APOSTILA Metodos Numericos

Universidade Federal do Paran
Departamento de Informtica
CI-202
0K72'26
180K5,&26
3URI,RQLOGR-RVp6DQFKHV
3URI'LyJHQHV&RJR)XUODQ
E-Mail: ionildo@ionildo.cjb.net
URL: http://www.ionildo.cjb.net/metodos/
CURITIBA
01/2004
ii
SUMRIO
1 REPRESENTAO DE NMEROS REAIS E ERROS....................................................................... 1
1.1 INTRODUO.......................................................................................................................................... 1
1.1.1 Erros na Fase de Modelagem........................................................................................................................ 1
1.1.2 Erros na Fase de Resoluo .......................................................................................................................... 1
1.2 REPRESENTAO DOS NMEROS REAIS.................................................................................................. 2
1.3 SISTEMA DECIMAL E BINRIO ................................................................................................................ 3
1.4 ARITMTICA DE PONTO FLUTUANTE....................................................................................................... 5
2 CONCEITO DE ERRO............................................................................................................................. 9
2.1 INTRODUO.......................................................................................................................................... 9
2.2 ERROS ABSOLUTOS E RELATIVOS........................................................................................................... 9
2.3 ERRO DE ARREDONDAMENTO................................................................................................................. 9
2.4 ERRO DE TRUNCAMENTO...................................................................................................................... 11
2.5 PROPAGAO DE ERROS....................................................................................................................... 11
3 ZEROS DE EQUAES TRANSCENDENTES E POLINOMIAIS ................................................. 13
3.1 INTRODUO........................................................................................................................................ 13
3.1.1 Derivada de uma funo num ponto............................................................................................................ 13
3.1.2 Tipos de Mtodos ......................................................................................................................................... 13
3.1.3 Isolamento de Razes.................................................................................................................................... 14
3.1.3.1 Nmero de Razes Reais.................................................................................................................................................................15
3.1.3.2 Refinamento ...................................................................................................................................................................................15
3.1.4 Classificao dos mtodos ........................................................................................................................... 15
3.2 MTODO DA BISSEO......................................................................................................................... 16
3.2.1 Estimativa do Nmero de Iteraes ............................................................................................................. 16
Consideraes Finais.............................................................................................................................................. 17
3.2.3 Exemplos ...................................................................................................................................................... 17
3.3 MTODO DA FALSA POSIO................................................................................................................ 18
3.3.1 Casos especiais ............................................................................................................................................ 19
Consideraes finais............................................................................................................................................... 20
3.3.3 Exemplos ...................................................................................................................................................... 20
3.4 MTODO DA ITERAO LINEAR............................................................................................................ 21
3.4.1 Casos de convergncia................................................................................................................................. 22
3.4.3 Exemplos ...................................................................................................................................................... 23
3.5 MTODO DE NEWTON-RAPHSON OU MTODO DAS TANGENTES........................................................... 24
3.5.2 Exemplos ...................................................................................................................................................... 25
3.5.3 Condies de Newton-Raphson-Fourier...................................................................................................... 26
3.6 MTODO DA SECANTE .......................................................................................................................... 27
3.6.1 Exemplos ...................................................................................................................................................... 28
3.7 MTODO MISTO.................................................................................................................................... 29
3.7.1 Exemplos ...................................................................................................................................................... 29
4 SISTEMAS LINEARES .......................................................................................................................... 31
4.1 INTRODUO........................................................................................................................................ 31
4.1.1 Classificao Quanto ao Nmero de Solues............................................................................................ 31
4.2 MTODOS DIRETOS (ALGORITMOS DIRETOS) ....................................................................................... 32
4.2.1 Regra de Cramer.......................................................................................................................................... 32
4.2.1.1 Exemplos ........................................................................................................................................................................................32
4.2.2 Mtodo da Eliminao de Gauss ................................................................................................................. 33
4.2.2.1 Resoluo de Sistemas Triangulares ..............................................................................................................................................33
4.2.2.2 Estratgias de Pivoteamento...........................................................................................................................................................34
4.2.2.3 Classificao do Sistema Triangular ..............................................................................................................................................34
4.2.2.4 Exemplos ........................................................................................................................................................................................34
iii
4.2.3 Mtodo de Jordan ........................................................................................................................................ 36
4.2.4 Exemplos ...................................................................................................................................................... 36
4.3 MTODOS ITERATIVOS (ALGORITMOS ITERATIVOS) ............................................................................. 36
4.3.1 Mtodo de Gauss-Jacobi ( Algbrico ) ........................................................................................................ 36
4.3.1.1 Exemplos ........................................................................................................................................................................................37
4.3.2 Mtodo de Gauss-Jacobi ( Matricial )......................................................................................................... 38
4.3.2.1 Exemplos ........................................................................................................................................................................................39
4.3.3 Mtodo de Gauss-Seidel ( Algbrico ) ......................................................................................................... 40
4.3.3.1 Exemplos ........................................................................................................................................................................................41
4.3.4 Mtodo de Gauss-Seidel ( Matricial ).......................................................................................................... 42
4.3.4.1 Exemplos ........................................................................................................................................................................................43
4.4 MTODO DE RELAXAO..................................................................................................................... 44
5 INTERPOLAO................................................................................................................................... 51
5.1 INTRODUO........................................................................................................................................ 51
5.1.1 Conceito de Interpolao............................................................................................................................. 51
5.2 INTERPOLAO LINEAR........................................................................................................................ 52
5.2.1 Obteno da Frmula .................................................................................................................................. 52
5.2.2 Exemplos ...................................................................................................................................................... 53
5.3 INTERPOLAO QUADRTICA .............................................................................................................. 53
5.3.1 Obteno da Frmula .................................................................................................................................. 53
5.3.2 Exemplos ...................................................................................................................................................... 54
5.4 INTERPOLAO DE LAGRANGE............................................................................................................. 55
5.4.1 Obteno da Frmula .................................................................................................................................. 56
5.4.2 Exemplos:..................................................................................................................................................... 57
5.5 INTERPOLAO PARABLICA PROGRESSIVA ........................................................................................ 58
5.6 DIFERENAS DIVIDIDAS ....................................................................................................................... 60
5.6.1 Propriedade do Operador Diferenas Divididas ........................................................................................ 60
5.7 INTERPOLAO DE NEWTON COM DIFERENAS DIVIDIDAS .................................................................. 60
5.7.1 Exemplos ...................................................................................................................................................... 60
5.8 INTERPOLAO DE GREGORY-NEWTON ............................................................................................... 62
5.8.1 Diferenas Ordinrias ou Finitas ................................................................................................................ 62
5.8.2 Relao entre diferenas divididas e diferenas ordinrias........................................................................ 63
5.8.3 Gregory-Newton usando Diferenas Ordinrias......................................................................................... 63
5.8.4 Exemplos ...................................................................................................................................................... 63
6 INTEGRAO NUMRICA................................................................................................................. 65
6.1 INTRODUO........................................................................................................................................ 65
6.1.1 Frmulas de Newton-Cotes.......................................................................................................................... 66
6.2 REGRA DOS RETNGULOS .................................................................................................................... 67
6.2.1 Exemplos ...................................................................................................................................................... 68
6.3 REGRA DOS TRAPZIOS......................................................................................................................... 69
6.3.1 Regra do Trapzio Repetida ........................................................................................................................ 70
6.3.2 Exemplos ...................................................................................................................................................... 70
6.4 REGRA DE SIMPSON.............................................................................................................................. 71
6.4.1 Regra de Simpson Repetida ......................................................................................................................... 72
6.4.2 Exemplos ...................................................................................................................................................... 72
REFERNCIAS BIBLIOGRFICAS.......................................................................................................... 75
1
1 Representao de Nmeros Reais e Erros
1.1 Introduo
Clculo Numrico a obteno da soluo de um problema pela aplicao de mtodo numrico; a
soluo do problema ser caracterizada, ento, por um conjunto de nmeros, exatos ou aproximados.
Mtodo Numrico um algoritmo composto por um nmero finito de operaes envolvendo apenas
nmeros (operaes aritmticas elementares, clculo de funes, consulta a uma tabela de valores, consulta a
um grfico, arbitramento de um valor, etc.).
Pr obl ema
F si co
Model o
Mat emt i co
Sol uo
Model agem Resol uo
Modelagem a fase de obteno do modelo matemtico que descreve o comportamento do sistema
fsico.
Resoluo a fase de obteno da soluo atravs da aplicao de mtodos numricos (este o
objetivo de estudo do Clculo Numrico).
1.1.1 Erros na Fase de Modelagem
Ao se tentar representar um fenmeno do mundo fsico por meio de um mtodo matemtico,
raramente se tem uma descrio correta deste fenmeno. Normalmente, so necessrias vrias simplificaes
do mundo fsico para que se tenha um modelo.
Exemplo: Estudo do movimento de um corpo sujeito a uma acelerao constante.
Tem-se a seguinte equao:
d = d
o
+ v
o
* t + 1/2 * * t
2
onde:
d : distncia percorrida
d
o
: distncia inicial
v
o
: velocidade inicial
t : tempo
: acelerao
Determinar a altura de um edifcio com uma bolinha de metal e um cronmetro: 3s
d = 0 + 0 * 3 + 1/2 * 9.8 * 3
2
= 44.1m
Este resultado confivel?
1. Fatores no considerados:
resistncia do ar
velocidade do vento, etc.
2. Preciso dos dados de entrada:
Se o tempo fosse 3,5s d = 60.025m
Variao de 16,7% no cronmetro 36% na altura.
1.1.2 Erros na Fase de Resoluo
Para a resoluo de modelos matemticos muitas vezes torna-se necessria a utilizao de
instrumentos de clculo que necessitam, para o seu funcionamento, que sejam feitas certas aproximaes. Tais
aproximaes podem gerar erros, tais como: converso de bases, erros de arredondamento e erros de
truncamento.
2
1.2 Representao dos Nmeros Reais
{
Nmer os
Compl exos ( 2+3-1 )
Reai s
{
I rraci onai s ( ; 2 )
Raci onai s
{
I nt ei ros (-1004; 2)
Fraci onri os
{
Ordi nri os (32/ 7; 1/ 3)
Deci mai s (-3. 15; 0. 33. . . )
Algumas das propriedades bsicas da aritmtica real no valem mais quando executadas no
computador, pois, enquanto na matemtica alguns nmeros so representados por infinitos dgitos, no
computador isso no possvel, pois uma palavra de memria finita e a prpria memria tambm.
Exemplos: 2 , 3 , e
3
1
.
Se desejssemos calcular a rea de uma circunferncia de raio 100m, obteramos os seguintes
resultados:
a) A = 31400m
2
b) A = 31416 m
2
c) A = 31415.92654 m
2
Como justificar as diferenas entre os resultados? possvel obter o valor exato desta rea?
Os erros ocorridos dependem da representao dos nmeros na mquina utilizada. A representao de
um nmero depende da base escolhida ou disponvel na mquina em uso e do nmero mximo de dgitos
usados na sua representao.
O nmero , por exemplo, no pode ser representado atravs de um nmero finito de dgitos decimais.
No exemplo mostrado acima, o nmero foi escrito como 3.14, 3.1416 e 3.141592654 respectivamente nos
casos (a), (b) e (c). Em cada um deles foi obtido um resultado diferente, e o erro neste caso depende
exclusivamente da aproximao escolhida para , Qualquer que seja a circunferncia, a sua rea nunca ser
obtida exatamente, uma vez que um nmero irracional.
Como neste exemplo, qualquer clculo que envolva nmeros que no podem ser representados atravs
de um nmero finito de dgitos no fornecer como resultado um valor exato. Quanto maior o nmero de
dgitos utilizados, maior ser a preciso obtida. Por isso, a melhor aproximao para o valor da rea da
circunferncia aquela obtida no caso (c).
Alm disso, um nmero pode ter representao finita em uma base e no-finita em outras bases. A
base decimal a que mais empregamos atualmente. Um computador opera normalmente no sistema binrio.
Observe o que acontece na interao entre o usurio (ou dados do programa) e o computador: os dados
de entrada so enviados ao computador pelo usurio no sistema decimal; toda esta informao convertida
para o sistema binrio, e as operaes todas sero efetuadas neste sistema. Os resultados finais sero
convertidos para o sistema decimal e, finalmente, sero transmitidos ao usurio. Todo este processo de
converso uma fonte de erros que afetam o resultado final dos clculos.
Na prxima seo, iremos estudar os processos de converso de nmeros do sistema decimal para o
sistema binrio e vice-versa. Estudaremos tambm a forma de armazenamento feita pelos computadores
digitais.
3
1.3 Sistema Decimal e Binrio
No sistema de numerao usual, o sistema decimal, usamos dez dgitos 0, 1, ..., 9. Um nmero maior
que 9 representado usando uma conveno que atribui significado posio ou lugar ocupado por um
dgito. Por exemplo, em virtude das posies ocupadas pelos dgitos individuais no nmero 2015, este nmero
tem significado numrico calculado como:
2015 = 2*10
3
+ 0*10
2
+ 1*10
1
+ 5*10
0
= 2000 + 0 + 10 + 5 = 2015
Notamos que um nmero expresso como uma soma de potncias de 10 multiplicadas por
coeficientes apropriados. No sistema decimal, 10 a base do sistema. Existem 10 dgitos, o maior sendo 9.
Em um sistema numrico com base , existem dgitos e o maior -1.
No sistema binrio existem apenas 2 dgitos: 0 e 1. Como os circuitos eletrnicos usados no
computador apresentam 2 estados possveis, convencionou-se chamar o estado desligado de 0 e o estado
ligado de 1. Cada dgito de um nmero representado no sistema binrio denominado bit (contrao de
BInary digiT).
Quando um nmero escrito no sistema binrio, os dgitos individuais representam os coeficientes de
potncias de 2. Por exemplo, o nmero decimal 19 escrito em representao binria como 10011, pois este
arranjo de dgitos binrios significa:
10011 = 1*2
4
+ 0*2
3
+ 0*2
2
+ 1*2
1
+ 1*2
0
= 16 + 0 + 0 + 2 + 1 = 19
De um modo geral, um nmero na base , (a
j
a
j-1
...a
2
a
1
a
0
)
, 0 a
k
( -1), k = 1, 2, ..., j, pode ser
escrito na forma polinomial:
a
j
j
+

a
j-1
j-1
+...+ a
2
2
+ a
1
1

+ a
0
0
Com esta representao, podemos facilmente converter um nmero representado em qualquer sistema
para o sistema decimal.
A converso de um nmero decimal para binrio feita da seguinte forma:
19 2
9 1 2
4 1 2
2 0 2
1 0 2
0
1
19
(10)
= 10011
(2)
Consideremos agora a converso de um nmero fracionrio da base 2 para a base 10.
0.125
10
= 1*10
-1
+ 2*10
-2
+ 5*10
-3
= 0.1 + 0.02 + 0.005 = 0.125
0.001
2
= 0*2
-1
+ 0*2
-2
+ 1*2
-3
= 0.125
10
Consideremos agora a converso de um nmero fracionrio da base 10 para a base 2. Um nmero real
entre 0 e 1 pode ter representao finita no sistema decimal, mas representao infinita no sistema binrio.
No caso geral, seja r um nmero entre 0 e 1 no sistema decimal e (0.d
1
d
2
...d
j
...)
2
sua representao no
4
sistema binrio. Os dgitos binrios d
1
, d
2
, ..., d
j
, ... so obtidos atravs do seguinte algoritmo:
Passo 0: r
1
= r; k = 1
Passo 1: Calcule 2r
k
.
Se 2r
k
= 1, faa: d
k
= 1,
caso contrrio, faa: d
k
= 0
Passo 2: Faa r
k+1
= 2r
k
d
k
Se r
k+1
= 0, pare.
Caso contrrio:
Passo 3: k = k + 1.
Volte ao passo 1.
Observar que o algoritmo pode ou no terminar aps um nmero finito de passos. Para r = (0.125)
10
teremos: r
1
= 0.125.
k = 1 2r
1
= 0.25 d
1
= 0
r
2
= 0.25 d
1
= 0.25
k = 2 2r
2
= 0.5 d
2
= 0
r
3
= 0.5
k = 3 2r
3
= 1.0 d
3
= 1
r
4
= 0
Temos ento 0.125
10
= 0.001
2
, sendo portanto a representao binria finita. J para r = 0.1
10
, teremos:
r
1
= 0.1
k = 1 2r
1
= 0.2 d
1
= 0
r
2
= 0.2
k = 2 2r
2
= 0.4 d
2
= 0
r
3
= 0.4
k = 3 2r
3
= 0.8 d
3
= 0
r
4
= 0.8
k = 4 2r
4
= 1.6 d
4
= 1
r
5
= 0.6
k = 5 2r
5
= 1.2 d
5
= 1
r
6
= 0.2 = r
2
Como r
6
= r
2
, teremos que os resultados para k de 2 e 5 se repetiro e ento: r
10
= r
6
= r
2
= 0.2 e assim
indefinidamente.
Conclumos que: (0.1)
10
= (0.00011001100110011...)
2
e, portanto, o nmero (0.1)
10
no tem
representao binria finita.
O fato de um nmero no ter representao finita no sistema binrio pode acarretar a ocorrncia de
erros aparentemente inexplicveis em clculos efetuados em sistemas computacionais binrios.
5
Um computador que opera no sistema binrio ir armazenar uma aproximao para (0.1)
10
, uma vez
que possui uma quantidade fixa de posies para guardar os dgitos de mantissa de um nmero, e esta
aproximao ser usada para realizar os clculos. No se pode, portanto, esperar um resultado exato.
Podemos agora entender melhor por que o resultado da operao:
S = 01
1
1000
.
n
no obtido corretamente num computador. Supondo uma mquina digital que trabalhe com apenas 9 dgitos
na mantissa, o nmero (0.1)
10
seria armazenado como (0.000110011)
2
e este nmero representa exatamente
(0.099609375)
10
. Portanto, todas as operaes que envolvem (0.1)
10
seriam realizadas com esta aproximao.
Veremos na prxima seo a representao de nmeros em aritmtica de ponto flutuante com o objetivo de se
entender melhor a causa de resultados imprecisos em operaes numricas.
O programa a seguir permite calcular 01
1
1000
.
i
, sendo 100 o valor exato dessa somatria.

PROGRAM Arredondamento;
{$N+} {usar o co-processador numrico 80x87}
VAR i : INTEGER;
x : REAL;
BEGIN
x := 0;
FOR i := 1 TO 1000 DO
x := x + 0.1;
WRITELN(x:16:14);
END.
Quando essa somatria efetuada utilizando o computador o valor : 99.99999998544808
1.4 Aritmtica de Ponto Flutuante
Usa-se, rotineiramente, duas formas para fazer o armazenamento dos nmeros em mquinas: ponto
fixo (para valores inteiros) e ponto flutuante (para valores reais).
Uma mquina de calcular, ou um computador digital, representa um nmero real no sistema
denominado aritmtica de ponto flutuante. Neste sistema, o nmero x representado na forma:
x =

e
t
t d d d d
. ...
3 2 1
3 2 1
1
]
1
+ + + +
onde:
: a base em que a mquina opera;
d
i
: so nmeros inteiros contidos no intervalo 0 d
i
( - 1); i = 1, 2, ..., t; d
1
0;
e: representa o expoente de e assume valores entre I e S;
I, S: limite inferior e limite superior, respectivamente, para a variao do expoente.
d d d dt
t
1 2 3
1 2 3

+ + + +
1
]
1
...
chamada de mantissa e a parte do nmero que representa os
seus dgitos significativos e t o nmero de dgitos significativos do sistema de representao, comumente
chamado de preciso da mquina.
Exemplo 1: No sistema de base = 10 (decimal), tem-se:
6
0.125
10
=
1
10
2
10
5
10
10
1 2 3
0
+ +
_
,
.
3.1415
10
= 0.31415 10
1
=
3
10
1
10
4
10
1
10
5
10
10
1 2 3 4 5
1
+ + + +
_
,
.
Os nmeros assim representados esto normalizados, isto , a mantissa um valor entre 0 e 1. A forma
normalizada utilizada nas operaes envolvendo ponto flutuante em computadores digitais.
No sistema de base = 2 (binrio), tem-se:
10
10
= 1010
2
= 0.101 2
4
=
1
2
0
2
1
2
2
1 2 3
4
+ +
_
,
.
4
10
= 100
2
= 0.1 * 2
3
=
1
2
* 2
3
Exemplo 2: Numa mquina de calcular cujo sistema de representao utilizado tenha =2, t = 10, I = 15 e S
= 15, o nmero 25
10
e 3.5
10
, assim representado:
25
10
= 11001
2
= 0.11001 * 2
5
= 0.11001 * 2
101
1
2
1
2
0
2
0
2
1
2
0
2
0
2
0
2
0
2
0
2
1 2 3 4 5 6 7 8 9 10
+ + + + + + + + +
_
,
* 2
101
ou, de uma forma mais compacta:
1100100000 0101
Mantissa expoente
Cada dgito chamado de bit, portanto, nesta mquina so utilizados 10 bits para a mantissa, 4 para o
expoente e mais um bit para o sinal da mantissa (se bit=0 positivo, se bit=1 negativo) e um bit para o sinal do
expoente, resultando, no total, 16 bits, que so assim representados:
25
10
=
3.5
10
= 0.111 * 2
10
O maior valor representado por esta mquina descrita no exemplo 2 seria:
que, na base decimal, tem o seguinte valor: 0.1111111111 * 2
1111
= 32736
10
E o menor valor seria: 0.1111111111 * 2
1111
= 32736
10
Logo, os nmeros que podem ser representados nesta mquina estariam contidos no intervalo
0 1 1 0 0 1 0 0 0 0 0 0 0 1 0 1
Valor da Mantissa Expoente
Sinal da Mantissa Sinal Exp.
0 1 1 1 0 0 0 0 0 0 0 0 0 0 1 0
0 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1
7
[32736; 32736].
Nesta mquina, ainda, o valor zero seria representado por:
O prximo nmero positivo representado seria:
0.1 * 2
-15
= 0.000015259
O subsequente seria:
0.1000000001 * 2
-15
= 0.000015289
Atravs desses exemplos pode-se concluir que o conjunto dos nmeros representveis neste sistema
um subconjunto dos nmeros reais, dentro do intervalo mostrado anteriormente.
Considere, por exemplo, uma mquina que opera no sistema:
= 10; t = 3; e [-5,5].
Os nmeros sero representados da seguinte forma nesse sistema:
0.d
1
d
2
d
3
* 10
e
, 0 d
j
9, d
1
0, e [5, 5]
O menor nmero (m), em valor absoluto, representado nesta mquina :
m = 0.100 * 10
-5
= 10
-6
e o maior nmero (M), em valor absoluto, :
M = 0.999 * 10
5
= 99900
Considere o conjunto dos nmeros reais 5 e o seguinte conjunto:
G = {x 5 | m | x | M}
Dado um nmero real x, vrias situaes podero ocorrer:
1. x G: por exemplo, x = 235.89 = 0.23589 * 10
3
. Observe que este nmero possui 5 dgitos na
mantissa. Esto representados exatamente nesta mquina os nmeros: 0.235*10
3
e 0.236*10
3
. Se
for usado o truncamento, x ser representado por 0.235*10
3
e, se for usado o arredondamento, x
ser representado por 0.236*10
3
. Na prxima seo, sobre erros, estudaremos o truncamento e o
arredondamento;
2. | x | < m: por exemplo, x = 0.345*10
-7
. Este nmero no pode ser representado nesta mquina porque
o expoente e menor que 5. Esta uma situao em que a mquina acusa a ocorrncia de
underflow;
3. | x | > M: por exemplo, x = 0.875*10
9
. Neste caso o expoente e maior que 5 e a mquina acusa a
ocorrncia de overflow.
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1
0 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1
8
Algumas linguagens de programao permitem que as variveis sejam declaradas em preciso dupla.
Neste caso, esta varivel ser representada no sistema de aritmtica de ponto flutuante da mquina, mas com
aproximadamente o dobro de dgitos disponveis na mantissa. importante observar que, neste caso, o tempo
de execuo e requerimento de memria aumentam de forma significativa.
O Turbo Pascal fornece 5 (cinco) tipos de real pr-definidos. Cada tipo tem um intervalo e uma
preciso especificada:
Tipo Intervalo Dgitos Tamanho (Bytes)
Real 2.9E39 ... 1.7E38 11-12 6
Single 1.5E45 ... 3.4E38 7-8 4
Double 5.0E324 ... 1.7E308 15-16 8
Extended 3.4E4932 ... 1.1E4932 19-20 10
Comp 9.2E18 ... 9.2E18 19-20 8
O Turbo Pascal suporta dois modelos na gerao de cdigo com ponto flutuante:
Software ponto flutuante, {$N}
80x87 ponto flutuante, {$N+}
Deve-se usar a diretiva de compilao $Nt para escolher um dos dois modelos. Por default
utilizado o primeiro modelo. Os tipos Single, Double, Extended e Comp so tipos de dados do co-
processador 80x87, portanto para usar um destes 4 tipos necessita obrigatoriamente da diretiva de compilao
{$N+}. A diretiva de compilao {$N+} faz com que o compilador gere cdigo para realizar o clculo de
todos os tipos acima usando o co-processador numrico 80x87.
9
2 Conceito de Erro
2.1 Introduo
A noo de erro est presente em todos os campos do Clculo Numrico. De um lado, os dados, em si,
nem sempre so exatos e, de outro lado, as operaes sobre valores no exatos propagam esses erros a seus
resultados. Finalmente, os prprios mtodos numricos, freqentemente mtodos aproximados, buscam a
minimizao dos erros, procurando resultados o mais prximo possvel do que seriam valores exatos.
Erro a diferena entre o valor exato e o valor apresentado.
No captulo acima, sobre representao de nmeros reais, pudemos acompanhar vrias situaes em
que ocorrem erros. Iremos a seguir falar um pouco mais sobre erros de arredondamento e erros de
truncamento.
2.2 Erros Absolutos e Relativos
Erro absoluto (EA) a diferena entre o valor exato de um nmero N e o seu valor aproximado N:
N = N + EA
N
(N > N EA
N
> 0
N < N EA
N
< 0)
EA
N
= N N Erro absoluto
Por exemplo, sabendo-se que (3.14, 3.15) tomaremos para um valor dentro deste intervalo e
teremos, ento, |EA
| = | - | < 0.01.
Erro Relativo definido como o erro absoluto dividido pelo valor aproximado:
ER
EA
N
N N
N
N
N

'
'
'
Erro Relativo
claro que EA
N
s poder ser determinado se N for exatamente conhecido; como isso raro, em
clculos numricos costuma-se trabalhar com uma limitao mxima para o erro, ao invs do prprio
(indicando-se, ento, | E | < , onde o limite).
Por exemplo, se = 3876.373 e s desejamos a parte inteira , o erro absoluto ser:
= | ' | = 0.373
Se fizermos o mesmo com o nmero = 1.373, teremos:
= | ' | = 0.373
Obviamente, o efeito de aproximao de muito maior do que em , mas o erro absoluto o mesmo
nos dois casos. O erro relativo, entretanto, pode traduzir perfeitamente este fato, pois:
=
0 373
3876
,
0,000096 < 10
-4
=
0 373
1
,
0,373 < 5*10
0
2.3 Erro de Arredondamento
Ao se aplicar um mtodo numrico, os erros devidos aos valores iniciais, intermedirios e finais
conduzem a um erro global (diferena entre o exato e o obtido) tambm chamado de arredondamento.
Erros iniciais so os cometidos no arredondamento dos dados iniciais. Os erros intermedirios so
decorrentes dos erros cometidos durante a aplicao do mtodo numrico e os erros finais decorrentes da
apresentao final do resultado.
10
Os tipos de arredondamentos mais conhecidos so:
Arredondamento para baixo ou por falta;
Arredondamento para cima ou por excesso;
Arredondamento para o numero de maquina mais prximo.
Critrio de Arredondamento: no clculo manual, ao registrar um valor aproximado, costuma-se usar
a seguinte regra:
1. somar meia unidade aps a ltima casa decimal a conservar;
2. desprezar as demais casas.
Assim, com 2 nmeros significativos tem-se:
2 = 1.414 ... 1.41 (1.414 ... + 0.005 = 1.419 ... 1.41)
2
3
= 1.259 ... 1.26 (1.259 ... + 0.005 = 1.264 ... 1.26)
O uso deste critrio limita o erro a meia unidade da ltima casa conservada:
E = 2 1.41 = 1.41421 ... 1.41 = 0.00421 < 0.005
Os valores aproximados obtidos podem ser inferiores (valor aproximado por falta) ou superiores (valor
aproximado por excesso) aos exatos; 1.41 o valor aproximado, por falta, de 2 ; 1.26 o valor de 2
3
,
aproximado por excesso.
Para concluir este item de erro de arredondamento, deve-se ressaltar a importncia de se saber o
nmero de dgitos significativos do sistema de representao da mquina que est sendo utilizada para que se
tenha a noo da preciso do resultado obtido.
Alm da preciso decimal, o clculo do chamado psilon da mquina nos d uma idia da exatido da
mquina.
O da mquina o menor nmero de ponto flutuante, tal que: 1 + > 1. Alguns mtodos para clculo
de no do seu valor exato, mas isto nem sempre necessrio, pois o que importa a sua ordem de
grandeza.
O programa abaixo, escrito na linguagem Pascal, calcula uma aproximao do da mquina:
PROGRAM Precisao;
VAR Eps: REAL;
BEGIN
Eps := 1;
REPEAT
Eps := Eps / 2;
UNTIL (Eps + 1 = 1);
WRITELN('A maquina acha que ', Eps,' vale zero!');
READLN;
END.
O programa acima, executado num Pentium, obteve a seguinte resposta: A mquina acha que
4.5474735089E-13 vale zero!
Logo o nmero de dgitos significativos 14. Se em vez de usarmos o tipo Real, usarmos o tipo
Extended, teremos 5.42101086242752E0020 e com o tipo Comp, teremos 0.00000000000000E+0000.
11
2.4 Erro de Truncamento
So erros provenientes da utilizao de processos que deveriam ser infinitos ou muito grandes para a
determinao de um valor e que, por razes prticas, so truncados.
Estes processos infinitos so muito utilizados na avaliao de funes matemticas, tais como,
exponenciao, logaritmos, funes trigonomtricas e vrias outras que uma mquina pode ter.
Exemplo: Uma mquina poderia calcular a funo seno(x) e exponencial(x) utilizando as seguintes tcnicas:
seno(x) = x
x x x
+ +
3 5 7
3 5 7 ! ! !
...
e
x
= 1
2 3
2 3
+ + + + x
x x
! !
...
Fazendo truncamento:
seno(x) x
x x x x
n
n
n
+ + +
3 5 7
3 5 7
1
! ! !
... ( )
!
e
x
1
2 3
2 3
+ + + + + x
x x x
n
n
! !
...
!
A soluo a de interromper os clculos quando uma determinada preciso atingida.
De uma maneira geral, pode-se dizer que o erro de truncamento pode ser diminudo at chegar a ficar
da ordem do erro de arredondamento; a partir desse ponto, no faz sentido diminuir-se mais, pois o erro de
arredondamento ser dominante.
2.5 Propagao de Erros
Durante as operaes aritmticas de um mtodo, os erros dos operandos produzem um erro no
resultado da operao; sendo A, a, B, b os valores exatos e aproximados, respectivos, e E
a
e E
b
, os erros dos
operandos.
A + B = (a + E
a
) + (b + E
b
) = a + b + E
a
+ E
b
EA
A+B
= E
a
+ E
b
A B = (a + E
a
) (b + E
b
) = a b + E
a
E
b
EA
A-B
= E
a
E
b
A * B = (a + E
a
) (b + E
b
) = ab + aE
b
+ bE
a
+ E
b
*E
a
EA
A*B
= aE
b
+ bE
a
+ E
b
*E
a
Vejamos atravs de um exemplo, como os erros descritos anteriormente podem influenciar o
desenvolvimento de um clculo.
Exemplo: Suponha-se que as operaes abaixo sejam processadas em uma mquina com 4 dgitos
significativos e fazendo-se: x
1
= 0.3491*10
4
e x
2
= 0.2345*10
0
tem-se:
(x
2
+ x
1
) x
1
= (0.2345*10
0
+ 0.3491*10
4
) 0.3491*10
4
= 0.3491*10
4
0.3491*10
4
= 0.0000
x
2
+ (x
1
x
1
) = 0.2345*10
0
+ (0.3491*10
4
0.3491*10
4
)
= 0.2345 + 0.0000
= 0.2345
Os dois resultados so diferentes, quando no deveriam ser, pois a adio uma operao distributiva.
A causa desta diferena foi um arredondamento feito na adio (x
2
+ x
1
), cujo resultado tem 8 dgitos. Como a
12
mquina s armazena 4 dgitos, os menos significativos foram desprezados.
Ao se utilizar mquinas de calcular deve-se estar atento a essas particularidades causadas pelo erro de
arredondamento, no s na adio mas tambm nas outras operaes.
13
3 Zeros de Equaes Transcendentes e Polinomiais
3.1 Introduo
Seja F(x) uma funo real definida num intervalo [a, b]. Chama-se raiz(es) desta funo em [a, b] a
todo (csi) (a, b) tal que F() = 0, como mostra a figura abaixo.
0
f(x)
y
x
b
a
3.1.1 Derivada de uma funo num ponto
A funo : A R diz-se derivvel no ponto de acumulao a A quando existe e finito o limite:

x x a x
y
x
f x f a
x a
f a x f a
x

+
0 0
lim lim
( ) ( )
lim
( ) ( )
Quando f derivvel em a, o limite chamado derivada de f no ponto a.
3.1.2 Tipos de Mtodos
Pode-se dizer que so dois os mtodos para se achar a(s) raiz(es) de uma equao:
Mtodo direto: quando fornece soluo em apenas um nico passo. Esta raiz exata, a menos de erros
de arredondamento.
Exemplo: Seja F(x) = x
2
3x + 2. A soluo direta pode ser obtida atravs da frmula de Baskara com a
expresso: X
b
b
ac
a
t
2
4
2
, que ter como conjunto soluo {1, 2}.
PROGRAM Baskara;
VAR a, b, c : INTEGER;
delta : INTEGER;
x1, x2 : REAL;
BEGIN
a := 1; b := -3; c := 2; {f(x) = x^2 - 3*x + 2}
delta := b*b - 4*a*c;
IF delta >= 0 THEN
BEGIN
x1 := (-b + SQRT(delta)) / (2*a);
x2 := (-b - SQRT(delta)) / (2*a);
WRITELN('x1 = ',x1);
WRITELN('x2 = ',x2);
END
ELSE WRITELN('Nao possui raizes reais');
END.
Mtodo iterativo ou indireto: um processo de clculo infinito, recursivo, em que o valor obtido a
cada passo depende de valores obtidos em passos anteriores. Este tipo de mtodo, na maioria das vezes, no
obtm soluo exata para as razes, mas sim uma soluo aproximada dentro de uma faixa de erro considerada
aceitvel.
14
importante salientar, que normalmente, os mtodos iterativos so mais precisos quando executados
em um computador que permite agilizar os clculos matemticos, obtendo assim uma melhor preciso.
Exerccio: Calcular 4 e de 2 usando o Mtodo de Newton definido por:
2
1
1
,
_
n
n
n
x
x
x
x , para n = 1, 2, 3, ...
onde: x: o nmero a ser calculado a raiz
x
0
: atribuio inicial qualquer.
Como vimos anteriormente, o clculo das duas razes de uma equao do segundo grau, colocada sob
a forma ax
2
+ bx + c = 0, so facilmente obtidas pela frmula de Baskara. Entretanto, se colocarmos uma
expresso em que aparea uma equao transcendente, a soluo j no to simples, como demonstram os
exemplos abaixo:
e
x
+ x = 0
cos(x) x = 0
ln(x) + x 2 = 0
Mesmo um polinmio de grau maior que trs j no tem uma soluo algbrica simples como a da
equao do segundo grau, a no ser em casos particulares. Vamos analisar como enfrentar esse problema, to
comum em diversas reas da engenharia, da economia, das cincias, da fsica, entre tantas outras.
Essas equaes, com enorme freqncia, nos levam a razes reais no racionais que, ao serem
representadas no computador, necessariamente, o sero de forma aproximada, pelas razes j expostas no
captulo anterior, tendo em vista que necessitariam de infinitos dgitos, em suas mantissas, para serem
representadas.
Alm disso, em geral, estamos interessados em obter esses valores, essas razes, com uma determinada
preciso, com um erro tolervel, com algumas casas decimais, sem a pretenso de obter valores exatos. Isso
mais do que suficiente, para a maioria dos problemas prticos encontrados.
Os mtodos numricos a serem apresentados, partindo de valores inicialmente propostos, buscam
aprimorar esses valores, diminuindo os erros, aproximando-se, assim, dos valores das razes procuradas, at
que os erros sejam aceitveis, podendo-se garantir que sejam erros inferiores a valores pr-definidos.
Para se calcular uma raiz duas etapas devem ser seguidas:
Isolar a raiz, ou seja, achar um intervalo [a, b], o menor possvel, que contenha uma e somente
uma raiz da equao f(x) = 0;
Melhorar o valor da raiz aproximada, isto , refin-la at o grau de exatido requerido. Com a
abordagem iterativa precisamos determinar um intervalo inicial para construirmos a seqncia {x
i
}
e teremos que a raiz x' ser dada por:
i
i
x x

lim '
Alm disto, temos que estipular critrios de parada, pois na pratica no calcularemos infinitos termos,
mas apenas o suficiente para atingirmos a exatido desejada.
3.1.3 Isolamento de Razes
Nesta fase feita uma anlise terica e grfica da funo f(x). Para tal fim, usa-se freqentemente um
importante teorema da lgebra.
15
Teorema: Se uma funo f(x) contnua num intervalo [a, b] assume valores de sinais opostos nos
pontos extremos deste intervalo, isto , f(a). f(b) < 0, ento o intervalo conter, no mnimo, uma raiz da
equao f(x) = 0; em outras palavras haver, no mnimo, um nmero (a, b) tal que f() = 0.
3.1.3.1 Nmero de Razes Reais
Na seo anterior vimos como delimitar as razes reais de F(x) = 0. Agora iremos verificar quantas
razes existem no intervalo delimitado. Os mtodos a seguir do uma boa indicao sobre o nmero de razes
do intervalo.
Teorema de Bolzano: Seja F(x) = 0 uma equao algbrica com coeficientes reais e x (a, b):
Se F(a).F(b) < 0, ento existe um nmero impar de razes reais (contando suas multiplicidades) no
intervalo (a, b).
Se F(a).F(b) > 0, ento existe um nmero par de razes reais (contando suas multiplicidades) ou
no existe razes reais no intervalo (a, b).
A determinao do nmero de razes de equaes transcendentes geralmente quase impossvel, pois
algumas equaes podem ter um nmero infinito de razes.
No faremos maiores consideraes sobre este importante tpico, por no ser o objeto de estudo neste
momento, e por merecer um trabalho a parte, devido a extenso de seu contedo. Entretanto, podemos
salientar que o problema de isolar razes constitui-se da enumerao, localizao e separao das mesmas.
3.1.3.2 Refinamento
Depois de isolar a raiz no intervalo [a, b], passa-se a calcul-la atravs de mtodos numricos. Como
veremos adiante, estes mtodos devem fornecer uma seqncia {x
i
} de aproximao, cujo limite a raiz exata
. Em cada aproximao x
n
, da raiz exata , usa-se um destes critrios e compara-se o resultado com a
tolerncia pr-fixada.
A verificao, de que x
n
est "suficientemente" prxima da raiz, pode ser feita de dois modos
diferentes (que podem levar a resultados diferentes):
| f(x
n
) | ( abordagem pelo eixo y)
| x
n
x
n-1
| (abordagem pelo eixo x)
Observa-se que dependendo dos nmeros envolvidos aconselhvel usar os testes de erro relativo:
| |
| |
1
1
n
n n
x
x x

3.1.4 Classificao dos mtodos
Mtodos de quebra: Os mtodos de quebra so os mais intuitivos geometricamente; contudo, so os
que convergem mais lentamente. Estes mtodos so assim chamados porque a partir de um intervalo que
contenha uma raiz da funo, vai-se particionando este intervalo em outros menores, que ainda contenham a
raiz. Dependendo da escolha do ponto de quebra do intervalo, poderemos ter diferentes mtodos, tais como.
Mtodo da Bisseo;
Mtodo da Falsa Posio.
Mtodos de ponto fixo: Nos mtodos de ponto fixo comeamos de uma aproximao inicial x
0
e
construmos a seqncia {x
i
} na qual cada termo dado por x
i+1
= (x
i
), onde uma funo de iterao.
Conforme for , (dzeta) teremos diferentes mtodos de ponto fixo, tais como.
16
Mtodo de Newton-Raphson;
Mtodo da Iterao Linear.
Mtodos de mltiplos pontos: Os mtodos de mltiplos pontos constituem uma generalizao do
mtodo anterior, onde para determinar um ponto x
i+1
utilizamos vrios pontos anteriores: x
i
, x
i-1
, ..., x
i-p.
Exemplo:
Mtodo da Secante.
3.2 Mtodo da Bisseo
Seja f(x) uma funo contnua no intervalo [a, b] e seja uma raiz desta funo, sendo que (a, b),
tal que f() = 0.
y
x
0
b
a x
1
x
2
f(x)
f(a)
f(b)
x
3
x
4
Interpretao geomtrica do mtodo da bisseo
Dividindo o intervalo [a, b] ao meio, obtm-se x
1
, havendo, pois, dois subintervalos, [a, x
1
] e [x
1
, b], a
ser considerados. Se f(x
1
) = 0, ento = x
1
; caso contrrio, a raiz estar no subintervalo onde a funo tem
sinais opostos nos pontos extremos, ou seja, se f(a). f(x
1
) < 0 ento [a, x
1
], seno f(a). f(x
1
) > 0 e [x
1
,
b].
O processo se repete at que se obtenha uma aproximao para a raiz exata , ou seja, que o critrio de
parada seja satisfeito. Ento, por induo, temos:
Algoritmo:
2
b a
x
n
+
, para n = 1, 2, 3, ...
Se f(a). f(x
n
) < 0, ento teremos b = x
n
, seno a = x
n
.
Critrio de Parada:
erro f
xn
) (
ou
| b a | erro
Restrio: necessrio conhecer um intervalo que contenha o valor desejado .
3.2.1 Estimativa do Nmero de Iteraes
Considerando uma preciso e um intervalo inicial [a, b] possvel saber, a priori, quantas iteraes
sero efetuadas pelo mtodo da bisseo at que se obtenha | b a | , usando o algoritmo deste mtodo.
Vimos que:
k
k k
k k
a b a b
a b
2 2
0 0 1 1

Deve-se obter o valor de k tal que b
k
a
k
< , ou seja,
17
<
k
a b
2
0 0
k
a b
2
0 0
<
log(b
0
a
0
) log() < k * log(2)
k
a b
<

) 2 log(
) log( ) log(
0 0

Portanto, se k satisfaz a relao acima, ao final da iterao k teremos o intervalo [a, b] que contem a raiz
.
3.2.2 Consideraes Finais
As iteraes no envolvem clculos laboriosos;
Apesar de teoricamente seguro, o mtodo pode ter falhas. Se ocorrer um erro de arredondamento,
mesmo que pequeno, no momento em que a mquina avalia o sinal do ponto mdio, poderemos ter
um intervalo que efetivamente no contm uma raiz;
Pode ser difcil encontrar um intervalo [a, b], tal que f(a). f(b) < 0, em equaes com razes de
multiplicidade par ou muito prximas;
A convergncia muito lenta, pois se o intervalo inicial tal que b
0
a
0
>> e se for muito
pequeno, o numero de iteraes (k) tende a ser muito grande;
Deve ser utilizado apenas para diminuir o intervalo que contm a raiz.
3.2.3 Exemplos
Exemplo 1: Encontrar a raiz da funo f(x) = x.ln(x) 3.2 contida no intervalo [2, 3], com erro 10
-2
.
a) Algoritmo:
2
b a
x
n
+
b) Escolha do intervalo:
f(2) = 1.81371 f(3) = 0.09584
[2, 3]
c) Valor do erro:
erro 10
-2
d) Iteraes:
a X
n
b f(a) f(x
n
) | x
n
a | = | f(x
n
) |
2 2.5 3 1.81371 0.90927 0.5 0.90927
2.5 2.75 3 0.90927 0.41810 0.25 0.41810
2.75 2.875 3 0.41810 0.16385 0.125 0.16385
2.875 2.9375 3 0.16385 0.03467 0.0625 0.03467
2.9375 2.96875 3 0.03467 0.03042 0.03125 0.03042
2.9375 2.953125 2.96875 0.03467 0.00217 0,015625 0.00217
e) Resposta:
A raiz desejada = 2,953125
Exemplo 2: Encontrar a raiz de f(x) = x
2
3, contida no intervalo [1; 2], com erro 10
-2
.
Resposta: A raiz desejada = 1.734375
Exemplo 3: Encontrar a raiz da funo f(x) = x
2
+ ln(x) contida no intervalo [0.5, 1], com erro 10
-2
.
18
Exemplo 4: Encontrar a primeira raiz positiva da funo f(x) = e
-x
sen(x), com erro 10
-2
.
3.3 Mtodo da Falsa Posio
Seja f(x) uma funo contnua no intervalo [a, b] e seja uma raiz desta funo, sendo que (a, b),
tal que f() = 0.
No caso do Mtodo da Bisseo, x
n
obtido atravs da mdia aritmtica entre os extremos a e b:
2
b a
x
n
+
Na maioria das vezes a raiz est mais prxima de um dos extremos do intervalo. Se partirmos do
princpio de que a raiz deve estar mais prxima do ponto que apresenta o menor valor da funo, ento, em
vez de tomar a mdia aritmtica entre a e b, o mtodo da falsa posio toma a mdia aritmtica ponderada
entre a e b com pesos | f(b) | e | f(a) |, respectivamente:
) ( ) (
) ( ) (
a f b f
a f b b f a
xn
+
+
, visto que f(a) e f(b) tm sinais opostos, temos ento:
) ( ) (
) ( ). (
) ( ) (
) ( ) ( ) ( ) (
) ( ) (
) ( ) (
a f b f
a f a b
a
a f b f
a af a af a bf b af
a f b f
a bf b af
xn
, para n = 1, 2, 3, ...
Graficamente, este mtodo procura particionar o intervalo [a, b], na interseo da reta que une os
pontos (a, f(a)) e (b, f(b)) com o eixo x. Este ponto representado como x
n
. Escolhe-se ento um novo
subintervalo conforme for a variao do sinal da curva f.
O mtodo da falsa posio aplicado na figura abaixo mostra que f(x
1
).f(a) < 0, com isso, o novo
intervalo que contm pelo menos uma raiz real dado por (a, x
1
). Continuando o processo, determinamos o
ponto x
2
e verifica-se, agora, que f(x
2
).f(x
1
) < 0, da o processo segue tendo o intervalo (x
1
, x
2
).
Aps encontrar o ponto x
1
, devemos verificar, como no caso da bisseo, se a raiz est entre o
intervalo (a, x
1
) ou (x
1
, b). Se f(a).f(x
1
1
, caso contrrio teremos a = x
1
. A partir da o
processo se repete at que o critrio de parada seja satisfeito.
y
x
0
b
a
x
1
f(x)
f(b)
f(a)
f(b' )
x
2
Representao geomtrica do mtodo da falsa posio
O algoritmo deste mtodo tambm pode ser encontrado atravs da anlise dos tringulos formados
pela reta (a, f(a)) e (b, f(b)) com o eixo x. Seja o tringulo f(a)x
1
a e o tringulo f(a)f(b)f(b), ento, pela
propriedade da semelhana de tringulos temos:
19
) ( ) (
)) ( )( (
) ( ) ( ) ( ) (
) ( ) (
1
1
1
a f b f
a f a b
a x
a f
a x
a f b f
a b
a f
a f b f
a x
a b
) ( ) (
)) ( )( (
1
a f b f
a f a b
a x

Se f(a).f(x
1
1
, seno a = x
1
. A partir da o processo se repete at que o critrio
de parada seja satisfeito.
Ento, por induo temos:
Algoritmo:
) ( ) (
) ( ). (
a f b f
a f a b
a
xn
Para n = 1, 2, 3, ...
Se f(a).f(x
n
n
, seno a = x
n
.
Critrio de Parada:
| x
n
x
n-1
| erro (x
0
= a ou x
0
= b)
Pode ser usado tambm o critrio: erro f
xn
) (
Restrio:
necessrio conhecer um intervalo que contenha o valor desejado .
3.3.1 Casos especiais
Se f(x) contnua no intervalo [a, b] com f(a).f(b) < 0 ento o mtodo da falsa posio gera uma
seqncia convergente.
Se uma funo cncava ou convexa em [a, b], ou seja, a segunda derivada existe em [a, b] e f(x)
no muda de sinal nesse intervalo, ento no mtodo da falsa posio teremos sempre uma das extremidades
fixa. Este caso especial tambm chamado de Mtodo das Cordas. A figura abaixo mostra graficamente os
quatro casos que podem ocorrer:

f x
f a e f b
"( )
( ) ( )
>
< >

0
0 0
b ponto fixo
y
x
0
b
a
x
1
x
2
f(x)
f(b)
f (a)

f x
f a e f b
"( )
( ) ( )
>
> <

0
0 0
a ponto fixo
y
x
0
b
a
x
1
x
2
f(x)
f(a)
f(b)

f x
f a e f b
"( )
( ) ( )
<
< >

0
0 0
a ponto fixo
f x
f a e f b
"( )
( ) ( )
<
> <

0
0 0
b ponto fixo
20
y
x
0 b
a
x
1
x
2
f(x)
f(a)
f(b)
y
x
0
b
a
x
1
x
2
f(x)
f(b)
f(a)
Mtodo da falsa posio com uma das extremidades fixa

3.3.2 Consideraes finais
Se o ponto fixo existir e for razoavelmente prximo da raiz, o mtodo tem boa convergncia; caso
contrrio, pode ser mais lento que a bisseo.
3.3.3 Exemplos
Exemplo 1: Determinar pelo mtodo da falsa posio a menor raiz positiva da funo de quarto grau f(x) = x
4
26x
2
+ 24x + 21 at que o erro absoluto seja igual ou inferior a 0.01. Os clculos devem ser efetuados com 2
casas decimais e com arredondamento.
a) Algoritmo:
) ( ) (
) ( ). (
a f b f
a f a b
a
xn

f(x) = x
4
26x
2
+ 24x + 21
f(x) = 4x
3
52x + 24
f(x) = 12x
2
52
Em primeiro lugar, deve-se procurar o intervalo onde possivelmente esteja a primeira raiz
positiva. Atravs da anlise do valor da funo nos primeiros pontos do eixo dos x temos que:
f(0) = 21, f(1) = 20, f(2) = 19, logo, entre (1, 2) existe uma raiz positiva.
c) Valor inicial:
a = 1 b = 2
f(1) = 40 f(2) = 4 f(1).f(2) > 0 a concavidade no muda.
temos f(x) < 0, f(a) > 0 e f(b) < 0, portanto, b ponto fixo.
d) Valor do erro:
erro 10
-2
e) Iteraes:
x
f
f f
1 1
2 1 1
2 1
1
1 20
19 20
1
20
39
1 51

( )( ( ))
( ( ) ( ))
( )( )
( )
,
| x
1
a | = | 1,51 1 | = 0,51 > erro
f(a).f(x
1
) = (20).(3,16) = 63,2 > 0, portanto a raiz est no intervalo (x
1
, b), ento a = x
1
21
x
f
f f
2 1 51
2 151 1 51
2 1 51
151
0 49 316
19 316
151
155
2216
1 58

,
( , )( ( , ))
( ( ) ( , ))
,
( , )( , )
( , )
.
( , )
,
,
| x
2
x
1
| = | 1,58 1,51 | = 0,07 > erro
f(a).f(x
2
) = (1,51).(1,58) = 2,3858 > 0, a = x
2
x
f
f f
3 158
2 158 1 58
2 158
1 58
0 42 0 24
19 0 24
158
010
19 24
1 59

,
( , )( ( , ))
( ( ) ( , ))
,
( , )( , )
( , )
,
,
,
,
| x
3
x
2
| = | 1,59 1,58 | = 0,01 < erro
f) Resposta:
= 1,59 a primeira raiz positiva do polinmio.
Exemplo 2: Calcular a raiz aproximada para a equao f(x) = cos(x) + x, com 0.001.
Resposta: = 0.7391 a raiz procurada da equao.
Exemplo 3: Calcular a raiz negativa para a funo f(x) = e
x
+ x, com o erro 0.01. Sabe-se que a raiz est
contida no intervalo [1, 0].
Resposta: = 0.5677 a raiz procurada da equao.
3.4 Mtodo da Iterao Linear
Seja f(x) uma funo contnua no intervalo [a, b] e seja uma raiz desta funo, sendo (a, b), tal
que f() = 0.
Por um artifcio algbrico, pode-se transformar f(x) = 0 em duas funes que lhe sejam equivalentes.
f(x) = 0
'
) (x g y
x y
onde g(x) chamada de funo de iterao.
y
x
0
f(x)
y=x
y=g( x)
Interpretao geomtrica do mtodo da iterao linear
Sendo x
0
a primeira aproximao da raiz , calcula-se g(x
0
). Faz-se ento, x
1
= g(x
0
), x
2
= g(x
1
), x
3
=
g(x
2
) e assim sucessivamente.
Ento, por induo, temos:
Algoritmo:
22
) (
1
n n
x g x para n = 1, 2, 3, ...
Critrio de Parada:
| x
n
x
n-1
| erro
Melhor extremo:
Empiricamente, sabe-se que o mtodo tem sucesso quando | g'(x) | < 1 em todo intervalo.
O extremo mais rpido para iniciar o mtodo aquele para o qual o mdulo da primeira
derivada menor.
Se | g'(a) | < | g'(b) | ento x
0
= a, seno x
0
= b.
3.4.1 Casos de convergncia
Seja f(x) = x
3
5x + 3. Possveis g(x):
g(x) =
5
3
3
+ x
g(x) = ( )
3
1
3 5 x
g(x) =
2
3 5
x
x
g(x) =
5
3
2
x
Como podemos ter vrias funes g(x), vamos estabelecer algumas condies para que os resultados
sejam satisfatrios.
Vamos observar graficamente o problema e verificar que h funes g(x) que no so indicadas para a
escolha.
Convergncia monotnica
0 < g(x) < 1
y
x
0
x
1
x
2
x
0
y=x
y=g( x)
Convergncia oscilante
1 < g(x) < 0
y
x
0
x
1
x
2
x
0
y=x
y=g( x)
x
3
x
4

Divergncia monotnica
g(x) > 1
y
x
0
x
1
x
2
x
0
y=x
y=g( x)
Divergncia oscilante
g(x) < 1
y
x
0
x
1
x
2
x
0
y=x
y=g( x)
x
3
x
4
Convergncia no mtodo da iterao linear
A maior dificuldade neste mtodo encontrar uma funo de iterao que satisfaa condio de
23
convergncia;
Teste de | g'(x) | < 1 pode levar a um engano se x
0
no estiver suficientemente prximo da raiz. A
velocidade de convergncia depender de | g'() |: quanto menor este valor maior ser a
convergncia;
Devemos observar que o teste de erro ( | x
n
x
n-1
| erro ) no implica necessariamente que | x
n

| erro, conforme vemos na figura abaixo:
y
x
0
y=x
y=g(x)
xn xn- 1
3.4.3 Exemplos
Exemplo 1: Dada a funo f(x) = x
2
+ 3x 40, obter sua raiz contida no intervalo [4.5, 5.5], pelo MIL, com
um erro 10
-4
.
a) Algoritmo: ) (
1
n n
x g x
b) Escolha da funo de iterao:
y = x
y =
3
40
2
x
y' =
3
2x
divergncia oscilante
y =
3
40
+ x
y' =
2
) 3 (
40
+
x
convergncia oscilante
y = x 3 40 y' =
x 3 40 2
3
convergncia oscilante
c) Melhor extremo (valor inicial):
y = x 3 40 y' =
x 3 40 * 2
3
y'(4.5) = 0.2914 y'(5.5) = 0.3094 x

0
= 4.5
d) Valor do erro:
erro 10
-4
e) Iteraes:
x
1
= 5.14782
x
2
= 4.95546
x
3
= 5.01335
x
4
= 4.99599
x
5
= 5.00120
24
x
6
= 4.99964
x
7
= 5.00011
x
8
= 4.99997
x
9
= 5.00000 | x
9
x
8
| = 0.00003 < erro
f) Resposta:
A raiz desejada = 5.00000
2
+ 3x cos(x) 2.45, obter sua raiz contida no intervalo [0.5, 1], pelo
MIL, com um erro 10
-2
.
3.5 Mtodo de Newton-Raphson ou Mtodo das Tangentes
Seja f(x) uma funo contnua no intervalo [a, b] e seja uma raiz desta funo, sendo (a, b), tal que
f() = 0 e f(x) 0.
y
x 0
a
f(a)
b=x
0
f(x)
x
1
x
2

x'
1
f(x
0
)
f(x
1
)
Interpretao geomtrica do mtodo de Newton
Tomemos x
0
= b. Ento temos:
) ( '
) ( ) (
) ( ' ) ( '
0
0
0 1
1 0
0
0 0
x f
x f
x x
x x
x f
x f x f tg

Se erro x x
0 1
, ento x
1
a raiz desejada, seno deve-se calcular x
2
, que obtido com base no
mesmo raciocnio anterior:
) ( '
) (
1
1
1 2
x f
x f
x x .
Se erro x x
1 2
, ento x
2
a raiz desejada, seno deve-se calcular x
3
, ..., x
n
, at que erro x x
n n

1
.
Ento, por induo, temos:
Algoritmo:
) ( '
) (
1
1
1

n
n
n n
x f
x f
x x , para n = 1, 2, 3, ...
Critrio de Parada:
erro x x
n n

1
Restrio:
necessrio conhecer um intervalo que contenha o valor desejado .
Melhor extremo:
Para decidir qual o melhor extremo do intervalo (a, b) a iniciar o mtodo, basta verificar qual
dos extremos possui funo e segunda derivada com mesmo sinal:
25
f(x
i
). f''(x
i
) > 0 Para i = {extremos do intervalo}
Requer o conhecimento da forma analtica de f '(x), mas sua convergncia extraordinria.
3.5.2 Exemplos
Exemplo 1: Calcular a raiz positiva da equao f(x) = 2x sen(x) 4 = 0, com erro 10
-3
, usando o mtodo
de NR.
a) Algoritmo:
) ( '
) (
1
1
1

n
n
n n
x f
x f
x x
f(x) = 2x sen(x) 4
f(x) = 2 cos(x)
f''(x) = sen(x)
f(2) = 0.9093 f(3) = 1.8589
f(2). f(3) < 0 [2, 3]
f(2) = 0.9093 f(3) = 1.8589
f''(2) = 0.9093 f''(3) = 0.1411
x
0
= 3
d) Valor do erro:
erro 10
-3
e) Iteraes:
3783 . 2
9900 . 2
8589 . 1
3
) 3 ( '
) 3 (
3 1
f
f
x
| x
1
x
0
| = | 2.3783 3 | = 0.6217 > erro
3543 . 2
7226 . 2
0653 . 0
3783 . 2
) 3783 . 2 ( '
) 3783 . 2 (
3783 . 2 2
f
f
x
| x
2
x
1
| = | 2.3543 2.3783 | = 0.0240 > erro
3542 . 2
7058 . 2
0002 . 0
3543 . 2
) 3543 . 2 ( '
) 3543 . 2 (
3543 . 2 3
f
f
x
| x
3
x
2
| = | 2.3542 2.3543 | = 0.0001 < erro
f) Resposta:
Exemplo 2: Obter a raiz cbica de 5, usando o mtodo NR sendo o erro 10
-3
.
Exemplo 3: Calcular a raiz negativa de f(x) = x
3
5x
2
+ x + 3, com erro 10
-4
.
26
Exemplo 4: Seja a funo f(x) = sen(x) tg(x). Deseja-se saber uma das razes desta funo, sabendo-se que
est contida no intervalo (3, 4). Todos os clculos devem ser realizados com 4 casas decimais com
arredondamento e erro no superior a 0.001.
3.5.3 Condies de Newton-Raphson-Fourier
Segundo Newton, para haver a convergncia uma raiz em seu mtodo, bastaria que o intervalo (a, b)
em anlise fosse suficientemente pequeno. Contudo, Raphson e Fourier concluram que um intervalo pequeno
aquele que contm uma e somente uma raiz. Com isso, algumas condies foram estabelecidas para que tal
exigncia fosse vlida:
1) Se f(a). f(b) > 0, ento existe um nmero par de razes reais (contando suas multiplicidades) ou
no existe razes reais no intervalo (a, b) (Teorema de Bolzano);
2) Se f(a).f(b) < 0, ento existe um nmero mpar de razes reais (contando suas multiplicidades) no
intervalo (a, b) (Teorema de Bolzano);
3) Se f'(a). f'(b) > 0, ento o comportamento da funo neste intervalo poder ser apenas crescente ou
apenas decrescente, e nunca os dois se alternando;
4) Se f'(a). f'(b) < 0, ento a funo ter o comportamento de ora crescer ora decrescer;
5) Se f"(a). f"(b) > 0, ento a concavidade no muda no intervalo em anlise;
6) Se f"(a). f"(b) < 0, ento a concavidade muda no intervalo em anlise.
Portanto, haver convergncia uma raiz no intervalo (a, b) se e somente se:
f(a). f(b) < 0, f'(a). f'(b) > 0 e f"(a). f"(b) > 0.
Exemplo 5: Seja a funo f(x) = x
2
9.5x + 8.5, obter a raiz contida no intervalo [8, 9]. Os clculos devem ser
realizados com 4 decimais com arredondamento e erro no superior a 0,001.
a) Algoritmo :
) ( '
) (
1
1
1

n
n
n n
x f
x f
x x
f(x) = x
2
9.5x + 8.5
f(x) = 2x 9.5
f(x) = 2
f(8) = 3.5; f(9) = 4
f(8). f(9) < 0 [8, 9]
f(8) = 3,5 f(9) = 4 f(8). f(9) < 0
f'(8) = 6.5 f'(9) = 8.5 f(8). f(9) > 0
f"(8) = 2 f"(9) = 2 f(8). f(9) > 0
x
0
= 9
d) Valor do erro:
erro 10
-3
e) Iteraes:
5294 . 8
5 . 8
4
9
) 9 ( '
) 9 (
9 1
f
f
x
| x
1
x
0
| = | 8.5294 9 | = 0.4706 > erro
27
5001 . 8
5588 . 7
2214 . 0
5294 . 8
) 5294 . 8 ( '
) 5294 . 8 (
5294 . 8 2
f
f
x
| x
2
x
1
| = | 8.5001 8.5294 | = 0.0293 > erro
5000 . 8
5002 . 7
0008 . 0
5001 . 8
) 5001 . 8 ( '
) 5001 . 8 (
5001 . 8 3
f
f
x
| x
3
x
2
| = | 8.5000 8.5001 | = 0.0001 < erro
f) Resposta:
Exemplo 6: Calcular a raiz da equao f(x) = x
3
x + 1 = 0, contida no intervalo [2, 1], com um erro 10
-3
.
3.6 Mtodo da Secante
Uma grande desvantagem do mtodo de Newton a necessidade de se obter a derivada f(x) e calcular
o seu valor numrico a cada iterao.
Para contornar este problema podemos substituir o clculo da primeira derivada f(x
n
) pelo quociente
das diferenas, usando assim, um modelo linear baseado nos dois valores calculados mais recentemente:
1
1
) ( ) (
) ( '
n n
n n
n
x x
x f x f
x f
onde x
n
e x
n-1
so duas aproximaes para a raiz.
Substituindo o valor aproximado da derivada acima, a funo de iterao fica:
x
x
n
n
x
f x
f x f x
x x
x
x x f x
f x f x
n
n
n n
n
n n n
n n
n n
+
+

1
1
1
1
1
1
( )
( ) ( )
( ). ( )
( ) ( )
, para n = 1, 2, 3, ...
Para iniciar o mtodo necessitamos de duas aproximaes (x
0
e x
1
) para a raiz.
y
x
0 x
1
x
o
x
2
f(x)
f( x
0
)
f(x
1
)
x
3
x
4
Interpretao geomtrica do mtodo da secante
28
Neste mtodo partimos das duas aproximaes iniciais x
0
e x
1
e determinamos a reta que passa pelos
pontos (x
0
, f (x
0
)) e (x
1
, f (x
1
)). A interseco desta reta com o eixo x fornece o ponto x
2
. Em seguida
calculado uma nova aproximao para a raiz a partir dos pontos (x
1
, f(x
1
)) e (x
2
, f (x
2
)). O processo se repete
at que seja satisfeito o critrio de parada.
Observe que neste mtodo no necessitamos da caracterstica que fundamental no mtodo da falsa
posio que exige que f(x
n
). f(x
n-1
) < 0. importante salientar tambm que a raiz no necessita estar entre as
duas aproximaes iniciais (x
0
e x
1
).
A convergncia deste mtodo mais rpido que o mtodo da bisseo e o da falsa posio, contudo,
pode ser mais lento que o mtodo de Newton-Raphson.
Algoritmo:
) ( ) (
) ( ). (
1
1
1

n n
n n n
n n
x f x f
x f x x
x x
, para n = 1, 2, 3, ...
Critrio de parada:
| x
n+1
x
n
| erro
3.6.1 Exemplos
Exemplo 1: Calcular a raiz da funo f(x) = x
2
+ x 6, sendo x
0
= 1.5, x
1
= 1.7 e o erro

10
-2
.
a) Algoritmo :
) ( ) (
) ( ). (
1
1
1

n n
n n n
n n
x f x f
x f x x
x x
b) Valor inicial:
x
0
= 1.5 x
1
= 1.7
c) Valor do erro:
erro 10
-2
d) Iteraes:
0357 . 2
84 . 0
) 282 . 0 (
7 . 1
) 25 . 2 ( 41 . 1
) 41 . 1 )( 2 . 0 (
7 . 1
) 5 . 1 ( ) 7 . 1 (
) 7 . 1 ( ). 5 . 1 7 . 1 (
7 . 1 2

f f
f
x
| x
2
x
1
| = | 2.0357 1.7 | = 0.3357 > erro
9977 . 1
) 41 . 1 ( 1798 . 0
) 1798 . 0 )( 3357 . 0 (
0357 . 2
) 7 . 1 ( ) 0357 . 2 (
) 0357 . 2 ( ). 7 . 1 0357 . 2 (
0357 . 2 3

f f
f
x
| x
3
x
2
| = | 1.9977 2.0357 | = 0.038 > erro
0000 . 2
) 1798 . 0 ( 0115 . 0
) 0115 . 0 )( 038 . 0 (
9977 . 1
) 0357 . 2 ( ) 9977 . 1 (
) 9977 . 1 ( ). 0357 . 2 9977 . 1 (
9977 . 1 4

f f
f
x
| x
4
x
3
| = | 2.0000 1.9977 | = 0.0023 < erro
e) Resposta:
= 2.0000 a raiz procurada.
Exemplo 2: Calcular a raiz da funo f(x) = 3x cos(x), sendo x
0
= 0, x
1
= 0.5 e o erro

10
-4
. Efetue os
clculos com 5 casas decimais com arredondamento.
Resposta: = 0.31675 a raiz procurada.
29
Exemplo 3: Calcular a raiz da funo f(x) = x
3
4, sendo x
0
= 1, x
1
= 2 e o erro

0,05.
Resposta: = 1,5914 a raiz procurada.
3.7 Mtodo Misto
O mtodo misto, consiste na aplicao seqencial dos mtodos NR e Falsa Posio, nesta ordem.
O mtodo NR aplicado no primeiro passo, sempre a partir do melhor extremo. Ento, com o novo
resultado obtido
N
x
1
, determina-se qual valor dos extremos do intervalo ser substitudo ( f(a). f(
N
x
1
) < 0 b
=
N
x
1
, seno a =
N
x
1
) e ento aplica-se o mtodo da Falsa Posio. O resultado obtido em
F
m
x ser utilizado
na prxima iterao pelo mtodo NR, mas antes feito o teste do erro para verificar o critrio de parada.
Assim, por induo, seguem-se as iteraes seguintes. Quando o critrio de parada for satisfeito, tira-se
a mdia aritmtica simples do resultado da ltima iterao de ambos os mtodos e obtm-se a resposta
desejada.
Algoritmo:
2
F
m
N
m
m
x x
x
+
, para m = 1, 2, 3, ...
Critrio de parada:
|
F
m
x
N
m
x | erro
3.7.1 Exemplos
Exemplo 1: Determinar pelo mtodo misto, a raiz da funo f(x) = 10sen(x) + cos(x) 10x contida no
intervalo [0.5, 1], com tolerncia de 2*10
-4
e clculos com 4 casas decimais com arredondamento.
a) Algoritmo:
2
F
m
N
m
m
x x
x
+
f(x) = 10sen(x) + cos(x) 10x

f(x) = 10cos(x) sen(x) 10
f"(x) = (10)sen(x) cos(x)
b) Valor do erro:
erro 0.0002
c) Escolha do intervalo:
f(0.5) = 0.6718 f(1) = 1.0450
d) Iteraes:
Melhor extremo:
f(0.5) = 0.6718 f(1) = 1.0450
f"(0.5) = 5.6718 f"(1) = 8.9550
N
x
0
= 1
8078 . 0
) 4384 . 5 (
) 0450 . 1 (
1
) 1 (
) 1 (
1
1

f
f
x
N
extremo trocar: f(a). f(
N
x
1
) = f(0.5). f(0.8078) = (0.6718)(0.1594) < 0
a = 0.5 b = 0.8078
30
7488 . 0
) 6718 . 0 ( ) 1594 . 0 (
) 6718 . 0 ( * ) 3078 . 0 (
5 . 0
) 5 . 0 ( ) 8078 . 0 (
) 5 . 0 ( * ) 5 . 0 8078 . 0 (
5 . 0
1

f f
f
x
F
|
F
x
1

N
x
1
| = | 0.7488 0.8078 | = 0.0590 > erro
extremo trocar: f(0.5). f(0.7488) = (0.6718)(0.0521) > 0
a = 0.7488 b = 0.8078
7643 . 0
) 3557 . 3 (
) 0521 . 0 (
7488 . 0
) 7488 . 0 (
) 7488 . 0 (
7488 . 0
2

f
f
x
N
extremo trocar: f(0.7488). f(0.7643) = (0.0521)(0.0008) < 0
a = 0.7488 b = 0.7643
7641 . 0
) 0521 . 0 ( ) 0008 . 0 (
) 0521 . 0 ( * ) 0155 . 0 (
7488 . 0
) 7488 . 0 ( ) 7643 . 0 (
) 7488 . 0 ( * ) 7488 . 0 7643 . 0 (
7488 . 0
2

f f
f
x
F
|
F
x
2

N
x
2
| = | 0.7641 0.7643 | = 0.0002 erro
e) Resposta:
7642 . 0
2
7643 . 0 7641 . 0
+

2
+ 3x cos(x) 2.45, obter sua raiz contida no intervalo [0.5, 1] pelo
mtodo misto, com erro 10
-3
e clculos com 4 decimais com arredondamento.
Resposta: 8200 . 0
2
82 . 0 82 . 0
+

31
4 Sistemas Lineares
4.1 Introduo
Sistemas Lineares so sistemas de equaes com m equaes e n incgnitas formados por equaes
lineares. Um sistema linear com m equaes e n incgnitas escrito usualmente na forma:
11 1 12 2
1
1
21 1 22 2
2
2
1 1 2 2
a x a x
a
x b
a x a x
a
x b
a x a x a x b
n
n
n
n
m m mn n m
+ + +
+ + +
+ + +
'
................................................
onde
a
ij
: coeficientes 1 i m, 1 j n
x
j
: incgnitas j = 1, 2, ..., n
b
i
: constantes i = 1, 2, ..., m
A resoluo de um sistema linear consiste em calcular os valores de x
j
, j = 1, 2, ..., n, caso eles
existam, que satisfaam as m equaes simultaneamente.
Usando notao matricial, o sistema linear pode ser representado por AX = B, onde
M =
11 12 1 1
21 22 2 2
1 2
a a a b
a a a b
a a a b
n
n
m m mn n
.................................
_
,
chamada matriz completa ou matriz aumentada do sistema.

A =
11 12 1
21 22 2
1 2
a a a
a a a
a a a
n
n
m m mn
............................
_
,
a matriz dos coeficientes

X =
1
2
x
x
xn
_
,
o vetor das incgnitas, e

B =
1
2
b
b
bm
_
,
o vetor constante (termos independentes).

4.1.1 Classificao Quanto ao Nmero de Solues
Um sistema linear pode ser classificado quanto ao nmero de solues em:
32
Compatvel
determinado (o sistema linear tem soluo nica)
indeterminado (o sistema linear admite infinitas solues)
'

Incompatvel (o sistema linear no admite soluo).
Quando todos os termos independentes forem nulos, isto , se b
i
= 0, i = 0, 1, ..., m, o sistema dito
homogneo. Todo sistema homogneo compatvel, pois admitir pelo menos a soluo trivial (x
j
= 0, j = 0,
1, 2, ..., n).
4.2 Mtodos Diretos (Algoritmos Diretos)
Um mtodo dito direto quando a soluo exata
x do sistema linear obtida realizando-se um nmero

finito de operaes aritmticas. So exemplos conhecidos a Regra de Cramer, o Mtodo da Eliminao de
Gauss (ou triangulao) e o Mtodo de Jordan.
4.2.1 Regra de Cramer
Seja um sistema linear com nmero de equaes igual ao nmero de incgnitas (um sistema n x n),
sendo D o determinante da matriz A, e D
x1
, D
x2
, D
x3
, ..., D
xn
os determinantes das matrizes obtidas trocando
em M, respectivamente, a coluna dos coeficientes de x
1
, x
2
, x
3
, ..., x
n
pela coluna dos termos independentes,
temos que:
O sistema S ser compatvel e ter soluo nica se, e somente se, D 0. Neste caso a nica soluo
de S dada por:
x
1
=
x D
D
1
, x
2
=
x D
D
2
, x
3
=
x D
D
3
, ... , x
n
=
xn D
D
A aplicao da Regra de Cramer exige o clculo de n + 1 determinantes ( det A e det A
i
, 1 i n);
para n = 20 o nmero total de operaes efetuadas ser 21 * 20! * 19 multiplicaes mais um nmero
semelhante de adies. Assim, um computador que efetue cerca de 100 milhes de multiplicaes por
segundo levaria 3 x 10
5
anos para efetuar as operaes necessrias.
Com isso, a regra de Cramer invivel em funo do tempo de computao para sistemas muito
grandes.
4.2.1.1 Exemplos
Exemplo 1: Resolva o sistema abaixo pela Regra de Cramer:
1 2 3
1 2 3
1
2 3
1
2 0
2 0
x x x
x x x
x
x x
+ +
+
+
'
Calculando os determinantes D, D
x1
, D
x2
e D
x3
temos:
D = 7
1 2 1
1 1 2
1 1 1
D
x1
= 1
1 2 0
1 1 0
1 1 1

D
x2
= 3
1 0 1
1 0 2
1 1 1
D
x3
= 5
0 2 1
0 1 2
1 1 1

Ento, x
1
=
x D
D
1
=
1
7
, x
2
=
x D
D
2
=
3
7
, e x
3
=
x D
D
3
=
5
7
e a soluo do sistema
x :
_
,
1
7
3
7
5
7
, ,
T
33
Exemplo 2: Resolva o sistema abaixo pela Regra de Cramer:
2 0
2 3
3 2
1 2 3
1 2 3
1 2 3
x x x
x x x
x x x
+
+ +

'
Resposta: A soluo deste sistema x : ( 0, 1, 1)

T
4.2.2 Mtodo da Eliminao de Gauss
O mtodo da eliminao de Gauss consiste em transformar o sistema linear original num outro sistema
linear equivalente com matriz dos coeficientes triangular superior, pois estes so de resoluo imediata.
Dizemos que dois sistemas lineares so equivalentes quando possuem a mesma soluo. O determinante de
sistemas lineares equivalentes so iguais.
Com (n 1) passos o sistema linear AX = B transformado num sistema triangular equivalente: UX =
C, o qual se resolve facilmente por substituies.
Vamos calcular a soluo de AX = B em trs etapas:
1 etapa: Matriz Completa
Consiste em escrever a matriz completa ou aumentada do sistema linear original.
2 etapa: Triangulao
Consiste em transformar a matriz A numa matriz triangular superior, mediante uma seqncia
de operaes elementares nas linhas da matriz.
3 etapa: Retro-substituio
Consiste no clculo dos componentes x
1
, x
2
, ..., x
n
, soluo de AX = B, a partir da soluo do
ltimo componente (x
n
), e ento substituirmos regressivamente nas equaes anteriores.
Teorema: Seja AX = B um sistema linear. Aplicando sobre as equaes deste sistema uma seqncia
de operaes elementares escolhidas entre:
i) Trocar a ordem de duas equaes do sistema;
ii) Multiplicar uma equao do sistema por uma constante no nula;
iii) Adicionar um mltiplo de uma equao a uma outra equao;
obtemos um novo sistema UX = C e os sistemas AX = B e UX = C so equivalentes.
4.2.2.1 Resoluo de Sistemas Triangulares
Seja o sistema linear AX = B, onde A: matriz n x n, triangular superior, com elementos da diagonal
diferentes de zero. Escrevendo as equaes deste sistema, temos:
11 1 12 2 13 3
1
1
22 2 23 3
2
2
33 3
3
3
a x a x a x
a
x b
a x a x
a
x b
a x
a
x b
a x b
n
n
n
n
n
n
nn n n
+ + + +
+ + +
+ +
'

Da ltima equao deste sistema temos:
34
x
n
=
n
nn
b
a
x
n-1
pode ento ser obtido da penltima equao:
x
n-1
=
n n n n
n n
b a x
a

1 1
1 1
,
,
e assim sucessivamente obtm-se x
n-2
, ..., x
2
, e finalmente x
1
:
x
1
=
1 12 2 13 3 1
11
b a x a x a x
a
n n

4.2.2.2 Estratgias de Pivoteamento
O algoritmo para o mtodo de eliminao de Gauss requer o clculo dos multiplicadores:
m
ik
= -
ik
kk
a
a
i = k + 1, ..., n e k = 1, 2, 3, ..., n-1
a cada etapa k do processo. Sendo o coeficiente a
kk
chamado de piv.
O que acontece se o piv for nulo? E se o piv estiver prximo de zero?
Estes dois casos merecem ateno especial pois impossvel trabalhar com um piv nulo. E trabalhar
com um piv prximo de zero pode resultar em resultados totalmente imprecisos. Isto porque em qualquer
calculadora ou computador os clculos so efetuados com preciso finita, e pivs prximos de zero so
origem a multiplicadores bem maiores que a unidade que, por sua vez, origina uma ampliao dos erros de
arredondamento.
Para se contornar estes problemas deve-se adotar uma estratgia de pivoteamento, ou seja, adotar um
processo de escolha da linha e/ou coluna pivotal.
Esta estratgia consiste em:
i) no inicio da etapa k da fase de escalonamento, escolher para piv o elemento de maior mdulo entre
os coeficientes: a
ik
, i = k, k + 1, ..., n;
ii) trocar as linhas k e i se for necessrio.
4.2.2.3 Classificao do Sistema Triangular
Seja U um sistema triangular superior escalonado de m equaes e n incgnitas, teremos as seguintes
possibilidades:
i) m = n sistema compatvel e determinado;
ii) m < n sistema compatvel e indeterminado.
Se durante o escalonamento surgir equaes do tipo: 0x
1
+ 0x
2
+ ... + 0x
n
= b
m,
ento:
i) Se b
m
= 0, ento eliminaremos a equao e continuamos o escalonamento;
ii) Se b
m
0, ento conclui-se que o sistema incompatvel.
4.2.2.4 Exemplos
Exemplo 1: Resolver o sistema abaixo pelo mtodo de Gauss.
'

+
+ +
2 3
0 2
3 2
3 2 1
3 2 1
3 2 1
x x x
x x x
x x x
35
1 etapa: Matriz completa:
M =
1
1
1
]
1
2 1 1 3
0 1 1 2
3 1 2 1
2 etapa: Triangulao:
Iremos se referir as equaes como: E
1
(primeira equao), E
2
(segunda equao) e assim por diante.
O componentes x indica o piv.
E E E
E E E
1 2 2
1 3 3
2
3

1
1
1
]
1

11 4 7 0
6 3 3 0
3 1 2 1
E
3
= E
3

7
3
E
2

1
1
1
]
1

3 3 0 0
6 3 3 0
3 1 2 1
3 etapa: Retro-substituio:
Da terceira linha temos: 3x
3
= 3 x
3
= 1
Substituindo x
3
na segunda linha temos: 3x
2
3(1) = 6 x
2
= 1
Substituindo x
3
e x
2
na primeira linha temos: 1x
1
+ 2(1) + 1(1) = 3 x
1
= 0
A soluo deste sistema x : ( 0, 1, 1)
T
Exemplo 2: Resolver o sistema abaixo pelo mtodo de Gauss:
0 25 0 5 0 25
0 09 0 3 0 49
0 01 01 0 81
1 2 3
1 2 3
1 2 3
, , ,
, , ,
, , ,
x x x
x x x
x x x
+ +
+ +
+ +
'
Resposta: A soluo deste sistema x : ( 1, -2, 1)

T
'
+

+
2 1 4 1
2 1 3 1
0 2 1 0
3 2 1
3 2 1
3 2 1
x x x
x x x
x x x
Resposta: Sistema compatvel e indeterminado.
'
+

+
2 1 4 1
2 1 3 1
1 2 1 0
3 2 1
3 2 1
3 2 1
x x x
x x x
x x x
36
Resposta: Sistema incompatvel (no possui soluo).
4.2.3 Mtodo de Jordan
Consiste em aplicar operaes elementares sobre as equaes do sistema linear dado at que se
obtenha um sistema diagonal equivalente.
4.2.4 Exemplos
Exemplo 1: Resolver o sistema linear pelo mtodo de Jordan:
x x x
x x x
x x x
1 2 3
1 2 3
1 2 3
2 4
0
1
2
+ +

'
1 etapa: Matriz completa:

M =
1 1 2 4
2 1 1 0
1 1 1 1

1
]
1
1
1
2 etapa: Diagonalizao:
2 2 1
3 3 1
2 E E E
E E E

1 1 2 4
0 3 5 8
0 2 3 5

1
]
1
1
1
E
3
= E
3

2
3
E
2

1 1 2 4
0 3 5 8
0 0
1
3
1
3

1
]
1
1
1

1 1 2
2 2 3
1
3
15
E E E
E E E
+
+

1 0
1
3
4
3
0 3 0 3
0 0
1
3
1
3

1
]
1
1
1

1 1 3
2
2
31 3
1
3
3
E E E
E E
E E

1 0 0 1
0 1 0 1
0 0 1 1
1
]
1
1
1
3 etapa: Clculo da soluo do sistema:
Da primeira linha temos: x
1
= 1
Na segunda linha temos: x
2
= 1
Na terceira linha temos: x
3
= 1
A soluo deste sistema x : ( 1, 1, 1)
T
4.3 Mtodos Iterativos (Algoritmos Iterativos)
4.3.1 Mtodo de Gauss-Jacobi ( Algbrico )
Seja o sistema abaixo:
11 1 12 2 1 1
21 1 22 2 2 2
1 1 2 2
a x a x a x b
a x a x a x b
a x a x a x b
n n
n n
n n nn n n
+ + +
+ + +
+ + +
...
...
...
...
37
Pode-se afirmar que o mesmo convergente, se o sistema estiver na forma diagonalmente dominante,
isto :
11 21 31 1
22 12 32 2
1 2 1
a a a a
a a a a
a a a a
n
n
nn n n n n
+ + +
+ + +
+ + +

...
...
...
...
ou
a a a a
a a a a
a a a a
nn n n nn
n
n
1 2 1
2 23 21 22
1 13 12 11
...
...
...
...
+ + +
+ + +
+ + +
Ento, isola-se em cada uma das equaes ordenadamente, uma das incgnitas.
1
1
11
1 12 2
0
13 3
0
1
0
2
1
22
2 21 1
0
23 3
0
2
0
1
1 1
0
2 2
0
1 1
0
1
1
1
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ... )
( ... )
...
( ... )
x
a
b a x a x a x
x
a
b a x a x a x
x
a
b a x a x a x
n n
n n
n
nn
n n n nn n

onde,
1
0
2
0 0 ( ) ( ) ( )
, ,...,
x x xn
so as atribuies inicial do mtodo.
Condies de Parada:
Se para todo erro
x x
j
n
j
n

) 1 ( ) (
, ento
x
j
n
) (
so as solues do sistema.
4.3.1.1 Exemplos
Exemplo 1: Resolver por Gauss-Jacobi, com 4 decimais com arredondamento e erro menor ou igual a 0,01 o
sistema abaixo:
x + 8y z = 16
6x y + z = 7
x + y+ 5z = 18
a) Verificao da convergncia:
6x y + z = 7
x + 8y z = 16
x + y + 5z = 18
b) Isolamento das incgnitas:
x =
6
1
( 7 + y z )
y =
8
1
( 16 x + z )
z =
5
1
( 18 x y )
c) Atribuio inicial:
x
(0)
= 0 y
(0)
=0 z
(0)
=0
d) Iteraes:
x
(1)
=
6
1
( 7 + y
(0)
z
(0)
) =
6
1
( 7 + 0 0 ) = 1,1667
38
y
(1)
=
8
1
( 16 x
(0)
+ z
(0)
) =
8
1
( 16 - 0 + 0 ) = 2
z
(1)
=
5
1
( 18 x
(0)
y
(0)
) =
5
1
( 18 0 0 ) = 3,6
x
(2)
=
6
1
( 7 + 2 3,6 ) = 0,9
y
(2)
=
8
1
( 16 1,1667 + 3,6 ) = 2,3042
z
(2)
=
5
1
( 18 1,1667 2 ) = 2,9667
x
(3)
=
6
1
( 7 + 2,3042 2,9667 ) = 1,0562
y
(3)
=
8
1
( 16 0,9 + 2,9667 ) = 2,2583
z
(3)
=
5
1
( 18 0,9 2,3042 ) = 2,9592
x
(4)
=
6
1
( 7 + 2,2583 2,9592 ) = 1,0498
y
(4)
=
8
1
( 16 1,0562 + 2,9592 ) = 2,2379
z
(4)
=
5
1
( 18 1,0562 2,2583 ) = 2,9371
x
(5)
=
6
1
( 7 + 2,2379 2,9371 ) = 1,0501 | x
(5)
- x
(4)
| = 0,0003 < erro
y
(5)
=
8
1
( 16 - 1,0498 + 2,9371 ) = 2,2359 | y
(5)
- y
(4)
| = 0,002 < erro
z
(5)
=
5
1
( 18 1,0498 2,2379 ) = 2,9425 | z
(5)
- z
(4)
| = 0,0054 < erro
A soluo deste sistema : (1,0501; 2,2359; 2,9425)
T
Exemplo 2: Dado o sistema, pede-se sua soluo por Gauss-Jacobi, com 4 decimais com arredondamento e
erro menor ou igual a 0,02. Admitir soluo inicial nula.
10x + y + z = 12
x + 5y+ 9z = 15
2x +8y 4z = 6
Resposta: A soluo deste sistema : (0,9975; 1,0051; 0,9916)
T
4.3.2 Mtodo de Gauss-Jacobi ( Matricial )
Baseado no algoritmo anterior, o mtodo consiste na transformao do algoritmo em um sistema de
matriz. Portanto, no algoritmo:
i
k
ii
i ij j
k
j
j i
n
x
a
b a x
( ) ( )
( )

1
1
1
a mesma situao pode ser escrita na forma:
39
11 1 1 12 2
1
13 3
1
1
1
22 2 2 21 1
1
23 3
1
2
1
1 1
1
2 2
1
1 1
1
a x b a x a x a x
a x b a x a x a x
a x b a x a x a x
k k k
n n
k
k k k
n n
k
nn n
k
n n
k
n
k
nn n
k
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ... )
( ... )
...
( ... )

Sendo A a matriz dos coeficientes, onde A = D + I + S, no qual D a matriz diagonal, I a matriz

inferior e S a matriz superior, a expresso anterior poder ser reescrita na forma:
D X B
S I
X
k k ( ) ( )
( )

+
1
Multiplicando ambos os termos pela matriz inversa da diagonal,
B D X
I S
D X
X
I S
D B D X D D
k k
k k
1 ) 1 ( 1 ) (
) 1 ( 1 1 ) ( 1
) (
) (

+

+
+
E X J X
k k
+
) 1 ( ) (
onde
J D
S I
E D B

+
1
1
( )
4.3.2.1 Exemplos
Exemplo 1: Seja o sistema abaixo:
x + y 5z = -6
4x y + z = 19
x + 3y z = 14
obter a sua soluo por Gauss-Jacobi Matricial com 3 decimais com arredondamento e erro menor ou igual a
0,05. Admitir soluo inicial nula.
4x y + z = 19
x + 3y z = 14
x + y 5z = -6
b) Obteno do Algoritmo:
1
1
1
]
1
0 1 1
0 0 1
0 0 0
I
,
1
1
1
]
1
0 0 0
1 0 0
1 1 0
S
,
1
1
1
]
1
5 0 0
0 3 0
0 0 4
D
,
1
1
1
]
1
6
14
19
B
,
1
1
1
1
]
1
5
1
0 0
0
3
1
0
0 0
4
1
1
D
Ento,
40
1
1
1
1
]
1
1
1
1
]
1
1
1
1
1
]
1
0
5
1
5
1
3
1
0
3
1
4
1
4
1
0
0 1 1
1 0 1
1 1 0
5
1
0 0
0
3
1
0
0 0
4
1
J
1
1
1
1
]
1
1
1
1
]
1
1
1
1
1
]
1
5
6
3
14
4
19
6
14
19
5
1
0 0
0
3
1
0
0 0
4
1
E
Ento,
1
1
1
1
]
1
+
1
1
1
1
]
1

5
6
3
14
4
19
0
5
1
5
1
3
1
0
3
1
4
1
4
1
0
) 1 ( ) (
X X
k k
1
1
1
]
1
0
0
0
) 0 (
X
d) Iteraes:
1
1
1
]
1

1
1
1
]
1

1
1
1
]
1

1
1
1
]
1

1
1
1
]
1
002 , 3
995 , 3
031 , 5
934 , 2
057 , 4
951 , 4
020 , 3
822 , 3
850 , 4
083 , 3
483 , 3
617 , 5
200 , 1
667 , 4
750 , 4
) 5 ( ) 4 ( ) 3 ( ) 2 ( ) 1 (
X X X X X

1
]
1
1
1
( )
,
,
,
6
4 998
3 991
3 005
X
( ) ( )
,
,
,
6 5
0 033
0 004
0 003
X X
erro
1
]
1
1
1
<
T
Exemplo2: Dado o sistema abaixo:
5x y = 13
2x + 4y = 14
obter a soluo por Gaus-Jacobi Matricial com 4 decimais com arredondamento e erro menor ou igual a
Resposta: A soluo deste sistema : (3,0004; 1,9985)
T
4.3.3 Mtodo de Gauss-Seidel ( Algbrico )
Derivado do mtodo de Gauss-Jacobi, este mtodo utiliza a cada iterao os valores j prontos na
prpria iterao, para tentar assegurar convergncia mais rpida, ou seja,
41
) ... (
1
...
) ... (
1
) ... (
1
) ... (
1
) (
1 1
) (
3 3
) (
2 2
) (
1 1
) (
) 1 (
3
) 1 (
4 34
) (
2 32
) (
1 31 3
33
) (
3
) 1 (
2
) 1 (
4 24
) 1 (
3 23
) (
1 21 2
22
) (
2
) 1 (
1
) 1 (
4 14
) 1 (
3 13
) 1 (
2 12 1
11
) (
1
x a x a x a x a b
a
x
x a x a x a x a b
a
x
x a x a x a x a b
a
x
x a x a x a x a b
a
x
k
n nn
k
n
k
n
k
n n
nn
k
n
k
n n
k k k k
k
n n
k k k k
k
n n
k k k k

Portanto, o algoritmo do mtodo pode ser expresso por:
i
k
ii
i ij j
j
j i
n
x
a
b a x
k i j
k i j
( )
(
( )
( )
)
>
<
1
1
1
4.3.3.1 Exemplos
Exemplo 1: Resolver por Gauss-Seidel, com 4 decimais com arredondamento e erro menor ou igual a 0,005 o
sistema abaixo.
x + 8y z = 16
6x y + z = 7
x + y+ 5z = 18
6x y + z = 7
x + 8y z = 16
x + y + 5z = 18
b) Isolamento das incgnitas:
x =
6
1
( 7 + y z )
y =
8
1
( 16 x + z )
z =
5
1
( 18 x y )
x
(0)
= 0 y
(0)
=0 z
(0)
=0
d) Iteraes:
x
(1)
=
6
1
( 7 + 0 0 ) = 1,1667
y
(1)
=
8
1
( 16 1,1667 + 0 ) = 1,8542
z
(1)
=
5
1
( 18 1,1667 1,8542 ) = 2,9958
x
(2)
=
6
1
( 7 + 1,8542 2,9958 ) = 0,9764
42
y
(2)
=
8
1
( 16 - 0,9764 + 2,9958 ) = 2,2524
z
(2)
=
5
1
( 18 0,9764 2,2524 ) =2,9542
x
(3)
=
6
1
( 7 + 2,2524 2,9542 ) = 1,0497
y
(3)
=
8
1
( 16 - 1,0497 + 2,9542 ) = 2,2381
z
(3)
=
5
1
( 18 1,0497 2,2381 ) = 2,9424
x
(4)
=
6
1
( 7 + 2,2381 2,9424 ) = 1,0493 | x
(4)
- x
(3)
| = 0,0004 < erro
y
(4)
=
8
1
( 16 - 1,0493 + 2,9424 ) = 2,2366 | y
(4)
- y
(3)
| = 0,0015 < erro
z
(4)
=
5
1
( 18 1,0493 2,2366 ) = 2,9428 | z
(4)
- z
(3)
| = 0,0004 < erro
T
Exemplo 2: Resolver por Gauss-Seidel, com 4 decimais com arredondamento e erro menor ou igual a 0,01 o
sistema abaixo. Admitir soluo inicial nula.
7x + y z = 13
x + 8y + z = 30
2x y + 5z = 21
Resposta: A soluo deste sistema : (2,0001; 3,0003; 4,0000)
T
4.3.4 Mtodo de Gauss-Seidel ( Matricial )
Seja o sistema abaixo,
11 1 1 12 2
1
13 3
1
1
1
22 2 2 21 1 23 3
1
2
1
1 1 2 2 1 1
a x b a x a x a x
a x b a x a x a x
a x b a x a x a x
k k k
n n
k
k k k
n n
k
nn n
k
n n
k
n
k
nn n
k
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
...
...
...
...

que pode ser representado na forma matricial:
D X B I X S X D I X B S X
k k k k k ( ) ( ) ( ) ( ) ( )
( ) +
1 1
Multiplicando ambos os membros pela inversa de ( D + I ), temos:
X S I D B I D X I D I D
k k ) 1 (
1 1
) (
1
) ( ) ( ) ( ) (

+ + + +
B I D X S I D X
k k 1 ) 1 ( 1 ) (
) ( ) (

+ + +
F X G X
k k
+
) 1 ( ) (
43
onde,
G D I S
F D I B
+
+
( )
( )
1
1
4.3.4.1 Exemplos
Exemplo 1: Dado o sistema abaixo,
x + 6y = -21
5x y = 19
obter suas solues por Gauss-Seidel Matricial com 3 decimais com arredondamento e erro inferior ou igual a 0,005.
Admitir nula a soluo inicial.
5x y = 19
x + 6y = -21
b) Obteno do Algoritmo:
1
]
1
6 0
0 5
D
,
1
]
1
0 1
0 0
I
,
1
]
1
0 0
1 0
S
,
1
]
1
21
19
B
Ento,
1
1
]
1
1
]
1
1
1
]
1
1
1
]
1
1
]
1
1
1
]
1
15
62
5
19
21
19
6
1
30
1
0
5
1
30
1
0
5
1
0
0 0
1 0
6
1
30
1
0
5
1
F
G
Logo,
1
1
]
1
+
1
1
]
1

15
62
5
19
30
1
0
5
1
0
) 1 ( ) (
X X
k k
1
]
1
0
0
) 0 (
X
d) Iteraes:
1
]
1

1
]
1

1
]
1

1
]
1
000 , 4
000 , 3
000 , 4
001 , 3
996 , 3
973 , 2
133 , 4
800 , 3
) 4 ( ) 3 ( ) 2 ( ) 1 (
X X X X
( ) ( )
,
,
4 3
0 001
0 000
X X
erro

1
]
1
<
A soluo deste sistema : (3; -4)
T
44
Exemplo 2: Dado o sistema abaixo:
5x y = 13
2x + 4y = 14
obter a soluo por Gaus-Seidel Matricial com 4 decimais com arredondamento e erro menor ou igual a
Resposta: A soluo aproximada deste sistema : (3,0004; 1,9998)
T
4.4 Mtodo de Relaxao
Seja o sistema:
11 1 12 2
1
1
21 1 22 2
2
2
1 1 2 2
a x a x
a
x b
a x a x
a
x b
a x a x a x b
n
n
n
n
n n nn n n
+ + +
+ + +
+ + +
'
................................................
Se substituirmos valores as variveis x
1
, x
2
, ..., x
n
:
11 1 12 2
1
1 1
21 1 22 2
2
2 2
1 1 2 2
a x a x
a
x b r
a x a x
a
x b r
a x a x a x b r
n
n
n
n
n n nn n n n
+ + +
+ + +
+ + +
'
.....................................................
onde r
1
, r
2
, ..., r
n
so chamados de resduos.
Depois de atribuir valores a x
1
, x
2
, ...,x
n
:
a) Procure a equao mais errada de todas;
b) Tente ver nessa equao a incgnita mais responsvel pelo erro passa a ser o nico responsvel
(supondo que todas as outras estejam certas) pelo erro;
c) Ache o valor dessa incgnita responsvel;
d) Repita o processo com a segunda equao mais errada.
Exemplo 1: Seja o sistema:
16 12 3
7 4 10
4 2 6
+
+
+
z y x
z y x
z y x
0 16 12 3
0 7 4 10
0 4 2 6
+
+
+
z y x
z y x
z y x
Substituindo no sistema os valores (0, 0, 0) para (x, y, z), obtm-se:

4
7
16
1
2
3
r
r
r
, que chamado resduo
Analisando os mdulos dos resduos, verifica-se que
3 r
o maior resduo, portanto deve-se tentar
diminui-lo a partir da anlise do maior responsvel na sua equao.
Analisando a equao 3: 3 12 16 0 x y z + , verifica-se que o coeficiente de z o maior em mdulo,
45
logo, deve-se manter os valores iniciais de x e y que so respectivamente (0, 0) para se obter o valor de z que
anula a equao. Portanto:
3.0 0 + 12z 16 = 0 z = 1,333, que ser o novo valor de z.
2 Tentativa: Substituindo a trinca (0; 0; 1,333) no sistema original, obtem-se os seguintes valores
residuais:
1 2 3
1 333 12 333 0
r r r
, , , e pode se verificar que
2 r
em mdulo o maior resduo.
Repete-se o mesmo processo anterior s que na equao 2: x y z + 10 4 7 0 , onde y em mdulo o
maior responsvel pelo resduo, ento substitui-se nesta expresso a dupla (0; 1,333) em x e z respectivamente
de forma a obter o valor de y que anula a expresso 2: 0 10 4 1 333 7 0 1 233 + y y . , , , que ser o novo
valor de y.
O processo deve ser repetido at que o mdulo de todos os resduos sejam inferiores ou iguais ao erro
estipulado. Veja:
3 Tentativa: Trinca (0; 1,233; 1,333) resulta nos resduos: 2,567; 0; 1,234. Ento
1 r
o maior
resduo. Verifica-se na equao 1 que x o maior responsvel pelo erro, logo:
6 1 233 2 1 333 4 0 0 428 x x + , . , , .
4 Tentativa: Trinca (0,428; 1,233; 1,333), resduos: 0; 0,428; 0,050. Substituindo os devidos valores na
expresso 2: 0 428 10 4 1 333 7 0 1 191 , . , , + y y .
5 Tentativa: Trinca (0,428; 1,191; 1,333), resduos: 0,043; 0; 0,093. Entao:
3 0 428 1 191 12 16 0 1 326 . , , , + z z .
6 Tentativa: Trinca (0,428; 1,191; 1,326), resduo: 0,028; 0,030; 0. Logo:
0 428 10 4 1 326 7 0 1 188 , . , , + y y
7 Tentativa: Trinca (0,428; 1,188; 1,326), resduo: 0,031; 0; 0,003. Logo, se por exemplo o erro
estipulado fosse igual a 0,05, ento (0,428; 1,188; 1,326) seria o conjunto soluo do sistema.
Exemplo 2: Seja o sistema:
5 7
3 4
x y
x y

+
'
5 7
3 4
1
2
x y r
x y r

+
'
Substituindo no sistema os valores (0, 0) para (x, y), obtm-se:

7
4
1
2
r
r
que chamado resduo
Analisando os mdulos dos resduos, verifica-se que r
1
o maior resduo, portanto deve-se tentar
diminui-lo a partir da anlise do maior responsvel na sua equao.
5x 0 7 = 0 x =
7
5
, que ser o novo valor de x.
2 Tentativa: Substituindo a trinca (
7
5
; 0) no sistema original, obtem-se os seguintes valores residuais:
46
r
1
= 0 e r
2
=
13
5
, e pode se verificar que r
2
em mdulo o maior resduo.
Repete-se o mesmo processo anterior s que na equao 2:
7
5
+ 3y 4 = 0 y =
13
15
, que ser o novo valor de y.
3 Tentativa: Trinca (
7
5
,
13
15
) resulta nos resduos: r
1
=
13
15
e r
2
= 0. Ento r
1
o maior resduo.
Substituindo os devidos valores na equao 1 temos:
5x
13
15
7 = 0 x =
118
75
, que ser o novo valor de x.
118
75
;
13
15
), resulta nos resduos: r
1
= 0 e r
2
=
13
75
e . Substituindo os devidos
valores na equao 2:
118
75
+ 3y 4 = 0 y =
182
225
118
75
,
182
225
), resulta nos resduos: r
1
=
13
225
e r
2
= 0.
Como os resduos so menores que 0,1 ento a soluo do sistema : x =
118
75
= 1,5733 e y =
182
225
=
0,8089.
Existe uma outra maneira de executar o mtodo de relaxao. Para tanto, deve-se observar que no
sistema:
11 1 12 2 1 1
21 1 22 2 2 2
1 1 2 2
a x a x a x b
a x a x a x b
a x a x a x b
n n
n n
n n nn n n
+ + +
+ + +
+ + +
...
...
...
...
supondo uma atribuio
1
0
2
0 0 ( ) ( ) ( )
, ,...,
x x xn
, ento:
11 1 12 2 1 1 1
21 1 22 2 2 2 2
1 1 2 2
1
1
1
a x a x a x b r
a x a x a x b r
a x a x a x b r
n n
n n
n n nn n n n
( ) ...
( ) ...
...
( ) ...
'
'
'
+ + + +
+ + + +
+ + + +
onde a variao do erro expressa por:
47
1 1 1 11
2 2 2 21
1
r r r a
r r r a
r r r a n n n n

'
'
'
...
Mudando a atribuio,
11 1 12 2 1 1 1
21 1 22 2 2 2 2
1 1 2 2
1
1
1
a x a x a x b r
a x a x a x b r
a x a x a x b r
n n
n n
n n nn n n n
+ + + +
+ + + +
+ + + +
( ) ...
( ) ...
...
( ) ...
"
"
"
a variao do erro passar a ser:
a r r r
a r r r
a r r r
n n n n 2
"
22 2
"
2 2
12 1
"
1 1
...

Com base nestes dados, forma-se a seguinte tabela:

1 x

2 x

3 x
...
n x

1 r

2 r

3 r
...
n r
1 0 0 0
11 a

21 a

31 a

n a 1
0 1 0 0
12 a

22 a

32 a

n a 2
0 0 1 0
13 a

23 a

33 a

n a 3
0 0 0 1
1n a

2n a

3n a

nn a
x y z
x y z
x y z
+
+ +
+
5 9
6 2 45
3 8 91
obter a soluo por relaxao. Clculos com 3 decimais com arredondamento e erro no superior 0,1.
a) Convergncia:
6 2 45
3 8 91
5 9
x y z
x y z
x y z
+ +
+
+
b) relaxao (r
1
, r
2
e r
3
deve ser zero):
48
6 2 45 0
3 8 91 0
5 9 0
x y z
x y z
x y z
+ +
+
+
c) Tabela base:
x y z
1 r 2 r 3 r
1 0 0 6 3 1
0 1 0 2 8 1
0 0 1 1 -1 -5
x y z r1 r2 r3
0 0 0 -45 -91 -9
max |R
i
| = r
2
8y = 91 y = 91/8 = 11,375
11,375 2y 22,750 8y 91 1y 11,375
Total1 -22,250 0 2,375
max |R
i
| = r
1
6x = 22,250 x = 22,250/6 = 3,708
3,708 22,250 11,125 3,708
Total2 0 11,125 6,083
max |R
i
| = r
2
8y = -11,125 y = -11,125/8 = -1,391
-1,391 -2,782 -11,125 -1,391
Total3 -2,782 0 4,692
max |R
i
| = r
3
-5z = -4,692 z= -4,692/(-5) = 0,938
0,938 0,938 -0,938 -4,692
Total4 -1,844 -0,938 0
max |R
i
| = r
1
6x = 1,844 x = 1,844/6 = 0,307
0,307 1,844 0,921 0,307
Total5 0 -0,017 0,307
max |R
i
| = r
3
-5z = -0,307 z = -0,307/(-5) = 0,061
0,061 0,061 -0,061 -0,307
Total6 0,061 -0,078 0
x = 4,015 y = 9,984 z = 0,999
ento, como todos os mdulos de r
i
so inferiores a 0,1
x = 0 + 3,708 + 0,307 = 4,015 4
y = 0 + 11,375 - 1,391 = 9,984 10
z = 0 + 0,938 + 0,061 = 0,999 1
x y z
x y z
x y z
+ +
+

5 32
6 2 11
7 58
obter a soluo por relaxao. Clculos com 3 decimais com arredondamento e erro no superior 0,1.
a) Convergncia:
49
6 2 11
7 58
5 32
x y z
x y z
x y z
+

+ +
b) Relaxao (r
1
, r
2
e r
3
deve ser zero):
6 2 11 0
7 58 0
5 32 0
x y z
x y z
x y z
+

+ +
c) Tabela base:
x y z
1 r 2 r 3 r
1 0 0 6 1 1
0 1 0 -2 -7 1
0 0 1 1 -1 5
x y z r1 r2 r3
0 0 0 -11 -58 -32
max |R
i
| = r
2
-7y = 58 y = 58/-7 = -8,286
-8,286 -2y 16,571 -7y 58 1y -8,286
Total1 5,571 0 -40,286
max |R
i
| = r
3
5z = 40,286 z = 40,286/5 = 8,057
8,057 8,057 -8,057 40,286
Total2 13,629 -8,057 0
max |R
i
| = r
1
6x = -13,629 x = -13,629/6 = -2,271
-2,271 -13,629 -2,271 -2,271
Total3 0 -10,329 -2,271
max |R
i
| = r
2
-7y = 10,329 y= 10,329/(-7) = -1,476
-1,476 2,951 10,329 -1,476
Total4 2,951 0 -3,747
max |R
i
| = r
3
5z = 3,747 z = 3,747/5 = 0,749
0,749 0,749 -0,749 3,747
Total5 3,700 -0,749 0
max |R
i
| = r
1
6x = -3,700 x = -3,700/6 = -0,617
-0,617 -3,700 -0,617 -0,617
Total6 0 -1,366 -0,617
max |R
i
| = r
2
-7y = 1,366 y = 1,366/(-7) = -0,195
-0,195 0,390 1,366 -0,195
Total7 0,390 0 -0,812
max |R
i
| = r
3
5z = 0,812 z = 0,812/5 = 0,162
0,162 0,162 -0,162 0,812
Total8 0,553 -0,162 0
max |R
i
| = r
1
6x = -0,553 x = -0,553/6 = -0,092
-0,092 -0,553 -0,092 -0,092
Total9 0 -0,255 -0,092
max |R
i
| = r
2
-7y = 0,255 y = 0,255/(-7) = -0,036
-0,036 0,073 0,255 -0,036
Total10 0,073 0 -0,129
max |R
i
| = r
3
5z = 0,129 z = 0,129/5 = 0,026
50
0,026 0,026 -0,026 0,129
Total11 0,099 -0,026 0
x = -2,980 y = -9,993 z = 8,994
ento, como todos os mdulos de r
i
so inferiores a 0,1
x = 0 - 2,271 - 0,617 - 0,092 = -2,980 -3
y = 0 - 8,286 - 1,476 - 0,195 -0,036 = -9,993 -10
z = 0 + 8,057 + 0,749 + 0,162 + 0,026 = 8,994 9
51
5 Interpolao
5.1 Introduo
A interpolao outra das tcnicas bem antigas e bsicas do clculo numrico. Muitas funes so
conhecidas apenas em um conjunto finito e discreto de pontos de um intervalo [a, b], como, por exemplo, a
tabela abaixo que relaciona calor especfico da gua e temperatura:
X
i
x
0
x
1
x
2
x
3
x
4
x
5
x
6
x
7
Temperatura (C) 20 25 30 35 40 45 50 55
Calor especfico 0.99907 0.99852 0.99826 0.99818 0.99828 0.99849 0.99878 0.99919
Tabela 1 - Calor especfico da gua.
A partir desses dados suponhamos que se queira calcular:
a) o calor especfico da gua a 32.5 C
b) a temperatura para a qual o calor especfico 0.99837.
A interpolao tem o objetivo de nos ajudar na resoluo deste tipo de problema, ou em casos em que
possumos um conjunto de valores obtidos atravs de alguns experimentos.
Interpolar uma funo f(x) consiste em aproximar essa funo por uma outra funo g(x), escolhida
entre uma classe de funes definida a priori e que satisfaa algumas propriedades. A funo g(x) ento
usada em substituio funo f(x).
A necessidade de se efetuar esta substituio surge em vrias situaes, como por exemplo:
a) quando so conhecidos somente os valores numricos da funo por um conjunto de pontos (no
dispondo de sua forma analtica) e necessrio calcular o valor da funo em um ponto no tabelado (como
o caso do exemplo anterior).
b) quando a funo em estudo tem uma expresso tal que operaes como a diferenciao e a
integrao so difceis (ou mesmo impossveis) de serem realizadas. Neste caso, podemos procurar uma outra
funo que seja uma aproximao da funo dada e cujo manuseio seja bem mais simples.
As funes que substituem as funes dadas podem ser de tipos variados, tais como: polinomiais,
trigonomtricas, exponenciais e logartmicas. Ns iremos considerar apenas o estudo das funes polinomiais.
5.1.1 Conceito de Interpolao
Seja a funo y = f(x), dada pela tabela 1. Deseja-se determinar f x ( ) , sendo:
a) x (x
0
, x
7
) e x x
i
, i = 0, 1, 2, ..., 7
b) x (x
0
, x
7
)
Para resolver (a) tem-se que fazer uma interpolao. E, sendo assim, determina-se o polinmio
interpolador, que uma aproximao da funo tabelada. Por outro lado, para resolver (b), deve-se realizar
uma extrapolao.
Consideremos (n + 1) pontos distintos: x
0
, x
1
, x
2
, ..., x
n
, chamados ns da interpolao, e os valores de
f(x) nesses pontos: f(x
0
), f(x
1
), f(x
2
), ..., f(x
n
).
A forma de interpolao de f(x) que veremos a seguir consiste em se obter uma determinada funo
g(x) tal que:
52
g(x
0
) = f(x
0
)
g(x
1
) = f(x
1
)
g(x
2
) = f(x
2
)

g(x
n
) = f(x
n
)
Graficamente temos:
y
x 0
x
0
x
1
x
2
x
3
x
4
x
5
g(x)
f(x)
(x
0
, f(x
0
))
(x
1
, f(x
1
))
(x
2
, f(x
2
))
(x
3
, f(x
3
))
(x
4
, f(x
4
))
(x
5
, f(x
5
))
Interpretao geomtrica para n = 5
5.2 Interpolao Linear
5.2.1 Obteno da Frmula
Dados dois pontos distintos de uma funo y = f(x) : (x
0
, y
0
) e (x
1
, y
1
), deseja-se calcular o valor de y
para um determinado valor de x entre x
0
e x
1
, usando a interpolao polinomial.
O polinmio interpolador uma unidade menor que o nmero de pontos conhecidos. Assim sendo, o
polinmio interpolador nesse caso ter grau 1, isto ,
P
1
(x) = a
1
x + a
0
Para determin-lo, os coeficientes a
0
e a
1
devem ser calculados de forma que tenha:
P
1
(x
0
) = f(x
0
) = y
0
P
1
(x
1
) = f(x
1
) = y
1
ou seja, basta resolver o sistema linear abaixo:
a x a y
a x a y
1 0 0 0
1 1 0 1
+
+
'
onde a
1
e a
0
so as incgnitas e
A
x
x
1
]
1
0
1
1
1
a matriz dos coeficientes.
O determinante da matriz A diferente de zero, sempre que x
0
x
1
, logo para pontos distintos o
sistema tem soluo nica.
O polinmio interpolador P
1
(x) = a
1
x + a
0
tem como imagem geomtrica uma reta, portanto estaremos
aproximando a funo f(x) por uma reta que passa pelos dois pontos conhecidos (x
0
, y
0
) e (x
1
, y
1
).
53
A figura abaixo mostra, geometricamente, os dois pontos, (x
0
, y
0
) e (x
1
, y
1
), e a reta que passa por eles.
p
1
(x)
x
0
x
1
y
0
y
1
0
5.2.2 Exemplos
Exemplo 1: Seja a funo y = f(x) definida pelos pontos (0.00; 1.35) e (1.00; 2.94). Determinar
aproximadamente o valor de f(0.73).
P
1
(x) = a
1
x + a
0
o polinmio interpolador de 1 grau que passa pelos pontos dados. Ento teremos:
a) Pontos utilizados:
(0.00;1.35) e (1.00; 2.94)
b) Clculo dos coeficientes:
P
1
(0) = a
1
0 + a
0
= 1.35 a
0
= 1.35
P
1
(1) = a
1
1 + a
0
= 2.94 a
1
= 1.59
c) Polinmio interpolador:
P
1
(x) = 1.59x + 1.35 (equao da reta que passa pelos pontos dados)
d) Resposta:
P
1
(0.73) = 1.59 0.73 + 1.35
P
1
(0.73) = 2.51
O resultado obtido acima est afetado por dois tipos de erros:
a) Erro de arredondamento (E
A
) - cometido durante a execuo das operaes e no caso de um
resultado ser arredondado.
b) Erro de truncamento (E
T
) - cometido quando a frmula de interpolao a ser utilizada
escolhida, pois a aproximao de uma funo conhecida apenas atravs de dois pontos dados feita por um
polinmio de 1 grau.
Exemplo 2: Dada a funo f(x) = 10x
4
+ 2x + 1 com os valores de f(0.1) e f(0.2) determinar P
1
(0.15) e o erro
absoluto cometido.
Resposta: P
1
(0.15) = 1.3085
Erro absoluto: E
A
= 0.0034375
Exemplo 3: Calcular o calor especfico aproximado da gua a 32,5 C, usando os valores da tabela 1.
Resposta: P
1
(32.5) = 0.99822 (Usando as temperaturas 30 C e 35 C).
5.3 Interpolao Quadrtica
Se conhecermos trs pontos distintos de uma funo, ento o polinmio interpolador ser:
54
P
2
(x) = a
2
x
2
+ a
1
x + a
0
O polinmio P
2
(x) conhecido como funo quadrtica cuja imagem geomtrica uma parbola,
portanto, estaremos aproximando a funo f(x) por uma parbola que passa pelos trs pontos conhecidos (x
0
,
y
0
), (x
1
, y
1
) e (x
2
, y
2
).
Para determinarmos os valores de a
2
, a
1
e a
0
necessrio resolver o sistema:
a
2 0
2
x
+ a
1
x
0
+ a
0
= y
0
a
2 1
2
x
+ a
1
x
1
+ a
0
= y
1
a
2 2
2
x
+ a
1
x
2
+ a
0
= y
2
onde a
2
, a
1
e a
0
so as incgnitas e os pontos (x
0
, y
0
), (x
1
, y
1
) e (x
2
, y
2
) so conhecidos.
A matriz dos coeficientes :
V =
0
2
0
1
2
1
2
2
2
1
1
1
x
x
x
x
x
x
1
]
1
1
1
Como os pontos so distintos, ento o sistema ter soluo nica.
5.3.2 Exemplos
Exemplo 1: Utilizando os valores da funo seno, dados pela tabela abaixo, determinar a funo quadrtica
que se aproxima de f(x) =
2
2
1
sen
x
x +
, trabalhando com trs casas decimais.
x sen(x) f(x)
0 0 0.000
6
1
2
0.328
4
2
2
0.560
( 0; 0 ) ( /6; 0.328 ) ( /4; 0.560 )
P
2
(x) = a
2
x
2
+ a
1
x + a
0
( ) ( )
( ) ( )
'
+ +
+ +
+ +

560 . 0 ) (
328 . 0 ) (
0 0
0
) 0 (
0
4
1
4
2
2
4
2
0
6
1
6
2
2
6
2
0 1
2
2 2
a a a P
a a a P
a a a P

Da primeira linha temos que a
0
= 0. Logo, o sistema passa a ser:
'
+
+
560 . 0 785 . 0 617 . 0
328 . 0 524 . 0 274 . 0
1 2
1 2
a a
a a
Resolvendo o sistema acima encontraremos a soluo aproximada:
55
a
2
= 0.333 a
1
= 0.452 a
0
= 0
P
2
(x) = 0.333
2
x
+ 0.452x
Exemplo 2: Determinar o valor de f(0.2) e o erro absoluto ocasionado pela aplicao da interpolao
quadrtica, no clculo deste valor, usando os valores tabelados da funo f(x) = x
2
2x + 1. Utilizar duas
casas decimais.
x f(x)
0.5 0.25
0.3 0.49
0.1 0.81
Resposta: P
2
(0.2) = 0.64
Erro absoluto: E
A
= 0
Podemos observar que o polinmio interpolador igual a funo dada. Isto ocorre porque a funo
dada polinomial de 2 grau e, a partir de trs pontos da funo, consegue-se determin-la sem erro. Contudo,
poder existir o erro de arredondamento.
Exemplo 3: Usando trs pontos da Tabela 1, determinar o calor especfico aproximado da gua a 31 C
Resposta: P
2
(31) = 0.99822 (Considerando os pontos (20; 0.99907), (30; 0.99826) e (40; 0.99828))
5.4 Interpolao de Lagrange
As interpolaes vistas anteriormente so casos particulares da interpolao de Lagrange. Vamos
estudar agora o polinmio interpolador de grau menor ou igual a n, sendo dados n + 1 pontos distintos.
Teorema: Sejam (x
i
, y
i
), i = 0, 1, 2, ..., n, n + 1 pontos distintos, isto , x
i
x
j
para i j. Existe um
nico polinmio P(x) de grau menor ou igual a n, tal que P(x
i
) = y
i
, para todo i.
O polinmio P(x) pode ser escrito na forma:
P
n
(x) = a
0
+ a
1
x + a
2
x
2
+ ... + a
n
x
n
ou P
n
(x) =
i
i
i
n
a x
0
P(x) , no mximo, de grau n, se a
n
0 e, para determin-lo, deve-se conhecer os valores de a
0
, a
1
, ...,
a
n
. Como P
n
(x) contm os pontos (x
i
, y
i
), i = 0, 1, ..., n, pode-se escrever que P
n
(x
i
) = y
i
.
Com isso temos:
0 1 0 2 0
2
0
0
0 1 1 2 1
2
1
1
0 1 2
2
a a x a x a x
y
a a x a x a x
y
a a x a x a x
y
n
n
n
n
n n n n
n
n
+ + + +
+ + + +
+ + + +
'
...
...
................................................
...
Resolvendo o sistema acima, determina-se o polinmio P
n
(x). Para provar que tal polinmio nico,
basta que se mostre que o determinante da matriz A, dos coeficientes das incgnitas do sistema, diferente de
zero. A matriz A :
56
A =
1
1
1
0 0
2
0
1 1
2
1
2
x x x
x x x
x x x
n
n
n n n
n
...
...
............................
...
1
]
1
1
1
1
1
Mas o determinante da matriz A conhecido como determinante das potncias ou de Vandermonde e,
da lgebra Linear, sabe-se que seu valor dado por:
det(A) = ( )
i j
i j
x x
>
. Como x
i
x
j
para i j, vem que det(A) 0.
Logo, P(x) nico.
Exemplo 1: Sejam os valores: x
0
= 1, x
1
= 0, x
2
= 3 e x
3
= 2. Determinar: ( )
i j
i j
x x
>
.
( )
i j
i j
x x
>
= (x
1
x
0
) (x
2
x
0
) (x
2
x
1
) (x
3
x
0
) (x
3
x
1
) (x
3
x
2
) =
= (1)(2)(3)(1)(2)(1) = 12
Este valor igual ao determinante da matriz:
1 1 1 1
1 0 0 0
1 3 9 27
1 2 4 8
1
]
1
1
1
1
Ser mostrado, agora, a deduo da frmula de interpolao de Lagrange.
Sejam x
0
, x
1
, x
2
, ..., x
n
, (n + 1) pontos distintos e y
i
= f(x
i
), i = 0, 1, ..., n.
Seja P
n
(x) o polinmio de grau n que interpola f em x
0
, ..., x
n
. Podemos representar P
n
(x) na forma
P
n
(x) = y
0
L
0
(x) + y
1
L
1
(x) + ... + y
n
L
n
(x), onde os polinmios L
k
(x) so de grau n. Para cada i, queremos que a
condio P
n
(x
i
) = y
i
seja satisfeita, ou seja:
P
n
(x
i
) = y
0
L
0
(x
i
) + y
1
L
1
(x
i
) + ... + y
n
L
n
(x
i
) = y
i
A forma mais simples de se satisfazer esta condio impor:
L
k
(x
i
) =
0
1
se k i
se k i
'
e, para isso, definimos L

k
(x) por
L
k
=
( )( )...( )( )...( )
( )( )...( )( )...( )
x x x x x x x x x x
x x x x x x x x x x
k k n
k k k k k k k n

+
+
0 1 1 1
0 1 1 1
Como o numerador de L
k
(x) um produto de n fatores da forma:
(x x
i
), i = 0, 1, ..., n, i k, ento L
k
(x) um polinmio de grau n e, assim, P
n
(x) um polinmio de
57
grau menor ou igual a n.
Alm disso, para x = x
i
, i = 0, ..., n temos:
P
n
(x
i
) =
k
k i
k
n
y
L x
( )
0
= y
i
L
i
(x
i
) = y
i
Ento, a interpolao de Lagrange para o polinmio interpolador :
P
n
(x) =
k
k
k
n
y
L
x ( )
0
onde L
k
(x) =
( )
( )
x x
x x
j
k j
j
j k
n
0
P
n
(x) =
k
j
k j
j
j k
n
k
n
y
x x
x x
1
]
1
1
1

( )
( )
0
0
, a frmula da interpolao lagrangeana.
5.4.2 Exemplos:
Exemplo 2: No caso da interpolao linear, visto anteriormente, temos dois pontos distintos: (x
0
, f(x
0
)) e (x
1
,
f(x
1
)) com n igual a 1.
(0.00; 1.35) e (1.00; 2.94)
P
1
(x) = y
0
L
0
(x) + y
1
L
1
(x), onde
L
0
(x) =
( )
( )
x x
x x
1
0 1
L
1
(x) =
( )
( )
x x
x x
0
1 0
Assim, P
1
(x) = y
0
( )
( )
x x
x x
1
0 1
+ y
1
( )
( )
x x
x x
0
1 0
que exatamente a equao da reta que passa por (x
0
, f(x
0
)) e (x
1
, f(x
1
)).
P
1
(x) = 1.35
( )
( )
x
1
0 1
+ 2.94
( )
( )
x
0
1 0
= 1.35x + 1.35 + 2.94x = 1.59x + 1.35
que a mesma expresso obtida no exemplo 1 de interpolao linear.
Exemplo 3: Determinar o polinmio de interpolao de Lagrange para a funo conhecida pelos pontos
tabelados abaixo e o resultado em P(0.5):
i x
i
y
i
0 0 0
58
1 1 1
2 2 4
Resposta: P
2
(0.5) = (0.5)
2
= 0.25
Exemplo 4: Determinar o polinmio interpolador de Lagrange para a funo conhecida pelos pontos da
tabela abaixo:
i x
i
y
i
0 1 4
1 0 1
2 2 1
3 3 16
Polinmio interpolador: P
3
(x) = x
3
4x + 1
5.5 Interpolao Parablica Progressiva
Na interpolao parablica progressiva precisamos de n + 1 pontos, onde n o grau do polinmio
desejado. Em seguida, tomamos os pontos mais prximos, do ponto que queremos, na hora de montar a
tabela.
Polinmio de grau 0:
G0
,
_
CTE
grau Polinmio 0
P
0
(x) = a
0
Polinmio de grau 1:
G1
,
_
CTE
grau Polinmio 0
+
,
_
0
1
x por passando
grau Polinmio
P
1
(x) = a
0
+ a
1
.(x x
0
)
Polinmio de grau 2:
G2
,
_
CTE
grau Polinmio 0
+
,
_
0
1
x por passando
grau Polinmio
+
,
_
1 0
2
x por e x por passando
grau Polinmio
P
2
(x) = a
0
+ a
1
.(x x
0
) + a
2
.(x x
0
).(x x
1
)
Polinmio de grau n:
P
n
(x) = a
0
+ a
1
.(x x
0
) + a
2
.(x x
0
).(x x
1
) + ... + a
n
.(x x
0
).(x x
1
).(x x
2
) ... (x x
n-1
)
59
Impondo que P
n
(x) passe por todos os n + 1 pontos da tabela, temos que:
P
n
(x
0
) = f(x
0
)
P
n
(x
1
) = f(x
1
)
P
n
(x
2
) = f(x
2
)
P
n
(x
n
) = f(x
n
)
Validade:
) ) (
(
0
0 0 0 0
x f
a x P x x

x x
x P
x f
a
x x
a
x f
a
x f
x x a a x P x x
0 1
1 0
1
1
0 1
0
1
1
1
0 1 1 0 1 1 1
) ( ) )
) ) ( ) (
( (
(
+
) )( (
) ( )
) ) )( ( ) ( ) (
1 2 0 2
2 1
2
2
2
1 2 0 2 2 0 2 1 0 2 2 2
(
(
x x x x
x P
x f
a
x f
x x x x a x x a a x P x x

+ +
) )...( (
) ( )
) ) )...( ( ... ) ( ) (
1 0
1
1 0 0 1 0
(
(
x x x x
x P
x f
a
x f
x x x x a x x a a x P x x
n n n
n n
n
n
n
n n n n n n n n
+ + +
Exemplo 1: Dados os pares abaixo, determinar a expresso analtica destes mesmos:
x
i 5 3 1 2
f(x
i
) 8 4 4 6
1 Hiptese:
x x P
x
0 0
8 ( )
2 Hiptese:
x x a
f x
P x
x x
P
x x x

+
+
+ + +
1 1
1
0 1
1 0
1
4 8
3 5
2 8 2 5 2 2
(
) ( )
( ) ( )
3 Hiptese:
x x a
f x
P x
x x x x
P
x x

+ +
+
2 2
2
1 2
2 0 2 1
2
4 4
1 5 1 3
0 2 2
(
) ( )
( )( ) ( )( )
( )
4 Hiptese:
x x a
f x
P x
x x x x x x
P
x x

+ +
+
3 3
3
2 3
3 0 3 1 3 2
3
6 6
2 5 2 3 2 1
0 2 2
(
) ( )
( )( )( ) ( )( )( )
( )
Logo, a expresso : P
1
(x) = 2x + 2
60
5.6 Diferenas Divididas
Seja f(x) uma funo tabelada em n + 1 pontos distintos x
0
, x
1
, x
2
, ... x
n
. Definimos o operador
diferenas divididas por:
f[x
0
] = f(x
0
)
f[x
0
,x
1
] =
0 1
0 1
] [ ] [
x x
x f x f
=
) (
) ( ) (
0 1
0 1
x x
x f x f
f[x
0
,x
1
,x
2
] =
0 2
1 0 2 1
] , [ ] , [
x x
x x f x x f
f[x
0
,x
1
,x
2
, ... x
n
] =
0
1 1 0 2 1
] ... , [ ] ... , [
x x
x x x f x x x f
n
n n

Dizemos que f[x
0
,x
1
,x
2
,...x
k
] a diferena dividida de ordem k da funo f(x) sobre os k + 1 pontos.
Conhecidos os valores que f(x) assume nos pontos distintos x
0
, x
1
, x
2
, ... x
n
, podemos construir a tabela:
x
i
Ordem 0 Ordem 1 Ordem 2 .... Ordem n
x
0
f[x
0
] f[x
0
,x
1
] f[x
0
,x
1
,x
2
] f[x
0
,x
1
,x
2
... x
n
]
x
1
f[x
1
] f[x
1
,x
2
] f[x
1
,x
2
,x
3
]
x
2
f[x
2
] f[x
2
,x
3
] f[x
2
,x
3
,x
4
]
... ... ... ... ...
x
n-2
f[x
n-2
] f[x
n-2
,x
n-1
] f[x
n-2
,x
n-1
,x
n
]
x
n-1
f[x
n-1
] f[x
n-1
,x
n
]
x
n
f[x
n
]
5.6.1 Propriedade do Operador Diferenas Divididas
Pode-se provar que as diferenas divididas satisfazem a propriedade de ser simtrico nos argumentos.
Exemplo:
f[x
0
,x
1
] =
0 1
0 1
] [ ] [
x x
x f x f
=
1 0
1 0
] [ ] [
x x
x f x f
= f[x
1
,x
0
]
5.7 Interpolao de Newton com Diferenas Divididas
Pode-se provar que cada coeficiente a
n
do polinmio interpolador de Newton corresponde ao operador
de grau n de diferenas divididas:
f[x
0
] = a
0
f[x
0
,x
1
] = a
1
f[x
0
,x
1
,x
2
] = a
2
f[x
0
,x
1
,x
2
,...,x
n
] = a
n
P
n
(x) = a
0
+ a
1
.(x x
0
) + a
2
.(x x
0
).(x x
1
) + ... + a
n
.(x x
0
).(x x
1
).(x x
2
) ... (x x
n-1
)
P
n
(x) = f[x
0
] + f[x
0
,x
1
] . (x x
0
) + f[x
0
,x
1
,x
2
] . (x x
0
) . (x x
1
) + ...
+ f[x
0
,x
1
,x
2
, ... x
n
] . (x x
0
) . (x x
1
) . (x x
2
) ... (x x
n-1
)
5.7.1 Exemplos
Exemplo 1: Obter f(0.5) usando um polinmio interpolador de Newton do segundo grau (3 pontos).
61
Considere a seguinte tabela:
x
i 1 0 1 2 3
F(x
i
) 2 1 2 5 10
a) Clculo dos coeficientes de P
n
(x):
X Ordem 0 Ordem 1 Ordem 2 Ordem 3 Ordem 4
x
0 1 2 1 1 0 0
x
1
0 1 1 1 0
x
2
1 2 3 1
x
3
2 5 5
x
4
3 10
onde:
f[x
0
] = f(x
0
) = 2
f[x
1
] = f(x
1
) = 1
f[x
2
] = f(x
2
) = 2
f[x
3
] = f(x
3
) = 5
f[x
4
] = f(x
4
) = 10
f[x
0
,x
1
] =
0 1
0 1
] [ ] [
x x
x f x f
=
) (
) ( ) (
0 1
0 1
x x
x f x f
=
1 2
0 1
+
= 1
f[x
1
,x
2
] =
f
x
f
x
x x
[ ] [ ]
2 1
2 1
=
2 1
1 0
= 1
f[x
2
,x
3
] =
x x
x
f
x
f
2 3
2 3
] [ ] [
=
1 2
2 5
= 3
f[x
3
,x
4
] =
x x
x
f
x
f
3 4
3 4
] [ ] [
=
2 3
5 10
= 5
f[x
0
,x
1
,x
2
] =
0 2
1 0 2 1
] , [ ] , [
x x
x x f x x f
=
1 1
1 1
+
+
= 1
f[x
1
,x
2
,x
3
] =
f
x x
f
x x
x x
[ , ] [ , ]
2 3 1 2
3 1
=
3 1
2 0
= 1
f[x
2
,x
3
,x
4
] =
x x
x x
f
x x
f
2 4
3 2 4 3
] , [ ] , [
=
1 3
3 5
= 1
f[x
0
,x
1
,x
2,
x
3
] =
f
x x x
f
x x x
x x
[ , , ] [ , , ]
1 2 3 0 1 2
3 0
=
1 1
2 1
+
= 0
f[x
1
,x
2
,x
3,
x
4
] =
f
x x x
f
x x x
x x
[ , , ] [ , , ]
2 3 4 1 2 3
4 1
=
1 1
3 0
= 0
f[x
0
,x
1
,x
2,
x
3
,x
4
] =
f
x x x x
f
x x x x
x x
[ , , , ] [ , , , ]
1 2 3 4 0 1 2 3
4 0
=
0 0
3 1
+
= 0
b) Polinmio interpolador:
P
2
(x) = 2 1(x + 1) + 1(x + 1)(x 0)
62
P
2
(x) = 2 (x + 1) + x (x + 1)
P
2
(x) = 2 x 1 + x
2
+ x
P
2
(x) = x
2
+ 1
c) Resposta:
P
2
(0.5) = (0.5)
2
+ 1 = 1.25
Exemplo 2: Obter f(40) usando um polinmio interpolador de Newton de grau 3 (4 pontos). Considere a
seguinte tabela:
x
i
30 35 45 50 55
F(x
i
) 0.5 0.574 0.707 0.766 0.819
Resposta: P
3
(40) = 0.64305
Exemplo 3: Obter f(0.47) usando um polinmio interpolador de Newton do segundo grau (3 pontos).
x
i
0.2 0.34 0.4 0.52 0.6 0.72
F(x
i
) 0.16 0.22 0.27 0.29 0.32 0.37
Resposta: P
2
(0.47) = 0.27802
Exemplo 4: Obter f(0.5) usando um polinmio interpolador de Newton do quarto grau (5 pontos). Considere
a seguinte tabela:
x
i 1 0 1 2 3
F(x
i
) 1 1 0 1 2
Resposta: P
4
(0.5) = 1 0.375 0.0625 0.02344 = 0.53906
5.8 Interpolao de Gregory-Newton
Muitas vezes so encontrados problemas de interpolao cuja tabela de pontos conhecidos tem valores
que so igualmente espaados, ou seja:
x
1
x
0
= x
2
x
1
= x
3
x
2
= ... = x
n
x
n-1
= h
Assim x
i+1
x
i
= h , para todo i, sendo h uma constante.
x
i
= x
i-1
+ h x
i
= x
0
+ i * h
5.8.1 Diferenas Ordinrias ou Finitas
0
f(x) = f(x)
1
f(x) = f(x + h) f(x)
2
f(x) =
1
f(x + h)
1
f(x)
...
n
f(x) =
n-1
f(x + h)
n-1
f(x)
x
i
Ordem 0 Ordem 1 Ordem 2 ... Ordem n
x
0
f(x
0
)
1
f(x
0
)
2
f(x
0
)
n
f(x
0
)
x
1
f(x
1
)
1
f(x
1
)
2
f(x
1
)
63
x
2
f(x
2
)
1
f(x
2
)
2
f(x
2
)
... ... ... ... ...
x
n-2
f(x
n-2
)
1
f(x
n-2
)
2
f(x
n-2
)
x
n-1
f(x
n-1
)
1
f(x
n-1
)
x
n
f(x
n
)
5.8.2 Relao entre diferenas divididas e diferenas ordinrias
Teorema: Se x
j
= x
0
+ j.h, para j = 0, 1, 2, ..., n, ento f[x
0
,x
1
,x
2
,...,x
n
] =
n
n
h n
x f
!
) (
0
.
Prova:
f[x
0
] = f(x
0
)
f[x
0
,x
1
] =
0 1
0 1
] [ ] [
x x
x f x f
=
) (
) ( ) (
0 1
0 1
x x
x f x f
=
h
x f h x f ) ( ) (
0 0
+
=
h
x f ) (
0
f[x
0
,x
1
,x
2
] =
0 2
1 0 2 1
] , [ ] , [
x x
x x f x x f
=
h
h
x f
h
x f
2
) ( ) (
0 1

=
2
0
2
2
) (
h
x f
e por induo podemos mostrar que esta regra valida para valores maiores que 2.
5.8.3 Gregory-Newton usando Diferenas Ordinrias
Partindo da formula original do mtodo de Newton, que
P
n
(x) = f[x
0
] + f[x
0
,x
1
].(x x
0
) + f[x
0
,x
1
,x
2
].(x x
0
).(x x
1
) + ...+ f[x
0
,x
1
,x
2
,...,x
n
].(x x
0
).(x x
1
).(x x
2
)...(x
x
n-1
)
podemos derivar a nova formula que utiliza as diferenas ordinrias:
P
n
(x) = f(x
0
) +
h
x f ) (
0
.(x x
0
) +
2
0
2
2
) (
h
x f
.(x x
0
).(x x
1
) + ... +
n
n
h n
x f
!
) (
0
.(x x
0
).(x x
1
).(x
x
2
)...(x x
n-1
)
5.8.4 Exemplos
Exemplo 1: Obter f(0.5) usando um polinmio interpolador de Gregory-Newton (G-N) do segundo grau (3
pontos). Considere a seguinte tabela:
x
i 1 0 1 2 3
f(x
i
) 2 1 2 5 10
a) Tamanho do intervalo:
h = 1
b) Clculo dos coeficientes de P
n
(x):
X Ordem 0 Ordem 1 Ordem 2 Ordem 3 Ordem 4
x
0 1 2 1 2 0 0
x
1
0 1 1 2 0
x
2
1 2 3 2
x
3
2 5 5
64
x
4
3 10
P
2
(x) = 2 +
,
_

1
1
(x + 1) +
,
_
2
1 2
2
(x + 1)(x)
P
2
(x) = 2 (x + 1) + x (x + 1)
P
2
(x) = 2 x 1 + x
2
+ x
P
2
(x) = x
2
+ 1
d) Resposta:
P
2
(0.5) = (0.5)
2
+ 1 = 1.25
Exemplo 2: Obter f(0.04) usando um polinmio interpolador de Gregory-Newton do segundo grau (3 pontos).
x
i
0.01 0.03 0.05 0.07
F(x
i
) 1.01 1.09 1.25 1.49
Resposta: P
2
(0.04) = 1.16
Exemplo 3: Obter f(3.7) usando um polinmio interpolador de Gregory-Newton do terceiro grau (4 pontos),
onde f(x) = ln(x). Considere a seguinte tabela:
x
i
1 2 3 4
F(x
i
) 0 0.6931 1.0986 1.3863
Resposta: P
3
(3.7) = 1.30225590
65
6 Integrao Numrica
6.1 Introduo
Do ponto de vista analtico existem diversas regras, que podem ser utilizadas na prtica. Contudo,
embora tenhamos resultados bsicos e importantes para as tcnicas de integrao analtica, como o Teorema
Fundamental do Clculo Integral, nem sempre podemos resolver todos os casos. No podemos sequer dizer
que para uma funo simples a primitiva tambm ser simples, pois f(x) = 1/x, que uma funo algbrica
racional, possui uma primitiva que no o ; a sua primitiva a funo ln(x) que transcendente.
Quando no conseguirmos calcular a integral por mtodos analticos, mecnicos ou grficos, ento
podemos recorrer ao mtodo algortmico. Em algumas situaes, s podemos usar o mtodo numrico. Por
exemplo, se no possuirmos a expresso analtica de f, no podemos, em hiptese nenhuma, usar outro
mtodo que no o numrico. A integrao numrica pode trazer timos resultados quando outros mtodos
falham.
A soluo numrica de uma integral simples comumente chamada de quadratura.
Sabemos do Clculo Diferencial e Integral que se f(x) uma funo contnua em [a, b], ento esta
funo tem uma primitiva neste intervalo, ou seja, existe F(x) tal que f(x) dx = F(x) + C, com F(x) = f(x);
demostra-se que, no intervalo [a, b],
f x dx F b F a
a
b
( ) ( ) ( )
tais mtodos, embora variados, no se aplicam a alguns tipos de integrandos f(x), no sendo conhecidas suas
primitivas F(x); para tais casos, e para aqueles em que a obteno da primitiva, embora vivel, muito
trabalhosa, podem-se empregar mtodos para o clculo do valor numrico aproximado de f x dx
a
b
( )
.
A aplicao de tais mtodos obviamente necessria no caso em que o valor de f(x) conhecido
apenas em alguns pontos, num intervalo [a, b], ou atravs de um grfico.
Lembrando que f x dx
a
b
( )
=
n
i
i
n
lim
f x xi
( )
1
(Riemann), onde xi [x
i-1
, x
i
] partes de [a, b], com x
0
=
a, x
n
= b e x
i
= | x
i
- x
i-1
|, para n suficientemente grande e x
i
suficientemente pequeno, f x x i
i
n
i ( )
representa uma boa aproximao para f x dx

a
b
( )
.
Convm lembrar, tambm, que, sendo f(x) no negativa em [a, b], f x dx
a
b
( )
representa,
numericamente, a rea da figura delimitada por y = 0, x = a, x = b e y = f(x), como mostra a figura abaixo:
66
y
x
0
b a
y=f(x)
A
A = f x dx
a
b
( )
Quando f(x) no for somente positiva, pode-se considerar f(x) em mdulo, para o clculo da rea,
conforme figura abaixo:
y
x
0
b
a
y=f (x)
A
A
c
A = f x f x dx
c
b
a
c
( ) | ( )| +

ou A = | ( )| f x dx
a
b
A idia bsica da integrao numrica a substituio da funo f(x) por um polinmio que a
aproxime razoavelmente no intervalo [a, b]. Assim o problema fica resolvido pela integrao de polinmios, o
que trivial de se fazer. Com este raciocnio podemos deduzir frmulas para aproximar f x dx
a
b
( )
.
As frmulas que deduziremos tero a expresso abaixo:
f x dx
a
b
( )
A
0
f(x
0
) + A
1
f(x
1
) + ... + A
n
f(x
n
), x
i
[a, b], i = 0, 1, ..., n.
6.1.1 Frmulas de Newton-Cotes
Nas frmulas de Newton-Cotes a idia de polinmio que aproxime f(x) razoavelmente que este
polinmio interpole f(x) em pontos de [a, b] igualmente espaados. Consideremos a partio do intervalo [a,
b] em subintervalos, de comprimento h, [x
i
, x
i+1
], i = 0, 1, ..., n-1. Assim x
i+1
x
i
= h = (b a)/n.
As frmulas fechadas de Newton-Cotes so frmulas de integrao do tipo x
o
= a, x
n
= b e f x dx
a
b
( )
=
f x dx
x
xn
( )
0
A
0
f(x
0
) + A
1
f(x
1
) + ... + A
n
f(x
n
) = A f x i i
i
n
0
( ) , sendo os coeficientes A
i
determinados de acordo
com o grau do polinmio aproximador.
Analisaremos a seguir algumas das frmulas fechadas de Newton-Cotes como regra dos retngulos,
67
regra dos trapzios e regra de Simpson.
Existem ainda as frmulas abertas de Newton-Cotes, construdas de maneira anloga s fechadas, com
x
o
e x
n
(a, b).
6.2 Regra dos Retngulos
Seja o intervalo finito [a, b] no eixo x que particionado em n subintervalos igualmente espaados [x
i
,
x
i+1
], com x
0
= a e x
n
= b e h
i
= x
i+1
x
i
. Seja f uma funo contnua ou simplesmente Riemann integrvel,
cuja integral no conhecida.
Nosso objetivo calcular f x dx
a
b
( )
pelo mtodo da rea dos retngulos. Tais retngulos podem ser

considerados de diversas maneiras, conforme mostra as figuras abaixo:
R
1
R
2
R
3
R
1
R
2
R
3
R
1
R
3
(a) (b) (c)
R
2
No primeiro caso, figura (a), a rea de cada retngulo f(x
i
) h
i
; no segundo caso f(x
i+1
)h
i
e no
ltimo f((x
i
+ x
i+1
)/2) h
i
. Em qualquer caso a soma das reas dos retngulos ser uma aproximao para
f x dx
a
b
( )
.
Subdividindo o intervalo [a, b] em n subintervalos, pela regra dos retngulos, que ser indicado por
R(h), dada pelas frmulas:
R(h
n
) = i h x f
n
i
i
). (
1
0
, ou
R(h
n
) = i h x f
n
i
i
). (
1
0
1
+
, ou
R(h
n
) = i h
x x
f
n
i
i i
.
2
1
0
1
,
_
+
conforme for tomado o caso (a) ou (b) ou (c) da figura acima.
Como h
i
constante, temos h
b a
n

. Ento :
R(h
n
) = ) (
1
0
n
i
i
x f h
ou
R(h
n
) = ) (
1
0
1
+
n
i
i
x f h
ou
68
R(h
n
) =
,
_
+
1
0
1
2
n
i
i i
x x
f h
Em geral, quando utilizarmos a regra dos retngulos iremos efetuar os clculos atravs do caso (c), ou
seja, R(h
n
) =
1
0
) (
n
i
i
x f h , sendo xi =
2
1 +
+
i i
x x
.
6.2.1 Exemplos
Exemplo 1: Calcular
x
x
dx
1
2
0
1
+
. Considere n = 10 e 4 casas decimais com arredondamento.

a) Nmero de intervalos:
n = 10
b) Tamanho do intervalo
h
b a
n

= (1 0) / 10 = 0.1
c) iteraes:
i xi f( xi )
0 (0 + 0.1) = 0.05 0.0499
1 (0.1 + 0.2) = 0.15 0.1467
2 (0.2 + 0.3) = 0.25 0.2353
3 (0.3 + 0.4) = 0.35 0.3118
4 (0.4 + 0.5) = 0.45 0.3742
5 (0.5 + 0.6) = 0.55 0.4223
6 (0.6 + 0.7) = 0.65 0.4569
7 (0.7 + 0.8) = 0.75 0.4800
8 (0.8 + 0.9) = 0.85 0.4935
9 (0.9 + 1) = 0.95 0.4993
3.4699
R(0.1) = h f xi ( )
= (0.1).(3.4699) = 0.34699
d) mtodo analtico:
x
x
dx
1
2
0
1
+
=
1
2
1
1
2
2 1 0 34657
2
0
1
ln( ) (ln( ) ln( )) , +
1
]
1

x
.
Exemplo 2: Quando no for possvel conhecer f(x
i
) pode-se usar f( xi ) = (f(x
i-1
) + f(x
i
))/2, para o clculo
anterior, ter-se-ia:
n = 10
b) Tamanho do intervalo:
h
b a
n

= (1 0) / 10 = 0.1
c) iteraes:
69
i f(x
i
) f( xi )
1 0
0 0.0990 0.0495
1 0.1923 0.1457
2 0.2752 0.2338
3 0.3448 0.3100
4 0.4000 0.3724
5 0.4412 0.4206
6 0.4698 0.4555
7 0.4878 0.4788
8 0.4972 0.4925
9 0.5000 0.4986
3.4574
R(0.1) = h f xi ( )
= (0.1).(3.4574) = 0.34574
Exemplo 3: Calcular
3
1
1
x
dx
, para n = 8.
Resposta: R(0.25) = h f xi ( )
= (0.25).(0.0000) = 0.0000
Mtodo analtico:
3
1
1
x
dx
=
4
4
1
4
1
4
0
1
1
x
1
]
1
1

.
6.3 Regra dos Trapzios
Seja o intervalo finito [a, b] no eixo x que particionado em n subintervalos igualmente espaados [x
i
,
x
i+1
], com x
0
= a e x
n
= b e h
i
= x
i+1
x
i
. Seja f uma funo contnua ou simplesmente Riemann integrvel, cuja
integral no conhecida.
Numericamente: A regra dos trapzios obtida aproximando-se f por um polinmio interpolador do 1
grau
(ao invs de zero, como na regra dos retngulos). Se usarmos a frmula de Lagrange para expressar o
polinmio p
1
(x) que interpola f(x) em x
0
e x
1
temos:
T
b
a
b
a
I dx x f
h
x x
x f
h
x x
dx x p dx x f
x
x
x
x
1
]
1
1
0
1
0
) (
) (
) (
) (
) ( ) (
1
0
0
1
1
Assim, I
T
= [ ] ) ( ) (
2
1 0
x f x f
h
+ , que a rea do trapzio de altura h = x
1
x
0
e bases f(x
0
) e f(x
1
).
Geometricamente: Podemos ver, conforme mostra a figura abaixo:
f(xi +1)
f(x)
f(xi)
xi +1 xi
P1(x)
Interpretao geomtrica da regra dos trapzios
70
A rea de cada trapzio (f(x
i
) + f(x
i+1
))/2 h
i
. A soma destas reas ser uma aproximao para
f x dx
a
b
( )
.
6.3.1 Regra do Trapzio Repetida
Dividindo o intervalo [a, b] em n subintervalos, pela regra dos trapzios, o resultado, que ser indicado
por T(h), dada pela frmula:
i
n
i
i i
n
h
x f x f
h T ).
2
) ( ) (
( ) (
1
0
1
+
+
Como h
i
constante, temos h
b a
n

. Ento :
)
2
) ( ) (
( ) (
1
0
1
+
+
n
i
i i
n
x f x f
h h T
ou
[ ] ) ( ) ( 2 ... ) ( 2 ) ( 2 ) (
2
) (
1 2 1 0 n n n
x f x f x f x f x f
h
h T + + + + +

6.3.2 Exemplos
Exemplo 1: Calcular
6 , 3
0 , 3
1
dx
x
pela regra dos trapzios e, depois, analiticamente. Considere n = 6 e 4 casas
decimais com arredondamento.
n = 6
h
b a
n

= (3.6 3.0) / 6 = 0.1
c) iteraes:
i x
i
f(x
i
) c
i
c
i
. f(x
i
)
0 3.0 0.3333 1 0.3333
1 3.1 0.3226 2 0.6452
2 3.2 0.3125 2 0.6250
3 3.3 0.3030 2 0.6060
4 3.4 0.2941 2 0.5882
5 3.5 0.2857 2 0.5714
6 3.6 0.2778 1 0.2778
3.6469
[ ] ) ( ) ( 2 ... ) ( 2 ) ( 2 ) (
2
) (
6 5 2 1 0 6
x f x f x f x f x f
h
h T + + + + +
T(0.1) =
2
1 . 0
(3.6469) = 0,182345
71
d) mtodo analtico:
6 , 3
0 , 3
1
dx
x
= ]
6 , 3
0 , 3
) ln(x = ln(3.6) ln(3.0) = 0.18232156
Exemplo 2: Calcular
+
1
0
) 3 2 ( dx x pela regra dos trapzios e, depois, analiticamente. Considere n = 1 e 4
casas decimais com arredondamento.
Resposta: T(1) =
2
1
(8) = 4
Mtodo analtico:
+
1
0
) 3 2 ( dx x = ]
1
0
2
3x x + = 1 + 3 (0 + 0) = 4
Como a regra dos trapzios aproxima por uma reta e a funo integranda f(x) = 2x + 3 (uma reta), o
valor da integral obtido exato.
Exemplo 3: Calcular x x dx ln( )
1
2
pela regra dos trapzios, considerando diversos valores para n e, depois,

analiticamente.
a) Nmero de intervalos: n = 1
Resposta: T(1) =
2
1
(1.3863) = 0.6932
b) Nmero de intervalos: n = 2
Resposta: T(0.5) =
2
5 . 0
(2.6027) = 0.6507
c) Nmero de intervalos: n = 4
Resposta: T(0.25) =
2
25 . 0
(5.1191) = 0,6399
d) Nmero de intervalos: n = 8
Resposta: T(0.125) =
2
125 . 0
(10.1951) = 0,6372
Mtodo analtico: x x dx ln( )
1
2
=
2 2
1
2
2 2
1
2
2 4
2
4
x
x
x x
x
x
ln( ) ln( )
] ]

= 0.63629436
6.4 Regra de Simpson
A regra de Simpson obtida aproximando-se f por um polinmio interpolador de 2 grau, ou seja, uma
parbola.
Numericamente: Novamente podemos usar a frmula de Lagrange para estabelecer a frmula de integrao
resultante da aproximao de f(x) por um polinmio de grau 2. Seja p
2
(x) o polinmio que interpola f(x) nos
pontos x
0
= a, x
1
= x
0
+ h e x
2
= x
0
+ 2h = b:
p x
x x x x
h h
f x
x x x x
h h
f x
x x x x
h h
f x 2
1 2
0
0 2
1
0 1
2
2 2
( )
( )( )
( )( )
( )
( )( )
( )( )
( )
( )( )
( )( )
( )

+

+

Assim,
72
f x dx f x dx p x dx
a
b
x
x
x
x
( ) ( ) ( )

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

Resolvendo as integrais obtemos a regra de Simpson:
f x dx
h
f x f x f x Is
x
x
( ) ( ) ( ) ( ) [ ] + +
3
4 0 1 2
0
2
Geometricamente: Podemos ver, conforme mostra a figura abaixo:
f
x
0
=a
p
2
(x)
x
2
=b x
1
h h
Interpretao geomtrica da regra de Simpson simples
6.4.1 Regra de Simpson Repetida
Aplicando a regra de Simpson repetidas vezes no intervalo [a, b] = [x
0
, x
n
]. Vamos supor que x
0
, x
1
, ...,
x
n
so pontos igualmente espaados, h = x
i+1
x
i
, e n par (isto condio necessria pois cada parbola
utilizar trs pontos consecutivos). Assim teremos:
f x dx
a
b
( )
[ ] ) ( ) ( 4 ... ) ( 2 ) ( 4 ) ( 2 ) ( 4 ) (
3
) (
1 4 3 2 1 0 n n
n x f x f x f x f x f x f x f
h
h S + + + + + + +

6.4.2 Exemplos
Exemplo 1: Calcular uma aproximao para
x
e
dx
0
1
usando a regra de Simpson com n = 10.

n = 10
h
b a
n

= (1 0) / 10 = 0.1
c) iteraes:
i x
i
f(x
i
) c
i
c
i.
f(x
i
)
0 0.0 1 1 1
73
1 0.1 1.1052 4 4.4208
2 0.2 1.2214 2 2.4428
3 0.3 1.3499 4 5.3996
4 0.4 1.4918 2 2.9836
5 0.5 1.6487 4 6.5948
6 0.6 1.8221 2 3.6442
7 0.7 2.0138 4 8.0552
8 0.8 2.2255 2 4.4510
9 0.9 2.4596 4 9.8384
10 1.0 2.7183 1 2.7183
51.5487
S h
e e e e e e e
( )
,
[ ... ]
, , , , , , ,
10
0 0 0 1 0 2 0 3 0 8 0 9 1 0
0 1
3
4 2 4 2 4 + + + + + + + = 1,71829
d) mtodo analtico:
x
e
dx
0
1
=
x
e e e
0
1
1 0
2 7182818 1 17182818
]
, ,
Exemplo 2: Calcular o valor de , dado pela expresso 4
+
1
0
2
1
1
dx
x
, considerando n = 10.
Resposta: S h f x f x f x f x f x f x f x ( )
,
[ ( ) ( ) ( ) ( ) ... ( ) ( ) ( )] 10 0 1 2 3 8 9 10
0 1
3
4 2 4 2 4 + + + + + + + = 3,14157
Mtodo analtico: 4
+
1
0
2
1
1
dx
x
= 4( ]
1
0
) (x arctg ) = 4.(arctg(1) arctg(0)) = 3.14159265
Exemplo 3: Calcular x x dx ln( )
1
2
pela regra de Simpson, considerando diversos valores para n e, depois,

analiticamente.
a) Nmero de intervalos: n = 2
Resposta: S(0.5) =
3
5 . 0
(3.8191) = 0,6365
b) Nmero de intervalos: n = 4
Resposta: S(0.25) =
3
25 . 0
(7.6355) = 0.63629167
c) Nmero de intervalos: n = 8
Resposta: S(0.25) =
3
125 . 0
(15.2711) = 0,63629583
Mtodo analtico: x x dx ln( )
1
2
=
2 2
1
2
2 2
1
2
2 4
2
4
x
x
x x
x
x
ln( ) ln( )
] ]

= 0.63629436
Exemplo 4: Calcular uma aproximao para
2
0
1
1
x
dx +
usando Simpson com n = 2.

74
Resposta: ] 2 ) 25 . 1 ( 4 1 [
3
5 . 0
) 5 . 0 ( + + S =
4
3
= 1.33333...
Mtodo analtico:
2
0
1
1
x
dx +
=
3
0
1
3 3
3
1
3
1
0
3
0
4
3
x
x + + +
]
( ) ( ) = 1.33333...
Como a regra de Simpson se aproxima por uma parbola e, sendo f(x) = x
2
+ 1 uma parbola, o valor
da integral obtido exato independente do nmero de subintervalos utilizado no clculo.
75
Referncias Bibliogrficas
[1] BARROSO, Lenidas C. et. al., Clculo Numrico (com Aplicaes), 2
a
edio, Editora Harbra, So
Paulo, 1987.
[2] CLAUDIO, Dalcidio M., MARINS, Jussara M., Clculo Numrico Computacional, 2
a
edio, Atlas,
1994
[3] SANTOS, Vitoriano R. B., Curso de Clculo Numrico, 4
a
edio, LTC, 1982.
[4] RUGGIERO, Mrcia A. G., LOPES, Vera Lcia R., Clculo Numrico: Aspectos Tericos e
Computacionais, 2
a
edio, Makron Books, So Paulo, 1996.
[5] CAMPOS, R. J. A., Clculo Numrico Bsico. 1
edio, Atlas, 1978

[6] CAMARGO, W. C. M., Apostila de Clculo Numrico. Departamento de Informtica. UFPR.

APOSTILA Metodos Numericos

Caricato da

Informazioni sul documento

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

APOSTILA Metodos Numericos

Caricato da

Copyright:

Formati disponibili

Universidade Federal do Paran

, sendo 100 o valor exato dessa somatria.

Mtodo da falsa posio com uma das extremidades fixa

y'(4.5) = 0.2914 y'(5.5) = 0.3094 x

f(x) = 10sen(x) + cos(x) 10x

chamada matriz completa ou matriz aumentada do sistema.

a matriz dos coeficientes

o vetor das incgnitas, e

o vetor constante (termos independentes).

x do sistema linear obtida realizando-se um nmero

Resposta: A soluo deste sistema x : ( 0, 1, 1)

Resposta: A soluo deste sistema x : ( 1, -2, 1)

1 etapa: Matriz completa:

Sendo A a matriz dos coeficientes, onde A = D + I + S, no qual D a matriz diagonal, I a matriz

Substituindo no sistema os valores (0, 0) para (x, y), obtm-se:

Com base nestes dados, forma-se a seguinte tabela:

e, para isso, definimos L

representa uma boa aproximao para f x dx

pelo mtodo da rea dos retngulos. Tais retngulos podem ser

. Considere n = 10 e 4 casas decimais com arredondamento.

pela regra dos trapzios, considerando diversos valores para n e, depois,

usando a regra de Simpson com n = 10.

pela regra de Simpson, considerando diversos valores para n e, depois,

usando Simpson com n = 2.

edio, Atlas, 1978

Potrebbero piacerti anche