo i = 2, ..., n
l11 lii
4.6.2 Sistemas Triangulares Superiores
São aqueles sistemas Ux = b na qual todos os termos que estão abaixo da diagonal de
U = (ui j ) são 0:
u11 x1 +u12 x2 . . . +u1n xn = b1

+u22 x2 . . . +u2n xn = b2
.. .. . (4.5)
. . = ..
unn xn = bn
2x1 +3x2 −3x3 = 4

4x2 −x3 = −3 (4.6)
2x3 = 3
Solução:
Observe que da terceira equação x3 = 32 . Substituindo na segunda equação
3 3
x2 = (−3 + x3 )/4 = (−3 + )/4 = − .
2 8
Agora, isolando x1 na primeira equação
9 9 77
x1 = (4 + 3x3 − 3x2 )/2 = (4 + + )/2 = .
2 8 16
Do Exemplo 4.9, podemos fazer a seguinte observação.
Observação 4.2. A solução geral de um sistema triangular superior como (4.5), é dada
pelas fórmulas:
Pn
bn bi − j=i+1 ui j x j
xn = , e xi = , para todo i = 1, ..., n − 1. (4.7)
unn uii
Aqui estudaremos dois métodos com os quais podemos resolver um ou mais sistemas
de equações lineares: O Método da Decomposição LU e o Método de Gauss-Seidel.
79
4.7 Método Direto: Decomposição LU
Quando resolvemos vários sistemas lineares
Ax = b1 , Ax = b2 , ..., Ax = bp ,
por eliminação Gaussiana, em que todos os sistemas tem a mesma matriz A, teremos que
repetir o método da eliminação para cada vetor coluna b. Isto traz como consequência o
uso de uma grande quantidade de memória para armazenar os dados de cada sistema.
Uma maneira de evitar esse consumo de memória é utilizando o Método da De-
composição LU, que é mais eficiente pois permite calcular a decomposição sem usar os
vetores coluna b.
Antes de descrever o método, apresentaremos um exemplo.

     
 2 0   3 −4   x1   5 
  x  =  −3  (4.8)
      
 −3 3   0 −6
2
Solução:
Repare que o sistema pode-se escrever na forma Ax = b, em que A = LU, sendo L
uma matriz triangular inferior e U uma matriz triangular superior.
     
 , U =  3 −4
 2 0   5 
L =   , b = 
 

−3 3   0 −6   −3 
 
 y1 
Fazendo   := Ux, concluimos que encontraremos a solução do sistema se
y2 
resolvemos os dois sistemas:
         
 2 0   y1   5   3 −4   x1   y1 
    =   , e 
 0 −6   x  =  y 
   
−3 3   y2   −3  2 2
O primeiro sistema tem solução y1 = 5

2 e y2 = (−3 + 3y1 )/3 = −1 + 5
2 = 32 . Tendo
estes valores, podemos encontrar os valores de x1 e x2 no segundo sistema. Assim,
−6x2 = y2 = 3
2 então x2 = − 14 , e x1 = (y1 + 4x2 )/3 = ( 52 − 1)/3 = 12 .
Observação 4.3. O Exemplo 4.10 mostra que se por acaso podemos decompor a matriz
A como produto de duas matrizes triangulares A = LU (em que L triangular inferior
e U triangular superior), então a resolução do sistema Ax = b se reduz a resolução
80
de dois sistemas: 
 Ly = b que é triangular inferior, e


 Ux = y

 que é triangular superior.
Isto será o objetivo da decomposição LU.
Assim, a pergunta natural é: Quando uma matriz A pode ser decomposta como produto
de duas matrizes LU, em que L é triangular inferior e U é triangular superior? ou, toda
matriz A tem decomposição LU?
Para responder estas questões, precisamos da seguinte definição.
DEFINIÇÃO 4.4. Denomina-se menores principais de ordem k de uma matriz A =

(ai j ), com i, j = 1, · · · , n a:
∆k = Det(Ak )
em que Ak = (ai j ), com i, j = 1, · · · , k, é formada pelas k primeiras linhas e k primeiras

colunas de A.
Exemplo 4.11. Encontre os menores principais da matriz:

 
 1 −2 3 
 
A =  −2 3 −5 
 
−2 2 4
Solução:
 
 1 −2 
Pela definição ∆1 = Det(a11 ) = 1, ∆2 = Det   = −1.
−2 3 
O Teorema abaixo fornece condições para a existência de uma decomposição LU.
TEOREMA 4.4. Considere A = (ai,j ), i, j = 1, · · · , n. Se os menores principais ∆k são

distintos de 0, para k = 1, · · · , n − 1, então A se decompõe, de maneira única, no produto
LU em que L = (li j ) é uma matriz triangular inferior com lii = 1, i = 1, · · · , n e U = (ui j ) é
uma matriz triangular superior.
Demonstração. Provaremos o Teorema por indução. Se n = 1, é claro que A = (a11 )

pode ser decomposta, escrevendo A = LU = (1)(aii ).
Suponha que, se A é de ordem k − 1, então pode ser decomposta na forma
Ak−1 = Lk−1 Uk−1
81
em que Lk−1 é triangular inferior e Uk−1 é triangular superior.
Devemos provar que existe uma decomposição para matrizes de ordem k. Seja
A de ordem k, então escrevemos
 
 Ak−1 s
A = 


r akk 
em que r é um vetor linha e s é um vetor coluna. Dado que Ak−1 é uma matriz de
ordem k − 1 que, pela hipótese, pode ser decomposta na forma Ak−1 = Lk−1 Uk−1 .
Defina as matrizes
   
 Lk−1 0 
 , e U =  Uk−1 L−1 s
L = 
 k−1

−1
 (4.9)
rUk−1 1   0 akk − rUk−1 L−1
−1
k−1
s 
Note que L é triangular inferior e U é triangular superior. Além disso:

    
 Lk−1 0   Uk−1 L−1 s   Lk−1 Uk−1 s
LU =   =   = A
k−1

 
−1
rUk−1 1   0 akk − rUk−1 L−1
−1 s   r akk 
k−1
Por tanto A se decompõe como um produto LU em que L e U são dadas pelas

fórmulas (4.9).
Observação 4.4. Da prova do Teorema 4.4 podemos concluir que:
(a) Se a matriz é de ordem n×n, é suficiente verificar que os menores determinantes

são distintos do 0 até a ordem n − 1.
(b) A condição que usaremos para a matriz L é que lii = 1, ∀i = 1, · · · , n.
Repare que a hipótese lii = 1, ∀i = 1, ..., n, simplifica os cálculos para encontrar os

coeficientes das matrizes L e U. Quando usamos está hipótese, o método é chamado
Método de Doolittle. Mas podia-se considerar outras hipóteses. Por exemplo, outros
dois métodos de decomposição LU são:
(i) Método de Crout : Quando uii = 1, ∀i = 1, ..., n, e
(ii) Método de Choleski: Quando uii = lii , ∀i = 1, ..., n.
82
Exemplo 4.12. Resolva o sistema linear
    
 1 −3 1   x1   4 
     
 2 −8 8   x  =  −2 
   2   
     
−6 3 −15 x3 9
Solução:
Os menores principais são ∆1 = 1 e ∆2 = −2. Como ambos são distintos do 0, existe
a decomposição LU.
Sejam
   
 1 0 0   u11 u12 u13 
   
L =  l21 1 0  , U =  0 u22 u23
  

   
l31 l32 1 0 0 u33
Da equação A = LU, obtemos
    
 1 −3 1   1 0 0   u11 u12 u13 
     
 =  l
  21 1 0   0 u22 u23
 2 −8 8  
 
     
−6 3 −15 l31 l32 1 0 0 u33
Encontraremos a primeira linha de U multiplicando a primeira linha de L por U:
1.u11 = 1, 1.u12 = −3, e 1.u13 = 1, então u11 = 1, u12 = −3, u13 = 1.
Também, encontramos a primeira coluna de L multiplicando L pela primeira coluna

de U:
l21 u11 = 2, l31 u11 = −6 então l21 = 2, l31 = −6.
Trabalharemos agora com a segunda linha de U. Esta é determinada multiplicando

a segunda linha de L por U:
l21 u12 + u22 = −8, l21 u13 + u23 = 8, então u22 = −2, u23 = 6.
A segunda coluna de L é encontrada multiplicando L pela segunda coluna de U:
15
l31 u12 + l32 u22 = 3, então l32 =
2
Por último, determinamos a terceira linha de U multiplicando a terceira linha de L:
l31 u13 + l32 u23 + u33 = −15, então u33 = −54.
83
 
 y1 
 
Fazendo y =  y2  := Ux, obtemos dois sistemas lineares que devem ser resolvidos:
 
y3
Ly = b, e Ux = y, ou
         
 1 0 0   y1   4   1 −3 1   x1   y1 
           
 2
 1 0   y2  =  −2  e  0 −2 6
 
  x  =  y 
  2   2 
15
           
−6 2 1 y3 9 0 0 −54 x3 y3
15y2
Do primeiro sistema y1 = 4, y2 = (−2 − 2y1 ) = −10, e y3 = (9 + 6y1 − 2 ) = 108. Por
fim, com os valores dos yi , encontramos a solução:
108
x3 = − = −2, x2 = (y2 − 6x3 )/(−2) = −1, e x1 = (y1 + 3x2 − x3 ) = 3.
54
Observação 4.5. Podemos generalizar as fórmulas do exemplo anterior:
i−1
X
ui j = ai j − lik uk j , para i, j = 1, ..., n, i ≤ j.
k=1
começando com i = 1, e
P j−1
ai j − l u
k=1 ik k j
li j = , para i, j = 1, ..., n, i ≥ j.
ujj
começando com j = 1.
4.8 Métodos Iterativos

Assim como existem métodos iterativos para a resolução de equações não lineares,
nesta seção apresentaremos dois métodos iterativos para resolver sistemas lineares. Estes
métodos são chamados Método de Jacobi-Richardson e Método de Gauss-Seidel e permitem
determinar uma solução aproximada de um sistema linear.
A ideia central por traz dos métodos iterativos é escrever o problema na forma
x = φ(x),
e então determinar aproximações da solução utilizando a sequência x(k+1) = φ(x(k) ), a

partir de uma aproximação inicial x(0) . Se a sequência {x(k) } é convergente, então conver-
girá para a solução procurada. Aqui seguiremos esta mesma ideia aplicada a sistemas
lineares.
84
Considere um sistema de equações lineares:
a11 x1 + a12 x2 + ... + a1n xn = b1

a21 x1 + a22 x2 + ... + a2n xn = b2
.. (4.10)
.
an1 x1 + an2 xn2 + ... + ann xn = bn
que pode ser escrito na forma Ax = b, em que A = (ai j ), b = (bi ). Suponha aii , 0 para
todo i = 1, ..., n, então podemos dividir cada equação pelo correspondente elemento da
diagonal. Então o sistema converte-se a:
x1 + a∗12 x2 + ... + a∗1n xn = b∗1

a∗21 x1 + x2 + ... + a∗2n xn = b∗2
.. (4.11)
.
a∗n1 x1 + a∗n2 xn2 + ... + xn = b∗n
aij bi
em que a∗i j = aii para todo i, j = 1, ..., n e b∗i = aii , para todo i = 1, ..., n. O sistema
anterior pode-se escrever na forma A∗ x = b∗ , em que A∗ = (a∗i j ). Esta matriz A∗ pode ser
decomposta na forma
A∗ = L∗ + I + R∗ (4.12)
em que L∗ = (l∗i j ) é uma matriz triangular inferior com os elementos da diagonal iguais a
0, I é a matriz identidade e R∗ = (r∗i j ) é uma matriz triangular superior com os elementos
da diagonal iguais a 0. Ou seja,
 a  a
sei > j sei < j
 ij  ij
li j = 
∗
e ri j = 
∗
 aii
  aii

 0
 se i ≤ j  0
 se i ≥ j
O Sistema Ax = b é agora dado por
(L∗ + I + R∗ )x = b∗ . (4.13)
4.8.1 O método de Jacobi-Richardson
Observe que a equação 4.13 pode ser escrita na forma x = −(L∗ + R∗ )x + b∗ .
DEFINIÇÃO 4.5. O método de Jacobi-Richardson é dado pelo processo iterativo:

x(k+1) = − L∗ + R∗ x(k) + b∗
(0) (0) (0)

com condição inicial x(0) = (x1 , x2 , x3 )t .
O método de Jacobi-Richardson converge se:
85
(a) O critério das linhas for satisfeito, isto é, se
n
X
max |a∗i j | < 1.
1≤i≤n
j=1,j,i
(b) O critério das colunas for satisfeito, isto é, se

n
X
max |a∗i j | < 1.
1≤j≤n
i=1,i,j
Exemplo 4.13. Encontre uma solução aproximada do sistema abaixo pelo método
de Jacobi-Richardson:
10x1 +2x2 +x3 = 7
x1 +5x2 +x3 = −8
2x1 +3x2 +10x3 = 6
Solução:
Escrevemos o sistema
x1 +0.2x2 +0.1x3 = 0.7

0.2x1 +x2 +0.2x3 = −1.6
0.2x1 +0.3x2 +x3 = 0.6
Como 0.2 + 0.1 = 0.3 < 1, 0.2 + 0.2 < 1 e 0.2 + 0.3 < 1 o critério das linhas é satisfeito.
(0) (0) (0)
Considere x(0) = x1 , x2 , x3 = 0, 0, 0 e defina o processo iterativo
 (k+1) (k) (k)



 x1 = −0.2x2 − 0.3x3 + 0.7





 (k+1) (k) (k)
= −0.2x1 − 0.2x3 − 1.6


 x2 (4.14)






 x(k+1) = −0.2x(k) − 0.3x(k) + 0.6


3 1 2
Utilizando as fórmulas 4.14 segue que
x(1) = (0.7, −1.6, 0.6), x(2) = (0.96, −1.86, 0.94), x(3) = (0.978, −1.98, 0.966) (4.15)
Continuando esse processo
x(4) = (0.9994, −1.9888, 0.9984), x(5) = (0.9979, −1.9996, 0.9968).
86
4.8.2 O método de Gauss-Seidel
Observe que a equação 4.13 é equivalente à equação (L∗ + I)x = −R∗ x + b∗ .
DEFINIÇÃO 4.6. O método de Gauss-Seidel é dado pelo processo iterativo:
(L∗ + I)x(k+1) = −R∗ x(k) + b∗
(0) (0) (0)

com condição inicial x(0) = (x1 , x2 , x3 )t . Cada aproximação x(k) é um vetor coluna.
Acostuma-se escrevê-lo na forma
x(k+1) = −L∗ x(k+1) − R∗ x(k) + b∗
(k+1) (k+1) (k+1)

para expressar o fato que podemos aproveitar as aproximações x1 , x2 , ..., xi−1
(k+1)
para calcular a seguinte aproximação xi , para i = 2, ..., n.
Agora devemos fornecer condições sobre as quais a sequência x(k) converge para a
solução do sistema linear Ax = b. Dois critérios são os mais utilizados.
O método de Gauss-Seidel converge se um dos dois critérios for satisfeito:
(a) O critério das linhas, isto é, se
max{βi } < 1
1≤i≤n
em que
X i−1
X n
X
βi = |a∗i j | = |a∗i j | + |a∗i j |, ∀i = 1, ..., n
j,i j=1 j=i+1
é a soma de todos os termos da linha i da matriz A∗ , exceto o termo da diagonal.
(b) O critério de Sassenfeld, isto é, se
max{βi } < 1
1≤i≤n
em que
i−1
X n
X
βi = |a∗i j |β j + |a∗i j |, ∀i = 1, ..., n.
j=1 j=i+1
Precisamos de um critério para decidir quando parar de realizar as iterações no método

de Gauss-Seidel. Ao igual que na resolução de equações não lineares, temos dois critérios
de parada.
87
O método de Gauss-Seidel para se atingimos os seguintes erros
• Erro Absoluto. Se
(k+1) (k)
max |xi − xi | < . (4.16)
1≤i≤n
ou seja, se cada componente atinge um erro absoluto menor que .
• Erro Relativo. Se
(k+1) (k)
|xi − xi |
max (k+1)
< . (4.17)
1≤i≤n |xi |
ou seja, se cada componente atinge um erro relativo menor que .
Exemplo 4.14. Encontre uma solução aproximada do sistema linear:
6x1 −x2 −x3 = 3

6x1 +9x2 +x3 = 40
−3x1 +x2 +12x3 = 50
Solução:
Seja x = (x1 , x2 , x3 )t . Note que o sistema se pode escrever
x1 − x62 − x63 = 1
2
2x1
3 +x2 + x93 = 40
9
− x41 x2
+ 12 +x3 = 25
6
no qual os coeficientes da diagonal são todos iguais a 1. Dessa forma, isolando as

variáveis da diagonal
x2 x3
x1 = 2 + 6 + 6
1
x3
x2 = − 2x31 + 409 − 9
,
x1 x2
x3 = 4 − 12 + 6
25
Repare que este sistema tem a forma x = φ(x). Assim, podemos utilizar o método
iterativo de Gauss-Richardson
 (k) (k)
(k+1) x2 x3
x = 1
+ +



 1 2 6 6
(k) (k)

2x1 x3

 (k+1)


 x2
= − 3 + 40
9 − 9
(4.18)
 (k) (k)
 x(k+1) =
 x1 x2
4 − 12 + 6
 25
3
em que estamos utilizando os ı́ndices na parte superior. Suponha que a aproximação

(0) (0) (0)
inicial, para k = 0, é x(0) = (x0 , x1 , x3 )t = (0, 0, 0)t . Cada aproximação é um vetor
88
coluna. Da primeira equação:
(0) (0)
(1) 1 x2 x 1 0 0 1
x1 = + + 3 = + + = .
2 6 6 2 6 6 2
A principal diferencia entre Jacobi-Richardson e Gauss-Seidel é que, uma vez

(1)
que já temos uma aproximação x1 de x1 , podemos utilizá-la para determinar a
(1) (0) (1)
aproximação x2 de x2 , substituindo x1 por x1 na segunda equação de (4.19):
(1) (0)
(1)
2x1 40 x3 2(1/2) 40 0 37
x2 =− + − =− + − = = 4.11111
3 9 9 3 9 9 9
(0) (1) (0) (1)
Seguindo esta ideia, podemos substituir x1 por x1 e x2 por x2 na terceira equação
de (4.19):
(1) (1)
(1)
x1 x2 25 (1/2) (37/9) 25
x3 = − + = − + = 3.94907.
4 12 6 4 12 6
Logo, o processo iterativo, na iteração k, pode ser modificado ao seguinte:
 (k) (k)
(k+1) x x
x1 = 21 + 62 + 63




(k+1) (k)

2x1 x3

 (k+1)


 x 2
= − 3 + 40
9 − 9
(4.19)
 (k+1) (k+1)
 x(k+1) = x1 − x2 + 25


3 4 12 6
Se k = 1 então
(1) (1)
(2) 1 x x 1 4.11111 3.94907
x1 = + 2 + 3 = + + = 1.84336
2 6 6 2 6 6
(2) (1)
(2)
2x1 40 x3 2(1.84336) 40 3.94907
x2 = − + − =− + − = 2.77675
3 9 9 3 9 9
(2) (2)
(2)
x1 x2 25 1.84336 2.77675 25
x3 = − + = − + = 4.39611.
4 12 6 4 12 6
(3) (3) (3)
Para k = 2 obtemos x1 = 1.69547, x2 = 2.82567 e x3 = 4.35506.
Exemplo 4.15. Aplique o método de Gauss-Seidel para resolver:
9x1 −3x2 +x3 = 2

−2x1 +5x2 +3x3 = −1
−x1 +2x2 −7x3 = 3
Considerando um erro absoluto de = 0.04.
89
Solução:
Dividindo entre os coeficientes da diagonal obtemos:
x1 − 13 x2 + 19 x3 = 2
9
− 25 x1 +x2 + 35 x3 = − 51
1
7 x1 − 72 x2 +x3 = − 73
Repare que o método das linhas não é satisfeito, pois os coeficientes são:
1 1 4 2 3 1 2 3
β1 = + = , β2 = + = 1 e β3 = + =
3 9 9 5 5 7 7 7
e então max1≤i≤n βi = 1. Assim, o critério das linhas não fornece informação sob a
convergência.
Mas, o critério de Sassenfeld é satisfeito pois:
1 1 4
β1 = + = < 1,
3 9 9
2 4 3 7
β2 = ( )( ) + = < 1,
5 9 5 9
1 4 2 7 2
β3 = ( )( ) + ( )( ) = < 1.
7 9 7 9 7
Dessa forma, o método de Gauss-Seidel, dado pelo processo iterativo:
(k) (k)
(k+1) 2 x x
x1 = + 2 − 3
9 3 9
(k+1) (k)
(k+1)
2x1 1 3x3
x2 =+ − −
5 5 5
(k+1) (k+1)
(k+1)
x1 2x2 3
x3 =− + −
7 7 7
com condição inicial x(0) = (0, 0, 0), é convergente. As aproximações estão tabeladas
abaixo.
(k) (k) (k)
k x1 x2 x3 erro 1 erro 2 erro 3
0 0 0 0
1 0.22222 -0.11111 -0.49206
2 0.23985 0.19117 -0.40821
3 0.33130 0.17744 -0.35760 0.09145 0.01373 0.05061
4 0.32110 0.143 -0.37910 0.0102 0.03444 0.0215
Por tanto, uma solução aproximada é (0.32110, 0.143, −0.37910).
90
4.9 Regra de Cramer
A regra de Cramer é um método para resolver sistemas lineares n × n usando determi-
nantes. Esse método foi introduzido em 1750 pelo matemático suizo Gabriel Cramer
(1704-1752).
Lembre que se A = (ai,j ) é uma matriz 2 × 2, o determinante de A é dado por
a11 a12
D = det(A) = = a11 a22 − a12 a21 .
a21 a22
Se A = (ai,j ) é uma matriz 3 × 3 então o seu determinante é
a11 a12 a13

a22 a23 a21 a23 a21 a22
D = det(A) = a21 a22 a23 = a11 − a12 + a13
a32 a33 a31 a33 a31 a32
a31 a32 a33
em que utilizamos os determinantes de matrizes de ordem menor. Continuando esse

procedimento podemos obter o determinante de uma matriz A, de ordem n × n, pela
fórmula
n
X
det(A) = (−1)1+i a1i · det(Ai )
i=1
em que Ai é a matriz obtida a partir de A eliminando a linha 1 e a coluna i.
TEOREMA 4.5. Um sistema Ax = b em que A é uma matriz n × n tem solução única se,
e somente se, det(A) , 0. Nesse caso a solução é dada por
det(B1 ) det(B2 ) det(Bn )

x1 = , x2 = , · · · , xn =
det(A) det(A) det(A)
em que B j é a matriz obtida a partir de A substituindo a sua coluna j pelo vetor constante b.
Exemplo 4.16. Usando a regra de Cramer resolver:
2x1 +3x2 −x3 = 2

−2x1 +5x2 +4x3 = −1
3x1 +2x2 −x3 = −3
Solução:
Observe que
2 3 −1
det(A) = −2 5 4 = 2(−5 − 8) − 3(2 − 12) − 1(−4 − 15) = 23 , 0,
3 2 −1
91
então pela regra de Cramer:
2 3 −1
1 1 78
x1 = −1 5 4 = 2(−5 − 8) − 3(1 + 12) − 1(−2 + 15) = −
23 23 23
−3 2 −1
2 2 −1
1 1 37
x2 = −2 −1 4 = 2(1 + 12) − 2(2 − 12) − (6 + 3) =
23 23 23
3 −3 −1
2 3 2
1 1 91
x3 = −2 5 −1 = 2(−15 + 2) − 3(6 + 3) + 2(−4 − 15) = − .
23 23 23
3 2 −3
4.10 Matriz inversa
DEFINIÇÃO 4.7. Dizemos que uma matriz A de ordem n × n é invertı́vel se existir

uma outra matriz, denotada por A−1 , tal que
A · A−1 = A−1 · A = I
em que I é a matriz identidade de ordem n × n. A matriz A−1 é chamada a inversa

de A.
Se uma matriz não tem inversa então dizemos que é singular. Se A e B são de ordem
n × n e λ ∈ R distinto de zero, então valem as seguintes propriedades:
(1) A é invertı́vel se, e somente se, det(A) , 0.
(2) Se A é invertı́vel então a sua inversa é única.

−1
(3) Se A é invertı́vel então A−1 = A.
−1
(4) Se A é invertı́vel então λA é invertı́vel e λA = λ−1 A−1 .
−1
(5) Se A e B são invertı́veis então AB é invertı́vel e AB = B−1 A−1 .
(6) A identidade In é invertı́vel e In−1 = In .

−1 t
(7) Se At é a matriz transposta então At = A−1 .
O seguinte teorema fornece uma maneira de calcular a inversa:
92
TEOREMA 4.6. Se A ∈ Mn×n é invertı́vel então A é equivalente por linhas à matriz
identidade In .
Isto significa que podemos calcular a inversa de uma matriz não singular A usando
operações elementares a partir da identidade. Do ponto de vista prático, o método de
Gauss considera a matriz
 
 a11 a12 · · · a1n 1 0 · · · 0 
 
 a21 a22 · · · a2n 0 1 · · · 0 
[ A| In ] = 

.. .. .. .. .. .. . . .. 

 . . . . . . . . 
 
an1 an2 · · · ann 0 0 · · · 1
e aplica operações elementares sobre as linhas até que [ A| In ] é transformada em

[ In | A−1 ].
Exemplo 4.17. Encontre a inversa da matriz

 
 1 3 2 
 
A =  0 5 1  .
 
−1 3 0
Solução:
   
 1 3 2 1 0 0   1 3 2 1 0 0 
   
[ A| In ] =  0 5 1 0 1 0  ∼

 
  0 5 1 0
 1 0 
L3 + L1
   
−1 3 0 0 0 1 0 6 2 1 0 1
 
 1 3 2 1 0 0 
 
[ A| In ] ∼ L2 /5  0 1 1/5 0 1/5 0 
L3 /6
 
0 1 1/3 1/6 0 1/6
 
L1 − 3L2  1 0 7/5 1 −3/5 0 
 
[ A| In ] ∼  0 1 1/5

 0 1/5 0 


L3 − L2 0 0 2/15 1/6 −1/5 1/6

 
 1 0 7/5 1 −3/5
0 
 
[ A| In ] ∼  0 1
 1/5 0 1/5 0 
15L3 /2
 
0 0 1 5/4 −6/4 5/4
L1 − 7L3 /5  1 0
 
0 −3/4 −7/4 
3/2
 
[ A| In ] ∼ L2 − L3 /5  0 1 0 −1/4 1/2 −1/4 
 
0 0 1 5/4 −3/2 5/4
93
Portanto  
 −3/4 3/2 −7/4 
 
A−1 =  −1/4 1/2 −1/4  .
 
5/4 −3/2 5/4
4.11 O método de Newton para a resolução de sistemas não lineares

Considere o sistema de equações não lineares




 f1 (x1 , x2 , · · · , xn ) = 0
 f2 (x2 , x2 , · · · , xn ) = 0




.. (4.20)
.






 fn (x1 , x2 , · · · , xn ) = 0


Para resolver o sistema (8.24), defina a função de n variáveis F : Rn → Rn sobre Rn dada

por
F(x1 , · · · , xn ) = ( f1 (x1 , · · · , xn ), f2 (x1 , · · · , xn ), · · · , fn (x1 , · · · , xn )),
e o vetor X = (x1 , x2 , · · · , xn ). Assim, o sistema a resolver converte-se em
F(X) = ~0
em que ~0 = (0, 0, · · · , 0). A partir de uma aproximação inicial X0 = (x01 , x02 , · · · , x0n ),
podemos nos aproximar da solução usando a sequência de vetores {Xk }, em que Xk =
(xk1 , xk2 , · · · , xkn ), dada pela fórmula de Newton seguinte:
Xk+1 = Xk − [DF(Xk )]−1 F(Xk ) (4.21)
em que [DF(Xk )]−1 é a matriz inversa da matriz

 ∂ f1 (Xk ) ∂ f1 (Xk ) ∂ f1 (Xk ) 
 ∂x1 ∂x2 ··· ∂xn

∂ f2 (Xk ) ∂ f2 (Xk ) ∂ f2 (Xk )
 
···
 
∂x1 ∂x2 ∂xn
 
DF(X ) = 
k
.. .. .. ..
 (4.22)
.


 . . . 

∂ fn (Xk ) ∂ fn (Xk ) ∂ fn (Xk ) 
···

∂x1 ∂x2 ∂xn
avaliada no vetor Xk . Escolhida convenientemente a aproximação X0 , a sequência de

vetores Xk converge à solução do sistema (8.24). Neste caso, o método para na iteração
k + 1 se, dado um erro > 0, temos a seguinte desigualdade
max{|xk+1
i − xki |, 1 ≤ i ≤ n} < . (4.23)
Exemplo 4.18. Três antenas situadas nos pontos A = (0, 0), B = (10, 2) e C = (5, 9)
são utilizadas para encontrar a posição de um pessoa no GPS. Se (x1 , x2 ) é a posição
94
desejada, podemos encontrar os valores de x1 e x2 resolvendo o sistema:
x21 + x22 − (6 + d)2 = 0





(x1 − 10)2 + (x2 − 2)2 − (5 + d)2 = 0





 (x − 5)5 + (x − 9)2 − (6 + d)2 = 0

1 2
em que d é o fator acrescentado devido aos erros cometidos ao calcular os dados

nas antenas.
Solução:
Neste caso, podemos escrever o sistema (4.18) na forma F(x1 , x2 , x3 ) = (0, 0, 0) em
que
F(x1 , x2 , x3 ) = (x21 +x22 −(6+x3 )2 , (x1 −10)2 +(x2 −2)2 −(5+x3 )2 , (x1 −5)2 +(x2 −9)2 −(6+x3 )2 )
com a aproximação inicial X0 = (5, 2, 0). Considere um erro = 0.01. Note que
−2(6 + x3 )
 
 2x1 2x2 
DF(X) =  2(x1 − 10) 2(x2 − 2) −2(5 + x3 )
 


−2(6 + x3 )

2(x1 − 5) 2(x2 − 9)
Note que F(5, 2, 0) = (−7, 0, 13). Pela fórmula (8.25), a aproximação X1 é dada por
X1 = X0 − [DF(X0 )]−1 F(X0 )

   −1  
 5   10 4 −12   −7 
     
X =  2  −  −10
1
0 −10   0 
     
0 0 −14 −12 13
      
 5   7/178 −27/445 1/89   −7   5.1292 
       
X =  2  −  3/89
1
3/89 −11/178   0  =  3.0393 
       
0 −7/178 −7/178 −1/89 13 −0.1292
Desse modo a aproximação X2 é dada por
X2 = X1 − [DF(X1 )]−1 F(X1 )

   −1  
 5.1292   10.2584 6.0786 −11.7416   1.0797 
     
X =  3.0393  −  −9.7416 2.0786
2 
 
 
 −9.7416   1.0801 

     
−0.1292 0.2584 −11.9214 −11.7416 1.0803
    
 5.1292   0.04004 −0.0602 0.0099   1.0797 
     
X2 =  3.0393  −  0.0333 0.0334 −0.0610   1.0801 
     
−0.1292 −0.0329 −0.0352 −0.0229 1.0803
95
 
 5.1402 
 
X2 =  3.0331 
 
−0.0309
Exercı́cio 4.1. Para cada um dos sistemas lineares seguintes, obtenha uma solução por
meio de um gráfico, se possı́vel for. Explique os resultados do ponto de vista geométrico.
x1 + 2x2 = 3 x1 + 2x2 = 3 x1 + 2x2 = 3 2x1 + x2 + x3 = 1

(a) (b) (c) (d)
x1 − x2 = 0 2x1 + 4x2 = 6 2x1 + 4x2 = −6 2x1 + 4x2 − x3 = −1
Exercı́cio 4.2. Resolver o seguinte sistema de equações:




 x − 2y + 3z = 9



 −x + 3y

= −4




 2x − 5y + 5z = 17



Exercı́cio 4.3. Considere a matriz

 
 1 2 1 
 
A =  0 3 4 
 
−2 0 3
(a) Determine, se existir, a matriz inversa de A.
(b) Dado B = [2, −1, 3]t , encontre a solução do sistema AX = B.
(c) Calcule 2A + 3A.
Exercı́cio 4.4. Resolva o sistema, utilizando a regra de Cramer.




 2x + y + z = 3



 −2x + 2y − z = 0





 3x + y + z = 1



Exercı́cio 4.5. Resolver o seguinte sistema linear:


3x + 2x2 + 4x3 = 1
 1





 x + x2 + 2x3 = 2

 1



 4x1 + 3x2 + 2x3 = 3



Exercı́cio 4.6. Resolva o sistema linear abaixo utilizando o método da Eliminação de
96
Gauss: 



 2x1 + 2x2 + x3 + x4 =7


x1 − x2 + 2x3 − x4 =1






3x1 + 2x2 − 3x3 − 2x4 =4







 4x1 + 3x2 + 2x3 + x4 = 12




Exercı́cio 4.7. Dê a Fatoração LU de cada matriz e resolva o sistema:
2x1 + 3x2 + x3 − x4 = 6, 9 x + y + 2z + 4t = 7, 12
x1 + x2 + x3 = −1
−x1 + x2 − 4x3 + x4 = −6, 6 2x + 5y + z + 2t = 14, 90
(a) 3x1 + 2x2 − 2x3 = 2 (b) (c)
x1 + x2 + x3 + x4 = 10, 2 x + y + 5z + 6t = 12, 02
4x1 + 3x2 − 4x3 = 7
4x1 − 5x2 + x3 − 2x4 = −12, 3 4x + 6y + 2z + t = 20, 72
Exercı́cio 4.8. Utilize a Fatoração LU para resolver o sistema linear a seguir:
x1 + x2 + 2x3 + 4x4 = 7, 12
2x1 + 5x2 + x3 + 2x4 = 14, 90
x1 + x2 + 5x3 + 6x4 = 12, 02
4x1 + 6x2 + 2x3 + x4 = 20, 72
Exercı́cio 4.9. Considere o sistema linear
5x1 + 2x2 + x3 = 7
−x1 + 4x2 + 2x3 = 3
2x1 − 3x2 + 10x3 = −1
(a) Verificar a possibilidade de aplicação do método de Gauss-Siedel, usando o Critério

de Sassenfeld.
(b) Se possı́vel, resolvê-lo pelo método do item (a), obtendo o resultado com erro
absoluto < 10−2 .
Exercı́cio 4.10. Considere os seguintes sistemas de equações lineares
−9x1 + 5x2 + 6x3 = 11 5x1 + 2x2 + x3 = −12

(I) 2x1 + 3x2 + x3 = 4 (II)−x1 + 4x2 + 2x3 = 20
−x1 + x2 − 3x3 = −2 2x1 − 3x2 + 10x3 = 3
(a) Resolva os sistemas dados usando o método de Decomposição LU.
(b) Caso haja convergência garantida, resolva os sistemas dados pelo Método Iterativo
(0) (0) (0)
de Gauss-Siedel com (x1 , x2 , x3 ) = (0.1, 0.2, 0.5) e = 0.01.
Exercı́cio 4.11. Use eliminação Gaussiana sem pivotamento parcial e com pivotamento
parcial para resolver os sistemas abaixo. Considere um sistema de ponto flutuante com
3 dı́gitos significativos. Compare as soluções obtidas com a solução exata.
97
x + 2, 07y + 0, 0045z = 0, 511
x1 + 1, 74x2 = 2, 74 0, 51x + 87, 1y = 92, 2
(a) (b) (c) −x − 2, 00y + 0, 0051z = −0, 298
5x1 + 6, 2x2 = 11, 2 44x − 104y = 336
2x − 2, 5y + 0, 03z = −0, 55
Exercı́cio 4.12. Dados os sistemas lineares:
4x1 + 2x2 + 6x3 = 1 2x1 + x2 + 3x3 = 9 2x2 + 2x3 = 8

(I) 4x1 + x2 + 3x3 = 2 (II) −x2 + x3 = 1 (III) x1 + 3x2 = 6
−x1 + 5x2 + 3x3 = 3 x1 + 3x3 = 3 3x1 + x2 + x3 = 4
mostrar que, reordenando as equações e incógnitas, podemos fazer com que o critério
de Sassenfeld seja satisfeito, mas não o critério das linhas. Resolva-os.
Exercı́cio 4.13. Resolva o seguinte sistema de equações não lineares


 x +y−1=0

 3
 y3 − x − 1 = 0


Considere a aproximação inicial X0 = (0.5, 0.5) e = 0.01.
Exercı́cio 4.14. Resolva os seguintes sistemas não lineares escolhendo chutes iniciais
convenientes e = 0.01.
  
 x1 + x2 − 2 = 0  2x1 x2 − 3 = 0 x21 + 4x22 − 4 = 0

 2 2 
 

(a)  (b)  (c) 

 x1 x2 − 1 = 0
  x2 − x2 − 2 = 0
  x2 − 2x1 − 2x2 + 1 = 0

1 1
Exercı́cio 4.15. Encontre as soluções dos sistemas não lineares, através do método de
Newton.
x21 + x2 − 37 = 0 x1 + 2x22 − x2 − 2x3 = 0
  2

 

 
x1 − x22 − 5 = 0 x21 − 8x22 + 10x3 = 0
 
(a)  (b) 
 

 

 x +x +x −3=0
 
 x21 − 7x2 x3 = 0
1 2 3
Exercı́cio 4.16. Ao resolver o sistema AX = b, chegou-se a matriz:

 
 1 0 −3 1 
 
 0 1 1 1  , a∈R
 
−9 a+3
 
0 0 a2
Encontre os valores da constante a para os quais o sistema tenha
(a) solução única;
(b) infinitas soluções;
(c) nenhuma solução.
98
5 Integração Numérica
5.1 Introdução
Cada vez que descrevemos um problema utilizando derivadas podemos inferir que a
solução do mesmo envolve integrais do tipo
Z b
I( f ) = f (x)dx (5.1)
a
em que f : [a, b] → R é uma função contı́nua no intervalo [a, b] com valores nos números
reais. Estudando as técnicas de integração do Cálculo, sabemos que existem funções f (x)
para as quais não existe uma integral em termos de funções elementares. Por exemplo,
as seguintes integrais são difı́ceis de calcular
Z Z
sin(x) 2
dx, e−x dx.
x
Assim, é necessario o uso de integração numérica.

Em outros casos, quando temos pouca informação sobre a função, por exemplo,
quando conhecemos a função em um número finito de pontos, também é necessária
alguma técnica de integração numérica. Por exemplo no seguinte problema:
Exemplo 5.1. Um radar foi usado para medir a velocidade de um corredor durante
os primeiros 5 segundos de uma corrida (Veja a tabela ). Estime a distância que o
corredor cobriu durante aqueles 5 segundos.
t(s) 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

v(m/s) 0 4.67 7.34 8.86 9.73 10.22 10.51 10.67 10.76 10.81 10.81
Note que só conhecemos a função v(t) em 10 pontos, mas mesmo assim, desejamos
determinar o valor aproximado da integral
Z 5
v(t)dt,
0
dado que a distância é a integral da velocidade em relação ao tempo.

Numa terceira situação, pode ser que exista uma fórmula para integrar f (x) mas tal
vez está fórmula não seja a maneira mais eficiente de calcular I( f ).
99
5.2 Preliminares
Considere uma função contı́nua f : [a, b] → R definida num intervalo [a, b].
A ideia básica da integração numérica é obter I( f ) via interpolação. Isto é, primeiro
aproximar f (x) por um polinômio interpolante Pn (x) de grau n em [a, b], um polinômio
sobre n + 1 pontos x0 = a, x1 , ..., xn−1 , xn = b tais que a separação entre eles é dada por
b−a
h= ,
n
ou xi = x0 + ih, para todo i = 0, 1, ..., n. Veja a figura 11.
Figura 11: Polinômio Pn (x) que interpola f (x).
Então pode-se aproximar a integral de f (x) usando a integral de Pn (x).
Se Pn (x) interpola f (x) nos pontos x0 = a, x1 , ..., xn = b, então

Z b Z b
I( f ) = f (x)dx ≈ Pn (x)dx.
a a
Assim, aproximar I( f ) reduz-se a determinar a integral de um polinômio, o qual é fácil

de realizar.
5.2.1 Estudo do Erro
Uma vez feita a aproximação, fica ainda o estudo do erro cometido no processo de
aproximar. Este erro pode ser estudado com a equação:
f (x) = Pn (x) + Rn (x) (5.2)
obtida na interpolação de Newton, em que Pn (x) é o polinômio interpolante e Rn (x) é o

resto. Integrando a igualdade (5.2) entre a e b:
Z b Z b
I( f ) = Pn (x)dx + Rn (x),
a a
100
a partir do qual deduzimos que o erro cometido En é dado por
Z b
En = Rn (x).
a
Pelo Teorema 3.2 segue que
f (n+1) (ξx ) f (n+1) (ξx )

Rn (x) = (x − x0 )(x − x1 )...(x − xn ) = · ψ(x)
(n + 1)! (n + 1)!
Assim, o erro é dado pela integral
xn
f (n+1) (ξx )
Z
En = ψ(x)dx. (5.3)
x0 (n + 1)!
O primeiro resultado é o seguinte:
PROPOSIÇÃO 5.1. O erro En é limitado pela seguinte expressão:

Z xn
K
|En | ≤ |ψ(x)|dx, (5.4)
(n + 1)! x0
em que
n o
K = max f (n+1) (x) : x0 ≤ x ≤ xn .
Demonstração. Pela Equação (5.3), obtemos
n f (n+1) (ξ) o Z xn K
Z xn
|En | ≤ max , ξ ∈ [x0 , xn ] |ψ(x)|dx ≤ |ψ(x)|dx.
(n + 1)! x0 (n + 1)! x0
pela definição de K.
Observação 5.1. Pela Proposição 5.1, é suficiente estudar o comportamento de

Z xn
|ψ(x)|dx (5.5)
x0
para determinar um limitante superior do erro En . Aqui vamos trabalhar dois casos:
(a) Caso 1: Se ψ(x) ≥ 0 para todo x ∈ [x0 , xn ], ou se ψ(x) ≤ 0 para todo x ∈ [x0 , xn ].
R xn
(b) Caso 2: Se ψ(x) satisfaz x ψ(x)dx = 0.
0
101
5.3 Regra dos Trapézios.
A regra dos trapézios é a mais simple das regras de integração, ou seja, quando con-
sideramos n = 1. Isto é a interpolação será dada sobre dois pontos x0 = a e x1 = b
e o polinômio interpolante P1 (x) é uma reta. Definamos h = b − a e seja y0 = f (x0 ) e
y1 = f (x1 ). O polinômio P1 (x) pode ser encontrado usando as diferenças divididas:
xi yi ordem 0 ordem 1
x0 y0 y0
y1 −y0
h
x1 y1 y1
Figura 12: Aproximação usando um polinômio de grau 1.
Pela fórmula de interpolação de Newton, o polinômio interpolante é
y1 − y0
P1 (x) = y0 + (x − x0 )
h
Então a aproximação de I( f ) será

Z b Z x1 Z x1 h y1 − y0 i
I( f ) = f (x)dx ≈ P1 (x)dx = y0 + (x − x0 ) dx.
a x0 x0 h
Desenvolvendo as contas da última integral e fazendo x = x0 + u, obtemos:

Z hh y1 − y0 i h h
I( f ) ≈ y0 + u du = [y0 + y1 ] = [ f (x0 ) + f (x1 )].
0 h 2 2
Observação 5.2. A fórmula
h
I( f ) ≈ [ f (x0 ) + f (x1 )].
2
é denominada Regra do Trapézio porque a área abaixo do polinômio P1 (x) corres-
102
ponde à área de um trapézio.
5.3.1 Limitante superior do erro na Regra do Trapézio
Note que ψ(x) = (x − x0 )(x − x1 ), então ψ(x) ≤ 0 para todo x ∈ [x0 , x1 ]. Isto implica que
|ψ(x)| = −ψ(x) = (x − x0 )(x1 − x) para todo x ∈ [x0 , x1 ]. Pela fórmula (5.4) para o erro E1
obtemos Z x1
K
|E1 | ≤ (x − x0 )(x1 − x)dx,
(1 + 1)! x0
em que
K = max{ f (2) (x) : x0 ≤ x ≤ x1 }.
Fazendo a mudança x = x0 + u, obtemos
h
h3
Z
K
|E1 | ≤ u(h − u)du = max{ f (2) (x) : x0 ≤ x ≤ x1 }.
(2)! 0 12
Resumindo:
A aproximação de I( f ) dada pela Regra do Trapézio é
h
I( f ) ≈ [ f (x0 ) + f (x1 )]. (5.6)
2
e o limitante superior para o erro E1 é dado por
h3
|E1 | ≤ max{ f (2) (x) : x0 ≤ x ≤ x1 }. (5.7)
12
Exemplo 5.2. Usando a Regra dos Trapézios, encontre uma aproximação da integral
Z 2
1
dx
1 x
e determine um limitante superior para o erro cometido ao aproximar a integral.
Solução:
Definimos x0 = a = 1 e x1 = b = 2 e então h = x1 − x0 = 1. Assim, f (x0 ) = f (1) = 1 e
f (x1 ) = f (2) = 0, 5. Por tanto, a aproximação da integral dada pela fórmula (5.6) é:
1
I( f ) ≈ [1 + 0, 5] = 0, 75.
2
Para determinar o limitante superior do erro precisamos da derivada f (2) (x) = 2

x3
.
103
Assim
2 2
max{ f (2) (x) : x0 ≤ x ≤ x1 } = max{ 3
: 1 ≤ x ≤ 2} = = 2.
x 1
Por tanto, pela inequação (5.7),
13 2
|E1 | ≤ (2) = = 0, 16666.
12 12
Logo a integral pertence ao intervalo I( f ) ∈ [0.75 − 0.16666, 0.75 + 0.16666] =

[0.58334, 0.91666].
5.3.2 Regra do Trapézio Generalizada
A Regra dos Trapézios Generalizada consiste na subdivisão do intervalo de integração

[a, b] em n sub-intervalos Ii = [xi−1 , xi ] para i = 1, ..., n, cada um de comprimento h = b−a
n ,
definidos pelos pontos
x0 = a, x1 = a + h, x2 = a + 2h, ..., xi = a + ih, ..., xn = b,
para logo aplicar a regra dos trapézios em cada sub-intervalo Ii para i = 1, ..., n. Desse
modo, a integral I( f ) será aproximada pela soma das integrais em cada sub-intervalo
calculadas utilizando a regra do trapézio. A figura abaixo apresenta o caso de 5 sub-
intervalos.
Figura 13: Regra do Trapézio Generalizada.
A aproximação no intervalo Ii é dada por
h
Ai = [ f (xi−1 ) + f (xi )].
2
Assim, a aproximação será:
I( f ) ≈ A1 + A2 + .... + An
Substituindo os valores:
h h h
I( f ) ≈ [ f (x0 ) + f (x1 )] + [ f (x1 ) + f (x2 )] + .... + [ f (xn−1 ) + f (xn )]
2 2 2
104
Simplificando
n−1
h X
I( f ) ≈ [ f (x0 ) + 2 f (xi ) + f (xn )] (5.8)
2
i=1
O erro na Regra do Trapézios Generalizada é limitado pela soma dos erros em cada
subintervalo Ii . Denotemos por E(i) o erro no intervalo Ii , e então, pela inequação 5.7,
h3
|E(i)| ≤ max{ f (2) (x) : xi−1 ≤ x ≤ xi }, ∀i = 1, ..., n.
12
Então o erro total E da regra generalizada é limitado pela expressão:
h3
|E| ≤ E(1) + E(2) + ... + E(n) ≤ n max{| f (2) (x)| : x0 ≤ x ≤ xn }.
12
Sabendo que nh = xn − x0 , obtemos
h2
|E| ≤ (xn − x0 ) max{ f (2) (x) : x0 ≤ x ≤ xn }. (5.9)
12
Exemplo 5.3. Encontre aproximadamente a integral

Z 2 √
1 + x2 dx
0
e determine um limitante superior para o erro cometido ao aproximá-la pela Regra

do Trapézio Generalizada com n = 4.
Solução:
√
Dos dados f (x) = 1 + x2 , h = 2−0
4 = 0, 5 e x0 = 0, x1 = 0, 5, x2 = 1, x3 = 1, 5, x4 = 2.
Pela fórmula
Z 2 √ 3
h X
I( f ) = 1 + x2 dx ≈ [ f (x0 ) + 2 f (xi ) + f (x4 )]
0 2
i=1
deduzimos
0, 5
I( f ) ≈ [ f (x0 ) + 2( f (x1 ) + f (x2 ) + f (x3 )) + f (x4 )].
2
Substituindo os valores dos f (xi ) obtemos:
0, 5
I( f ) ≈ [1 + 2(1, 1180 + 1, 4142 + 1, 8027) + 2, 2360] = 2, 9763
2
105
Observe que f (2) (x) = 1
(1+x2 )3/2
e
1
max{| f (2) (x)| : 0 ≤ x ≤ 2} = max{ : 0 ≤ x ≤ 2} = 1
(1 + x2 )3/2
Dessa forma
(0.5)2
|E| ≤ (2 − 0)(1) = 0, 0416.
12
1
5.4 Regra 3
de Simpson
A Regra 1/3 de Simpson ocorre quando o polinômio interpolante Pn (x) tem grau n = 2.
Ou seja, f (x) é aproximada por uma parábola. Definamos
b−a
h= , e , x0 = a, x1 = a + h, x2 = b.
2
e
y0 = f (x0 ), y1 = f (x1 ), y2 = f (x2 ).
Figura 14: Aproximação usando um polinômio de grau 2
Encontraremos P2 (x) usando as diferenças divididas dadas na tabela abaixo:
xi yi ordem 0 ordem 1 ordem 2

x0 y0 y0
y1 −y0
h
y2 −2y1 +y0
x1 y1 y1 2h2
y2 −y1
h
x2 y2 y2
Pela fórmula de Interpolação de Newton, o polinômio P2 (x) é dado por:
y0 − y1 y2 − 2y1 + y0
P2 (x) = y0 + (x − x0 ) + (x − x0 )(x − x1 ).
h 2h2
106
Integrando entre x0 e x1 e fazendo a mudança de variável x = x0 + u obtemos
x2 2h
y2 − 2y1 + y0
Z Z
y0 − y1
P2 (x)dx = [y0 + u+ u(u − h)]du.
x0 0 h 2h2
Desenvolvendo as contas:
Z x1
h
P2 (x)dx = [y0 + 4y1 + y2 ].
x0 3
Logo,
h
I( f ) ≈ [ f (x0 ) + 4 f (x1 ) + f (x2 )].
3
Observação 5.3. A Fórmula

Z b
h
f (x)dx ≈ [ f (x0 ) + 4 f (x1 ) + f (x2 )] (5.10)
a 3
é chamada regra 1/3 de Simpson.
5.4.1 Limitante superior para o Erro E2 na regra 1/3 de Simpson
Neste caso ψ(x) = (x − x0 )(x − x1 )(x − x2 ) e desde que x1 = a + h = a+b

2 , segue que
Z x2
ψ(x)dx = 0 (5.11)
x0
Procedemos da seguinte maneira para estimar o erro cometido. Acrescentamos um

ponto artificial x3 := x1 ao conjunto de pontos x0 , x1 , x2 e determinaremos o polinômio
interpolante P∗ (x) que é definido pelos pontos
x0 , x1 , x2 , x3 .
A tabela de diferenças divididas para estes 4 pontos é
xi yi ordem 0 ordem 1 ordem 2 ordem 3

x0 y0 y0
y1 −y0
h
y2 −2y1 +y0
x1 y1 y1 2h2
y2 −y1 4y1 −3y2 −y0
h 2h3
y1 −y2
x2 y2 y2 h2
y1 −y2
h
x1 y1 y1
107
Pela fórmula interpolátoria de Newton,
y0 − y1 y2 − 2y1 + y0 4y1 − 3y2 − y0

P∗ (x) = y0 + (x−x0 )+ (x−x0 )(x−x 1 )+ (x−x0 )(x−x1 )(x−x2 ).
h 2h2 2h3
Em outras palavras
4y1 − 3y2 − y0
P∗ (x) = P2 (x) + ψ(x).
2h3
R x2
Integrando entre x0 e x2 e como x0
ψ(x)dx = 0 obtemos
Z x2 Z x2 Z x2 Z x2
4y1 − 3y2 − y0
P (x)dx =
∗
P2 (x)dx + ψ(x)dx = P2 (x)dx.
x0 x0 2h3 x0 x0
Inferimos que aproximar I( f ) pela integral de P2 (x) é igual a aproximá-la pela integral
de P∗ (x). Por tanto, o erro cometido usando P2 (x) é igual ao erro cometido usando P∗ (x).
Assim, é suficiente determinar o erro para P∗ (x) que é um polinômio de grau 3 = 2 + 1.
Isto é, devemos realizar a mesma análise da seção (5.2.1) para P∗ (x). Então definindo a
função
ψ∗ (x) = (x − x0 )(x − x1 )(x − x2 )(x − x1 ) = (x − x0 )(x − x1 )2 (x − x2 )
obtemos que, existe um ξ ∈ [x0 , x2 ] tal que
f (4) (ξ) ∗
f (x) = P∗ (x) + ψ (x)
4!
Desse modo,
x2 x2 x2
f (4) (ξ) ∗
Z Z Z
K
|E| = ∗
( f (x) − P (x))dx ≤ |ψ (x)|dx ≤ |ψ∗ (x)|dx (5.12)
x0 x0 4! 4! x0
n o
em que K = max | f (4) (x)| : x0 ≤ x ≤ x2 . Como ψ∗ (x) ≤ 0 para todo x ∈ [x0 , x2 ],
|ψ∗ (x)| = −ψ∗ (x) em [x0 , x2 ]. Fazendo a mudança x = u + x0 e integrando
x2 2h
4h5
Z Z
|ψ (x)|dx = −
∗
u(u − h)2 (u − 2h)du =
x0 0 15
Substituindo na equação (5.12),

K 4h5
|E| ≤
4! 15
ou seja,
O erro na regra 1/3 de Simpson é
h5 n o
|E| ≤ max | f (4) (x)| : a ≤ x ≤ b
90
108
Exemplo 5.4. Encontre uma aproximação da integral
Z 2
x2 ln(x)dx
1
pela regra 1/3 de Simpson e determine um limitante superior para o erro cometido
ao realizar a aproximação.
Solução:
Neste exemplo h = 2−1

2 = 0, 5, x0 = 1, x1 = 1, 5, x2 = 2 e
f (x1 ) = 0, f (x1 ) = 0, 91229, f (x2 ) = 2, 77258.
Substituindo na aproximação dada pela equação (5.10) da Regra 1/3 de Simpson:

Z 2
0, 5
x2 ln(x)dx ≈ [0 + 4(0, 91229) + 2, 77258] = 1, 07029.
1 3
Repare que f (4) (x) = − x22 então
n o n2 o
max | f (4) (x)| : 1 ≤ x ≤ 2 = max 2 : 1 ≤ x ≤ 2 = 2.
x
Por tanto, um limitante superior para o erro é dado por
(0, 5)5
|E| ≤ (2) = 0, 00069.
90
5.4.2 Regra 1/3 de Simpson Generalizada
Analogamente que no caso da Regra do Trapézio, a Regra 1/3 de Simpson pode-se

generalizar. Isto é, podemos dividir o intervalo de integração [a, b] em n sub-intervalos
e aplicar a regra 1/3 de Simpson a cada dois sub-intervalos. Isto só é possı́vel de fazer
se n é par.
Definimos h = b−a
n , os pontos
x0 = a, x1 = a + h, x2 = a + 2h, ..., xn = b.
e os intervalos Ii = [xi−1 , xi ]. A figura abaixo mostra a sub-divisão com n = 6 sub-

intervalos.
A cada dois intervalos I2j−1 e I2j podemos aplicar a Regra 1/3 de Simpson obtendo
uma aproximação da integral de f (x) no intervalo I2j−1 ∪ I2j :
Z x2 j
h
f (x)dx ≈ [ f (x2j−2 ) + 4 f (x2j−1 ) + f (x2j )] = A j , ∀ j = 1, ..., n/2.
x2j−2 3
109
Figura 15: Regra 1/3 de Simpson Generalizada.
Assim a integral I( f ) será aproximada pela soma das aproximaçãos sobre estes intervalos:
Z xn
f (x)dx ≈ A1 + A2 + ... + An/2
x0
ou
Z xn
h h h
f (x)dx ≈ [ f (x0 )+4 f (x1 )+ f (x2 )]+ [ f (x2 )+4 f (x3 )+ f (x4 )]+...+ [ f (xn−2 )+4 f (xn−1 )+ f (xn )].
x0 3 3 3
Simplificando, obtemos a Regra 1/3 de Simpson Generalizada

Z xn
h X X
f (x)dx ≈ [ f (x0 ) + 4 f (xi ) + 2 f (xi ) + f (xn )]. (5.13)
x0 3
i impar i par
Como o erro total é menor que a soma dos n/2 erros individuais, segue que
n h5 n o
|E| ≤ . max | f (4) (x)| : a ≤ x ≤ b
2 90
Sabendo que nh = xn − x0 e sustituindo na desigualdade anterior, o erro na Regra 1/3 de

Simpson Generalizada é
h4 n o
|E| ≤ (xn − x0 ) max | f (4) (x)| : a ≤ x ≤ b . (5.14)
180
Exemplo 5.5. Encontre uma aproximação da integral

Z π
6
ln(cos x)dx
0
pela Regra 1/3 de Simpson Generalizada e determine o menor número de sub-

intervalos que são necessários para que o erro seja menor que 10−6 .
110
Solução:
Repare que para satisfazer a condição desejada, é suficiente que:
h4 n o
(xn − x0 ) max | f (4) (x)| : a ≤ x ≤ b < 10−6 (5.15)
180
π/6 π
Note que h = n = 6n e f (4) (x) = −2(3sec4 (x) − 2sec2 (x)). Então:
n o n o
max | f (4) (x)| : 0 ≤ x ≤ π/6 = max | − 2(3sec4 (x) − 2sec2 (x))| : 0 ≤ x ≤ π/6 = 2
Substituindo em (5.15),
h4 π
(π/6 − 0).2 < 10−6 =⇒ h < 0, 11450 =⇒ < 0, 11450
180 6n
Logo n > 4, 5729. Como n deve ser par, o menor n é 6.

π π
Com este dado, podemos calcular a integral. Teremos que h = 6n = 36 . Os
pontos estão tabelados abaixo:
i 0 1 2 3 4 5 6
π π π π 5π π
xi 0 36 18 12 9 36 6
f (xi ) 0 -0.003812 -0.015308 -0,034668 -0,062202 -0,098376 -0,143841
Pela regra 1/3 de Simpson Generalizada

π
π/36
Z
6
ln(cos x)dx ≈ [0 + 4(−0.003812 − 0.034668 − 0, 098376)+
0 3
+2(−0, 015308 − 0, 062202) − 0, 143841]
Então Z π
6
ln(cos x)dx ≈ −0, 024617.
0
3
5.5 Regra 8
de Simpson
3
Como era de esperarse, a regra 8 de Simpson é obtida aproximando f (x) por um po-
linômio P3 (x) de grau n = 3. Supondo que desejamos aproximar
Z b
I( f ) = f (x)dx,
a
definimos h = b−a
3 , os pontos
x0 = a, x1 = a + h, x2 = a + 2h, x3 = b,
111
e suas imagens
y0 = f (x0 ), y1 = f (x1 ), y2 = f (x2 ), y3 = f (x3 ).
Figura 16: Aproximação usando um polinômio de grau 3.
Fazendo uma análise similar à aquela feita nos casos anteriores, deduzimos que a
aproximação de I( f ) é dada por
Z b
3h
I( f ) = f (x)dx ≈ [ f (x0 ) + 3 f (x1 ) + 3 f (x2 ) + f (x3 )] (5.16)
a 8
também chamada Regra 3/8 de Simpson.
5.5.1 Limitante superior para o erro na regra 3/8 de Simpson
Como nos casos anteriores podemos provar que o erro E na regra 3/8 de Simpson é
limitado por
3h5 n o
|E| ≤ max | f (4) (x)| : a ≤ x ≤ b (5.17)
80
Exemplo 5.6. A distância vertical percorrida por um projetil entre x = 8 e x = 30

segundos é dada pela fórmula
Z 30 1400
[2000 ln − 9, 8x]dx.
8 1400 − 21x
Utilize a regra 3/8 de Simpson para aproximar a integral e encontre um limitante

superior para o erro.
112
Solução:
Dos dados temos que h = 30−8

3 = 22
3. Os pontos e suas imagens estão tabelados
abaixo:
i 0 1 2 3
46 68
xi 8 3 3 30
f (xi ) 177,2667 372,4629 608,8976 901,6740
Pela regra 3/8 de Simpson generalizada

Z 30 1400 3(22/3)
[2000 ln − 9, 8x]dx ≈ [177, 2667 + 3(372, 4629)+
8 1400 − 21x 8
+3(608, 8976) + 901, 6740]
Então Z 30 1400
[2000 ln − 9, 8x]dx ≈ 11063, 3104.
8 1400 − 21x
Para determinar o limitante superior do erro, precisamos de
2.3.214 .2000
f (4) (x) = .
(1400 − 21x)4
Assim
n o n 2.3.214 .2000 o
max | f (4) (x)| : 8 ≤ x ≤ 30 = max 4
: 8 ≤ x ≤ 30 = f (4) (30) = 0, 0063889
(1400 − 21x)
Substituindo no limitante do erro dado pela inequação (5.17):
3 22 5
|E| ≤ .( ) .(0, 0063889) = 5, 081178. (5.18)
80 3
5.5.2 Regra 3/8 de Simpson Generalizada
Para utilizarmos a Regra 3/8 de Simpson Generalizada precisamos que n seja múltiplo
de 3. Com isto podemos agrupar cada três intervalos e aplicar a regra 3/8 de Simpson a
cada grupo. Definindo
b−a
h= , x0 = a, ..., xi = a + ih, ..., xn = b
n
então I( f ) é aproximada pela soma dos n/3 grupos e pode-se mostrar que
Z b
3h X X
f (x)dx ≈ [ f (x0 ) + 3 f (xi ) + 2 f (xi ) + f (xn )]. (5.19)
a 8
i,3k i=3k
113
Já o cálculo do erro da Regra 3/8 de Simpson Generalizada segue considerando que
o erro total é menor que a soma dos erros individuais dos n/3 grupos:
n 3h5 n o
|E| ≤ . max | f (4) (x)| : a ≤ x ≤ b ,
3 80
que simplificando e substituindo nh = xn − x0 fica
h4 n o
|E| ≤ (xn − x0 ) max | f (4) (x)| : a ≤ x ≤ b , (5.20)
80
Exemplo 5.7. Um fluido atravessa a secção de um tubo com uma velocidade v(r),
sendo r a distância radial ao centro da seção. Determine a quantidade Q do fluido
que atravessa esta seção por unidade de tempo, dada por
Z r0
Q = 2π rv(r)dr
0
em que r0 = 4.5 é o raio da secção circular do tubo, usando os valores da tabela:
r 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

v(r) 3 2.9499 2.8942 2.8312 2.7584 2.5642 2.4199 2.1985 2.1001 0
Solução:
Dos dados h = 0.5 e n = 9. Repare que a função a integrar é f (r) := rv(r); a tabela
abaixo corresponde aos valores de f (r):
i 0 1 2 3 4
ri 0 0.5 1 1.5 2
f (ri ) 0 1,47495 2,8942 4,2468 5,5168
i 5 6 7 8 9
ri 2.5 3 3.5 4 4.5
f (ri ) 6,4105 7,2597 7,6947 8.4004 0
Pela regra 3/8 de Simpson generalizada,
3(0, 5)
Q ≈ 2π. [0 + 3(1, 47495 + 2, 8942 + 5, 5168 + 6, 4105 + 7, 6947 + 8, 4004)+
8
+2(4, 2468 + 7, 2597) + 0].
Então Q ≈ 141, 59273.

Neste exemplo não podemos calcular um limitante superior para o erro pois não
temos a expressão analı́tica de f (r).
114
5.6 O método da quadratura gaussiana
Suponha que desejamos calcular a integral de uma função polinomial de grau 5 da forma
f (x) = a0 + a1 x + a2 x2 + a3 x3 + a4 x4 + a5 x5 (5.21)
no intervalo [−1, 1]; isto é, desejamos calcular a área

Z 1
I( f ) = f (x)dx. (5.22)
−1
Dessa forma, o cálculo da integral fornece a seguinte expressão:
2 2
I( f ) = 2.a0 + 0.a1 (0) + a2 + 0a3 + a4 + 0.a5 . (5.23)
3 5
Figura 17: A soma das áreas dos retângulos é igual à área abaixo da curva.
O método da quadratura de Gauss consiste em considerar a integral I( f ) como sendo

igual a soma das áreas de três retângulos cujas bases são W1 , W2 e W3 e cujas alturas são
f (p1 ), f (p2 ) e f (p3 ), respectivamente, em que p1 , p2 e p3 são pontos do intervalo [−1, 1].
Veja figura 17. Os valores W1 , W2 e W3 são chamados os pesos. Assim,
I( f ) = W1 f (p1 ) + W2 f (p2 ) + W3 f (p3 ). (5.24)
Note que
f (p1 ) = a0 + a1 p1 + a2 p21 + a3 p21 + a4 p41 + a5 p51




f (p2 ) = a0 + a1 p2 + a2 p22 + a3 p22 + a4 p42 + a5 p52

(5.25)




 f (p ) = a + a p + a p2 + a p2 + a p4 + a p5 .

3 0 1 3 2 3 3 3 4 3 5 3
Somando e agrupando termos na equação 5.24 temos:


 I( f ) = (W1 + W2 + W3 )a0 + (W1 p1 + W2 p2 + W3 p3 )a1 + (W1 p21 + W2 p22 + W3 p23 )a2


+(W1 p31 + W2 p32 + W3 p33 )a3 + (W1 p41 + W2 p42 + W3 p43 )a4 + (W1 p51 + W2 p52 + W3 p53 )a5



(5.26)
115
Comparando com equação 5.23, obtemos o sistema
W1 + W2 + W3 = 2




W1 p1 + W2 p2 + W3 p3 = 0






W1 p21 + W2 p22 + W3 p23 = 2/3



(5.27)

W1 p31 + W2 p32 + W3 p33 = 0





W1 p41 + W2 p42 + W3 p43 = 2/5






W1 p51 + W2 p52 + W3 p53 = 0


Resolvendo o sistema linear (5.27), obtemos:

 √ √
3 3
 p1 = − √5 = −0, 77459, p2 = 0, p3 = √5 = 0, 77459


(5.28)
W1 = 59 , W2 = 89 , W3 = 59 .



Substituindo na fórmula 5.24,

√ √
5 3 8 5 3
I( f ) = f (− √ ) + f (0) + f ( √ ). (5.29)
9 5 9 9 5
A fórmula 5.29 fornece um expressão exata da integral de uma função polinomial

de grau 5 no intervalo [−1, 1]. Mas, a fórmula anterior também pode ser utilizada para
aproximar a integral de uma função genérica.
Se f (x) é uma função arbitrária, então a integral

Z 1
I( f ) = f (x)dx. (5.30)
−1
pode ser aproximada pela fórmula

√ √
5 3 8 5 3
I( f ) ≈ f (− √ ) + f (0) + f ( √ ). (5.31)
9 5 9 9 5
R1
Exemplo 5.8. Calcule a integral −1
(x2 + 1
4 sin x)dx pelo método da quadratura de
Gauss.
Solução:
Note que f (x) = x2 + 14 sin x. Pela fórmula 5.29 temos
5 8 5
I( f ) ≈ f (−0, 77459) + f (0) + f (0, 77459) (5.32)
9 9 9
ou seja,
5 8 5
I( f ) ≈ (0, 42513) + (0) + (0, 77484) = 0, 66665. (5.33)
9 9 9
116
R1
x3
Observe-se que o valor exato é −1
(x2 + 14 sin x)dx = 3 − 14 cos x|1−1 = 2
3 = 0, 66666.
5.6.1 Mudança no intervalo
Se o intervalo de integração é [a, b] (diferente do [−1, 1]), podemos realizar uma

mudança de escala e utilizar a fórmula 5.29 também. Nesse caso, a fórmula é:
b
8 a+b
Z
b − ah5 5 i
f (x)dx ≈ f (x∗ ) + f ( ) + f (y∗ ) (5.34)
a 2 9 9 2 9
√ √
em que x∗ = a+b
− √3 ( b−a ) e x∗ = a+b
+ √3 ( b−a ).
2 5 2 2 5 2
Exemplo 5.9. Calcule a integral

Z 1,2
1
(x2 + sin x)dx (5.35)
0,6 4
pelo método da quadratura de Gauss.
Solução:
√
1,2+0,6 1,2−0,6
Note que f (x) = x2 + 14 sin x. Pela fórmula 5.39 temos que x∗ = − √3 =
2 5 2
√
1,2+0,6 1,2−0,6
0, 66762 e y∗ = + √3 = 1, 13237.
2 5 2
1, 2 − 0, 6 h 5 8 5 i
I( f ) ≈ f (0, 66762) + f (0, 9) + f (1, 13237) (5.36)
2 9 9 9
ou seja,
h5 8 5 i
I( f ) ≈ 0, 3 (0, 60049) + (1, 00583) + (1, 50861) = 0, 61973. (5.37)
9 9 9
R 1,2
x3
Observe-se que o valor exato é 0,6
(x2 + 41 sin x)dx = 3 − 41 cos x|1,2
0,6
= 0, 61974.
5.6.2 Fórmulas de quadratura
Utilizando um polinômio de grau diferente de 5 e seguindo um raciocı́nio similar,

podemos encontrar outras fórmulas de quadratura para determinar a integral:
Z b
I( f ) = f (x)dx (5.38)
a
117
A seguinte tabela mostra os pontos e os pesos para diferentes valores do polinômio
utilizado:
# pontos Grau Pontos e pesos

1 1 p1 = 0,
W1 = 2
2 3 p1 = − √1 , p2 = √1
3 3
W1 = 1, W2 = 1
√ √
3 5 p1 = − √3 , p2 = 0, p3 = √3
5 5
W1 = 5/9, W2 = 8/9, W3 = 5/9
4 7 p1 = −0, 86113, p2 = −0, 33998, p3 = 0, 33998, p4 = 0, 86113
W1 = 0, 34785, W2 = 0, 65214, W3 = 0, 65214, W4 = 0, 34785
5 9 p1 = −0, 90617, p2 = −0, 53846, p3 = 0,p4 = −p2 , p5 = −p1
W1 = 0, 23692, W2 = 0, 47862, W3 = 0, 56888, W4 = W2 , W5 = W1
A aproximação da integral é:
b n
a+b
Z
b − ah X b−a i
f (x)dx ≈ Wi f ( + pi ) (5.39)
a 2 2 2
i=1
118
Exercı́cio 5.1. Aproxime as seguintes integrais usando:
(a) a regra dos trapézios;
(b) as regras de Simpson;

Z 1 Z 1,6 Z 1,5 Z π/2
4 2x 2
(a) x dx; (b) 2
dx; (c) x ln(x)dx; (d) x sin(x)dx.
0.5 1 x −4 1 0
Exercı́cio 5.2. Aproxime as integrais do exercı́cio 4.1 usando
(a) a regra dos trapézios com n = 4;
(b) a regra 1
3 de Simpson com n = 6;
(c) a regra 3
8 de Simpson com n = 9.
R2
Exercı́cio 5.3. Determine o mı́nimo n de subintervalos para aproximar I = 1
0 x+4
dx com
precisão de 10−5 e calcule a aproximação. Use (a) a regra dos trapézios, (b) a regra 31 de
3
Simpson, e (c) a regra 8 de Simpson.
R1
Exercı́cio 5.4. Calcule o valor aproximado da 0
3e−x dx usando:
(a) Regra de trapézios generalizada, com h = 1/5.
(b) Regra 1
3 de Simpson generalizada, com h = 1/6.
(c) Regra 3
8de Simpson generalizada, com h = 1/6.
R 2 cos(x)
Exercı́cio 5.5. Calcule 1 x+2 dx usando 6 subintervalos:
(a) Regra dos trapézios generalizada.
(b) Regra 1/3 de Simpson generalizada.
(c) Regra 3/8 de Simpson generalizada.
Exercı́cio 5.6. Determine o menor número de subintervalos em que podemos dividir o

R 0.7
intervalo [0.1, 0.7] para calcular I = 0.1 (e−3x + 7x)dx usando a regra dos trapézios com um
erro menor ou igual a 0.1. Para esta divisão calcule o valor aproximado de I.
Exercı́cio 5.7. Determine o menor número de subintervalos em que podemos dividir

R 1.8
o intervalo [0.2, 1.8] para calcular 0.2 (x2 + sin(x) + 3)dx com um erro menor a 0.0001
usando:
(a) Regra 1/3 de Simpson generalizada.
(b) Regra 3/8 de Simpson generalizada.

R 5.6
Exercı́cio 5.8. Calcule o valor aproximado de 1.6
(ln(x + 8) − 2x)dx usando a regra 1/3 de
Simpson generalizada com 6 subintervalos e um limitante superior para o erro.
119
R2 2
Exercı́cio 5.9. Calcule o valor aproximado de 0
e−x dx usando n = 6 e (a) a regra dos
trapézios generalizada, (b) a regra 1/3 de Simpson e (c) a regra 3/8 de Simpson. Em cada caso
determine um limitante superior para o erro.
Exercı́cio 5.10. Um radar foi usado para medir a velocidade de um corredor durante os
primeiros 5 segundos de uma corrida (Veja a tabela ). Use a regra 1/3 de Simpson para
estimar a distância que o corredor cobriu durante aqueles 5 segundos.
t(s) 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

v(m/s) 0 4.67 7.34 8.86 9.73 10.22 10.51 10.67 10.76 10.81 10.81
Exercı́cio 5.11. A figura mostra um pêndulo com comprimento L que forma um ângulo
máximo de θ0 com a vertical. Usando a Segunda Lei de Newton, pode ser mostrado que
o perı́odo T (o tempo para um ciclo completo) é dado por
s Z π
L 2 dx
T=4 (5.40)
g 0
q
1 − k2 sin2 (x)
onde k = sin( θ20 ) e g é a aceleração da gravidade. Se L = 1m e θ0 = 42o , use a regra 3/8 de

Simpson com n = 6 para encontrar o perı́odo.
Figura 18: Pêndulo.
R1
Exercı́cio 5.12. Seja a integral I = x
0 1+x2
dx.
(a) Aproxime o integrando por um polinômio de grau 3, p3 , passando pelos pontos

x0 = 0, x1 = 0, 3, x2 = 0, 7 e x3 = 1.
(b) Calcule o valor exato de I.
(c) Calcule o valor aproximado de I usando o polinômio p3 .
Exercı́cio 5.13. O perı́metro p de uma elipse de semi-eixos a e b é dado pela fórmula

Z 2π q
p= a2 sin2 (t) + b2 cos2 (t)dt (5.41)
0
120
Encontre um valor aproximado do perı́metro de uma elipse com semi-eixos a = 2 e b = 1
usando as Regras de Simpson com n = 6.
Exercı́cio 5.14. (a) Utilizando a Fórmula de Simpson, calcule numericamente a integral

definida: Z π
3 2 (t)
I= ecos dt (5.42)
− π3
2 (t)
a partir dos dados da seguinte tabela: onde e = 2.718282 e f (t) = ecos .
t − π3 − π6 0 π
6
π
3
1 3 3 1
f (t) e4 e4 e e 4 e4
(b) Delimite o erro cometido na integração numérica efetuada na parte (a), sabendo
que no intervalo − π3 ≤ t ≤ π
3 temos | f (4) (t)| ≤ 20e.
121
6 O método dos mı́nimos quadrados
Dados n pontos no plano (xi , yi ) com i = 1, · · · , n, desejamos encontrar entre os elementos
de uma famı́lia de funções, uma certa função S(x) que melhor ajuste estes pontos. O termo
melhor ajuste quer dizer que a função S(x) minimiza o error quadrático, isto é, que S(x) é,
entre todas as funções da famı́lia, a que realiza o mı́nimo da expressão
n
X 2
E := S(xi ) − yi .
i=1
6.1 Ajuste linear

Se por exemplo a famı́lia a ser considerada é a famı́lia das retas, então, procuraremos
por uma função S(x) = a0 + a1 x tal que
n
X 2 n
X 2
E = E(a0 , a1 ) := S(xi ) − yi = a0 + a1 xi − yi .
i=1 i=1
seja mı́nimo. Sabemos que isto é possı́vel se as derivadas
∂E ∂E
= = 0.
∂a0 ∂a1
Assim, teremos que
n n n
∂E X X X
= 2(a0 + a1 xi − yi ) = 2 na0 + a1 xi − yi = 0
∂a0
i=1 i=1 i=1
e
n n n n
∂E X X X X
= 2xi (a0 + a1 xi − yi ) = 2 a0 xi + a1 2
(xi ) − yi xi = 0
∂a1
i=1 i=1 i=1 i=1
Dessa forma, resolvendo o sistema linear:

 P P
n n
 a0 n +a1 i=1 xi = i=1 yi


(6.1)
 a0 n xi + a1 n x2 = n yi xi

 P P P
i=1 i=1 i i=1
encontraremos os coeficientes da reta que melhor ajusta os pontos dados.
Exemplo 6.1. Considere os seguintes pontos em R2 : (0, 1), (1, 2), (1.5, 1.5), (2, 2.5) e
(2.3, 2.7). Encontre a reta que melhor ajusta estes pontos.
122
Solução:
Note que n = 5. Organizaremos os pontos numa tabela:
i xi yi x2i xi yi
1 0 1 0 0
2 1 2 1 2
3 1.5 1.5 2.25 2.25
4 2 2.5 4 6.25
5 2.3 2.7 5.29 6.21
soma 6.8 9.7 12.54 15.46
Desse modo, os coeficientes da reta são dados pelos sistema:




 5a0 + 6, 8a1 = 9, 7
 6, 8a0 + 12, 54a1 = 15, 46.


Resolvendo o sistema, obtemos a0 = 1, 00303 e a1 = 0, 68894. A figura (19) mostra

os pontos e a reta y(x) = 1, 00303 + 0, 68894x encontrada.
3.0
2.5
2.0
1.5
1.0
-0.5 0.5 1.0 1.5 2.0 2.5 3.0
Figura 19: Os pontos dados e a reta que melhor os ajusta.
6.2 Qualidade do ajuste

Para saber a qualidade do ajuste linear devemos determinar o grau de associação linear
entre as variáveis {xi } e {yi }. Isto pode ser calculado usando o coeficiente de correlação linear
de Pearson dado pela fórmula:
Pn Pn Pn
n i=1 xi yi i=1 yi
− i=1 xi .
r= q q P (6.2)
n i=1 xi − ( i=1 xi )2 . n ni=1 y2i − ( ni=1 yi )2
Pn 2 Pn P
Observe que r não é afetado pela escolha de x ou y. Permutanto x e y permanece

inalterado. O coeficiente r só mede a intensidade do relacionamenteo linear, e não serve
123
para medir relacionamentos não lineares.
A interpretação do coeficiente r é a seguinte:
• Se r = 1, existe correlação linear perfeita positiva entre as variáveis xi e yi .
• Se r = −1, existe correlação linear perfeita negativa entre as variáveis xi e yi .
• Se r = 0, não existe correlação linear entre as variáveis x e y.
• Se 0 < |r| < 0.3 existe correlação linear fraca.
• Se 0.3 ≤ |r| < 0.6 existe correlação linear moderada.
• Se 0.6 ≤ |r| < 0.9 existe correlação forte.
• Se 0.9 ≤ |r| < 1 existe correlação linear muito forte.
Exemplo 6.2. Dos dados do Exemplo 6.1 temos que
5(15.46) − (6.8)(9.7)
r= p p = 0, 89016.
5(12.54) − (6.8)2 . 5(20.79) − (9.7)2
Por tanto, existe correlação linear forte entre as variáveis x e y dadas.
6.3 Ajuste polinomial

Seguindo a mesma ideia do ajuste linear, podemos encontrar um polinômio de grau p
que melhor ajusta os pontos (xi , yi ), para i = 1, · · · , n. Se esse polinômio é dado pela
expressão
P(x) = a0 + a1 x + a2 x2 + · · · + ap xp ,
então, devemos determinar os coeficientes {a j } tal que o erro quadrático
n
X 2
E= P(xi ) − yi
i=1
seja o menor possı́vel.
124
Podemos verificar que os coeficientes {ai }, com i = 0, · · · , p, satisfazem o sistema de
equações:

p
P P P



 a0 n + a1 ni=1 xi + · · · + ap ni=1 xi = ni=1 yi
p+1
 P P P P
n n n
+ 2 + ··· + a = ni=1 yi xi




 a 0 i=1 x i a 1 x
i=1 i p i=1 ix
 p+2

n 2 +a n n Pn
3
+ + = 2

 a P P P
 0 i=1 x i 1 i=1 x i
· · · ap i=1 x i i=1 yi xi (6.3)
..



.




 Pn p Pn p+1 2p p
P P
+ · · · + ap ni=1 xi = ni=1 yi xi

 a0 i=1 xi + a1 i=1 xi


Exemplo 6.3. Considere os pontos do exemplo anterior: (0, 1), (1, 2), (1.5, 1.5), (2, 2.5)
e (2.3, 2.7). Encontre o polinômio de grau 3 que melhor ajusta estes pontos.
Solução:
Se o polinômio é P(x) = a0 + a1 x + a2 x2 + a3 x3 , então os coeficientes satisfazem o

sistema:
P P P P
a0 n + a1 ni=1 xi + a2 ni=1 x2i + a3 ni=1 x3i = ni=1 yi




 P P P P P
n n n n n
+ 2 + +a + 4 =
 3
a x a x x a x i=1 yi xi

0 i 1 2 3

 i=1
 i=1 i i=1 i i=1 i
n

n

n

n

n
(6.4)
a0 i=1 xi + a1 i=1 xi + +a2 i=1 xi + a3 i=1 xi = i=1 yi x2i
2 3 4 5

 P P P P P




 a0 Pn x3 + a1 Pn x4 + +a2 Pn x5 + a3 Pn x6 = Pn yi x3


i=1 i i=1 i i=1 i i=1 i i=1 i
Substituindo os pontos obtemos:




 5a0 + 6, 8a1 + 12, 54a2 + 24, 542a3 = 9, 7

6, 8a0 + 12, 54a1 + 24, 542a2 + 50, 0466a3 = 15, 46



(6.5)

12, 54a0 + 24, 542a1 + 50, 0466a2 + 104, 957a3 = 29, 658





 24, 542a0 + 50, 0466a1 + 104, 957a2 + 224, 4265a3 = 59, 9134


Resolvendo o sistema anterior segue que a0 = 1, 0224, a1 = 2, 39216, a2 = −2, 2535 e

a3 = 0, 6756. Assim P(x) = 1.02224 + 2.39216x − 2.2535x2 + 0.6756x3 é o polinômio
de grau 3 que melhor ajusta os pontos, o qual está mostrado na figura 20.
6.4 Ajuste à uma curva do tipo y = axb .

Se os pontos parecem se-ajustar melhor a uma curva do tipo y = axb em que a e b são
números reais, então podemos encontrar os valores destes aplicando ln a ambos os lados
da identidade. Assim
ln y = ln a + b ln x (6.6)
Fazendo a mudança de variável Y = ln y e X = ln x, observamos que existe uma relação

linear Y = a0 + a1 X entre as variáveis Y e X em que a0 = ln a e a1 = b. Desse modo,
125
3.0
2.5
2.0
1.5
1.0
0.5 1.0 1.5 2.0
Figura 20: Os pontos dados e o polinômio de grau 3 que melhor os ajusta.
encontrando os coeficientes a0 e a1 da reta que melhor ajusta X e Y, encontramos os

coeficientes a e b da curva y = axb que melhor ajusta x e y. Nesse caso
a = ea0 e b = a1 . (6.7)
Observe que a mudança sugerida só pode ser realizada se yi > 0 e xi > 0 para i =
1, · · · , n.
Exemplo 6.4. Ajuste os pontos (0.5, 1), (1, 2), (1.5, 1.5), (2, 2.5) e (2.3, 2.7) a uma curva
da forma y = axb .
Solução:
Organizaremos os pontos numa tabela realizando a mudança Yi = ln yi e Xi = ln xi :
i xi yi Xi = ln xi Yi = ln yi Xi2 Xi Yi
1 0.5 1 -0,6931 0 0,4803 0
2 1 2 0 0,6931 0 0
3 1.5 1.5 0,4054 0,4054 0,1643 0,1643
4 2 2.5 0,6931 0,9162 0,4803 0,6350
5 2.3 2.7 0,8329 0,9932 0,6937 0,8272
soma 1,2383 3,0079 1,8186 1,6265




 5a0 + 1, 2383a1 = 3, 0079
 1, 2383a0 + 1, 8186a1 = 1, 6265.


Resolvendo obtemos a0 = 0.457176, a1 = 0.583074. Assim a = ea0 = 1, 5796 e b = a1 =

0, 5830 e a curva procurada é y = 1, 5796x0,5830 . Veja a figura 21.
126
2.5
2.0
1.5
1.0
0.5
0.5 1.0 1.5 2.0 2.5
Figura 21: Os pontos dados e a curva y = 1, 5796x0,5830 que melhor os ajusta.
6.5 Ajuste à uma curva do tipo y = abx

Assim como na seção anterior, podemos ajustar melhor os pontos a uma curva da forma
y = abx . Nesse caso aplicando ln obtemos:
ln y = ln a + x ln b (6.8)
Assim a mudança de variável é Y = ln y e X = x. Encontrando a reta que melhor ajusta

X e Y, obtemos os coeficientes a0 = ln a e a1 = ln b. Então a = ea0 e b = ea1 . Repare que os
valores yi devem ser positivos para fazer a mudança sugerida.
Exemplo 6.5. Ajuste os pontos (0.5, 1), (1, 2), (1.5, 1.5), (2, 2.5) e (2.3, 2.7) a uma curva
da forma y = abx .
Solução:
Organizaremos os pontos numa tabela realizando a mudança Yi = ln yi e Xi = xi :
i xi yi X i = xi Yi = ln yi Xi2 Xi Yi
1 0.5 1 0,5 0 0,25 0
2 1 2 1 0,6931 1 0,6931
3 1.5 1.5 1,5 0,4054 2,25 0,6081
4 2 2.5 2 0,9162 4 1,8324
5 2.3 2.7 2,3 0,9932 5,29 2,28436
soma 7,3 3,0079 12,79 5,4179




 5a0 + 7, 3a1 = 3, 0079
 7, 3a0 + 12, 79a1 = 5, 4179.


Resolvendo obtemos a0 = −0.101279, a1 = 0.48141. Assim a = ea0 = 0, 9036 e
127
b = ea1 = 1, 6183 e a curva procurada é y = 0, 9036(1, 6183)x . Veja a figura 22.
3.0
2.5
2.0
1.5
1.0
0.5 1.0 1.5 2.0 2.5
Figura 22: Os pontos dados e a curva y = 0, 9036(1, 6183)x que melhor os ajusta.
6.6 Caso contı́nuo

Uma outra maneira de aproximar uma função f (x) no intervalo [a, b] é encontrar uma
função polinomial Pn (x) que tenha o menor erro quadrático no intervalo dado. Se f :
[a, b] → R e
Pn (x) = a0 + a1 x + · · · + an xn
é o polinômio aproximante de grau n, então Pn (x) minimiza o erro quadrático

Z b 2
E(a0 , a1 , · · · , an ) = f (x) − Pn (x) dx,
a
o qual ocorre quando

∂E
= 0 para todo i = 0, 1, · · · , n.
∂ai
Observe que
Z b n
X Z b n X
X n Z b
E= f 2 (x)dx − 2 aj f (x)x j dx + ak a j x j+k dx,
a j=0 a k=0 j=0 a
e derivando
b n b
∂E
Z X Z
= −2 x f (x) + 2
i
aj xi+j dx, com i = 0, · · · , n.
∂ai a a
j=0
Igualando estas derivadas a zero, obtemos n + 1 equações:
n
X Z b Z b
aj i+j
x dx = xi f (x)dx,
j=0 a a
128
isto é, devemos resolver o sistema:
 Rb Rb Rb Rb
 a0 a dx + a1 a xdx + · · · + an a xn dx = f (x)dx
R ab


 Rb Rb Rb
 a0 a xdx + a1 a x dx + · · · + an a x dx =
 2 n+1 x f (x)dx


a

 .. .. (6.9)
. = .





 a b xn dx + a b xn+1 dx + · · · + a b x2n dx
 R R R Rb
= xn f (x)dx

0 a 1 a n a a
Exemplo 6.6. Encontre a aproximação polinomial de grau 2 que minimiza o erro

quadrático para a função f (x) = sin x no intervalo [0, π].
Solução:
Pelas equações 6.9, se P2 (x) = a0 + a1 x + a2 x2 então devemos resolver o sistema

Rπ Rπ Rπ Rπ
a0 0 dx + a1 0 xdx + a2 0 x2 dx =

 sin xdx

 Rπ Rπ Rπ R π0
a0 0 xdx + a1 0 x dx + a2 0 x dx =

 2 3 x sin xdx
R 0π

 a π x2 dx + a π x3 dx + a π x4 dx =

 R R R
x2 sin xdx

0 0 1 0 2 0 0
Assim
π2 π3

πa0 + a1 + a2 =


 2
2 3


π2 π3 π4



a0 + a1 + a2 = π



 2 3 4
π π π

 3 4 5

a0 + a1 + a2 = −4 + π2



3 4 5
Resolvendo:
12(−10 + π2 ) 60(−12 + π2 ) 60(−12 + π2 )
a1 = = −0.050465, a1 = − = 1.31224, a2 = = −0.417698.
π3 π4 π5
Por tanto P2 (x) = −0.050465 + 1.31224x − 0.417698x2 . Veja a figura 23.
1.0
0.8
0.6
0.4
0.2
0.5 1.0 1.5 2.0 2.5 3.0
Figura 23: A função y = sin(x) e o polinômio P2 (x) aproximante pelo método do erro
quadrático mı́nimo.
Exercı́cio 6.1. Os seguintes dados mostram a relação entre o peso e a altura de homens
e mulheres. Encontre a reta de ajuste linear em cada caso.
129
Homens
peso 80 85 77 93 65
altura 1.80 1.83 1.80 1.86 1.70
Mulheres
peso 50 70 55 85 60
altura 1.65 1.90 1.60 1.78 1.65
Exercı́cio 6.2. Considere um experimento em que se analisa a octanagem da gasolina

(y) em função de um aditivo (x). Para isto foram realizados ensaios com os percentuais
de 1, 2, 3, 4, 5 e 6 por cento do aditivo. Os dados foram os seguintes:
aditivo 1% 2% 3% 4% 5% 6%
octanagem 80.5 81.6 82.1 83.7 83.9 85.0
Determine a reta que melhor se ajusta a estes dados.
Exercı́cio 6.3. Encontre um polinômio de grau 2 que se ajusta melhor aos seguintes
dados:
xi -2 -1 0 1 2 3
yi -0.01 0.51 0.82 0.88 0.81 0.49
Exercı́cio 6.4. O número de bactérias, por unidade de volume, existente em uma cultura
depois de x horas é apresentado pela tabela. Ajuste os dados tabulados a uma curva
exponencial da forma y = abx e avaliar y para x = 4, 7.
xi 0 1 2 3 4 5 6
yi 32 47 65 92 132 190 275
Exercı́cio 6.5. A tabela abaixo fornece uma relaçãoo entre a temperatura da água e a
pressão barométrica. Ajustar os dados a uma função potência y = axb .
p(mm de Hg) 680 690 700 710 720 730 740

T(o C) 96.92 97.32 97.71 98.11 98.49 98.88 99.26
Exercı́cio 6.6. A tabela abaixo fornece uma relação entre resistência à tração do aço em
função da temperatura. Ajustar os dados a um polinômio de grau 4.
T(o C) 250 330 412 485 617

σ(kg/cm2 ) 5720 5260 4450 2780 1500
Exercı́cio 6.7. Os dados abaixo referem-se a variação do coeficiente de atrito (µ), entre
a roda e o trilho seco, com a velocidade. Ajustar os dados a um polinômio de grau 5.
V(km/h) 0 10 20 30 40 60 70
µ 0.450 0.313 0.250 0.215 0.192 0.164 0.154
Exercı́cio 6.8. Os dados abaixo relacionam a viscosidade ν em função da temperatura

T. Ajustar os dados a uma função potência y = abx .
130
T(o C) 7.5 10.9 14 15 16 18 21
ν 1.409 1.276 1.175 1.148 1.121 1.069 0.990
Exercı́cio 6.9. A relação entre consumo e renda é uma das mais importantes para cons-
truir modelos de previsão em macroeconomia. O seguinte modelo foi proposto para
relacionar o consumo privado neto y (em milhões de reais) de um certo pais e a renda
per cápita x (em reais) do mesmo:
y = axb .
x 730 800 880 970 1050 1100

y 2200 2500 2600 2680 2750 3000
Encontre os valores de a e b que ajustam melhor os dados.
Exercı́cio 6.10. Os pneus de um carro precisam ser calibrados frequentemente. Uma

pressão inferior ou superior à indicada pode causar o desgaste prematuro do pneu. A
tabela abaixo mostra a vida de um pneu y (em 1000 milhas) para diferentes valores da
pressão x (em psi=libra por polegada quadrada) nele.
psi 26 28 31 35 38 42 45
milhas 50 66 78 81 74 70 59
Encontre um modelo que aproxima estes dados usando um polinômio de grau 2. Grafi-
que a curva com uma calculadora e compare com os valores da tabela. Como encontrar
o valor da pressão para o qual a vida útil do pneu é a maior possı́vel?
Exercı́cio 6.11. A relação entre o peso y e o comprimento corporal x permite calcular

um parm̂etro que determina o grau de bem estar do peixe, denominado de Fator de
Condição (K). No caso de espécie Piapara, um estudo determinou os seguintes dados
x cm 20 24 30 36 39 45 47 49 56
y gramas 350 400 650 1050 1450 2100 2200 2400 3200
Encontre um modelo y = axb que melhor ajusta estes dados.
Exercı́cio 6.12. Encontre as melhores aproximações de grau 1 e 2 que minimizam o erro

√
quadrático para a função y = x no intervalo [0, 1].
131
7 Resolução Numérica de Equações Diferenciais Ordinárias
7.1 Introdução
Muitas leis na ciência são baseados em modelos que explicam variações de propriedades
e estados de sistemas descritos por equações diferenciais. Estas equações aparecem em
ciência e engenharia, mas também em economia, ciências sociais, biologia, negocios,
etc. Por isso, estudar as técnicas para resolvê-las tem-se convertido em uma matéria
fundamental, senão obrigatória, para quem deseja abordar, fórmular ou resolver os
problemas que estas áreas apresentam.
7.2 Preliminares
Uma equação diferencial ordinária (edo) de primeira ordem é uma equação da forma
y0 = f (x, y)
dy
em que f : R2 → R é uma função contı́nua, e y0 = dx é a derivada de y em relação a x.
Resolver esta equação consiste em determinar uma solução y = φ(x), ou seja, encontrar
uma função φ que satisfaz
φ0 (x) = f (x, φ(x)).
Exigindo que φ(x0 ) = y0 , obteremos o problema de valor inicial (PVI)


 y = f (x, y)

 0
(7.1)
 y(x0 ) = y0


A condição y(x0 ) = y0 é chamada condição inicial do PVI.

Embora existam técnicas para resolver certas equações diferenciais, para a maioria
delas não existe uma maneira direta de achar uma expressão analı́tica da solução φ(x).
Nestes casos, só é possı́vel determinar uma solução numérica de φ(x). Resolver numeri-
camente uma equação diferencial significa obter um conjunto de pontos (xn , yn ) tais que
yn aproxima o valor da função em xn ,
φ(xn ) ≈ yn
e supor, então que os pontos (xn , yn ) definem aproximadamente φ. Desse modo uma
boa aproximação de φ é a função que interpola estes pontos.
Seja N + 1 o número de pontos. Suponha que os pontos xn , n = 0, 1, ..., N são igual-
mente espaçados, isto é
xN − x0
xn = x0 + nh, ∀n = 0, 1, ..., N, e h = .
N
Cada método numérico para resolver o problema de valor inicial depende da forma
132
Figura 24: Interpretação geométrica da solução numérica.
com a qual escolhemos as aproximações yn . No que segue apresentaremos o Método de

Euler e os Métodos de Runge-Kutta.
7.3 O Método de Euler

O Método de Euler está baseado em aproximar os valores dos yn usando a reta tangente
à solução y = φ(x). Por exemplo, suponha que desejamos calcular a aproximação y1 a
partir da aproximação y0 , em que y0 é o valor inicial. Como sabemos que a derivada é a
inclinação K da reta tangente no ponto (x0 , y0 ), podemos escrever,
K = φ0 (x0 ).
Então a equação L(x) da reta tangente é
(y − y0 ) = K(x − x0 ), ou L(x) = y = y0 + φ0 (x0 )(x − x0 )
Figura 25: Interpretação geométrica do Método de Euler.
Mas φ(x) é solução do PVI, então φ0 (x0 ) = f (x0 , y0 ). Como no Método de Euler a reta
133
tangente L aproxima φ temos que:
φ(x1 ) ≈ y1 = L(x1 ) = y0 + φ0 (x0 )(x1 − x0 ) = y0 + f (x0 , y0 )(x1 − x0 ). (7.2)
Lembrando que h = x1 − x0 , concluimos que
y1 = y0 + h f (x0 , y0 ).
Tendo determinado a aproximação (x1 , y1 ), podemos supor que o PVI possui agora
a condição inicial (x1 , y1 ). Com ela podemos determinar a seguinte aproximação y2 .
Fazendo a mesma análise, obtem-se
y2 = y1 + h f (x1 , y1 ).
Em forma geral, a fórmula para o Método de Euler é:
yn+1 = yn + h f (xn , yn ), ∀n = 0, 1, ...., N − 1. (7.3)
Exemplo 7.1. Pelo método de Euler, determine numericamente uma aproximação

de y(1) no PVI 
 y =x −y

 0 3
(7.4)
 y(0) = 2


Use N = 4.
Solução:
Observe que f (x, y) = x3 − y, x0 = 0 e y0 = 2. Como desejamos y(1), x4 = 1 e então

x ∈ [0, 1]. Assim
1−0
h= = 0, 25; x0 = 0; x1 = 0, 25; x2 = 0, 5; x3 = 0, 75 e x4 = 1.
4
Queremos determinar y4 que aproxima y(1). Pela fórmula
yn+1 = yn + h f (xn , yn ), ∀n = 0, 1, ...., N − 1.
temos que , para n = 0, 1, ..., 3
yn+1 = yn + h f (xn , yn ), ou yn+1 = yn + 0, 25(x3n − yn )
Se n = 0, teremos y1 = y0 + 0, 25(x30 − y0 ). Substituindo
y1 = 2 + 0, 25(03 − 2) = 1, 5.
134
Se n = 1, teremos y2 = y1 + 0, 25(x31 − y1 ). Substituindo
y2 = 1, 5 + 0, 25(0, 253 − 1, 5) = 1, 12890
Continuando
y3 = y2 + 0, 25(x32 − y2 ) = 0, 8779
e
y4 = y3 + 0, 25(x33 − y3 ) = 0, 7638.
Dessa forma, y(1) ≈ 0, 7638.
Repare que o PVI do Exemplo 7.1 pode-se resolver analı́ticamente. A sua solução é
y(x) = x3 − 3x2 + 6x − 6 + 8e−x
Na figura abaixo apresentamos a verdadeira solução e comparamos com as aproximações

obtidas pelo método de Euler.
Figura 26: Solução real e solução aproximada do PVI do Exemplo 7.1.
No Exemplo 7.1 existia uma solução analı́tica do PVI. Agora apresentaremos um

exemplo no não temos uma expressão analı́tica da solução. Então a única maneira
de acessar à solução é a análise numérica.
Exemplo 7.2. Determine numericamente uma aproximação de y(3) no PVI
y2 −x

 y0 = 5


(7.5)
 y(0) = 1


Use N = 6.
135
Solução:
y2 −x
Observe que N = 6, f (x, y) = 5 , x0 = 0 e y0 = 1. Então
3−0
h= = 0, 5, e x0 = 0; x1 = 0, 5; x2 = 1; x3 = 1, 5; x4 = 2; x5 = 2, 5; x6 = 3.
6
y2 −x
Substituindo na equação yn+1 = yn + h f (xn , yn ) = yn + 0, 5 n 5 n . Se n = 0 então
y20 − x0 12 − 0
y1 = y0 + 0, 5 = 1 + 0, 5 = 1, 1.
5 5
Com este y1 podemos calcular y2 . Se n = 1 então
y21 − x1 1, 12 − 0, 5
y2 = y1 + 0, 5( ) = 1, 1 + 0, 5 = 1, 171.
5 5
Continuando este processo, calculamos
y22 − x2 1, 1712 − 1
y3 = y2 + 0, 5 = 1, 171 + 0, 5 = 1, 2081
5 5
y2 − x3 1, 20812 − 1, 5
y4 = y3 + 0, 5 3 = 1, 2081 + 0, 5 = 1, 3040
5 5
y2 − x4 1, 30402 − 2
y5 = y4 + 0, 5 4 = 1, 3040 + 0, 5 = 1, 2740
5 5
y25 − x5 1, 27402 − 2, 5
y6 = y5 + 0, 5 = 1, 2740 + 0, 5 = 1, 1863
5 5
Na figura abaixo mostramos o gráfico dos pontos que aproximam a solução do

Exemplo 7.2.
Figura 27: Solução aproximada do PVI do Exemplo 7.2.
136
7.4 Métodos de Runge-Kutta
Como no Método de Euler, sejam (x0 , y0 ) as condições iniciais e φ(x) a solução do PVI:

 y = f (x, y)

 0
(7.6)
 y(x0 ) = y0


Repare que a aproximação dada pelo Método de Euler possui um erro pois utilizamos
a reta tangente L1 = L para aproximar o valor de φ(x1 ), o que nos da somente uma
aproximação linear. Seja K1 a inclinação de L1 , ou seja,
K1 = f (x0 , y0 ).
O problema de determinar φ(x1 ) estaria resolvido se, por acaso, conseguirmos en-
contrar a inclinação K∗ da reta secante L∗ que passa pelos pontos (x0 , y0 ) e (x1 , φ(x1 )).
Pois
φ(x1 ) = y0 + hK∗ . (7.7)
Porém, encontrar K∗ é tão dificil quanto achar φ(x1 ).
Figura 28: A reta L∗ .
A ideia genial do Carl Runge e o Martin Wilhelm Kutta foi escolher uma aproximação
de K∗ utilizando a função f (x, y) e compará-la com a série de Taylor de φ(x). Explica-
remos esta ideia no método de Runge-Kutta de Ordem 2 a seguir.
7.4.1 Métodos de Runge-Kutta de Ordem 2
Nos métodos de Runge-Kutta de ordem 2, aproximamos K∗ utilizando duas inclinações.

Para isso, considere um número real a2 ∈ [0, 1] e defina o ponto
P1 = (x0 + a2 h, yn + a2 hK1 )
137
que está sobre a reta tangente L1 e cuja abscissa é x0 + a2 h. Como f (x, y) é a inclinação
da reta tangente da solução do PVI, que passa pelo ponto (x, y), podemos definir uma
reta que passa por P1 com inclinação
K2 = f (P1 ) = f (x0 + a2 h, y0 + a2 hK1 ).
Esta reta pode ser transladada ao ponto (x0 , y0 ) para obter uma reta L2 com inclinação
K2 .
Figura 29: Interpretação geométrica do Método de Runge-Kutta de ordem 2.
Com estas duas retas L1 e L2 podemos aproximar a inclinação K∗ . O critério escolhido

pelo Runge e o Kutta para aproximar K∗ foi considerar a média ponderada de K1 e K2 .
Desse modo, considerando c1 , c2 ∈ [0, 1] tal que c1 + c2 = 1, a aproximação de K∗ é
K∗ ≈ c1 K1 + c2 K2 .
Substituindo na equação (7.7), podemos dizer que φ(x1 ) é aproximada por y1 :
φ(x1 ) ≈ y1 = y0 + h(c1 K1 + c2 K2 ). (7.8)
Até este ponto, os valores de a2 , c1 e c2 foram arbitrários. Mas, substituindo na

série de Taylor da Solução φ(x) é possı́vel mostrar (depois de algumas contas) que estes
coeficientes estão relacionados pelas seguintes equações:
1
c1 + c2 = 1, e a2 c2 = .
2
Como este sistema de equações tem infinitas soluções, podemos definir infinitos
métodos de Runge-Kutta de ordem 2, um para cada solução. Nestes métodos precisamos
de duas inclinações para encontrar y1 :
y1 = y0 + h(c1 K1 + c2 K2 )




K1 = f (x0 , y0 )

(7.9)




 K = f (x + a h, y + a hK )

2 0 2 0 2 1
138
Generalizando para os pontos xn , obtemos para todo n = 0, 1, ..., N − 1:
yn+1 = yn + h(c1 K1 + c2 K2 )




K1 = f (xn , yn )

(7.10)




 K = f (x + a h, y + a hK )

2 n 2 n 2 1
Os métodos de Runge-Kutta de ordem 2 mais utilizados são:
(a) O Método de Euler Modificado. Neste caso c1 = 0, c2 = 1, a2 = 1/2. Para

n = 0, 1, ..., N − 1, as fórmulas são
yn+1 = yn + hK2




K1 = f (xn , yn )

(7.11)



 K = f (x + h , y + hK1 )


2 n 2 n 2
(b) O Método de Euler Melhorado ou Aperfeiçoado. Neste caso c1 = 1/2, c2 =

1/2, a2 = 1. Para n = 0, 1, ..., N − 1, as fórmulas são
yn+1 = yn + 2h (K1 + K2 )




K1 = f (xn , yn )

(7.12)




 K = f (x + h, y + hK )

2 n n 1
Exemplo 7.3. Pelo Método de Euler Aperfeiçoado, determine numericamente uma

aproximação de y(1) no PVI 
 y =x −y

 0 3
(7.13)
 y(0) = 2


Use N = 4.
Solução:
Observe que f (x, y) = x3 − y, x0 = 0 , y0 = 2 e N = 4. Como antes
1−0
h= = 0, 25; x0 = 0; x1 = 0, 25; x2 = 0, 5; x3 = 0, 75; x4 = 1.
4
Queremos determinar y4 que aproxima y(1). Pela fórmula do Método de Euler

Aperfeiçoado:
h
yn+1 = yn + (K1 + K2 ), ∀n = 0, 1, ...., N − 1.
2
onde 


 K1 = f (xn , yn )
 K2 = f (xn + h, yn + hK1 )


139
Se n = 0, teremos
K1 = f (x0 , y0 ) = x30 − y0 = 03 − 2 = −2
K2 = f (x0 + h, y0 + hK1 ) = f (0 + 0.25, 2 + 0.25(−2)) = f (0.25, 1.5) = −1, 4843.
Por tanto
h 0.25
y1 = y0 + (K1 + K2 ) = 2 + (−2 − 1, 4843) = 1, 5644
2 2
Se n = 1, teremos
K1 = f (x1 , y1 ) = x31 − y1 = 0, 253 − 1, 5644 = −1, 5487
K2 = f (x1 +h, y1 +hK1 ) = f (0.25+0.25, 1.5644+0.25(−1.5487)) = f (0.5, 1.1772) = −1.0522
Por tanto
h 0.25
y2 = y1 + (K1 + K2 ) = 1, 5644 + (−1, 5487 − 1, 0555) = 1.2388.
2 2
Se n = 2, teremos
K1 = f (x2 , y2 ) = x32 − y2 = 0, 53 − 1, 2388 = −1, 1138
K2 = f (x2 +h, y2 +hK1 ) = f (0.5+0.25, 1.2388+0.25(−1.1138)) = f (0.75, 0.9603) = −0.5384
Por tanto
h 0.25
y3 = y2 + (K1 + K2 ) = 1, 2388 + (−1, 1138 − 0, 5384) = 1.0322.
2 2
Se n = 3, teremos
K1 = f (x3 , y3 ) = x33 − y3 = 0, 753 − 1, 0322 = −0, 6103.
K2 = f (x3 + h, y3 + hK1 ) = f (0.75 + 0.25, 1.0322 + 0.25(−0.6103)) = f (1, 0.8796) = 0.1204
Por tanto
h 0.25
y4 = y3 + (K1 + K2 ) = 1, 0322 + (−0.6103 + 0, 1204) = 0.9709
2 2
De novo, comparando com a solução verdadeira
y(x) = x3 − 3x2 + 6x − 6 + 8e−x
concluı́mos que, como visto na figura abaixo, a solução pelo Método Aperfeiçoado é
melhor que à obtida pelo Método de Euler.
140
7.4.2 Métodos de Runge Kutta de Ordem 3
Os métodos de Runge-Kutta de ordem 3 utilizam 3 inclinações para aproximar K∗ .

Ao igual que nos métodos de ordem 2, escolhemos a2 ∈ [0, 1] e definimos o ponto
P1 = (x0 + a2 h, y0 + a2 hK1 )
Com este ponto definimos a inclinação
K2 = f (P1 ) = f (x0 + a2 h, y0 + a2 hK1 )
Para determinar uma terceira inclinação, repetimos o processo anterior para K2 , ou seja,
escolhemos a3 ∈ [0, 1] e um ponto P2 dado por
P2 = (x0 + a3 h, y0 + a3 hK2 )
Com este ponto podemos definir a inclinação K3 dada por
K3 = f (P2 ) = f (x0 + a3 h, y0 + a3 hK2 )
Então a média ponderada de K1 , K2 e K3 será a nossa aproximação de K∗ :
K∗ = c1 K1 + c2 K2 + c3 K3 ,
em que c1 + c2 + c3 = 1. Substituindo na equação (7.7), a aproximação de φ(x1 ) é
y1 = y0 + h(c1 K1 + c2 K2 + c3 K3 ).
141
Generalizando para o ponto (xn , yn ):



 yn+1 = yn + h(c1 K1 + c2 K2 + c3 K3 )

K1 = f (xn , yn )




K2 = f (xn + a2 h, yn + a2 hK1 )





K3 = f (xn + a3 h, yn + a3 hK2 )



Comparando com a série de Taylor de φ(x) (e depois de muitas contas), segue que
a2 , a3 , c1 , c2 e c3 estão relacionados pelas equações:
1 1 1
c1 + c2 + c3 = 1, c2 a2 + c3 a3 = , a3 c3 a2 = , e c2 a22 + c3 a23 = .
2 2 3
Como o sistema anterior tem infinitas soluções, existirão infinitos Métodos de Runge-
Kutta de ordem 3 (um para cada solução).
Os métodos de Runge-Kutta de ordem 3 mais utilizados são:
(a) O Método de Heun. Neste caso c1 = 1/4, c2 = 0, c3 = 3/4, a2 = 1/3, a3 = 2/3.

Para n = 0, 1, ..., N − 1, as fórmulas são



 yn+1 = yn + h4 (K1 + 3K3 )

K1 = f (xn , yn )



(7.14)

K2 = f (xn + h3 , yn + hK3 1 )





 K3 = f (xn + 2h , yn + 2hK2 )


3 3
(b) O Método de Nystrom. Neste caso c1 = 1/4, c2 = 3/8, c3 = 3/8, a2 = 2/3, a3 =

2/3. Para n = 0, 1, ..., N − 1, as fórmulas são



 yn+1 = yn + 8h (2K1 + 3K2 + 3K3 )

K1 = f (xn , yn )



(7.15)

2hK1
K2 = f (xn + 2h
3 , yn + 3 )





2hK2
K3 = f (xn + 2h
3 , yn + 3 )



Exemplo 7.4. Pelo Método de Nystrom, determine numericamente uma aproximação

de y(1) no PVI 
 y =x −y

 0 3
(7.16)
 y(0) = 2


Use N = 4.
142
Solução:
Do enunciado f (x, y) = x3 − y, x0 = 0, y0 = 2, e
1−0
h= = 0, 25; x0 = 0; x1 = 0, 25; x2 = 0, 5; x3 = 0, 75; x4 = 1.
4
Se n = 0, obteremos
K1 = f (x0 , y0 ) = f (0, 2) = −2
2h 2hK1
K2 = f (x0 + , y0 + ) = f (0.16666, 1.66666) = −1.6620.
3 3
2h 2hK2
K3 = f (x0 + , y0 + ) = f (0.16666, 1.723) = −1.7183
3 3
Por tanto
h
y1 = y0 + (2K1 + 3K2 + 3K3 ) = 1.5424.
8
Continuando este processo, encontramos que
y2 = 1, 2142; y3 = 1, 0025; y4 = 0, 9338.
Assim, o valor procurado é y(1) ≈ 0, 9338.
Sabemos que a solução verdadeira é
y(x) = x3 − 3x2 + 6x − 6 + 8e−x
Da figura abaixo podemos verificar que método de Nystrom fornece uma melhor
aproximação que o método de Euler Aperfeiçoado.
143
7.4.3 O Método de Runge-Kutta de Ordem 4
Como é claro, os Métodos de Runge-Kutta de Ordem 4 utilizam 4 inclinações para

aproximar K∗ . Estas inclinações são as seguintes
K1 = f (xn , yn )
K2 = f (xn + a2 h, yn + a2 hK1 )
K3 = f (xn + a3 h, yn + a3 hK2 )
K4 = f (xn + a4 h, yn + a4 hK3 )
A aproximação de K∗ será dada pela média ponderada
K∗ ≈ c1 K1 + c2 K2 + c3 K3 + c4 K4 ,
e yn+1 será dado por
yn+1 = yn + h(c1 K1 + c2 K2 + c3 K3 + c4 K4 )
onde a2 , a3 , a4 ∈ [0, 1] e c1 + c2 + c3 + c4 = 1.
Como nos métodos anteriores existem relações entre os coeficientes a1 , a2 , a3 e c1 , c2 , c2 , c4 .
Para nossos propósitos, só precisamos do método de ordem 4 no qual a2 = 12 , a2 = 12 , a3 =
1 e c1 = 16 , c2 = 13 , c3 = 13 , c4 = 61 .
Com os dados anteriores, o método de Runge-Kutta de ordem 4 é definido pelas

fórmulas, ∀n = 0, 1, ..., N − 1:




 yn+1 = yn + h6 (K1 + 2K2 + 2K3 + K4 )
K1 = f (xn , yn )





hK1
K2 = f (xn + h2 , yn +

2 )
(7.17)



hK2

K3 = f (xn + 2 , yn
h
+ 2 )





K4 = f (xn + h, yn + hK3 )



7.5 Sistemas de Equações Diferenciais Ordinárias

Um sistema de (duas) equações diferenciais é um sistema da forma
y0 = f (x, y, z)




z0 = g(x, y, z)

(7.18)




 y(x ) = y , z(x ) = z

0 0 0 0
que possui uma variável independente x e duas variáveis dependentes y e z. As ex-

pressões y0 e z0 são as derivadas de y e z em relação a x e as condições y(x0 ) = y0 e
144
z(x0 ) = z0 são chamadas condições iniciais. Resolver este sistema significa encontrar
duas funções y(x) e z(x) que verificam as equações (7.18):
y (x) = f (x, y(x), z(x))

 0



z (x) = g(x, y(x), z(x))

 0



 y(x ) = y , z(x ) = z

0 0 0 0
Suponha que desejamos resolvê-lo em N + 1 pontos separados igualmente por uma

constante h:
x0 ; x1 = x0 + h; x2 = x0 + 2h; ...; xN = x0 + Nh.
xN −x0
Isto é h = N .
Defina uma nova variável dependente de x
U = (y, z),
e uma função de várias variáveis
F(x, U) = F(x, y, z) = ( f (x, y, z), g(x, y, z)).
Assim o sistema (7.18) pode ser escrito na forma



 U0 = F(x, U)
(7.19)

 U(x0 ) = (y(x0 ), z(x0 )) = (y0 , z0 )


que é um Problema de Valor Inicial de primeira ordem em duas variáveis. O PVI

(7.19) pode ser resolvido usando algum dos Métodos estudados nas seções anteriores,
aplicando as fórmulas à função F(x, U) ao invés de à função f (x, y). Deve-se ter cuidado
que F(x, U) é uma função vetorial. Por exemplo, adaptando o Método de Euler a este
sistema, as fórmulas para as aproximação de y e de z são:
Un+1 = Un + hF(xn , Un )
ou, equivalentemente
(yn+1 , zn+1 ) = (yn , zn ) + hF(xn , yn , zn ) = (yn , zn ) + h( f (xn , yn , zn ), g(xn , yn , zn )).
Isolando yn+1 e zn+1 , 

 yn+1 = yn + h f (xn , yn , zn )


(7.20)
 zn+1 = zn + hg(xn , yn , zn )


Assim as equações do Método de Euler para um sistema de duas equações diferenciais

são as seguintes:
145
Para todo n = 0, 1, ..., N − 1,

 yn+1 = yn + h f (xn , yn , zn )


(7.21)
 zn+1 = zn + hg(xn , yn , zn )


com condições iniciais x0 , y0 e z0 .
Exemplo 7.5. Resolva o sistema pelo método de Euler
y = x2 − y2 + 2z
 0



z0 = xy − z2

(7.22)




 y(0) = 1, z(0) = 2

determinando y(1) e z(1), com N = 3.
Solução:
Observe que f (x, y, z) = x2 − y2 + 2z e g(x, y, z) = xy − z2 . Defina U = (y, z) e
F(x, U) = F(x, y, z) = ( f (x, y, z), g(x, y, z)) = (x2 − y2 + 2z, xy − z2 )
e x0 = 0, y0 = 1 e z0 = 2. Como x ∈ [0, 1], h = 1−0

3 = 1/3. Os pontos xn são
x0 = 0, x1 = 1/3 = 0.3333; x2 = 2/3 = 0.6666; x3 = 1.
Pelas fórmulas de Euler, para n = 0, 1, ..., N − 1,


 yn+1 = yn + h f (xn , yn , zn ) = yn + h(xn − yn + 2zn )

 2 2
 zn+1 = zn + hg(xn , yn , zn ) = zn + h(xn yn − z2n )



com condições iniciais y0 = 1 e z0 = 2.

Se n = 0,

 y1 = y0 + h(x0 − y0 + 2z0 ) = 1 + (1/3)(0 − 1 + 2(2)) = 2

 2 2 2 2
 z1 = z0 + h(x0 y0 − z2 ) = 2 + (1/3)((0)(1) − (2)2 ) = 0.6666



0
Se n = 1,

 y2 = y1 + h(x1 − y1 + 2z1 ) = 2 + (1/3)((0.3333) − (2) + 2(0.6666)) = 1, 1480

 2 2 2 2
 z2 = z1 + h(x1 y1 − z2 ) = 0.6666 + (1/3)((0.3333)(2) − (0.6666)2 ) = 0.7406



1
146
Se n = 2,

 y3 = y2 + h(x2 − y2 + 2z2 ) = 1, 1480 + (1/3)(0.6666 − 1, 1480 + 2(0.7406)) = 1, 3505

 2 2 2 2
z3 = z2 + h(x2 y2 − z22 ) = 0, 7406 + (1/3)((0.6666)(1, 1480) − (0, 7406)2 ) = 0.8128.




Por tanto, as aproximações de y(1) e z(1) são y3 = 1, 3505 e z3 = 0, 8128.
Observação 7.1. Duas observações são importantes:
(a) Pode-se utilizar a mesma técnica para resolver numericamente sistemas de n

equações.
(b) É possı́vel adaptar também os Métodos de Runge-Kutta para resolver sistemas

de equações.
7.5.1 Aplicação a equações diferenciais de segunda ordem
A solução numérica de um sistema de equações lineares pode-se aplicar para resolver

equações diferenciais ordinárias de segunda ordem da forma
y00 = g(x, y, y0 ) (7.23)
sujeito as condições iniciais y(x0 ) = y0 e y0 (x0 ) = y00 . A ideia é fazer a mudança
z = y0
e então
z0 = y00 = g(x, y, y0 ) = g(x, y, z).
Assim, o sistema (7.23) transforma-se no PVI de primeira ordem com duas equações:
y0 = z




z0 = g(x, y, z)

(7.24)




 y(x ) = y , z(x ) = y0

0 0 0 0
que tem a forma do sistema (7.18) em que f (x, y, z) = z. Por tanto pode ser resolvido
numericamente pelo método de Euler dado pelas equações (7.21).
Exemplo 7.6. Resolva pelo método de Euler o PVI de segunda ordem
mu00 + ku = au0 − b(u0 )3
em que m = 1, k = 1, a = 2, b = 3, u(0) = 1, u0 (0) = −0.5. Determine aproximada-
147
mente u(1) com N = 3.
Solução:
Substituindo os dados a equação fica:
u00 = −u + 2u0 − 3(u0 )3 .
Fazendo y = u e z = u0 , então y0 = u0 = z e z0 = u00 . Logo, obtemos um sistema de

equações de primeira ordem



 y0 = z
 z0 = −y + 2z − 3z3


com condições iniciais y0 = y(0) = u(0) = 1 e z0 = z(0) = u0 (0) = −0.5. Como

x ∈ [0, 1] e N = 3 então
1−0
h= = 0, 3333.
3
Assim x1 = 0; x2 = 0.3333; x3 = 0.6666; x4 = 1. Pelas equações (7.21), as aproximação
de yn+1 e zn+1 são



 yn+1 = yn + h f (xn , yn , zn ) = yn + hzn
 zn+1 = zn + hg(xn , yn , zn ) = zn + h(−yn + 2zn − 3z3n )


Se n = 0,



 y1 = y0 + hz0 = 1 + 0.3333(−.5) = 0.8333
 z1 = z0 + h(−y0 + 2z0 − 3z3 ) = −0.5 + 0.3333(−1 + 2(−0.5) − 3(−0.5)3 ) = −1.0416


0
Se n = 1,
y2 = y1 + hz1 = 0.8333 + 0.3333(−1.0416) = 0.4861





z2 = z1 + h(−y1 + 2z1 − 3z31 ) =





 −1.0416 + 0.3333(−0.8333 + 2(−1.0416) − 3(−1.0416)3 ) = −0.8837

Se n = 2,
y3 = y2 + hz2 = 0.4861 + 0.3333(−0.8837) = 0.1915





z3 = z2 + h(−y2 + 2z2 − 3z32 ) =





 −0.8837 + 0.3333(−0.4861 + 2(−0.8837) − 3(−0.8837)2 ) = −0.9447

Assim, u(1) = y(1) ≈ 0.1915 e u0 (1) = z(1) ≈ −0.9447.
148
7.6 Resolução numérica de um problema de valores de contorno
Sejam p(x), q(x) and r(x) funções contı́nuas no intervalo [a, b].
Um problema de valores de contorno (ou simplesmente PVC) consiste em resolver

a equação diferencial de segunda ordem da forma:
y00 + p(x)y0 + q(x)y = r(x) (7.25)
sujeita às condições de contorno y(a) = α e y(b) = β.
Figura 32: A Solução do PVC e os pontos que a aproximam.
Suponha que y = φ(x) é a solução do PVC anterior. Então das condições de contorno
temos que φ(a) = α e φ(b) = β. Para determinar aproximadamente os valores de φ(x) no
interior do intervalo [a, b], vamos discretizar o intervalo, ou seja, dado N ∈ N, dividimos
[a, b] em N + 1 pontos uniformemente espaçados. Se h = (b − a)/N então:
x0 = a, x1 = x0 + h, x2 = x0 + 2h, · · · , xN−1 = x0 + (N − 1)h, xN = b.
O valor φ(xi ) será denotado yi . Então, o nosso objetivo será determinar aproximações
dos yi , para i = 1, · · · , N − 1.
Se h for pequeno, valem as seguintes aproximações:

φ(xi +h)−φ(xi ) yi+1 −yi
• φ0 (xi ) ≈ h = h ,
φ(xi )−φ(xi −h) yi −yi−1
• φ0 (xi ) ≈ h = h ,
φ(xi +h)−φ(xi −h) yi+1 −yi−1
• φ0 (xi ) ≈ 2h = 2h ,
φ0 (xi +h)−φ0 (xi ) yi+1 −2yi +yi−1
• φ00 (xi ) ≈ h = h2
.
Como φ(x) é solução do PVC, temos
φ00 (xi ) + p(xi )φ0 (xi ) + q(xi )φ(xi ) = r(xi )
149
Substituindo na equação anterior as aproximações dadas, obtemos para cada i = 1, · · · , N−
1 a seguinte equação linear:
yi+1 − 2yi + yi−1 yi+1 − yi−1

+ p(xi )( ) + q(xi )yi = r(xi )
h2 2h
Agrupando convenientemente,
hp(xi ) hp(xi )
(1 − )yi−1 − (2 − h2 q(xi ))yi + (1 + )yi+1 = h2 r(xi ). (7.26)
2 2
Para determinar os valores y1 , y2 , · · · , yN−1 , devemos resolver o sistema linear:
hp(xi ) hp(xi )
(1− )yi−1 −(2−h2 q(xi ))yi +(1+ )yi+1 = h2 r(xi ), com i = 1, · · · , N −1, (7.27)
2 2
formado por N − 1 equações e N − 1 incógnitas. Lembre-se que y0 = φ(x0 ) = α e

yN = φ(xN ) = β.
Exemplo 7.7. Resolva numericamente o seguinte problema de valores de contorno:
y00 − 2xy0 + 3y = e−x (2 − 2x)
sujeita as condições de fronteira y(0) = 0 e y(1) = 0, 3678. Utilize h = 1/3 e compare

com a solução verdadeira y = φ(x) = x2 e−x .
Solução:
Note que p(x) = −2x, q(x) = 3 e r(x) = e−x (2 − 2x). Como h = 1/3, obtemos que
N = 3 e x0 = 0, x1 = 1/3, x2 = 2/3 e x3 = 1. Das condições y0 = φ(x0 ) = 0 e
y3 = φ(x3 ) = −0, 3678.
Substituindo na equação 7.26 com i = 1, obtemos
hp(x1 ) hp(x1 )
1− y0 − (2 − h2 q(x1 ))y1 + 1 + y2 = h2 r(x1 ),
2 2
ou
(1/3)(−2/3) (1/3)(−2/3)
1− 0 − (2 − (1/3)2 (3))y1 + 1 + y2 = (1/3)2 (0, 9553),
2 2
do qual segue que

− 1, 66666y1 + 0, 88888y2 = 0, 1061. (7.28)
Da mesma forma, para i = 2 temos
hp(x2 ) hp(x2 )
1− y1 − (2 − h2 q(x2 ))y2 + 1 + y3 = h2 r(x2 ),
2 2
150
do qual segue simplificando
1, 2222y1 − 1, 6666y2 = −0, 24803 (7.29)
Resolvendo as equações 7.28 e 7.29 encontramos y1 = 0, 0257832 e y2 = 0, 167708.

Repare que utilizando a solução verdadeira y = φ(x) = x2 e−x podemos comparar
os valores de y1 e y2 com os valores exatos de φ(1/3) = 0.0796 e φ(2/3) = 0, 2281.
Veja a figura 33.
0.4
0.3
0.2
0.1
0.2 0.4 0.6 0.8 1.0
Figura 33: A solução φ(x) = x2 e−x e os pontos que a aproximam.
• Observe que se h for pequeno e q(x) for negativa, então, o sistema linear 7.27
satisfaz o critério das linhas e, por tanto, podemos resolvê-lo utilizando o
método de Gauss-Seidel.
• Se h for pequeno então o erro cometido ao fazer as aproximações será menor.
Exercı́cio 7.1. Com N = 3, resolva pelo método de Runge-Kutta de ordem 4 o seguinte

PVI 
 y =x −y +3

 0 2 2
(7.30)
y(0) = 0.5



Determine y(1).
Exercı́cio 7.2. Encontre as fórmulas para resolver o sistema de 3 equações diferenciais




 y0 = f (x, y, z, w)

z0 = g(x, y, z, w)



(7.31)

w0 = h(x, y, z, w)





 y(x0 ) = y0 , z(x0 ) = z0 , w(x0 ) = w0


pelo Método de Euler Modificado.
Exercı́cio 7.3. Aplique o Método de Euler para aproximar as soluções dos seguintes
problemas de valor inicial:
151
(a) y0 (x) = 1 + (x − y)2 , com 2 ≤ x ≤ 3, y(2) = 1 e h = 0, 5.
y
(b) y0 (x) = 1 + x , com 1 ≤ x ≤ 2, y(1) = 2 e h = 0, 5.
(c) y0 (x) = cos(2x) + sin(3x), com 0 ≤ x ≤ 1, y(0) = 1 e h = 0, 25.
Sabendo-se que as soluções exatas dos problemas anteriores são dadas abaixo respecti-
vamente. Compare o erro cometido ao encontrar a solução numérica:
(a) y(x) = x + 1
1−x
(b) y(x) = x ln(x) + 2x
(c) y(x) = 1
2 sin(2x) − 13 cos(3x) + 4
3
Exercı́cio 7.4. Aplique o Método de Euler para aproximar as soluções dos seguintes
problemas de valor inicial:
(a) y0 (x) = x2 + y2 , com 0 ≤ x ≤ 1, y(0) = 0 e h = 0, 25.
(b) y0 (x) = x − y2 , com 0 ≤ x ≤ 1, y(0) = 1, e h = 0, 20.
Faça o mesmo usando o Método de Euler Aperfeiçoado.
Exercı́cio 7.5. Usando o Método de Euler, e o Método de Euler aperfeiçoado, determine a

solução aproximada do PVI dado por:
 y
 y (x) = x2 − x − y

 0 1 2
(7.32)
 y(1) = −1, x ∈ [1, 2]


(a) Considerando h = 1/3 e h = 1/6.
(b) Sabendo-se que a solução analı́tica é dada por y(x) = − x1 , construa para cada
caso uma tabela com os valores exatos e aproximados e também o erro absoluto.
Observe e faça comentários.
Exercı́cio 7.6. Usando o Método de Runge-Kutta de ordem 3, calcule a solução aproximada

do seguinte problema de valor inicial:


 y0 (x) = xy1/3
(7.33)

 y(0) = 1, x ∈ [0, 2]


(a) Considerando n1 = 3.
(b) Considerando n2 = 6.
3/2
x2 +3

(c) Sabendo-se que a solução exata é dada por y(x) = 3 , construa para cada
caso uma tabela com os valores exatos e aproximados e também o erro absoluto.
Observe e faça comentários.
152
Exercı́cio 7.7. Usando o Método de Runge-Kutta de ordem 3 e o Método de Runge-Kutta de
ordem 4, calcule a solução aproximada do seguinte problema de valor inicial:


 y0 (x) = −xy2
(7.34)

 y(1) = 2, x ∈ [1, 2]


(a) Considerando h = 1/4.
(b) Considerando h = 1/8.
(c) Sabendo-se que a solução exata é dada por y(x) = 2

x2
, construa para cada caso uma
tabela com os valores exatos e aproximados e também o erro absoluto. Observe e
faça comentários.
Exercı́cio 7.8. Aplique o Método de Runge-Kutta de quarta ordem para aproximar a solução
do problema de valor inicial y0 (x) = x − y2 , com 0 ≤ x ≤ 1, y(0) = 1 nos pontos da malha
de pontos igualmente espaçados dentro do intervalo dado, cujo comprimento de um
subintervalo é 0, 5.
Exercı́cio 7.9. Usando o Método de Runge-Kutta de ordem 4, calcule a solução aproximada

do seguinte problema de valor inicial:

 y (x) = 1+4x2 + 0, 1y

 0 x 2
(7.35)
 y(0) = 1, x ∈ [0, 2]


(a) Considerando n = 4.
(b) Considerando n = 8.
Exercı́cio 7.10. Usando os Métodos de Runge-Kutta, calcule a solução aproximada com

h = 0, 25 do seguinte PVI: 

 y0 = 2xy2
(7.36)

 y(0) = 1, x ∈ [0, 1]


Exercı́cio 7.11. Considere o PVI

y2 −1

 y0 = x2 +1


(7.37)
 y(0) = 1


(a) Calcule aproximações para y(1), usando o Método de Euler com h = 0, 2 e h = 0, 25.
(b) Repita o item (a), usando agora o Método de Euler aperfeiçoado.
Exercı́cio 7.12. Considere o PVI


 y (x) = yx − y

 0 2
(7.38)
 y(0) = 1, x ∈ [0, 2]


(a) Encontre a solução aproximada usando o Método de Euler com h = 0, 5 e h = 0, 25,

considerando x ∈ [0, 2];
153
(b) idem, usando o Método de Euler aperfeiçoado e o Método de Euler modificado;
(c) idem, usando o Método de Runge-Kutta de ordem 4;

x3
(d) sabendo que a solução analı́tica do problema é y = exp(−x + 3 ), coloque num
mesmo gráfico a solução analı́tica e as soluções numéricas encontradas nos itens
anteriores. Compare os resultados.
Exercı́cio 7.13. Resolva o problema de valor inicial



 y00 − 2xy + y3 sin(x) = 0
(7.39)

 y(1) = 0, y0 (1) = 15; x ∈ [1, 1.2], h = 0.1


(a) Reduza-o a um sistema de equações de primeira ordem.
(b) Resolva o PVI dado usando um Método de Runge-Kutta de ordem 2.
Exercı́cio 7.14. Determine y(0.3) para y00 − 3y0 + 2y = 0, com y(0) = −1 e y0 (0) = 0.
Considere h = 0.1. Utilizando o Método de Euler modificado e o Método de Euler aperfeiçoado.
Exercı́cio 7.15. Determine y(0.4) para y00 + 3y0 + 2y = ex , com y(0) = 1 e y0 (0) = 2.
Considere h = 0.1. Utilizando o Método de Runge Kutta de ordem 3.
Exercı́cio 7.16. Um projétil de massa m = 0.11 kg, lançado verticalmente para acima com
velocidade inicial v(0) = 8 m/s, é detido pela força gravitacional F g = mg e a resistência
do ar Fr = −kv|v| onde g = −9.8 m/s2 and k = 0.002 kg/m. A equação diferencial para a
velocidade é dada por
mv0 = mg − kv|v|. (7.40)
(a) Encontre a velocidade depois de 0.1s, 0.2s, ..., 1s.
(b) Numericamente, encontre o tempo no qual o projetil começa a cair (Dica: Use
interpolação).
Exercı́cio 7.17. Seja P(t) o número de individuos de uma certa população medido em
anos. Se a taxa de nascimentos é constante b e a taxa de mortalidade d é proporcional ao
tamanho da população, então o crescimento da população é dado pela equação logı́stica
dP(t)
= bP(t) − k(P(t))2 (7.41)
dt
onde d = kP(t). Suponha que P(0) = 50976, b = 2.9 × 10−2 e k = 1.4 × 10−7 . Encontre a
população estimada depois de 5 anos.
Exercı́cio 7.18. Resolva o seguinte problema de contorno
y00 + 2y0 + y = x
sujeito as condições y(0) = 0 e y(1) = −1. Considere h = 1/3 e h = 0, 25.
154
y00 + x3 y0 − (cos x)y = x + 2
com as condições y(0) = 0 e y(2) = 6. Considere h = 0, 5 e h = 0, 4.
y00 − (sin x)y0 − (x2 + 2)y = ex−3
com as condições y(2, 6) = 2 e y(5, 1) = 3. Considere N = 3 e N = 4.
2
y00 + (e−x )y0 − (ex )y = x4
com as condições y(0, 7) = 2, 4 e y(3, 2) = 3. Considere N = 3 e N = 4.
155
8 Resolução Numérica de Equações Diferenciais Parciais
8.1 Introdução
As Equações Diferenciais Parciais (edp’s) frequentemente aparecem em fenômenos
fı́sicos, como transferencia de calor, vibrações de cordas, dinâmica de fluidos, e em
problemas de economia, quı́mica e biologia. Em geral é difı́cil resolver uma edp por
técnicas analı́ticas, mas em alguns casos podemos determinar uma solução envolvendo
séries de potências. Nesta seção apresentaremos métodos numéricos para resolver edp’s
parabólicas e elı́pticas.
8.2 Preliminares
8.2.1 Equações Diferenciais Parciais
Consideraremos uma equação diferencial parcial (edp) de segunda ordem da forma
autt + butx + cuxx = f (8.1)
em que u é uma função desconhecida dependente de x e t, e a, b, c e f são funções dadas.

Se estas funções dependem só de x e t então a edp é chamada linear. Se a, b, c ou f
dependem também de u, ux e ut , então a edp é chamada quase-linear.
Podemos classificar uma equação quase-linear de segunda ordem em três tipos:
(a) Se b2 − 4ac > 0, a equação é chamada hiperbólica.
(b) Se b2 − 4ac = 0, a equação é chamada parabólica.
(c) Se b2 − 4ac < 0, a equação é chamada elı́ptica.
Exemplo 8.1. O primeiro exemplo que apresentaremos é a Equação da Onda:
utt = α2 uxx + F(x, t)
que governa o movimento de uma onda sobre uma corda de comprimento L. u(x, t)
é a altura da onda no ponto x e no tempo t, α é uma constante e F(x, t) uma função
de duas variáveis. Como a = 1, b = 0 e c = −α2 , obtemos que b2 − 4ac = 4α2 > 0 e
assim esta equação é hiperbólica.
Exemplo 8.2. A Equação de Difusão do Calor é
ut = αuxx
é uma equação quase-linear parabólica de segunda ordem desde que a = b = 0 e

c = −α, e assim b2 − 4ac = 0. A função u(x, t) representa a temperatura de uma barra
156
de metal no ponto x e no tempo t.
Exemplo 8.3. A Equação de Poisson dada por
uxx + u yy = F(x, y)
é uma equação elı́ptica desde que a = c = 1, b = 0 e b2 − 4ac = −4 < 0. Se F(x, y) = 0

a equação de Poisson é chamada equação de Laplace.
8.2.2 Aproximações da primeira e da segunda derivada
Precisaremos de algumas fórmulas para aproximar as derivadas. Suponhamos que

f : I → R é uma função real. Como
f (x + h) − f (x)
f 0 (x) = lim
x→∞ h
podemos, se h for pequeno, aproximar a derivada pela fórmula, denominada diferença

progressiva:
f (x + h) − f (x)
f 0 (x) ≈ .
h
Outra maneira de aproximar a derivada é mediante a diferença regressiva:
f (x) − f (x − h)
f 0 (x) ≈
h
Finalmente, pode-se aproximar a derivada fazendo a média das diferenças progressivas

e regressivas:
f (x + h) − f (x − h)
f 0 (x) ≈
2h
chamada aproximação por diferenças centrais. A derivada segunda de f também pode
ser aproximada mediante a fórmula:
f 0 (x + h) − f 0 (x)
f 00 (x) ≈
h
Utilizando diferenças regressivas, segue:
f (x+h)− f (x) f (x)− f (x−h)

h − h f (x + h) − 2 f (x) + f (x − h)
00
f (x) ≈ = .
h h2
Observação 8.1. As fórmulas anteriores podem ser utilizadas para aproximar as

derivadas de u em relação a t e a x. Estas aproximações são:
157
(i) Diferenças Progressivas:
u(x, t + h) − u(x, t)
ut (x, t) ≈ . (8.2)
h
(ii) Diferenças Regressivas:
u(x, t) − u(x, t − h)
ut (x, t) ≈ . (8.3)
h
(iii) Diferenças Centrais:
u(x, t + h) − u(x, t − h)
ut (x, t) ≈ . (8.4)
2h
(iv) Derivadas Segundas:
u(x + h, t) − 2u(x, t) + u(x − h, t)

uxx (x, t) ≈ . (8.5)
h2
8.3 Equações Parabólicas
8.3.1 O modelo de Equação Parabólica
O modelo de equação parabólica que trabalharemos é a equação da difusão do calor:
ut = αuxx
que governa a evolução da temperatura de uma barra de metal de tamanho L. Supondo

que está barra é muito fina, podemos considerar que a temperatura é constante na
seção tranversal situada a uma distância x. Dessa forma, a função u(x, t) representa a
temperatura da barra na seção transversal no ponto x, 0 ≤ x ≤ L, e no tempo t.
Figura 34: Barra de metal.
Para resolver está edp precisamos de certas condições. Com o intuito de saber
como evolui a temperatura da barra, devemos conhecer a temperatura inicial, ou seja, a
temperatura no tempo t = 0, isto é u(x, 0). Assim, suponhamos que a temperatura inicial
é dada por uma função contı́nua ψ(x):
u(x, 0) = ψ(x), se 0 ≤ x ≤ L.
A condição anterior é conhecida como Condição Inicial. Alem disso, para resolver a
158
equação precisamos especificar a temperatura nos extremos da barra em cada tempo t,
ou seja, devemos conhecer u(0, t) e u(L, t). Assim, suponhamos que
u(0, t) = f (t) e u(L, t) = g(t),
em que f (t) e g(t) são funções contı́nuas. Estas condições são conhecidas como Condições
de Fronteira. Desejamos conhecer o valor de u(x, t) num certo tempo t = T dado.
Dessa forma, resolver a equação significa encontrar uma função u(x, t) que satisfaz:
ut = αuxx (8.6)
sujeita à
u(x, 0) = ψ(x), 0 ≤ x ≤ L



 (Condição Inicial)
u(0, t) = f (t), 0 ≤ t ≤ T

(Condição de Fronteira) (8.7)




 u(L, t) = g(t), 0 ≤ t ≤ T

(Condição de Fronteira)
Este problema é chamado Problema de Dirichlet.
8.3.2 Discretização
Resolver numericamente uma edp significa encontrar aproximações da solução u(x, t)

num conjunto finito de pontos do domı́nio R = {(x, t) : 0 ≤ x ≤ L, 0 ≤ t ≤ T}. Para
isso precisamos discretizar R. Escolhemos dois inteiros positivos N e M e dividimos o
intervalo [0, L] em N sub-intervalos, e o intervalo [0, T] em M sub-intervalos.
Figura 35: Discretização do Domı́nio.
Definindo
L T
h= ek= , (8.8)
N M
o intervalo espacial [0, L] fica dividido em N + 1 pontos
159
xi = ih, para todo i = 0, ..., N; (8.9)
e o intervalo temporal [0, T] fica dividido em M + 1 pontos
t j = jk, para todo j = 0, ..., M. (8.10)
Na Fig. 45 apresentamos a malha no caso N = 4 e M = 3.
8.3.3 Método Explı́cito
Precisamos da seguinte definição.
Seja Ui, j a aproximação de u no ponto (xi , t j ):
Ui,j ≈ u(xi , t j ). (8.11)
Pelas condições (8.7), conhecemos o valor de Ui, j quando j = 0, i = 0 e i = N, isto é:
(C1) Ui,0 = u(xi , t0 ) = u(xi , 0) = ψ(xi ), para todo i = 0, · · · N;
(C2) U0, j = u(x0 , t j ) = u(0, t j ) = f (t j ), para todo j = 0, · · · M;
(C3) UN, j = u(xN , t j ) = u(L, t j ) = g(t j ), para todo j = 0, · · · M.
Em outras palavras conhecemos os valores de u(x, t) nos pontos que estão no bordo do
domı́nio R, ou seja, os pontos em azul na Fig. 45.
Nosso objetivo será determinar os valores da aproximação da temperatura Ui, j nos
pontos internos da discretização (os pontos em vermelho na Fig. 45).
No Método explı́cito aproximamos a derivada ut usando diferenças progressivas e
as fórmulas da observação 8.1. Assim a discretização da equação
ut = αuxx
no ponto (xi , t j ) é a seguinte:
u(xi , t j + k) − u(xi , t j ) h u(xi + h, t j ) − 2u(xi , t j ) + u(xi − h, t j ) i

≈α
k h2
ou
u(xi , t j+1 ) − u(xi , t j ) h u(xi+1 , t j ) − 2u(xi , t j ) + u(xi−1 , t j ) i
≈α
k h2
Introduzindo as aproximações Ui,j , obtemos:
Ui, j+1 − Ui,j h Ui+1,j − 2Ui,j + Ui−1,j i

=α
k h2
160
Se
kα
σ= ,
h2
segue então que
Para j = 0, · · · , N − 1 e i = 1, · · · , N − 1
Ui,j+1 = σUi+1, j + (1 − 2σ)Ui,j + σUi−1,j . (8.12)
Da fórmula anterior, os valores Ui, j+1 nos pontos da linha j + 1 são uma combinação de
três valores Ui+1,j , Ui, j e Ui−1, j em pontos da linha j. A Fig. 36 mostra uma molécula
computacional do método explı́cito.
Figura 36: Uma molécula computacional no método explı́cito.
Se, por exemplo, j = 0,
Ui,1 = σUi+1,0 + (1 − 2σ)Ui,0 + σUi−1,0 , em i = 1, · · · N − 1.
Como conhecemos os valores Ui,0 , para i = 0, · · · , N, pelas condições C1, C2 e C3,

podemos determinar diretamente todos os valores dos Ui,1 .
A ideia do método explı́cito é encontrar os valores da linha j = 1 por cálculo direto

usando os valores da linha j = 0. Procedendo outra vez, obtemos os valores da linha
j = 2 usando os valores da linha j = 1. E assim sucessivamente, até chegar a linha
j = M que corresponde ao valor de t = T.
DEFINIÇÃO 8.1. Um método numérico é chamado estável quando os erros cometidos

na etapa j não se incrementam na etapa j + 1.
161
O Método Explı́cito é estável só quando
1
σ≤ .
2
Para garantir a estabilidade deste método sempre escolheremos h e k de forma que
2αk < h2 . (8.13)
Exemplo 8.4. Resolva numericamente a equação parabólica:
ut = uxx
sujeita à
u(x, 0) = x + 12 sin(2πx), 0 ≤ x ≤ 1



u(0, t) = 0, 0 ≤ t ≤ T





u(1, t) = 1, 0 ≤ t ≤ T (Condição de Fronteira)


Considere N = 5 e k = 1
60 . Determine as duas linhas correspondentes a j = 1 e j = 2.
Solução:
αk
Observe que α = 1, h = 1
5 eσ= h2
= 5
12 e as funções
1
ψ(x) = x + sin(2πx), f (t) = 0, g(t) = 1.
2
Os valores xi para i = 0, · · · , 5 são:
1 2 3 4
x0 = 0, x1 = , x2 = , x3 = , x4 = , x5 = 1.
5 5 5 5
Se j = 1, t1 = 1
60 e se j = 2, t2 = 2
60 = 1
30 .
Da condição C1 obtemos Ui,0 = u(xi , 0) = ψ(xi ). Assim
U0,0 = 0, U1,0 = 0, 67552, U2,0 = 0, 69389, U3,0 = 0, 30610, U4,0 = 0, 32447, U5,0 = 1.
Além disso, das condições C1 e C2 segue
U0,1 = f (t1 ) = 0, U0,2 = f (t2 ) = 0,
U5,1 = g(t1 ) = 1, U5,2 = g(t2 ) = 1.
Se j = 0, obtemos as aproximações no tempo t1 = 1

60 . Das equações (8.12),
162
obtemos
5 1 5
U1,1 = σU2,0 + (1 − 2σ)U1,0 + σU0,0 = ( )(0, 69389) + ( )(0, 67552) + ( )(0) = 0, 40170
12 6 12
5 1 5
U2,1 = σU3,0 + (1 − 2σ)U2,0 + σU1,0 = ( )(0, 30610) + ( )(0, 69389) + ( )(0, 67552) = 0, 52465
12 6 12
5 1 5
U3,1 = σU4,0 + (1 − 2σ)U3,0 + σU2,0 = ( )(0, 32447) + ( )(0, 30610) + ( )(0, 69389) = 0, 47533
12 6 12
5 1 5
U4,1 = σU5,0 + (1 − 2σ)U4,0 + σU3,0 = ( )(1) + ( )(0, 32447) + ( )(0, 30610) = 0, 59828.
12 6 12
Se j = 1 obtemos as aproximações no tempo t2 = 2

60 . Segue, das equações (8.12),
que
5 1 5
U1,2 = σU2,1 + (1 − 2σ)U1,1 + σU0,1 = ( )(0, 52465) + ( )(0, 40170) + ( )(0) = 0, 28555
12 6 12
5 1 5
U2,2 = σU3,1 + (1 − 2σ)U2,1 + σU1,1 = ( )(0, 47533) + ( )(0, 52465) + ( )(0, 40170) = 0, 45287
12 6 12
5 1 5
U3,2 = σU4,1 + (1 − 2σ)U3,1 + σU2,1 = ( )(0, 59828) + ( )(0, 47533) + ( )(0, 52465) = 0, 54710
12 6 12
5 1 5
U4,2 = σU5,1 + (1 − 2σ)U4,1 + σU3,1 = ( )(1) + ( )(0, 59828) + ( )(0, 47533) = 0, 71443.
12 6 12
Na Fig. 37 mostramos as soluções numéricas para u(x, t) nos tempos t1 e t2 .
Condição Inicial
Figura 37: Condição inicial e soluções numéricas para a equação do Exemplo 8.4.
163
8.3.4 O Método Implı́cito
Consideraremos o mesmo modelo de equação parabólica:
ut = αuxx (8.14)
sujeita à
u(x, 0) = ψ(x), 0 ≤ x ≤ L



u(0, t) = f (t), 0 ≤ t ≤ T





 u(L, t) = g(t), 0 ≤ t ≤ T

e utilizaremos a mesma discretização do método explı́cito da seção (8.3.2).
O Método Implicı́to é obtido substituindo as diferenças regressivas, da Observação
8.1, para aproximar ut na equação (8.14). Assim, a discretização da equação no ponto
(xi , t j ) é:
u(xi , t j ) − u(xi , t j − k) h u(xi + h, t j ) − 2u(xi , t j ) + u(xi − h, t j ) i
≈α
k h2
Assim
u(xi , t j ) − u(xi , t j−1 ) h u(xi+1 , t j ) − 2u(xi , t j ) + u(xi−1 , t j ) i
≈α
k h2
Substituindo a aproximação Ui,j ≈ u(xi , t j ) obtemos:
Ui, j − Ui,j−1 h Ui+1,j − 2Ui,j + Ui−1,j i

≈α
k h2
αk
De novo, se σ = h2
, obtemos
Para j = 1, · · · , M e i = 1, · · · , N − 1
Ui,j−1 = −σUi+1, j + (1 + 2σ)Ui,j − σUi−1, j . (8.16)
Neste caso Ui, j−1 é uma combinação linear de três aproximações Ui+1,j , Ui, j e Ui−1,j .
Isto é, a linha j − 1 depende da linha j. A molécula computacional é:
Figura 38: Uma molécula computacional no método implı́cito.
Repare que não podemos calcular diretamente os valores Ui,j da linha j pois a equação
(8.16) envolve dois ou três valores desconhecidos. Porém, fixando j, podemos considerar
164
as equações para i = 1, · · · , N − 1,




 U1, j−1 = −σU2, j + (1 + 2σ)U1, j − σU0,j
U2,j−1 = −σU3,j + (1 + 2σ)U2,j − σU1, j .




.. (8.17)

.






 UN−1,j−1 = −σUN, j + (1 + 2σ)UN−1,j − σUN−2, j .


que constituem um sistema de equações lineares.

Supondo que conhecemos os valores de Ui, j−1 , para i = 0, · · · , N, podemos substituı́-
los no sistema (8.17) para obter um sistema da forma
−σU2, j + (1 + 2σ)U1, j = U1, j−1 + σU0,j





−σU3, j + (1 + 2σ)U2,j − σU1,j = U2,j−1




..



. (8.18)




−σUN−1, j + (1 + 2σ)UN−2, j − σUN−3,j = UN−2, j−1






 (1 + 2σ)U
N−1, j − σUN−2,j = UN−1,j−1 + σUN,j

cujas incógnitas são justamente os valores de {U1, j , U2, j , · · · , UN−1,j } correspondente à

linha j. Isto é, os valores da linha j dependem implicitamente dos valores na linha j − 1
pelas equações (8.17).
Lembrando que U0,j = f (t j ) e UN,j = g(t j ), o sistema linear (8.18) pode-se escrever
em forma matricial na forma:
 1 + 2σ U1, j−1 + σ f (t j )
    
−σ 0 ··· 0   U1, j   
1 + 2σ
     
 −σ −σ ··· 0   U2, j   U2, j−1 
     
1 + 2σ
     
 0 −σ ··· 0   U3, j   U3, j−1 
.. .. .. .. .. ..  =  .. (8.19)
     
.
   

 . . . .  
  .  
  . 

1 + 2σ
     

 0 0 ··· −σ   UN−2,j   UN−2, j−1 

1 + 2σ UN−1, j−1 + σg(t j )
   
0 0 ··· −σ UN−1, j
 
que é o sistema do Método Implı́cito a ser resolvido em cada estágio.
Uma observação importante é a seguinte:
Observação 8.2. O método Implı́cito é estável para todo valor de σ, ou seja, é incon-
dicionalmente estável.
Exemplo 8.5. Resolva numericamente pelo Método Implı́cito a equação parabólica:
ut = uxx (8.20)
165
sujeita à
u(x, 0) = x + 12 sin(2πx), 0 ≤ x ≤ 1



u(0, t) = 0, 0 ≤ t ≤ T





u(1, t) = 1, 0 ≤ t ≤ T (Condição de Fronteira)


Solução:
Os dados são os mesmos que no Exemplo 8.4. Mudará a forma como calculamos os
valores Ui,j para j = 1 e j = 2.
αk
Assim α = 1, h = 15 , σ = h2
= 5
12 e ψ(x) = x + sin(2πx), f (t) = 0, g(t) = 1. Também
1 2 3 4
x0 = 0, x1 = , x2 = , x3 = , x4 = , x5 = 1.
5 5 5 5
e t1 = 60 , t2
1
= 2
60 = 1
30 .
Os valores na fronteira são
U0,0 = 0, U1,0 = 0, 67552, U2,0 = 0, 69389, U3,0 = 0, 30610, U4,0 = 0, 32447, U5,0 = 1.
U0,1 = 0, U0,2 = 0, U5,1 = 1, U5,2 = 1.
Substituindo j = 1 no sistema matricial (8.19), obtemos:


 1 + 2( 12

U1,1   U1,0 + 12
5 5
  5

 ) − 12 0 0  
  f (t1 ) 

5
1 + 2( 12 )
5 5
 
 − 12 − 12 0   U2,1  
  U2,0 
 = 
   
   

 0 5
− 12 1 + 2( 12 )
5 5
− 12  
  U3,1  
  U3,0 

5
1 + 2( 12
5
U4,0 + 12
5
     
0 0 − 12 ) U4,1 g(t1 )
Simplificando
 11 5
   
 6
 − 12 0 0  
  U1,1   0, 67552 
 − 5 11 5
− 12 0    
U2,1  

0, 69389 
 = 
 12 6  
   
5 11 5
 0
 − 12 6 − 12  
  U3,1   0, 30610 
5 11
   
0 0 − 12 6
 U  
4,1 0, 74113 
Resolvendo este sistema encontramos que
U1,1 = 0, 50176, U2,1 = 0, 58649, U3,1 = 0, 41349, U4,1 = 0, 49822.
166
Substituindo j = 2 no sistema matricial (8.19) obtemos
 11 
U1,2   U1,1 + 12
5
  5
  
 6
 − 12 0 0  
  f (t2 )  
  0, 50176 
 − 5 11 5
− 12 0    
U2,2   U2,1   
0, 58649 
 =   = 
 12 6    
   
5 11 5
 0
 − 12 6 − 12  
  U3,2  
  U3,1  
  0, 41349 
5 11
U4,1 + 12
5
       
0 0 − 12 6 U4,2 g(t2 ) 0, 91488 
Então
U1,2 = 0, 39149, U2,2 = 0, 51834, U3,2 = 0, 48163, U4,3 = 0, 60848.
Condição Inicial
Figura 39: Condição inicial e soluções numéricas para a equação do Exemplo 8.6.
Exemplo 8.6. Considere a equação diferencial parcial com as condições inicial e de

fronteira seguintes:
ut = 2uxx , com 0 < x < 1, 0 < t < T (8.22)
sujeita à
u(x, 0) = 2x2 , 0 ≤ x ≤ 1



u(0, t) = 0, 0 ≤ t ≤ T





 u(1, t) = 2e−2t , 0 ≤ t ≤ T

(a) Considerando h = 1/3 e k = 1/50, encontre os valores de Ui,j para j = 1 pelo

método explı́cito.
(b) Usando o método implı́cito e os valores do item (a), encontre os valores de

Ui,j para j = 2.
167
Solução:
αk
(a). Note que σ = h2
= 9
25 < 21 . Então o método é estável. Observe que
2 8
U0,0 = 0; U1,0 = ; U2,0 = ; U3,0 = 2.
9 9
Além disso
U0,1 = 0; U3,1 = 1, 92157; U0,2 = 0; U3,2 = 1, 84623
Desse modo:
U1,1 = σU0,0 + (1 − 2σ)U1,0 + σU2,0 = 0, 3822
U2,1 = σU1,0 + (1 − 2σ)U2,0 + σU3,0 = 1, 04888
(b). Pela fórmula do método implı́cito:
U1,1 = −σU0,2 + (1 + 2σ)U1,2 − σU2,2
U2,1 = −σU1,2 + (1 + 2σ)U2,2 − σU3,2
Substituindo os valores obtemos duas equações lineares:
25 U1,2 − 25 U2,2 = 0, 38222

43 9
9
− 25 U1,2 + 25
43
U2,2 = 1, 71352
Resolvendo este sistema encontramos que
U1,2 = 0, 45046; U2,2 = 1, 09051.
8.3.5 O Método de Crank-Nicolson
Uma maneira de conseguir melhores resultados na resolução numérica de EDP Pa-

rabólicas é utilizar uma combinação do método explı́cito e o método implı́cito. O
método resultante é chamado Método de Crank-Nicolson.
Do Método Explı́cito para j = 1, · · · , N e i = 1, · · · , N − 1
Ui,j = σUi+1, j−1 + (1 − 2σ)Ui,j−1 + σUi−1, j−1 . (8.24)
Do Método Implı́cito para j = 1, · · · , M e i = 1, · · · , N − 1
Ui,j−1 = −σUi+1, j + (1 + 2σ)Ui,j − σUi−1, j . (8.25)
Somando o termo da direita da equação (8.24) com o termo da esquerda da equação

(8.25), e o termo da esquerda da equação (8.24) com o termo da direita da equação (8.25),
obtemos as equações do Método de Crank-Nicolson:
168
Para j = 1, · · · , M e i = 1, · · · , N − 1,
− σUi+1, j + (2 + 2σ)Ui, j − σUi−1,j = σUi+1, j−1 + (2 − 2σ)Ui,j−1 + σUi−1, j−1 (8.26)
Cada equação deste método relaciona três variáveis desconhecidas Ui+1, j , Ui,j e Ui−1, j
com três variáveis conhecidas Ui+1,j−1 , Ui, j−1 e Ui−1, j−1 . Uma molécula computacional é
dada na figura abaixo.
Figura 40: Uma molécula computacional no método de Crank-Nicolson.
Fixemos j. Supondo que conhecemos os valores de Ui,j−1 , para i = 0, · · · , N, podemos

determinar então os valores Ui,j da linha j resolvendo N − 1 equações
−σU2, j + (2 + 2σ)U1,j − σU0, j = σU2, j−1 + (2 − 2σ)U1, j−1 + σU0,j−1





−σU3, j + (2 + 2σ)U2, j − σU1, j = σU3, j−1 + (2 − 2σ)U2, j−1 + σU1,j−1




..



. (8.27)




−σUN−1, j + (2 + 2σ)UN−2, j − σUN−3, j = σUN−1, j−1 + (2 − 2σ)UN−2, j−1 + σUN−3, j−1






 −σU + (2 + 2σ)U
N−1, j − σUN−2, j = σUN, j−1 + (2 − 2σ)UN−1, j−1 + σUN−2, j−1

N, j
cujas incógnitas são justamente os valores de {U1,j , U2,j , · · · , UN−1, j } correspondentes à

linha j. Isto é, os valores da linha j dependem dos valores na linha j − 1 pelas equações
(8.27).
Lembrando que U0,j = f (t j ) e UN,j = g(t j ), o sistema linear (8.27) pode-se escrever
em forma matricial na forma:
 2 + 2σ
  
−σ 0 ··· 0   U1, j 
2 + 2σ
   
 −σ −σ ··· 0   U2, j 
   
2 + 2σ
   
 0 −σ ··· 0   U3, j 
.. .. .. .. .. ..  =
   
.
  

 . . . .  
  . 

2 + 2σ
   
 0 0 ··· −σ   UN−2,j 
   
0 0 ··· −σ 2 + 2σ UN−1, j
  
169
σ   σ(U0,j−1 + U0, j )
    
 2 − 2σ 0 ··· 0   U1, j−1 
σ σ
     

 2 − 2σ ··· 0   U2, j−1
 
 
  0 

σ
     
 0 2 − 2σ ··· 0   U3, j−1   0 
.. .. .. .. .. ..  +  .. (8.28)
     
.
   

 . . . .  
  .  
  . 

σ
     

 0 0 ··· 2 − 2σ   UN−2,j−1
 
 
  0 

0 0 ··· σ 2 − 2σ UN−1,j−1 σ(UN, j−1 + UN, j )
    
que é o sistema do Método de Crank-Nicolson a ser resolvido em cada estágio.
No que se refere a estabilidade, o Método de Crank-Nicolson é estável para todo

σ > 0.
Exemplo 8.7. Resolva numericamente a equação parabólica pelo Método de Crank-

Nicolson :
ut = 2uxx (8.29)
sujeita à
2
u(x, 0) = 1 − x3 + 3x2 − 2x 3 ,0 ≤ x ≤ 1



u(0, t) = 1, 0 ≤ t ≤ T





u(1, t) = 56 + te−t , 0 ≤ t ≤ T (Condição de Fronteira)


Solução:
Dos dados h = 1
4 = 0, 25 e σ = kα
h2
= 54 , e as funções
3x2 2x 5
ψ(x) = 1 − x3 + − , f (t) = 1, g(t) = + te−t .
2 3 6
Os valores xi e t j são:
x0 = 0, x1 = 0, 25, x2 = 0, 5, x3 = 0, 75, x4 = 1, 0,
1 2
t0 = 0, t1 = , t2 = .
40 40
Como Ui,0 = u(xi , 0) = ψ(xi ) segue que:
U0,0 = 1, U1,0 = 0, 91145, U2,0 = 0, 91666, U3,0 = 0, 92187, U4,0 = 0, 83333
Das condições de fronteira
U0,1 = f (t1 ) = 1, U0,2 = f (t2 ) = 1
170
U4,1 = g(t1 ) = 0, 85771, U4,2 = g(t2 ) = 0, 88089.
Se j = 1 nas equações (8.28), segue que
+ U0,1 ) 
 18
− 54 2 4 4
      
 5 0   U1,1   5 5 0   U1,0   5 (U0,0
         
 − 4 18
− 54   U2,1  =  4 2 4   U  +  0 
 5 5   5 5 5    2,0   
− 45 18   4 2  4
+
       
0 5 U3,1 0 5 5 U3,0 5 (U 4,0 U4,1 )
Substituindo os valores conhecidos, chegamos ao sistema:

 18
− 54
   
 5 0   U1,1   2, 69790 
     
 − 4 18
− 54   U2,1  =  1, 83332 
 5 5   
− 45 18  
    
0 5 U3,1 2, 45490
Resolvendo este sistema: U1,1 = 0, 95341, U2,1 = 0, 91799, U3,1 = 0, 88591.

Se j = 2 nas equações (8.28), segue que
+ U0,2 )   2, 71577 
 18
− 54 2 4 4
        
 5 0   U1,2   5 5 0   U1,1   5 (U0,1
           
 − 4 18
− 45   U2,2  =  4 2 4   U  +  0  =  1, 83865 
 5 5   5 5 5    2,1     
− 54 5 (U4,1 + U4,2 )
18   4 2  4
        
0 5 U3,2 0 5 5 U3,1 2, 49818
Resolvendo as equações: U2,1 = 0, 95967, U2,2 = 0, 92382, U2,3 = 0, 89923.
Condição Inicial
Figura 41: Soluções numéricas e condição inicial da equação do Exemplo 8.7.
8.3.6 Condições de Fronteira de Neumann ou com Derivadas
Em certos problemas envolvendo equações parabólicas não conhecemos os valores

u(0, t), u(L, t) de u(x, t) nas fronteiras x = 0 e x = L. Para obter uma solução neste
tipo de problemas devemos especificar o valor da derivada de u(x, t), em relação a x, na
171
fronteira do intervalo. Ou seja, precisamos das condições:
∂u(0, t) ∂u(L, t)
= f (t), = g(t).
∂x ∂x
Isto leva a formular o problema con condições de Neumann:
ut = αuxx (8.31)
sujeita à
u(x, 0) = ψ(x), 0 ≤ x ≤ L



 ∂u(0,t)
= f (t), 0 ≤ t ≤ T


 ∂x
(Condição de Fronteira de Neumann) (8.32)
∂u(L,t)

= g(t), 0 ≤ t ≤ T (Condição de Fronteira de Neumann)


∂x
Pode-se resolver numericamente esta equação diferencial parcial utilizando a discretização

apresentada anteriormente e qualquer um dos três métodos estudados: explı́cito, implı́cito
e/ou Crank-Nicolson. O único inconveniente é agora os valores U0,j e UN,j , com
j = 1, · · · , M, são desconhecidos pois somente conhecemos o valor da derivada da
função na fronteira, mas não o valor da função. Ou seja, devemos incluir os valores dos
U0, j e UN, j como incógnitas de nosso problema.
Supondo, por exemplo, que desejamos utilizar o método explı́cito para resolver a
edp acima. Então, para cada i = 0, · · · , N, utilizaremos a fórmula
Ui,j+1 = σUi+1, j + (1 − 2σ)Ui,j + σUi−1, j . (8.33)
Quando escrevemos está fórmula para o ponto U0,j , ou seja i = 0, resulta
U0, j+1 = σU1, j + (1 − 2σ)U0, j + σU−1,j . (8.34)
que são as equações contendo U−1,j = u(x−1 , t j ), os valores da função nos pontos (x−1 , t j ) =
(−h, k j), para j = 0, · · · , N − 1. Estes pontos estão fora da malha, e por tanto serão
chamados pontos fantasmas. Similarmente, se i = N, o método explı́cito fornece a
equações
UN, j+1 = σUN+1, j + (1 − 2σ)UN, j + σUN−1,j (8.35)
as quais contém os pontos fantasmas UN+1,j = u(xN+1 , t j ), o valor de da função nos pontos
(xN+1 , t j ) = ((N + 1)h, jk), que não está na malha. Na Fig. 42 temos apresentado a malha
e os pontos fantasmas quando N = 4 e M = 3.
O trabalho com os pontos fantasmas é feito utilizando as condições de Neumann. Se

aproximarmos a derivada ux no ponto (x0 , t j ) por diferenças centrais segue que:
∂u(x0 , t j ) u(x1 , t j ) − u(x−1 , t j )

≈
∂x 2h
172
Figura 42: Discretização do Domı́nio e os pontos fantasmas.
Comparando com as condições de fronteira de Neumann dadas nas equações (8.32)
u(x1 , t j ) − u(x−1 , t j )
f (t j ) ≈ .
2h
Por tanto
U1,j − U−1,j
f (t j ) =
2h
o equivalentemente
U−1,j = U1,j − 2h f (t j ), (8.36)
que expressa o fato que o valor nos pontos fantasma depende do valor nos pontos
interiores da malha.
Repetindo o mesmo processo no ponto (xN , t j ) obtemos:
∂u(xN , t j ) u(xN+1 , t j ) − u(xN−1 , t j )

≈
∂x 2h
Das condições de Neumann
UN+1,j − UN−1,j
g(t j ) =
2h
Implicando que
UN+1, j = UN−1, j + 2hg(t j ). (8.37)
Substituindo os valores de U−1, j e UN+1, j nas equações (8.34) e (8.35):
U0, j+1 = σU1, j + (1 − 2σ)U0,j + σ(U1, j − 2h f (t j )) = (1 − 2σ)U0,j + 2σU1, j − 2hσ f (t j )
UN, j+1 = σ(UN−1, j + 2hg(t j )) + (1 − 2σ)UN,j + σUN−1, j = 2σUN−1, j + (1 − 2σ)UN, j + 2hσg(t j )
173
Então as equações (8.33) convertem-se no sistema
U0, j+1 = (1 − 2σ)U0, j + 2σU1, j − 2hσ f (t j )





Ui, j+1 = σUi+1,j + (1 − 2σ)Ui, j + σUi−1, j .




..



. (8.38)




Ui, j+1 = σUi+1,j + (1 − 2σ)Ui,j + σUi−1, j .






N, j+1 = 2σUN−1, j + (1 − 2σ)UN, j + 2hσg(t j )

 U
com o qual podemos calcular diretamente as incógnitas {U0, j+1 , U1, j+1 , · · · , UN, j+1 } a partir
dos valores {U0,j , U1,j , · · · , UN,j }. Em forma matricial
      
 U0,j+1   1 − 2σ 2σ 0 ··· 0   U0, j   −2hσ f (t j ) 
σ σ
       
 U1,j+1   1 − 2σ ··· 0   U1, j   0 
       
σ
       
 U2,j+1   0 1 − 2σ ··· 0   U2, j   0 
..  =  .. .. .. .. .. ..  +  .
       
. ..
   

 .  
  . . . .  
  .  
 


σ
       
 UN−1, j+1   0 0 ··· 1 − 2σ   UN−1, j   0 
       
UN, j+1 0 0 ··· 2σ 1 − 2σ UN, j 2hσg(t j )
 
(8.39)
Exemplo 8.8. Considere o seguinte problema de Newmann:
ut = uxx
sujeita à
u(x, 0) = − sin(πx), 1 ≤ x ≤ 2



∂u(0,t)
= −e−2t , 0 ≤ t ≤ T

(Condição de Neumann)


 ∂x
∂u(L,t)

= e−t /2, 0 ≤ t ≤ T (Condição de Neumann)


∂x
Pelo método explı́cito, encontre os valores aproximados de Ui,j quando j = 1. Utilize

h= 1
2 ek= 1
20 .
Solução:
Dos dados do problema h = 12 , σ = kα

h2
= 15 .
3 1 2
x0 = 1, x1 = , x2 = 1, t0 = 2, t1 = , t2 = .
2 20 20
ψ(x) = − sin(πx), f (t) = −e−2t , g(t) = e−t /2
E os valores U0,0 = ψ(x0 ) = 0, U1,0 = ψ(x1 ) = 1, U2,0 = ψ(x2 ) = 0, e
f (t0 ) = −1; g(t0 ) = 1/2.
174
Na equação dos pontos fantasmas:
U1,0 − U−1,0
= −1, então U−1,0 = 2
2h
U3,0 − U1,0 1 3
= , então U3,0 = .
2h 2 2
Pelo método explı́cito:
U0,1 = σU1,0 + (1 − 2σ)U0,0 + σU−1,0 = 0, 6
U1,1 = σU2,0 + (1 − 2σ)U1,0 + σU0,0 = 0, 6
U2,1 = σU3,0 + (1 − 2σ)U2,0 + σU1,0 = 0, 5.
Exemplo 8.9. Resolva numericamente pelo Método explı́cito a equação parabólica

com condições de Neumann:
ut = 2uxx
sujeita à
u(x, 0) = 1 − x2 , 0 ≤ x ≤ 1



∂u(0,t)
= 0, 0 ≤ t ≤ T



 ∂x
 ∂u(L,t) = −2e−t , 0 ≤ t ≤ T


∂x
40 . Determine a linha correspondente a j = 1.
Solução:
Dos dados do problema h = 1

2 = 0, 5, σ = kα
h2
= 15 .
1 1 2
x0 = 0, x1 = , x2 = 1, t0 = 0, t1 = , t2 = .
2 40 40
ψ(x) = 1 − x2 , f (t) = 0, g(t) = −2e−t
E os valores U0,0 = ψ(x0 ) = 1, U1,0 = ψ(x1 ) = 0, 75, U2,0 = ψ(x2 ) = 0, e
f (t0 ) = 0; g(t0 ) = −2.
Sustituindo j = 0 nas equações (8.39) obtemos:

      
 U0,1   1 − 2σ 2σ 0   U0,0   −2hσ f (t0 ) 
       
 U  =  σ 1 − 2σ σ   U1,0  +  0 
 1,1       
     
U2,1 0 2σ 1 − 2σ U2,0 2hσg(t0 )

175
Desse modo
3 2
        
 U0,1   5 5 0   1   0   0, 90 
         
 U  =  1 3 1   0, 75  +  0  =  0, 65 
 1,1   5 5 5       
   2 3 
    2   
U2,1 0 5 5 0 −5 −0, 1
Exercı́cio 8.1. Escreva as equações do Método Implı́cito e do Método de Crank-Nicolson

para uma edp parabólica com condições de fronteira de Neumann.
8.4 Equações Elı́pticas
8.4.1 O modelo de Equação Elı́ptica
O modelo de equação elı́ptica que usaremos é o seguinte:
∂2 u ∂2 u
+ = f (x, y) (8.40)
∂x2 ∂x2
em que f (x, y) é uma função de duas variavéis. Esta edp é chamada Equação de Poisson
e está definida no retângulo
R = {(x, y) : 0 ≤ x ≤ a, 0 ≤ y ≤ b}.
Note-se que as variavéis independentes são x e y. De novo encontraremos aproximações

de u(x, y) em R. A discretização de R é a mesma que no caso das equações parabólicas,
isto é, escolhemos dois inteiros positivos N e M e definimos h = a
N ek = b
M. A sub-divisão
no eixo x é
x0 = 0, x1 = h, · · · , xi = ih, · · · , xN = a;
e no eixo y é:
y0 = 0, y1 = k, · · · , yi = ik, · · · , yM = b.
Esta discretização está mostrada na Fig. 43.

Para resolver está equação elı́ptica precisamos do conhecimento do valor de u(x, y)
na fronteira de R. Denotaremos a fronteira de R por ∂R. Em outras palavras, precisamos
a condição:
u(x, y) = g(x, y), se (x, y) ∈ ∂R, (8.41)
na qual g(x, y) é uma função contı́nua em ∂R. Esta última condição é conhecida como
condição de Dirichlet.
Discretizando a equação (8.40) no ponto genérico (xi , y j ) e usando as equações da
Observação 8.1:
uxx (xi , y j ) + u yy (xi , y j ) = f (xi , yi )
176
Figura 43: Discretização do Domı́nio para uma equação elı́ptica.
u(xi + h, y j ) − 2u(xi , y j ) + u(xi − h, y j ) u(xi , y j + k) − 2u(xi , y j ) + u(xi , y j − k)

+ ≈ f (xi , y j )
h2 k2
ou para i = 1, · · · , N − 1 e j = 1, · · · , M − 1,
u(xi+1 , y j ) − 2u(xi , y j ) + u(xi−1 , y j ) u(xi , y j+1 ) − 2u(xi , y j ) + u(xi , y j−1 )

+ ≈ f (xi , y j )
h2 k2
Seguindo a notação já utilizada, seja Ui, j a aproximação de u(xi , yi ) e fi,j o valor
f (xi , y j ), então:
Ui+1,j − 2Ui,j + Ui−1,j Ui, j+1 − 2Ui, j + Ui,j−1

+ = fi, j (8.42)
h2 k2
Da condição de Dirichlet (8.41) podemos determinar os valores de Ui, j nos pontos da

fronteira ∂R (pontos em azul na Figura (43)):
Ui, j = g(xi , y j ), se i = 0 e N, j = 0, · · · M.
Ui, j = g(xi , y j ), se j = 0 e M, i = 0, · · · N.
Logo, os valores desconhecidos são os valores de Ui,j nos pontos internos da malha
(pontos em vermelho na Fig. 43):
Ui, j , para i = 1, · · · N − 1, j = 1, · · · , M − 1. (8.43)
Substituindo os pontos (xi , y j ), para i = 1, · · · , N − 1, j = 1, · · · M − 1 na equação

(8.42), resultam (N − 1) × (M − 1) equações lineares cujas incógnitas são os valores
Ui, j com i = 1, · · · , N − 1, j = 1, · · · M − 1. Resolvendo estas (N − 1) × (M − 1) equações
obteremos os valores de Ui,j nos pontos internos da malha.
177
Figura 44: Valores de u(x, y) na fronteira ∂R.
Exemplo 8.10. Considere a equação diferencial
uxx + u yy = 6(x + 1)y + 8, com 0 ≤ x ≤ 1, 0 < y < 1
sujeita às condições de Dirichlet na fronteira:


 u(x, 0) = 0, u(x, 1) = (x + 1) + 4, 0 ≤ x ≤ 1

 3
 u(0, y) = y + 4y2 , u(1, y) = 8y + 4y2 , 0 < y < 1



Usando h = 1/3 e k = 0.5, encontre os valores aproximados de u(x, y) nos pontos

internos da malha.
Solução:
Discretizando o domı́nio:
1 2
x0 = 0, x1 = , x2 = , x3 = 1,
3 3
y0 = 0, y1 = 0, 5, y2 = 1.
Das condições de Dirichlet, os valores de u(x, y) nos pontos da fronteira são:
U10 = u(1/3, 0) = 0, U20 = u(2/3, 0) = 0, U01 = u(0, 1/2) = 1.5
U12 = u(1/3, 1) = 6.37037, U22 = u(2/3, 1) = 8.6262, U31 = u(1, 1/2) = 5.
Os valores desconhecidos são U1,1 e U2,1 . Discretizando a equação:
Ui+1, j − 2Ui, j + Ui−1, j Ui,j+1 − 2Ui,j + Ui,j−1

+ = 6(xi + 1)y j + 8
h2 k2
178
Subtituindo i = 1, j = 1 obtemos:
9(U21 − 2U11 + U01 ) + 4(U12 − 2U11 + U10 ) = 6(4/3)(0.5) + 8 = 12
Simplificando
9U21 − 26U11 = −26.98148. (8.44)
Substituindo i = 2, j = 1
9(U31 − 2U2,1 + U11 ) + 4(U22 − 2U21 + U2,0 ) = 6(5/3)(0.5) + 8 = 13
Simplificando
− 26U21 + 9U11 = −66.51848 (8.45)
Resolvendo as equações (8.44) e (8.45):
U21 = 3.314813, U11 = 2.18519.
Exercı́cio 8.2. Resolva o Exemplo 8.10 com h = 1

3 e k = 13 .
8.5 Equações não lineares

Para resolver Equações Diferenciais Parciais em geral, devemos discretizar a equação
pelas fórmulas da Observação 8.1 e logo resolver o sistema de equações (lineares ou não)
obtido mediante esta discretização.
Exemplo 8.11. Considere a equação diferencial parcial:


 ut = u + (uxx ) + 2ux , com 0 < x < 1

 2
 u(x, 0) = 2x, u(0, t) = t2 , u(1, t) = 2 − t2



(a) Deduza uma fórmula para encontrar os pontos internos substituindo diferenças
progressivas para ut e diferenças centrais para ux .
(b) Fazendo h = 1/3 e k = 1/20, encontre as aproximações obtidas pelo método

do item (a) para Ui, j com j = 1.
Solução:
Os dados da malha são
1 2
x0 = 0, x1 = , x2 = , x3 = 1
3 3
1
t0 = 0, t1 = .
20
179
Das condições iniciais:
1 2 2 4
U00 = 0, U10 = 2( ) = , U20 = 2( ) = , U30 = 2,
3 3 3 3
Discretizando a equação
Ui, j+1 − Ui,j Ui+1, j − 2Ui, j + Ui−1,j 2 Ui+1, j − Ui−1,j

= Ui,j + +2
k h2 2h
Se i = 1 e j = 0, obtemos
1 h 2 i
U1,1 − U1,0 = ( ) U1,0 + 81 U2,0 − 2U1,0 + U0,0 + 3 U2,0 − U0,0
20
Substituindo os dados segue que U11 = 0, 9.

Se i = 2, j = 0 obtemos
1 h 2 i
U2,1 − U2,0 = ( ) U2,0 + 81 U3,0 − 2U2,0 + U1,0 + 3 U3,0 − U1,0
20
Substituindo os dados segue que U21 = 1.6.
180
Exercı́cio 8.3. Nos domı́nios especificados, determine o tipo de cada uma das equações
diferenciais abaixo:
(a) xuxx − yu yy = 0, com D = {x > 0, y > 0}
(b) x2 uxx + 2(1 − y2 )u yy = 0, com D = {−1 < x < 1, −1 < y < 1}
(c) uxx − 2u yy = 0, D = R2
(d) uxx − 2uxy + 4u yy = 0, D = R2
(e) uxx − 2uxy + u yy = 0, D = R2
(f) uxy − ux = 0, D = R2
Exercı́cio 8.4. Verifique se a função u(x, t) = cos(2πt) sin(πx) é solução da equação da

onda dada abaixo, para algum c > 0:
utt = c2 uxx , onde 0 < x < 1, 0 < t < 0.5





u(0, t) = 0,

(8.46)




u(x, 0) = sin(πx)


Exercı́cio 8.5. Considere a equação diferencial
ut = auxx + bux , com a > 0, 0 ≤ x ≤ L, 0 < t < T
com condição inicial e de fronteira dadas por
u(x, 0) = ψ(x), 0 < x < L





u(0, t) = f (t), 0 < t < T

(8.47)




 u(L, t) = g(t), 0 < t < T

Faça o que se pede:
(a) Classifique a EDP dada acima.
(b) Mostre que, discretizando esta equação pelo Método explı́cito e diferenças centrais
para aproximar ux , obtém-se:
ka bk 2ka ka kb
Ui, j+1 = + Ui+1, j + 1 − 2 Ui,j + 2 − Ui−1,j
h2 2h h h 2h
(c) Para a = 2, b = 1, L = 0.5, ψ(x) = 5x, f (t) = 0, g(t) = 2.5, h = 1/10, k = 1/20, calcule
o valor aproximado de u(0.3, 0.05).
Exercı́cio 8.6. Considere a equação da onda utt − 4uxx = 0 para 0 < x < 1, t > 0,
h = 0.5, k = 0.05, com condições de fronteira u(0, t) = u(1, t) = 0 e condições iniciais
u(x, 0) = sin(πx) e ut (x, 0) = 0.
(a) Verifique que u(x, y) = sin(πx) cos(2πt) é solução exata da equação;
181
(b) Faça o esboço da malha até o tempo t = 0.25;
(c) Usando aproximações obtidas pelo Método das Diferenças finitas, trace o esboço de
um gráfico para a função u(0.5, t) onde 0 ≤ t ≤ 0.25.
Exercı́cio 8.7. Considere o problema:
uxx + u yy = − cos(x + y) − cos(x − y), 0 ≤ x ≤ π/2, 0 < y < π/2





u(x, 0) = cos(x), u(x, π/2) = 0, 0 ≤ x ≤ π/2

(8.48)




u(0, y) = cos(y), u(π/2, y) = 0, 0 ≤ y ≤ π0 2


Utilizando h = π/4 e k = π/4 no Método de diferenças finitas para o problema acima,

calcule o valor aproximado para u(π/4, π/4).
Exercı́cio 8.8. Considere a equação uxx + u yy = xe y para 0 < x < 1.5, 0 < y < 1.5,
h = k = 0.5 e condições de fronteira:

 u(0, y) = 0, u(1.5, y) = 1.5e

 y
(8.49)
 u(x, 0) = x, u(x, 1.5) = xe1.5


(a) Verifique que u(x, y) = xe y é solução exata da equação;
(b) Encontre o erro relativo para cada uma das aproximações obtidas pelo Método das
diferenças finitas nos pontos interiores da malha.
Exercı́cio 8.9. Uma placa de 12 cm de lado tem suas bordas mantidas á temperatura de
100 graus. Sabendo que a temperatura é dada pela função u(x, y), faça o que se pede:
(a) Considerando h = 4 e k = 6, faça um esboço da malha que representa a placa.
(b) Utilizando h = 4 e k = 6 no Método de Diferenças Finitas e sabendo que uxx + u yy = 0,

encontre os valores das temperaturas no interior da placa.
Exercı́cio 8.10. Considere a equação diferencial
ut = uxx , com 1 ≤ x ≤ 2, 0 < t < T





u(x, 0) = sin(πx), 1 ≤ x ≤ 2

(8.50)



 u (1, t) = −πe−π2 t , u (2, t) = πe−π2 t , 0 < t < T


x x
(a) Utilize o valor de ux (1, t) para calcular uma aproximação para u(0.5, 0) quando
h = 0.5.
(c) Considerando h = 1/2 e k = 1/8 no Método das diferenças finitas, determine o valor
aproximado para u(1, 1/8).
Exercı́cio 8.11. Considere a equação ut = αuxx . Estabeleça a condição necessária para a

estabilidade de um Método Explı́cito e mostre o que acontece quando α = 0.5 e α = 10−3 .
182
Exercı́cio 8.12. Calcule a solução aproximada de uxx + u yy + cos(y)ux − sin(x)u y = 0 no
retângulo unitário com condição de Dirichlet na fronteira. Resolva o problema através
de uma aproximação em Diferenças Finitas, utilizando diferenças progressivas para as
derivadas de primeira ordem.
Exercı́cio 8.13. Resolva o problema anterior utilizando diferenças centrais para as deri-
vadas de primeira ordem. Explique o que ocorre.
Exercı́cio 8.14. Considere a equação diferencial ut = uxx , com , 0 ≤ x ≤ 1 e 0 < t < T

com condição de fronteira u(0, t) = u(1, t) = 0 para todo t > 0, e com condição inicial
dada 
 2x
 , 0 ≤ x < 1/2
u(x, 0) = 

(8.51)
 2 − 2x , 1/2 ≤ x ≤ 1

Faça o que se pede:
(a) Considerando h = 1/4, para que valores de k o Método Explı́cito é estável?
(b) Se h = 1/4 e k = 1/50, encontre as duas primeiras linhas de soluções pelo Método
Explı́cito.
(c) Se h = 1/3 e k = 1/50, encontre as duas primeiras linhas de soluções pelo Método
Implı́cito.
(d) Se h = 1/3 e k = 1/50, encontre as duas primeiras linhas de soluções pelo Método
de Crank-Nicolson.
Exercı́cio 8.15. Considere o problema quase-linear ut = (ux )2 + u.uxx , com x ∈ [0, 1], t > 0
com condição inicial e de fronteira:
2
u(x, 0) = −( x6 + x − 32 ), para todo x ∈ [0, 1]




u(0, t) = 2(1+t)
3
, para todo t > 0

(8.52)




u(1, t) = 3(1+t) , para todo t > 0.
1


(a) Obtenha uma fórmula para as soluções utilizando o Método Explı́cito e diferenças
centrais para a primeira derivada em relação a x.
(b) Obtenha as duas primeiras linhas de soluções usando h = 1/3 e k = 1/40.
Exercı́cio 8.16. Considere o seguinte problema com condições de fronteira de Newmann:
ut = uxx , com α > 0, 0 ≤ x ≤ L, 0 < t < T.
sujeita à:
u(x, 0) = x2 − 1, para todo x ∈ [0, 1]





ux (0, t) = 2(u − 1), para todo t > 0

(8.53)




 u (1, t) = −3(u − 2), para todo t > 0.

x
183
(a) Obtenha o método resultante de aproximação das condições de fronteira por
diferenças centrais e da equação pelo Método Explı́cito.
(b) Obtenha o método resultante da aproximação da fronteira esquerda por diferençãs

regressivas, da fronteira direita por diferenças progressivas e da equação pelo
Método Explı́cito.
(c) Resolva os items (a) e (b) usando h = 1/3 e k = 1/30.
Exercı́cio 8.17. A resolução numérica da seguinte equação diferencial parcial
uxx + u yy = 6xy + 8, com 1 ≤ x ≤ 2, 0 < y < 1





u(x, 0) = 0, u(x, 1) = x3 + 4, 1 ≤ x ≤ 2





 u(1, y) = y + 4y2 , u(2, y) = 8y + 4y2 , 0 < y < 1

está representada na figura abaixo com h = 1/30 e k = 1/30.
Figura 45: Resolução no computador.
Resolva a mesma equação diferencial considerando h = 1/3 e k = 0.5 e encontre os

valores aproximados de u(x, y) nos pontos internos da malha. Compare com os valores
correspondentes da figura.
Exercı́cio 8.18. Considere a equação diferencial parcial com as condições inicial e de

fronteira seguintes: 
 ut = 3uxx , com 0 < x < 1, 0 < t < T


(8.54)
 u(x, 0) = x3 , u(0, t) = 0, u(1, t) = e−2t


(a) Considerando h = 1/3 e k = 1/40, encontre os valores de Ui,j para j = 1 pelo método
explı́cito.
(b) Usando o método implı́cito e os valores do item (a), encontre os valores de Ui, j
para j = 2.
184
Exercı́cio 8.19. Considere a equação diferencial parcial:

 ut = u + (uxx ) + 2ux , com 0 < x < 1

 3
(8.55)
 u(x, 0) = 2x3 , u(0, t) = t2 , u(1, t) = 2 − t2


(a) Deduza uma fórmula para encontrar os pontos internos substituindo diferenças
progressivas para ut e diferenças centrais para ux .
(b) Fazendo h = 1/3 e k = 1/20, encontre as aproximações obtidas pelo método do

item (a) para Ui, j com j = 1.
Referências
[1] Arenales, Selma e Darezzo, Arthur: Cálculo Numérico: aprendizagem com apoio de
software. São Paulo, Thomson Learning, 2008.
[2] Bertoldi, Neide: Cálculo Numérico. São Paulo, Pearson Prentice Hall, 2006.
[3] Ruggeiro, Márcia e Lopes, Vera Lúcia: Cálculo Numérico: Aspectos Teóricos e Computa-
cionais . 2a Edição, São Paulo, Pearson Makron Books, 1996.
[4] Steward, James: Cálculo . Vol. 1, Cengage Learning, São Paulo, 2013.
185

Notas

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Notas

Enviado por

Direitos autorais:

Formatos disponíveis

Cálculo Numérico

Itajubá, fevereiro de 2016.

2 Métodos numéricos para a solução de equações 35

4 Resolução Numérica de Sistemas Lineares 69

6 O método dos mı́nimos quadrados 122

7 Resolução Numérica de Equações Diferenciais Ordinárias 132

8 Resolução Numérica de Equações Diferenciais Parciais 156

Frequentemente indicaremos uma sequência por simplesmente {an }. O número an é

(c) Se a1 = 1, a2 = 1 e definimos an = an−1 + an−2 , para n ≥ 3, obtemos a sequência de

Finalmente temos as sequências que não possuem uma fórmula explicita:

(e) Se an é o n-ésimo dı́gito decimal do número de Neper e, a sequência associada é

cujos termos não podem ser expressados por uma fórmula.

se para cada  > 0 dado, existe um N ∈ N tal que

se n > N então |an − L| < .

|an − L| <  para todo n > N.

TEOREMA 1.1. O limite de uma sequência convergente é único.

|L1 − L2 | = |(L1 − an ) − (L2 − an )| ≤ |an − L1 | + |an − L2 | < 2.

TEOREMA 1.2. Suponha que limn→+∞ an = L e limn→+∞ bn = M, e c ∈ R. Então valem

TEOREMA 1.3 (Teorema do Confronto). Suponha que existe N ∈ N tal que an ≤ bn ≤ cn

− < an − L <  e −  < cn − L <  =⇒ L −  < an < bn < cn < L + .

Assim |bn − L| < , isto é, lim bn = L.

Demonstração. Note que −|an | ≤ an ≤ |an |. Se lim |an | = 0, o Teorema do Confronto

TEOREMA 1.5. Seja f (x) uma função contı́nua em x = L. Se lim an = L então

DEFINIÇÃO 1.5. Uma sequência {an } é limitada superiormente se existir um

TEOREMA 1.6. Toda sequência monótona e limitada é convergente.

Exemplo 1.3. Investigue a sequência {an } definida pela relação de recorrência a1 = 1,

• Suponha que para n = h, 0 < ah−1 < ah < 5. Então

Logo ah < ah+1 < 5.

Como an > 0, segue que L = 5.

O Teorema 1.7 nos permitirá calcular limites usando a Regra de l’Hôpital.

em que na 2a igualdade temos usado a Regra de l’Hôpital.

Exemplo 1.5. Demonstre que {n1/n } é convergente e calcule o limite.

(2) Afirmamos que L ≥ 1. De fato, se L < 1, existiria n0 tal que se n > n0 ,

Pelo Exemplo 1.4, segue que ln L = 0 e então L = 1.

Exercı́cio 1.1. Estude a convergência das sequências:

Exercı́cio 1.6. Seja {an } a sequência de Fibonacci dada recursivamente por a1 = a2 = 1 e

DEFINIÇÃO 1.6. Seja {an }∞

Se a sequência {sn } é convergente com S = lim sn então diz-se que a série

an for convergente, então lim an = 0.

Demonstração. Se an é convergente então as sequência de somas parciais sn =

O Teorema 1.8 é equivalente ao Teste da divergência:

Exemplo 1.6. Seja r ∈ R uma constante. Então a série geométrica de razão r é

• Se |r| < 1, lim rn = 0 e a série geométrica converge com

• Se r > 1, lim rn = ∞ e a série geométrica diverge. Neste caso diverge para

• Se r = 1, lim rn = 1 e então, pelo Teste da Divergência, a série diverge.

Exemplo 1.7. Considere a série telescópica

Portanto a série telescópica é convergente e sua soma é 1.

Exemplo 1.8. Considere a série harmônica:

can é convergente e can = c an .

1.3 Teste de Comparação

Como 0 ≤ an ≤ bn , segue que

sn ≤ sn + an+1 = sn+1 e tn ≤ tn + bn+1 = tn+1 ,

indicando que {sn } é monótona limitada, logo convergente.

para todo n, sn < tn , temos lim tn = +∞ o que implica que bn é divergente.

Exemplo 1.9. Considere a série

Pelo teste de comparação segue que a série dada é convergente.

Exemplo 1.10. Considere a série

Se n ≥ 1, n2 < n2 + 3 ≤ n2 + 3n2 . Assim extraindo raiz quadrada

Se c é positivo e finito então ou ambas séries convergem ou ambas séries divergem.

Demonstração. Como 0 < c < +∞ podemos encontrar dois números positivos e

1.4 Teste da série alternada

TEOREMA 1.13 (Teorema de Leibniz). Se a série alternada

ssn+1 = s2n + a2n+1 =⇒ lim s2n+1 = lim s2n + lim a2n+1 =⇒ L = M.

se para cada > 0 dado, existe um N ∈ N tal que

se n > N então |an − L| < .

|an − L| < para todo n > N.

|L1 − L2 | = |(L1 − an ) − (L2 − an )| ≤ |an − L1 | + |an − L2 | < 2.

− < an − L < e − < cn − L < =⇒ L − < an < bn < cn < L + .

Assim |bn − L| < , isto é, lim bn = L.

|aN | + |aN+1 | + · · · ≤ (1 − )N + (1 − )N+1 + · · · .

an+1 (n + 1)n+1 (x + 5)n+1 n + 1 n