Apostila Metodos Numericos

UNIVERSIDADE FEDERAL DE PELOTAS
INSTITUTO DE F
ISICA E MATEM
ATICA
DEPARTAMENTO DE MATEM
ATICA E ESTAT
ISTICA
APOSTILA DE C
ALCULO NUM
ERICO
pelo
Prof. Dr. German Ramon Canahualpa Suazo
Apostila da disciplina de Calculo Numerico
Pelotas, setembro de 2004
APOSTILA DE C
ALCULO NUM
ERICO
por
German Ram on Canahualpa Suazo
Apostila de Aula para a disciplina Calculo Numerico ministrada no semestre 2004-2.
Autor: Prof. Dr. German Ramon Canahualpa Suazo
Pelotas, setembro de 2004
RESUMO
O prop osito deste trabalho e fornecer ao aluno da disciplina de Calculo Numerico,
um complemento teorico e pratico sobre os conceitos, deni c oes e metodos ministrados em aula,
bem como detalhar as provas das proposi c oes e dos teoremas para um melhor entendimento e
aproveitamento.
i
ABSTRACT
TITLE: LESSONS OF NUMERICAL CALCULUS
ii
INDICE
1 INTRODUC

AO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Natureza e Objetivos da Analise Numerica . . . . . . . . . . . . . . . . . . . 1
1.2 Analise Numerica no contexto da Matematica Computacional . . . . . . 1
1.3 Calculo Numerico no contexto da Analise Numerica . . . . . . . . . . . . . 2
1.4 Calculo Numerico no contexto da Modelagem Matematica . . . . . . . . . 2
2 ALGORITMOS NUM
ERICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 A Estrutura dos Algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Alguns Exemplos de Algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.4 Introdu cao à Analise de Algoritmos . . . . . . . . . . . . . . . . . . . . . . . 7
3 INTRODUC

AO
`
A AN
ALISE DE ERROS . . . . . . . . . . . . . . . . . . . . . . 9
3.1 Erros na Fase da Modelagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Erros na Fase da Resolu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.3 Conversao de Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3.1 Conversao de Inteiros da Base Decimal para a Base Binaria . . . . . . . . . 11
3.3.2 Conversao de N umeros Fracionarios da Base Decimal para a Base Binaria . 12
3.3.3 Conversao de Inteiros da Base Binaria para a Base Decimal . . . . . . . . . 13
3.3.4 Conversao de N umeros Fracionarios da Base Binaria para a Base Decimal . 15
3.4 Aritmetica de Ponto Flutuante . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.5 Erros Absolutos e Relativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.6 Erros de Arredondamento e Truncamento em um Sistema de Aritmetica
de Ponto Flutuante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
iii
3.7 Erros nas Opera c oes Aritmeticas de Ponto Flutuante . . . . . . . . . . . . 23
3.8 Problemas Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4 EQUAC

OES TRANSCENDENTES E ALG
EBRICAS . . . . . . . . . . . . . . 29
4.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2 Aproxima c oes Iniciais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3 Criterios de Parada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.4 O Metodo da Bisse cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.5 O Metodo da Falsa Posi cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.6 O Metodo das Cordas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.7 O Metodo de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.8 A Velocidade de Convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.9 Eciencia de um Metodo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.10 Equa c oes Polinomiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.11 O Metodo de Birge-Vieta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.12 O Metodo de Bairstow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.13 Problemas Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5 SISTEMAS DE EQUAC

OES ALG
EBRICAS LINEARES . . . . . . . . . . . . 56
5.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.2 Metodos Diretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2.1 A Regra de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2.2 Elimina c ao Gaussiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.2.3 Metodo de Decomposi c ao LU . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.3 Metodos Iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
iv
5.3.1 Metodo de Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.3.2 Metodo de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.3.3 Convergencia dos Metodos Iterativos . . . . . . . . . . . . . . . . . . . . . . 69
6 INTERPOLAC

AO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.2 Interpola cao de Lagrange e de Newton . . . . . . . . . . . . . . . . . . . . . 73
6.2.1 Interpola c ao Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6.2.2 Interpola c ao de n + 1 pontos . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.2.3 Erro na Interpola c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.2.4 Forma de Gregory-Newton para o Polinomio Interpolador . . . . . . . . . . 84
6.2.5 Interpola c ao Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
6.3 Polinomios de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
7 AJUSTE DE CURVAS PELO M
ETODO DOS QUADRADOS M
INIMOS . 92
7.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
7.2 Caso Linear Discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
7.2.1 Ajuste de uma Reta por Quadrados Mnimos . . . . . . . . . . . . . . . . . 95
7.3 Caso Linear Contnuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
7.4 Caso Nao Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
8 INTEGRAC

AO NUM
ERICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
8.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
8.2 As Formulas de Newton-Cotes . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
8.2.1 Regra dos Trapezios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
8.2.2 Regra dos Trapezios Repetida . . . . . . . . . . . . . . . . . . . . . . . . . . 105
v
8.2.3 Regra de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
8.2.4 Regra de Simpson Repetida . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
8.2.5 Regra dos Tres Oitavos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
8.2.6 Regra dos Tres Oitavos Repetida . . . . . . . . . . . . . . . . . . . . . . . . 108
8.3 Quadratura Gaussiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
9 RESOLUC

AO NUM
ERICA DE EQUAC

OES DIFERENCIAIS ORDIN
ARIAS112
9.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
9.2 Erros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
9.3 Metodo de Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
9.4 Metodos de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
9.5 Metodos de Runge-Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
9.6 Metodos de Passo M ultiplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
9.6.1 Metodos Explcitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
9.6.2 Metodos Implcitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
9.7 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
vi
INDICE DE FIGURAS
Figura 3.1 Fases da resoluc ao de um problema . . . . . . . . . . . . . . . . . . . . . . . . . 9
Figura 4.1 Uma intersec ao do eixo x com o gr aco da fun c ao fornece uma raiz de f(x) = 0. 32
Figura 4.2 Uma intersec ao dos gr acos de duas fun c oes, y = x e y = e
x
cos(x) fornece
uma raiz de f(x) = 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Figura 4.3 Se f(a)f(b) < 0 ent ao existe pelo menos uma raiz no intervalo ]a, b[. No primeiro
gr aco, existe exatamente uma raiz, no segundo, tres razes e no terceiro, duas
razes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Figura 4.4 Se f(a)f(b) < 0 e f
(x) preservar o sinal em (a, b), ent ao existe uma unica raiz
no intervalo ]a, b[. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Figura 4.5 Escolha da aproxima c ao inicial . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Figura 7.1 Ajuste de uma curva (x) =
1
x
2
aos dados da tabela. . . . . . . . . . . . . . . 94
1
x
2
+
2
x aos dados da tabela. . . . . . . . . . . 95
1
x +
2
aos dados da tabela. . . . . . . . . . . . 97
1
x +
2
` a fun c ao f(x) = 4x
3
. . . . . . . . . . . . 99
2
e
1x
aos dados da tabela. . . . . . . . . . . . . . 100
vii
1 INTRODUC

AO
1.1 Natureza e Objetivos da Analise Numerica
A an alise numerica e uma area da matematica destinada ao estudo analtico das diver-
sas metodologias e abordagens numericas utilizadas na resolu c ao de problemas reais. Os diversos
problemas reais que se originam nas ciencias exatas envolvem quase sempre a resolu c ao de proble-
mas de valor inicial ou problemas de valor de contorno, isto e, equa c oes diferenciais ordinarias ou
parciais junto com condi c oes iniciais (isto e, uma certa congura c ao inicial do modelo) ou condi c oes
de contorno (isto e, uma congura c ao na fronteira geometrico do modelo), respectivamente.
A analise numerica est a, desse modo, envolvida no estudo dos diversos metodos para a
resolu c ao numerica dos problemas de valor inicial ou de contorno, pois, em geral, tais problemas n ao
podem ser resolvidos de maneira exata. Os metodos numericos sao sempre iterativos, isto e, os va-
lores aproximados seguintes dependem dos valores aproximados atuais e/ou anteriores, e devem ser
realizados um n umero nito de vezes. Os tres aspectos fundamentais estudados sao: a eciencia, a
convergencia e a estabilidade de um metodo numerico. As diversas tecnicas matematicas utilizadas
para a resolu c ao dos problemas envolvem com freq uencia a resolu c ao de equa c oes algebricas, de
sistemas de equa c oes lineares, interpola c ao, ajuste, e diferencia c ao e integra c ao numerica.
Um conceito importante estudado na analise numerica e o erro, que pode originar-se
a partir das medi c oes ou do tipo de instrumento de c alculo que est a sendo utilizado.
1.2 Analise Numerica no contexto da Matematica Computacional
A analise numerica e uma area da matematica envolvida com o estudo da resolu c ao
numerica de problemas reais das ciencias exatas. Neste sentido, ela pode ser enquadrada como
uma area da matematica computacional, por estar diretamente relacionada com a elabora c ao de
algoritmos bem como o estudo analtico destes.
A matematica computacional est a relacionada com a resolu c ao de problemas matema-
ticos utilizando computadores.
Antigamente, existiam dois aspectos da investiga c ao cientca: a teoria e o experi-
mento. Atualmente, tem aparecido um terceiro aspecto: a computa c ao.
1
1.3 C alculo Numerico no contexto da An alise Numerica 2
Os modelos matematicos aparecem a partir de diversas areas cientcas, inclundo a
previs ao do tempo, angenharia, comercio e nan cas, ciencia e medicina. A utiliza c ao do computa-
dor para resolver modelos tem revolucionado estas areas.
Desenvolver e analisar tais modelos de modo que as simula coes por computador se-
jam realizadas de maneira eciente e precisa, envolve mais do que a matematica classica e a
ciencia da computa c ao elementar. Inclui tens tais como as implica c oes da imprecis ao e os erros de
aproxima c ao, a eciencia, a precisao e a estabilidade dos c alculos numericos, o desenvolvimento e
manuten c ao de software matematico, e os efeitos de desenvolvimentos modernos em arquiteturas
e redes de computa c ao.
Ate pouco tempo atr as, os modelos e as ferramentas de software correspondentes eram
basicamente desenvolvidos por especialistas na area. Mas devido à complexidade crescente dos
modelos e à facilidade do c alculo por computador, faz-se necessario o entendimento dos conceitos
envolvidos na matematica computacional.
1.3 Calculo Numerico no contexto da Analise Numerica
O c alculo numerico e a parte pratica da analise numerica, pois consiste na aplica c ao
direta de resultados teoricos e fechados da analise numerica em problemas especcos. A funda-
menta c ao teorica desses resultados n ao e o principal objetivo mas ela n ao pode ser deixada de lado.
Nesta apostila, sempre que possvel, serao feitas as demonstra c oes dos resultados teoricos.
1.4 Calculo Numerico no contexto da Modelagem Matematica
O c alculo numerico e uma ferramenta pratica poderosa para resolver problemas prove-
nientes das ciencias exatas. Ele e aproveitado ao resolver numericamente modelos matematicos de
sistemas reais mediante a tecnica denominada simulac ao de sistemas. A modelagem matematica
e geralmente desenvolvida por especialistas da area especca sendo investigada, mas a tendencia
atual e a inser c ao de especialistas da matematica computacional pois o modelo matematico pode
envolver um comprometimento com aspectos tais como a complexidade computacional.
2 ALGORITMOS NUM
ERICOS
2.1 Introdu cao
Dizer que um problema e resolvvel algoritmicamente signica, de modo informal que
pode ser escrito um programa de computador que produzira o resposta correta para qualquer en-
trada se e permitida a execu c ao do programa o tempo que for necessario utilizando o espa co de
armazenamento necessario. Na decada de 30, antes da apari c ao dos computadores, os matematicos
trabalharam ativamente para formalizar e estudar a no c ao de um algoritmo, que foi ent ao inter-
pretado informalmente como um conjunto de instru c oes simples a serem seguidas para resolver um
problema. Foi criada uma area especca da ciencia denominada teoria da computabilidade cujo ob-
jetivo era descrever e caracterizar aqueles problemas que podiam ser resolvidos algoritmicamente
e mostrar aqueles que n ao podiam. Um dos resultados negativos importantes, estabelecido por
Alan Turing, foi a prova da insolubilidade do problema da parada. O problema da parada consiste
em determinar se um algoritmo arbitrario (ou um programa de computador) parar a alguma vez
enquanto trabalha com uma entrada dada. N ao existe um programa de computador que resolva
este problema.
Embora a teoria da computabilidade tem implica c oes obvias e fundamentais para a
ciencia da computa c ao, o conhecimento que um problema pode ser teoricamente resolvido em um
computador n ao basta para armar que tal resolu c ao e pr atica. Por exemplo, um programa de
jogar xadrez de maneira perfeita pode ser escrito. Esta n ao seria uma tarefa muito difcil. Existe
so um n umero nito de maneiras de arranjar as pe cas no tabuleiro, e sob certas regras um jogo
deve terminar apos um n umero nito de movimentos. O programa poderia considerar cada um dos
possveis movimentos de um oponente e as possveis respostas do outro, cada uma das respostas a
esses movimentos e assim por diante, ate que cada seq uencia de movimentos chegue ao m. Ent ao
como o ultimo resultado e conhecido, o computador pode escolher o melhor movimento. O n umero
de arranjos diferentes das pe cas sobre o tabuleiro que e razoavel considerar (muito menor que o
n umero de seq uencias de movimentos) e mais ou menos 10
50
. Um programa que examinasse todos
eles levaria varios milhares de anos. Assim, tal programa n ao pode ser executado.
Existem diversos problemas com aplica c oes praticas que podem ser resolvidos - isto
e, para os quais podem ser escritos programas - mas para os quais os requerimentos de tempo e
armazenamento sao demasiado grandes para que estes programas sejam de uso pratico.

E claro
que os requerimentos de tempo e armazenagem de um programa sao de import ancia pratica. Estes
3
2.2 A Linguagem dos Algoritmos 4
aspectos tem-se convertido no tema de estudo teorico na area da ciencia da computa c ao denominada
complexidade computacional.
2.2 A Estrutura dos Algoritmos
Basicamente, todo algoritmo deve estar munido das seguintes partes:
1. Nome: que deve lembrar o procedimento ou o resultado do algoritmo.
2. Entrada: que deve enumerar de maneira completa todas as variaveis a serem uti-
lizadas pelo algoritmo, assim como a sua natureza. Por exemplo: n umero real ou
inteiro, fun c ao, vetor, matriz (junto com a ordem), etc.
3. Sada: que deve enumerar de maneira completa todas as variaveis a serem obtidas
atraves do procedimento.
4. Procedimento: que deve enumerar as possveis variaveis locais, e o processo ao que
deve ser submetida a entrada do algoritmo, enumerado seq uencialmente.
Por sua vez, o procedimento do algoritmo tem diversas ferramentas b asicas, que sao
enumeradas a seguir:
1. Dar valor a uma variavel: associa o nome da variavel com certo valor calculado.
A sintaxe representativa dessa a c ao tem a forma:
variavel valor
2. Ler o valor de uma variavel: realiza uma opera c ao de leitura, isto e, recebe o valor
de uma variavel e associa a ela o nome de uma variavel. A sintaxe representativa dessa
a c ao tem a forma:
read valor
3. Escrever uma mensagem ou o valor de uma variavel: realiza uma opera c ao
de escritura, isto e, escreve uma mensagem e/ou o valor de uma variavel em algum
dispositivo tal como a memoria ou a tela do computador. A sintaxe representativa
dessa a c ao tem a forma:
write valor
2.2 A Linguagem dos Algoritmos 5
4. Parar o procedimento: p ara o procedimento antes do nal do algoritmo. A sintaxe
representativa dessa a c ao tem a forma:
return
5. O la co for: e utilizado para repetir instru c oes similares varias vezes. A sintaxe
for variavel valor inicial to valor nal by tamanho do salto
_
instruc oes
end
6. O la co while: e utilizado para repetir instru c oes similares varias vezes enquanto
certa condi c ao seja satisfeita. A sintaxe representativa dessa a c ao tem a forma:
while condi c ao do
_
instruc oes
end
7. O condicional if: e utilizado para realizar uma certa a c ao se alguma condi c ao e
satisfeita, e, opcionalmente, outra a c ao se a condi c ao n ao e satisfeita. A sintaxe
if condi c ao then
_
instruc oes
end
ou,
if condi c ao
then instruc oes
else instruc oes
end
Tambem e utilizada uma terceira alternativa, denominada condicional aninhado que
n ao e outra coisa que um condicional dentro de um outro.
2.3 Alguns Exemplos de Algoritmos 6
2.3 Alguns Exemplos de Algoritmos
1. Apresenta-se um algoritmo que calcula as razes reais ou complexas, simples ou duplas,
de uma equa c ao quadr atica com coecientes reais
ax
2
+ bx + c = 0, a = 0.
A tecnica matematica neste caso e a formula de Bhaskara. Lembre que os valores
das razes dependem basicamente do discriminante b
2
4ac: se o discriminante for
positivo, a equa c ao tem duas razes reais diferentes, se for zero, a equa c ao tem uma
raiz real dupla, e se for negativo, a equa c ao tem duas razes complexas conjugadas.
Um algoritmo que realiza este procedimento e
Algoritmo razes
A. Entrada: a, b, c, n umeros reais
B. Sada: x
1
, x
2
, razes reais ou complexas da equa c ao quadr atica ax
2
+ bx + c = 0, a = 0
C. Procedimento:
if a = 0 then
1. write nao e uma equa c ao quadr atica
else if b
2
4ac = 0 then
2. write raiz real dupla, x
1
= x
2
=,-b/(2a)
else if b
2
4ac > 0 then
3. write razes reais simples, x
1
=,
b +
b
2
4ac
2a
,x
2
=,
b
b
2
4ac
2a
else
4. write raizes complexas conjugadas, x
1
= x
2
=,
b
2a
i
4ac b
2
2a
end
end
end
2.4 Introdu c ao ` a An alise de Algoritmos 7
2. Agora, apresenta-se um algoritmo que o produto de duas matrizes reais de ordem
mn e p q, respectivamente. Lembre que a multiplica c ao so e possvel se n = p.
Algoritmo prod mat
A. Entrada: A = [a
ij
]
mn
, B = [b
kl
]
pq
matrizes reais
B. Sada: C = [c
il
]
mq
matriz real, produto das matrizes A e B
C. Procedimento:
if n = p then
1. write a multiplica c ao n ao e possvel
else
for i 1 to m by 1 do
for l 1 to q by 1 do
2. c
il
0
for j 1 to n by 1 do
3. c
il
c
il
+ a
ij
b
jl
end
end
end
end
2.4 Introdu cao à Analise de Algoritmos
Os algoritmos sao analisados visando melhora-los, se possvel, e para escolhe-lo como
apropriado para um determinado problema. Utilizam-se os seguintes criterios:
1. Corre cao: Existem tres etapas envolvidas para estabelecer a corre c ao de um al-
goritmo. Primeiro, antes de determinar se um algoritmo e correto, deve-se ter um
entendimento claro do que signica correto. Precisa-se de uma lista de quais sao
as entradas e as sadas. O metodo de solu c ao precisa ter as formulas corretas e/ou
previamente validadas analiticamente por lemas e teoremas. Segundo, implementar o
algoritmo na forma de um programa. Finalmente, vericar a validade do algoritmo
mediante tecnicas elementares ou sosticadas (tais como a invariancia para la cos).
2. Quantidade de trabalho realizado: est a relacionado com o n umero de opera c oes
b asicas realizadas. Quanto menor tal n umero, mais eciente sera o algoritmo.
2.4 Introdu c ao ` a An alise de Algoritmos 8
3. Analise do pior caso e do caso medio: A quantidade de opera c oes b asicas n ao e
o mesma para entradas diferentes. Por exemplo, o trabalho realizado n ao e o mesmo
se, tratando-se de um algoritmo que ordena alfabeticamente, uma lista de palavras
tem poucas palavras fora de ordem.
4. Quantidade de espa co utilizado: est a relacionado com o requerimento de memoria
de um algoritmo. Quanto menos memoria requerida mais eciente sera o algoritmo.
5. Simplicidade: Com freq uencia, acontece que a maneira mais simples e mais direta de
resolver um problema n ao e a mais eciente. Ainda a simplicidade em um algoritmo e
uma caracterstica desejavel. Pode fazer com que as outras caractersticas do algoritmo
sejam mais faceis de medir.
6. Complexidade do problema: Existem basicamente duas tarefas a serem realizadas
para encontrar um bom algoritmo, ou, desde outro ponto de vista, para responder a
pergunta: Quanto trabalho e necessario e suciente para resolver um problema?
(a) Monte o que parece ser um algoritmo eciente. Encontre uma fun c ao W tal que,
para entradas de tamanho n, o algoritmo efetua como maximo W(n) passos no
pior caso.
(b) Para alguma fun c ao F, prove que para qualquer algoritmo em uma classe sob
considera c ao, existe alguma entrada de tamanho n para a qual o algoritmo deve
realizar pelo menos F(n) passos.
Se as fun c oes W e F sao iguais, ent ao o algoritmo e otimo, sen ao poderia existir um
algoritmo melhor.
3 INTRODUC

AO
`
A AN
ALISE DE ERROS
O objetivo maior e a resolu c ao de problemas que surgem das mais diversas areas da
ciencia. Este objetivo pode ser atingido atraves de varias fases. Estas podem ser resumidas, de
maneira geral, no seguinte esquema:
- -
problema
modelagem
modelo
resoluc ao
soluc ao
matem atico
real
Figura 3.1 Fases da resoluc ao de um problema
De maneira bastante geral, um erro e e diferen ca entre o valor real e o valor obtido
como solu c ao de um problema.

E de interesse conhecer as possveis fontes de erros para que se
possa controla-los ou evit a-los. As duas fases, modelagem e resolu c ao, sao as maiores fontes de
erros na resolu c ao de um problema.
3.1 Erros na Fase da Modelagem
O objetivo da fase da modelagem e obter um modelo matem atico que descreve
o comportamento do fenomeno que origina o problema real.
Nesta fase, os erros podem ser classicados basicamente em dois tipos:
erros inerentes ao modelo: decorrem das simplica c oes feitas no ambiente do
fenomeno, aplicadas no modelo. Por exemplo: considere a equa c ao de queda livre de
um corpo
h = H v
0
t
1
2
gt
2
(3.1)
sendo
h : altura do corpo com rela c ao ao solo no instante t (m),
H : altura inicial (t = 0) do corpo com rela c ao ao solo (m),
v
0
: velocidade inicial (t = 0) do corpo (m/s),
g : acelera c ao da gravidade (m/s
2
) e
t : tempo (s).
A equa c ao (3.1) tem simplica c oes tais como a n ao inclusao da resistencia do ar, a
velocidade e dire c ao do vento, etc.
9
3.2 Erros na Fase da Resolu c ao 10
erros no levantamento dos dados: sao os erros introduzidos atraves dos in-
strumentos de medi c ao. Por exemplo, suponha que quer-se determinar a altura de
um predio mediante um cronometro e uma bolinha de metal, utilizando a formula da
queda livre (3.1). Sobe-se no topo do edifcio e larga-se a bolinha, medindo o tempo
que a bolinha gasta para tocar o solo. Se o cronometro marcou tres (3) segundos,
ent ao, como no solo h = 0,
H = v
0
t +
1
2
gt
2
= 0 +
1
2
9, 8 3
2
= 44, 1 m
Mas este resultado n ao e con avel, pois para 3, 1 segundos a altura resulta H = 47, 1
m. A diferen ca entre as medi c oes pode ser devido à percep c ao do observador bem
como a imprecis oes proprias do instrumento.
3.2 Erros na Fase da Resolu cao
O objetivo da fase da resoluc ao e obter a soluc ao do modelo matem atico
junto com a informa c ao dos dados, mediante a aplica c ao de metodos numericos.
Nesta fase, tem-se as seguintes fontes de erros:
erros de convers ao numerica: originam-se quando a informa c ao dos dados numericos
na base decimal e transferida para a calculadora ou computador, ou quando o resul-
tado numerico obtido no computador e transferido para o usuario. Estes erros podem
ser de arredondamento ou de truncamento.
erros de aritmetica de ponto flutuante: que se originam quando os dados
sao processados no computador mediante opera c oes aritmeticas. Cabe ressaltar que
acontece um fenomeno chamado propaga c ao de erros, que e um processo em que os
erros cometidos em um c alculo inuenciam nos c alculos subseq uentes.
Nas se c oes seguintes, estudam-se estes processos.
3.3 Convers ao de Bases 11
3.3 Conversao de Bases
3.3.1 Convers ao de Inteiros da Base Decimal para a Base Bin aria
Aplica-se o metodo das divisoes sucessivas, que consiste em dividir o n umero por 2 e
os sucessivos quocientes por 2 ate que o ultimo quociente seja 1. Esquematicamente:
N | 2
r
1
q
1
| 2
r
2
q
2
| 2
r
3
q
3
.
.
.
q
n1
| 2
r
n1
1
(3.2)
A representa c ao binaria do n umero N est a dada por
N = 1r
n1
. . . r
3
r
2
r
1
(2)
(3.3)
Este metodo pode ser utilizado para converter qualquer n umero inteiro da base decimal
para uma base qualquer : divide-se o n umero por e os sucessivos quocientes por ate que o
ultimo quociente seja um inteiro 1 q
n
< . Esquematicamente:
N |
r
1
q
1
|
r
2
q
2
|
r
3
q
3
.
.
.
q
n1
|
r
n1
q
n
(3.4)
A representa c ao do n umero N na base est a dada por
N = q
n
r
n1
. . . r
3
r
2
r
1
()
(3.5)
Exemplo 3.1.
18 | 2
0 9 | 2
1 4 | 2
0 2 | 2
0 1
18
10
= 10010
2
Exemplo 3.2.
11 | 2
1 5 | 2
1 2 | 2
0 1
11
10
= 1011
2
3.3.2 Convers ao de N umeros Fracion arios da Base Decimal para a Base Bin aria
Aplica-se o metodo das multiplica c oes sucessivas, que consiste em multiplicar o n umero
por 2 e extrair a parte inteira (podendo ser 0). O resto fracionario e multiplicado novamente por 2
e a parte inteira e extrada. Este processo deve-se repetir ate ter um resto fracionario igual a 0 ou
ate observar um padr ao repetitivo, em cujo caso tratar-se-a de um n umero fracionario periodico
(puro ou misto).
Exemplo 3.3.
0, 3125 0, 625 0, 25 0, 50
2 2 2 2
0, 6250 1, 250 0, 50 1, 00
0, 3125
10
= 0, 0101
2
Exemplo 3.4.
0, 8 0, 6 0, 2 0, 4 0.8
2 2 2 2 2
1, 6 1, 2 0, 4 0, 8 1, 6
. . . os produtos est ao se repetindo
0, 8
10
= 0, 1100
2
Exemplo 3.5. Considere o n umero 12, 125
10
= 12
10
+ 0, 125
10
12 | 2
0 6 | 2
0 3 | 2
1 1
0, 125 0, 25 0, 5
2 2 2
0, 250 0, 50 1, 0
12
10
= 1100
2
0, 125
10
= 0, 001
2
Portanto, 12, 125
10
= 1100
2
+ 0, 001
2
= 1100, 001
2
Para converter um n umero fracionario da base decimal para uma base , tambem
aplica-se o metodo das multiplica c oes sucessivas, que, neste caso, consiste em multiplicar o n umero
por e extrair a parte inteira (podendo ser 0). O resto fracionario e multiplicado novamente por
e a parte inteira e extrada. Este processo deve-se repetir ate ter um resto fracionario igual a 0
ou ate observar um padr ao repetitivo.
3.3.3 Convers ao de Inteiros da Base Bin aria para a Base Decimal
O n umero representado por
a
m
. . . a
2
a
1
a
0(2)
tem o valor decimal igual a
a
m
2
m
+ + a
2
2
2
+ a
1
2 + a
0
. (3.6)
Portanto, para conhecer o valor decimal do n umero a
m
. . . a
2
a
1
a
0(2)
basta calcular a soma em (3.6).
Esta soma pode ser calculada diretamente ou utilizando dois metodos equivalentes
1. o esquema de Horner que consiste em calcular a seq uencia
b
m
= a
m
,
b
m1
= a
m1
+ 2b
m
,
b
m2
= a
m2
+ 2b
m1
,
.
.
.
b
1
= a
1
+ 2b
2
,
b
0
= a
0
+ 2b
1
.
(3.7)
O valor decimal do n umero a
m
. . . a
2
a
1
a
0(2)
e ent ao, simplesmente, b
0
.
2. a divis ao de Ruffini que e equivalente ao primeiro metodo e so difere na disposi c ao
dos coecientes a
j
e b
j
,
a
m
a
m1
a
2
a
1
a
0
2 2b
m
2b
3
2b
2
2b
1
b
m
b
m1
b
2
b
1
b
0
Exemplo 3.6. O n umero 11101
2
forma a seq uencia de Horner
b
4
= a
4
= 1,
b
3
= a
3
+ 2b
4
= 1 + 2 1 = 3,
b
2
= a
2
+ 2b
3
= 1 + 2 3 = 7,
b
1
= a
1
+ 2b
2
= 0 + 2 7 = 14,
b
0
= a
0
+ 2b
1
= 1 + 2 14 = 29;
isto e, 11101
2
= 29.
Exemplo 3.7. O n umero 101100
2
forma o esquema de Runi
1 0 1 1 0 0
2 2 4 10 22 44
1 2 5 11 22 44
Portanto, 101100
2
= 44
A metodologia anterior pode ser generalizada para converter qualquer n umero inteiro
na base para a base decimal. Considere o n umero O n umero representado por
a
m
. . . a
2
a
1
a
0()
1. o esquema de Horner consiste em calcular a seq uencia
b
m
= a
m
,
b
m1
= a
m1
+ b
m
,
b
m2
= a
m2
+ b
m1
,
.
.
.
b
1
= a
1
+ b
2
,
b
0
= a
0
+ b
1
.
(3.8)
O valor decimal do n umero a
m
. . . a
2
a
1
a
0()
0
.
2. a divis ao de Ruffini,
a
m
a
m1
a
2
a
1
a
0
b
m
b
3
b
2
b
1
b
m
b
m1
b
2
b
1
b
0
3.3.4 Convers ao de N umeros Fracion arios da Base Bin aria para a Base Decimal
Considere o n umero fracionario na base binaria
0, a
1
a
2
. . . a
n(2)
.
Este n umero tem representa c ao nita e o valor decimal e
a
1
2
1
+ a
2
2
2
+ + a
n
2
n
. (3.9)
Esta soma pode ser calculada diretamente ou utilizando qualquer um dos dois metodos ja enunci-
ados na subse c ao anterior com algumas modica c oes
1. o esquema de Horner,
b
n
= a
n
,
b
n1
= a
n2
+
1
2
b
n
,
b
n2
= a
n3
+
1
2
b
n1
,
.
.
.
b
2
= a
2
+
1
2
b
3
,
b
1
= a
1
+
1
2
b
2
,
b
0
=
1
2
b
1
.
(3.10)
O valor decimal do n umero 0, a
1
a
2
. . . a
n
(2)
0
.
2. a divis ao de Ruffini,
a
n
a
n1
a
2
a
1
0
1
2
1
2
b
n

1
2
b
3
1
2
b
2
1
2
b
1
b
n
b
n1
b
2
b
1
b
0
Exemplo 3.8. O n umero 0, 10111
2
origina a seq uencia de Horner
b
5
= a
5
= 1,
b
4
= a
4
+
1
2
b
5
= 1 +
1
2
1 =
3
2
,
b
3
= a
3
+
1
2
b
4
= 1 +
1
2

3
2
=
7
4
,
b
2
= a
2
+
1
2
b
3
= 0 +
1
2

7
4
=
7
8
,
b
1
= a
1
+
1
2
b
2
= 1 +
1
2

7
8
=
23
16
,
b
0
=
1
2
b
1
=
1
2

23
16
=
23
32
= 0, 71875.
Portanto, 0, 10111
2
= 0, 71875
Exemplo 3.9. O n umero 0, 00111
2
origina a divis ao de Runi
1 1 1 0 0 0
1
2
1
2
3
4
7
8
7
16
7
32
1
3
2
7
4
7
8
7
16
7
32
Portanto, 0, 00111
2
=
7
32
= 0, 21875.
Se o n umero fracionario tem representa c ao binaria innita
0, a
1
a
2
. . . a
n
b
1
b
2
. . . b
m
(2)
,
ent ao o valor decimal e
a
1
2
1
+ a
2
2
2
+ + a
n
2
n
+ b
1
2
n1
+ b
2
2
n2
+ + b
m
2
nm
+ b
1
2
nm1
+ b
2
2
2n2
+ + b
m
2
n2m
+ b
1
2
n2m1
+ b
2
2
n2m2
+ + b
m
2
n3m
+
(3.11)
que pode ser escrito como
_
a
1
2
1
+ a
2
2
2
+ + a
n
2
n
_
+
_
b
1
2
1
+ b
2
2
2
+ + b
m
2
m
_
2
mn
2
m
1
(3.12)
onde as duas expressoes entre parenteses tem a mesma forma que a soma na equa c ao (3.9) e podem
ser calculadas diretamente ou utilizando qualquer dos metodos descritos anteriormente.
Exemplo 3.10. O n umero fracion ario 0, 11010
2
tem valor decimal
_
1 2
1
+ 1 2
2
_
+
_
0 2
1
+ 1 2
2
+ 0 2
3
_
1
2
3
1
=
_
1
2
+
1
4
_
+
1
4

1
7
=
11
14
3.4 Aritmetica de Ponto Flutuante 17
Portanto,
0, 11010
2
=
11
14
= 0, 7857142
Em geral, se o n umero fracionario tem representa c ao innita na base ,
0, a
1
a
2
. . . a
n
b
1
b
2
. . . b
m()
,
ent ao o valor decimal e
_
a
1
1
+ a
2
2
+ + a
n
n
_
+
_
b
1
1
+ b
2
2
+ + b
m
m
_

mn
m
1
(3.13)
onde as duas expressoes entre parenteses podem ser calculadas diretamente ou utilizando qualquer
dos metodos descritos anteriormente (divis ao de Runi ou metodo de Horner).
3.4 Aritmetica de Ponto Flutuante
As calculadoras e computadores possuem um n umero nito de dgitos para representar
os n umeros. Formaliza-se esta arma c ao na seguinte deni c ao:
Deni cao 3.1. Um sistema normalizado de aritmetica de ponto flutuante consiste de
0 e todos os n umeros que podem ser representados na forma
_
0, d
1
d
2
. . . d
t
_
exp
onde e um inteiro maior ou igual que 2 denominado base do sistema, t e um inteiro maior ou
igual que 1 denominado n umero de dgitos do sistema, d
j
s ao inteiros tais que 0 d
j
1,
j = 2, . . . t, e 0 < d
1
1, e exp e um inteiro tal que m exp M sendo m M dois
inteiros, exp e denominado expoente do n umero. Tal sistema e denotado por F
_
, t, m, M
_
.
Em um sistema normalizado de aritmetica de ponto utuante, a parte fracionaria de
um n umero na base ,
_
d
1
d
2
. . . d
t
_
e denominada mantissa.
Os par ametros , t, m e M dependem exclusivamente do computador
3.4 Aritmetica de Ponto Flutuante 18
M aquina t m M
Burroughs 5500 8 13 -51 77
Burroughs 6700 8 13 -63 63
HP 45 10 10 -98 100
Texas SR-5X 10 12 -98 100
PDP-11 2 24 -128 127
IBM/360 16 6 -64 63
IBM/370 16 14 -64 63
Quartzil QI 800 2 24 -127 127
No sistema F
_
, t, m, M
_
podem ser observadas as seguintes caractersticas:
1. O menor n umero positivo possvel de ser representado neste sistema e
x
MIN
= 0, 10 . . . 0
m
=
m1
2. A regiao de underow e denida como o intervalo
_
x
MIN
, x
MIN
_
,
isto e, qualquer n umero real cujo valor verdadeiro est a nesse intervalo, sera considerado
0 neste sistema.
3. O maior n umero positivo possvel de ser representado neste sistema e
x
MAX
=
_
0, ( 1)( 1) . . . ( 1)
_
M
=

t
1
t

M
4. A regiao de overow e denida como a uniao de dois intervalos
_
, x
MAX
_
_
x
MAX
,
_
,
isto e, qualquer n umero real cujo valor verdadeiro est a nessa uniao de intervalos, sera
considerado ou +, dependendo de se o n umero est a no primeiro ou no segundo
intervalo, respectivamente.
5. O n umero total de elementos do sistema e
2
_
1
__
M m + 1
_
t1
+ 1 (3.14)
3.5 Erros Absolutos e Relativos 19
Exemplo 3.11. Considere o sistema F
_
2, 3, 1, 2
_
. O menor elemento positivo deste sistema e
x
MIN
= (0, 100)
2
2
1
= 2
11
=
1
4
,
portanto, a regi ao de underow e o intervalo
_
1
4
,
1
4
_
.
O maior elemento positivo deste sistema e
x
MAX
= (0, 111)
2
2
2
=
2
3
1
2
3
2
2
=
7
2
,
portanto, a regi ao de overow deste sistema e
_
,
7
2
_
_
7
2
, +
_
.
Mais ainda, como os valores dos par ametros do sistema s ao pequenos, os valores na base decimal
dos elementos positivos podem ser enumerados em um arranjo
mantissa exp=-1 exp=0 exp=1 exp = 2
100
1
4
1
2
1 2
101
5
16
5
8
5
4
5
2
110
3
8
3
4
3
2
3
111
7
16
7
8
7
4
7
2
O n umero de elementos do sistema F
_
2, 3, 1, 2
_
e
2
_
1
__
M m + 1
_
t1
+ 1 = 2 (2 1) (2 + 1 + 1) 2
31
+ 1 = 33.
3.5 Erros Absolutos e Relativos
Nesta se c ao, formaliza-se o conceito de erro absoluto e relativo.
Deni cao 3.2. Seja x o valor exato de um n umero e x o seu valor aproximado. O erro absoluto
e denido como a diferenca entre o valor exato e o valor aproximado do n umero, isto e,
EA
x
= x x
3.5 Erros Absolutos e Relativos 20
Em geral, apenas o valor x e conhecido, e neste caso, e impossvel obter o valor exato
do erro absoluto. Mas uma alternativa e calcular uma estimativa ou cota superior do valor absoluto
do erro absoluto.
Por exemplo, sabe-se que o valor exato de
_
3, 14 , 3, 15
_
, e para um valor aproxi-
mado, dentro deste intervalo, tem-se
EA
= | | < 0, 01.
Por outro lado, seja x o n umero aproximado por x = 1234, 5 de modo que
EA
x
< 0, 1,
ou seja, x
_
1234, 4 , 1234, 6
_
e seja y o n umero aproximado por y = 2, 3 de modo que
EA
y
< 0, 1,
ou seja, y
_
2, 2 , 2, 4
_
. As cotas superiores para os erros absolutos sao os mesmos, mas os n umeros
x e y n ao est ao representados com a mesma precisao. Neste caso, e necessario comparar a ordem
de grandeza de x e y. Fazendo isto, pode-se concluir que o primeiro resultado e mais preciso que
o segundo, pois a ordem de grandeza de x e maior que a ordem de grandeza de y.
Observa-se, ent ao, que o erro absoluto n ao e suciente para descrever a precisao de
uma aproxima c ao. Precisa-se de uma outra ferramenta, o erro relativo.
Deni cao 3.3. Seja x o valor exato de um n umero e x o seu valor aproximado. O erro relativo
e denido como o erro absoluto dividido por x, isto e,
ER
x
=
EA
x
x
=
x x
x
.
Voltando ao exemplo anterior, tem-se
ER
x
EA
x
| x|
<
0, 1
1234, 5
0, 8 10
4
e
ER
y
EA
y
| y|
<
0, 1
2, 3
0, 4 10
1
,
que conrma, portanto, que o n umero x e representado com maior precisao que o n umero y.
3.6 Erros de Arredondamento e Truncamento em um Sistema de Aritmetica de Ponto Flutuante 21
3.6 Erros de Arredondamento e Truncamento em um Sistema de Aritmetica de
Ponto Flutuante
Na se c ao 3.4, viu-se que a representa c ao de um n umero depende da maquina uti-
lizada, isto e, cada maquina possui um sistema F
_
, t, m, M
_
, que determina a base numerica, o
comprimento de palavra, etc.
Se um n umero x n ao tem uma representa c ao nita na base ou se o comprimento
de palavra da maquina n ao comporta tal representa c ao, sera considerada uma aproxima c ao por
arredondamento ou por truncamento.
Exemplo 3.12. Considere o sistema F
_
10, 4, m, M
_
, com m e M muito grandes em m odulo. O
n umero x = 62, 378 pode ser expresso como
x = 0, 6237 10
2
+ 0, 8 10
2
.
Pode-se observar que a ultima parcela, 0, 810
2
, desta soma n ao pode ser incorporada totalmente
` a mantissa. Ent ao, aparece a quest ao de como considerar esta parcela e determinar o erro absoluto
ou relativo m aximo cometido.
Um problema semelhante aparece quando tenta-se representar o n umero y =
1
6
= 0, 1
6.
Observa-se que
y = 0, 1666 10
0
+ 0, 6 10
4
.
Dado o sistema F
_
, t, m, M
_
, se um n umero x positivo, n ao est a na regiao de un-
derow ou overow, ent ao pode ser escrito como
x =
_
0, d
1
d
2
. . . d
t
_
exp
+ g
x
expt
, d
1
= 0,
onde 0 g
x
< 1. Para tratar o problema de considerar a parcela g
x

expt
, podem-se adotar
dois criterios:
1. truncamento: a parcela g
x
expt
e desprezada e
x =
_
0, d
1
d
2
. . . d
t
_
exp
F
_
, t, m, M
_
.
Neste caso,
EA
x
= |x x| =
g
x
expt
<
expt
, pois
g
x
< 1
3.6 Erros de Arredondamento e Truncamento em um Sistema de Aritmetica de Ponto Flutuante 22
e
ER
x
EA
x
| x|
=
g
x
expt
_
0, d
1
d
2
. . . d
t
_
exp
<

expt
0, 1
exp
=
t+1
,
pois
_
0, d
1
d
2
. . . d
t
_
0, 1
=
1
.
2. arredondamento: a forma mais comum e o arredondamento simetrico, isto e,
x =
_
_
_
0, d
1
d
2
. . . d
t
_
exp
se
g
x
<
1
2
,
_
0, d
1
d
2
. . . (d
t
+ 1)
_
exp
se
g
x
1
2
.
O erro absoluto est a dado por
EA
x
= |x x| =
_
g
x
expt
, se
g
x
<
1
2
,
g
x
1
expt
, se
g
x
1
2
,
<
1
2

expt
;
e o erro relativo pode ser calculado como
ER
x
EA
x
| x|
<
_
_
1
2

expt
_
0, d
1
d
2
. . . d
t
_
exp
se
g
x
<
1
2
,
1
2

expt
_
0, d
1
d
2
. . . (d
t
+ 1)
_

exp
se
g
x
1
2
,
<
1
2

expt
0, 1
exp
=
1
2
t+1
.
Portanto, os erros cometidos no arredondamento simetrico tem as seguintes cotas
superiores
EA
x
<
1
2

expt
; (3.15)
e
ER
x
<
1
2
t+1
. (3.16)
Uma ferramenta muito utilizada para medir quanto um n umero aproxima outro e o
n umero de dgitos signicativos exatos.
3.7 Erros nas Opera c oes Aritmeticas de Ponto Flutuante 23
Deni cao 3.4. Sejam x e x dois n umeros. O n umero x e dito uma aproxima c ao de x em k dgitos
signicativos exatos, se

x x
|x|

1
2
k+1
Exemplo 3.13. Se x = 1/3 e x = 0.333, ent ao
x x
|x|
0, 1 10
2
= 0, 1 10
3+1
e x e uma aproxima c ao de x em 3 dgitos signicativos exatos.
3.7 Erros nas Opera c oes Aritmeticas de Ponto Flutuante
Sejam x e y dois n umeros reais e x e y dois valores aproximados dos primeiros, re-
spectivamente. Ent ao
x = x + EA
x
(3.17)
e
y = y + EA
y
. (3.18)
Ser ao obtidas as formulas para os erros absolutos e relativos nas quatro opera c oes
aritmeticas principais:
1. adic ao: tem-se que
x + y =
_
x + EA
x
_
+
_
y + EA
y
_
=
_
x + y
_
+
_
EA
x
+ EA
y
_
;
portanto, o erro absoluto na soma, denotado por EA
x+y
e a soma dos erros absolutos
das parcelas,
EA
x+y
= EA
x
+ EA
y
. (3.19)
O erro relativo pode ser calculado como
ER
x+y
=
EA
x+y
x + y
=
EA
x
x

x
x + y
+
EA
y
y

y
x + y
= ER
x
x
x + y
+ ER
y
y
x + y
.
(3.20)
2. subtrac ao: similarmente ao caso anterior, tem-se que
EA
xy
= EA
x
EA
y
(3.21)
e
ER
xy
= ER
x
x
x y
ER
y
y
x y
. (3.22)
3. multiplicac ao: tem-se que
x y =
_
x + EA
x
_
_
y + EA
y
_
= x y + y EA
x
+ x EA
y
+ EA
x
EA
y
e considerando que o produto EA
x
EA
y
e muito pequeno, pode ser desprezado na
expressao acima, conseguindo a seguinte equa c ao para o erro absoluto no produto
EA
xy
= x EA
y
+ y EA
x
. (3.23)
O erro relativo pode ser calculado como
ER
xy
=
EA
xy
x y
=
x EA
y
+ y EA
x
x y
=
EA
x
x
+
EA
y
y
= ER
x
+ ER
y
.
(3.24)
4. divis ao: tem-se que
x
y
=
x + EA
x
y + EA
y
=
x + EA
x
y

1
1 +
EA
y
y
.
O ultimo fator,
1
1 +
EA
y
y
, pode ser representado mediante uma serie
1
1 +
EA
y
y
= 1
EA
y
y
+
_
EA
y
y
_
2
_
EA
y
y
_
3
+ (3.25)
e desprezando os termos com potencias maiores que 1, tem-se que
x
y

x + EA
x
y

_
_
1
EA
y
y
_
_
=
x
y
+
EA
x
y

x EA
y
y
2

EA
x
EA
y
y
2
;
novamente, considerando que o produto EA
x
EA
y
e muito pequeno, pode ser de-
sprezado na expressao acima, e ent ao
x
y

x
y
+
EA
x
y

x EA
y
y
2
.
Assim, consegue-se a seguinte expressao para o erro absoluto da divisao:
EA
x/y
=
EA
x
y

x EA
y
y
2
=
y EA
x
x EA
y
y
2
(3.26)
e para o erro relativo tem-se
ER
x/y
=
y EA
x
x EA
y
y
2

y
x
=
EA
x
x

EA
y
y
,
portanto
ER
x/y
= ER
x
ER
y
. (3.27)
Exemplo 3.14. Suponha que x, y, z e v est ao representados de maneira exata. Quer-se encontrar
uma cota superior do erro relativo total cometido ao calcular
u = (x + y) z v
no sistema de aritmetica de ponto utuante F
_
10, t, m, M
_
. O erro relativo de arredondamento e
denotado por
a
.
Tem-se que
ER
total
x+y
= ER
x
x
x + y
+ ER
y
y
x + y
+
a
=
a
e ent ao
ER
total
x+y
<
1
2
10
t+1
.
Seja s = x + y. Ao calcular s z, o erro relativo total desse produto e
ER
total
sz
= ER
s
+ ER
z
+
a
= ER
x+y
+ 0 +
a
3.8 Problemas Propostos 26
e, portanto,
ER
total
sz
< 10
t+1
Seja m = s z. Ao calcular u = mv, o erro relativo total dessa diferenca e
ER
total
mv
= ER
m
m
m v
ER
v
v
m v
+
a
= ER
m
m
m v
+
a
e, portanto,
ER
total
mv
ER
m
m
m v
< 10
t+1
m
m v
+
1
2
10
t+1
.
Enm,
ER
total
mv
<
_
m
u

1
2
_
10
t+1
.
3.8 Problemas Propostos
1. Converter os seguintes n umeros decimais para sua forma binaria
(a) 321
(b) 32, 15
(c) 0, 025
(d) 3, 17
2. Converter os seguintes n umeros binarios para sua forma decimal
(a) 1010101
2
(b) 0, 011
2
(c) 0, 01110
2
(d) 1101, 0010110
2
3. Efetuar as seguintes opera c oes (sem converter para a base decimal):
(a) 1, 001
2
+ 0, 1
2
+ 0, 0111
2
(b) 1534, 23
6
+ 54, 445
6
+ 44, 12
6
(c) 754, 56
8
552, 7777
8
(d) 4332, 2
5
23, 22
5
(e) A1B, A
16
7CE, D
16
4. Considere o sistema F
_
10, 4, m, M
_
. Dados os n umeros x = 0, 727310
4
, y = 0, 3323
10
1
e z = 0, 8382 10
1
, efetuar as opera c oes abaixo e obter o erro relativo total no
resultado:
(a) x + y + z
(b) x y z
(c) x/y
(d) (x y)/z
(e) x (y/z)
5. Seja x um n umero real e x a sua aproxima c ao por arredondamento. Obter cotas
superiores para os erros relativos de u = 2x e w = x + x.
6. Sejam x e y n umeros reais aproximados por arredondamento por x e y, respectiva-
mente. Compare os erros relativos de u = 3 x y e w = (x + x + x) y
7. Sejam x e y dois n umeros reais aproximados por x = 0, 17869310
1
e y = 0, 178439
10
1
no sistema F
_
10, 6, m, M
_
. Quantos dgitos signicativos exatos tem estas aprox-
ima c oes? Se a diferen ca z = x y e aproximada mediante z = x y, qual e o erro
relativo total cometido? Quantos dgitos signicativos exatos possui z?
8. Considere o sistema aritmetico de ponto utuante F
_
2, 4, 2, 1
_
.
(a) Encontre o menor e maior elementos positivos de tal sistema e determine a regiao
de underow e overow;
(b) Enumere, mediante uma tabela, todos os elementos positivos de tal sistema e
encontre o n umero de elementos.
9. Em um sistema F
_
10, 3, m, M
_
, onde a aproxima c ao e feita por truncamento, calcule
a media dos n umeros x = 4, 45 e y = 6, 76 de duas maneiras, primeiro, mediante a
formula
c =
x + y
2
e depois pela formula
d = x +
y x
2
.
Calcule a media verdadeira, compare os resultados e explique a diferen ca.
10. Encontre as razes da equa c ao
x
2
400x + 1 = 0
utilizando a formula
x =
b
b
2
4ac
2a
em um sistema aritmetico decimal utuante de quatro dgitos. Calcule a verdadeira
raiz e compare. Compare os resultados anteriores, se no mesmo sistema aritmetico
(de quatro dgitos), a raiz e calculada pela formula
x =
2c
b
b
2
4ac
.
Explique a diferen ca destes resultados.
11. Em um sistema F
_
10, 4, m, M
_
, calcule a media dos n umeros x = 4, 568 e y = 6, 762
de duas maneiras, primeiro, mediante a formula
c =
x + y
2
e depois pela formula
d = x +
y x
2
.
Calcule a media verdadeira, compare os resultados e explique a diferen ca.
4 EQUAC

OES TRANSCENDENTES E ALG
EBRICAS
4.1 Introdu cao
Um problema de grande import ancia na matematica aplicada e na engenharia e de-
terminar as solu c oes de uma equa c ao da forma
f(x) = 0. (4.1)
Deni cao 4.1. Se na equac ao
f(x) = 0,
a fun c ao f(x) e dada explicitamente por
f(x) = p
n
(x) = x
n
+ a
n1
x
n
+ + a
1
x + a
0
, (4.2)
isto e, f(x) e um polin omio de grau n em x, ent ao a equac ao (4.1) e denominada uma equac ao
polinomial.
Se f(x) pode ser conhecida s o de maneira implcita mediante uma fun c ao transcen-
dente, ent ao a equac ao (4.1) e denominada uma equac ao transcendente.
Deni cao 4.2. Um n umero e uma solu c ao de f(x) = 0 se f() = 0. Essa solu c ao e denomi-
nada uma raiz ou um zero de f(x) = 0.
Deni cao 4.3. Uma raiz de f(x) = 0 e dita uma raiz multipla de multiplicidade m, onde
m N, se e somente se,
1.
d
k
dx
k
f() = 0 para k = 0, . . . m1, onde
d
0
dx
0
f() denota f(); e
2.
d
m
dx
m
f() = 0.
Uma raiz de multiplicidade 1 denomina-se uma raiz simples.
Em geral, existem dois tipos de metodos utilizados para encontrar as razes da equa c ao
(4.1).
(i) Metodos Diretos: Estes metodos fornecem o valor exato das razes em um n umero
nito de passos. Alem do mais, os metodos d ao todas as razes ao mesmo tempo. Por
29
4.1 Introdu c ao 30
exemplo, um metodo direto d a a raiz de uma equa c ao linear ou de primeiro grau
a
1
x + a
0
= 0, a
1
= 0 (4.3)
como
x =
a
0
a
1
. (4.4)
Similarmente, as razes da equa c ao quadr atica ou de segunda ordem
a
2
x
2
+ a
1
x + a
0
= 0, a
2
= 0 (4.5)
est ao dadas por
x =
a
1
_
a
2
1
4a
2
a
0
2a
2
. (4.6)
(ii) Metodos Iterativos: Estes metodos est ao baseados na ideia de aproxima c ao sucessiva,
isto e, come car com uma ou mais aproxima c oes da raiz e obter uma seq uencia de
aproximantes ou iteradas
_
x
k
_
, que, no limite quando k , converge à raiz. Os
metodos podem fornecer so uma raiz por vez. Por exemplo, para resolver a equa c ao
quadr atica (4.5) pode-se escolher qualquer um dos seguintes metodos iterativos:
(a) x
k+1
=
a
0
+ a
2
x
2
k
a
1
, k = 0, 1, 2, . . .;
(b) x
k+1
=
a
0
a
2
x
k
+ a
1
, k = 0, 1, 2, . . .; e
(c) x
k+1
=
a
0
+ a
1
x
k
a
0
x
k
, k = 0, 1, 2, . . ..
A convergencia da seq uencia
_
x
k
_
para um n umero , a raiz da equa c ao (4.5) de-
pende da escolha de uma f ormula recursiva, (a), (b) ou (c), e da escolha de uma
aproxima c ao inicial x
0
.
Deni cao 4.4. Uma seq uencia de aproximantes
_
x
k
_
converge ` a raiz , se e somente se,
lim
k
x
k
= 0.
Deni cao 4.5. Se x

k
, x
k1
, . . . , x
km+1
s ao m aproximantes da raiz, ent ao dene-se um
metodo iterativo de m pontos como
x
k+1
=
_
x
k
, x
k1
, . . . , x
km+1
_
.
A fun c ao e denominada func ao iterativa do metodo.
4.2 Aproxima c oes Iniciais 31
Cada aplica c ao da metodo iterativo para obter determinado x
k
e denominada uma
iterac ao.
Para m = 1, consegue-se o metodo iterativo de um ponto
x
k+1
=
_
x
k
_
.
O processo de encontrar uma raiz da equa c ao da equa c ao f(x) = 0 pode ser dividido
em duas etapas:
1. determinac ao de uma aproximac ao inicial que consiste em obter um intervalo
onde se encontra a raiz ; e
2. refinamento que consiste na escolha de um metodo iterativo para obter uma aprox-
ima c ao da raiz com algum grau de precisao.
A seguinte se c ao trata o tema da determina c ao de uma aproxima c ao inicial.
4.2 Aproxima c oes Iniciais
Com freq uencia, as aproxima c oes iniciais da raiz sao tomadas a partir de consid-
era c oes fsicas do problema. Caso contrario, quase sempre sao utilizados metodos gracos, baseados
no c alculo, para obter aproxima c oes iniciais da raiz.
Como o valor de x, em que o graco da equa c ao y = f(x) intersecta o eixo x, fornece
a raiz de f(x) = 0, qualquer valor em uma vizinhan ca deste ponto pode ser tomado como uma
aproxima c ao da raiz. Por exemplo, veja os gracos da gura 4.1,
Se a equa c ao f(x) = 0 pode ser escrita na forma f
1
(x) = f
2
(x), ent ao o ponto de
interse c ao dos gracos das equa c oes y = f
1
(x) e y = f
2
(x) fornece a raiz de f(x) = 0 e portanto
qualquer valor na vizinhan ca deste ponto pode ser tomado como uma aproxima c ao inicial da raiz.
Veja, por exemplo, a gura 4.2.
Outro metodo muito comum utilizado para obter uma aproxima c ao inicial de uma
raiz est a baseado no Teorema do Valor Intermedi ario, que arma
Figura 4.1 Uma intersec ao do eixo x com o gr aco da fun c ao fornece uma raiz de f(x) = 0.
Figura 4.2 Uma intersec ao dos gr acos de duas fun c oes, y = x e y = e
x
cos(x) fornece uma raiz
de f(x) = 0.
Teorema 4.1. Se f(x) e uma fun c ao contnua sobre algum intervalo [a, b] e e satisfeita a de-
sigualdade f(a)f(b) < 0, ent ao a equac ao f(x) = 0 tem pelo menos uma raiz real no intervalo
]a, b[.
Observa c oes: Sob as hipoteses do teorema anterior, outro resultado importante e que a equa c ao
f(x) = 0 possui pelo menos uma raiz real ou um n umero mpar de razes incluindo a multiplicidade
no intervalo ]a, b[.
Gracamente, alguns dos casos que podem acontecer sao os mostrados na gura 4.3.
Figura 4.3 Se f(a)f(b) < 0 ent ao existe pelo menos uma raiz no intervalo ]a, b[. No primeiro
gr aco, existe exatamente uma raiz, no segundo, tres razes e no terceiro, duas razes.
Observa cao: Sob as hipoteses do teorema anterior, se f
(x) existir e preservar o sinal em ]a, b[,

ent ao este intervalo contem um unico zero de f(x). Veja a gura 4.4
f
(x) > 0, x [a, b] f
(x) < 0, x [a, b]

Figura 4.4 Se f(a)f(b) < 0 e f
(x) preservar o sinal em (a, b), ent ao existe uma unica raiz no
intervalo ]a, b[.
Tambem pode-se construir uma tabela dos valores da fun c ao f(x) para varios valores
de x e obter uma aproxima c ao inicial de uma raiz da equa c ao.
Exemplo 4.1. Para obter uma aproxima c ao inicial de uma raiz da equac ao
f(x) = cos(x) xe
x
= 0,
pode-se construir uma tabela dos valores da fun c ao f(x) para v arios valores de x. Consegue-se
4.3 Criterios de Parada 34
x f(x)
0 1
0,5 0,0532
1,0 -2,1780
1,5 -6,6518
2,0 -15,1942
A partir da tabela, encontra-se que a equac ao f(x) = 0 tem pelo menos uma raiz
no intervalo ]0, 5 , 1, 0[. Ent ao, as escolhas possveis para uma aproxima c ao inicial podem ser
x
0
= 0, 5, x
0
= 1, 0 ou x
0
=
0, 5 + 1, 0
2
= 0, 75.
4.3 Criterios de Parada
A partir de uma aproxima c ao inicial x
0
, qualquer metodo iterativo gera uma seq uencia
de aproximantes
_
x
k
_
=
_
x
1
, x
2
, x
3
, . . . , x
k
, . . .
_
de uma raiz da equa c ao. Devido a limita c oes
fsicas, tal seq uencia n ao pode ser innita.
Portanto, existe a necessidade de estabelecer criterios de parada para construir
uma seq uencia nita de aproximantes
_
x
1
, x
2
, x
3
, . . . , x
k
_
. Os criterios mais comuns sao enumer-
ados a seguir
1. n umero fixo de iterac oes, isto e, a formula do metodo iterativo deve ser utilizada
um n umero prescrito, N, de vezes;
2. parada baseada no erro absoluto do aproximante: dada uma toler ancia
de erro prescrita, , deve-se parar se
x
k
x
k1
< .
3. parada baseada no erro relativo do aproximante: dada uma toler ancia
de erro prescrita, , deve-se parar se
x
k
x
k1
x
k
< .
4. parada baseada em um n umero de dgitos significativos exatos do aprox-
imante: se deseja-se obter um aproximante x
k
com M dgitos signicativos exatos
4.4 O Metodo da Bisse c ao 35
(com rela c ao ao valor exato da raiz), deve-se parar quando
x
k
x
k1
x
k
< 0, 5 10
M+1
.
4.4 O Metodo da Bisse cao
Este metodo est a baseado na aplica c ao repetida do teorema do valor intermedi ario.
Se e sabido que uma raiz de f(x) = 0 encontra-se no intervalo I
0
=]a
0
, b
0
[, ent ao bisseca-se I
0
no
ponto x
0
=
a
0
+ b
0
2
. Dene-se o intervalo I
1
com uma aquela metade do intervalo I
0
que ainda
contem a raiz, para isto deve-se ter que
I
1
=]a
1
, b
1
[=
_
_
]a
0
, x
0
[, se f(a
0
)f(x
0
) < 0,
]x
0
, b
0
[, se f(a
0
)f(x
0
) > 0.
Ja que o intervalo I
1
contem a raiz, ent ao procede-se a bissecar este intervalo novamente para obter
um intervalo I
2
, e assim por diante.
O k-esimo passo deste metodo pode ser descrito da seguinte maneira: Dado o intervalo
I
k1
=]a
k1
, b
k1
[, que contem a raiz da equa c ao f(x) = 0, bisseca-se tal intervalo no ponto
x
k1
=
a
k1
+ b
k1
2
e escolhe-se aquela metade do intervalo que ainda contem a raiz, mediante o
seguinte teste
I
k
=]a
k
, b
k
[=
_
_
]a
k1
, x
k1
[, se f(a
k1
)f(x
k1
) < 0,
]x
k1
, b
k1
[, se f(a
k1
)f(x
k1
) > 0.
No caso que f(x
k1
) = 0, ent ao x
k1
e uma raiz de f(x) = 0.
Cada passo deste metodo, requer uma avalia c ao da fun c ao f(x): f(x
k1
).
Os resultados obtidos a partir do metodo da bisse c ao podem ser arranjados em uma
tabela com o seguinte formato:
4.4 O Metodo da Bisse c ao 36
k a
k
b
k
x
k
=
a
k
+ b
k
2
Erro:
x
k
x
k1
x
k
Sinal de f(a
k
) Sinal de f(x
k
)
0 a
0
b
0
x
0
- < 0 ou > 0 < 0 ou > 0
1 a
1
b
1
x
1
x
1
x
0
x
1
< 0 ou > 0 < 0 ou > 0

2 a
2
b
2
x
2
x
2
x
1
x
2
< 0 ou > 0 < 0 ou > 0

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Este metodo, constroi uma seq uencia de intervalos I
0
I
1
I
2
. . . tal que cada
intervalo contem a raiz. Depois de repetir o procedimento N vezes, ou a raiz e achada ou obtem-se
um intervalo I
N
de comprimento b
N
a
N
=
b
0
a
0
2
N
que contem a raiz. A aproxima c ao desejada
da raiz e tomada como x
N
=
a
N
+ b
N
2
.
Este metodo e simples e a seq uencia de aproximantes
_
x
k
_
sempre converge à raiz .
Se e permitido um erro ent ao o n umero aproximado de itera c oes requeridas pode ser determinado
a partir da seguinte rela c ao
b
0
a
0
2
n
< ou n >
ln(b
0
a
0
) ln()
ln(2)
(4.7)
O mnimo n umero de itera c oes requerido para aproximar uma raiz no intervalo ]0, 1[
para um dado e dado na tabela a seguir
n
10
2
7
10
3
10
10
4
14
10
5
17
10
6
20
10
7
24
Assim, o metodo da bisse c ao requer um grande n umero de itera c oes para atingir um
grau razoavel de precisao para a raiz.
Exemplo 4.2. Efetuar seis itera c oes do metodo da bissec ao para obter uma aproxima c ao da raiz
da equac ao
f(x) = x
3
5x + 1 = 0
no intervalo ]0, 1[ e determinar quantos dgitos signicativos exatos possui o aproximante da raiz.
4.5 O Metodo da Falsa Posi c ao 37
Tem-se que f(0) = 1 > 0 e f(1) = 5 < 0. Agora, monta-se a tabela
k a
k
b
k
x
k
=
a
k
+ b
k
2
Erro:
x
k
x
k1
x
k
f(a
k
) f(x
k
)
0 0 1 0, 5 - 1 1.375
1 0 0, 5 0, 25 1 1 0, 234375
2 0 0, 25 0, 125 1 1 0.376953125
3 0, 125 0, 25 0, 1875 0,
3 0.376953125 0, 0690917969
4 0, 1875 0, 25 0, 21875 0, 1428571429 0, 0690917969 0, 083282471
5 0, 1875 0, 21875 0, 203125 0, 07692307692
Ent ao a aproxima c ao da raiz e x
5
= 0.203125 e o erro relativo e
x
5
x
4
x
5
= 0, 07692307692 < 0, 5 10
0
= 0, 5 10
1+1
o que indica que o aproximante tem 1 dgito signicativo exato.
4.5 O Metodo da Falsa Posi cao
O metodo da falsa posi c ao tem uma abordagem analoga à do metodo da bisse c ao.
Quando f(a
0
)f(b
0
) < 0 a raiz encontra-se no intervalo [a
0
, b
0
] se a
0
< b
0
, ou, no intervalo [b
0
, a
0
]
se b
0
< a
0
. No metodo da bisse c ao, o aproximante x
0
e calculado como a media entre a
0
e
b
0
, x
0
=
a
0
+ b
0
2
. No metodo da bisse c ao, calcula-se o aproximante seguinte, x
0
, como a media
ponderada entre a
0
e b
0
com pesos |f(b
0
)| e |f(a
0
)|, respectivamente. Tem-se, ent ao
x
0
=
a
0
|f(a
0
)| + b
0
|f(b
0
)|
|f(b
0
)| +|f(b
0
)|
=
a
0
f(b
0
) b
0
f(a
0
)
f(b
0
) f(a
0
)
, (4.8)
devendo-se a ultima igualdade ao fato que f(a
0
)f(b
0
) < 0. A seguir, se f(a
0
)f(x
0
) < 0, escolhe-se
a
1
= a
0
e b
1
= x
0
, e se f(a
0
)f(x
0
) > 0, escolhe-se a
1
= x
0
e b
1
= b
0
. O processo e continuado
sabendo que f(a
1
)f(b
1
) < 0.
Os resultados obtidos a partir do metodo da falsa posi c ao podem ser arranjados em
uma tabela com o seguinte formato:
4.5 O Metodo da Falsa Posi c ao 38
k a
k
b
k
f(a
k
) f(b
k
) x
k
=
a
k
f(b
k
) b
k
f(a
k
)
f(b
k
) f(a
k
)
Erro:
x
k
x
k1
x
k
f(x
k
)
0 a
0
b
0
f(a
0
) f(b
0
) x
0
- f(x
0
)
1 a
1
b
1
f(a
1
) f(b
1
) x
1
x
1
x
0
x
1
f(x
1
)
2 a
2
b
2
f(a
2
) f(b
2
) x
2
x
2
x
1
x
2
f(x
2
)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Exemplo 4.3. Efetuar tres itera c oes do metodo da falsa posi c ao para obter uma aproxima c ao da
raiz da equac ao
f(x) = x
3
5x + 1 = 0
no intervalo ]0, 1[ e determinar quantos dgitos signicativos exatos possui o aproximante da raiz.
Tem-se que f(0) = 1 > 0 e f(1) = 5 < 0. Agora, monta-se a tabela
k a
k
b
k
f(a
k
) f(b
k
) x
k
=
a
k
f(b
k
) b
k
f(a
k
)
f(b
k
) f(a
k
)
Erro:
x
k
x
k1
x
k
f(x
k
)
0 0 1 1 3 0, 25 - 0, 234375
1 0 0, 25 1 0, 234375 0, 202532 0, 234375 0, 004351
2 0 0, 202532 1 0, 004351 0, 201654 0, 004351 -
5
= 0.202532 e o erro relativo e
x
2
x
1
x
2
= 0, 004351 < 0, 5 10
2
= 0, 5 10
3+1
o que indica que o aproximante tem 3 dgitos signicativos exatos.
Observe que, na verdade, efetua-se uma s o avaliac ao funcional por itera c ao. Por
exemplo, f(a
1
) = f(a
0
) e f(b
1
) = f(x
0
).
A seguir, mostra-se um exemplo onde a velocidade de convergencia e menor que no
caso anterior.
Exemplo 4.4. Utilizando o metodo da falsa posi c ao, obtenha uma aproxima c ao da raiz da equac ao
f(x) = cos(x) xe
x
= 0
no intervalo ]0, 1[ com dois dgitos signicativos exatos.
Para se ter uma aproxima c ao com dois dgitos signicativos exatos, o erro relativo
deve ser menor que 0, 5 10
2+1
= 0, 5 10
1
= 0, 05.
4.6 O Metodo das Cordas 39
Tem-se que f(0) = 1 > 0 e f(1) = 2.177980 < 0. Agora, monta-se a tabela
k a
k
b
k
f(a
k
) f(b
k
) x
k
=
a
k
f(b
k
) b
k
f(a
k
)
f(b
k
) f(a
k
)
Erro:
x
k
x
k1
x
k
f(x
k
)
0 0 1 1 2, 177980 0, 314665 - 0, 519871
1 0, 314665 1 0, 519871 2, 177980 0, 446728 0, 295622 0, 203545
2 0, 446728 1 0, 203545 2, 177980 0, 494015 0, 095720 0, 070802
3 0, 494015 1 0, 070802 2, 177980 0, 509946 0, 031240 -
3
= 0, 509946 e o erro relativo e
x
3
x
2
x
3
= 0, 031240 < 0, 5 10
1
= 0, 5 10
2+1
o que indica que o aproximante tem 2 dgitos signicativos exatos.
4.6 O Metodo das Cordas
Sabe-se que se f(x) = 0 e uma equa c ao de primeiro grau em x ent ao pode ser resolvida
facilmente. O metodo das cordas produz resultados exatos se f(x) = 0 e uma equa c ao de primeiro
grau.
A ideia do metodo esta baseada na seguinte condi c ao: Se x
k1
e x
k
sao dois aproxi-
mantes consecutivos da raiz da equa c ao f(x) = 0, ent ao, denotando por
f
k1
f(x
k1
) e f
k
f(x
k
),
substitui-se a fun c ao f(x) pela reta (ou corda) que passa pelos pontos (x
k1
, f
k1
) e (x
k
, f
k
) e
toma-se o ponto de interse c ao dessa reta com o eixo x como o aproximante x
k+1
da raiz.
Assim, se f(x) e aproximada por uma fun c ao de primeiro grau, ent ao
f(x) = a
1
x + a
0
. (4.9)
Para obter a
0
e a
1
, tem-se que impor as condi c oes que os pontos (x
k1
, f
k1
) e (x
k
, f
k
)
satisfazem a equa c ao (4.9):
f
k1
= a
1
x
k1
+ a
0
, (4.10)
4.6 O Metodo das Cordas 40
e
f
k
= a
1
x
k
+ a
0
, (4.11)
Resolvendo as equa c oes (4.10) e (4.11), obtem-se
a
1
=
f
k
f
k1
x
k
x
k1
(4.12)
e
a
0
=
x
k
f
k1
x
k1
f
k
x
k
x
k1
. (4.13)
A solu c ao da equa c ao
a
1
x + a
0
= 0 (4.14)
est a dada por
x =
a
0
a
1
, (4.15)
e utilizando as equa c oes (4.12) e (4.13), o aproximante x
k+1
est a dado por
x
k+1
=
x
k1
f
k
x
k
f
k1
f
k
f
k1
, (4.16)
que tambem pode ser escrito como
x
k+1
= x
k
x
k
x
k1
f
k
f
k1
f
k
. (4.17)
Os resultados podem ser organizados de acordo com o formato a seguir
k x
k
Erro:
x
k
x
k1
x
k
f
k
x
k
x
k1
f
k
f
k1
0 x
0
- f
0
- -
1 x
1
x
1
x
0
x
1
f
1
x
1
x
0
f
1
f
0
2 x
2
x
2
x
1
x
2
f
2
x
2
x
1
f
2
f
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Exemplo 4.5. Utilize o metodo das cordas para determinar uma raiz da equac ao
f(x) = cos(x) xe
x
= 0
com 3 dgitos signicativos exatos.
4.7 O Metodo de Newton-Raphson 41
Considere as aproxima c oes iniciais x
0
= 0 e x
1
= 1. O metodo tem que ser aplicado
ate conseguir um erro relativo
x
k
x
k1
x
k
< 0, 5 10
3+1
= 0, 005.
Ent ao
k x
k
Erro:
x
k
x
k1
x
k
f
k
x
k
x
k1
f
k
f
k1
0 0 - 1 - -
1 1 1 2.177980 1 3.177980
2 0, 314665 2, 177980 0, 519871 0, 685335 2, 697851
3 0, 446728 0, 295622 0, 203545 0, 132063 0, 316326
4 0, 531706 0, 159821 0, 042931 0, 084978 0, 246476
5 0, 516904 0, 028635 0, 002593 0, 014801 0, 045524
6 0, 517747 0, 001628 - - -
Ent ao o aproximante x
6
= 0, 517747 tem 3 dgitos signicativos exatos.
4.7 O Metodo de Newton-Raphson
O metodo de Newton-Raphson tambem est a baseada na ideia de substituir f(x) = 0
por uma equa c ao de primeiro grau.
A ideia do metodo esta baseada na seguinte condi c ao: Se x
k
e um aproximante da
raiz da equa c ao f(x) = 0, ent ao substitui-se a fun c ao f(x) pela reta que passa pelo ponto (x
k
, f
k
)
e cujo coeciente angular tem o mesmo valor que a derivada da fun c ao no ponto x
k
, denotado por
f
k
f
(x
k
). O aproximante x
k+1
da raiz e tomado como o ponto de interse c ao dessa reta com o
eixo x.
Assim, se f(x) e aproximada por uma fun c ao de primeiro grau, ent ao
f(x) = a
1
x + a
0
. (4.18)
Para obter a
0
e a
1
, tem-se que impor as condi c oes que o ponto (x
k
, f
k
) satisfaz a
equa c ao (4.18):
f
k
= a
1
x
k
+ a0, (4.19)
e que
f
k
= a
1
. (4.20)
Resolvendo as equa c oes (4.19) e (4.20), obtem-se
a
1
= f
k
(4.21)
a
0
= f
k
x
k
f
k
. (4.22)
A solu c ao da equa c ao
a
1
x + a
0
= 0 (4.23)
est a dada por
x =
a
0
a
1
, (4.24)
e utilizando as equa c oes (4.21) e (4.22), o aproximante x
k+1
est a dado por
x
k+1
= x
k
f
k
f
k
. (4.25)
Pode-se dizer que este metodo e o caso limite do metodo das cordas quando x
k1

x
k
.
Os resultados podem ser arranjados de acordo com o formato a seguir
k x
k
Erro:
x
k
x
k1
x
k
f
k
f
k
0 x
0
- f
0
f
0
1 x
1
x
1
x
0
x
1
f
1
f
1
2 x
2
x
2
x
1
x
2
f
2
f
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Exemplo 4.6. Utilize o metodo de Newton-Raphson para determinar uma raiz da equac ao
f(x) = cos(x) xe
x
= 0
com 3 dgitos signicativos exatos.
A derivada da fun c ao f(x) est a dada por
f
(x) = sen(x) (x + 1)e

x
Considere a aproxima c ao inicial x
0
= 0. O metodo tem que ser aplicado ate conseguir
um erro relativo

x
k
x
k1
x
k
< 0, 5 10
3+1
= 0, 005.
Ent ao
k x
k
Erro:
x
k
x
k1
x
k
f
k
f
k
0 0 - 1 1
1 1 1 2.177980 6, 278034
2 0, 653079 0, 531207 0, 460642 3, 783942
3 0, 531343 0, 229110 0, 041803 3.111838
4 0, 517910 0, 025938 0, 000464 3.042901
5 0, 517757 0, 000295 - -
Ent ao o aproximante x
5
= 0, 517757 tem 4 dgitos signicativos exatos.
Exemplo 4.7. Encontre a aproxima c ao inicial x
0
para encontrar
1
N
, onde e um n umero inteiro
positivo, mediante o metodo de Newton de maneira que seja atingida a convergencia.
A equac ao a ser resolvida pode ser escrita como
f(x) =
1
x
N = 0.
A equac ao iterativa de Newton ca
x
k+1
= x
k
f(x
k
)
f
(x
k
)
= x
k
1
x
k
N
1
x
2
k
= x
k
+ x
2
k
_
1
x
k
N
_
= 2x
k
Nx
2
k
Desenhe os gr acos de y = x e y = 2x Nx
2
. A segunda curva e a par abola
_
x
1
N
_
2
=
1
N
_
y
1
N
_
.
Os gr acos est ao dados na gura 4.5. O ponto de intersec ao destas duas curvas e o valor requerido,
1
N
. A partir da gura 4.5, encontra-se que qualquer aproxima c ao inicial fora do intervalo 0 < x
0
<
4.8 A Velocidade de Convergencia 44
2
N
diverge. Se x
0
= 0, a itera c ao n ao converge a
1
N
mas permanece sempre zero. Isto mostra a
import ancia da escolha de uma aproxima c ao inicial adequada.
Figura 4.5 Escolha da aproxima c ao inicial
4.8 A Velocidade de Convergencia

Agora, estuda-se a velocidade à qual o metodo iterativo converge se a aproxima c ao
inicial à raiz est a sucientemente proximo à raiz desejada.
Deni cao 4.6. Um metodo iterativo e dito de ordem p ou tem a velocidade de convergencia
p, se p e o maior n umero real positivo para o qual existe uma constante nita C = 0 tal que
k+1
p
(4.26)
onde
k
= x
k
e o erro absoluto na k-esima iterada. A constante C e chamada a constante
assint otica de erro e geralmente depende das derivadas de f(x) em x = .
Agora, enunciam-se os resultados correspondentes para os metodos da bisse c ao, das
cordas e de Newton:
Teorema 4.2. A velocidade de convergencia do metodo da bissec ao e p = 1 e a constante
assint otica de erro e C =
1
2
.
4.9 Eciencia de um Metodo 45
Teorema 4.3. A velocidade de convergencia do metodo das cordas e p =
1 +
5
2
e a constante
assint otica de erro e C =
f
()
2f
()
.
Teorema 4.4. A velocidade de convergencia do metodo de Newton e p = 2 e a constante assint otica
de erro e C =
f
()
2f
()
.
4.9 Eciencia de um Metodo
Deni cao 4.7. O ndice de eficiencia de um metodo iterativo no sentido de Traub dene-se
pela equac ao
E
= p
1/n
(4.27)
onde p e a ordem do metodo e n e o n umero total de avaliac oes da fun c ao f(x) e suas derivadas
em cada passo da itera c ao.
Obviamente, se o valor do ndice e maior, ent ao o metodo e mais eciente. A tabela
a seguir d a o ndice de eciencia dos metodos discutidos nas se c oes previas.
Metodo n p E
Bisse c ao 1 1 1
Cordas 1 1,62 1,62
Newton 2 2 1,41
4.10 Equa c oes Polinomiais
Os metodos discutidos nas se c oes previas podem ser aplicados diretamente para obter
as razes de uma equa c ao polinomial de grau n
p
n
(x) = a
n
x
n
+ a
n1
x
n1
+ + a
1
x + a
0
= 0 (4.28)
onde a
n
= 0, a
n1
, . . . , a
1
, a
0
sao n umeros reais. Porem, se o objetivo e determinar todas as razes
(reais e complexas) de uma equa c ao polinomial, ent ao e vantajoso do ponto de vista computacional
utilizar os metodos diretos de solu c ao.
E util saber a seguinte informa c ao com rela c ao às razes:

(i) O n umero exato de razes reais e complexas junto com as respectivas multiplicidades.
4.10 Equa c oes Polinomiais 46
(ii) Um intervalo em que cada raiz se encontre.
Para determinar intervalos onde as razes reais est ao localizadas, pode-se utilizar o
seguinte teorema
Teorema 4.5. (Teorema de Lagrange) Seja a equac ao polinomial
p
n
(x) = a
n
x
n
+ a
n1
x
n1
+ + a
1
x + a
0
= 0
onde a
n
> 0. Ent ao uma cota superior para as razes positivas da equa c ao polinomial est a dada
por
L = 1 +
nk
_
B
a
n
(4.29)
onde
B =
_
_
0, se a
j
0, j = 0, 1, . . . , n 1
max
_
|a
j
| : a
j
< 0
_
, se a
j
< 0, para algum j = 0, 1, . . . , n 1
e k e a maior potencia de x correspondente a um coeciente a
j
negativo.
Para estabelecer as outras cotas superiores das razes, positivas e negativas, o teorema
de Lagrange pode ser aplicado nos polinomios
x
n
p
n
(1/x) resultando a cota de Lagrange L
1
; (4.30)
p
n
(x) resultando a cota de Lagrange L
2
; (4.31)
e
x
n
p
n
(1/x) resultando a cota de Lagrange L
3
. (4.32)
Ent ao, todas as razes positivas do polinomio encontram-se no intervalo
_
1
L
1
, L
_
,
e as razes negativas encontram-se no intervalo
_
L
2
,
1
L
3
_
.
Exemplo 4.8. Seja a equac ao polinomial
p
n
(x) = x
4
7x
3
9x
2
+ 30x + 31 = 0
ent ao
x
n
p
n
(1/x) = 31x
4
+ 30x
3
9x
2
7x + 1
p
n
(x) = x
4
+ 7x
3
9x
2
30x + 31
x
n
p
n
(1/x) = 31x
4
30x
3
9x
2
+ 7x + 1
Ent ao
L = 1 +
43
_
9
1
= 10
L
1
= 1 +
42
_
9
31
= 1, 5388 =
1
L
1
= 0, 6498
L
2
= 1 +
42
_
30
1
= 6, 4772 = L
2
= 6, 4772
L
3
= 1 +
43
_
30
31
= 1, 9677 =
1
L
3
= 0, 5081
As razes positivas, se existirem, encontram-se no intervalo
_
1
L
1
, L
_
= [0, 6498 , 10]
e as razes negativas, se existirem, encontram-se no intervalo,
_
L
2
,
1
L
3
_
= [6, 4772 , 0, 5081].
Deni cao 4.8. Quando em um polin omio (os termos escritos em ordem decrescente) um sinal +
segue a um sinal + ou um sinal segue a um sinal , diz-se que ocorreu uma continuac ao ou
permanencia de sinais. Mas se um sinal + segue a um sinal ou um sinal segue a um sinal
de +, diz-se que ocorreu uma mudanca de sinais.
Exemplo 4.9. O polin omio
p
5
(x) = 8x
5
+ 12x
4
10x
3
+ 17x
2
18x + 5
tem quatro mudancas de sinais e uma continua c ao de sinais.
Teorema 4.6. (Regra de sinais de Descartes) O n umero de razes reais positivas da equac ao
polinomial p
n
(x) = 0 e igual ao n umero de mudancas de sinais em p
n
(x) ou este n umero menos
um n umero par. O n umero de razes reais negativas da equa c ao polinomial p
n
(x) = 0 e igual ao
n umero de mudancas de sinais em p
n
(x) ou este n umero menos um n umero par.
Exemplo 4.10. A equac ao polinomial
p
5
(x) = 8x
5
+ 12x
4
10x
3
+ 17x
2
18x + 5 = 0
tem quatro mudancas de sinais, e portanto, tem 4, 2 ou 0 razes reais positivas. O polin omio
p
5
(x) = 8x
5
+ 12x
4
+ 10x
3
+ 17x
2
+ 18x + 5
tem uma mudanca de sinais e portanto, 1 raiz real negativa.
Em geral, o teorema 4.6 n ao fornece o n umero exato de razes reais. O n umero exato
de razes reais de uma equa c ao polinomial pode ser encontrado mediante o teorema de Sturm.
Deni cao 4.9. Seja p(x) = 0 uma equac ao polinomial de grau n com as n razes simples. Denote
por s
0
(x) = p(x) e s
1
(x) = p
(x). Denote por s

2
(x) o negativo do resto de dividir s
0
(x) por s
1
(x),
s
3
(x) o negativo do resto de dividir s
1
(x) por s
2
(x), e assim por diante, ate chegar em s
k
(x) = c = 0
onde c e uma constante. Obtem-se uma seq uencia de fun c oes
s
0
(x), s
1
(x), . . . , s
k
(x)
denominada as func oes de Sturm ou a seq uencia de Sturm.
Se p(x) = 0 e uma equac ao polinomial de grau n com raiz m ultipla, obtem-se como
antes, t
0
(x) = p(x) e t
1
(x) = p
(x), t
2
(x) o negativo do resto de dividir t
0
(x) por t
1
(x), t
3
(x) o
negativo do resto de dividir t
1
(x) por t
2
(x), e assim por diante, ate chegar em t
k
(x) que, neste
caso, n ao ser a constante, mas o maior divisor comum de t
0
(x) e t
1
(x). Agora, a seq uencia de
Sturm e obtida dividindo cada t
j
(x) por t
k
(x):
s
0
(x) =
t
0
(x)
t
k
(x)
, s
1
(x) =
t
1
(x)
t
k
(x)
, . . . , s
k1
(x) =
t
k1
(x)
t
k
(x)
, s
k
(x) = 1
Teorema 4.7. (Teorema de Sturm) O n umero de razes reais da equac ao polinomial p
n
(x) = 0
no intervalo [a, b] e igual ` a diferenca entre o n umero de mudancas de sinal na seq uencia de Sturm
em x = a e x = b, sempre que f(a) = 0 e f(b) = 0.
Outro teorema importante e enunciado a seguir.
Teorema 4.8. (Teorema Fundamental da

Algebra) A equac ao polinomial
p
n
(x) = a
n
x
n
+ a
n1
x
n1
+ + a
1
x + a
0
= 0
onde a
n
= 0, a
n1
, . . . a
1
, a
0
s ao n umeros reais, tem exatamente n razes reais e/ou complexas
incluindo a multiplicidade.
Exemplo 4.11. Considere a equac ao polinomial
p(x) = x
4
7x
3
9x
2
+ 30x + 31 = 0.
A seguir, aplica-se a regra de Descartes.
O n umero de mudancas de sinal para p(x) e 2. Portanto, a equac ao polinomial p(x) =
0 tem 2 ou 0 razes positivas.
Tem-se que p(x) = p(x) = x
4
+ 7x
3
9x
2
30x + 31. O n umero de mudancas de
sinal para p(x) e 2. Portanto, a equac ao polinomial p(x) = 0 tem 2 ou 0 razes negativas.
Exemplo 4.12. Considere a equac ao polinomial
p(x) = x
4
7x
3
9x
2
+ 30x + 31 = 0.
A seq uencia de Sturm e
s
0
(x) = x
4
7x
3
9x
2
+ 30x + 31;
s
1
(x) = 4x
3
21x
2
18x + 30;
s
2
(x) = 13, 6875x
2
14, 625x 44, 125;
s
3
(x) = 22, 97666854x+ 23, 92043535;
s
4
(x) = 14, 06425678.
Os sinais da seq uencias de Sturm que acontecem nas cotas de Lagrange s ao mostradas
na seguinte tabela
L
2
= 6, 4772
1
L
3
= 0, 5081
1
L
1
= 0, 6498 L = 10
s
0
(x) > 0 > 0 > 0 > 0
s
1
(x) < 0 > 0 > 0 > 0
s
2
(x) > 0 < 0 < 0 > 0
s
3
(x) < 0 > 0 > 0 > 0
s
4
(x) > 0 > 0 > 0 > 0
A diferenca entre o n umero de mudancas de sinal na seq uencia de Sturm em x = L
2
e x =
1
L
3
e 4-2 = 2. Portanto, existem duas razes negativas.
4.11 O Metodo de Birge-Vieta 50
A diferenca entre o n umero de mudancas de sinal na seq uencia de Sturm em x =
1
L
1
e x = L e e 2-0 = 2. Portanto, existem duas razes positivas.
De acordo com o Teorema Fundamental da

Algebra, a equac ao polinomial proposta
tem quatro razes reais e nenhuma raiz complexa.
O metodo de Newton pode ser adaptado para encontrar razes reais de uma equa c ao
polinomial. Este e o tema das proximas se c oes.
4.11 O Metodo de Birge-Vieta
Dada a equa c ao polinomial
p
n
(x) = a
n
x
n
+ a
n1
x
n1
+ + a
1
x + a
0
= 0,
o metodo de Newton pode ser escrito como
x
k+1
= x
k
p
n
(x
k
)
p
n
(x
k
)
, k = 0, 1, 2, . . . (4.33)
onde x
0
e uma aproxima c ao inicial da raiz requerida. O c alculo dos valores p
n
(x
k
) e p
n
(x
k
) em
cada itera c ao pode ser efetuado mediante o esquema de Runi. Esta e a ideia b asica do metodo
de Birge-Vieta.
O esquema pratico para calcular os valores de p
n
(x
k
) e p
n
(x
k
) e como segue. Dispoem-
se os coecientes de p
n
(x) de acordo com a ordem crescente dos termos e e feita a divisao por (xx
k
)
duas vezes consecutivas:
a
n
a
n1
a
2
a
1
a
0
x
k
x
k
b
n
x
k
b
3
x
k
b
2
x
k
b
1
b
n
b
n1
b
2
b
1
b
0
x
k
x
k
c
n
x
k
c
3
x
k
c
2
c
n
c
n1
c
2
c
1
e o metodo pode ser escrito como
x
k+1
= x
k
b
0
c
1
, k = 0, 1, 2, . . . (4.34)
onde em cada itera c ao sao calculados os valores b
0
e c
1
.
4.12 O Metodo de Bairstow 51
Exemplo 4.13. Efetuar duas itera c oes do metodo de Birge-Vieta para encontrar a menor raiz
positiva da equac ao
p(x) = x
4
3x
3
+ 3x
2
3x + 2 = 0
Considere a aproxima c ao inicial x
0
= 0, 5. Efetua-se uma itera c ao do metodo
1 3 3 3 2
0, 5 0, 5 1, 25 0, 875 1, 0625
1 2, 5 1, 75 2, 125 0, 9375
0, 5 0, 5 1, 0 0, 375
1 2, 0 0, 75 1, 75
obtem-se ent ao
x
1
= x
0
b
0
c
1
= 0, 5 +
0, 9375
1, 75
= 1, 0356
Mais uma vez, efetua-se uma itera c ao do metodo
1 3 3 3 2
1, 0356 1, 0356 2, 0343 1, 0001 2, 0711
1 1, 9644 0, 9657 1, 9999 0, 0711
1, 0356 1, 0356 0, 9619 0, 0039
1 0, 9288 0, 0038 1, 9960
logo,
x
2
= x
1
b
0
c
1
= 1, 0356
0, 0711
1, 9960
= 0, 999979
A raiz exata e 1, 0.
4.12 O Metodo de Bairstow
O metodo de Bairstow extrai um fator quadr atico da forma x
2
+x+ do polinomio
p
n
(x) = a
n
x
n
+ a
n1
x
n1
+ + a
1
x + a
0
,
gerando uma seq uencia de polinomios quadr aticos x
2
+
0
x+
0
, x
2
+
1
x+
1
, . . . x
2
+
k
x +
k
.
4.12 O Metodo de Bairstow 52
Para dividir o polinomio p
n
(x) por
x
2
+
k
x +
k
pode-se utilizar uma variante do metodo de Runi
a
n
a
n1
a
n2
a
2
a
1
a
0
k

k
b
n

k
b
n1

k
b
3

k
b
2

k
b
1
k

k
b
n

k
b
4

k
b
3

k
b
2
b
n
b
n1
b
n2
b
2
b
1
b
0
Ent ao, o quociente e o polinomio
q
n
(x) = b
n
x
n2
+ b
n1
x
n3
+ + b
3
x + b
2
e o resto e
r(x) = b
1
x + (b
0
+
k
b
1
)
Exemplo 4.14. Divida o polin omio p(x) = x
5
+ 2x
4
3x + 2 pelo polin omio quadr atico q(x) =
x
2
+ 3x 1.
O esquema de divis ao seria
1 2 0 0 3 2
3 3 3 12 39 120
1 1 1 4 13
1 1 4 13 40 131
Ent ao, o quociente e o polin omio q(x) = x
3
x
2
+ 4x 13 e o resto e r(x) = 40x 11.
O metodo de Bairstow utiliza o esquema de divisao para gerar um polinomio quadr atico
x
2
+
k+1
x +
k+1
que aproxima o verdadeiro fator x
2
+x + do polinomio p
n
(x); isto e feito a
partir de um polinomio quadr atico x
2
+
k
x +
k
mediante o esquema
a
n
a
n1
a
n2
a
2
a
1
a
0
k

k
b
n

k
b
n1

k
b
3

k
b
2

k
b
1
k

k
b
n

k
b
4

k
b
3

k
b
2
b
n
b
n1
b
n2
b
2
b
1
b
0
k

k
c
n1

k
c
n2

k
c
2

k
c
1
k

k
c
n1

k
c
3

k
c
2
c
n1
c
n2
c
n3
c
1
c
0
Logo, considere
k
=
b
0
c
2
b
1
c
1
c
2
1
c
2
(c
0
b
1
)
. (4.35)
e
k
=
b
1
(c
0
b
1
) b
0
c
1
c
2
1
c
2
(c
0
b
1
)
. (4.36)
Os valores melhorados
k+1
e
k+1
est ao dados por
k+1
=
k
+
k
(4.37)
e
k+1
=
k
+
k
. (4.38)
4.13 Problemas Propostos
1. Calcular pelo menos uma raiz real das equa c oes com um erro relativo menor que 10
1
pelo metodo da bisse c ao
(a) x + ln(x) = 0
(b) 3x cos(x) = 0
(c) x + 2 cos(x) = 0
2
pelo metodo das cordas
(a) x
2
ln(x) 5 = 0
(b) x
3
e
2x
+ 3 = 0
(c) sen(x) ln(x) = 0
3
pelo metodo de Newton
(a) 0, 1x
3
e
2x
+ 2 = 0
(b) sen(x) ln(x) = 0
(c) e
cos(x)
+ x
3
3 = 0
4. Fa ca uma tabela de valores para a fun c ao f(x) = cos(x) + 2e
x1
3 para os valores
x = 1, 0 1, 1 1, 2 1, 6 1, 4 1, 5. Utilizando esta tabela,
(a) Aplique o metodo da bisse c ao para encontrar a unica raiz real da equa c ao
f(x) = cos(x) + 2e
x1
3 = 0
com 3 dgitos signicativos exatos;
(b) Aplique o metodo das cordas para encontrar a unica raiz real da mesma equa c ao
com 3 dgitos signicativos exatos, utilizando como aproxima c oes iniciais os val-
ores onde a fun c ao muda de sinal na tabela;
(c) Aplique o metodo de Newton para encontrar a unica real renl da equa c ao com 3
dgitos signicativos exatos, utilizando x
0
= 1, 4.
5. Desenhe aproximadamente a fun c ao iterativa y = (x) junto com a reta y = x para
estudar a convergencia do metodo de Newton x
k+1
=
_
x
k
_
para as seguintes equa c oes
(a) f(x) = x
2
N,
(b) f(x) = x
N
x
onde N e um inteiro positivo.
6. Desenhe aproximadamente a fun c ao iterativa y = (x) junto com a reta y = x para
estudar a convergencia do metodo iterativo x
k+1
=
_
x
k
_
para as seguintes fun c oes
iterativas
(a) (x) =
2
3
x +
N
3x
2
(b) (x) = x +
N
x
7. Calcule as cotas de Lagrange para as razes reais negativas e positivas das seguintes
equa c oes polinomiais:
(a) p(x) = x
5
3x + 1 = 0
(b) p(x) = x
5
3x 1 = 0
(c) p(x) = 2x
4
20x
3
+ 70x
2
100x + 47 = 0
(d) p(x) = 4x
4
16x
3
28x
2
+ 88x + 95 = 0
8. Calcule a seq uencia de Sturm para os polinomios da parte (a) e determine de maneira
exata quantas razes positivas e negativas possui cada equa c ao polinomial.
9. Utilize o metodo de Birge-Vieta para calcular, com dois dgitos signicativos exatos, a
menor raiz positiva, se existir, das equa c oes polinomiais da parte (a), utilizando como
aproxima c ao inicial x
0
a menor cota positiva de Lagrange.
10. Divida os seguintes polinomios pela tecnica de divis ao do metodo de Bairstow:
(a) p(x) = x
6
x
5
+ 7x
3
+ 8, d(x) = x
2
+ 2x 1
(b) p(x) = x
6
+ 3x
5
x
4
+ 8x, d(x) = x
2
+ x + 3
5 SISTEMAS DE EQUAC

OES ALG
EBRICAS LINEARES
5.1 Introdu cao
Considere um sistema de m equa c oes lineares algebricas com n inc ognitas
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
= b
2
.
.
.
a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
= b
m
(5.1)
onde a
ij
sao valores escalares conhecidos, b
i
, i = 1, . . . , m sao valores conhecidos e x
i
, i = 1, . . . , n
sao as inc ognitas a serem determinadas.
Introduz-se a seguinte nota c ao e deni c oes
A matriz de ordem mn
a
ij
elemento na i-esima linha e j-esima coluna da matriz A
A
1
inversa de A
A
T
transposta de A
det(A) = |A| determinante de A
M
ij
menor de a
ij
em A
C
ij
cofator de a
ij
em A
0 matriz nula
I matriz identidade
D matriz diagonal de ordem n
L matriz triangular inferior de ordem n
U matriz triangular superior de ordem n
P matriz de permuta c ao
x vetor coluna com elementos x
i
, i = 1, . . . , n
O sistema de equa c oes (5.1) pode ser escrito de maneira matricial como
Ax = b, (5.2)
56
5.2 Metodos Diretos 57
onde
A =
_
_
_
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
_
_
_
, x =
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
_
_
e b =
_
_
_
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
_
_
_
.
Os metodos de solu c ao de um sistema de equa c oes algebricas lineares (5.1) podem ser
classicados de maneira ampla em dois tipos:
(i) Metodos Diretos: Estes metodos produzem a solu c ao exata apos um n umero nito de
passos (sem levar em conta os erros de arredondamento).
(ii) Metodos Iterativos: Estes metodos originam uma seq uencia de solu c oes aproximadas,
que converge quando o n umero de passos tende a innito.
Os metodos diretos e iterativos estudados aqui serao aplicados para sistemas quadra-
dos, isto e, no caso que m = n, ou seja, o n umero de equa c oes coincide com o n umero de inc ognitas.
5.2 Metodos Diretos
O sistema de equa c oes (5.1) pode ser resolvido diretamente pela regra de Cramer.
5.2.1 A Regra de Cramer
Tem-se que
x
i
=
|B
i
|
|A|
, i = 1, 2, . . . , n, (5.3)
onde |B
i
| e o determinante da matrix obtida por substituir a i-esima coluna de A pelo vetor

b.
O vetor x est a dado por
x =
1
|A|
_
_
_
_
_
_
_
_
C
11
C
21
. . . C
n1
C
12
C
22
. . . C
n2
.
.
.
.
.
.
.
.
.
.
.
.
C
1n
C
2n
. . . C
nn
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
_
_
_
=
1
|A|
adj(A)b = A
1
b. (5.4)
onde C
ij
e o cofator correspondente ao elemento a
ij
da matriz A. Esta expressao e equivalente à
equa c ao (5.3). A regra de Cramer fornece um metodo de obter a solu c ao imediatamente, mas estas
solu c oes envolvem n + 1 determinantes de ordem n. Esta caracterstica torna a regra de Cramer
impraticavel na resolu c ao de sistemas.
Exemplo 5.1. Resolva o sistema
x
1
+ 2x
2
x
3
= 2
3x
1
+ 6x
2
+ x
3
= 1
3x
1
+ 3x
2
+ 2x
3
= 3
utilizando a regra de Cramer.
A solu c ao das equac oes podem ser escritas como
x
i
=
|B
i
|
|A|
, i = 1, 2, 3,
onde
|B
1
| =
2 2 1
1 6 1
3 3 2
, |B
2
| =
1 2 1
3 1 1
3 3 2
, |B
3
| =
1 2 2
3 6 1
3 3 3
, |A| =
1 2 1
3 6 1
3 3 2
ou
|B
1
| = 35, |B
2
| = 13, |B
3
| = 15, |A| = 12
que fornece a solu c ao
x
1
=
35
12
, x
2
=
13
12
, x
3
=
15
12
.
Exemplo 5.2. Resolva o sistema
x
1
+ 2x
2
+ 2x
3
= 6
x
1
+ 2x
2
+ x
3
= 1
2x
1
+ x
2
+ x
3
= 4
utilizando a equac ao (5.4).
Tem-se que
|A| =
1 2 2
1 2 1
2 1 1
= 3.
e
adj (A) =
_
_
_
_
_
1 0 2
1 3 1
3 3 0
_
_
_
_
_
.
Assim, utilizando a equac ao (5.4), obtem-se
x =
1
3
_
_
_
_
_
1 0 2
1 3 1
3 3 0
_
_
_
_
_
_
_
_
_
_
6
1
4
_
_
_
_
_
=
_
_
_
_
_
2
3
7
3
5
_
_
_
_
_
.
5.2.2 Eliminac ao Gaussiana
Outro metodo direto e o metodo de elimina c ao gaussiana. A ideia principal consiste
em transformar o sistema Ax = b em um sistema equivalente cuja matriz associada e do tipo
triangular superior. Isto pode ser feito mediante algumas opera c oes elementares de matrizes:
troca de linhas e soma de uma linha com um m ultiplo escalar de outra linha. Se acontecer troca
de linhas, o processo de elimina c ao denomina-se com pivoteamento parcial e se n ao acontecer, o
processo denomina-se sem pivoteamento.
A ideia do metodo e transformar a matriz aumentada
_
A
.
.
.b
_
=
_
_
_
_
_
_
_
_
_
a
11
a
12
. . . a
1n
.
.
. b
1
a
21
a
22
. . . a
2n
.
.
. b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
.
.
. b
n
_
_
_
_
_
_
_
_
_
na matriz
_
A
(n)
.
.
.b
(n)
_
=
_
_
_
_
_
_
_
_
_
a
(n)
11
a
(n)
12
. . . a
(n)
1n
.
.
. b
(n)
1
0 a
(n)
22
. . . a
(n)
2n
.
.
. b
(n)
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . a
(n)
nn
.
.
. b
(n)
n
_
_
_
_
_
_
_
_
_
mediante a troca de linhas e soma de uma linha com um m ultiplo escalar de outra linha. A
ultima matriz representa um sistema triangular superior de equa c oes lineares que pode ser resolvido
facilmente mediante a tecnica denominada retro-substituic ao.
Exemplo 5.3. Resolver o sistema de equac oes lineares
10x
1
+ x
2
5x
3
= 1
20x
1
+ 3x
2
+ 20x
3
= 2
5x
1
+ 3x
2
+ 5x
3
= 6
mediante a elimina c ao gaussiana sem pivoteamento.
A matriz aumentada do sistema e transformada na forma triangular superior:
_
_
_
_
_
10 1 5 1
20 3 20 2
5 3 5 6
_
_
_
_
_
l2
20
10
l1
l3
5
10
l1
_
_
_
_
_
10 1 5 1
0 5 10 4
0 5/2 15/2 11/2
_
_
_
_
_
l3
5/2
5
l2
_
_
_
_
_
10 1 5 1
0 5 10 4
0 0 5/2 7/2
_
_
_
_
_
(5.5)
e isto signica que o sistema original e equivalente ao sistema triangular superior
10x
1
+ x
2
5x
3
= 1
5x
2
+ 10x
3
= 4
5/2x
3
= 7/2
que, utilizando a retro-substituic ao, fornece a solu c ao
x
3
= (7/2)/(5/2) = 7/5
x
2
= (10x
3
+ 4)/5 = 2
x
1
= (x
2
+ 5x
3
+ 1)/10 = 1.
Os elementos 10 na primeira matriz e 5 na segunda matriz s ao denominados os piv os da matriz
correspondente.
Quando e utilizado o procedimento de pivoteamento parcial, e recomend avel, por
quest oes de minimizar o erro cometido, fazer uma troca de equa c oes de maneira que o pivo seja
aquele com o maior valor absoluto entre o elemento diagonal a
ii
e os elementos correspondentes
da mesma coluna a
ij
com j > i.
10x
1
+ x
2
5x
3
= 1
20x
1
+ 3x
2
+ 20x
3
= 2
5x
1
+ 3x
2
+ 5x
3
= 6
mediante a elimina c ao gaussiana com pivoteamento parcial.
A matriz aumentada do sistema e transformada na forma triangular superior:
_
_
_
_
_
10 1 5 1
20 3 20 2
5 3 5 6
_
_
_
_
_
l1l2
_
_
_
_
_
20 3 20 2
10 1 5 1
5 3 5 6
_
_
_
_
_
l2
10
20
l1
l3
5
20
l1
_
_
_
_
_
20 3 20 2
0 5/2 5 2
0 15/4 10 13/2
_
_
_
_
_
l2l3
_
_
_
_
_
20 3 20 2
0 15/4 10 13/2
0 5/2 5 2
_
_
_
_
_
l3
5/2
15/4
l2
_
_
_
_
_
20 3 20 2
0 15/4 10 13/2
0 0 5/3 7/3
_
_
_
_
_
e isto signica que o sistema original e equivalente ao sistema triangular superior
20x
1
+ 3x
2
+ 20x
3
= 1
15/4x
2
+ 10x
3
= 13/2
5/3x
3
= 7/3
que, utilizando a retro-substituic ao, fornece a solu c ao
x
3
= (7/3)/(5/3) = 7/5
x
2
= (10x
3
+ 13/2)/(15/4) = 2
x
1
= (3x
2
20x
3
+ 1)/(20) = 1.
5.2.3 Metodo de Decomposi c ao LU
A ideia deste metodo consiste em conseguir uma fatora c ao da matriz A como A = LU
onde L e uma matriz triangular inferior e U, uma matriz triangular superior. Ent ao, neste caso,
o sistema
Ax = b
e equivalente a dois sistemas triangulares
_
_
_
Ly = b
Ux = y
O primeiro sistema pode ser resolvido pela tecnica denominada substitui c ao para frente e o segundo
sistema, como antes, pode ser resolvido por retro-substitui c ao.
O metodo de decomposi c ao LU tambem pode utilizar o pivoteamento parcial. Neste
caso, a montagem das matrizes L e U e feita utilizando as matrizes de permuta c ao, mas isto n ao
sera visto aqui.
A tecnica de fatora c ao da matriz A e similar ao processo de elimina c ao. Isto pode ser
ilustrado no exemplo a seguir.
10x
1
+ x
2
5x
3
= 1
20x
1
+ 3x
2
+ 20x
3
= 2
5x
1
+ 3x
2
+ 5x
3
= 6
mediante a decomposi c ao LU sem pivoteamento.
A matriz do sistema e transformada na forma triangular superior:
_
_
_
_
_
10 1 5
20 3 20
5 3 5
_
_
_
_
_
l2
20
10
l1
l3
5
10
l1
_
_
_
_
_
10 1 5
0 5 10
0 5/2 15/2
_
_
_
_
_
l3
5/2
5
l2
_
_
_
_
_
10 1 5
0 5 10
0 0 5/2
_
_
_
_
_
(5.6)
Ent ao, a matriz U e a ultima matriz obtida
U =
_
_
_
_
_
10 1 5
0 5 10
0 0 5/2
_
_
_
_
_
e a matriz L est a formada por elementos diagonais unit arios e os elementos restantes pelos mul-
tiplicadores, l
21
=
20
10
= 2, l
31
=
5
10
=
1
2
e l
32
=
5/2
5
=
1
2
, ou seja,
L =
_
_
_
_
_
1 0 0
2 1 0
1/2 1/2 1
_
_
_
_
_
.
O sistema Ly = b pode ser escrito como
y
1
= 1
2y
1
+ y
2
= 2
1/2y
1
+ 1/2y
2
+ y
3
= 6
5.3 Metodos Iterativos 63
cuja solu c ao e
y
1
= 1
y
2
= 2y
1
+ 2 = 4
y
3
= 1/2y
1
1/2y
2
+ 6 = 7/2.
O sistema Ux = y pode ser escrito como
10x
1
+ x
2
5x
3
= 1
5x
2
+ 10x
3
= 4
5/2x
3
= 7/2
que fornece a solu c ao
x
3
= (7/2)/(5/2) = 7/5
x
2
= (10x
3
+ 4)/5 = 2
x
1
= (x
2
+ 5x
3
+ 1)/(10) = 1.
5.3 Metodos Iterativos
O sistema
Ax = b
pode ser resolvido numericamente mediante a constru c ao de um metodo iterativo. Suponha que
a matriz A pode ser escrita como a diferen ca de duas outras matrizes A = S T. Neste caso, o
sistema original pode ser escrito como
Sx = Tx +b
que origina o metodo iterativo
Sx
(k+1)
= Tx
(k)
+b (5.7)
onde em cada itera c ao e gerado o vetor x
(k+1)
a partir do vetor x
(k)
mediante a equa c ao recursiva
(5.7) come cando com um vetor inicial x
(0)
.
A equa c ao recursiva (5.7), no caso que S seja uma matriz n ao singular, pode ser escrita
como
x
(k+1)
= S
1
Tx
(k)
+S
1
b. (5.8)
5.3.1 Metodo de Jacobi
Quando a matriz S e a parte diagonal de A, o metodo recursivo (5.7) e denominado
metodo de Jacobi.
Exemplo 5.6. Resolver o sistema
3x
1
+ 2x
2
= 5
2x
2
+ x
3
= 3
x
1
+ 2x
3
= 3
mediante o metodo de Jacobi.
Neste caso,
A =
_
_
_
_
_
3 2 0
0 2 1
1 0 2
_
_
_
_
_
, S =
_
_
_
_
_
3 0 0
0 2 0
0 0 2
_
_
_
_
_
, T =
_
_
_
_
_
0 2 0
0 0 1
1 0 0
_
_
_
_
_
.
Logo,
S
1
=
_
_
_
_
_
1/3 0 0
0 1/2 0
0 0 1/2
_
_
_
_
_
, S
1
T =
_
_
_
_
_
0 2/3 0
0 0 1/2
1/2 0 0
_
_
_
_
_
, S
1
b =
_
_
_
_
_
5/3
3/2
3/2
_
_
_
_
_
e portanto a equac ao iterativa (5.8) ca
_
_
_
_
_
x
(k+1)
1
x
(k+1)
2
x
(k+1)
3
_
_
_
_
_
=
_
_
_
_
_
0 2/3 0
0 0 1/2
1/2 0 0
_
_
_
_
_
_
_
_
_
_
x
(k)
1
x
(k)
2
x
(k)
3
_
_
_
_
_
+
_
_
_
_
_
5/3
3/2
3/2
_
_
_
_
_
ou,
x
(k+1)
1
=
2x
(k)
2
+ 5
3
x
(k+1)
2
=
x
(k)
3
+ 3
2
x
(k+1)
3
=
x
(k)
1
+ 3
2
.
Estas ultimas tres equac oes recursivas podem ser obtidas diretamente do sistema original, botando
em evidencia x
1
da primeira equac ao, x
2
da primeira equac ao e x
3
da primeira equac ao. Este
procedimento e muito pr atico e evita o tratamento matricial da equac ao (5.8).
Os criterios de parada mais comumente utilizados s ao a determinac ao do maior erro
absoluto x
(k+1)
x
(k)
, a determinac ao do maior erro relativo
x
(k+1)
x
(k)
x
(k+1)
e o n umero pre-
determinado de itera c oes. Neste caso, a e qualquer norma vetorial.
A seguinte tabela mostra os resultados das primeiras cinco itera c oes para x
(0)
=
_
_
_
_
_
0
0
0
_
_
_
_
_
j x
(j)
1
x
(j)
2
x
(j)
3
0 0 0 0
1 5/3 3/2 3/2
2 2/3 3/4 2/3
3 7/6 7/6 7/6
4 8/9 11/12 11/12
5 19/18 25/24 19/18
.
.
.
.
.
.
.
.
.
.
.
.
e pode-se observar que a solu c ao vai convergindo para o vetor
_
_
_
_
_
1
1
1
_
_
_
_
_
que e a solu c ao exata do
sistema.
3x
1
+ 2x
2
+ x
3
= 6
2x
2
+ 3x
3
= 5
2x
1
+ 2x
3
= 4
mediante o metodo de Jacobi.
Neste caso,
A =
_
_
_
_
_
3 2 1
0 2 3
2 0 2
_
_
_
_
_
, S =
_
_
_
_
_
3 0 0
0 2 0
0 0 2
_
_
_
_
_
, T =
_
_
_
_
_
0 2 1
0 0 3
2 0 0
_
_
_
_
_
.
Logo,
S
1
=
_
_
_
_
_
1/3 0 0
0 1/2 0
0 0 1/2
_
_
_
_
_
, S
1
T =
_
_
_
_
_
0 2/3 1/3
0 0 3/2
1 0 0
_
_
_
_
_
, S
1
b =
_
_
_
_
_
2
5/2
2
_
_
_
_
_
_
_
_
_
_
x
(k+1)
1
x
(k+1)
2
x
(k+1)
3
_
_
_
_
_
=
_
_
_
_
_
0 2/3 1/3
0 0 3/2
1 0 0
_
_
_
_
_
_
_
_
_
_
x
(k)
1
x
(k)
2
x
(k)
3
_
_
_
_
_
+
_
_
_
_
_
2
5/2
2
_
_
_
_
_
ou,
x
(k+1)
1
=
2x
(k)
2
+ x
(k)
3
+ 6
3
x
(k+1)
2
=
3x
(k)
3
+ 5
2
x
(k+1)
3
=
2x
(k)
1
+ 4
2
.
(0)
=
_
_
_
_
_
0
0
0
_
_
_
_
_
j x
(j)
1
x
(j)
2
x
(j)
3
0 0 0 0
1 2 5/2 2
2 -1/3 -1/2 0
3 7/3 5/2 7/3
4 -4/9 -1 -1/3
5 25/9 3 22/9
.
.
.
.
.
.
.
.
.
.
.
.
e pode-se observar que as iteradas n ao convergem para solu c ao exata
_
_
_
_
_
1
1
1
_
_
_
_
_
do sistema.
5.3.2 Metodo de Gauss-Seidel
Quando a matriz S e a parte triangular inferior de A, o metodo recursivo (5.7) e
denominado metodo de Gauss-Seidel.
3x
1
+ 2x
2
= 5
2x
2
= 3
x
1
+ 2x
3
= 3
mediante o metodo de Gauss-Seidel.
Neste caso,
A =
_
_
_
_
_
3 2 0
0 2 1
1 0 2
_
_
_
_
_
, S =
_
_
_
_
_
3 0 0
0 2 0
1 0 2
_
_
_
_
_
, T =
_
_
_
_
_
0 2 0
0 0 1
0 0 0
_
_
_
_
_
.
Logo,
S
1
=
_
_
_
_
_
1/3 0 0
0 1/2 0
1/6 0 1/2
_
_
_
_
_
, S
1
T =
_
_
_
_
_
0 2/3 0
0 0 1/2
0 1/3 0
_
_
_
_
_
, S
1
b =
_
_
_
_
_
5/3
3/2
2/3
_
_
_
_
_
_
_
_
_
_
x
(k+1)
1
x
(k+1)
2
x
(k+1)
3
_
_
_
_
_
=
_
_
_
_
_
0 2/3 0
0 0 1/2
0 1/3 0
_
_
_
_
_
_
_
_
_
_
x
(k)
1
x
(k)
2
x
(k)
3
_
_
_
_
_
+
_
_
_
_
_
5/3
3/2
2/3
_
_
_
_
_
ou,
x
(k+1)
1
=
2x
(k)
2
+ 5
3
x
(k+1)
2
=
x
(k)
3
+ 3
2
x
(k+1)
3
=
x
(k+1)
1
+ 3
2
.
Pode-se observar que o metodo de Gauss-Seidel utiliza os valores de x
(k+1)
i
que foram calculados
na mesma itera c ao. Isto aumenta a rapidez de convergencia do metodo.
(0)
=
_
_
_
_
_
0
0
0
_
_
_
_
_
j x
(j)
1
x
(j)
2
x
(j)
3
0 0 0 0
1 5/3 3/2 2/3
2 2/3 7/6 7/6
3 8/9 11/12 19/18
4 19/18 35/36 35/36
5 55/54 73/72 107/108
.
.
.
.
.
.
.
.
.
.
.
.
e pode-se observar que a solu c ao vai convergindo para o vetor
_
_
_
_
_
1
1
1
_
_
_
_
_
que e a solu c ao exata do
sistema.
3x
1
+ 2x
2
+ x
3
= 6
2x
2
+ 3x
3
= 5
2x
1
+ 2x
3
= 4
mediante o metodo de Gauss-Seidel.
Neste caso,
A =
_
_
_
_
_
3 2 1
0 2 3
2 0 2
_
_
_
_
_
, S =
_
_
_
_
_
3 0 0
0 2 0
0 0 2
_
_
_
_
_
, T =
_
_
_
_
_
0 2 1
0 0 3
2 0 0
_
_
_
_
_
.
Logo,
S
1
=
_
_
_
_
_
1/3 0 0
0 1/2 0
1/3 0 1/2
_
_
_
_
_
, S
1
T =
_
_
_
_
_
0 2/3 1/3
0 0 3/2
0 2/3 1/3
_
_
_
_
_
, S
1
b =
_
_
_
_
_
2
5/2
0
_
_
_
_
_
_
_
_
_
_
x
(k+1)
1
x
(k+1)
2
x
(k+1)
3
_
_
_
_
_
=
_
_
_
_
_
0 2/3 1/3
0 0 3/2
0 2/3 1/3
_
_
_
_
_
_
_
_
_
_
x
(k)
1
x
(k)
2
x
(k)
3
_
_
_
_
_
+
_
_
_
_
_
2
5/2
0
_
_
_
_
_
ou,
x
(k+1)
1
=
2x
(k)
2
+ x
(k)
3
+ 6
3
x
(k+1)
2
=
3x
(k)
3
+ 5
2
x
(k+1)
3
=
2x
(k+1)
1
+ 4
2
.
(0)
=
_
_
_
_
_
0
0
0
_
_
_
_
_
j x
(j)
1
x
(j)
2
x
(j)
3
0 0 0 0
1 2 5/2 0
2 1/3 5/2 5/3
3 -2/9 0 20/9
4 34/27 -5/6 20/27
5 187/81 25/18 -25/81
.
.
.
.
.
.
.
.
.
.
.
.
e pode-se observar que os aproximantes calculados n ao convergem para solu c ao exata
_
_
_
_
_
1
1
1
_
_
_
_
_
do
sistema.
5.3.3 Convergencia dos Metodos Iterativos
Uma condi c ao necessaria e suciente para a convergencia do metodo iterativo (5.8)
x
(k+1)
= S
1
Tx
(k)
+S
1
b
e que todos os autovalores da matriz S
1
T sejam, em valor absoluto, menores que 1.
Uma condi c ao suciente para a convergencia do metodo e que a matriz A seja diago-
nalmente dominante, isto e, que para cada i,
|a
ii
| >
j=i
|a
ij
|
.
Exerccios Propostos:
1. Resolva os seguintes sistemas de equa c oes utilizando a regra de Cramer e o metodo
da matriz adjunta
(a)
_
_
_
x
1
+ x
2
= 2
2x
1
x
2
= 1
(b)
_
_
x
1
x
2
+ x
3
= 1
x
1
x
2
x
3
= 1
3x
1
+ 3x
2
= 0
2. Resolva os seguintes sistemas de equa c oes mediante o metodo de elimina c ao gaussiana,
utilizando o pivoteamento parcial
(a)
_
_
x
1
+ 2x
2
+ 3x
3
+ 4x
4
= 10
x
1
x
2
+ x
3
x
4
= 0
x
1
+ 4x
2
+ x
3
x
4
= 5
4x
1
+ 3x
2
+ 2x
3
+ x
4
= 10
(b)
_
_
x
1
+ 2x
2
+ 3x
3
+ 4x
4
= 10
2x
1
+ x
2
+ 2x
3
+ 3x
4
= 8
3x
1
+ 2x
2
+ x
3
+ 2x
4
= 8
4x
1
+ 3x
2
+ 2x
3
+ x
4
= 10
3. Resolva os sistemas lineares do exerccio anterior mediante a decomposi c ao LU sem
pivoteamento.
4. Resolva os seguintes sistemas de equa c oes pelos metodos de Jacobi e Gauss-Seidel,
vericando previamente se havera convergencia. Efetue cinco itera c oes de cada metodo
e estime o erro relativo cometido.
(a)
_
_
_
2x
1
+ x
2
= 3
x
1
2x
2
= 1
(b)
_
_
2x
1
x
2
= 7
x
1
+ 2x
2
x
3
= 1
x
2
+ 2x
3
= 1
5. Qual e a condi c ao necessaria e suciente sobre o escalar b para que o metodo de
Jacobi seja convergente ao ser aplicado ao sistema
_
_
_
2x
1
+ bx
2
= 3
x
1
2x
2
= 1
. E qual
e a condi c ao para que o metodo de Gauss-Seidel seja convergente?
6 INTERPOLAC

AO
6.1 Introdu cao
Neste captulo, considera-se o problema de aproximar uma fun c ao dada por uma classe
de fun c oes mais simples, principalmente polinomios. Existem dois motivos principais para utilizar
a interpola c ao:
(i) Reconstruir a fun c ao f(x) quande esta n ao e dada de maneira explcita e so sao
conhecidos os valores de f(x) e/ou suas derivadas de certa ordem em um conjunto de
pontos, denominados n os, pontos tabulares ou argumentos;
(ii) Substituir a fun c ao f(x) por um polinomio p(x) denominado polin omio interpo-
lador, de maneira que muitas opera c oes comuns tais como a determina c ao de razes,
diferencia c ao e integra c ao, etc., que devem ser feitas sobre f(x), possam ser efetuadas
utilizando p(x).
Primeiro, discutem-se os metodos para construir os polin omios interpoladores p(x)
para uma fun c ao dada f(x).
Deni cao 6.1. Um polin omio p(x) e denominado um polin omio interpolador se os valores
de p(x) e/ou suas derivadas de certas ordens coincidem com os de f(x) e/ou as derivadas das
mesmas ordens em um ou mais pontos tabulares.
Em geral, se existem n + 1 pontos distintos
a
0
x
0
< x
1
< . . . < x
n
b
ent ao o problema de interpola c ao e obter p(x) que satisfaz as condi c oes
p(x
i
) = f(x
i
), i = 0, 1, . . . , n (6.1)
ou
p(x
i
) = f(x
i
), i = 0, 1, . . . , n
p
(x
i
) = f
(x
i
), i = 0, 1, . . . , n
(6.2)
As condi c oes sobre as derivadas em (6.2) podem ser substitudas por condi c oes mais gerais envol-
vendo derivadas de ordem superior. A condi c ao (6.1) origina o polin omio interpolador de
Lagrange e a condi c ao (6.2) origina o polin omio interpolador de Hermite.
72
6.2 Interpola c ao de Lagrange e de Newton 73
6.2 Interpola cao de Lagrange e de Newton
Supoe-se que sao dados n + 1 pontos distintos
a
0
x
0
< x
1
< . . . < x
n
b
no intervalo [a, b] e certos valores y
i
= f(x
i
), i = 0, 1, . . . , n associados a uma certa fun c ao f(x)
conhecida ou n ao. Quer-se determinar o polinomio
p(x) = a
n
x
n
+ a
n1
x
n1
+ + a
1
x + a
0
(6.3)
que satisfaz as condi c oes (6.1), isto e,
p(x
i
) = f(x
i
), i = 0, 1, . . . , n.
Tal polinomio e unico, pois se existe um outro polinomio p
(x) tal que

p
(x
i
) = f(x
i
), i = 0, 1, . . . , n
ent ao o polinomio
q(x) = p(x) p
(x)
tem grau n e
q(x
i
) = p(x
i
) p
(x
i
) = 0, i = 0, 1, . . . , n,
isto e, q(x) e um polinomio de grau n com n + 1 razes distintas. Necessariamente, q(x) =
0, x [a, b] e
p
(x) = p(x), x [a, b].

6.2.1 Interpolac ao Linear
Considere o conjunto de dados
i x
i
y
i
0 x
0
y
0
1 x
1
y
1
quer-se determinar um polinomio
p
1
(x) = a
1
x + a
0
(6.4)
tal que
p
1
(x
0
) = y
0
e p
1
(x
1
) = y
1
.
Ent ao, tem-se o sistema de equa c oes:
a
1
x
0
+ a
0
= y
0
a
1
x
1
+ a
0
= y
1
(6.5)
Obtem-se
a
0
=
x
1
y
0
x
0
y
1
x
1
x
0
a
1
=
y
0
y
1
x
0
x
1
(6.6)
e substituindo em (6.4) resulta
p
1
(x) =
y
0
y
1
x
0
x
1
x +
x
1
y
0
x
0
y
1
x
1
x
0
, (6.7)
que pode ser escrito na forma de Lagrange
p
1
(x) =
x x
1
x
0
x
1
y
0
+
x x
0
x
1
x
0
y
1
(6.8)
ou
p
1
(x) = l
0
(x)y
0
+ l
1
(x)y
1
(6.9)
onde
l
0
(x) =
x x
1
x
0
x
1
e l
1
(x) =
x x
0
x
1
x
0
(6.10)
Os polinomios l
0
(x) e l
1
(x), denidos em (6.10) sao denominados polin omios fundamentais de
Lagrange e satisfazem as condi c oes
l
0
(x) + l
1
(x) = 1 (6.11)
e
l
0
(x
0
) = 1, l
0
(x
1
) = 0,
l
1
(x
0
) = 0, l
1
(x
1
) = 1,
(6.12)
ou
l
i
(x
j
) =
ij
=
_
_
1, se i = j
0, se i = j
(6.13)
A equa c ao (6.9) e o polin omio interpolador de Lagrange. Desta maneira, para
obter o polinomio interpolador de Lagrange, determinam-se primeiro os polinomios fundamentais
de Lagrange, l
i
(x), multiplicam-se por y
i
, respectivamente, e somam-se tais produtos.
A equa c ao (6.7)
p
1
(x) =
y
0
y
1
x
0
x
1
x +
x
1
y
0
x
0
y
1
x
1
x
0
,
tambem pode ser escrita na forma de Newton
p
1
(x) = y
0
+
y
1
y
0
x
1
x
0
_
x x
0
_
(6.14)
e se os dados est ao associados a uma certa fun c ao f(x), x [a, b], ou seja,
i x
i
f(x
i
)
0 x
0
f(x
0
)
1 x
1
f(x
1
)
a equa c ao (6.14) pode ser escrita como
p
1
(x) = f(x
0
) + f[x
0
, x
1
]
_
x x
0
_
(6.15)
onde
f[x
0
, x
1
] =
f(x
1
) f(x
0
)
x
1
x
0
,
que e denominada a diferenca dividida de f(x) de primeira ordem com relac ao a x
0
e
x
1
.
O erro cometido ao interpolar os pontos (x
i
, f(x
i
), i = 0, 1 mediante o polinomio p
1
(x)
e
E
1
(x) = f(x) p
1
(x), x [a, b]. (6.16)
Uma expressao geral para o erro e mostrada no teorema 6.1. Para n = 1, tem-se
E
1
(x) =
1
2!
f
()
_
x x
0
__
x x
1
_
, x [x
0
, x
1
] (6.17)
para algum [x
0
, x
1
]. Pode-se observar facilmente que uma estimativa deste erro e
E
1
(x)
(x
1
x
0
)
2
8
max
_
(x)
/x [x
0
, x
1
]
_
(6.18)
Exemplo 6.1. Dada a tabela de dados
i x
i
sen(x
i
)
0 0, 1 0, 09983
1 0, 2 0, 19867
determine o polin omio interpolador de Lagrange e de Newton, calcule o valor aproximado de
sen(0, 15) e estime o erro cometido.
De acordo com (6.9), o polin omio interpolador de Lagrange est a dado por
p
1
(x) = y
0
x x
1
x
0
x
1
+ y
1
x x
0
x
1
x
0
= 0, 09983
x 0, 2
0, 1 0, 2
+ 0, 19867
x 0, 1
0, 2 0, 1
= 0, 9983
_
x 0, 2
_
+ 1, 9867
_
x 0, 1
_
e o polin omio interpolador de Newton est a dado por
p
1
(x) = y
0
+
y
1
y
0
x
1
x
0
_
x x
0
_
= 0, 09983 +
0, 19867 0, 09983
0, 2 0, 1
_
x 0, 1
_
= 0, 09983 + 0, 9884
_
x 0, 1
_
.
O polin omio de Lagrange em x = 0, 15 vale
p
1
(0, 15) = 0, 9983
_
0, 15 0, 2
_
+ 1, 9867
_
0, 15 0, 1
_
= 0, 049915 + 0, 099335 = 0, 14925,
e o polin omio de Newton em x = 0, 15 vale
p
1
(0, 15) = 0, 09983 + 0, 9884
_
0, 15 0, 1
_
= 0, 09983 + 0, 04942 = 0, 14925.
A estimativa do erro est a dada por (6.18)
E
1
(x)
(x
1
+ x
0
)
2
8
max
_
(x)
/x [x
0
, x
1
]
_
=
(0, 2 + 0, 1)
2
8
sen(0, 2) = 0, 01125 0, 19867 = 0, 00223.
6.2.2 Interpolac ao de n + 1 pontos
Considere o conjunto de dados
i x
i
y
i
0 x
0
y
0
1 x
1
y
1
.
.
.
.
.
.
.
.
.
n x
n
y
n
quer-se determinar um polinomio
p
n
(x) = a
n
x
n
+ a
n1
x
n1
+ + a
1
x + a
0
(6.19)
tal que
p
n
(x
i
) = y
i
, i = 0, 1, . . . , n
O polinomio interpolador na forma de Lagrange est a dado por
p
n
(x) = l
0
(x)y
0
+ l
1
(x)y
1
+ + l
n
(x)y
n
(6.20)
onde
l
0
(x) =
(x x
1
)(x x
2
) . . . (x x
n
)
(x
0
x
1
)(x
0
x
2
) . . . (x
0
x
n
)
, (6.21)
l
i
(x) =
(x x
1
)(x x
2
) . . . (x x
i1
)(x x
i+1
) . . . (x x
n
)
(x
0
x
1
)(x
0
x
2
) . . . (x
0
x
i1
)(x
0
x
i+1
) . . . (x
0
x
n
)
, i = 1, 2, . . . , n 1 (6.22)
e
l
n
(x) =
(x x
0
)(x x
1
) . . . (x x
n1
)
(x
n
x
0
)(x
n
x
1
) . . . (x
n
x
n1
)
, (6.23)
Os polinomios l
i
(x), i = 0, 1, . . . , n denidos em (6.21) - (6.23) sao denominados
polin omios fundamentais de Lagrange e satisfazem as condi c oes
l
0
(x) + l
1
(x) + + l
n
(x) = 1 (6.24)
e
l
i
(x
j
) =
ij
=
_
_
1, se i = j
0, se i = j
(6.25)
Se os valores de y
i
, i = 0, 1, . . . , n correspondem aos de certa fun c ao f(x) nos pontos
x
0
< x
1
< . . . < x
n
, o polinomio interpolador na forma de Newton associado à tabela de dados
i x
i
f(x
i
)
0 x
0
f(x
0
)
1 x
1
f(x
1
)
.
.
.
.
.
.
.
.
.
n x
n
f(x
n
)
e escrito como
p
n
(x) =f(x
0
) + f[x
0
, x
1
]
_
x x
0
_
+ f[x
0
, x
1
, x
2
]
_
x x
0
__
x x
1
_
+
+ f[x
0
, x
1
, . . . , x
n1
]
_
x x
0
_
(x x
1
_
. . . (x x
n1
_
(6.26)
onde
f[x
0
, x
1
, . . . , x
i
] =
f[x
1
. . . , x
i
] f[x
0
, . . . , x
i1
]
x
i
x
0
, i = 1, 2, . . . , n 1 (6.27)
que e denominada a diferenca dividida de f(x) de i-esima ordem com relac ao a x
0
, x
1
,
. . . x
i
. Deve-se observar que f[x
i
] = f(x
i
), i = 0, 1, . . . , n
As diferen cas divididas podem ser construdas de acordo com a tabela a seguir
x Ordem 0 Ordem 1 Ordem 2 Ordem 3 . . . Ordem n
x
0
f[x
0
]
f[x
0
, x
1
]
x
1
f[x
1
] f[x
0
, x
1
, x
2
]
f[x
1
, x
2
] f[x
0
, x
1
, x
2
, x
3
]
x
2
f[x
2
] f[x
1
, x
2
, x
3
]
.
.
.
f[x
2
, x
3
] f[x
1
, x
2
, x
3
, x
4
]
x
3
f[x
3
] f[x
2
, x
3
, x
4
] f[x
0
, x
1
, x
2
, . . . , xn]
f[x
3
, x
4
]
.
.
.
x
4
f[x
4
]
.
.
. f[x
n3
, x
n2
, x
n1
, xn]
.
.
. f[x
n2
, x
n1
, xn]
.
.
. f[x
n1
, xn]
xn f[xn]
Exemplo 6.2. Dada a tabela
i x
i
f(x
i
)
0 1 4
1 0 1
2 2 1
determine os polin omios interpoladores de Lagrange e de Newton, p
2
(x).
A forma de Lagrange para o polin omio interpolador est a dada por
p
2
(x) = y
0
l
0
(x) + y
1
l
i
(x) + y
2
l
2
(x),
onde
l
0
(x) =
(x x
1
)(x x
2
)
(x
0
x
1
)(x
0
x
2
)
=
(x 0)(x 2)
(1 0)(1 2)
=
1
3
(x
2
2x),
l
1
(x) =
(x x
0
)(x x
2
)
(x
1
x
0
)(x
1
x
2
)
=
(x + 1)(x 2)
(0 + 1)(0 2)
=
1
2
(x
2
x 2),
l
2
(x) =
(x x
0
)(x x
1
)
(x
2
x
0
)(x
2
x
1
)
=
(x + 1)(x 0)
(2 + 1)(2 0)
=
1
6
(x
2
+ x).
Ent ao
p
2
(x) = 4
1
3
(x
2
2x) + 1
1
2
(x
2
x 2) + (1)
1
6
(x
2
+ x) =
2
3
x
2
7
3
x + 1.
Para conseguir a forma de Newton, faz-se a tabela de diferen cas divididas:
x Ordem 0 Ordem 1 Ordem 2
1 4
3
0 1
2
3
1
2 1
Portanto, a forma de Newton do polin omio interpolador e
p
2
(x) = f[x
0
] + f[x
0
, x
1
](x x
0
) + f[x
0
, x
1
, x
2
](x x
0
)(x x
1
)
= 4 + (3)(x + 1) +
2
3
(x + 1)(x 0)
=
2
3
x
2
7
3
x + 1,
como foi obtido anteriormente.
6.2.3 Erro na Interpolac ao
A seguir, estabelece-se um resultado para o erro
Teorema 6.1. Considere-se n + 1 pontos,
x
0
< x
1
< x
2
< . . . < x
n
.
Seja f(x) com derivadas ate de ordem n + 1, x [x
0
, x
n
]. Seja p
n
(x) o polin omio interpolador
de Lagrange de f(x) nos pontos x
0
, x
1
, . . . , x
n
. Ent ao, para cada x [x
0
, x
n
], o erro e dado por
E
n
(x) = f(x) p
n
(x) =
_
x x
0
__
x x
1
_
. . .
_
x x
n
_
f
(n+1)
(
x
)
(n + 1)!
,
para algum
x
[x
0
, x
n
].
Prova: Seja
w(x) =
_
x x
0
__
x x
1
_
. . .
_
x x
n
_
, x [x
0
, x
n
].
Lembrando que
E
n
(x) = f(x) p
n
(x), x [x
0
, x
n
];
para cada x [x
0
, x
n
], dena
H(t) = E
n
(x)w(t) E
n
(t)w(x), t [x
0
, x
n
].
Se x = x
i
, para algum i = 0, 1, . . . , n, ent ao E
n
(x) = 0 e o resultado e obvio.
Considere, ent ao, que x = x
i
, i = 0, 1, . . . , n. Observe que x ]x
i
1, x
i
[, para um unico
i
0
= 1, 2, . . . , n. As derivadas f
(k)
(t) e p
(k)
n
(t), k = 0, 1, . . . , n + 1, existem, e assim, E
(k)
n
(t),
k = 0, 1, . . . , n + 1, existem. A fun c ao w(t) e um polinomio de grau n + 1, e tambem w
(k)
(t),
k = 0, 1, . . . , n + 1, existem. Portanto, as derivadas H
(k)
(t),k = 0, 1, . . . , n + 1, tambem existem.
Tem-se que H(x
i
) = 0, i = 0, 1, . . . , n e tambem H(x) = 0. Aplica-se o teorema de
Rolle à fun c ao H(t) restrita a cada um dos subintervalos seguintes:
[x
0
, x
1
], . . . , [x
i02
, x
i01
], [x
i01
, x], [x, x
i0
], [x
i0
, x
i0+1
], . . . , [x
n1
, x
n
],
e consegue-se uma seq uencia
0,1
<
1,1
< <
n,1
de valores tais que H
(
i,1
) = 0, i =
0, 1, . . . , n. Aplica-se o teorema de Rolle à fun c ao H
(t) restrita a cada um dos subintervalos

seguintes:
[
0,1
,
1,1
], [
1,1
,
2,1
], . . . , [
n1,1
,
n,1
],
e consegue-se uma seq uencia
0,2
<
1,2
< <
n1,2
de valores tais que H
(
i,2
) = 0, i =
0, 1, . . . , n 1. Procedendo dessa maneira, ate aplicar o teorema de Rolle a H
(n)
(t), consegue-se o
valor
0,n+1
[x
0
, x
n
] tal que H
(n+1)
(
0,n+1
) = 0.
Mas, E
(n+1)
n
(t) = f
(n+1)
(t) p
(n+1)
n
(t) = f
(n+1)
(t), pois p
n
(t) e um polinomio de grau
n. Por outro lado, w
(n+1)
(t) = (n + 1)!, pois w(t) e um polinomio de grau n + 1 com coeciente
principal 1.
Ent ao
0 = H
(n+1
(0, n + 1 = E
n
(x)(n + 1)! f
(n+1)
(
0,n+1
)w(x).
Portanto,
E
n
(x) = w(x)
f
(n+1)
(
0,n+1
)
(n + 1)!
.
Basta escolher
x
=
0,n+1
.
Prova-se, agora, uma propriedade das diferen cas divididas:
Lema 6.1. Para cada k N e satisfeita a propriedade
f[x
0
, x
1
, . . . , x
k
] = f[x
j0
, x
j1
, . . . , x
j
k
]
onde
_
x
j0
, x
j1
, . . . , x
j
k
_
e qualquer permuta c ao de
_
x
0
, x
1
, . . . , x
k
_
.
Prova: Utiliza-se a indu c ao matematica.
Teorema 6.2. Considere-se n + 1 pontos,
x
0
< x
1
< x
2
< . . . < x
n
.
Seja f(x) com derivadas ate de ordem n + 1, x [x
0
, x
n
]. Seja p
n
(x) o polin omio interpolador
de Newton de f(x) nos pontos x
0
, x
1
, . . . , x
n
. Ent ao, para cada x [x
0
, x
n
], o erro e dado por
E
n
(x) = f(x) p
n
(x) =
_
x x
0
__
x x
1
_
. . .
_
x x
n
_
f[x
0
, x
1
, . . . , x
n
, x].
Prova: Por indu c ao matematica.
Corolario 6.1. Sob as hip oteses do teorema 6.1 ou as do teorema 6.2 e se f
(n+1)
(x) e contnua
em [x
0
, x
n
], ent ao
|E
n
(x)| = |f(x) p
n
(x)|
_
x x
0
__
x x
1
_
. . .
_
x x
n
_
M
n+1
(n + 1)!
onde M
n+1
= max
_
f
(n+1)
(x)
: x [x
0
, x
n
]
_
Corolario 6.2. Se alem das hip oteses teorema 6.1 ou teorema 6.2 e as do corol ario 6.1, os pontos
x
i
s ao igualmente espa cados, isto e,
x
i
x
i1
= h, i = 1, 2, . . . , n,
ent ao
|E
n
(x)| = |f(x) p
n
(x)|
h
n+1
M
n+1
4(n + 1)
Exemplo 6.3. Seja f(x) = e
x
+ x 1 tabelada a seguir.
x 0, 0 0, 5 1, 0 1, 5 2, 0
f(x) 0, 0 1, 1487 2, 7183 4, 9811 8, 3890
Obter f(0, 7) por interpolac ao linear e obter o erro exato e as estimativas do erro de acordo com
os corol arios 6.1 e 6.2.
O polin omio interpolador e p
1
(x) = f(x
0
) +
_
x x
0
_
f[x
0
, x
1
] e como x = 0, 7
[0, 5 , 1], ent ao escolhe-se x
0
= 0, 5 e x
1
= 1, 0. Ent ao
p
1
(x) = 1, 1487 + (x 0, 5)
2, 7183 1, 1487
1 0, 5
= 1, 1487 + 3, 1392(x 0, 5)
e assim p(0, 7) = 1, 7765.
Neste caso, o erro exato e dado por
|E
1
(0, 7)| = |f(0, 7) p
1
(0, 7)| = |1, 7137 1, 7765| = 0, 0628.
O corol ario 6.1 fornece a estimativa
|E
1
(0, 7)| = |(0, 7 0, 5)(0, 7 1, 0)|
M
2
2
= 0, 0815
pois M
2
= max
_
|f
(x)| : x [0, 5 , 1, 0]
_
= max
_
e
x
: x [0, 5 , 1, 0]
_
= 2, 7183.
O corol ario 6.2 fornece a estimativa
|E
1
(x)| =
h
2
M
2
2
= 0, 0850
pois h = 0, 5.
Se a fun c ao f(x) n ao e conhecida, o valor absoluto do erro, |E
k
(x)|, so pode ser
estimado, porque n ao e possvel calcular f
(k+1)
(x) e portanto, M
k+1
. Mas, a partir da tabela de
diferen cas divididas, o valor
M
n+1
(n + 1)!
pode ser aproximado mediante o maior valor absoluto das
diferen cas divididas de ordem k + 1:
|E
k
(x)| |(x x
0
)(x x
1
) (x x
k
)| max{|f[x
j0
, x
j1
, . . . , x
j
k
]|/j
0
< j
1
< . . . < j
k
}
x 0, 2 0, 34 0, 4 0, 52 0, 6 0, 72
f(x) 0, 16 0, 22 0, 27 0, 29 0, 32 0, 37
obter f(0, 47) utilizando um polin omio quadr atico e fornecer uma estimativa para o erro cometido.
Constr oi-se a tabela de diferencas divididas
x Ordem 0 Ordem 1 Ordem 2 Ordem 3
0, 2 0, 16
0, 4286
0, 34 0, 22 2, 0235
0, 8333 17, 8963
x
0
= 0, 4 0, 27 3, 7033
0, 1667 18, 2494
x
1
= 0, 52 0, 29 1, 0415
0, 375 2, 6031
x
2
= 0, 6 0, 32 0, 2085
0, 4167
0, 72 0, 37
Para ter um polin omio quadr atico s ao necess arios tres pontos, e como 0, 47 [0, 4 , 0, 52]
ent ao escolhem-se: x
0
= 0, 4, x
1
= 0, 52, x
2
= 0, 6. Outra possvel escolha poderia ter sido
x
0
= 0, 34, x
1
= 0, 4, x
2
= 0, 52.
O polin omio interpolador na forma de Newton e
p
2
(x) = f[x
0
] + f[x
0
, x
1
](x x
0
) + f[x
0
, x
1
, x
2
](x x
0
)(x x
1
)
= 0, 27 + 0, 1667(x 0, 4) + 1, 0415(x 0, 4)(x 0, 52)
Ent ao, p
2
(0, 47) = 0, 2780 f(0, 47).
A estimativa do erro cometido est a dada por
E
2
(0, 47) |(0, 47 0, 4)(0, 47 0, 52)(0, 47 0, 06)| 18, 2492 = 0, 8303 10
2
.
6.2.4 Forma de Gregory-Newton para o Polin omio Interpolador
Considere, agora, o caso que os pontos x
i
, i = 0, 1, . . . , n sao igualmente espa cados,
isto e, x
i
x
i1
= h, i = 1, 2, . . . , n, onde h e uma constante. Ent ao a forma de Newton do
polinomio interpolador p
n
(x) pode ser tratada de modo mais simplicado.
Deni cao 6.2. A diferenca finita (para frente) de j-esima ordem e denida recursivamente
como
j
f(x) =
_
_
f(x), se j = 0,
j1
f(x + h)
j1
f(x), se j = 1, 2, . . .
As diferen cas nitas e as diferen cas divididas est ao relacionadas como segue
Lema 6.2. Para todo j = 0, 1, . . . , n, tem-se que
f[x
0
, x
1
, . . . , x
j
] =

j
f(x
0
)
h
n
n!
.
Prova: Utilize indu c ao matematica.
De maneira similar às diferen cas divididas, as diferen cas nitas tambem podem ser
escritas em uma tabela, a tabela de diferencas finitas:
x Ordem 0 Ordem 1 Ordem 2 Ordem 3 . . . Ordem n
x
0
f(x
0
)
f(x
0
)
x
1
f(x
1
)
2
f(x
0
)
f(x
1
)
3
f(x
0
)
x
2
f(x
2
)
2
f(x
1
)
.
.
.
f(x
2
)
3
f(x
1
)
x
3
f(x
3
)
2
f(x
2
)
n
f(x
0
)
f(x
3
)
.
.
.
x
4
f(x
4
)
.
.
.
3
f(x
n3
)
.
.
.
2
f(x
n2
)
.
.
. f(x
n1
)
x
n
f(x
n
)
A forma de Newton para o polinomio interpolador p
n
(x) pode ser escrita como
p
n
(x) =f(x
0
) +
f(x
0
)
h
(x x
0
) +

2
f(x
0
)
2h
2
(x x
0
)(x x
1
) +
+

n
f(x
0
)
n!h
n
(x x
0
)(x x
1
) . . . (x x
n1
).
(6.28)
A equa c ao (6.28) e denominada a forma de Gregory-Newton do polinomio inter-
polador p
n
(x).
Fazendo a mudan ca de variaveis s =
x x
0
h
, e observando que x
j
= x
0
+ jh, j =
0, 1, . . . , n, tem-se que x x
j
= (s j)h, j = 0, 1, . . .. Com isto, o polinomio interpolador p
n
(x)
na equa c ao (6.28) pode ser escrito em termos da variavel s como
p
n
(s) = f(x
0
) + sf(x
0
) +
2
f(x
0
)
s(s 1)
2!
+ +
n
f(x
0
)
s(s 1) . . . (s (n 1))
n!
. (6.29)
x 1 0 1 2 3
f(x) 2 1 2 5 10
determinar, mediante o melhor polin omio interpolador na forma de Gregory-Newton (6.28) e
(6.29), o valor de f(0, 5).
A tabela de diferencas nitas para estes dados e
x f(x) f(x)
2
f(x)
3
f(x)
1 2
1
0 1 2
1 0
1 2 2
3 0
2 5 2
5
3 10
Neste caso, o melhor polin omio interpolador e quadr atico pois
j
f(x) = 0, j 3.
De acordo com (6.28), tem-se que
p
2
(x) =f(x
0
) +
f(x
0
)
h
(x x
0
) +

2
f(x
0
)
2h
2
(x x
0
)(x x
1
)
=2 (x + 1) +
2
2
(x + 1)(x 0)
=x
2
+ 1.
Portanto, f(0, 5) p
2
(0, 5) = (0, 5)
2
+ 1 = 1, 25.
De acordo com (6.29), tem-se que
p
2
(s) =f(x
0
) + sf(x
0
) +
2
f(x
0
)
s(s 1)
2
=2 s +
2
2
(s
2
s)
=s
2
2s + 2.
Se x = 0, 5, ent ao s =
x x
0
h
=
0, 5 (1)
1
= 1, 5 e assim
p
2
(s)
s=1,5
= (1, 5)
2
2(1, 5) + 2 = 1, 25.
6.2.5 Interpolac ao Inversa
Considerando a tabela de dados
x x
0
x
1
x
2
. . . x
n
f(x) f(x
0
) f(x
1
) f(x
2
) . . . f(x
n
)
e dado y [min{f(x
i
}, max{f(x
i
)}], o problema da interpola c ao inversa consiste em obter x tal
que f( x) = y,
Basicamente, existem duas maneiras de abordar este problema:
1. Obter p
n
(x) que interpola f(x) e resolver a equa c ao p
n
(x) = y. Aqui, o valor de x
n ao e necessariamente unico e o erro cometido n ao pode ser estimado.
Exemplo 6.6. Considere os dados do exemplo 6.5
x 1 0 1 2 3
f(x) 2 1 2 5 10
Pede-se obter x tal que f( x) = 1, 25.
Neste caso, o polin omio interpolador e p
2
(x) = x
2
+1, e ao resolver a equac ao x
2
+1 =
1, 25 obtem-se duas solu c oes: x
1
= 0, 5 e x
2
= 0, 5
2. Se a existencia da fun c ao inversa x = f
1
(y) e garantida, ent ao pode-se aplicar as
tecnicas de interpola c ao aos dados
f(x) f(x
j0
) f(x
j1
) f(x
j2
) . . . f(x
jn
)
x x
j0
x
j1
x
j2
. . . x
jn
onde f(x
j0
) < f(x
j1
) < . . . < f(x
jn
). Tal arranjo e possvel se a fun cao inversa
x = f
1
(y) existe, pois nesse caso, tal fun c ao e estritamente monotona no seu domnio.
Exemplo 6.7. Considerando a tabela para os valores de f(x) = e
x
x 0 0, 1 0, 2 0, 3 0, 4 0, 5
f(x) 1 1, 1052 1, 2214 1, 3499 1, 4918 1, 6487
obter x tal que e
x
= 1, 3165 mediante interpolac ao quadr atica inversa.
E construda a tabela de diferencas divididas para os dados

y Ordem 0 Ordem 1 Ordem 2 Ordem 3
1 0
0, 9506
1, 1052 0, 1 0, 4065
0, 8606 0, 1994
y
0
= 1, 2214 0, 2 0, 3367
0, 7782 0, 1679
y
1
= 1, 3499 0, 3 0, 2718
0, 7047 0, 1081
y
2
= 1, 4918 0, 4 0, 2256
0, 6373
1, 6478 0, 5
O polin omio quadr atico que interpola a fun c ao inversa g(y) e
p
2
(y) = g(y
0
) + g[g
0
, y
1
](y y
0
) + g[y
0
, y
1
, y
2
](y y
0
)(y y
1
)
= 0, 2 + 0, 7782(y 1, 2214) + (0, 2718)(y 1, 2214)(y 1, 3499).
Portanto, p
2
(1, 3165) = 0, 27494. A estimativa do erro pode ser encontrada facilmente:
|E
2
(x)| |(y y
0
)(y y
1
)|
M
3
3!
onde M
3
= max{|g
(y)| : y [y
0
, y
2
]}. Aqui, g(y) = ln(y) e g
(y) =
2
y
3
. Ent ao
M
3
=
2
(1, 2214)
3
= 1, 0976
Assim,
|E
2
(x)| 0, 1019 10
3
.
6.3 Introdu c ao 89
6.3 Polinomios de Taylor
Os polinomios de Taylor sao tambem uma ferramenta de interpola c ao, que aproximam
uma certa fun c ao f(x) ao redor de um ponto escolhido x
0
, com a condi c ao
p
(k)
(x
0
) = f
(k)
(x
0
), k = 0, 1, . . . , n.
Deni cao 6.3. Seja uma fun c ao f(x) tal que as primeiras n + 1 derivadas de f(x) existem. O
polin omio p(x)
p(x) = f(x
0
) + (x x
0
)f
(x
0
) +
1
2!
(x x
0
)
2
f
(x
0
) + +
1
n!
(x x
0
)
n
f
(n)
(x
0
) (6.30)
e denominado o polin omio de Taylor de grau n para a fun c ao f(x) no ponto x
0
, x
0
[a, b] e
pode ser considerado como um polin omio interpolador de grau n da fun c ao f(x), que satisfaz as
condi c oes
p
(k)
(x
0
) = f
(k)
(x
0
), k = 0, 1, . . . , n. (6.31)
O termo
R
n
=
1
(n + 1)!
(x x
0
)
n+1
f
(n+1)
(), x
0
< < x (6.32)
que tem sido desprezado em (6.30), e denominado o resto ou o erro de truncamento.
O n umero de termos a serem includos em (6.30) pode ser determinado pelo erro
aceit avel. Se este erro e > 0 e a serie e truncada no termo f
(n)
(x
0
), ent ao
1
(n + 1)!
|x x
0
|
n+1
f
(n+1)
()
< , x
0
< < x (6.33)
ou
1
(n + 1)!
|x x
0
|
n+1
M
n+1
(x) < , (6.34)
onde M
n+1
(x) = max
atx
f
(n+1)
(t)
.
Exemplo 6.8. Obtenha uma aproxima c ao polinomial p(x) para f(x) = e
x
utilizando a expans ao
de Taylor ao redor de x
0
= 0 e determine
(i) x para que a aproxima c ao p(x) com quatro termos tenha erro absoluto menor que
0, 5 10
6
;
6.3 Introdu c ao 90
(ii) o n umero de termos na aproxima c ao para encontrar resultados corretos ate 0, 510
10
para 0 x 1.
Para (i), tem-se que se f(x) = e
x
, ent ao
f
(r)
(x) = (1)
r
e
x
=f
(r
(0) = (1)
r
, r = 0, 1, . . . .
A partir de (6.30) obtem-se
p(x) = 1 x +
x
2
2

x
3
6
e de (6.34)
x
4
4!
M
4
< 0, 5 10
6
onde M
4
(x) = max
0tx
f
(4)
(t)
= max
0tx
e
t
= 1 e
x
4
< 0, 12 10
4
ou
x < 0, 0589
Para (ii), de (6.34) tem-se que
1
(n + 1)!
< 0, 5 10
10
que resulta em
n 14.
Exerccios:
1. Obtenha uma aproxima c ao polinomial p(x) para
(a) f(x) =
1
1 + x
2
(b) f(x) = e
2x
(c) f(x) =
1
1 +
x
utilizando a expansao de Taylor ao redor de x
0
= 0 e determine
(i) x para que a aproxima c ao p(x) com quatro termos tenha erro absoluto menor
que 0, 5 10
4
;
6.3 Introdu c ao 91
(ii) o n umero de termos na aproxima c ao para encontrar resultados corretos ate 0, 5
10
10
para 0 x 1.
2. Dada a tabela abaixo,
x 2, 4 2, 6 2, 8 3, 0 3, 2 3, 4 3, 6 3, 8
f(x) 11, 02 13, 46 16, 44 20, 08 24, 53 29, 96 36, 59 44, 70
(a) Calcule e
3,1
utilizando um polinomio de interpola c ao sobre tres pontos.
(b) Fa ca uma estimativa do erro cometido.
3. Prove os lemas 6.1, 6.2 e o teorema 6.2 utilizando a indu c ao matematica.
4. Prove os corol arios 6.1 e 6.2.
5. Quer-se construir uma tabela que contenha valores de sen(x) para pontos igualmente
espa cados no intervalo [0, 1]. Qual deve ser o menor n umero de pontos na tabela para se
obter, a partir dela, o sen(x), utilizando a interpola c ao linear com erro |E(x)| 10
6
,
x [0, 1].
6. Sabendo-se que a equa c ao x e
x
= 0 admite uma raiz no intervalo [0, 1], determine
o valor desta raiz utilizando um polinomio de interpola c ao sobre tres pontos. Estime
o erro cometido.
7. Construa a tabela de diferen cas divididas com os dados
x 0, 0 0, 5 1, 0 1, 5 2, 0 2, 5
f(x) 2, 78 2, 241 1, 65 0, 594 1, 34 4, 564
(a) Estime o valor de f(1, 23) da melhor maneira possvel, de forma que se possa
estimar o erro cometido.
(b) Justique a escolha do grau do polinomio.
8. Seja a tabela
x 0, 15 0, 20 0, 25 0, 30 0, 35 0, 40
f(x) 0, 12 0, 16 0, 19 0, 22 0, 25 0, 27
Utilizando um polinomio interpolador quadr atico, encontre o valor de x para o qual
f(x) = 0, 23.
9. Construa uma tabela para a fun c ao f(x) = cos(x) utilizando os pontos 0, 8; 0, 9; 1, 0; 1, 1; 1, 2; 1, 3.
Obtenha um polinomio c ubico para estimar cos(1, 07) e forne ca uma estimativa do erro
cometido.
7 AJUSTE DE CURVAS PELO M
ETODO DOS QUADRADOS M
INIMOS
7.1 Introdu cao
No captulo anterior, tratou-se o problema de aproximar e interpolar uma fun c ao f(x)
ou um conjunto de dados tabulares mediante polinomios de grau n, p
n
(x). Mas, às vezes, isto n ao
aconselh avel pois os dados obtidos podem ser resultados de algum experimento fsico possivelmente
governados por alguma lei fsica. Ent ao tem-se a necessidade de criar heuristicamente uma fun c ao
(x) que aproxime f(x) fora do intervalo [x
0
, x
n
] e que seja uma boa aproxima c ao.
7.2 Caso Linear Discreto
Seja a tabela de dados
x x
1
x
2
x
3
. . . x
n
f(x) f(x
1
) f(x
2
) f(x
3
) . . . f(x
n
)
com x
1
x
2
x
3
. . . x
n
e sejam escolhidas certas fun c oes g
1
(x), g
2
(x), . . ., g
m
(x), (m N)
contnuas em [x
1
, x
n
]. O problema de ajuste pelo metodo dos quadrados mnimos consiste
em obter certos coecientes
i
, i = 1, 2, . . . , m, tais que a fun c ao
(x) =
1
g
1
(x) +
2
g
2
(x) + +
m
g
m
(x)
se aproxime a f(x) satisfazendo a condi c ao que
n
i=1
_
f(x
i
) (x
i
)
_
2
seja a menor possvel.
Observe que a fun c ao (x) e uma combina c ao linear das fun c oes g
i
(x), i = 1, 2, . . . , m.
Por este motivo, o ajuste e dito linear. Por outro lado, os dados disponveis sobre a fun c ao f(x)
sao aqueles listados na tabela. Por essa raz ao, o ajuste e dito discreto.
Seja denida a fun c ao
F(
1
,
2
, . . . ,
m
) =
n
i=1
_
f(x
i
)(x
i
)
2
=
n
i=1
_
f(x
i
)
1
g
1
(x
i
)
2
g
2
(x
i
)
m
g
m
(x
i
)
2
(7.1)
92
7.2 Caso Linear Discreto 93
Para minimizar a fun c ao F(
1
,
2
, . . . ,
m
), tem de ser encontrados os seus pontos crticos, isto e,
tem que ser resolvida o sistema de equa c oes
F
(1,2,...,m)
= 0, j = 1, 2, . . . , m. (7.2)
Calculando estas derivadas parciais, tem-se, para cada j = 1, 2, . . . , m,
F
(1,2,...,m)
= 2
n
i=1
_
f(x
i
)
1
g
1
(x
i
)
2
g
2
(x
i
)
m
g
m
(x
i
)
_
g
j
(x
i
)
. (7.3)
De (7.2) e (7.3), tem-se que
n
i=1
_
f(x
i
)
1
g
1
(x
i
)
2
g
2
(x
i
)
m
g
m
(x
i
)
_
g
j
(x
i
)
= 0, j = 1, 2, . . . , m. (7.4)
A partir de (7.4), forma-se o sistema de equa c oes lineares
_
n
i=1
g
1
(x
i
)g
1
(x
i
)
_
1
+ +
_
n
i=1
g
m
(x
i
)g
1
(x
i
)
_
m
=
n
i=1
f(x
i
)g
1
(x
i
)
_
n
i=1
g
1
(x
i
)g
2
(x
i
)
_
1
+ +
_
n
i=1
g
m
(x
i
)g
2
(x
i
)
_
m
=
n
i=1
f(x
i
)g
2
(x
i
)
.
.
.
_
n
i=1
g
1
(x
i
)g
m
(x
i
)
_
1
+ +
_
n
i=1
g
m
(x
i
)g
m
(x
i
)
_
m
=
n
i=1
f(x
i
)g
m
(x
i
)
(7.5)
que pode ser escrito da forma
_
_
_
_
_
_
_
_
_
_
_
n
i=1
g
1
(x
i
)g
1
(x
i
)
n
i=1
g
2
(x
i
)g
1
(x
i
)
n
i=1
g
m
(x
i
)g
1
(x
i
)
n
i=1
g
1
(x
i
)g
2
(x
i
)
n
i=1
g
2
(x
i
)g
2
(x
i
)
n
i=1
g
m
(x
i
)g
2
(x
i
)
.
.
.
.
.
.
.
.
.
.
.
.
n
i=1
g
1
(x
i
)g
m
(x
i
)
n
i=1
g
2
(x
i
)g
m
(x
i
)
n
i=1
g
m
(x
i
)g
m
(x
i
)
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
2
.
.
.
m
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
_
n
i=1
f(x
i
)g
1
(x
i
)
n
i=1
f(x
i
)g
2
(x
i
)
.
.
.
n
i=1
f(x
i
)g
m
(x
i
)
_
_
_
_
_
_
_
_
_
_
_
(7.6)
Exemplo 7.1. Dada a tabela
x 1, 0 0, 75 0, 6 0, 5 0, 3 0 0, 2 0, 4 0, 5 0, 7 1, 0
f(x) 2, 05 1, 153 0, 45 0, 4 0, 5 0 0, 2 0, 6 0, 512 1, 2 2, 05
ajustar a curva (x) =
1
x
2
a estes dados.
1
x
2
aos dados da tabela.
Neste caso, m = 1, g
1
(x) = x
2
. Ent ao a unica equac ao e
_
11
i=1
g
1
(x
i
)g
1
(x
i
)
1
=
11
i=1
f(x
i
)g
1
(x
i
)
ou
_
11
i=1
(x
2
i
)
2
1
=
11
i=1
x
2
i
f(x
i
),
1
=
11
i=1
x
2
i
f(x
i
)
11
i=1
x
4
i
=
5, 8756
2, 8464
= 2, 0642.
Portanto, a curva = 2, 0642x
2
e a que melhor ajusta esses dados no sentido de
quadrados mnimos. Veja a gura 7.1
Exemplo 7.2. Considerando os dados da tabela anterior, ajustar a curva (x) =
1
x
2
+
2
x.
1
(x) = x
2
, g
2
(x) = x. Ent ao as equac oes s ao
_
11
i=1
g
1
(x
i
)g
1
(x
i
)
_
1
+
_
11
i=1
g
2
(x
i
)g
1
(x
i
)
_
2
=
11
i=1
f(x
i
)g
1
(x
i
)
_
11
i=1
g
1
(x
i
)g
2
(x
i
)
_
1
+
_
11
i=1
g
2
(x
i
)g
2
(x
i
)
_
2
=
11
i=1
f(x
i
)g
2
(x
i
)
ou,
_
11
i=1
x
4
i
_
1
+
_
11
i=1
x
3
i
_
2
=
11
i=1
x
2
i
f(x
i
)
_
11
i=1
x
3
i
_
1
+
_
11
i=1
x
2
i
_
2
=
11
i=1
x
i
f(x
i
).
Tem-se que
11
i=1
x
4
i
= 2, 8464,
11
i=1
x
3
i
= 0.2499,
11
i=1
x
2
i
= 4, 2025,
11
i=1
x
2
i
f(x
i
) = 5, 8756,
11
i=1
x
i
f(x
i
) =
0, 1087, e o sistema de equac oes ca
2, 8464
1
0, 2499
2
= 5, 8756
0, 2499
1
+ 4.2025
2
= 0, 1087.
Resolvendo este sistema, consegue-se
1
= 2, 0728 e
2
= 0, 0974. Veja a gura 7.2. Pode-se
apreciar a semelhanca entre os gr acos conseguidos nas guras 7.1 e 7.2.
1
x
2
+
2
x aos dados da tabela.
7.2.1 Ajuste de uma Reta por Quadrados Mnimos
Dada a tabela de dados
x x
1
x
2
x
3
. . . x
n
f(x) f(x
1
) f(x
2
) f(x
3
) . . . f(x
n
)
com x
1
x
2
x
3
. . . x
n
, quer-se ajustar uma reta (x) =
1
x +
2
a estes dados mediante
o metodo de quadrados mnimos.
7.3 Caso Linear Contnuo 96
1
(x) = x, g
2
(x) = 1. Substituindo no sistema de equa c oes (7.5),
obtem-se o sistema
_
n
i=1
x
2
i
_
1
+
_
n
i=1
x
i
_
2
=
n
i=1
x
i
f(x
i
)
_
n
i=1
x
i
_
1
+ n
2
=
n
i=1
f(x
i
)
(7.7)
A solu c ao do sistema (7.7) pode ser encontrada facilmente:
1
=
n
_
n
i=1
x
i
f(x
i
)
_
_
n
i=1
x
i
_ _
n
i=1
f(x
i
)
_
n
_
n
i=1
x
2
i
_
_
n
i=1
x
i
_
2
,
2
=
_
n
i=1
f(x
i
)
_
_
n
i=1
x
i
_
1
n
.
(7.8)
x 1, 3 3, 4 5, 1 6, 8 8, 0
f(x) 2, 0 5, 2 3, 8 6, 1 5, 8
ajustar uma reta (x) =
1
x +
2
.
Calculando previamente os valores necess arios para o sistema de equac oes:
5
i=1
x
2
i
=
149, 5,
5
i=1
x
i
= 24, 6,
5
i=1
f(x
i
) = 22, 9,
5
i=1
x
i
f(x
i
) = 127, 54; tem-se que:
1
=
5 127, 54 24, 6 22, 9
5 149, 5 (24, 6)
2
= 0, 5224,
2
=
22, 9 24, 6 0, 5224
5
= 2, 0097.
Veja a gura 7.3 para apreciar geometricamente o ajuste.
7.3 Caso Linear Contnuo
Seja uma fun c ao f(x) denida e contnua sobre um intervalo [a, b] e sejam escolhidas
certas fun c oes g
1
(x), g
2
(x), . . ., g
m
(x), (m N) contnuas em [a, b]. O problema de ajuste
pelo metodo dos quadrados mnimos consiste em obter certos coecientes
i
, i = 1, 2, . . . , m,
1
x +
2
tais que a fun c ao
(x) =
1
g
1
(x) +
2
g
2
(x) + +
m
g
m
(x)
se aproxime a f(x) satisfazendo a condi c ao que
_
b
a
_
f(x) (x)
_
2
dx
seja a menor possvel.
Como na se c ao 7.2, observe que a fun c ao (x) e uma combina c ao linear das fun c oes
g
i
(x), i = 1, 2, . . . , m. Por este motivo, o ajuste e dito linear. Por outro lado, o conhecimento da
fun c ao f(x) sobre o intervalo [a, b], o ajuste e dito contnuo.
Seja denida a fun c ao
F(
1
,
2
, . . . ,
m
) =
_
b
a
_
f(x)(x)
2
dx =
_
b
a
_
f(x)
1
g
1
(x)
2
g
2
(x)
m
g
m
(x)
2
(7.9)
Para minimizar a fun c ao F(
1
,
2
, . . . ,
m
), tem de ser encontrados os seus pontos crticos, isto e,
tem que ser resolvida o sistema de equa c oes
F
(1,2,...,m)
= 0, j = 1, 2, . . . , m. (7.10)
Calculando estas derivadas parciais, tem-se, para cada j = 1, 2, . . . , m,
F
(1,2,...,m)
= 2
_
b
a
_
f(x)
1
g
1
(x)
2
g
2
(x)
m
g
m
(x)
_
g
j
(x)
dx. (7.11)
De (7.10) e (7.11), tem-se que
_
b
a
_
f(x)
1
g
1
(x)
2
g
2
(x)
m
g
m
(x)
_
g
j
(x)
dx = 0, j = 1, 2, . . . , m. (7.12)
A partir de (7.12), forma-se o sistema de equa c oes lineares
_
_
b
a
g
1
(x)g
1
(x)dx
_
1
+ +
_
_
b
a
g
m
(x)g
1
(x)dx
_
m
=
_
b
a
f(x)g
1
(x)dx
_
_
b
a
g
1
(x)g
2
(x)dx
_
1
+ +
_
_
b
a
g
m
(x)g
2
(x)dx
_
m
=
_
b
a
f(x)g
2
(x)dx
.
.
.
_
_
b
a
g
1
(x)g
m
(x)dx
_
1
+ +
_
_
b
a
g
m
(x)g
m
(x)dx
_
m
=
_
b
a
f(x)g
m
(x)dx
(7.13)
que pode ser escrito da forma
_
_
_
_
_
_
_
_
_
b
a
g
1
(x)g
1
(x)dx
_
b
a
g
2
(x)g
1
(x)dx
_
b
a
g
m
(x)g
1
(x)dx
_
b
a
g
1
(x)g
2
(x)dx
_
b
a
g
2
(x)g
2
(x)dx
_
b
a
g
m
(x)g
2
(x)dx
.
.
.
.
.
.
.
.
.
.
.
.
_
b
a
g
1
(x)g
m
(x)dx
_
b
a
g
2
(x)g
m
(x)dx
_
b
a
g
m
(x)g
m
(x)dx
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
2
.
.
.
m
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
b
a
f(x)g
1
(x)dx
_
b
a
f(x)g
2
(x)dx
.
.
.
_
b
a
f(x)g
m
(x)dx
_
_
_
_
_
_
_
_
,
(7.14)
Os coecientes
i
, i = 1, 2, . . . , m, podem ser obtidos resolvendo o sistema de equa c oes
(7.13) ou (7.14).
Exemplo 7.4. Ajustar por mnimos quadrados um polin omio de primeiro grau, (x) =
1
x +
2
,
3
, x [0, 1].
Aqui, m = 2, g
1
(x) = x, g
2
(x) = 1. Ent ao o sistema (7.13) pode ser escrito como
__
1
0
x
2
dx
_
1
+
__
1
0
xdx
_
2
=
_
1
0
4x
4
dx
__
1
0
xdx
_
1
+
__
1
0
dx
_
2
=
_
b
a
4x
3
dx
ou
1
3
1
+
1
2
2
=
4
5
1
2
1
+
2
= 1,
donde
1
=
18
5
,
2
=
4
5
. Para apreciar gracamente tal ajuste veja a gura
7.4 Caso N ao Linear 99
1
x +
2
3
.
7.4 Caso Nao Linear
`
As vezes, quer-se ajustar uma fun c ao (x) que n ao uma combina c ao linear das fun c oes
g
i
(x), i = 1, 2, . . . , m. Neste caso, com freq uencia, e possvel realizar uma lineariza c ao dos dados,
tanto no caso discreto como no caso contnuo, de maneira que pode-se ajustar como anteriormente.
No caso discreto, os casos mais comuns e sua respectiva lineariza c ao sao mostrados na
seguinte tabela
Funcao (x) Lineariza c ao Ajuste
(x) =
2
e
1x
ln((x)) =
1
x + ln(
2
) (x) =
1
x +
2
,
1
=
1
,
2
= e
2
(x) =
2
x
1
ln((x)) =
_
ln(
1
)
x + ln(
2
) (x) =
1
x +
2
,
1
= e
1
,
2
= e
2
(x) =
2
x
1
ln((x)) =
1
ln(x) + ln(
2
) (x) =
1
ln(x) +
2
,
1
=
1
,
2
= e
2
(x) = e
1x+2
ln((x)) =
1
x +
2
(x) =
1
x +
2
,
1
=
1
,
2
=
2
(x) =
1
1
x +
2
1
(x)
=
1
x +
2
(x) =
1
x +
2
,
1
=
1
,
2
=
2
Tabela 7.1 Casos mais freq uentes de ajuste n ao linear e sua respectiva linearizac ao
Exemplo 7.5. Ajustar uma fun c ao (x) =
2
e
1x
aos dados da tabela
x 0, 1 1, 5 3, 3 4, 5 5, 0
f(x) 5, 9 8, 8 12, 0 19, 8 21, 5
Neste caso, ajusta-se uma reta (x) =
1
x +
2
aos dados
x 0, 1 1, 5 3, 3 4, 5 5, 0
g(x) = ln(f(x)) 1.7750 2.1748 2.4849 2.9857 3.0681
Aqui, m = 2, g
1
(x) = x, g
2
(x) = 1, e
1
=
5
_
5
i=1
x
i
g(x
i
)
_
_
5
i=1
x
i
_ _
5
i=1
g(x
i
)
_
5
_
5
i=1
x
2
i
_
_
5
i=1
x
i
_
2
=
5 40, 4156 14, 4 12, 4883
5 58, 4 (14, 4)
2
= 0, 2628,
2
=
_
5
i=1
g(x
i
)
_
_
5
i=1
x
i
_
1
5
=
12, 4883 14, 4 0, 2628
5
= 1, 7407.
Portanto,
1
=
1
= 0, 2628 e
2
= e
2
= 5, 7014, e a fun c ao que ajusta os dados e
(x) = 5, 7014 e
0,2628x
.
Veja a gura 7.5.
2
e
1x
Exerccios
1. Tem-se a seguinte tabela de dados que correspondem às alturas e pesos de nove in-
divduos de sexo masculino com idades entre 25 e 29 anos
Altura (m) 1, 83 1, 73 1, 68 1, 88 1, 58 1, 63 1, 93 1, 63 1, 78
Peso (kg) 79 69 70 81 61 63 79 71 73
(a) Ajuste, por quadrados mnimos, uma reta a esses dados de maneira que o peso
seja uma fun c ao linear da altura.
(b) Estime o peso de um indivduo com 1, 75 de acordo com o resultado obtido no
tem anterior.
2. A tabela a seguir mostra o n umero de habitantes do Brasil (em milh oes) desde 1872:
Ano 1872 1890 1900 1920 1940 1950 1960 1970 1980
Habitantes 9, 9 14, 3 17, 4 30, 6 41, 2 51, 9 70, 9 93, 1 130
Ajuste uma reta por quadrados mnimos a estes dados e obtenha uma estimativa da
popula c ao em 2004. A popula c ao verdadeira em 2004 e ao redor de 175 milh oes de
habitantes. Comente os resultados.
3. Ajuste por quadrados mnimos um polinomio quadr atico à fun c ao f(x) = sen(x),
x [0, ].
4. Mediante quadrados mnimos, ajuste os dados
x 8 6 4 2 0 2 4
f(x) 30 10 9 6 5 4 4
(a) por uma fun c ao (x) =
1
1
x +
2
;
(b) por uma fun c ao (x) =
2
(
1
)
x
.
(c) Que criterio ou procedimento utilizaria para armar qual fun c ao (x) produz o
melhor ajuste.
5. A seguinte tabela de dados mostra o tempo (s), t de uma rea c ao qumica junto com a
concentra c ao (M), C
t 0, 05 0, 10 0, 15 0, 20 0, 25 0, 30
C 0, 86 0, 68 0, 59 0, 47 0, 43 0, 38
(a) Sabe-se que uma rea c ao qumica de primeira ordem esta governada pela equa c ao
C = C
0
e
kt
onde C
0
e a concentra c ao inicial e k e a constante de velocidade da rea c ao qumica.
Por mnimos quadrados, determine o valor de k.
(b) Sabe-se que uma rea c ao qumica de segunda ordem est a governada pela equa c ao
1
C
=
1
C
0
+ kt.
Por mnimos quadrados determine o valor de k.
(c) Os dados da tabela correspondem mais provavelmente a qual tipo de rea c ao
qumica?
8 INTEGRAC

AO NUM
ERICA
8.1 Introdu cao
O objetivo central deste captulo e o c alculo da integral
I =
_
b
a
f(x)dx (8.1)
mediante uma solu c ao numerica. Tal tecnica de c alculo recebe o nome de quadratura.
Especicamente, seja uma fun c ao integravel, f(x) denida sobre o intervalo [a, b]. A
ideia b asica da quadratura e aproximar a integral mediante
_
b
a
f(x)dx = A
0
f(x
0
) + A
1
f(x
1
) + + A
n
f(x
n
), x
i
[a, b], i = 0, 1, . . . , n, (8.2)
onde os A
i
sao certos coecientes a serem determinados, bem como os pontos x
i
.
Os metodos mais comumente utilizados podem ser classicados em dois grupos:
1. As formulas de Newton-Cotes que utilizam a interpola c ao, e
2. A quadratura gaussiana que est a baseada no fato em que a soma em (8.2) e o valor
exato da integral para polinomios de certos graus.
8.2 As Formulas de Newton-Cotes
A ideia b asica e aproximar f(x) por um polinomio p
n
(x) que interpole f(x) em n +1
pontos, a = x
0
< x
1
< . . . < x
n
= b, igualmente espa cados do intervalo [a, b] e realizar a integra c ao
sobre tal polinomio.
8.2.1 Regra dos Trapezios
Considere n = 1, a = x
0
< x
1
= b. Denote h = x
1
x
0
. O polinomio interpolador de
f(x) e
p
1
(x) = f(x
0
) +
f(x
0
)
h
(x x
0
) f(x), (8.3)
103
8.2 As F ormulas de Newton-Cotes 104
e integrando (8.3) tem-se
_
x1
x0
f(x)dx
_
x1
x0
p
1
(x)dx = f(x
0
) (x
1
x
0
) +
f(x
1
) f(x
0
)
h

(x x
0
)
2
2
x1
x0
= hf(x
0
) +
h
2
_
f(x
1
) f(x
0
)
_
(8.4)
e assim, a regra dos trapezios ca
_
x1
x0
f(x)dx
_
x1
x0
p
1
(x)dx =
h
2
_
f(x
0
) + f(x
1
)
_
. (8.5)
O erro na integra c ao pela regra dos trapezios e obtido integrando o erro na inter-
pola c ao, isto e,
E
T
=
_
x1
x0
w(x)
f
(
x
)
2
dx, (8.6)
onde,
x
[x
0
, x
1
], para cada x [x
0
, x
1
], e
w(x) = (x x
0
)(x x
1
). (8.7)
Observe que w(x) < 0, x [x
0
, x
1
]. Se f
(x) e contnua sobre [x

0
, x
1
], ent ao ela
atinge seus valores mnimo e maximo nesse intervalo, isto e, existem constantes m e M tais que
m f
(
x
) M, x [x
0
, x
1
] (8.8)
ent ao
mw(x) w(x)f
(
x
) Mw(x), x [x
0
, x
1
], (8.9)
resultando que
m
_
x1
x0
w(x)dx
_
x1
x0
w(x)f
(
x
)dx M
_
x1
x0
w(x)dx (8.10)
e levando em conta que
_
x1
x0
w(x)dx < 0,
m
_
x1
x0
w(x)f
(
x
)dx
_
x1
x0
w(x)dx
M. (8.11)
E pelo teorema do valor medio para integrais com peso w(x), existe c [x
0
, x
1
] tal que
_
x1
x0
w(x)f
(
x
)dx = f
(c)
_
x1
x0
w(x)dx. (8.12)
Da equa c ao (8.6), tem-se que
E
T
=
1
2
_
x1
x0
w(x)f
(
x
)dx =
1
2
f
(c)
_
x1
x0
w(x)dx, c [x
0
, x
1
], (8.13)
mas
_
x1
x0
w(x)dx =
h
3
6
, (8.14)
e ent ao
E
T
=
h
3
12
f
(c), c [x
0
, x
1
], (8.15)
ou, em termos de estimativa,
E
T
h
3
12
M
2
, (8.16)
onde
M
2
= max{|f
(x)| : x [x
0
, x
1
]}. (8.17)
8.2.2 Regra dos Trapezios Repetida
Pode-se observar que o erro (8.15) n ao e pequeno quando o intervalo de integra c ao
e grande. Isto signica que o valor aproximado da integral n ao e muito preciso. O que pode
ser feito neste caso e subdividir o intervalo de integra c ao [a, b] em pontos igualmente espa cados
a = x
0
< x
1
< . . . < x
n
= b, onde h = x
i+1
x
i
, i = 0, 1, . . . , n 1, a aplicar a regra dos trapezios
repetidamente a cada subintervalo [x
i
, x
i+1
], i = 0, 1, . . . , n 1.
Ent ao
_
b
a
f(x)dx =
n1
i=0
_
xi+1
xi
f(x)dx
n1
i=0
_
h
2
_
f(x
i
) + f(x
i+1
)
_
_
(8.18)
sendo o erro cometido
E
TR
=
h
3
12
n1
i=0
f
(c
i
) =
nh
3
12
f
(), (8.19)
para algum [a, b]. A existencia de est a garantida por uma generaliza c ao do Teorema do Valor
Intermedi ario.
Portanto,
_
b
a
f(x)dx
h
2
_
f(x
0
) + 2
_
f(x
1
) + f(x
2
) + + f(x
n1
)
+ f(x
n
)
_
, (8.20)
e o erro cometido e
E
TR
=
nh
3
12
f
() (8.21)
com [a, b], ou em termos de estimativa,
E
TR
nh
3
12
M
2
(8.22)
onde
M
2
= max{|f
(x)| : x [a, b]}. (8.23)

8.2.3 Regra de Simpson
0
< x
1
< x
2
= b. Denote h = x
1
x
0
= x
2
x
1
. O polinomio
interpolador de f(x) e
p
2
(x) = f(x
0
) +
f(x
0
)
h
(x x
0
) +

2
f(x
0
)
2h
2
(x x
0
)(x x
1
) f(x), (8.24)
e integrando (8.24) tem-se a regra de Simpson,
_
x2
x0
f(x)dx
_
x2
x0
p
2
(x)dx =
h
3
_
f(x
0
) + 4f(x
1
) + f(x
2
)
_
. (8.25)
O erro na integra c ao pela regra de Simpson e obtido integrando o erro na interpola c ao,
e pode-se mostrar que e
E
S
=
h
5
90
f
(iv)
(c), c [x
0
, x
2
], (8.26)
E
S
h
5
90
M
4
, (8.27)
onde
M
4
= max{|f
(iv)
(x)| : x [x
0
, x
2
]}. (8.28)
8.2.4 Regra de Simpson Repetida
Similarmente ao caso da regra dos trapezios repetida, o intervalo de integra c ao [a, b]
pode ser dividido em pontos igualmente espa cados a = x
0
< x
1
< . . . < x
n
= b, onde h = x
i+1
x
i
,
i = 0, 1, . . . , n 1, a aplicar a regra de Simpson repetidamente a cada subintervalo [x
i
, x
i+2
],
i = 0, 1, . . . , n 2. Uma condi c ao para poder fazer isto e que n deve ser um n umero par, n = 2k.
Ent ao
_
b
a
f(x)dx =
k1
i=0
_
x2i+2
x2i
f(x)dx
k1
i=0
_
h
3
_
f(x
2i
) + 4f(x
2i+1
) + f(x
2i+2
)
_
_
. (8.29)
Portanto,
_
b
a
f(x)dx
h
3
_
f(x
0
) + f(x
n
) + 4
_
f(x
1
) + f(x
3
) + + f(x
2k1
)
+ 2
_
f(x
2
) + f(x
4
) + + f(x
2k2
)
_
,
(8.30)
e o erro cometido e
E
SR
=
nh
5
180
f
(iv)
() (8.31)
E
TR
nh
5
180
M
4
(8.32)
onde
M
4
= max{|f
(iv)
(x)| : x [a, b]}. (8.33)
8.2.5 Regra dos Tres Oitavos
0
< x
1
< x
2
< x
3
= b. Denote h = x
1
x
0
= x
2
x
1
= x
3
x
2
.
O polinomio interpolador de f(x) e
p
3
(x) =f(x
0
) +
f(x
0
)
h
(x x
0
) +

2
f(x
0
)
2h
2
(x x
0
)(x x
1
)
+

3
f(x
0
)
6h
3
(x x
0
)(x x
1
)(x x
2
) f(x),
(8.34)
e integrando (8.34) tem-se a regra dos tres oitavos,
_
x3
x0
f(x)dx
_
x3
x0
p
3
(x)dx =
3h
8
_
f(x
0
) + 3f(x
1
) + 3f(x
2
) + f(x
3
)
_
. (8.35)
O erro na integra c ao pela regra dos tres oitavos e obtido integrando o erro na inter-
pola c ao, e pode-se mostrar que e
E
O
=
3h
5
80
f
(iv)
(c), c [x
0
, x
2
], (8.36)
E
O
3h
5
80
M
4
, (8.37)
onde, como antes,
M
4
= max{|f
(iv)
(x)| : x [x
0
, x
3
]}. (8.38)
8.2.6 Regra dos Tres Oitavos Repetida
O intervalo de integra c ao [a, b] pode ser dividido em pontos igualmente espa cados
a = x
0
< x
1
< . . . < x
n
= b, onde h = x
i+1
x
i
, i = 0, 1, . . . , n 1, a aplicar a regra dos tres
oitavos repetidamente a cada subintervalo [x
i
, x
i+3
], i = 0, 1, . . . , n 2. Uma condi c ao para poder
fazer isto e que n deve ser um n umero m ultiplo de 3, n = 3k.
Ent ao
_
b
a
f(x)dx =
k1
i=0
_
x3i+3
x3i
f(x)dx
k1
i=0
_
3h
8
_
f(x
3i
) + 3f(x
3i+1
) + 3f(x
3i+2
) + f(x
3i+3
)
_
_
. (8.39)
Portanto,
_
b
a
f(x)dx
3h
8
_
f(x
0
) + 3f(x
n2
) + 3f(x
n1
) + f(x
n
)
+
k2
i=0
_
3f(x
3i+1
) + 3f(x
3i+2
) + 2f(x
3i+3
)
__
,
(8.40)
e o erro cometido e
E
OR
=
nh
5
80
f
(iv)
() (8.41)
E
TR
nh
5
80
M
4
(8.42)
onde
M
4
= max{|f
(iv)
(x)| : x [a, b]}. (8.43)
8.3 Quadratura Gaussiana 109
Os erros das formulas de Newton-Cotes est ao dados pelo seguinte teorema
Teorema 8.1. Se f(x) e uma fun c ao denida sobre o intervalo [a, b] e e de classe C
n+2
(fun c oes
com as derivadas ate de ordem n + 2 contnuas), ent ao o erro das f ormulas de Newton-Cotes s ao
1. se n e impar,
E
n
=
h
n+2
(n + 1)!
f
(n+1)
()
_
n
0
u(u 1) . . . (u n)du, [a, b] (8.44)
2. se n e par,
E
n
=
h
n+3
(n + 2)!
f
(n+2)
()
_
n
0
_
u
n
2
_
u(u 1) . . . (u n)du, [a, b] (8.45)
8.3 Quadratura Gaussiana
Seja uma fun c ao integravel, f(x) denida sobre o intervalo [a, b]. Sempre e possvel
expressar
_
b
a
f(x)dx =
_
1
1
g(t)dt (8.46)
mediante a mudan ca de variaveis
x =
1
2
_
(b a)t + a + b
, (8.47)
e ent ao
g(t) =
1
2
(b a) f
_
1
2
_
(b a)t + a + b
_
(8.48)
A ideia b asica da quadratura gaussiana e aproximar a integral mediante
_
1
1
g(t)dt = A
0
g(t
0
) + A
1
g(t
1
) + + A
n
g(t
n
), t
i
[1, 1], i = 0, 1, . . . , n, (8.49)
onde os A
i
sao certos coecientes a serem determinados, bem como os pontos t
i
, de maneira que
a formula (8.49) seja exata para todos os polinomios ate de grau 2n + 1.
Para isto acontecer, basta considerar os polinomios 1, t, t
2
, . . . , t
2n+1
, formando o
seguinte sistema de equa c oes
_
1
1
t
k
dt = A
0
t
k
0
+ A
1
t
k
1
+ + A
n
t
k
n
, k = 0, 1, . . . , 2n + 1. (8.50)
Por exemplo, para n = 1, tem-se o sistema de equa c oes
2 =
_
1
1
t
0
dt =A
0
t
0
0
+ A
1
t
0
1
= A
0
+ A
1
0 =
_
1
1
t
1
dt =A
0
t
1
0
+ A
1
t
1
1
= A
0
t
1
+ A
1
t
1
2
3
=
_
1
1
t
2
dt =A
0
t
2
0
+ A
1
t
2
1
0 =
_
1
1
t
3
dt =A
0
t
3
0
+ A
1
t
3
1
(8.51)
Resolvendo tal sistema, tem-se
A
0
= A
1
= 1, t
0
= t
1
=
1
3
. (8.52)
Utilizando os polinomios de Legendre, e possvel demonstrar que o erro cometido pode
ser avaliado de maneira exata mediante
E
n
=
2
2n+1
(n!)
4
(2n + 1)
_
(2n)!
_
3
g
(2n)
(), [1, 1]. (8.53)
Os valores de A
i
e t
i
sao apresentados na seguinte tabela ate n = 4:
n i t
i
A
i
1 0 0 2
2 1; 0 1/
3 1
3 0; 1 0, 77459667 5/9
2 0 8/9
4 0; 1 0, 86113631 0, 34785484
2; 3 0, 33998104 0, 65214516
Exerccios
1. Calcule as integrais pela regra repetida dos trapezios, de Simpson utilizando quatro e
seis divisoes de [a, b]. Compare com os resultados exatos.
(a)
_
2
1
e
x
dx
(b)
_
4
1
xdx
(c)
_
14
2
1
x
dx
2. Calcule as integrais do exerccio anterior pela regra dos tres oitavos utilizando tres e
seis divisoes de [a, b]. Compare com os resultados exatos.
3. Considerando as integrais do exerccio 1., quantas divisoes tem que ser feitas no in-
tervalo [a, b] para obter um erro menor que 10
5
, quando sao utilizados as regras do
trapezio, de Simpson e dos tres oitavos?
4. Calcule o valor aproximado de
_
0,6
0
1
1 + x
dx
com tres digitos signicativos exatos utilizando as regras repetidas dos trapezios, de
Simpson e dos tres oitavos. Em que sentido a regra de Simpson e melhor do que as
outras?
5. Determine h para poder avaliar
_
/2
0
cos(x)dx
com erro inferior a 10
3
utilizando a regra de Simpson e dos tres oitavos.
6. Calcule as integrais do exerccio 1. mediante as formulas de quadratura gaussiana com
2 e 3 pontos e compare com os resultados exatos.
9 RESOLUC

AO NUM
ERICA DE EQUAC

OES DIFERENCIAIS ORDIN
ARIAS
9.1 Introdu cao
As equa c oes diferenciais sao da mais notavel import ancia no desenvolvimento cientco
atual pois elas aparecem sempre nas diversas areas da ciencia e da engenharia.
Em geral, uma equac ao diferencial e uma equa c ao envolvendo uma fun c ao junto
com as suas variaveis independentes bem como as suas derivadas parciais ate de alguma ordem.
Tal ordem de diferencia c ao determina a ordem da equa c ao diferencial.
Se uma equa c ao diferencial tem uma variavel independente, ent ao ela e denominada
uma equac ao diferencial ordin aria que sera estudado neste captulo.
Se uma equa c ao diferencial tem mais de uma variavel independente, ent ao ela e de-
nominada uma equac ao diferencial parcial. A resolu c ao numerica das equa c oes diferenciais
parciais requer metodologias mais elaboradas e mais especcas.
Uma soluc ao de uma equa c ao diferencial ordinaria e uma fun c ao que satisfaz a
equa c ao.
Se, dada uma equa c ao diferencial de ordem m, e a fun c ao, assim como as suas derivadas
sao especicadas em um mesmo ponto, x
0
, ent ao tem-se um problema de valor inicial.
Dada uma equa c ao diferencial escalar de ordem m, e facil transformar esta equa c ao
em um sistema de m equa c oes de primeira ordem. Assim, seja a equa c ao diferencial
y
(m)
= F(x, y, y
, . . . , y
(m1)
) (9.1)
faz-se
z
1
= y ent ao:
z
1
= y
= z
2
z
2
= y
= z
3
.
.
.
z
m1
= y
(m1)
= z
m
z
m
= y
(m)
= F(x, z
1
, z
2
, . . . , z
m
),
112
9.2 Erros 113
e no caso de equa c oes diferenciais lineares, pode ser escrito matricialmente como
_
_
_
_
_
_
_
_
_
_
_
_
_
_
z
1
z
2
z
3
.
.
.
z
m1
z
m
_
_
_
_
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
_
_
_
_
0 1 0 0 . . . 0 0
0 0 1 0 . . . 0 0
0 0 0 1 . . . 0 0
.
.
.
0 0 0 0 . . . 0 1
a
0
(x) a
1
(x) a
2
(x) a
3
(x) . . . a
m2
(x) a
m1
(x)
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
z
1
z
2
z
3
.
.
.
z
m1
z
m
_
_
_
_
_
_
_
_
_
_
_
_
_
_
+
_
_
_
_
_
_
_
_
_
_
_
_
_
_
0
0
0
.
.
.
0
f(x)
_
_
_
_
_
_
_
_
_
_
_
_
_
_
(9.2)
Neste captulo, considerar-se-ao metodos numericos para resolver o problema de valor
inicial
y
= f(x, y)
y(x
0
) = y
0
.
(9.3)
Os metodos estudados aqui baseiam-se na seguinte abordagem: dado o problema de
valor inicial (9.3), escolhem-se pontos x
1
< x
2
< x
3
< . . . igualmente espa cados, isto e, x
i+1
x
i
=
h, i = 0, 1, . . . e calculam-se as aproxima c oes y
i
y(x
i
) da solu c ao exata utilizando informa c ao
sobre os pontos anteriores. Se para calcular y
i
utiliza-se apenas y
i1
, o metodo e dito de passo
simples ou passo um. Se sao utilizados mais valores, o metodo e dito de passo m ultiplo.
9.2 Erros
Tem-se basicamente duas fontes de erro na resolu c ao numerica das equa c oes diferen-
ciais ordinarias.
1. Erros de arredondamento: que dependem da aritmetica de ponto utuante que est a
sendo utilizada pelo computador.
2. Erros de discretiza c ao: que podem ser de dois tipos
(a) Erro global:
g
(x
k+1
), e a diferen ca y
k+1
y(x
k+1
) onde y(x) e a solu c ao exata
do problema de valor inicial;
(b) Erro local:
l
(x
k+1
), e a diferen ca entre y
k+1
e o valor, em x
k+1
, da solu c ao da
equa c ao diferencial que passa pelo ponto (x
k
, y
k
).
Um conceito importante para medir a precisaode um metodo numerico e sua ordem,
que e denida em termos do erro local de truncamento, como segue: um metodo numerico e dito
9.3 Metodo de Euler 114
de ordem p se existe um n umero c tal que
|
l
(x
i
)| ch
p+1
. (9.4)
9.3 Metodo de Euler
O metodo de Euler est a dado por
y
n+1
= y
n
+ hf(x
n
, y
n
) (9.5)
e o erro local de dicretiza c ao est a dado por
l
(x
n
) =
h
2
2
y
(
n
),
n
[x
n1
, x
n
]. (9.6)
9.4 Metodos de Taylor
O metodo de Taylor de ordem k est a dado por
y
n+1
= y
n
+ hy
n
+
h
2
2
y
n
+ +
h
k
k!
y
(k)
n
(9.7)
e o erro local de dicretiza c ao est a dado por
l
(x
n
) =
h
k+1
(k + 1)!
y
(k+1)
(
n
),
n
[x
n1
, x
n
]. (9.8)
A principal diculdade destes metodos e o c alculo das derivadas y
(i)
n
. O metodo de
Euler e o metodo de Taylor de ordem 1. O metodo de Taylor de ordem 2 est a dado por
y
n+1
= y
n
+ hf(x
n
, y
n
) +
h
2
2
_
f
x
(x
n
, y
n
) + f
y
(x
n
, y
n
)f(x
n
, y
n
)
_
(9.9)
9.5 Metodos de Runge-Kutta
Os metodos de Runge-Kutta est ao baseados na ideia de concordar com o polinomio
de Taylor de ordem p mas sem exigir o c alculo das derivadas parciais de f(x, y), calculando, porem
tal fun c ao em varios pontos.
9.5 Metodos de Runge-Kutta 115
O metodo de Runge-Kutta de ordem 1 e o metodo de Taylor.
Os metodos de Runge-Kutta de 2 podem ser escritos da forma
y
n+1
= y
n
+ ha
1
f(x
n
, y
n
) + ha
2
f(x
n
+ b
1
h, y
n
+ b
2
hy
n
) (9.10)
Para haver concordancia com o polinomio de Taylor de ordem 2, e necessario que
a
1
+ a
2
= 1
a
2
b
1
= 1/2
a
2
b
2
= 1/2.
(9.11)
A escolha a
1
= a
2
= 1/2, b
1
= b
2
= 1, determina o metodo de Euler aperfeicoado,
y
n+1
= y
n
+
h
2
_
K
1
+ K
2
_
(9.12)
onde K
1
= f(x
n
, y
n
) e K
2
= f(x
n
+ h, y
n
+ hK
1
).
A escolha a
1
= 0, a
2
= 1/2, b
1
= b
2
= 1/2, determina o metodo de Euler modifi-
cado,
y
n+1
= y
n
+ hK
2
(9.13)
onde K
1
= f(x
n
, y
n
) e K
2
= f(x
n
+ h/2, y
n
+ K
1
h/2).
Um metodo de Runge-Kutta de ordem 3 est a dado por
y
n+1
= y
n
+
h
9
_
2K
1
+ 3K
2
+ 4K
3
_
(9.14)
onde
K
1
= f(x
n
, y
n
)
K
2
= f(x
n
+ h/2, y
n
+ K
1
h/2)
K
3
= f(x
n
+ 3h/2, y
n
+ 3K
2
h/4).
Um metodo de Runge-Kutta de ordem 4 est a dado por
y
n+1
= y
n
+
h
6
_
K
1
+ 2K
2
+ 2K
3
+ K
4
_
(9.15)
9.6 Metodos de Passo M ultiplo 116
onde
K
1
= f(x
n
, y
n
)
K
2
= f(x
n
+ h/2, y
n
+ K
1
h/2)
K
3
= f(x
n
+ h/2, y
n
+ K
2
h/2)
K
4
= f(x
n
+ h, y
n
+ K
3
h).
9.6 Metodos de Passo M ultiplo
Os metodos Adams est ao baseados na integra c ao da equa c ao diferencial mediante
metodos de quadratura.
Como y
= f(x, y), pode-se integrar entre x

n
e x
n+1
:
_
xn+1
xn
y
(x)dx =
_
xn+1
xn
f(x, y(x))dx
y(x
n+1
) y(x
n
) =
_
xn+1
xn
f(x, y(x))dx
y(x
n+1
) = y(x
n
) +
_
xn+1
xn
f(x, y(x))dx
Seja f
i
= f(x
i
, y
i
).
9.6.1 Metodos Explcitos
Aproxima-se f(x, y(x)) pelo pol`nomio interpolador p
m
(x) que passa pelos pontos
(x
n
, f
n
), . . . , (x
nm
, f
nm
).
No caso m = 3, tem-se
y
n+1
= y
n
+
h
24
_
55f
n
59f
n1
+ 37f
n2
9f
n3
_
. (9.16)
9.6.2 Metodos Implcitos
Aproxima-se f(x, y(x)) pelo pol`nomio interpolador p
m+1
(x) que passa pelos pontos
(x
n+1
, f
n+1
), (x
n
, f
n
), . . . , (x
nm
, f
nm
).
9.6 Metodos de Passo M ultiplo 117
No caso m = 2, tem-se
y
n+1
= y
n
+
h
24
_
9f
n+1
+ 19f
n
5f
n1
+ f
n2
_
. (9.17)
9.7 Exerccios
1. Considere o problema de valor inicial
y
= 20y
y(0) = 1
(a) Qual e a formula para y
n
fornecida por qualquer metodo de Runge-Kutta de
ordem 2?
(b) O que acontece com a solu c ao do item anterior quando h > 0, 1?
2. Considere o problema de valor inicial
y
= 4 2x
y(0) = 2
e h = 0, 5, 0, 25, 0, 125, 0, 1
(a) Calcule y(1)
(b) O que acontece com a solu c ao do item anterior quando h > 0, 1?
3. Qual e metodo de passo m ultiplo explcito com m = 1 e qual e o metodo de passo
m ultiplo implcito com m = 0? Compare tal metodo com o metodo de Euler?
4. Qual e metodo de passo m ultiplo explcito com m = 2 e qual e o metodo de passo
m ultiplo implcito com m = 1?

Apostila Metodos Numericos

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila Metodos Numericos

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DE PELOTAS

ETODO DOS QUADRADOS M

Deni cao 4.5. Se x

(x) existir e preservar o sinal em ]a, b[,

(x) > 0, x [a, b] f

(x) < 0, x [a, b]

< 0 ou > 0 < 0 ou > 0

< 0 ou > 0 < 0 ou > 0

(x) = sen(x) (x + 1)e

4.8 A Velocidade de Convergencia

E util saber a seguinte informa c ao com rela c ao `as razes:

(x). Denote por s

(x) tal que

(x) = p(x), x [a, b].

(t) restrita a cada um dos subintervalos

E construda a tabela de diferencas divididas para os dados

ETODO DOS QUADRADOS M

(x) e contnua sobre [x

(x)| : x [a, b]}. (8.23)

= f(x, y), pode-se integrar entre x

Você também pode gostar