CALCULO

NUMERICO

Apostila elaborada pelo professor Wanderson Rodrigues Bispo

com a colaborac
ao do monitor Shander Sanches

Centro Federal de Educac

ao Tecnologica Celso Suckow da Fonseca - CEFET/RJ
Unidade Descentralizada de Nova Iguacu
Julho de 2009

Sum
ario
1 Conceitos Gerais em C
alculo Num
erico
1.1 Conceitos Basicos . . . . . . . . . . . . . .
1.1.1 Algoritmo . . . . . . . . . . . . . .
1.1.2 Iteracao ou Aproximacao Sucessiva
1.1.3 Aproximacao Local . . . . . . . . .
1.2 Erros . . . . . . . . . . . . . . . . . . . . .
1.2.1 Erros de Truncamento . . . . . . .
1.2.2 Erros de Aproximacao . . . . . . .
1.3 Sistemas de Numeracao Binario e Decimal
1.4 Serie de Taylor . . . . . . . . . . . . . . .
1.5 Conclusao . . . . . . . . . . . . . . . . . .
1.6 Exerccios . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

2
2
2
2
3
3
3
3
4
5
6
7

2 Resolu
c
ao Num
erica de Sistemas Lineares
2.1 Metodo de Eliminacao de Gauss . . . . . .
2.2 Decomposicao LU . . . . . . . . . . . . . .
2.3 Metodos Iterativos . . . . . . . . . . . . . .
2.4 Exerccios . . . . . . . . . . . . . . . . . . .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

9
9
12
12
17

3 Zero de Fun
c
oes
3.1 Metodo da Bissecao . . . . .
3.2 Metodo da Falsa-Posicao . . .
3.3 Metodo da Iteracao Linear . .
3.4 Metodo de Newton-Raphson .
3.5 Exerccios . . . . . . . . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

19
20
21
22
25
26

4 Aproxima
c
ao de Fun
c
oes
4.1 Teoria de Interpolacao . .
4.2 Interpolacao Polinomial .
4.3 Formula de Lagrange . . .
4.4 Diferenciacao Numerica .
4.5 Formula de Newton . . .
4.6 Ajuste de Curvas . . . . .
4.6.1 Criterios de Ajuste
4.6.2 Ajuste Polinomial
4.7 Exerccios . . . . . . . . .

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

28
28
29
31
31
34
36
36
38
40

5 Integra
c
ao Num
erica
5.1 Metodo dos Trapezios . . . . . . .
5.2 Metodo de Simpson . . . . . . . .
5.3 Metodo da Quadratura Gaussiana
5.4 Exerccios . . . . . . . . . . . . . .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

42
42
44
46
50

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

Captulo 1

Conceitos Gerais em C
alculo
Num
erico
Metodos numericos sao conjuntos de procedimentos utilizados para transformar um modelo matematico num problema numerico ou conjuntos de procedimentos usados para resolver um problema
numerico. A escolha de metodo mais eciente para resolver um problema numerico deve envolver a
precisao desejada, a capacidade do metodo em conduzir bons resultados e o esforco computacional
despendido. Veja referenica (1).

1.1
1.1.1

Conceitos B
asicos
Algoritmo

a descricao sequencial dos passos que caracterizam um metodo numerico. O algoritmo fornece
E
uma descricao completa de operacoes bem denidas por meio das quais o conjunto de dados de
entrada e transformado em dados de sada. Por operacoes bem denidas entendem-se as aritmeticas
e logicas que um computador pode realizar. Dessa forma, um algoritmo consiste de uma sequencia
de n passos, cada um envolvendo um n
umero nito de operacoes. Ao m desses n passos, o algoritmo
deve fornecer valores ao menos proximosdaqueles que sao procurados. O n
umero n pode nao ser
conhecido a priori, e o caso de algoritmos iterativos cuja ideia sera enfocada a seguir, nesse caso,
em geral tem-se para n apenas uma cota superior.

1.1.2

Iterac
ao ou Aproximac
ao Sucessiva

Uma das ideias fundamentais do calculo numerico e a de iteracao ou aproximacao sucessiva. Num
sentido amplo, iteracao signica a repeticao de um processo. Grande parte dos metodos numericos
e iterativa. Um metodo iterativo se caracteriza por envolver os seguintes elementos constitutivos:
(i) Tentativa inicial: consiste em uma primeira aproximacao para a solucao desejada do problema numerico.
(ii) Equa
c
ao de recorr
encia: equacao por meio da qual, partindo-se da tentativa inicial, sao
realizadas as iteracoes ou aproximacoes sucessivas para a solucao desejada.
(iii) Teste de parada: e o instrumento por meio do qual o procedimento iterativo e nalizado.

CAPITULO 1. CONCEITOS GERAIS EM CALCULO

NUMERICO

1.1.3

Aproximac
ao Local

Outro conceito que aparece em calculo numerico e o de aproximacao local de uma funcao por outra,
que seja de manuseio mais simples. Por exemplo, aproximar uma funcao nao-linear por uma func
ao
linear num determinado intervalo do domnio das funcoes.

1.2

Erros

Na busca da solucao do modelo matematico por meio de calculo numerico, os erros surgem de varias
formas e merecem cuidado especial. Do contrario, pode-se chegar a resultados distintos do que se
esperaria ou ate mesmo obter outros que nao tem nenhuma relacao com a solucao do problema
original.
As principais fontes de erros sao as seguintes:
(i) erros nos dados de entrada;
(ii) erros no estabelecimento do modelo matematico;
(iii) erros de arredondamento durante a computacao;
(iv) erros de truncamento, e
(v) erros humanos e de maquinas.

1.2.1

Erros de Truncamento

o erro inerente ao metodo numerico. Surge cada vez que se substitui um procedimento matematico
E
innito por um processo nito ou discreto.

1.2.2

Erros de Aproximac
ao

A partir do momento que se calcula um resultado por aproximacao, e preciso saber como estimar
ou delimitar o erro cometido na aproximacao. Sem isso, a aproximacao obtida nao tem signicado.
Para estimar ou delimitar o erro, recorre-se a dois conceitos: erro absoluto e erro relativo. Com
efeito, seja x um valor aproximado para uma quantidade cujo valor exato e x. Entao se dene:
i) Erro absoluto - e a diferenca, em modulo, entre o valor exato e o valor aproximado de um
n
umero. Notacao: .
x = |x x |
ii) Erro relativo - e a razao entre o erro absoluto e o valor exato de um n
umero. Esse erro e
frequentemente dado como porcentagem, por exemplo, 3% de erro relativo signica que o
erro e 0.03. Notacao: .
x
x =
x
Exemplo 1.1 Se x = 3, 251408 e x = 3, 2524643, ent
ao
x = |x x | = 0, 0010554 = 1, 0554 103

CAPITULO 1. CONCEITOS GERAIS EM CALCULO

NUMERICO
e
x =

x
1, 0554 103
=
= 3, 24597836 104 ,
x
3, 251408

ou seja, o erro relativo e de aproximadamente 0, 032%.

Proposi
c
ao 1.1 Sejam x e y valores exatos e x e y valores aproximados de dois n
umeros.
Ent
ao:
i) (x + y) = x + y
ii) (x + y) = x

x
y
+
y
x + y
x + y

iii) (x y) = x y
iv) (x y) = x

x
y
+
y
x y
x y

v) (xy) = x y + y x
vi) (xy) = x + y
(x)
y x x y
vii)

y
(y )2
(x)
viii)
= x y
y

1.3

Sistemas de Numerac
ao Bin
ario e Decimal

Um n
umero na base 2 e representado utilizando os dgitos 0 e 1. Por exemplo, 101102 e um n
umero
binario. Para convertermos este numero binario para a base decimal (base 10), procedemos da
seguinte forma:
101102 = 1 24 + 0 23 + 1 22 + 1 21 + 0 20 = 16 + 0 + 4 + 2 + 0 = 22.
Como segundo exemplo, vamos obter a representacao decimal do n
umero binario 11.012 . Neste
caso,
1
11.012 = 1 21 + 1 20 + 0 21 + 1 22 = 2 + 1 + 0 + = 3.25.
4
A conversao de n
umeros decimais para n
umeros binarios e feita atraves de divisoes sucessivas
como mostrado na gura abaixo. O resultado e constitudo pelos restos das divisoes tomados na
ordem inversa,
17 2
2
1
8
2
0
4
2
0
2
2
0
1
1
0
assim, temos que 17 = 100012 .

CAPITULO 1. CONCEITOS GERAIS EM CALCULO

NUMERICO

Para o caso de n
umeros fracionarios, a conversao e feita utilizando as seguintes regras:
1- Multiplicar o n
umero fracionario por 2;
2- No resultado da multiplicacao, a parte inteira sera um dgito binario;
3- Separar a parte fracionaria e repetir o processo ate que a parte fracionaria seja igual a 0.
Por exemplo, vamos transformar o n
umero decimal 0.1875 em um n
umero binario, ou seja,
representado na base 2:
0.1875 2
0.3750 2
0.7500 2
0.5000 2

=
=
=
=

0.3750
0.7500
1.5000
1.0000

parte
parte
parte
parte

inteira
inteira
inteira
inteira

=0
=0
=1
=1

O processo termina porque a proxima parte fracionaria a ser utilizada e igual a 0. Assim, o
n
umero 0.187510 e escrito como 0.00112 .

1.4

S
erie de Taylor

Uma funcao f (x) contnua e innitamente derivavel, pode ser representada por uma serie de
potencias da forma:
f (x) =

f (n) (a)
n=0

n!

(x a)n ,

(1.1)

onde f (0) (a) = f (a), e f (n) (a) e a derivada de ordem n de f no ponto a. A equacao acima denominase serie de Taylor da funcao f em torno do ponto x = a. Quando a = 0, a serie recebe o nome de
Maclaurin.
O emprego da serie de Taylor para representar f (x) esta limitado aos casos em que ela e
convergente. Pela teoria das series de potencias, a serie de Taylor e convergente para os valores de
x que satisfazem a desigualdade
|x a| < r ,
onde r e o raio de convergencia da serie.
Consegue se mostrar que
r = limn (n + 1)

|f (n) (a)|
.
|f (n+1) (a)|

Se escrevermos h = x a, a equacao (1.1) ca

f (a + h) =

n=0

hn

f (n) (a)
.
n!

(1.2)

Na aplicacao da serie de Taylor, torna-se impossvel computar todos os seus termos. O que se
faz e considerar apenas um n
umero nito deles. Se a serie e truncada apos o n-esimo termo, tem-se
a aproximacao:
f (a + h) = f (a) + hf (a) +

h2
hn1 (n1)
f (a) + +
f
(a).
2!
(n 1)!

CAPITULO 1. CONCEITOS GERAIS EM CALCULO

NUMERICO

Na aproximacao acima, comete-se um erro de truncamento, Rn (x), que e denido como

Rn (x) =

f (n) ()(x a)n

, a < < x.
n!

(1.3)

A equac
ao (1.3) e chamada formula de Lagrange para o erro de truncamento.
Como nao e conhecido explicitamente, a formula de Lagrange pode ser usada para delimitar
o erro, ou seja,
|Rn (x)|

M
(x a)n ,
n!

(1.4)

onde M = max |f (n) (t)| com a t x.

Exemplo 1.2 Desenvolver a func
ao f (x) = ex em serie de Taylor em torno do ponto x = 0.
1
Calcule e usando da serie obtida, cinco termos, e delimite o erro cometido.
solu
c
ao:
Nesse caso,
f (x) = ex , a = 0 , e f (0) = f (0) = f (0) = = f (n) (0) = = 1 .
Portanto,
x2 x3
xn
+
+ +
+ ...
2!
3!
n!
e o raio de convergencia da serie e infinito (verifique!). Ent
ao
ex = 1 + x +

e1 = 1 1 +

1
1
1
+ = 0, 375 .
2! 3! 4!

Delimitac
ao do erro:
M
|(1)5 | .
5!
Como M = max |et |, com 1 t 0, temos que M = 1, assim,
R5 (1)

|R5 (1)| 0, 008333 .

1.5

Conclus
ao

Com essas ideias preliminares e que sao basicas em calculo numerico, o uxograma apresentado no
incio, que indicava as fases de resolucao de um problema real, pode agora ser assim reestruturado:

Problema Fsico


Modelagem

/ Modelo Matem
atico

Implementacao Computacional o
do Metodo Numerico

Escolha do Metodo
Numerico Adequado

Analise dos Resultados

/ Soluc
ao

CAPITULO 1. CONCEITOS GERAIS EM CALCULO

NUMERICO

1.6

Exerccios

1. O que sao metodos numericos? Fale um pouco sobre algoritmos.

2. Que elementos constituem um metodo iterativo?
3. Quais as principais fontes de erros em metodos numericos? Exemplique o erro de truncamento.
4. Converta os seguintes n
umeros decimais para a base binaria: x = 47, y = 93, z = 26.35 e
w = 0.1217.
5. Converta os seguintes n
umeros binarios para a sua correspondente forma na base decimal:
x = 1101012 , y = 0.11012 , z = 11100.11012 e w = 0.11111012 .
6. Calcule a area de um crculo de raio 100 m, utilizando os seguintes valores aproximados para
: 3.14, 3.1416, 3.14159 e 3.1415926.
7. Determine os erros absoluto e relativo do exerccio anterior, considerando como valor exato
a area obtida atraves do u
ltimo valor de .
8. Determine o raio e o intervalo de convergencia das series de Taylor abaixo:
a)

b)

c)

d)

(1)n xn
n=1

n=0

n=1

n=0

2n
(2)n xn
(x + 2)n
2n n2
(1)n (x 1)n
n!

9. Encontre a serie de Maclaurin para as funcoes abaixo:

a) f (x) = e3x
b) f (x) = sen (2x)
c) f (x) =

1
1 + 3x

d) f (x) = x sen (2x)

10. Desenvolva as funcoes abaixo em serie de Taylor, em torno do ponto dado:
a) f (x) = sen x, c =
1
, c=1
x
c) f (x) = cos x, c =

b) f (x) =

CAPITULO 1. CONCEITOS GERAIS EM CALCULO

NUMERICO

d) f (x) = ex , c = 3
11. Considere a funcao f (x) = ln x .
a) Desenvolva a funcao f (x) em serie de Taylor, em torno do ponto x = e;
b) Encontre o raio e o intervalo de convergencia da serie obtida no item anterior;
c) Expresse f (x) em termos de serie de potencias, e determine o seu domnio.
12. Considere a funcao f (x) =

1
.
x

a) Desenvolva a funcao f (x) em serie de Taylor, em torno do ponto x = 2;

b) Encontre o raio e o intervalo de convergencia da serie obtida no item anterior;
c) Expresse f (x) e f (x) em termos de serie de potencias.
13. Considere a funcao f (x) = e2x .
a) Determine a serie de MacLaurin da funcao f (x);
b) Encontre o raio e o intervalo de convergencia da serie obtida no item anterior;
c) Expresse f (x) em termos de serie de potencias, e determine o seu domnio.
14. Calcular o valor numerico de sen 2, usando a serie de Taylor da funcao sen x (dada abaixo)
com n
umero de termos variando de 2 a 10 termos. Calcular o erro absoluto para cada caso.
Esbocar o graco do valor do sen 2 calculado por serie de Taylor versus o n
umero de termos
para vericar que ele converge para o valor exato com o aumento do n
umero de termos da
serie.

x2k+1
(1)k
, |x| < .
sen x =
(2k + 1)!
k=0

15. Calcular o valor numerico de ln(2, 1) empregando a serie de Taylor

ln x =

k=1

(1)k1

(x 1)k
, 0<x2
k

com o n
umero de termos variando de 1 a 20 termos e calcular o erro absoluto para cada caso.
Esbocar o graco do valor do erro versus n
umero de termos. Observar pelo erro absoluto que
o aumento do n
umero de termos nao melhora a precisao do resultado numerico ao contr
ario
do observado no exerccio anterior. Explicar porque isto acontece.

Captulo 2

Resoluc
ao Num
erica de Sistemas
Lineares
M
etodos Diretos e M
etodos Iterativos
O objetivo nesse captulo e apresentarmos metodos numericos para resolucao de sistemas lineares.
Dependendo do metodo escolhido, buscaremos uma solucao exata ou uma solucao aproximada, o
que nos permite denir duas classes de metodos: metodos diretos e metodos iterativos. No caso
dos metodos diretos, as solucoes nao apresentam nenhum tipo de erro de truncamento, ou seja, a
solucao encontrada sera a solucao exata. Os erros que possam vir a ocorrer serao decorrentes da
maquina empregada (erros de arredondamento).
Na segunda classe temos os chamados metodos iterativos, que diferente dos metodos diretos,
nao produzem solucoes exatas e sim, solucoes aproximadas.

2.1

M
etodo de Eliminac
ao de Gauss

Comecaremos nosso estudo com um metodo

sitema linear abaixo:

a11 x1 + a12 x2

a21 x1 + a22 x2
..

an1 x1 + an2 x2

direto, o metodo da eliminacao de Gauss. Considere o

+
+
..
.

+ a1n xn
+ a2n xn

= b1
= b2
..
.

(2.1)

+ ann xn = bn

Podemos escrever o sistema (2.1) na forma matricial Ax = b

n
(

)
aij xj = bi , i = 1, 2, , n ,

j=1

onde A = [aij ]nn , x = {xj }n1 e b = {bi }n1 .

Sabemos da algebra linear que o sistema (2.1) admite solucao se det A = 0, ou seja, se A e
invertvel, e assim sua solucao e x = A1 b. Mas do ponto de vista computacional, calcular a inversa
de uma matriz e muito custoso e, para evitar esse problema, utilizaremos o metodo de eliminac
ao
de Gauss.
Elimina
c
ao Gaussiana

A ideia do metodo de Gauss e transformar o sistema dado num sistema triangular inferior (ou
superior), utilizando escalonamento de matrizes. Apos esse processo, teremos o seguinte sistema:

 NUMERICA

CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES

u11 x1 + u12 x2

u22 x2
..

+
+
..
.

+ u1n xn
+ u2n xn

= g1
= g2
.
..
.

10

(2.2)

unn xn = gn

Uma vez triangularizado o sistema, atraves do algoritmo da retrosubstituicao, encontramos a

solucao procurada:
gi
xi =
onde

uij xj

j=i+1

, i = n, n 1, , 2, 1,

uii

uij xj = 0 sempre que j > n.

j=i+1

O que garante que o sistema Ax = b e equivalente ao sistema U x = g e o processo de escalonamento, onde o segundo sistema e obtido a partir do primeiro atraves de operacoes elementares.
Exemplo 2.1 Vamos utilizar o metodo de eliminac
ao de Gauss para resolver o seguinte sistema
linear

2x1 + x2 + x3 = 7
4x1 + 4x2 + 3x3 = 21 .
(2.3)

6x1 + 7x2 + 4x3 = 32

Considerando a matriz ampliada do sistema, temos

2 1 1 | 7
[A | b] = 4 4 3 | 21 .
6 7 4 | 32
Passo 1: zerar a21 e a31
defino 1 o piv
o: a11 = 2
defino os multiplicadores de linha =

defino as novas linhas da matriz =

m21 =

m31 =

a21
a11

4
2

= 2

a31
a11

6
2

= 3

L2 = L2 m21 L1

L3 = L3 m31 L1

ap
os estas operac
oes teremos uma nova matriz

2 1 1 | 7
[A | b] = 0 2 1 | 7 .
0 4 1 | 11

Passo 2: zerar a32

defino 2 o piv
o: a22 = 2

 NUMERICA

CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES
defino os multiplicadores de linha = m21 =

a21
a11

4
2

11

=2

defino as novas linhas da matriz = L3 = L3 m32 L2

e assim,

2 1 1 | 7

[A | b] = 0 2 1 | 7 = [U | g]
0 0 1 | 3

Usando o algoritmo da retrosubstituic

ao,
=0

z }| {
3

g3
u3j xj
j=4

x3 =

u33

3
1

= 3

7 1(3)
2

= 2

7 1(2) 1(3)
2

= 1

g2 u23 x3
x2 =

u22
g1 u12 x2 u13 x3

x1 =

u11

e a soluc
ao do sistema (2.3) fica

x = (1, 2, 3)T

1
ou x = 2 .
3

ALGORITMO DE GAUSS
Passo k: (O objetivo e eliminar xk das equacoes)
i = k + 1, , n, com n = dim A
(k)

assumo akk = 0 k o pivo

(k)

denicao dos multiplicadores de linha = mik =

denicao das novas linhas da matriz =

aik

(k)

akk

, i = k + 1, , n

(k+1)
(k)
(k)

:= aij mik akj

aij

.
(k+1)
bi

:=

(k)
bi

(k)
mik bk

 NUMERICA

CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES

2.2

12

Decomposic
ao LU

Toda matriz n
ao singular admite uma decomposic
ao em duas matrizes triangulares, uma superior
e outra inferior. Quem garante esse resultado e o proximo teorema.

Teorema 2.1 - Teorema de Gauss

Seja A uma matriz quadrada de ordem n tal que det A = 0. Sejam U uma matriz triangular
superior,
{
uij se i j
U=
,
0 se i > j
e L uma matriz triangular inferior unit
aria,

0
1
L=

lij

se i < j
se i = j .
se i > j

Ent
ao existe e e u
nica a decomposic
ao A = LU , onde U e a matriz resultante do processo de
eliminac
ao gaussiana e lij = mij (multiplicadores de linha).

Aproveitando nosso u
ltimo exemplo, podemos encontrar a decomposicao LU da matriz associada
ao sistema (2.3)
U

}|
}|
z
{
{
2 1 1
1 0 0
2 1 1
A = 4 4 3 = 2 1 0 0 2 1 .
6 7 4
3 2 1
0 0 1

Exerccio 2.1 Resolver o sistema linear abaixo atraves do

lizando quatro casas decimais de precis
ao na soluc
ao.

x + y + z =
2x y + 3z =

x + y 5z =

2.3

metodo de eliminac
ao de Gauss uti-

1
0 .
2

M
etodos Iterativos

Vamos agora introduzir dois novos metodos que pertencem a classe dos metodos iterativos. Estes
metodos nao mais resolvem o sistema exatamente, mas sim, a partir de uma estimativa inicial,
constroem uma sequencia de aproximacoes que converge para a solucao exata do sistema. Devido as
limitacoes de memoria computacinal, esses metodos se mostram mais interessantes que os diretos, os
quais gastam grande quantidade de memoria computacional (problemas de interesse da engenharia
possuem aproximadamente 105 incognitas).

 NUMERICA

CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES

13

M
etodo de GaussJacobi
Considere o sistema linear
n

aij xj = bi

, i = 1, 2, ... , n

j=1

Podemos escrevelo como:

xi =
aij xj , i = 1, 2, ... , n
bi
aii
j=1
j=i

O metodo de G.J. usa a maneira de escrever um sistema linear para gerar uma sequencia de
aproximacoes:

1
(k+1)
(k)
xi
=
aij xj , i = 1, 2, ... , n k = 0, 1, 2, ...
bi
aii
j=1
|

{z

j=i

F ormula de GaussJacobi

Exemplo 2.2 Resolva numericamente o sistema abaixo usando o metodo de Gauss-Jacobi.

10x1 + 3x2 + x3 = 14
2x1 10x2 + 3x3 = 5

x1 + 3x2 + 10x3 = 14

, chute: x(0) = (0, 0, 0)T

, x(0)

0
= 0
0

soluc
ao:
Input: x(0) = (0, 0, 0)T

[
]
(1)
(0)
(0)
1

= a11 b1 a12 x2 a13 x3

=
x1

[
]
(1)
(0)
(0)
1
x2
= a22 b2 a21 x1 a23 x3
=
K=0

[
]

x(1) = 1 b3 a31 x(0) a32 x(0) =

3
1
2
a33

1
10 (14 3 0 1 0)
1
10 (5 2 0 3 0)
1
10 (14 1 0 3 0)

= 1, 4
= 0, 5
= 1, 4

Output: x(1) = (1, 4 , 0, 5 , 1, 4)T

Input: x(1) = (1, 4 , 0, 5 , 1, 4)T

(2)
1

=
= 1, 11
x1
10 ( 14 3 0, 5 1 1, 4)
(2)
1
K=1
x2
= 10 ( 5 2 (1, 4) 3 (1, 4)) = 1, 20

(2)
1
( 14 1 (1, 4) 3 (0, 5)) = 1, 11
x3
= 10
Output: x(2) = (1, 11 , 1, 20 , 1, 11)T
Com algumas iteraco
es do algoritmo, convergimos para x = (1, 1, 1)(T ) .

 NUMERICA

CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES
(6)

(6)

14

(6)

Exerccio 2.2 Verifique que x1 = 1, 000251, x2 = 1, 005795 e x3 = 1, 000251.

M
etodo de GaussSeidel
Podemos construir uma variante do metodo de G.J. permitindo que as versoes atualizadas das
componentes de x entre na computacao na mesma iteracao K na qual sao calculadas. Isto da
origem ao metodo de Gauss-Seidel.
Formula Gauss-Seidel :

T ermo novo
z
}|
{ z antigo
}|
{

i1
n

(k+1)
(k+1)
(k)
1
xi
= aii bi
aij xj

aij xj
, i = 1, 2, ... , n

j=1
j=i+1

k = 0, 1, 2, ...

Exemplo 2.3 Refaca o exemplo anterior empregando agora o metodo GS:

Input: x(0) = (0, 0, 0)T

[
]
(1)
(0)
(0)
1

x
=
b

a
x

a
x
=

12 2
13 3
a11 [ 1

1
]
(1)
(1)
(0)
x2
= a122 b2 a21 x1 a23 x3
K=0
=

[
]

x(1) = 1 b3 a31 x(1) a32 x(1) =

1
2
3
a33

1
10

(14 3 0 1 0)

1
10 (5 2 1, 4 3 0)
1
10 (14 1 1, 4 3 0, 78)

1, 4

0, 78

= 1, 026

Output: x(1) = (1, 4 , 0, 78 , 1, 026)T

Input: x(1) = (1, 4 , 0, 78 , 1, 026)T
(2)
1

=
= 1, 0634
x1
10 ( 14 3 (0, 78) 1 (1, 026))
(2)
1
K=1
x2
= 10 ( 5 2 (1, 0634) 3 (1, 026)) = 1, 02048

(2)
1
x3
= 10
( 14 1 (1, 0634) 3 (1, 02048)) = 0, 98752


Output: x(2) = (1, 0634 , 1, 02048 , 0, 98752)T .

(5)

(5)

(5)

Exerccio 2.3 Verifique que x1 = 0, 99979 , x2 = 0, 99985 e x3 = 1, 00007.

Estudo de Converg
encia

 NUMERICA

CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES

15

Por se tratar de um metodo iterativo, necessitamos estabelecer criterios de parada para

interromper a computacao.
I) Controle do n
umero de iterac
oes :
Se a estrutura de repeticao do programa exceder um dado n
umero de iteracoes, interrompemos a
computacao.
itera itera

max stop

II) Controle na precis

ao da soluc
ao :
Se a diferenca, em modulo, entre duas aproximacoes consecutivas for menor que um parametro
pre-estabelecido > 0, nalize a computacao .


 (k+1)
(k) 
maxi  xi
xi  stop

Vantagens dos m
etodos iterativos :
Em sistemas mal condicionados (detA
= 0), os erros de arredondamento normalmente destroem uma solucao direta. Ja as solucoes iterativas propagam pouco este tipo de erro;
Caso a matriz for esparsa, tambem devemos optar por solucoes iterativas, pois nestas situac
oes
elas apresentam boa velocidade.

Desvantagens :
Sua convergencia nao sera garantida;
Para matrizes cheias, apresentam um n
umero maior de contas.

Coment
ario Importante :
Caso a solucao nao seja convergente, podemos tentar uma reorganizacao das equacoes antes de
aplicarmos o metodo iterativo. Por exemplo, considere o sistema abaixo:

x1

5x1
x

1
x1

+ x2
+ x2 x3
x2 + 5x3
7x2 + x3

+ 3x4
x4
x4
+ x4

= 5
= 4
= 4
= 4

Tomando chute x(0) = (0, 0, 0, 0)T , a solucao utilizando GS diverge, lim x(k) = x .Entretanto,
k

ao reordenamento do sistema, [L1 L2 , e depois, L4 L2 ]

(antes)

1
5
1

(depois)

7
5
3

 NUMERICA

CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES

16

a solucao converge para x = ( 1.0000 , 1.0000 , 1.0000 , 1.0000 )T , com 6 iteracoes.

Crit
erio de converg
encia:
Toda matriz diagonal dominante e convergente, para qualquer chute inicial.

Condi
c
ao de diagonal dominante:

|aii | >

j=1
j=i

|aij | , i = 1, 2, ... , n.

(2.4)

 NUMERICA

CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES

2.4

17

Exerccios

1. Resolver os sistemas abaixo pelo metodo de eliminacao de Gauss:

a)

10x1 + 2x2 + x3 = 15
20x1 5x2 + 2x3 = 32

5x1 + 15x2 2x3 = 33

b)

3x1 + 10x2 + x3 = 16
x1 5x2 + 10x3 =
1

x1 + 2x2 + 5x3 =
2

5x1

c)

d)

2x1

2x2
= 10
10x2 3x3 = 50
+ 5x2 2x3 = 60

50x1 5x2 + 2x3 = 300

2x2 + 5x3 =
10

10x1
20x3 = 950

2. Encontre a decomposicao LU das matrizes dos coecientes associados aos sistemas do exerccio
anterior.

3. Considere o seguinte sistema de equacoes lineares:

x1 + 2x2 x3

2x1 x2
x2 + 2x3 x4

x3 + 2x4

=
=
=
=

1
1
1
1

a) Mostre que esse sistema nao satisfaz a condicao de diagonal dominante;

b) Se permutarmos as linhas desse sistema, podemos utilizar os metodos de Gauss-Jacobi e
Gauss-Seidel para resolve-lo tendo garantia de convergencia?

4. Considere o sistema linear abaixo:

x1

10x1

x1

3x2 + x3 4x4
x2 2x3
+ x2
+ x4
x3 + 3x4

= 1
= 3
= 8
= 8

a) Resolva o sistema utilizando o metodo de eliminacao de Gauss;

b) Podemos determinar a solucao aproximada do sistema, usando o Metodo de Gauss-Seidel
para qualquer aproximacao inicial? Porque?

 NUMERICA

CAPITULO 2. RESOLUC
AO
DE SISTEMAS LINEARES

18

5. Considere o sistema linear abaixo:

ax1 + 3x2 + x3 = 1
ax1 + 8x2 + x3 = 2

x1 + 2x2 + 4x3 = 3
a) Determine para que valores de a se tem garantia de que os metodos de Gauss-Seidel e
Gauss-Jacobi geram uma sequencia convergente, para qualquer aproximacao inicial;
b) Escolha o menor valor inteiro positivo de a e determine uma solucao aproximada do sistema,
usando os metodos acima, com criterio de parada estabelecido pelo erro abaixo
maxi=1, ,3 |xk+1
xki | = 1 103 .
i

6. Considere o sistema linear abaixo:

x1
2x2 5x3 + 18 = 0
4x1 + x2 2x3 + 8 = 0 .

x1 + 5x2 + 2x3 15 = 0
Verique que, para o sistema de equacoes dado, o metodo de Gauss-Jacobi e convergente.
Utilize-o para obter uma aproximacao da solucao, x(1) , partindo da aproximacao x(0) =
(1.05, 2.16, 3.0)T .
7. Considere o sistema de equacoes lineares AX = B, onde

1 2 4
x
17.0
A = 5 2 1 , X = y e B = 4.8 .
2
3 0
z
9.3

a) Verique que e possvel, partindo de um sistema de equacoes equivalente ao anterior,

provar a convergencia do metodo de Gauss-Seidel para a solucao, X , do sistema;
b) Considerando X (0) = (0.6, 0.7, 0.2)T , determine X (1) utilizando Gauss-Seidel.

8. Explique a diferenca entre metodos diretos e metodos iterativos.

9. Descreva as vantagens e as desvantagens, caso existam, do metodo de eliminacao de Gauss.

Captulo 3

Zero de Func
oes
O estudo das equacoes algebricas e, juntamente com a trigonometria uma das areas mais antigas
da matematica. Ainda na idade media, os matematicos arabes solucionaram a equacao do 2o grau,
e na renascenca foram solucionadas as equacoes do 3o e 4o graus.
Apos muito esforco e dedicacao por parte dos que pesquisam matematica, cou provado que
para equacoes de grau maior que 4, nao e possvel obter uma solucao do tipo combinac
ao dos
justamente a que surgem os metodos que capturam as razrs dessas
coecientes da equacao. E
equacoes.
Estes metodos, tambem conhecidos como iterativos, constroem uma sequencia de aproximac
oes
que podera convergir para a solucao do problema. A seguir, serao apresentados 4 destes metodos:
Bissecao, Falsa-Posicao, Iteracao Linear e Newton-Raphson.

raiz de uma equa

c
ao
Um escalar e dito um zero de uma funcao f (x) (ou simplesmente raiz da equacao f (x) = 0), se
e somente se, f () = 0. Estes zeros sao representados geometricamente pela intersecao da func
ao
f (x) com o eixo x.

f(x)

x1

x2

x3
raiz mltipla

razes simples

Figura 3.1: razes simples e raz m

ultipla
Conforme ilustrado na gura acima, temos dois tipos de razes: simples (f () = 0) e m
ultipla
= 0). Os dois primeiros metodos supracitados (Bissecao e Falsa-Posicao) so capturam razes
simples, enquanto que o u
ltimo (Newton-Raphson) captura ambas.
(f ()

19


CAPITULO 3. ZERO DE FUNC
OES

3.1

20

M
etodo da Bissec
ao

Seja f (x) uma funcao contnua no intervalo [a, b] contendo apenas 1 raiz de f (x) (se f (a) f (b) < 0
entao existe 1 raiz simples no intervalo). A ideia do metodo e:
1. escolher [a, b] contendo ;
2. calcular o ponto medio do intervalo, c =

a+b
;
2

3. quebrar o intervalo da seguinte forma

f (b) f (c) > 0 b := c
f (b) f (c) < 0 a := c
4. reinicie o algoritmo.
Exemplo 3.1 Aproxime a raiz da equac
ao ex 4x = 0, sabendo que [0, 0.5].

1o passo

2o

a=0
b = 0.5
c = 0.25
f (a) = 1
f (b) = 0.3513 f (c) = 0.2840

f (b) f (c) < 0

a := c

a = 0.25
b = 0.5
c = 0.3750
f (a) = 0, 2840 f (b) = 0.3513 f (c) = 0.0450
passo

f (b) f (c) > 0

b := c

3o passo

a = 0.25
b = 0.3750
c = 0.3125
f (a) = 0.2840 f (b) = 0.0450 f (c) = 0.1168

f (b) f (c) < 0

a := c
..
.

crit
erios de parada
Se e a aproximacao da raiz da equacao f (x) = 0 pertencente ao intervalo [a, b], entao temos
dois criterios de parada:
( )
I) |f |
II) |b a| ,
onde e um parametro pre-estabelecido.


CAPITULO 3. ZERO DE FUNC
OES

21

f(b)
f(x)

raiz

a
c

f(a)

Figura 3.2: novo ponto c escolhido

3.2

M
etodo da Falsa-Posi
c
ao

uma variante do metodo da bissecao, na medida em que utiliza o mesmo algoritmo que o metodo
E
da bisse
(cao, diferindo
) ( apenas
) na escolha do ponto c, que passa a ser a raiz da secante que liga os
pontos a, f (a) e b, f (b) . Veja a gura 3.2.
O novo valor de c sera dado por
c=

f (b)a f (a)b
.
f (b) f (a)

Exerccio 3.1 Verifique que com o metodo da falsa-posica

o, ap
os 3 iterac
oes, o exemplo anterior
nos leva ao seguinte resultado: c = 0.3575 e f (c) = 0.0002.

ALGORITMO BISSECAO
entrada:

(f(x),a,b,aux)

defina c:= (a+b)/2;

se |b-c| <= aux entao raiz:= c e stop;
caso contrario,
se f(b)f(c) < 0 entao a:=c;
caso contrario, b:=c;
fim-se;
fim-se;
reinice o algoritmo

ALGORITMO FALSA-POSICAO
entrada:

(f(x),a,b,aux)

defina c:= (f(b)a-f(a)b)/(f(b)-f(a));


CAPITULO 3. ZERO DE FUNC
OES

22

se |b-c| <= aux ent~

ao raiz:= c e stop;
caso contr
ario,
se f(b)f(c) < 0 ent~
ao a:=c;
caso contr
ario, b:=c;
fim-se;
fim-se;
reinice o algoritmo

Exerccio 3.2 Encontre as razes das equac

oes abaixo:
a) x3 9x + 3 = 0;
b) x3 11x2 + 39x 45 = 0;
c) x3 5x2 + 17x + 21 = 0;
d) ex x = 0.

3.3

M
etodo da Iterac
ao Linear

Vamos estudar agora os chamados metodos do ponto xo. O mais simples deles e o metodo da
iteracao linear, o qual, mesmo nao tendo boa eciencia computacional, e importante para a introducao do metodo de Newton-Raphson.
Inicialmente, vamos reescrever o problema Encontrar R tal que f () = 0 como Encontrar
R tal que = (), onde (x) e uma funcao de iteracao da equacao f (x) = 0.
Pra tornar estes problemas equivalente, facamos f (x) = x (x), assim, como f () = 0, temos
que () = 0 e, portanto, = () .
Exemplo
3.2 Considere a equac
ao x2 + x 6 = 0. A sua func
ao de iterac
ao e a func
ao (x) =

6 x.

Uma vez determinada (x), o M.I.L. consiste em construir uma sequencia de aproximac
oes
{xi }iN a partir de um chute inicial x0 e gerada atraves da relacao recursiva xi+1 := (xi ) ,
i = 0, 1, 2, .
No exemplo acima, partindo de x0 = 1, 5 teramos

1. x1 = (x0 ) = 6 1.5 = 2.1213;

2. x2 = (x1 ) = 6 2.1213 = 1.9694;

3. x3 = (x2 ) = 6 1.9694 = 2.0076;

4. x4 = (x3 ) = 6 2.0076 = 1.9981;

5. x5 = (x4 ) = 6 1.9981 = 2.0005;

e, portanto podemos perceber que o processo converge para = 2.
Entretanto, o M.I.L. nao e incondicionalmente convergente como os metodos da bissecao e falsaposicao. Ao tomarmos como funcao de iteracao (x) = 6 x2 (note que (x) nao e u
nica), geramos
um processo iterativo divergente, verifique!


CAPITULO 3. ZERO DE FUNC
OES

23

estudo da converg
encia
Como vimos, (x) nao e u
nica. Na verdade, sua forma geral e dada pela relacao
(x) = x + A(x)f (x),
com A() = 0. Podemos mostrar a equivalencia entre os problemas f () = 0 e = () da seguinte
maneira
I) Seja tal que f () = 0, entao
() = + A() f () = ().
|{z}
=0

II) Seja tal que = (), entao

() = + A()f () 0 = () = A()f (),
e como A() = 0, temos que f () = 0.

A interpretacao graca do problema de ponto xo e a intersecao da curva y = (x) com a reta

y = x, conforme ilustra a gura 3.3:
y=x
y

y
y= (x)

y=x
y= (x)

= ()

= ()

x2

x0

x1

lim xi =

situao convergente,
i

x2

x1

x0
lim xi

situao divergente,

00

00

Figura 3.3: interpretacao graca do MIL

Estas guras sugerem que, para gerarmos um processo convergente, devemos ter baixas derivadas
de (x) na vizinhanca de . Esta sugestao e conrmada pelo teorema de convergenica do M.I.L.
Teorema 3.1 Teorema de Converg
encia do M.I.L. - Seja uma raiz de f (x) = 0 isolada no
intervalo [a, b] centrado em . Seja (x) uma func
ao de iterac
ao de f (x) = 0. Se:
I) (x) e tal que (x) C 0 [a, b];
II) | (x)| M < 1, x [a, b];
III) x0 [a, b],
ent
ao a sequencia {xi } gerada pelo processo xi+1 := (xi ) converge para .


CAPITULO 3. ZERO DE FUNC
OES

24

crit
erios de parada
O M.I.L utiliza os seguintes criterios de parada:
I) |xi+1 xi | ;
II) |f ()| ,
onde e um parametro pre-estabelecido.
Observa
c
ao 3.1 Devemos ser cuidadosos com o 1o criterio, pois em algumas situac
oes ele n
ao
corresponde `
a |xi | , conforme ilustra a figura abaixo.

()

x i+1

xi

Figura 3.4: criterio de parada do MIL

ALGORITMO MIL

entrada(f(x),Phi(x),raiz,x0,aux)
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.

se |f(x0)| <= aux entao raiz:= x0 e stop;

caso contrario
defina k=1;
xk:= Phi(k-1);
se (|f(xk)| <= aux .ou. |xk-x0| <= aux) entao
raiz:= xk e stop;
caso contrario
k:=k+1;
ir para o passo 4;
fim-se;
fim-se;
fim-se.


CAPITULO 3. ZERO DE FUNC
OES

3.4

25

M
etodo de Newton-Raphson

Vimos que o M.I.L. tem convergencia lenta e nao garantida. A ideia do metodo de Newton e
construir um metodo de ponto xo que garanta e acelere a convergencia do processo iterativo
linear. Isto sera feito impondo que a derivada da funcao de iteracao seja nula em x = , ou seja,
() = 0.
Ja sabemos que (x) = x + A(x)f (x), portanto,
(x) = 1 + A (x)f (x) + A(x)f (x)
() = 1 + A () f () +A()f ()
|{z}
| {z }
=0

=0

A()f () = 1

A() =

1
.
f ()

Logo, a funcao de iteracao do metodo de Newton sera dada por

f (x)
,
f (x)

N (x) = x

e a sequenia de aproximacoes {xi }iN de Newton sera gerada pela relacao recursiva
xi+1 = N (xi ), i = 0, 1, 2, ,
e assim, temos a formula de Newton-Raphson
xi+1 = xi

f (xi )
.
f (xi )

(3.1)

Exerccio 3.3 Utilize expans

ao em serie de Taylor para deduzir a f
ormula de Newton-Raphson.

interpreta
c
ao geom
etrica
As aproximacoes futuras geradas pela formula de Newton serao as razes das tangentes `a curva
y = f (x) avaliadas nas aproximacoes atuais xi , conforme mostra a gura a seguir,
Calculando a derivada de f (x) e avaliando em xi , temos
=0

z }| {
f
(xi+1 ) f (xi )
f (xi ) = tan =
xi+1 xi
xi+1 xi =
xi+1 = xi

f (xi )
f (xi )

f (xi )
.
f (xi )


CAPITULO 3. ZERO DE FUNC
OES

26

y=f(x)

f(xi )

xi

x i+1

Figura 3.5: criterio de parada do MIL

Exemplo 3.3 Considere ainda o exemplo 3.2, no qual a partir de uma estimativa inicial x0 = 1.5,
desejamos obter numericamente a raiz = 2 da equac
ao x2 + x 6 = 0. Aplicando o metodo de
Newton-Raphson, temos
xi+1 = xi

xi+1 = xi

f (xi )
f (xi )

x2i + xi 6
x2 + 6
= i
,
2xi + 1
2xi + 1

e assim, teremos a seguinte sequencia

x1 = (x0 ) = 2.06250;
x2 = (x1 ) = 2.00076;
x3 = (x2 ) = 2.00000.
Observe que, com apenas 3 iterac
oes, obtemos = 2 com precis
ao de 5 casas decimais!

Para uma pequena analise de convergencia, apresentamos o teorema abaixo, que descreve as
condicoes para que o metodo de Newton-Raphson seja convergente.
Teorema 3.2 Sejam f (x), f (x), f (x) C 0 [a, b] e seja [a, b] raiz da equac
ao f (x) = 0.
Suponha que f (x) = 0. Ent
ao existe um intervalo I [a, b] tal que I e se x0 I, a sequencia
{xi } gerada pela f
ormula recursiva xi+1 := (xi ), i, ir
a a convergir para a raiz .

3.5

Exerccios

1. De um exemplo de uma funcao f (x) que tenha pelo menos uma raiz, mas que nao pode ser
determinada usando o metodo da bissecao.
2. A equacao x2 7x + 12 = 0 tem 3 e 4 como razes. Considere a funcao de iteracao dada por
(x) = x2 6x + 12. Determine o intervalo (a, b) onde, para qualquer que seja x0 escolhido,
a sequencia xn+1 = (xn ) converge para a raiz x = 3.


CAPITULO 3. ZERO DE FUNC
OES

27

3. Seja f (x) = ex + x 3.
a) Prove, analiticamente, que a equacao f (x) = 0 tem, no intervalo [0, 1], apenas uma raiz,
;
b) Aproxime utilizando o metodo da bissecao com 6 iteracoes.
4. Considere a equacao x3 + 3x + 3 = 0.
a) Justique analiticamente que a equacao tem uma u
nica raiz real, , pertencente ao intervalo
[1, 0.1].
b) Utilize o metodo de Newton-Raphson para aproximar a raiz calculando apenas duas
iteracoes, x1 e x2 . Escolha o chute inicial x0 .
5. Considere a equacao ex x = 0.
a) Justique analiticamente que a equacao tem uma u
nica raiz real, , pertencente ao intervalo
[0.3, 0.6].
b) Quantas iteracoes teria de calcular pelo metodo da bissecao de modo a obter uma aproximacao de com 3 casas decimais signicativas, sabendo que, com 4 casas decimais signicativas uma aproximacao para e 0, 5672.
6. Determine um intervalo (a, b) e uma funcao de iteracao (x) associada, de tal forma que,
x0 (a, b), a funcao de iteracao gere uma sequencia convergente para a(s) raz(es) de cada
uma das funcoes abaixo, usando o metodo iterativo linear (MIL) com tolerancia 1 103 :

a) f1 (x) = x ex ;
b) f2 (x) = ln(x) x + 2;
x

c) f3 (x) = e 2 x3 ;
d) f4 (x) = sen (x) x2 ;
x
e) f5 (x) = cos(x).
4
7. Determine a(s) raiz(es) da funcao f1 (x), usando o metodo da bissecao e o metodo da falsa
posicao com tolerancia 1 103 . Quantas iteracoes foram necessarias para cada um dos
metodos?
8. Determine as razes do exerccio (6), usando o metodo de Newton-Raphson.
9. Determine o ponto de intersec
ao entre as funcoes f1 (x) e f2 (x), f2 (x) e f3 (x) e entre
f1 (x), f2 (x) e f3 (x).
10. Dena raiz simples e raiz multipla em termos de multiplicidade algebrica. Interprete geometricamente cada uma delas.

Captulo 4

Aproxima
c
ao de Fun
c
oes
A teoria de interpolacao tem importantes aplicacoes nas ciencias exatas. Uma delas e fornecer
ferramentas matematicas para o desenvolvimento de metodos numericos, nas areas de integrac
ao
numerica, teoria de aproximacao e solucao de equacoes diferenciais.
Um 2o uso importante e desenvolver maneiras de trabalhar com funcoes tabeladas, por exemplo,
interpolar linearmente uma tabela de logaritmos. Entretanto, esta aplicacao cai cada vez mais em
desuso com a popularizacao das maquinas de calcular.

4.1

Teoria de Interpolac
ao

Defini
c
ao 4.1 (Interpolac
ao) - Dado um conjunto de pontos suporte (xi , yi ), i = 0, 1, 2, , n, de
uma certa funca
o y = f (x), deseja-se calcular uma aproximac
ao para f (
x), x
= x, empregando os
pontos dados. Para tal, construmos uma func
ao (x) que interpola f (x) da seguinte maneira
i) (xi ) = f (xi ), xi , i = 0, 1, , n;
ii) (
x)
x),
x = xi , i = 0, 1, , n.
= f (

=()

y=f(x)
y=f(x)

=()

Boa aproximao

x
M aproximao

Figura 4.1: exemplos de interpolacao

A funcao interpolante pode pertencer a varias famlias:

a) (x) = a0 + a1 x + + an xn
28

 DE FUNC

CAPITULO 4. APROXIMAC
AO
OES

29

b) (x) = a0 + a1 ex + a2 e2x + + an enx

c) Splines: colagem de polinomios.

problema de interpola
c
ao geral
A partir de uma tabela com n + 1 pontos de suporte, deseja-se escolher n + 1 funcoes de base j (x),
cuja combinacao linear sera usada para aproximar a funcao f (x),
(x) =

aj j (x) = a0 0 (x) + a1 1 (x) + + an n (x),

j=0

j (x) - funcoes de base dadas (conhecidas);

aj - coecientes incognitos.

4.2

Interpolac
ao Polinomial

A escolha mais frequente para as chamadas funcoes de base, j (x), sao os monomios j (x) =
xj , j = 0, 1, , n, assim, o problema de interpolacao passa a ser expresso por
(x) =

aj xj = a0 + a1 x + + an xn .

j=0

O problema e determinarmos os coecientes aj !

Para encontrarmos esses coecientes, usamos a denicao de interpolacao, que diz que (x) passa
por todos os pontos suporte, ou seja,
(xi ) = yi , i = 0, 1, , n,
portanto,

aj (xji ) = yi , i = 0, 1, , n,

j=0

e assim, temos o seguinte sistema linear

a0 x00 + a1 x10 + + an xn0

a0 x01 + a1 x11 + + an xn1

a0 x02 + a1 x12 + + an xn2

..
..

.
.

a0 x0n + a1 x1n + + an xnn

que tambem pode ser escrito na forma matricial abaixo

= y0
= y1
= y2
..
.
= yn

(4.1)

 DE FUNC

CAPITULO 4. APROXIMAC
AO
OES

1 x10

xn0

x11

xn1

1 x12
.. ..
. .

..
.

xn2
..
.

1 x1n

xnn

30

a0
a1
a2
..
.

an

y0
y1
y2
..
.

yn

A primeira matriz que aparece acima e denominada Matriz de Vander-Monde.

Exemplo 4.1 Polin
omio Linear
Encontre o polin
omio linear que interpola a funca
o y = ex no intervalo [0, 2].
soluc
ao:
polin
omio linear: 2 pontos suporte apenas
xi
x0 = 0
x1 = 2

yi
y0 = e0 = 1
y1 = e2 = 7, 3891

1 0

1 2

a0
a1

7, 3891

a0 = 1 e a1 = 3, 1946, e portanto, o polin

omio interpolante ser
a
(x) = 1 + 3, 1946x.


unicidade do polin
omio interpolador

Elevando o grau n de (x) esbarramos em dois problemas. O primeiro consiste em gerar sistemas
lineares muito grandes que deverao ser resolvidos, o que pode acontecer se utilizarmos um bom
codigo de resolucao de sistemas. O segundo problema esta intimamente ligado a estrutura da matriz
dos coecientes, que para n muito grande, torna a matriz mal-condicionada limitando o calculo de
(x) somente para n pequenos.
Antes, porem, de apresentarmos outras formulas para (x), vamos enunciar o teorema da
unicidade do polin
omio interpolador, que vai garantir a existencia de um u
nico (x) para um
mesmo conjunto de pontos suporte.
Teorema 4.1 Exist
encia e Unicidade do Polin
omio Interpolador
Para n + 1 pontos suporte (xi , yi ), i = 0, 1, , n, xi = xj , existe e e u
nico o interpolante
(x) Pk (x), k n, tal que (xi ) = yi , i = 0, 1, , n.

 DE FUNC

CAPITULO 4. APROXIMAC
AO
OES

4.3

31

F
ormula de Lagrange

A formula de Lagrange para o caculo de (x) utiliza os chamados polinomios de Lagrange,

Lj (x) =

x xk
.
xj xk
k=0
k=j

A expressao do polinomio interpolador sera dado por

(x) =

yj Lj (x).

j=0

Observa
c
ao 4.1 O polin
omio de Lagrange tem a propriedade do delta de Kroenecker
{
1 , i=j
Lj (xi ) = ij =
0 , i = j
Verifique! Em seguida, mostre que a f
ormula de Lagrange passa por todos os pontos suporte, ou
seja, (xi ) = yi , i.

Exemplo 4.2 Interpolar a func

ao log10 x no intervalo [2, 3] usando apenas dois pontos suporte:
soluc
ao:
xi
x0 = 2
x1 = 3

yi
y0 = log10 2 = 0.301
y1 = log10 3 = 0.477

Portanto, (x) = 0.301L0 (x) + 0.477L1 (x).

Calculando os polin
omios de Lagrange L0 (x) e L1 (x),
x x1
x3
L0 (x) =
=
= (x 3),
x0 x1
23
x x0
x2
L1 (x) =
=
= x 2,
x1 x0
32
e portanto, (x) = 0.301(x 3) + 0.477(x 2).

4.4

Diferenciac
ao Num
erica

Comecemos esse captulo relembrando a denicao de derivada de uma funcao real f (x)
f (x + h) f (x)
h0
h

f (x) = lim

o que nos motiva a aproximar essa derivada da seguinte maneira:

1

f (x + h) f (x)
,
h

(4.2)

 DE FUNC

CAPITULO 4. APROXIMAC
AO
OES

32

desde que h > 0 seja um parametro muito pequeno. Mas sera que essa aproximacao e boa? Vamos
responder essa pergunta utilizando expansao em serie de Taylor:
f (x + h) = f (x) + hf (x) +

h2
f (), (x, x + h)
2

f (x + h) f (x) = hf (x) +

h2
f (),
2

dividindo tudo por h temos

f (x + h) f (x)
h
= f (x) + f (),
h
2
o que nos motiva a denir o erro da aproximacao 4.2 como
e=

h
f ().
2

Isto signica que se desejamos obter um erro, por exemplo, 10 vezes menor, temos que reduzir h
na mesma proporcao, o que, de certa forma, empobrece a aproximacao 4.2. Mas, e se conseguirmos
uma aproximacao cujo erro seja proporcional a h2 ? Com certeza o erro diminuiria muito mais rapido
comparado a diminuicao do parametro h.
Vamos considerar uma funcao real f (x) e a reta r que liga os pontos (x h, f (x h)) e
(x + h, f (x + h)), onde h e um parametro positivo sucientemente pequeno.
y

f(xh)
f(x+h)
f(x)
reta r

xh

x+h

Figura 4.2: interpretacao geometrica da formula de diferencas centradas

Qual e a inclinacao da reta r? E o que acontece quando h 0? Podemos observar no graco
acima que a reta r tem como coeciente angular
m=

f (x + h) f (x h)
,
2h

e assim, r tende para a reta tangente a curva no ponto x, ou seja, m f (x), o que signica que
podemos aproximar a derivada de f (x) da seguinte maneira:
2 =

f (x + h) f (x h)
.
2h

(4.3)

Vamos agora vericar a ordem do erro da aproximacao 4.3. Considerando o intervalo (xh, x+h)
e assumindo f (x) uma funcao sucientemente regular, podemos novamente utilizar expansao em
serie de Taylor:

 DE FUNC

CAPITULO 4. APROXIMAC
AO
OES

33

f (x + h) = f (x) + hf (x) +

h2
h3
f (x) + f (),
2
3!

f (x h) = f (x) hf (x) +

h2
h3
f (x) f (),
2
3!

onde (x h, x + h).
Subtraindo a segunda da primeira equacao, temos
f (x + h) f (x h) = 2hf (x) + 2

h3
f (),
6

e dividindo tudo por 2h obtemos

f (x + h) f (x h)
h2
= f (x) + f (),
2h
6
e portanto, o erro e da ordem de h2 .
Os operadores (aproximacoes) 1 e 2 sao denominados operadores de diferen
cas finitas
de 1a e 2a ordem, respectivamente.
operador de diferen
cas finitas de ordem n

Se considerarmos um conjunto de pontos suporte (xi , f (xi )), e aplicarmos o operador 1 teremos
1 (f (xi )) =

f (xi+1 ) f (xi )
,
xi+1 xi

ou ainda,
1 fi =

fi+1 fi
.
xi+1 xi

Podemos generalizar o operador atraves da tabela abaixo:

0 fi , fi
1 fi =

fi+1 fi
xi+1 xi

2 fi = 1 [1 fi ] =

1 fi+1 1 fi
xi+2 xi

(4.4)

..
.
n fi = 1 [n1 fi ] =

n1 fi+1 n1 fi
.
xi+n xi

Usando ainda a notacao n fi = f [xi , xi+1 , , xi+n ], podemos reescrever a tabela 4.4 como:

 DE FUNC

CAPITULO 4. APROXIMAC
AO
OES

34

0 fi = f [xi ]
1 fi = f [xi , xi+1 ]
f [xi+1 , xi+2 ] f [xi , xi+1 ]
xi+2 xi

2 fi = f [xi , xi+1 , xi+2 ] =

(4.5)

..
.
n fi = f [xi , xi+1 , , xi+n ] =

f [xi+1 , xi+2 , , xi+n ] f [xi , xi+1 , , xi+(n1) ]

.
xi+n xi

Podemos representar as diferentes ordens do operador atraves da seguinte tabela:

i
0
1
2
..
.

xi
x0
x1
x2
..
.

fi
f0
f1
f2
..
.

f [xi , xi+1 ]
f [x0 , x1 ]
f [x1 , x2 ]
f [x2 , x3 ]
..
.

f [xi , xi+1 , xi+2 ]

f [x0 , x1 , x2 ]
f [x1 , x2 , x3 ]
f [x2 , x3 , x4 ]
..
.

f [xi , xi+1 , , xi+n ]

f [x0 , x1 , , xi+n ]

n 1 xn1 fn1 f [xn1 , xn ]

n
xn
fn
Exerccio 4.1 Dados os pontos de suporte abaixo, monte sua tabela de diferencas finitas:
i
0
1
2
3
4

4.5

xi
0.2
0.4
0.6
0.8
1.0

fi
1.22
1.49
1.82
2.23
2.72

F
ormula de Newton

Newton teve a ideia de usar o conceito de diferencas nitas escrevendo o polinomio interpolador
como sendo a seguinte combinacao linear
(x) = a0 + a1 (x x0 ) + a2 (x x0 )(x x1 ) + + an (x x0 )(x x1 ) (x xn1 ),
com os coecientes aj calculados a partir do operador .
Nos faremos a construcao de (x) de maneira indutiva. Inicialmente, construimos 0 (x) que
interpola f (x) em x0 e em x1 , e assim sucessivamente construimos k (x) que interpola f (x) em
x0 , x1 , , xk , k = 0, 1, , n.
Antes de iniciarmos, e u
til observar que e invariante `a ordenacao dos pontos suporte xi , por
exemplo:
fi+1 fi
(1)(fi fi+1 )
fi = f [xi , xi+1 ] =
=
= f [xi+1 , xi ].
xi+1 xi
(1)(xi xi+1 )

 DE FUNC

CAPITULO 4. APROXIMAC
AO
OES

35

constru
c
ao do polin
omio interpolador

I) Seja 0 (x) o interpolante de f (x) em x = 0. Sabemos que

f [x0 , x] =

f (x) f (0)
x x0

e portanto,
f (x) = f0 + f [x0 , x](x x0 ),
assim, podemos armar que 0 (x) = f0 = f [x0 ] e que e0 (x) = f [x0 , x](x x0 ) (funcao erro
que se anula em x = x0 ).
II) Seja, agora, 1 (x) o interpolante para f (x) em x0 e em x1 . Sabemos que
f [x0 , x] f [x1 , x0 ]
x x1

f [x0 , x1 , x] = f [x1 , x0 , x] =

f (x) f (0)
f [x0 , x1 ]
x x0
x x1

f (x) f0 f [x0 , x1 ](x x0 )

,
(x x1 )(x x0 )

portanto,
f [x0 , x1 , x](x x0 )(x x1 ) = f (x) f0 f [x0 , x1 ](x x0 ),
e assim,
f (x) = f0 + f [x0 , x1 ](x x0 ) + f [x0 , x1 , x](x x0 )(x x1 ).
Concluimos que 1 (x) = f0 + f [x0 , x1 ](x x0 ) e que e1 (x) = f [x0 , x1 , x](x x0 )(x x1 )
(funcao erro que se anula em x = x0 e x = x1 ).
III) Generalizando, temos
n (x) = f0 + f [x0 , x1 ](x x0 ) + + f [x0 , x1 , , xn ](x x0 ) (x xn1 ),
ou ainda

Polinomio de Newton
}|
{
z
n (x) = a0 + a1 (x x0 ) + a2 (x x0 )(x x1 ) + + an (x x0 )(x x1 ) (x xn1 ),
(4.6)
onde a0 = f [x0 ], a1 = f [x0 , x1 ], a2 = f [x0 , x1 , x2 ], , an = f [x0 , x1 , x2 , , xn ].
Exerccio 4.2 Construa um interpolante para a tabela abaixo usando poli
omio de Newton:
xi
6
7
8
9

fi
0.70
0.63
0.57
0.50

 DE FUNC

CAPITULO 4. APROXIMAC
AO
OES

4.6

36

Ajuste de Curvas

Nas primeiras secoes desse captulo, estudamos como interpolar uma funcao f (x) a partir de um
conjunto de pontos suporte. Nas proximas secoes, aprenderemos como ajustar uma curva por entre
estes pontos, sem necessariamente passar por todos eles.

y=f(x)

y=f(x)

INTERPOLAO

AJUSTE

Figura 4.3: diferenca entre interpolacao e ajuste

Em geral, esta tecnica se aplica a um conjunto de dados experimentais (xi , yi ), i = 0, 1, , n
os quais desejamos aproximar sua lei de comportamento y = f (x) e a partir da, calcular f (x) para
qualquer valor de x.
Considere, agora, a gura 4.6. Sabemos que a funcao f (x) e linear, mas qual das retas r1 ou r2
melhor a aproxima.
y

r2

r1

Para solucionarmos este problema, tems que denir este tipo de conceito: o de melhor aproximacao.

4.6.1

Crit
erios de Ajuste

Vamos estabelecer alguns criterios de melhor ajuste de uma curva y = (x) a um conjunto de
pontos suporte. Sera u
til denirmos o conceito de resduo, ou erro, em cada ponto:
Rk = (xk ) yk , k = 0, 1, , n.

 DE FUNC

CAPITULO 4. APROXIMAC
AO
OES

37

I) resduos nulos (interpola

c
ao)

Rk = 0
ou
, k = 0, 1, , n.

(xk ) yk = 0
Este criterio nao deve ser utilizado, pois nos leva a um problema de interpolacao.
II) soma dos resduos mnima

Rk = mn

k=0

ou

(
)

(xk ) yk = mn

k=0

Este criterio e simples, porem e sensvel ao sinal dos resduos, conforme ilustra a situacao abaixo:
y
y=f(x)
(x0) = y1

(x1) = y0

y= (x)

x0

n=1

x1

)
) (
) (
) (
(
Rk = (x0 ) y0 + (x1 ) y1 = (x0 ) y1 + (x1 ) y0 = 0

k=0

Resduo global pequeno, porem, pessimo ajuste!

III) soma dos quadrados dos resduos mnima

Rk2 = mn

k=0

ou

(
)2

(x
)

y
= mn

k
k

k=0

Este criterio da origem ao metodo conhecido como metodo dos mnimos quadrados. Este metodo
surge em varias areas da ciencias exatas com nomes diferentes: regressao linear, suavizacao de dados,
otimizacao, etc...
Ele se baseia em aproximar uma funcao f (x) pela combinacao linear
(x) =

j=0

aj j (x),

 DE FUNC

CAPITULO 4. APROXIMAC
AO
OES

38

onde os coecientes aj sao as incognitas do problema de ajuste e j (x) sao funcoes de base conhecidas (escolhidas de acordo com o fenomeno estudado).
Para determinarmos os coecientes aj s, usamos o criterio de mnimos quadrados:

Rk2 = mn

k=0

ou

m (
n

(
)2 )

(x
)

y
= mn
j
j
k
k

k=0

j=0

Ou
ltimo somatorio acima tambem pode ser escrito da seguinte forma (veja o Apendice A):
m
n

aj j (xk )i (xk ) =

k=0 j=0

assim,

n [
m

j=0

yk i (xk ), i = 0, 1, , n,

k=0

m
]{ } {
}
i (xk )j (xk ) aj =
i (xk )yk , i = 0, 1, , n,

k=0

k=0

que na sua forma matricial pode ser escrito como

0 (xk )0 (xk )
0 (xk )1 (xk )

k=0
k=0

m
m

1 (xk )0 (xk )
1 (xk )1 (xk )

k=0
k=0

..
..
..

.
.
.

m
m

n (xk )1 (xk )
n (xk )0 (xk )
k=0

k=0

0 (xk )n (xk )

k=0

1 (xk )n (xk )

k=0

..

(x ) (x )
n

a0
a1
..
.
an

0 (xk )yk

k=0

m

1 (xk )yk
=

k=0

..

n (xk )yk

k=0

k=0

PROBLEMA DE AJUSTE GERAL

4.6.2

Ajuste Polinomial

Am de construir uma aproximacao (x) polinomial, particularizaremos o problema geral de ajuste

considerando as funcoes de base monomios da forma xj :
j (x) = xj , j = 0, 1, , n,
obtendo o seguinte problema polinomial de ajuste

 DE FUNC

CAPITULO 4. APROXIMAC
AO
OES

xk
x2k

m+1

k=0
k=0

m
m
m

x
x
x
xk x2k

k
k k
k=0
k=0
k=0

..
..
..
..

.
.
.
.

m
m
m

xnk
xnk xk
xnk x2k
k=0

k=0

k=0

39

xnk

k=0

xk xk

k=0

..

xnk xnk

a0
a1
..
.
an

yk

k=0

m
xk y k
=

k=0

..

xnk yk

k=0

k=0

Observa
c
ao 4.2
I) Tanto o problema geral como o polinomial, geram matrizes simetricas, o
que facilita bastante a soluc
ao numerica do sistema linear.
II) Podemos estimar o grau do polin
omio a ser ajustado atraves do gr
afico dos pontos de suporte.
Exemplo 4.3 O n
umero de bacterias, por unidade de volume, existentes em uma cultura ap
os x
horas e dado na tabela abaixo:
n
umero de horas
0 1
2
3 4 5 6
n
umero de bacterias 32 34 37.5 39 43 47 50
Estime o n
umero de bacterias (por unidade de volume) existentes na cultura ap
os um perodo
de 24 horas.
solu
c
ao:
Podemos ver atraves do gr
afico abaixo, que um ajuste polinomial linear, (x) = a0 + a1 x, e uma
escolha razo
avel:
50
48
46
44
42
40
38
36
34
32

Determinando os coeficientes:

xk
m+1

k=0

m
m

xk
x2k
k=0

k=0

yk

k=0

a0

=


m

a1

xk yk

k=0

 DE FUNC

CAPITULO 4. APROXIMAC
AO
OES
onde
m + 1 = 7,

xk = 21,

k=0

portanto,

x2k = 91,

k=0

7 21
21 91

40

yk = 282.5 e

k=0

xk yk = 933,

k=0

}
] {
} {
a0
282.5
,

=
a1
933

cuja soluca
o e a0 = 31.1964 e a1 = 3.0536. Concluimos que o conjunto de pontos ser
a ajustado
pelo polin
omio
(x) = 31.1964 + 3.0536x,
e portanto, a estimativa do n
umero de bacterias ap
os um perodo de 24 horas ser
a de (24) bacterias,
onde
(24) = 31.1964 + 3.0536(24) = 104.4829.

4.7

Exerccios

1. Considere os seguintes pontos suporte x0 = 0, x1 = 0.6 e x2 = 0.9. Encontre polinomios

de grau 1 e de grau 2 para aproximar f (0.45), onde f e uma funcao dada abaixo. Encontre,
tambem, o valor do erro absoluto:
a) f (x) = cos x

b) f (x) = 1 + x
c) f (x) = ln(x + 1)
2. Sabendo-se que f (0.81) = 16.94410, f (0.83) = 17.56492, f (0.86) = 18.50515 e f (0.87) =
18.82091, calcule um valor aproximado de f (0.84), usando:
a) Polinomios de Lagrange de graus 1, 2 e 3
b) Polinomios de Newton de graus 1, 2 e 3
3. Considere a tabela abaixo:
altura(cm) 183 173 188 163 178
peso(kg)
79 69 82 63 73
Usando um interpolador polinomial de grau 2, calcule a altura aproximada de uma pessoa
com peso de 70kg.
4. Qual e a diferenca entre interpolacao polinomial e o ajuste de curvas pelo metodo dos mnimos
possvel obter um mesmo polinomio que interpola e faz o ajuste de curvas pelo
quadrados? E
metodo dos mnimos quadrados?
5. Dada a tabela abaixo, faca o graco de dispersao dos dados e ajuste uma curva da melhor
maneira possvel:
x 0.5 0.75 1.0 1.5 2.0 2.5 3.0
y 2.8 0.6 1.0 3.2 4.8 6.0 7.0

 DE FUNC

CAPITULO 4. APROXIMAC
AO
OES

41

6. Ajuste os dados da tabela abaixo atraves de um polinomio de grau 2:

i
1
2
3
4
5
xi 12
16
20
30
40
yi 1.64 2.72 3.96 7.60 11.96
7. Monte o Problema Matricial de Ajuste utilizando funcoes base do tipo:
a) j (x) = xj
b) j (x) = ejx
8. Ajuste os pontos da tabela abaixo `a uma curva de equacao y = a0 + a1 ex :
xi 0.8 0.4 0.0 0.4
0.8
yi 5.67 5.92 8.31 9.91 14.21
9. Os valores funcionais mostrados na tabela a seguir sao medidas de uma quantidade A(t) em
metros que varia no tempo. Escolha convenientemente um conjunto de funcoes j (x) para
encontrar uma aproximacao para A(t) que ajuste, por mnimos quadrados, os seguintes dados:
t
0
2
4
6
8 10
A(t) 1.0 1.6 1.4 0.6 0.2 0.8

10. Aproximar a funcao y = 3 x no intervalo [0, 1] por um polinomio de terceiro grau, usando
os valores de x com incremento de 0.1. Resolva este mesmo problema com um polinomio de
segundo grau e compare os resultados.

Captulo 5

Integrac
ao Num
erica
Neste captulo veremos como calcular numericamente uma integral denida. Muitas integrais nao
tem solucao exata, ou tem solucao exata muito complexa, por esse motivo, os metodos numericos
surgem como uma ferramenta super importante para o calculo de tais integrais.
Sabemos que a integral denida de uma funcao f (x) pode ser vista como a area sob a curva
y = f (x), por exemplo, se f (x) = x2 entao, como vemos na gura a seguir, sua area (no intervalo
[0, 1]) sera dada pela seguinte integral

y=x2
A
1

x2 dx =

A=
0

x3 1 1
 = u.a.
3 0 3

A seguir, apresentaremos tres metodos numericos que aproximam a area acima.

5.1

M
etodo dos Trap
ezios

O metodo dos trapezios substitui o integrando f (x) da integral por uma funcao linear por partes.
Considere a gura 5.1. Primeiro, aproximamos a integral do exemplo anterior pela area do triangulo
denido ligando os pontos (0, f (0)) e (1, f (1)), em seguida, acrescentamos o ponto (0.5, f (0.5)) e
aproximamos a integral pela soma das areas das duas guras planas denidas.
A ideia do metodo e particionar o intervalo de integracao, de modo a aproximar ao maximo o
valor da integral denida. Vamos generalizar um pouco mais o problema entao. Considere a gura
abaixo:

42

 NUMERICA

CAPITULO 5. INTEGRAC
AO

43

A = 1(1)/2 = 0.5

erro

Podemos minimizar o erro, particionando o intervalo (0,1):

A = A1 + A2 = 0.0625 + 0.3125 = 0.375

erro

0.5

f(x)

fi

fi+1

Ai
A

x0

fi+2

i+1

A2

x1 x2

xi

xi+1

xi+2

xn

Ao particionarmos o intervalo de integracao [x0 , xn ], denimos varios trapezios, e assim, aproximamos a integral pela soma das areas desses trapezios. Portanto, temos as seguintes formulas:
1. Metodo dos Trapezios Elementar (2 pontos de integracao):
)
h(
I=
fi + fi+1
2
2. Metodo dos Trapezios Composto (n + 1 pontos de integracao):
)
h(
f0 + 2f1 + + 2fn2 + 2fn1 + fn ,
I=
2
onde h = xi+1 xi e constante e fi = f (xi ).

Observa
c
ao 5.1

1. A precis
ao do metodo e inversamente proporcional ao passo:
prec h .

 NUMERICA

CAPITULO 5. INTEGRAC
AO

44

2. A medida que refinamos nossa partic

ao, diminuimos o erro. Porem, a partir de um valor
crtico, isto deixa de ocorrer, conforme ilustra a figura abaixo:
arredondamento

erro

truncamento

n crtico

A partir de n crtico, os erros de arredondamento destroem a soluc

ao aproximada.

5.2

M
etodo de Simpson

No metodo de Simpson, ao inves de substituirmos o integrando f (x) por uma poligonal, empregaremos uma aproximacao parabolica, necessitando, portanto, agrupar os pontos 3 a 3.
y
f(x)
f(c)
f(a)

f(b)

b
Para calcularmos a integral a f (x)dx (veja gura acima) com o metodo dos trapezios, utilizaramos 2 pontos de integracao e aproximaramos a integral pelo valor da area A = c1 f (a)+c2 f (b),
com c1 = c2 = ba
2 .
No metodo de Simpson teremos tres coecientes, aproximando a integral pela seguinte expressao:
A = c1 f (a) + c2 f (c) + c3 f (b).
O problema e determinarmos esses coecientes, para isso, aplicaremos a formula geral acima a
tres situacoes nas quais ela fornecera a solucao exata da integral.

A1 =

(1)dx =

A2 =

xdx

A3 =

2h

x2 dx =
h

2h3
3

 NUMERICA

CAPITULO 5. INTEGRAC
AO

45
y

111111111
000000000
000000000
111111111
000000000
111111111
A
000000000
111111111
000000000
111111111
000000000
111111111
111111111111111111
000000000000000000
1

11111111
00000000
00000000
11111111
00000000
11111111
A
00000000
11111111
11111111111111111
00000000000000000
00000000
11111111
00000000
11111111
00000000
11111111
y=x

1111111111
0000000000
0000000000
1111111111
0000000000
1111111111
A
0000000000
1111111111
111111111111111111
000000000000000000
0000000000
1111111111
y=x2

Montamos, entao, o seguinte sistema:

c1 f1 (h) + c2 f1 (0) + c3 f1 (h) =

c1 f2 (h) + c2 f2 (0) + c3 f2 (h) =

c1 f3 (h) + c2 f3 (0) + c3 f3 (h) =

2h
0
2h3
3

onde f1 (x) = 1, f2 (x) = x e f3 (x) = x2 .

Resolvendo esse sistema encontramos,
c1 = c3 =

h
4h
e c2 =
3
3

e assim, a formula de Simpson elementar (3 pontos de integracao) sera dada por

Ai =

)
h(
fi1 + 4fi + fi+1
3

onde fi = f (xi ) e h = xi+1 xi e constante.

A generalizacao do metodo de Simpson, ou seja, a formula composta de Simpson com n + 1
pontos de integracao, sendo n um n
umero par, sera dada por
A=

)
h(
f0 + 4f1 + 2f2 + 4f3 + 2f4 + + 2fn2 + 4fn1 + fn
3

onde fi = f (xi ) e h = xi+1 xi tambem e constante.

 NUMERICA

CAPITULO 5. INTEGRAC
AO

46

Exemplo 5.1 Calcule a integral abaixo utilizando o metodo dos trapezios e o metodo de Simpson,
ambos com 5 pontos de integrac
ao
6
I(f ) =
x2 dx.
2

xi fi
2 4
3 9
4 16
5 25
6 36
h = xi+1 xi = 1, i.
a) Metodo dos Trapezios
A =
=
=

)
h(
f0 + 2f1 + 2f2 + 2f3 + f4
2
)
1(
4 + 2(9) + 2(16) + 2(25) + 36
2
140
= 70 u.a (soluc
ao aproximada).
2

b) Metodo de Simpson
A =
=
=

5.3

)
h(
f0 + 4f1 + 2f2 + 4f3 + f4
3
)
1(
4 + 4(9) + 2(16) + 4(25) + 36
3
208
= 69.33 u.a. (soluc
ao exata).
3

M
etodo da Quadratura Gaussiana

A principal diferenca entre o metodo de Gauss e os metodos apresentados anteriormente, e que, em

Gauss, os pontos de integracao deixam de ser constantes e passam a ser incognitas.
Considere a gura 5.1, na qual empregaremos o metodo dos Trapezios para aproximar a integral.
Como podemos ver, o erro envolvido e muito grande. A ideia que Gauss teve foi de , atraves da
localizacao otima dos pontos de integracao, calcular a integral com erro nulo.
dedu
c
ao da f
ormula da quadratura de Gauss
Por se tratar de uma aproximacao linear, podemos escrever
A = c1 f (x1 ) + c2 f (x2 ),

 NUMERICA

CAPITULO 5. INTEGRAC
AO

47

y
erro
B

Figura 5.1: erro no metodo dos trapezios

y

c a

As reas hachuradas se contrabalanam,

anulando o erro.

b d

onde, nao so os coecientes c1 e c2 sao incognitas, mas tambem os pontos de integracao x1 e x2

devem ser calculados. Para determina-los, montaremos 4 situacoes nos quais a formula nos da a
solucao exata.

A1 =

(1)dx =

A2 =

xdx

Montamos, entao, o seguinte sistema:

c1 f1 (x1 )

c1 f2 (x1 )
c1 f3 (x1 )

c1 f4 (x1 )

x2 dx =

2
3

x3 dx =

A4 =

A3 =

+
+
+
+

c2 f1 (x2 )
c2 f2 (x2 )
c2 f3 (x2 )
c2 f3 (x2 )

onde f1 (x) = 1, f2 (x) = x, f3 (x) = x2 e f3 (x) = x3 .

= 2
= 0
= 32
= 0

 NUMERICA

CAPITULO 5. INTEGRAC
AO

48

111111111
000000000
000000000
111111111
000000000
111111111
A
000000000
111111111
000000000
111111111
000000000
111111111
111111111111111111
000000000000000000
1

11111111
00000000
00000000
11111111
00000000
11111111
A
00000000
11111111
11111111111111111
00000000000000000
00000000
11111111
00000000
11111111
00000000
11111111
y=x

1111111111
0000000000
0000000000
1111111111
0000000000
1111111111
A
0000000000
1111111111
111111111111111111
000000000000000000
0000000000
1111111111
y=x2
y=x2
3

y
y=x3

A
000000000000000000
111111111111111111
4 1

O sistema ca, entao, da seguinte forma

c1 (1)

c1 (x1 )
c (x2 )

1 13
c1 (x1 )

+ c2 (1)
+ c2 (x2 )
+ c2 (x22 )
+ c2 (x32 )

= 2
= 0
= 23
= 0

assim, assumindo c1 = c2 = 1, teremos a seguinte solucao

1
1
x1 =
e x2 =
.
3
3
Logo a formula da Quadratura de Gauss com 2 pontos de integracao sera dada por
)
( 1 )
1
A=f
+f
3
3
(

 NUMERICA

CAPITULO 5. INTEGRAC
AO

49

O raciocnio anterior pode ser estendido a n pontos de integracao. Abaixo mostramos uma
tabela com os valores dos ci s e dos xi s avaliados para n = 2, 3 e 4 pontos de integracao.
n
ci
xi
2
c1 = c2 = 1
x1 = x2 = 0.5773
3 c1 = c3 = 0.5555 x1 = x3 = 0.7746
c2 = 0.8889
x2 = 0
4 c1 = c4 = 0.3479 x1 = x4 = 0.8611
c2 = c3 = 0.6522 x2 = x3 = 0.33998
troca de vari
aveis
Como a formula de Gauss foi deduzida para x [1, 1], devemos realizar uma troca das vari
aveis
de integrac
ao para um domnio generico x [a, b], de modo a podermos calcular a integral
b
I(f ) =
f (t)dt.
a

Com a troca de variaveis, criamos a funcao t(x) = Ax + B tal que

b
I(f ) =
f (t)dt
1 a
(
)
f t(x) t (x)dx
=
1
1 [
(
)]
Af t(x) , dx
=
1 | {z }
F (x)

e esta nova funcao F (x) sera o integrando usado na formula de Gauss, conforme ilustra o exemplo
a seguir.
Exemplo 5.2 Resolver a integral abaixo utilizando o metodo da quadratura de Gauss com 2 pontos
de integrac
ao

t2 dt.

I(f ) =
2

O domnio de t e [2, 6]. Vamos, ent

ao, troc
a-lo para x [1, 1] segundo a func
ao t(x) = Ax+B:
t = 2 x = 1 A(1) + B = 2
t = 6 x = 1 A(1) + B = 6,
portanto, A = 2 e B = 4, assim, t(x) = 2x + 4. Temos ent
ao,
6
I(f ) =
t2 dt
1 2
(
)
=
2f 2x + 4 dx
1
1
=
2(2x + 4)2 dx,
1

e assim, F (x) = 2(2x +

4)2 .

Empregando a f
ormula de Gauss para 2 pontos de integrac
ao
( )
( )
1
I(f ) =
F 13 + F
3
(
)2
(
)2
1
= 2 13 + 4 + 2
+
4
3
=

69.33 u.a. (soluc

ao exata)

 NUMERICA

CAPITULO 5. INTEGRAC
AO

5.4

Exerccios

1.

50

x2 ex dx utilizando o metodo dos trapezios e o metodo

a) Aproxime o valor da integral

2

de Simpson com 5 pontos de integracao (utilize 6 casas decimais);

b) Sabendo que o valor exato da integral acima, com 6 casas decimais, e I = 0.646647,
encontre o erro absoluto para cada metodo.
2.

a) Utilize o metodo de Simpson para aproximar a integral abaixo com 5 pontos de integrac
ao
(utilize 5 casas decimais):
1
(x5 x3 x 1) dx.
0

b) O metodo de Simpson fornece solucao exata nesse caso? Porque?

3. Calcule as integrais abaixo pelo metodo dos trapezios e pelo metodo de Simpson, usando 4 e
6 divisoes do intervalo dado:
2
4

x
a)
e dx
c)
x dx
1

b)

1
dx
x

0.6

d)
0

1
dx.
1+x

4. De um exemplo de uma funcao, onde o metodo dos trapezios calcula o valor exato da integral.
5. De um exemplo de uma funcao, onde o metodo de Simpson calcula o valor exato da integral.
6. Calcule a area denida por f (x) pelo metodo de Simpson:
x
2
4
6
8 10 12 14 16 18
f (x) 0.5 0.9 1.1 1.3 1.7 2.1 1.5 1.1 0.6

7. Considere a integral abaixo

x3 ex dx.
0

Sabe-se que o valor exato da integral e I = 0.5634363. Denotemos por It (h) e Is (h), o resultado
da integral obtido, respectivamente, pelos metodos dos trapezios e de Simpson. Seja h = 0.5.
a) Calcule It (h) e It (h/2);
b) Calcule Is (h) e Is (h/2);
4It (h/2) It (h)
c) Calcule R1 (h) =
(Metodo de Romberg);
3
d) Compare com o valor exato e conclua qual e o melhor resultado.
8. A curva de carga tpica de uma cidade e dada pela gura abaixo:
Considere as medidas de potencia a cada hora:

 NUMERICA

CAPITULO 5. INTEGRAC
AO

51

MW

31

Horas
0

Hora M W
1
30
2
28
3
29, 8
4
32
5
33
6
38

10

12

14

Hora M W
7
40
8
39
9
33
10
32, 5
11
31
12
39

16

18

20

Hora M W
13
42
14
38
15
34
16
30
17
29
18
31

22

24

Hora M W
19
39
20
45
21
50
22
44
23
40
24
30

Estime o consumo de energia diario dessa cidade utilizando os metodos abaixo e, em seguida,
compare os resultados:
a) Metodo dos trapezios composto;
b) Metodo de Simpson composto.

Refer
encias Bibliogr
aficas
[1] Sperandio, D., Mendes, J. T., Monken e Silva, L. H., C
alculo Numerico: Caractersticas
Matem
aticas e Computacionais dos Metodos Numericos. Editora Pearson Prentice Hall, Sao
Paulo, 2003.

[2] Lay, D. C., Algebra

Linear e suas Aplicac
oes. Editora LTC, Rio de Janeiro, 2a edicao, 1999.

[3] Leon, S. J., Algebra

Linear com Aplicac
oes. Editora LTC, Rio de Janeiro, 4a edicao, 1999.
[4] Golub, G. H., Van Loan, C. F., Matrix Computations. Johns Hopkins University Press, 2nd
ed., 1989.

52