Apostila

Universidade do Sul de Santa Catarina
Métodos Numéricos
Disciplina na modalidade a distância
Palhoça
UnisulVirtual
2011
Créditos
Universidade do Sul de Santa Catarina | Campus UnisulVirtual | Educação Superior a Distância
Avenida dos Lagos, 41 – Cidade Universitária Pedra Branca | Palhoça – SC | 88137-900 | Fone/fax: (48) 3279-1242 e 3279-1271 | E-mail: cursovirtual@unisul.br | Site: www.unisul.br/unisulvirtual
Reitor Coordenadores Graduação Marilene de Fátima Capeleto Patrícia de Souza Amorim Karine Augusta Zanoni
Ailton Nazareno Soares Aloísio José Rodrigues Patricia A. Pereira de Carvalho Poliana Simao Marcia Luz de Oliveira
Ana Luísa Mülbert Paulo Lisboa Cordeiro Schenon Souza Preto Mayara Pereira Rosa
Vice-Reitor Ana Paula R.Pacheco Paulo Mauricio Silveira Bubalo Luciana Tomadão Borguetti
Sebastião Salésio Heerdt Artur Beck Neto Rosângela Mara Siegel Gerência de Desenho e
Bernardino José da Silva Simone Torres de Oliveira Desenvolvimento de Materiais Assuntos Jurídicos
Chefe de Gabinete da Reitoria Charles Odair Cesconetto da Silva Vanessa Pereira Santos Metzker Didáticos Bruno Lucion Roso
Willian Corrêa Máximo Dilsa Mondardo Vanilda Liordina Heerdt Márcia Loch (Gerente) Sheila Cristina Martins
Diva Marília Flemming Marketing Estratégico
Pró-Reitor de Ensino e Horácio Dutra Mello Gestão Documental Desenho Educacional
Lamuniê Souza (Coord.) Cristina Klipp de Oliveira (Coord. Grad./DAD) Rafael Bavaresco Bongiolo
Pró-Reitor de Pesquisa, Itamar Pedro Bevilaqua
Pós-Graduação e Inovação Jairo Afonso Henkes Clair Maria Cardoso Roseli A. Rocha Moterle (Coord. Pós/Ext.) Portal e Comunicação
Daniel Lucas de Medeiros Aline Cassol Daga Catia Melissa Silveira Rodrigues
Mauri Luiz Heerdt Janaína Baeta Neves
Aline Pimentel
Jorge Alexandre Nogared Cardoso Jaliza Thizon de Bona Andreia Drewes
Pró-Reitora de Administração José Carlos da Silva Junior Guilherme Henrique Koerich Carmelita Schulze Luiz Felipe Buchmann Figueiredo
Acadêmica José Gabriel da Silva Josiane Leal Daniela Siqueira de Menezes Rafael Pessi
Marília Locks Fernandes Delma Cristiane Morari
Miriam de Fátima Bora Rosa José Humberto Dias de Toledo
Eliete de Oliveira Costa
Joseane Borges de Miranda Gerência de Produção
Pró-Reitor de Desenvolvimento Luiz G. Buchmann Figueiredo Gerência Administrativa e Eloísa Machado Seemann Arthur Emmanuel F. Silveira (Gerente)
e Inovação Institucional Marciel Evangelista Catâneo Financeira Flavia Lumi Matuzawa Francini Ferreira Dias
Renato André Luz (Gerente) Geovania Japiassu Martins
Valter Alves Schmitz Neto Maria Cristina Schweitzer Veit
Ana Luise Wehrle Isabel Zoldan da Veiga Rambo Design Visual
Maria da Graça Poyer
Diretora do Campus Mauro Faccioni Filho Anderson Zandré Prudêncio João Marcos de Souza Alves Pedro Paulo Alves Teixeira (Coord.)
Universitário de Tubarão Moacir Fogaça Daniel Contessa Lisboa Leandro Romanó Bamberg Alberto Regis Elias
Milene Pacheco Kindermann Nélio Herzmann Naiara Jeremias da Rocha Lygia Pereira Alex Sandro Xavier
Onei Tadeu Dutra Rafael Bourdot Back Lis Airê Fogolari Anne Cristyne Pereira
Diretor do Campus Universitário Patrícia Fontanella Thais Helena Bonetti Luiz Henrique Milani Queriquelli Cristiano Neri Gonçalves Ribeiro
da Grande Florianópolis Roberto Iunskovski Valmir Venício Inácio Marcelo Tavares de Souza Campos Daiana Ferreira Cassanego
Hércules Nunes de Araújo Rose Clér Estivalete Beche Mariana Aparecida dos Santos Davi Pieper
Gerência de Ensino, Pesquisa e Marina Melhado Gomes da Silva Diogo Rafael da Silva
Secretária-Geral de Ensino Vice-Coordenadores Graduação Extensão Marina Cabeda Egger Moellwald Edison Rodrigo Valim
Adriana Santos Rammê Janaína Baeta Neves (Gerente) Mirian Elizabet Hahmeyer Collares Elpo Fernanda Fernandes
Solange Antunes de Souza Aracelli Araldi Pâmella Rocha Flores da Silva
Bernardino José da Silva Frederico Trilha
Diretora do Campus Catia Melissa Silveira Rodrigues Rafael da Cunha Lara Jordana Paula Schulka
Elaboração de Projeto Roberta de Fátima Martins Marcelo Neri da Silva
Universitário UnisulVirtual Horácio Dutra Mello Carolina Hoeller da Silva Boing
Jucimara Roesler Jardel Mendes Vieira Roseli Aparecida Rocha Moterle Nelson Rosa
Vanderlei Brasil Sabrina Bleicher Noemia Souza Mesquita
Joel Irineu Lohn Francielle Arruda Rampelotte
Equipe UnisulVirtual José Carlos Noronha de Oliveira Verônica Ribas Cúrcio Oberdan Porto Leal Piantino
José Gabriel da Silva Reconhecimento de Curso
José Humberto Dias de Toledo Acessibilidade Multimídia
Diretor Adjunto Maria de Fátima Martins Vanessa de Andrade Manoel (Coord.) Sérgio Giron (Coord.)
Moacir Heerdt Luciana Manfroi
Rogério Santos da Costa Extensão Letícia Regiane Da Silva Tobal Dandara Lemos Reynaldo
Secretaria Executiva e Cerimonial Rosa Beatriz Madruga Pinheiro Maria Cristina Veit (Coord.) Mariella Gloria Rodrigues Cleber Magri
Jackson Schuelter Wiggers (Coord.) Sergio Sell Vanesa Montagna Fernando Gustav Soares Lima
Marcelo Fraiberg Machado Pesquisa Josué Lange
Tatiana Lee Marques Daniela E. M. Will (Coord. PUIP, PUIC, PIBIC) Avaliação da aprendizagem
Tenille Catarina Valnei Carlos Denardin Claudia Gabriela Dreher Conferência (e-OLA)
Mauro Faccioni Filho (Coord. Nuvem)
Assessoria de Assuntos Sâmia Mônica Fortunato (Adjunta) Jaqueline Cardozo Polla Carla Fabiana Feltrin Raimundo (Coord.)
Internacionais Pós-Graduação Nágila Cristina Hinckel Bruno Augusto Zunino
Coordenadores Pós-Graduação Anelise Leal Vieira Cubas (Coord.) Sabrina Paula Soares Scaranto
Murilo Matos Mendonça Aloísio José Rodrigues Gabriel Barbosa
Anelise Leal Vieira Cubas Thayanny Aparecida B. da Conceição
Assessoria de Relação com Poder Biblioteca Produção Industrial
Público e Forças Armadas Bernardino José da Silva Salete Cecília e Souza (Coord.) Gerência de Logística Marcelo Bittencourt (Coord.)
Adenir Siqueira Viana Carmen Maria Cipriani Pandini Paula Sanhudo da Silva Jeferson Cassiano A. da Costa (Gerente)
Walter Félix Cardoso Junior Daniela Ernani Monteiro Will Marília Ignacio de Espíndola Gerência Serviço de Atenção
Giovani de Paula Renan Felipe Cascaes Logísitca de Materiais Integral ao Acadêmico
Assessoria DAD - Disciplinas a Karla Leonora Dayse Nunes Carlos Eduardo D. da Silva (Coord.) Maria Isabel Aragon (Gerente)
Distância Letícia Cristina Bizarro Barbosa Gestão Docente e Discente Abraao do Nascimento Germano Ana Paula Batista Detóni
Patrícia da Silva Meneghel (Coord.) Luiz Otávio Botelho Lento Enzo de Oliveira Moreira (Coord.) Bruna Maciel André Luiz Portes
Carlos Alberto Areias Roberto Iunskovski Fernando Sardão da Silva Carolina Dias Damasceno
Cláudia Berh V. da Silva Rodrigo Nunes Lunardelli Capacitação e Assessoria ao Fylippy Margino dos Santos Cleide Inácio Goulart Seeman
Conceição Aparecida Kindermann Rogério Santos da Costa Docente Guilherme Lentz Denise Fernandes
Luiz Fernando Meneghel Thiago Coelho Soares Alessandra de Oliveira (Assessoria) Marlon Eliseu Pereira Francielle Fernandes
Renata Souza de A. Subtil Vera Rejane Niedersberg Schuhmacher Adriana Silveira Pablo Varela da Silveira Holdrin Milet Brandão
Alexandre Wagner da Rocha Rubens Amorim
Assessoria de Inovação e Jenniffer Camargo
Gerência Administração Elaine Cristiane Surian (Capacitação) Yslann David Melo Cordeiro Jessica da Silva Bruchado
Qualidade de EAD Acadêmica Elizete De Marco
Denia Falcão de Bittencourt (Coord.) Jonatas Collaço de Souza
Angelita Marçal Flores (Gerente) Fabiana Pereira Avaliações Presenciais
Andrea Ouriques Balbinot Juliana Cardoso da Silva
Fernanda Farias Iris de Souza Barros Graciele M. Lindenmayr (Coord.)
Carmen Maria Cipriani Pandini Juliana Elen Tizian
Juliana Cardoso Esmeraldino Ana Paula de Andrade
Secretaria de Ensino a Distância Kamilla Rosa
Maria Lina Moratelli Prado Angelica Cristina Gollo
Assessoria de Tecnologia Samara Josten Flores (Secretária de Ensino) Simone Zigunovas
Mariana Souza
Osmar de Oliveira Braz Júnior (Coord.) Cristilaine Medeiros Marilene Fátima Capeleto
Giane dos Passos (Secretária Acadêmica) Daiana Cristina Bortolotti
Felipe Fernandes Adenir Soares Júnior Tutoria e Suporte Maurício dos Santos Augusto
Felipe Jacson de Freitas Delano Pinheiro Gomes Maycon de Sousa Candido
Alessandro Alves da Silva Anderson da Silveira (Núcleo Comunicação) Edson Martins Rosa Junior
Jefferson Amorin Oliveira Andréa Luci Mandira Claudia N. Nascimento (Núcleo Norte- Monique Napoli Ribeiro
Phelipe Luiz Winter da Silva Fernando Steimbach Priscilla Geovana Pagani
Cristina Mara Schauffert Nordeste)
Fernando Oliveira Santos
Priscila da Silva Djeime Sammer Bortolotti Maria Eugênia F. Celeghin (Núcleo Pólos) Sabrina Mari Kawano Gonçalves
Rodrigo Battistotti Pimpão Lisdeise Nunes Felipe Scheila Cristina Martins
Douglas Silveira Andreza Talles Cascais Marcelo Ramos
Tamara Bruna Ferreira da Silva Evilym Melo Livramento Daniela Cassol Peres Taize Muller
Marcio Ventura Tatiane Crestani Trentin
Fabiano Silva Michels Débora Cristina Silveira Osni Jose Seidler Junior
Coordenação Cursos Fabricio Botelho Espíndola Ednéia Araujo Alberto (Núcleo Sudeste) Thais Bortolotti
Coordenadores de UNA Felipe Wronski Henrique Francine Cardoso da Silva
Diva Marília Flemming Gisele Terezinha Cardoso Ferreira Janaina Conceição (Núcleo Sul) Gerência de Marketing
Marciel Evangelista Catâneo Indyanara Ramos Joice de Castro Peres Eliza B. Dallanhol Locks (Gerente)
Roberto Iunskovski Janaina Conceição Karla F. Wisniewski Desengrini
Jorge Luiz Vilhar Malaquias Kelin Buss Relacionamento com o Mercado
Auxiliares de Coordenação Juliana Broering Martins Liana Ferreira Alvaro José Souto
Ana Denise Goularte de Souza Luana Borges da Silva Luiz Antônio Pires
Camile Martinelli Silveira Luana Tarsila Hellmann Maria Aparecida Teixeira Relacionamento com Polos
Fabiana Lange Patricio Luíza Koing Zumblick Mayara de Oliveira Bastos Presenciais
Tânia Regina Goularte Waltemann Maria José Rossetti Michael Mattar Alex Fabiano Wehrle (Coord.)
Jeferson Pandolfo
José Humberto Dias Tolêdo
Métodos Numéricos
Livro didático
Revisão e atualização de conteúdo

Design instrucional
Roseli Rocha Moterle
1a edição revista
Palhoça
UnisulVirtual
2011
Copyright © UnisulVirtual 2011
Nenhuma parte desta publicação pode ser reproduzida por qualquer meio sem a prévia autorização desta instituição
Edição - Livro didático

Professor Conteudista
Revisão e atualização de conteúdo

Design Instrucional
Karla Leonora Dahse Nunes
Roseli Rocha Moterle (1a edição revista)
Projeto Gráfico e Capa

Equipe UnisulVirtual
ISBN
978-85-7817-292-3
Diagramação
Daniel Blass
Revisão
Foco Opinião e Mercado
519.4
T58 Tolêdo, José Humberto Dias
Métodos numéricos : livro didático / José Humberto Dias Toledo ; revisão e
atualização de conteúdo José Humberto Dias Toledo ; design instrucional Karla
Leonora Dahse Nunes, Roseli Rocha Moterle. – 1. ed. rev. – Palhoça : UnisulVirtual, 2011.
274 p. : il. ; 28 cm.
Inclui bibliografia.
ISBN 978-85-7817-292-3
1. Análise numérica. 2. Cálculos numéricos. 3. Polinômios. 4. Equações. 5. Álgebra.

6. Métodos de simulação. I. Nunes, Karla Leonora Dahse. II. Moterle, Roseli Rocha. III.
Título.
Ficha catalográfica elaborada pela Biblioteca Universitária da Unisul

Sumário
Palavras do professor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Plano de estudo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
UNIDADE 1 Erros numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

UNIDADE 2 Polinômios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
UNIDADE 3 Equações algébricas e transcendentais. . . . . . . . . . . . . . . . . . . 61
UNIDADE 4 Sistemas de equações lineares algébricas. . . . . . . . . . . . . . . . 103
UNIDADE 5 Interpolação. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
UNIDADE 6 Ajuste de curvas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
UNIDADE 7 Integração numérica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
Para concluir o estudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241

Sobre o professor conteudista. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
Respostas e comentários das atividades de autoavaliação. . . . 247
Apresentação
Este livro didático corresponde à disciplina Métodos Numéricos.
O material foi elaborado visando a uma aprendizagem autônoma e

aborda conteúdos especialmente selecionados e relacionados à sua
área de formação. Ao adotar uma linguagem didática e dialógica,
objetivamos facilitar seu estudo a distância, proporcionando
condições favoráveis às múltiplas interações e a um aprendizado
contextualizado e eficaz.
Lembre-se de que sua caminhada, nesta disciplina, será

acompanhada e monitorada constantemente pelo Sistema
Tutorial da UnisulVirtual, por isso, a “distância” fica
caracterizada somente na modalidade de ensino que você
optou para sua formação, pois na relação de aprendizagem os
professores e a instituição estarão sempre conectados com você.
Então, sempre que sentir necessidade, entre em contato. Você tem

à disposição diversas ferramentas e canais de acesso, tais como:
telefone, e-mail e o Espaço UnisulVirtual de Aprendizagem,
que é o canal mais recomendado, pois tudo o que for enviado e
recebido fica registrado, para seu maior controle e comodidade.
Nossa equipe técnica e pedagógica terá o maior prazer em lhe
atender, porque sua aprendizagem é o nosso principal objetivo.
Bom estudo e sucesso!
Equipe UnisulVirtual.
Palavras do professor
Caro(a) aluno(a),
É com grande satisfação que lhes apresento a disciplina

Métodos Numéricos, que foi desenvolvida levando-se em
consideração as particularidades do ensino a distância.
Destacamos a importância da sua preparação para a

aplicação dos métodos numéricos na resolução de problemas
práticos, promovendo a integração entre teoria e prática,
e possibilitando uma análise das dificuldades numéricas
que podem ocorrer ao se trabalhar com máquinas
(computadores e calculadoras).
Portanto, a primeira unidade tem o objetivo de discutir

o conceito de aproximação no contexto da matemática
e apresentar as possíveis fontes de erros no processo de
resolução de um problema de natureza física, química etc.
Na sequência, discutiremos a importância dos polinômios

no contexto da matemática numérica quanto ao estudo da
interpolação e da aproximação de funções.
Aplicaremos métodos numéricos, iterativos, na resolução

de equações algébricas e transcendentais e de sistemas de
equações lineares, estipulando critérios de parada de modo
a avaliar a precisão e exatidão desejada para o problema em
questão.
Usaremos funções polinomiais para interpolar tabelas de

dados, possibilitando estimar valores para dados dentro
de uma tabela que não estejam tabelados e, ainda, faremos
uso dos polinômios para ajustar dados tabelados e realizar
projeções.
Finalmente estudaremos os métodos de integração
numérica para calcular as integrais definidas de funções
analíticas, cujas primitivas não sejam simples de se calcular,
usando os métodos convencionais do cálculo integral.
Destacamos que, em todo texto que será apresentado,

daremos enfoque aos recursos computacionais para
auxiliar na resolução e aplicações dos métodos numéricos.
Informamos que as tabelas e ilustrações sem indicação de
fonte foram elaboradas pelos autores.
Lembre-se de que você não estará sozinho(a) nesta

caminhada. Estaremos sempre à disposição para auxiliá-
lo(a) nas dúvidas.
Tenha uma boa caminhada.
Bons estudos!
Professor José Humberto Dias de Tolêdo

Plano de estudo
O plano de estudos visa a orientá-lo no desenvolvimento da

disciplina. Ele possui elementos que o ajudarão a conhecer o
contexto da disciplina e a organizar o seu tempo de estudos.
O processo de ensino e aprendizagem na UnisulVirtual leva

em conta instrumentos que se articulam e se complementam,
portanto, a construção de competências se dá sobre a
articulação de metodologias e por meio das diversas formas
de ação/mediação.
São elementos desse processo:
o livro didático;
o Espaço UnisulVirtual de Aprendizagem (EVA);
as atividades de avaliação (a distância, presenciais e
de autoavaliação);
o Sistema Tutorial.
Ementa da disciplina
Polinômios. Sistemas de equações lineares. Aproximação

de funções: ajustamento polinomial (mínimos quadrados) e
interpolação polinomial. Integração numérica.
Objetivos da disciplina
Geral
Desenvolver, no universitário, a preparação para a aplicação
dos métodos numéricos na resolução de problemas práticos,
promovendo a integração entre teoria e prática, e possibilitando
ainda uma análise das dificuldades numéricas que podem ocorrer
ao se trabalhar com máquinas (computadores e calculadoras).
Específicos
Discutir o conceito de aproximação no contexto da matemática;
Discutir os erros numéricos provenientes da modelagem
matemática e das limitações das configurações dos softwares e
calculadoras gráficas;
Explorar o uso de softwares e calculadoras gráficas e
programáveis, na aplicação de métodos numéricos;
Discutir as funções polinomiais;
Aplicar métodos numéricos em: ajustamento de curvas,
interpolação de dados, integração numérica, equações e sistemas
de equações lineares.
Carga horária
A carga horária total da disciplina é de 60 horas-aula.
Conteúdo programático/objetivos
Veja, a seguir, as unidades que compõem o livro didático desta

disciplina e os seus respectivos objetivos. Estes se referem aos
resultados que você deverá alcançar ao final de uma etapa de
estudo. Os objetivos de cada unidade definem o conjunto de
conhecimentos que você deverá possuir para o desenvolvimento
de habilidades e competências necessárias à sua formação.
12
Climatologia e Meteorologia
Unidades de estudo: 7
Unidade 1 – Erros numéricos

Nesta unidade vamos discutir o conceito de aproximação no
contexto da matemática e apresentar as possíveis fontes de erros
no processo de resolução de um problema de natureza física,
química etc.
Unidade 2 – Polinômios
Nesta unidade apresentamos o conceito e realizamos operações
com polinômios. Discutimos, ainda, a sua importância
no contexto da matemática numérica quanto ao estudo da
interpolação e da aproximação de funções.
Unidade 3 – Equações algébricas e transcendentais

Nesta unidade aplicamos os métodos numéricos, iterativos, na
resolução de equações algébricas e transcendentais, estipulando
critérios de parada de modo a avaliar a precisão e exatidão
desejada para o problema em questão.
Unidade 4 – Sistemas de equações lineares algébricas

Nesta unidade vamos resolver sistemas de equações lineares que
podem estar associados a vários problemas das ciências exatas por
meio de métodos diretos e iterativos.
Unidade 5 – Interpolação
Nesta unidade usaremos funções polinomiais para interpolar
tabelas de dados, possibilitando estimar valores para dados
dentro de uma tabela que não estejam tabelados.
Unidade 6 – Ajuste de curvas

Nesta unidade, faremos uso da aproximação de funções com o
objetivo de encontrar a melhor função, em uma determinada
classe de funções, como as polinomiais, para representar todos os
dados tabelados possíveis e realizar projeções.
13
Unidade 7 – Integração numérica

Nesta unidade estudaremos os métodos numéricos de integração
numérica para calcular as integrais definidas de funções
analíticas, cujas primitivas não sejam simples de se calcular,
usando os métodos convencionais do cálculo integral.
Agenda de atividades/Cronograma
Verifique com atenção o EVA, organize-se para acessar

periodicamente a sala da disciplina. O sucesso nos seus
estudos depende da priorização do tempo para a leitura,
da realização de análises e sínteses do conteúdo e da
interação com os seus colegas e professor.
Não perca os prazos das atividades. Registre no espaço
a seguir as datas com base no cronograma da disciplina
disponibilizado no EVA.
Use o quadro para agendar e programar as atividades
relativas ao desenvolvimento da disciplina.
Atividades obrigatórias
Demais atividades (registro pessoal)
14
1
UNIDADE 1
Erros numéricos
Objetivos de aprendizagem
Discutir o conceito de aproximação no contexto da matemática.
Entender que os problemas de natureza física, química etc. nem
sempre apontam soluções com exatidão.
Entender o sistema de aritmética e ponto flutuante de computa-
dores e calculadoras.
Reconhecer erros provenientes de modelagem matemática, de
limitações das máquinas e da aplicação dos métodos numéricos.
Diferenciar erros de arredondamentos e de truncamentos.
Distinguir o erro absoluto do relativo.
Entender como o erro numérico pode ser propagado, com o obje-
tivo de evitá-lo e/ou controlá-lo nas aplicações de métodos numé-
ricos para resolver problemas.
Seções de estudo
Seção 1 Introdução
Seção 2 Conversão de bases
Seção 3 Sistema de ponto flutuante
Seção 4 Métodos de arredondamento e truncamento
Seção 5 Propagação de erros
Seção 6 Erros absolutos e relativos
Para início de estudo

Nesta unidade vamos discutir o conceito de aproximação
no contexto da matemática numérica com o objetivo de
conhecermos as técnicas e estratégias a serem utilizadas
quando da aplicação de métodos numéricos para a resolução de
problemas de natureza física, química etc. Vamos entender que,
na aplicação desses métodos, os erros podem ser provenientes
das limitações de representação de algarismos significativos
das máquinas (computadores e/ou calculadoras) e, portanto,
devemos compreender como estas ferramentas funcionam para
que possamos evitar e/ou controlar esses tipos de erros. Desta
forma, esperamos que, ao final dessa unidade, você identifique
como os erros podem surgir, aprenda a aproximar, com o máximo
de precisão, as soluções para problemas que não podem ser
resolvidos com exatidão, e, ainda, saiba estimar fronteiras de erros
para a utilização de aproximações.
Seção 1 – Introdução
A diferença entre uma solução exata para um problema de
natureza física, química etc. e a sua solução aproximada é
chamada de erro. Normalmente, procuramos resolver esses tipos
de problemas usando uma forma analítica da matemática, que
geralmente aponta uma solução exata. Entretanto, podem surgir
problemas em que a solução analítica é impraticável. Dessa
forma, podemos aplicar os métodos numéricos, que apresentam
soluções numéricas aproximadas para esses problemas.
É importante destacar que, com o advento dos computadores, os

métodos numéricos passam a ter grande utilização na resolução
desses tipos de problemas, que antes demandavam muito tempo
ou um esforço humano muito grande, tornando a sua aplicação
inviável.
Esta unidade tem como objetivo principal orientá-lo sobre

as possíveis fontes de erros no processo de resolução de um
problema, por meio da aplicação de um método numérico, para
que possa evitá-los e/ou controlá-los.
16
Métodos Numéricos
A resolução de um problema pode estar estruturada da maneira

ilustrada no diagrama ao lado.
Observando o diagrama, podemos verificar que a solução

apontada para o problema pode ser diferente da esperada,
pois várias fases estão envolvidas no processo: a escolha da
modelagem, o método numérico, a precisão da entrada dos dados,
como os dados são representados no computador e as operações
numéricas no processo de resolução.
Daremos destaque às operações numéricas no processo de

resolução utilizando o computador, pois a aritmética utilizada
por um computador ou por uma calculadora é diferente da
empregada no cálculo algébrico.
Por exemplo, no cálculo algébrico, podemos representar:
3 + 3 = 6, √p2= p, √8 = 2√2 etc.
Entretanto, na aritmética computacional, as duas últimas repre-

sentações podem não ser verdadeiras! Isto pode ocorrer pois, na Figura 1.1 – Diagrama para
resolução de problemas
aritmética convencional, um número real, na sua representação
decimal, pode apresentar infinitos dígitos; já na computacional
essa representação é finita.
Por exemplo, o número p em um computador ou calculadora é

representado por um número finito de algarismos significativos,
enquanto que na aritmética convencional podemos fazer a repre-
sentação deste número com a quantidade de dígitos significativos
convenientes para a precisão do problema.
Todavia, na maioria dos problemas resolvidos por métodos

numéricos e com o auxilio da aritmética computacional, o
resultado é satisfatório para situações práticas, e na maioria das
vezes essa diferença é aceita sem grandes obstáculos. Porém, é
importante saber que esse tipo de erro pode ocorrer para poder
controlá-lo na hora de resolver problemas com um rigor maior de
precisão, por exemplo, em projetos de foguetes.
É importante saber que um número pode ter representação

finita em uma base e infinita em outra base. A base que usamos
no cálculo e no nosso dia a dia é a decimal. Já os computadores
utilizam, internamente, a base binária.
Unidade 1 17
Assim, quando estamos dando entrada nos dados de um

problema em um computador, o sistema de entrada é o decimal.
As operações realizadas pelo computador são no sistema binário.
Portanto, faz-se necessária a conversão da base decimal para a

binária. Após a realização das operações pelo computador, no
sistema binário, o resultado é convertido para a base decimal, e
finalmente apresentado ao usuário.
Na próxima seção, vamos estudar como se faz a conversão do

sistema binário para o decimal e do decimal para o binário.
Seção 2 – Conversão de bases

O sistema binário é um sistema de numeração posicional no qual
todas as quantidades se representam utilizando como base o
número 2. Ele é composto pelos algarismos 0 e 1.
Em computação, chama-se um dígito binário (0 ou 1) de bit,

que vem do Inglês binary digit. Portanto, a base binária é usada
porque os computadores e calculadoras digitais utilizam-se de
sinais elétricos, sendo o 0 correspondente à ausência de sinal e o
número 1 à presença do sinal elétrico.
Você sabia?
Que quando escrevemos o número 2425 na base
decimal, estamos dizendo que esse número representa
a quantidade equivalente a 2×1000 + 4×100 + 2×10 + 5
ou escrevendo na forma 2×103 + 4×102 + 2×101 + 5×100
que é chamada de representação posicional dos
números!
Para a base binária, usamos o mesmo mecanismo,
porém a potência terá base 2.
Portanto, o número binário 1011 pode ser escrito na
forma 1×23 + 0×22 + 1×21 + 1×20.
18
Métodos Numéricos
2.1 Base binária para decimal
Escrevemos um número na base binária da seguinte forma:
bi2i + … + b323 + b222 + b121 + b020 + b12–1 + b22–2 + b32–3 + … + bj2j
onde:
bi = 0 ou 1;
bj = 0 ou 1;
i, j = números inteiros com i ≥ 0 e j < 0.
Exemplo 1.1: converter o número 1012 para a base decimal.
1012 = 1∙22 + 0∙21 + 1∙20 = 4 + 0 + 1 = 510
Exemplo 1.2: converter o número 111,112 para a base decimal.
111,112 = 1∙22 + 1∙21 + 1∙20 + 1∙2–1 + 1∙2–2

111,12 = 4 + 2 + 1 + 0,5 + 0,25 = 7,7510
Exemplo 1.3: converter o número 0,1012 para a base decimal.
0,1012 = 0∙20 + 1∙2–1 + 0∙2–2 + 1∙2–3

0,1012 = 0 + 0,5 + 0 + 0,125 = 0,62510
2.2 Decimal para binário
A conversão do sistema decimal para o binário envolve dois

métodos: um para a parte inteira do número e outro para a parte
fracionária.
Para converter a parte inteira de um número no sistema decimal

para o binário, basta dividi-lo por 2 sucessivamente, observando o
resto da divisão inteira, até que o último quociente seja igual a 1.
Para formar o binário, acrescente a esse quociente todos os restos,
de baixo para cima.
Unidade 1 19
Exemplo 1.4: converter o número 510 para o sistema binário.
5 2
1 2 2
0 1
Observe que o último quociente é igual a 1 e os restos 0 e 1 (de
baixo para cima), logo, para formamos o binário, juntamos o
último quociente e os restos: 1012, portanto: 510 = 1012.
Exemplo 1.5: converter o número 2510 para binário.
25 2
1 12 2
0 6 2
0 3 2
1 1
Logo: 2510 = 110012
Na conversão da parte fracionária, utilizamos a multiplicação

sucessiva por 2. Deste resultado, a parte inteira forma o binário e
a parte fracionária é multiplicada novamente por 2, repetindo-se
esse processo até que a parte fracionária seja igual a 0.
Exemplo 1.6: converter o número 7,7510 para o sistema binário.
7,7510 = 710 + 0,7510
logo, devemos aplicar o método das divisões sucessivas por 2 para

a parte inteira e o método das multiplicações sucessivas por 2
para a parte fracionária:
7 2 0,75 0,5
1 3 2 ×2 ×2
1 1 1,5 1,0
710 = 1112 0,7510 = 0,112
Observe que a parte inteira do primeiro produto é 1 e a

fracionária é diferente de 0.
20
Métodos Numéricos
O número 1 vai formar o binário. Como a parte fracionária é

diferente de 0, devemos continuar multiplicando por 2.
No segundo produto, a parte inteira é 1 e a fracionária é 0.

Portanto, o algarismo 1 vai formar o binário e paramos a multi-
plicação por 2, pois a parte fracionária é igual a 0.
Assim:
7,7510 = 710 + 0,7510 = 1112 + 0,112 = 111,112
Exemplo 1.7: converter o número 1,610 para o sistema binário.
1,610 = 110 + 0,610
Convertendo 0,610 teremos:
0,6 0,2 0,4 0,8 0,6 0,2

×2 ×2 ×2 ×2 ×2 ×2
1,2 0,4 0,8 1,6 1,2 0,4
0,610 = 0,100110…
O binário será: 1,100110…
Observe que os produtos começam a se repetir, logo o número

binário é infinito, mas a sua representação no sistema decimal
é finita.
Seção 3 – Sistema de ponto flutuante

O processamento da informação nos computadores é realizado
em quantidades fixas, atendendo a uma unidade padrão chamada
de palavra. O número de dígitos (bits) que compõem uma palavra
é chamado de comprimento da palavra. Desta forma, em um
computador, apenas uma quantidade finita de números pode ser
representada.
Os números inteiros, por exemplo, podem ser representados de

forma exata, desde que o comprimento da palavra seja suficiente
para o armazenamento de todos os seus dígitos.
Unidade 1 21
Por outro lado, os números reais não são completamente repre-

sentados no computador, podendo contribuir para o surgimento
de erros, em virtude da conversão numérica de um sistema de
numeração para outro, em particular, de decimal para binário –
como já vimos no exemplo 1.7, em que um número na represen-
tação decimal é finito e na binária é infinito, implicando a perda
de dígitos significativos quando da leitura desse número por um
computador.
Portanto, para garantir uma maior representatividade de números

reais em um computador, usamos a notação de ponto flutuante
(no Brasil, usamos a vírgula para separar a parte inteira da
fracionária de um número, portanto, poderíamos chamar esse
sistema de vírgula flutuante). Nesta notação, um número real é
escrito da seguinte forma:
±0, d1d2d3 … dk×be
sendo que:
b = base
d1d2d3 … dk = mantissa
k = número de dígitos da mantissa
0 ≤ dj ≤ (b – 1); j = 1, 2, … , k e d1 ≠ 0
e = expoente no intervalo [e1,e2]
Usualmente podemos representar um sistema de ponto flutuante

por:
F(b, k,e1,e2)
sendo que:
b = base
k = precisão
e1 = menor expoente
e2 = maior expoente
22
Métodos Numéricos
Na tabela 1.1 a seguir, apresentamos alguns exemplos de sistemas

de ponto flutuante de algumas máquinas:
Tabela 1.1 – Exemplos de sistemas de ponto flutuante
F(b, k,e1,e2) b k e1 e2
HP25 10 9 –98 100
Texas SR50 10 10 –98 100
HP 48G 10 12 –500 499
HP 50G 10 12 –500 499
IBM 3090 16 5 –65 62
CRAY X – MP 2 47 –16385 8190
CRAY T – 94 2 51 –1022 1023
Exemplo 1.8: vamos considerar uma máquina que opera no

sistema F(10,4,–4,4). Os números serão representados em
notação de ponto flutuante da seguinte forma:
±0, d1d2d3d4 ×10e ; 0 ≤ dj ≤ 9 ; d1 ≠ 0 e e ∈ [-4,4]
Exemplo 1.9: considere o sistema de ponto flutuante da máquina

do exemplo 1.8. Qual o maior e o menor número, em valor
absoluto, que essa máquina representa?
No exemplo anterior, vimos que os dígitos dj podem ser

0 ≤ dj ≤ 9, já que a base da máquina é 10.
Portanto, para formar o maior número que essa máquina pode

representar, vamos usar todos os dígitos iguais a 9 e o maior
expoente do intervalo.
Maior = 0,9999×104 = 9999
Observação: se nos cálculos com essa máquina

surgirem números com magnitude maior do que 104,
significa que a capacidade da máquina é excedida e se
tem um estouro (overflow) que pode levar a falhas na
computação.
Unidade 1 23
Já para determinar o menor número em valor absoluto que essa

máquina consegue representar, devemos tomar o menor número
decimal entre 0 e 9, porém, devemos observar que o primeiro
dígito tem que ser diferente de 0 e o expoente, o menor do
intervalo. Logo, o menor número será:
Maior = 0,1000×10–4 = 0,00001
Observação: se nos cálculos com essa máquina

aparecerem números com magnitude menor do que
10–4, teremos uma situação em que a capacidade
mínima da máquina não é atingida (underflow), e esse
número é normalmente ajustado para 0.
Exemplo 1.10: considere uma máquina de calcular cujo sistema

de representação de ponto flutuante seja F(2,10,–20,20). O
número 3510 pode ser representado assim:
3510 = 1000112 = 0,100011×26 = 0,10001×2110
sendo que: 10001 = mantissa; 2 = base; 110 = expoente.
Podemos representar esse número fazendo a sua apresentação de

uma forma compacta:
mantissa expoente
0 1 0 0 0 1 1 0 1 1 0
sinal da mantissa sinal do expoente
Nesta representação, reservamos um bit para o sinal da mantissa

(0 = positivo; 1 = negativo), um bit para o sinal do expoente,
10 bits para a mantissa e 5 bits para o expoente, já que o maior
expoente que essa máquina lê é 2010, que corresponde a 101002 e
precisa de 5 bits para a sua leitura.
24
Métodos Numéricos
Exemplo 1.11: vamos considerar a calculadora do exemplo 1.10 e

fazer a representação do número: –33,610.
–33,610 = –100001,100110011001…
–33,610 = –0,10001100110011001…×2110
De uma forma compacta:
mantissa expoente
1 1 0 0 0 0 1 1 0 0 1 0 1 1 0
Observe que a mantissa do número na representação binária é

infinita e apenas os dez primeiros dígitos podem ser lidos por
essa máquina.
Já vimos que um computador ou calculadora representa apenas

um subconjunto dos números reais. O número de elementos
desse subconjunto é dado pela fórmula:
N = 2∙(b – 1)∙bk – 1∙(e2 – e1 + 1) + 1
Exemplo 1.12: seja F(2,4,–2,3) um sistema de ponto flutuante de

uma calculadora, vamos determinar cada um dos elementos que
este sistema pode representar.
N = 2∙(2 – 1)∙24 – 1∙(3 – 2 + 1) + 1 = 2 × 1 × 8 × 6 + 1 = 97
Agora, vejamos todos esses elementos de F:
Como a base é 2, os dígitos possíveis são 0 e 1. Logo, as

mantissas possíveis são:
0,1000; 0,1001; 0,1010; 0,1011;

0,1100; 0,1101; 0,1110 e 0,1111
Observe que os expoentes são inteiros no intervalo [–2, 3], ou seja,

o expoente pode assumir os seguintes valores: –2, –1, 0, 1, 2 e 3.
Unidade 1 25
Escrevendo os números:
±0,1000×2–2 = ±0,001 = ±(0∙20 + 0∙2–1 + 0∙2–2 + 1∙2–3) = ±0,125

±0,1000×2–1 = ±0,01 = ±(0∙20 + 0∙2–1 + 1∙2–2) = ±0,25
±0,1000×2–0 = ±(0∙20 + 1∙2–1) = ±0,5
±0,1000×21 = ±1,000 = ±1∙20 = ±1
±0,1000×22 = ±10,00 = ±(1∙21 + 0∙20) = ±2
±0,1000×23 = ±100,0 = ±(1∙22 + 0∙21 + 0∙20) = ±4
Observe que, com a mantissa 0,1000, conseguimos encontrar

doze elementos de F. Seguindo o mesmo raciocínio para as
demais mantissas, vamos encontrar doze elementos para cada uma
delas. Como são oito mantissas, verificamos que a fórmula para
determinar o número de mantissas de um sistema se justifica, pois:
8.12 = 96 mantissas, mais a mantissa nula (todo sistema de ponto
flutuante lê a mantissa nula), gera um total de 97.
Deixamos como sugestão que você encontre as demais

mantissas e faça a representação, das positivas, em uma
reta real.
Na próxima seção vamos apresentar o tratamento que é dado

aos números na notação decimal quando esse número de dígitos
ultrapassa a limitação de representação de k dígitos em um
sistema F.
Seção 4 – Métodos de arredondamento e truncamento

Na seção anterior verificamos que a representação de um número
real nos computadores e calculadoras é feita na forma de ponto
flutuante. Portanto, a mantissa do número é limitada em k
dígitos, conforme o sistema F.
26
Métodos Numéricos
Vamos apresentar dois métodos de limitar a mantissa de um

número. O primeiro é chamado de truncamento e consiste em
desprezar os dígitos que ultrapassam a quantidade k.
Exemplo 1.13: vamos considerar uma máquina com o sistema de

ponto flutuante F(10,4,–2,3) e um número x = 24,28976. Usando
o método de truncamento, essa calculadora vai fazer a leitura do
número da seguinte maneira:
x = 24,28976 = 0,2428976×102
Como k = 4, a máquina está limitada à leitura de quatro

dígitos, logo o número x para essa máquina, pelo método do
truncamento, será:
x = 0,2428×102 = 24,28
ou seja, você corta ou despreza os dígitos que ultrapassam a

quantidade k.
O outro método é o de arredondamento. Nele, você adiciona 1

ao último dígito do algarismo limitado por k, ou seja, dk, se dk+1
(próximo dígito a direita de dk) for igual ou superior a 5 e, se dk+1
for menor do que 5, simplesmente fazemos o corte de todos os
dígitos seguintes.
Dizemos que, quando escolhemos o método de arredonda-

mento, arredondamos para cima se dk+1 ≥ 5 e arredondamos para
baixo se dk+1 < 5.
Exemplo 1.14: para o mesmo sistema do exemplo 1.13 e para o

mesmo valor de x, usando o método de arredondamento, x seria
representado nessa máquina da seguinte forma:
x = 24,28976 = 0,2428976×102 = 0,2429×102 = 24,29
Observe que arredondamos para cima, pois dk+1 = 9 e, portanto,

acrescentamos 1 a dk , que nesse caso é 8.
Unidade 1 27
Exemplo 1.15: vamos fazer a representação dos números a seguir

usando os métodos de arredondamento e truncamento para um
sistema de ponto flutuante F(10,4,–2,3).
Tabela 1.2 – Arredondamento e truncamento de dados
Número em Método de Método de

x ponto flutuante arredondamento truncamento
2,3674 0,23674×101 2,367 2,367
–0,23478 –0,23478×100 –0,2348 –0,2347
29,8728 0,298728×102 29,87 29,87
1
3,987 0,3987×10 3,987 3,987
0,000002 0,2×10–5 * *
Nota: observe que o expoente é menor do que –2 nesse caso.
Na próxima seção daremos destaque à propagação do erro

quando usamos uma máquina para realizar uma sequência de
operações em aritmética de ponto flutuante.
Seção 5 – Propagação de erros

Ao resolvemos um problema numérico do tipo 2√2 – p usando
uma máquina, quando calculamos 2√2 e usamos p com a precisão
dessa máquina, em cada uma dessas etapas, surgem diferentes
tipos de erros que podem ser gerados por truncamento ou arre-
dondamento. Estes erros se propagam e o resultado final obtido
estará afetado por eles. Portanto, o entendimento da propagação
de erros é muito importante, pois, além de determinar o erro final
de uma operação numérica, também determina a sensibilidade de
problemas resolvidos por métodos numéricos.
Destacamos que, se uma pequena variação nos dados de entrada

de um problema leva a uma grande diferença no resultado final,
houve uma grande propagação de erros e, portanto, essa operação
é considerada mal-condicionada. Já se essa pequena variação
nos dados de entrada leva a apenas uma pequena diferença no
resultado final, temos uma operação bem-condicionada.
28
Métodos Numéricos
No exemplo 1.16 a seguir, vamos fazer as operações indicadas em

um sistema de ponto flutuante F(10,4,–10,10), com o objetivo de
verificar como o erro pode se propagar.
Exemplo 1.16: dados x = 0,3956×105 e y = 0,2345×102, obter:
x + y ; x∙y e
Na operação da adição em ponto flutuante, devemos ajustar os

pontos decimais dos dois números, ou seja:
x = 0,3956×105 e y = 0,2345×102
logo:
x + y = 0,3956×105 + 0,2345×102
x + y = (0,3956 + 0,0002345)×105 = 0,3958345×105
Como o sistema de ponto flutuante dessa máquina é:
F(10,4,–10,10)
O resultado da operação adição será:
x + y = 0,3958×105
usando o método do truncamento e também usando o método de

arredondamento, já que o dígito dk+1 = 3 e é menor do que 5.
Na multiplicação, fazemos:
x∙y = (0,3956×105) × (0,2345×102) = 0,0927682×107
O resultado dessa operação será:
{
x∙y = 0,9276×106, no truncamento
x∙y = 0,9277×106, no arredondamento
Unidade 1 29
Na operação divisão, procedemos da seguinte maneira:
O resultado será:
{
= 0,1686×104, no truncamento
= 0,1687×104, no arredondamento
Observe que nas operações perdemos dígitos significativos e,

se esse resultado for usado em outra operação, esse erro será
propagado.
Seção 6 – Erros absolutos e relativos

Se x* é uma aproximação para x, definimos o erro absoluto (EA)
como sendo a diferença entre o valor exato x e o seu aproximado
x*. Podemos representar o erro absoluto da seguinte maneira:
EA(x) = | x – x* |
O erro relativo (ER) é definido como sendo a razão entre o erro

absoluto pelo valor aproximado de x, ou seja:
Exemplo 1.17: se x = 0,2000×101 e x* = 0,2100×101, o erro

absoluto e o relativo são calculados da seguinte maneira:
EA(x) = | 0,2000×101 – 0,2100×101 | = 0,01×101 = 0,1
30
Métodos Numéricos
Podemos escrever o erro relativo em termos percentuais, ou seja,

um erro de 4,7619%. A análise desse erro é mais significativa do
que a do erro absoluto, pois leva em consideração a magnitude
dos valores.
Exemplo 1.18: para os valores x = 0,0000009 e x* = 0,0000007

o erro absoluto é igual a EA(x) = 0,2×10–6, que é muito baixo,
entretanto o erro relativo é igual a:
que pode ser considerado muito alto.
Atividades de autoavaliação
1.1) Faça a conversão dos números decimais a seguir para a base
binária:
a) 2310 c) 0,234510
b) 192710 d) –32,210
1.2) Faça a conversão dos números binários a seguir para a base

decimal:
a) 110012 c) 111,0012
b) 0,1012 d) 1111110012
1.3) Seja um sistema de ponto flutuante F(2,10,–37,38), faça a

representação de forma compacta dos seguintes números:
a) 2710 c) 3,3610
b) –0,234510 d) –0,0000210
Unidade 1 31
1.4) Em uma máquina que tem o sistema de ponto flutuante

F(10,3,–3,5) quais são o menor e o maior número em valor
absoluto representados nessa máquina?
1.5) Seja um sistema de aritmética de ponto flutuante

F(10,5,–10,10). Dados os números: x = 0,23402×103;
y = 0,32456×10–2 e z = 0,21346×101 e usando os métodos
de truncamento e arredondamento, determine:
a) x + y + z c)
b) x∙y + z d) x – y – z
1.6) Use a aritmética de três dígitos e o método de arre-

dondamento para executar os cálculos a seguir. Calcule os
erros absolutos e relativos comparando-os com o valor exato
determinado, com pelo menos 6 dígitos.
a) 297 + 0,3456 c) 2p + 3e
b) 324 – 0,22879 d) 2√2 – p
1.7) Quantos elementos o sistema F(2,3,–3,2) pode representar?

Em seguida, determine cada um desses elementos no sistema de
numeração decimal.
1.8) Seja F(2,3,–1,2) um sistema de aritmética de ponto

flutuante. Verifique se a propriedade associativa da adição é válida
quando usamos esse sistema para fazer essa verificação com os
números: x = 5/8 ; y = 3/8 e z = 3/4.
Adaptado de Claudio e Marins (2000).
32
Métodos Numéricos
1.9) Faça a representação sugerida dos números a seguir num

sistema de aritmética de ponto flutuante F(10,3,–5,5):
Tabela 1.3 – Representação numérica
Representação Representação
Representação em
x pelo método de pelo método de
ponto flutuante arredondamento truncamento
23,45678
–0,3489
23456,789
0,0000003
345678,234
–34,5673
Síntese
Nesta unidade você estudou o conceito de aproximação no
contexto da matemática numérica procurando verificar as
possíveis fontes de erros no processo de resolução de um
problema de natureza física, química etc. Viu que os erros podem
ser provenientes das limitações de representação de algarismos
significativos das máquinas (computadores e/ou calculadoras).
Portanto, a compreensão do funcionamento dessas ferramentas
possibilita que possamos evitar e/ou controlar esses tipos de erro.
Unidade 1 33
Saiba mais
BARROSO, L. C. Cálculo numérico. São Paulo: Harbra, 1987.
BURDEN, Richard L.; FAIRES, J. Douglas. Análise Numérica.

São Paulo: Pioneira, 2003.
CLÁUDIO, Dalcídio Moraes; MARINS, Jussara Maria.

Cálculo numérico computacional: teoria e prática: algoritmos
em pseudo-linguagem. 3. ed. São Paulo: Atlas, 2000.
ROQUE, W. Introdução ao Cálculo numérico: um texto

integrado com o Derive. São Paulo: Atlas, 2000.
RUGGIERO, M. A. G. Cálculo numérico: aspectos teóricos e

computacionais. São Paulo: Makron Books, 1997.
34
2
UNIDADE 2
Polinômios
Reconhecer polinômios.
Identificar o grau, calcular o valor numé-
rico e as raízes ou zeros de um polinômio.
Realizar operações com polinômios.
Reconhecer equações polinomiais (algébricas).
Resolver equações polinomiais usando métodos analíticos.
Resolver equações polinomiais fazendo uso de recursos
computacionais, como softwares e calculadoras gráficas.
Seções de estudo
Seção 1 Introdução aos polinômios
Seção 2 Operações com polinômios
Seção 3 Equações polinomiais

O objetivo desta unidade é discutir o conceito de polinômios e
equações polinomiais na forma algébrica.
O estudo de polinômios para o contexto dos métodos numéricos

(quanto ao estudo da interpolação e aproximação de funções,
usando o método dos mínimos quadrados) se torna importante
e imprescindível porque eles aproximam de maneira uniforme
funções contínuas, ou seja, dada uma função qualquer, definida e
contínua em um intervalo fechado, existe um polinômio que é tão
próximo da função dada quanto desejado.
Outra razão importante para se levar em consideração a classe

dos polinômios na aproximação de funções contínuas é que a
derivada e a integral indefinida de polinômios são mais simples
de se determinar e também são polinômios.
Destacamos, ainda, a importância da utilização dos recursos

computacionais, como softwares matemáticos e calculadoras
gráficas, para o estudo dos polinômios, como alternativas
didáticas. A apropriação dos conceitos de polinômios, bem
como a realização das operações e a solução das equações são de
fundamental importância para a continuidade dos estudos das
próximas unidades.
Nesta seção vamos discutir o conceito, determinar o grau, o valor
numérico, a raiz ou zero de um polinômio e, ainda, classificá-lo
quanto ao número de termos.
36
Métodos Numéricos
1.1 Conceito de polinômio
Um polinômio tem a forma:
P(x) = anxn + an–1xn–1 + … + a2x2 + a1x + a0
na qual os coeficientes ai são números reais e an ≠ 0, n é um

número natural e x é uma variável.
Exemplos:
1.1 P(x) = x4 – 2x3 + x2 – x + 9
1.2 P(x) = –2x2 + x – 3
1.3 P(x) = x3 + 3x – 1
1.2 Grau de um polinômio
O polinômio P(x) = anxn + an–1xn–1 + … + a2x2 + a1x + a0 que tem

pelo menos um coeficiente ai ≠ 0 é de grau n se, e somente se,
an ≠ 0 e todos os coeficientes ai com i > n são nulos e denotamos
por g(P).
Exemplos:
1.4 No polinômio P(x) = x2 – 2x – 1, o grau é: g(P) = 2
1.5 O polinômio P(x) = – 3 tem grau: g(P) = 0
1.6 Já no polinômio P(x) = –3x2 + 2x – 5x4 + 1, o grau é: g(P) = 4
1.3 Valor numérico
Seja x = a e a ∈ ℜ , o valor numérico do polinômio

P(x) = anxn + an–1xn–1 + … + a2x2 + a1x + a0 quando x = a é dado por:
P(x) = anan + an–1an–1 + … + a2a2 + a1a + a0
Unidade 2 37
Exemplo 2.7: determine o valor numérico do polinômio

P(x) = 3x4 – 2x2 + x – 1 para: x = –1 ; x = 0 ; x = 2 e x = 1/2.
P(–1) = 3(–1)4 – 2(–1)2 + (–1) – 1 = –1
P(0) = 3(0)4 – 2(0)2 + 0 – 1 = –1
P(2) = 3(2)4 – 2(2)2 + 2 – 1 = 41
P( ) = 3( )4 – 2( )2 + –1=–
1.3.1 Método de Horner para determinar o valor numérico de um polinômio

Seja o polinômio P(x) = anxn + an–1xn–1 + … + a2x2 + a1x + a0.
Para determinar o valor numérico de x = a usando o método
de Horner, devemos evidenciar um termo x na expressão do
polinômio P(x):
P(x) = (anxn–1 + an–1xn–2 + … + a2x + a1)x + a0
Evidenciando x sucessivamente (n – 1) vezes, teremos:
P(x) = (anxn–2 + an–1xn–3 + … + a2)x + a1)x + a0
P(x) = ((…(anx + an–1)x + a1)x + … + a2 )x + a1)x + a0
Podemos observar na expressão anterior de P(x) que para

determinar o valor numérico de x = a usando o método de
Horner são necessárias um total de n operações de adição e n
operações de multiplicação.
Exemplo 2.8: determinar o valor numérico de:
P(x) = 2x4 – 3x3 + 2x2 – 4x + 5 para x = 2,
usando o método de Horner.
P(x) = 2x4 – 3x3 + 2x2 – 4x + 5

P(x) = (2x3 – 3x2 + 2x – 4)x + 5
P(x) = ((2x2 – 3x + 2)x – 4)x + 5
P(x) = (((2x – 3)x + 2)x – 4)x + 5
38
Métodos Numéricos
Logo:
P(2) = (((2∙2 – 3)∙2 + 2)∙2 – 4)∙2 + 5

P(2) = (((1)∙2 + 2)∙2 – 4)∙2 + 5
P(2) = ((4)∙2 – 4)∙2 + 5
P(2) = (4)∙2 + 5
P(2) = 8 + 5 = 13
1.4 Raiz ou zero de um polinômio
Se x = a com a ∈ ℜ e P(a) = 0, então dizemos que a é uma

raiz ou zero do polinômio P(x).
Exemplo 2.9: verificar se x = –1 e x = 1 são raízes ou zeros do

polinômio P(x) = x2 – 1.
Verificação:
P(–1) = (–1)2 –1 = 1 – 1 = 0
P(1) = (1)2 –1 = 1 – 1 = 0
logo x = –1 e x = 1 são raízes ou zeros de P(x) = x2 – 1.
1.5 Expressão algébrica
Uma expressão algébrica pode ser denominada como um

conjunto de algarismos e letras, unidos por sinais de operações.
Ela pode ser composta com duas ou mais letras, que são
denominadas variáveis.
Exemplos:
2.10 Os polinômios P(x) = anxn + an–1xn–1 + … + a2x2 + a1x + a0
são expressões algébricas na variável x.
2.11 Os termos de um polinômio, tais como: anxn ; an–1xn–1 ; … ;

a2x2 ; a1x ; a0 de um polinômio, são expressões algébricas na
variável x.
Unidade 2 39
2.12 4x + 2y + 3 é uma expressão algébrica nas variáveis x e y.
2.13 Já, 2a + 3b + 2c é uma expressão algébrica nas variáveis a, b e c.
Uma expressão algébrica com mais de uma variável pode

representar um polinômio.
Vejamos o exemplo a seguir:
Exemplo 2.14: a expressão 2x4y – yx3 + 3yx2 é um polinômio na

variável x e o seu grau é g(P) = 4. Já a mesma expressão é um
polinômio na variável y e o seu grau é g(P) = 3. Essa expressão
também representa um polinômio nas variáveis x e y e o seu grau
é g(P) = 5.
1.6 Termos semelhantes
Quando dois ou mais termos de um polinômio diferem apenas

nos seus coeficientes, dizemos que eles são semelhantes. Desta
forma, podemos simplificar esses termos, efetuando a simplifi-
cação de termos semelhantes.
Exemplo 2.15: no polinômio P(x) = 3x4 + 2x3 – 4x3 – x + 2x + 1,

os termos: 2x3 e 4x3 ; –x e 2x são semelhantes. Simplificando os
termos semelhantes, podemos escrever o polinômio na forma
reduzida P(x) = 3x4 – 2x3 + x + 1.
1.7 Classificação dos polinômios
A classificação de um polinômio se dá em função do seu número

de termos. Na tabela 2.1 a seguir, faremos uma apresentação da
classificação:
40
Métodos Numéricos
Tabela 2.1 – Classificação dos polinômios quanto ao número de termos
Classificação Descrição Exemplos

Monômio Quando tem um único termo 3y ; 2x2z ; 2ab
Binômio Quando tem dois termos x + 2x2 ; y + 5 ; 2ab – 2a2
Trinômio Quando tem três termos –2 + x + 2x2 ; 2a – ab3 + b
Não recebe nome específico Quando tem mais de três termos 2x4 + 2x3 – x2 + 2x – 1
Atividades de autoavaliação 2.1

2.1) Sabendo-se que –2 é raiz ou zero de P(x) = x3 + 2x2 – bx + 1,
determine o valor de b.
2.2) Calcule a ∈ ℜ para que o polinômio:
P(x) = (a2 – 1)x3 + (a + 1)x2 – x + 4
seja: de grau 3, de grau 2 e de grau 1.
2.3) A figura abaixo é composta por retângulos. Escreva uma

expressão algébrica em função das variáveis x e y que represente a
área da mesma.
2.4) No polinômio P(x), do 3o grau, o coeficiente de x3 é igual a 1.

Se P(1) = 7 ; P(0) = 10 e p(2) = 26, calcule o valor de P(–1).
2.5) Determine o polinômio do primeiro grau que atende as

condições: P(–1) = 1 e P(1) = 5.
Unidade 2 41
Seção 2 – Operações com polinômios

Nesta seção, vamos identificar um polinômio identicamente
nulo, entender quando dois polinômios são iguais e realizar as
operações da adição, subtração, multiplicação e divisão com
polinômios.
2.1 Polinômio nulo
Um polinômio P(x) é nulo ou identicamente nulo quando

P(x) = 0 para qualquer x ∈ ℜ. Portanto, para
P(x) = anxn + an–1xn–1 + … + a2x2 + a1x + a0 seja nulo ou identica-
mente nulo, os coeficientes an = an–1 = … = a2 = a1 = a0 = 0.
Exemplo 2.16: determinar a e b para que o polinômio

P(x) = (a + b + 2)x + (b – 2) seja identicamente nulo.
Para que P(x) = 0, temos:
2.2 Polinômios iguais
Dois polinômios P(x) e Q(x) de grau n são iguais ou idênticos

quando assumem valores numéricos iguais para qualquer valor
comum atribuído à variável x, com x ∈ ℜ.
A condição para que P(x) = anxn + an–1xn–1 + … + a2x2 + a1x + a0 e

Q(x) = bnxn + bn–1xn–1 + … + b2x2 + b1x + b0 sejam iguais ou
idênticos, para todo x ∈ ℜ, é que os coeficientes dos termos corres-
pondentes sejam iguais, ou seja: an = bn , … , a2 = b2 , a1 = b1 , a0 = b0.
Exemplo 2.17: determinar a, b e c, sabendo-se que
x2 – 2x + 2 = (3a +2)x2 + (2b + 1)x + (c + 2)
42
Métodos Numéricos
Para obtermos os valores de a, b e c, devemos fazer:
2.3 Adição e subtração de polinômios
Para somar dois polinômios P(x) e Q(x), devemos somar todos os

termos semelhantes dos polinômios dados. Ou seja, para somar
os polinômios:
P(x) = anxn + an–1xn–1 + … + a2x2 + a1x + a0 e

Q(x) = bnxn + bn–1xn–1 + … + b2x2 + b1x + b0
devemos fazer:
P(x) + Q(x) = (an + bn)xn + (an–1 + bn–1)xn–1 + …

P(x) + Q(x) = + (a2 + b2)x2 + (a1 + b1)x + (a0 + b0)
Para subtrair dois polinômios P(x) e Q(x), devemos somar

o polinômio P(x) com o inverso de Q(x), ou seja, –Q(x). Os
polinômios inversos são obtidos trocando-se o sinal de cada
termo. Assim, P(x) – Q(x) = P(x) + [– Q(x)].
Logo,
P(x) = anxn + an–1xn–1 + … + a2x2 + a1x + a0 –

Q(x) = bnxn + bn–1xn–1 + … + b2x2 + b1x + b0
é igual a:
P(x) + [–Q(x)] = (an – bn)xn + (an–1 – bn–1)xn–1 + …

P(x) + [–Q(x)] = + (a2 – b2)x2 + (a1 – b1)x + (a0 – b0)
Unidade 2 43
Exemplo 2.18: dados os polinômios P(x) = 3x3 + 2x2 – x + 8 e

Q(x) = –x3 + 3x2 – 3x + 5, determinar: P(x) + Q(x) ; Q(x) – P(x).
P(x) + Q(x) = (3 – 1)x3 + (2 + 3)x2 + (–1 – 3)x + (8 + 5)

P(x) + Q(x) = 2x3 + 5x2 – 4x + 13
Q(x) – P(x) = (–1 – 3)x3 + (3 – 2)x2 + (–3 – 1)x + (5 – 8)

Q(x) – P(x) = –4x3 + x2 – 2x – 3
2.4 Multiplicação de polinômios
Para se multiplicar dois polinômios P(x) e Q(x), multiplicamos cada

termo de P(x) por todos os termos de Q(x). Em seguida, observamos
se existem termos semelhantes e fazemos a redução destes.
Exemplo 2.19: multiplicar os polinômios P(x) = x2 – 2x + 1

e Q(x) = x – 3.
P(x)∙Q(x) = (x2 – 2x + 1)∙(x – 3)

P(x)∙Q(x) = x3 – 3x2 – 2x2 + 6x + x – 3
P(x)∙Q(x) = x3 – 5x2 + 7x – 3
Ou, ainda, podemos fazer a multiplicação de dois polinômios

como segue:
x2 – 2x + 1
× x – 3
2
–3x + 6x – 3
x – 2x2 + 6x – 3
3
x3 – 5x2 + 7x – 3
44
Métodos Numéricos
Exemplo 2.20: dados os polinômios com duas variáveis

P(x) = x3 – y2 + 3xy e Q(x) = –x + 2y, determinar: P(x)∙Q(x).
P(x)∙Q(x) = (x3 – y2 + 3xy)∙(–x + 2y)

P(x)∙Q(x) = –x4 + 2x3y + xy2 – 2y2 – 3x2y + 6xy2
P(x)∙Q(x) = –x4 + 2x3y – 3x2y + 7xy2 – 2y3
2.5 Divisão de polinômios
Dados dois polinômios P(x) e D(x), com D(x) ≠ 0. Efetuar a

divisão de P(x) por D(x) é determinar os polinômios Q(x) e R(x)
que satisfaçam as condições a seguir:
1. P(x) = D(x)∙Q(x) + R(x)

2. g(R) < g(D) ou R(x) = 0
Podemos representar a divisão de polinômios por meio de um

dispositivo prático, da seguinte forma:
P(x) D(x)
R(x) Q(x)
sendo que:
P(x) = dividendo; D(x) = divisor;

Q(x) = quociente e R(x) = resto
Quando R(x) = 0, dizemos que a divisão é exata.
Unidade 2 45
Exemplo 2.21: dividir P(x) = x4 + x3 – 8x2 + 7x – 2 por

D(x) = x2 – x + 2.
Vamos usar o dispositivo prático:
– x4 + 2x3 – 18x2 + 7x – 12 x2 – x + 2
– x4 + 2x3 – 12x2 x2 + 2x – 8
– x4 + 2x3 – 10x2 + 7x – 12
– x4 – 2x3 + 12x2 – 4x
– x4 + 2x3 – 18x2 + 3x – 12
– x4 + 2x3 – 18x2 – 8x – 16
– x4 + 2x3 – 18x2 – 5x + 14
Ou seja:
x4 + x3 – 8x2 + 7x – 2 = (x2 – x + 2)∙(x2 + 2x – 8) + (–5x + 14)
1.6.1 Divisão de um polinômio P(x) por um binômio na forma x – a
Para efetuar a divisão de um polinômio P(x) por um binômio na

forma x – a vamos usar o dispositivo prático do Briot-Ruffini.
Exemplo 2.22: determinar o quociente e o resto da divisão do

polinômio P(x) = 3x3 – 5x2 + x – 2 por (x – 2).
Para aplicar o dispositivo de Briot-Ruffini seguimos os seguintes

passos:
1o Colocamos a raiz do divisor (que nesse caso é: a = 2) e os

coeficientes do dividendo (3,–5,1,–2) ordenadamente na parte de
cima conforme a seguir:
Raiz do
divisor Coeficientes de P(x)
2 3 –5 1 –2
46
Métodos Numéricos
2o O primeiro coeficiente do dividendo é repetido abaixo.
Raiz do
2 3 –5 1 –2

3
3o Multiplicamos a raiz do divisor por esse coeficiente repetido

abaixo e somamos o produto com o 2o coeficiente do dividendo,
colocando o resultado abaixo deste. Repetimos este procedimento,
ou seja, multiplicamos a raiz do divisor pelo número colocado
abaixo do 2o coeficiente e somamos o produto com o 3o coeficiente,
colocando o resultado abaixo deste, e assim sucessivamente.
Raiz do
2 3 –5 1 –2
 3∙(2) – 5 1∙(2) + 1 3∙(2) – 2
3 1 3 4
4o Separamos o último número formado, que é igual ao resto da

divisão, e os números que ficam à esquerda deste serão os coefi-
cientes do quociente.
Raiz do
2 3 –5 1 –2
 3∙(2) – 5 1∙(2) + 1 3∙(2) – 2
3 1 3 4
Coeficientes do quociente Q(x) Resto
Observe que o grau de Q(x) é uma unidade inferior ao de P(x),

pois o divisor é de grau 1.
Logo, a resposta será: Q(x) = 3x2 + x + 3 e R(x) = 4.
Unidade 2 47
Exemplo 2.23: dividir o polinômio P(x) = x3 + 8 por D(x) = x + 2.
O dispositivo do Briot-Ruffini pode ser usado para

valores negativos ou positivos de a, pois podemos escrever
x + a = x – (–a).
Resolvendo:
Raiz do
–2 1 0 0 8
1 –2 4 0
Coeficientes do quociente Q(x) Resto
Logo: Q(x) = x2 – 2x + 4 e R(x) = 0. Neste caso, o resto da

divisão é igual a zero. Portanto, podemos concluir que a divisão é
exata.
Você sabia?
As calculadoras gráficas HP – (48; 49 e 50) têm a função
HORNER, que determina a divisão HORNER ou sintética
de um polinômio P(x) pelo fator (x – α)! Os dados de
entrada são o polinômio P(x) e α. A função retorna um
quociente Q(x) e os valores de α e R(x) que satisfazem a
condição P(x) = (x – α)·Q(x) + R(x).
Vejamos um exemplo:
Seja P(x) = x3 + 2x2 – 3x + 1 e a = 2, determinar, usando a função
HORNER da HP: Q(x) e R(x).
48
Métodos Numéricos
Modo algébrico:
Para acessar a função HORNER, faça:
<ARITH> <Polynomial> <HORNER> <ENTER>
HORNER (x3 + 2x2 – 3x + 1,2) <ENTER>.
Aparece a tela ao lado:
O resultado apresentado {x2 + 4x + 5 2 11}
significa: Figura 2.8 – Tela da calculadora gráfica HP
Q(x) = x2 + 4x + 5, R(x) = 11 que verifica:

x3 + 2x2 – 3x + 1 = (x – 2)·(x2 + 4x + 5) + 11.

2.6) Dados os polinômios:
P(x) = 2x2 + 3x – 8 e
Q(x) = (a + 3)x2 + (b – 1)x + (c + 3)
determine os valores de a, b e c para que P(x) = Q(x).
2.7) Dados os polinômios: P(x) = x4 – 2x3 + 3x2 – x + 5;

Q(x) = 3x3 – x + 1 e R(x) = 3x + 2, determine:
a) 2∙P(x) – Q(x)
b) P(x) + Q(x) – R(x)
c) Q(x)∙R(x)
d) O resto da divisão de Q(x) por R(x)
Sugestão: usar recursos computacionais e/ou calculadoras gráficas.
2.8) Dados os polinômios P(x,y) = 3x2y + xy e Q(x) = –x + y,

determine P(x,y)∙Q(x). Sugestão: usar recursos computacionais
Unidade 2 49
2.9) Determine o valor de m para que o resto da divisão do

polinômio P(x) = 4x3 – 3x2 + mx + 1 por D(x) = 2x2 + 1 seja
independente de x.
2.10) A divisão de P(x) = x2 + x – 6 por D(x) = x – 2 é exata, ou

seja, o restoR(x) = 0. Encontre o polinômio Q(x) que satisfaz a
relação: P(x) = D(x)∙Q(x) + R(x).
Seção 3 – Equações polinomiais

Nesta seção, vamos determinar o número de raízes, a sua multi-
plicidade e encontrar todas as raízes reais e/ou complexas de uma
equação polinomial.
3.1 Introdução
Seja o polinômio P(x) = anxn + an–1xn–1 + … + a2x2 + a1x + a0 na

variável x. A equação anxn + an–1xn–1 + … + a2x2 + a1x + a0 = 0 ou
P(x) = 0 com n ≥ 1, em que os coeficientes ai são números reais ou
complexos e an ≠ 0, é dita uma equação polinomial ou algébrica.
Definição 2.1 – Um número a é dito uma raiz ou zero de uma

equação polinomial de grau n (n ≥ 1) quando P(a) = 0.
Exemplo 2.24: seja P(x) = x – 3, a = 3 é uma raiz ou zero da

equação P(x) = 0.
3.2 Decomposição de umo polinômio em um

produto de fatores do 1 grau
Uma equação polinomial ou algébrica pode ser escrita na forma

de fatores lineares. Vejamos:
Um polinômio P(x) é divisível por x – a se, e somente se, a é raiz

de P(x), ou seja, se P(a) = 0.
50
Métodos Numéricos
Portanto, se a1 é raiz de P(x) então: P(x) = (x – a1)∙q0(x) = 0.

Se a2 também é raiz de P(x) = 0 temos: q0(x) = (x – a2)∙q1(x).
Continuando a proceder dessa forma, podemos obter a equação
na forma fatorada em fatores lineares.
P(x) = an(x – a1)∙(x – a2)…(x – an – 1)∙(x – an) = 0
Exemplo 2.25: obter as raízes de P(x) = x3 – x2 – 9x + 9 sabendo

que uma delas é a1 = 1. Apresentar a forma fatorada.
Vimos que se a1 é raiz de P(x) então:
Logo:
Resolvendo a equação x2 – 9 = 0, teremos que as outras raízes da

equação são: a2 = 3 e a3 = –3.
A forma fatorada do polinômio será:
P(x) = (x – 1)∙(x – 3)∙(x + 3).
3.3 Multiplicidade de uma raiz
Teorema 2.1 – Teorema Fundamental da Álgebra

Uma equação polinomial ou algébrica, de grau n (n ≥ 1) com
coeficientes reais ou complexos, tem exatamente n raízes, reais ou
complexas, desde que cada raiz seja contada levando em conside-
ração a sua multiplicidade.
Definição 2.2 – Uma raiz a da equação P(x) = 0 tem multiplici-

dade m se:
P(a) = P'(a) = P"(a) = … = Pm – 1(a) = 0 e Pm(a) ≠ 0.
Unidade 2 51
Onde:
Exemplo 2.26: seja a equação polinomial:
P(x) = x3 – 6x2 + 12x – 8 = 0
e a = 2 uma raiz da equação. Verificar a multiplicidade m de a.
P(2) = 23 – 6∙22 + 12∙2 – 8 = 8 – 24 + 24 – 8 = 0
P'(x) = 3x2 – 12x + 12

P'(2) = 3∙22 – 12∙2 + 12 = 12 – 24 + 12 = 0
P"(x) = 6x – 12
P"(2) = 6∙2 – 12 = 12 – 12 = 0
P'''(x) = 6
P'''(2) = 6 ≠ 0
Logo, podemos concluir que a multiplicidade m de a é m = 3.
Exemplo 2.27: determinar a multiplicidade m da raiz a = 5 da

equação polinomial P(x) = x2 – 10x + 25 = 0.
P(5) = 52 – 10∙5 + 25 = 25 – 50 + 25 = 0
P'(x) = 2x – 10 ⇒ P'(5) = 2∙5 – 10 = 10 – 10 = 0
P"(x) = 2 ⇒ P"(5) = 2 ≠ 0
Logo, a multiplicidade m de a é m = 2.
Podemos usar o dispositivo de Briot-Ruffini (estudado na

Seção 2) para investigar a multiplicidade de uma raiz a de uma
equação polinomial. Vejamos um exemplo:
Exemplo 2.28: investigar a multiplicidade m da raiz a = 2 da

equação polinomial P(x) = x4 – 5x3 + 6x2 + 4x – 8 = 0, usando o
dispositivo de Briot-Ruffini.
52
Métodos Numéricos
Para aplicar o dispositivo, vamos promover divisões sucessivas por

x – a, observando o resto da divisão. Quando o resto da divisão
for diferente de zero, o processo de investigação termina.
2 1 –5 6 4 –8
2 1 –3 0 4 0
2 1 –1 –2 0
2 1 1 0
1 3
Observe que encontramos três restos iguais a zero, logo a multi-

plicidade m da raiz a = 2 é m = 3.
3.4 Relações de Girard
Já vimos que a forma fatorada da equação

polinomial
P(x) = anxn + an–1xn–1 + … + a2x2 + a1x + a0 , an

≠0en>1
é:
an(x – a1)∙(x – a2)…(x – an–1)∙(x – an) = 0,
onde os ai, i = 1,2,…,n correspondem às raízes de P(x).
Multiplicando os termos, obtemos:
+ anxn – an(a1 + a1 + … + an)∙xn–1

+ an(a1a2 + a1a3 + … + a1an + a2a1 + an–1an)∙xn – 2
– an(a1a2a3 + … + a1a2an + a1a3a4 +… + an–2an–1an)∙xn – 2
:
:
(–1)n∙an(a1a2a3 … an) = 0
Comparando os coeficientes da expressão acima com:
anxn + an–1xn–1 + … + a2x2 + a1x + a0 = 0
Unidade 2 53
Obtemos as seguintes relações com os coeficientes e as raízes de

uma equação polinomial:
a1 + a1 + … + an = ,
ou seja, a soma das raízes é igual a ;
a1a2 … an = ,
ou seja, o produto das n raízes é igual a .
Essas relações são conhecidas como relações de Girard, entre os

coeficientes e as raízes de uma equação polinomial.
Podemos aplicar as relações de Girard como um método de

resolução para as equações polinomiais do 2o grau. Vejamos:
A equação ax2 + bx + c = 0 pode ser escrita como:
Sejam a1 e a2 as raízes da equação, então, pelas relações de

Girard, escrevemos:
S = a1 + a2 = –
P = a1∙a2 = (–1)2∙ =
Portanto, podemos escrever a equação ax2 + bx + c = 0 como

sendo: x2 + Sx + P = 0.
54
Métodos Numéricos
Exemplo 2.29: encontrar as raízes da equação x2 – x – 6 = 0

usando as relações de Girard.
Usando as relações de Girard, temos:
Portanto, dois números cuja soma é igual a 1 e produto igual a

–6, são –2 e 3.
Exemplo 2.30: seja a equação x2 – 4x – 7 = 0 e a1 e a2 as raízes

dessa equação. Determine: a12 + a22.
Sabemos que:
(a1 + a2)2 = a12 + 2a1a2 + a22 ⇒ a12 + a22 = (a1 + a2)2 – 2a1a2
Como:
Substituindo, teremos:
a12 + a22 = (a1 + a2)2 – 2a1a2 = 42 – 2∙(–7) = 16 + 14 = 30.
3.5 Raízes racionais
Se o número racional a = , com p e q, primos entre si,
é uma raiz da equação polinomial com coeficientes inteiros

anxn + an–1xn–1 + … + a2x2 + a1x + a0 = 0, com an ≠ 0 e a0 ≠ 0, então
p é divisor de a0 e q é divisor de an.
Unidade 2 55
Exemplo 2.31: seja 2x3 – 7x2 + 7x – 2 = 0.
Se essa equação possui raiz racional a = ,
ela será da forma que p é divisor de –2 e q é divisor de 2. Como

os divisores de ±2 são {1,–1,2,–2}, as possíveis raízes são: {1,–1,
,– ,2,–2}.
Realmente, as raízes da equação dada são: {1, ,2}.
Observe que nem todas as raízes a = são raízes da equação.
3.6 Raízes reais e complexas
Em uma equação polinomial do tipo:
anxn + an–1xn–1 + … + a2x2 + a1x + a0 = 0
com ai ∈ ℜ, i = 0,1,2,3,…,n
pode-se observar na tabela 2.2 de uma forma geral que:
Tabela 2.2 – número de raízes em função do grau do polinômio
Grau da Equação Número de raízes

Primeiro grau Uma única raiz.
Segundo grau Duas raízes reais ou duas raízes complexas
conjugadas.
Terceiro grau Três raízes reais ou uma raiz real e duas
complexas conjugadas.
Quarto grau Quatro raízes reais, ou duas raízes reais e duas
complexas conjugadas, ou quatro complexas.
Grau superior a quatro Segue-se o mesmo raciocínio.
56
Métodos Numéricos
Exemplo 2.32: calcular todas as raízes da equação polinomial

x5 – 9x4 + 7x3 + 185x2 – 792x + 1040 = 0, sabendo que uma das
suas raízes é: a1 = 3 + 2i.
Como a raiz indicada da equação é complexa, significa dizer que

a sua conjugada também é raiz da equação, ou seja, a2 = 3 – 2i.
As outras três raízes dessa equação podem ser reais, ou uma raiz
real e duas complexas.
Dividindo:
Observação:
x2 – 6x + 13 = [x – (3 + 2i)]∙[x – (3 – 2i)]
Para encontrar as outras raízes, podemos usar a ideia da raiz

racional para uma equação. Ou seja, se a equação
x3 – 3x2 – 24x + 80 = 0 possui raiz racional a = ,
ela será da forma que p é divisor de 80 e q é divisor de 1.

Como os divisores de 80 são {±1,±2,±4,±5,±8,…}, e os divisores
de 1 são {±1}, as possíveis raízes são: {±1,±2,±4,±5,±8,…}.
Realmente, as raízes da equação x3 – 3x2 – 24x + 80 = 0 são:
{–5,4}, tendo a raiz 4 multiplicidade 2. Logo as raízes da equação
x5 – 9x4 + 7x3 + 185x2 – 792x + 1040 = 0 são: {3 + 2i, 3 – 2i,–5,4}.
Como podemos verificar, as equações polinomiais ou algébricas

de grau inferior ou igual a 4 podem ter suas raízes determinadas
de forma analítica.
Entretanto, de uma forma geral, para polinômios de grau superior

a 4, e para os outros de tipos de equações trancendentais (são
aquelas que não podem ser reduzidas a uma forma de polinômio.
Ex: exponenciais, logarítmicas, trigonométricas etc.), o problema
só pode ser resolvido via métodos numéricos que aproximam a
solução da raiz.
Unidade 2 57
Você sabia?
As calculadoras gráficas HP – (48; 49 e 50) oferecem
uma forma fácil de calcular numericamente todas as
raízes (reais ou complexas) de um polinômio!
Para acessar selecione: Solve poly

HP_48 selecione e em seguida SOLVE (nº 7). Vai aparecer no
visor o seguinte quadro:
Figura 2.10 – Comando Solve poly
HP_48GII_49G+_50G selecione e em seguida Num. Slv. (nº 7).

Aparece o mesmo quadro da figura anterior. Selecione Solve poly.
Vamos resolver algumas equações polinomiais com o objetivo de

aplicarmos o comando Solve poly.
Para encontrar a(s) raiz(es) de uma equação polinomial do

tipo anxn + … + a2x2 + a1x + a0 = 0 digite os coeficientes entre
colchetes dando um espaço entre eles, ou seja, [an … a2 a1 a0].
Entre primeiro com o coeficiente de maior grau. Se o polinômio
não estiver completo, faça o(s) coeficiente(s) dos termos que estão
faltando igual(ais) a “zero”.
Exemplo 2.33: Calcule as raízes da equação: x2 – 5x + 6 = 0.
Resolvendo na HP_48: e em seguida SOLVE (nº 7). Selecione

Solve poly, em seguida , digite 1 5 6 
Solve  CANCEL ou ON. O resultado é {2,3}.
Resolvendo na 48GII_49G+_50G: e em seguida Num. Slv. (nº
7). Selecione Solve poly, em seguida , digite 1 5
6  Solve  CANCEL ou ON. O resultado é: {2,3}.
58
Métodos Numéricos
Exemplo 2.34: Calcule as raízes de: x3 – 1 = 0.
Resolvendo na HP_48: e em seguida SOLVE (nº 7). Selecione

Solve poly, em seguida , digite 1 0 0 1
 Solve  CANCEL ou ON. O resultado é {1; 0; –0,5 + 0,87i; –0,5 –
0,87i]. Para verificar no visor selecione a tecla VIEW.
Resolvendo na 48GII_49G+_50G: e em seguida Num. Slv. (nº
7). Selecione Solve poly, em seguida , digite 1 0 0
1  Solve  CANCEL ou ON. O resultado é {1; 0; –0,5 + 0,87i;
–0,5 – 0,87i]. Para verificar no visor selecione a tecla VIEW.

2.11) Determine a soma dos quadrados das raízes da equação
x3 + 2x2 – x – 2.
2.12) Dada a equação polinomial x3 – 3x + 2 responda:
a) Qual é o grau da equação?

b) Qual é o número de raízes da equação?
c) Encontre todas as raízes e as suas multiplicidades.
2.13) Dada a equação x3 – 9x2 + 6x + 16 e sejam a1 e a2 as raízes

positivas da equação. Determine o valor de .
2.14) Determine as medidas de um retângulo sabendo que

o seu perímetro é 60 cm e que a sua largura é metade do seu
comprimento mais 3 cm.
2.15) Encontre todas as raízes da equação:
x4 + x3 + 2x2 + 4x – 8 = 0
sabendo que uma das suas raízes é a1 = 2i.
Sugestão: use um recurso computacional.
Unidade 2 59
Síntese
Nesta unidade discutimos a importância dos polinômios para
o contexto dos métodos numéricos. Realizamos operações com
polinômios. Determinamos raízes reais ou complexas de equações
polinomiais, analiticamente, e usamos recursos computacionais,
como a calculadora gráfica: HP-50G, para auxiliar na resolução
de problemas. A apropriação dos conceitos de polinômios, bem
como realização das operações e a solução da equações são de
fundamental importância para a continuidade dos estudos.
Saiba mais
BURDEN, Richar L.; FAIRES, J. Douglas. Análise Numérica.
FLEMMING, Diva Marília. [et al]. Tópicos especiais de

matemática. Palhoça: UnisulVirtual, 2004.
HP – 50g Calculadora Gráfica. Manual do usuário. Hewlett-

Packard Company, 2006.

60
3
UNIDADE 3
Equações algébricas
e transcendentais
Entender que na resolução de muitos problemas das ciên-
cias exatas se faz uso de diversos tipos de equações.
Resolver equações algébricas e transcenden-
tais usando métodos numéricos.
Encontrar aproximações para raízes das equa-
ções usando o processo gráfico.
Fazer uso de recursos computacionais, como softwa-
res e calculadoras gráficas, para resolver equações.
Analisar as respostas obtidas para equações quando
se faz uso das ferramentas computacionais.
Seções de estudo
Seção 2 Método da bissecção
Seção 3 Método da falsa posição
Seção 4 Método de Newton-Raphson
Seção 5 Método da secante

O objetivo dessa unidade é aplicar métodos numéricos para
resolver equações polinomiais e, também, as equações transcen-
dentais que, na maioria das vezes, não têm solução exata e que
pelos métodos analíticos teriam um processo de resolução muito
complicado e demorado.
Destacamos que os métodos que serão aplicados na resolução

das equações são iterativos e que partimos de um intervalo inicial
ou uma aproximação inicial para a raiz, e mediante algumas
condições, como a precisão dada para a resolução do problema.
Além disso, devemos estipular critérios de parada, pois, na
prática, vamos calcular finitos termos de modo que atinjam a
precisão e exatidão desejada. Portanto, apropriar-se desses conhe-
cimentos é fundamental para a sua formação uma vez que as
equações são imprescindíveis para a resolução da maioria dos
problemas relacionados às ciências exatas.
Determinar uma raiz real de equações polinomiais ou transcen-
dentais significa determinar um número a, com a ∈ ℜ, de forma
que f (a) = 0. Para encontrar esse valor fazendo uso de métodos
numéricos devemos seguir duas etapas:
Etapa I: Isolamento de raízes – que consiste em encontrar um

intervalo [a, b] que contenha uma raiz a da equação f (x) = 0.
Etapa II: Refinamento ou melhoramento – é a etapa na qual

refinamos ou melhoramos a aproximação encontrada para a
raiz estimada na etapa anterior até que atenda a uma precisão
pré-fixada.
62
Métodos Numéricos
1.1 Etapa I – Isolamento de raízes
Nesta etapa devemos fazer uma análise gráfica da função f (x)

com o objetivo de definir um intervalo inicial [a,b] que contenha
uma raiz para, em seguida, na segunda etapa, refinar essa raiz até
que atenda a tolerância estipulada.
Um importante teorema da álgebra nos auxiliará nessa análise.
Teorema 3.1 – Seja f (x) uma função contínua em um intervalo

[a,b]. Se f (x) assume valores de sinais opostos nos pontos
extremos desse intervalo, ou seja, f (a)∙f (b) < 0, então existe, no
mínimo, uma raiz x = a, a ∈ (a,b) da equação f (x) = 0.
Vamos fazer uma análise gráfica do teorema 3.1:
Figura 3.1 – f (a)∙f (b) < 0
Observando a figura 3.1, podemos perceber que no intervalo

[a,b] existem três raízes da equação f (x) = 0, ou seja: a1; a2; a3.
Neste caso, os zeros reais são representados pelas abscissas dos
pontos onde a curva intercepta o eixo dos x.
A interpretação gráfica desse teorema é muito simples e, sob a

ótica do teorema, se f '(x) existir e preservar o sinal no intervalo
(a,b), então neste intervalo há apenas um zero ou raiz de f (x) = 0.
Unidade 3 63
Interpretação gráfica:
f’(x) > 0, ∀x ∈ [a,b] f’(x) < 0, ∀x ∈ [a,b]

Figura 3.2 – Funções
Exemplo 3.1: fazendo uma análise gráfica, determinar um

intervalo [a,b] que contenha uma raiz da equação:
f (x) = x3 – 2x2 – x + 2 = 0.
Faça o estudo do sinal da derivada, com o objetivo de verificar se

no intervalo escolhido a raiz é única.
Vamos construir o gráfico de f (x), fazendo uso do software

Graph 2.6.
O Graph 2.6 é um sof-
tware usado para desenhar
gráficos de funções
matemáticas, que permite
realizar, além do gráfico,
outros registros de repre-
sentações como: tabela e
forma analítica da função.
O programa é de livre
circulação (freeware) e
pode ser conseguido dire-
tamente na página de seu
criador, o engenheiro ele-
tricista Ivan Johansen, no
endereço <http://www.
padowan.dk/graph>, na
área Download. Acesso em:
02 jan. 2008.
Figura 3.3 – Gráficos de f(x)
64
Métodos Numéricos
Observando o gráfico da figura 3.3, podemos perceber que ele

intercepta o eixo dos x em três pontos. Portanto, concluímos
que essa equação tem três raízes. Os intervalos [a,b] que
contêm as raízes podem ser: a1 ∈ [–1,5;–0,5]; a2 ∈ [0,5;1,5] e
a3 ∈ [1,6;2,5].
Lembramos que é importante a escolha de um intervalo de

menor amplitude possível, para que, na segunda etapa, possamos
evitar um número muito grande de iterações.
Verificaremos o sinal da derivada nos intervalos estipulados para

as possíveis raízes com o objetivo de comprovarmos que a raiz em
cada intervalo escolhido é única.
A derivada de f (x) é: f '(x) = 3x2 – 4x – 1, resumindo o estudo de

sinais da derivada da função nos intervalos escolhidos de acordo
com a tabela 3.1.
Tabela 3.1 Verificação do sinal da derivada de f(x) nos intervalos dados
f’(x) > 0, ∀x ∈ [–1,5;–0,5] f’(x) > 0, ∀x ∈ [0,5;1,5] f’(x) > 0, ∀x ∈ [1,6;2,5]
Observando o sinal da derivada nos intervalos escolhidos,

percebe-se que ele não muda. Portanto, para cada intervalo
escolhido, existe apenas uma raiz da equação.
Unidade 3 65
Exemplo 3.2: construir o gráfico da equação transcendente:
f (x) = – ex = 0
e determinar um intervalo [a,b] que contenha uma raiz dessa

equação.
Gráfico:
Figura 3.4 – Gráfico da equação
Observando o gráfico na figura 3.4, podemos definir que a raiz da

equação está no intervalo [0, 1].
Para construir o gráfico de uma função é necessário um estudo

detalhado do comportamento dessa função. Ou seja, o estudo
de domínio de função, pontos de descontinuidade, intervalos de
crescimento e decrescimento, máximos e mínimos, concavidade,
pontos de inflexão e assíntotas.
Portanto, recomendamos para a construção dos gráficos o uso

de softwares matemáticos que traçam os gráficos de funções
ou o uso de calculadoras gráficas. Entretanto, se você não tem
disponível nenhuma das sugestões anteriores, sugerimos que, para
a construção de gráficos de funções polinomiais de grau superior
66
Métodos Numéricos
a 3 e de funções transcendentais, obtenha equações equivalentes

g(x) = h(x), a partir da equação f (x) = 0. Em seguida esboce
os gráficos das funções g(x) e h(x) no mesmo eixo cartesiano e
localize os pontos x onde as duas curvas se interceptam. Nesse
caso, f (a) = 0 ⇔ g(x) = h(x).
Exemplo 3.3: determinar um intervalo [a, b] para a equação:
f (x) = – ex = 0
que contenha uma raiz dessa equação, usando equações

equivalentes.
A equação – ex = 0 pode ser escrita como: = ex,
sendo que:
g(x) = e h(x) = ex.
Construindo os gráficos g(x) e h(x) no mesmo eixo cartesiano temos:
Figura 3.5 – Gráfico da equação
Observando a figura 3.5, verificamos que a abscissa do ponto de

intersecção das duas curvas g(x) e h(x) está no intervalo [0,1].
Unidade 3 67
1.2 Etapa II – Refinamento ou melhoramento
Nesta etapa faremos o refinamento ou melhoramento do

intervalo encontrado na etapa I, aplicando métodos numéricos.
Estes métodos pertencem à classe dos métodos iterativos que
consiste em uma sequência de instruções executadas passo a
passo, algumas das quais podem ser repetidas em ciclos. Em
cada iteração realizada, usamos o resultado da iteração anterior.
Para que se aponte um resultado final que atenda a tolerância
pré-fixada, é necessário aplicar critérios de parada. Quando
esses critérios forem atingidos, podemos anunciar a resposta
aproximada para o problema.
De uma forma geral, podemos representar as etapas para a execução

de um método iterativo como você observa no quadro 3.1.
Passo a passo Ação a ser realizada

Estimativa inicial Iniciar a execução do método a partir da
aproximação inicial.
Geração de Aplicar os mais diversos métodos iterativos
aproximações para gerar uma sequência xk; k = 0,1,2,3,…,n
de aproximações da raiz.
Critério de parada Estabelecer um critério que indica quando
o processo iterativo deve parar, por
exemplo, o critério |x* – α| ≤ e ou |f(x*)| ≤
e, onde e = tolerância.
Tolerância ou Estimar o erro cometido em associação com
estimativa de exatidão o critério de parada.
Quadro 3.1 - Resumo dos passos para executar um método iterativo
O diagrama representado na figura 3.6 apresenta uma ideia da

sequência dos métodos iterativos.
Nas próximas seções apresentaremos os métodos iterativos

para encontrar raízes ou zeros de equações algébricas e
transcendentais.
68
Métodos Numéricos
Figura 3.6 – Algoritmo para resolução de métodos iterativos
Seção 2 – Método da bissecção

Seja uma função f (x) contínua no intervalo [a,b] e f (a)∙f (b)
< 0 de forma que, neste intervalo, contenha uma única raiz a da
equação f (x) = 0.
O objetivo do método da bissecção ou partição é reduzir a

amplitude do intervalo [a,b] que contém a raiz a até que a
precisão requerida e seja atingida. Para isso, devemos dividir ao
Unidade 3 69
meio o intervalo inicial, em dois subintervalos [a,c] e [c,b] a serem

considerados. Se f (a)∙f (c) < 0, então a ∈ [a,c]; caso contrário,
a ∈ [c,b].
O novo intervalo que contém a é dividido ao meio e obtém-se

uma nova aproximação para a raiz. Este processo se repete até
que se obtenha uma aproximação da raiz exata a que atenda a
tolerância e estabelecida.
Interpretação geométrica
Figura 3.7 – Gráfico da função
As iterações xk , k = 0,1,2,3,…,n serão realizadas da seguinte

maneira:
70
Métodos Numéricos
Critério de parada (CP): se CP = |c – a| < e ⇒ x0 = c é a raiz

aproximada de a que atende a tolerância e. Entretanto, se
CP = |c – a| > e, significa que a aproximação da raiz x0 = c não
atende a tolerância e e, portanto, deve-se fazer uma nova iteração
para gerar uma nova aproximação x1. Segue-se este raciocínio até
que o critério de parada seja atendido. Ou seja:
Exemplo 3.4: a raiz ou zero da equação x2 + ln(x) = 0 está no

intervalo [0,5; 1]. Determinar uma aproximação para essa raiz
que atenda a tolerância e ≤ 10–2.
Nos cálculos, utilizar o método de arredondamento.
Vamos realizar as iterações para gerar a sequência xk, de aproxi-

mações, com k = 0,1,2,3,…,n.
1a Iteração: k = 0
Critério de parada: CP = |0,75 – 0,5| = 0,25 > e
Unidade 3 71
Critério de parada: CP = |0,66 – 0,65| = 0,01 = e = 10–2
Logo, a aproximação da raiz que atende a tolerância é: x4 = 0,65.
72
Métodos Numéricos
Exemplo 3.5: determinar uma aproximação para a raiz real da

equação x5 + 2x3 + 2x + 1 = 0 que atenda a precisão e ≤ 10–2.
Nos cálculos, utilizar o método de truncamento.
Como não foi dado o intervalo [a, b] inicial que contém a raiz,
devemos resolver essa questão partindo da primeira etapa,
ou seja, construir o gráfico, fazer a sua análise e, em seguida,
escolher o intervalo que contenha a raiz real.
Construindo o gráfico com auxílio do software Graph 2.6,

obtemos a figura ao lado.
Analisando o gráfico, podemos definir o intervalo [–1,0] como

o que contém a raiz da equação. Lembramos que, quanto menor
for a amplitude do intervalo, menos cálculos serão realizados.
Figura 3.8 – Gráfico obtido

com o auxílio do software
Graph 2.6
Critério de parada: CP = |–0,5 – 0| = 0,5 > e
Critério de parada: CP = |–0,25 + 0,5| = 0,25 > e
Unidade 3 73
Critério de parada: CP = |–0,41 + 0,42| = 0,01 = e = 10–2
Logo: x6 = –0,42 é a aproximação da raiz que atende a tolerância e.
74
Métodos Numéricos
Tabela 3.2 – Resumos dos cálculos da equação x5 + 2x3 + 2x + 1
k ai bi xk CP
0 –1,00 0,00 –0,50 5,00×10–1
1 –0,50 0,00 –0,25 2,50×10–1
2 –0,25 –0,50 –0,37 1,30×10–1
3 –0,37 –0,50 –0,43 6,00×10–2
4 –0,43 –0,37 –0,40 3,00×10–2
5 –0,43 –0,40 –0,41 2,00×10–2
6 –0,43 –0,41 –0,42 1,00×10–2
Notas: 
k = interação Raiz da equação
CP = critério de parada
Exemplo 3.6: determinar a raiz da equação sen (x) – ln (x) = 0

que atenda uma tolerância e ≤ 10–5. Nos cálculos, usar o método
do arredondamento.
A equação sen (x) – ln (x) = 0 pode ser escrita como:
sen (x) = ln (x),
onde:
h(x) = sen (x) e g(x) = ln (x)
Construindo os gráficos g(x) e h(x) no mesmo eixo cartesiano,

temos:
Unidade 3 75
Figura 3.9 – Gráficos das funções
Observando os gráficos (fig. 3.9), podemos verificar que a abscissa

do ponto de intersecção está no intervalo [2;2,5]. Portanto,
podemos aplicar o método da bissecção a partir desse intervalo.
Critério de parada: CP = |2,25 – 2| = 0,25 > e
76
Métodos Numéricos
Unidade 3 77
78
Métodos Numéricos
Unidade 3 79
Critério de parada:
CP = |2,21912 – 2,21911| = 0,00001 = e = 10–5
Logo, a raiz da equação que atende a precisão do problema é:
x13 = 2,21911.
80
Métodos Numéricos
Tabela 3.3 – Resumos dos cálculos da equação sen (x) – ln (x) = 0
k ai bi xk CP
0 2,00000 2,50000 2,25000 2,50000×10–1
1 2,00000 2,50000 2,12500 1,25000×10–1
2 2,12500 2,50000 2,18750 6,25000×10–2
3 2,18750 2,50000 2,21875 3,12500×10–2
4 2,21875 2,50000 2,23438 1,56300×10–2
5 2,21875 2,23438 2,22657 7,82000×10–3
6 2,21875 2,22657 2,22266 3,91000×10–3
7 2,21875 2,22266 2,22071 1,96000×10–3
8 2,21875 2,22071 2,21973 9,80000×10–4
9 2,21875 2,21973 2,21294 4,90000×10–4
10 2,21875 2,21294 2,21900 2,40000×10–4
11 2,21900 2,21294 2,21912 1,20000×10–4
12 2,21900 2,21912 2,21910 2,00000×10–5
13 2,21910 2,21912 2,21911 1,00000×10–5
Notas: 
Critério de convergência do método da bissecção
O objetivo desse método é que, em algum passo do processo de

refinamento, obtenhamos a raiz exata a, ou uma sequência de
intervalos (a1,b1), (a1,b1), …, (ak,bk), de tal forma que f (ai)∙f (bi) < 0,
i = 1,2,3,…,k, o que gera uma sequência de aproximações {xk} que
converge para a raiz a.
O método da bissecção gera três sequências:
1. {ak} não decrescente e limitada superiormente por b1.

Portanto, existe um I ∈ ℜ tal que: ak = I;
2. {bk} não crescente e limitada inferiormente por a1.

Portanto, existe um S ∈ ℜ tal que: bk = S;
3. {xk} construída a partir de ,

onde ak < xk < bk ∀k.
Unidade 3 81
Pelo método, a cada iteração o intervalo [a,b] é dividido ao

meio, ou seja, a cada intervalo gerado a amplitude é metade
da amplitude do intervalo anterior. Portanto, na iteração k a
amplitude do intervalo é:
bk – ak =
Assim, podemos escrever que:
(bk – ak) = =0
Como as sequências {ak} e {bk} são convergentes:
bk – ak = 0 ⇒ bk = ak. Logo: I = S
Agora, devemos provar que existe um a, onde a = I = S, que é

igual ao limite das duas sequências {ak} e {bk} e ainda é a raiz da
equação f (x) = 0, ou seja:
xk = a
Se a é raiz de f (x), ou seja, f (a) = 0 e em cada iteração temos:
f (ai)∙f (bi) < 0, i = 1,2,3,…,k,
então:
0≥ f (ak)∙f (bk) = f (ak)∙ f (bk) =
f( ak)∙f ( bk) = f ( I ) ∙ f (S) = f (a) ∙ f (a) = [ f (a)]2
Logo:
0 ≥ [ f (a)]2 ≥ 0 ∴ f (a) = 0
Portanto, xk = a e, a é a raiz da função.
82
Métodos Numéricos
Estimativa do número máximo de

iterações para o método da bissecção
É possível fazer uma estimativa, a priori, para o número de

iterações, desde que seja dada uma precisão e. Ou seja, a partir
de um intervalo [a,b] serão efetuadas iterações pelo método da
bissecção até que se atinja |b – a| < e.
Já vimos que bk – ak = , que pode ser expressa da forma:
|xk – xk–1| = , k = 0,1,2,…
Como almejamos uma precisão e para o valor da raiz, temos:
|xk – xk–1| ≤ e ⇒ | |≤e

Assim,
Observando a equação anterior, podemos perceber que o número

máximo de iterações para o método da bissecção para alcançar
uma precisão e desejada pode ser definido a priori e esse número
é um inteiro k.
Exemplo 3.7: determinar o número máximo k de iterações para

a equação do exemplo 3.6, ou seja, sen(x) – ln(x) = 0, com a
precisão e ≤ 10–5 e sabendo que a raiz está no intervalo [2;2,5].
Logo, o número máximo, a priori, de iterações é 14. O que

realmente foi comprovado na resolução do exemplo 3.6.
Unidade 3 83
Algumas considerações sobre o método da bissecção
O método da bissecção gera uma sequência convergente de

aproximações {xk} para a raiz a da equação, desde que a função
seja contínua no intervalo inicial [a,b] e que tenhamos a garantia
de que f (a)∙f (b) < 0 e que a amplitude do intervalo satisfaça a
precisão e estabelecida.
Se o intervalo inicial escolhido que contém a raiz e for de uma

amplitude muito grande e o problema requerer uma precisão
elevada, este método será muito trabalhoso. Portanto, a análise
gráfica feita na etapa I é fundamental para acelerar a conver-
gência e garantir menos cálculos na aplicação desse método.
3.1) Calcule a raiz real da equação transcendente cos(x) + ln(x) = 0,

pelo método da bissecção, com uma precisão e ≤ 10–2. Nos cálculos,
use o método de arredondamento. Sugestão: Use um recurso
computacional para a construção do gráfico.
3.2) Usando o método da bissecção, determine a raiz real da

equação algébrica x3 + 2x2 – x + 1 = 0 que atenda uma tolerância
para o erro e ≤ 10–4. Use o método de arredondamento nos cálculos.
3.3) Determine uma estimativa do número k de iterações para a

equação ex + x = 0 sabendo que a raiz está no intervalo [–1,0] e
que o problema requer uma precisão e ≤ 10–2.
3.4) Determine, pelo método da bissecção, a primeira raiz real

positiva da equação transcendente tg(x) + 2x = 0, sabendo que a
tolerância exigida é e ≤ 10–6. Use o método de arredondamento
nos cálculos.
3.5) A equação algébrica ou polinomial x4 + 2x3 – 3x + 1 = 0 tem

duas raízes reais no intervalo [0,1]. Faça o refinamento da raiz
mais próxima de zero, levando em consideração que a amplitude
do intervalo inicial não deve ultrapassar 5×10–1. A precisão
requerida para o problema é e ≤ 10–2 e, nos cálculos, use o método
de arredondamento.
84
Métodos Numéricos
Seção 3 – Método da falsa posição

Seja f (x) uma função contínua no intervalo [a,b] de forma que
f (a)∙f (b) < 0 e que, no intervalo dado, exista apenas uma raiz a
da equação f (x) = 0. No método da bissecção a raiz aproximada
de a é calculada fazendo a média aritmética de a e b, ou seja,
Nas mesmas condições iniciais do método da bissecção, o

método da falsa posição toma a média aritmética ponderada do
intervalo [a,b] com pesos | f (a)| e | f (b)|, que pode ser expressa
da seguinte forma:
já que f (a) e f (b) têm sinais opostos.
Interpretação gráfica
Unidade 3 85
Graficamente, esta média é o ponto x, que é a intersecção da reta

que une os pontos (a, f (a)) e (b, f (b)) com o eixo dos x. Após a
divisão do intervalo, escolhe-se o novo subintervalo de acordo
com a variação do sinal da curva f.
O método da falsa posição aplicado na figura 3.10 nos mostra

que f (a)∙f (x0) < 0, logo, o novo intervalo que contém a raiz a
é dado por [a,x0]. Seguindo esse mesmo raciocínio, deve-se
continuar o processo para determinar o novo intervalo que
contém a raiz.
Exemplo 3.8: o intervalo [0,5;1] contém a raiz da equação

x2 + ln(x) = 0. Determinar uma aproximação para essa raiz, usando
o método da falsa posição, que atenda a tolerância e ≤ 10–2. Para
critério de parada, vamos usar |f (xk)| ≤ e, k = 0,1,2,3,…,n. Nos
cálculos, utilizar o método de arredondamento.
Vamos determinar a sequência de aproximações xk, com

k = 0,1,2,3,…,n usando:
f (a) = f (0,5) = 0,52 + ln(0,5) = –0,4 < 0

f (b) = f (1) = 12 + ln(1) = 1 > 0
1a iteração: k = 0
CP: |f (x0)| = |–0,01| = 0,01 = e
Logo a raiz da equação é: x0 = 0,65.
86
Métodos Numéricos
Exemplo 3.9: usar o método da falsa posição para determinar a

raiz da equação x3+2x – 1 = 0 que está no intervalo [0, 1] e que
atenda a tolerância e ≤ 10–3. Usar o método de truncamento no
processo de resolução.
f (a) = f (0) = 03 + 2∙0 – 1 = –1 < 0

f (b) = f (1) = 13 + 2∙1 – 1 = 2 > 0
CP: |f (x0)| = |–0,297| > e
Definição do intervalo que contém a raiz: a raiz está no intervalo

[a,x0] ou [x0,b]. Como f (x0) < 0, significa que a raiz está no
intervalo: [x0,b] = [0,333;1]
CP: |f (x1)| = |–0,088| > e

[x1,b] ou [x0,x1]. Como f (x1) < 0, significa que a raiz está no
intervalo: [x1,b] = [0,419;1]
CP: |f (x2)| = |–0,027| > e

intervalo: [x2,b] = [0,443;1].
Unidade 3 87
CP: |f (x3)| = |–0,008| > e

intervalo: [x3,b] = [0,450;1].
CP: |f (x4)| = |–0,003| > e
Observe que o resultado desta iteração é igual ao resultado da

iteração anterior, logo a raiz é x5 = 0,452.
Tabela 3.4 Resumo dos cálculos da equação x3 + 2x – 1 = 0
k ai bi xk CP
0 0,000 1,000 0,333 2,970×10–1
1 0,333 1,000 0,419 6,800×10–2
2 0,419 1,000 0,443 2,700×10–2
3 0,443 1,000 0,450 8,000×10–3
4 0,450 1,000 0,452 3,000×10–3
5 0,452 1,000 0,452 3,000×10–3
Notas: 
88
Métodos Numéricos
Comentários sobre o método da falsa posição
O método da falsa posição, analogamente ao método da

bissecção, gera uma sequência convergente de aproximações
{xk} para a raiz a da equação, desde que a função seja contínua
no intervalo inicial [a,b] e que tenhamos a garantia de que
f (a)∙f (b) < 0 e que a amplitude do intervalo satisfaça a precisão e
estabelecida.
A diferença básica entre os métodos é que o da bissecção usa a

média aritmética do intervalo para determinar uma aproximação
da raiz exata a, enquanto que o da falsa posição usa a média
aritmética ponderada do intervalo.
Se a função f (x) é contínua no intervalo inicial [a,b] e

f (a)∙f (b) < 0 então o método da falsa posição gera uma sequência
{xk} que converge para a raiz a. A demonstração da convergência
segue o mesmo raciocínio da feita para o método da bissecção.

3.6) Calcule a raiz real da equação transcendente log (x) + x = 0,
pelo método da falsa posição com uma precisão e ≤ 10–2. Nos
cálculos, use o método de arredondamento. Sugestão: Use um
recurso computacional para a construção do gráfico.
3.7) Usando o método da falsa posição, determine a raiz real

positiva da equação algébrica x5 – x3 +2x2 + x – 1 = 0 que atenda
uma tolerância para o erro e ≤ 10–4. Use o método de arredonda-
mento nos cálculos.
3.8) Determine, pelo método da falsa posição, a raiz real negativa

da equação transcendente cos (x) – x2 = 0 que atenda uma
tolerância para o erro e ≤ 10–3. Use o método de arredondamento
nos cálculos.
Unidade 3 89
Seção 4 – Método de Newton-Raphson

Seja f (x) uma função contínua no intervalo [a,b] e a a única
raiz da equação f (x) = 0 nesse intervalo. As derivadas, primeira
e segunda de f (x), ou seja, f '(x) e f ''(x), também devem ser
contínuas nesse intervalo e f '(x) ≠ 0.
A aproximação xk para a raiz a é obtida tomando como base uma

série de Taylor para f (x) = 0, da seguinte forma:
f (x) = f (xk) + f '(xk)∙(x – xk)
Se a nova aproximação xk+1 é raiz da equação, temos:
f (xk+1) = 0 ⇒ f (xk) + f '(xk)∙(xk+1 – xk) = 0
Onde: k = 0,1,2,…,n e f '(xk) ≠ 0.
90
Métodos Numéricos
No gráfico ilustrado na figura 3.11, para obtermos uma melhor

aproximação x1 da raiz a, traça-se uma tangente à curva no
ponto (x0,f (x0)) que intercepta o eixo dos x em x1. Do ponto
(x1,f (x1)) traça-se outra tangente a curva que intercepta o eixo x,
gerando x2 e, assim, o processo se repete até que se encontre uma
aproximação xk que atenda a tolerância e requerida.
Exemplo 3.10: determinar uma aproximação para a raiz, usando

o método de Newton-Raphson, da equação x2 + ln (x) = 0, tendo
como aproximação inicial x0 = 0,5 e que atenda a tolerância e ≤ 10–2.
Para critério de parada, vamos usar | f (xk+1)| ≤ e, k = 0,1,2,3,…,n.
Nos cálculos utilizar o método de arredondamento.
Obtenção da equação de iteração:
Como f (x) = x2 + ln (x) = 0, temos que:
f '(x) = 2x +
Portanto:
CP: |f (xk+1)| ≤ e ⇒ CP = |f (x1)| = |f (0,65)| = |–0,01| = e
Como a tolerância e foi atendida na primeira iteração, significa

que a raiz para a equação que atende a precisão é: x1 = 0,65.
Unidade 3 91
Exemplo 3.11: dada a equação x3 + 2x2 + x – 1 = 0, determinar,

pelo método de Newton-Raphson, uma aproximação para a raiz
real que atenda a precisão e ≤ 10–2. Nos cálculos, usar o método de
arredondamento.
Vamos construir o gráfico para determinar a aproximação x0

inicial para a raiz da equação.
Observando a figura 3.12, podemos estimar uma aproximação

inicial x0 = 1.
Obtenção da equação de iteração:
Podemos escrever a equação da seguinte forma:
CP = |f (xk+1)| = |f (x1)| = |0,6504| > e
Figura 3.12 – Gráfico

da função
CP = |f (xk+1)| = |f (x2)| = |0,0725| > e
CP = |f (xk+1)| = |f (x3)| = |0,0015| > e
92
Métodos Numéricos
CP = |f (xk+1)| = |f (x4)| = |0,0001| = e
Logo, a raiz da equação que atende a precisão é: x4 = 0,4656.
Tabela 3.5 – Resumo dos cálculos da equação x3 + 2x2 + x – 1 = 0
k xk f(xk) CP
0 0,6250 0,6504 6,5040×10–1
1 0,4858 0,0725 7,2500×10–2
2 0,4660 0,0015 1,5000×10–3
3 0,4656 0,0001 1,0000×10–4
Notas: 
CP = critério de
parada
Convergência para o método de Newton-Raphson
Para garantirmos a convergência do método de Newton-Rapson

devemos observar os seguintes critérios:
1. a função f (x) é contínua no intervalo [a,b] e as derivadas

f '(x) e f ''(x) devem ser não nulas e preservar o sinal no
intervalo dado;
2. a escolha do valor inicial x0 deve ser tal que:
f (x0)∙f ''(x0) > 0.
Se a* é a raiz aproximada da raiz exata da equação a

então:
xk = a*, com a < a* < b
Unidade 3 93
Se xk+1 = xk – , então podemos escrever:
xk+1 = xk –
a* = a* – ⇒ f (a*) = 0
Desta forma, podemos perceber que a = a* é a raiz da equação.
Comentários sobre o método de Newton-Raphson
O método de Newton-Raphson é um dos métodos mais

eficientes para resolver o problema de encontrar as raízes de uma
equação desde que atenda as condições de convergências, ou seja,
a aproximação inicial x0 seja precisa. O método tem a caracterís-
tica de acelerar a convergência da sequência de aproximações {xk}
para a raiz exata a da equação.
As aplicações dos métodos da bissecção e falsa posição exigem

cálculos menos elaborados, já que estamos realizando médias
aritméticas, enquanto a aplicação do método de Newton-Raphson
requer cálculos mais elaborados, pois envolve derivadas de funções.

3.9) Calcule a raiz real da equação algébrica x5 – 3x2 + 2x – 3 = 0,
pelo método de Newton-Raphson, com uma precisão e ≤ 10–2. Use
a aproximação inicial x0 = 2 para a raiz da equação. Nos cálculos,
use o método de arredondamento.
3.10) Usando o método de Newton-Raphson e após uma análise

gráfica, determine uma aproximação inicial x0 para a primeira
raiz negativa da equação cos (x) + e2x = 0. Em seguida, gere uma
sequência de aproximações {xk}, k = 1,2,3,…,n e determine a raiz
para a equação que atenda a tolerância para o erro e ≤ 10–4. Use o
método de arredondamento nos cálculos.
94
Métodos Numéricos
3.11) Determine, pelo método Newton-Raphson, a raiz real da

equação transcendente ln (x) + ex = 0 que atenda uma tolerância
2
para o erro e ≤ 10–3. Use o método de arredondamento nos

cálculos e a aproximação inicial x0 = 2.
Seção 5 – Método da secante

Quando na aplicação do método de Newton-Raphson o cálculo
da derivada de f (x) for complicado, podemos substituir a
derivada f '(xk) por:
Onde xk e xk–1 são duas aproximações para a raiz a da equação

f (x) = 0.
Portanto a equação de iteração de Newton-Raphson passa a ser:
Ou ainda:
Na aplicação dessa equação é necessário o uso de duas aproxima-

ções xk e xk–1 para a raiz a da equação f (x) = 0. Este método que
é conhecido como método da secante.
Unidade 3 95
Na figura 3.14 percebe-se que traçamos uma reta secante à

curva f (x) passando pelos pontos (x0, f (x0)) e (x1, f (x1)) para
determinar a aproximação x2, que é a abscissa do ponto de
intersecção da reta secante e o eixo dos x. Se essa aproximação
atende a precisão estabelecida e, x2 é à aproximação da raiz.
Caso contrário, traça-se outra reta secante à curva f (x), agora
passando pelos pontos (x1, f (x1)) e (x2, f (x2)) para determinar
a aproximação x3 e assim sucessivamente até atingir a precisão
estabelecida.
Exemplo 3.13: determinar uma aproximação para a raiz real

da equação x3 – x2 + 2x – 5 = 0, que atenda a precisão e ≤ 10–2
tendo como aproximações: x0 = 1,0 e x1 = 1,3. Nos cálculos usar o
método de arredondamento.
Equação de iteração
96
Métodos Numéricos
CP = |f (x2)| = |1,27| ≥ e
CP = |f (x3)| = |–0,20| ≥ e
CP = |f (x4)| = |0,001| < e
Logo, a raiz da equação que atende a precisão é: x4 = 1,64
Tabela 3.6 – Resumo dos cálculos da equação x3 – x2 + 2x – 5 = 0
k xk+1 f(xk+1) CP
1 1,81 1,27 1,27×10–0
2 1,61 –0,20 2,00×10–1
3 1,64 0,001 1,00×10–3
Notas: 
CP = critério de
parada
Unidade 3 97
Exemplo 3.14: fazendo uma análise gráfica, escolher as

duas aproximações xk e xk–1 para a raiz negativa da equação
sen (x) + x2 = 0 que atenda a precisão e ≤ 10–5. Usar o método de
arredondamento nos cálculos.
Construindo o gráfico com o auxílio do software Graph 2.6:
Observando o gráfico na figura 3.15, podemos tomar para as

aproximações iniciais os valores: xk = –0,8 e xk–1 = –1,0.
Figura 3.15 – Gráfico 1a Iteração: k = 1
CP = |f (x2)| = |–0,01223| ≥ e
CP = |f (x3)| = |0,00237| ≥ e
CP = |f (x4)| = |–0,00003| ≥ e
98
Métodos Numéricos
CP = |f (x4)| = |–0,0001| = e
Logo, a raiz da equação que atende a precisão é: x5 = –0,87673.
Tabela 3.7 – Resumo dos cálculos da equação sen (x) + x2 = 0
k xk+1 f(xk+1) CP
1 –0,86559 0,01223 1,22300×10–2
2 –0,87885 0,00237 2,37000×10–3
3 –0,87670 0,00003 3,00000×10–5
4 –0,87673 0,00001 1,00000×10–5
Notas: 
CP = critério de
parada
Comentários sobre o método da secante
O método da secante pode ser considerado uma aproximação

para o método de Newton-Raphson e, nos casos em que é mais
trabalhoso obter a derivada da função, é aconselhável usá-lo.
Os critérios de convergência para o método da secante seguem

as mesmas condições do método de Newton-Raphson, já que
ele é uma aproximação do outro. Observa-se que o método pode
divergir se f (xk) ≈ f (xk–1). Portanto, a escolha das aproximações
iniciais xk e xk–1 é fundamental para garantir a convergência para a
raiz exata a da equação f (x) = 0.
Unidade 3 99
Você sabia?
As calculadoras gráficas HP – (48, 49 e 50) têm a função
solve, que resolve qualquer tipo de equações algébricas
e/ou transcendentais! Veja a seguir.
Para acessar o aplicativo solve na calculadora HP:

HP_48 selecione e em seguida SOLVE (no 7). Vai aparecer no
visor o seguinte quadro:
Figura 3.16 – Função Solve
HP_48GII_49G+_50G selecione e em seguida Num. Slv. (no 7).

Aparece o mesmo quadro da figura anterior.
Resolvendo equações:
Neste tópico, vamos resolver algumas equações para que você
entenda o funcionamento do comando Solve equation.
Exemplo 3.15: resolver a equação 3x = 4.

Resolvendo na HP_48_48GII_49G+_50G: acesse o Solve equation e
em seguida faça: 3 x =4 . SOLVE  CANCEL ou ON.
O resultado é: 1.26185950714.
Exemplo 3.16: resolver a equação 102x + 3 = 325.

Resolvendo na HP_48: acesse o Solve equation e em seguida faça
EQW 10 (2 x 3 = 325 .
SOLVE  CANCEL ou ON. O resultado é: -0.244058319512.
Resolvendo na HP_48GII_49G+_50G: acesse o Solve equation e em
seguida faça EQW 10 (2 x 3
= 325 . SOLVE  CANCEL ou ON.
O resultado é: -0.244058319512.
100
Métodos Numéricos

3.12) Determine uma aproximação para a raiz real negativa da
equação algébrica x7 – 3x2 + 1 = 0 pelo método da secante que
atenda a precisão e ≤ 10–2. Use as aproximações iniciais x0 = –1 e
x1 = –0,7 para a raiz da equação e o método de arredondamento.
3.13) Após uma análise gráfica, estime as aproximações iniciais x0

e x1 para a primeira raiz real negativa da equação sen (x) – e3x = 0
e, em seguida, usando o método da secante, encontre uma
aproximação para a raiz que atenda a tolerância para o erro
e ≤ 10–4. Use o método de arredondamento nos cálculos.
3.14) Determine, pelo método da secante, a raiz real da equação

3x3 – 2x2 + x – 1 = 0 que atenda uma tolerância para o erro
e ≤ 10–3. Use o método de arredondamento nos cálculos e as
aproximações iniciais x0 = 0,2 e x1 = 0,5.
Síntese
Nesta unidade aplicamos métodos numéricos, iterativos, para
resolver equações polinomiais e transcendentais que, na maioria
das vezes, não têm solução exata. Verificamos que, para a
aplicação dos métodos iterativos, é necessária uma aproximação
inicial para a raiz e uma precisão dada para a resolução do
problema. Além disso, estipulamos critérios de parada, pois, na
prática, vamos calcular finitos termos de modo que atinjam a
precisão e exatidão desejada.
Portanto, apropriar-se desses conhecimentos foi fundamental

para a sua formação, uma vez que as equações são imprescindí-
veis para a resolução da maioria dos problemas relacionados às
ciências exatas.
Unidade 3 101
Saiba mais


Derive 6 – Manual do usuário. Texas Instruments, Dallas, Texas,

USA. 2003.
HP-50g Calculadora Gráfica. Manual do usuário. Hewlett-



102
4
UNIDADE 4
Sistemas de equações
lineares algébricas
Aplicar métodos numéricos na resolução de sis-
temas de equações lineares algébricas.
Classificar sistemas lineares quanto ao número de soluções.
Entender quando um sistema linear é mal condicionado.
Usar recursos computacionais como softwares e calcu-
ladoras gráficas na resolução de sistemas lineares.
Calcular determinantes.
Seções de estudo
Seção 2 Métodos diretos
Seção 3 Métodos iterativos

Nesta unidade você estuda os sistemas de equações lineares
algébricas, que podem estar associados a muitos problemas das
ciências exatas e ao estudo de negócios e da economia. Estuda
também métodos diretos e iterativos que aproximam soluções
para um sistema linear, avaliando o resultado com o objetivo de
verificar se atende à precisão estipulada para o problema. Analisa
quando um sistema pode ser mal condicionado e realiza cálculo
de determinantes.
Destaca-se a importância do uso de recursos computacionais

como softwares e calculadoras gráficas para resolver sistemas
lineares. Portanto, conhecer os métodos de resolução de sistemas
lineares é importante para a sua formação, pois os sistemas têm
grandes aplicações em situações problemas das mais diversas
áreas das ciências exatas.
Vários problemas de interesses práticos, nas mais diversas áreas
das ciências exatas, podem ser modelados por um sistema de
equações lineares algébricas, por exemplo: sistema de destilação
de misturas químicas, balanceamento de uma reação química,
cálculo estrutural, circuitos elétricos, tratamento numérico de
equações diferenciais etc.
O objetivo desta unidade é apresentar os métodos numéricos

para a resolução de sistemas de equações lineares algébricas que
podem estar divididos em dois grupos:
métodos diretos – fornecem a solução exata do sistema

linear em uma quantidade finita de operações. Nestes
métodos, os erros que por ventura surjam são prove-
nientes do método de arredondamento;
métodos iterativos – geram uma sequência de aproxima-

ções {x(k)}, k = 0,1,2,…,n a partir de uma aproximação
inicial x(0) que, sob certas condições, pode convergir para
a solução do sistema, caso ela exista.
104
Métodos Numéricos
Na sequência, estaremos apresentando a definição de um sistema

de equações lineares algébricas, classificação, sistemas triangulares
e as transformações elementares que podem ser realizadas com as
equações de um sistema linear algébrico.
Definição 4.1 – Um sistema de equações lineares algébricas é

definido como um conjunto de m equações com n incógnitas, e
pode ser escrito na forma:
onde xn são as incógnitas, aij são os coeficientes e bj são os termos

independentes.
Uma forma compacta de escrever o sistema Sm é:
Sm = aij xj ; j = 1,2,3,…,n
Um sistema de equações lineares também pode ser escrito na

forma matricial AX = b, onde: A é a matriz dos coeficientes; X a
matriz das incógnitas e b é a matriz dos termos independentes,
ou seja:
Definição 4.2 – Definimos a matriz alongada [A,b] do sistema

Sm como sendo a matriz dos coeficientes acrescida dos termos
independentes, ou seja:
Unidade 4 105
Definição 4.3 – A matriz X de ordem nx1 é dita solução do

sistema Sm se ∀xi, i = 1,2,3,…,n, verifique a equação AX = b, ou
seja:
1.1 Classificação dos sistemas quanto ao número de soluções
Um sistema de equações lineares algébricas pode ser classificado

quanto ao número de soluções em:
compatível – quando admite soluções;

incompatível – quando não admite soluções.
Definição 4.4 – Um sistema compatível é dito determinado

quando possui uma única solução e indeterminado quando possui
infinitas soluções.
Exemplo 4.1: o sistema de equações lineares algébricas:
tem apenas uma solução, ou seja, XT = [1 2], portanto ele é dito

sistema compatível determinado (SCD).
106
Métodos Numéricos
Figura 4.1 – Retas das equações do

sistema, no mesmo plano cartesiano
Observando a figura 4.1, podemos perceber que as retas que

representam as equações do sistema se interceptam apenas no
ponto (1,2) e, portanto, o sistema tem apenas uma solução.
Exemplo 4.2: o sistema de equações lineares algébricas:
tem infinitas soluções, vejamos: os pares [0,0]; [1,–1], [–1,1];

[2,–2], … são soluções do sistema. Portanto podemos classificá-lo
como sistema compatível indeterminado (SCI).

Unidade 4 107
Observando a figura 4.2 na página seguinte, podemos perceber

que as retas que representam as equações do sistema são coinci-
dentes e, portanto, qualquer ponto da reta é uma solução para o
sistema, logo, ele tem infinitas soluções.
Exemplo 4.3: o sistema é incompatível.
Portanto, não tem solução. Vamos interpretar esse fato

geometricamente:

Observando a figura 4.3, podemos perceber que as retas que

representam as equações do sistema são paralelas e, portanto,
não existe nenhum ponto em comum, logo, o sistema não tem
solução.
Definição 4.5 – Quando todos os termos independentes bj,

j = 1,2,3,…,m de um sistema de equações lineares algébricas
são iguais a zero, ou seja, bj = 0, dizemos que ele é homogêneo e
possui a solução trivial X = 0. O sistema do exemplo 4.2 é um
sistema homogêneo.
108
Métodos Numéricos
1.2 Sistemas triangulares
Nesta unidade vamos estudar os sistemas de equações lineares

algébricas, em que o número de equações é igual ao número
de incógnitas. Portanto, vamos denotar os sistemas por Snxn ou
simplesmente Sn.
Definição 4.6 – Um sistema de n equações lineares algébricas é

dito triangular superior quando os elementos da matriz dos coefi-
cientes são tais que aij = 0 para j < i, i, j = 1,2,3,…,n.
Definição 4.7 – Um sistema de n equações lineares algébricas é

dito triangular inferior quando os elementos da matriz dos coefi-
cientes são tais que aij = 0 para i < j, i, j = 1,2,3,…,n.
Método de resolução – substituição retroativa para os sistemas

triangulares superiores e progressiva para os sistemas triangu-
lares inferiores. Ou seja, no sistema triangular superior calcula-se
na última equação, em seguida, leva-se esse valor para a
equação imediatamente superior e encontra-se o valor da incógnita
xn–1, e assim sucessivamente. O mesmo raciocínio serve para o
sistema triangular inferior, ou seja, calcula-se na primeira
equação, leva-se esse valor para a equação imediatamente inferior e
encontra-se o valor da incógnita x2, e assim sucessivamente.
Unidade 4 109
Exemplo 4.4: resolver o seguinte sistema de equações lineares

algébrica:
O sistema é triangular superior, portanto, vamos usar o método

de resolução substituição retroativa.
Na última equação calculamos o valor de x4 = 4. Substituindo na

equação imediatamente superior, encontramos:
2x3 – 4 = 2 ⇒ x3 = 3. Substituindo os valores de
x4 = 4 e x3 = 3 na segunda equação, calculamos:
x2 – 3∙3 + 4 = – 3 ⇒ x2 = 2 e, finalmente, na primeira equação
determinamos o valor de: x1 + 2∙2 + 3 – 4 = 4 ⇒ x1 = 1. Portanto,
a solução do sistema é: [1 2 3 4]T. Logo, o sistema é compatível
determinado (SCD).
Exemplo 4.5: determinar a solução do sistema:
Para que o sistema seja triangular superior, devemos completar a

segunda equação com o termo 0x2, ou seja, o sistema fica:
110
Métodos Numéricos
Nas duas últimas equações encontramos os valores de x4 = 4 e

x3 = 3. Substituindo esses valores na terceira equação, temos:
0x2 – 3∙3 + 4 = – 5 ⇒ 0x2 = 0 ⇒ x2 = a, a ∈ ℜ. Para encontrar o
valor da incógnita x1 fazemos: x1 + 2a + 3 – 4 = 4 ⇒ x1 = 5 – 2a.
Logo, a solução do sistema é: [5 – 2a a 3 4]T, onde a ∈ ℜ.
Logo, o sistema é compatível indeterminado (SCI).
Exemplo 4.6: determinar a solução do sistema:
Usando o mesmo raciocínio do exemplo anterior, devemos

escrever esse sistema como:
Como x4 = 4 e x3 = 3, vamos encontrar o valor de x2 na terceira

equação: 0x2 – 3∙3 + 4 = 1 ⇒ 0x2 = 6. Observando esta equação,
verificamos que não existe solução. Logo, podemos concluir que o
sistema é incompatível (SI).
1.3 Transformações elementares
Podemos realizar operações com as equações de um sistema

linear de tal forma que o novo conjunto de equações mantém a
solução do sistema inicial. A esse conjunto de operações damos o
nome de transformações elementares.
Unidade 4 111
Exemplos de transformações elementares

trocar a ordem de duas equações no sistema;
multiplicar ou dividir uma equação do sistema por uma
constante a, com a ≠ 0 e a ∈ ℜ;
somar duas equações do sistema e depois substituir o
resultado por uma delas.
Definição 4.8 – Dizemos que dois sistemas S e S1 são equiva-

lentes se um pode ser obtido do outro por meio de transforma-
ções elementares. Portanto, se S é equivalente a S1, eles têm a
mesma solução ou são incompatíveis.
4.1) Determine a solução dos sistemas de equações lineares

algébricas a seguir. Em seguida, faça a classificação deles quanto
ao número de soluções:
112
Métodos Numéricos
Seção 2 – Métodos diretos

Nesta seção, estudaremos os métodos diretos para a resolução
de sistemas de equações lineares algébricas. Nestes métodos,
realizamos um número fixo de passos, estando sujeitos apenas a
erros de arredondamento.
2.1 Método de Gauss
O método de Gauss consiste em transformar o sistema de

equações lineares algébricas AX = b em um sistema triangular
equivalente, usando operações elementares com as equações do
sistema. Portanto, a solução do sistema triangular também será
solução do sistema AX = b.
Exemplo 4.7: resolver, usando o método de Gauss, o sistema de

equações lineares algébricas a seguir:
Para resolver o sistema pelo método de Gauss, devemos

promover transformações elementares com as equações do
sistema S de forma a gerar um sistema triangular superior S1 que
é equivalente a S.
Escrevendo a matriz inicial A(0), alongada do sistema S, temos:
Em seguida, devemos promover operações com as linhas da

matriz de maneira tal que os elementos abaixo da diagonal
principal fiquem iguais a zero. Desta forma, geramos uma matriz
Unidade 4 113
triangular superior equivalente à matriz A(0) e, em seguida,

escrevemos o sistema triangular superior o qual resolveremos pelo
método das substituições retroativas.
Vejamos as operações
Vamos chamar as linhas da matriz inicial A(0) de: l1(0); l2(0) e l3(0) e
realizar as seguintes operações com as linhas l1(0) e l2(0): multiplicar
a linha l1(0) por –2 (chamado de multiplicador m21); somar o
resultado com a linha l2(0) e em seguida substituir o resultado pela
linha l2(0). Em seguida, multiplicar a linha l1(0) por –3 (multipli-
cador m31), somar o resultado com a linha l3(0) e, depois substituir
pela linha l3(0). A seguir, faremos um resumo das operações
realizadas com as linhas da matriz inicial A(0), que vai gerar a
matriz equivalente A(1):
Para determinar o multiplicador m21 fazemos:
, onde a11 ≠ 0 e é chamado de pivô.
Logo:
Devemos seguir o mesmo raciocínio para determinar o multipli-

cador m31, ou seja,
Resumo das operações
Observe que zeramos todos os elementos da matriz, na primeira

coluna, abaixo do pivô a11 = 1.
114
Métodos Numéricos
Para que a matriz fique triangular superior, devemos zerar o

elemento abaixo do número –3 que passa a ser o novo pivô
(elemento a22 da matriz A(1)). Para tanto, vamos fazer a seguinte
operação: multiplicar a segunda linha da matriz A(1) por –2 (multi-
plicador ) e adicionar com a terceira linha, ou
seja, –2∙l2 + l3 , e substituir o resultado pela linha l3(1), que vai gerar
(1) (1)
a matriz equivalente A(2):
O Excel®, que é parte inte-

grante do Microsoft Office,
Observe que a matriz A(2) é triangular superior e, portanto, é um software que reúne
podemos escrever o sistema: as seguintes aplicações:
planilha eletrônica, gestão
de base de dados, gerador
de gráficos estatísticos,
macros (visual basic)
e administradores de
documentos HTML. Uma
planilha de cálculo é um
aplicativo que proporciona
um espaço de trabalho, na
Resolvendo S1 por substituições retroativas, temos: forma de folha de cálculo,
x3 = 3 ⇒ x2 = 2 ⇒ x1 = 1, logo a solução de S1 é [1 2 3]T. Como que permite automatizar o
S1 é equivalente a S, podemos dizer que a solução de S é igual à cômputo de valores numé-
solução de S1. ricos, rótulos, fórmulas
matemáticas, estatísticas,
Podemos simplificar essas operações por meio de uma tabela feita financeiras, cálculos de
engenharia e outros.
com o auxílio do software Excel®.
Tabela 4.1 – Resolvendo um sistema de equações lineares: método de Gauss
Linha Mult. Coeficientes TI TE

1 — 1 1 1 6 —
2 –2 2 –1 3 9 —
3 –3 3 –3 1 0 —
4 — 0 –3 1 –3 –2·l(1) + l(2)
5 –2 0 –6 –2 –18 –3·l(1) + l(3)
6 — 0 0 –4 –12 –2·l(4) + l(5)
Notas:
TI = Termos Independentes
TE = Transformações Elementares
Unidade 4 115
Observando a planilha, na tabela 4.1, podemos perceber que as

linhas 1, 4 e 6 são as linhas que vão formar o sistema triangular
superior igual a:
que já resolvemos anteriormente.
A planilha eletrônica, elaborada com o auxílio das

operações matemáticas disponíveis no Excel®, permite
a automatização dos cálculos para qualquer sistema de
equações lineares algébricas, com três equações. Para
tanto, é necessário apenas a atualização dos coeficientes
e termos independentes. Deixamos como sugestão que
você elabore a planilha no software.
Exemplo 4.8: resolver o sistema de equações lineares a seguir,

usando o método de Gauss e, durante todas as etapas de
resolução, inclusive as substituições retroativas, usar duas casas
decimais e a técnica de arredondamento.
Na resolução desse sistema, usaremos a tabela 4.2 que pode

ser feita com o auxílio do software Excel® do exemplo anterior,
tendo o cuidado de formatar as células de cálculo para duas casas
decimais, para em seguida determinar a solução do sistema.
116
Métodos Numéricos

1 — 2,00 1,00 –3,00 –3,11 —
2 –0,50 1,00 –2,00 1,00 8,07 —
3 –0,50 –1,00 1,00 –2,00 –6,18 —
4 — 0,00 –2,50 2,50 9,63 –0,5·l(1) + l(2)
5 0,60 0,00 1,50 –3,50 –7,74 0,5·l(1) + l(3)
6 — 0,00 0,00 –2,00 –1,96 1·l(4) + l(5)
Notas:
TI = Termos Independentes;
As linhas que formam o sistema triangular superior são: 1, 4 e 6.
Portanto, o sistema será:
Resolvendo o sistema pelo método de substituições retroativas

teremos a seguinte solução: X = [1,35 ; –2,87 ; 0,98]T. Como S
e S1 são sistemas equivalentes, podemos anunciar a solução do
sistema como sendo: X = [1,35 ; –2,87 ; 0,98]T.
Exemplo 4.9: resolver o sistema de equações lineares a seguir e, em

seguida, avaliar a precisão e ≤ 10–2, determinando o resíduo gerado
pelo erro de arredondamento adotado em todos os cálculos.
Unidade 4 117
A tabela 4.3 a seguir gera o sistema triangular superior S1, que é

equivalente a S, levando-se em consideração duas casas decimais
em todos os cálculos, ou seja, os erros de arredondamento
produzidos em cada etapa se propagaram para as etapas seguintes:

1 — 2,83 3,21 –0,87 2,01 14,68 —
2 1,13 –3,21 4,57 –5,87 3,21 1,16 —
3 –1,00 2,83 –3,45 4,87 –3,88 –4,98 —
4 –0,35 0,98 3,41 4,33 –5,87 –2,69 —
5 — 0,00 8,20 –6,85 5,48 17,75 1,13·l(1) + l(2)
6 0,81 0,00 –6,66 5,74 –5,89 –19,66 –1,00·l(1) + l(3)
7 –0,28 0,00 2,29 4,63 –6,57 –7,83 –0,35·l(1) + l(4)
8 — 0,00 0,00 0,19 –1,45 –5,28 0,81·l(5) + l(6)
9 –34,47 0,00 0,00 6,55 –8,10 –12,80 –0,28·l(5) + l(7)
10 — 0,00 0,00 0,00 41,88 169,20 –34,47·l(8) + l(9)
Notas:
Logo:
Resolvendo o sistema triangular acima, teremos:
118
Métodos Numéricos
Logo, a solução aproximada do sistema S é:
X = [0,98 ; 2,00 ; 3,04 ; 4,04]T.
Para calcular o resíduo gerado pelo erro de arredondamento

provocado em todos os cálculos em função da precisão e ≤ 10–2,
podemos usar a seguinte estratégia.
Acompanhe.
Vamos chamar o resíduo de r, que é dado por: r = b – AX, ou seja:
Você sabia?
As calculadoras gráficas HP – (48, 49 e 50) têm a função
solve, que resolve qualquer sistema de equações
lineares algébricas! Vejamos:
Para acessar o Solve lin sys…:

HP_48 selecione e em seguida SOLVE (no 7). Vai aparecer no
visor o seguinte quadro (figura 4.4):
Figura 4.4 – Tela da calculadora HP – 50
HP_48GII_49G+_50G: selecione e em seguida Num. Slv. (nº 7).

Aparece o mesmo quadro da figura anterior. Selecione Solve lin sys…
Unidade 4 119
Exemplo 4.10: vamos resolver o sistema proposto no exemplo 4.7:
Resolvendo na HP_48_48GII_49G+_50G: selecione SOLVE,

o
ou selecione e em seguida Num. Slv. (n 7) e em seguida Solve
lin sys… (no 7) HP_48 ou HP_48GII_49G+_50G. Observe que vai
aparecer uma tarja preta na linha A: digite EDIT (F1) e em seguida
digite os elementos da matriz dos coeficientes. 1 1 1
2 –1 3 3 –3 1 EDIT (F1) e
em seguida digite a matriz dos termos independentes. 6 9
0 SOLVE, depois CANCEL ou ON. Aparece a solução do
sistema: [1 2 3]T.
2.1.1 Melhoramento de soluções

No exemplo 4.9 você pôde observar que o resultado apontado
para a solução de sistema de equações lineares está afetado de
erros de arredondamentos provocados pelos cálculos realizados
no decorrer das transformações elementares e nas substituições
retroativas, gerando, portanto, uma solução aproximada X e um
resíduo r para o sistema.
É comum, na resolução de sistemas que envolvem problemas

práticos, trabalharmos com coeficientes que não sejam números
inteiros e, portanto, no processo de resolução, aplicando o
método de Gauss, surgirem erros de arredondamentos. Uma
forma de minimizar a propagação dos erros de arredondamentos
é determinar uma parcela de correção ∂(0) que será adicionada à
solução aproximada inicial X(0), gerando uma solução melhorada
X(1), ou seja: X(1) = X(0) + ∂(0).
Obtenção da solução melhorada

Se X(0) é uma solução aproximada do sistema AX = b e ∂(0) a
parcela de correção e, ainda, se X(1) é uma solução melhorada,
então X(1) = X(0) + ∂(0).
Logo: A X(1) = b ⇒ A(X(0) + ∂(0)) = b ⇒ AX(0) + A∂(0) = b,

como pretendemos encontrar a parcela de correção ∂(0), então
A∂(0) = b – AX(0).
120
Métodos Numéricos
Observe que o segundo membro da equação acima é exatamente

o cálculo do resíduo inicial r(0), ou seja, r(0) = b – AX(0), portanto, a
parcela de correção ∂(0) será calculada resolvendo o sistema:
A∂(0) = r(0),
sendo que:
A = matriz dos coeficientes;

∂(0) = parcela de correção inicial;
r(0) = resíduo produzido pela solução aproximada X(0).
Esse processo pode ser repetido até que a precisão do problema

seja atingida, ou seja:
para determinar a primeira solução melhorada:

X(1) = X(0) + ∂(0), resolve-se o sistema: A∂(0) = r(0);
para determinar a segunda solução melhorada:
X(2) = X(1) + ∂(1), resolve-se o sistema: A∂(1) = r(1); e assim
sucessivamente.
Exemplo 4.11: determinar a solução melhorada para o sistema

de equações do exemplo 4.9.
No exemplo 4.9, encontramos:
a solução aproximada X = [0,98 ; 2,00 ; 2,04 ; 4,04]T;

o resíduo inicial r(0) = [0,01 ; 0,04 ; 0,02 ; 0,08]T.
Portanto, para determinar a solução melhorada X(1) devemos

resolver o sistema: A∂(0) = r(0), ou seja:
Unidade 4 121
Resolvendo o sistema acima com o auxílio da tabela 4.4, teremos:
Tabela 4.4 – Determinando uma parcela de correção: método de Gauss

1 — 2,83 3,21 –0,87 2,01 0,01 —
2 1,13 –3,21 4,57 –5,87 3,21 0,04 —
3 –1,00 2,83 –3,45 4,87 –3,88 0,02 —
4 –0,35 0,98 3,41 4,33 –5,87 0,08 —
5 — 0,00 8,20 –6,85 5,48 0,05 1,13·l(1) + l(2)
6 0,81 0,00 –6,66 5,74 –5,89 0,01 –1,00·l(1) + l(3)
7 –0,28 0,00 2,29 4,63 –6,57 0,08 –0,35·l(1) + l(4)
8 — 0,00 0,00 0,19 –1,45 0,05 0,81·l(5) + l(6)
9 –34,47 0,00 0,00 6,55 –8,10 0,07 –0,28·l(5) + l(7)
10 — 0,00 0,00 0,00 41,88 –1,65 –34,47·l(8) + l(9)
Notas:
Que gera o sistema triangular:
Resolvendo o sistema acima pelo método de substituições

retroativas, temos:
Logo, a parcela de correção ∂(0) = [0,02 ; 0,00 ; –0,04 ; –0,04]T.
122
Métodos Numéricos
Determinando a solução melhorada X(1):
X(1) = X(0) + ∂(0)

X(1) = [0,98 ; 2,00 ; 2,04 ; 4,04] + [0,02 ; 0,00 ; –0,04 ; –0,04]
X(1) = [1,00 ; 2,00 ; 3,00 ; 4,00]
Cálculo do resíduo r(1) = b – AX(1)
Como o resíduo r(1) = [0 0 0 0]T, podemos concluir que a

aproximação X(1) é a solução exata do sistema, já que gerou
resíduo nulo.

4.2) Resolva, pelo método de Gauss, os sistemas de equações
lineares algébricas a seguir, usando o método de arredondamento
em todos os cálculos. Aponte uma solução que atenda a precisão
e ≤ 10–2:
Unidade 4 123
4.3) Determine o resíduo provocado pelo erro de arredonda-

mento no item c da questão anterior.
4.4) Resolva o sistema de equações lineares algébricas a seguir,

pelo método de Gauss, usando a técnica do arredondamento e
uma precisão e ≤ 10–4. Avalie o resíduo gerado pelo erro de arre-
dondamento e, caso necessário, faça o refinamento da solução,
apontando uma solução melhorada.
2.2 Método de Jordan
No método de Jordan, devemos realizar operações elementares

para transformar o sistema original em um sistema diagonal
equivalente. Devemos ter o cuidado de escolher para pivô sempre
um elemento da diagonal principal. Vejamos um exemplo:
Exemplo 4.12: resolver pelo método de Jordan o sistema de

equações lineares algébricas abaixo.
124
Métodos Numéricos
Vamos escrever a matriz alongada do sistema e em seguida

promover as transformações elementares de forma a gerar um
sistema diagonal equivalente:
Logo:
portanto, a solução do sistema é: [1, 2, –1]T.
2.3 Cálculo de determinantes
Na Seção 1 desta unidade, você estudou que quando determi-

namos um sistema triangular S1 a partir do sistema completo S,
por meio de transformações elementares, os sistemas S1 e S são
equivalentes e têm a mesma solução.
Unidade 4 125
Este mesmo raciocínio serve para matrizes, ou seja, se você

obtiver uma matriz A1, a partir de transformações elementares da
matriz A, então elas são equivalentes e det A = det A1.
Nas matrizes triangulares e/ou diagonais, o determinante é

calculado como sendo o produto dos elementos da diagonal
principal. Portanto, podemos usar o método de Gauss ou o de
Jordan para determinar o determinante de uma matriz de ordem n.
Exemplo 4.13: dada a matriz abaixo, calcular o seu determinante

usando o método de Gauss.
Vamos calcular o det A com o auxílio da tabela 4.5 a seguir.
Tabela 4.5 – Determinando uma matriz equivalente: método de Gauss
Transformações
Linha Mult. Coeficientes
elementares
1 — 1,0 2,0 3,0 —
2 –2,0 2,0 –1,0 4,0 —
3 1,0 –1,0 2,0 5,0 —
4 — 0,0 –5,0 –2,0 –2·l(1) + l(2)
5 0,8 0,0 4,0 8,0 1·l(1) + l(3)
6 — 0,0 0,0 6,4 0,8·l(4) + l(5)
Portanto, a matriz equivalente A1 é:
logo, o determinante será: det A1 = 1∙(–5)∙6,4 = –32.
Como a matriz A1 é equivalente à matriz A, det A = det A1 = –32.
126
Métodos Numéricos
Exemplo 4.14: calcular o determinante da matriz abaixo, pelo

método de Jordan.
Usando o método de Jordan, temos:
portanto, o det A = 1∙1∙9 = 9.
Você sabia?
Que as calculadoras gráficas HP – (48, 49 e 50) têm a
função det que calcula o determinante de uma matriz
de ordem n! Vejamos:
Para acessar a função det, faça:

HP_48: selecione e em seguida:
MTH  MATR  NORM  NXT  DET.
HP_48GII_49G+_50G: selecione e em seguida:
MTH  MATR  NORM  DET.
Exemplo 4.15: calcular o determinante
Resolvendo na HP_48_48GII_49G+_50G: em primeiro lugar

devemos digitar a matriz fazendo MTRW 2 1
4 2 e em seguida MTH  MATR  NORM 
DET. O resultado é –8.
Unidade 4 127
Algumas considerações sobre os métodos diretos
Nos métodos diretos realizamos uma quantidade finita de

operações e, teoricamente, podemos determinar a solução para
qualquer sistema de equações lineares algébricas.
Nos métodos diretos estudados, durante o processo de

eliminação poderão surgir elementos nulos em posições de pivô.
Quando isso ocorrer, devemos realizar uma operação elementar
que é a troca dessa linha por outra, pois não podemos ter pivô nulo,
já que ele será o denominador, na determinação do multiplicador.
Durante o processo de resolução, erros de arredondamento

podem surgir e, em função disso, a solução pode não atender
as exigências de precisão do problema. Nesse caso, a estratégia
de melhoramento de soluções deve ser aplicada, com o objetivo
de minimizar o erro. Aconselhamos que, no cálculo da solução
melhorada, você use toda a precisão da ferramenta que estiver
utilizando para auxiliar nos cálculos, com o objetivo de reduzir a
quantidade de operações, já que temos a garantia, teoricamente,
de que esses métodos resolvem qualquer sistema de equações
lineares algébricas.

4.5) Usando o método de Jordan, determine a solução dos
sistemas de equações lineares a seguir:
128
Métodos Numéricos
4.6) Usando o método de Gauss calcule o determinante das

matrizes a seguir:
Seção 3 – Métodos iterativos

Os métodos iterativos para resolução de sistemas de equações
lineares algébricas consistem em calcular uma sequência de apro-
ximações {x(k)}, k = 0,1,2,…,n para a solução aproximada X do
sistema, a partir de uma aproximação inicial x(0).
O processo iterativo é repetido até que a solução aproximada x(k)

atenda a precisão e estabelecida para o problema.
Então, seja o sistema linear AX = b, no qual:
A = matriz dos coeficientes de ordem n × n

X = vetor das variáveis de ordem n × 1
b = vetor dos termos independentes de ordem n × 1
Nos métodos iterativos, esse sistema é convertido em um

equivalente da forma x = Sx + c, onde S é uma matriz n × n; c e x
são matrizes n × 1.
Destacamos que f(x) = Sx + c é uma função de iteração na forma

matricial.
Unidade 4 129
Partindo-se de uma aproximação inicial x(0) = [x1(0) x2(0) x3(0) … xn(0)]T

obtém-se:
Primeira aproximação: x(1) = Sx(0) + c

Segunda aproximação: x(2) = Sx(1) + c
De uma forma geral: x(k+1) = Sx(k) + c ; k = 0,1,2,…,n
Se a sequência de aproximações x(0), x(1), x(2),…, x(k),… é de tal

forma que x(k) = b, então b = Sb + c, logo b é a solução do
sistema linear AX = b.
3.1 Método iterativo de Gauss-Jacobi
Seja o sistema linear:
de forma tal que todos os aij ≠ 0, i = 0,1,2,…,n (se isso não

ocorrer, reagrupe as equações do sistema para que se consiga essa
condição). Vamos isolar x1 na primeira equação, x2 na segunda
equação e assim sucessivamente, ou seja:
130
Métodos Numéricos
Esse sistema pode ser escrito na forma x = Sx + c, onde:
Para a aplicação do método de Gauss-Jacobi, devemos seguir as

seguintes etapas:
1a etapa: atribui-se uma aproximação inicial:
x(0) = [x1(0) x2(0) x3(0) … xn(0)]T;
2a etapa: gera-se uma sequência de aproximações x(k) usando a

equação de iteração:
x(k+1) = Sx(k) + c ; k = 0,1,2,…,n
3a etapa: verifica-se, em cada aproximação gerada, se a precisão e

estabelecida foi atendida, usando-se um dos seguintes critérios de
parada:
a) máx |xi(k+1) – xi(k)| ≤ e = precisão, i = 0,1,2,…,n;
b) k > M, M = número máximo de iterações.
Exemplo 4.16: resolver o sistema de equações lineares a seguir,

pelo método de Gauss-Jacobi, tendo como aproximação inicial
com x(0) = [0,0,0]T (essa aproximação inicial é arbitrária) e
uma precisão e ≤ 10–2. No desenvolvimento dos cálculos, usar
o método de arredondamento. Para critério de parada, usar
máx |xi(k+1) – xi(k)| ≤ e = precisão, i = 2.
Unidade 4 131
A primeira etapa do método de Gauss-Jacobi já foi estipulada no

enunciado do problema, ou seja: x(0) = [0,0,0]T.
A segunda etapa é gerar uma sequência de aproximações x(k)

verificando a cada iteração se atende ao critério de parada
estipulado (3a etapa).
Sistema equivalente:
Logo: x(1) = [0,80 0,25 3]T
Critério de parada: fazendo i = 2
máx |xi(k+1) – xi(k)| = máx |x2(1) – x2(0)| = |0,25 – 0| = 0,25 > e = 0,01
132
Métodos Numéricos
Logo: x(2) = [1,35 1,95 2,55]T
máx |xi(k+1) – xi(k)| = máx |x2(2) – x2(1)| = |1,95 – 0,25| = 0,70 > e
Logo: x(3) = [0,92 1,86 2,75]T
máx |xi(k+1) – xi(k)| = máx |x2(3) – x2(2)| = |1,86 – 1,95| = 0,09 > e
Logo: x(4) = [0,98 1,86 3,01]T
Unidade 4 133
máx |xi(k+1) – xi(k)| = máx |x2(4) – x2(3)| = |1,86 – 1,86| = 0 < e
Portanto, a solução do sistema que atende a tolerância é:
x(4) = [0,98 1,86 3,01]T
Convergência do método de Gauss-Jacobi

O teorema a seguir estabelece uma condição para a convergência
do método iterativo de Gauss-Jacobi.
Teorema 4.1: critério das linhas
Seja o sistema de equações lineares algébricas AX = b e seja:
Se b = max bk < 1, então o método iterativo de Gauss-Jacobi gera

uma sequência convergente {x(k)} para a solução do sistema linear
(0)
AX = b, independentemente da escolha da aproximação inicial x .
Exemplo 4.17: fazendo uma análise da matriz dos coeficientes

do sistema do exemplo 4.16, teremos:
134
Métodos Numéricos
Agora devemos verificar se b = max bk < 1, então, como

max bk = 0,75 < 1, pelo teorema 4.1, temos a garantia de conver-
gência para o método de Gauss-Jacobi.
Observações:
a condição do Teorema 4.1 é apenas suficiente. Isso quer dizer
que pode acontecer a não verificação do Teorema 4.1 e o método
de Gauss-Jacobi convergir para a solução do sistema;
pode ocorrer que os elementos da matriz dos coeficientes das

equações do sistema não atendam as condições do Teorema 4.1.
Mas, fazendo-se uma permutação das linhas (que gera um
sistema equivalente), essa nova disposição de equações passa
a atender o teorema 4.1, e o método de Gauss-Jacobi passa a
convergir para a solução (ver exemplo 4.18);
portanto, antes de iniciar a aplicação do método de Gauss-

Jacobi é importante fazer a verificação do Teorema 4.1. Se
não atender o critério das linhas, você pode promover uma
permutação entre as equações do sistema de forma que as
condições do Teorema 4.1 sejam atendidas. É importante
salientar que nem sempre é possível obter permutações que
atendam ao Teorema 4.1, o que justifica a primeira observação.
Exemplo 4.18: a matriz do sistema de equações lineares

algébricas:
não satisfaz o critério das linhas, pois
Unidade 4 135
Entretanto, ao permutarmos a primeira linha com a segunda

geramos o sistema equivalente:
que atende o critério das linhas, ou seja:
e, o max bk = 0,25 < 1, o que nos garante a convergência do

método.

4.7) Resolva pelo método de Gauss-Jacobi os sistemas de
equações lineares a seguir:
136
Métodos Numéricos
3.2 Método iterativo de Gauss-Seidel
O método iterativo de Gauss-Seidel segue a mesma linha de

raciocínio do método de Gauss-Jacobi, ou seja, o sistema linear
AX = b é escrito na forma equivalente x = Sx + c.
O método iterativo de Gauss-Seidel consiste em: partindo de

uma aproximação inicial x(0) = [x1(0) x2(0) x3(0) … xn(0)]T, gerar uma
sequência de aproximações x(0), x(1),…, x(k),… usando as equações:
Observe que nas equações acima os valores x1(k+1), x2(k+1),…, xj(k+1)

são usados nos cálculos dos valores restantes x(k) (k)
j+1,…, xn .
A cada iteração, devemos verificar se a precisão e estabelecida foi

atendida, usando-se um dos seguintes critérios de parada:
a) máx |xi(k+1) – xi(k)| ≤ e = precisão, i = 0,1,2,…,n;
b) k > M, M = número máximo de iterações.
Unidade 4 137
Exemplo 4.19: resolver o sistema linear a seguir, pelo método de

Gauss-Seidel, usando uma precisão e ≤ 10–2, o método de arre-
dondamento, a aproximação inicial x(0) = [0,0,0]T e o critério de
parada máx |xi(k+1) – xi(k)| ≤ e, i = 2.
As equações de iterações são:
Logo: x(1) = [0,33 –1,33 0,93]T

máx |xi(k+1) – xi(k)| = máx |x2(1) – x2(0)| = |–1,3 – 0| = 1,3 > e = 0,01
138
Métodos Numéricos
Logo: x(2) = [1,09 –1,06 1,03]T

máx |xi(k+1) – xi(k)| = máx |x2(2) – x2(1)| = |–1,06 – 1,33| = 0,27 > e
Logo: x(3) = [1,03 –0,99 1,00]T

(k+1) (k) (3) (2)
máx |xi – xi | = máx |x2 – x2 | = |–0,99 – 1,06| = 0,07 > e
Logo: x(4) = [1,00 –1,00 1,00]T
Unidade 4 139

máx |xi(k+1) – xi(k)| = máx |x2(4) – x2(3)| = |–1,00 + 1,00| = 0,00 = e
Portanto, a solução do sistema que atende a precisão estipulada é:
x(4) = [1,00 –1,00 1,00]T
Algumas considerações sobre os métodos iterativos
Nos métodos iterativos, a convergência para a solução do

sistema de equações lineares algébricas não está assegurada, a
menos sob determinadas condições.
Os erros de arredondamento acontecem menos nos métodos

iterativos, pois, uma vez tendo a convergência assegurada,
independe a aproximação inicial. Portanto, apenas os erros
cometidos na última iteração podem afetar a solução, já que os
erros cometidos nas iterações anteriores não levarão a divergência
no processo de resolução.

4.8) Resolva pelo método de Gauss-Seidel os sistemas de
equações lineares a seguir:
140
Métodos Numéricos
3.3 Noções de mal condicionamento
Na Seção 2, usamos o resíduo r, dado por r = b – AX, para avaliar

a precisão da solução aproximada X do sistema AX = b. Se as
componentes de r são valores pequenos, podemos considerar X
uma boa aproximação para a solução do sistema.
Vejamos um exemplo:
Exemplo 4.20: para o sistema:
a solução exata é [1 –1]T. Entretanto, para a solução aproximada

X = [0,341 –0,087]T, o resíduo é r = [0,000001]T. Examinando
r poderíamos considerar X como sendo uma ótima aproximação
para X, o que de fato não ocorre.
Unidade 4 141
Equações como as do sistema do exemplo 4.20 são mal

condicionadas.
Uma maneira de detectar o mau condicionamento das equações

de um sistema linear algébrico é calculando o determinante
normalizado da matriz dos coeficientes do sistema.
Definição 4.9: o determinante normalizado det (Norm A) de

uma matriz A é calculado da seguinte maneira:
sendo que:
Quando o det (Norm A) for sensivelmente menor do que

a unidade, ou seja, det (Norm A) <<< 1, o sistema é mal
condicionado.
Exemplo 4.21: calcular o determinante normalizado da matriz A

dos coeficientes do sistema do exemplo 4.20.
então:
Como det (Norm A) = 6,75×10–7 < 1, o sistema do exemplo 4.20

é mal condicionado.
142
Métodos Numéricos
Síntese
Nesta unidade estudamos os métodos diretos e iterativos para a
resolução de sistemas de equações lineares algébricas. Analisamos
quando um sistema pode ser mal condicionado e realizamos o
cálculo de determinantes. Destacamos, ainda, a importância do
uso de recursos computacionais como softwares e calculadoras
gráficas para resolver sistemas lineares.
Você viu como conhecer os métodos de resolução de sistemas

lineares é importante para a sua formação, pois os sistemas têm
grandes aplicações em situações problemas das mais diversas
áreas das ciências exatas.
Saiba mais





Unidade 4 143
5
UNIDADE 5
Interpolação
Compreender o conceito de interpolação.
Gerar funções polinomiais de aproximação usando a interpola-
ção polinomial linear, quadrática e de grau n, a partir de dados
tabelados, provenientes de experimentos físicos, químicos etc.
Determinar estimativas de valores não tabelados por meio de
funções polinomiais de interpolação dos dados tabelados.
Calcular o erro de truncamento proveniente da aproximação
gerada pelo polinômio interpolador no cálculo de valores não
tabelados, quando se conhece a função geradora dos dados.
Usar recursos computacionais como softwares matemá-
ticos e/ou calculadoras gráficas para auxiliar na deter-
minação de polinômios de interpolação de dados.
Seções de estudo
Seção 2 Interpolação linear
Seção 3 Interpolação quadrática
Seção 4 Interpolação de Lagrange
Seção 5 Interpolação de Newton
Seção 6 Interpolação com diferenças finitas

Nesta unidade vamos discutir o conceito de aproximação de
funções, no contexto da matemática numérica, com o objetivo
de gerar funções de ajustes de dados tabelados. Faremos uso da
classe de funções polinomiais algébricas, pois elas aproximam
de maneira uniforme as funções contínuas. Ou seja, dada
qualquer função, definida e contínua em um intervalo limitado e
fechado, existe um polinômio que é tão próximo da função dada
quanto desejado.
Com a determinação da função polinomial de aproximação,

faremos estimativas para dados que não estejam tabelados,
mas que pertençam ao intervalo dos dados. Usaremos o erro
de truncamento para medir o erro cometido pela função de
aproximação no cálculo das estimativas. Todo esse processo
é chamado de interpolação, que é o tema de estudo desta
unidade. Para auxiliar no processo de determinação da função
de aproximação e das estimativas, faremos uso de recursos
computacionais como softwares matemáticos e as funções da
calculadora gráfica.
Vamos considerar os dados tabelados a seguir:
Tabela 5.1 – População residente, urbana e rural, do Brasil – 1940/1996

(milhões de habitantes)
Ano Urbana Rural Total

1940 13 28 41
1950 19 33 52
1960 31 39 70
1970 52 41 93
1980 80 39 119
1991 111 36 147
1996 123 34 157
Fonte: Anuário estatístico do Brasil (1998).
146
Métodos Numéricos
Observando os dados tabelados, podemos perguntar:
Será que é possível determinar a população do Brasil no

ano de 1985? E no ano de 2010?
Previsões desse tipo podem ser feitas por meio de uma função
de ajuste dos dados tabelados, que é chamada de função de
aproximação. Para responder a primeira pergunta, usaremos um
processo chamado de interpolação (que é o tema de estudo
desta unidade), já que o dado solicitado está dentro do intervalo
de dados que compõe a tabela, ou seja, 1985 ∈ (1940, 1996).
Para responder a segunda pergunta, devemos usar um processo
chamado extrapolação (que será estudado na próxima unidade):
observe que o ano de 2010 ∉ (1940,1996).
As funções de aproximação que substituem as funções tabeladas

ou dadas na questão podem ser de vários tipos: exponencial,
logarítmica, trigonométrica e polinomial.
Usaremos as funções polinomiais algébricas nesta unidade porque

elas aproximam de maneira uniforme funções contínuas. Dada
uma função definida e contínua em um intervalo fechado, existe
um polinômio que é uma aproximação da função dada.
Teorema 5.1 Teorema da aproximação de Weierstrass
Seja uma função f (x) definida e contínua em um intervalo [a,b].

Para cada e > 0, existe um polinômio P(x) que atende a seguinte
propriedade: | f (x) – P(x)| < e, ∀x ∈ [a,b].
Vejamos a figura 5.1 na página a seguir:
Unidade 5 147
Figura 5.1 – Teorema da aproximação de Weisrstrass
Outra razão importante para escolhermos as funções polinomiais

algébricas para a aproximação de funções é que a derivada e a
integral indefinida de um polinômio são fáceis de determinar e,
além disso, também são polinômios.
Nas próximas seções, apresentaremos as interpolações: linear,

quadrática, de Lagrange, de Newton e a com diferenças finitas.
Seção 2 – Interpolação linear

A interpolação linear consiste em passar uma reta (polinômio
do primeiro grau) através de um par de pontos A = (x0, f (x0)) e
B = (x1, f (x1)) de uma tabela. Cada ponto da tabela é chamado de
nó de interpolação. Geometricamente, o polinômio interpolador
passa por esses pontos. Vejamos a figura 5.2.
Figura 5.2 – Interpolação linear
148
Métodos Numéricos
A função polinomial de primeiro grau, de aproximação da função

f (x), será P1(x) = a1x + a0.
Os coeficientes a1 e a0 passam a ser os parâmentros de cálculo e,

para a sua determinação, devemos fazer: P1(x0) = f (x0) = y0 e
P1(x1) = f (x1) = y1, que gera o sistema de equações lineares a seguir:
sendo que: a1 e a0 são as incógnitas e a matriz dos coeficientes é:
O determinante da matriz A será diferente de zero sempre que

x0 ≠ x1. Portanto, para dois pontos A e B distintos, o sistema
linear acima terá solução única.
Exemplo 5.1: seja uma função f (x) definida pelos pontos

A = (1,0;1,5) e B = (1,5;2,0). Usando o polinômio interpo-
lador do primeiro grau P1(x) = a1x + a0 que passa pelos pontos,
determinar aproximadamente o valor de P1(1,3).
Para encontrar os coeficientes a1 e a0, devemos resolver o sistema

linear a seguir:
Portanto: P1(x) = x + 0,5. Para determinar P1(1,3), devemos

substituir 1,3 na função polinomial de aproximação, ou seja,
P1(1,3) = 1,3 + 0,5 = 1,8.
Unidade 5 149
Figura 5.3 – Gráfico do polinômio interpolador
Exemplo 5.2: dada a função f (x) = x2 – 3x + 1, determinar os

valores de f (0,0) e f (1,0) e em seguida, usando o polinômio
interpolador do primeiro grau, determinar P1(0,5).
Tabela 5.2 – Dados
Vamos determinar os valores de f (0,0) e f (1,0):
x f(x)
0,0 1,0 f (0,0) = 0,02 – 3∙0,0 + 1 = 1,0
1,0 –1,0 f (1,0) = 1,02 – 3∙1,0 + 1 = –1,0
Podemos resumir os dados na tabela 5.2.
Para determinar o polinômio interpolador, vamos resolver o

sistema linear:
Logo: P1(x) = –2,0x + 1,0 e P1(0,5) = –2,0∙0,5 + 1,0 = 0,0.
150
Métodos Numéricos
Podemos observar na figura 5.4 que aproximamos uma função

polinomial do segundo grau por uma função do primeiro grau.
Portanto, o resultado apresentado no problema está afetado por
um erro, chamado de erro de truncamento (ET).
2.1 Erro de truncamento (ET)
O erro de truncamento (ET) é cometido quando escolhemos a

função polinomial de aproximação. No exemplo 5.4 a função
que gerou a tabela dos dados é do 2o grau, e, portanto, a imagem
geométrica é uma curva. Para aproximar essa função, escolhemos
a função do 1o grau, cuja imagem geométrica é uma reta. Portanto,
as imagens geométricas não coincidem (como podemos verificar
na figura 5.4), e, portanto, o resultado determinado pelo polinômio
interpolador do primeiro grau está afetado pelo erro de truncamento.
Unidade 5 151
De uma forma geral, podemos interpretar geometricamente o

erro de truncamento (ET) da seguinte maneira:
Figura 5.5 – Erro de truncamento
Observando a figura 5.5, podemos perceber que o erro de

truncamento (ET) é uma função que depende do ponto x
considerado no intervalo [x0,x1]. Se x = x0 ou x = x1 o erro de
truncamento é nulo. Caso contrário, podemos determinar o erro
de truncamento pela fórmula:
ET = f (x) – P1(x).
Analisando ainda a figura 5.5, verifica-se que o ET depende da

concavidade da função f (x). A concavidade de uma função é
medida por meio de sua derivada segunda f ''(x).
Tomando como base essas informações, podemos escrever a

seguinte expressão para o erro de truncamento ET:
ET = (x – x0)∙(x – x1)∙C,
sendo que: C é uma constante a se determinar.
Determinação de C
Vamos considerar a função auxiliar f(t) = f (t) – P1(t) – ET(t)
152
Métodos Numéricos
Como: P1(t) = a1t + a0 e ET(t) = (t – x0)∙(t – x1)∙C
f(t) = f (t) – (a1t + a0) – (t – x0)∙(t – x1)∙C
Observe que a função f (t) se anula para: t = x0 e t = x1.
Teorema 5.2 Teorema de Rolle
Seja uma função f (x) contínua no intervalo [a,b] e diferenciável

no intervalo (a,b) e que f (a) = f (b), então existe um x ∈ (a,b) de
tal forma que f '(x) = 0.
Vamos considerar que a função f (t) é contínua no intervalo

[x0,x1] e ainda diferenciável no intervalo (x0,x1). Podemos
concluir que a função f(t) também é contínua e diferenciável
no mesmo intervalo, já que as funções P1(t) e ET(t) são funções
polinomiais.
Usando o teorema 5.2, temos que: existe um x1 ∈ (x0,x), tal que

f'(x1) = 0 e existe um x2 ∈ (x,x1), tal que f'(x2) = 0.
Aplicando o teorema de Rolle na função f'(t), temos: existe

x ∈ (x1,x2), tal que f''(x) = 0, com x ∈ (x0,x1).
Agora, derivando a função f(t) duas vezes, temos:
f(t) = f (t) – (a1t + a0) – (t – x0)∙(t – x1)∙C

f'(t) = f '(t) – a1 + 2tC – x1C – x0C
f''(t) = f ''(t) – 2C
Fazendo f'' = 0, temos: f ''(t) – 2C = 0 ⇒ C = ,
tornando t = x ⇒ C = .
Com o valor de C determinado, podemos expressar o erro de

truncamento da seguinte maneira:
ET = (x – x0)∙(x – x1)∙C
ET = (x – x0)∙(x – x1)∙ , x ∈ (x0,x1)
Unidade 5 153
Exemplo 5.3: seja dada a função f (x) = x3 – 2x2 – x + 3. Usando

os valores x0 = 1,0 e x1 = 1,5 e os seus correspondentes f (x0) e
f (x1), determinar o valor aproximado para P1(1,2) e o erro de
truncamento cometido.
Primeiro vamos determinar o polinômio de aproximação

P1(x) = a1x + a0 da função f (x):
Cálculo de:
x f(x)
1,000 1,000 f (x0) = f (1,0) = (1,0)3 – 2(1,0)2 – (1,0) + 3 = 1,0
1,500 0,375 f (x1) = f (1,5) = (1,5)3 – 2(1,5)2 – (1,5) + 3 = 0,375
Portanto, podemos apresentar a tabela 5.3.
Determinando P1(x):
Logo:
P1(x) = –1,25x + 2,25 e P1(1,2) = –1,25(1,2) + 2,25 = 0,75
Cálculo do erro de truncamento:
ET = (x – x0)∙(x – x1)∙ , x ∈ (x0,x1)
Cálculo da derivada segunda de f (x):
f (x) = x3 – 2x2 – x + 3
f '(x) = 3x2 – 4x – 1
f ''(x) = 6x – 4
Logo:
154
Métodos Numéricos
Interpretação geométrica do erro de truncamento
Figura 5.6 – Erro de truncamento (exemplo 5.3)
Exemplo 5.4: seja a função f (x) = cos x. Determinar os valores

de f (0,0) e f ( ) e em seguida, usando o polinômio interpolador
do primeiro grau, determinar P1( ). Depois, determinar o erro de
Tabela 5.4 – Resumo
truncamento cometido no cálculo aproximado de P1( ).
x f(x)
Determinando os valores: 0 1
f (0,0) = cos (0,0) = 1,0 0
f ( ) = cos ( ) = 0,0
Determinando P1(x):
Unidade 5 155
Logo:
P1(x) = –0,637x + 1,0 e P1( ) = –0,637( ) + 1,0 = 0,5
ET = (x – x0)∙(x – x1)∙ , x ∈ (x0,x1)
Cálculo da derivada segunda de f (x):
f (x) = cos x
f '(x) = –sen x
f ''(x) = –cos x
156
Métodos Numéricos
Exemplo 5.5: usando a interpolação linear, determinar, aproxi-

madamente, a população do Brasil no ano de 1985 usando os
dados: (1980,80) e (1991,111). Os dados correspondentes estão
em milhões de habitantes.
Determinando P1(x):
Logo:
P1(x) = 2,82x – 5500,00 e

P1(1985) = 2,82(1985) – 5500,00 = 97,7 milhões de habitantes.
É importante observar que só é possível determinar o erro de

truncamento se conhecermos a função geradora dos dados
(exemplos 5.3 e 5.4).

5.1) Dada a função f (x) = x4 – 3x2 + x – 1, determine, usando
a interpolação linear, com os valores de x0 = 1,5 e x1 = 1,8
uma aproximação para P1(1,6). Em seguida, determine o erro
de truncamento e faça a sua interpretação geometricamente.
Sugestão: use o software Graph para auxiliar na construção dos
gráficos das funções.
5.2) Observe os dados da tabela 5.5 ao lado, Tabela 5.5 – Dados
e determine, por meio da interpolação linear, x f(x)

P1(1,521). 1,345 2,874
1,675 3,001
5.3) Usando os dados correspondentes aos anos de 1991 e 1996

da tabela 5.1, determine aproximadamente, usando a interpolação
linear, a população urbana do Brasil no ano de 1993.
Unidade 5 157
5.4) A tabela 5.6 ao lado, foi construida a Tabela 5.6 – Dados
partir da função f (x) = x2 – 4x + 3. Determine x f(x)

P1(1,3) e o erro de truncamento. Faça a inter- 1,00 0,00
pretação geométrica. 1,50 –0,75
Seção 3 – Interpolação quadrática

Na seção anterior, estudamos a interpolação linear que aproxima
uma função f (x) qualquer, por meio de dois pontos distintos
dados. Nesta seção, vamos estudar a interpolação quadrática que
aproxima uma função f (x) a partir de três pontos A = (x0,y0);
B = (x1,y1) e C = (x2,y2) distintos conhecidos.
O polinômio interpolador do segundo grau é dado por:
P2(x) = a2x2 + a1x + a0
Para determinar os coeficientes a2, a1 e a0, devemos resolver o

sistema de equações lineares a seguir:
A matriz dos coeficientes do sistema é:
O determinante da matriz A é:
det (A) = (x1 – x0)∙(x2 – x0)∙(x2 – x1).
Como os pontos A, B e C são distintos, temos que x0 ≠ x1 ≠ x2 e,

portanto, det (A) ≠ 0. Logo, o sistema tem solução única.
158
Métodos Numéricos
Seguindo o mesmo raciocínio da seção anterior, na interpolação

quadrática o erro de truncamento (ET) pode ser calculado por
meio de uma das seguintes expressões:
a) ET(x) = f (x) – P2(x)
b) ET(x) = (x – x0)∙(x – x1)∙(x – x2) , onde x ∈ (x0,x2)
Exemplo 5.6: determinar o valor aproximado de P2(0,3) e o erro

de truncamento gerado pela aplicação da interpolação quadrática,
usando os valores x0 = 0,0; x1 = 0,4 e x2 = 0,7 para a função
f (x) = x2 – 2x + 3.
Determinando os valores: Tabela 5.7 – Dados
f (0,0) = (0,0)2 – 2(0,0) + 3 = 3,00 x f(x)

1,00 3,00
f (0,4) = (0,4)2 – 2(0,4) + 3 = 2,36 0,40 2,36
f (0,7) = (0,7)2 – 2(0,7) + 3 = 2,09 0,70 2,09
Determinando P2(x):
Resolvendo o sistema, temos: a2 = 1; a1 = –2 e a0 = 3.
Portanto:
P2(x) = x2 – 2x + 3 e P2(0,3) = (0,3)2 – 2(0,3) + 3 = 2,49
Unidade 5 159
Como a derivada terceira f '''(x) = 0, significa que o erro de

truncamento é nulo. Esse erro era esperado, pois estamos
aproximando uma função do segundo grau por um polinômio inter-
polador do segundo grau, logo, as imagens geométricas são iguais.
Exemplo 5.7: usando a interpolação quadrática, determinar a

população urbana do Brasil no ano de 1985 usando os dados:
(1970, 52), (1980, 80) e (1991, 111). Os dados correspondentes
estão em milhões de habitantes.
Determinando P2(x):
Resolvendo o sistema, temos:
a2 = 0,000866; a1 = –0,62 e a0 = –2086,86.
Portanto:
P2(x) = 0,000866x2 – 0,62x – 2086,86 e

P2(1985) = 0,000866(1985)2 – 0,62(1985) – 2086,86
P2(1985) = 94,67 milhões de habitantes
Exemplo 5.8: usando a interpolação quadrática, determinar o

polinômio de aproximação P2(x), usando os valores x0 = 0,5;
x1 = 1,0 e x2 = 1,5, dada a função f (x) = x4 – 3x3 + 2x2 – x + 1.
Após encontrar o polinômio de aproximação, determinar o valor
aproximado de P2(1,2) e��
o erro de truncamento. Fazer uma inter-
pretação goemétrica do erro de truncamento.
160
Métodos Numéricos
f (0,5) = (0,5)4 – 3(0,5)3 + 2(0,5)2 – (0,5) + 1 = 0,6875 x f(x)

0,5 0,6875
f (1,0) = (1,0)4 – 3(1,0)3 + 2(1,0)2 – (1,0) + 1 = 0,0000 1,0 0,0000
f (1,5) = (1,5)4 – 3(1,5)3 + 2(1,5)2 – (1,5) + 1 = –1,0625 1,5 –1,0625
Determinando P2(x):
Resolvendo o sistema, temos:
a2 = –0,75; a1 = –0,25 e a0 = 1.
Portanto:
P2(x) = –0,75x2 – 0,25x + 1 e

P2(1,2) = –0,75(1,2)2 – 0,25(1,2) + 1 = –0,38
ET(x) = (x – x0)∙(x – x1)∙(x – x2) , onde x ∈ (x0,x2)
Calculando a derivada f '''(x):
f (x) = x4 – 3x3 + 2x2 – x + 1

f '(x) = 4x3 – 9x2 + 4x – 1
f ''(x) = 12x2 – 18x + 4
f '''(x) = 24x – 18
Unidade 5 161
Interpretação geométrica do erro de truncamento:
Observando a figura 5.8, podemos perceber que a diferença entre

as imagens geométricas de f (x) e P2(x) é muito pequena. O que
comprova que o polinômio interpolador do segundo grau aproxima
muito bem uma função do quarto grau no intervalo [x0,x2].

5.5) Dada a função f (x) = x3 – 2x2 + x + 1 e os valores x0 = 1,0;
x1 = 1,5 e x2 = 2,0, usando a interpolação quadrática, determine:
a) P2(1,8)
b) O erro de truncamento cometido, ou seja, ET(1,8).
Em seguida, faça a interpretação geométrica.
5.6) Usando os pontos (1970,93); (1980,119) e (1991,147)

e a interpolação quadrática, determine aproximadamente a
população do Brasil no ano de 1985.
162
Métodos Numéricos
5.7) Seja a função f (x) = ln x, determine Tabela 5.9 – Dados
uma aproximação P2(1,8) usando os dados x f(x)

da tabela 5.9. Em seguida, calcule o erro 1 0
de truncamento e faça a sua interpretação 1,50 0,41
geométrica. 2 0,69

5.8) Usando os dados da tabela 5.10, Tabela 5.10 – Dados
determine uma aproximação para P2(1,8755) x f(x)

usando a interpolação quadrática. 1,3544 2,3345
2,0032 3,8149
2,5875 4,2532
Seção 4 – Interpolação de Lagrange

Nas seções anteriores estudamos as interpolações linear e
quadrática, que usavam, respectivamente, dois e três pontos para
determinar o polinômio de aproximação do primeiro e segundo
grau. Nesta seção, estudaremos a interpolação de Lagrange, que
determina polinômios de grau n sendo dados (n + 1) pontos
distintos. Portanto, as interpolações estudadas anteriormente
passam a ser casos particulares da interpolação de Lagrange.
Sejam dados (n + 1) pontos {xi,yi}ni=0, o polinômio de interpolação

de Lagrange, de grau menor ou igual a n é dado por:
Pn(x) = y0∙L0(x) + y1∙L1(x) + … + yn∙Ln(x) ou Pn(x) = yi∙Li(x)
onde Lk(x) são polinômios de grau n definidos por:
Unidade 5 163
Seguindo o mesmo raciocínio das seções anteriores, para calcular

o erro de truncamento na interpolação de Lagrange, podemos
usar uma das seguintes expressões:
a) ET(x) = f (x) – Pn(x)
b) ET(x) = (x – x0)∙(x – x1)…(x – xn) ,
onde x ∈ (x0,xn)
Teorema 5.3 – existência e unicidade do polinômio interpolador
Existe um único polinômio Pn(x), de grau ≤ n, tal que:

Pn(xk) = f (xk), k = 1,2,3,…,n, desde que xk ≠ xj , j ≠ k.
Vamos considerar o polinômio Pn(x) como sendo:
Pn(x) = anxn + … + a2x2 + a1x + a0.
Portanto, devemos determinar os coeficientes: an,…, a2, a1, a0.
Como Pn(xk) = f (xk), k = 1,2,3,…,n, geramos o seguinte sistema:
No qual as variáveis são an,…, a2, a1, a0.
A matriz dos coeficientes do sistema é:
164
Métodos Numéricos
Essa é uma matriz de Vandermonde e, se x0 ≠ x1 ≠ x2 ≠ … ≠ xn, o

det (A) ≠ 0. Portanto, o sistema linear acima tem solução única.
Exemplo 5.9: determinar o polinômio que Tabela 5.11 – Dados
interpola todos os pontos da tabela 5.11. x f(x)

1 1,5
O polinômio interpolador de Lagrange é, já 2 2,5
que temos três pontos: 3 3,5
P(x) = y0L0(x) + y1L1(x) + y2L2(x)
Determinando os Lk(x):
Logo:
Exemplo 5.10: determinar o polinômio inter- Tabela 5.12 – Dados
polador de Lagrange para a função conhecida x f(x)

pelos pontos da tabela 5.12. Em seguida, 0 0
determinar: P(0,4). 0,3 1,025
0,5 2,045
0,7 3,085
A tabela 5.12 tem quatro pontos distintos, portanto, o polinômio

de Lagrange será de terceiro grau, ou seja:
P3(x) = y0L0(x) + y1L1(x) + y2L2(x) + y3L3(x)
Unidade 5 165
k=0
k=1
k=2
k=3
166
Métodos Numéricos
Logo:
Para determinar P(0,4), devemos substituir 0,4 em P3(x).

Portanto P3(0,4) = 1,52.
Exemplo 5.11: usando a interpolação de Lagrange, determinar

o polinômio de aproximação P2(x), usando os valores x0 = 0;
x1 = 0,5 e x2 = 1,0, dada a função f (x) = x4 – 3x3 + 2x2 – x + 1.
Após encontrar o polinômio de aproximação, determinar o valor
aproximado de P2(0,8) e o erro de truncamento.
f (0,0) = (0,0)4 – 3(0,0)3 + 2(0,0)2 – (0,0) + 1 = 1,0000 x f(x)

0,0 1,0000
f (0,5) = (0,5)4 – 3(0,5)3 + 2(0,5)2 – (0,5) + 1 = 0,6875 0,5 0,6875
f (1,0) = (1,0)4 – 3(1,0)3 + 2(1,0)2 – (1,0) + 1 = 0,0000 1,0 0,0000
O polinômio interpolador do segundo grau de Lagrange é:
P2(x) = y0L0(x) + y1L1(x) + y2L2(x)
k=0
k=1
Unidade 5 167
k=2
Logo:
Portanto, P2(0,8) = –0,75(0,8)2 – 0,25(0,8) + 1 = 0,32.
Calculando a derivada f '''(x):
f (x) = x4 – 3x3 + 2x2 – x + 1

f '(x) = 4x3 – 9x2 + 4x – 1
f ''(x) = 12x2 – 18x + 4
f '''(x) = 24x – 18
168
Métodos Numéricos
Você sabia?
Que as calculadoras HP (48, 49 e 50) têm a função
Lagrange, que determina o polinômio interpolador de
Lagrange dados (n + 1) pontos {(xi,yi)}ni=0?
Vamos usar os dados da tabela 5.13 para Tabela 5.13 – Dados

o
determinar o polinômio do 2 grau de
x f(x)
Lagrange:
0,0 1,0000
0,5 0,6875
1,0 0,0000
Modo algébrico
Para acessar a função LAGRANGE, faça: <ARITH> <Polynomial>
<LAGRANGE> <ENTER> [[0, 0.5, 1] [1, 0.6875, 0]] <ENTER>. Aparece
a seguinte tela (figura 5.10):
Figura 5.10 – Determinando o polinômio

interpolador usando a HP-50g
Modo RPN
Digite a matriz dos dados (figura 5.11), em seguida, digite
<ARITH> <Polynomial> <LAGRANGE>. Aparece a tela (figura 5.12) a
seguir:
Figura 5.11 – Tela com a matriz dos Figura 5.12 – Tela com o polinômio
dados – HP-50g interpolador – HP-50g
Unidade 5 169

5.9) Usando a interpolação de Lagrange, Tabela 5.14 – Dados
determine o polinômio interpolador de x f(x)

grau 3, usando os valores x0, x1, x2 e x3 da 0,25 –0,6865
tabela 5.14, que foi gerada pela função 0,50 –0,7188
polinomial f (x) = x5 – 3x2 + 2x – 1. Em 0,75 –0,9502
seguida, determine P3(0,6) e o erro de 1,00 –1,0000
truncamento ET(0,6).
5.10) A tabela 5.15 foi determinada pela Tabela 5.15 – Dados
função f (x) = sen (x). Determine um x f(x)

polinômio de aproximação de grau 2, usando a 0,00 0,000
interpolação de Lagrange, para estimar sen ( ).
0,707
1,000
5.11) Usando todos os dados da tabela 5.16, Tabela 5.16 – Dados
determine uma aproximação para x = 0,4 por x f(x)

meio do polinômio interpolador de Lagrange. 0,1 1,3548
0,3 1,4457
0,5 1,6877
0,7 1,8899
0,9 2,0133
5.12) Faça uma interpretação geométrica do erro de truncamento

ET provocado pela função polinomial de aproximação P3 da
questão 5.9.

170
Métodos Numéricos
Seção 5 – Interpolação de Newton

Nesta seção estudaremos a fórmula de Newton para interpolação
com diferenças divididas para (n + 1) pontos distintos. Portanto,
antes, faz-se necessário estudar o conceito de diferenças divididas.
5.1 Diferenças divididas
Vamos considerar a função f (x) que contêm os pontos distintos

{xi,yi}ni=0. Se f (x) é contínua em um intervalo [a,b], a primeira
derivada de f (x) em x0, onde x0 ∈ [a,b], é dada por:
Definição 5.1: define-se a diferença dividida de primeira ordem

como uma aproximação da derivada primeira de f (x), que pode
ser expressa por:
Tomando x = x1, teremos a diferença dividida de primeira ordem

em relação a x1 e x0.
Logo, a expressão acima fica:
Podemos observar facilmente que f [x1,x0] = f [x0,x1], já que:
Logo, concluímos que a diferença dividida é simétrica.
Unidade 5 171
Definição 5.2: define-se a diferença dividida de ordem zero de

uma função f (x) como:
f [xi] = f (xi) = yi, i = 0,1,2,3,…,n
Definição 5.3: define-se a diferença dividida de ordem dois de

uma função f (x) como:
Definição 5.4: de uma forma geral, define-se a diferença dividida

de ordem n de uma função f (x) como:
Podemos representar as diferenças divididas de uma função f (x)

de ordem zero até a ordem n, como se segue:
x Ordem 0 Ordem 1 Ordem 2 Ordem 3 … Ordem n

x0 f[x0]
f[x0,x1]
x1 f[x1] f[x0,x1,x2]
f[x1,x2] f[x0,x1,x2,x3]
x2 f[x2] f[x1,x2,x3]
f[x2,x3] f[x1,x2,x3,x4]
x3 f[x3] f[x2,x3,x4] . f[x0,x1,x2,x3,…,xn]
f[x3,x4] . .
x4 f[x4] . . .
. . . . f[xn–3,xn–2,xn–1,xn]
. . . f[xn–2,xn–1,xn]
. . f[xn–1,xn]
xn f[xn]
172
Métodos Numéricos
Exemplo 5.12: seja uma função f (x) tabelada Tabela 5.17 – Dados
a seguir, determinar todas as suas diferenças x f(x)

divididas. –2 1
–1 2
Devemos determinar as seguintes diferenças 0 1
divididas: 1 –1
2 –2
x Ordem 0 Ordem 1 Ordem 2 Ordem 3 Ordem 4

x0 f[x0]
f[x0,x1]
x1 f[x1] f[x0,x1,x2]
f[x1,x2] f[x0,x1,x2,x3]
x2 f[x2] f[x1,x2,x3] f[x0,x1,x2,x3,x4]
f[x2,x3] f[x1,x2,x3,x4]
x3 f[x3] f[x2,x3,x4]
f[x3,x4]
x4 f[x4]
Logo:
Unidade 5 173
Resumindo:

–2 1
1
–1 2 –1
–1 1/6
0 1 –1/2 1/24
–2 1/3
1 –1 1/2
–1
2 –2
Teorema 5.4: vamos considerar f (x) uma função polinomial de

Você poderá ver essa grau n que passa pelos distintos pontos (xi,yi), i = 1,2,3,…,k,…,n
demonstração em então a diferença dividida de ordem k, f [x, xi, xi+1,…,xi+k–1] é um
BARROSO et al. 1987.
polinômio de grau n – k.
Corolário 5.1: se f (x) é uma função polinomial de grau n,

então todas as diferenças divididas de ordem n são iguais a uma
constante, e as de ordem (n + 1) são nulas.
174
Métodos Numéricos
5.2 Fórmula de Newton para interpolação com diferenças divididas
Vamos considerar (n + 1) pontos distintos {xi,yi}ni=0 e, P(x) o

polinômio interpolador para estes pontos.
Usando a definição de diferenças divididas, podemos escrever:
Pn(x) = Pn[x0] + (x – x0)∙P[x,x0] (I)
P[x,x0] = P[x0,x1] + (x – x1)∙P[x,x0,x1] ( II )
Substituindo ( II ) em ( I ), teremos:
Pn(x) = Pn[x0] + (x – x0)∙P[x0,x1]

Pn(x) = + (x – x0)∙(x – x1)∙P[x,x0,x1] ( III )
Como:
P[x,x0,x1] = P[x0,x1,x2] + (x – x2)∙P[x,x0,x1,x2] ( IV )
Substituindo ( IV ) em ( III ), temos:
Pn(x) = Pn[x0] + (x – x0)∙P[x0,x1]

Pn(x) = + (x – x0)∙(x – x1)∙P[x,x0,x1]
Pn(x) = + (x – x0)∙(x – x1)∙(x – x2)∙P[x,x0,x1,x2]
Unidade 5 175
Continuando com esse raciocínio, podemos escrever de uma

forma geral:
Pn(x) = Pn[x0] + (x – x0)∙P[x0,x1] +

Pn(x) = + (x – x0)∙(x – x1)∙P[x0,x1,x2] +
Pn(x) = + (x – x0)∙(x – x1)∙(x – x2)∙P[x0,x1,x2,x3] + … +
Pn(x) = + (x – x0)∙(x – x1)…(x – xn–1)∙P[x0,x1,x2,…,xn] +
Pn(x) = + (x – x0)∙(x – x1)…(x – xn)∙P[x,x0,x1,x2,…,xn]
Pelo corolário 5.1, P[x,x0,x1,x2,…,xn] = 0, e como definimos

Pn(x0) = y0, o polinômio interpolador de Newton usando
diferenças divididas é:
Pn(x) = y0 + (x – x0)∙P[x0,x1] +
Pn(x) = + (x – x0)∙(x – x1)∙P[x0,x1,x2] +
Pn(x) = + (x – x0)∙(x – x1)∙(x – x2)∙P[x0,x1,x2,x3] + … +
Pn(x) = + (x – x0)∙(x – x1)…(x – xn–1)∙P[x0,x1,x2,…,xn]
Na Seção 4, usamos o polinômio interpolador de Lagrange para

(n + 1) pontos distintos que gera um polinômio de grau n. O
polinômio interpolador de Newton usa as mesmas condições do
de Lagrange. Portanto, a forma de calcular o erro de truncamento
(ET) é a mesma da de Lagrange.
Exemplo 5.13: determinar o polinômio interpolador de Newton,

usando os dados da tabela 5.17, do exemplo 5.12.
Em primeiro lugar, vamos determinar as diferenças divididas:

–2 1 y0
1 P[x0,x1]
–1 2 –1 P[x0,x1,x2]
–1 1/6 P[x0,x1,x2,x3]
0 1 –1/2 1/24 P[x0,x1,x2,x3,x4]
–2 1/3
1 –1 1/2
–1
2 –2
176
Métodos Numéricos
Para determinar o polinômio de Newton, vamos usar:
P4(x) = y0 + (x – x0)∙P[x0,x1] +
Pn(x) = + (x – x0)∙(x – x1)∙P[x0,x1,x2] +
Pn(x) = + (x – x0)∙(x – x1)∙(x – x2)∙P[x0,x1,x2,x3] + … +
Pn(x) = + (x – x0)∙(x – x1)∙(x – x2)∙(x – x3) ∙P[x0,x1,x2,x3,x4]
P4(x) = 1 + (x + 2) + (x + 2)∙(x + 1)∙(–1) + (x + 2)∙(x + 1)∙x∙ +
P4(x) = + (x + 2)∙(x + 1)∙x∙(x – 1)∙
Exemplo 5.14: os dados da tabela 5.18 ao Tabela 5.18 – Dados
lado foram obtidos a partir da função: x f(x)

–0,5 –2,125
f (x) = x3 – 2x2 + x – 1 0 –1
0,5 –0,875
Determinar P2(–0,2) e o erro de truncamento
ET(–0,2) usando a fórmula de Newton.
Determinando as diferenças divididas:
x Ordem 0 Ordem 1 Ordem 2

–0,5 –2,125
2,25
0 –1 –2,00
0,25
0,5 –0,875
Para determinar o polinômio de Newton, vamos usar:
P2(x) = y0 + (x – x0)∙P[x0,x1] + (x – x0)∙(x – x1)∙P[x0,x1,x2]
Logo:
P2(–0,2) = 2,125 + (–0,2 + 0,5)∙2,25

P2(–0,2) = + (–0,2 + 0,5)∙(–0,2 – 0)∙(–2,00)
P2(–0,2) = –1,33
Unidade 5 177
Determinando o erro de truncamento:
f (x) = x3 – 2x2 + x – 1
f '(x) = 3x2 – 4x + 1
f ''(x) = 6x – 4
f '''(x) = 6
ET(–0,2) = (–0,2 + 0,5)∙(–0,2 + 0)∙(–0,2 – 0,5) = 0,042.
5.13) Determine todas as diferenças finitas Tabela 5.19 – Dados
para os dados da função f (x) tabelada ao lado: x f(x)

–0,5 1,2
0 1,5
0,5 1,8
1 2
1,5 2,3
5.14) Determine o polinômio interpolador de Tabela 5.20 – Dados
Newton de quarta ordem, usando os dados da x f(x)

tabela 5.20, ao lado. 1 1,5
1,2 1,8
1,5 2,1
1,7 2,5
2 2,9
5.15) A função f (x) = x3 – 2x2 + x – 1 gerou Tabela 5.21 – Dados
os dados da tabela 5.21 ao lado. Determine x f(x)

P2(1,4) e o erro de truncamento usando a 1,2 –0,952
fórmula de Newton com diferenças divididas. 1,5 –0,625
1,7 –0,167
2,0 1,000
5.16) Faça a interpretação geométrica do erro de truncamento da

questão 5.15.
178
Métodos Numéricos

Seção 6 – Interpolação com diferenças finitas

Em muitos problemas de interpolação, podemos encontrar
valores tabelados para {xi}ni=0 , igualmente espaçados, ou seja,
xi+1 – xi = h, onde h é uma constante, ∀i. Vejamos como exemplo,
os valores {xi}3i=0 da tabela 5.22 a seguir:
i x f(x)
0 1,2 1,340
1 1,4 1,678
2 1,6 1,876
3 1,8 2,242
3
Observando os valores de {xi}i=0 na tabela acima, verificamos que são
igualmente espaçados, ou seja, x3 – x2 = x2 – x1 = x1 – x0 = 0,2 = h.
Podemos usar o polinômio interpolador de Lagrange e/ou de

Newton para determinar uma função de aproximação dos dados
3
tabelados acima. Mas, como os dados tabelados para {xi}i=0
possuem espaçamentos constantes, podemos usar esse fato para
simplificar a fórmula de Newton.
Vamos introduzir uma variável auxiliar z, que pode ser expressa

por:
Unidade 5 179
Podemos escrever, então:
z∙h = x – x0 ou x – x0 = z∙h

(x – x1) = (x – (h + x0)) = (x – x0 – h) = (zh – h) = h∙(z – 1)
(x – x2) = (x – (2h + x0)) = (x – x0 – 2h) = (z∙h – 2h) = h∙(z – 2)
…
(x – xn–1) = (x – (n – 1)∙h) = x – x0 – (n – 1)∙h = z∙h – (n – 1)∙h
(x – xn–1) = h∙(z – (n – 1))
Substituindo na fórmula de Newton para interpolação com

diferenças divididas, teremos:
Pn(x) = y0 + (x – x0)∙P[x0,x1] +
Pn(x) = + (x – x0)∙(x – x1)∙P[x0,x1,x2] +
Pn(x) = + (x – x0)∙(x – x1)∙(x – x2)∙P[x0,x1,x2,x3] + … +
Pn(x) = + (x – x0)∙(x – x1)…(x – xn–1)∙P[x0,x1,x2,…,xn]
Pn(x) = y0 + z∙h∙P[x0,x1] +
Pn(x) = + z∙h2(z – 1)∙P[x0,x1,x2] + … +
Pn(x) = + z∙hn(z – 1)…(z – (n – 1))∙P[x0,x1,x2,…,xn]
Fazendo: P[x0,x1,x2,…,xn] = ∆iy0, podemos escrever a fórmula

acima da seguinte maneira:
Pn(x) = y0 + z∙h∙∆1y0 + z∙h2(z – 1)∙∆2y0 + … +

Pn(x) = + z∙hn(z – 1)…(z – (n – 1))∙∆ny0
Definição 6.1: definimos diferenças finitas quando xi+1 – xi = h,

onde h é uma constante, ∀i, da seguinte forma:
1. ordem zero: ∆0yi = yi

2. ordem primeira: ∆1yi = yi+1 – yi = ∆0yi+1 – ∆0yi
3. ordem segunda: ∆2yi = ∆1yi+1 – ∆1yi
…
n. ordem n: ∆nyi = ∆n–1yi+1 – ∆n–1yi
180
Métodos Numéricos
Exemplo 5.15: determinar todas as diferenças finitas para a

função dada pela tabela 5.22.
Para facilitar a determinação de todas as diferenças finitas, vamos

elaborar o seguinte esquema:
Ordem 0 Ordem 1 Ordem 2 Ordem 3

0 1 2
x Δ yi Δ yi Δ yi Δ3yi
1,2 1,34 0,338 –0,14 0,308
1,4 1,687 0,198 0,168
1,6 1,876 0,366
1,8 2,242
Teorema 5.5
Ver demonstração em
Seja f (x) uma função definida nos pontos {xi,yi}ni=0 , de forma que BARROSO et al., 1987
xi+1 – xi = h, onde h é uma constante, ∀i. Então:
Levando o resultado desse teorema na expressão:
Pn(x) = y0 + z∙h∙∆1y0 + z∙h2(z – 1)∙∆2y0 + … +

Pn(x) = + z∙hn(z – 1)…(z – (n – 1))∙∆ny0
Podemos escrever:
O polinômio interpolador escrito acima é conhecido como a

Fórmula de Interpolação de Gregory-Newton para diferenças
finitas.
Unidade 5 181
O erro de truncamento para diferenças finitas é dado por:
ET(z) = hn+1∙z∙(z – 1)∙(z – 2)…(z – n) ,
onde x ∈ (x0,xn)
Exemplo 5.16: determinar o polinômio Tabela 5.23 – Dados
interpolador de segundo grau, a partir dos x f(x)

dados da função tabelada ao lado (tabela –1 1
5.23), usando a fórmula de interpolação de 0 1,5
Gregory-Newton para diferenças finitas. 1 2,5
Determinando as diferenças finitas:
Ordem 0 Ordem 1 Ordem 2

0 1
x Δ yi Δ yi Δ2yi
–1 1 0,5 0,5
0 1,5 1
1 2,5
Calculo de z:
Determinando P2(x):
P2(x) = 1 + 0,5∙(x + 1) + 0,25∙(x + 1)∙x

P2(x) = 0,25x2 + 0,75x + 1,5
182
Métodos Numéricos
Exemplo 5.17: a tabela 5.24 representa os dados gerados

pela função f (x) = x3 – x + 2. Usando a fórmula de Gregory-
Newton, determinar P3(2,0) e o erro de truncamento gerado pelo
polinômio interpolador.
i x f(x)
0 1,0 2,000
1 1,4 3,344
2 1,8 6,032
3 2,2 10,448
Determinando as diferenças finitas:

0 1 2
1 2 1,344 1,344 0,384
1,4 3,344 2,688 1,728
1,8 6,032 4,416
2,2 10,448
Cálculo de z:
Determinando P3(x):
P3(x) = x3 – x + 2
P3(2,0) = (2,0)3 – (2,0) + 2 = 8,0
Unidade 5 183
Observe que o polinômio encontrado usando o método de

Gregory-Newton é igual à função que gerou a tabela, portanto, o
erro de truncamento é zero.

5.17) Determine todas as diferenças Tabela 5.25 – Dados
finitas para a função tabelada ao lado: i x f(x)

0 0,6 1,245
1 1,0 1,685
2 1,4 2,125
3 1,8 2,545
5.18) Usando a fórmula de Gregory-Newton, Tabela 5.26 – Dados
determine o polinômio interpolador de x f(x)

terceiro grau para os dados tabelados da 2 1,3568
função, ao lado: 2,3 1,6982
2,6 1,9689
2,9 2,3652
5.19) A tabela 5.27 foi gerada a partir da Tabela 5.27 – Dados
função f (x) = x4 – 2x2 – x + 3. x f(x)

0,8 1,3296
Determine P2(1,3). 1,4 4,3216
2 9,0000
2,6 32,5776
184
Métodos Numéricos
Síntese
Nesta unidade discutimos o conceito de aproximação de funções,
no contexto da matemática numérica, com o objetivo de gerar
funções de interpolação de dados tabelados. Usamos a classe de
funções polinomiais algébricas, pois elas aproximam de maneira
uniforme as funções contínuas. Com a determinação da função
polinomial de aproximação, estimamos valores para dados não
tabelados, mas que pertenciam ao intervalo dos dados.
Fizemos o cálculo do erro de truncamento para medir o erro

cometido pela função de aproximação, no cálculo das estimativas.
Ainda, para auxiliar no processo de determinação da função de
aproximação e das estimativas, usamos a função Lagrange, da
calculadora gráfica.
Saiba mais





Unidade 5 185
6
UNIDADE 6
Ajuste de curvas
Compreender o conceito de extrapolação.
Gerar funções de aproximação de dados tabelados, pro-
venientes de experimentos físicos, químicos etc.
Realizar projeções para valores não tabelados por meio
de funções de aproximação dos dados tabelados.
Calcular o coeficiente de determinação com
o objetivo de validar modelos.
Avaliar os resíduos provocados pelo ajuste de curvas.
Usar recursos computacionais como planilhas de cál-
culo, softwares matemáticos e/ou estatísticos e cal-
culadoras gráficas para auxiliar na determinação de
funções de aproximação de dados tabelados.
Seções de estudo
Seção 2 Ajuste linear simples
Seção 3 Ajuste polinomial

O conceito de interpolação de dados, tem como objetivo
determinar funções f * de aproximações de dados tabelados
para determinar valores não tabelados xj, onde xj ∈ (x0,xj), i =
0,1,2,3,…, j,…,n. Nesta unidade, faremos uso da aproximação
de funções com o objetivo de encontrar a melhor função, em
uma determinada classe de funções, como as polinomiais, para
representar todos os dados tabelados possíveis. Portanto, a
partir da determinação dessa função de aproximação é possível
extrapolar dados não tabelados, e então determinar estimativas
que serão avaliadas, por meio do coeficiente de determinação,
com o objetivo de analisar se o modelo escolhido é o ideal.
Enfatizamos, ainda, que esta unidade trata de um texto intro-

dutório sobre ajustes, já que vamos usar modelos matemáticos
pré-definidos. Destacamos a importância do uso de recursos
tecnológicos, como planilha de cálculo, softwares estatísticos e/ou
matemáticos, e ainda o uso de calculadoras gráficas para auxiliar
no desenvolvimento desta unidade.
Vamos considerar os dados tabelados
ao lado, que são provenientes da Tabela 6.1
– Exportação × importação
relação comercial entre o Brasil e a
China no período de 2000 a 2007, Ano Exportações* Importações*
publicados na revista Exame, edição 2000 1,1 1,2
915 de 9/4/2008. 2001 1,9 1,3
2002 2,5 1,6
Observando a tabela 6.1, podemos 2003 4,5 2,1
2004 5,4 3,7
considerar o seguinte problema: 2005 6,8 5,4
é possível fazer uma previsão 2006 8,4 8
para o valor das exportações e das 2007 10,7 12,6
importações (em bilhões de dólares) Fonte: Revista Exame (2008).
para o ano de 2009? Notas: * em bilhões de dólares
188
Métodos Numéricos
Quando estudamos a relação entre duas variáveis, neste caso,

tempo (anos) e dinheiro (bilhões de dólares), devemos inicial-
mente fazer um gráfico dos dados tabelados, chamado de
diagrama de dispersão (figura 6.1 (a) e (b)), que fornece uma
ideia da forma da relação entre as variáveis.
Figura 6.1 (a) – Diagrama de dispersão de dados
Figura 6.1 (b) – Diagrama de dispersão de dados
Observando os gráficos acima, embora sabendo não conhecermos

a função que originou os dados, podemos traçar retas para o caso
(a) e curvas para o caso (b), de acordo com o que melhor se ajusta
Unidade 6 189
a cada caso – por exemplo, temos as retas R1 e R2 (figura 6.2) que

se ajustam entre os dados referentes às exportações. Pergunta-se,
qual a melhor reta que se ajusta aos dados?
Figura 6.2 – Diagrama de dispersão de dados com retas de ajuste
Para responder a essa pergunta é necessário estabelecer um

critério para medir a qualidade do ajuste. Para ajustar um
conjunto de pontos a uma função, estabelecemos o tipo de curva
e calculamos os parâmetros dessa curva. Se designarmos f *
para a função que melhor se ajusta aos dados, conhecendo-se
os parâmetros dessa função, podemos calcular f *(xi) e comparar
com os valores tabelados yi, ou seja, calculamos f *(xi) – yi. A essa
diferença chamaremos de erro ou resíduo ao valor, e representa-
remos por ri.
ri = f *(xi) – yi
Para avaliarmos a qualidade do ajuste usaremos o método dos

mínimos quadrados, no qual a soma de todos os resíduos ri , ou
seja,
ri2 é minimizado.
190
Métodos Numéricos
Seção 2 – Ajuste linear simples

Nesta seção faremos o ajuste dos dados tabelados a uma função
linear do tipo f *(xi) = ax + b, onde a e b são os parâmetros do
modelo.
Vamos supor que a reta que ajusta os dados da tabela 6.1

referente às exportações, seja a R2, conforme a figura 6.3 a seguir:
Figura 6.3 – Diagrama de dispersão com a reta de ajuste R2
Na figura 6.3 podemos observar que ao valor da variável

explicativa xi corresponde o valor predito por esta reta
f *(xi) = axi + b, enquanto que o valor da variável resposta seria yi.
Observando, ainda, a figura 6.3, verificamos que a diferença entre

estes valores pode ser dada por:
ri = f *(xi) – yi
Considerando-se todas as diferenças de todos os pontos n

podemos escrever:
R= ri2,
como medida do resíduo total dos pontos observados à reta

estimada. A magnitude do somatório dos resíduos ri dependerá
da reta desenhada, ou seja, dos parâmetros a e b.
Unidade 6 191
Definição 6.1: dado um conjunto de pontos {xi,yi}ni=0, a função

f *(xi) = ax + b que melhor se ajusta aos dados é a função cujos
parâmetros a e b são determinados de modo que a soma dos
quadrados dos resíduos seja mínima, ou seja:
R= ri2 = ( f *(xi) – yi)2 = ( yi – f *(xi))2
Usando a definição 6.1, podemos estimar os parâmetros a e b

quando minimizamos R(a,b). Neste processo, R será mínimo
quando as derivadas parciais de R em relação aos parâmetros a e
b se anularem, vejamos:
R(a,b) = ( yi – f *(xi))2 = ( yi – (axi + b))2
= 2∙ ( yi – axi – b)
= 2∙ ( yi – axi – b)∙xi
Como as derivadas parciais devem ser nulas para determinarmos

o somatório dos mínimos resíduos R, teremos:
2∙ ( yi – axi – b) = 0
2∙ ( yi – axi – b)∙xi = 0
Logo, podemos escrever:
yi – axi – b=0
xiyi – axi2 – bxi = 0
ou
192
Métodos Numéricos
que é um sistema de equações lineares, também chamado de

equações normais, cuja solução é:
Obs.: para simplificar, fizemos: =∑
Portanto, para que a reta R2 seja a que melhor se ajusta aos dados
tabelados, os parâmetros a e b devem ser calculados de acordo
com as equações acima. Este método é conhecido como de
mínimos quadrados, pois consiste em encontrar o mínimo de
uma função quadrática.
Exemplo 6.1: determinar a função linear que melhor ajusta os Tabela 6.2 – Exportações
brasileiras
dados tabelados (Tabela 6.2) referente às exportações na relação
comercial entre Brasil e China. Em seguida, fazer uma projeção Ano Exportações*
dos valores das exportações do Brasil para o ano de 2009 e 2000 1,1
construir o gráfico da função de ajuste no diagrama de dispersão 2001 1,9
2002 2,5
dos dados. 2003 4,5
2004 5,4
Determinando a função f *(xi) = ax + b 2005 6,8
2006 8,4
Devemos determinar os parâmetros a e b usando: 2007 10,7
Notas:
* em bilhões de dólares
Calculando os somatórios:
xi = 2000 + 2001 + … + 2007 = 16.028
xi2 = 20002 + 20012 + … + 20072 = 32.112.140
Unidade 6 193
yi = 1,1 + 1,9 + … + 10,7 = 41,3
xiyi = 2000∙(1,1) + 2001∙(1,9) + … + 2007∙(10,7) = 82.801,3
Logo:
Assim, a função linear que melhor ajusta os dados tabelados é:
f *(xi) = 1,3512x – 2701,96
Calculando f *(2009):
f *(2009) = 1,3512∙(2009) – 2701,96 = 12,60 bilhões de dólares.
Construindo o diagrama de dispersão dos dados com a melhor

reta de ajuste:
Figura 6.4 – Diagrama de dispersão com a melhor reta de ajuste
194
Métodos Numéricos
Coeficiente de determinação R2
Uma forma de medir a qualidade do ajuste linear simples é
calculando o coeficiente de determinação R2, que é dado por:
sendo que 0 ≤ R2 ≤ 1. Quanto mais próximo de 1, ou seja, de

100%, o coeficiente R2 estiver, melhor será o ajuste.
Exemplo 6.2: calcular o coeficiente de determinação R2 para a

reta obtida no exemplo 6.1.
Devemos em primeiro lugar calcular o somatório:
yi2 = 1,12 + 1,92 + … + 10,72 = 291,77
Logo:
Observando o valor do R2, podemos concluir que a reta de ajuste

dos dados é satisfatória, pois se aproximou de 1. Tabela 6.3 – Dados
i xi yi
Exemplo 6.3: dada a tabela 6.3 ao lado, determinar: 1 –1 4,5
2 –0,5 4,9
3 1,3 3,9
a) o diagrama de dispersão dos dados;
4 1,8 2,8
b) os somatórios; 5 2,3 1,9
c) a equação da melhor reta de ajuste; 6 2,9 0,3
d) o coeficiente de determinação; 7 3,1 –0,2
8 4,2 –0,8
e) o diagrama de dispersão com a reta de ajuste.
Unidade 6 195
Solução
a) Diagrama de dispersão dos dados:
Figura 6.5 – Diagrama de dispersão dos dados
b) Somatórios:
xi = 14,1 xi2 = 47,13 xiyi = 4,42
yi = 17,3 yi2 = 71,69
c) Melhor reta de ajuste:
Logo:
f *(x) = –1,17023x + 4,22503
196
Métodos Numéricos
d) Coeficiente de determinação:
e) Diagrama de dispersão com a reta de ajuste:
Figura 6.6 – Diagrama de dispersão com a reta de ajuste
Você sabia?
Que o software Excel® possibilita fazer ajuste de funções
a partir de dados tabelados?

Vejamos um exemplo.
i xi yi
Vamos usar a tabela 6.3 do exemplo anterior. 1 –1 4,5
2 –0,5 4,9
3 1,3 3,9
4 1,8 2,8
5 2,3 1,9
6 2,9 0,3
7 3,1 –0,2
8 4,2 –0,8
Unidade 6 197
Em primeiro lugar, digite a Agora, selecione as células

tabela no Excel® (figura 6.7): B3:B10 até as células C3:C10,
conforme a figura 6.8:
Figura 6.7 – Tela do software Excel® Figura 6.8 – Tela do software Excel®
com a tabela dos dados com a seleção dos dados
Em seguida selecione o ícone correspondente ao assistente de

gráfico, conforme figura 6.9:
Figura 6.9 – Tela do software Excel® com a seleção

dos dados e o assistente de gráfico aberto
198
Métodos Numéricos
Com o assistente de gráfico aberto, selecione, em tipo de gráfico,

Dispersão (XY), conforme a figura 6.10:
Figura 6.10 – Tela do software Excel® com a seleção do tipo de gráfico, dispersão
Selecione <Avançar> <Avançar> <Avançar> (três vezes). Vai

aparecer a seguinte tela:
Figura 6.11 – Tela do software Excel® com diagrama de dispersão
Unidade 6 199
Clique com o botão direito do mouse sob um dos pontos do

diagrama de dispersão que vai aparecer a seguinte tela:
Figura 6.12 – Tela do software Excel® com diagrama de dispersão e a tela para adicionar
tendência
Selecione Adicionar linha de tendência (figura 6.13):
Figura 6.13 – Tela do software Excel® com a opção de adicionar linha de tendência
200
Métodos Numéricos
Selecione Linear e em seguida Opções. Agora marque Exibir

equação no gráfico e Exibir valor do R-quadrado, conforme a
figura 6.14.
Figura 6.14 – Tela do software Excel® com as opções Adicionar linha de tendência e
Exibir R-quadrado
Para finalizar, clique em Ok que vai aparecer a seguinte tela:
Figura 6.15 – Tela do software Excel® com tabela de dados, linha de tendência, equação e
R-quadrado
Unidade 6 201

6.1) A tabela 6.4 ao lado nos fornece dados referentes à
população (em milhões de habitantes) residente urbana do Brasil,
Tabela 6.4 – Dados no período de 1940/1996. Determine, usando o método dos
mínimos quadrados e uma reta de ajuste:
Ano Urbana
1940 13
1950 19
a) A população urbana para o ano de 2010.
1960 31 b) O coeficiente de determinação R2, para avaliar a
1970 52
qualidade do ajuste.
1980 80
1991 111 c) O diagrama de dispersão dos dados com a melhor reta de
1996 123
ajuste (use o Microsoft Excel®).
Tabela 6.5 – Dados 6.2) Um veículo se move, supostamente, com velocidade

constante. Os dados da tabela 6.5 são referentes ao tempo,
Tempo Posição
(s) (m) medido em quatro posições.
17,6 0
40,4 900 Determine:
67,7 1800
90,1 2700 a) A equação da reta que melhor ajusta os dados.
b) A posição do veículo a 120 segundos.
c) O coeficiente de determinação R2, para avaliar a
qualidade do ajuste.
d) O diagrama de dispersão dos dados com a melhor reta de
ajuste (use o Microsoft Excel®).
Tabela 6.6 – Dados 6.3) Dada a tabela 6.6 ao lado, faça o gráfico de dispersão dos
dados e ajuste uma curva da melhor maneira possível.
x f(x)
0,4 –2,8
0,8 –0,6
1,0 1,0
1,4 3,1
1,9 4,7
2,6 5,9
3,0 7,1
202
Métodos Numéricos
Seção 3 – Ajuste polinomial

Na Seção 1 verificamos, através do gráfico de dispersão, o tipo
de comportamento de uma função f desconhecida, podendo, a
partir desse diagrama, optar por um ajuste a uma reta, parábola,
exponencial etc.
Nesta seção, estudaremos o ajuste polinomial que tem como

objetivo aproximar uma função por meio de um polinômio de
grau n. Neste caso, o ajuste linear simples estudado na Seção 2
passa a ser um caso particular do ajuste polinomial.
Da mesma forma que procedemos para ajustar dados tabelados

a uma reta, vamos proceder para ajustar dados tabelados a uma
curva do tipo parábola ou a um polinômio do terceiro grau,
quarto grau etc.
Para ajustar dados tabelados a uma reta, na determinação dos

parâmetros a e b da função de ajuste f *(xi) = ax + b, resolvemos o
sistema:
que pode ser escrito na forma matricial:
Seguindo esse raciocínio, para ajustar dados tabelados a uma

parábola, do tipo f *(xi) = ax2 + bx + c, na determinação dos
parâmetros a, b e c, resolveremos o sistema escrito na forma
matricial:
Unidade 6 203
De uma forma geral, para ajustar dados tabelados a um polinômio

de grau n do tipo f *(xi) = anxn + … + a2x2 + a1x + a0, na determi-
nação dos parâmetros an,…, a2, a1, a0, devemos resolver o sistema:
Tabela 6.7 – Dados Exemplo 6.4: ajustar os dados da tabela 6.7 a uma função
polinomial do segundo grau, que relaciona as importações (em
Ano Importações*
2000 1,2
bilhões de dólares) feitas pelo Brasil, da China, nos anos de 2000
2001 1,3 a 2007. Em seguida, fazer uma estimativa para as importações
2002 1,6 no ano de 2009 e representar a curva de ajuste no diagrama de
2003 2,1 dispersão dos dados.
2004 3,7
2005 5,4
2006 8 Solução
2007 12,6
A equação polinomial de segundo grau de ajuste é:
Notas:
* em bilhões de dólares
f *(xi) = ax2 + bx + c.
Portanto, devemos encontrar os parâmetros a, b e c, resolvendo o

sistema:
204
Métodos Numéricos
Cálculo dos somatórios:
Para facilitar os cálculos, vamos fazer a seguinte equivalência com

os dados da tabela: 2000 = 0, 2001 = 1,…, 2007 = 7.
xi = 0 + 1 + 2 + … + 7 = 28
xi2 = 02 + 12 + … + 72 = 140
xi3 = 03 + 13 + … + 73 = 784
xi4 = 04 + 14 + … + 74 = 4676
yi = 1,2 + 1,3 + … + 12,6 = 35,9
xiyi = 0∙1,2 + 1∙1,3 + … + 7∙12,6 = 188,8
xi2yi = 02∙1,2 + 12∙1,3 + … + 72∙12,6 = 1126,2
n=8
Substituindo os valores, teremos:
Resolvendo o sistema pelo método de Gauss, teremos:
c = 1,5542 ; b = –0,8256 e a = 0,3327
Logo, a função do segundo grau de ajuste será:
f *(xi) = 0,3327x2 – 0,8256x + 1,5542.
Unidade 6 205
A estimativa das importações para o ano de 2009 será:
21,07 bilhões de dólares.
O diagrama de dispersão dos dados com a curva de ajuste é:
Figura 6.16 – Tela do software Excel® com o diagrama de dispersão e linha de tendência
Tabela 6.8 – Dados Exemplo 6.5: ajustar os dados da tabela 6.8, ao lado, a uma curva
do segundo grau, usando o método dos mínimos quadrados. Em
x f(x)
1,0 0,5
seguida, representar no diagrama de dispersão a curva ajustada.
2,0 0,6
3,0 0,9
4,0 0,8
Solução
5,0 1,2 Cálculo dos somatórios:
6,0 1,5
7,0 1,7
xi = 1,0 + 2,0 + 3,0 + … + 8,0 = 36,0
8,0 2,0
xi2 = 1,02 + 2,02 + 3,02 + … + 8,02 = 204,0
xi3 = 1,03 + 2,03 + 3,03 + … + 8,03 = 1296,0
xi4 = 1,04 + 2,04 + 3,04 + … + 8,04 = 8772,0
206
Métodos Numéricos
yi = 0,5 + 0,6 + … + 2,0 = 9,2
xiyi = 1,0∙0,5 + 2,0∙0,6 + … + 8,0∙2,0 = 50,5
xi2yi = 1,02∙0,5 + 2,02∙0,6 + … + 8,02∙2,0 = 319,1
n=8
Substituindo os valores, teremos:
Resolvendo o sistema pelo método de Gauss, teremos:
c = 0,4071 ; b = 0,0774 e a = 0,0155
Figura 6.17 – Tela do software Excel® com o diagrama de dispersão e linha de tendência
Unidade 6 207
Você sabia?
Que as calculadoras HP (48; 49 e 50) têm disponíveis
no menu STAT uma opção (3. Fit data…) que
pode ser usada para ajustar dados (x,y) aos quatro
modelos gerais de ajustes de funções como: lineares,
logarítmicas, exponenciais e polinomiais? Para usar este
recurso, é necessário ter pelo menos duas colunas na
variável ∑DAT.
Para acessar o programa 3. Fit data.. pressione STAT (tecla 5)

OK (figura 6.18).
Figura 6.18 – Tela da

HP-50G com modelo de
ajuste
É importante lembrar que os modelos pré-programados citados,

ou seja, linear, logaritmo, exponencial e polinomial, são os
seguintes:
Linear: y = b + mx
Logarítmico: y = b + m∙ln (x)
Exponencial: y = b∙emx
Polinomial: y = b∙xm
Para cada um desses modelos gerais, a ferramenta de regressão

encontra um interceptador b e uma inclinação m que corres-
pondem ao ajuste de mínimos quadrados para aquele modelo.
Além disso, calcula e retorna a covariância (de amostra ou popu-
lacional) e o coeficiente de correlação para a regressão.
208
Métodos Numéricos
Para executar uma regressão para duas variáveis:

Pressione STAT (tecla 5) OK para abrir o formulário 3. Fit
data..
Entre com a matriz que contém os dados que deseja ajustar.
Entre a variável independente em X-COL: e a variável dependente
em Y-COL:.
Escolha um dos quatro modelos de regressão (ou Best Fit, que
seleciona automaticamente o modelo com o coeficiente de
correlação com o maior valor absoluto) selecionando Model: Linear
Fit CHOOS . Vai aparecer a seguinte tela (figura 6.19).

HP-50G com modelos de
ajuste
Selecione o modelo usando e pressione OK . O modelo de

regressão calculada é visto no nível 3, o coeficiente de correlação no
nível 2 e a covariância no nível 1.
Para usar a regressão calculada para prever o valor de uma

variável:
Pressione STAT (tecla 5) OK para abrir o formulário 3. Fit
data..
Entre com a matriz que contém os dados que deseja ajustar.
Entre a variável independente em X-COL: e a variável dependente
em Y-COL:.
Escolha um dos quatro modelos de regressão (ou Best Fit, que
seleciona automaticamente o modelo com o coeficiente de
correlação com o maior valor absoluto) selecionando Model: Linear
Fit CHOOS OK .
Unidade 6 209
Pressione PRED para apresentar o formulário PREDICT (figura

6.20).

ajuste e a função predict
Entre o valor assumido tanto no campo x: quanto no y:

Mova a barra de destaque, se necessário, para o campo da variável
cujo valor deseja prever e pressione PRED . O valor calculado é
apresentado agora no campo. Pressione EDIT para visualizar o
número completo.
Para plotar um gráfico de dispersão dos dados e a curva de

regressão:
Execute a regressão como descrito anteriormente.
Pressione 2D/3D (para as calculadoras HP_48GII_49G+_50G) ou
PLOT (para a calculadora HP_48). Em seguida selecione Type:
Function CHOOS , e pressionando selecione Scatter (figura 6.21).

HP-50G com a função
Scatter
210
Métodos Numéricos
Para construir o diagrama de dispersão dos dados, pressione OK .

Vai aparecer a figura 6.22.

ajuste e a função predict
Selecione EDIT e entre com os dados emparelhados. Lembre-se

de que na coluna 1 você deve entrar com os valores de x e na
coluna 2 com os valores de y. Após a entrada dos dados pressione
em seguida pressione ERASE DRAW , e o diagrama será
construído. Observe que a escala será a que está definida na HP.
Após ter desenhado o diagrama, pressione STATL para sobrepor o
modelo de regressão mais recente na parte superior dos dados.
Exemplo 6.6: ajustar os dados ao lado (tabela 6.9) ao modelo Tabela 6.9 – Dados
linear, usando o método dos mínimos quadrados.
x y
0 0.5
Obs.: para que a sua calculadora apresente os mesmos resultados 1 2.3
desse exemplo, ajuste o formato de número para Fix 2, ou seja, 2 3.6
fixo com duas casas decimais. 3 6.7
4 7.2
5 11
Resolvendo na HP_48_48GII_49G+_50G: pressione STAT

(tecla 5) OK , selecione OK para abrir o formulário 3. Fit
data.., em seguida pressione EDIT para abrir o Matrix Writer.
Entre com os dados da tabela 0 0.5 1 2.3 2
3.6 3 6.7 4 7.2 5 11 OK .
Aparece a tela (figura 6.23) com a equação linear, o coeficiente de
correlação e a covariância.
Unidade 6 211

ajuste e o coeficiente de
correlação
Exemplo 6.7: plotar o gráfico de dispersão e a curva de regressão

do exemplo 6.6.
Resolvendo na HP_48_48GII_49G+_50G: Pressione 2D/3D

(para as calculadoras HP_48GII_49G+_50G) ou PLOT (para a
calculadora HP_48). Em seguida selecione Type: Function CHOOS
e pressionando selecione Scatter . Como os dados da tabela
estão salvos na memória da HP, aparece a seguinte tela (figura 6.24):

HP-50G com dados e
função scatter
Para plotar o diagrama de dispersão dos dados, pressione ERASE

DRAW (figura 6.25):

HP-50G com diagrama de
dispersão dos dados
212
Métodos Numéricos
Observe que só aparece um ponto na tela. Portanto, vamos

alterar as escalas dos eixos x e y para uma melhor visualização,
fazendo: CANCL WIN ajuste a escala horizontal para –1 a 10 e
a escala vertical para –3 a 15 (figura 6.26).

HP-50G para ajustar a
escala
Agora pressione ERASE DRAW e verifique a tela que aparece

(figura 6.27).

HP-50G com o diagrama
de dispersão de todos os
dados tabelados
Para construir a curva de regressão pressione STATL para sobrepor

o diagrama de dispersão (figura 6.28).

de dispersão e a reta de
ajuste
Unidade 6 213
Se você quiser visualizar na mesma tela o diagrama de dispersão

dos dados tabelados, a curva de ajuste e a equação, selecione FCn
NXEe . Aparece a tela (figura 6.29):

de dispersão e a equação
da reta de ajuste
6.4) O número de bactérias por unidade Tabela 6.10 – Dados
de volume existente em uma cultura após x

x y
horas é apresentado na tabela 6.10 ao lado. 0 32
Usando o método dos mínimos quadrados, 1 47
encontre a melhor equação de grau 2, de 2 65
3 92
ajuste dos dados tabelados. Em seguida, faça
4 132
uma estimativa para 7 horas e represente a 5 190
equação no diagrama de dispersão dos dados. 6 275
Onde:
x = no horas
y = no de bactérias
por vol. unitário
6.5) Ajuste os dados da tabela 6.11 ao lado Tabela 6.11 – Dados
pelo método dos mínimos quadrados a uma

x f(x)
reta e a uma parábola. Em seguida, responda: 0,50 –2,80
qual dos dois modelos ajusta melhor os dados 0,75 –0,60
tabelados? 1,00 1,00
1,50 3,20
2,00 4,80
2,50 6,00
3,00 7,00
214
Métodos Numéricos
6.6) A tabela 6.12 ao lado apresenta dados Tabela 6.12 – Dados
experimentais para o calor específico do cobre.

T(K) Cp (J/kg∙K)
Usando o método dos mínimos quadrados, 10 0,9
ajuste os dados para uma função polinomial 15 3
do segundo grau e do terceiro grau. Em 20 8
25 16
seguida, apresente o diagrama de dispersão
30 27
com as curvas de ajuste e selecione a que 40 60
melhor ajustou os dados. 50 99
60 137
Sugestão: use o Excel para realizar a questão. 70 173
80 205
90 232
100 254
6.7) Ajuste os dados da tabela 6.13 ao lado, Tabela 6.13 – Dados
usando o método dos mínimos quadrados a

i xi yi
um polinômio do primeiro grau e do segundo 1 0,0000 1,0000
grau. Faça a representação das curvas de ajuste 2 0,2500 1,2840
no diagrama de dispersão e escolha a que 3 0,5000 1,6487
4 0,7500 2,1170
melhor ajusta os dados.
5 1,0000 2,7183
6.8) Ajuste os dados da tabela 6.14 ao lado Tabela 6.14 – Dados
pelo método dos mínimos quadrados a uma

x y
função do segundo grau. Apresente o diagrama 1 1,2
de dispersão dos dados e a curva de ajuste. 2 3,4
3 4,1
4 5,1
5 6,9
6 8,7
7 9,9
8 12,1
9 13,4
10 16,1
Unidade 6 215
Síntese
Nesta unidade usamos as funções polinomiais para ajustar dados
tabelados. A partir da determinação da função de ajuste extrapo-
lamos dados não tabelados, objetivando determinar estimativas
que foram avaliadas, por meio do coeficiente de determinação.
Enfatizamos, ainda, que esta unidade abordou um texto intro-
dutório sobre ajustes, já que usamos modelos matemáticos
pré-definidos.
Destacamos a importância do uso de recursos tecnológicos, como

planilha de cálculo, softwares matemáticos e ainda calculadoras
gráficas para auxiliar nos desenvolvimentos dos cálculos.
Saiba mais



MICROSOFT Office Excel 2003. Versão 11.83. [S.l.]:

Microsoft Corporation, 2003. 1 DVD-ROM.


216
7
UNIDADE 7
Integração numérica
Compreender o conceito de integração numérica.
Aplicar métodos numéricos de integração para calcu-
lar as integrais definidas de funções analíticas, cujas
antiderivadas não são simples de se obter.
Aplicar métodos numéricos para calcular a integral definida
que não tem uma forma analítica, mas que está definida por
uma tabela de dados provenientes de situações práticas.
Calcular o erro de truncamento com o obje-
tivo de melhorar a solução apontada.
Usar recursos computacionais como softwares matemáticos e/ou
calculadoras gráficas para auxiliar no cálculo de integrais definidas.
Seções de estudo
Seção 2 Regra dos trapézios
Seção 3 Primeira regra de Simpson
Seção 4 Segunda regra de Simpson

Nesta unidade estudaremos os métodos numéricos de integração
numérica para calcular as integrais definidas de funções analíticas,
cujas primitivas não sejam simples de se calcular, usando os
métodos convencionais do cálculo integral.
Daremos destaque, também, às situações em que a forma

analítica não é conhecida, mas apenas um conjunto de pontos
{xi,yi}ni=0 tabelados. Para essas situações, a integração numérica
pode trazer excelentes resultados, gerando aproximações extrema-
mente confiáveis.
Do cálculo integral, é sabido que o método básico de resolução

de uma integral simples é chamado de quadratura numérica, que
utiliza somatório. Os métodos que utilizaremos terão como base
as quadraturas e os polinômios interpoladores. Portanto, vamos
trabalhar com polinômios de aproximação de 1o, 2o e 3o grau,
que vão gerar a regra dos trapézios, primeira e segunda regras de
Simpson, respectivamente.
É importante destacar a importância dos softwares matemáticos

e das calculadoras gráficas como ferramentas de auxílio na
resolução e aplicação dos métodos numéricos de integração.
Portanto, daremos destaque a essas ferramentas neste texto.
Do cálculo integral sabemos que, se uma função f (x) é contínua
em um intervalo [a,b] e a sua primitiva F(x) é conhecida,
podemos calcular a integral definida desta função no intervalo
dado, ou seja:
f (x)dx = F(b) – F(a) (7.1)
Duas situações merecem destaque e serão estudadas nesta

unidade:
218
Métodos Numéricos
1. Em alguns casos, a obtenção da primitiva F(x) usando

os métodos analíticos não é muito fácil. Como exemplo,
podemos citar a integral:
que é uma integral elíptica de 2a ordem e que tem sua

resolução pelos métodos analíticos complexa, podendo
levar a erros algébricos.
2. Outra situação é quando não dispomos de uma função a

ser integrada, na forma analítica, em situações práticas,
mas sim de uma tabela de pontos {xi,yi}ni=0, tornando
inviável o uso dos métodos analíticos no cálculo da
integral definida.
Para calcular a integral definida nas situações citadas acima,

faremos uso dos métodos numéricos de integração.
Nas próximas seções estudaremos as regras dos trapézios e a

primeira e segunda regra de Simpson, que fazem parte das
fórmulas de Newton-Côtes e que empregam valores de f (x),
onde os valores de x são igualmente espaçados.
As fórmulas de Newton-Côtes usam o polinômio interpolador

de Gregory-Newton:
(7.2)
sendo que:
Rn = resíduo da interpolação
Unidade 7 219
Para obtermos as fórmulas de Newton-Côtes, aproximamos

a função f (x) da integral definida ∫ab f (x)dx, pelo polinômio
interpolador de Gregory-Newton e, em seguida, fazemos a sua
integração.
Seção 2 – Regra dos trapézios

Na regra dos trapézios utilizamos o polinômio interpolador,
de Gregory-Newton, do primeiro grau, ou seja, estaremos
aproximando por uma reta.
Fazendo n = 1 na equação (7.2) e em seguida substituindo em

(7.1), teremos:
I= f (x)dx = P1(x)dx = [y0 + z∆y0]dx (7.3)
Como:
(7.4)
Fazendo a = x0 e b = x1, os intervalos de integração, tem-se:
Substituindo (7.4) e a = 0; b = 1 em (7.3), teremos:
220
Métodos Numéricos
Logo:
(7.5)
A equação (7.5) é a fórmula dos trapézios.
Figura 7.1 – Interpretação geométrica da integral de f(x) e da regra dos trapézios
Observando a figura acima, podemos verificar que passamos uma

reta pelos pontos (a, f (a)) e (b, f (b)). Portanto, a integral de f (x)
está sendo aproximada pela área sob esta reta, que é a área de um
trapézio.
Na interpretação geométrica, apresentada na figura 7.1, podemos

verificar que a área do trapézio é maior do que a da figura
formada por f (x), as retas x = a, x = b e o eixo dos x.
Essa diferença entre a integral exata de f (x) e a integral

aproximada (determinada pelo trapézio) é o erro de integração.
Esse erro ocorre em função da aproximação feita pelo polinômio
de Gregory-Newton para a função integrando. Na figura 7.2, a
interpretação do erro de truncamento.
Unidade 7 221
Figura 7.2 – Interpretação geométrica do erro de truncamento
Para determinar o erro de truncamento (ET) (área do erro),

vamos integrar o resíduo do polinômio interpolador:
(7.6)
Quando f ''(x) > 0, a regra dos trapézios aproxima o valor

da integral f (x) por excesso.
Quando f ''(x) < 0, a regra dos trapézios aproxima o valor

da integral f (x) por falta.
Exemplo 7.1: usar a regra dos trapézios para calcular uma

aproximação para a integral ∫10 (x2 + x)dx. Em seguida calcular
a integral analiticamente e o erro de truncamento causado pela
regra dos trapézios. Fazer a interpretação geométrica da questão.
Regra dos trapézios:
Como y = x2 + x, teremos:
y0 = 02 + 0 = 0
h = x1 – x0 = 1 – 0 = 1
y1 = 12 + 1 = 2
222
Métodos Numéricos
Logo:
I= (2 + 0) = 1
Como y = x2 + x:
y’ = 2x + 1
y’’ = 2
Logo: I = 1 – 0,1667 = 0,8333
Resolvendo a integral analiticamente:
Figura 7.3 – Interpretação geométrica da integral e do erro de truncamento
Observando a figura anterior, percebe-se que a regra dos

trapézios aproximou a integral por excesso.
Unidade 7 223
Exemplo 7.2: usar a regra dos trapézios para encontrar uma

aproximação para a integral elíptica de 2a ordem:
Regra dos trapézios:
Como y = , teremos:
h = x1 – x0 = 2 – 1 = 1
Logo:
I= (1,0831 + 1,1366) = 1,1099
7.2 Fórmula composta
A fórmula composta consiste em subdividir o intervalo [a,b] em

n subintervalos de amplitude h e, a cada subintervalo, aplicar a
regra dos trapézios fazendo, em seguida, o somatório dessas áreas.
Dessa forma, podemos reduzir o erro de truncamento, gerando
uma melhor aproximação para a integral de f (x).
Obtenção da fórmula:
I= (y0 + y1) + (y1 + y2) + … + (yn–1 + yn)
I= (y0 + 2∙y1 + 2∙y2 + … + 2∙yn–1 + yn) (7.7)
sendo que:
224
Métodos Numéricos
Interpretação geométrica da fórmula composta:
Figura 7.4 – Interpretação geométrica da fórmula composta
7.3 Erro de truncamento para a fórmula composta
O erro cometido na aproximação da integral, usando a fórmula

composta, é o somatório dos erros cometidos em cada subinter-
valo, ou seja:
Portanto, podemos expressar o erro de truncamento para a

fórmula composta da seguinte maneira:
Como f ''(x) é contínua, existe a ≤ x ≤ b, tal que:
Unidade 7 225
Logo, podemos escrever o erro de truncamento como:
(7.8)
Exemplo 7.3: usando a regra dos trapézios composta e subdivi-

dindo o intervalo de integração em quatro subintervalos, calcular
a integral do exemplo 7.1 e em seguida o erro de truncamento.
A integral é: ∫10 (x2 + x)dx Tabela 7.1 – Dados
i xi yi
Como , temos: 0 0,00 0,0000
1 0,25 0,3125
2 0,50 0,7500
, logo: 3 0,75 1,3125
4 1,00 2,0000
Calculando a integral pela regra dos trapézios composta:
I= [y0 + 2∙y1 + 2∙y2 + 2∙y3 + y4]
I= [0 + 2∙0,3125 + 2∙0,75 + 2∙1,3125 + 2]
I = 0,84375
Logo:
I = 0,84375 – 1,04167×10–2 = 0,83333
226
Métodos Numéricos
Observe que o erro de truncamento na fórmula composta é

menor do que o erro de truncamento na fórmula simples.
Exemplo 7.4: calcular a integral do exemplo 7.2 usando a regra

dos trapézios composta, subdividindo o intervalo de integração
em seis subintervalos.

A integral é:
i xi yi
0 1,0000 1,1366
Como , temos: 1 1,1667 1,0745
2 1,3333 1,0273
3 1,5000 1,0025
, logo: 4 1,6667 1,0046
5 1,8334 1,0331
6 2,0000 1,0831
Calculando a integral pela regra dos trapézios composta:
I= [y0 + 2∙y1 + 2∙y2 + 2∙y3 + 2∙y4 + 2∙y5 + y6]
I= [1,1366 + 2∙1,0745 + 2∙1,0273 + 2∙1,0025

+ 2∙1,0046 + 2∙1,0331 + 1,0831]
I = 1,04199
Você sabia?
Que nas calculadoras HP (48 – 49 e 50) é possível
calcular integrais simbólicas para expressões com
antiderivadas conhecidas e também é possível estimar
o valor numérico daquelas e de outras integrais?
Para encontrar o valor de uma integral, com limites numéricos na HP

(48 – 49 e 50), clique em: EQW   digite o limite inferior
  digite o superior   digite a expressão variável x
 . O resultado aparecerá na tela.
Unidade 7 227
Exemplo 7.5: calcular ∫12 (x2 + 2x)dx.
Pressione EQW 1 2 2 2
. O resultado é 5.33 (figura 7.5).
Figura 7.5 – Tela da HP

com a integral resolvida

7.1) Calcule o valor da integral e o erro de truncamento
cometido, usando a regra dos trapézios simples.
Em seguida, faça uma interpretação geométrica do erro de

truncamento.
7.2) Use a regra dos trapézios simples para calcular a integral

∫10 (x – 2)dx. Em seguida, determine o erro de truncamento
cometido.

7.3) Use a fórmula composta para calcular o valor da integral
i xi yi ∫12 cos(x)dx subdividindo o intervalo de integração em quatro
0 0,0 3,025 subintervalos.
1 0,5 3,425
2 1,0 3,984
3 1,5 4,123 7.4) Seja a função f (x) dada pela tabela 7.3, ao lado, calcule o
4 2,0 4,298 valor da integral:
5 2,5 4,894
6 3,0 5,125
I = ∫03 f (x)dx.
228
Métodos Numéricos
7.5) Para os dados da função f (x) tabelados (tabela 7.4 ao lado), Tabela 7.4 – Dados
calcule a integral de f (x) com limites de integração:

i xi yi
0 1,0 1,25
a = 1,0 e b = 2,6. 1 1,4 1,62
2 1,8 1,89
3 2,2 2,01
4 2,6 2,23
Seção 3 – Primeira regra de Simpson
Na obtenção da primeira regra de Simpson, usaremos um
polinômio interpolador do segundo grau P2(x) para aproximar a
função f (x) em (7.2), ou seja:
Integrando no intervalo [a,b], teremos:
Como:
Na regra dos trapézios simples, usamos dois pontos (x0, f (x0))

e (x1, f (x1)) para gerar o polinômio de aproximação do 1o grau.
Na primeira regra de Simpson, vamos usar três pontos para
gerar o polinômio de aproximação do 2º grau, ou seja: (x0, f (x0)),
(x1, f (x1)) e (x2, f (x2)), que devem ser igualmente espaçados.
Fazendo x0 = a e x2 = b, podemos escrever:
Unidade 7 229
Portanto, substituindo os valores a = 0, b = 2 e dx = hdz na

integral I, teremos:
Como:
∆y0 = y1 – y0 e
∆2y0 = ∆y1 – ∆y0 = (y2 – y1) – (y1 – y0) = y2 – 2y1 + y0
Podemos escrever:
I= (y0 + 4y1 + y2) (7.9)
Essa é a primeira regra de Simpson, também conhecida como a

regra de 1/3.
230
Métodos Numéricos
Interpretação geométrica da primeira regra de Simpson:
Figura 7.6 – Interpretação geométrica da 1a regra de Simpson
Para determinar o erro de truncamento cometido na integração,

usando a primeira regra de Simpson, vamos usar (ver demons-
tração em BARROSO, 1985, p. 217):
(7.10)
Obs.: observando a fórmula do erro de truncamento 7.10,

a derivada de f (x) é de quarta ordem. Isto significa que a
1a regra de Simpson fornece valores exatos para a integração de
polinômios de 2o grau e do 3o grau.
Exemplo 7.6: usando a 1a regra de Simpson, calcular a integral

∫12 (x3 + 3x)dx e o erro de truncamento gerado. Fazer uma inter-
pretação geométrica do erro de truncamento.
Aplicando a primeira regra de Simpson:
I= (y0 + 4y1 + y2)
Fazendo h = 0,5
Unidade 7 231
Como y = x3 + 3x, teremos:

y0 = (1,0)3 + 3∙(1,0) = 4
I= (4 + 4∙7,875 + 14)
y1 = (1,5)3 + 3∙(1,5) = 7,875
I = 8,25
y2 = (2,0)3 + 3∙(2,0) = 14
Como a função f (x) é de 3o grau, a derivada de quarta ordem é

zero, ou seja, f ''''(x) = 0. Logo, o erro de truncamento é zero.
Figura 7.7 – Interpretação geométrica do

erro de truncamento da 1a regra de Simpson
Observando a figura 7.7, percebemos que no intervalo [1,2] a

imagem geométrica de f (x) coincide com a do polinômio P2(x).
Portanto, o erro é nulo.
232
Métodos Numéricos
7.5 Fórmula composta para a primeira regra de Simpson
Para determinar a fórmula composta para a primeira regra de

Simpson, vamos subdividir o intervalo [a,b] em n subintervalos
iguais de amplitude h.
Em seguida, aplicamos a 1a regra de Simpson a cada par de

subintervalos e fazemos o somatório. É importante destacar que,
como a regra de Simpson é aplicada aos pares, o número n de
subintervalos deve ser par.
I= [y0 + 4y1 + y2] + [y2 + 4y3 + y4] + … + [yn–2 + 4yn–1 + yn]
I= [y0 + 4y1 + 2y2 + 4y3 + 2y4 + … + 2yn–2 + 4yn–1 + yn] (7.11)
7.6 Erro de truncamento para a 1a regra de Simpson
O erro de truncamento para a 1a regra de Simpson é calculado

usando:
(7.12)
Exemplo 7.7: calcular a integral do exemplo 7.2 usando a

fórmula composta para 1a regra de Simpson, subdividindo o
intervalo de integração em seis subintervalos.

A integral é:
i xi yi
0 1,0000 1,1366
Como , temos: 1 1,1667 1,0745
2 1,3333 1,0273
3 1,5000 1,0025
, logo: 4 1,6667 1,0046
5 1,8334 1,0331
6 2,0000 1,0831
Unidade 7 233
Usando a fórmula composta para a 1a regra de Simpson:
I= [y0 + 4y1 + 2y2 + 4y3 + 2y4 + … + 2yn–2 + 4yn–1 + yn]
I= [1,1366 + 4∙1,0745 + 2∙1,0273 + 4∙1,0025

+ 2∙1,0046 + 4∙1,0331 + 1,0831]
I = 1,04023
Tabela 7.5 – Dados Exemplo 7.8: seja f (x) conhecida apenas nos pontos tabelados
(tabela 7.5 ao lado). Calcular o valor da integral I = ∫13 f (x)dx
i xi yi
0 1,2 2,35
utilizando a 1a regra de Simpson, com n = 4.
1 1,8 2,86
2 2,4 3,46 Usando a fórmula composta para a 1a regra de Simpson:
3 3,0 3,98
4 3,6 4,42 I= [y0 + 4y1 + 2y2 + 4y3 + 2y4 + … + 2yn–2 + 4yn–1 + yn]
I= [2,35 + 4∙2,86 + 2∙3,46 + 4∙3,96 + 4,42]
I = 8,194

7.6) Usando a primeira regra de Simpson, calcule o valor da
integral abaixo, para n = 6.
7.7) Calcule a integral , usando a primeira regra de

Simpson e n = 4.
7.8) Determine o valor da integral abaixo e o erro cometido para

n = 6, usando a primeira regra de Simpson:
I = ∫22,6 (x3 + 2x2 + x – 1)dx
7.9) Use a primeira regra de Simpson para calcular o valor da

integral ∫12 ln(x + 2)dx, para n = 4.
234
Métodos Numéricos
7.10) Calcule o valor da integral I = ∫13 x∙exdx, para n = 4.

Use a primeira regra de Simpson.
Seção 4 – Segunda regra de Simpson

Para a obtenção da fórmula para a segunda regra de Simpson,
vamos aproximar a função f (x) em (7.2), pelo polinômio interpo-
lador de Gregory-Newton do 3o grau, ou seja:
Integrando no intervalo [a,b], teremos:
Seguindo o mesmo raciocínio para a obtenção da fórmula da

primeira regra de Simpson, teremos:
I= (y0 + 3y1 + 3y2 + y3) (7.13)
Essa é a segunda regra de Simpson, que também é conhecida

como a regra dos 3/8.
7.7 Erro de truncamento para a segunda regra de Simpson
De maneira análoga à primeira regra de Simpson, o erro de

truncamento para a segunda regra é calculado integrando o
resíduo gerado pela aproximação polinomial. Portanto, o erro de
truncamento pode ser determinado por:
Unidade 7 235
7.8 Fórmula composta para a segunda regra de Simpson
Para a obtenção da fórmula composta da segunda regra de

Simpson, subdividimos o intervalo [a,b] em n subintervalos
iguais de amplitude h. Nesse caso, o número n deve ser múltiplo
de 3, pois utilizamos quatro pontos para determinar o polinômio
de aproximação do 3o grau. Portanto, a fórmula composta da
segunda regra de Simpson é:
I = (y0 + 3y1 + 3y2 + 2y3 + 3y4 + 3y5 + 2y6 + …

+ 3yn–2 + 3yn–1 + yn) (7.14)
E o erro de truncamento será dado por:
(7.15)
Exemplo 7.10: calcular o valor da integral I = ∫12 (x5 – 4x + 3)dx,

usando a segunda regra de Simpson, subdividindo o intervalo
de integração em seis subintervalos. Resolver a integral com o
auxílio do Derive 6 e, em seguida, comparar com o resultado
encontrado pela segunda regra de Simpson.

Como , temos:
i xi yi
0 1,0 0,00
, logo: 1 1,2 0,49
2 1,3 1,88
3 1,5 4,59
4 1,7 9,19
5 1,8 16,38
6 2,0 27,00
Calculando a integral:
I= (y0 + 3y1 + 3y2 + 2y3 + 3y4 + 3y5 + y6)
I= (0 + 3∙0,49 + 3∙1,88 + 2∙4,59 + 3∙9,19 + 3∙16,38 + 27)
I = 7,50015
236
Métodos Numéricos
Exemplo 7.11: baseado em Barroso (1987, p. 230) calcular o

valor da integral abaixo, com e < 10–5, usando a segunda regra de
Simpson.
A figura 7.11 vai ilustrar qual é a área que estamos calculando:
Figura 7.11 – Área a ser calculada pela segunda regra de Simpson
Observando a figura 7.11, podemos verificar que existe uma

simetria entre os intervalos [0, ] e [ ,p]. Portanto, para calcular
a área, podemos determinar a área da primeira metade e, em
seguida, multiplicar por dois.
Cálculo do número de subintervalos n usando a precisão e < 10–5

estabelecida para o erro de truncamento:
< 10–5, como 0 ≤ x ≤ , | f ''''(x) |max = 1
Portanto:
logo, faremos n = 12, já que pela segunda regra de Simpson o

número de subintervalos deve ser múltiplo de 3.
Unidade 7 237

Como , temos:
i xi yi
0 0 0,000000
, logo: 1 π/24 0,017037
2 π/12 0,066987
3 3π/24 0,146446
4 π/6 0,250000
5 5π/24 0,370590
6 π/4 0,500000
7 7π/24 0,629409
8 π/3 0,750000
9 9π/24 0,853553
10 5π/12 0,933012
11 11π/24 0,982962
12 π/2 1,000000
Calculando a integral:
I = 2∙ (y0 + 3y1 + 3y2 + 2y3 + 3y4 + 3y5 + 2y6 + 3y7 + 3y8 + 2y9
+ 3y10 + 3y11 + y12)
I = 2∙ (0 + 3∙0,017037 + 3∙0,066987 + 2∙0,146446 + … +

+ 3∙0,982962 + 1)
I = 2∙0,785398 = 1,570795
Tabela 7.8 – Dados Exemplo 7.12: seja f (x), definida através da tabela 7.8 ao lado.
2,1
i xi yi Calcular I = ∫1,5 f (x)dx, usando as 1a e 2a regra de Simpson.
0 1,5 0,1325
1 1,6 0,2598
2 1,7 0,3658 Calculando a integral usando a 1a regra de Simpson:
3 1,8 0,4587
4 1,9 0,5987 I= [y0 + 4y1 + 2y2 + 4y3 + 2y4 + … + 2yn–2 + 4yn–1 + yn]
5 2,0 0,6985
6 2,1 0,7852
I= [0,1325 + 4∙0,2598 + 2∙0,3658 + 4∙0,4587 + 2∙0,5987
+ 4∙0,6985 + 0,7852]
I = 0,283823
238
Métodos Numéricos
Calculando a integral usando a 2a regra de Simpson:
I= (y0 + 3y1 + 3y2 + 2y3 + 3y4 + 3y5 + y6)
I = (0,1325 + 3∙0,2598 + 3∙0,3658 + 2∙0,4587 + 3∙0,5987

+ 3∙0,6985 + 0,7852)
I = 0,285131

1,8
7.11) Calcule a integral I = ∫1,2 (x3 – 2x2 + x – 3)dx usando a
segunda regra de Simpson e subdividindo o intervalo [1,2;1,8]
em seis partes.
7.12) Calcule o valor da integral abaixo usando a primeira

e a segunda regra de Simpson e subdividindo o intervalo
de integração em seis partes. Em seguida, calcule o erro de
truncamento máximo nos dois casos.
i xi yi
0 1,0 1,3256
1 1,2 1,6598
2 1,4 1,9001
7.13) Seja f (x) definida através da tabela 7.9 ao lado. 3 1,6 2,1023
4 1,8 2,3542
Calcule I = ∫12,2 f (x)dx, aplicando a primeira e segunda regra de 5 2,0 2,6598
Simpson. 6 2,2 2,9896
7.14) Calcule a integral abaixo, usando a segunda regra de

Simpson com n = 9.
i xi yi
0 0,5 0,8569
1 0,8 1,2358
2 1,1 1,6895
7.15) Dada a função f (x) definida através da tabela 7.10 ao lado. 3 1,4 2,0012
2,3
4 1,7 2,5698
Calcule o valor de I = ∫0,5 f (x)dx usando a segunda regra de 5 2,0 2,9681
Simpson. 6 2,3 3,0125
Unidade 7 239
Síntese
Nesta unidade estudamos os métodos numéricos para calcular as
integrais definidas de funções analíticas, cujas primitivas não são
simples de se calcular, usando os métodos convencionais do cálculo
integral. Demos destaque, também, às situações em que a forma
analítica não é conhecida, mas apenas um conjunto de pontos
tabelados. Para essas situações, a integração numérica traz excelentes
resultados, gerando aproximações extremamente confiáveis.
Os métodos utilizados tiveram como base as quadraturas e os

polinômios interpoladores.
Destacamos, ainda, a importância dos softwares matemáticos

e das calculadoras gráficas como ferramentas de auxílio na
resolução e aplicação dos métodos numéricos de integração.
Saiba mais





240
Para concluir o estudo
Na disciplina Métodos Numéricos você estudou o conceito

de aproximação na matemática numérica, procurando
verificar as possíveis fontes de erros no processo de
resolução de um problema de natureza física, química etc.
Discutiu a importância dos polinômios no contexto da

matemática numérica quanto ao estudo da interpolação e
da aproximação de funções com o objetivo de representar
dados tabelados e realizar projeções.
Utilizou métodos iterativos na resolução de equações

algébricas e transcendentais e de sistemas de equações
lineares, estipulando critérios de parada de modo a avaliar a
precisão e exatidão desejada para o problema em questão.
E, finalmente, estudou os métodos de integração numérica

para calcular as integrais definidas de funções analíticas,
cujas primitivas não sejam simples de se calcular, usando os
métodos convencionais do cálculo.
Destacamos, também, que você pôde ter contato com

ferramentas computacionais, como os softwares: Graph 2.6
e Excel®, e ainda com a calculadora gráfica para auxiliar a
resolução de problemas que envolvem os métodos numéricos.
Acreditamos que você usará os conhecimentos adquiridos

nesta disciplina em situações do contexto do seu dia a dia e
na sua vida acadêmica e profissional.
José Humberto Dias de Tolêdo

Sobre o professor conteudista
José Humberto Dias de Tolêdo Mestre em Educação

pela Universidade do Sul de Santa Catarina. Graduado
em Licenciatura em Matemática e em Engenharia
Civil. Professor das disciplinas Informática Aplicada a
Matemática Financeira, Matemática Financeira, no Curso
de Matemática – Licenciatura, nesta mesma instituição.
Atualmente, ministra as disciplinas Matemática Financeira
Aplicada I e II na Pós Graduação em Matemática
Financeira Aplicada aos Negócios e Planejamento
Financeiro na Pós Graduação em Contabilidade.
Referências
ANUÁRIO ESTATÍSTICO DO BRASIL 1997. Rio de

Janeiro: IBGE, v.57, p. 2-14 – 2-15, 1998.
BARROSO, L. C. Cálculo numérico. São Paulo: Harbra,

1987.
BURDEN, Richard L.; FAIRES, J. Douglas. Análise

Numérica. São Paulo: Pioneira, 2003.

FLEMMING, Diva Marília et al. Tópicos especiais de

matemática. Palhoça: UnisulVirtual, 2004.
GRAPH 2.6. Versão 2.6. [S.l.]: Ivan Johansen, 2008.

Disponível em: <http://www.padowan.dk/graph>. Acesso
em: 20 jun. 2008.
HP-50g Calculadora Gráfica. Manual do usuário.

Hewlett-Packard Company, 2006.
MICROSOFT Office Excel 2003. Versão 11.83. [S.l.]:

Microsoft Corporation, 2003. 1 DVD-ROM.

integrado com o derive. São Paulo: Atlas, 2000.
RUGGIERO, M. A. G. Cálculo numérico: aspectos

teóricos e computacionais. São Paulo: Makron Books, 1997.
Respostas e comentários das
atividades de autoavaliação
Unidade 1
1.1)
a) 2310 = 101112
b) 192710 = 111100001112
c) 0,234510 = 0,001111000…
d) –32,210 = –100000,0011001…
1.2)
a) 110012 = 2510
b) 0,1012 = 0,62510
c) 111,0012 = 7,12510
d) 1111110012 = 50510
1.3)
a) 2710
mantissa expoente
0 1 1 0 1 1 0 1 0 1
b) –0,234510
mantissa expoente
1 1 1 1 1 0 0 0 0 0 0 1 1 0
c) 3,3610
mantissa expoente
0 1 1 0 1 0 1 1 1 0 0 0 1 0
d) –0,0000210
mantissa expoente
1 1 0 1 0 0 1 1 1 1 1 1 1 1 1 1
1.4)
Menor = 0,100×10–3 = 0,0001 ; Maior = 0,999×105 = 99900
1.5)
a) x + y + z
0,23615×103, no truncamento
0,23616×103, no arredondamento
b) x∙y + z
c)
d) x – y – z
248
Métodos Numéricos
1.6)
Tabela 1 – Conversão de números
Aproximação Erro absoluto Erro relativo

a) 297 0,345 1,162×10–3
b) 324 0,299 7,07×10–4
c) 14,4 0,038 2,639×10–3
d) –0,313 1,66×10–4 5,3×10–4
1.7)
Mantissas possíveis: 0,100; 0,101; 0,110 e 0,111
Expoentes: –3; –2; –1; 0; 1; 2
F = 2∙(2 – 1)∙23–1∙(2 + 3 + 1) + 1 = 2∙1∙4∙6 + 1 = 49 elementos
±0,100×10–3 = ±0,0001 = ±(0∙20 + 0∙2–1 + 0∙2–2 + 0∙2–3 + 1∙2–4) = ±
±0,100×10–2 = ±0,001 = ±(0∙20 + 0∙2–1 + 0∙2–2 + 1∙2–3) = ±
±0,100×10–1 = ±0,01 = ±(0∙20 + 0∙2–1 + 1∙2–2) = ±
±0,100×100 = ±0,1 = ±(0∙20 + 1∙2–1) = ±
±0,100×101 = ±1 = ±1∙20 = ±1
±0,100×102 = ±10 = ±(1∙21 + 0∙20) = ±2
±0,101×10–3 = ±0,000101
±0,101×10–3 = ±(0∙20 + 0∙2–1 + 0∙2–2 + 0∙2–3 + 1∙2–4 + 0∙2–5 + 1∙2–6)
±0,101×10–3 = ±
±0,101×10–2 = ±0,00101
±0,101×10–3 = ±(0∙20 + 0∙2–1 + 0∙2–2 + 1∙2–3 + 0∙2–4 + 1∙2–5) = ±
±0,101×10–1 = ±0,0101
±0,101×10–3 = ±(0∙20 + 0∙2–1 + 1∙2–2 + 0∙2–3 + 1∙2–4) = ±
±0,101×100 = ±0,101 = ±(0∙20 + 1∙2–1 + 0∙2–2 + 1∙2–3) = ±
249
±0,101×101 = ±1,01 = ±(1∙20 + 0∙2–1 + 1∙2–2) = ±
±0,101×102 = ±10,1 = ±(1∙21 + 0∙20 + 1∙2–1) = ±
±0,110×10–3 = ±0,000110
±0,110×10–3 = ±(0∙20 + 0∙2–1 + 0∙2–2 + 0∙2–3 + 1∙2–4 + 1∙2–5 + 0∙2–6)
±0,110×10–3 = ±
±0,110×10–2 = ±0,00110
±0,110×10–3 = ±(0∙20 + 0∙2–1 + 0∙2–2 + 1∙2–3 + 1∙2–4 + 0∙2–5) = ±
–1
±0,110×10 = ±0,0110
±0,110×10–3 = ±(0∙20 + 0∙2–1 + 1∙2–2 + 1∙2–3 + 0∙2–4) = ±
±0,110×100 = ±0,110 = ±(0∙20 + 1∙2–1 + 1∙2–2 + 0∙2–3) = ±
±0,110×101 = ±1,10 = ±(1∙20 + 1∙2–1 + 0∙2–2) = ±
±0,110×102 = ±11,0 = ±(1∙21 + 1∙20 + 0∙2–1) = ±3
±0,111×10–3 = ±0,000111
±0,111×10–3 = ±(0∙20 + 0∙2–1 + 0∙2–2 + 0∙2–3 + 1∙2–4 + 1∙2–5 + 1∙2–6)
±0,111×10–3 = ±
±0,111×10–2 = ±0,00111
±0,111×10–3 = ±(0∙20 + 0∙2–1 + 0∙2–2 + 1∙2–3 + 1∙2–4 + 1∙2–5) = ±
±0,111×10–1 = ±0,0111
±0,111×10–3 = ±(0∙20 + 0∙2–1 + 1∙2–2 + 1∙2–3 + 1∙2–4) = ±
±0,111×100 = ±0,111 = ±(0∙20 + 1∙2–1 + 1∙2–2 + 1∙2–3) = ±
±0,111×101 = ±1,11 = ±(1∙20 + 1∙2–1 + 1∙2–2) = ±
±0,111×102 = ±11,1 = ±(1∙21 + 1∙20 + 1∙2–1) = ±
250
Métodos Numéricos
1.8) Esta máquina trabalha na base binária, logo:
x= = 0,625 = 0,101
y= = 0,375 = 0,011
z= = 0,750 = 0,110
Devemos verificar se: x + (y + z) = (x + y) + z
Fazendo a verificação:
0,101 + (0,011 + 0,110) = (0,101 + 0,011) + 0,110

0,101 + 1,00 = 1,00 + 0,110
1,10 ≠ 1,11
Observe que o resultado do primeiro membro da igualdade foi

diferente do segundo membro. Logo, para esse sistema de ponto
flutuante, a propriedade associativa da adição não se verifica.
1.9)
Tabela 2 – Representação numérica
Representação Representação
Representação em
x pelo método de pelo método de
ponto flutuante arredondamento truncamento
23,45678 0,2345678×102 23,5 23,4
–0,3489 –0,3489×100 –0,349 –0,348
23456,789 0,23456789×105 23500 23400
Observe que o expoente Observe que o expoente
0,0000003 0,3×10–6 é menor do que –5. A é menor do que –5. A
máquina não lê o número. máquina não lê o número.
Observe que o expoente Observe que o expoente
345678,234 0,345678234×106 é maior do que –5. A é maior do que –5. A
máquina não lê o número. máquina não lê o número.
–34,5673 –0,345673×102 –34,6 –34,5
251
Unidade 2
2.1)
Se –2 é raiz de P(x), então:
P(–2) = 0 ⇒ (–2)3 + 2∙(–2)2 – b∙(–2) + 1 = 0
–8 + 8 + 2b + 1 = 0
2b = –1 ⇒ b = –
2.2)
Para o polinômio ser de grau 3, o coeficiente de x3 deve ser

diferente de zero, ou seja:
(a2 – 1) ≠ 0 ⇒ a2 ≠ 1 ⇒ a ≠ ±√1 ⇒ a ≠ ±1;
já, para P(x) ser de grau 2, o coeficiente de x3 deve ser igual a

zero e o coeficiente de x2 igual a zero, ou seja:
a2 – 1 = 0 ⇒ a = ±1 e a + 1 ≠ 0 ⇒ a ≠ –1,
logo, para o polinômio ser do segundo grau, a = 1;
para ser do primeiro grau, os coeficientes de x3 e x2 devem ser

iguais a zero. Portanto, a = –1.
2.3)
2.4)
O polinômio de grau 3 com o coeficiente de x3 = 1 1 pode ser

escrito da seguinte forma:
P(x) = x3 + ax2 + bx + c.
Portanto, devemos encontrar os coeficientes a, b e c.
252
Métodos Numéricos
Como:
P(1) = 7 ⇒ (1)3 + a(1)2 + b(1) + c = 7 ⇒ a + b + c = 6

P(0) = 10 ⇒ (0)3 + a(0)2 + b(0) + c = 10 ⇒ c = 10
P(2) = 26 ⇒ (2)3 + a(2)2 + b(2) + c = 26 ⇒ 4a + 2b = 8 ⇒
⇒ 2a + b = 4
Logo a = 8, b = –12 e c = 10. Portanto:
P(x) = x3 + 8x2 – 12x + 10
Agora vamos calcular:
P(1) = (1)3 + 8(1)2 – 12(1) + 10 = –1 + 8 + 12 + 10 = 29
Resposta: P(1) = 29.
2.5)
Um polinômio do primeiro grau pode ser escrito na forma:
P(x)n= ax + b
Como:
P(–1) = 1 ⇒ a(–1) + b = 1 ⇒ –a + b = 1
P(1) = 5 ⇒ a(1) + b = 5 ⇒ a + b = 5
Logo resolvendo o sistema:
Resposta: P(x) = 2x + 3.
253
2.6)
Para P(x) = Q(x)
Logo: a = –1; b = 4 ; c = –1.
2.7)
a) 2x4 – 7x3 + 6x2 – x + 9
b) x4 + x3 + 3x2 – 5x + 4
c) 9x4 + 6x3 – 3x2 + x + 2
d)
2.8) –3∙x3∙y + 3∙x2∙y2 – x2∙y + x∙y2
2.9) m = 2
2.10) x + 3
2.11) 6
2.12)
a) Grau 3; b) Três raízes; c) Raízes: 1 (multiplicidade 2) e –2.
2.13)
2.14) 12 cm e 18 cm
2.15) {–2, 1, 2i, –2i}
254
Métodos Numéricos
Unidade 3
3.1)
Gráfico Raiz
A raiz da equação:
cos(x) + ln(x) = 0
que atende a tolerância
e ≤ 10–2
é: 0,40.
3.2)
Gráfico Raiz
A raiz da equação
x3 + 2x2 – x + 1 = 0
e ≤ 10–4
é: –2,5468.
3.3) k = 5
255
3.4)
Gráfico Raiz
A primeira raiz real positiva
da equação tg(x) + 2x = 0
e ≤ 10–6 é: 1,836597.
3.5)
Gráfico Raiz
A raiz da equação
x4 + 2x3 – 3x + 1 = 0
mais próxima de zero que
atende a tolerância e ≤ 10–2
é: 0,38.
256
Métodos Numéricos
3.6)
Gráfico Raiz
A raiz da equação
log (x) + x = 0
e ≤ 10–2
é: 0,40.
3.7)
Gráfico Raiz
A raiz real positiva da
equação algébrica
x5 – x3 +2x2 + x – 1 = 0
e ≤ 10–4
é: 0,5357.
257
3.8)
Gráfico Raiz
A raiz real negativa da
equação transcendente
cos (x) – x2 = 0
e ≤ 10–3
é: –0,824.
3.9)
Gráfico Raiz
A raiz real da
x5 – 3x2 + 2x – 3 = 0
e ≤ 10–2
é: 1,45.
258
Métodos Numéricos
3.10)
Gráfico Raiz
equação cos (x) + e2x = 0 que
é: –1,6107.
3.11)
Gráfico Raiz
A raiz real da equação
transcendente
ln (x) + ex = 0
2

e ≤ 10–3
é: 0,328.
259
3.12)
Gráfico Raiz
x7 – 3x2 + 1 = 0
e ≤ 10–2
é: –0,57.
3.13)
Gráfico Raiz
equação sen (x) – e3x = 0 que
é: –3,1417.
260
Métodos Numéricos
3.14)
Gráfico Raiz
A raiz real da equação 3x3 –
2x2 + x – 1 = 0 que atende a
tolerância e ≤ 10–3 é: 0,784.
Unidade 4
4.1)
a) [1 –1 2]T; sistema compatível determinado (SCD).
b) [–1 0 1 2]T; sistema compatível determinado (SCD).
c) [1 –1 1 3]T; sistema compatível determinado (SCD).
d) [15 – 2a a 3 –1]T; com a ∈ ℜ; sistema compatível

indeterminado (SCI).
e) Sistema incompatível (SI)
4.2)
a) [–1 2,01 1]T
b) [0,80 1,31 2,81]T
c) [–1,27 2,42 1,85 –1,50]T
261
4.3)
4.4) [–1,3534 2,4409 3,8820 –4,2132]T
4.5)
a) [–1 0 1]T
b) [1 –1 1]T
c) [1 2 –1 1]T
4.6)
a) 5
b) 9
c) –10
4.7)
a)
Iterações x1(k) x2(k) x3(k) ε (i=2)

0 –1,50 2,67 2,00 2,67
1 –1,33 1,50 3,71 1,17
2 –2,05 0,99 3,08 0,51
3 –2,02 0,96 3,01 0,03
4 –2,01 0,99 2,99 0,03
5 –2,00 1,00 3,00 0,01
x(5) = [–2,00 1,00 3,00]T
262
Métodos Numéricos
b)

0 1,097 0,983 1,083 0,127
1 0,980 0,985 0,979 0,002
2 0,998 1,002 0,995 0,017
3 1,002 0,999 1,001 0,003
4 0,999 0,999 0,999 0,000
x(4) = [0,999 0,999 0,999]T
c)
Iterações x1(k) x2(k) x3(k) x4(k) ε (i=3)

0 0,4105 1,8201 2,7037 –1,0697 0,1337
1 1,0003 1,9395 2,7409 –0,8447 0,0372
2 0,9634 1,8575 3,0191 –0,9451 0,2782
3 0,9343 2,0096 2,9798 –1,0277 0,0393
4 1,0144 2,0014 2,9710 –0,9798 0,0088
5 0,9976 1,9818 3,0090 –0,9950 0,0380
6 0,9915 2,0044 2,9980 –1,0057 0,0110
7 1,0035 2,0007 2,9962 –0,9969 0,0018
8 0,9997 1,9974 3,0019 –0,9995 0,0057
9 0,9988 2,0009 2,9997 –1,0010 0,0022
10 1,0006 2,0001 2,9995 –0,9995 0,0002
11 0,9999 1,9996 3,0003 –1,0000 0,0008
12 0,9998 2,0002 2,9999 –1,0001 0,0004
13 0,0001 2,0000 2,9999 –0,9999 0,000
x(13) = [1,0001 2,0000 2,9999 –0,9999]T
4.8)
a)

0 0,80 0,90 1,00 0,90
1 0,97 1,00 1,01 0,10
2 1,00 1,00 1,00 0,00
x(2) = [1,00 1,00 1,00]T
263
b)

0 1,60 –1,20 0,90 1,20
1 1,00 –1,16 0,97 0,04
2 0,98 –1,15 0,97 0,01
x(2) = [0,98 –1,15 0,97]T
c)

0 –1,268 –0,480 2,065 0,480
1 –0,810 0,035 2,011 0,445
2 –1,012 0,001 1,999 0,034
3 –1,001 0,000 2,000 0,000
x(3) = [–1,001 0,000 2,000]T
d)
Iterações x1(k) x2(k) x3(k) x4(k) ε (i=2)

0 1,250 –1,607 0,654 1,015 1,607
1 1,279 –1,279 0,818 0,999 0,328
2 1,262 –1,232 0,827 1,002 0,047
3 1,257 –1,229 0,829 1,002 0,003
4 1,257 –1,228 0,829 1,002 0,001
x(3) = [1,257 1,228 0,829 1,002]T
e)

0 1,754 2,664 3,504 2,664
1 2,544 3,888 3,237 1,224
2 2,989 3,806 3,284 0,082
3 2,958 3,821 3,278 0,015
4 2,748 3,815 3,268 0,006
5 2,962 3,816 3,280 0,001
x(5) = [2,962 3,816 3,280]T
264
Métodos Numéricos
Unidade 5
5.1) P1(x) = 9,217x –15,013
P1(1,6) = –0,2658 ; ET(1,6) = –0,2472.
5.2) P1(x) = 0,3848x + 2,3564 ; P1(1,521) = 2,9417.
5.3) P1(x) = 2,4x – 4667,40 ; P1(1993) = 115,8 milhões de hab.
5.4) P1(x) = –1,5x ; P1(1,3) = –0,45 ; ET(1,3) = –0,06.
265
5.5) P2(x) = 2,5x2 – 5,5x + 4 ; P2(1,8) = 2,2 ; ET(1,3) = –0,048.
5.6) P2(x) = –0,002597403x2 + 12,8597x – 15160,42
P2(1985) = 131,73 milhões de hab.
5.7) P2(x) = –0,26x2 + 1,47x – 1,21
P2(1,8) = 0,5936 ; ET(1,3) = –0,0055.
5.8) P2(x) = –1,2421x2 + 6,4522x – 4,1259 ; P2(1,8755) = 3,6061.
266
Métodos Numéricos
5.9) P3(x) = 4,060x3 – 7,684x2 + 3,8572x – 1,234
P3(0,6) = –0,8088 ; ET(0,6) = 0,0063.
5.10) P2(x) = –0,3356x2 + 1,1637x ; P2( ) = 0,8506.
5.11) P4(x) = 3,9557x4 – 10,3062x3 + 8,870x2 – 1,9119x – 1,4672
P4(0,4) = 1,5633.
5.12) Interpretação geométrica:
5.13)
–0,5 1,2
0,6
0 1,5 0
0,6 –0,13
0,5 1,8 –0,2 0,2
0,4 0,27
1 2 0,2
0,6
1,5 2,3
5.14) P4(x) = –8,5x4 + 49,93x3 – 108,01x2 + 102,86x – 34,78
5.15) P2(x) = 2,4x2 – 5,39x + 2,06
P2(1,4) = –0,782 ; ET(1,4) = 0,006.
267
5.16) Interpretação geométrica
5.17)

0 1 2
0,6 1,245 0,44 0 –0,02
1 1,685 0,44 –0,02
1,4 2,125 0,42
1,8 2,545
5.18) P3(x) = 1,2117x3 – 8,7537x2 + 21,9480x – 17,2182
5.19) P2(x) = 2,3422x2 – 0,1662x – 0,0364 ; P2(1,3) = 3,7058.
268
Métodos Numéricos
Unidade 6
6.1)
a) Equação de ajuste: f *(x) = 2,077x – 4029,5

f *(2010) = 2,077(2010) – 4029,5 = 145,27
2
b) R = 0,9601
c)
6.2)
a) f *(x) = 37,71x – 630,51

b) 3774,69 m
c) R2 = 0,9985
d)
269
6.3)
6.4)
Estimativa para 7 horas: 355,85 (no de bactérias por vol. unitário).
6.5)
270
Métodos Numéricos
Observando o coeficiente de determinação nas duas situações,

podemos escolher a parábola como a curva que melhor ajusta os
dados, pois se aproxima mais da unidade.
6.6)
Observando os resultados do R2, o que mais se aproximou de 1

foi o da função do terceiro grau.
6.7)
Observando os resultados do R2, o que mais se aproximou de 1

foi o da função do segundo grau.
271
6.8)
Unidade 7
7.1) I = 0,2183 ; ET = – 0,027
7.2) I = –1,5 ; ET = 0
7.3) I = 0,067475
7.4) I = 12,3995
272
Métodos Numéricos
7.5) I = 2,904
7.6) I = 0,69318
7.7) I = 0,785397
7.8) I = 14,5884 ; ET = 0
7.9) I = 1,22809
7.10) I = 40,207695
7.11) I = –1,53
7.12)
1a regra de Simpson: I = 0,47000632 ; ET = –8×10–6
2a regra de Simpson: I = 0,47000963 ; ET = –8×10–5
7.13)
1a regra de Simpson: I = 2,56744267
2a regra de Simpson: I = 2,5681125
7.14) I = 0,8432043
7.15) I = 3,7419075
273

Apostila

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Apostila

Transféré par

Droits d'auteur :

Formats disponibles

Universidade do Sul de Santa Catarina

Revisão e atualização de conteúdo

Edição - Livro didático

Revisão e atualização de conteúdo

Projeto Gráfico e Capa

1. Análise numérica. 2. Cálculos numéricos. 3. Polinômios. 4. Equações. 5. Álgebra.

Ficha catalográfica elaborada pela Biblioteca Universitária da Unisul

UNIDADE 1 Erros numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

Para concluir o estudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241

Este livro didático corresponde à disciplina Métodos Numéricos.

O material foi elaborado visando a uma aprendizagem autônoma e

Lembre-se de que sua caminhada, nesta disciplina, será

Então, sempre que sentir necessidade, entre em contato. Você tem

Bom estudo e sucesso!

É com grande satisfação que lhes apresento a disciplina

Destacamos a importância da sua preparação para a

Portanto, a primeira unidade tem o objetivo de discutir

Na sequência, discutiremos a importância dos polinômios

Aplicaremos métodos numéricos, iterativos, na resolução

Usaremos funções polinomiais para interpolar tabelas de

Destacamos que, em todo texto que será apresentado,

Lembre-se de que você não estará sozinho(a) nesta

Tenha uma boa caminhada.

Professor José Humberto Dias de Tolêdo

O plano de estudos visa a orientá-lo no desenvolvimento da

O processo de ensino e aprendizagem na UnisulVirtual leva

São elementos desse processo:

Polinômios. Sistemas de equações lineares. Aproximação

A carga horária total da disciplina é de 60 horas-aula.

Veja, a seguir, as unidades que compõem o livro didático desta

Unidade 1 – Erros numéricos

Unidade 3 – Equações algébricas e transcendentais

Unidade 4 – Sistemas de equações lineares algébricas

Unidade 6 – Ajuste de curvas

Unidade 7 – Integração numérica

 Verifique com atenção o EVA, organize-se para acessar

Demais atividades (registro pessoal)

Para início de estudo

É importante destacar que, com o advento dos computadores, os

Esta unidade tem como objetivo principal orientá-lo sobre

A resolução de um problema pode estar estruturada da maneira

Observando o diagrama, podemos verificar que a solução

Daremos destaque às operações numéricas no processo de

Por exemplo, no cálculo algébrico, podemos representar:

3 + 3 = 6, √p2= p, √8 = 2√2 etc.

Entretanto, na aritmética computacional, as duas últimas repre-

Por exemplo, o número p em um computador ou calculadora é

Todavia, na maioria dos problemas resolvidos por métodos

É importante saber que um número pode ter representação

Assim, quando estamos dando entrada nos dados de um

Portanto, faz-se necessária a conversão da base decimal para a

Na próxima seção, vamos estudar como se faz a conversão do

Seção 2 – Conversão de bases

Em computação, chama-se um dígito binário (0 ou 1) de bit,

2.1 Base binária para decimal

Escrevemos um número na base binária da seguinte forma:

bi2i + … + b323 + b222 + b121 + b020 + b12–1 + b22–2 + b32–3 + … + bj2j

Exemplo 1.1: converter o número 1012 para a base decimal.

1012 = 1∙22 + 0∙21 + 1∙20 = 4 + 0 + 1 = 510

Exemplo 1.2: converter o número 111,112 para a base decimal.

111,112 = 1∙22 + 1∙21 + 1∙20 + 1∙2–1 + 1∙2–2

Exemplo 1.3: converter o número 0,1012 para a base decimal.

0,1012 = 0∙20 + 1∙2–1 + 0∙2–2 + 1∙2–3

2.2 Decimal para binário

Verifique com atenção o EVA, organize-se para acessar