Cálculo Numérico e Computacional

Cal
ulo Numeri o e Computa ional { CNC

Luiza Amalia Pinto Cant~ao
luizasoro aba.unesp.br
Sumario
1 Introdu ~ao a Teoria de Erros e Estabilidade
1.1
1.2
1.3
1.4
Representa ~ao de Numeros . .

Aritmeti a de Ponto Flutuante
Erros . . . . . . . . . . . . . .
Exer ios . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2 Sistemas de Equa o~es Lineares
2.1 Metodos Diretos . . . . . . . . . . . . . . . . . . . . . . .

2.1.1 Sistemas Triangulares . . . . . . . . . . . . . . . . .
2.1.2 Metodo de Elimina ~ao de Gauss . . . . . . . . . . .
2.1.3 Fatora ~ao LU . . . . . . . . . . . . . . . . . . . . .
2.2 Metodos Iterativos . . . . . . . . . . . . . . . . . . . . . .
2.2.1 Metodo de Ja obi . . . . . . . . . . . . . . . . . . .
2.2.2 Metodo de Gauss-Seidel . . . . . . . . . . . . . . .
2.2.3 Convergên ia dos Metodos de Ja obi e Gauss-Seidel
2.3 Exer ios . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 3
. 3
. 4
. 5
.
.
.
.
.
.
.
.
.
8
8
9
12
15
15
15
17
17
3 Equa o~es N~ao-Lineares

20
3.1 Fase I: Isolamento das Razes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Fase II: Renamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2.1 Criterio de Parada . . . . . . . . . . . . . . . .

3.2.2 Metodo da Bisse ~ao . . . . . . . . . . . . . . .
3.2.3 Metodo de Newton . . . . . . . . . . . . . . . .
3.2.4 Metodo da Se ante . . . . . . . . . . . . . . . .
3.3 Sistemas N~ao-Lineares . . . . . . . . . . . . . . . . . .
3.3.1 Metodo de Newton para Sistemas N~ao-Lineares .
3.4 Exer ios . . . . . . . . . . . . . . . . . . . . . . . . .
4 Ajuste de Curvas
4.1 Interpola ~ao . . . . . . . . . . . . . . . . .

4.1.1 Polinômio Interpolador de Lagrange
4.1.2 Polinômio Interpolador de Newton .
4.2 Quadrados Mnimos Lineares . . . . . . . .
4.3 Interpola ~ao om Splines . . . . . . . . . .
4.3.1 Interpola ~ao por Spline Linear . . .
4.3.2 Interpola ~ao por Spline Cubi o . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
23
23
24
26
27
28
31
33
33
34
37
38
41
41
42

SUMARIO

SUMARIO
4.4 Exer ios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

5 Integra ~ao Numeri a
5.1 Formula de Newton-Cotes . . . . . . . . . . . . . . .

5.1.1 Formula dos Trapezios: n = 1 . . . . . . . . .
5.1.2 Formula de Simpson: n = 2 . . . . . . . . . .
5.1.3 Formulas de Newton-Cotes para n = 3 e n = 4
5.2 Formulas Repetidas . . . . . . . . . . . . . . . . . . .
5.3 Integra ~ao de Romberg . . . . . . . . . . . . . . . . .
5.3.1 Extrapola ~ao de Ri hardson . . . . . . . . . .
5.3.2 Integra ~ao de Romberg . . . . . . . . . . . . .
5.4 Exer ios . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
51
51
52
52
53
54
54
54
55
56
6 Aproxima o~es para Equa o~es Diferen iais Ordinarias
59
Referên ias Bibliogra as
67
6.1 Diferen as Finitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

6.2 Metodos de Runge-Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.3 Exer ios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
CAPITULO
Introdu ~ao a Teoria de Erros e Estabilidade

1.1 Representa ~ao de Numeros
Exemplo 1. Cal ule a area de uma ir unferên ia de raio igual a 100 m.
Resultados Obtidos:
1.
A = 31400 m2;
2.
A = 31416 m2;
3.
A = 31415:92654 m2.
Como justi ar as diferen as entre os resultados apresentados no exemplo 1? E possvel obter exatamente esta
area?
Os erros o orridos dependem da representa ~ao do numero (neste aso, do numero ) na maquina utilizada1 e
do numero maximo de dgitos usados na sua representa ~ao.
O numero , por exemplo, n~ao pode ser representado atraves de um numero nito de dgitos de imais. No
exemplo 1, o numero foi es rito omo 3.14, 3.1416 e 3.141592654 respe tivamente. Para ada representao
foi obtido um resultado diferente, e o erro neste aso depende ex lusivamente da aproxima ~ao es olhida para .
Qualquer que seja a ir unferên ia, a sua area nun a sera obtida exatamente de forma numri a!
Logo, qualquer al ulo que envolva numeros que n~ao podem ser representados atraves de um numero nito de
dgitos n~ao forne era omo resultado um valor exato.
1.2 Aritmeti a de Ponto Flutuante

Um omputador ou al uladora representa um numero real no sistema denominado aritmeti a de ponto utuante. Ou seja, um numero pode ser representado om ponto xo, por exemplo, 12:34 ou om ponto utuante
0:1234 102 . Assim, o numero r sera representado na forma:
0:d1 d2 d3 : : : dt 10e
onde:
1 Cal uladora
ou omputador.
Captulo 1. Introdu ~ao a Teoria de Erros e Estabilidade
CNC
di , para i = 1; 2; 3; : : : t , s~ao os dgitos da parte fra ionaria, tais que 0 di 9 e d1 6= 0;

t e o numero de dgitos na mantissa;
e e um expoente inteiro.
Exemplo 2. Sejam três dgitos na mantissa (t = 3) e um expoente e 2 [ 5; 5.
Os numeros ser~ao representados na seguinte forma nesse sistema:
0:d1 d2 d3 10e ; 0 dj 9; d1 6= 0; e 2 [ 5; 5:
O menor numero sera
valor absoluto.
m = 0:100 10 5 = 10 6 , e o maior numero, M = 0:999 105 = 99900, ambos em
Considere o onjunto dos numeros reais R e o seguinte onjunto:

G = fx 2 R = m jx j M g:
Dado um numero real x , três situa ~oes poder~ao o orrer:

Caso (1) x 2 G :
por exemplo: x = 235:89 = 0:23589 103. Se nesta maquina houver pre is~ao de três dgitos signi ativos
na mantissa, ent~ao x sera representado por 0:235 103 ou por 0:236 103 ;
Caso (2) jx j < m:
por exemplo: x = 0:345 10 7 e e 2 [ 5; 1). Neste aso, a maquina a usa a o orrên ia de under ow e
geralmente ajusta para zero.
Caso (3) jx j > M :
por exemplo: x = 0:875 109 e e 2 ( 1; 5. Neste aso, a maquina a usa a o orrên ia de over ow e leva
a falhas na omputa ~ao.
1.3 Erros
O formato de um numero em aritmeti a de ponto utuante limita a mantissa em k dgitos de imais. Existem
duas maneiras de obter essa limita ~ao. Um metodo, hamado de trun amento, onsiste em simplesmente ortar
os dgitos dk +1 dk +2 : : :.
O outro metodo, hamado de arredondamento trun a a mantissa em k dgitos ( omo no aso a ima), porem
duas situa ~oes podem o orrer:
1. Se dk +1 5, dk = dk + 1;
2. Se dk +1 < 5, dk = dk .
Exemplo 3. Podemos es rever o numero na forma de aritmeti a de ponto utuante om 5 dgitos usando:
1. O metodo de Trun amento:
= 0:31415 101 ;
2. O metodo de Arredondamento:
= 0:31416 101.
Estes dois pro essos geram erros nos al ulos numeri os e s~ao onhe idos omo erros de trun amento e erros
de arredondamento, respe tivamente.
L. A. P. Cant~ao
CNC
Erros Absolutos e Relativos
O erro absoluto e a diferen a entre o valor exato de um numero x e seu valor aproximado x :
EAx = jx x j:
Em geral, apenas o valor x e onhe ido, e neste aso, e impossvel obter o valor exato do erro absoluto. O que
se faz e obter um limitante superior ou uma estimativa para o modulo do erro absoluto.
O erro relativo e denido omo o erro absoluto dividido pelo valor aproximado:
EA jx x j
ERx = jx jx = jx j ; x 6= 0:
1.4 Exer ios

1. Cal ule o erro absoluto e o erro relativo nas aproxima ~oes de p e p:
(a)
(b)
( )
(d)
(e)
(f)
(g)
p = , p = 22=7; (EA = 0:001264 e ER = 4:025 10 4 )

p = , p = 3:1416; (EA = 7:346 10 6 e ER = 2:338 10 6)
p = e, p = 2:718; (EA = 2:818 10 4 e ER = 1:037 10 4 )
p = e10 , p = 22000; (EA = 1:454 10 e ER = 1:05 10 2 )
p = 8!, p = 39900; (EA = 420 e ER = 1:042 10 2 )
p
p = 2, p = 1:414; (EA = 2:136 10 4 e 1:51 10 4 )
p
p = 9!, p = 18 (9= e)9 . (EA = 3:343 103 e 9:213 10 3 )
2. O numero e pode ser denido por e = 1

n=0 (1=n!), onde n! = n (n 1) 2 1 para n 6= 0 e 0! = 1. Cal ule
o erro absoluto e o erro relativo nas seguintes aproxima ~oes de e:
P
(a)
(b)
1;
n!
n=0
5
X
1.
n!
n=0
10
X
x sen x
3. Seja f (x ) = x os
x sen x .
(a) En ontre o limx !0 f (x ). ( 2)

(b) Utilize aritmeti a om arredondamento para valores de quatro dgitos para al ular f (0:1). ( 1:941)
( ) O valor real e f (0:1) = 1:99899998. En ontre o erro absoluto e relativo para o valor en ontrado no
item anterior.
4. Efetue os somatorios seguintes em uma al uladora e em um omputador:

S=
30000
X
i =1
xi
(a) para xi = 0:5;

(b) para xi = 0:11 .
L. A. P. Cant~ao
CNC
5. Os primeiros três termos termos diferentes de zeros da serie de Ma Laurin para a fun ~ao ar otangente s~ao
x (1=3)x 3 +(1=5)x 5. Cal ule o erro absoluto e o erro relativo para as seguintes aproxima ~oes de utilizando
o polinômio em lugar da fun ~ao ar otangente:

1
(a) 4 ar tan 2 + ar tan 13 (Aprox. 3:14557613, EA = 3:983 10 3 e ER = 1:268 10 3)
1 (Aprox. 3:14162103, EA = 2:838 10 5 e ER = 9:032 10 6 )
(b) 16 ar tan 15 4 ar tan 239
6. Use a aritmeti a om numeros de três dgitos para exe utar os al ulos a seguir. Cal ule os erros absolutos
e relativos omparando-os om o valor exato determinado om pelo menos in o dgitos.

(a)
(b)
( )
(d)
133 + 0:921 (Aprox.

133 0:499 (Aprox.
(121 0:327) 119
(121 119) 0:327
6
13
134, EA = 0:079 e ER = 5:9 10 4 )

133, EA = 0:499 e ER = 3:77 10 3 )
(Aprox. 2:00, EA = 0:327 e ER = 0:195)
(Aprox. 1:67, EA = 0:003 e ER = 1:79 10 3 )
(e) 214e 57:4 (Aprox. 1:80, EA = 0:154 e ER = 0:0786)

3 (Aprox. 15:1, EA = 0:0546 e ER = 3:6 10 3)
(f) 10 + 6 e 62

(g) 29 97
(Aprox. 0:286, EA = 2:86 10 4 e ER = 10 3)
22
(Aprox. 0:00, EA = 0:0215 e ER = 1:00)
(h) 1 7
17
7. A formula quadrati a estabele e que as razes da equa ~ao ax 2 + bx + = 0, quando a 6= 0, s~ao:
b + b2 4a
2a
x1 =
b2 4a
:
2a
x2 =
Considere a equa ~ao x 2 + 62:1x + 1 = 0, ujas razes s~ao aproximadamente x1 = 0:01610723 e x2 =

62:0839.
Cal ule a equa ~ao a ima utilizando arredondamento para quatro dgitos e posteriormente avalie o erro absoluto e relativo para ada raiz.
8. Utilize a aritmeti a om arredondamento para quatro dgitos e as formulas do exer io a ima para en ontar
os valores aproximados mais pre isos para as razes das equa ~oes quadrati as a seguir. Cal ule os erros
absolutos e relativos.
1 =0
x
+
(a) 13 x 2 123
4
6
1
(b) 31 x 2 + 123
x
4
6 =0
2
( ) 1:002x 11:01x + 0:01265 = 0
(d) 1:002x 2 + 11:01x + 0:01265 = 0
Quest~
ao
7
8 (a)
x1
EA
92:26
0:1542
10
10
7 566 10
(b)
0:005421
1:264
( )
10:98
6:875
L. A. P. Cant~ao
0:001149
10 1
1 672 10 4
2 333 10 4
6 257 10 4
6 584 10 5
2:4
(d)
x2
ER
0:02
EA
62:1
0:005419
10
10
6 875 10
4:58
7:566
:
10 7
4 58 10 3
7 566 10 8
6 875 10 3
6:273
3
8
3
ER
10 4
1 157 10 4
4 965 10 5
6 584 10 5
6 257 10 4
3:2
:
CAPITULO
Sistemas de Equa ~oes Lineares

Introdu ~ao
A solu ~ao de um sistema de equa ~oes lineares e provavelmente o pro esso numeri o mais utilizado para simular
situa ~oes do mundo real. E uma etapa fundamental na resolu ~ao de varios problemas que envolvam, por exemplo,
equa ~oes diferen iais, otimiza ~ao, regress~ao e sistemas n~ao-lineares. Portanto, e de extrema importân ia que se
tenha uma implementa ~ao e iente do metodo para solu ~ao do sistema linear, pois geralmente esta e a fase que
demanda a maior parte do tempo de pro essamento para resolver o problema.
Veremos aqui te ni as diretas e iterativas para resolver o sistema linear:
a11 x1 + a12 x2 + : : : + a1n xn = b1

a21 x1 + a22 x2 + : : : + a2n xn = b2
..
..
..
..
...
.
.
.
.
an1 x1 + an2 x2 + : : : + ann xn = bn
(2.1)
para x1 ; x2 ; ; xn , dadas as onstantes aij para ada i; j = 1; 2; ; n e bi para ada i = 1; 2; ; n.

As te ni as diretas s~ao metodos que d~ao uma resposta em um numero nito de passos, sujeitos apenas aos
erros de arredondamento. As te ni as iterativas geram, a partir de uma solu ~ao ini ial, uma sequên ia de solu ~oes
que deve onvergir para a solu ~ao do sistema.
Uma outra maneira de es rever o sistema (2.1) e usando a forma matri ial, denotada por Ax = b e generi amente apresentada omo:
a11 a12 a1n

x1
b1
a21 a22 a2n x2 b2
(2.2)
.. . . .. .. = ..
.
. . . .
.
.
xn
bn
an1 an2 ann
Note que Ann denota a matriz de oe ientes, x o vetor das in ognitas e b o vetor om os valores do lado direito
do sistema (2.1).
Se admitirmos que A e uma matriz inversvel, ou seja, A 1 A = AA 1 = I, onde I e a matriz Identidade,
ent~ao o sistema (2.1) ou (2.2) tem solu ~ao uni a x = A 1 b. Porem, al ular expli itamente A 1 e em seguida
A 1 b e desa onselhavel, uma vez que o numero de opera ~oes envolvidas e grande, o que torna este pro esso n~ao
ompetitivo om os metodos que estudaremos aqui.
Captulo 2. Sistemas de Equa ~oes Lineares
CNC
2.1 Metodos Diretos

Apresentaremos ini ialmente a resolu ~ao de Sistemas Triangulares Superior e Inferior, usados nos Metodos de
Elimina ~ao de Gauss e Fatora ~ao LU.
2.1.1 Sistemas Triangulares
Considere os seguintes sistemas lineares:
2x1
x2 + x3 = 2
x2 + 2x3 = 3
x3 = 1
(2.3a)
x1
= 2
(2.3b)
2x1 + x2
= 3
2x1
x2 + 5x3 = 2
ujas respe tivas solu ~oes podem ser obtidas diretamente, ou seja, para os problemas (2.3a) e (2.3b), temos:
x3 = 1
3 2 =1
x2 =
1
2
+
1 1 =1
x1 =
2
x1 = 2
3 4= 1
x2 =
1
2
4 1= 3
x3 =
5
5
Os problemas (2.3a) e (2.3b) podem ser generalizados omo seguem:
a11 x1 + a12 x2 + +
a22 x2 + +
a1;n 1 xn
a2;n 1 xn
an
1
1
1;n 1 n 1
+
+
a1n xn
a2n xn
+ an 1;n xn
ann xn
= b1
= b2
..
.
= bn 1
= bn
(2.4a)
= b1
+ a22 x2
= b2
..
(2.4b)
.
an 1;1 x1 + an 1;2 x2 + + an 1;n 1 xn 1

= bn 1
an1 x1 + an2 x2 + + an;n 1 xn 1 + ann xn = bn

Os Algoritmos (1) e (2) apresentam os pro edimentos de resolu ~ao para sistemas nas formas (2.4a) e (2.4b),
que s~ao generaliza ~oes para os problemas (2.3a) e (2.3b), respe tivamente.
L. A. P. Cant~ao
a11 x1
a21 x1
CNC
Dado n, Ann (matriz triangular superior), bn1 e xn1

1:
2:
3:
4:
5:
bn
ann
Para k = n 1 ate k = 1 fa a
soma = bk
Para j = k + 1 ate j = n fa a
soma = soma akj xj
Fa a xn =
Fim do la o
6:
xk =
7:
8:
soma
akk
Fim do la o
Algoritmo 1: Solu ~ao de Sistemas Triangulares Superiores

Dado n, Ann (matriz triangular inferior), bn1 e xn1 .
1:
2:
3:
4:
5:
b1
a11
Para k = 2 ate k = n fa a
soma = bk
Para j = 1 ate j = k 1 fa a
soma = soma akj xj
Fa a x1 =
Fim do la o
6:
7:
8:
soma
xk = a
kk
Fim do la o
Algoritmo 2: Solu ~ao de Sistemas Triangulares Inferior

2.1.2 Metodo de Elimina ~ao de Gauss
Os metodos diretos mais omuns têm omo base as seguintes propriedade elementares de sistemas de equa ~oes
lineares.
Propriedade 1. A solu ~ao do sistema Ax = b n~ao se altera se o submetermos a uma sequên ia de opera ~oes do
tipo:
1. Multipli a ~ao de uma equa ~ao por uma onstante n~ao-nula;

2. Soma do multiplo de uma equa ~ao a outra;
3. Tro a da ordem das equa ~oes.
~ x = b~ equivalente ao sistema original Ax = b

Estas opera ~oes geram um sistema A
O metodo de Elimina ~ao de Gauss usa esta propriedade para transformar a matriz A numa matriz triangular
superior equivalente. Suponha aqui, que det(A) 6= 0.
Rees revemos a matriz A e o vetor b na forma de uma matriz expandida:
L. A. P. Cant~ao
a11
a21
..
.
ai 1
..
.
an 1
a12
a22
..
.
ai 2
..
.
an2
CNC
a13
a23
..
.
ai 3
..
.
an3
a1n b1
a2n b2
..
.
bi
..
.
..
.
ain
. . . ...
ann bn
...
l1(1)
l2(1)
..
.
(1)
li
..
.
(1)
ln
os elementos li(1) , para i = 1; 2; : : : ; n, representam as equa ~oes do sistema linear (2.1) a ser triangularizado.
Elimina
~
ao da Primeira Coluna
Suponha que a11 6= 0. Para eliminar a in ognita x1 das n 1 equa ~oes, subtramos a primeira linha multipli ada
pelo fator
a
mi 1 = a i 1
11
de todas as outras linhas li , i = 2; 3; : : : ; n

Dessa maneira, li(2) = li(1) mi 1 l1(1) , para i = 2; 3; : : : ; n, ou ainda,
Para i = 2 : n aij(2) = aij mi 1 a1j ; j = 2 : n

bi(2) = bi mi 1 b1 :
O ndi e superior (2) indi a que usaremos um segundo valor para aij e bi .
No nal deste estagio, os oe ientes da matriz aumentada foram modi ados de modo que a matriz assume
a seguinte ongura ~ao:
a11 a12 a13 a1n b1

l1(1)
(2)
(2)
0 a22
a23
a2(2)n b2(2)
l2(2)
..
..
.. . . ..
..
..
.
. .
.
.
.
.
0 a(2) a(2) a(2) b(2)

li(2)
i
i2
i3
in
.
..
..
..
.. . . ..
.
. .
.
.
.
.
.
(2)
bn(2)
ln(2)
0 an(2)2 an(2)3 ann
Elimina
~
ao da Segunda Coluna
Para eliminar a in ognita x2 das n 2 ultimas equa ~oes repetimos o pro edimento anterior tomando agora a
segunda linha omo auxiliar no pro esso de elimina ~ao, isto e:
a
li(3) = li(2) mi 2 l2(2) ; i = 3 : n; onde mi 2 = i 2 ; i = 3 : n;
a22
supondo que a22 6= 0.
Os oe ientes ser~ao modi ados segundo as rela ~oes:
Para i = 3 : n aij(3) = aij(2) mi 2 a2(2)j ; j = 3 : n
bi(3) = bi mi 2 b2(2) :
L. A. P. Cant~ao
10
CNC
Seguindo ra io nio analogo, pro ede-se ate i = n e a matriz resultante sera:
a11 a12 a13 a1n

(2)
(2)
0 a22
a23
a2(2)n
..
..
.. . .
.
. ..
.
.
.
(n)
0 0 0 ann
b1
b2(2)
.. ()
(n)
b
a11 x1 + a12 x2 + + a1n xn = b1

(2)
a22
x2 + + a2(2)n xn = b2(2)
..
.
(n)
ann
xn = bn(n)
(2)
(3)
(n)
No pro esso de elimina ~ao, os elementos a11 , a22
, a33
, ..., ann
que apare em na diagonal prin ipal da matriz
A s~ao hamados pivôs e os elementos mij , para i = 1; 2; ; n e k = i + 1; ; n, os multipli adores.
Se no pro esso de elimina ~ao um dos pivôs se anular, devemos tro ar linhas (sempre es olhendo aquelas abaixo
da diagonal para n~ao perder a elimina ~ao anterior), de modo que es olhamos elementos n~ao nulos para pivôs.
Dado n, Ann , bn1 e xn1 .

1:
2:
3:
4:
5:
6:
7:
8:
9:
10:
11:
12:
13:
14:
15:
16:
17:
18:
Para k = 1 ate k = n
1 fa a
Sele ione i k tal que aik 6= 0
Se aii = 0 para todo i k ent~ao
A n~ao e inversvel. PARE
Caso ontrario
Se i =
6 k ent~ao
Troque a linha k om a linha i
Fim do ondi ional

Fim do ondi ional
Para i = k + 1 ate i = n fa a
a
m = mik = ik
akk
bi = bi mbk
aij = aij makj
Fim do la o
Fim do la o
Fim do la o
Exe ute o algoritmo (1).

Algoritmo 3: Solu ~ao de (2.2) via Elimina ~ao de Gauss
Estrategia de Pivoteamento
Exemplo 4. Resolva o sistema abaixo usando o algoritmo (3):
0:004x1 + 15:73x2 = 15:77

0:423x1
24:72x2 = 20:49
L. A. P. Cant~ao
11
CNC
Use quatro dgitos na representa ~ao em ponto utuante e arredondamento ao desprezar o quinto dgito.
Troque a ordem das equa ~oes lineares e resolva novamente o problema usando o mesmo algoritmo.
Solu ~ao 1. Para eliminarmos x1 , obtemos m = 105:8 e:
0:004x1 + 15:73x2 = 15:77

1689x2 = 1688
Cuja solu ~ao obtida e x1 = 12:50 e 0:9994. A solu ~ao orreta do sistema e x1 = 10 e x2 = 1:0. Cal ule o erro
relativo da solu ~ao obtida.
Resolvendo o mesmo problema om a ordem das equa ~oes tro adas temos m = 0:9456 10 2 e:
0:423x1
uja solu ~ao e x1
24:72x2 = 20:49
15:96x2 = 15:96
= 10 e x2 = 1, que e a solu ~ao exata do sistema.
O pro edimento usado no exemplo 4 para obter a solu ~ao orreta do sistema e hamado de estrategia de
pivoteamento, que onsiste na tro a sistemati a das linhas, de modo que o pivô seja o maior elemento, em valor
absoluto, da oluna que estamos eliminando. Assim,
1. no k -esimo passo pro uramos o elemento pivô de maior valor absoluto entre os oe ientes:
jark j = i max
ja j;
k n ik
2. tro amos as linhas k e r se for ne essario.
O algoritmo (4) ilustra esta estrategia.
Existem dois asos nos quais o metodo de elimina ~ao pode ser apli ado sem pivoteamento:
1. Uma matriz e diagonalmente dominante, ou seja, seus elementos satisfazem a jaii j >
para todo i .
X
j 6=i
jaij j, i = 1; 2; : : : ; n,
2. Uma matriz e simetri a AT = A e positiva denida xT Ax > 0, para todo vetor x 6= 0.

2.1.3 Fatora ~ao LU
Os metodos de Elimina ~ao de Gauss e Elimina ~ao de Gauss om Pivoteamento podem ser usados e onomi amente quando pre isamos resolver varios sistemas om a mesma matriz dos oe ientes A e diversos termos
independentes b.
Uma op ~ao seria guardar os oe ientes mij al ulados no pro esso de elimina ~ao e usa-los na atualiza ~ao dos
termos independentes b. Computa ionalmente, esta alternativa e onhe ida omo Fatora ~ao LU da matriz A.
Suponha que seja possvel fatorar a matriz A num produto de uma matriz triangular inferior ( om elementos
da diagonal prin ipal iguais a 1) L, e uma matriz triangular superior U, isto e:
A = LU =) Ax = b
() LUx = b:
O sistema LUx = b permite o desmembramento em dois sistemas triangulares:

Ly = b
L. A. P. Cant~ao
e Ux = y:
12
CNC

1:
2:
3:
4:
5:
6:
7:
8:
9:
10:
11:
12:
13:
14:
15:
16:
17:
18:
19:
20:
21:
Para k = 1 ate k = n
1 fa a
w = jakk j e r = k
Para j = k ate j = n fa a
Se jakj j > w ent~ao
w = jajk j e r = j
Fim do ondi ional
Fim do la o
Se w = 0 ent~ao
A n~ao e inversvel. PARE

Caso ontrario
Troque a linha k om a linha r
Fim do ondi ional
Para i = k + 1 ate i = n fa a
a
m = mik = a ik
kk
bi = bi mbk
aij = aij makj
Fim do la o
Fim do la o
Fim do la o
Exe ute o algoritmo (1).

Algoritmo 4: Solu ~ao de (2.2) via Elimina ~ao de Gauss om Pivoteamento
Resolvendo o primeiro sistema, al ulamos y que, usado no segundo sistema, forne era o vetor pro urado x.
Teorema 1. Dada uma matriz Ann , seja Ak a matriz onstituda das primeiras k linhas e olunas de A. Suponha
que det (Ak ) 6= 0 para k = 1; 2; : : : ; (n 1). Ent~ao, existe uma uni a matriz triangular inferior L = (mij ), om
mii = 1, 1 i n e uma matriz triangular superior U = (uij ) tais que LU = A. Ainda mais, det (A) =
u11 u22 unn .
Exemplo 5. Resolva o sistema linear a seguir usando a fatora ~ao LU:
L. A. P. Cant~ao
3x1 + 2x2 + 4x3 = 1

x1 + x2 + 2x3 = 2
4x1 + 3x2 + 2x3 = 3
13
CNC

1:
2:
Para i = 1 ate i = n fa a

Para j = i ate j = n fa a
5:
9:
mij = aji
i 1
X
Fim do la o
6:
8:
mik ukj
k =1
Para j = i + 1 ate j = n fa !a
4:
7:
i 1
X
uij = aij
3:
k =1
mjk uki =uii
Fim do la o
Fim do la o
Exe ute o algoritmo (2) para resolver Ly = b e o algoritmo (1) para resolver Ux = y
Algoritmo 5: Solu ~ao de (2.2) via Fatora ~ao LU
Solu ~ao 2. Considere a matriz abaixo onde a primeira parte refere-se a matriz L e a segunda parte, a matriz U:
1 0 0 3 2 4
1 0 0 3 2
!
a
0 1 0 1 1 2 1 Etapa 1=3 1 0 0 1=3

0 0 1 4 3 2
4=3 0 1 0 1=3
1a Etapa
Pivô: a11
4
1 0 0 3 2 4
!
a
2=3 2 Etapa 1=3 1 0 0 1=3 2=3

10=3
4
4=3 1 1 0 0
= u11 = 3 e multipli adores: m21 = ua21 = 13 e m31 = ua31 = 34 .

11
11
u2j = a2j m21 a1j
j = 2; 3
u3j = a3j m31 a1j
j = 2; 3
2a Etapa
Pivô:
1
u
1=3
u22 = 3 e multipli adores: m32 = u32 = 1=3 = 1.
22
u33 = u33 m32 u23
Resolvendo L(Ux) = b
(i) Ly = b
(ii) Ux = y
L. A. P. Cant~ao
y1
= 1
1=3y1 + y2
= 2
4=3y1 + y2 + y3 = 3
3x1 +
2x2 + 4x3 = 1
1=3x2 + 2=3x3 = 5=3
4x3 = 0
=) y = 1; 35 ; 0

T
=) x = ( 3; 5; 0)T
14
CNC
2.2 Metodos Iterativos
Se no sistema Ax = b os elementos da diagonal s~ao diferentes de zero, aii 6= 0, i = 1; 2; : : : ; n, ent~ao

podemos expli itar x1 usando a primeira equa ~ao, x2 usando a segunda equa ~ao e assim su essivamente. Ou seja,
rees revemos o sistema (2.1) numa forma que e onveniente para os metodos iterativos:
x1 =
..
.
xi =
..
.
xn =
b1
bi
bn
n
X
j =2
n
X
j 6=i
n 1
X
j =1
a1j xj =a11
(2.5)
aij xj =aii
anj xj =ann
2.2.1 Metodo de Ja obi
Neste metodo, as equa ~oes (2.5) s~ao usadas para al ular uma sequên ia de vetores aproxima ~oes x(1) ,
x(2) , : : :, x(k ) . Dada uma aproxima ~ao ini ial x(0) , usamos o primeiro termo a direita da i -esima equa ~ao para
denir uma nova aproxima ~ao para xi :
xi(1) = bi
n
X
j 6=i
aij xj(0) =aii ; i = 1; 2; : : : ; n:
(2.6)
Usamos agora o vetor x(1) nas equa ~oes (2.5) para al ular o novo vetor das aproxima ~oes, x(2) = (x1(2) ,
x , : : :, xn(2) )T . Em resumo, o metodo de Ja obi onsiste em al ularmos as omponentes dos vetores x(1) ,
, : : : usando (2.5).
Veri amos se este metodo onverge fazendo:
(2)
2
x(2)
max
1i n

(k +1)
xi

xi(k ) <
ou

(k +1)
xi(k )
xi
max (k +1)
1i n
xi

<
onde e uma tolerân ia su ientemente pequena. Em testes omputa ionais usamos tambem omo teste de
parada um numero maximo de itera ~oes.
Para ini iar o pro esso iterativo e ne essario forne er uma aproxima ~ao ini ial x(0) . Na falta de informa ~ao
sobre a solu ~ao, tomamos x(0) = 0.
2.2.2 Metodo de Gauss-Seidel
Este metodo onsiste em uma modi a ~ao do metodo de Ja obi. Nele, as itera ~oes ser~ao al uladas usando as
equa ~oes (2.5), mas aproveitando os al ulos ja atualizados de outras omponentes, para atualizar a omponente
que esta sendo al ulada. Assim, o valor re em al ulado para x1(k +1) sera usado no al ulo de x2(k +1) .
L. A. P. Cant~ao
15
CNC
Dado n, Ann , bn1 e x(0)

n1 , max,
1:
2:
3:
4:
Para k = 0 ate k = max fa a

Para i = 1 ate i= n fa a
(k +1)
xi
Se max
1i n
aij xj

xi(k ) <
ou

(k +1)
xi(k )
xi

(k +1)
xi

< ent~ao
PARE: n~ao houve onvergên ia.

Fim do ondi ional
9:
12:
j =1; j 6=i
(k )
Se k = max ent~ao
8:
11:
n
X
Caso ontrario
7:
10:

(k +1)
xi
x = x(k +1)
5:
6:
1
= a bi
ii
Fim do ondi ional

Fim do la o
Fim do la o
Algoritmo 6: Metodo de Ja obi

Dado n, Ann , bn1 e x(0)
n1 , max,
1:
2:
3:

Para i = 1 ate i= n fa a
(k +1)
xi
1
= a bi
ii
5:
Se max xi(k +1)

1i n
6:
Caso ontrario
4:
7:
x = x(k +1)
10:
11:
12:
j =1
(k +1)
aij xj
xi(k ) < ou

n
X
(k )
aij xj
j
=i +1

(k +1)
xi(k )
xi

(k +1)
xi

< ent~ao
Se k = max ent~ao
PARE: n~ao houve onvergên ia.
8:
9:
i 1
X
Fim do ondi ional

Fim do ondi ional
Fim do la o
Fim do la o
Algoritmo 7: Metodo de Gauss-Seidel

Exemplo 6. Resolva o sistema abaixo usando os metodos de Ja obi e Gauss-Seidel:
L. A. P. Cant~ao
4:00x1 + 0:24x2
0:08x3 = 8:00
0:09x1 + 3:00x2
0:15x3 = 9:00
0:04x1
0:08x2 + 4:00x3 = 20:00
16
CNC
2.2.3 Convergên ia dos Metodos de Ja obi e Gauss-Seidel
As ondi ~oes de onvergên ia de veri a ~ao simples para os metodos de Ja obi e Gauss-Seidel s~ao:
1. Os metodos iterativos
de Ja obi e Gauss-Seidel onvergem se a matriz A e diagonalmente dominante, ou
n
X
seja: jaii j > jaij j; i = 1 : n.
j 6=i
2. Os metodos iterativos de Ja obi e Gauss-Seidel onvergem se A e uma matriz positiva denida: xT Ax > 0
para todo x 6= 0.
2.3 Exer ios

1. Para ada um dos sistemas lineares seguintes, obtenha uma solu ~ao por meio de metodos gra os, se possvel.
Explique os resultados do ponto de vista geometri o.
(a)
x1 + 2x2 = 3
x1
x2 = 0
(e)
(f)
(b)
x1 + x2 = 0
x1
x2 = 0
(g)
( )
x1 + 2x2 = 3
2x1 + 4x2 = 6
(d)
x1 + x2 = 3
2x1
4x 2 = 6
(h)
x1 + 2x2 = 0
2x1 + 4x2 = 0
2x1 + x2 = 1
x1 + x2 = 2
x1
3x 2 = 5
2x1 + x2 = 1
4x1 + 2x2 = 2
x1
3x 2 = 5
2x1 + x2 + x3 = 1
2x1 + 4x2
x3 = 1
2. Utilize o metodo de Gauss usando opera ~oes om arredondamento para dois dgitos para resolver os sistemas
lineares a seguir. N~ao reordene as equa ~oes. (A solu ~ao exata para ada sistema e x1 = 1, x2 = 1 e
x3 = 3.)
(a)
4x 1
x2 + x3 = 8
2x1 + 5x2 + 2x3 = 3
x1 + 2x2 + 4x3 = 11
(b)
4x1 + x2 + 2x3 = 9
2x1 + 4x2
x3 = 5
x1 + x2
3x3 = 9
3. Considere os seguintes sistemas:
(i)
Solu ~ao real: (0; 10; 1=7)T
L. A. P. Cant~ao
3:03x1
12:1x2 + 14x3 = 119
3:03x1 + 12:1x2
7x3 = 120
6:11x1
14:2x2 + 21x3 = 139
17
CNC
(ii)
Solu ~ao real: (10; 1)T
(iii)
Solu ~ao real: (0:17682530; 0:01269269; 0:02065405; 1:18260870)T
(iv)
0:03x1 + 58:9x2 = 59:2

5:31x1
6:10x2 = 47:0
1:19x1 + 2:11x2
100x3 + x4
14:2x1
0:122x2 + 12:2x3
x4
100x2
99:9x3 + x4
15:3x1 + 0:110x2
13:1x3
x4
=
=
=
=
1:12
3:44
2:15
4:16
Solu ~ao real: (0:78839378; 3:12541367; 10:16759660; 4:55700252)T
x1
e x2 + 2x3
3x 4
3
2
2
e x3 + p7 x4
p x1 + pe x2
5x1
6x2 + px3
2x 4
1
3 x1 + e2 x2
7x3 + 9 x4
= 11
= 0
= p
= 2
(a) Resolva os sistemas a ima usando o metodo de Elimina ~ao de Gauss e opera ~oes aritmeti as om
aproxima ~ao de três dgitos por trun amento.
(b) Repita o item a ima usando o metodo de Elimina ~ao de Gauss om Pivoteamento.
( ) Resolva os sistemas a ima usando Fatora ~ao LU e opera ~oes aritmeti as om aproxima ~ao de três
dgitos por trun amento.
(d) Cal ule o erro relativo dos itens a ima.
(e) Verique se os sistemas a ima s~ao onvergente se apli armos os Metodos Iterativos de Ja obi e GaussSeidel. Justique sua resposta.
4. Sejam o sistemas lineares:
(a)
x1 0:5x2 + 0:5x3 = 3
= 12
x1 + x2 + x3
0:5x1 0:5x2 + x3 = 3
(b)
10
1
2
1
2
8
1
2
3 5
1 2
5 1
3 20
x1
x2
x3
x4
48
4
11
150
Resolva-os usando os metodos de Ja obi e Gauss-Seidel e verique a onvergên ia dos metodos. Justique
os resultados.
5. Resolva os sistemas lineares:
(a)
x1 3x2 + 5x3 + 6x4

8x1 + 4x2 x3
3x1 + 2x2 2x3 + 7x4
x1 + 2x2 + 5x3 4x4
=
=
=
=
17
29
11
7
(b)
1 2 4
3 1 4
2 14 5
x1
x2
x3
13
8
50
usando o metodo de Elimina ~ao de Gauss om e sem pivoteamento. Compare e verique os resultados.
L. A. P. Cant~ao
18
CNC
6. Efetue os al ulos, utilizando apenas 4 asas de imais:

2
6
(a) 1 3:001
4
1
3
2
9
x1
x2
x3
5
9
29
x1 + 2x2 + 3x3 = 17
(b) 5x1 x2 + 4x3 = 2
2x1 + 4x2 + x3 = 25
usando Fatora ~ao LU. Verique a uni idade e a exatid~ao das solu ~oes.
7. Cal ule o determinante da matriz A usando Fatora ~ao LU .
A =
0
1
0
2
1
1
2
2
1
3
1
1
8. Resolva os sistemas abaixo usando Fatora ~ao LU :

(a)
(b)
L. A. P. Cant~ao
1
1
1
4
1
2
4
3
1
2
3
1
1
4
2
0
0
2
3
0
1
5
2
0
1:012x1
2:132x2 + 3:104x3 = 1:984
2:132x1 + 4:096x2
7:013x3 = 5:049
3:104x1
7:013x2 + 0:014x3 = 3:895
2:1756x1 + 4:0231x2
2:1732x3 + 5:1967x4
4:0231x1 + 6:0000x2
+ 1:1973x4
1:0000x1
5:2107x2 + 1:1111x3
6:0235x1 + 7:0000x2
4:1561x4
= 17:102
= 6:1593
= 3:0004
= 0:0000
19
CAPITULO
Equa ~oes N~ao-Lineares

Introdu ~ao
A ne essidade de en ontrar valores de x = x que satisfa am a equa ~ao f (x ) = 0 apare e frequentemente
em uma ampla variedade de problemas provenientes das Ciên ias e das Engenharias. Estes valores espe iais s~ao
hamados de razes da equa ~ao f (x ) = 0, ou zeros da fun ~ao f , os quais podem ser vistos na gura 3.1, que
mostra quando a fun ~ao f (x ) = os x = 0.
y
1.0
0.8
= os x
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1.0
7
Figura 3.1: Razes da fun ~ao f (x ) = os x .

Para equa ~oes algebri as de p
grau ate quatro, as razes podem ser al uladas analiti amente por meio de uma
express~ao tal omo x = ( b b2 4a )=2 para determinar as duas razes de f (x ) = ax 2 + bx + = 0. No
entanto, para equa ~oes algebri as de grau superior a quatro e para a grande maioria das equa ~oes trans endentes,
as razes n~ao podem ser al uladas analiti amente. Nestes asos tem de usar metodos que en ontrem uma solu ~ao
aproximada para estas razes.
O problema de al ular uma raiz pode ser dividido em duas fases:
Captulo 3. Equa ~oes N~ao-Lineares
CNC
Fase I: Isolamento da raiz, isto e, en ontrar um intervalo [a; b que ontenha uma, e somente uma, raiz de
f (x ) = 0.
Fase II: Renamento da raiz, que onsiste em, es olhidas aproxima ~oes ini iais no intervalo en ontrado
na Fase I, melhora-las su essivamente ate obter uma aproxima ~ao para a raiz dentro de uma pre is~ao
pre-xada.
3.1 Fase I: Isolamento das Razes

Nesta fase e feita uma analise teori a e gra a da fun ~ao f (x ). Na analise teori a usamos frequentemente o
teorema:
Teorema 2. Seja f (x ) uma fun ~ao ontnua num intervalo [a; b. Se f (a) f (b) < 0 ent~ao existe pelo menos um
ponto x 2 [a; b tal que f (x ) = 0. Alem disso, se f 0 (x ) n~ao muda de sinal em [a; b ent~ao x e a uni a raiz de f (x )
neste intervalo.
A Figura 3.2 exempli a o Teorema 2 e a Figura 3.3, o aso onde ha raiz mas n~ao satisfaz as ondi ~oes do
Teorema.
0.6
0.4
0.2
0.2
0.4
0.6
0.8
1.0
1.0
1.2
1.4
1.6
1.8
2.0
2.2
2.4
2.6
2.8
3.0
Figura 3.2: Amplia ~ao da fun ~ao f (x ) = os x no intervalo x 2 [1; 3. Note que f 0 (x ) = sen x e f 0 (x ) < 0 neste
intervalo.
A analise gra a da fun ~ao f (x ) ou da equa ~ao f (x ) = 0 e fundamental para obter boas aproxima ~oes para a
raiz. Para tanto, podemos exe utar os seguintes pro edimentos:
!;
1. Esbo ar o gra o da fun ~ao f (x ) e lo alizar as abs issas dos pontos onde a urva inter epta o eixo ox
2. A partir da equa ~ao f (x ) = 0, obter a equa ~ao equivalente g (x ) = h(x ), esbo ar os gra os das fun ~oes
g (x ) e h(x ) no mesmo eixo artesiano e lo alizar os pontos x onde as duas urvas se inter eptam, pois neste
aso f (x ) = 0 () g (x ) = h(x );
3. Usar os programas que tra am gra os de fun ~oes, disponveis em algumas al uladoras ou softwares matemati os.
L. A. P. Cant~ao
21
CNC
240
1.0
0.9
200
0.8
0.7
160
0.6
120
0.5
0.4
80
0.3
0.2
40
0.1
0
3
0
2
0.5
0.1
0.3
0.7
1.1
(a)
1.5
1.9
2.3
2.7
(b)
Figura 3.3: f (x ) = 4x 2 4x 3 + x 4 .
Exemplo 7.
1.
f (x ) = x 3 9x + 3: Neste aso, somente o passo (1) e ne essario para lo alizar as possveis razes. Porem
a Figura 3.4 mostra os três passos.
31
64.0
23
45.7
15
27.4
9.1
9.1
27.4
17
45.7
25
4
(a)
64.0
4
(b)
Figura 3.4: (a) f (x ) = x 3 9x + 3, (b) g (x ) = x 3 e h(x ) = 9x 3.

2.
f (x ) = x 5 e x : Neste aso, e mais onveniente usar os passos (2) e (3). Assim, x 5 e x = 0 ()

p
p
x = 5 e x =) g (x ) = x e h(x ) = 5 e x . A Figura 3.5 ilustra as fun ~oes f (x ), g (x ) e h(x ).
3.2 Fase II: Renamento

Ser~ao apresentados aqui três metodos numeri os de renamento da raiz: o metodo da Bisse ~ao, de Newton e
das Se antes. A forma omo se efetua o renamento e o que diferen ia os metodos. Porem, antes de des rever
L. A. P. Cant~ao
22
CNC
5.00
1.91
h (x )
0.92
f (x )
4.29
0.07
3.57
1.05
2.86
2.04
2.14
g (x )
3.03
0.71
4.01
0.0
0.5
1.0
1.5
2.0
2.5
(a)
3.0
3.5
5.00
4.0
1.43
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
0.00
4.0
(b)
Figura 3.5: (a) f (x ) = x 5 e x , (b) g (x ) = x e h(x ) = 5 e x .

estes metodos, veremos os riterios de parada adotados.
3.2.1 Criterio de Parada
O riterio de parada interrompe a sequên ia gerada pelos metodos. Este deve avaliar quando xk , na k -esima
itera ~ao, esta su ientemente proximo da raiz exata. Contudo, o valor exato da raiz e des onhe ido na maioria
dos asos, logo, o pro esso e interrompido quando pelo menos um dos riterios a seguir e satisfeito:
1. Avalia ~ao do ponto na fun ~ao:
jf (xk )j ;
2. Avalia ~ao do tamanho do intervalo:
jxk xk 1 j
ou
para su ientemente pequeno (pre is~ao desejada).

xk

xk
xk
;
3.2.2 Metodo da Bisse ~ao
Seja f (x ) uma fun ~ao ontnua no intervalo [a; b e tal que f (a) f (b) < 0, ou seja, f satisfaz as ondi ~oes do
Teorema 2.
Suponha que o intervalo (a; b) ontenha uma uni a raiz da equa ~ao f (x ) = 0. O objetivo deste metodo e
reduzir a amplitude do intervalo que ontem a raiz ate se atingir a pre is~ao requerida, neste aso (b a) < ,
usando para isto a su essiva divis~ao de [a; b ao meio. A Figura 3.6 mostra este pro esso.
Os passos para a exe u ~ao deste metodo s~ao dados pelo Algoritmo 8.
Exemplo 8. Aplique o metodo da Bisse ~ao para en ontrar a raiz de f (x ) = x 3
para = 10
(a Tabela 3.1 apresenta os passos deste exemplo).
L. A. P. Cant~ao
9x + 3 no intervalo I = [0; 1,
23
CNC
a=a
x
b=b =b
Figura 3.6: O metodo da Bisse ~ao gra amente.

Dado f (x ), a e b tais que f (a) f (b) < 0, max,
1:
2:
3:
4:
5:
6:
7:
8:
9:
10:
11:
a+b
xk = 2
Se f (a) f (xk ) < 0 ent~ao
b = xk
Caso ontrario
a = xk
Fim do ondi ional
Se jb
aj ent~ao
a+b
PARE, x =
2 e raiz aproximada de f (x )
Fim do ondi ional

Fim do la o
Algoritmo 8: Metodo da Bisse ~ao

3.2.3 Metodo de Newton
Isaa Newton (1642{1727) publi ou seu metodo para en ontrar razes de equa ~oes n~ao-lineares em 1687. Este
metodo tambem e onhe ido omo Newton-Raphson, devido a sistematiza ~ao apresentada por Joseph Raphson
em 1690.
O metodo de Newton ombina duas ideias omuns nas aproxima ~oes numeri as: lineariza ~ao e itera ~ao. A
lineariza ~ao substitui a urva y = f (x ) por sua reta tangente.
Seja x0 uma aproxima ~ao ini ial da raiz, omo ilustra a Figura 3.7. Aproximando a urva y = f (x ) por sua reta
tangente tra ada no ponto (x0 ; f (x0 )) obtemos a aproxima ~ao linear. En ontrando o ponto de interse ~ao desta
reta om o eixo x , obteremos uma nova aproxima ~ao para a raiz, o ponto x1 da gura.
O pro esso iterativo sera obtido pela repeti ~ao do pro edimento. A nova aproxima ~ao, representada na Figura
3.7 pelo ponto x2 , foi al ulada a partir da reta tangente a urva y = f (x ) no ponto (x1 ; f (x1 )).
Para estabele er express~oes analti as que permitam o al ulo de x1 ; x2 ; : : : observamos que a tangente do
L. A. P. Cant~ao
24

k
0
1
2
3
4
5
6
7
8
9
10
a
0
0
0.25
0.25
0.3125
0.3125
0.328125
0.3359375
0.3359375
0.3359375
0.336914
CNC
f (xk )
f (a ) f (x k )
1:375
( )
0:765625
(+)
0:3222656
( )
0:2180176
(+)
0:0531311
( )
0:0713582
(+)
0:0144744
(+)
0:0193443
( )
0:0024384
( )
0:0060175
(+)
0:0017893
xk = (a + b)=2
0.5
0.25
0.375
0.3125
0.34375
0.328125
0.3359375
0.3398438
0.78906
0.336914
0.3374023
b
1
0.5
0.5
0.375
0.375
0.34375
0.34375
0.34375
0.3398438
0.3378906
0.3378906
jb a j
0:5
0.25
0.125
0.06
0.03125
0.014375
0.0078125
0.0039063
0.0019531
0.0009766
Tabela 3.1: Resultado do Exemplo 8.

y

x x x x
2
f (x )
Figura 3.7: O metodo de Newton-Raphson.

ângulo pode ser obtida tanto da deni ~ao da fun ~ao trigonometri a tangente quanto pela derivada de f (x ) no
ponto x0 (in lina ~ao da reta tangente). Assim, da Figura 3.7, temos:
tg() = xf (x0x) = f 0 (x0 )
0
! x1 = x0 ff 0((xx0 ))
0
! x2 = x1 ff 0((xx1 ))
1
tg( ) = xf (x1x) = f 0 (x1 )
Generi amente, o pro esso onsiste em evoluir da aproxima ~ao xk para a aproxima ~ao xk +1 usando a formula:
xx +1 = xk
f (xk )
f 0 (xk )
(3.1)
O metodo de Newton-Raphson esta esquematizado no Algoritmo 9.

Exemplo 9. Aplique o metodo de Newton para en ontrar a raiz de f (x ) = x 3
= 10
(a Tabela 3.2 apresenta os passos deste exemplo).
L. A. P. Cant~ao
9x + 3 tomando x0 = 0:5, para
25
CNC
Dado x0 , f (x ), f 0 (x ), max e
1:
2:
3:
4:
5:
6:
7:
8:
9:
f (x )
xx +1 = xk f 0 (xk )
k
Se jf (xk +1 )j ou jxk +1 xk j ent~ao
PARE, x = xk +1
Fim do ondi ional
Se k = max ent~ao
PARE, o metodo n~ao onverge para a solu ~ao.
Fim do ondi ional
Fim do la o
Algoritmo 9: Metodo de Newton-Raphson

k
0
1
2
3
xk
0.5
0.3333
0.3376068
0.337609
f (xk )
1:375
0:0370
0:0000183
4:545 10
12
f 0 (x k )
8:25
8:6667
8:6581
jxk +1 xk j
1.6667
0.0042735
0.0000021

3.2.4 Metodo da Se ante
Uma grande desvantagem do metodo de Newton e a ne essidade de se obter f 0 (x ) e al ular seu valor numeri o
a ada itera ~ao. Uma alternativa e usar retas se antes omo aproxima ~oes lineares lo ais da fun ~ao, em vez de
tangentes. Neste aso, s~ao ne essarias duas aproxima ~oes para ini ializarmos o pro esso, x0 e x1 .
y
f (x )
C = (x ; f (x
0
))
D
x A x
E B
x
Figura 3.8: O metodo das Se antes.

No metodo da Se ante, tomamos a reta que passa pelos pontos (x0 ; f (x0 )) e (x1 ; f (x1 )) omo uma aproxima ~ao
linear da urva y = f (x ), omo indi a a Figura 3.8.
Para estabele ermos a rela ~ao de re orrên ia do Metodo da Se antes, usamos a semelhan a de triângulos ABC
L. A. P. Cant~ao
26
CNC
e AED:
f (x 0 )
f (x 1 )
=
x0 x2 x1 x2
onde x2 e o ponto denotado por A na Figura 3.8. Expli itando o valor da in ognita x2 teremos:
x2 =
x0 f (x1 ) x1 f (x0 )
:
f (x1 ) f (x0 )
Generalizando, no metodo das se antes usamos duas aproxima ~oes xk

xima ~ao xk +1 , atraves da formula:
x f (x ) xk f (xk 1 )
xk +1 = k 1 k
:
f (x ) f (x )
k
e xk , para al ular uma nova apro-
k 1
O Algoritmo 10 sistematiza o pro edimento para o metodo das Se antes.

Dado x0 , x1 , f (x ), max e
x f (x ) xk f (xk 1 )
xk +1 = k 1 k
f (xk ) f (xk 1 )
Se jf (xk +1 )j ou jxk +1 xk j ent~ao
PARE, x = xk +1
1:
2:
3:
4:
5:
6:
7:
8:
9:
Fim do ondi ional

Se k = max ent~ao
PARE, o metodo n~ao onverge para a solu ~ao.
Fim do ondi ional
Fim do la o
Algoritmo 10: Algoritmo para o Metodo das Se antes

Exemplo 10. Aplique o metodo das Se antes para en ontrar a raiz de f (x ) = x 3
x1 = 1, para = 10 4 (a Tabela 3.3 apresenta os passos deste exemplo).

k
1
2
3
4
5
xk 1
0
1
0.375
0.3319415
0.3376346
xk
1
0.375
0.3319415
0.3376346
0.337609
f (xk 1 )
f (x k )
0
5
5
0:3222656
0:3222656 0:0491011
0:0491011 0:0002222
0:0002222
1:464 10
9x + 3 tomando x0 = 0 e
jxk +1 xk j
0.625
0.0430585
0.0056931
0.0000256
3.3 Sistemas N~ao-Lineares

Resolver um problema de equa ~oes n~ao-lineares e uma tarefa omplexa, eventualmente ontornada aproximandose o problema original por um sistema de equa ~oes lineares. Quando essa solu ~ao e insatisfatoria, o problema deve
ser ata ado diretamente.
A prin ipal ferramenta para resolver uma equa ~ao n~ao-linear e o Metodo de Newton. Essa te ni a sera modi ada para resolver um sistema de equa ~oes n~ao-lineares.
L. A. P. Cant~ao
27
CNC
3.3.1 Metodo de Newton para Sistemas N~ao-Lineares
Considere n fun ~oes : f1 ; f2 ; : : : ; fn , onde ada uma delas e uma fun ~ao de n variaveis fi : Rn ! R para
i = 1; 2; : : : ; n, ou seja, x1 ; x2 ; : : : ; xn . Queremos en ontrar os valores de x1 ; x2 ; : : : ; xn tais que:
Considere o seguinte exemplo:
f1 (x1 ; x2 ; : : : ; xn ) = 0

f2 (x1 ; x2 ; : : : ; xn )
..
.

fn (x1 ; x2 ; : : : ; xn )
=
..
.
=
0
..
.
0
(3.2)
x1 (x1 + 1) + 2x2 = 18
(x1 1)2 + (x2 6)2 = 25
Aqui, pro uramos x1 e x2 , tais que:

f1 (x1 ; x2 ) =
x1 (x1 + 1) + 2x2 18 = 0
f2 (x1 ; x2 ) = (x1 1)2 + (x2 6)2 25 = 0
Usando a nota ~ao vetorial, temos:

x = (x1 ; x2 ; : : : ; xn ) ;
F(x) = (f1 (x); f2 (x); : : : ; fn (x))
Assim, o sistema (3.2) pode ser representado por uma uni a equa ~ao vetorial, F(x) = 0.
Como foi feito no aso de uma equa ~ao n~ao-linear, a ideia da lineariza ~ao sera usada no aso de sistemas.
Tomando a serie de Taylor omo uma aproxima ~ao de fun ~oes, em torno de xk , para uma fun ~ao es alar, temos:
f (x ) = f (xk ) + f 0 (xk )(x xk ) +
f (n) (xk )
f (n+1) ()
f 00 (xk )
n+1
(
x xk )2 + +
(
x xk )n +
2!
n!
(n + 1)! (x xk )
onde x xk . O ultimo termo desta express~ao representa o erro da aproxima ~ao de f (x ) pelo polinômio de
grau n, o polinômio de Taylor, formado pelos n + 1 primeiros termos da expans~ao em serie de Taylor.
Observe que, se tomarmos a aproxima ~ao linear (usando os dois primeiros termos da serie de Taylor), teremos:
f (x ) f (xk ) + f 0 (xk )(x xk ):
Se usarmos esta aproxima ~ao linear para en ontrar a raiz de f (x ) = 0,

f (x ) 0
ou ainda, expli itando x temos,
se f (xk ) + f 0 (xk )(x xk ) = 0;
f (x k )
f 0 (x k ) :
Assim, a serie de Taylor e outra maneira de se obter a fun ~ao de itera ~ao do metodo de Newton.
Apli ando esta ideia para resolver o sistema (3.2), temos a aproxima ~ao de Taylor omo:
x = xk
F(x) = F(xk ) + F0 (xk )(x
xk ) + E
= aproxima ~ao linear + erro
L. A. P. Cant~ao
(3.3)
(3.4)
28
CNC
onde xk = vetor aproxima ~ao na k -esima itera ~ao e E e um vetor que representa o erro da aproxima ~ao linear.
Analogamente a serie de Taylor de fun ~oes de uma variavel, kEk C kx xk k2 para alguma onstante C , quando
xk ! x.
Note que, xk denota o vetor obtido na k -esima itera ~ao: xk = (x1k ; x2k ; : : : ; xnk ).
Em (3.4), F0 (x) e a derivada de uma fun ~ao vetorial om variaveis vetoriais. Esta derivada e uma matriz que
ontem todas as derivadas par iais de todos os omponentes da fun ~ao F(x), a matriz Ja obiana de F(x),
fi (x)
:
J(x) = F0 (x) = [Jij =

xj
Para estabele er o metodo iterativo, a aproxima ~ao na itera ~ao k + 1 sera denida pelo vetor que anula a parte
linear da equa ~ao (3.4), isto e, o vetor xk +1 e tal que:
F(xk ) + J(xk )(xk +1
J(xk )(xk +1
xk ) = 0
xk ) =
F(xk )
(3.5)
Para expli itar xk +1 , multipli amos a equa ~ao a ima pela inversa da Ja obiana e teremos:
xk +1 = xk
J 1 (xk ) F(xk );
que e uma generaliza ~ao de (3.3) para o aso de sistemas n~ao-lineares.

Como a invers~ao de matrizes e um pro esso trabalhoso e omputa ionalmente aro, evitamos este al ulo
fazendo:
v =
J 1 (xk ) F(xk )
J(xk ) v =
F(xk )
Ou seja, o al ulo das equa ~oes a ima envolve um sistema de equa ~oes lineares para a aproxima ~ao da itera ~ao
k + 1. Assim, a nova aproxima ~ao sera:
xk +1 = xk + v
O metodo de Newton para Sistemas n~ao-Lineares e dado pelo algoritmo (11)
Exemplo 11. Resolva o sistema que segue, usando o metodo de Newton para equa ~oes n~ao-lineares.
f1 (x1 ; x2 ) = 2x13 x22 1 = 0

f2 (x1 ; x2 ) = x1 x23 x2 4 = 0
As derivadas par iais desta fun ~ao s~ao:
f1
= 6x12
x1
f2
3
x1 = x2
f1
= 2x 2
x2
f2
2
x2 = 3x1 x2 1
e, portanto, a matriz Ja obiana e:
6x12
J(x1 ; x2 ) =
x23
"
L. A. P. Cant~ao
2x2
3x1 x22 1
29
CNC
f para j = 1; 2; : : : ; n, e
Dado x0 , fi para i = 1; 2; : : : ; n, x
1
2
1: Para k = 1 at
e k = max fa a
2:
Para i = 1 ate i = n fa a
3:
Fi = fi (xk 1 )
4:
Para j = 1 ate j = n fa a
f
5:
Jij = i (xk 1 )
xj
6:
Fim do la o
7:
Fim do la o
8:
Resolva o sistema Jv = F
9:
xk = xk +1 + v
10:
Se max1i n jfi (x k )j < 1 ent~ao
11:
Ent~ao x = xk
12:
Fim do ondi ional
i
... ou ...
Se max1i n jxik xik 1 j < 2 ent~ao
Ent~ao x = xk
13:
14:
15:
16:
17:
Fim do ondi ional

Fim do la o
Algoritmo 11: Metodo de Newton para Sistemas N~ao-Lineares

Tomando um aproxima ~ao ini ial x0 = (1:2; 1:7) temos:
8:64 3:4
J (x ) =
4:91 9:4
0
"
F(x ) =
0
"
0:4340
0:1956
Resolvendo o sistema J(xk ) v = F(xk ) en ontramos:
v = (0:03488; 0:03902)T
Assim,
x1 = (1:2349; 1:6610)T :
Para o al ulo de uma nova aproxima ~ao re al ulamos F(x1 ) e a matriz Ja obiana em x1 . Resolvendo o sistema
linear para obter v, temos que:
x2 = (1:2343; 1:6615)T
Podemos testar as aproxima ~oes obtidas al ulando os respe tivos f1 e f2 :
f1 (x0 ) = 0:4340
f1 (x1 ) = 7:4607 10 3
f1 (x2 ) = 1:2779 10 4
f2 (x0 ) = 0:1956
f2 (x1 ) = 1:9876 10
f2 (x2 ) = 3:202 10 4
Observe que a solu ~ao do sistema e o al ulo do Ja obiano, a ada itera ~ao, s~ao dispendiosos. Para e onomizar
os al ulos, podemos manter uma matriz Ja obiana xa em algumas itera ~oes. Neste aso, a de omposi ~ao LU
e adequada na solu ~ao do sistema, pois a mesma e usada em algumas itera ~oes, atualizando-se apenas o termo
L. A. P. Cant~ao
30
CNC
independente do sistema.
3.4 Exer ios

1. Lo alize gra amente as razes das equa ~oes a seguir:
(a) 4 os x e2x = 0;
(b) x2 tg x = 0
( ) 1 x ln x = 0;
(d) 2x 3x = 0;
(e) x 3 + x 1000 = 0.
2. Cal ular pelo menos uma raiz de ada equa ~ao abaixo om 0:001 pelo metodo da Bisse ~ao.
(a) f (x ) = e2x 2x 3 5 = 0;
(b) f (x ) = 2x 3 5x 2 x + 3 = 0;
( ) f (x ) = 5x 2 + log(x + 1) 2 = 0.
3. Seja f (x ) = (x + 2)(x + 1)x (x 1)3 (x 2). Para que zero de f o metodo da Bisse ~ao vai onvergir quando
for apli ado nos seguintes intervalos ?
(a) [ 3; 2:5
(x = 2)
(b) [ 2:5; 3
(x = 2)
( ) [ 1:75; 1:5
(x = 1)
(d) [ 1:5; 1:75

(x = 1)
4. En ontre um valor aproximado para 3 om pre is~ao de 10 4 utilizando:

(a) Metodo da Bisse ~ao;
(b) Metodo da Se ante;
( ) Metodo de Newton.
5. Determinar pelo menos uma raiz de ada equa ~ao abaixo om 10 4 usando o metodo das Se antes.
(a) f (x ) = 2x 3 5x 2 10x + 20 = 0;
(b) f (x ) = 5 log x + 3x 4 7 = 0;
( ) f (x ) = 2x + ( os x )x 2 = 0
6. A har pelo menos uma raiz positiva de ada equa ~ao om 10 5 pelo metodo de Newton.
(a) 4x 3 + x + os x 10 = 0;
(b) x 4 2x 3 + 2x 1 = 0;
( ) f (x ) = (x 2)(ex 2 1) = 0.
7. A fun ~ao f (x ) = (4x 7)=(x 2) se anula em x = 7=4. Cal ule as itera ~oes do metodo de Newton partindo
das aproxima ~oes ini iais:
(a) x0 = 1:625;
(b) x0 = 1:875;
( ) x0 = 1:5;
(d) x0 = 1:95;
(e) x0 = 3;
(f) x0 = 7.
Explique gra amente seus resultados.

8. Seja f (x ) = (4x 7)=(x 2). Verique que f (1:8)f (3) < 0. E possvel usar o metodo da Bisse ~ao para
lo alizar razes neste intervalo ? Explique.
L. A. P. Cant~ao
31
CNC
9. Demonstrar que a raiz a, a 0 pode ser al ulada pela formula de re orrên ia:
p
1
a
xk +1 = (p 1)xk + p 1 ; x0 > 0:
p
xk
!
10. A fun ~ao f (x ) = tg(x ) 6 tem um zero em x = (1=) ar tan6 0:447431543. Considerando x0 = 0 e
x1 = 0:48, use 10 itera ~oes para ada um dos seguintes metodos para al ular o valor aproximado dessa raiz.
Que metodo e mais bem-su essido ? Por quê ?
(a) Metodo da Bisse ~ao;
(b) Metodo da Se ante.
11. Use o Metodo de Newton om x0 = 0 para al ular x2 para ada um dos seguintes sistemas n~ao lineares:
4x 2 20x + 1 x 2 + 8 = 0
(a) 1 1 2 1 4 2
5x2 + 8 = 0
2 x1 x2 + 2x1
Resp.: x2 = (0:4958936; 1:983423)T
(
(b)
sen(4x1x2 ) 2x2 x1 = 0
4 1 (e2x
e) + 4ex22 2ex1 = 0
4
Resp.: x2 = ( 0:5131616; 0:01837622)T
3x1 os(x2 x3 ) 12 = 0
( ) 4x12 625x22 + 2x2 1 = 0
e x x +20x3 + 103 3 = 0
Resp.: x2 = (0:5001667; 0:2508036; 0:5173874)T
x12 + x2 37 = 0
(d)
x1 x22 5 = 0
x1 + x2 + x3 3 = 0
Resp.: x2 = (4:350877; 18:49123; 19:84211)T
1 2
12. Use o metodo de Newton para en ontrar uma solu ~ao para os seguintes sistemas n~ao-lineares nos domnios
dados. Fa a itera ~oes ate kxk xk 1 k < 10 6 .
(a) Use x0 = (1; 1)T
(
3x12 x22 = 0
3x1 x22 x13 1 = 0
Resp.: x5 = (0:5000; 0:8660254)T

(b) Use x0 = (2; 2)T
(
ln(x + x ) sen(x1 x2 ) = ln 2 + ln
ex x + os(x1 x2 ) = 0
2
1
2
2
Resp.: x6 = (1:772454; 1:772454)T
L. A. P. Cant~ao
( ) Use x0 = ( 1; 2; 1)T
x13 + x12 x2 x1 x3 + 6 = 0
ex1 + ex2 x3 = 0
x22 2x1 x3 = 4
Resp.: x5 = ( 1:456043; 1:66423; 0:4224934)T

(d) Use x0 = (0; 0; 0)T
6x1 2 os(x2 x3 ) 1 = 0
9x2 + x + sen x3 + 1:06 + 0:9 = 0
60x3 + 3 e x x +10 3 = 0
p
2
1
1 2
Resp.: x4 = (0:4981447; 0:1996059; 0:528826)T
32
CAPITULO
Ajuste de Curvas
Introdu ~ao
Apresentaremos aqui os aspe tos basi os e teori os para ajuste de urvas usando interpola ~ao e aproxima ~ao
de fun ~oes de uma variavel real.
Os problemas de interpola ~ao e aproxima ~ao estudados surgem ao se aproximar uma fun ~ao f por outra fun ~ao
g mais apropriada. Ou ainda, quando ha a ne essidade de aproximar dados tabelados atraves de uma fun ~ao. Para
isso existem duas lasses de metodos e a distin ~ao entre elas esta em onsiderarmos, ou n~ao, a existên ia de erros
nos dados.
1. Interpola ~ao: os dados s~ao pre isos e portanto pode-se exigir que a urva de ajuste passe pelos pontos
dados. Em geral, as fun ~oes es olhidas para o ajuste s~ao polinômios.
Estabele e um metodo que permite en ontrar um polinômio que passe por n +1 pontos onhe idos, denotados
por (x0 ; y0 ), (x1 ; y1 ), ... , (xn ; yn )) onde x0 6= x1 6= x2 6= : : : 6= xn .
2. Metodo dos Quadrados Mnimos: onsidera-se possveis erros introduzidos na obten ~ao dos dados.
4.1 Interpola ~ao

Seja a Tabela 4.1.
xi
0.1
0.6
0.8
f (xi ) 1.221 3.320 4.953
Tabela 4.1: Dados para interpola ~ao.
O problema onsiste em en ontrar o valor orrespondente de y = f (x ) para um dado x n~ao perten ente a
tabela. Um modo de resolver este problema e obter uma fun ~ao que rela iona as variaveis x e y . Considerando
que os polinômios s~ao as fun ~oes mais simples e estudadas, ent~ao eles s~ao os mais utilizados para determinar esta
rela ~ao. Um polinômio onstrudo om o intuito de aproximar uma fun ~ao e denominado polinômio interpolador.
Assim, para resolver o problema basta avaliar o polinômio no ponto desejado.
Existem varios metodos para onstruir um polinômio interpolador a partir de um onjunto de pares de dados.
Aqui, estudaremos o Polinômio Interpolador de Lagrange e o de Newton.
Captulo 4. Ajuste de Curvas
CNC
4.1.1 Polin^
omio Interpolador de Lagrange
Dados y0 = f (x0 ), y1 = f (x1 ), ... , yn = f (xn ), desejamos en ontrar um polinômio p(x ) tal que p(x0 ) = f (x0 ),
p(x1 ) = f (x1 ), ... , p(xn ) = f (xn ). A Figura 4.1 ilustra este aso.
y
p(x )
xn
xn
Figura 4.1: Exemplo de Interpola ~ao.

Teorema 3. Seja f (x ) uma fun ~ao onhe ida nos n + 1 pontos distintos x0 , x1 , x2 , ..., xn . Existe um uni o
polinômio p (x ), de grau menor ou igual a n, tal que:
p(xi ) = f (xi );
Prova 1. Seja:
onde
= 0 : n:
p(x ) = f (x0 )l0n (x ) + f (x1 )l1n (x ) + f (x2 )l2n (x ) + : : : + f (xn )lnn (x )
=
lkn
para i
n
X
k =0
f (xk )lkn (x )
(4.1)
s~ao os polinômios de Lagrange denidos por:
lkn =
(x x0 )(x x1 ) : : : (x xk 1 )(x xk +1 ) : : : (x xn )
(xk x0 )(xk x1 ) : : : (xk xk 1 )(xk xk +1 ) : : : (xk xn )
n
Y
(x xi ) :
=
(
x xi )
i =0; i 6=k k
Sabemos que:
lkn (xk ) = 1
lkn (xi ) = 0
para i
(4.2)
6= k:
Com isso, veri amos que p (x ) e o polinômio interpolador.

A uni idade e onsequên ia de ser p (x ) 0 o uni o polinômio de grau n que se anula em n +1 pontos distintos.
De fato, supondo que existam dois polinômios interpoladores p1 (x ) e p2 (x ), usamos (4.1) om p (x ) = p1 (x ) p2 (x )
para mostrar que p (x ) 0 e portanto, p1 (x ) p2 (x ).
O polinômio interpolador (4.1) e onhe ido omo Formula de Lagrange.

L. A. P. Cant~ao
34
CNC
Exemplo 12. En ontre o polinômio que interpola f (x ) =
1
x 2 nos pontos x0 = 2, x1 = 2:5 e x3 = 4.
Como ser~ao usados três pontos, o polinômio interpolador tem grau 2. Pela substitui ~ao dos pontos de interpola ~ao na express~ao 4.2, al ulamos os polinômios de Lagrange:
(x
l02 (x ) = (x
0
(x
l12 (x ) = (x
1
(x
l22 (x ) = (x
2
x1 )(x
x1 )(x0
x0 )(x
x0 )(x1
x0 )(x
x0 )(x2
x2 )
(x 2:5)(x 4) = x 2 6:5x + 10
=
x2 )
(2 2:5)(2 4)
(x 2)(x 4) = 4x 2 + 24x + 32
x2 )
=
x2 )
(2:5 2)(2:5 4)
3
x1 )
(x 2)(x 2:5) = x 2 4:5x + 5
=
x1 )
(4 2)(4 2:5)
3
Lembrando que f (x ) = x12 , f (x0 ) = f (2) = 0:25, f (x1 ) = f (2:5) = 0:16 e

express~ao (4.1) teremos o polinômio interpolador p2 (x ):
f (x2 ) = f (4) = 0:0625. Usando a
0:16
0:0625
p2 (x ) = 0:25(x 2 6:5x + 10) + 3 ( 4x 2 + 24x + 32) + 3 (x 2 4:5x + 5)
= 0:0575x 2 0:4388x + 0:8975
Apenas para ompara ~ao, tomando x
om erro absoluto de 0:0125.
A Figura 4.2 ilustra este exemplo.
L. A. P. Cant~ao
= 3 teremos p2 (x ) = 0:0986, que e uma aproxima ~ao de f (3) = 0:1111,
35
0.29
0.25
0.25
0.21
0.21
0.17
0.17
0.13
0.13
0.09
0.09
0.05
L. A. P. Cant~ao
0.29
0.05
2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 4.0
f (x ) =
2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 4.0
p(x ) = 0:0575x
1.0
1.4
1.3
0.8
1.2
1.1
0.6
0:4388x + 0:8975
0.9
1.0
0.7
0.4
0.8
0.5
0.2
0.6
0.3
0
0.4
0.2
0.1
0.2
0.4
0.6
2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 4.0
l (x ) = x
2
0
6:5x + 10
0.1
0
2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 4.0
2
3
4:5x + 5
3
0.3
2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6 3.8 4.0
2
1
4x 2 + 24x
32
Figura 4.2: Exemplo sobre Interpola ~ao de Lagrange.

CNC
36
CNC
4.1.2 Polin^
omio Interpolador de Newton
Nem sempre temos onhe imento, a priori, do grau adequado para o polinômio interpolador. Um teste razoavel
onsiste em aumentar o numero de pontos de interpola ~ao, res endo portanto o grau do polinômio interpolador,
e testar se houve melhoria nos al ulos. Assim, e importante que o trabalho efetuado anteriormente possa ser
reutilizado para estabele er a express~ao do novo polinômio. Note que, ao a res entarmos um novo ponto ao
polinômio de Lagrange, teremos de refazer os al ulos. Por outro lado, o Polinômio de Newton a res enta um
novo termo aos al ulos efetuados anteriormente.
Considere a forma do polinômio interpolador de Newton:
pn (x ) = d0 + d1 (x x0 ) + d2 (x x0 )(x x1 ) + : : : + dn (x x0 )(x x1 ) : : : (x xn 1 )
(4.3)
onde ada di , i = 0; 1; 2; : : : ; n e onhe ido omo operador diferen as divididas.

Operador Diferen
as Divididas
Seja y = f (x ) que passa pelos pontos (xi ; yi ), i = 0; 1; 2; : : : ; n. O operador de diferen as divididas e denido
omo:
Ordem 0: 0 yi = yi
= [xi
Ordem 1:
Ordem 2:
:::
Ordem n:
0
= xyi +1
i +1
2 yi = xyi +1
i +2
yi
0 yi
xi
yi
xi
= [xi ; xi +1
= [xi ; xi +1 ; xi +2
n 1
n 1
n yi = xyi +1 x yi = [xi ; xi +1 ; xi +2 ; : : : ; xi +n
i +n
i
Forma de Newton para o Polin^

omio Interpolador
Sejam os n +1 pontos (xi ; yi ), i = 0; 1; 2; : : : ; n, om xi distintos, tais que yi = p(xi ), sendo p(x ) um polinômio
de grau n. Pela deni ~ao de diferen as divididas, tem-se:
[x; x0 =
ou
0 p (x ) 0 p (x 0 ) p (x ) p (x 0 )
= x x
x x0
0
p(x ) = p(x0 ) + [x; x0 (x x0 ):
No entanto,
(4.4)
[x; x0 [x0 ; x1
! [x; x0 = [x0 ; x1 + [x; x0 ; x1 (x x1 ):
x x1
Substituindo esta equa ~ao em (4.4), tem-se:
[x; x0 ; x1 =
p(x ) = p(x0 ) + [x0 ; x1 (x x0 ) + [x; x0 ; x1 (x x0 )(x x1 ):
(4.5)
Contudo,
[x; x0 ; x1 ; x2 = [x; x0 ; x1x x[x0 ; x1 ; x2 ! [x; x0 ; x1 = [x0 ; x1 ; x2 + [x; x0 ; x1 ; x2 (x x2 ):
2
L. A. P. Cant~ao
37
CNC
Substituindo a equa ~ao a ima em (4.5), tem-se:

p(x ) = p(x0 ) + [x0 ; x1 (x x0 ) + [x0 ; x1 ; x2 (x x0 )(x x1 ) + [x; x0 ; x1 ; x2 (x x0 )(x x1 )(x x2 ):
(4.6)
Continuando o desenvolvimento de [x; x0 ; x1 ; x2 , hega-se a

p(x ) = p(x0 ) + [x0 ; x1 (x x0 ) + [x0 ; x1 ; x2 (x x0 )(x x1 )
+ [x0 ; x1 ; x2 ; x3 (x x0 )(x x1 )(x x2 ) + : : : +

+ [x0 ; x1 ; : : : ; xn (x x0 )(x x1 ) : : : (x xn 1 )+
+ [x; x0 ; x1 ; : : : ; xn (x x0 )(x x1 ) : : : (x xn )
Como p(x ) e um polinômio de grau n, [x; x0 ; x1 ; : : : ; xn = 0.
Tomando y0 = p(x0 ) e usando a nota ~ao de diferen as divididas om o operador , tem-se o polinômio de
Newton de grau n:
pn (x ) = y0 + y0 (x x0 ) + 2 y0 (x x0 )(x x1 ) + : : : + n y0 (x x0 )(x x1 ) : : : (x xn 1 ):
Exemplo 13. Use o polinômio de Newton para interpolar os pontos (1; 0), (2; 2), (4; 12) e (5; 20).
Organizando os al ulos atraves de uma tabela, temos:
i xi yi yi 2 yi 3 yi
0 1 0 2
1
0
1 2 2 5
1
2 4 12 8
3 5 20
Tabela 4.2: Tabela de Diferen as Divididas.
Es revendo o polinômio de Newton, temos:
p3 (x ) = y0 + y0 (x x0 ) + 2 y0 (x x0 )(x x1 ) + 3 y0 (x x0 )(x x1 )(x x2 )

= 0 + 2(x 1) + 1(x 1)(x 2) + 0(x 1)(x 2)(x 4)
= x (x 1)
Note que, neste exemplo, apesar de usarmos quatro pontos na interpola ~ao (portanto esperavamos obter um
polinômio de grau 3), o resultado foi um polinômio de grau 2. Isto se deve aos quatro pontos estarem sobre uma
parabola.
4.2 Quadrados Mnimos Lineares

O metodo dos Quadrados Mnimos e a te ni a de aproxima ~ao mais usada na analise numeri a e em problemas
prati os, pois forne e uma aproxima ~ao para dados que s~ao medidos om um erto grau de in erteza, bus ando
uma aproxima ~ao que minimiza os resduos.
Seja f (x ) uma fun ~ao que sera aproximada por g (x ). No aso dos quadrados mnimos lineares partimos da
hipotese de que temos alguma informa ~ao sobre o omportamento de g (x ).
Suponha que os dados s~ao aproximados por uma fun ~ao do tipo:
f (x ) ' g (x ) = 1 1 (x ) + 2 2 (x ) + : : : n n (x )
L. A. P. Cant~ao
(4.7)
38
CNC
onde as fun ~oes 1 (x ), 2 (x ), ..., n (x ) s~ao preestabele idas.

Para ada onjunto de oe ientes i , i = 1 : n, o resduo de (4.7), em xk , sera:
r (xk ) = f (xk ) g (xk )
= f (xk ) [ 1 1 (xk ) + 2 2 (xk ) + : : : n n (xk )
= r (xk ; 1 ; 2 ; : : : ; n ):
(4.8)
Assim, pre isamos determinar 1 , 2 , ..., n de maneira a melhorar a aproxima ~ao. A ideia do metodo dos
quadrados mnimos e a de minimizar a soma dos quadrados dos resduos, ou seja, minimizar:
m
X
i =1
r 2 (xi ) =
m
X
i =1
(f (xi ) g (xi ))2 ;
onde f (xi ), i = 1 : m, s~ao os dados que ser~ao aproximados.

Quando temos o aso de aproximar f (xk ), uma fun ~ao onhe ida para todo x , por uma express~ao mais simples
g (x ), o metodo dos quadrados mnimos minimiza:
Z b
a
r 2 (x ) dx =
Z b
a
(f (x ) g (x ))2 dx:
Deni ~ao 1. O produto es alar entre duas fun ~oes f (x ) e g (x ) e denido por:
< f;g
m
X
f (xi )g (xi ); no aso dis reto, isto e, se f (x ) e g (x )
i
=1
s~ao onhe idos em xi ; i = 1 : m:

>= Z b
f (x )g (x ) dx; no aso ontnuo, isto e, se f (x ) e g (x )
s~ao onhe idas e integraveis em (a; b):
(4.9)
Note que, (4.9) possui as seguintes propriedades:
1. < 1 g1 + 2 g2 ; h >= 1 < g1 ; h > +2 < g2 ; h > { Linearidade.

2. < f ; g >=< g; h > { Comutatividade.
3. < g; g > 0 e < g; g >= 0 , g 0 { Positividade.
Usando (4.9), minimizando < r; r >, que e uma fun ~ao de 1 , 2 , ... n .
Exemplo 14. Regress~ao Linear (quadrados mnimos om uma reta)
Dada uma tabela om m valores (xi ; f (xi )), i = 1 : m, queremos en ontrar a reta (f (x ) ' g (x ) = 1 1 (x ) +
2 2 (x )) que melhor ajusta esta tabela, no sentido dos quadrados mnimos. Tomando 1 (x ) = 1 e 2 (x ) = x ,
temos:
f (x ) ' g (x ) = 1 + 2 x:
O resduo para ada par ( 1 ; 2 ) e para ada x , sera r ( 1 ; 2 ; x ) = f (x )

quadrados mnimos devemos pro urar 1 e 2 que minimizem a fun ~ao:
< r; r > ( 1 ; 2 ) =< f (x ) 1 2 x; f (x ) 1 2 x >=
L. A. P. Cant~ao
m
X
i =1
1 2 x . Assim, pelo metodo dos
[f (xi ) 1 2 xi 2 :
39
CNC
Do Cal ulo Diferen ial sabemos que a ondi ~ao ne essaria do ponto rti o e que as derivadas nele se anulem,
isto e,

<
r;
r
>
=
1
2 < r; r >= 0;
ou ainda, pro edidas as repe tivas deriva ~oes om respeito a 1 e 2 em < r; r > temos:
m
X
i =1
m
X
2 (f (xi ) 1 2 xi ) = 0 e
i =1
2xi (f (xi ) 1 2 xi ) = 0
Estas duas equa ~oes formam um sistema linear nas in ognitas 1 e 2 , que pode ser rees rito na forma:
m 1 + 2
1
m
X
i =1
xi + 2
m
X
i =1
m
X
i =1
xi =
xi2 =
m
X
i =1
m
X
i =1
f (x i )
xi f (xi )
Para ilustrar este pro edimento, onsidere o ajuste da tabela abaixo por uma reta:
xi
0
0.25
0.5
0.75
1.0
f (xi ) 1.000 1.2840 1.6487 2.1170 2.7183
Tabela 4.3: Dados para ajuste de urva.
Usando os valores da tabela temos:
5
X
i =1
5
X
i =1
Assim, os valores de 1 e
5
X
x i = 2:5;
i =1
f (xi ) = 8:768
5
X
i =1
xi2 = 1:875
xi f (xi ) = 5:4514
2 da melhor reta (no sentido dos quadrados minmos) s~ao obtidos pelo sistema:
5 1 + 2:5 2 = 8:768
2:5 1 + 1:875 2 = 5:4514
Resolvendo o sistema, obtemos 1 = 0:89968 e 2 = 1:70784, ou seja g (x ) = 0:89968 + 1:70784x . Os valores de
g (xi ) e os respe tivos resduos est~ao na tabela abaixo.
xi
0
f (xi ) 1.000
g (xi ) 0.89968
r (xi ) 0.10032
0.25
1.2840
1.32664
0:04264
0.5
1.6487
1.7536
0:1049
0.75
1.0
2.1170
2.7183
2.18056 2.60752
0:06356 0.11078
Neste exemplo, a soma dos quadrados do resduo e:

5
X
i =1
L. A. P. Cant~ao
r 2 (xi ) = 0:039198
40
CNC
4.3 Interpola ~ao om Splines

Se a fun ~ao f (x ) esta tabelada em (n +1) pontos e a aproximarmos por um polinômio de grau n que a interpole
sobre os pontos tabelados, o resultado dessa aproxima ~ao pode ser ruim quando n res e.
Uma alternativa e interpolar f (x ) em grupos de pou os pontos, obtendo-se polinômio de grau menor e impor
ondi ~oes para que a fun ~ao de aproxima ~ao seja ontnua e tenha derivadas ontnuas ate uma erta ordem. Para
que isto a onte a, devemos respeitar as ondi ~oes da Deni ~ao 2.
Deni ~ao 2. Considere a fun ~ao f (x ) tabelada nos pontos x0 < x1 < : : : < xn . Uma fun ~ao Sp (x ) e denominada
spline interpolante de grau p om nos nos pontos xj ,
1. em ada subintervalo [xj ; xj +1 ,
j = 0; 1; : : : ; n, se satisfaz as seguintes ondi ~oes:
j = 0; 1; : : : ; (n 1), Sp (x ) e um polinômio de grau p;
2.
Sp (x ) e ontnua e tem derivada ontnua ate ordem (p 1) em [a; b.
3.
Sp (xj ) = f (xj ), j = 0; 1; : : : ; n.
A origem do nome spline vem de uma regua elasti a, usada em desenhos de engenharia, que pode ser urvada
de forma a passar por um dado onjunto de pontos (xj ; yj ), que tem o nome de spline. Sob ertas hipoteses (de
a ordo om a teoria da elasti idade) a urva denida pela regua pode ser des rita aproximadamente omo sendo
uma fun ~ao por partes, ada qual um polinômio ubi o, de tal forma que ela e suas duas primeiras derivadas s~ao
ontnuas sempre. A ter eira derivada, entretanto, pode ter des ontinuidades nos pontos xi . Esta fun ~ao e uma
spline ubi a interpolante om nos nos pontos xj , segundo a Deni ~ao 2.
Estudaremos aqui dois tipos de Interpola ~ao por Splines: Interpola ~ao por Spline Linear e Interpola ~ao por
Spline Cubi a.
4.3.1 Interpola ~ao por Spline Linear
A interpola ~ao por spline linear de f (x ), S (x ), nos pontos x1 ; x2 ; : : : ; xn pode ser es rito na forma de subintervalos [xj 1 ; xj , j = 1; : : : ; n omo:
Sj (x ) = f (xj 1 )
Assim:
xj x
x xj 1
xj xj 1 + f (xj ) xj xj 1 ;
8 x 2 [xj 1 ; xj :
1. S (x ) e um polinômio de grau 1 em ada subintervalo [xj 1 ; xj ;

2. S (x ) e ontnua em (xj 1; xj ) e nos pontos xj , uma vez que S (x ) esta bem denida, pois:
Sj (xj ) = Sj +1 (xj ) = f (xj ) =) S (x ) e ontnua em [a; b e, portanto, S (x ) e uma spline linear;
3. S (xj ) = Sj (xj ) = f (xj ) =) S (x ) e a interpola ~ao por spline linear de f (x ) nos pontos x0 ; x1 ; : : : ; xn .
Exemplo 15. A har a fun ~ao de interpola ~ao por spline linear de:
1.0 2.0 5.0 7.0

xi
f (xi ) 1.0 2.0 3.0 2.5
De a ordo om a deni ~ao:
L. A. P. Cant~ao
41
CNC
x1 x
+ f (x1 ) xx1 xx0
x1 x0
0
2
x
x 1
12 1
+
22 1
= 2 x + 2x 2 = x x 2 [1; 2
S1 (x ) = f (x0 )
x2 x
+ f (x2 ) xx
x2 x1
2
5
x
x
25 2
+
35
S2 (x ) = f (x1 )
x x
x
S3 (x ) = f (x2 ) x 3 x 2 + f (x3 ) x
3
3
x
7
x
+ 2:5 7
=
37 5
ou ainda,
S (x ) =
2
2
x1
x1
= 32 (5 x ) + x 2 = 31 (x + 4) x 2 [2; 5
x2
x2
5 = 1 ( 0:5x + 8:5) ; x 2 [5; 7
5
2
x
se x 2 [1; 2
1
se x 2 [2; 5
3 (x + 4)
1 ( 0:5x + 8:5) se x 2 [5; 7
2
4.3.2 Interpola ~ao por Spline C

ubi o
A spline linear apresenta a desvantagem de ter derivada primeira des ontnua nos pontos xj , j = 1; 2; : : : ; n.
Se usarmos splines quadrati as, teremos que S2 (x ) tem derivadas ontnuas ate a ordem 1 apenas e, portanto, a
urvatura de S2 (x ) pode tro ar nos pontos xj . Por esta raz~ao, as splines ubi as s~ao mais usadas.
Deni ~ao 3. Dada uma fun ~ao f (x ) denida em [a; b e um onjunto de nos a = x0 < x1 < : : : < xn = b, um
spline ubi o interpolador S (x ) para f e uma fun ~ao que satisfaz as seguintes ondi ~oes:
1.
S (x ) e um polinômio ubi o, indi ado por Sj (x ), no intervalo [xj ; xj +1 para ada j = 0; 1; : : : ; (n 1);
2.
S (xj ) = f (xj ) para ada j = 0; 1; : : : ; n;
3.
Sj +1 (xj +1 ) = Sj (xj +1) para ada j = 0; 1; : : : ; (n 2);
4.
Sj0+1 (xj +1 ) = Sj0 (xj +1) para ada j = 0; 1; : : : ; (n 2);
5.
Sj00+1 (xj +1 ) = Sj00 (xj +1) para ada j = 0; 1; : : : ; (n 2);
6. Um dos seguintes onjuntos de ondi ~oes de ontorno e satisfeito:
S 00(x0 ) = S 00 (xn ) = 0 ( ondi ~ao de ontorno livre ou natural);

(b) S 0 (x0 ) = f 0 (x0 ) e S 0 (xn ) = f 0 (xn ) ( ontorno restrito).
(a)
Para se onstruir o spline ubi o interpolador para uma fun ~ao dada, as ondi ~oes indi adas na deni ~ao s~ao
apli adas aos polinômios ubi os
Sj (x ) = aj + bj (x xj ) + j (x xj )2 + dj (x xj )3
L. A. P. Cant~ao
42
CNC
para ada j = 0; 1; : : : ; (n 1) ( ondi ~ao (1)).

Da ondi ~ao (2), temos:
Sj (xj ) = aj + bj (xj xj ) + j (xj xj )2 + dj (xj xj )3
= aj
Sj (xj ) = aj = f (xj );
apli ando a ondi ~ao (3),

aj +1 = Sj +1 (xj +1 ) = Sj (xj +1) = aj + bj (xj +1 xj ) + j (xj +1 xj )2 + dj (xj +1 xj )3
para ada j = 0; 1; : : : ; (n 2).

Denotando hj = xj +1 xj , simpli amos a nota ~ao para ada j = 0; 1; : : : ; (n 1). Se denirmos an = f (xn ),
ent~ao a equa ~ao:
aj +1 = aj + bj hj + j hj2 + dj hj3
(4.10)
e valida para ada j = 0; 1; 2; : : : ; (n 1).
Tomando Sj0 (x ), temos:
Sj0 (x ) = bj + 2 j (x xj ) + 3dj (x xj )2
impli a que:
Sj0 (xj ) = bj + 2 j (xj xj ) + 3dj (xj xj )2 =) Sj0 (xj ) = bj
para ada j = 0; 1; 2; : : : ; (n 1). Apli ando a ondi ~ao (4) , temos:

bj +1 = bj + 2 j hj + 3dj hj2
(4.11)
para ada j = 0; 1; 2; : : : ; (n 1).

Sendo Sj00 (x ) = 2 j + 6dj (x xj ),
Sj00(xj ) = 2 j + 6dj (xj xj )
= 2 j
00
Sj (xj )
= j
2
Apli ando na ondi ~ao (5), para ada j = 0; 1; : : : ; (n 1),

2 j +1 = 2 j + 6dj hj
j +1 = j + 3dj hj
Isolando dj :
j +1 j
3hj
Substituindo a equa ~ao (4.12) nas equa ~oes (4.10) e (4.11), respe tivamente, temos:
dj =
aj +1
L. A. P. Cant~ao
= aj + bj hj + j hj + j +13h j hj3
j

j 2
j
+1
hj
= aj + bj hj + j hj2 +
3
2
(4.12)
(4.13)
43
CNC
j +1 j 2
hj
3hj
= bj + 2 j hj + ( j +1 j ) hj
bj +1 = bj + 2 j hj + 3
(4.14)
= bj + ( j +1 + j )hj
Resolvendo a equa ~ao (4.13) para bj , temos:

aj +1 = aj + bj hj + j hj + j +13h j hj3
j
hj2
bj hj = (aj +1 aj )
3 (2 j + j +1)
1 (a
hj
bj =
j +1 aj )
h
3 (2 j + j +1)
2
(4.15)
Reduzindo os ndi es para bj 1 :

bj
= h 1 (aj aj 1 ) hj3 1 (2 j 1 + j )
j 1
Substituindo esses valores na equa ~ao (4.14), om os ndi es reduzidos, temos o sistema linear de equa ~oes:
bj = bj 1 + ( j + j 1 )hj 1
1
hj
hj 1
1
hj (aj +1 aj ) 3 (2 j + j +1) = hj 1 (aj aj 1) 3 (2 j 1 + j ) + ( j + j 1)hj
3
3
hj 1 j 1 + 2 j (hj 1 + hj ) + hj j +1 = h (aj +1 aj ) h (aj aj 1)
j
j 1
(4.16)
para ada j = 1; 2; : : : ; (n 1). Esse sistema envolve apenas f j gnj=0 omo in ognitas, na medida em que os valores
de fhj gnj =01 e faj gnj=0 s~ao dados, respe tivamente, pelo espa amento dos nos fxj gnj=0 e os valores de f nos nos.
Note que, uma vez que os valores de f j gnj=0 s~ao determinados, essa e uma maneira simples de en ontrar as
onstantes fbj gnj =01 remanes entes na equa ~ao (4.15) e fdj gnj=0 da equa ~ao (4.12), e de se onstruir os polinômios
ubi os fSj (x )gnj =01 .
A quest~ao maior que a em rela ~ao a essa onstru ~ao e se os valores de f j gnj=0 podem ser en ontrados
utilizando-se o sistema de equa ~oes (4.16) e, se a resposta for positiva, se esses valores s~ao uni os. Os teoremas
a seguir indi am esse e o aso quando qualquer das ondi ~oes de ontorno dadas na parte (6) da Deni ~ao 3 e
imposta.
Teorema 4. Se f e denida em a = x0 < x1 < : : : < xn = b, ent~ao f tem um uni o spline interpolador natural
(ou livre) S nos nos x0 ; x1 ; : : : ; xn ; isto e, um spline interpolador que satisfaz as ondi ~oes de ontorno S 00 (a) = 0
e S 00 (b) = 0.
Prova 2. As ondi ~oes de ontorno nesse aso impli am que n = S 00 (xn )=2 = 0 e que:
0 = S 00 (x0 ) = 2 0 + 6d0 (x0 x0 );

e portanto 0 = 0.
As duas ondi ~oes 0 = 0 e n
L. A. P. Cant~ao
= 0, juntamente om as equa ~oes (4.16), produzem um sistema linear des rito
44
CNC
pela equa ~ao vetorial Ax = b, onde A e uma matriz (n + 1) (n + 1):
A=
1
0
0

..
.
h0 2(h0 + h1 )
h1
0
h1
2(h1 + h2 ) h2
..
.
..
.
..
..
..
..
..

..
..
..
..
.
..
.
..
.
.
.
.
hn 2 2(hn 2 + hn 1 ) hn 1
0
0
1
e b e x s~ao os vetores:
h1 (a2
b=
3 (an an
h 1
a1 )
h0 (a1
a0 )
..
.
1
(an
an 2 )
0
1
x= .
:
.
.
A matriz A e diagonalmente dominante, e portanto, tem solu ~ao uni a para 0 ; 1 ; : : : ; n .
Teorema 5. Se f e denida em a = x0 < x1 < : : : < xn = b, e diferen iavel em a e b, ent~ao f tem um spline
interpolador restrito S nos nos
S 0 (a ) = f 0 (a ) e S 0 (b ) = f 0 (b ).
x0 ; x1 ; : : : ; xn ; isto e, um spline interpolador que satisfaz as ondi ~oes de ontorno
Prova 3. Como f 0 (a) = S 0 (a) = S 0 (x0 ) = b0 , apli ando-se a equa ~ao (4.15), om j = 0, temos:
1 (a a ) h0 (2 + )
h0 1 0
3 0 1
3f 0(a) = h3 (a1 a0 ) h0 (2 0 + 1 )
0
3
2h0 0 + h0 1 = h (a1 a0 ) 3f 0 (a)
f 0 (a ) =
Do mesmo modo (equa ~ao (4.14)):
f 0 (b) = bn = bn 1 + hn 1 ( n 1 + n )
de maneira que a equa ~ao (4.15) nos permite dizer que j
= n 1 impli a que:
an an 1 hn 1
hn 1
3 (2 n 1 + n ) + hn 1 ( n 1 + n )
h
a a
f 0 (b) = n h n 1 + n3 1 ( n 1 + 2 n )
n 1
3f 0 (b) = h 3 (an an 1 ) + hn 1 ( n 1 + 2 n )
n 1
3
hn 1 n 1 + 2hn 1 n = 3f 0 (b) h (an an 1 )
n 1
f 0 (b ) =
L. A. P. Cant~ao
45
CNC
A equa ~ao (4.16), juntamente om as equa ~oes:
2h0 0 + h0 1 = h3 (a1 a0 ) 3f 0 (a)

0
3
hn 1 n 1 + 2hn 1 n = 3f 0(b) h (an an 1 )
n 1
determinam o sistema linear Ax = b, onde
A=
2h 0
h0
0

..
.
h0 2(h0 + h1 )
h1
0
h1
2(h1 + h2 ) h2
..
.
..
.
..
..
..
..
..

..
..
..
0
..
.
..
.
..
.
.
.
.
hn 2 2(hn 2 + hn 1 ) hn 1
0
hn 1
2h n 1
e b e x s~ao os vetores:
a0 ) 3f 0 (a)
h0 (a1
3
h1 (a2
b=
3
h (an an
1
a1 )
h0 (a1
a0 )
..
.
1
3f 0 (b )
(an
an 2 )
(an an 1 )
0
1
x= .
:
.
.
A matriz A e diagonalmente dominante, e portanto, tem solu ~ao uni a para 0 ; 1 ; : : : ; n .

Exemplo 16. Construa os splines ubi os naturais, om S 00 (x0 ) = S 00 (xn ) = 0, para:
0.1
0:62049958
0.2
0.3
0.4
0:28398668 0:00660095 0:2484244
Como os intervalos est~ao igualmente espa ados, hj = 0:1, para j = 0; 1; 2; 3. Assim,
xi
yi
usando o Teorema 4,
temos o seguinte sistema tridiagonal linear:
1
0:1
0
0
0
0:4
0:1
0
0
0:1
0:4
0
0
0
0:1
1
0
1
2
3
0
1:377581
1:4629254
0
Resolvendo o sistema a ima, temos T = [0; 2:698738; 2:982629; 0T .

Como aj = f (xj ), para j = 0; 1; 2; 3, podemos determinar bj e dj , para j = 0; 1; 2 usando as equa ~oes (4.15) e
(4.12), respe tivamente, omo mostra a Tabela 16.
A partir da Tabela 16, podemos montar a fun ~ao spline:
S (x ) =
0:62049958 + 3:4550869(x 0:1) 8:9957933(x 0:1)3

0:28398668 + 3:1852131(x 0:2) 2:698738(x 0:2)2 0:9463033(x 0:2)3
0:00660095 + 2:6170764(x 0:3) 2:982629(x 0:3)2 + 9:9420967(x 0:3)3
L. A. P. Cant~ao
x 2 [0:1; 0:2)
x 2 [0:2; 0:3)
x 2 [0:3; 0:4
46
CNC
aj
0:62049958
0:28398668
0:00660095
0:24842440
Tabela 4.4:
bj
j
dj
3:4550869
0
8:9957933
3:1852131 2:698738 0:9463033
2:6170764 2:982629 9:9420967
|
0
|
Coe ientes para os splines naturais.
Exemplo 17. Construa os splines ubi os restritos, om f 0 (0:1) = 3:58502082 e f 0 (0:4) = 2:16529366, para os
dados do exemplo anterior.

Como os intervalos est~ao igualmente espa ados, hj
temos o seguinte sistema tridiagonal linear:
0:2
0:1
0
0
0:1
0:4
0:1
0
0
0:1
0:4
0:1
0
0
0:1
0:2
= 0:1,
0
1
2
3
para
j = 0; 1; 2; 3. Assim, usando o Teorema 5,
0:6596755
1:377581
1:4629254
0:7588225
Resolvendo o sistema a ima, temos T = [ 2:1498408; 2:29703; 2:4394481; 2:5743885T .

Como aj = f (xj ), para j = 0; 1; 2; 3, podemos determinar bj e dj , para j = 0; 1; 2 usando as equa ~oes (4.15) e
(4.12), respe tivamente, omo mostra a Tabela 17.
bj
j
dj
aj
0:62049958 3:5850208 2:1498408 0:4907741
2:297073
0:4745836
0:28398668 3:1403294
0:00660095 2:6666773 2:4394481 0:4498015
|
2:5743885
|
0:24842440
Tabela 4.5: Coe ientes para os splines restrito.
A partir da Tabela 17, podemos montar a fun ~ao spline:
S (x ) =
0:62049958 + 3:5850208(x 0:1) 2:1498408(x 0:1)2 0:4907741(x 0:1)3

0:28398668 + 3:1403294(x 0:2) 2:297073(x 0:2)2 0:4745836(x 0:2)3
0:00660095 + 2:6666773(x 0:3) 2:4394481(x 0:3)2 0:4498015(x 0:3)3
x 2 [0:1; 0:2)
x 2 [0:2; 0:3)
x 2 [0:3; 0:4
4.4 Exer ios

1. Obtenha o polinômio interpolador de Lagrange e Newton para as seguintes fun ~oes :
(a)
(b)
( )
(d)
f (x ) = e2x os 3x , x0 = 0, x1 = 0:3 e x2 = 0:6, n = 2;

f (x ) = sen(ln x ), x0 = 2:0, x1 = 2:4 x2 = 2:6, n = 2;
f (x ) = ln x , x0 = 1, x1 = 1:1, x2 = 1:3 e x3 = 1:4, n = 3;
f (x ) = os x + sen x , x0 = 0, x1 = 0:25, x2 = 0:5 e x3 = 1:0, n = 3.
2. Utilize o polinômio interpolador de Lagrange e de Newton de grau 1, 2 e 3 para aproximar ada um dos
seguintes items:
(a) f (8:4) se f (8:1) = 16:94410, f (8:3) = 17:56492, f (8:6) = 18:50515 e f (8:7) = 1882091;
(b) f ( 31 ) se f ( 0:75) = 0:07181250, f ( 0:5) = 0:02475000, f ( 0:25) = 0:33493750 e f (0) =
1:10100000;
L. A. P. Cant~ao
47
CNC
( ) f (0:25) se f (0:1) = 0:62049958, f (0:2) = 0:28398668, f (0:3) = 0:00660095 e f (0:4) = 0:24842440;

(d) f (0:9) se f (0:6) = 0:17694460, f (0:7) = 0:01375227, f (0:8) = 0:22363362 e f (1:0) = 0:65809197.
3. Seja p3 (x ) o polinômio interpolador para os dados (0; 0), (0:5; y ), (1; 3) e (2; 2). En ontre y para o aso
em que o oe iente de x 3 em P3 (x ) e 6 (use o polinômio interpolador de Lagrange).
4. Utilize os seguintes valores e aritmeti a om arredondamento de quatro dgitos para obter uma aproxima ~ao
para f (1:09), utilizando um polinômio de Lagrange e um de Newton de 3 grau. A fun ~ao que sera aproximada
e f (x ) = log10 (tg x ). Utilize esse onhe imento para en ontrar um limite para o erro na aproxima ~ao:
f (1:00) = 0:1924 f (1:05) = 0:2414 f (1:10) = 0:2933 f (1:15) = 0:3492
5. Apresentando os dados
xi
yi
4.0
4.2
4.5
4.7
5.1
5.5
5.9
6.3
6.8
7.1
102.56 113.18 130.11 142.05 167.53 195.14 224.87 256.73 299.50 326.72
(a) Construa o polinômio de quadrados mnimos de grau 1 e al ule o erro.

(b) Construa o polinômio de quadrados mnimos de grau 2 e al ule o erro.
Resposta:
(a) y = 72:0845x 194:138, (b) y = 6:61821x 2 1:14352x + 1:23556.
6. Repita o exer io anterior para os seguintes dados:

xi
yi
0.2
0.3
0.6
0.9
1.1
1.3
1.4
1.6
0.050446 0.098426 0.33277 0.72660 1.0972 1.5697 1.8487 2.5015
7. En ontre os polinômios de quadrados mnimos de graus 1, 2 e 3 para os dados apresentados na tabela abaixo.
Cal ule o resduo para ada aso (erro).
xi
yi
1.0 1.1 1.3 1.5 1.9 2.1

1.84 1.96 2.21 2.45 2.94 3.18
y1 = 0:620895 + 1:219621x , y2 = 0:5965807 + 1:253293x 0:01085343x 2 e y3 = 0:6290193 +

1:18501x + 0:03533252x 2 0:01004723x 3.
Resposta:
8. Transforme os modelos abaixo em rela ~oes lineares:

a
(a) y = b + x
(b) y = abx
a
( ) y = b + x
1
(d) y = 1 + ebx
9. Suponha que num laboratorio obtivemos experimentalmente os seguintes valores para f (x ) sobre os pontos
xi , i = 1 : 8:
xi
1:0
0:7
0:4
0:1 0:2
0:5
0:8
1:0
f (xi ) 36:547 17:264 8:155 3:852 1:820 0:860 0:406 0:246
(a) Fa a o diagrama da dispers~ao dos dados;

(b) Ajuste os dados, usando o Metodo dos Quadrados Mnimos, para a fun ~ao y = 1 e
( ) Cal ule o resduo da sua aproxima ~ao.
L. A. P. Cant~ao
2 x ;
48
CNC
x
y
Resposta:
y = 3:001 e
2:5x
8 6
30 10
4
9
2 0 2 4
6 5 4 4
10. Ajuste os dados:

1
(a) usando a aproxima ~ao y = ( + x ) . Fa a o gra o para 1=y e verique que esta aproxima ~ao e
0
1
viavel;
(b) idem para y = abx ;
( ) ompare os resultados (a) e (b).
1
x
Resposta: (a) y =
0:195 + 0:0185x , (b) y = 5:5199(0:8597) .
11. O numero de ba terias, por unidade de volume, existente em uma ultura apos x horas e apresentado na
tabela:
5
6
n de horas (x ) 0 1 2 3 4
n de ba terias por vol. unitario (y ) 32 47 65 92 132 190 275

(a) Verique que uma urva para se ajustar ao diagrama de dispers~ao e do tipo exponen ial;
(b) Ajuste aos dados as urvas y = abx e y = ax b ; ompare os valores obtidos por meio destas equa ~oes
om os dados experimentais;
Resposta: y = 32:14685(1:42696)x e y = 38:83871x 0:963 .
( ) Avalie da melhor forma o valor de y (x ) para x = 7.
12. Determine o spline ubi o livre S que interpole os dados f (0) = 0, f (1) = 1 e f (2) = 2.
Resposta: S (x ) = x , em [0; 2.
13. Determine o spline ubi o restrito S que interpole os dados f (0) = 0, f (1) = 1 e f (2) = 2 e satisfaz
s 0 (0) = s 0 (2) = 1.
14. Construa os splines ubi os livres para os dados que se seguem.
(a) f (8:3) = 17:56492 e f (8:6) = 18:50515;
(b) f (0:8) = 0:22363362 e f (1:0) = 0:65809197;
( ) f ( 0:5) = 0:02475, f (0:25) = 0:3349375 e f (0) = 1:101
15. Os dados no Exer io a ima (14) foram gerados utilizando-se as fun ~oes a seguir. Use os splines ubi os
onstrudos para os valores dados de x , para aproximar f (x ) e f 0 (x ), e al ule o erro absoluto.
(a) f (x ) = x ln x ; aproxime f (0:84) e f 0(0:84);
(b) f (x ) = sen(ex 2); aproxime f (0:9) e f 0 (0:9);
( ) f (x ) = x 3 + 4:001x 2 + 4:002x + 1:101; aproxime f ( 1=3) e f 0 (1=3);
16. Construa os splines ubi os restritos utilizando os dados do Exer io (14) e o fato de que:
(a) f 0(8:3) = 1:116256 e f 0(8:6) = 1:151762;
L. A. P. Cant~ao
49

(b)
( )
CNC
f 0(0:8) = 2:1691753 e f 0 (1:0) = 2:0466965;

f 0( 0:5) = 0:751 e f 0 (0) = 4:002;
17. Repita o Exer io (15) utilizando os splines gerados no Exer io (16).

18. Um spline ubi o natural S em [0; 2 e denido por:
S (x ) =
S0 (x ) = 1 + 2x x 3
S1 (x ) = 2 + b(x 1) + (x 1)2 + d (x 1)3
se 0 x < 1
se 1 x 2
En ontre b, e d .
Resposta: b = 1, = 3 e d = 1.
19. Um spline ubi o restrito S para uma fun ~ao f e denido em [1; 3 por:
S (x ) =
S0 (x ) = 3(x 1) + 2(x 1)2 (x 1)3

S1 (x ) = a + b(x 2) + (x 2)2 + d (x 2)3
se 1 x < 2
se 2 x 3
Dados f 0 (1) = f 0 (3), en ontre a, b, e d .

20. Construa um spline ubi o livre para aproximar f (x ) = os(x ) utilizando os valores
dados por f (x ) em
R1
x = 0; 0:25; 0:5; 0:75; 1:0. Integre o spline em [0; 1 e ompare o resultado om 0 os(x ) dx = 0. Use as
derivadas do spline para aproximar f 0 (0:5) e f 00(0:5). Compare essas aproxima ~oes om os resultados reais.
21. Repita o exer io a ima, onstruindo desta vez um spline ubi o restrito om f 0(0) = f 0 (1) = 0.
22. Dada a parti ~ao x0 =R 0, x1 = 0:05 eR x2 = 0:1 de [0; 0:1, en ontre a fun ~ao interpoladora linear para
f (x ) = e2x . Aproxime 00:1 e2x dx om 00:1 S (x ) dx , e ompare os resultados om os valores reais.
L. A. P. Cant~ao
50
CAPITULO
Integra ~ao Numeri a

Introdu ~ao
Isto e: por que n~ao restringir o al ulo de integrais ao uso das te ni as de
integra ~ao estudadas no Cal ulo Diferen ial e Integral ? A resposta para essa quest~ao tem por base dois fatos:
Por que Integra ~ao Numeri a ?
1. Geralmente em problemas envolvendo o al ulo de integrais n~ao se onhe e a express~ao analti a da fun ~ao
integrando, somente os valores dessa fun ~ao, o que inviabiliza o uso das te ni as integra ~ao do Cal ulo, mas
que s~ao os dados ne essarios para a integra ~ao numeri a;
2. Mesmo quando se onhe e a express~ao analti a da fun ~ao integrando, o al ulo da fun ~ao primitiva pode
ser trabalhoso e nem sempre simples. Por exemplo, a integral
Z
x2
dx
resulta em uma fun ~ao que n~ao pode ser expressa em termos de ombina ~oes nitas de outras fun ~oes
algebri as, logartmi as ou exponen iais.
A ideia basi a da integra ~ao numeri a reside na aproxima ~ao da fun ~ao integrando por um polinômio. As
formulas de integra ~ao s~ao somatorios ujas par elas s~ao valores da fun ~ao f (x ) al ulados em pontos e multipli ados por pesos onvenientemente es olhidos. Assim, vamos pro urar desenvolver formulas de integra ~ao do
tipo:
Z b
n
X

(5.1)
f (x ) dx = wi f (xi );
a
i =0
onde a x0 < x1 < < xn b s~ao hamados pontos de integra ~ao e wi s~ao os pesos da formula de integra ~ao.
5.1 Formula de Newton-Cotes

Neste aso, os pontos de integra ~ao s~ao igualmente espa ados em (a; b), tal que h = b n a , onde n e um
numero inteiro. Os pontos de integra ~ao (para este aso) s~ao:
xj = a + jh j = 0 : n:
Captulo 5. Integra ~ao Numeri a
CNC
Considere agora o polinômio de Lagrange de grau n que interpola os (n + 1) pontos (xi ; f (xi )), i = 0 : n
pn (x ) =
n
X
i =0
f (xi )li (x ):
Integrando esta ultima express~ao no intervalo (a; b), temos:

Z b
a
f (x ) l (x ) dx =
n
X
i =0
f (xi )
Z b
a
li (x ) dx:
Assim, de (5.1), o al ulo de wi e obtido pela integra ~ao de li (x ), isto e:
wi =
Z b
a
li (x ) dx =
(x x0 ) : : : (x xi 1 )(x xi +1 ) : : : (x xn )
(xi x0 ) : : : (xi xi 1 )(xi xi +1 ) : : : (xi xn ) dx:
Z b
a
(5.2)
Atraves da equa ~ao (5.2) podemos obter formulas do tipo Newton-Cotes para polinômios de qualquer grau.
5.1.1
F
ormula dos Trapezios: n = 1
A formula dos trapezios orresponde a interpola ~ao da fun ~ao a ser integrada por um polinômio de grau n = 1.
Como a interpola ~ao linear pede 2 pontos, tomaremos os extremos do intervalo de integra ~ao, isto e, a = x0 e
b = x1 .
A express~ao (5.2) nos permite en ontrar os pesos da regra dos trapezios:
w0 =
w1 =
Z x1
x0
(x x1 )
(x0 x1 ) dx =
1 Z x (x x ) dx =
1
h x
Z x1
(x x0 )
(x1 x0 ) dx =
1 Z x (x x ) dx
0
h x
x0
(x x1 )2 x =x = h
2h x =x
2
(x x0 )2 x =x = h
2h x =x
2
Com isso, podemos estabele er a formula dos trapezios para a integra ~ao no intervalo (x0 ; x1 ):
Z x1
x0
h
f (x ) dx = [f (x0 ) + f (x1 ) :
2
(5.3)
5.1.2 F
ormula de Simpson: n = 2
Para estabele er a formula de Simpson, interpolamos f (x ) usando um polinômio de grau 2 que oin ide om
essa fun ~ao nos pontos x0 , x1 e x2 . Assim, tomamos n = 2, x0 = a, x1 = (a +2 b) e x2 = b em (5.2). Integrando
os polinômios de grau 2, estabele emos os pesos da formula de Simpson:
L. A. P. Cant~ao
w0 =
Z x2
x0
h
(x x1 )(x x2 )
(x0 x1 )(x0 x2 ) dx = 3
w1 =
Z x2
x0
(x x0 )(x x2 ) dx = 4h
(x1 x0 )(x1 x2 )
3
w2 =
Z x2
(x x0 )(x x1 )
h
(x2 x0 )(x2 x1 ) dx = 3
x0
52
CNC
O al ulo das integrais a ima podem ser simpli ados lembrando que:
x1 x0 = h; x2 x1 = h; x2 x0 = 2h
e usando a substitui ~ao de variaveis t = x x1 e portanto t + h = x x1 + h = x x0 , t h = x x1 h = x x2 .

Por exemplo, fazendo estas substitui ~oes no al ulo do peso w0 temos:
w0 =
Z x1
x0
(x x1 )(x x2 )
(x0 x1 )(x0 x2 ) dx =
t (t h )
h
dt
=
2
3
h 2h
Z h
Dessa maneira, usando polinômios interpoladores de grau 2, estabele emos a formula de Simpson:
Z x2
x0
f (x ) dx =
y
y
h
3 [f (x0 ) + 4f (x1 ) + f (x2 ) :

f (x )
= p (x )
(5.4)
Figura 5.1: Aproxima ~ao de integral por trapezio e Simpson.

A Figura 5.1(a) mostra a area sob a urva aproximada pela area do trapezio e a Figura 5.1(b), a area sob a
parabola que passa pelos pontos (x0 ; f (x0 )), (x1 ; f (x1 )) e (x2 ; f (x2 )).
5.1.3 F
ormulas de Newton-Cotes para n = 3 e n = 4
n=3
Z x3
x0
n=4
Z x4
x0
3h [f (x ) + 3f (x ) + 3f (x ) + f (x )
0
1
2
3
8
(5.5)
2h [7f (x ) + 32f (x ) + 12f (x ) + 32f (x ) + 7f (x )

0
1
2
3
4
45
(5.6)
f (x ) l (x ) dx =
f (x ) l (x ) dx =
Exemplo 18. Sabemos que
ln 2 =
1 dx 0:69314718:
x =
Use as formulas de Newton-Cotes apresentadas (formulas (5.3), (5.4), (5.5) e (5.6)) para obter aproxima ~oes
para ln 2. Cal ule o erro absoluto de ada aproxima ~ao.
L. A. P. Cant~ao
53
CNC
5.2 Formulas Repetidas

Divida o intervalo de integra ~ao [a; b em n subintervalos de igual omprimento h = (b n a) . Sejam x0 = a,
xi = xi 1 + h e xn = b. Podemos apli ar a regra dos trapezios para ada um dos subintervalos. Assim, lembrando
que xi xi 1 = h, e as propriedades de integrais, temos:
Z b
a
Z x1
f (x ) dx =
x0
f (x ) dx +
Z x2
x1
f (x ) dx +
Z x3
x2
f (x ) dx : : : +
Z x
x
f (x ) dx
h
2 [f (x0 ) + 2f (x1 ) + 2f (x2 ) : : : + 2f (xn 1 ) + f (xn ) :

=

(5.7)
Se optarmos por apli ar a formula de Simpson repetida, devemos repartir o intervalo num numero par de
subintervalos, uma vez que ada parabola requer três pontos de interpola ~ao. Assim, se n e um numero par:
Z b
a
Z x2
f (x ) dx =
x0
f (x ) dx +
Z x4
x2
f (x ) dx + : : : +
Z x
x
f (x ) dx
h
3 [f (x0 ) + 4f (x1 ) + 2f (x2 ) + 4f (x3 ) + : : : + 2f (xn 2 ) + 4f (xn 1 ) + f (xn )

h
= 3 ff (x0 ) + 4 [f (x1 ) + f (x3 ) + : : : f (xn 1 ) +
2 [f (x2 ) + f (x4 ) + : : : + f (xn 2 ) + f (xn )g
(5.8)
Exemplo 19. Ainda al ulando aproxima ~oes para ln 2, aplique as formulas (5.7) e (5.8) no intervalo [1; 2 e
h = 0:25. Cal ule o erro absoluto para ada aproxima ~ao.
5.3 Integra ~ao de Romberg

As formulas de Newton-Cotes podem ser ombinadas de modo a melhorar a aproxima ~ao da integra ~ao
numeri a. Uma te ni a e iente para estabele er esta ombina ~ao e atraves da integra ~ao de Romberg, que
e baseada na extrapola ~ao de Ri hardson.
5.3.1 Extrapola ~ao de Ri hardson
Ini ialmente, seja g uma fun ~ao om derivadas de todas as ordens em algum intervalo ontendo x0 omo um
ponto interior. Ent~ao a expans~ao da serie de Taylor gerada por g em x = x0 e:
g (x ) =
1 g (k ) (x )
X
0
k =0
k!
(x x0 )k
g (x0 ) + g 0 (x0 )(x
g n (x 0 )
g 00 (x0 )
(
x x0 )2 + : : : +
(x x0 )n + : : :
x0 ) +
2!
n!
(5.9)
Seja g (0) um valor a ser al ulado, e g (h) sua aproxima ~ao, al ulada em fun ~ao do parâmetro h (isto e,
h = x x0 ). Usando a equa ~ao (5.9) em torno de zero, de g (h) e g (h=2), teremos, respe tivamente:
h2
h3
g (h) = g (0) + g 0 (0)h + g 00 (0) 2 + g 000(0) 3! + : : :
h
g 2

L. A. P. Cant~ao
2
h3
= g (0) + g 0 (0) h2 + g 00 (0) h8 + g 000(0) 48
+:::
54
CNC
Tomando os dois primeiros termos do lado direito destas duas express~oes, vemos que g (h) e g (h=2) s~ao
aproxima ~oes para g (0). Combinando onvenientemente estes dois somatorios denimos uma aproxima ~ao mais
pre isa:

h
1 21 g h
g 1 (h ) = 2g
g
(
h
)
=
g
(
h
)
2
21 1
2
=
2g (0) + 2g 0(0) h
+ 2g 00(0) h
h
g (0) + g 0 (0)h + g 00 (0)
+ 2g 000(0) h
48 + : : :
+ g 000(0) h
3
2
6 =
2
h3
+:::
= g (0) g 00 (0) h4 3g 000(0) 24
Se g1 (h) for usada para al ular g (0), ent~ao este sera mais pre iso. Repetindo a ideia, tomamos agora g1 (h)
e g1 (h=2) para denir outra aproxima ~ao g2 (h). Sejam:
h2
g1 (h) = g (0) g 00 (0) 4
g1
h
2

h3
3g 000(0) 24
+:::
h2
h3
= g (0) g 00 (0) 16
3g 000(0) 192
+:::
Subtraindo a primeira equa ~ao da segunda, multipli ada por 4, teremos:

h
4g 1 2

Dessa maneira:
h3
g1 (h) = 3g (0) + 3g 000(0) 48 + : : :
h
1
g 2 (h ) = 3 4g 1 2

1
h
g1 (h) = 22 1 22 g1 2

g1 (h)
(5.10)
3
h
= g (0) + g 000(0) 48 + : : :
Em resumo, a ideia e apli ar su essivamente ombina ~oes de aproxima ~oes para melhorar a aproxima ~ao nal.
Pode-se veri ar que a express~ao generi a do n-esimo estagio deste pro edimento e:
gn (h) =
2n gn 1 (h=2) gn 1 (h) = 1 2n g
n
2n 1
2n 1

h
2

g n 1 (h )
(5.11)
5.3.2 Integra ~ao de Romberg
Chamemos I1 (h) e I1 (h=2) os resultados obtidos pela regra dos trapezios tomando 2h e h, respe tivamente,
em (x0 ; x2 ), omo ilustra a Figura 5.2.
h
h
x
Figura 5.2: Intervalo (x0 ; x2 ).
L. A. P. Cant~ao
55
CNC
Apli ando a formula dos trapezios simples e repitida temos:

2h
I1 (h) = [f (x0 ) + f (x2 )
2
e I1 h2 = h2 [f (x0 ) + 2f (x1 ) + f (x2 ) :

Usando a formula de extrapola ~ao (5.10), temos:

h
1
I1 (h)
I2 (h) = 3 4I1 2

1 4h
= 3 2 [f (x0 ) + 2f (x1 ) + f (x2 ) h [f (x0 ) + f (x2 )
= h3 [f (x0 ) + 4f (x1 ) + f (x2 )
Note que, a express~ao de I2 (h) orresponde a formula de Simpson apli ada no intervalo (x0 ; x2 ), que e uma
aproxima ~ao melhor do que a formula do Trapezio. Se quisermos uma aproxima ~ao melhor, podemos usar a formula
geral (5.11).

Exemplo 20. Cal ule a integral abaixo usando a Extrapola ~ao de Ri hardson om n = 4.
Z
x2
dx
5.4 Exer ios

1. Use a regra do Trapezio (Tr) (n = 1) e a regra de Simpson (Sp) (n = 2) para aproximar as seguintes
integrais:
(a)
0:5
(e)
x 4 dx ;
(Resposta: (Tr) 0:265625, (Sp) 0:1940104)

Z 0:5
2 dx ;
(b)
x 4
0
(Resposta:
(Tr)
0:2678571, (Sp)
0:2670635)
( )
Z 1:5
1
x 2 ln x dx ;
(Resposta:
0:1922453)
(d)
x2 e
(Tr)
0:17776434,
2x
x 2 4 dx ;
(Resposta:
(Tr)
0:7391053)
Z 0:35
2 dx ;
(f)
2
x
4
0
(Resposta:
(Tr)
0:1768216)
(Sp) (g)
dx ;
0
(Resposta: (Tr) 0:1839397, (Sp) 0:16240168)
x
Z 1:6
(h)
0:8666667,
(Sp)
0:1777643,
(Sp)
Z =4
x sen x dx ;
(Resposta: (Tr) 0:2180895, (Sp) 0:1513826)
0
Z =4
e3x sen 2x dx ;
(Resposta: (Tr) 4:1432597, (Sp) 2:5836964)
0
2. Utilize a regra Trapezoidal Composta (T ) e Simpson Composta (S ) om os valores indi ados de n para
aproximar as seguintes integrais:
(a)
x ln x dx , n = 4;
(Resposta: (T ) 0:639900)
L. A. P. Cant~ao
(b)
2
2
x 3 ex dx , n = 4;
(Resposta: (T ) 31:3653)
56
CNC
2
( )
2 + 4 dx , n = 6;
x
0
(Resposta: (T ) 0:784241)
Z
(d)
(e)
1
2 + 4 dx , n = 8;
x
0
(Resposta: (T ) 0:476977)
Z 5
p 2x dx , n = 8;
(g)
x 4
3
(Resposta: (T ) 0:605498)
(f)
Z
x 2 os x dx , n = 6;
(Resposta: (T ) 6:42872)
0
e2x sen 3x dx , n = 8;
0
(Resposta: (T ) 13:5760)
(h)
Z 3=8
tan x dx , n = 8;
(Resposta: (T ) 0:970926)
0
3. Suponha que f (0) = 1, f (0:5) = 2:5,R f (1) = 2 e f (0:25) = f (0:75) = . Determine se a regra Trapezoidal
Composta om n = 4 da 1.75 para 01 f (x ) dx .
4. Utilize a integra ~ao de Romberg para al ular as seguintes integrais, om n = 3:
(a)
(b)
( )
(d)
Z 1:5
1
x 2 ln x dx ; (Resposta: 0:1922593)
x2 e
Z 0:35
0
Z =4
0
(e)
dx ; (Resposta: 0:1606105)
(f)
2 dx ; (Resposta: 0:1768200)
2
x 4
(g)
x sen x dx ; (Resposta: 0:08875677)
(h)
5. Utilize os seguintes dados para aproximar
2
1
Z =4
0
Z 1:6
1
Z 3:5
3
Z =4
0
e 3x sen 2x dx ; (Resposta: 2:5879685)

x
2x
p 2x
x
4 dx ; (Resposta: 0:7341567)
4
dx ; (Resposta: 0:6362135)
( os x )2 dx ; (Resposta: 0:6426970)
f (x ) dx usando a integra ~ao de Romberg.
xi
1:0 1:25 1:5
1:75 2:0
f (xi ) 1:0 0:8 0:6666 0:5714 0:5
6. Use a regra de Simpson om n = 8 para aproximar o valor medio de f no intervalo dado.
(a) f (x ) = x 4 1+ 1 , [0; 4. (Resposta: 0:28)
(b) f (x ) = os x , [ 1; 1
7. Para ontrolar a polui ~ao termi a de um rio, um biologo registra a temperatura (em F) a ada hora, de 9h
da manh~a as 5h da tarde. Os dados onstam da tabela abaixo:
9
10 11 12
1
2
3
4
5
Hora
Temperatura 75:3 77:0 83:1 84:8 86:5 86:4 81:1 78:6 75:1
Use a regra de Simpson e o Teorema do Valor Medio (Cal ulo) para estimar a temperatura media da agua
entre 9h da manh~a e 5h da tarde.
8. Cal ule
10
x 4 dx usando:
(a) a regra do Trapezio om n = 5; (Resposta: 341:36)

(b) a regra de Simpson om n = 8; (Resposta: 334:42)
( ) a regra de Romberg om n = 4.
Aten ~ao: Use aproxima ~oes om quatro asas de imais para f (xk ) e arredonde as respostas para duas asas
de imais.
L. A. P. Cant~ao
57
CNC
9. Aproxime a integral impropria fazendo a substitui ~ao u = 1=x e apli ando ent~ao a regra de Simpson om
n = 4.
(a)
Z 1
(b)
p 41
x +x
x2
dx (Resposta: 0:49)
dx (Resposta: 0:14)
10. Obtenha uma aproxima ~ao de

om n = 4. (Resposta: 1:79)
L. A. P. Cant~ao
( )
(d)
Z
Z
jx j
3 + 1 dx
x
1
1
p
e x sen x dx
10
os
pxx dx fazendo a substitui ~ao u = px e apli ando a regra do trapezio
58
CAPITULO
Aproxima ~oes para Equa ~oes Diferen iais

Ordinarias
Introdu ~ao
O que e uma Equa ~ao Diferen ial Ordinaria (EDO) ? E uma rela ~ao que envolve uma \fun ~ao in ognita" e
suas derivadas ou diferen iais. Por exemplo:

1. y 0(x ) = f (x ), onde y 0 (x ) denota dy
dx ;
00
2. y (x ) + y (x ) = 0;
3. y (3) (x ) + (sen x )y 00(x ) + 5xy (x ) = 0.
S~ao equa ~oes ujas in ognitas s~ao fun ~oes de uma variavel e suas derivadas ( aso unidimensional).
Qual e a ordem de uma EDO ? E a ordem da mais alta derivada da fun ~ao in ognita.
Qual e a solu ~ao de uma EDO ? E uma fun ~ao denida num intervalo que, juntamente om suas derivadas,
satisfaz a equa ~ao diferen ial dada.
Tipos de problemas om EDO Para denir uma uni a fun ~ao y (x ), temos de forne er dados adi ionais a equa ~ao
diferen ial; estes dados denem dois tipois de problemas:

1.
(PVI): pro uramos y (x ) que, alem de satisfazer a equa ~ao diferen ial para
x > a, atende as ondi ~oes preestabele idas no in io do intervalo onde vamos resolvê-la:
Problema de valor ini ial
y (a) = y0
e, as vezes, y 0 (a) = v0 ;
onde y0 e v0 s~ao valores onhe idos.

2. Problema de valor de ontorno (PVC): a equa ~ao diferen ial devera ser satisfeita no intervalo (a; b) e
s~ao preestabele idos valores para y (x ) nos extremos deste intervalo:
y (a) = y0
om y0 e yn onhe idos.
e y (b) = yn ;
Captulo 6. Aproxima ~oes para Equa ~oes Diferen iais Ordinarias
CNC
Objetivos Apresentar metodos numeri os que nos onduzam a aproxima ~oes da fun ~ao de uma uni a variavel
y (x ), solu ~ao das EDOs de tipos:
y 0(x ) = f (x; y (x ))
e y 00(x ) = f (x; y (x ); y 0 (x ));
(6.1)
onde f (x; y ) e f (x; y; y 0) s~ao fun ~oes onhe idas.

Um exemplo (Desintegra ~ao radioativa) Quando observamos a desintegra ~ao (varia ~ao) de uma substân ia radio-
ativa, podemos onstatar que \o numero de desintegra ~oes por unidade de tempo e propor ional a quantidade
de substân ia presente em ada instante". Assim, se x = x (t ) representa a quantidade de uma substân ia
radioativa presente em ada instante t , o modelo matemati o que representa o fenômeno da desintegra ~ao
e dado por:
dx (t )
dt = x (t )
onde dx
dt e a varia ~ao intântanea (desintegra ~ao) sofrida pela substân ia e o parâmetro > 0 representa o
oe iente de propor ionalidade, que e onstante para ada substân ia espe a. Usamos o sinal negativo
porque o numero de atomos diminui om o passar do tempo e, portanto, dx
dt < 0.
6.1 Diferen as Finitas

A essên ia dos metodos numeri os esta na dis retiza ~ao do ontnuo. E esta dis retiza ~ao que torna \nito"
o problema e, portanto, viabiliza sua solu ~ao omputa ional.
A in ognita de uma equa ~ao diferen ial ordinaria e uma fun ~ao y (x ) denida em todos os pontos do intervalo
no qual a equa ~ao esta sendo resolvida. O primeiro passo de qualquer metodo destinado a solu ~ao numeri a de
equa ~oes diferen iais e dis retizar a regi~ao onde pro uramos a solu ~ao. Neste passo, denimos uma malha, que e
um onjunto nito de pontos, hamados de nos da malha.
Seja x0 um ponto de referên ia e h um numero positivo. A malha de passo h asso iada a x0 e o onjunto de
pontos:
xi = x0 ih; i = 1; 2; : : :
As aproxima ~oes de y (x ) ser~ao al uladas nos pontos desta malha.
No metodo de Diferen as Finitas, o segundo passo onsiste na dis retiza ~ao das derivadas que est~ao na equa ~ao
diferen ial. Neste passo, as derivadas s~ao aproximadas por diferen as entre valores da solu ~ao dis retizada.
A ferramenta matemati a basi a de aproxima ~ao para as derivadas e a serie de Taylor, pois esta nos da
informa ~oes sobre a fun ~ao, no ponto x , e sua avalia ~ao numa vizinhan a de x , em x + h. Se assumirmos que y (x )
tem derivadas ate a ordem n + 1 em x , sua expans~ao em serie de Taylor e:
h2
hn
hn+1
y (x + h) = y (x ) + hy 0(x ) + 2! y 00(x ) + : : : + n! y (n) (x ) + (n + 1)! y (n+1) ();
(6.2)
onde esta entre x e x + h.

Se tomarmos n = 1 em (6.2), teremos:
y (x + h) = y (x ) + hy 0 (x ) +
L. A. P. Cant~ao
h2 00
2! y ():
60
CNC
Isolando y 0 (x ) na equa ~ao a ima, a formula avan ada para a dis retiza ~ao da derivada e seu erro e:
y 0 (x ) =
y (x + h ) y (x )
h
h 00
2 y ( ):
(6.3)
De modo semelhante, tomando h em (6.2), ainda om n = 1, temos:

h2
y (x h) = y (x ) hy 0 (x ) + 2! y 00():
Isolando y 0 (x ) na equa ~ao a ima, a formula atrasada para a dis retiza ~ao da derivada e seu erro e:
y 0 (x ) =
y (x ) y (x h) h 00
+ 2 y ( ):
h
(6.4)
Tomemos agora n = 2 em (6.2), rees revemos as formulas avan ada e atrasada, temos:
h2 00
h3 000
y
(
x
)
+
2
3! y ()
h3 000
h2
y (x h) = y (x ) hy 0(x ) + y 00(x )
2
3! y ()
Subtraindo a penultima express~ao da ultima, temos:
y (x + h) = y (x ) + hy 0(x ) +
h3
y (x h) y (x + h) = 2hy 0(x ) 2 3! y 000():
Rearranjando a express~ao a ima, obtemos a formula entrada para dis retiza ~ao da derivada e o seu erro:
y (x + h) y (x h) h2 000
(6.5)
2h
3! y ()
Seguindo as mesmas ideias, podemos estabele er uma express~ao para o al ulo da aproxima ~ao para a segunda
derivada. Tomando n = 3 em (6.2), temos:
y 0 (x ) =
h2 00
h3
h4
y (x ) + y 000(x ) + y (iv ) ()
2
3!
4!
h2
h3 000
h4 (iv )
y (x h) = y (x ) hy 0 (x ) + y 00(x )
y
(
x
)
+
2
3!
4! y ()
y (x + h) = y (x ) + hy 0 (x ) +
Somando estas duas ultimas formulas e expli itanto y 00 (x ), obtemos uma formula para dis retizar a derivada de
segunda ordem, bem omo o erro asso iado a esta dis retiza ~ao:
y 00(x ) =
y (x + h ) 2y (x ) + y (x h )
h2
h2 (iv )
12 y ()
(6.6)
para algum 2 (x h; x + h).

No metodo das Diferen as Finitas, as derivadas presentes na EDO s~ao substitudas por aproxima ~oes des ritas
a ima.
Resumindo, para ada ponto da malha no interior do intervalo onde a EDO esta denida, denotamos por yi a
aproxima ~ao de y (xi ) (ou seja, yi
= y (xi )), usamos:
y 0 (x i )
=
L. A. P. Cant~ao
yi yi 1
yi +1 yi
yi +1 yi
0 (x i )
0 (x i )
;
y
;
ou
y
=
=
h
h
2h
61

e
CNC
yi +1 2yi + yi 1
;
h2
omo dis retiza ~ao das derivadas de primeira e segunda ordens que apare em na equa ~ao diferen ial.
O metodo das Diferen as Finitas pode ser generalizado em um algoritmo para EDO de segunda ordem.
Sejam p(x ), q (x ) e r (x ) fun ~oes ontnuas denidas em [a; b. O problema de en ontrar y (x ) tal que:
y 00(x ) =
y 00 + p(x )y 0 + q (x )y = r (x ); a < x < b;
om valores de ontorno
y (a) = y0 ; y (b) = yn ;
e onhe ido omo problema de Sturm-Liouville. A hipotese

q (x ) 0; a x b;
e a es olha de h tal que:
h max jp(x )j < 2

[a;b
tornam o sistema diagonalmente dominante, om todas as desigualdades estritas, o que garante a existên ia de
uma uni a solu ~ao do sistema linear.
Dividindo o intervalo [a; b em n partes iguais de omprimento h, introduzimos a malha a = x0 < x1 < : : : <
xn = b. Se em ada ponto interior xi usamos as aproxima ~oes :
y 0 (x i )
=
yi +1 yi
2h
y
2y + y
e y 00(xi )
= i +1 h2i i 1 ;
obtendo a dis retiza ~ao da EDO:

yi +1 2y1 + yi 1
+ p(xi ) yi +1 2h yi
h2
ou ainda, denotando pi = p(xi ), qi = q (xi ) e r (xi ),
1 h2 pi yi 1 +
+ q (xi )yi = r (xi ); i = 1 : n 1
2 + h qi yi + 1 + h2 pi yi +1 = h2 ri ;
2
para i = 1 : n 1. Note que a primeira e a ultima equa ~oes devem ser modi adas pela utiliza ~ao da ondi ~ao de
ontorno.
Exemplo 21. Aproxime numeri amente a solu ~ao da EDO abaixo usando o metodo de Diferen as Finitas:
y 00 y 0 + xy = ex (x 2 + 1);
om ondi ~oes de ontorno:
usando
y (0) = 0;
x 2 (0; 1)
y (1) = e
h = 0:1 e a formula entrada para aproximar y 0(xi ).
L. A. P. Cant~ao
62
CNC
Dado a, b, p (x ), q (x ), r (x ), y0 , yn , n
1:
2:
3:
4:
5:
6:
7:
8:
9:
10:
11:
h = (b a)=n
Para j = 1 ate j = n 1 fa a
x = a + jh
h
di (j ) = 1 2 p(x )
d (j ) = 2 + h 2 q (x )
h
ds (j ) = 1 + p(x )
2
ti (j ) = h2 r (x )
Fim do la o
ti (1) = ti (1) y0 (1 (h=2)p(a + h))

ti (n 1) = ti (n 1) yn (1 + (h=2)p(b h))
Resolver o sistema.
Algoritmo 12: Metodo de Diferen as Finitas de Sturm-Liouville
6.2 Metodos de Runge-Kutta

Tomemos a EDO de primeira ordem, om dado ini ial:
y 0(x ) = f (x; y )
y (x0 ) = y0 :
(6.7)
Considerando a malha denida pelo passo h, podemos usar a formula de diferen as nitas avan ada para
dis retizar a derivada de y (x ) no ponto xk . Assim, obtemos uma vers~ao dis retizada de (6.7):
yk +1 yk
= f (xk ; yk ):
h
(6.8)
Esta equa ~ao permite que al ulemos yk +1 a partir de yk , e dene o Metodo de Euler. Sua apli a ~ao e muito
simples:
y0 = y (x0 )
(6.9)
yk +1 = yk + hf (xk ; yk ); para k = 0; 1; : : :
O Algoritmo 13 ilustra este metodo.
Dado a, b, n, y0 e f (x; y )
1:
2:
3:
4:
5:
h = (b a)=n
Para k = 0 ate k = n 1 fa a
xk = a + kh
yk +1 = yk + hf (xk ; yk )
Fim do la o
Algoritmo 13: Metodo de Euler

A ideia de Euler (6.9) tem vers~oes de maior pre is~ao nos trabalhos de Runge (1895), para o aso de uma
L. A. P. Cant~ao
63
CNC
equa ~ao, e Kutta (1901), para o aso de sistemas de EDO de primeira ordem. Os Algoritmos 14, 15 e 16
apresentam os metodos de Runge-Kutta ( omo s~ao onhe idos) para EDO's de primeira ordem.
1:
2:
3:
4:
5:
6:
7:
h = (b a)=n
xk = a + kh
m0 = hf (xk ; yk )
m1 = hf (xk + h; yk + m0 )
1
yk +1 = yk + (m0 + m1 )
2
Fim do la o
Algoritmo 14: Metodo de Runge-Kutta de segunda ordem

1:
2:
3:
4:
5:
6:
7:
8:
h = (b a)=n
xk = a + kh
m0 = hf (xk ; yk )

h
m
m1 = hf xk + 2 ; yk + 20
m2 = hf (xk +1 ; yk m0 + 2m1 )
1
yk +1 = yk + 6 (m0 + 4m1 + m2 )
Fim do la o
Algoritmo 15: Metodo de Runge-Kutta de ter eira ordem

1:
2:
3:
4:
5:
6:
7:
8:
9:
h = (b a)=n
xk = a + kh
m0 = hf (xk ; yk )

h
m
m1 = hf xk + ; yk + 0
2
2

h
m1
m2 = hf xk + 2 ; yk + 2
m3 = hf (xk +1 ; yk + m2 )
1
yk +1 = yk + 6 (m0 + 2m1 + 2m2 + m3 )
Fim do la o
Algoritmo 16: Metodo de Runge-Kutta de quarta ordem

Exemplo 22. Seja a EDO:
1
y 0 (x ) = 1 + x 2
y (0) = 0
2y 2
Resolva-a usando os metodos de Euler, Runge-Kutta de segunda, ter eira e quarta ordens para x
L. A. P. Cant~ao
2 (0; 1) e h = 0:1.
64
CNC
Compare os resultados obtidos om a sua solu ~ao analti a ( al ule o erro relativo):
y=
x
1 + x2 :
6.3 Exer ios

1. Aplique o metodo de Euler, Runge-Kutta de segunda, ter eira e quarta ordens para aproximar as solu ~oes
dos seguintes PVI e ompare os resultados om os valores reais:
(a)
(b)
( )
(d)
y 0 = y=t (y=t )2 , 1 t 2, y (1) = 1, om h = 0:1 e x 2 [1; 2; solu ~ao real: y (t ) = t=(1 + ln t ).

y 0 = 1 + y=t + (y=t )2 , 1 t 3, y (1) = 0 om h = 0:2 e x 2 [1; 2; solu ~ao real: y (t ) = t tan(ln t ).
y 0 = sen(x )y , x 2 [0; , y (0) = 1, m = 6; solu ~ao real: y (x ) = e os(x ) 1 .
p
y 0 = x + 1 y , x 2 [1; 3, y (1) = 1, m = 5; solu ~ao real: y (x ) = e 2x 1 5 =3+x 5=3
:
Aten ~ao:
m e o numero de subintervalos.
2. Dado o PVI
2
y 0 = y + t 2 et ; 1 t 2 y (1) = 0;
t
2
t
om as solu ~oes exatas y (t ) = t (e e ). Use o metodo de Euler om h = 0:1 para aproximar a solu ~ao e
ompare-a om os valores reais de y .
3. Resolver os problemas de valor ini ial abaixo, utilizando os metodos de Euler, Runge-Kutta de segunda,
ter eira e quarta ordens om o numero de subintervalos n indi ado:
(a)
(b)
( )
y 0 = x , y (0) = 0, x 2 [0; 2 e n = 5: (solu ~ao usando o metodo de Euler: y5 = 1:55490);

y 0 = x 2 + y 2 , y (1) = 0, x 2 [1; 2 e n = 8 (solu ~ao usando o metodo de Euler: y8 = 3:39195);
y 0 = xy , y (0) = 1, x 2 [0; 1 e n = 10 (solu ~ao usando o metodo de Euler: y10 = 1:54711).
4. Use o Metodo das Diferen as Finitas para aproximar as solu ~oes dos problemas abaixo e ompare om as
solu ~oes reais.
(a) y 00 + y = 0, 0 x (=4), y (0) = 1, y (=4) = 1; use h = (=20);
p
solu ~ao real: y (x ) = os x + ( 2 1) sen x .
(b) y 00 + 4y = os x , 0 x (=4), yp(0) = 0, y (=4) = 0; use h = (=20);
solu ~ao real: y (x ) = 31 os 2x 62 sen 2x + 13 os x .
( ) y 00 = x4 y 0 x22 y + 2 xln2 x , 1 x 2, y (1) = 21 , y (2) = ln 2; use h = 0:05;
solu ~ao real y (x ) = x4 x22 + ln x 23 .
(d) y 00 = 2y 0 y + x ex x , 0 x 2, y (0) = 0, y (2) = 4; use h = 0:2;
5
1
solu ~ao real: y (x ) = 6 x 3 ex 3 x ex +2 ex x 2.
5. Use o Metodo das Diferen as Finitas para aproximar as solu ~oes dos seguintes PVC:
(a) y 00 = x4 y 0 + x22 y x22 ln x , 1 x 2, y (1) = 21 , y (2) = ln 2; use h = 0:05;
0
(b) y 00 = yx + x32 y + lnxx 1, 1 x 2, y (1) = y (2) = 0; use h = 0:1
L. A. P. Cant~ao
65
Exer ios
6. Considere o PVI: y 0 = yx 2 y , om y (0) = 1.

(a) En ontre a solu ~ao aproximada usando o metodo de Euler om h = 0:5 e h = 0:25, onsiderando
x 2 [0; 2;
(b) idem, usando Runge-Kutta de 4a ;
( ) Sabendo que a solu ~ao analti a do problema e y = e x +x =3 , oloque num mesmo gra o a solu ~ao
analti a e as solu ~oes numeri as en ontradas nos itens anteriores. Compare seus resultados.
7. Dado o PVI y 0 = yx , y (0) = 20, deseja-se en ontrar aproxima ~oes para y (16). Resolva por:
(a) Runge-Kutta de 2a ordem, h = 2. (Resposta: y (16) = 12:00999)
(b) Runge-Kutta de 4a ordem, h = 4. (Resposta: y (16) = 11:998)
3
8. Cal ule y (1) para y 0 = y x ; y (0) = 2, utilizando Euler e Runge-Kutta de 4a ordem om h = 0:2. Compare
seus resultados om os valores exatos de y (x ) nos pontos xi , sabendo que y (x ) = ex +x + 1.
Resposta: Euler: y (1) = 4:488320, Runge-Kutta de 4a ordem: y (1) = 4:78251, solu ~ao exata: y (1) =
4:718282.
9. Resolva pelo metodo de diferen as nitas, o PVC:
y 00 + 2y 0 + y = x
y (0) = 2
y (1) = 0
usando h = 0:25. (Resposta: y (0:25) = 1:107487, y (0:5) = 0:529106, y (0:75) = 0:180622)

10. O PVC:
y 00 = 4(y x ); 0 x 1; y (0) = 0; y (1) = 2
tem a solu ~ao y (x ) = e2 (e4 1) 1 (e2x e 2x ) + x . Use o Metodo das Diferen as Finitas para aproximar a
solu ~ao e ompare os resultados om a solu ~ao real.
(a) Com h = 21 .
(b) Com h = 41 .
( ) Qual o valor de y (1=2) nos

itens anteriores.
11. O PVC:

y 00 = y 0 + 2y + os x; 0 x 2 ; y (0) = 0:3; y 2 = 0:1
tem a solu ~ao y (x ) = 101 (sen x + 3 os x ). Use o Metodo das Diferen as Finitas para aproximar a solu ~ao
e ompare os resultados om a solu ~ao real.
(a) Com h = 4 .
(b) Com h = 8 .
12. Use o Metodo das Diferen as Finitas para aproximar as solu ~oes de y = e
( ) Qual o valor de y (=4) nos

itens anteriores.
10x
y 00 = 100y; 0 x 1; y (0) = 1; y (1) = e
Use h = 0:1 e h = 0:25.

66
para o PVC:
10
Referên ias Bibliogra as

[1 R. L. Burden, J. D. Faires.
[2 F. F. Campos Fo.
[3 M. C. C. Cunha.
. Pioneira Thomson Learning, 2003.
An
alise Num
eri a
Algoritmos Num
eri os
M
etodos Num
eri os
. LTC Editora, 2001.
. 2a Edi
~
ao, Editora da Uni amp, 2000.
[4 N. J. Higham. A ura y and Stability of Numeri al Algorithms, SIAM { So iety for Industrial and Applied Mathemati s,
1996.
[5 M. A. G. Ruggiero, V. L. R. Lopes C
al ulo Num
eri o:
1996.
[6 D. Sperandio, J. T. Mendes, L. H. M. e Silva.
M
etodos Num
eri os. Prenti e Hall, 2003.
[7 J. Stewart.
~
ao, Makron Books,
. 2a Edi
Aspe tos Te

ori os e Computa ionais
C
al ulo Num
eri o: Cara ter
sti as Matem
ati as e Computa ionais dos
. Volume I. 5a Edi
~
ao, Pioneira Thomson Learning, 2006.
C
al ulo
[8 E. W. Sowokowski.
C
al ulo om Geometria Anal
ti a
. Volume 1. 2a Edi
~
ao, Makron Books, 1994.
[9 www.nrbook. om/b/book pdf.php

[10 www.mathworks. om/moler/ hapters.html
67

Cálculo Numérico e Computacional

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Cálculo Numérico e Computacional

Caricato da

Copyright:

Formati disponibili

Cal

ulo Numeri o e Computa ional { CNC

Representa ~ao de Numeros . .

2 Sistemas de Equa o~es Lineares

2.1 Metodos Diretos . . . . . . . . . . . . . . . . . . . . . . .

3 Equa o~es N~ao-Lineares

3.2.1 Criterio de Parada . . . . . . . . . . . . . . . .

4.1 Interpola ~ao . . . . . . . . . . . . . . . . .

4.4 Exer  ios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

5.1 Formula de Newton-Cotes . . . . . . . . . . . . . . .

6 Aproxima o~es para Equa o~es Diferen iais Ordinarias

Refer^en ias Bibliogra as

6.1 Diferen as Finitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

Introdu ~ao a Teoria de Erros e Estabilidade

1.2 Aritmeti a de Ponto Flutuante

Captulo 1. Introdu ~ao a Teoria de Erros e Estabilidade

 di , para i = 1; 2; 3; : : : t , s~ao os dgitos da parte fra ionaria, tais que 0  di  9 e d1 6= 0;

m = 0:100 10 5 = 10 6 , e o maior numero, M = 0:999 105 = 99900, ambos em

Considere o onjunto dos numeros reais R e o seguinte onjunto:

Dado um numero real x , tr^es situa ~oes poder~ao o orrer:

Captulo 1. Introdu ~ao a Teoria de Erros e Estabilidade

Erros Absolutos e Relativos

1.4 Exer  ios

p = , p = 22=7; (EA = 0:001264 e ER = 4:025 10 4 )

2. O numero e pode ser de nido por e = 1

(a) En ontre o limx !0 f (x ). ( 2)

4. Efetue os somatorios seguintes em uma al uladora e em um omputador:

(a) para xi = 0:5;

Captulo 1. Introdu ~ao a Teoria de Erros e Estabilidade

133 + 0:921 (Aprox.

134, EA = 0:079 e ER = 5:9 10 4 )

(e) 214e 57:4 (Aprox. 1:80, EA = 0:154 e ER = 0:0786)

7. A formula quadrati a estabele e que as razes da equa ~ao ax 2 + bx + = 0, quando a 6= 0, s~ao:

Considere a equa ~ao x 2 + 62:1x + 1 = 0, ujas razes s~ao aproximadamente x1 = 0:01610723 e x2 =

Sistemas de Equa ~oes Lineares

a11 x1 + a12 x2 + : : : + a1n xn = b1

para x1 ; x2 ; ; xn , dadas as onstantes aij para ada i; j = 1; 2; ; n e bi para ada i = 1; 2; ; n.

a11 a12 a1n

a21 a22 a2n x2 b2

Captulo 2. Sistemas de Equa ~oes Lineares

2.1 Metodos Diretos

Considere os seguintes sistemas lineares:

Os problemas (2.3a) e (2.3b) podem ser generalizados omo seguem:

an 1;1 x1 + an 1;2 x2 + + an 1;n 1 xn 1

an1 x1 + an2 x2 + + an;n 1 xn 1 + ann xn = bn

Captulo 2. Sistemas de Equa ~oes Lineares

Dado n, Ann (matriz triangular superior), bn1 e xn1

Algoritmo 1: Solu ~ao de Sistemas Triangulares Superiores

Algoritmo 2: Solu ~ao de Sistemas Triangulares Inferior

1. Multipli a ~ao de uma equa ~ao por uma onstante n~ao-nula;

~ x = b~ equivalente ao sistema original Ax = b

Captulo 2. Sistemas de Equa ~oes Lineares

de todas as outras linhas li , i = 2; 3; : : : ; n

Para i = 2 : n aij(2) = aij mi 1 a1j ; j = 2 : n

a11 a12 a13 a1n b1

0 a(2) a(2) a(2) b(2)

Captulo 2. Sistemas de Equa ~oes Lineares

Seguindo ra io nio analogo, pro ede-se ate i = n e a matriz resultante sera:

a11 a12 a13 a1n

a11 x1 + a12 x2 + + a1n xn = b1

Dado n, Ann , bn1 e xn1 .

Fim do ondi ional

Cal

ulo Numeri o e Computa ional { CNC

Representa ~ao de Numeros . .

2 Sistemas de Equa o~es Lineares

2.1 Metodos Diretos . . . . . . . . . . . . . . . . . . . . . . .

3 Equa o~es N~ao-Lineares

3.2.1 Criterio de Parada . . . . . . . . . . . . . . . .

4.1 Interpola ~ao . . . . . . . . . . . . . . . . .

4.4 Exer ios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

5.1 Formula de Newton-Cotes . . . . . . . . . . . . . . .

6 Aproxima o~es para Equa o~es Diferen iais Ordinarias

Refer^en ias Bibliogra as

6.1 Diferen as Finitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

Introdu ~ao a Teoria de Erros e Estabilidade

1.2 Aritmeti a de Ponto Flutuante

Captulo 1. Introdu ~ao a Teoria de Erros e Estabilidade

di , para i = 1; 2; 3; : : : t , s~ao os dgitos da parte fra ionaria, tais que 0 di 9 e d1 6= 0;

m = 0:100 10 5 = 10 6 , e o maior numero, M = 0:999 105 = 99900, ambos em

Considere o onjunto dos numeros reais R e o seguinte onjunto:

Dado um numero real x , tr^es situa ~oes poder~ao o orrer:

Captulo 1. Introdu ~ao a Teoria de Erros e Estabilidade

1.4 Exer ios

p = , p = 22=7; (EA = 0:001264 e ER = 4:025 10 4 )

2. O numero e pode ser denido por e = 1

4. Efetue os somatorios seguintes em uma al uladora e em um omputador:

Captulo 1. Introdu ~ao a Teoria de Erros e Estabilidade

7. A formula quadrati a estabele e que as razes da equa ~ao ax 2 + bx + = 0, quando a 6= 0, s~ao:

Considere a equa ~ao x 2 + 62:1x + 1 = 0, ujas razes s~ao aproximadamente x1 = 0:01610723 e x2 =

Sistemas de Equa ~oes Lineares

Captulo 2. Sistemas de Equa ~oes Lineares

2.1 Metodos Diretos

Captulo 2. Sistemas de Equa ~oes Lineares

Algoritmo 1: Solu ~ao de Sistemas Triangulares Superiores

Algoritmo 2: Solu ~ao de Sistemas Triangulares Inferior

1. Multipli a ~ao de uma equa ~ao por uma onstante n~ao-nula;

Captulo 2. Sistemas de Equa ~oes Lineares

Captulo 2. Sistemas de Equa ~oes Lineares

Seguindo ra io nio analogo, pro ede-se ate i = n e a matriz resultante sera:

Captulo 2. Sistemas de Equa ~oes Lineares

Solu ~ao 1. Para eliminarmos x1 , obtemos m = 105:8 e:

= 10 e x2 = 1, que e a solu ~ao exata do sistema.

2. Uma matriz e simetri a AT = A e positiva denida xT Ax > 0, para todo vetor x 6= 0.

Captulo 2. Sistemas de Equa ~oes Lineares

A n~ao e inversvel. PARE

Exemplo 5. Resolva o sistema linear a seguir usando a fatora ~ao LU:

Captulo 2. Sistemas de Equa ~oes Lineares

Para i = 1 ate i = n fa a

Para j = i + 1 ate j = n fa !a

Captulo 2. Sistemas de Equa ~oes Lineares

2.2 Metodos Iterativos

2.2.1 Metodo de Ja obi

Captulo 2. Sistemas de Equa ~oes Lineares

Para k = 0 ate k = max fa a

Algoritmo 6: Metodo de Ja obi

Para k = 0 ate k = max fa a

Algoritmo 7: Metodo de Gauss-Seidel

Captulo 2. Sistemas de Equa ~oes Lineares

2.2.3 Converg^en ia dos Metodos de Ja obi e Gauss-Seidel

2.3 Exer ios

Solu ~ao real: (0; 10; 1=7)T

Captulo 2. Sistemas de Equa ~oes Lineares

Solu ~ao real: (10; 1)T

Solu ~ao real: (0:17682530; 0:01269269; 0:02065405; 1:18260870)T

Solu ~ao real: (0:78839378; 3:12541367; 10:16759660; 4:55700252)T

Captulo 2. Sistemas de Equa ~oes Lineares

6. Efetue os al ulos, utilizando apenas 4 asas de imais:

8. Resolva os sistemas abaixo usando Fatora ~ao LU :

Equa ~oes N~ao-Lineares

Figura 3.1: Razes da fun ~ao f (x ) = os x .

Captulo 3. Equa ~oes N~ao-Lineares

3.1 Fase I: Isolamento das Razes

Captulo 3. Equa ~oes N~ao-Lineares

f (x ) = x 5 e x : Neste aso, e mais onveniente usar os passos (2) e (3). Assim, x 5 e x = 0 ()

3.2 Fase II: Renamento

Captulo 3. Equa ~oes N~ao-Lineares

2. Avalia ~ao do tamanho do intervalo:

para su ientemente pequeno (pre is~ao desejada).

3.2.2 Metodo da Bisse ~ao

Captulo 3. Equa ~oes N~ao-Lineares

Figura 3.6: O metodo da Bisse ~ao gra amente.