Vous êtes sur la page 1sur 46

Universidade Federal do Paran

Departamento de Informtica
CI-202











MTODOS
NUMRICOS




Prof. Ionildo Jos Sanches Prof. Ionildo Jos Sanches Prof. Ionildo Jos Sanches Prof. Ionildo Jos Sanches
Prof. Digenes Cogo Furlan Prof. Digenes Cogo Furlan Prof. Digenes Cogo Furlan Prof. Digenes Cogo Furlan








E-Mail: ionildo@ionildo.cjb.net
URL: http://www.ionildo.cjb.net/metodos/







CURITIBA
2007


ii

SUMRIO

1 INTRODUO........................................................................................................................................... 1
2 CONCEITO DE ERRO.............................................................................................................................. 2
2.1 INTRODUO........................................................................................................................................... 2
2.2 ERROS NA FASE DE MODELAGEM............................................................................................................ 2
2.3 ERROS NA FASE DE RESOLUO ............................................................................................................. 2
2.4 ERROS ABSOLUTOS E RELATIVOS ........................................................................................................... 2
2.5 ERRO DE ARREDONDAMENTO ................................................................................................................. 3
2.6 ERRO DE TRUNCAMENTO ........................................................................................................................ 4
3 REPRESENTAO DOS NMEROS REAIS....................................................................................... 6
3.1 INTRODUO........................................................................................................................................... 6
3.2 SISTEMA DE NUMERAO....................................................................................................................... 7
3.2.1 Sistema de Numerao Decimal ....................................................................................................................7
3.2.2 Sistema de Numerao Binrio......................................................................................................................7
3.3 ARITMTICA DE PONTO FLUTUANTE..................................................................................................... 10
3.4 PROPAGAO DE ERROS ....................................................................................................................... 12
4 ZEROS DE EQUAES TRANSCENDENTES E POLINOMIAIS ................................................. 14
4.1 INTRODUO......................................................................................................................................... 14
4.1.1 Derivada de uma funo num ponto ............................................................................................................14
4.1.2 Tipos de Mtodos .........................................................................................................................................14
4.1.3 Isolamento de Razes....................................................................................................................................16
4.1.4 Classificao dos mtodos ...........................................................................................................................16
4.2 MTODO DA BISSEO ......................................................................................................................... 17
4.2.1 Estimativa do Nmero de Iteraes .............................................................................................................17
4.2.2 Consideraes Finais...................................................................................................................................18
4.2.3 Exemplos ......................................................................................................................................................18
4.3 MTODO DA FALSA POSIO................................................................................................................ 19
4.3.1 Casos especiais ............................................................................................................................................20
4.3.2 Consideraes finais ....................................................................................................................................21
4.3.3 Exemplos ......................................................................................................................................................21
4.4 MTODO DA ITERAO LINEAR ............................................................................................................ 22
4.4.1 Casos de convergncia.................................................................................................................................23
4.4.2 Consideraes finais ....................................................................................................................................24
4.4.3 Exemplos ......................................................................................................................................................24
4.5 MTODO DE NEWTON-RAPHSON OU MTODO DAS TANGENTES ........................................................... 25
4.5.1 Consideraes finais ....................................................................................................................................26
4.5.2 Exemplos ......................................................................................................................................................26
4.5.3 Condies de Newton-Raphson-Fourier......................................................................................................27
4.6 MTODO DA SECANTE........................................................................................................................... 29
4.6.1 Exemplos ......................................................................................................................................................30
4.7 MTODO MISTO.................................................................................................................................... 31
4.7.1 Exemplos ......................................................................................................................................................31
4.8 MTODO PARA EQUAES POLINMIAIS .............................................................................................. 32
4.8.1 Introduo....................................................................................................................................................32
4.8.2 Localizao de Razes..................................................................................................................................32
4.8.3 Determinao das Razes Reais...................................................................................................................34
4.8.4 Mtodo de Newton para Zeros de Polinmios.............................................................................................35
5 SISTEMAS LINEARES........................................................................................................................... 38
5.1 INTRODUO......................................................................................................................................... 38
5.1.1 Classificao Quanto ao Nmero de Solues ............................................................................................38

iii
5.2 MTODOS DIRETOS (ALGORITMOS DIRETOS) ....................................................................................... 39
5.2.1 Regra de Cramer..........................................................................................................................................39
5.2.2 Mtodo da Eliminao de Gauss .................................................................................................................40
5.2.3 Mtodo de Jordan ........................................................................................................................................42
5.2.4 Exemplos ......................................................................................................................................................42
5.3 FATORAO LU.................................................................................................................................... 43
5.3.1 Clculo dos Fatores L e U...........................................................................................................................44
5.4 MTODOS ITERATIVOS (ALGORITMOS ITERATIVOS).............................................................................. 46
5.4.1 Mtodo de Gauss-Jacobi ( Algbrico ) ........................................................................................................46
5.4.2 Mtodo de Gauss-Jacobi ( Matricial ) .........................................................................................................48
5.4.3 Mtodo de Gauss-Seidel ( Algbrico ) .........................................................................................................50
5.4.4 Mtodo de Gauss-Seidel ( Matricial )..........................................................................................................52
6 INTERPOLAO.................................................................................................................................... 54
6.1 INTRODUO......................................................................................................................................... 54
6.1.1 Conceito de Interpolao.............................................................................................................................54
6.2 INTERPOLAO LINEAR ........................................................................................................................ 55
6.2.1 Obteno da Frmula..................................................................................................................................55
6.2.2 Exemplos ......................................................................................................................................................56
6.3 INTERPOLAO QUADRTICA............................................................................................................... 57
6.3.1 Obteno da Frmula..................................................................................................................................57
6.3.2 Exemplos ......................................................................................................................................................57
6.4 INTERPOLAO DE LAGRANGE.............................................................................................................. 59
6.4.1 Obteno da Frmula..................................................................................................................................60
6.4.2 Exemplos:.....................................................................................................................................................61
6.5 INTERPOLAO PARABLICA PROGRESSIVA......................................................................................... 62
6.6 INTERPOLAO DE NEWTON COM DIFERENAS DIVIDIDAS .................................................................. 63
6.6.1 Diferenas Divididas....................................................................................................................................63
6.6.2 Propriedade do Operador Diferenas Divididas.........................................................................................64
6.6.3 Exemplos ......................................................................................................................................................64
6.7 INTERPOLAO DE GREGORY-NEWTON................................................................................................ 66
6.7.1 Diferenas Ordinrias ou Finitas ................................................................................................................67
6.7.2 Relao entre diferenas divididas e diferenas ordinrias........................................................................67
6.7.3 Gregory-Newton usando Diferenas Ordinrias.........................................................................................67
6.7.4 Exemplos ......................................................................................................................................................67
7 AJUSTE DE CURVAS............................................................................................................................. 69
7.1 MTODO DOS QUADRADOS MNIMOS.................................................................................................... 70
7.1.1 Ajuste Linear Simples...................................................................................................................................71
7.1.2 Ajuste Polinomial.........................................................................................................................................73
8 INTEGRAO NUMRICA................................................................................................................. 77
8.1 INTRODUO......................................................................................................................................... 77
8.1.1 Frmulas de Newton-Cotes..........................................................................................................................78
8.2 REGRA DOS RETNGULOS..................................................................................................................... 79
8.2.1 Exemplos ......................................................................................................................................................80
8.3 REGRA DOS TRAPZIOS......................................................................................................................... 81
8.3.1 Regra do Trapzio Repetida.........................................................................................................................82
8.3.2 Exemplos ......................................................................................................................................................82
8.4 REGRA DE SIMPSON............................................................................................................................... 83
8.4.1 Regra de Simpson Repetida .........................................................................................................................84
8.4.2 Exemplos ......................................................................................................................................................84




1
1 Introduo
Clculo Numrico a obteno da soluo de um problema pela aplicao de mtodo numrico; a
soluo do problema ser caracterizada, ento, por um conjunto de nmeros, exatos ou aproximados.

Mtodo Numrico um algoritmo composto por um nmero finito de operaes envolvendo
apenas nmeros (operaes aritmticas elementares, clculo de funes, consulta a uma tabela de valores,
consulta a um grfico, arbitramento de um valor, etc.).

Problema
Fsico
Modelo
Matemtico
Soluo
Modelagem Resoluo


Modelagem a fase de obteno do modelo matemtico que descreve o comportamento do sistema
fsico.
Resoluo a fase de obteno da soluo atravs da aplicao de mtodos numricos (este o
objetivo de estudo do Clculo Numrico).



2
2 Conceito de Erro
2.1 Introduo
A noo de erro est presente em todos os campos do Clculo Numrico. De um lado, os dados,
em si, nem sempre so exatos e, de outro lado, as operaes sobre valores no exatos propagam esses
erros a seus resultados. Finalmente, os prprios mtodos numricos, freqentemente mtodos
aproximados, buscam a minimizao dos erros, procurando resultados o mais prximo possvel do que
seriam valores exatos.

Erro a diferena entre o valor exato e o valor apresentado.

No prximo captulo, sobre representao de nmeros reais, iremos analisar vrias situaes em
que ocorrem erros, quando utilizamos o computador para realizar os clculos. A seguir, analisaremos os
erros que ocorrem durante as fases de modelagem e resoluo e tambm sobre erros de arredondamento e
erros de truncamento.
2.2 Erros na Fase de Modelagem
Ao se tentar representar um fenmeno do mundo fsico por meio de um mtodo matemtico,
raramente se tem uma descrio correta deste fenmeno. Normalmente, so necessrias vrias
simplificaes do mundo fsico para que se tenha um modelo.

Exemplo: Estudo do movimento de um corpo sujeito a uma acelerao constante.
Tem-se a seguinte equao:

d = d
o
+ v
o
* t + 1/2 * * t
2
onde:
d : distncia percorrida
d
o
: distncia inicial
v
o
: velocidade inicial
t : tempo
: acelerao

Determinar a altura de um edifcio com uma bolinha de metal e um cronmetro: 3s
d = 0 + 0 * 3 + 1/2 * 9.8 * 3
2
= 44.1m

Este resultado confivel?
1. Fatores no considerados:
resistncia do ar
velocidade do vento, etc.
2. Preciso dos dados de entrada:
Se o tempo fosse 3,5s d = 60.025m
Variao de 16,7% no cronmetro 36% na altura.
2.3 Erros na Fase de Resoluo
Para a resoluo de modelos matemticos muitas vezes torna-se necessria a utilizao de
instrumentos de clculo que necessitam, para o seu funcionamento, que sejam feitas certas aproximaes.
Tais aproximaes podem gerar erros, tais como: converso de bases, erros de arredondamento e erros de
truncamento.
2.4 Erros Absolutos e Relativos
Erro absoluto (EA) a diferena entre o valor exato de um nmero N e o seu valor aproximado
N:


3

N = N + EA
N
(N > N EA
N
> 0
N < N EA
N
< 0)

EA
N
= N N Erro absoluto

Por exemplo, sabendo-se que (3.14, 3.15) tomaremos para um valor dentro deste intervalo e
teremos, ento, |EA

| = | - | < 0.01.

Erro Relativo definido como o erro absoluto dividido pelo valor aproximado:


'
'
' N
N N
N
EA
ER
N
N

= = Erro Relativo

claro que EA
N
s poder ser determinado se N for exatamente conhecido; como isso raro, em
clculos numricos costuma-se trabalhar com uma limitao mxima para o erro, ao invs do prprio
(indicando-se, ento, | E | < , onde o limite).

Por exemplo, se = 3876.373 e s desejamos a parte inteira , o erro absoluto ser:

= | ' | = 0.373

Se fizermos o mesmo com o nmero = 1.373, teremos:

= | ' | = 0.373

Obviamente, o efeito de aproximao de muito maior do que em , mas o erro absoluto o
mesmo nos dois casos. O erro relativo, entretanto, pode traduzir perfeitamente este fato, pois:

=
0 373
3876
,
0,000096 < 10
-4

=
0 373
1
,
0,373 < 5*10
0
2.5 Erro de Arredondamento
Ao se aplicar um mtodo numrico, os erros devidos aos valores iniciais, intermedirios e finais
conduzem a um erro global (diferena entre o exato e o obtido) tambm chamado de arredondamento.

Erros iniciais so os cometidos no arredondamento dos dados iniciais. Os erros intermedirios so
decorrentes dos erros cometidos durante a aplicao do mtodo numrico e os erros finais decorrentes da
apresentao final do resultado.

Os tipos de arredondamentos mais conhecidos so:
Arredondamento para baixo ou por falta;
Arredondamento para cima ou por excesso;
Arredondamento para o numero de maquina mais prximo.

Critrio de Arredondamento: no clculo manual, ao registrar um valor aproximado, costuma-se
usar a seguinte regra:

1. somar meia unidade aps a ltima casa decimal a conservar;
2. desprezar as demais casas.

Assim, com 2 nmeros significativos tem-se:

2 = 1.414 ... 1.41 (1.414 ... + 0.005 = 1.419 ... 1.41)
2
3
= 1.259 ... 1.26 (1.259 ... + 0.005 = 1.264 ... 1.26)


4

O uso deste critrio limita o erro a meia unidade da ltima casa conservada:

E = 2 1.41 = 1.41421 ... 1.41 = 0.00421 < 0.005

Os valores aproximados obtidos podem ser inferiores (valor aproximado por falta) ou superiores
(valor aproximado por excesso) aos exatos; 1.41 o valor aproximado, por falta, de 2 ; 1.26 o valor de
2
3
, aproximado por excesso.

Para concluir este item de erro de arredondamento, deve-se ressaltar a importncia de se saber o
nmero de dgitos significativos do sistema de representao da mquina que est sendo utilizada para
que se tenha a noo da preciso do resultado obtido.

Alm da preciso decimal, o clculo do chamado psilon da mquina nos d uma idia da
exatido da mquina.

O da mquina o menor nmero de ponto flutuante, tal que: 1 + > 1. Alguns mtodos para
clculo de no do seu valor exato, mas isto nem sempre necessrio, pois o que importa a sua ordem
de grandeza.

O programa abaixo, escrito na linguagem C, calcula uma aproximao do da mquina:

#include <stdio.h>
int main()
{
float Eps=1.0;
while (Eps + 1 > 1)
Eps = Eps / 2.0;
printf("A maquina acha que %1.25f vale zero!\n", Eps);
return 0;
}

O programa acima, executado num Pentium, obteve a seguinte resposta:

A maquina acha que 0.0000000000000000000542101 vale zero!

Logo, o nmero de dgitos significativos 19.
2.6 Erro de Truncamento
So erros provenientes da utilizao de processos que deveriam ser infinitos ou muito grandes
para a determinao de um valor e que, por razes prticas, so truncados.

Estes processos infinitos so muito utilizados na avaliao de funes matemticas, tais como,
exponenciao, logaritmos, funes trigonomtricas e vrias outras que uma mquina pode ter.

Exemplo: Uma mquina poderia calcular a funo seno(x) e exponencial(x) utilizando as seguintes
tcnicas:
seno(x) = x
x x x
+ +
3 5 7
3 5 7 ! ! !
...

e
x
= 1
2 3
2 3
+ + + + x
x x
! !
...

Fazendo truncamento:


5
seno(x) x
x x x x
n
n
n
+ + +
3 5 7
3 5 7
1
! ! !
... ( )
!


e
x
1
2 3
2 3
+ + + + + x
x x x
n
n
! !
...
!


A soluo a de interromper os clculos quando uma determinada preciso atingida.

De uma maneira geral, pode-se dizer que o erro de truncamento pode ser diminudo at chegar a
ficar da ordem do erro de arredondamento; a partir desse ponto, no faz sentido diminuir-se mais, pois o
erro de arredondamento ser dominante.



6
3 Representao dos Nmeros Reais
3.1 Introduo
{
Nmeros
Complexos (2+3-1 )
Reais
{
Irracionais (; 2 )
Racionais
{
Inteiros (-1004; 2)
Fracionrios
{
Ordinrios (32/7; 1/3)
Decimais (-3.15; 0.33...)


Algumas das propriedades bsicas da aritmtica real no valem mais quando executadas no
computador, pois, enquanto na matemtica alguns nmeros so representados por infinitos dgitos, no
computador isso no possvel, pois uma palavra de memria finita e a prpria memria tambm.

Exemplos: 2 , 3, e
3
1
.

Se desejssemos calcular a rea de uma circunferncia de raio 100m, obteramos os seguintes
resultados:

a) A = 31400m
2

b) A = 31416 m
2

c) A = 31415.92654 m
2


Como justificar as diferenas entre os resultados? possvel obter o valor exato desta rea?

Os erros ocorridos dependem da representao dos nmeros na mquina utilizada. A representao
de um nmero depende da base escolhida ou disponvel na mquina em uso e do nmero mximo de
dgitos usados na sua representao.

O nmero , por exemplo, no pode ser representado atravs de um nmero finito de dgitos
decimais. No exemplo mostrado acima, o nmero foi escrito como 3.14, 3.1416 e 3.141592654
respectivamente nos casos (a), (b) e (c). Em cada um deles foi obtido um resultado diferente, e o erro
neste caso depende exclusivamente da aproximao escolhida para , Qualquer que seja a circunferncia,
a sua rea nunca ser obtida exatamente, uma vez que um nmero irracional.

Como neste exemplo, qualquer clculo que envolva nmeros que no podem ser representados
atravs de um nmero finito de dgitos no fornecer como resultado um valor exato. Quanto maior o
nmero de dgitos utilizados, maior ser a preciso obtida. Por isso, a melhor aproximao para o valor da
rea da circunferncia aquela obtida no caso (c).

Alm disso, um nmero pode ter representao finita em uma base e no-finita em outras bases. A
base decimal a que mais empregamos atualmente. Um computador opera normalmente no sistema
binrio.

Observe o que acontece na interao entre o usurio (ou dados do programa) e o computador: os
dados de entrada so enviados ao computador pelo usurio no sistema decimal; toda esta informao
convertida para o sistema binrio, e as operaes todas sero efetuadas neste sistema. Os resultados finais


7
sero convertidos para o sistema decimal e, finalmente, sero transmitidos ao usurio. Todo este processo
de converso uma fonte de erros que afetam o resultado final dos clculos.

Na prxima seo, iremos estudar os processos de converso de nmeros do sistema decimal para
o sistema binrio e vice-versa. Estudaremos tambm a forma de armazenamento feita pelos computadores
digitais.
3.2 Sistema de Numerao
Existem vrios sistemas numricos, dentre os quais destacam-se o sistema decimal (base 10), o
octal (base 8) e o hexadecimal (base 16).

Em um sistema numrico com base , existem dgitos e o maior 1. De um modo geral, um
nmero na base , (a
j
a
j-1
...a
2
a
1
a
0
)

, 0 a
k
( 1), k = 1, 2, ..., j, pode ser escrito na forma polinomial:

a
j

j
+

a
j-1

j-1
+...+ a
2

2
+ a
1

1

+ a
0

0


Com esta representao, podemos facilmente converter um nmero representado em qualquer
sistema para o sistema decimal.

3.2.1 Sistema de Numerao Decimal
No sistema de numerao usual, o sistema decimal, usamos dez dgitos 0, 1, ..., 9. Um nmero
maior que 9 representado usando uma conveno que atribui significado posio ou lugar ocupado por
um dgito. Por exemplo, em virtude das posies ocupadas pelos dgitos individuais no nmero 2015, este
nmero tem significado numrico calculado como:

2015 = 2*10
3
+ 0*10
2
+ 1*10
1
+ 5*10
0
= 2000 + 0 + 10 + 5 = 2015

Notamos que um nmero expresso como uma soma de potncias de 10 multiplicadas por
coeficientes apropriados. No sistema decimal, 10 a base do sistema. Existem 10 dgitos, o maior sendo
9. Em um sistema numrico com base , existem dgitos e o maior -1.
3.2.2 Sistema de Numerao Binrio
No sistema binrio existem apenas 2 dgitos: 0 e 1. Como os circuitos eletrnicos usados no
computador apresentam 2 estados possveis, convencionou-se chamar o estado desligado de 0 e o estado
ligado de 1. Cada dgito de um nmero representado no sistema binrio denominado bit (contrao de
BInary digiT), o conjunto de 4 bits denominado nibble e o de 8 bits de byte, termo bastante utilizado na
rea de informtica.
3.2.2.1 Converso do Sistema Binrio para Decimal
Quando um nmero escrito no sistema binrio, os dgitos individuais representam os coeficientes
de potncias de 2. Por exemplo, o nmero decimal 19 escrito em representao binria como 10011,
pois este arranjo de dgitos binrios significa:

10011 = 1*2
4
+ 0*2
3
+ 0*2
2
+ 1*2
1
+ 1*2
0
= 16 + 0 + 0 + 2 + 1 = 19
3.2.2.2 Converso do Sistema Decimal para Binrio
A converso de um nmero decimal para binrio feita da seguinte forma:



8
19 2
9 1 2
4 1 2
2 0 2
1 0 2
0 1
LSB
MSB


19
(10)
= 10011
(2)


O bit menos significativo de um nmero binrio recebe a notao de LSB (Least Significant Bit) e
o bit mais significativo de MSB (Most Significant Bit).
3.2.2.3 Converso de Nmeros Binrios Fracionrios em Decimais
Consideremos agora a converso de um nmero fracionrio binrio (base 2) para um nmero
decimal (base 10).

0.125
10
= 0*10
0
+ 1*10
-1
+ 2*10
-2
+ 5*10
-3
= 0.1 + 0.02 + 0.005 = 0.125
10


0.001
2
= 0*2
0
+ 0*2
-1
+ 0*2
-2
+ 1*2
-3
= 0 + 0 + 0 + 0.125 = 0.125
10


0.101
2
= 0*2
0
+ 1*2
-1
+ 0*2
-2
+ 1*2
-3
= 0 + 0.5 + 0 + 0.125 = 0.625
10

3.2.2.4 Converso de Nmeros Decimais Fracionrios em Binrios
Consideremos agora a converso de um nmero fracionrio da base 10 para a base 2. Um nmero
real entre 0 e 1 pode ter representao finita no sistema decimal, mas representao infinita no sistema
binrio.

No caso geral, seja r um nmero entre 0 e 1 no sistema decimal e (0.d
1
d
2
...d
j
...)
2
sua representao
no sistema binrio. Os dgitos binrios d
1
, d
2
, ..., d
j
, ... so obtidos atravs do seguinte algoritmo:

Passo 0: r
1
= r; k = 1

Passo 1: Calcule 2r
k
.
Se 2r
k
= 1, faa: d
k
= 1,
caso contrrio, faa: d
k
= 0

Passo 2: Faa r
k+1
= 2r
k
d
k

Se r
k+1
= 0, pare.
Caso contrrio:

Passo 3: k = k + 1.
Volte ao passo 1.

Observar que o algoritmo pode ou no terminar aps um nmero finito de passos. Para r =
(0.125)
10
teremos: r
1
= 0.125.

k = 1 2r
1
= 0.25 d
1
= 0
r
2
= 0.25 d
1
= 0.25

k = 2 2r
2
= 0.5 d
2
= 0


9
r
3
= 0.5

k = 3 2r
3
= 1.0 d
3
= 1
r
4
= 0

Temos ento 0.125
10
= 0.001
2
, sendo portanto a representao binria finita. J para r = 0.1
10
,
teremos: r
1
= 0.1

k = 1 2r
1
= 0.2 d
1
= 0
r
2
= 0.2

k = 2 2r
2
= 0.4 d
2
= 0
r
3
= 0.4

k = 3 2r
3
= 0.8 d
3
= 0
r
4
= 0.8

k = 4 2r
4
= 1.6 d
4
= 1
r
5
= 0.6

k = 5 2r
5
= 1.2 d
5
= 1
r
6
= 0.2 = r
2


Como r
6
= r
2
, teremos que os resultados para k de 2 e 5 se repetiro e ento: r
10
= r
6
= r
2
= 0.2 e
assim indefinidamente.

Conclumos que: (0.1)
10
= (0.00011001100110011...)
2
e, portanto, o nmero (0.1)
10
no tem
representao binria finita.

O fato de um nmero no ter representao finita no sistema binrio pode acarretar a ocorrncia de
erros aparentemente inexplicveis em clculos efetuados em sistemas computacionais binrios.

Um computador que opera no sistema binrio ir armazenar uma aproximao para (0.1)
10
, uma
vez que possui uma quantidade fixa de posies para guardar os dgitos de mantissa de um nmero, e esta
aproximao ser usada para realizar os clculos. No se pode, portanto, esperar um resultado exato.

Podemos agora entender melhor por que o resultado da operao:

S = 01
1
1000
.
n=



no obtido corretamente num computador. Supondo uma mquina digital que trabalhe com apenas 9
dgitos na mantissa, o nmero (0.1)
10
seria armazenado como (0.000110011)
2
e este nmero representa
exatamente (0.099609375)
10
. Portanto, todas as operaes que envolvem (0.1)
10
seriam realizadas com
esta aproximao. Veremos na prxima seo a representao de nmeros em aritmtica de ponto
flutuante com o objetivo de se entender melhor a causa de resultados imprecisos em operaes numricas.

O programa a seguir permite calcular 01
1
1000
.
i=

, sendo 100 o valor exato dessa somatria.


#include <stdio.h>
int main()
{
int i;
float x=0;


10
for (i=1;i<=1000; i++)
x = x + 0.1;
printf("x = %.20f", x);
return 0;
}

Quando essa somatria efetuada utilizando o computador o valor : 99.99904632568359380000.
Se trocarmos o tipo float para double (maior preciso) o resultado ser 99.99999999999859310000.
3.3 Aritmtica de Ponto Flutuante
Usa-se, rotineiramente, duas formas para fazer o armazenamento dos nmeros em mquinas:
ponto fixo (para valores inteiros) e ponto flutuante (para valores reais).

Uma mquina de calcular, ou um computador digital, representa um nmero real no sistema
denominado aritmtica de ponto flutuante. Neste sistema, o nmero x representado na forma:

x =

e
t
t d d d d
. ...
3 2 1
3 2 1
(

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

d d d dt
t
1 2 3
1 2 3

+ + + +

(
... chamada de mantissa e a parte do nmero que representa
os seus dgitos significativos e t o nmero de dgitos significativos do sistema de representao,
comumente chamado de preciso da mquina.

Exemplo 1: No sistema de base = 10 (decimal), tem-se:

0.125
10
=
1
10
2
10
5
10
10
1 2 3
0
+ +
|
\

|.

3.1415
10
= 0.31415 10
1
=
3
10
1
10
4
10
1
10
5
10
10
1 2 3 4 5
1
+ + + +
|
\

|.

Os nmeros assim representados esto normalizados, isto , a mantissa um valor entre 0 e 1. A
forma normalizada utilizada nas operaes envolvendo ponto flutuante em computadores digitais.

No sistema de base = 2 (binrio), tem-se:

10
10
= 1010
2
= 0.101 2
4
=
1
2
0
2
1
2
2
1 2 3
4
+ +
|
\

|.

4
10
= 100
2
= 0.1 * 2
3
=
1
2
* 2
3


Exemplo 2: Numa mquina de calcular cujo sistema de representao utilizado tenha =2, t = 10, I = 15
e S = 15, o nmero 25
10
e 3.5
10
, assim representado:



11
25
10
= 11001
2
= 0.11001 * 2
5
= 0.11001 * 2
101


1
2
1
2
0
2
0
2
1
2
0
2
0
2
0
2
0
2
0
2
1 2 3 4 5 6 7 8 9 10
+ + + + + + + + +
|
\

| * 2
101


ou, de uma forma mais compacta:

1100100000 0101
Mantissa expoente

Cada dgito chamado de bit, portanto, nesta mquina so utilizados 10 bits para a mantissa, 4
para o expoente e mais um bit para o sinal da mantissa (se bit=0 positivo, se bit=1 negativo) e um bit para
o sinal do expoente, resultando, no total, 16 bits, que so assim representados:

25
10
=



3.5
10
= 0.111 * 2
10





O maior valor representado por esta mquina descrita no exemplo 2 seria:



que, na base decimal, tem o seguinte valor: 0.1111111111 * 2
1111
= 32736
10


E o menor valor seria: 0.1111111111 * 2
1111
= 32736
10


Logo, os nmeros que podem ser representados nesta mquina estariam contidos no intervalo
[32736; 32736].

Nesta mquina, ainda, o valor zero seria representado por:



O prximo nmero positivo representado seria:



0.1 * 2
-15
= 0.000015259

O subsequente seria:



0.1000000001 * 2
-15
= 0.000015289

Atravs desses exemplos pode-se concluir que o conjunto dos nmeros representveis neste
sistema um subconjunto dos nmeros reais, dentro do intervalo mostrado anteriormente.

0 1 1 0 0 1 0 0 0 0 0 0 0 1 0 1
Valor da Mantissa Expoente
Sinal da Mantissa Sinal Exp.
0 1 1 1 0 0 0 0 0 0 0 0 0 0 1 0
0 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1
0 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1


12
Considere, por exemplo, uma mquina que opera no sistema:

= 10; t = 3; e [-5,5].

Os nmeros sero representados da seguinte forma nesse sistema:

0.d
1
d
2
d
3
* 10
e
, 0 d
j
9, d
1
0, e [5, 5]

O menor nmero (m), em valor absoluto, representado nesta mquina :

m = 0.100 * 10
-5
= 10
-6


e o maior nmero (M), em valor absoluto, :

M = 0.999 * 10
5
= 99900

Considere o conjunto dos nmeros reais R e o seguinte conjunto:

G = {x R | m | x | M}

Dado um nmero real x, vrias situaes podero ocorrer:

1. x G: por exemplo, x = 235.89 = 0.23589 * 10
3
. Observe que este nmero possui 5 dgitos na
mantissa. Esto representados exatamente nesta mquina os nmeros: 0.235*10
3
e 0.236*10
3
.
Se for usado o truncamento, x ser representado por 0.235*10
3
e, se for usado o
arredondamento, x ser representado por 0.236*10
3
. Na prxima seo, sobre erros,
estudaremos o truncamento e o arredondamento;
2. | x | < m: por exemplo, x = 0.345*10
-7
. Este nmero no pode ser representado nesta mquina
porque o expoente e menor que 5. Esta uma situao em que a mquina acusa a ocorrncia
de underflow;
3. | x | > M: por exemplo, x = 0.875*10
9
. Neste caso o expoente e maior que 5 e a mquina acusa
a ocorrncia de overflow.

Algumas linguagens de programao permitem que as variveis sejam declaradas em preciso
dupla. Neste caso, esta varivel ser representada no sistema de aritmtica de ponto flutuante da mquina,
mas com aproximadamente o dobro de dgitos disponveis na mantissa. importante observar que, neste
caso, o tempo de execuo e requerimento de memria aumentam de forma significativa.

O C fornece trs tipos para nmeros de ponto flutuante. Cada tipo tem um intervalo e uma
preciso especificada:

Intervalo Tipo N de bits
Inicio Fim
float
32 3.4E38
3.4E+38
double 64 1.7E308
1.7E+308
long double 80 3.4E4932
3.4E+4932

O tipo long double o tipo de ponto flutuante com maior preciso. importante observar que os
intervalos de ponto flutuante, na tabela acima, esto indicados em faixa de expoente, mas os nmeros
podem assumir valores tanto positivos quanto negativos.
3.4 Propagao de Erros
Durante as operaes aritmticas de um mtodo, os erros dos operandos produzem um erro no


13
resultado da operao; sendo A, a, B, b os valores exatos e aproximados, respectivos, e E
a
e E
b
, os erros
dos operandos.

A + B = (a + E
a
) + (b + E
b
) = a + b + E
a
+ E
b
EA
A+B
= E
a
+ E
b

A B = (a + E
a
) (b + E
b
) = a b + E
a
E
b
EA
A-B
= E
a
E
b

A * B = (a + E
a
) (b + E
b
) = ab + aE
b
+ bE
a
+ E
b
*E
a
EA
A*B
= aE
b
+ bE
a
+ E
b
*E
a


Vejamos atravs de um exemplo, como os erros descritos anteriormente podem influenciar o
desenvolvimento de um clculo.

Exemplo: Suponha-se que as operaes abaixo sejam processadas em uma mquina com 4 dgitos
significativos e fazendo-se: x
1
= 0.3491*10
4
e x
2
= 0.2345*10
0
tem-se:

(x
2
+ x
1
) x
1
= (0.2345*10
0
+ 0.3491*10
4
) 0.3491*10
4

= 0.3491*10
4
0.3491*10
4

= 0.0000

x
2
+ (x
1
x
1
) = 0.2345*10
0
+ (0.3491*10
4
0.3491*10
4
)
= 0.2345 + 0.0000
= 0.2345

Os dois resultados so diferentes, quando no deveriam ser, pois a adio uma operao
distributiva. A causa desta diferena foi um arredondamento feito na adio (x
2
+ x
1
), cujo resultado tem 8
dgitos. Como a mquina s armazena 4 dgitos, os menos significativos foram desprezados.

Ao se utilizar mquinas de calcular deve-se estar atento a essas particularidades causadas pelo erro
de arredondamento, no s na adio mas tambm nas outras operaes.



14
4 Zeros de Equaes Transcendentes e Polinomiais
4.1 Introduo
Seja F(x) uma funo real definida num intervalo [a, b]. Chama-se raiz(es) desta funo em [a, b]
a todo (csi) (a, b) tal que F() = 0, como mostra a figura abaixo.

0
f(x)
y
x

b
a

4.1.1 Derivada de uma funo num ponto
A funo : A R diz-se derivvel no ponto de acumulao a A quando existe e finito o
limite:

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

=
+
0 0
lim lim
( ) ( )
lim
( ) ( )


Quando f derivvel em a, o limite chamado derivada de f no ponto a.
4.1.2 Tipos de Mtodos
Pode-se dizer que so dois os mtodos para se achar a(s) raiz(es) de uma equao:

Mtodo direto: quando fornece soluo em apenas um nico passo. Esta raiz exata, a menos de
erros de arredondamento.

Exemplo: Seja F(x) = x
2
3x + 2. A soluo direta pode ser obtida atravs da frmula de Baskara com a
expresso: X
b b ac
a
=

2
4
2
, que ter como conjunto soluo {1, 2}.

PROGRAM Baskara;
VAR a, b, c : INTEGER;
delta : INTEGER;
x1, x2 : REAL;
BEGIN
a := 1; b := -3; c := 2; {f(x) = x^2 - 3*x + 2}
delta := b*b - 4*a*c;
IF delta >= 0 THEN
BEGIN
x1 := (-b + SQRT(delta)) / (2*a);
x2 := (-b - SQRT(delta)) / (2*a);
WRITELN('x1 = ',x1);
WRITELN('x2 = ',x2);
END
ELSE WRITELN('Nao possui raizes reais');
END.

Mtodo iterativo ou indireto: um processo de clculo infinito, recursivo, em que o valor obtido
a cada passo depende de valores obtidos em passos anteriores. Este tipo de mtodo, na maioria das vezes,
no obtm soluo exata para as razes, mas sim uma soluo aproximada dentro de uma faixa de erro
considerada aceitvel.


15

importante salientar, que normalmente, os mtodos iterativos so mais precisos quando
executados em um computador que permite agilizar os clculos matemticos, obtendo assim uma melhor
preciso.

Exerccio: Calcular 4 e de 2 usando o Mtodo de Newton definido por:

2
1
1
|
|

\
|
+
=

n
n
n
x
x
x
x , para n = 1, 2, 3, ...
onde: x: o nmero a ser calculado a raiz
x
0
: uma atribuio inicial qualquer diferente de zero (por exemplo, x
0
= 1).

Como vimos anteriormente, o clculo das duas razes de uma equao do segundo grau, colocada
sob a forma ax
2
+ bx + c = 0, so facilmente obtidas pela frmula de Baskara. Entretanto, se colocarmos
uma expresso em que aparea uma equao transcendente, a soluo j no to simples, como
demonstram os exemplos abaixo:

e
x
+ x = 0
cos(x) x = 0
ln(x) + x 2 = 0

Mesmo um polinmio de grau maior que trs j no tem uma soluo algbrica simples como a da
equao do segundo grau, a no ser em casos particulares. Vamos analisar como enfrentar esse problema,
to comum em diversas reas da engenharia, da economia, das cincias, da fsica, entre tantas outras.

Essas equaes, com enorme freqncia, nos levam a razes reais no racionais que, ao serem
representadas no computador, necessariamente, o sero de forma aproximada, pelas razes j expostas no
captulo anterior, tendo em vista que necessitariam de infinitos dgitos, em suas mantissas, para serem
representadas.

Alm disso, em geral, estamos interessados em obter esses valores, essas razes, com uma
determinada preciso, com um erro tolervel, com algumas casas decimais, sem a pretenso de obter
valores exatos. Isso mais do que suficiente, para a maioria dos problemas prticos encontrados.

Os mtodos numricos a serem apresentados, partindo de valores inicialmente propostos, buscam
aprimorar esses valores, diminuindo os erros, aproximando-se, assim, dos valores das razes procuradas,
at que os erros sejam aceitveis, podendo-se garantir que sejam erros inferiores a valores pr-definidos.

Para se calcular uma raiz duas etapas devem ser seguidas:
Isolar a raiz, ou seja, achar um intervalo [a, b], o menor possvel, que contenha uma e somente
uma raiz da equao f(x) = 0;
Melhorar o valor da raiz aproximada, isto , refin-la at o grau de exatido requerido. Com a
abordagem iterativa precisamos determinar um intervalo inicial para construirmos a seqncia
{x
i
} e teremos que a raiz x' ser dada por:

i
i
x x

= lim '

Alm disto, temos que estipular critrios de parada, pois na pratica no calcularemos infinitos
termos, mas apenas o suficiente para atingirmos a exatido desejada.


16
4.1.3 Isolamento de Razes
Nesta fase feita uma anlise terica e grfica da funo f(x). Para tal fim, usa-se freqentemente
um importante teorema da lgebra.

Teorema: Se uma funo f(x) contnua num intervalo [a, b] assume valores de sinais opostos nos
pontos extremos deste intervalo, isto , f(a). f(b) < 0, ento o intervalo conter, no mnimo, uma raiz da
equao f(x) = 0; em outras palavras haver, no mnimo, um nmero (a, b) tal que f() = 0.
4.1.3.1 Nmero de Razes Reais
Na seo anterior vimos como delimitar as razes reais de F(x) = 0. Agora iremos verificar quantas
razes existem no intervalo delimitado. Os mtodos a seguir do uma boa indicao sobre o nmero de
razes do intervalo.

Teorema de Bolzano: Seja F(x) = 0 uma equao algbrica com coeficientes reais e x (a, b):

Se F(a).F(b) < 0, ento existe um nmero impar de razes reais (contando suas
multiplicidades) no intervalo (a, b).

Se F(a).F(b) > 0, ento existe um nmero par de razes reais (contando suas multiplicidades)
ou no existe razes reais no intervalo (a, b).

A determinao do nmero de razes de equaes transcendentes geralmente quase impossvel,
pois algumas equaes podem ter um nmero infinito de razes.

No faremos maiores consideraes sobre este importante tpico, por no ser o objeto de estudo
neste momento, e por merecer um trabalho a parte, devido a extenso de seu contedo. Entretanto,
podemos salientar que o problema de isolar razes constitui-se da enumerao, localizao e separao
das mesmas.
4.1.3.2 Refinamento
Depois de isolar a raiz no intervalo [a, b], passa-se a calcul-la atravs de mtodos numricos.
Como veremos adiante, estes mtodos devem fornecer uma seqncia {x
i
} de aproximao, cujo limite
a raiz exata . Em cada aproximao x
n
, da raiz exata , usa-se um destes critrios e compara-se o
resultado com a tolerncia pr-fixada.

A verificao, de que x
n
est "suficientemente" prxima da raiz, pode ser feita de dois modos
diferentes (que podem levar a resultados diferentes):

| f(x
n
) | ( abordagem pelo eixo y)

| x
n
x
n-1
| (abordagem pelo eixo x)

Observa-se que dependendo dos nmeros envolvidos aconselhvel usar os testes de erro relativo:
| |
| |
1
1

n
n n
x
x x

4.1.4 Classificao dos mtodos
Mtodos de quebra: Os mtodos de quebra so os mais intuitivos geometricamente; contudo, so
os que convergem mais lentamente. Estes mtodos so assim chamados porque a partir de um intervalo
que contenha uma raiz da funo, vai-se particionando este intervalo em outros menores, que ainda
contenham a raiz. Dependendo da escolha do ponto de quebra do intervalo, poderemos ter diferentes
mtodos, tais como.
Mtodo da Bisseo;


17
Mtodo da Falsa Posio.

Mtodos de ponto fixo: Nos mtodos de ponto fixo comeamos de uma aproximao inicial x
0
e
construmos a seqncia {x
i
} na qual cada termo dado por x
i+1
= (x
i
), onde uma funo de iterao.
Conforme for , (dzeta) teremos diferentes mtodos de ponto fixo, tais como.
Mtodo de Newton-Raphson;
Mtodo da Iterao Linear.

Mtodos de mltiplos pontos: Os mtodos de mltiplos pontos constituem uma generalizao do
mtodo anterior, onde para determinar um ponto x
i+1
utilizamos vrios pontos anteriores: x
i
, x
i-1
, ..., x
i-p.

Exemplo:
Mtodo da Secante.
4.2 Mtodo da Bisseo
Seja f(x) uma funo contnua no intervalo [a, b] e seja uma raiz desta funo, sendo que (a,
b), tal que f() = 0.
y
x 0 b
a x
1
x
2
f(x)
f(a)
f(b)

x
3
x
4

Interpretao geomtrica do mtodo da bisseo

Dividindo o intervalo [a, b] ao meio, obtm-se x
1
, havendo, pois, dois subintervalos, [a, x
1
] e [x
1
,
b], a ser considerados. Se f(x
1
) = 0, ento = x
1
; caso contrrio, a raiz estar no subintervalo onde a
funo tem sinais opostos nos pontos extremos, ou seja, se f(a). f(x
1
) < 0 ento [a, x
1
], seno f(a). f(x
1
)
> 0 e [x
1
, b].

O processo se repete at que se obtenha uma aproximao para a raiz exata , ou seja, que o
critrio de parada seja satisfeito. Ento, por induo, temos:

Algoritmo:

2
b a
x
n
+
= , para n = 1, 2, 3, ...

Se f(a). f(x
n
) < 0, ento teremos b = x
n
, seno a = x
n
.

Critrio de Parada:
erro f
xn
) (
ou
| b a | erro

Restrio: necessrio conhecer um intervalo que contenha o valor desejado .
4.2.1 Estimativa do Nmero de Iteraes
Considerando uma preciso e um intervalo inicial [a, b] possvel saber, a priori, quantas
iteraes sero efetuadas pelo mtodo da bisseo at que se obtenha | b a | , usando o algoritmo


18
deste mtodo.
Vimos que:
k
k k
k k
a b a b
a b
2 2
0 0 1 1

=

=



Deve-se obter o valor de k tal que b
k
a
k
< , ou seja,

<

k
a b
2
0 0

k
a b
2
0 0
<



log(b
0
a
0
) log() < k * log(2)

k
a b
<

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



Portanto, se k satisfaz a relao acima, ao final da iterao k teremos o intervalo [a, b] que contem a
raiz .
4.2.2 Consideraes Finais
As iteraes no envolvem clculos laboriosos;
Apesar de teoricamente seguro, o mtodo pode ter falhas. Se ocorrer um erro de
arredondamento, mesmo que pequeno, no momento em que a mquina avalia o sinal do ponto
mdio, poderemos ter um intervalo que efetivamente no contm uma raiz;
Pode ser difcil encontrar um intervalo [a, b], tal que f(a). f(b) < 0, em equaes com razes de
multiplicidade par ou muito prximas;
A convergncia muito lenta, pois se o intervalo inicial tal que b
0
a
0
>> e se for muito
pequeno, o numero de iteraes (k) tende a ser muito grande;
Deve ser utilizado apenas para diminuir o intervalo que contm a raiz.
4.2.3 Exemplos
Exemplo 1: Encontrar a raiz da funo f(x) = x.ln(x) 3.2 contida no intervalo [2, 3], com erro 10
-2
.
a) Algoritmo:
2
b a
x
n
+
=
b) Escolha do intervalo:
f(2) = 1.81371 f(3) = 0.09584
[2, 3]

c) Valor do erro:
erro 10
-2

d) Iteraes:

a X
n
b f(a) f(x
n
) | x
n
a | = | f(x
n
) |
2 2.5 3 1.81371 0.90927 0.5 0.90927
2.5 2.75 3 0.90927 0.41810 0.25 0.41810
2.75 2.875 3 0.41810 0.16385 0.125 0.16385
2.875 2.9375 3 0.16385 0.03467 0.0625 0.03467
2.9375 2.96875 3 0.03467 0.03042 0.03125 0.03042
2.9375 2.953125 2.96875 0.03467 0.00217 0,015625 0.00217

e) Resposta:


19
A raiz desejada = 2,953125

Exerccio 1: Encontrar a raiz de f(x) = x
2
3, contida no intervalo [1; 2], com erro 10
-2
.

Resposta: A raiz desejada = 1.734375

Exerccio 2: Encontrar a raiz da funo f(x) = x
2
+ ln(x) contida no intervalo [0.5, 1], com erro 10
-2
.

Resposta: A raiz desejada = 0.65625

Exerccio 3: Encontrar a primeira raiz positiva da funo f(x) = e
-x
sen(x), com erro 10
-2
.

Resposta: A raiz desejada = 0.59375
4.3 Mtodo da Falsa Posio
Seja f(x) uma funo contnua no intervalo [a, b] e seja uma raiz desta funo, sendo que (a,
b), tal que f() = 0.

No caso do Mtodo da Bisseo, x
n
obtido atravs da mdia aritmtica entre os extremos a e b:
2
b a
x
n
+
=
Na maioria das vezes a raiz est mais prxima de um dos extremos do intervalo. Se partirmos do
princpio de que a raiz deve estar mais prxima do ponto que apresenta o menor valor da funo, ento,
em vez de tomar a mdia aritmtica entre a e b, o mtodo da falsa posio toma a mdia aritmtica
ponderada entre a e b com pesos | f(b) | e | f(a) |, respectivamente:

) ( ) (
) ( ) (
a f b f
a f b b f a
xn
+
+
= , visto que f(a) e f(b) tm sinais opostos, temos ento:

) ( ) (
) ( ). (
) ( ) (
) ( ) ( ) ( ) (
) ( ) (
) ( ) (
a f b f
a f a b
a
a f b f
a af a af a bf b af
a f b f
a bf b af
xn

+
=

= , para n = 1, 2, 3, ...

Graficamente, este mtodo procura particionar o intervalo [a, b], na interseo da reta que une os
pontos (a, f(a)) e (b, f(b)) com o eixo x. Este ponto representado como x
n
. Escolhe-se ento um novo
subintervalo conforme for a variao do sinal da curva f.

O mtodo da falsa posio aplicado na figura abaixo mostra que f(x
1
).f(a) < 0, com isso, o novo
intervalo que contm pelo menos uma raiz real dado por (a, x
1
). Continuando o processo, determinamos
o ponto x
2
e verifica-se, agora, que f(x
2
).f(x
1
) < 0, da o processo segue tendo o intervalo (x
1
, x
2
).

Aps encontrar o ponto x
1
, devemos verificar, como no caso da bisseo, se a raiz est entre o
intervalo (a, x
1
) ou (x
1
, b). Se f(a).f(x
1
) < 0, ento teremos b = x
1
, caso contrrio teremos a = x
1
. A partir
da o processo se repete at que o critrio de parada seja satisfeito.



20
y
x 0
b
a
x
1
f(x)
f(b)
f(a)

f(b')
x
2

Representao geomtrica do mtodo da falsa posio

O algoritmo deste mtodo tambm pode ser encontrado atravs da anlise dos tringulos formados
pela reta (a, f(a)) e (b, f(b)) com o eixo x. Seja o tringulo f(a)x
1
a e o tringulo f(a)f(b)f(b), ento, pela
propriedade da semelhana de tringulos temos:

) ( ) (
)) ( )( (
) ( ) ( ) ( ) (
) ( ) (
1
1
1
a f b f
a f a b
a x
a f
a x
a f b f
a b
a f
a f b f
a x
a b


) ( ) (
)) ( )( (
1
a f b f
a f a b
a x

=

Se f(a).f(x
1
) < 0, ento teremos b = x
1
, seno a = x
1
. A partir da o processo se repete at que o
critrio de parada seja satisfeito.

Ento, por induo temos:

Algoritmo:
) ( ) (
) ( ). (
a f b f
a f a b
a
xn

= Para n = 1, 2, 3, ...

Se f(a).f(x
n
) < 0, ento teremos b = x
n
, seno a = x
n
.

Critrio de Parada:
| x
n
x
n-1
| erro (x
0
= a ou x
0
= b)

Pode ser usado tambm o critrio: erro f
xn
) (

Restrio:
necessrio conhecer um intervalo que contenha o valor desejado .
4.3.1 Casos especiais
Se f(x) contnua no intervalo [a, b] com f(a).f(b) < 0 ento o mtodo da falsa posio gera uma
seqncia convergente.

Se uma funo cncava ou convexa em [a, b], ou seja, a segunda derivada existe em [a, b] e
f(x) no muda de sinal nesse intervalo, ento no mtodo da falsa posio teremos sempre uma das
extremidades fixa. Este caso especial tambm chamado de Mtodo das Cordas. A figura abaixo mostra
graficamente os quatro casos que podem ocorrer:



21

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

0
0 0
b ponto fixo

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




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

0
0 0
a ponto fixo

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




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

0
0 0
a ponto fixo

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



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

0
0 0
b ponto fixo

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


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

a) Algoritmo:
) ( ) (
) ( ). (
a f b f
a f a b
a
xn

=
f(x) = x
4
26x
2
+ 24x + 21
f(x) = 4x
3
52x + 24
f(x) = 12x
2
52

b) Escolha do intervalo:
Em primeiro lugar, deve-se procurar o intervalo onde possivelmente esteja a primeira raiz
positiva. Atravs da anlise do valor da funo nos primeiros pontos do eixo dos x temos que:

f(0) = 21, f(1) = 20, f(2) = 19, logo, entre (1, 2) existe uma raiz positiva.

c) Valor inicial:


22
a = 1 b = 2

f(1) = 40 f(2) = 4 f(1).f(2) > 0 a concavidade no muda.
temos f(x) < 0, f(a) > 0 e f(b) < 0, portanto, b ponto fixo.

d) Valor do erro:
erro 10
-2


e) Iteraes:

x
f
f f
1 1
2 1 1
2 1
1
1 20
19 20
1
20
39
1 51 =

=

=

=
( )( ( ))
( ( ) ( ))
( )( )
( )
,

| x
1
a | = | 1,51 1 | = 0,51 > erro

f(a).f(x
1
) = (20).(3,16) = 63,2 > 0, portanto a raiz est no intervalo (x
1
, b), ento a = x
1


x
f
f f
2 1 51
2 1 51 1 51
2 1 51
1 51
0 49 316
19 316
151
1 55
22 16
1 58 =

=

=

= ,
( , )( ( , ))
( ( ) ( , ))
,
( , )( , )
( , )
.
( , )
,
,

| x
2
x
1
| = | 1,58 1,51 | = 0,07 > erro

f(a).f(x
2
) = (1,51).(1,58) = 2,3858 > 0, a = x
2


x
f
f f
3 1 58
2 1 58 158
2 1 58
1 58
0 42 0 24
19 0 24
158
0 10
19 24
1 59 =

=

=

= ,
( , )( ( , ))
( ( ) ( , ))
,
( , )( , )
( , )
,
,
,
,

| x
3
x
2
| = | 1,59 1,58 | = 0,01 < erro

f) Resposta:
= 1,59 a primeira raiz positiva do polinmio.

Exerccio 1: Calcular a raiz aproximada para a equao f(x) = cos(x) + x, com 0.001.

Resposta: = 0.7391 a raiz procurada da equao.

Exerccio 2: Calcular a raiz negativa para a funo f(x) = e
x
+ x, com o erro 0.01. Sabe-se que a raiz
est contida no intervalo [1, 0].

Resposta: = 0.5677 a raiz procurada da equao.
4.4 Mtodo da Iterao Linear
Seja f(x) uma funo contnua no intervalo [a, b] e seja uma raiz desta funo, sendo (a, b),
tal que f() = 0.

Por um artifcio algbrico, pode-se transformar f(x) = 0 em duas funes que lhe sejam
equivalentes.

f(x) = 0

=
=
) (x g y
x y




23
onde g(x) chamada de funo de iterao.

y
x
0
f(x)

y=x
y=g(x)

Interpretao geomtrica do mtodo da iterao linear

Sendo x
0
a primeira aproximao da raiz , calcula-se g(x
0
). Faz-se ento, x
1
= g(x
0
), x
2
= g(x
1
), x
3

= g(x
2
) e assim sucessivamente.

Ento, por induo, temos:

Algoritmo:
) (
1
=
n n
x g x
para n = 1, 2, 3, ...

Critrio de Parada:
| x
n
x
n-1
| erro

Melhor extremo:
Empiricamente, sabe-se que o mtodo tem sucesso quando | g'(x) | < 1 em todo intervalo.
O extremo mais rpido para iniciar o mtodo aquele para o qual o mdulo da primeira
derivada menor.
Se | g'(a) | < | g'(b) | ento x
0
= a, seno x
0
= b.
4.4.1 Casos de convergncia
Seja f(x) = x
3
5x + 3. Possveis g(x):

g(x) =
5
3
3
+ x
g(x) = ( )
3
1
3 5 x

g(x) =
2
3 5
x
x
g(x) =
5
3
2

x


Como podemos ter vrias funes g(x), vamos estabelecer algumas condies para que os
resultados sejam satisfatrios.

Vamos observar graficamente o problema e verificar que h funes g(x) que no so indicadas
para a escolha.

Convergncia monotnica
0 < g(x) < 1
Convergncia oscilante
1 < g(x) < 0


24
y
x
0
x
1
x
2
x
0
y=x
y=g(x)




y
x
0
x
1
x
2
x
0
y=x
y=g(x)
x
3
x
4


Divergncia monotnica
g(x) > 1
y
x
0
x
1
x
2
x
0
y=x
y=g(x)


Divergncia oscilante
g(x) < 1

y
x
0
x
1
x
2
x
0
y=x
y=g(x)
x
3
x
4

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


| erro, conforme vemos na figura abaixo:

y
x
0

y=x
y=g(x)
xn xn-1

4.4.3 Exemplos
Exemplo 1: Dada a funo f(x) = x
2
+ 3x 40, obter sua raiz contida no intervalo [4.5, 5.5], pelo MIL,
com um erro 10
-4
.

a) Algoritmo: ) (
1
=
n n
x g x

b) Escolha da funo de iterao:
y = x


25
y =
3
40
2

x
y' =
3
2x
divergncia oscilante

y =
3
40
+ x
y' =
2
) 3 (
40
+

x
convergncia oscilante

y = x 3 40 y' =
x 3 40 2
3

convergncia oscilante

c) Melhor extremo (valor inicial):
y = x 3 40 y' =
x 3 40 * 2
3



y'(4.5) = 0.2914 y'(5.5) = 0.3094 x
0
= 4.5

d) Valor do erro:
erro 10
-4

e) Iteraes:
x
1
= 5.14782
x
2
= 4.95546
x
3
= 5.01335
x
4
= 4.99599
x
5
= 5.00120
x
6
= 4.99964
x
7
= 5.00011
x
8
= 4.99997
x
9
= 5.00000 | x
9
x
8
| = 0.00003 < erro

f) Resposta:
A raiz desejada = 5.00000

Exerccio 1: Dada a funo f(x) = x
2
+ 3x cos(x) 2.45, obter sua raiz contida no intervalo [0.5, 1],
pelo MIL, com um erro 10
-2
.

Resposta: A raiz desejada = 0.8161
4.5 Mtodo de Newton-Raphson ou Mtodo das Tangentes
Seja f(x) uma funo contnua no intervalo [a, b] e seja uma raiz desta funo, sendo (a, b), tal
que f() = 0 e f(x) 0.

y
x 0
a
f(a)
b=x
0
f(x)
x
1
x
2

x'
1

f(x
0
)
f(x
1
)



26
Interpretao geomtrica do mtodo de Newton

Tomemos x
0
= b. Ento temos:
) ( '
) ( ) (
) ( ' ) ( '
0
0
0 1
1 0
0
0 0
x f
x f
x x
x x
x f
x f x f tg =

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

1
. Ento, por induo, temos:

Algoritmo:
) ( '
) (
1
1
1

=
n
n
n n
x f
x f
x x , para n = 1, 2, 3, ...

Critrio de Parada:
erro x x
n n

1


Restrio:
necessrio conhecer um intervalo que contenha o valor desejado .

Melhor extremo:
Para decidir qual o melhor extremo do intervalo (a, b) a iniciar o mtodo, basta verificar
qual dos extremos possui funo e segunda derivada com mesmo sinal:

f(x
i
). f''(x
i
) > 0 Para i = {extremos do intervalo}
4.5.1 Consideraes finais
Requer o conhecimento da forma analtica de f '(x), mas sua convergncia extraordinria.
4.5.2 Exemplos
Exemplo 1: Calcular a raiz positiva da equao f(x) = 2x sen(x) 4 = 0, com erro 10
-3
, usando o
mtodo de NR.
a) Algoritmo:
) ( '
) (
1
1
1

=
n
n
n n
x f
x f
x x

f(x) = 2x sen(x) 4
f(x) = 2 cos(x)
f''(x) = sen(x)

b) Escolha do intervalo:
f(2) = 0.9093 f(3) = 1.8589
f(2). f(3) < 0 [2, 3]

c) Melhor extremo (valor inicial):
f(2) = 0.9093 f(3) = 1.8589
f''(2) = 0.9093 f''(3) = 0.1411
x
0
= 3

d) Valor do erro:


27
erro 10
-3

e) Iteraes:
3783 . 2
9900 . 2
8589 . 1
3
) 3 ( '
) 3 (
3 1 = = =
f
f
x

| x
1
x
0
| = | 2.3783 3 | = 0.6217 > erro

3543 . 2
7226 . 2
0653 . 0
3783 . 2
) 3783 . 2 ( '
) 3783 . 2 (
3783 . 2 2 = = =
f
f
x

| x
2
x
1
| = | 2.3543 2.3783 | = 0.0240 > erro

3542 . 2
7058 . 2
0002 . 0
3543 . 2
) 3543 . 2 ( '
) 3543 . 2 (
3543 . 2 3 = = =
f
f
x

| x
3
x
2
| = | 2.3542 2.3543 | = 0.0001 < erro

f) Resposta:
A raiz desejada = 2.3542

Exerccio 1: Obter a raiz cbica de 5, usando o mtodo NR sendo o erro 10
-3
.

f(x) = x
3
5
f'(x) = 3x
2
f''(x) = 6x

Resposta: A raiz desejada = 1.7100

Exerccio 2: Calcular a raiz negativa de f(x) = x
3
5x
2
+ x + 3, com erro 10
-4
.

f(x) = x
3
5x
2
+ x + 3
f(x) = 3x
2
10x + 1
f''(x) = 6x 10

Resposta: A raiz desejada = 0.64575

Exerccio 3: Seja a funo f(x) = sen(x) tg(x). Deseja-se saber uma das razes desta funo, sabendo-se
que est contida no intervalo (3, 4). Todos os clculos devem ser realizados com 4 casas decimais com
arredondamento e erro no superior a 0.001.

f(x) = sen(x) tg(x)
f'(x) = cos(x) sec
2
(x)
f''(x) = sen(x) 2sec
2
(x) tg(x)

Resposta: A raiz desejada = 3.1416
4.5.3 Condies de Newton-Raphson-Fourier
Segundo Newton, para haver a convergncia uma raiz em seu mtodo, bastaria que o intervalo
(a, b) em anlise fosse suficientemente pequeno. Contudo, Raphson e Fourier concluram que um
intervalo pequeno aquele que contm uma e somente uma raiz. Com isso, algumas condies foram
estabelecidas para que tal exigncia fosse vlida:


28

1) Se f(a). f(b) > 0, ento existe um nmero par de razes reais (contando suas multiplicidades) ou
no existe razes reais no intervalo (a, b) (Teorema de Bolzano);
2) Se f(a).f(b) < 0, ento existe um nmero mpar de razes reais (contando suas multiplicidades)
no intervalo (a, b) (Teorema de Bolzano);
3) Se f'(a). f'(b) > 0, ento o comportamento da funo neste intervalo poder ser apenas
crescente ou apenas decrescente, e nunca os dois se alternando;
4) Se f'(a). f'(b) < 0, ento a funo ter o comportamento de ora crescer ora decrescer;
5) Se f"(a). f"(b) > 0, ento a concavidade no muda no intervalo em anlise;
6) Se f"(a). f"(b) < 0, ento a concavidade muda no intervalo em anlise.

Portanto, haver convergncia uma raiz no intervalo (a, b) se e somente se:

f(a). f(b) < 0, f'(a). f'(b) > 0 e f"(a). f"(b) > 0.

Exemplo 2: Seja a funo f(x) = x
2
9.5x + 8.5, obter a raiz contida no intervalo [8, 9]. Os clculos
devem ser realizados com 4 decimais com arredondamento e erro no superior a 0,001.
a) Algoritmo :
) ( '
) (
1
1
1

=
n
n
n n
x f
x f
x x
f(x) = x
2
9.5x + 8.5
f(x) = 2x 9.5
f(x) = 2

b) Escolha do intervalo:
f(8) = 3.5; f(9) = 4
f(8). f(9) < 0 [8, 9]

c) Melhor extremo (valor inicial):
f(8) = 3,5 f(9) = 4 f(8). f(9) < 0
f'(8) = 6.5 f'(9) = 8.5 f(8). f(9) > 0
f"(8) = 2 f"(9) = 2 f(8). f(9) > 0
x
0
= 9

d) Valor do erro:
erro 10
-3

e) Iteraes:
5294 . 8
5 . 8
4
9
) 9 ( '
) 9 (
9 1 = = =
f
f
x
| x
1
x
0
| = | 8.5294 9 | = 0.4706 > erro

5001 . 8
5588 . 7
2214 . 0
5294 . 8
) 5294 . 8 ( '
) 5294 . 8 (
5294 . 8 2 = = =
f
f
x
| x
2
x
1
| = | 8.5001 8.5294 | = 0.0293 > erro

5000 . 8
5002 . 7
0008 . 0
5001 . 8
) 5001 . 8 ( '
) 5001 . 8 (
5001 . 8 3 = = =
f
f
x
| x
3
x
2
| = | 8.5000 8.5001 | = 0.0001 < erro

f) Resposta:
A raiz desejada = 8.5000


29

Exerccio 4: Calcular a raiz da equao f(x) = x
3
x + 1 = 0, contida no intervalo [2, 1], com um erro
10
-3
.
f(x) = x
3
x + 1
f(x) = 3x
2
1
f(x) = 6x

Resposta: A raiz desejada = 1.3247
4.6 Mtodo da Secante
Uma grande desvantagem do mtodo de Newton a necessidade de se obter a derivada f(x) e
calcular o seu valor numrico a cada iterao.

Para contornar este problema podemos substituir o clculo da primeira derivada f(x
n
) pelo
quociente das diferenas, usando assim, um modelo linear baseado nos dois valores calculados mais
recentemente:
1
1
) ( ) (
) ( '

n n
n n
n
x x
x f x f
x f


onde x
n
e x
n-1
so duas aproximaes para a raiz.

Substituindo o valor aproximado da derivada acima, a funo de iterao fica:

x
x
n
n
x
f x
f x f x
x x
x
x x f x
f x f x
n
n
n n
n
n n n
n n
n n
+
+
=

1
1
1
1
1
1
( )
( ) ( )
( ). ( )
( ) ( )







, para n = 1, 2, 3, ...

Para iniciar o mtodo necessitamos de duas aproximaes (x
0
e x
1
) para a raiz.

y
x
0 x
1
x
o
x
2
f(x)
f(x
0
)
f(x
1
)

x
3
x
4

Interpretao geomtrica do mtodo da secante

Neste mtodo partimos das duas aproximaes iniciais x
0
e x
1
e determinamos a reta que passa
pelos pontos (x
0
, f (x
0
)) e (x
1
, f (x
1
)). A interseco desta reta com o eixo x fornece o ponto x
2
. Em seguida
calculado uma nova aproximao para a raiz a partir dos pontos (x
1
, f(x
1
)) e (x
2
, f (x
2
)). O processo se
repete at que seja satisfeito o critrio de parada.

Observe que neste mtodo no necessitamos da caracterstica que fundamental no mtodo da


30
falsa posio que exige que f(x
n
). f(x
n-1
) < 0. importante salientar tambm que a raiz no necessita estar
entre as duas aproximaes iniciais (x
0
e x
1
).

A convergncia deste mtodo mais rpido que o mtodo da bisseo e o da falsa posio,
contudo, pode ser mais lento que o mtodo de Newton-Raphson.

Algoritmo:
) ( ) (
) ( ). (
1
1
1

=
n n
n n n
n n
x f x f
x f x x
x x
, para n = 1, 2, 3, ...

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

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

=
n n
n n n
n n
x f x f
x f x x
x x

b) Valor inicial:
x
0
= 1.5 x
1
= 1.7

c) Valor do erro:
erro 10
-2

d) Iteraes:

0357 . 2
84 . 0
) 282 . 0 (
7 . 1
) 25 . 2 ( 41 . 1
) 41 . 1 )( 2 . 0 (
7 . 1
) 5 . 1 ( ) 7 . 1 (
) 7 . 1 ( ). 5 . 1 7 . 1 (
7 . 1 2 =

=
f f
f
x

| x
2
x
1
| = | 2.0357 1.7 | = 0.3357 > erro

9977 . 1
) 41 . 1 ( 1798 . 0
) 1798 . 0 )( 3357 . 0 (
0357 . 2
) 7 . 1 ( ) 0357 . 2 (
) 0357 . 2 ( ). 7 . 1 0357 . 2 (
0357 . 2 3 =

=

=
f f
f
x

| x
3
x
2
| = | 1.9977 2.0357 | = 0.038 > erro

0000 . 2
) 1798 . 0 ( 0115 . 0
) 0115 . 0 )( 038 . 0 (
9977 . 1
) 0357 . 2 ( ) 9977 . 1 (
) 9977 . 1 ( ). 0357 . 2 9977 . 1 (
9977 . 1 4 =


=

=
f f
f
x

| x
4
x
3
| = | 2.0000 1.9977 | = 0.0023 < erro

e) Resposta:
= 2.0000 a raiz procurada.

Exerccio 1: Calcular a raiz da funo f(x) = 3x cos(x), sendo x
0
= 0, x
1
= 0.5 e o erro

10
-4
. Efetue os
clculos com 5 casas decimais com arredondamento.

Resposta: = 0.31675 a raiz procurada.

Exerccio 2: Calcular a raiz da funo f(x) = x
3
4, sendo x
0
= 1, x
1
= 2 e o erro

0,05.

Resposta: = 1,5914 a raiz procurada.


31
4.7 Mtodo Misto
O mtodo misto, consiste na aplicao seqencial dos mtodos NR e Falsa Posio, nesta ordem.

O mtodo NR aplicado no primeiro passo, sempre a partir do melhor extremo. Ento, com o novo
resultado obtido
N
x
1
, determina-se qual valor dos extremos do intervalo ser substitudo ( f(a). f(
N
x
1
) < 0
b =
N
x
1
, seno a =
N
x
1
) e ento aplica-se o mtodo da Falsa Posio. O resultado obtido em
F
m
x ser
utilizado na prxima iterao pelo mtodo NR, mas antes feito o teste do erro para verificar o critrio de
parada.

Assim, por induo, seguem-se as iteraes seguintes. Quando o critrio de parada for satisfeito,
tira-se a mdia aritmtica simples do resultado da ltima iterao de ambos os mtodos e obtm-se a
resposta desejada.

Algoritmo:
2
F
m
N
m
m
x x
x
+
= , para m = 1, 2, 3, ...

Critrio de parada:
|
F
m
x
N
m
x | erro
4.7.1 Exemplos
Exemplo 1: Determinar pelo mtodo misto, a raiz da funo f(x) = 10sen(x) + cos(x) 10x contida no
intervalo [0.5, 1], com tolerncia de 2*10
-4
e clculos com 4 casas decimais com arredondamento.
a) Algoritmo:
2
F
m
N
m
m
x x
x
+
=

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

b) Valor do erro:
erro 0.0002

c) Escolha do intervalo:
f(0.5) = 0.6718 f(1) = 1.0450

d) Iteraes:

Melhor extremo:
f(0.5) = 0.6718 f(1) = 1.0450
f"(0.5) = 5.6718 f"(1) = 8.9550
N
x
0
= 1

8078 . 0
) 4384 . 5 (
) 0450 . 1 (
1
) 1 (
) 1 (
1
1
=

= =
f
f
x
N


extremo trocar: f(a). f(
N
x
1
) = f(0.5). f(0.8078) = (0.6718)(0.1594) < 0
a = 0.5 b = 0.8078

7488 . 0
) 6718 . 0 ( ) 1594 . 0 (
) 6718 . 0 ( * ) 3078 . 0 (
5 . 0
) 5 . 0 ( ) 8078 . 0 (
) 5 . 0 ( * ) 5 . 0 8078 . 0 (
5 . 0
1
=

=

=
f f
f
x
F



32

|
F
x
1

N
x
1
| = | 0.7488 0.8078 | = 0.0590 > erro

extremo trocar: f(0.5). f(0.7488) = (0.6718)(0.0521) > 0
a = 0.7488 b = 0.8078

7643 . 0
) 3557 . 3 (
) 0521 . 0 (
7488 . 0
) 7488 . 0 (
) 7488 . 0 (
7488 . 0
2
=

= =
f
f
x
N


extremo trocar: f(0.7488). f(0.7643) = (0.0521)(0.0008) < 0
a = 0.7488 b = 0.7643

7641 . 0
) 0521 . 0 ( ) 0008 . 0 (
) 0521 . 0 ( * ) 0155 . 0 (
7488 . 0
) 7488 . 0 ( ) 7643 . 0 (
) 7488 . 0 ( * ) 7488 . 0 7643 . 0 (
7488 . 0
2
=

=

=
f f
f
x
F

|
F
x
2

N
x
2
| = | 0.7641 0.7643 | = 0.0002 erro

e) Resposta:
7642 . 0
2
7643 . 0 7641 . 0
=
+
=

Exerccio 1: Dada a funo f(x) = x
2
+ 3x cos(x) 2.45, obter sua raiz contida no intervalo [0.5, 1] pelo
mtodo misto, com erro 10
-3
e clculos com 4 decimais com arredondamento.

f(x) = x
2
+ 3x cos(x) 2.45
f'(x) = 2x + 3+ sen(x)
f"(x) = 2 + cos(x)

Resposta: 8200 . 0
2
82 . 0 82 . 0
=
+
=
4.8 Mtodo para Equaes Polinmiais
4.8.1 Introduo
Embora qualquer um dos mtodos estudados anteriormente possam ser usados para encontrar zeros
de um polinmio de qualquer grau, o fato de os polinmios aparecerem com tanta freqncia em
aplicaes faz com que seja dedicada uma ateno especial.

Normalmente, um polinmio de grau n escrito na forma:

P
n
=
n
n
x a x a x a a + + + + K
2
2 1 0
para a
n
0

Sabemos da lgebra elementar como obter os zeros de um polinmio do segundo grau P
2
(x), ou
seja, n = 2. Existem frmulas fechadas, semelhantes frmula para polinmios de grau 2, mas bem mais
complicadas, para zeros de polinmios de grau 3 e 4. Agora, para n 5, em geral, no existem frmulas
explcitas e somos forados a usar mtodos iterativos para encontrar os zeros dos polinmios.

Muitos dos teoremas da lgebra so teis na localizao e classificao dos tipos de zeros de um
polinmio. O estudo ser dividido em localizao de razes e determinao das razes reais.
4.8.2 Localizao de Razes
Vejamos alguns teoremas que sero teis para efetuar a localizao de razes.


33
Teorema Fundamental da lgebra: Se P
n
(x) um polinmio de grau n 1, ou seja, P
n
(x) =
n
n
x a x a x a a + + + + K
2
2 1 0
, para
n
a a a a , , , ,
2 1 0
K reais ou complexos, com a
n
0, ento P
n
(x) tem pelo
menos um zero, ou seja, existe um nmero complexo tal que P
n
() = 0.

Para determinarmos o nmero de zeos reais de um polinmio com coeficientes reais, podemos
fazer uso da regra de sinal de Descartes: Dado um polinmio com coeficientes reais, o nmero de zeros
reais positivos, p, desse polinmio no excede o nmero v de variaes de sinal dos coeficientes. Temos
ainda que v p um nmero inteiro, par e no negativo.

Exemplos: Dados os polinmios a seguir, determinar o nmero de razes reais positivas:
a) P
5
(x) = + 3x
5
2x
4
x
3
+ 2x + 1


+ + +
1 1


v = 2 p:

= =
= =
ou
p p v se
p p v se
0 , 2
2 , 0


b) P
5
(x) = + 3x
5
2x
3
+ 4x
2
x 1


+ +
1 1 1


v = 3 p:

= =
= =
ou
p p v se
p p v se
1 , 2
3 , 0


c) P
7
(x) = + x
7
+ 1


+ +
0


v = 0 e p: {v p 0 p = 0}.

Para determinar o nmero de razes reais negativas, neg, tomamos P
n
(x) e usamos a mesma regra
para razes positivas:

a) P
5
(x) = + 3x
5
2x
4
x
3
+ 2x + 1
P
5
(x) = 3x
5
2x
4
+ x
3
2x + 1


+ +
1 1 1


v = 3 neg:

= =
= =
ou
neg neg v se
neg neg v se
1 , 2
3 , 0


b) P
5
(x) = + 3x
5
2x
3
+ 4x
2
x 1


34
P
5
(x) = 3x
5
+ 2x
3
+ 4x
2
+ x 1


+ + +
1 1


v = 2 neg:

= =
= =
ou
neg neg v se
neg neg v se
0 , 2
2 , 0


c) P
7
(x) = + x
7
+ 1
P
7
(x) = x
7
+ 1


+
1


Neste caso, vimos que no existe zero positivo. Temos ainda P
7
(0) = 1 0. Temos ento que, v =
1 e neg: {v neg = 0 neg = 1}, ou seja, P
n
(x) = 0, no tem raiz real positiva, o zero no raiz e tem
apenas uma raiz real negativa donde tem trs razes complexas conjugadas.
4.8.3 Determinao das Razes Reais
Estudaremos um processo para se calcular o valor numrico de um polinmio, isto porque em
qualquer dos mtodos este clculo deve ser feito uma ou mais vezes por iterao.

Por exemplo, o Mtodo de Newton, que veremos a seguir, a cada iterao deve-se fazer uma
avaliao do polinmio e uma de sua derivada.
4.8.3.1 Mtodo para Calcular o Valor Numrico de um Polinmio
Para exemplificar o mtodo, estudaremos o processo analisando um polinmio de grau 4:

P
4
(x) =
0 1
2
2
3
3
4
4
a x a x a x a x a + + + +

Este polinmio pode ser escrito na forma:

P
4
(x) = (((a
4
x + a
3
)x + a
2
)x + a1)x + a0

conhecida como forma dos parnteses encaixados.

Temos ento, no caso de n = 4, que

P
4
(x) = (((a
4
x + a
3
)x + a
2
)x + a
1
)x + a
0
b
4
b
3
b
2
:
:

Para se calcular o valor numrico de P
4
(x) em x = c, basta fazer sucessivamente:

b
4
= a
4

b
3
= a
3
+ b
4
c


35
b
2
= a
2
+ b
3
c
b
1
= a
1
+ b
2
c
b
0
= a
0
+ b
1
c

P(c) = b
0
.

Portanto, para P
n
(x) de grau n qualquer, calculamos P
n
(c) calculando as constantes b
j
, j = n, n 1,
..., 1, 0 sucessivamente, sendo:

b
n
= a
n

b
j
= a
j
+ b
j+1
c j = n 1, n 2, ..., 1, 0

e b
0
ser o valor de P
n
(x) para x = c.

Podemos calcular o valor de P
n
(x) em x = c usando os coeficientes b
j
obtidos anteriormente.
Tomando como exemplo o polinmio de grau 4, temos:

P
4
(x) =
0 1
2
2
3
3
4
4
a x a x a x a x a + + + + P
4
(x) =
1 2
2
3
3
4
2 3 4 a x a x a x a + + + .

Usando os valores de a
j
do clculo anterior e dado que j conhemos b
0
, b
1
, b
2
, b
3
e b
4
:

P
4
(x) =
1 2
2
3
3
4
2 3 4 a x a x a x a + + +
= ) ( ) ( 2 ) ( 3 4
2 1 3 2
2
4 3
3
4
c b b c c b b c c b b c b + + +
= c b b c b c b c b c b c b
2 1 2
2
3
2
3
3
4
3
4
2 2 3 3 4 + + +

Assim, P
4
(x) =
1 2
2
3
3
4
b c b c b c b + + +

Aplicando o mesmo esquema anterior, teremos:

c
4
= b
4

c
3
= b
3
+ c
4
c
c
2
= b
2
+ c
3
c
c
1
= b
1
+ c
2
c

Calculamos, pois, os coeficientes c
j
, j = n, n 1, ..., 1 da seguinte forma:

c
n
= b
n

c
j
= b
j
+ c
j+1
c j = n 1, n 2, ..., 1

Teremos ento P(c) = c
1
.
4.8.4 Mtodo de Newton para Zeros de Polinmios
Seja P
n
(x) =
0 1
2
2
1
1
a x a x a x a x a
n
n
n
n
+ + + + +

L uma aproximao inicial para a raiz procurada.



Conforme vimos, o Mtodo de Newton consiste em desenvolver aproximaes sucessivas para a
partir da iterao:
x
k+1
= x
k

) ( '
) (
k
k
x P
x P
para k = 0, 1, 2, ...

Exemplo 1: Dada a equao polinomial x
5
3.7x
4
+ 7.4x
3
10.8x
2
+ 10.8x 6.8 = 0, temos que:



36
P
5
(1) = 2.1
P
5
(2) = 3.6

Ento, existe uma raiz no intervalo (1, 2).

Partindo de x
0
= 1.5 e considerando 0.02, o Mtodo de Newton para polinmios fornece:

P(x) = 5x
4
14.8x
3
+ 22.2x
2
21.6x + 10.8

((((x 3.7)x + 7.4)x 10.8)x + 10.8)x 6.8

a
5
= 1
a
4
= 3.7
a
3
= 7.4
a
2
= 10.8
a
1
= 10.8
a
0
= 6.8

b
5
= 1
b
4
= 3.7 + 1(1.5) = 2.2
b
3
= 7.4 2.2(1.5) = 4.1
b
2
= -10.8 + 4.1(1.5) = 4.65
b
1
= 10.8 4.65(1.5) = 3.825
b
0
= -6.8 + 3.825(1.5) = 1.0625
c
5
= 1
c
4
= -2.2 + 1(1.5) = 0.7
c
3
= 4.1 0.7(1.5) = 3.05
c
2
= -4.65 + 3.05(1.5) = 0.075
c
1
= 3.825 0.075(1.5) = 3.7125

P(1.5) = 1.0625 e P'(1.5) = 3.7125

x
1
= x
0

) 5 . 1 ( '
) 5 . 1 (
P
P
= 1.5
(3.7125)
(-1,0625)
= 1.5 (0.2862) = 1.7862

| x
1
x
0
| = | 1.7862 1.5 | = 0.2862 >

b
5
= 1
b
4
= 3.7 + 1(1.7862) = 1.9138
b
3
= 7.4 1.9138(1.7862) = 3.98158
b
2
= 10.8 + 3.98158(1.7862) = 3.68812
b
1
= 10.8 3.68812(1.7862) = 4.21228
b
0
= 6.8 + 4.21228(1.7862) = 0.72398
c
5
= 1
c
4
= 1.9138 + 1(1.7862) = 0.1276
c
3
= 3.98158 0.1276(1.7862) = 3.75366
c
2
= 3.68812 + 3.75366(1.7862) = 3.01667
c
1
= 4.21228 + 3.01667(1.7862) = 9.60065

P(1.7862) = 0.72398 e P'(1.7862) = 9.60065

x
2
= x
1

(1.7862)
(1.7862)
P'
P
= 1.7862
(9.60065)
(0.72398)
= 1.7862 (0.07541) = 1.71079

| x
2
x
1
| = | 1.71079 1.7862 | = 0.07541 >

b
5
= 1
b
4
= 3.7 + 1(1.71079) = 1.98921
b
3
= 7.4 1.98921(1.71079) = 3.99688
b
2
= 10.8 + 3.99688(1.71079) = 3.96218
b
1
= 10.8 3.96218(1.71079) = 4.02154
b
0
= 6.8 + 4.02154(1.71079) = 0.08001
c
5
= 1
c
4
= 1.98921 + 1(1.71079) = 0.27842
c
3
= 3.99688 0.27842(1.71079) = 3.52056
c
2
= 3.96218 + 3.52056(1.71079) = 2.06077
c
1
= 4.02154 + 2.06077(1.71079) = 7.54707



37
P(1.71079) = 0.08001 e P'(1.71079) = 7.54707

x
3
= x
2

(1.71079)
(1.71079)
P'
P
= 1.71079
(7.54707)
(0.08001)
= 1.71079 (0.01060) = 1.70019

| x
3
x
2
| = | 1.70019 1.71079 | = 0.0106 <

A raiz procurada : 1.70019

Exerccio 1: Calcular a raiz positiva do polinmio P(x) = 2x
3
2x
2
+ 3x 1, com erro <= 10
-4
, pelo
mtodo de Newton para polinmios.

P'(x) = 6x
2
4x + 3

A raiz procurada : 0.39661



38
5 Sistemas Lineares
5.1 Introduo
Sistemas Lineares so sistemas de equaes com m equaes e n incgnitas formados por
equaes lineares. Um sistema linear com m equaes e n incgnitas escrito usualmente na forma:

11 1 12 2
1
1
21 1 22 2
2
2
1 1 2 2
a x a x
a
x b
a x a x
a
x b
a x a x a x b
n
n
n
n
m m mn n m
+ + + =
+ + + =
+ + + =

L
L
L
................................................

onde
a
ij
: coeficientes 1 i m, 1 j n
x
j
: incgnitas j = 1, 2, ..., n
b
i
: constantes i = 1, 2, ..., m

A resoluo de um sistema linear consiste em calcular os valores de x
j
, j = 1, 2, ..., n, caso eles
existam, que satisfaam as m equaes simultaneamente.

Usando notao matricial, o sistema linear pode ser representado por AX = B, onde

M =
11 12 1 1
21 22 2 2
1 2
a a a b
a a a b
a a a b
n
n
m m mn n
L
L
L
.................................
|
\

|
|
|
|


chamada matriz completa ou matriz aumentada do sistema.

A =
11 12 1
21 22 2
1 2
a a a
a a a
a a a
n
n
m m mn
L
L
L
............................
|
\

|
|
|
|
a matriz dos coeficientes

X =
1
2
x
x
xn
M
|
\

|
|
|
|
o vetor das incgnitas, e

B =
1
2
b
b
bm
M
|
\

|
|
|
|
o vetor constante (termos independentes).
5.1.1 Classificao Quanto ao Nmero de Solues
Um sistema linear pode ser classificado quanto ao nmero de solues em:



39
Compatvel
determinado (o sistema linear tem soluo nica)
indeterminado (o sistema linear admite infinitas solues)



Incompatvel (o sistema linear no admite soluo).

Quando todos os termos independentes forem nulos, isto , se b
i
= 0, i = 0, 1, ..., m, o sistema
dito homogneo. Todo sistema homogneo compatvel, pois admitir pelo menos a soluo trivial (x
j
=
0, j = 0, 1, 2, ..., n).
5.2 Mtodos Diretos (Algoritmos Diretos)
Um mtodo dito direto quando a soluo exata
r
x do sistema linear obtida realizando-se um
nmero finito de operaes aritmticas. So exemplos conhecidos a Regra de Cramer, o Mtodo da
Eliminao de Gauss (ou triangulao) e o Mtodo de Jordan.
5.2.1 Regra de Cramer
Seja um sistema linear com nmero de equaes igual ao nmero de incgnitas (um sistema n x
n), sendo D o determinante da matriz A, e D
x1
, D
x2
, D
x3
, ..., D
xn
os determinantes das matrizes obtidas
trocando em M, respectivamente, a coluna dos coeficientes de x
1
, x
2
, x
3
, ..., x
n
pela coluna dos termos
independentes, temos que:

O sistema S ser compatvel e ter soluo nica se, e somente se, D 0. Neste caso a nica
soluo de S dada por:
x
1
=
x D
D
1
, x
2
=
x D
D
2
, x
3
=
x D
D
3
, ... , x
n
=
xn D
D


A aplicao da Regra de Cramer exige o clculo de n + 1 determinantes ( det A e det A
i
, 1 i n);
para n = 20 o nmero total de operaes efetuadas ser 21 * 20! * 19 multiplicaes mais um nmero
semelhante de adies. Assim, um computador que efetue cerca de 100 milhes de multiplicaes por
segundo levaria 3 x 10
5
anos para efetuar as operaes necessrias.

Com isso, a regra de Cramer invivel em funo do tempo de computao para sistemas muito
grandes.
5.2.1.1 Exemplos
Exemplo 1: Resolva o sistema abaixo pela Regra de Cramer:


1 2 3
1 2 3
1 2 3
1
2 0
2 0
x x x
x x x
x
x x
+ + =
+ =
+ =



Calculando os determinantes D, D
x1
, D
x2
e D
x3
temos:

D = 7
1 2 1
1 1 2
1 1 1
=

D
x1
= 1
1 2 0
1 1 0
1 1 1
=

D
x2
= 3
1 0 1
1 0 2
1 1 1
=

D
x3
= 5
0 2 1
0 1 2
1 1 1
=
Ento, x
1
=
x D
D
1
=
1
7
, x
2
=
x D
D
2
=
3
7
, e x
3
=
x D
D
3
=
5
7
e a soluo do sistema
x :
|
\

|
1
7
3
7
5
7
, ,
T




40
Exerccio 1: Resolva o sistema abaixo pela Regra de Cramer:


2 0
2 3
3 2
1 2 3
1 2 3
1 2 3
x x x
x x x
x x x
+ =
+ + =
=



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

5.2.2 Mtodo da Eliminao de Gauss
O mtodo da eliminao de Gauss consiste em transformar o sistema linear original num outro
sistema linear equivalente com matriz dos coeficientes triangular superior, pois estes so de resoluo
imediata. Dizemos que dois sistemas lineares so equivalentes quando possuem a mesma soluo. O
determinante de sistemas lineares equivalentes so iguais.

Com (n 1) passos o sistema linear AX = B transformado num sistema triangular equivalente:
UX = C, o qual se resolve facilmente por substituies.

Vamos calcular a soluo de AX = B em trs etapas:

1 etapa: Matriz Completa
Consiste em escrever a matriz completa ou aumentada do sistema linear original.

2 etapa: Triangulao
Consiste em transformar a matriz A numa matriz triangular superior, mediante uma
seqncia de operaes elementares nas linhas da matriz.

3 etapa: Retro-substituio
Consiste no clculo dos componentes x
1
, x
2
, ..., x
n
, soluo de AX = B, a partir da soluo
do ltimo componente (x
n
), e ento substituirmos regressivamente nas equaes anteriores.

Teorema: Seja AX = B um sistema linear. Aplicando sobre as equaes deste sistema uma
seqncia de operaes elementares escolhidas entre:

i) Trocar a ordem de duas equaes do sistema;
ii) Multiplicar uma equao do sistema por uma constante no nula;
iii) Adicionar um mltiplo de uma equao a uma outra equao;

obtemos um novo sistema UX = C e os sistemas AX = B e UX = C so equivalentes.
5.2.2.1 Resoluo de Sistemas Triangulares
Seja o sistema linear AX = B, onde A: matriz n x n, triangular superior, com elementos da diagonal
diferentes de zero. Escrevendo as equaes deste sistema, temos:

11 1 12 2 13 3
1
1
22 2 23 3
2
2
33 3
3
3
a x a x a x
a
x b
a x a x
a
x b
a x
a
x b
a x b
n
n
n
n
n
n
nn n n
+ + + + =
+ + + =
+ + =
=

L
L
L
O M


Da ltima equao deste sistema temos:


41
x
n
=
n
nn
b
a


x
n-1
pode ento ser obtido da penltima equao:
x
n-1
=
n n n n
n n
b a x
a

1 1
1 1
,
,


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

5.2.2.2 Estratgias de Pivoteamento
O algoritmo para o mtodo de eliminao de Gauss requer o clculo dos multiplicadores:

m
ik
= -
ik
kk
a
a
i = k + 1, ..., n e k = 1, 2, 3, ..., n-1

a cada etapa k do processo. Sendo o coeficiente a
kk
chamado de piv.

O que acontece se o piv for nulo? E se o piv estiver prximo de zero?

Estes dois casos merecem ateno especial pois impossvel trabalhar com um piv nulo. E
trabalhar com um piv prximo de zero pode resultar em resultados totalmente imprecisos. Isto porque
em qualquer calculadora ou computador os clculos so efetuados com preciso finita, e pivs prximos
de zero so origem a multiplicadores bem maiores que a unidade que, por sua vez, origina uma ampliao
dos erros de arredondamento.

Para se contornar estes problemas deve-se adotar uma estratgia de pivoteamento, ou seja, adotar
um processo de escolha da linha e/ou coluna pivotal.

Esta estratgia consiste em:
i) no inicio da etapa k da fase de escalonamento, escolher para piv o elemento de maior mdulo
entre os coeficientes: a
ik
, i = k, k + 1, ..., n;
ii) trocar as linhas k e i se for necessrio.
5.2.2.3 Classificao do Sistema Triangular
Seja U um sistema triangular superior escalonado de m equaes e n incgnitas, teremos as
seguintes possibilidades:
i) m = n sistema compatvel e determinado;
ii) m < n sistema compatvel e indeterminado.

Se durante o escalonamento surgir equaes do tipo: 0x
1
+ 0x
2
+ ... + 0x
n
= b
m,
ento:
i) Se b
m
= 0, ento eliminaremos a equao e continuamos o escalonamento;
ii) Se b
m
0, ento conclui-se que o sistema incompatvel.
5.2.2.4 Exemplos
Exemplo 1: Resolver o sistema abaixo pelo mtodo de Gauss.

=
= +
= + +
2 3
0 2
3 2
3 2 1
3 2 1
3 2 1
x x x
x x x
x x x



42

1 etapa: Matriz completa:

M =
(
(
(

2 1 1 3
0 1 1 2
3 1 2 1


2 etapa: Triangulao:

Iremos se referir as equaes como: E
1
(primeira equao), E
2
(segunda equao) e assim por
diante. O componentes x indica o piv.


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



(
(
(



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

7
3
E
2

(
(
(


3 3 0 0
6 3 3 0
3 1 2 1


3 etapa: Retro-substituio:

Da terceira linha temos: 3x
3
= 3 x
3
= 1

Substituindo x
3
na segunda linha temos: 3x
2
3(1) = 6 x
2
= 1

Substituindo x
3
e x
2
na primeira linha temos: 1x
1
+ 2(1) + 1(1) = 3 x
1
= 0

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


Exerccio 1: Resolver o sistema abaixo pelo mtodo de Gauss:


0 25 0 5 0 25
0 09 0 3 0 49
0 01 0 1 0 81
1 2 3
1 2 3
1 2 3
, , ,
, , ,
, , ,
x x x
x x x
x x x
+ + =
+ + =
+ + =



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


Exerccio 2: Resolver o sistema abaixo pelo mtodo de Gauss:

= +
=
= +
2 1 4 1
2 1 3 1
0 2 1 0
3 2 1
3 2 1
3 2 1
x x x
x x x
x x x

5.2.3 Mtodo de Jordan
Consiste em aplicar operaes elementares sobre as equaes do sistema linear dado at que se
obtenha um sistema diagonal equivalente.
5.2.4 Exemplos
Exemplo 1: Resolver o sistema linear pelo mtodo de Jordan:



43

x x x
x x x
x x x
1 2 3
1 2 3
1 2 3
2 4
0
1
2
+ + =
=
=



1 etapa: Matriz completa:

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

(
(
(


2 etapa: Diagonalizao:


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



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

(
(
(
E
3
= E
3

2
3
E
2

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

(
(
(



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

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

(
(
(

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


1 0 0 1
0 1 0 1
0 0 1 1

(
(
(


3 etapa: Clculo da soluo do sistema:

Da primeira linha temos: x
1
= 1

Na segunda linha temos: x
2
= 1

Na terceira linha temos: x
3
= 1

A soluo deste sistema x : ( 1, 1, 1)
T
5.3 Fatorao LU
A base do mtodo chamado Fatorao ou Decomposio LU, est apoiada na simplicidade de
resoluo de sistemas triangulares.

Seja o sistema linear Ax = b

O processo de fatorao para resoluo deste sistema consiste em decompor a matriz A dos
coeficientes em um produto de dois ou mais fatores e, em seguida, resolver uma sequncia de sistemas
lineares que nos conduzir a soluo do sistema linear original.

Suponhamos que seja possvel fatorar a matriz A dos coeficientes num produto de uma matriz
triangular inferior com diagonal unitria L e uma matriz triangular superior U, isto :

A = LU

Nestas condies, o sistema Ax = b pode ser reescrito na forma LUx = b, o que permite o
desmembramento em dois sistemas triangulares

Ly = b e Ux = y


44

Resolvendo o primeiro sistema, calculamos y que, usado no segundo sistema, fornecer o vetor
procurado x.

Dessa maneira, conhecidas L e U, o sistema ser resolvido com 2n
2
operaes (dois sistemas
triangulares), o que representa um ganho substancial comparado com as
3
2
3
n
operaes do mtodo da
eliminao de Gauss.
5.3.1 Clculo dos Fatores L e U
Os fatores L e U podem ser obtidos atravs de frmulas para os elementos l
ij
e u
ij
, ou ento, podem
ser construdos usando a idia bsica do mtodo da Eliminao de Gauss.

Veremos a seguir como obter L e U atravs do processo de Gauss.

Dada uma matriz quadrada A de ordem n, seja A
k
a matriz constituda das primeiras k linhas e
colunas de A. Suponha que det(A
k
) 0 para k = 1, 2, ..., (n 1). Ento, existe uma nica matriz triangular
inferior L = (m
ij
), com m
ii
= 1, 1 i n, e uma nica matriz truangular superior U = (u
ij
) tais que LU = A.
Ainda mais, det(A) = u
11
u
22
...u
nn
.

Exemplo 1: Resolver o sistema linear a seguir usando a fatorao LU:

= +
= +
= +
0 2
3 2 3 2
2 2
3 2 1
3 2 1
3 2 1
x x x
x x x
x x x


Seja A =
(
(
(

1 2 1
2 3 2
1 2 1


Calculando os m
ij
e u
ij
, usando o processo de Gauss sem estratgia de pivoteamento parcial. Para
triangular A, temos:

Etapa 1:

Piv =
) 0 (
11
a = 1

Multiplicadores: m
21
=
) 0 (
11
) 0 (
21
a
a
=
1
2
= 2 m
31
=
) 0 (
11
) 0 (
31
a
a
=
1
1
= 1
Ento:

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

A
(1)
=
(
(
(

2 4 0
0 1 0
1 2 1


Uma vez que os elementos
) 1 (
21
a e
) 1 (
31
a so nulos, podemos guardar os multiplicadores nestas
posies, ento:



45
A
(1)
=
(
(
(

2 4 1
0 1 2
1 2 1


Etapa 2:

Piv =
) 1 (
22
a = 1

Multiplicadores: m
32
=
) 1 (
22
) 1 (
32
a
a
=
1
4

= 4
Ento:

2 3 3
2 2
1 1
4E
E E
E E
E E

A
(2)
=
(
(
(

2 0 0
0 1 0
1 2 1


A
(2)
=
(
(
(

2 4 1
0 1 2
1 2 1


Os fatores L e U so:

L =
(
(
(

1 4 1
0 1 2
0 0 1
e U =
(
(
(

2 0 0
0 1 0
1 2 1


Para resolvermos o sistema Ax = (2, 3, 0)
T
, resolvemos Ly = b

(
(
(

1 4 1
0 1 2
0 0 1
.
(
(
(

3
2
1
y
y
y
=
(
(
(

0
3
2
ou

= + +
= +
=
0 4
3 2
2
3 2 1
2 1
1
y y
y y
y
y
y
1
= 2; y
2
= 1; y
3
= 2

y = (2, 1, 2)
T


e, com estes valores, calculamos x atravs de Ux = y

(
(
(

2 0 0
0 1 0
1 2 1
.
(
(
(

3
2
1
x
x
x
=
(
(
(

2
1
2
ou

=
=
= +
2 2
1
2 2
3
2
3 2 1
x
x
x x x
x
3
= 1; x
2
= 1; x
1
= 1

A soluo do sistema x = (1, 1, 1)
T



Exerccio 1: Resolver o sistema linear a seguir usando a fatorao LU:



46

= + +
= + +
= + +
3 2 3
2 2
1 4 2
3 2 1
3 2 1
3 2 1
4
3
x x x
x x x
x x x


A soluo do sistema x = (3, 5, 0)
T


Exerccio 2: Resolver o sistema linear a seguir usando a fatorao LU:

x x x
x x x
x x x
1 2 3
1 2 3
1 2 3
2 4
0
1
2
+ + =
=
=



A soluo do sistema x = (1, 1, 1)
T

5.4 Mtodos Iterativos (Algoritmos Iterativos)
5.4.1 Mtodo de Gauss-Jacobi ( Algbrico )
Seja o sistema abaixo:
11 1 12 2 1 1
21 1 22 2 2 2
1 1 2 2
a x a x a x b
a x a x a x b
a x a x a x b
n n
n n
n n nn n n
+ + + =
+ + + =
+ + + =
...
...
...
...


Pode-se afirmar que o mesmo convergente, se o sistema estiver na forma diagonalmente
dominante, isto :

11 21 31 1
22 12 32 2
1 2 1
a a a a
a a a a
a a a a
n
n
nn n n n n
+ + +
+ + +
+ + +

...
...
...
...

ou
a a a a
a a a a
a a a a
nn n n nn
n
n
1 2 1
2 23 21 22
1 13 12 11
...
...
...
...

+ + +
+ + +
+ + +


Ento, isola-se em cada uma das equaes ordenadamente, uma das incgnitas.

1
1
11
1 12 2
0
13 3
0
1
0
2
1
22
2 21 1
0
23 3
0
2
0
1
1 1
0
2 2
0
1 1
0
1
1
1
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ... )
( ... )
...
( ... )
x
a
b a x a x a x
x
a
b a x a x a x
x
a
b a x a x a x
n n
n n
n
nn
n n n nn n
=
=
=



onde,
1
0
2
0 0 ( ) ( ) ( )
, ,...,
x x xn
so as atribuies inicial do mtodo.

Condies de Parada:
Se para todo erro
x x
j
n
j
n

) 1 ( ) (
, ento
x
j
n
) (
so as solues do sistema.


47
5.4.1.1 Exemplos
Exemplo 1: Resolver por Gauss-Jacobi, com 4 decimais com arredondamento e erro menor ou igual a
0,01 o sistema abaixo:
x + 8y z = 16
6x y + z = 7
x + y+ 5z = 18

a) Verificao da convergncia:
6x y + z = 7
x + 8y z = 16
x + y + 5z = 18

b) Isolamento das incgnitas:
x =
6
1
( 7 + y z )
y =
8
1
( 16 x + z )
z =
5
1
( 18 x y )

c) Atribuio inicial:
x
(0)
= 0 y
(0)
=0 z
(0)
=0

d) Iteraes:
x
(1)
=
6
1
( 7 + y
(0)
z
(0)
) =
6
1
( 7 + 0 0 ) = 1,1667
y
(1)
=
8
1
( 16 x
(0)
+ z
(0)
) =
8
1
( 16 - 0 + 0 ) = 2
z
(1)
=
5
1
( 18 x
(0)
y
(0)
) =
5
1
( 18 0 0 ) = 3,6

x
(2)
=
6
1
( 7 + 2 3,6 ) = 0,9
y
(2)
=
8
1
( 16 1,1667 + 3,6 ) = 2,3042
z
(2)
=
5
1
( 18 1,1667 2 ) = 2,9667

x
(3)
=
6
1
( 7 + 2,3042 2,9667 ) = 1,0562
y
(3)
=
8
1
( 16 0,9 + 2,9667 ) = 2,2583
z
(3)
=
5
1
( 18 0,9 2,3042 ) = 2,9592

x
(4)
=
6
1
( 7 + 2,2583 2,9592 ) = 1,0498
y
(4)
=
8
1
( 16 1,0562 + 2,9592 ) = 2,2379


48
z
(4)
=
5
1
( 18 1,0562 2,2583 ) = 2,9371

x
(5)
=
6
1
( 7 + 2,2379 2,9371 ) = 1,0501 | x
(5)
- x
(4)
| = 0,0003 < erro
y
(5)
=
8
1
( 16 - 1,0498 + 2,9371 ) = 2,2359 | y
(5)
- y
(4)
| = 0,002 < erro
z
(5)
=
5
1
( 18 1,0498 2,2379 ) = 2,9425 | z
(5)
- z
(4)
| = 0,0054 < erro

A soluo deste sistema : (1,0501; 2,2359; 2,9425)
T


Exerccio 1: Dado o sistema, pede-se sua soluo por Gauss-Jacobi, com 4 decimais com
arredondamento e erro menor ou igual a 0,02.

10x + y + z = 12
x + 5y+ 9z = 15
2x +8y 4z = 6

A soluo deste sistema : (0,9975; 1,0051; 0,9916)
T
5.4.2 Mtodo de Gauss-Jacobi ( Matricial )
Baseado no algoritmo anterior, o mtodo consiste na transformao do algoritmo em um sistema de
matriz. Portanto, no algoritmo:
i
k
ii
i ij j
k
j
j i
n
x
a
b a x
( ) ( )
( ) =

=

1 1
1

a mesma situao pode ser escrita na forma:

11 1 1 12 2
1
13 3
1
1
1
22 2 2 21 1
1
23 3
1
2
1
1 1
1
2 2
1
1 1
1
a x b a x a x a x
a x b a x a x a x
a x b a x a x a x
k k k
n n
k
k k k
n n
k
nn n
k
n n
k
n
k
nn n
k
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ... )
( ... )
...
( ... )
=
=
=





Sendo A a matriz dos coeficientes, onde A = D + I + S, no qual D a matriz diagonal, I a matriz
inferior e S a matriz superior, a expresso anterior poder ser reescrita na forma:

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


Multiplicando ambos os termos pela matriz inversa da diagonal,

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


+ =
=
+
+


E X J X
k k
+ =
) 1 ( ) (

onde



49
J D
S I
E D B
=
=

+
1
1
( )

5.4.2.1 Exemplos
Exemplo 1: Seja o sistema abaixo:
x + y 5z = -6
4x y + z = 19
x + 3y z = 14

obter a sua soluo por Gauss-Jacobi Matricial com 3 decimais com arredondamento e erro menor ou
igual a 0,05. Admitir soluo inicial nula.

a) Verificao da convergncia:
4x y + z = 19
x + 3y z = 14
x + y 5z = -6

b) Obteno do Algoritmo:
(
(
(

=
0 1 1
0 0 1
0 0 0
I
,
(
(
(

=
0 0 0
1 0 0
1 1 0
S
,
(
(
(

=
5 0 0
0 3 0
0 0 4
D
,
(
(
(

=
6
14
19
B
,

(
(
(
(

5
1
0 0
0
3
1
0
0 0
4
1
1
D


Ento,
(
(
(
(

=
(
(
(

(
(
(
(

=
0
5
1
5
1
3
1
0
3
1
4
1
4
1
0
0 1 1
1 0 1
1 1 0
5
1
0 0
0
3
1
0
0 0
4
1
J


(
(
(
(

=
(
(
(

(
(
(
(

=
5
6
3
14
4
19
6
14
19
5
1
0 0
0
3
1
0
0 0
4
1
E


Ento,
(
(
(
(

+
(
(
(
(

=

5
6
3
14
4
19
0
5
1
5
1
3
1
0
3
1
4
1
4
1
0
) 1 ( ) (
X X
k k


c) Atribuio inicial:
(
(
(

=
0
0
0
) 0 (
X



50

d) Iteraes:
(
(
(

=
(
(
(

=
(
(
(

=
(
(
(

=
(
(
(

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

=

(
(
(
( )
,
,
,
6
4 998
3 991
3 005
X

( ) ( )
,
,
,
6 5
0 033
0 004
0 003
X X
erro =

(
(
(
<

A soluo deste sistema : (4,998; 3,991; 3,005)
T


Exerccio 1: Dado o sistema abaixo:

5x y = 13
2x + 4y = 14

obter a soluo por Gaus-Jacobi Matricial com 4 decimais com arredondamento e erro menor ou igual a
0,005. Admitir soluo inicial nula.

A soluo deste sistema : (3,0004; 1,9985)
T
5.4.3 Mtodo de Gauss-Seidel ( Algbrico )
Derivado do mtodo de Gauss-Jacobi, este mtodo utiliza a cada iterao os valores j prontos na
prpria iterao, para tentar assegurar convergncia mais rpida, ou seja,

) ... (
1
...
) ... (
1
) ... (
1
) ... (
1
) (
1 1
) (
3 3
) (
2 2
) (
1 1
) (
) 1 (
3
) 1 (
4 34
) (
2 32
) (
1 31 3
33
) (
3
) 1 (
2
) 1 (
4 24
) 1 (
3 23
) (
1 21 2
22
) (
2
) 1 (
1
) 1 (
4 14
) 1 (
3 13
) 1 (
2 12 1
11
) (
1
x a x a x a x a b
a
x
x a x a x a x a b
a
x
x a x a x a x a b
a
x
x a x a x a x a b
a
x
k
n nn
k
n
k
n
k
n n
nn
k
n
k
n n
k k k k
k
n n
k k k k
k
n n
k k k k




=
=
=
=


Portanto, o algoritmo do mtodo pode ser expresso por:

i
k
ii
i ij j
j
j i
n
x
a
b a x
k i j
k i j
( )
(
( )
( )
) =
>
< =

1
1 1

5.4.3.1 Exemplos
Exemplo 1: Resolver por Gauss-Seidel, com 4 decimais com arredondamento e erro menor ou igual a
0,005 o sistema abaixo.
x + 8y z = 16
6x y + z = 7
x + y+ 5z = 18

a) Verificao da convergncia:


51
6x y + z = 7
x + 8y z = 16
x + y + 5z = 18

b) Isolamento das incgnitas:
x =
6
1
( 7 + y z )
y =
8
1
( 16 x + z )
z =
5
1
( 18 x y )

c) Atribuio inicial:
x
(0)
= 0 y
(0)
=0 z
(0)
=0

d) Iteraes:
x
(1)
=
6
1
( 7 + 0 0 ) = 1,1667
y
(1)
=
8
1
( 16 1,1667 + 0 ) = 1,8542
z
(1)
=
5
1
( 18 1,1667 1,8542 ) = 2,9958

x
(2)
=
6
1
( 7 + 1,8542 2,9958 ) = 0,9764
y
(2)
=
8
1
( 16 - 0,9764 + 2,9958 ) = 2,2524
z
(2)
=
5
1
( 18 0,9764 2,2524 ) =2,9542

x
(3)
=
6
1
( 7 + 2,2524 2,9542 ) = 1,0497
y
(3)
=
8
1
( 16 - 1,0497 + 2,9542 ) = 2,2381
z
(3)
=
5
1
( 18 1,0497 2,2381 ) = 2,9424

x
(4)
=
6
1
( 7 + 2,2381 2,9424 ) = 1,0493 | x
(4)
- x
(3)
| = 0,0004 < erro
y
(4)
=
8
1
( 16 - 1,0493 + 2,9424 ) = 2,2366 | y
(4)
- y
(3)
| = 0,0015 < erro
z
(4)
=
5
1
( 18 1,0493 2,2366 ) = 2,9428 | z
(4)
- z
(3)
| = 0,0004 < erro

A soluo deste sistema : (1,0493; 2,2366; 2,9428)
T


Exerccio 1: Resolver por Gauss-Seidel, com 4 decimais com arredondamento e erro menor ou igual a
0,01 o sistema abaixo.

7x + y z = 13


52
x + 8y + z = 30
2x y + 5z = 21

A soluo deste sistema : (2,0001; 3,0003; 4,0000)
T
5.4.4 Mtodo de Gauss-Seidel ( Matricial )
Seja o sistema abaixo,

11 1 1 12 2
1
13 3
1
1
1
22 2 2 21 1 23 3
1
2
1
1 1 2 2 1 1
a x b a x a x a x
a x b a x a x a x
a x b a x a x a x
k k k
n n
k
k k k
n n
k
nn n
k
n n
k
n
k
nn n
k
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
...
...
...
...
=
=
=





que pode ser representado na forma matricial:

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


Multiplicando ambos os membros pela inversa de ( D + I ), temos:

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


+ + = + +


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

+ + + =

F X G X
k k
+ =
) 1 ( ) (


onde,
G D I S
F D I B
= +
= +

( )
( )
1
1

5.4.4.1 Exemplos
Exemplo 1: Dado o sistema abaixo,
x + 6y = -21
5x y = 19

obter suas solues por Gauss-Seidel Matricial com 3 decimais com arredondamento e erro inferior ou igual a
0,005. Admitir nula a soluo inicial.

a) Verificao da convergncia:
5x y = 19
x + 6y = -21

b) Obteno do Algoritmo:

(

=
6 0
0 5
D
,
(

=
0 1
0 0
I
,
(


=
0 0
1 0
S
,
(

=
21
19
B


Ento,


53
(
(

=
(

(
(

=
(
(

=
(

(
(

=
15
62
5
19
21
19
6
1
30
1
0
5
1
30
1
0
5
1
0
0 0
1 0
6
1
30
1
0
5
1
F
G


Logo,
(
(

+
(
(

=

15
62
5
19
30
1
0
5
1
0
) 1 ( ) (
X X
k k


c) Atribuio inicial:
(

=
0
0
) 0 (
X


d) Iteraes:

(

=
(

=
(

=
(

=
000 , 4
000 , 3
000 , 4
001 , 3
996 , 3
973 , 2
133 , 4
800 , 3
) 4 ( ) 3 ( ) 2 ( ) 1 (
X X X X


( ) ( )
,
,
4 3
0 001
0 000
X X
erro =

(
<

A soluo deste sistema : (3; -4)
T


Exerccio 1: Dado o sistema abaixo:

5x y = 13
2x + 4y = 14

obter a soluo por Gaus-Seidel Matricial com 4 decimais com arredondamento e erro menor ou igual a
0,005. Admitir soluo inicial nula.

A soluo aproximada deste sistema : (3,0004; 1,9998)
T



54
6 Interpolao
6.1 Introduo
A interpolao outra das tcnicas bem antigas e bsicas do clculo numrico. Muitas funes so
conhecidas apenas em um conjunto finito e discreto de pontos de um intervalo [a, b], como, por exemplo,
a tabela abaixo que relaciona calor especfico da gua e temperatura:

X
i
x
0
x
1
x
2
x
3
x
4
x
5
x
6
x
7

Temperatura (C) 20 25 30 35 40 45 50 55
Calor especfico 0.99907 0.99852 0.99826 0.99818 0.99828 0.99849 0.99878 0.99919
Tabela 1 - Calor especfico da gua.

A partir desses dados suponhamos que se queira calcular:

a) o calor especfico da gua a 32.5 C
b) a temperatura para a qual o calor especfico 0.99837.

A interpolao tem o objetivo de nos ajudar na resoluo deste tipo de problema, ou em casos em
que possumos um conjunto de valores obtidos atravs de alguns experimentos.

Interpolar uma funo f(x) consiste em aproximar essa funo por uma outra funo g(x),
escolhida entre uma classe de funes definida a priori e que satisfaa algumas propriedades. A funo
g(x) ento usada em substituio funo f(x).

A necessidade de se efetuar esta substituio surge em vrias situaes, como por exemplo:

a) quando so conhecidos somente os valores numricos da funo por um conjunto de pontos
(no dispondo de sua forma analtica) e necessrio calcular o valor da funo em um ponto no tabelado
(como o caso do exemplo anterior).

b) quando a funo em estudo tem uma expresso tal que operaes como a diferenciao e a
integrao so difceis (ou mesmo impossveis) de serem realizadas. Neste caso, podemos procurar uma
outra funo que seja uma aproximao da funo dada e cujo manuseio seja bem mais simples.

As funes que substituem as funes dadas podem ser de tipos variados, tais como: polinomiais,
trigonomtricas, exponenciais e logartmicas. Ns iremos considerar apenas o estudo das funes
polinomiais.
6.1.1 Conceito de Interpolao
Seja a funo y = f(x), dada pela tabela 1. Deseja-se determinar f x ( ) , sendo:

a) x (x
0
, x
7
) e x x
i
, i = 0, 1, 2, ..., 7
b) x (x
0
, x
7
)

Para resolver (a) tem-se que fazer uma interpolao. E, sendo assim, determina-se o polinmio
interpolador, que uma aproximao da funo tabelada. Por outro lado, para resolver (b), deve-se
realizar uma extrapolao.

Consideremos (n + 1) pontos distintos: x
0
, x
1
, x
2
, ..., x
n
, chamados ns da interpolao, e os
valores de f(x) nesses pontos: f(x
0
), f(x
1
), f(x
2
), ..., f(x
n
).

A forma de interpolao de f(x) que veremos a seguir consiste em se obter uma determinada


55
funo g(x) tal que:

g(x
0
) = f(x
0
)
g(x
1
) = f(x
1
)
g(x
2
) = f(x
2
)
M M
g(x
n
) = f(x
n
)

Graficamente temos:

y
x 0
x
0
x
1
x
2
x
3
x
4
x
5
g(x)
f(x)
(x
0
, f(x
0
))
(x
1
, f(x
1
))
(x
2
, f(x
2
))
(x
3
, f(x
3
))
(x
4
, f(x
4
))
(x
5
, f(x
5
))

Interpretao geomtrica para n = 5
6.2 Interpolao Linear
6.2.1 Obteno da Frmula
Dados dois pontos distintos de uma funo y = f(x) : (x
0
, y
0
) e (x
1
, y
1
), deseja-se calcular o valor de
y para um determinado valor de x entre x
0
e x
1
, usando a interpolao polinomial.

O polinmio interpolador uma unidade menor que o nmero de pontos conhecidos. Assim
sendo, o polinmio interpolador nesse caso ter grau 1, isto ,

P
1
(x) = a
1
x + a
0


Para determin-lo, os coeficientes a
0
e a
1
devem ser calculados de forma que tenha:

P
1
(x
0
) = f(x
0
) = y
0

P
1
(x
1
) = f(x
1
) = y
1


ou seja, basta resolver o sistema linear abaixo:


a x a y
a x a y
1 0 0 0
1 1 0 1
+ =
+ =

onde a
1
e a
0
so as incgnitas e

A
x
x
=

(
0
1
1
1
a matriz dos coeficientes.

O determinante da matriz A diferente de zero, sempre que x
0
x
1
, logo para pontos distintos o
sistema tem soluo nica.

O polinmio interpolador P
1
(x) = a
1
x + a
0
tem como imagem geomtrica uma reta, portanto
estaremos aproximando a funo f(x) por uma reta que passa pelos dois pontos conhecidos (x
0
, y
0
) e (x
1
,


56
y
1
).

A figura abaixo mostra, geometricamente, os dois pontos, (x
0
, y
0
) e (x
1
, y
1
), e a reta que passa por
eles.

p
1
(x)
x
0
x
1
y
0
y
1
0

6.2.2 Exemplos
Exemplo 1: Seja a funo y = f(x) definida pelos pontos (0.00; 1.35) e (1.00; 2.94). Determinar
aproximadamente o valor de f(0.73).

P
1
(x) = a
1
x + a
0
o polinmio interpolador de 1 grau que passa pelos pontos dados. Ento
teremos:

a) Pontos utilizados:
(0.00;1.35) e (1.00; 2.94)

b) Clculo dos coeficientes:
P
1
(0) = a
1
0 + a
0
= 1.35 a
0
= 1.35
P
1
(1) = a
1
1 + a
0
= 2.94 a
1
= 1.59

c) Polinmio interpolador:
P
1
(x) = 1.59x + 1.35 (equao da reta que passa pelos pontos dados)

d) Resposta:
P
1
(0.73) = 1.59 0.73 + 1.35
P
1
(0.73) = 2.51

O resultado obtido acima est afetado por dois tipos de erros:

a) Erro de arredondamento (E
A
) - cometido durante a execuo das operaes e no caso de um
resultado ser arredondado.
b) Erro de truncamento (E
T
) - cometido quando a frmula de interpolao a ser utilizada
escolhida, pois a aproximao de uma funo conhecida apenas atravs de dois pontos dados feita por
um polinmio de 1 grau.

Exerccio 1: Dada a funo f(x) = 10x
4
+ 2x + 1 com os valores de f(0.1) e f(0.2) determinar P
1
(0.15) e o
erro absoluto cometido.

Polinmio interpolador: P
1
(x) = 2.15x + 0.986
P
1
(0.15) = 1.3085
E
A
= 0.0034375

Exerccio 2: Calcular o calor especfico aproximado da gua a 32,5 C, usando os valores da tabela 1.

Usando as temperaturas 30 C e 35 C.


57
Polinmio interpolador: P
1
(x) = 0.000016x + 0.99874
P
1
(32.5) = 0.99822
6.3 Interpolao Quadrtica
6.3.1 Obteno da Frmula
Se conhecermos trs pontos distintos de uma funo, ento o polinmio interpolador ser:

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


O polinmio P
2
(x) conhecido como funo quadrtica cuja imagem geomtrica uma parbola,
portanto, estaremos aproximando a funo f(x) por uma parbola que passa pelos trs pontos conhecidos
(x
0
, y
0
), (x
1
, y
1
) e (x
2
, y
2
).

Para determinarmos os valores de a
2
, a
1
e a
0
necessrio resolver o sistema:

a
2 0
2
x + a
1
x
0
+ a
0
= y
0

a
2 1
2
x + a
1
x
1
+ a
0
= y
1

a
2 2
2
x
+ a
1
x
2
+ a
0
= y
2


onde a
2
, a
1
e a
0
so as incgnitas e os pontos (x
0
, y
0
), (x
1
, y
1
) e (x
2
, y
2
) so conhecidos.

A matriz dos coeficientes :

V =
0
2
0
1
2
1
2
2
2
1
1
1
x x
x
x
x x

(
(
(


Como os pontos so distintos, ento o sistema ter soluo nica.
6.3.2 Exemplos
Exemplo 1: Utilizando os valores da funo seno, dados pela tabela abaixo, determinar a funo
quadrtica que se aproxima de f(x) =
2
2
1
sen x
x +
, trabalhando com trs casas decimais.

x sen(x) f(x)
0 0 0.000

6

1
2
0.328

4
2
2
0.560

a) Pontos utilizados:
( 0; 0 ) ( /6; 0.328 ) ( /4; 0.560 )

b) Clculo dos coeficientes:
P
2
(x) = a
2
x
2
+ a
1
x + a
0


( ) ( )
( ) ( )

= + + =
= + + =
= + + =



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





58

Da primeira linha temos que a
0
= 0. Logo, o sistema passa a ser:

= +
= +
560 . 0 785 . 0 617 . 0
328 . 0 524 . 0 274 . 0
1 2
1 2
a a
a a


Resolvendo o sistema acima encontraremos a soluo aproximada:

a
2
= 0.333 a
1
= 0.452 a
0
= 0

c) Polinmio interpolador:
P
2
(x) = 0.333
2
x
+ 0.452x

Exemplo 2: Determinar o valor de f(0.2) e o erro absoluto ocasionado pela aplicao da interpolao
quadrtica, no clculo deste valor, usando os valores tabelados da funo f(x) = x
2
2x + 1. Utilizar duas
casas decimais.

x f(x)
0.5 0.25
0.3 0.49
0.1 0.81

a) Pontos utilizados:
( 0.5; 0.25 ) ( 0.3; 0.49 ) ( 0.1; 0.81 )

b) Clculo dos coeficientes:
P
2
(x) = a
2
x
2
+ a
1
x + a
0

= + +
= + +
= + +
81 . 0 1 . 0 01 . 0
49 . 0 3 . 0 09 . 0
25 . 0 5 . 0 25 . 0
0 1 2
0 1 2
0 1 2
a a a
a a a
a a a


Resolvendo o sistema pelo mtodo de Gauss, vem:
a
2
= 1.00 a
1
= 2.00 a
0
= 1.00

c) Polinmio interpolador:
P
2
(x) = x
2
2x + 1

d) Resposta:
P
2
(0.2) = (0.2)
2
2.(0.2) + 1
P
2
(0.2) = 0.64

Clculo do erro absoluto:

E
A
= f(0.2) P
2
(0.2)
E
A
= 0.64 0.64
E
A
= 0

Podemos observar que o polinmio interpolador igual a funo dada. Isto ocorre porque a funo
dada polinomial de 2 grau e, a partir de trs pontos da funo, consegue-se determin-la sem erro.
Contudo, poder existir o erro de arredondamento.



59
Exerccio 1: Usando trs pontos da Tabela 1, determinar o calor especfico aproximado da gua a 31 C

Pontos utilizados: (20; 0.99907), (30; 0.99826) e (40; 0.99828)
Polinmio interpolador: P
2
(x) = 0.00000415x
2
0.0002885x + 1.00318
P
2
(31) = 0.99822
6.4 Interpolao de Lagrange
As interpolaes vistas anteriormente so casos particulares da interpolao de Lagrange. Vamos
estudar agora o polinmio interpolador de grau menor ou igual a n, sendo dados n + 1 pontos distintos.

Teorema: Sejam (x
i
, y
i
), i = 0, 1, 2, ..., n, n + 1 pontos distintos, isto , x
i
x
j
para i j. Existe um
nico polinmio P(x) de grau menor ou igual a n, tal que P(x
i
) = y
i
, para todo i.

O polinmio P(x) pode ser escrito na forma:

P
n
(x) = a
0
+ a
1
x + a
2
x
2
+ ... + a
n
x
n
ou P
n
(x) =
i
i
i
n
a x
=

0


P(x) , no mximo, de grau n, se a
n
0 e, para determin-lo, deve-se conhecer os valores de a
0
, a
1
,
..., a
n
. Como P
n
(x) contm os pontos (x
i
, y
i
), i = 0, 1, ..., n, pode-se escrever que P
n
(x
i
) = y
i
.

Com isso temos:

0 1 0 2 0
2
0
0
0 1 1 2 1
2
1
1
0 1 2
2
a a x a x a x
y
a a x a x a x
y
a a x a x a x
y
n
n
n
n
n n n n
n
n
+ + + + =
+ + + + =
+ + + + =

...
...
................................................
...


Resolvendo o sistema acima, determina-se o polinmio P
n
(x). Para provar que tal polinmio
nico, basta que se mostre que o determinante da matriz A, dos coeficientes das incgnitas do sistema,
diferente de zero. A matriz A :

A =
1
1
1
0 0
2
0
1 1
2
1
2
x x x
x x x
x x x
n
n
n n n
n
...
...
............................
...

(
(
(
(
(


Mas o determinante da matriz A conhecido como determinante das potncias ou de
Vandermonde e, da lgebra Linear, sabe-se que seu valor dado por:

det(A) = ( )
i j
i j
x x

>

. Como x
i
x
j
para i j, vem que det(A) 0.

Logo, P(x) nico.

Exemplo: Sejam os valores: x
0
= 1, x
1
= 0, x
2
= 3 e x
3
= 2. Determinar: ( )
i j
i j
x x
>

.

( )
i j
i j
x x
>

= (x
1
x
0
) (x
2
x
0
) (x
2
x
1
) (x
3
x
0
) (x
3
x
1
) (x
3
x
2
) =


60
= (1)(2)(3)(1)(2)(1) = 12

Este valor igual ao determinante da matriz:


1 1 1 1
1 0 0 0
1 3 9 27
1 2 4 8

(
(
(
(

6.4.1 Obteno da Frmula
Ser mostrado, agora, a deduo da frmula de interpolao de Lagrange.

Sejam x
0
, x
1
, x
2
, ..., x
n
, (n + 1) pontos distintos e y
i
= f(x
i
), i = 0, 1, ..., n.

Seja P
n
(x) o polinmio de grau n que interpola f em x
0
, ..., x
n
. Podemos representar P
n
(x) na
forma P
n
(x) = y
0
L
0
(x) + y
1
L
1
(x) + ... + y
n
L
n
(x), onde os polinmios L
k
(x) so de grau n. Para cada i,
queremos que a condio P
n
(x
i
) = y
i
seja satisfeita, ou seja:

P
n
(x
i
) = y
0
L
0
(x
i
) + y
1
L
1
(x
i
) + ... + y
n
L
n
(x
i
) = y
i


A forma mais simples de se satisfazer esta condio impor:

L
k
(x
i
) =
0
1
se k i
se k i

e, para isso, definimos L


k
(x) por

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


+
+
0 1 1 1
0 1 1 1


Como o numerador de L
k
(x) um produto de n fatores da forma:

(x x
i
), i = 0, 1, ..., n, i k, ento L
k
(x) um polinmio de grau n e, assim, P
n
(x) um polinmio
de grau menor ou igual a n.

Alm disso, para x = x
i
, i = 0, ..., n temos:

P
n
(x
i
) =
k k i
k
n
y L x ( )
=

0
= y
i
L
i
(x
i
) = y
i


Ento, a interpolao de Lagrange para o polinmio interpolador :

P
n
(x) =
k k
k
n
y L x ( )
=

0


onde L
k
(x) =
( )
( )
x x
x x
j
k j j
j k
n

0




61
P
n
(x) =
k
j
k j j
j k
n
k
n
y
x x
x x

(
(
(
=

=

( )
( ) 0 0
, a frmula da interpolao lagrangeana.
6.4.2 Exemplos:
Exemplo 1: No caso da interpolao linear, visto anteriormente, temos dois pontos distintos: (x
0
, f(x
0
)) e
(x
1
, f(x
1
)) com n igual a 1.

a) Pontos utilizados:
(0.00; 1.35) e (1.00; 2.94)

b) Clculo dos coeficientes:
P
1
(x) = y
0
L
0
(x) + y
1
L
1
(x), onde

L
0
(x) =
( )
( )
x x
x x

1
0 1

L
1
(x) =
( )
( )
x x
x x

0
1 0


Assim, P
1
(x) = y
0
( )
( )
x x
x x

1
0 1
+ y
1
( )
( )
x x
x x

0
1 0


que exatamente a equao da reta que passa por (x
0
, f(x
0
)) e (x
1
, f(x
1
)).

c) Polinmio interpolador:
P
1
(x) = 1.35
( )
( )
x

1
0 1
+ 2.94
( )
( )
x

0
1 0
= 1.35x + 1.35 + 2.94x = 1.59x + 1.35
que a mesma expresso obtida no exemplo 1 de interpolao linear.

Exerccio 1: Determinar o polinmio de interpolao de Lagrange para a funo conhecida pelos pontos
tabelados abaixo e o resultado em P(0.5):

i x
i
y
i

0 0 0
1 1 1
2 2 4

Resposta: P
2
(0.5) = (0.5)
2
= 0.25

Exerccio 2: Determinar o polinmio interpolador de Lagrange para a funo conhecida pelos pontos da
tabela abaixo:

i x
i
y
i

0 1 4
1 0 1
2 2 1
3 3 16

Resposta: P
3
(x) = x
3
4x + 1


62
6.5 Interpolao Parablica Progressiva
Na interpolao parablica progressiva precisamos de n + 1 pontos, onde n o grau do polinmio
desejado. Em seguida, tomamos os pontos mais prximos, do ponto que queremos, na hora de montar a
tabela.

Polinmio de grau 0:

G0
|
|

\
|
CTE
grau Polinmio 0


P
0
(x) = a
0


Polinmio de grau 1:

G1
|
|

\
|
CTE
grau Polinmio 0
+
|
|
|

\
|
0
1
x por passando
grau Polinmio


P
1
(x) = a
0
+ a
1
.(x x
0
)

Polinmio de grau 2:

G2
|
|

\
|
CTE
grau Polinmio 0
+
|
|
|

\
|
0
1
x por passando
grau Polinmio
+
|
|
|

\
|
1 0
2
x por e x por passando
grau Polinmio


P
2
(x) = a
0
+ a
1
.(x x
0
) + a
2
.(x x
0
).(x x
1
)

M

Polinmio de grau n:

P
n
(x) = a
0
+ a
1
.(x x
0
) + a
2
.(x x
0
).(x x
1
) + ... + a
n
.(x x
0
).(x x
1
).(x x
2
) ... (x x
n-1
)


Impondo que P
n
(x) passe por todos os n + 1 pontos da tabela, temos que:

P
n
(x
0
) = f(x
0
)
P
n
(x
1
) = f(x
1
)
P
n
(x
2
) = f(x
2
)
M
P
n
(x
n
) = f(x
n
)

Validade:
) ) (
(
0
0 0 0 0
x f
a x P x x
= = =
x x
x P
x f
a
x x
a
x f
a
x f
x x a a x P x x
0 1
1 0
1
1
0 1
0
1
1
1
0 1 1 0 1 1 1
) ( ) )
) ) ( ) (
( (
(

= = + = =


63

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

= = + + = =


) )...( (
) ( )
) ) )...( ( ... ) ( ) (
1 0
1
1 0 0 1 0
(
(
x x x x
x P
x f
a
x f
x x x x a x x a a x P x x
n n n
n n
n
n
n
n n n n n n n n

=
= + + + = =


Exemplo 1: Dados os pares abaixo, determinar a expresso analtica destes mesmos:

x
i
5 3 1 2
f(x
i
) 8 4 4 6

1 Hiptese:
x x P
x = =
0 0
8 ( )

2 Hiptese:
x x a
f x
P x
x x
P
x x x = =

=
+
+
= = + + = +
1 1
1
0 1
1 0
1
4 8
3 5
2 8 2 5 2 2
(
) ( )
( ) ( )

3 Hiptese:
x x a
f x
P x
x x x x
P
x x = =


=

+ +
= = +
2 2
2
1 2
2 0 2 1
2
4 4
1 5 1 3
0 2 2
(
) ( )
( )( ) ( )( )
( )

4 Hiptese:
x x a
f x
P x
x x x x x x
P
x x = =


=

+ +
= = +
3 3
3
2 3
3 0 3 1 3 2
3
6 6
2 5 2 3 2 1
0 2 2
(
) ( )
( )( )( ) ( )( )( )
( )

Logo, a expresso : P
1
(x) = 2x + 2
6.6 Interpolao de Newton com Diferenas Divididas
6.6.1 Diferenas Divididas
Seja f(x) uma funo tabelada em n + 1 pontos distintos x
0
, x
1
, x
2
, ... x
n
. Definimos o operador
diferenas divididas por:

f[x
0
] = f(x
0
)
f[x
0
,x
1
] =
0 1
0 1
] [ ] [
x x
x f x f

=
) (
) ( ) (
0 1
0 1
x x
x f x f


f[x
0
,x
1
,x
2
] =
0 2
1 0 2 1
] , [ ] , [
x x
x x f x x f


M
f[x
0
,x
1
,x
2
, ... x
n
] =
0
1 1 0 2 1
] ... , [ ] ... , [
x x
x x x f x x x f
n
n n






64
Dizemos que f[x
0
,x
1
,x
2
,...x
k
] a diferena dividida de ordem k da funo f(x) sobre os k + 1 pontos.

Conhecidos os valores que f(x) assume nos pontos distintos x
0
, x
1
, x
2
, ... x
n
, podemos construir a
tabela:

x
i
Ordem 0 Ordem 1 Ordem 2 .... Ordem n
x
0
f[x
0
] f[x
0
,x
1
] f[x
0
,x
1
,x
2
] f[x
0
,x
1
,x
2
... x
n
]
x
1
f[x
1
] f[x
1
,x
2
] f[x
1
,x
2
,x
3
]
x
2
f[x
2
] f[x
2
,x
3
] f[x
2
,x
3
,x
4
]
... ... ... ... ...
x
n-2
f[x
n-2
] f[x
n-2
,x
n-1
] f[x
n-2
,x
n-1
,x
n
]
x
n-1
f[x
n-1
] f[x
n-1
,x
n
]
x
n
f[x
n
]
6.6.2 Propriedade do Operador Diferenas Divididas
Pode-se provar que as diferenas divididas satisfazem a propriedade de ser simtrico nos
argumentos.

Exemplo:
f[x
0
,x
1
] =
0 1
0 1
] [ ] [
x x
x f x f

=
1 0
1 0
] [ ] [
x x
x f x f

= f[x
1
,x
0
]

Pode-se provar que cada coeficiente a
n
do polinmio interpolador de Newton corresponde ao
operador de grau n de diferenas divididas:

f[x
0
] = a
0

f[x
0
,x
1
] = a
1

f[x
0
,x
1
,x
2
] = a
2

M
f[x
0
,x
1
,x
2
,...,x
n
] = a
n


P
n
(x) = a
0
+ a
1
.(x x
0
) + a
2
.(x x
0
).(x x
1
) + ... + a
n
.(x x
0
).(x x
1
).(x x
2
) ... (x x
n-1
)

P
n
(x) = f[x
0
] + f[x
0
,x
1
] . (x x
0
) + f[x
0
,x
1
,x
2
] . (x x
0
) . (x x
1
) + ...
+ f[x
0
,x
1
,x
2
, ... x
n
] . (x x
0
) . (x x
1
) . (x x
2
) ... (x x
n-1
)
6.6.3 Exemplos
Exemplo 1: Obter f(0.5) usando um polinmio interpolador de Newton do segundo grau (3 pontos).
Considere a seguinte tabela:

x
i 1 0 1 2 3
F(x
i
) 2 1 2 5 10

a) Clculo dos coeficientes de P
n
(x):

X Ordem 0 Ordem 1 Ordem 2 Ordem 3 Ordem 4
x
0
1 2 1 1 0 0
x
1
0 1 1 1 0
x
2
1 2 3 1
x
3
2 5 5
x
4
3 10


65

onde:

f[x
0
] = f(x
0
) = 2
f[x
1
] = f(x
1
) = 1
f[x
2
] = f(x
2
) = 2
f[x
3
] = f(x
3
) = 5
f[x
4
] = f(x
4
) = 10

f[x
0
,x
1
] =
0 1
0 1
] [ ] [
x x
x f x f

=
) (
) ( ) (
0 1
0 1
x x
x f x f

=
1 2
0 1

+
= 1
f[x
1
,x
2
] =
f x f x
x x
[ ] [ ]
2 1
2 1

=
2 1
1 0

= 1
f[x
2
,x
3
] =
x x
x
f
x
f
2 3
2 3
] [ ] [

=
1 2
2 5

= 3
f[x
3
,x
4
] =
x x
x
f
x
f
3 4
3 4
] [ ] [

=
2 3
5 10

= 5

f[x
0
,x
1
,x
2
] =
0 2
1 0 2 1
] , [ ] , [
x x
x x f x x f

=
1 1
1 1
+
+
= 1
f[x
1
,x
2
,x
3
] =
f
x x
f
x x
x x
[ , ] [ , ]
2 3 1 2
3 1

=
3 1
2 0

= 1
f[x
2
,x
3
,x
4
] =
x x
x x f x x f
2 4
3 2 4 3
] , [ ] , [

=
1 3
3 5

= 1

f[x
0
,x
1
,x
2,
x
3
] =
f
x x x
f
x x x
x x
[ , , ] [ , , ]
1 2 3 0 1 2
3 0

=
1 1
2 1

+
= 0
f[x
1
,x
2
,x
3,
x
4
] =
f x x x f x x x
x x
[ , , ] [ , , ]
2 3 4 1 2 3
4 1

=
1 1
3 0

= 0

f[x
0
,x
1
,x
2,
x
3
,x
4
] =
f
x x x x
f
x x x x
x x
[ , , , ] [ , , , ]
1 2 3 4 0 1 2 3
4 0

=
0 0
3 1

+
= 0

b) Polinmio interpolador:

P
2
(x) = 2 1(x + 1) + 1(x + 1)(x 0)
P
2
(x) = 2 (x + 1) + x (x + 1)
P
2
(x) = 2 x 1 + x
2
+ x
P
2
(x) = x
2
+ 1

c) Resposta:

P
2
(0.5) = (0.5)
2
+ 1 = 1.25

Exemplo 2: Obter f(40) usando um polinmio interpolador de Newton de grau 3 (4 pontos). Considere a
seguinte tabela:

x
i
30 35 45 50 55
F(x
i
) 0.5 0.574 0.707 0.766 0.819



66
a) Clculo dos coeficientes de P
n
(x):

Pegar os pontos mais prximos do ponto que desejamos:

X Ordem 0 Ordem 1 Ordem 2 Ordem 3
x
0
30 0.5 0.0148 0.0001 0
x
1
35 0.574 0.0133 0.0001
x
2
45 0.707 0.0118
x
3
50 0.766

Como o polinmio obtido no ter grau 3, devemos escolher um novo conjunto de pontos:

X Ordem 0 Ordem 1 Ordem 2 Ordem 3
x
0
30 0.5 0.0148 0.0001 0.0000002
x
1
35 0.574 0.0133 0.000105
x
2
45 0.707 0.0112
x
3
55 0.819

b) Polinmio interpolador:

P
3
(x) = 0.5 + 0.0148(x 30) 0.0001(x 30)(x 35) 0.0000002(x 30)(x 35)(x 45)

c) Resposta:
P
3
(40) = 0.5 + 0.0148(10) 0.0001(10)(5) 0.0000002(10)(5)(5)
P
3
(40) = 0.64305

Exerccio 1: Obter f(0.47) usando um polinmio interpolador de Newton do segundo grau (3 pontos).
Considere a seguinte tabela:

x
i
0.2 0.34 0.4 0.52 0.6 0.72
F(x
i
) 0.16 0.22 0.27 0.29 0.32 0.37

Polinmio interpolador: P
2
(x) = 0.27 + 0.16667(x 0.4) + 1.041665(x 0.4)(x 0.52)
P
2
(0.47) = 0.27802

Exerccio 2: Obter f(0.5) usando um polinmio interpolador de Newton do quarto grau (5 pontos).
Considere a seguinte tabela:

x
i 1 0 1 2 3
F(x
i
) 1 1 0 1 2

Polinmio interpolador:
P
4
(x) = 1 + 0.(x + 1) + |

\
|
2
1
(x + 1)(x) + |

\
|
6
1
(x + 1)(x)(x 1) + |

\
|
24
1
(x + 1)(x)(x 1)(x 2)
P
4
(0.5) = 1 0.375 0.0625 0.02344 = 0.53906
6.7 Interpolao de Gregory-Newton
Muitas vezes so encontrados problemas de interpolao cuja tabela de pontos conhecidos tem
valores que so igualmente espaados, ou seja:

x
1
x
0
= x
2
x
1
= x
3
x
2
= ... = x
n
x
n-1
= h



67
Assim x
i+1
x
i
= h , para todo i, sendo h uma constante.

x
i
= x
i-1
+ h x
i
= x
0
+ i * h
6.7.1 Diferenas Ordinrias ou Finitas

0
f(x) = f(x)

1
f(x) = f(x + h) f(x)

2
f(x) =
1
f(x + h)
1
f(x)
...

n
f(x) =
n-1
f(x + h)
n-1
f(x)

x
i
Ordem 0 Ordem 1 Ordem 2 ... Ordem n
x
0
f(x
0
)
1
f(x
0
)
2
f(x
0
)
n
f(x
0
)
x
1
f(x
1
)
1
f(x
1
)
2
f(x
1
)
x
2
f(x
2
)
1
f(x
2
)
2
f(x
2
)
... ... ... ... ...
x
n-2
f(x
n-2
)
1
f(x
n-2
)
2
f(x
n-2
)
x
n-1
f(x
n-1
)
1
f(x
n-1
)
x
n
f(x
n
)
6.7.2 Relao entre diferenas divididas e diferenas ordinrias
Teorema: Se x
j
= x
0
+ j.h, para j = 0, 1, 2, ..., n, ento f[x
0
,x
1
,x
2
,...,x
n
] =
n
n
h n
x f
!
) (
0

.
Prova:

f[x
0
] = f(x
0
)
f[x
0
,x
1
] =
0 1
0 1
] [ ] [
x x
x f x f

=
) (
) ( ) (
0 1
0 1
x x
x f x f

=
h
x f h x f ) ( ) (
0 0
+
=
h
x f ) (
0



f[x
0
,x
1
,x
2
] =
0 2
1 0 2 1
] , [ ] , [
x x
x x f x x f

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

=
2
0
2
2
) (
h
x f

M
e por induo podemos mostrar que esta regra valida para valores maiores que 2.
6.7.3 Gregory-Newton usando Diferenas Ordinrias
Partindo da formula original do mtodo de Newton, que

P
n
(x) = f[x
0
] + f[x
0
,x
1
].(x x
0
) + f[x
0
,x
1
,x
2
].(x x
0
).(x x
1
) + ...+ f[x
0
,x
1
,x
2
,...,x
n
].(x x
0
).(x x
1
).(x
x
2
)...(x x
n-1
)

podemos derivar a nova formula que utiliza as diferenas ordinrias:

P
n
(x) = f(x
0
) +
h
x f ) (
0

.(x x
0
) +
2
0
2
2
) (
h
x f
.(x x
0
).(x x
1
) + ... +
n
n
h n
x f
!
) (
0

.(x x
0
).(x x
1
).(x
x
2
)...(x x
n-1
)
6.7.4 Exemplos
Exemplo 1: Obter f(0.5) usando um polinmio interpolador de Gregory-Newton (G-N) do segundo grau
(3 pontos). Considere a seguinte tabela:


68

x
i 1 0 1 2 3
f(x
i
) 2 1 2 5 10

a) Tamanho do intervalo:
h = 1

b) Clculo dos coeficientes de P
n
(x):

X Ordem 0 Ordem 1 Ordem 2 Ordem 3 Ordem 4
x
0
1 2 1 2 0 0
x
1
0 1 1 2 0
x
2
1 2 3 2
x
3
2 5 5
x
4
3 10

c) Polinmio interpolador:
P
2
(x) = 2 + |

\
|
1
1
(x + 1) + |

\
|

2
1 2
2
(x + 1)(x)
P
2
(x) = 2 (x + 1) + x (x + 1)
P
2
(x) = 2 x 1 + x
2
+ x
P
2
(x) = x
2
+ 1

d) Resposta:
P
2
(0.5) = (0.5)
2
+ 1 = 1.25

Exerccio 1: Obter f(0.04) usando um polinmio interpolador de Gregory-Newton do segundo grau (3
pontos). Considere a seguinte tabela:

x
i
0.01 0.03 0.05 0.07
F(x
i
) 1.01 1.09 1.25 1.49

Polinmio interpolador: P
2
(x) = 100x
2
+ 1
P
2
(0.04) = 1.16

Exerccio 2: Obter f(3.7) usando um polinmio interpolador de Gregory-Newton do terceiro grau (4
pontos), onde f(x) = ln(x). Considere a seguinte tabela:

x
i
1 2 3 4
F(x
i
) 0 0.6931 1.0986 1.3863

Polinmio interpolador: P
3
(x) = 0.6931.(x 1) 0.1438.(x 1)(x 2) + 0.0283.(x 1)(x 2)(x 3)
P
3
(3.7) = 1.30225590



69
7 Ajuste de Curvas
Uma das formas de se trabalhar com uma funo definida por uma tabela de valores a
interpolao polinomial. Contudo, a interpolao no aconselhvel quando:
a) preciso obter um valor aproximado da funo em algum ponto fora do intervalo de
tabelamento, ou seja, quando se quer extrapolar.
b) Os valores tabelados so resultados de algum experimento fsico ou de alguma pesquisa,
porque, nestes casos, estes valores podero conter erros inerentes que, em geral, no so
previsveis.

Surge ento a necessidade de se ajustar a estas funes tabeladas uma funo que seja uma "boa
aproximao" para os valores tabelados e que permita extrapolar com certa margem de segurana.

O problema do ajuste de curvas no caso em que temos uma tabela de pontos (x
1
, f(x
1
)), (x
2
, f(x
2
)),
..., (x
m
, f(x
m
)) com x
1
, x
2
, ..., x
m
, pertencentes a um intervalo [a, b], consiste em: escolhidas n funes
g
1
(x), g
2
(x), ..., g
n
(x), contnuas em [a, b], obter n constantes
1
,
2
, ...,
n
tais que a funo (x) =
1
g
1
(x)
+
2
g
2
(x) + ... +
n
g
n
(x) se aproxime ao mximo de f(x).

Genericamente, no caso linear, estaremos supondo que os dados sero aproximados por uma
funo do tipo:
f(x) (x) =
1
g
1
(x) +
2
g
2
(x) + ... +
n
g
n
(x)

onde as funes g
1
(x), g
2
(x), ..., g
n
(x) so preestabelecidas.

Dizemos que este um modelo matemtico linear porque os coeficientes a determinar,
1
,
2
, ...,

n
, aparecem linearmente, embora as funes g
1
(x), g
2
(x), ..., g
n
(x) possam ser funes no lineares de x,
como por exemplo, g
1
(x) = e
x
, g
2
(x) = (x
2
+ 2), g3(x) = sen(x), etc.

A escolha das funes pode ser feita observando o grfico dos pontos conhecidos ou baseando-se
em fundamentos tericos do experimento que nos forneceu a tabela.

Portanto, dada uma tabela de pontos (x
1
, f(x
1
)), (x
2
, f(x
2
)), ..., (x
m
, f(x
m
)), deve-se, em primeiro
lugar, colocar estes pontos num grfico cartesiano. O grfico resultante chamado diagrama de
disperso. Atravs deste diagrama pode-se visualizar a curva que melhor se ajusta aos dados.

Exemplo: Seja a tabela:

i 1 2 3 4 5 6 7 8 9
x
i
1.0 0.75 0.5 0.25 0 0.25 0.5 0.75 1.0
f(x
i
) 2.1 1.3 1.1 0.2 0 0.5 0.6 1.5 2.2

O diagrama de disperso ser conforme mostrado abaixo:

0
0.5
1
1.5
2
2.5
-1.5 -1 -0.5 0 0.5 1 1.5



70

Portanto, natural escolher apenas uma funo g
1
(x) = x
2
e procurar ento (x) = x
2
(equao
geral de uma parbola passando pela origem).

Se considerarmos uma experincia onde foram medidos vrios valores de corrente eltrica que
passa por uma resistncia submetida a vrias tenses, colocando os valores correspondentes de corrente e
tenso em um grfico, poderemos ter:

i
V
i
0
i
q
V
0
V
q


neste caso, existe uma fundamentao terica relacionando a corrente com a tenso V = Ri, isto , V
uma funo linear de i.

Assim, g
1
(x) = i e (i) = g
1
(i)

O problema determinar qual parbola com equao x
2
se ajusta melhor ao primeiro grfico e
qual reta, passando pela origem, melhor se ajusta ao segundo grfico.

No caso geral, escolhidas as funes g
1
(x), g
2
(x), ..., g
n
(x) temos de estabelecer o conceito de
proximidade entre as funes (x) e f(x) para obter as constantes
1
,
2
, ...,
n
.

Uma maneira impor que o desvio (f(x
i
) (x
i
)) seja mnimo, para i = 1, 2, ..., m. Veremos a
seguir o mtodo conhecido como Mtodo dos Quadrados Mnimos.
7.1 Mtodo dos Quadrados Mnimos
O Mtodo dos Quadrados Mnimos provavelmente a tcnica de aproximao mais usada na
anlise numrica e em problemas prticos. Isto se deve tanto sua simplicidade quanto ao fato de que em
geral, buscamos aproximaes para dados que so medidas obtidas experimentalmente com um certo grau
de incerteza. Veremos que o mtodo dos quadrados mnimos contempla a possvel existncia de erros nos
dados a serem aproximados. O critrio de aproximao consiste em minimizar os resduos.

Chamaremos de f(x) a funo que ser convenientemente aproximada por outra funo (x). No
caso dos quadrados mnimos lineares, partimos da hiptese de que temos algumas informaes sobre o
comportamento de (x). Poderamos saber, por exemplo, que (x) uma reta, ou seja:

(x) =
1
+
2
x

A questo encontrar qual esta reta, ou seja, quais so os valores de
1
e
2
que ajustam os
pontos conhecidos.

Num outro exemplo, vamos procurar valores para
1
,
2
e
3
que tornam a funo:

(x) =
1
+
2
x +
3
x
2

uma boa aproximao dos dados.


71

Sejam dados os pontos (x
1
, f(x
1
)), (x
2
, f(x
2
)), ..., (x
m
, f(x
m
)) e as n funes g
1
(x), g
2
(x), ..., g
n
(x)
escolhidas de alguma forma. Considerando que o nmero de pontos m, tabelados, sempre maior ou igual
a n o nmero de funes escolhidas ou o nmero de coeficientes
i
a se determinar.

Nosso objetivo encontrar os coeficientes
1
,
2
, ...,
n
tais que a funo (x) =
1
g
1
(x) +
2
g
2
(x)
+ ... +
n
g
n
(x) se aproxime ao mximo de f(x).

Seja d
k
= f(x
k
) (x
k
) o desvio em x
k
. O conceito de proximidade que d
k
seja mnimo para todo k
= 1, 2, ..., m. No mtodo dos quadrados mnimos consiste em escolher os a
j
's de tal forma que a soma dos
quadrados dos desvios seja mnima.
7.1.1 Ajuste Linear Simples
Dada uma tabela com m valores (x
i
, f(x
i
)), i = 1, 2, ..., m, queremos encontrar a reta que melhor
ajusta esta tabela, no sentido dos quadrados mnimos. Como o ajuste ser feito por uma reta, tomaremos
g
1
(x) = 1 e g
2
(x) = x, isto :

f(x) (x) =
1
+
2
x

O resduo para cada par (
1
,
2
) e para cada x ser r(
1
,
2
; x) = f(x)
1

2
x. Assim, pelo
mtodo dos quadrados mnimos devemos procurar
1
e
2
que minimizam a funo:

<r, r> (
1
,
2
) = < f(x)
1

2
x, f(x)
1

2
x> = ( )

=

m
i
i i
x x f
1
2
2 1
) ( .

Do Clculo Diferencial sabe-se que a condio necessria do ponto crtico que as derivadas nele
se anulem, esto :
1

<r, r> =
2

<r, r> = 0

ou ainda, procedidas as respectivas derivaes na expresso <r, r> temos:

( )

=

m
i
i i
x x f
1
2 1
) ( 2 = 0 e ( )

=

m
i
i i i
x x x f
1
2 1
) ( 2 = 0

Aps o desenvolvimento, estas duas equaes formam um sistema linear com as incgnitas
1
e

2
, que podem ser reescrito na forma:


= = =
=
m
i
m
i
i
m
i
i
x x f
1 1
2 1
1
0 ) (


= = =
=
m
i
m
i
i i
m
i
i i
x x x f x
1 1
2
2 1
1
0 ) (

ou

m
1
+
2
=
m
i
i
x
1
=

=
m
i
i
x f
1
) (



72

1
=
m
i
i
x
1
+
2
=
m
i
i
x
1
2
=

=
m
i
i i
x f x
1
) (

A soluo deste sistema pode ser obtida pelo mtodo da Eliminao de Gauss. Atravs das
substituies retroativas obtm-se:

2
=
2
1 1
2
1 1 1
) ( ) (
|

\
|



= =
= = =
m
i
i
m
i
i
m
i
m
i
i i
m
i
i i
x x m
x f x x f x m
e
1
=
m
x x f
m
i
i
m
i
i 2
1 1
) ( |

\
|


= =


Assim, a soluo do sistema de equaes lineares
1
e
2
dados pelas equaes acima, e com
estes valores os resduos apresentam o seu menor valor.

Como este mtodo consiste em achar o mnimo de uma funo quadrtica, ele conhecido como
mtodo dos mnimos quadrados.

Exemplo 1: Ajustar os dados da tabela abaixo a uma reta de modo que o resduo seja o menor possvel.

i 1 2 3 4 5
x
i
1.3 3.4 5.1 6.8 8.0
f(x
i
) 2.0 5.2 3.8 6.1 5.8

Usando os valores da tabela temos:

a) Clculo dos somatrios:

m = 5

=
5
1 i
i
x = (1.3) + (3.4) + (5.1) + (6.8) + (8.0) = 24.6

=
5
1
2
i
i
x = (1.3)
2
+ (3.4)
2
+ (5.1)
2
+ (6.8)
2
+ (8.0)
2
= 149.5

=
5
1
) (
i
i
x f = (2.0) + (5.2) + (3.8) + (6.1) + (5.8) = 22.9

=
5
1
) (
i
i i
x f x = (1.3)(2.0) + (3.4)(5.2) + (5.1)(3.8) + (6.8)(6.1) + (8.0)(5.8) = 127.54

b) Resoluo do sistema:

Assim, os valores de
1
e
2
da melhor reta (no sentido dos quadrados mnimos) so obtidos pelo
sistema:

= +
= +
54 . 127 5 . 149 6 . 24
9 . 22 6 . 24 5
2 1
2 1




Resolvendo o sistema, obtem-se
1
= 2.0098 e
2
= 0.5224.


73

Usando as frmulas de
1
e
2
temos:

2
=
2
1 1
2
1 1 1
) ( ) (
|

\
|



= =
= = =
m
i
i
m
i
i
m
i
m
i
i i
m
i
i i
x x m
x f x x f x m
=
2
) 6 . 24 ( ) 5 . 149 )( 5 (
) 9 . 22 )( 6 . 24 ( ) 54 . 127 )( 5 (

=
16 . 605 5 . 747
34 . 563 637.7

=
34 . 142
36 . 74
= 0.5224

1
=
m
x x f
m
i
i
m
i
i 2
1 1
) ( |

\
|


= =
=
5
) 5224 . 0 )( 6 . 24 ( 9 . 22
=
5
851 . 12 9 . 22
= 2,0098

Ento, a melhor reta que passa pelos pontos, usando a equao, :

(x) = 2.0098 + 0.5224x.

c) Clculo do quadrado dos resduos:

Os valores de (x
i
) e os respectivos resduos (r(x
i
) = f(x
i
) (x
i
)) esto na tabela abaixo:

I 1 2 3 4 5
x
i
1.3 3.4 5.1 6.8 8.0
f(x
i
) 2.0 5.2 3.8 6.1 5.8
(x
i
) 2.68892 3.78596 4.67404 5.56212 6.18900
r(x
i
) 0.68892 1.41404 0.87404 0.53788 0.38900

Neste exemplo, a soma dos quadrados dos resduos :

=
5
1
2
) (
i
i
x r = 3.6787

Exerccio 1: Considere o ajuste da tabela abaixo por uma reta. Calcular a soma dos quadrados dos
resduos.

i 1 2 3 4 5
x
i
0 0.25 0.5 0.75 1.00
f(x
i
) 1.0000 1.2840 1.6487 2.1170 2.7183

Resposta:
(x) = 0.89968 + 1,70784x.

A soma dos quadrados dos resduos :

=
5
1
2
) (
i
i
x r = 0.039198
7.1.2 Ajuste Polinomial
O ajuste linear simples um caso especial do ajuste polinomial. A equao geral do ajuste
polinomial dada por:

(x) =
1
+
2
x +
3
x
2
+ ... +
n+1
x
n


e as equaes normais ficam:


74

(
(
(
(
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(
(
(
(
(

(
(
(
(
(
(
(
(
(
(
(
(





=
=
=
=
= =
+
=
+
=
=
+
= = =
=
+
= = =
= = =
) (
) (
) (
) (
.
1
1
2
1
1
3
2
1
1
2
1
2
1
1
1
1
2
1
4
1
3
1
2
1
1
1
3
1
2
1
1 1
2
1
i
m
i
n
i
i
m
i
i
i
m
i
i
m
i
i
n
m
i
n
i
m
i
n
i
m
i
n
i
m
i
n
i
m
i
n
i
m
i
i
m
i
i
m
i
i
m
i
n
i
m
i
i
m
i
i
m
i
i
m
i
n
i
m
i
i
m
i
i
x f x
x f x
x f x
x f
x x x x
x x x x
x x x x
x x x m
M
M
L
M M M M M
L
L
L



Exemplo 1: Ajustar os pontos da tabela abaixo equao (x) =
1
+
2
x +
3
x
2
. Calcular a soma dos
quadrados dos resduos.

i 1 2 3 4 5 6
x
i
2 1.5 0 1 2.2 3.1
f(x
i
) 30.5 20.2 3.3 8.9 16.8 21.4

O vetor a soluo do sistema acima, que, neste caso, torna-se:

(
(
(
(
(
(
(

=
(
(
(
(
(
(

(
(
(
(
(
(
(




=
=
=
= = =
= = =
= =
m
i
i i
m
i
i i
m
i
i
m
i
i
m
i
i
m
i
i
m
i
i
m
i
i
m
i
i
m
i
i
m
i
i
x f x
x f x
x f
x x x
x x x
x x m
1
2
1
1
3
2
1
1
4
1
3
1
2
1
3
1
2
1
1
2
1
) (
) (
) (
.



a) Clculo dos somatrios:

m = 6

=
6
1 i
i
x = (2) + (1.5) + (0) + (1) + (2.2) + (3.1) = 2.8

=
6
1
2
i
i
x = (2)
2
+ (1.5)
2
+ (0)
2
+ (1)
2
+ (2.2)
2
+ (3.1)
2
= 21.7

=
6
1
3
i
i
x = (2)
3
+ (1.5)
3
+ (0)
3
+ (1)
3
+ (2.2)
3
+ (3.1)
3
= 30.064

=
6
1
4
i
i
x = (2)
4
+ (1.5)
4
+ (0)
4
+ (1)
4
+ (2.2)
4
+ (3.1)
4
= 137.8402

=
6
1
) (
i
i
x f = (30.5) + (20.2) + (3.3) + (8.9) + (16.8) + (21.4) = 6.9



75

=
6
1
) (
i
i i
x f x = (2)(30.5) + (1.5)(20.2) + (0)(3.3) + (1)(8.9) + (2.2)(16.8) + (3.1)(21.4) = 203.5

=
6
1
2
) (
i
i i
x f x = (2)
2
(30.5) + (1.5)
2
(20.2) + (0)
2
(3.3) + (1)
2
(8.9) + (2.2)
2
(16.8) + (3.1)
2
(21.4) = 128.416

b) Resoluo do sistema:

O sistema :

(
(
(


=
(
(
(

(
(
(

416 . 128
5 . 203
9 . 6
.
8402 . 137 064 . 30 7 . 21
064 . 30 7 . 21 8 . 2
7 . 21 8 . 2 6
3
2
1



A soluo deste sistema :

1
= 2.018

2
= 11.33

3
= 1.222

Portanto, (x) = 2.018 + 11.33x 1.222x
2
.

c) Clculo do quadrado dos resduos:

i 1 2 3 4 5 6
x
i
2 1.5 0 1 2.2 3.1
f(x
i
) 30.5 20.2 3.3 8.9 16.8 21.4
(x
i
) 29.566 21.7625 2.018 8.09 16.99352 21.36158
r(x
i
) 0.934 1.5625 1.282 0.81 0.19352 0.03842

A soma dos quadrados dos resduos :

=
6
1
2
) (
i
i
x r = 5.652312337

Exemplo 2: Considerando a funo tabelada abaixo

i 1 2 3 4 5 6 7 8 9 10 11
x
i
1.0 0.75 0.6 0.5 0.3 0 0.2 0.4 0.5 0.7 1
f(x
i
) 2.05 1.153 0.45 0.4 0.5 0 0.2 0.6 0.512 1.2 2.05

a partir do diagrama de disperso, deve ser ajustada por uma parbola passando pela origem, ou seja, f(x)
= (x) =
3
x
2
(neste caso temos apenas uma funo g(x) = x
2
e
1
= 0 e
2
= 0).

Temos ento o sistema abaixo:



76
(
(
(
(
(
(
(

=
(
(
(
(
(
(

(
(
(
(
(
(
(




=
=
=
= = =
= = =
= =
m
i
i i
m
i
i i
m
i
i
m
i
i
m
i
i
m
i
i
m
i
i
m
i
i
m
i
i
m
i
i
m
i
i
x f x
x f x
x f
x x x
x x x
x x m
1
2
1
1
3
1
4
1
3
1
2
1
3
1
2
1
1
2
1
) (
) (
) (
0
0
.


ou seja,

=
m
i
i
x
1
2

3
=

=
m
i
i
x f
1
) (

=
m
i
i
x
1
3

3
=

=
m
i
i i
x f x
1
) (

=
m
i
i
x
1
4

3
=

=
m
i
i i
x f x
1
2
) (

Tomando a ltima equao temos:

m = 11

=
11
1
4
i
i
x = (1) + (0.3164) + (0.1296) + (0.0625) + (0.0081) + (0) + (0.0016) + (0.0256) + (0.0625) +
(0.2401) + (1) = 2.8464

=
11
1
2
) (
i
i i
x f x = (2.05) + (0.6486) + (0.162) + (0.1) + (0.145) + (0) + (0.008) + (0.096) + (0.128) + (0.588)
+ (2.05) = 5.8756

Assim, a nossa equao 2.8464
3
= 5.8756
3
=
8464 . 2
8756 . 5
= 2.0642

Portanto, (x) = 2.0642x
2
a parbola que melhor se aproxima, no sentido dos quadrados
mnimos, da funo tabelada.

Exerccio 1: Ajustar os pontos da tabela abaixo equao (x) =
1
+
2
x +
3
x
2
. Calcular a soma dos
quadrados dos resduos.

I 1 2 3 4 5 6 7
x
i
0.75 0.5 0.25 0 0.25 0.5 0.75
f(x
i
) 1.3 1.1 0.2 0 0.5 0.6 1.5

Resposta:
(x) = 0.17619 0.01429x + 2.26666x
2
.

A soma dos quadrados dos resduos :

=
7
1
2
) (
i
i
x r = 0,250952



77
8 Integrao Numrica
8.1 Introduo
Do ponto de vista analtico existem diversas regras, que podem ser utilizadas na prtica. Contudo,
embora tenhamos resultados bsicos e importantes para as tcnicas de integrao analtica, como o
Teorema Fundamental do Clculo Integral, nem sempre podemos resolver todos os casos. No podemos
sequer dizer que para uma funo simples a primitiva tambm ser simples, pois f(x) = 1/x, que uma
funo algbrica racional, possui uma primitiva que no o ; a sua primitiva a funo ln(x) que
transcendente.

Quando no conseguirmos calcular a integral por mtodos analticos, mecnicos ou grficos, ento
podemos recorrer ao mtodo algortmico. Em algumas situaes, s podemos usar o mtodo numrico.
Por exemplo, se no possuirmos a expresso analtica de f, no podemos, em hiptese nenhuma, usar
outro mtodo que no o numrico. A integrao numrica pode trazer timos resultados quando outros
mtodos falham.

A soluo numrica de uma integral simples comumente chamada de quadratura.

Sabemos do Clculo Diferencial e Integral que se f(x) uma funo contnua em [a, b], ento esta
funo tem uma primitiva neste intervalo, ou seja, existe F(x) tal que f(x) dx = F(x) + C, com F(x) =
f(x); demostra-se que, no intervalo [a, b],
f x dx F b F a
a
b
( ) ( ) ( ) =



tais mtodos, embora variados, no se aplicam a alguns tipos de integrandos f(x), no sendo conhecidas
suas primitivas F(x); para tais casos, e para aqueles em que a obteno da primitiva, embora vivel,
muito trabalhosa, podem-se empregar mtodos para o clculo do valor numrico aproximado de
f x dx
a
b
( )

.

A aplicao de tais mtodos obviamente necessria no caso em que o valor de f(x) conhecido
apenas em alguns pontos, num intervalo [a, b], ou atravs de um grfico.
Lembrando que f x dx
a
b
( )

=
n
i
i
n
lim f x xi

( )
1
(Riemann), onde xi [x
i-1
, x
i
] partes de [a, b], com
x
0
= a, x
n
= b e x
i
= | x
i
x
i-1
|, para n suficientemente grande e x
i
suficientemente pequeno, f x x i
i
n
i ( )
=

1

representa uma boa aproximao para f x dx
a
b
( )

.
Convm lembrar, tambm, que, sendo f(x) no negativa em [a, b], f x dx
a
b
( )

representa,
numericamente, a rea da figura delimitada por y = 0, x = a, x = b e y = f(x), como mostra a figura abaixo:



78
y
x 0
b a
y=f(x)
A

A = f x dx
a
b
( )



Quando f(x) no for somente positiva, pode-se considerar f(x) em mdulo, para o clculo da rea,
conforme figura abaixo:
y
x 0
b
a
y=f(x)
A
A
c

A = f x f x dx
c
b
a
c
( ) | ( )| +

ou A = | ( )| f x dx
a
b



A idia bsica da integrao numrica a substituio da funo f(x) por um polinmio que a
aproxime razoavelmente no intervalo [a, b]. Assim o problema fica resolvido pela integrao de
polinmios, o que trivial de se fazer. Com este raciocnio podemos deduzir frmulas para aproximar
f x dx
a
b
( )

.

As frmulas que deduziremos tero a expresso abaixo:

f x dx
a
b
( )

A
0
f(x
0
) + A
1
f(x
1
) + ... + A
n
f(x
n
), x
i
[a, b], i = 0, 1, ..., n.
8.1.1 Frmulas de Newton-Cotes
Nas frmulas de Newton-Cotes a idia de polinmio que aproxime f(x) razoavelmente que este
polinmio interpole f(x) em pontos de [a, b] igualmente espaados. Consideremos a partio do intervalo
[a, b] em subintervalos, de comprimento h, [x
i
, x
i+1
], i = 0, 1, ..., n-1. Assim x
i+1
x
i
= h = (b a)/n.

As frmulas fechadas de Newton-Cotes so frmulas de integrao do tipo x
o
= a, x
n
= b e
f x dx
a
b
( )

= f x dx
x
xn
( )
0

A
0
f(x
0
) + A
1
f(x
1
) + ... + A
n
f(x
n
) = A f x i i
i
n
=

0
( ) , sendo os coeficientes A
i

determinados de acordo com o grau do polinmio aproximador.

Analisaremos a seguir algumas das frmulas fechadas de Newton-Cotes como regra dos
retngulos, regra dos trapzios e regra de Simpson.


79

Existem ainda as frmulas abertas de Newton-Cotes, construdas de maneira anloga s fechadas,
com x
o
e x
n
(a, b).
8.2 Regra dos Retngulos
Seja o intervalo finito [a, b] no eixo x que particionado em n subintervalos igualmente espaados
[x
i
, x
i+1
], com x
0
= a e x
n
= b e h
i
= x
i+1
x
i
. Seja f uma funo contnua ou simplesmente Riemann
integrvel, cuja integral no conhecida.
Nosso objetivo calcular f x dx
a
b
( )

pelo mtodo da rea dos retngulos. Tais retngulos podem


ser considerados de diversas maneiras, conforme mostra as figuras abaixo:

R
1
R
2
R
3
R
1
R
2
R
3
R
1
R
3
(a) (b) (c)
R
2


No primeiro caso, figura (a), a rea de cada retngulo f(x
i
) h
i
; no segundo caso f(x
i+1
)h
i
e no
ltimo f((x
i
+ x
i+1
)/2) h
i
. Em qualquer caso a soma das reas dos retngulos ser uma aproximao para
f x dx
a
b
( )

.

Subdividindo o intervalo [a, b] em n subintervalos, pela regra dos retngulos, que ser indicado
por R(h), dada pelas frmulas:
R(h
n
) = i h x f
n
i
i
). (
1
0

=
, ou
R(h
n
) = i h x f
n
i
i
). (
1
0
1

=
+
, ou
R(h
n
) = i h
x x
f
n
i
i i
.
2
1
0
1

=
+
|

\
| +


conforme for tomado o caso (a) ou (b) ou (c) da figura acima.

Como h
i
constante, temos h
b a
n
=

. Ento :
R(h
n
) = ) (
1
0

=
n
i
i
x f h
ou
R(h
n
) = ) (
1
0
1

=
+
n
i
i
x f h
ou



80
R(h
n
) =

=
+
|

\
| +
1
0
1
2
n
i
i i
x x
f h

Em geral, quando utilizarmos a regra dos retngulos iremos efetuar os clculos atravs do caso (c),
ou seja, R(h
n
) =

=
1
0
) (
n
i
i
x f h , sendo xi =
2
1 +
+
i i
x x
.
8.2.1 Exemplos
Exemplo 1: Calcular
x
x
dx
1
2
0
1
+

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



a) Nmero de intervalos:
n = 10

b) Tamanho do intervalo
h
b a
n
=

= (1 0) / 10 = 0.1

c) iteraes:
i xi f( xi )
0 (0 + 0.1) = 0.05 0.0499
1 (0.1 + 0.2) = 0.15 0.1467
2 (0.2 + 0.3) = 0.25 0.2353
3 (0.3 + 0.4) = 0.35 0.3118
4 (0.4 + 0.5) = 0.45 0.3742
5 (0.5 + 0.6) = 0.55 0.4223
6 (0.6 + 0.7) = 0.65 0.4569
7 (0.7 + 0.8) = 0.75 0.4800
8 (0.8 + 0.9) = 0.85 0.4935
9 (0.9 + 1) = 0.95 0.4993
3.4699

R(0.1) = h f xi ( )

= (0.1).(3.4699) = 0.34699

d) mtodo analtico:

x
x
dx
1
2
0
1
+

=
1
2
1
1
2
2 1 0 34657
2
0
1
ln( ) (ln( ) ln( )) , +
(

(
= = x
.

Exemplo 2: Quando no for possvel conhecer f(x
i
) pode-se usar f( xi ) = (f(x
i-1
) + f(x
i
))/2, para o clculo
anterior, ter-se-ia:

a) Nmero de intervalos:
n = 10

b) Tamanho do intervalo:
h
b a
n
=

= (1 0) / 10 = 0.1

c) iteraes:



81
i f(x
i
) f( xi )
1 0
0 0.0990 0.0495
1 0.1923 0.1457
2 0.2752 0.2338
3 0.3448 0.3100
4 0.4000 0.3724
5 0.4412 0.4206
6 0.4698 0.4555
7 0.4878 0.4788
8 0.4972 0.4925
9 0.5000 0.4986
3.4574

R(0.1) = h f xi ( )

= (0.1).(3.4574) = 0.34574

Exerccio 1: Calcular
3
1
1
x dx

, para n = 8.

R(0.25) = h f xi ( )

= (0.25).(0.0000) = 0.0000
mtodo analtico:
3
1
1
x dx

=
4
4
1
4
1
4
0
1
1
x
(

(
(
= =

.
8.3 Regra dos Trapzios
Seja o intervalo finito [a, b] no eixo x que particionado em n subintervalos igualmente espaados
[x
i
, x
i+1
], com x
0
= a e x
n
= b e h
i
= x
i+1
x
i
. Seja f uma funo contnua ou simplesmente Riemann
integrvel, cuja integral no conhecida.

Numericamente: A regra dos trapzios obtida aproximando-se f por um polinmio interpolador do 1


grau (ao invs de zero, como na regra dos retngulos). Se usarmos a frmula de Lagrange para expressar
o polinmio p
1
(x) que interpola f(x) em x
0
e x
1
temos:

T
b
a
b
a
I dx x f
h
x x
x f
h
x x
dx x p dx x f
x
x
x
x
=
(

=

=
=
1
0
1
0
) (
) (
) (
) (
) ( ) (
1
0
0
1
1


Assim, I
T
= [ ] ) ( ) (
2
1 0
x f x f
h
+ , que a rea do trapzio de altura h = x
1
x
0
e bases f(x
0
) e f(x
1
).

Geometricamente: Podemos ver, conforme mostra a figura abaixo:

f(xi+1)
f(x)
f(xi)
xi+1 xi
P1(x)

Interpretao geomtrica da regra dos trapzios


82

A rea de cada trapzio (f(x
i
) + f(x
i+1
))/2 h
i
. A soma destas reas ser uma aproximao para
f x dx
a
b
( )

.
8.3.1 Regra do Trapzio Repetida
Dividindo o intervalo [a, b] em n subintervalos, pela regra dos trapzios, o resultado, que ser
indicado por T(h), dada pela frmula:

i
n
i
i i
n
h
x f x f
h T ).
2
) ( ) (
( ) (
1
0
1

=
+
+
=

Como h
i
constante, temos h
b a
n
=

. Ento :

)
2
) ( ) (
( ) (
1
0
1

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


8.3.2 Exemplos
Exemplo 1: Calcular

6 , 3
0 , 3
1
dx
x
pela regra dos trapzios e, depois, analiticamente. Considere n = 6 e 4 casas
decimais com arredondamento.

a) Nmero de intervalos:
n = 6

b) Tamanho do intervalo:
h
b a
n
=

= (3.6 3.0) / 6 = 0.1

c) iteraes:

i x
i
f(x
i
) c
i
c
i
. f(x
i
)
0 3.0 0.3333 1 0.3333
1 3.1 0.3226 2 0.6452
2 3.2 0.3125 2 0.6250
3 3.3 0.3030 2 0.6060
4 3.4 0.2941 2 0.5882
5 3.5 0.2857 2 0.5714
6 3.6 0.2778 1 0.2778
3.6469

[ ] ) ( ) ( 2 ... ) ( 2 ) ( 2 ) (
2
) (
6 5 2 1 0 6
x f x f x f x f x f
h
h T + + + + + =
T(0.1) =
2
1 . 0
(3.6469) = 0,182345


83

d) mtodo analtico:

6 , 3
0 , 3
1
dx
x
= ]
6 , 3
0 , 3
) ln(x = ln(3.6) ln(3.0) = 0.18232156
Exerccio 1: Calcular

+
1
0
) 3 2 ( dx x pela regra dos trapzios e, depois, analiticamente. Considere n = 1 e 4
casas decimais com arredondamento.

T(1) =
2
1
(8) = 4
mtodo analtico:

+
1
0
) 3 2 ( dx x = ]
1
0
2
3x x + = 1 + 3 (0 + 0) = 4

Como a regra dos trapzios aproxima por uma reta e a funo integranda f(x) = 2x + 3 (uma
reta), o valor da integral obtido exato.
Exerccio 2: Calcular x x dx ln( )
1
2

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


depois, analiticamente.

T(1) =
2
1
(1.3863) = 0.6932

T(0.5) =
2
5 . 0
(2.6027) = 0.6507

T(0.25) =
2
25 . 0
(5.1191) = 0,6399

T(0.125) =
2
125 . 0
(10.1951) = 0,6372

mtodo analtico: x x dx ln( )
1
2

=
2 2
1
2
2 2
1
2
2 4
2
4
x x x x x x ln( ) ln( )
] ]
=

= = 0.63629436
8.4 Regra de Simpson
A regra de Simpson obtida aproximando-se f por um polinmio interpolador de 2 grau, ou seja,
uma parbola.

Numericamente: Novamente podemos usar a frmula de Lagrange para estabelecer a frmula de
integrao resultante da aproximao de f(x) por um polinmio de grau 2. Seja p
2
(x) o polinmio que
interpola f(x) nos pontos x
0
= a, x
1
= x
0
+ h e x
2
= x
0
+ 2h = b:

p x
x x x x
h h
f x
x x x x
h h
f x
x x x x
h h
f x 2
1 2
0
0 2
1
0 1
2
2 2
( )
( )( )
( )( )
( )
( )( )
( )( )
( )
( )( )
( )( )
( ) =


+

+



Assim,



84
f x dx f x dx p x dx
a
b
x
x
x
x
( ) ( ) ( )

= =
0
2
0
2
2

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



Resolvendo as integrais obtemos a regra de Simpson:

f x dx
h
f x f x f x Is
x
x
( ) ( ) ( ) ( ) [ ] + + =

3
4 0 1 2
0
2


Geometricamente: Podemos ver, conforme mostra a figura abaixo:
f
x
0
=a
p
2
(x)
x
2
=b x
1
h h

Interpretao geomtrica da regra de Simpson simples
8.4.1 Regra de Simpson Repetida
Aplicando a regra de Simpson repetidas vezes no intervalo [a, b] = [x
0
, x
n
]. Vamos supor que x
0
,
x
1
, ..., x
n
so pontos igualmente espaados, h = x
i+1
x
i
, e n par (isto condio necessria pois cada
parbola utilizar trs pontos consecutivos). Assim teremos:

f x dx
a
b
( )

[ ] ) ( ) ( 4 ... ) ( 2 ) ( 4 ) ( 2 ) ( 4 ) (
3
) (
1 4 3 2 1 0 n n
n x f x f x f x f x f x f x f
h
h S + + + + + + + =


8.4.2 Exemplos
Exemplo 1: Calcular uma aproximao para
x
e dx
0
1

usando a regra de Simpson com n = 10.


a) Nmero de intervalos:
n = 10

b) Tamanho do intervalo:
h
b a
n
=

= (1 0) / 10 = 0.1

c) iteraes:

i x
i
f(x
i
) c
i
c
i.
f(x
i
)
0 0.0 1 1 1
1 0.1 1.1052 4 4.4208


85
2 0.2 1.2214 2 2.4428
3 0.3 1.3499 4 5.3996
4 0.4 1.4918 2 2.9836
5 0.5 1.6487 4 6.5948
6 0.6 1.8221 2 3.6442
7 0.7 2.0138 4 8.0552
8 0.8 2.2255 2 4.4510
9 0.9 2.4596 4 9.8384
10 1.0 2.7183 1 2.7183
51.5487

S h e e e e e e e ( )
,
[ ... ]
, , , , , , ,
10
0 0 0 1 0 2 0 3 0 8 0 9 1 0
0 1
3
4 2 4 2 4 = + + + + + + + = 1,71829

d) mtodo analtico:
x
e dx
0
1

=
x
e e e
0
1
1 0
2 7182818 1 1 7182818
]
, , = = =
Exerccio 1: Calcular o valor de , dado pela expresso 4

+
1
0
2
1
1
dx
x
, considerando n = 10.

S h f x f x f x f x f x f x f x ( )
,
[ ( ) ( ) ( ) ( ) ... ( ) ( ) ( )] 10 0 1 2 3 8 9 10
0 1
3
4 2 4 2 4 = + + + + + + + = 3,14157

mtodo analtico: 4

+
1
0
2
1
1
dx
x
= 4( ]
1
0
) (x arctg ) = 4.(arctg(1) arctg(0)) = 3.14159265

Exerccio 2: Calcular x x dx ln( )
1
2

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


analiticamente.

S(0.5) =
3
5 . 0
(3.8191) = 0,6365

S(0.25) =
3
25 . 0
(7.6355) = 0.63629167

S(0.25) =
3
125 . 0
(15.2711) = 0,63629583

mtodo analtico: x x dx ln( )
1
2

=
2 2
1
2
2 2
1
2
2 4
2
4
x x x x x x ln( ) ln( )
] ]
=

= = 0.63629436
Exerccio 3: Calcular uma aproximao para
2
0
1
1 x dx +

usando Simpson com n = 2.



] 2 ) 25 . 1 ( 4 1 [
3
5 . 0
) 5 . 0 ( + + = S =
4
3
= 1.33333...



86
mtodo analtico:
2
0
1
1 x dx +

=
3
0
1
3 3
3
1
3
1
0
3
0
4
3
x
x + = + + =
]
( ) ( ) = 1.33333...

Como a regra de Simpson se aproxima por uma parbola e, sendo f(x) = x
2
+ 1 uma parbola, o
valor da integral obtido exato independente do nmero de subintervalos utilizado no clculo.



87

Referncias Bibliogrficas

[1] BARROSO, Lenidas C. et. al., Clculo Numrico (com Aplicaes), 2
a
edio, Editora Harbra, So
Paulo, 1987.
[2] CLAUDIO, Dalcidio M., MARINS, Jussara M., Clculo Numrico Computacional, 2
a
edio, Atlas,
1994.
[3] SANTOS, Vitoriano R. B., Curso de Clculo Numrico, 4
a
edio, LTC, 1982.
[4] RUGGIERO, Mrcia A. G., LOPES, Vera Lcia R., Clculo Numrico: Aspectos Tericos e
Computacionais, 2
a
edio, Makron Books, So Paulo, 1996.
[5] CAMPOS, R. J. A., Clculo Numrico Bsico. 1

edio, Atlas, 1978


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