NOTAS DE AULA

Cálculo Numérico

Universidade Tecnológica Federal

do Paraná

- UTFPR -

Professores: Lauro César Galvão

Luiz Fernando Nunes
 Cálculo Numérico – (Lauro / Nunes) ii

Índice
1 Noções básicas sobre Erros .......................................................................1-1
1.1 Erros ..........................................................................................................1-1
1.2 Erros Absolutos e Relativos ......................................................................1-1
1.2.1 Erro Absoluto ............................................................................................1-1
1.2.2 Erro Relativo ou Taxa de Erro ...................................................................1-2
1.3 Erros de Arredondamento e Truncamento ................................................1-2
1.3.1 Erro de Arredondamento ...........................................................................1-2
1.3.2 Erro de Truncamento .................................................................................1-2
1.4 Aritmética de Ponto Flutuante ...................................................................1-2
1.5 Conversão de Bases ...................................................................................1-3
1.5.1 Conversão da Base  para a Decimal (10) ..........................................1-3
1.5.2 Conversão da Base Decimal para a  (10) ..........................................1-4
1.5.3 Exercícios: Conversão de Bases ................................................................1-6
1.6 Operações de Pontos Flutuantes ................................................................1-7
1.6.1 Representações ..........................................................................................1-7
1.6.2 Exercícios ..................................................................................................1-7
1.6.3 Exercícios complementares .......................................................................1-8
2 Zeros reais de funções reais .......................................................................2-1
2.1 Introdução ..................................................................................................2-1
2.2 Fase I: Isolamento das raízes .....................................................................2-1
2.3 Fase II: Refinamento - Critérios de Parada ...............................................2-5
2.3.1 Método da Bissecção (ou Método da Dicotomia) .....................................2-5
2.3.2 Método do Ponto Fixo (ou Método da Iteração Linear ou Método das
Aproximações sucessivas) .........................................................................2-8
2.3.3 Método de Newton, Newton-Raphson (ou Método das Tangentes) .......2-15
2.3.4 Comparação entre os métodos .................................................................2-19
3 Resolução de sistemas de equações lineares .............................................3-1
3.1 Introdução ..................................................................................................3-1
3.1.1 Forma Algébrica de Sn...............................................................................3-1
3.1.2 Forma Matricial de Sn ...............................................................................3-1
3.1.3 Matriz Aumentada ou Matriz Completa do Sistema .................................3-1
3.1.4 Solução do Sistema....................................................................................3-1
3.1.5 Classificação de um Sistema Linear ..........................................................3-1
3.1.6 Classificação quanto ao Determinante de A ..............................................3-2
3.2 Métodos diretos .........................................................................................3-2
3.2.1 Método de Eliminação de Gauss ...............................................................3-2
3.2.2 Estratégia de Pivoteamento Completo .......................................................3-5
3.2.3 Refinamento de Soluções ..........................................................................3-6
3.3 Métodos iterativos .....................................................................................3-7
3.3.1 Testes de parada.........................................................................................3-8
3.3.2 Método de Gauss-Jacobi ............................................................................3-8
3.3.3 Método de Gauss-Seidel ..........................................................................3-10
3.3.4 Comparação entre os métodos .................................................................3-11
3.3.5 Critério de Sassenfeld ..............................................................................3-13
4 Interpolação ...............................................................................................4-1
4.1 Interpolação polinomial .............................................................................4-1
4.1.1 Existência e Unicidade do Polinômio Interpolador Pn(x)..........................4-1
4.1.2 Forma de Lagrange ....................................................................................4-2
4.1.3 Forma de Newton ......................................................................................4-4
4.2 Estudo de erro na interpolação ..................................................................4-5
 Cálculo Numérico – (Lauro / Nunes) iii
4.2.1 Estimativa para o Erro ...............................................................................4-6
4.3 Interpolação inversa: casos existentes .......................................................4-7
4.3.1 Encontrar x tal que Pn (x ) .......................................................................4-7
4.3.2 Interpolação inversa ...................................................................................4-8
4.4 Funções spline em interpolação .................................................................4-9
4.4.1 Função Spline ..........................................................................................4-10
4.4.2 Spline linear interpolante .........................................................................4-10
4.4.3 Spline cúbica interpolante .......................................................................4-11
5 Ajuste de curvas pelo método dos mínimos quadrados.............................5-1
5.1 Introdução ..................................................................................................5-1
5.2 Caso Discreto .............................................................................................5-2
5.3 Caso Contínuo ...........................................................................................5-6
5.4 Família de Funções Não Lineares nos Parâmetros ....................................5-9
6 Integração Numérica..................................................................................6-1
6.1 Fórmulas de Newton-Cotes .......................................................................6-1
6.1.1 Regra dos Trapézios ..................................................................................6-1
6.1.2 Regra dos Trapézios repetida ....................................................................6-3
6.1.3 Regra 1/3 de Simpson ................................................................................6-4
6.1.4 Regra 1/3 de Simpson repetida ..................................................................6-7
7 Solução numérica de equações diferenciais ordinárias .............................7-1
7.1 Introdução ..................................................................................................7-1
7.2 Problema de valor inicial (PVI) .................................................................7-2
7.2.1 Solução numérica de um PVI de primeira ordem......................................7-2
7.2.2 Método de Euler ........................................................................................7-2
7.2.3 Métodos de Runge-Kutta ...........................................................................7-5
7.2.4 Método de Euler Aprimorado (Método de Runge-Kutta de Segunda
Ordem) .......................................................................................................7-7
7.2.5 Fórmulas de Runge-Kutta de Quarta Ordem .............................................7-7
8 Referências Bibliográficas .........................................................................8-1
Cálculo Numérico Noções básicas sobre Erros 1-1

1 Noções básicas sobre Erros

Fenômenos da natureza podem ser descritos através do uso de modelos matemáticos.
MODELAGEM RESOLUÇÃO
MODELO
PROBLEMA SOLUÇÃO
MATEMÁTICO
 MODELAGEM: é a fase de obtenção de um modelo matemático que descreve o
comportamento do problema que se quer estudar.
 RESOLUÇÃO: é a fase de obtenção da solução do modelo matemático através da
aplicação de métodos numéricos.

1.1 Erros
Para se obter a solução do problema através do modelo matemático, erros são
cometidos nas fases: MODELAGEM e RESOLUÇÃO.

1. Calcular a área da superfície terrestre usando a formulação A 4 r 2 .

Resolução: Aproximações (ERROS):
MODELAGEM:

RESOLUÇÃO:

OBS. 1: Características do planeta Terra.

 Características Físicas:
Diâmetro Equatorial: 12756Km;
Diâmetro Polar: 12713Km;
Massa: 5,98 1024 Kg;
Perímetro de Rotação Sideral: 23h 56min 04seg;
Inclinação do Equador Sobre a Órbita: 23o 27’.
 Características Orbitais:
Raio da Órbita, isto é, 1U.A. (unidade astronômica): 149897570Km;
Distância Máxima do Sol: 152100000Km;
Distância Mínima do Sol: 147100000Km;
Período de Revolução Sideral: 365dias 6h 9min 9,5seg;
Velocidade Orbital Média: 29,79Km/seg.

1.2 Erros Absolutos e Relativos

1.2.1 Erro Absoluto
É o módulo da diferença entre um valor exato x de um número e seu valor
aproximado x .
EAx  x  x ,
onde x é o valor exato e x é o valor aproximado.
Geralmente não se conhece o valor exato x . Assim, o que se faz é obter um limitante
superior ( k1 majorante) ou uma estimativa para o módulo do erro absoluto.
EAx  k1 .

Lauro / Nunes
Cálculo Numérico Noções básicas sobre Erros 1-2
1.2.2 Erro Relativo ou Taxa de Erro
Erro relativo de x é o módulo do quociente entre o erro absoluto EAx e o valor exato
x ou o valor aproximado x , se x ou x  0.
EAx x  x EAx x  x
ERx   ou ERx   .
x x x x

2. Calcular os erros absoluto e relativo, nos itens a) e b).

a) x 1,5 e x 1,49; b) y 5,4 e y 5,39.
Resolução:

1.3 Erros de Arredondamento e Truncamento

1.3.1 Erro de Arredondamento
Arredondar um número na casa d i é desconsiderar as casas di  j ( j 1,,) de tal
forma que:
d i seja a última casa se di 1 5;
d i 1 seja a última casa se di 1 5.

3. Arredondar  na quarta casa decimal, sendo que 3,1415926535

Resolução:

1.3.2 Erro de Truncamento

Truncar um número na casa d i é desconsiderar as casas di  j ( j 1,,).

4. Aproximar  truncando na quarta casa decimal, sendo que 3,1415926535

Resolução:


xi
5. Sabendo-se que e x pode ser escrito como e x  , faça a aproximação de e 2 através
i 0 i!
de um truncamento após quatro termos da somatória.
Resolução:

1.4 Aritmética de Ponto Flutuante

Um número é representado, internamente, na máquina de calcular ou no computador
através de uma seqüência de impulsos elétricos que indicam dois estados: 0 ou 1, ou seja, os
números são representados na base 2 ou binária.
De maneira geral, um número x é representado na base  por:

Lauro / Nunes
Cálculo Numérico Noções básicas sobre Erros 1-3

d d d d 
x   1  22  33  tt   exp .
    
Onde:
 d i  são números inteiros contidos no intervalo 0 d i ; i 1, 2, , t ;

 exp  representa o expoente de  e assume valores entre I  exp  S ;

 I , S  limite inferior e limite superior, respectivamente, para a variação do expoente;
d d d d 
  1  22  33  tt   é chamada de mantissa e é a parte do número que representa
    
seus dígitos significativos;
 t  número de dígitos do sistema de representação.

6. Considerando no sistema de base 10, 10, represente os seguintes números, em

aritmética de ponto flutuante:
a) 0,34510; b) 31,41510.
Resolução:

OBS. 2: Os números assim representados estão NORMALIZADOS, isto é, a mantissa é

um número entre 0 e 1.

7. Considerando no sistema binário, 2, represente o número 1012 em aritmética de ponto

flutuante.
Resolução:

1.5 Conversão de Bases

1.5.1 Conversão da Base  para a Decimal (10)
Um número na base  pode ser escrito, na base decimal, como:
m
 aii  amm  am1m1  a22  a1  a0  a11  a22  an1n1  ann .
in
Onde:
 ai  0 ai ;

 n , m  números inteiros, com n 0 e m 0.

Para a conversão, faz-se a operação entre a mantissa do número normalizado e a base
 .
exp

Nos exercícios a seguir, faça a conversão da base indicada para a decimal,

determinando o valor da variável x .

Lauro / Nunes
Cálculo Numérico Noções básicas sobre Erros 1-4
8. 10112  x10 .
Resolução:

9. 11,012  x10 .
Resolução:

10. 403,125  x10 .

Resolução:

1.5.2 Conversão da Base Decimal para a  (10)

Aplica-se um processo para a parte inteira e um outro para a parte fracionária.
 a) PARTE INTEIRA ( N ):
 a.1) N 
 N10  N .

 a.2) N 
N 
r1 q1 
r2 q2

 
qn 1 
rn qn Até que qn 

 N10 ( qn rn rn 1  r3 r2 r1 ) 

11. Converta 5910 para a base 2.

Resolução:

Lauro / Nunes
Cálculo Numérico Noções básicas sobre Erros 1-5
12. Converta 5910 para a base 3.
Resolução:

 b) PARTE FRACIONÁRIA ( F ):
Multiplica-se F por  e toma-se a parte inteira do produto como o primeiro dígito do
número na base . Repete-se o processo com a parte fracionária do produto tomando sua parte
inteira. Continua-se até que a parte fracionária seja igual a zero.
Nos exercícios a seguir, determinar o valor de x :

13. 0,187510  x2 .
Resolução:

14. 0,610  x2 .
Resolução:

15. 13,2510  x2 .
Resolução:

Lauro / Nunes
Cálculo Numérico Noções básicas sobre Erros 1-6
1.5.3 Exercícios: Conversão de Bases
Transforme para a base que se pede (determine o valor de x ).

16. 100101,10012  x10 .

Resolução:

17. 19,3867187510  x4 .
Resolução:

18. Transforme a medida 35 h 48 min 18 seg para minutos.

DICA: 35:48,1860  x10 min .
Resolução:

19. Transforme 35,805 horas para horas, minutos e segundos.

DICA: 35,80510  x60 .
Resolução:

Lauro / Nunes
Cálculo Numérico Noções básicas sobre Erros 1-7

1.6 Operações de Pontos Flutuantes

1.6.1 Representações
 Precisão dupla: “dobra” a mantissa (2 t );
 O zero em ponto flutuante é em geral representado com o menor expoente ( exp  I )
possível na máquina;
 Ao converter um número para determinada aritmética de ponto flutuante, emprega-se
sempre o arredondamento;
 Não é possível representar todos os números reais em determinada aritmética de ponto
flutuante (reta furada).
OBS. 3: Um exemplo da reta furada é: Considere a aritmética de pontos flutuantes com
parâmetros 10 e t 3. Tome os números consecutivos 3,57 e 3,58. Existem infinitos
números reais entre 3,57 e 3,58 que não podem ser representados nesta aritmética de pontos
flutuantes. Por exemplo: 3,571 ou 3,57437.

1.6.2 Exercícios
20. Preencher a tabela a seguir, com base nos parâmetros: t 3, 10, I 5, S 5 e
5 exp 5.

Número Truncamento Arredondamento

6,48
0,0002175
3498,3

0,00000001452
2379441,5
OBS. 4: Deve-se converter os valores para a aritmética de ponto flutuante com 3
algarismos significativos.
Nos exercícios seguintes, calcular o valor das expressões utilizando aritmética de
ponto flutuante com 3 algarismos significativos.

21. (4,26  9,24)  5,04

Resolução:

Lauro / Nunes
Cálculo Numérico Noções básicas sobre Erros 1-8
22. 4,26  (9,24  5,04)
Resolução:

23. (4210  4,99)  0,02

Resolução:

24. 4210  (4,99  0,02)

Resolução:

2
25. (4,0237  6,106)
7
Resolução:

2  ( 4,0237  6,106)
26.
7
Resolução:

OBS. 5: Em aritmética de ponto flutuante não valem as propriedades associativas nem

distributivas.

27. Sendo 10, t 4 e exp [5,5], calcule:

10 10
a) 42450  3; b)  3  42450.
i 1 i 1
Resolução:

1.6.3 Exercícios complementares

Nos exercícios seguintes, converter os números para a base decimal, determinando o
valor da variável x :

28. 11000112  x10 .

Resolução:

29. 11111112  x10 .

Resolução:

Lauro / Nunes
Cálculo Numérico Noções básicas sobre Erros 1-9
30. 10101012  x10 .
Resolução:

31. 101,00112  x10 .

Resolução:

32. 0,01111112  x10 .

Resolução:

33. 1,0100112  x10 .

Resolução:

Nos exercícios seguintes, converter os números para a base binária, determinando o

valor da variável x :

34. 3710  x2 .
Resolução:

Lauro / Nunes
Cálculo Numérico Noções básicas sobre Erros 1-10
35. 234510  x2 .
Resolução:

36. Determine x com 36 dígitos: 0,121710  x2 .

Resolução:

37. Determine x com 8 dígitos: 2,4710  x2 .

Resolução:

Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-1

2 Zeros reais de funções reais

2.1 Introdução
Dada uma função real f definida e contínua em um intervalo aberto I , chama-se de
zero desta função em I , a todo x  I , tal que f( x )  0.
Neste capítulo são apresentados alguns processos iterativos para calcular de forma
aproximada os zeros reais de uma função real f dada. Por um processo iterativo entende-se
um processo que calcula uma seqüência de aproximações x1 , x2 , x3 , da solução desejada. O
cálculo de uma nova aproximação é feito utilizando aproximações anteriores. Dizemos que a
seqüência x1 , x2 , x3 , converge para x , se dado 0,  N  ( números naturais), tal
que qualquer que seja n  N , xn  x . Neste caso tem-se que lim xn  x , o que também
n 
poderá ser indicado por xn  x . Nos processos iterativos que serão apresentados, a
determinação dos zeros de uma função real de variável real será feita em duas etapas:
Fase I: Isolar cada zero que se deseja determinar da função f em um intervalo [ a , b ], sendo
que cada intervalo deverá conter um e somente um zero da função f .
Fase II: Cálculo dos zeros aproximados utilizando um método iterativo, com precisão
prefixada ou não.

2.2 Fase I: Isolamento das raízes

Teorema 1 Seja f (x) uma função contínua num intervalo [a, b]. Se f (a)f (b)0, então
existe pelo menos um zero de f (x) entre a e b.
y
y = f(x)

a x
b

OBS. 1: Sob as hipóteses do teorema 1, o zero x  será definido e único em [ a , b ] se

a derivada f ' ( x ) existir e preservar o sinal dentro do intervalo ] a , b [, isto é se f ' ( x )0,
x ] a , b [ ou f ' ( x )0, x ] a , b [. Isto significa dizer que a função f ( x ) é estritamente
crescente ou estritamente decrescente, respectivamente, no intervalo ] a , b [.
y
y = f(x)

a x
b

Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-2
Na pesquisa dos zeros reais de funções reais é muito útil o uso do Teorema 1 (que
fornece condições de existência de zeros em um intervalo), bem como da OBS 1. (que garante
a unicidade, isto é, garante que no intervalo considerado existe um e somente um zero da
função f ).
Outro recurso bastante empregado é: a partir da equação f ( x )0, obter a equação
equivalente g ( x ) h ( x ) e esboçar os gráficos destas funções obtendo os pontos onde as
mesmas se intersectam, pois f ()0  g () h ().

1. Isolar os zeros da função f ( x ) x 3 9 x 3.

Resolução: Pode-se construir uma tabela de valores para f ( x ) e analisar os sinais:
x 4 3 2 1 0 1 2 3
f (x)

y = f(x)

1 2 3 x
-4 -3 -2 -1 1 2 3 4

y
g( x) h(x)

1 x
-4 -3 -2 -1 2 1 2 3 3 4

Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-3

y = f’(x)

-3 3 x
-4 -3 -2 -1 1 2 3 4

2. Isolar os zeros da função f ( x)  x ln x  3,2 .

Resolução: Pode-se construir uma tabela de valores para f (x) e analisar os sinais:
x 1 2 3 4
f (x)

y y = f(x)
0,3
0,2
0,1 3,2 x
2,6 2,8 3,0 3,4
0
-0,1
-0,2
-0,3
-0,4
-0,5
-0,6
-0,7
-0,8
-0,9
-1,0

Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-4
y f’ (x )

1 x

3. Isolar os zeros da função f ( x)  5 log x  2  0,4 x .

Resolução: Pode-se construir uma tabela de valores para f (x) e analisar os sinais:
x 1 2 3
f (x)

y g (x )
2

1
h(x )

1 2 3 x

4. Isolar os zeros da função f ( x)  x  5e x .

Resolução: Pode-se construir uma tabela de valores para f (x) e analisar os sinais:
x 0 1 2 3
f (x)

Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-5
y
2
g (x )

h(x )

1  2 3 x

2.3 Fase II: Refinamento - Critérios de Parada

2.3.1 Método da Bissecção (ou Método da Dicotomia)
Este método é normalmente utilizado para diminuir o intervalo que contém o zero da
função, para a aplicação de outro método, pois o esforço computacional cresce
demasiadamente quando se aumenta a precisão exigida.
O processo consiste em dividir o intervalo que contém o zero ao meio e por aplicação
do Teorema 1, aplicado aos subintervalos resultantes, determinar qual deles contém o zero.
 a  b a  b 
a, 2  ,  2 , b
   
O processo é repetido para o novo subintervalo até que se obtenha uma precisão
prefixada. Desta forma, em cada iteração o zero da função é aproximado pelo ponto médio de
cada subintervalo que a contém.
y
f (x )

m3
a m2 m1 b x

Assim, na figura anterior tem-se:
ab a  m1 m  m1
m1  , m2  , m3  2 ,
2 2 2
Desta forma, o maior erro que se pode cometer na:
(b  a )
 1a iteração ( n 1): é
2
(b  a )
 2a iteração ( n 2): é
22
(b  a )
 3a iteração ( n 3): é
23
Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-6
 
(b  a )
 n a iteração: é
2n
Se o problema exige que o erro cometido seja inferior a um parâmetro , determina-se
(b  a )
a quantidade n de iterações encontrando o maior inteiro que satisfaz a inequação: 
2n
que se resolve da seguinte maneira:
(b  a ) (b  a )
n
  log n
 log   log(b  a)  log 2n  log   log(b  a)  n log 2 
2 2
log(b  a )  log 
log   n 
log 2

5. Determinar um valor aproximado para 5 , com erro inferior a 102 .

Resolução: Determinar 5 é equivalente a obter o zero positivo da função f (x) = x 2 5.

n a x b f (a) f (x) f (b ) ( b  a )/2

1
2
3
4
5
6
7
Portanto 5

6. Um tanque de comprimento L tem uma secção transversal no formato de um

semicírculo com raio r (veja a figura). Quando cheio de água até uma distância h do
 h 
topo, o volume V da água é: V L  0,5    r 2  r 2arcsen   h ( r 2  h 2 )  . Supondo
 r 
que L 10 ft , r1 ft e V12,4 ft 3 , encontre a profundidade da água no tanque com
precisão de 0,01 ft .

r 
h h

Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-7
Resolução:

Pode-se construir uma tabela de valores para f (x) e analisar os sinais:

h 1 0 1
f (h)

Para se confirmar a unicidade deste zero neste intervalo, pode-se utilizar a OBS. 1, isto é,
calcula-se a derivada f , ( h) de f (h) para verificar que a mesma preserva o sinal no
intervalo ]0,1[.

n a h b f (a) f (h) f (b) (ba)/2

1
2
3
4
5
6
7
Assim, h 

Algoritmo do Método da Bissecção

Seja f (x) uma função contínua em um intervalo [a,b], com f (a) . f (b) <0 e a raiz de
f (x) isolada em [ a , b ].
 Dados de Entrada: Pontos extremos a e b do intervalo; precisão ou tolerância () e o
número máximo de iterações (ITMAX).
 Saída: Solução aproximada x ou mensagem de "solução não encontrada" com a precisão
desejada no número máximo de iterações.
PASSO 1
Faça i 1
FA= f (a )
PASSO 2
Enquanto i  ITMAX execute os passos de 3 a 6
Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-8
PASSO 3
( a  b)
Faça x  e FX  f (x)
2
PASSO 4
(b  a )
Se FX  0 ou < , então
2
Saída ( x ) (Procedimento executado com sucesso)
FIM
PASSO 5
Faça i  i 1
PASSO 6
Se FA·FX > 0 então faça a  x e FA  FX
Caso contrário faça b  x
PASSO 7
Saída (Solução não encontrada com a precisão exigida)
FIM

2.3.2 Método do Ponto Fixo (ou Método da Iteração Linear ou Método das
Aproximações sucessivas)
Neste método a seqüência de aproximações do zero  de uma função f (x)
( f ()  0 ) é obtida através de uma relação de recorrência da forma:
xn1  ( xn ) , n  0, 1, 2, 
O ponto x 0 será considerado uma aproximação inicial do zero  da função f (x) e
(x) é uma função que tem  como ponto fixo, isto é,  () .
A primeira pergunta a ser respondida é: dada uma função f (x) com zero , como
encontrar uma função (x) que tenha  como ponto fixo? Isto pode ser feito através de uma
série de manipulações algébricas sobre a equação f (x) 0, transformando-a em uma equação
equivalente da forma x  (x) . Nestas transformações devem-se tomar os devidos cuidados
para que (x) esteja definida em  e para que  pertença à imagem de  . Como o zero  é
desconhecido, é necessário determinar um intervalo I que contenha  e que esteja contido
tanto no domínio quanto na imagem de  . É necessário que o zero  de f (x) seja único no
intervalo I, caso contrário não será possível discernir qual o zero determinado.
y y =x
 (x )

Ponto fixo de  (x )
(Zero de f (x ) )

 x

Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-9

7. Obter algumas funções de ponto fixo para a função f (x)  x 2  x  6 .

Resolução: Efetuando diferentes manipulações algébricas sobre a equação f (x) 0 ou
x 2  x  6 0, podem-se obter diferentes funções de ponto fixo, como por exemplo:

No próximo passo algumas destas funções serão utilizadas na tentativa de gerar

seqüências aproximadoras dos zeros  de f (x) .

8. Aproximar o maior zero da função f (x)  x 2  x  6 , utilizando a função

 2 ( x)  6  x , e x 0 1,5.
Resolução: Neste caso a fórmula de recorrência xn1  ( xn ) , n  0, 1, 2,  será:
xn1   2 ( xn )  6  xn , e pode-se construir a seguinte tabela:
n xn xn1   2 ( xn )  6  xn
0
1
2
3
4
  

y y =x

 2 (x )

x0 x2 x3 x1 6 x
=2

Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-10

9. Aproximar o maior zero da função f (x)  x 2  x  6 , utilizando a função

1 ( x)  6  x 2 , e x 0 1,5.
Resolução: Neste caso a fórmula de recorrência xn1  ( xn ) , n 0, 1, 2,  será:
xn1  1 ( xn )  6  xn2 , e pode-se construir a seguinte tabela:
n xn xn1  1 ( xn )  6  x 2
0
1
2
3
  

y
6 y =x

x2
x0 x1 x
=2

1 (x )

Assim, os dois exercícios anteriores mostram que dependendo da transformação

x  (x) escolhida, a relação de recorrência xn1  ( xn ) pode ou não fornecer uma
seqüência {x n } convergente. Desta forma, como determinar a priori, quais transformações
fornecerão seqüências convergentes? As figuras que seguem ilustram alguns casos onde
ocorrem convergência e alguns casos onde não ocorre convergência.
A seqüência xk  converge para o zero  (Convergência do tipo escada).
y y =x
 (x )

 x3 x2 x1 x0 x

Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-11
A seqüência xk  converge para o zero  (Convergência do tipo caracol).
y y =x
(x )

x1 x3  x4 x2 x0 x

A seqüência xk  não converge para o zero .

y y =x
 (x )

 x0 x1 x2 x3 x

A seqüência xk  não converge para o zero .

y  (x ) y =x

x3 x1  x0 x2 x
O Teorema que segue estabelece condições suficientes para garantir a convergência do
processo iterativo.
OBS. 2: Como as condições que o teorema que segue são apenas suficientes, dada uma
função  que não satisfaça estas condições, não se pode garantir que a seqüência gerada
x1 , x 2 , x3 ,  diverge.

Convergência do Método das Aproximações Sucessivas

Teorema 2 Seja  um zero de uma função f, isolada em um intervalo I[a,b], e seja 
uma função tal que     . Se:
Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-12

i)  e  ' são funções contínuas em I;

ii) k  max ' x   1
xI
iii) x0  I e xn1  ( xn )  I , para n = 0, 1, 2, 
Então a seqüência x n  converge para o zero  .
OBS. 3: Para se resolver um problema com o método das aproximações sucessivas,
utiliza-se o teorema anterior da seguinte forma: inicialmente determina-se um intervalo I
onde o zero  de f (x) esteja isolado, e uma função  que tenha  como ponto fixo.
Analisando  e ' , pode-se verificar se as condições i) e ii) do Teorema 2 estão satisfeitas.
Estas condições podem não estar satisfeitas pelo fato do intervalo I ter sido
superdimensionado. Neste caso procura-se por um intervalo I ’ satisfazendo as condições do
teorema. Na demonstração do Teorema 2 , que pode ser vista em HUMES, Ana Flora C., et
al. Noções de Cálculo Numérico. São Paulo: McGraw-Hill, p. 16, 1984, tem-se que as
condições i) e ii) garantem que se x n 1  I então   x n <   x n1 . Entretanto, isto não
implica que x n  I . Uma maneira simples para garantir que xn  I  a, b n  0 é tomar
como valor inicial x0 o extremo de I mais próximo do zero . Na seqüência, será mostrado
que neste caso x1  ( x0 )  I : Supondo que a seja o extremo de I mais próximo de , tem-
se: x1   < x0    a    b   , logo x1  I . A demonstração é análoga para o caso em
que b o extremo de I mais próximo de .
OBS. 4: A condição iii) do Teorema 2 pode ser substituída por: iii’) o zero  é o ponto
médio do intervalo I . Na verdade, se para o intervalo I  a, b , estão satisfeitas as condições
i) e ii) do Teorema 2, e se a estiver mais próximo de  do que de b então, denotando a  
por r, tem-se que para qualquer x0  a,   r  a hipótese iii) do teorema é verificada. Mais
ainda, para todo I  a, b nas condições do teorema 2, existe I ’ I tal que qualquer que seja
x0  I ’ tem-se que x n  I ’, n 1.
OBS. 5: A determinação do extremo de I  a, b mais próximo do zero  pode ser feito
da seguinte maneira: Suponhamos satisfeitas as hipóteses i) e ii) do Teorema 2. Nestas
( a  b)
condições, seja x̂  (ponto médio do intervalo I ). Sabe-se que (xˆ ) está mais
2
próximo de  do que x̂ . Se x̂ < (xˆ ) , então  está entre x̂ e b , ou seja, b é o extremo de I
mais próximo de  . Analogamente, se x̂ > (xˆ ) , então a é o extremo de I mais próximo de
. Se x̂  (xˆ ) , então x̂ é o zero procurado.
a x b
 (x ) x


a x b
 (x ) x

Este é o caso em que b é o extremo mais próximo de .

Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-13

OBS. 6: Sejam dados ( x ),  e k  max ' x  satisfazendo as hipóteses do teorema

xI
k
anterior. Se xn ( xn 1 ), então   xn  xn  xn 1 . Desta forma, obtém-se um limitante
1 k
superior para o erro cometido na n -ésima iteração ( xn ).

10. Verificar as condições i) e ii) do teorema anterior quando do uso da função

 2 ( x)  6  x no exercício anterior.
Resolução:
Verificação da condição i):

Verificação da condição ii):

Logo,

11. Verificar as condições i) e ii) do teorema anterior quando do uso da função

1 ( x)  6  x 2 .
Resolução:
Verificação da condição i):

Verificação da condição ii):

Logo,

Algoritmo do Método das aproximações sucessivas

Para encontrar uma solução para p  ( p ) dada uma aproximação inicial p 0 .

 Dados de Entrada: Aproximação inicial p 0 , precisão ou tolerância () e o número

máximo de iterações (ITMAX).
 Saída: Solução aproximada p ou mensagem de “solução não encontrada”.
PASSO 1
Faça i  1
PASSO 2
Enquanto i  ITMAX, execute os passos 3 – 6
PASSO 3
Faça p  ( p ) (calcular p i )
PASSO 4
Se p  p0 <  então
Saída ( p ) (procedimento efetuado com sucesso)

Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-14
FIM
PASSO 5
Faça i  i + 1
PASSO 6
Faça p 0  p (atualize p 0 )
PASSO 7
Saída (solução não encontrada após ITMAX iterações)
FIM
OBS. 7: Outros critérios de parada podem ser utilizados:
 pn  pn 1  

pn  pn 1
 
pn

 f ( pn )  

12. Encontrar o zero de f (x)  e x  x 2  4 com precisão   10 6 , utilizando o método do

ponto fixo.
Resolução: Pode-se construir uma tabela de valores para f ( x ) e analisar os sinais:
x 3 2 1
f (x)

y h(x ) = e x
5 g (x ) = x 2 - 4
4
3
2
1

-3  -2 -1 1 2 3 x
-1
-2
-3

-4

Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-15
Procurando uma função de ponto fixo adequada pode-se fazer:

Verificando as hipóteses i) e ii) do Teorema 2:

n xn x n 1 x n1  x n
0
1
2
3
Portanto, x =

2.3.3 Método de Newton, Newton-Raphson (ou Método das Tangentes)

Este método é uma particularidade do método das aproximações sucessivas. A idéia é
construir uma função (x) para a qual exista um intervalo contendo o zero  , onde
' ( x)  1 . Esta construção é feita impondo ' ()  0 . Como ' ( x) deve ser uma função
contínua, existe sempre uma vizinhança I de  onde max ' ( x) <1.
xI
Obtenção da função (x) : A forma mais geral de x  (x) equivalente a f (x) 0 é
dada por:
x  x + A( x) f ( x)  (x)

Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-16
onde A(x) é uma função contínua tal que A()  0 . Escolhe-se A(x) de forma que
' ()  0 . Derivando-se a equação anterior, obtém-se ' ( x) 1 A( x) f ' ( x)  A' ( x) f ( x) .
Calculando esta derivada no ponto  , obtém-se: ' () 1 A() f ' () . Supondo que
1
f ' ()≠0, para que ' ()  0 , deve-se ter A() =  . Assim, uma escolha satisfatória
f ' ( )
para A(x) será portanto:
1
A(x) =  , uma vez que x   .
f ' ( x)
Substituindo A(x) na equação inicial, tem-se:
f ( x)
(x )  x 
f '( x)
Assim, o processo iterativo de Newton é definido por:
f ( xn )
xn1  xn  , n  0, 1, 2, 
f ' ( xn )
OBS. 8: A (x ) é válida mesmo que f ' ()  0, uma vez que xn   .

Interpretação Geométrica do Método de Newton

O ponto xn1 é obtido traçando-se a tangente ao gráfico da função f (x) no ponto
( xn , f ( xn )) . A intersecção da reta tangente com o eixo das abscissas fornece a nova
aproximação xn1 . Esta interpretação justifica o nome de método das tangentes.
y
f (xn)


xn+1 xn
f (x )  x2 x1 x0 x

f ( xn ) f ( xn )
tg  f ' ( xn )   xn1  xn 
xn  xn1 f ' ( xn )

Convergência do Método de Newton

Teorema 3 Seja f : a, b   , duas vezes diferenciável, com f "x  contínua. Suponha
que:
i) f a   f b  0
ii) f ' ( x)  0, x [a, b]
iii) f '' ( x) não troca de sinal em a, b

Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-17
Então, a seqüência gerada pelas iterações do método de Newton-Raphson utilizando a
f x  f  xn 
função x   x  que equivale a xn1  xn  converge para o único zero  de
f ' x  f ' xn 
f , isolado em a, b, se x0  a, b for escolhido convenientemente.
OBS. 9: Para se escolher o ponto inicial x0 , pode-se, por exemplo, fazer x0  a se
a  a, b ou x0  b caso contrário.

Algoritmo do Método de Newton

Para encontrar uma solução para f (x) =0, dada a derivada de f (x) e uma
aproximação inicial p 0 .

 Dados de Entrada: Aproximação inicial p 0 , precisão ou tolerância () e o número

máximo de iterações (ITMAX).
 Saída: Solução aproximada p ou mensagem de “solução não encontrada”.
PASSO 1
Faça i =1
PASSO 2:
Enquanto i  ITMAX, execute os passos 3 – 6
PASSO 3
Faça p  p0  f ( p0 ) / f ' ( p0 ) (calcular p i )
PASSO 4
Se p  p0 <  então
Saída (p) (procedimento efetuado com sucesso)
FIM
PASSO 5
Faça i = i  1
PASSO 5
Faça p 0 =p (atualize p 0 )
Passo 7:
Saída (solução não encontrada após ITMAX iterações)
FIM
OBS. 10: Outros critérios de parada podem ser utilizados:
 p n  pn1  

p n  p n 1
 
pn

 f ( pn )  

OBS. 11: O Método de Newton irá falhar se para algum n, f ' ( pn1 )  0.

Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-18

13. Encontrar a solução para a equação x = cos x com precisão   10 6 .

Resolução:
Pode-se construir uma tabela de valores para f ( x ) e analisar os sinais:

x 0
2
f (x)

y g (x )= x

1
3 h (x )= cos x
 2
  2 x
2

-1

n xn xn 1 xn 1  xn
0
1
2
Portanto, x =

Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-19
2.3.4 Comparação entre os métodos
Nos exercícios seguintes, considerando cada método especificado, determine uma
aproximação para o zero da função.

14. Pelo método da Bissecção, determine uma aproximação para x (1,2) da função
f ( x ) e  x  cos x com aproximação 1  10 4 tal que ( b  a )/2 1 .
2

Resolução:
n a x b f ( a ) f ( x ) f (b ) ( b  a )/2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Logo, x 

15. Pelo método do Ponto Fixo ou Aproximações Sucessivas, determine uma aproximação
para x (1,2) da função f ( x ) e  x  cos x com aproximação 1   2  10 4 tal que
2

| f ( xn )| 1 ou | xn1  xn |  2 . Utilize x0 1,5.

Resolução:

n xn xn1 | xn1  xn | | f ( xn1 )| Parada

0
1
2
3
4
5
Logo, x 

Lauro / Nunes
Cálculo Numérico Zeros reais de funções reais 2-20
16. Pelo método de Newton-Raphson, determine uma aproximação para x (1,2) da função
f ( x ) e  x  cos x com aproximação 1   2  10 4 tal que | f ( xn )| 1 ou
2

| xn1  xn |  2 . Utilize x0 1,5.

Resolução:

n xn xn1 | xn1  xn | | f ( xn )| Parada

0
1
Logo, x 

Lauro / Nunes
Cálculo Numérico Resolução de sistemas de equações lineares 3-1

3 Resolução de sistemas de equações lineares

3.1 Introdução
Vários problemas, como cálculo de estruturas de redes elétricas e solução de equações
diferenciais, recorrem a resolução numérica de um sistema linear S n de n equações com n
incógnitas.

3.1.1 Forma Algébrica de Sn

 a11 x1  a12 x2    a1n xn  b1
a x  a22 x2    a 2 n xn  b2

S n   21 1
    
an1 x1  a n 2 x2    ann xn  bn
ou
n
S n   aij x j  bi , i 1, 2, , n .
j 1

3.1.2 Forma Matricial de Sn

A x b
 a11 a12  a1n   x1   b1 
a a22  a2 n   x2  b2 
 21   .
      
     
 an1 an 2  ann   xn  bn 
Onde:
 A  matriz dos coeficientes;
 x  vetor das incógnitas (ou vetor solução);
 b  vetor dos termos independentes.

3.1.3 Matriz Aumentada ou Matriz Completa do Sistema

 a11 a12  a1n b1 
a b2 
21 a22  a2 n
B [ A  b ]  .
    
 
 an1 an 2  ann bn 

3.1.4 Solução do Sistema

x ( x1 , x2 , , xn ) T .

3.1.5 Classificação de um Sistema Linear

 COMPATÍVEL: apresenta soluções;
 INCOMPATÍVEL: caso contrário.

Lauro / Nunes
Cálculo Numérico Resolução de sistemas de equações lineares 3-2
3.1.6 Classificação quanto ao Determinante de A
 det A 0 (SPD)  sistema linear possível e determinado (SOLUÇÃO ÚNICA);
 det A 0 (SPI) ou (SI): a matriz A é SINGULAR.
(SPI)  Sistema possível e indeterminado,
(SI)  Sistema impossível.
OBS. 12: Se bi 0, i 1, 2, , n , isto é, se b 0, o sistema é dito HOMOGÊNEO. Todo
sistema homogêneo é compatível, pois admite sempre a solução x 0. A solução é chamada
TRIVIAL.

3.2 Métodos diretos

São métodos que determinam a solução de um sistema linear com um número finito de
operações.
Definição: Dois sistemas lineares são equivalentes quando possuem a mesma solução.

3.2.1 Método de Eliminação de Gauss

Com ( n 1) passos, o sistema linear A  x  b é transformado num sistema triangular
superior equivalente. Tome det A 0 como hipótese.
A  x  b  U  x  c , o que se resolve por substituição.
[ A  b ]  [U  c ]
 a11 a12  a1n b1  u11 u12  u1n c1 
a   
 21 a22  a2 n b2    0 u22  u2 n c2  .
         
   
 an1 an 2  ann bn   0 0  unn cn 

2 x1  3x2  x3  5

1. Resolver o sistema S3 , com S3  4 x1  4 x2  3x3  3 .
2 x  3 x  x3  1
 1 2

Resolução:

 Etapa 1: em B0 , tome L(0

i , com i 1,2,3, como as linhas de B0 e a11 como pivô e
) (0 )

1 ( i 2,3).
calculam-se os multiplicadores mi(0 )

Lauro / Nunes
Cálculo Numérico Resolução de sistemas de equações lineares 3-3

 Etapa 2: Repete-se o processo para o próximo pivô, situado na diagonal da matriz B1 .

i , com i 2,3 e a22 como pivô.
Em B1 , tome L(1) (1)

 Método compacto para a TRIANGULAÇÃO U  x  c :

Linha Multiplicador m Matriz Aumentada Transformação
(1) B0  2 3 -1 5
(0 )
(2) m21 = 4 4 -3 3
(0 )
(3) m31 = 2 -3 1 -1
(2) B1 
(1)
(3) m32 =
(3) B2 
As linhas contendo os pivôs formam o sistema U  x  c .

2. Resolver o sistema S 4 com arredondamento em duas casas decimais, na matriz

aumentada.

 8,7 x1  3,0 x 2  9,3x3  11,0 x 4  16,4

24,5 x  8,8 x 2  11,5 x3    49,7
 45,1x 4
S4  A  x  b   1

52,3x1  84,0 x 2  23,5 x3  11,4 x 4   80,8

21,0 x1  81,0 x 2  13,2 x3  21,5 x 4   106,3

Lauro / Nunes
Cálculo Numérico Resolução de sistemas de equações lineares 3-4
Resolução:
Linha Multiplicador m Matriz Aumentada
(1) B0  8,70 3,00 9,30 11,00 16,40
(0 )
(2) m21 = 24,50 -8,80 11,50 -45,10 -49,70
(0 )
(3) m31 = 52,30 -84,00 -23,50 11,40 -80,80
(0 )
(4) m41 = 21,00 -81,00 -13,20 21,50 -106,30
(2) B1 
(1)
(3) m32 =
(1)
(4) m42 =
(3) B2 
(2 )
(4) m43 =
(4) B3 
Então A  x  b  U  x  c  [ A  b ]  [ U  c ].

U  x c 

Logo: x 

Cálculo do Resíduo
Uma medida para avaliar a precisão dos cálculos é o resíduo, que é dado por:
r  b  Ax .

3. Com base no exercício anterior, calcular o resíduo r do sistema A  x  b .

Resolução: r  b  Ax .

r

Algoritmo de Eliminação de Gauss

Seja o sistema A  x  b , com Ann , xn1 e bn1 .
Sempre supor que akk 0 na etapa k .
TRIANGULARIZAÇÃO: A  x  b  U  x  c .
Para k 1, 2, , ( n 1)
Para i ( k 1), , n
a
m  ik
akk
aik 0
Para j ( k 1), , n

Lauro / Nunes
Cálculo Numérico Resolução de sistemas de equações lineares 3-5
aij  aij  m  akj
bi  bi  m  bk
FIM
FIM
FIM
RESOLUÇÃO DO SISTEMA U  x  c .
bn
xn 
ann
Para k ( n 1), , 2, 1
s 0
Para j ( k 1), , n
s  s  akj  x j
FIM
b s
xk  k
akk
FIM

3.2.2 Estratégia de Pivoteamento Completo

No momento de se calcular o multiplicador mik , se o pivô estiver próximo de zero, o
método pode ampliar os erros de arredondamento. Para se contornar estes problemas, escolhe-
se como pivô MAX aij , com i , j 1, 2, , n .
Dado A  x  b , tome B [ A  b ].
 a11 a12  a1q  a1n b1 
a b2 
 21 a22  a2 q  a2 n
     
B .
a p1 a p 2  a pq  a pn bp 
     
 
 an1 an 2  anq  ann bn 
Seja a pq  MAX aij , ( i , j 1, 2, , n ) o pivô da linha p . Então, calcula-se o
aiq( 0 )
multiplicador miq(0 )   , em cada linha, i  p com i 1, 2, , n . Assim, anulam-se os
a (pq0 )
elementos aij da coluna q através da operação:

i  miq  L p  Li .
(0 ) (0 )
L(1) (0 )

Eliminando-se a linha pivotal p , repete-se o processo até que se obtenha L(k

i
)
com k
conjuntos de operações elementares aplicadas sobre B , onde k 1, 2, , ( n 1).

4. Resolva S 4 com arredondamento em duas casas decimais, utilizando eliminação de

Gauss com pivoteamento completo.
 8,7 x1  3,0 x 2  9,3x3  11,0 x 4  16,4
24,5 x  8,8 x 2  11,5 x3    49,7
 45,1x 4
S4  A  x  b   1
.
52,3x1  84,0 x 2  23,5 x3  11,4 x 4   80,8
21,0 x1  81,0 x 2  13,2 x3  21,5 x 4   106,3

Lauro / Nunes
Cálculo Numérico Resolução de sistemas de equações lineares 3-6
Resolução:
Linha Multiplicador m Matriz Aumentada
(0 )
(1) m12 = 8,70 3,00 9,30 11,00 16,40
(0 )
(2) m22 = 24,50 -8,80 11,50 -45,10 -49,70
(3) B0  52,30 -84,00 -23,50 11,40 -80,80
(0 )
(4) m42 = 21,00 -81,00 -13,20 21,50 -106,30
(1)
(1) m14 =
(2) B1 
(1)
(4) m44 =
(2 )
(1) m11 =
(4) B2 
(1) B3 
Então A  x  b  U  x  c  [ A  b ]  [ U  c ].

U  x c 

3.2.3 Refinamento de Soluções

Seja x (0 ) a solução aproximada para A  x  b . Obtém-se a solução melhorada x (1)
aplicando-se a correção (0 ) em x (0 ) .
x (1)  x (0 )  (0 )
Se A  x (1)  b , então
A ( x (0 )  (0 ) ) b
A  x (0 )  A  (0 )  b
 A  (0 )  b  A  x (0 )
 A  (0 )  r (0 ) . Assim, (0 ) vem de [ A  r (0 ) ].
Obtido o (0 ) , calcula-se x (1)  x (0 )  (0 ) .
Repete-se o processo para se obter x (2 ) , x (3) , , x (k ) , até que se tenha a precisão
desejada. Logo, obtém-se o refinamento de forma iterativa pela seguinte equação:
x (i )  x (i 1)  (i 1) , com i 1, 2,  k .

Lauro / Nunes
Cálculo Numérico Resolução de sistemas de equações lineares 3-7
5. Considerando a resposta x do exercício 2, faça o refinamento de x até que se obtenha
o resíduo r (k ) =0, considerando precisão dupla ( 104 0,0001), quatro casas decimais.
 8,7 x1  3,0 x 2  9,3x3  11,0 x 4  16,4
24,5 x  8,8 x 2  11,5 x3    49,7
 45,1x 4
A x b 
1

52,3x1  84,0 x 2  23,5 x3  11,4 x 4   80,8

21,0 x1  81,0 x 2  13,2 x3  21,5 x 4   106,3
x (0 )  1,01 2,01  1,01 1,00
T

r (0)  b  A  x (0 )  r (0 )   0,024  0,042 0,082 0,468

T

REFINAMENTO:
x (k )  x ( k 1)  ( k 1) A  ( k 1)  r ( k 1)  [ A  r ( k 1) ]  ( k 1)
Resolução:
 k 1 [ A  r (0 ) ]  (0 )  x (1)  x (0 )  (0 )
Linha Multiplicador m Matriz Aumentada
(1) B0  8,7000 3,0000 9,3000 11,0000 -0,0240
(0 )
(2) m21 = 24,5000 -8,8000 11,5000 -45,1000 -0,0420
(0 )
(3) m31 = 52,3000 -84,0000 -23,5000 11,4000 0,0820
(0 )
(4) m41 = 21,0000 -81,0000 -13,2000 21,5000 0,4680
(2) B1 
(1)
(3) m32 =
(1)
(4) m42 =
(3) B2 
(2 )
(4) m43 =
(4) B3 
Considerando 4 casas decimais:

[ A  r (0 ) ] 

Então:
[ A  r (0 ) ]  (0 ) 

Como:
x (1)  x (0 )  (0 ) 

r (1)  b  A  x (1) 
 Logo,

3.3 Métodos iterativos

A solução x de um sistema de equações lineares A x  b pode ser obtido resolvendo,
de forma iterativa, o sistema equivalente da forma x  F  x  d , onde F é uma matriz n n ,

Lauro / Nunes
Cálculo Numérico Resolução de sistemas de equações lineares 3-8
x e d vetores n 1 . Isto pode ser feito tomando ( x)  F  x  d ,
x ( k 1)  ( x ( k ) )  F  x ( k )  d , onde k 0, 1, , M , e M é o número máximo de iterações e
x (0 ) é o vetor inicial.

3.3.1 Testes de parada

O processo iterativo x ( k 1) gera aproximações até que:
 máx xi( k 1)  xi( k )   , sendo  a tolerância; ou
1in

 k > M , sendo M o número máximo de iterações.

3.3.2 Método de Gauss-Jacobi

Adaptação de A x  b para x  F  x  d :
 a11 x1  a12 x2    a1n xn  b1
a x  a22 x2    a2 n xn  b2
 21 1
A x  b  
    
an1 x1  a n 2 x2    ann xn  bn
 b1  ( a12 x2  a13 x3  a14 x4    a1n xn )
 x1 
a11

 x b2  ( a21 x1  a23 x3  a24 x4    a2 n xn )

x  Fxd  2 a22
 
 bn  ( an1 x1  an 2 x2  an3 x3    an( n1) x( n1) )
 xn 
 ann

OBS. 13: Para o sistema x  F  x  d , é necessário que aii  0, i . Caso isto não ocorra,
o sistema A x  b deve ser reagrupado.
Assim, a fórmula recursiva x  F  x  d é dada na forma matricial por:
 a a a   b1 
 0  12  13   1n  a 
a11 a11 a11
 x1     x1   b11 
 x   21  23   2 n   x   2 
a a a
0
  2  a 22 a22 a22   2   a 22 
 x3    a31 a a   x    b 
    32 0   3n   3   3 
    a33 a33 a33      a33 
 xn        x    
 a an 2 an3   n   bn 
 n1
   0   
 ann ann ann   a nn 
ou ainda x ( k 1)  F  x (k )  d o que é equivalente a:
 ( k 1) b1  (a12 x2( k )  a13 x3( k )  a14 x4( k )    a1n xn( k ) )
 x1 
 a11
 ( k 1) b2  (a21x1  a23 x3  a24 x4( k )    a2 n xn( k ) )
(k ) (k )
 x2 
 a22
  

 x ( k 1)  nb  ( a x
n1 1
(k )
 a x
n2 2
(k )
 a n 3 x3    a n ( n 1) x( n 1) )
(k ) (k )

 n ann

Lauro / Nunes
Cálculo Numérico Resolução de sistemas de equações lineares 3-9

6. Resolva o sistema a seguir, utilizando o método de Gauss-Jacobi, com x ( 0)  0 n1 e

  10 2 0,01.
10 x1  2 x2  x3  7

A x  b   x1  5 x2  x3  8  x  F  x  d
 2x  3 x2  10 x3  6
 1
Resolução:

F e d

Neste caso a fórmula de recorrência fica:

x ( k 1)  F  x (k )  d 

k x1(k ) x2(k ) x3(k ) max xi( k )  xi( k 1)

1i3
0 0 0 0 -
1
2
3
4
5
6
Com x (0 )  0 0 0 e 0,01, o processo convergiu com ........... iterações para:
T

x

Critério das linhas

Uma condição suficiente (mas não necessária) para garantir a convergência do método
de Gauss-Jacobi aplicado ao sistema A x  b , com aii  0, i , é
n
 aij  aii , i  1, 2, 3,  , n .
j 1
j i
Neste caso, a matriz dos coeficientes das incógnitas A é dita estritamente diagonal
dominante.

7. Verificar se o critério das linhas é satisfeito no sistema de equações A x  b , que segue:

10 x1  2 x2  x3  7

A x  b   x1  5 x2  x3   8
 2 x  3x  10 x  6
 1 2 3

Lauro / Nunes
Cálculo Numérico Resolução de sistemas de equações lineares 3-10

10 2 1 
Resolução: A   1 5 1  
 2 3 10
Logo, a matriz dos coeficientes A é estritamente diagonal dominante, o que garante a
convergência do método de Gauss-Jacobi aplicado a este sistema com esta ordem de
equações e incógnitas.

8. Verificar se o critério das linhas é satisfeito no sistema de equações A x  b , que segue:

 x1  3x2  x3   2

A x  b  5 x1  2 x2  2 x3  3
 6 x2  8 x3   6

1 3 1 
Resolução: A  5 2 2 
0 6 8 
Logo a matriz dos coeficientes A não é estritamente diagonal dominante. Isto
significa que não é garantida a convergência do método de Gauss-Jacobi aplicado a este
sistema com esta ordem de equações e incógnitas.
Mas permutando adequadamente as equações do sistema, obtém-se o sistema
equivalente:

A

Logo, esta nova matriz dos coeficientes A é estritamente diagonal dominante, o que
garante a convergência do método de Gauss-Jacobi aplicado a este sistema com esta nova
ordem de equações e incógnitas.

3.3.3 Método de Gauss-Seidel

É semelhante ao método de Gauss-Jacobi, com a diferença de utilizar xi( k 1) , 1  i < p ,
para o cálculo de x (pk 1) . Desta forma, as equações recursivas ficam:
 ( k 1) b1  ( a12 x2( k )  a13 x3( k )  a14 x4( k )    a1n xn( k ) )
 x1 
 a11
 ( k 1) b2  ( a21 x1 ( k 1)
 a23 x3  a24 x4( k )    a2 n xn( k ) )
(k )
 x2 
 a22
( k 1) ( k 1)
 ( k 1) b3  ( a31 x1  a32 x2  a34 x4( k )    a3n xn( k ) )
 x3 
 a33
  
 ( k 1)
bn  ( an1 x1  a n 2 x2( k 1)
 an3 x3( k 1)    an( n1) x((nk11)) )
 xn( k 1) 
 ann

Lauro / Nunes
Cálculo Numérico Resolução de sistemas de equações lineares 3-11

9. Resolva o sistema a seguir, utilizando o método de Gauss-Seidel, com x ( 0)  0 n1 e

  10 2 0,01.
10 x1  2 x2  x3  7

A x  b   x1  5 x2  x3   8
 2 x  3x  10 x  6
 1 2 3
Resolução:
Neste caso a fórmula de recorrência fica:
 ( k 1)
 x1 

 ( k 1)
 x2 

 ( k 1)
 x3 


k x1(k ) x2(k ) x3(k ) max xi( k )  xi( k 1)

1i3
0 0 0 0 -
1
2
3
4
Com x (0 )  0 0 0 e 0,01, o processo convergiu com ......... iterações para:
T

x

3.3.4 Comparação entre os métodos

10. Resolva o sistema A x  b , utilizando o método de Gauss-Jacobi, com x ( 0)  0 n1 e

0,05.
5 x1  x2  x3  5

A x  b  3x1  4 x2  x3  6
3x  3 x2  6 x3  0
 1
Resolução:

F e d

Neste caso a fórmula de recorrência fica:

 ( k 1)
 x1 

( k 1) 
x  F  x  d   x2( k 1)
(k )


 ( k 1)
 x3 


Lauro / Nunes
Cálculo Numérico Resolução de sistemas de equações lineares 3-12

k x1(k ) x2(k ) x3(k ) max xi( k )  xi( k 1)

1i3
0 0 0 0 -
1
2
3
4
5
6
7
8
9
10
11
Com x (0 )  0 0 0 e 0,05, o processo convergiu com ......... iterações para:
T

x

11. Resolva o sistema A x  b , utilizando o método de Gauss-Seidel, com x ( 0)  0 n1 e

0,05.
5 x1  x2  x3  5

A x  b  3x1  4 x2  x3  6
3x  3x  6 x  0
 1 2 3
Resolução:
Neste caso a fórmula de recorrência fica:
 ( k 1)
 x1 

 ( k 1)
 x2 

 ( k 1)
 x3 


k x1(k ) x2(k ) x3(k ) max xi( k )  xi( k 1)

1i3
0 0 0 0 -
1
2
3
Com x (0 )  0 0 0 e 0,05, o processo convergiu com ......... iterações para:
T

x

Lauro / Nunes
Cálculo Numérico Resolução de sistemas de equações lineares 3-13
3.3.5 Critério de Sassenfeld
Uma condição suficiente para garantir a convergência do método de Gauss-Seidel
aplicado ao sistema A x  b , com aii  0, i , é M 1, sendo M  max i , onde:
1in
n
1
1    a1 j
a11 j 2

1  i 1 n 
i    aij   j   aij  , i  2, 3,  , n .
aii  j 1 j i 1 
OBS. 14: Se o critério das linhas é satisfeito, então o critério de Sassenfeld também será
satisfeito.

12. Verificar se o critério de Sassenfeld é satisfeito no sistema de equações A x  b , que

 x1  0,5 x2  0,1x3  0,1x4  0,2
 0,2 x   0,2 x3  0,1x4   2,6
 x2
segue: A x  b   1

 0,1x1  0,7 x2  x3  0,2 x4  1,0

 0,1x1  0,3x2  0,2 x3  x4   2,5
 1 0,5  0,1 0,1 
 0,2 1  0,2  0,1
Resolução: A 
 0,1  0,7 1 0,2 
 
 0,1 0,3 0,2 1 
1
1   [ a12  a13  a14 ] 
a11
1
2   [ a 21  1  a 23  a 24 ] 
a 22
1
3   [ a31  1  a32   2  a34 ] 
a33
1
4   [ a41  1  a42   2  a43  3 ] 
a44
Então, M  max  i  max { ........ ; ........ ; ........ ; ........ }  .................... Logo o critério de
1i 4
Sassenfeld está satisfeito, o que garante a convergência do método de Gauss-Seidel
aplicado a este sistema.

Lauro / Nunes
Cálculo Numérico Resolução de sistemas de equações lineares 3-14
13. Verificar se o critério de Sassenfeld é satisfeito no sistema de equações A x  b , que
2 x1  x 2  3x3  9

segue: A x  b    x 2  x3  1
x  3 x3  3
 1
Resolução: Com esta disposição de linhas e colunas, tem-se que:
1
1   [ a12  a13 ] 
a11

1
1   [ a12  a13 ] 
a11
1
2   [ a 21  1  a 23 ] 
a 22
1
3   [ a31  1  a32   2 ] 
a33

Então, M  max  i 
1i 3

Lauro / Nunes
Cálculo Numérico Interpolação 4-1

4 Interpolação
4.1 Interpolação polinomial
Uma função f ( x ) pode ser conhecida por um conjunto finito e discreto de n 1
pontos.
y ( x4 , y4 ) f (x )
( x0 , y0 )
( x1 , y1 )
(x3 , y3 ) ( x5 , y5 )
( x2 , y2 )
P(x )

x0 x1 x2 x3 x4 x5 x
xi yi
x0 y0
x1 y1
x2 y2
x3 y3
x4 y4
x5 y5
Para se INTERPOLAR os n 1 pontos obtidos da tabela, é utilizado um polinômio
Pn ( x ) de tal forma que:
Pn ( xi ) f ( xi ) para i 0, 1, , n .

4.1.1 Existência e Unicidade do Polinômio Interpolador Pn(x)

Teorema 1 Existe um único polinômio Pn ( x ), de grau  n , tal que: Pn ( xi ) f ( xi ), com
i 0,1,, n , desde que xi  x j , i  j .
n
Tome Pn ( xi )  ak xik  f ( xi ) para i 0,1,, n . Desenvolvendo o sistema
k 0
n
f ( xi )  ak xik ( i 0,1,, n ), obtém-se:
k 0
a0  a1x0  a2 x02    an x0n  f ( x0 ) (i  0 )

a0  a1x1  a2 x1     (i  1)
2
an x1n f ( x1 )

    
a  a x  a x 2    an xnn  (i  n )
 0 1 n 2 n f ( xn )
Daí, retira-se a matriz dos coeficientes A para se calcular as incógnitas a0 , a1 ,, an .
1 x0 x02  x0n 
 
x12  x1n 
A
1 x1
.
   
 
1 xn xn2  xnn 

Lauro / Nunes
Cálculo Numérico Interpolação 4-2
A é uma matriz de VANDERMONDE e, sendo xi com i 0,1,, n , pontos distintos,
o det A 0. Assim o sistema admite solução única.
OBS. 15:
det A ( xn  xn 1 )( xn  xn  2 )( xn  x0 )( xn 1  xn  2 )( xn 1  xn 3 )( xn 1  x0 )


( x3  x2 )( x3  x1 )( x3  x0 )( x2  x1 )( x2  x0 )( x1  x0 )  det A   xi  x j . 
i j
ENTÃO: O polinômio Pn ( x ) existe e é único.

4.1.2 Forma de Lagrange

Seja f uma função tabelada em ( n 1) pontos distintos x0 , x1 ,, xn e seja Li ( x )
polinômios de Lagrange de grau n , onde Li é dado por:
n (x  x j ) 1 , se i  k
Li ( x )  de tal forma que Li ( xk ) 
j  0 ( xi  x j ) 0 , se i  k
j i

1. Determine Li ( xk ) para i 0,1,2, k 0,1,2 e n 2.

Resolução:
( x  x1 )( x  x2 )
i 0  L0 ( x )
( x0  x1 )( x0  x2 )
k 0  L0 ( x0 ) .......... .
k 1  L0 ( x1 ) .......... .
k 2  L0 ( x2 ) .......... .
( x  x0 )( x  x2 )
i 1  L1 ( x )
( x1  x0 )( x1  x2 )
k 0  L1 ( x0 ) .......... .
k 1  L1 ( x1 ) .......... .
k 2  L1 ( x2 ) .......... .
( x  x0 )( x  x1 )
 i 2  L2 ( x )
( x2  x0 )( x2  x1 )
k 0  L2 ( x0 ) .......... .
k 1  L2 ( x1 ) .......... .
k 2  L2 ( x2 ) .......... .
Para x  xk , com k 0,1,2,, n , temos:
n
Pn ( xk )  yi Li ( xk )
i 0
 i  k  yi Li ( xk ) 0

0
 i  k  yi Li ( xi )  yi

1

Lauro / Nunes
Cálculo Numérico Interpolação 4-3
A forma de Lagrange para o polinômio interpolador é:
n n n (x  x j )
Pn ( x )  yi Li ( x ) ou Pn ( x )  yi  (x
i 0 i 0 j 0 i  xj)
j i

2. Interpolar o ponto x 1,5 na tabela abaixo, empregando o polinômio interpolador de

Lagrange.
i 0 1 2 3
xi 1 0 1 2
yi 1 3 1 1
Resolução: n 3 é o grau máximo de P3 ( x ).
3
P3 ( x )  yi Li ( x )  P3 ( x ) ..........  L0 ( x ) ..........  L1 ( x ) ..........  L2 ( x ) ..........  L3 ( x )
i 0
3 (x  x j )
Li ( x ) 
j  0 ( xi  xj)
j i
( x  x1 )( x  x2 )( x  x3 )
L0 ( x ) 
( x0  x1 )( x0  x2 )( x0  x3 )
( x  x0 )( x  x2 )( x  x3 )
L1 ( x ) 
( x1  x0 )( x1  x2 )( x1  x3 )
( x  x0 )( x  x1 )( x  x3 )
L2 ( x ) 
( x2  x0 )( x2  x1 )( x2  x3 )
( x  x0 )( x  x1 )( x  x2 )
L3 ( x ) 
( x3  x0 )( x3  x1 )( x3  x2 )

Logo:
P3 ( x )

 P3 ( x )

P3 (1,5) P3 ( 32 )

P3 (1,5)

P3 (1,5)

y
3

P3(x )
2

3
8

-1 0 1 3
2 2 x

Lauro / Nunes
Cálculo Numérico Interpolação 4-4
4.1.3 Forma de Newton
A forma de Newton para o polinômio Pn ( x ) que interpola f ( x ) em x0 , x1 ,, xn ,
( n 1) pontos distintos é a seguinte:
Pn ( x ) f [ x0 ]( x  x0 ) f [ x0 , x1 ]( x  x0 )( x  x1 ) f [ x0 , x1 , x2 ]
( x  x0 )( x  x1 )( x  xn 1 ) f [ x0 , x1 ,, xn ].
Onde
ORDEM
f [ x0 ] f ( x0 ) y0 0
f [ x1 ]  f [ x0 ] f ( x1 )  f ( x0 ) y1  y0
f [ x0 , x1 ]   1
x1  x0 x1  x0 x1  x0
f [ x1 , x2 ]  f [ x0 , x1 ]
f [ x0 , x1 , x2 ] 2
x2  x0
f [ x1 , x2 , x3 ]  f [ x0 , x1 , x2 ]
f [ x0 , x1 , x2 , x3 ] 3
x3  x0
 
f [ x1 , x2 ,, xn ]  f [ x0 , x1 ,, xn 1 ]
f [ x0 , x1 ,, xn ] n
xn  x0
f [ x0 , x1 ,, xn ] é a DIFERENÇA DIVIDIDA de ordem n da função f ( x ) sobre os
n 1 pontos x0 , x1 ,, xn .

Tabela Prática (DIFERENÇAS DIVIDIDAS)

x ordem 0 ordem 1 ordem 2 ordem 3  ordem n
x0 f [ x0 ]
f [ x0 , x1 ]

x1 f [ x1 ] f [ x0 , x1 , x2 ]

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

x2 f [ x2 ] f [ x1 , x2 , x3 ] 
f [ x2 , x3 ] f [ x1 , x2 , x3 , x4 ]
x3 f [ x3 ] f [ x2 , x3 , x4 ] 
f [ x3 , x4 ]  f [ x0 ,, xn ]
x4 f [ x4 ]  
 f [ xn 3 , xn  2 , xn 1 , xn ]

  f [ xn  2 , xn 1 , xn ]
f [ xn 1 , xn ]
xn f [ xn ]

Lauro / Nunes
Cálculo Numérico Interpolação 4-5
3. Interpolar o ponto x 1,5 na tabela abaixo, empregando a forma de Newton.
i 0 1 2 3
xi 1 0 1 2
yi 1 3 1 1
Resolução: n 3 é o grau máximo de P3 ( x ). Tabela de diferenças divididas:
x ordem 0 ordem 1 ordem 2 ordem 3

1

P3 ( x ) f [ x0 ]( x  x0 ) f [ x0 , x1 ]( x  x0 )( x  x1 ) f [ x0 , x1 , x2 ]

( x  x0 )( x  x1 )( x  x2 ) f [ x0 , x1 , x2 , x3 ]
P3 ( x )
P3 ( x )
P3 ( x )

4.2 Estudo de erro na interpolação

Sejam x0  x1  x2  xn , ( n 1) pontos. Seja f ( x ) com derivadas até ordem ( n 1)
para x pertencente ao intervalo [ x0 , xn ].
Seja Pn ( x ) o polinômio interpolador de f ( x ) nos pontos x0 , x1 , x2 ,, xn .
Então, em qualquer ponto x pertencente ao intervalo [ x0 , xn ], o erro é dado por:
E n ( x ) f ( x ) Pn ( x )

f ( n1) ( x )
E n ( x )( x  x0 )( x  x1 )( x  xn )
( n  1)!
onde  x ( x0 , xn ).
Esta fórmula tem uso limitado, pois são raras as situações em que f ( n1) ( x ) é
conhecida e o ponto  x nunca é conhecido.

Lauro / Nunes
Cálculo Numérico Interpolação 4-6
4.2.1 Estimativa para o Erro
Utilizando a equação anterior, sendo f ( n1) ( x ) contínua em I [ x0 , xn ], pode-se
escrever:
| E n ( x )|| f ( x ) Pn ( x )|
n
M n1
| E n ( x )|  ( x  xi )  , onde M n1  max f ( n1) ( x ) .
i 0 ( n  1)! xI

Ao se construir a tabela de diferenças divididas até ordem n 1, pode-se usar o maior
M n1
valor em módulo desta ordem como aproximação para no intervalo I [ x0 , xn ].
( n  1)!
Então:

| E n ( x )|  ( x  xi )  max Dd 
n

i 0
sendo Dd os valores da tabela de diferenças divididas de ordem ( n 1).

4. Seja f ( x ) dada em forma de tabela de valores, como segue:

x 0,2 0,34 0,4 0,52 0,6 0,72
f (x) 0,16 0,22 0,27 0,29 0,32 0,37
 a) Obter f (0,47) usando um polinômio de grau 2;
 b) Dar uma estimativa para o erro.
Resolução: Tabela de diferenças divididas:
x ordem 0 ordem 1 ordem 2 ordem 3
0,2

0,34

0,4

0,52

0,6

0,72
Deve-se escolher 3 pontos próximos de 0,47 para a obtenção de P2 ( x ).
P2 ( x ) f [ x0 ]( x  x0 ) f [ x0 , x1 ]( x  x0 )( x  x1 ) f [ x0 , x1 , x2 ]
P2 ( x )
P2 ( x )
 a) P2 (0,47) .......... ..........  f (0,47)

 b) | E n (0,47)|

Lauro / Nunes
Cálculo Numérico Interpolação 4-7

| E n (0,47)| ..........

5. Prove a igualdade seguinte.

x  x1 x  x0
P1 ( x ) f ( x0 )  f ( x1 )  f [ x0 ]( x  x0 ) f [ x0 , x1 ]
x0  x1 x1  x0
Resolução:
x ordem 0 ordem 1
x0 f [ x0 ] y0
y1  y0
f [ x0 , x1 ]
x1  x0

x1 f [ x1 ] y1  P1 ( x ) f [ x0 ]( x  x0 ) f [ x0 , x1 ]
P1 ( x )
 P1 ( x )

4.3 Interpolação inversa: casos existentes

O problema da interpolação inversa consiste em: dado y ( f ( x0 ), f ( xn )), obter x ,
tal que f ( x ) y .
São duas, as formas de se obter x . A primeira é encontrar x tal que Pn ( x ) y ; A
segunda é fazer a própria interpolação inversa, utilizando para isso, os valores de y .

4.3.1 Encontrar x tal que Pn (x )

Obter Pn ( x ) que interpola f ( x ) em x0 , x1 , x2 ,, xn e em seguida encontrar x , tal
que f ( x ) y .
OBS. 16: x obtido desta forma não permite se estimar o erro.

Lauro / Nunes
Cálculo Numérico Interpolação 4-8
6. Encontre x tal que f ( x )2 pela tabela abaixo:
x 0,5 0,6 0,7 0,8 0,9 1,0
f (x) 1,65 1,82 2,01 2,23 2,46 2,72
Resolução:
Fazendo interpolação linear por x0 0,6 e x1 0,7:
x  x1 x  x0
P1 ( x ) f ( x0 )  f ( x1 )
x0  x1 x1  x0

P1 ( x )

x  .......... .......... .......... .

4.3.2 Interpolação inversa

Se f ( x ) for inversível num intervalo contendo y , então x  f 1 ( y ) g ( y ).
Condição para a inversão de f ( x ): f é contínua e monótona crescente (decrescente)
num intervalo [ a , b ].
Dado f ( x ) contínua em ( x0 , xn ), então f ( x ) será admitida monótona crescente se
f ( x0 )  f ( x1 )    f ( xn ) e monótona decrescente se f ( x0 )  f ( x1 )    f ( xn ).
Respeitadas as condições dadas acima, será obtido o polinômio Pn ( y ) que interpola
g ( y ) f 1 ( y ) sobre [ y0 , yn ].

7. Considere a tabela a seguir:

x 0 0,1 0,2 0,3 0,4 0,5
y e x
1 1,1052 1,2214 1,3499 1,4918 1,6487
Obter x , tal que e x 1,3165, usando um processo de interpolação quadrática. Usar a
forma de Newton para obter P2 ( y ). Construir a tabela de diferenças divididas.
Resolução:
y ordem 0 ordem 1 ordem 2 ordem 3
1

1,1052

1,2214

1,3499

1,4918

1,6487

Lauro / Nunes
Cálculo Numérico Interpolação 4-9
P2 ( y ) g [ y0 ]( y  y0 ) g [ y0 , y1 ]( y  y0 )( y  y1 ) g [ y0 , y1 , y2 ]
P2 ( y )
P2 (1,3165)

Assim, e .......... .......... ......... 1,3165 Na calculadora  1,316359.

Erro cometido:
M3
| E2 ( y )|  |( y  y0 )( y  y1 )( y  y2 )|
3!

| E2 (1,3165)|   M 3  max g ''' ( y ) , y [ y0 , y2 ].

M3
 1o Caso: pode ser aproximado por .......... (tabela de diferenças divididas de ordem 3).
3!
| E2 (1,3165)|  .......... .......... .......... ..........  | E2 ( y )|  .......... .......... .......... .

 2o Caso: f ( x ) e x  g ( y ) f 1 ( y ) ln y

Logo: M 3 

| E2 (1,3165)| 

4.4 Funções spline em interpolação

1 2i
Considere f ( x ) tabelada no intervalo [1,1] nos pontos xi 1 , com
1  25 x 2
n
i 0,1,, n .
No gráfico abaixo, pode ser observada a função f ( x ) e o polinômio P10 ( x ) que
interpola o conjunto discreto de pontos para n 10.
x 1,0 0,8 0,6 0,4 0,2 0 0,2 0,4 0,6 0,8 1,0
f ( x ) 0,038 0,059 0,1 0,2 0,5 1,0 0,5 0,2 0,1 0,059 0,038

3
y
2

1
2

P10(x )
f (x )

-1 - 12 0 1 1 x
2

Lauro / Nunes
Cálculo Numérico Interpolação 4-10
Em certos casos, a aproximação por Pn ( x ) pode ser desastrosa. Uma alternativa é
interpolar f ( x ) em grupos de poucos pontos, obtendo-se polinômios de graus menores, e
impor condições para que a função de aproximação seja contínua e tenha derivadas contínuas
até uma certa ordem.

4.4.1 Função Spline

Considere a função f ( x ) tabelada nos pontos x0  x1  x2  xn .
Uma função S p ( x ) é denominada SPLINE DE GRAU p com nós nos pontos xi ,
com i 0,1,, n , se satisfaz as 3 seguintes condições:
1) Em cada subintervalo [ xi , xi 1 ], com i 0,1,,( n 1), S p ( x ) é um polinômio de grau p
representado por si ( x ).

2) S p ( x ) é contínua e tem derivada contínua até ordem ( p 1) em [ a , b ].

3) S p ( xi ) f ( xi ), com i 0,1,, n .
Nestes termos, S p ( x ) é denominada SPLINE INTERPOLANTE.

4.4.2 Spline linear interpolante

É representada por S1 ( x ) .
S1 ( x ) pode ser escrita em cada subintervalo [ xi 1 , xi ], com i 1,2,, n como:

xi  x x  xi 1
si ( x ) f ( xi 1 )  f ( xi ) , x [ xi 1 , xi ] (01)
xi  xi 1 xi  xi 1
S1 ( x ) definida dessa forma satisfaz as condições 1) , 2) e 3) .

8. Achar a função spline linear que interpola a função f ( x ) tabelada a seguir.

x0 x1 x2 x3
x 1 2 5 7
y f (x) 1 2 3 2,5
y
3 s3(x ) f (x )
2,5
s2(x )
2
s1(x )
1

1 20 3 4 5 6 7 x
Resolução: Pela definição, pode-se definir 3 splines lineares para os 4 pontos: s1 ( x ),
s2 ( x ) e s3 ( x ).
x1  x x  x0
 s1 ( x ) y0  y1
x1  x0 x1  x0

s1 ( x )  s1 ( x ) .......... , x [ .......... , .......... ].

Lauro / Nunes
Cálculo Numérico Interpolação 4-11
x2  x x  x1
 s2 ( x ) y1  y2
x2  x1 x2  x1

s2 ( x )  s2 ( x ) .......... .......... .......... , x [ .......... , .......... ].

x3  x x  x2
 s3 ( x ) y2  y3
x3  x2 x3  x2

s3 ( x )  s3 ( x ) .......... .......... .......... , x [ .......... , .......... ].

Então, no intervalo [ a , b ][1,7], a spline linear S1 ( x ) é dada por:

S1 ( x )

4.4.3 Spline cúbica interpolante

É representada por S3 ( x ) .
A spline linear tem derivada primeira descontínua nos nós. A spline quadrática S 2 ( x )
tem derivadas contínuas até ordem 1, portanto, pode ter picos ou troca abrupta de curvatura
nos nós.
A spline cúbica S3 ( x ) é mais utilizada por ter derivadas primeira e segunda contínuas,
que faz S3 ( x ) ser mais suave nos nós.
Definição:
Suponha f ( x ) dada por xi , com i 0,1,, n .
Tome S3 ( x ) como spline cúbica de f ( x ) nos nós xi , caso existam n polinômios de
grau 3 definidos em cada subintervalo k por sk ( x ), com k 1,2,, n . Então a spline cúbica
S3 ( x ) deve satisfazer as 5 igualdades seguintes:
1) S3 ( x ) sk ( x ) para x [ xk 1 , xk ], k 1,2,, n .

2) S3 ( xi ) f ( xi ), com i 0,1,, n .

3) sk ( xk ) sk 1 ( xk ), k 1,2,,( n 1).

4) sk, ( xk ) sk, 1 ( xk ), k 1,2,,( n 1).

5) sk, , ( xk ) sk,,1 ( xk ), k 1,2,,( n 1).

Em cada intervalo [ xk 1 , xk ], sk ( x ) será dada por:

sk ( x ) ak ( x  xk )3 bk ( x  xk )2 ck ( x  xk ) d k , com k 1,2,, n (02)

São 4 coeficientes para cada k à serem determinados.
Tome a notação h k  xk  xk 1 , para x  xk 1 .
Condição 1) : é satisfeita pela definição de sk ( x ).
Para a condição 2) , tem-se as equações:
d k  f ( xk ) sk ( xk ), k 1,2,, n (03)

Lauro / Nunes
Cálculo Numérico Interpolação 4-12

s1 ( x0 ) f ( x0 )   a1 h13  b1 h12  c1 h1  d 1  f ( x0 ), k 1 (04)

Condição 3) para k 1,2,,( n 1).
sk 1 ( xk ) f ( xk )

 ak 1 h3k 1  bk 1 h k2 1  ck 1 h k 1  d k 1  f ( xk ) (05)
Para as condições 4) e 5) , tome as derivadas:
sk, ( x )3 a k ( x  xk )22 b k ( x  xk ) c k (06)

sk, , ( x )6 a k ( x  xk )2 b k (07)

Para x  xk  sk, , ( xk )2 b k . Assim, o coeficiente b k é dado por:

sk,, ( xk )
bk  (08)
2
Para x  xk 1  sk, , ( xk 1 )6 a k h k 2 b k .
2b k  sk,, ( xk 1 ) sk,, ( xk )  sk,, ( xk 1 )
ak   .
6h k 6h k
Impondo a condição 5) , sk, , ( xk 1 ) sk,,1 ( xk 1 ), obtém-se:

sk,, ( xk )  sk,,1( xk 1 )
ak  , com s0, , ( x0 ) arbitrária (09)
6h k
Na obtenção de c k , utilizam-se as equações (04) e (05):
 f ( xk 1 )  ak h3k  bk hk2  d k
ck  , d k  f ( xk )
hk
f ( xk )  f ( xk 1 )
ck  ( a k h k2  b k h k ), substituindo a k e b k obtém-se:
hk
f ( xk )  f ( xk 1 )  sk,, ( xk )  sk,,1( xk 1 ) s ,, ( x ) 
ck    hk  k k hk 
hk  6 2 
Daí, c k pode ser dado por:

f ( xk )  f ( xk 1 ) 2sk ( xk )  hk  sk 1( xk 1 )  hk
,, ,,
ck   (10)
hk 6
Na obtenção dos coeficientes, tome yk  f ( xk ) e g k  sk, , ( xk ).

g k  g k 1
ak  (11)
6h k

gk
bk  (12)
2
yk  yk 1 2hk g k  g k 1hk
ck   (13)
hk 6

d k  yk (14)

Lauro / Nunes
Cálculo Numérico Interpolação 4-13

Impondo a última condição 4) , sk, ( xk ) sk, 1 ( xk ), com k 1,2,,( n 1), conclui-se

que:
Para x  xk  sk, ( xk ) c k , então:
c k 3 a k 1 xk  xk 1  +2 bk 1 xk  xk 1   c k 1
2

c k 3 a k 1 h k2 1 2 bk 1 h k 1  c k 1
 c k 1  c k 3 a k 1 h k2 1 2 bk 1 h k 1 .
Fazendo-se algumas substituições, através das equações (11), (12) e (13):
yk 1  yk 2hk 1g k 1  g k hk 1 yk  yk 1 2hk g k  g k 1hk g  gk g k 1h k 1
   3 k 1 hk 1 2
h k 1 6 hk 6 6 2
Daí, chega-se a equação (15):

 y  yk yk  yk 1 
hk g k 1 2( h k  h k 1 ) g k  hk 1g k 1 6  k 1   , com k 1,2,,( n 1) (15)
 h k 1 h 
 k 
A equação (15) é um sistema de equações lineares A g  b , onde k 1,2,,( n 1).
A ordem do sistema é: A( n 1)( n 1) , g(n 1)1 e b(n 1)1 .
Pela variação de k , o sistema A g  b é indeterminado. Para se resolver o sistema, de
forma única, é necessário impor mais duas condições, apresentadas nas três alternativas a
seguir.
 (1a) Spline Natural  nos extremos, S3 ( x0 ) é aproximadamente linear.
S3" ( x0 ) g 0 0
S3" ( xn ) g n 0
 (2a) Nos extremos, S3 ( x ) é aproximadamente parábola.
g 0  g1
g n  g n 1

 (3a) Nos extremos, é dada uma inclinação I 0 e I n para S3 ( x ).

S3' ( x0 ) I 0  s1, ( x0 ) I 0  3 a1 h12 2 b1 h1  c1  I 0
S3' ( xn ) I n  s ,n ( xn ) I n  cn  In .
Nas alternativas (1a) e (2a), são eliminadas duas variáveis, g 0 e g n . Assim A g  b é
SPD, sendo que, o sistema é dado na ordem: A( n 1)( n 1) , g(n 1)1 e b(n 1)1 .
Na alternativa (3a), são acrescentadas duas equações. Assim A g  b é SPD, sendo
que, o sistema é dado na ordem: A( n 1)( n 1) , g(n 1)1 e b(n 1)1 .

Lauro / Nunes
Cálculo Numérico Interpolação 4-14
9. Encontrar uma aproximação para f (0,25) por spline cúbica natural, interpolando a
tabela:
x0 x1 x2 x3 x4
x 0 0,5 1,0 1,5 2,0
y f (x) 3 1,8616 0,5571 4,1987 9,0536
Resolução: n 4, logo, procura-se s1 ( x ), s 2 ( x ), s 3 ( x ) e s 4 ( x ).
Spline Natural  k 1,2,,( n 1)  k 1,2,3  Utilizando a (15), segue que:
 y  yk yk  yk 1 
 hk g k 1 2( h k  h k 1 ) g k  hk 1g k 1 6  k 1  
 h k 1 h 
 k 

Desenvolvendo o sistema A g  b :

g 0  g 4  .......... (Spline Natural).

Então,
A g b 

g

Forma geral de s i ( x )  s i ( x ) ai ( x  xi )3 bi ( x  xi )2 ci ( x  xi ) d i , com i 1,2,3,4.

f (0,25)  s1 (0,25)
g1  g 0
a1   a1  ..........
6h
g
b1  1  b1  ..........
2
y1  y0 2hg1  g0h
c1    c1  ..........
h 6
d 1  y1  d 1  ..........
Logo, s1 (0,25) ..........

 s1 (0,25) .......... ..........  f (0,25) .

Lauro / Nunes
Cálculo Numérico Interpolação 4-15
Considerando os próximos 5 exercícios, encontrar uma aproximação para f ( x ) por
spline cúbica natural, interpolando a tabela:
x0 x1 x2 x3 x4
x 0 0,5 1,0 1,5 2,0
y f (x) 3 1,8616 0,5571 4,1987 9,0536
n 4, logo, procura-se s1 ( x ), s 2 ( x ), s 3 ( x ) e s 4 ( x ).
Do exercício anterior, a forma geral de s i ( x ) é dada por:
s i ( x ) ai ( x  xi )3 bi ( x  xi )2 ci ( x  xi ) d i , com i 1,2,3,4.

10. f (0,8).
Resolução:
f (0,8)  s 2 (0,8)
g 2  g1
a2   ..........  a 2  ..........
6h
g
b 2  2  ..........  b 2  ..........
2
y2  y1 2hg 2  g1h
c2    ..........  c 2  ..........
h 6
d 2  y2  ..........  d 2  ..........
Logo, s 2 (0,8) ..........

 s 2 (0,8) .......... ..........  f (0,8) .

11. f (1,1).
Resolução:
f (1,1)  s 3 (1,1)
g3  g 2
a3   ..........  a 3  ..........
6h
g
b3  3  ..........  b3  ..........
2
y  y2 2hg3  g 2h
c3  3   ..........  c 3  ..........
h 6
d 3  y3  ..........  d 3  ..........
Logo, s 3 (1,1) ..........

 s 3 (1,1) .......... ..........  f (1,1) .

Lauro / Nunes
Cálculo Numérico Interpolação 4-16

12. f (1,2).
Resolução:
f (1,2)  s 3 (1,2)
g3  g 2
a3   ..........  a 3  ..........
6h
g
b3  3  ..........  b3  ..........
2
y3  y2 2hg3  g 2h
c3    ..........  c 3  ..........
h 6
d 3  y3  ..........  d 3  ..........
Logo, s 3 (1,2) ..........

 s 3 (1,2) .......... ..........  f (1,2) .

13. f (1,3).
Resolução:
f (1,3)  s 3 (1,3)
g3  g 2
a3   ..........  a 3  ..........
6h
g
b3  3  ..........  b3  ..........
2
y3  y2 2hg3  g 2h
c3    ..........  c 3  ..........
h 6
d 3  y3  ..........  d 3  ..........
Logo, s 3 (1,3) ..........

 s 3 (1,3) .......... ..........  f (1,3) .

14. f (1,7).
Resolução:
f (1,7)  s 4 (1,7)
g 4  g3
a4   ..........  a 4  ..........
6h
g
b 4  4  ..........  b 4  ..........
2
y  y3 2hg 4  g3h
c4  4   ..........  c 4  ..........
h 6
d 4  y4  ..........  d 4  ..........
Logo, s 4 (1,7) ..........

 s 4 (1,7) .......... ..........  f (1,7) .

Lauro / Nunes
Cálculo Numérico Ajuste de curvas pelo método dos mínimos quadrados 5-1

5 Ajuste de curvas pelo método dos mínimos

quadrados
5.1 Introdução
Uma forma de se trabalhar com uma função definida por uma tabela de valores é a
interpolação. Contudo, a interpolação pode não ser aconselhável quando:
 É preciso obter um valor aproximado da função em algum ponto fora do intervalo de
tabelamento (extrapolação).
 Os valores tabelados são resultado de experimentos físicos, pois estes valores poderão
conter erros inerentes que, em geral, não são previsíveis.
Surge então a necessidade de se ajustar a estas funções tabeladas uma função que seja
uma “boa aproximação” para as mesmas e que nos permita “extrapolar” com certa margem de
segurança.
Assim, o objetivo deste processo é aproximar uma função f por outra função g ,
escolhida de uma família de funções em duas situações distintas:
 Domínio discreto: quando a função f é dada por uma tabela de valores.
y

 Domínio contínuo: quando a função f é dada por sua forma analítica.

y
y = f(x)

a x
b

Lauro / Nunes
Cálculo Numérico Ajuste de curvas pelo método dos mínimos quadrados 5-2

5.2 Caso Discreto

O problema do ajuste de curvas no caso em que se tem uma tabela de pontos:
x1 x2 x3  xm
f ( x1 ) f ( x2 ) f ( x3 )  f ( xm )
com x1 , x 2 , x3 ,  , x m [ a , b ], consiste em: “escolhidas” n funções contínuas g1 ( x ),
g 2 ( x ), g 3 ( x ),  , g n ( x ), contínuas em [ a , b ], obter n constantes 1 ,  2 ,  3 ,  ,  n
tais que a função g ( x ) 1 g1 ( x )  2 g 2 ( x )  3 g 3 ( x )    n g n ( x ) se aproxime ao
máximo de f ( x ).
Este modelo matemático é linear pois os coeficientes que devem ser determinados 1 ,
 2 ,  3 ,  ,  n aparecem linearmente, embora as funções g1 ( x ), g 2 ( x ), g 3 ( x ), 
, g n ( x ) possam ser não lineares.
Surge então a primeira pergunta: Como escolher as funções contínuas g1 ( x ), g 2 ( x ),
g 3 ( x ),  , g n ( x ) ?
Esta escolha pode ser feita observando o gráfico dos pontos tabelados (diagrama de
dispersão) ou baseando-se em fundamentos teóricos do experimento que forneceu a tabela.
Seja d k  f ( x k ) g ( x k ) o desvio em x k .
O método dos mínimos quadrados consiste em escolher os coeficientes 1 ,  2 ,  3 ,
 ,  n de tal forma que a soma dos quadrados dos desvios seja mínima, isto é:
m m
 dk2  [ f ( xk )  g ( xk )]2 deve ser mínimo.
k 1 k 1
Assim, os coeficientes 1 ,  2 ,  3 ,  ,  n que fazem com que g ( x ) se aproxime ao
máximo de f ( x ), são os que minimizam a função:
m
F ( 1 ,  2 ,  3 ,,  n )  [ f ( xk )  g ( xk )]2 =
k 1
m
[ f ( xk )  1 g1 ( xk )   2 g 2 ( xk )   3 g 3 ( xk )     n g n ( xk )]2 .
k 1
g
y

f ( xk)
dk

g( xk ) x
xk
Para isto é necessário que:
F
(1 ,  2 ,  3 , ,  n ) 0, j 1, 2, 3, , n , isto é:
 j
F
( 1 ,  2 ,  3 ,  ,  n ) 
 j
m
2·  [ f ( xk )  1 g1 ( xk )   2 g 2 ( xk )     n g n ( xk )]  [ g j ( xk )] 0, j 1, 2, 3, , n
k 1

Lauro / Nunes
Cálculo Numérico Ajuste de curvas pelo método dos mínimos quadrados 5-3
ou
m
[ f ( xk )  1g1( xk )   2 g 2 ( xk )     n g n ( xk )][ g j ( xk )] 0,
k 1
j 1, 2, 3, , n
Assim, tem-se o seguinte sistema de n equações lineares com n incógnitas 1 ,  2 ,
3 ,  , n :

m
[ f ( xk )  1 g1 ( xk )   2 g 2 ( xk )     n g n ( xk )]  [ g1 ( xk )]  0
 k 1
m
[ f ( xk )  1 g1 ( xk )   2 g 2 ( xk )     n g n ( xk )]  [ g 2 ( xk )]  0
 k 1
 

m
[ f ( xk )  1 g1 ( xk )   2 g 2 ( xk )     n g n ( xk )]  [ g n ( xk )]  0
 k 1
Que é equivalente a:
 m  m  m
  1 k g ( x )  g1 k 
( x )   1     1 k g ( x )  g n k 
( x )   n   g1 ( xk )  f ( xk )
 k 1   k 1  k 1
 m
  g ( x )  g ( x )       g ( x )  g ( x )    g ( x )  f ( x )
m m
  2 k 1 k  1  2 k n k  n  2 k k
 k 1   k 1  k 1

 
 m  m  m
 g n ( xk )  g1 ( xk )  1     g n ( xk )  g n ( xk )   n   g n ( xk )  f ( xk )
 k 1   k 1  k 1
As equações deste sistema linear são chamadas de equações normais.
Este sistema pode ser escrito na forma matricial A    b :
 a111  a12  2    a1n  n  b1
a
 211  a 22  2    a 2 n  n  b2

    
a n1  a n 2    a nn  n  bn
 1 2

m m
onde A  ( aij ) tal que aij   g i ( xk )  g j ( xk )   g j ( xk )  g i ( xk )  a ji , ou seja, A é
k 1 k 1
uma matriz simétrica;
m
  [1 ,  2 ,,  n ] e b  [b1 , b2 ,, bn ] é tal que bi   g i ( xk )  f ( xk ) .
T T

k 1
m
Lembrando que, dados os vetores x e y   m o número real  x, y   xk  yk é
k 1
chamado de produto escalar de x por y , e usando esta notação no sistema normal A    b ,
tem-se: aij   g i , g j  e bi   g i , f  onde:
g l é o vetor [ g l ( x1 ) g l ( x2 ) g l ( x3 )  g l ( xm )]T e
f é o vetor [ f ( x1 ) f ( x2 ) f ( x3 )  f ( xm )]T .
Desta forma o sistema na forma matricial fica:

Lauro / Nunes
Cálculo Numérico Ajuste de curvas pelo método dos mínimos quadrados 5-4

  g1 , g1   g1 , g 2    g1 , g n    1    g1 , f  
  g , g   g , g    g , g      
 2 1 n   2   g2 , f 
2 2 2
 
          
     
 g n , g1   g n , g 2    g n , g n    n   g n , f  
Demonstra-se que, se as funções g1 ( x ), g 2 ( x ), g 3 ( x ),  , g n ( x ) forem tais que os
vetores g1 , g 2 , g 3 ,, g n , sejam linearmente independentes (LI), então det A  0 e o sistema
de equações é possível e determinado (SPD). Demonstra-se ainda que a solução única deste
sistema, 1 ,  2 ,  3 ,  ,  n é o ponto em que a função F ( 1 ,  2 ,  3 ,,  n ) atinge seu
valor mínimo.
OBS. 17: Se os vetores g1 , g 2 , g 3 ,, g n , forem ortogonais entre si, isto é, se
 g i , g j   0 se i  j e  g i , g j   0 se i  j , a matriz dos coeficientes A será uma matriz
diagonal, o que facilita a resolução do sistema A    b .

1. (Regressão Linear) Ajustar os dados da tabela abaixo através de uma reta.

i 1 2 3 4 5
xi 1,3 3,4 5,1 6,8 8,0
f ( xi ) 2,0 5,2 3,8 6,1 5,8
Resolução: Fazendo g ( x)  1  g1 ( x)   2  g 2 ( x) e considerando g1 (x)  .......... e
g 2 (x)  .......... , tem-se: g (x )  .......... .......... .......... .......... ......... .
Assim, a reta que melhor se ajusta aos valores da tabela terá coeficientes 1 e  2 , que
são solução do seguinte sistema na forma matricial:
  g1 , g1   g1 , g 2    1    g1 , f  
 g , g   g , g        
 2 1 2 2   2  g 2 , f  
g1 [ .......... .......... .......... .......... .......... ]T
g 2 [ .......... .......... .......... .......... .......... ]T
f [ .......... .......... .......... .......... .......... ]T
 g1 , g1   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g1 , g 2   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g 2 , g1   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g 2 , g 2   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g1 , f   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g2 , f   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
Assim,

Logo a equação da reta procurada é:

g (x )  .......... .......... .......... .......... .........

2. Ajustar os dados da tabela através da parábola g (x )  x 2 :

i 1 2 3 4 5 6 7 8 9 10 11
xi 1 0,75 0,6 0,5 0,3 0 0,2 0,4 0,5 0,7 1
f ( xi ) 2,05 1,153 0,45 0,4 0,5 0 0,2 0,6 0,512 1,2 2,05

Lauro / Nunes
Cálculo Numérico Ajuste de curvas pelo método dos mínimos quadrados 5-5
y
2

-1 1 x
Resolução: Fazendo g ( x)  1  g1 ( x) e considerando g1 (x )  x 2 , obtém-se
g (x )  .......... .......... . Assim, para se obter a parábola que melhor se ajusta aos pontos da
tabela, será necessário encontrar 1 do sistema:
 g1 , g1  1    f , g1  
g1 [ .......... .......... .......... .......... .......... ..........  .......... .......... .......... .......... ]T
f [ .......... .......... .......... .......... .......... ..........  .......... .......... .......... .......... ]T
 g1 , g1   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
.......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g1 , f   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
.......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....

Assim, 1  .......... .......... .

Logo a equação da parábola procurada é: g (x )  .......... .......... .......... .......... .........

3. Ajustar os dados da tabela abaixo por um polinômio do segundo grau

g ( x)  1  2  x  3  x2 .
i 1 2 3 4
xi 2 1 1 2
f ( xi ) 1 3 1 9

Resolução: Neste caso tem-se que: g1 (x )  .......... , g 2 (x)  .......... e g 3 (x)  ..........
  g 1 , g1   g1 , g 2   g 1 , g 3     1    g1 , f  
 g , g   g , g   g , g        g , f  
 2 1 2 2 2 3   2  2 
 g 3 , g1   g 3 , g 2   g 3 , g 3    3   g 3 , f  
g1 [ .......... .......... .......... .......... ]T
g 2 [ .......... .......... .......... .......... ]T
g 3 [ .......... .......... .......... .......... ]T
f [ .......... .......... .......... .......... ]T
 g1 , g1   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g1 , g 2   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....

Lauro / Nunes
Cálculo Numérico Ajuste de curvas pelo método dos mínimos quadrados 5-6
 g 2 , g1   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g1 , g 3   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g 3 , g1   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g 2 , g 2   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g 2 , g 3   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g 3 , g 2   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g 3 , g 3   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g1 , f   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g2 , f   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g 3 , f   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
Assim,

Logo a equação da parábola procurada é:

g (x )  .......... .......... .......... .......... .........

5.3 Caso Contínuo

No caso contínuo, o problema de ajuste de curvas consiste em: dada uma função
f (x ) , contínua em [ a , b ] e escolhidas as funções g1 ( x ), g 2 ( x ), g 3 ( x ),, g n ( x ), todas
contínuas em [ a , b ], determinar constantes 1 ,  2 , 3 ,,  n de modo que a função
g ( x ) 1 g1 ( x )  2 g 2 ( x )  3 g 3 ( x )  n g n ( x ) se aproxime ao máximo de f ( x ) no
intervalo [ a , b ].
Seguindo o critério dos mínimos quadrados para o conceito de proximidade entre
f ( x ) e g ( x ), os coeficientes 1 ,  2 ,  3 ,,  n a serem obtidos são tais que
b
a [ f ( x)  g ( x)] dx seja o menor possível.
2

Para achar  tal que g ( x ) f ( x ), tome:

b
a [ f ( x)  g ( x)] dx  F () F ( 1 ,  2 , 3 ,,  n ).
2

Encontram-se os pontos críticos de F ():

F
()0, j 1,2,, n .
 j
b b
Mas, F ()  [ f ( x )  g ( x )]2dx   [ f ( x)2  2 f ( x) g ( x)  g ( x)2 ]dx
a a
b b b
 F ()  f ( x )2dx 2  f ( x ) g ( x )dx   g ( x )2dx .
a a a
F
Ao desenvolver ()0, j 1,2,, n , obtém-se:
 j

Lauro / Nunes
Cálculo Numérico Ajuste de curvas pelo método dos mínimos quadrados 5-7
  b 2   b g ( x ) g ( x )dx   b
  a g1 ( x )dx  1   
 a 1 n  n
 a f ( x) g1( x)dx
 b
  g 2 ( x ) g1( x )dx  1      g 2 ( x ) g n ( x )dx   n
b b

 a   a 
 a f ( x) g2 ( x)dx .
    
 b   g 2 ( x )dx  
b b
 a g n ( x ) g1( x )dx  1   
 a n  n
 a f ( x) gn ( x)dx
 
Este é um sistema linear A  b de ordem n .
b
A ( aij ) tal que aij   gi ( x ) g j ( x )dx  a ji  aij  a ji .
a
A é SIMÉTRICA. ( 1 ,  2 , 3 ,,  n ) e b ( b1 , b2 , b3 ,, bn ), tal que
b
bi   f ( x ) gi ( x )dx .
a
Usando a definição de produto escalar de duas funções p ( x ) e q ( x ) no intervalo
b
[ a , b ] por  p, q   p( x )  q( x)dx , o sistema A  b fica:
a

A ( aij ) gi , g j e b ( bi ) f , gi .

4. Aproximar a função f ( x )4 x 3 por um polinômio do primeiro grau, uma reta, no

intervalo [0,1].
Resolução:
g ( x ) 1 g1 ( x )  2 g 2 ( x )= .......... .......... .......... .......... ......... , isto é, g1 ( x ) .......... e
g 2 ( x ) .......... .
a a    b    g , g   g1 , g 2    1    f , g1 
A  b   11 12    1    1    1 1   
a21 a22   2  b2   g 2 , g1  g 2 , g 2    2   f , g 2  

a11   g1 , g1   ..........

a12   g1 , g 2    g 2 , g1   a21  ..........

a22   g 2 , g 2   ..........

b1   f , g1   ..........

b2   f , g 2   ..........

A  b 

Logo:

g ( x ) .......... .......... .......... .......... .........  f ( x )4 x 3 em [0,1].

Lauro / Nunes
Cálculo Numérico Ajuste de curvas pelo método dos mínimos quadrados 5-8

5. Aproximar a função f ( x ) e x no intervalo [0,1] por uma reta.

Resolução:
g ( x ) 1 g1 ( x )  2 g 2 ( x )= .......... .......... .......... .......... ......... , isto é, g1 ( x ) .......... e
g 2 ( x ) .......... .

a a    b    g , g   g1 , g 2    1    f , g1 
A  b   11 12    1    1    1 1   
a21 a22   2  b2   g 2 , g1  g 2 , g 2    2   f , g 2  

a11   g1 , g1   ..........

a12   g1 , g 2    g 2 , g1   a21  ..........

a22   g 2 , g 2   ..........

b1   f , g1   ..........

b2   f , g 2   ..........

Usando o método de integração por partes em b2 :  u  dv  u  v   v  du

g ( x ) .......... .......... .......... .......... .........  f ( x ) e x em [0,1].

Lauro / Nunes
Cálculo Numérico Ajuste de curvas pelo método dos mínimos quadrados 5-9

5.4 Família de Funções Não Lineares nos Parâmetros

Em alguns casos, a família de funções escolhidas pode ser não linear nos parâmetros,
m
isto é, g ( x ) não é da forma  k  gk (x) . Nestes casos é preciso efetuar uma “linearização”,
k 1
através de transformações convenientes.
Exemplos:
 1o) f ( x ) 1  e 2 x  g ( x )
ln f ( x ) ln 1  e 2 x  ln 1   2  x  G ( x ).
Fazendo ln 1  a1 e  2  a2 , tem-se: G ( x ) a1  a 2  x ,
Desta forma G ( x ) ln f ( x ), sendo que G ( x ) é linear nos parâmetros a1 e a 2 .
1
 2o) f ( x ) g(x)
1   2  x
1
 1   2  x  G ( x ).
f (x )
Fazendo 1  a1 e  2  a2 , tem-se: G ( x ) a1  a 2  x ,
1
Desta forma G ( x ) , sendo que G ( x ) é linear nos parâmetros a1 e a 2 .
f (x )

 3o) f ( x ) 1  2  x  g ( x )
f 2 ( x ) 1  2  x  G ( x ).
Fazendo 1  a1 e  2  a2 , tem-se: G ( x ) a1  a 2  x ,
Desta forma G ( x ) f 2 ( x ), sendo que G ( x ) é linear nos parâmetros a1 e a 2 .

Lauro / Nunes
Cálculo Numérico Ajuste de curvas pelo método dos mínimos quadrados 5-10

6. Ajustar os dados da tabela que segue por uma função da forma g ( x ) 1  e 2 x .

x 0 1 2
f (x) 1 0,5 0,7
Resolução: Desta forma, “linearizando” a função g ( x ) 1  e 2 x , como no primeiro
exemplo anterior, tem-se:

  g1 , g1   g1 , g 2    a1    , g1  
 g , g   g , g     a     , g 2  
 2 1 2 2   2 
g1 [ .......... .......... .......... ]T
g 2 [ .......... .......... .......... ]T
.......... .......... [ .......... .......... .......... .......... .......... .......... ]T
 g1, g1  .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g1 , g 2   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 g 2 , g1   g1, g 2   ..........
 g 2 , g 2   .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 .......... .... , g1  
.......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....
 .......... ... , g 2  
.......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ....

 g ( x ) .......... .......... .......... .......... .........  f ( x ).

Os parâmetros assim obtidos não são ótimos dentro do critério dos mínimos
quadrados, isto porque estamos ajustando o problema linearizado por mínimos quadrados e
não o problema original. Portanto, os parâmetros a1 e a 2 do exemplo, são os que ajustam a
função G ( x ) à função ln f ( x ), no sentido dos mínimos quadrados. Não se pode afirmar
que os parâmetros 1 e  2 (obtidos de a1 e a 2 ) são os que ajustam g ( x ) 1  e 2 x à f ( x ),
dentro do critério dos mínimos quadrados.

Lauro / Nunes
Cálculo Numérico Integração Numérica 6-1

6 Integração Numérica
Se uma função f ( x ) é contínua em um intervalo [ a , b ] e sua primitiva F ( x ) é
conhecida, então

b
a f ( x)dx  F ( b ) F ( a ) (01)

onde F ' ( x ) f ( x ).
Por outro lado, nem sempre se tem F ( x ) e em alguns casos, a função a ser integrada
é dada por meio de tabela de pontos. Neste caso, torna-se necessária a utilização de métodos
numéricos.
A idéia básica da integração numérica é a substituição da função f ( x ) por um
polinômio que a aproxime no intervalo [ a , b ]. Assim o problema fica resolvido pela
integração de polinômios, o que é trivial de se fazer.

6.1 Fórmulas de Newton-Cotes

Neste caso, o polinômio que interpola f ( x ) o faz em pontos igualmente espaçados de
[ a , b ].
n
f ( x )dx   Ai f ( x i ) , sendo Ai coeficientes
b
Fórmulas fechadas: x 0  a , x n  b e a i 0
determinados de acordo com o grau do polinômio aproximador.

6.1.1 Regra dos Trapézios

f (x )
y p 1(x )
f ( x 1)

f ( x 0)

0 a= x0 b= x1 x
h = b - a , h = x 1- x 0
A integral de f ( x ) no intervalo [ a , b ] é aproximada pela área de um trapézio.

b h
a f ( x)dx 
2
[ f ( x 0 ) f ( x1 )]  IT (02)

A aproximação de f ( x ) pela fórmula de Lagrange é p1 ( x ) y 0 L 0 ( x ) y1 L1 ( x )

x  x1 x  x0
com L 0 ( x ) e L1 ( x ) , logo:
x 0  x1 x1  x 0

x  x1 x  x0
p1 ( x ) f ( x 0 ) f ( x1 ) (03)
h h

Lauro / Nunes
Cálculo Numérico Integração Numérica 6-2
Estimativa para o Erro
f ( n 1) ( x )
f ( x ) p1 ( x ) E ( x ) E n ( x )( x  x 0 )( x  x n )
( n  1)!
f " ( x )
E ( x )( x  x 0 )( x  x1 ) ,  x ( x 0 , x1 )
2
f " ( x )
f ( x ) p1 ( x )( x  x 0 )( x  x1 ) .
2
Integrando f ( x ):
x1 x1 x1 f " ( x ) x0  a
x 0
f ( x ) dx   p1 ( x ) dx  
x0 x0
( x  x 0 )( x  x1 )
2
dx , com 
 x1  b
b
IT   p1 ( x ) dx
a

b f " ( x )
E T   ( x  a )( x  b ) dx
a 2
1 " b
ET  f ( c )  ( x  a )( x  b ) dx
2 a

1 (b  a )3
E T  f " ( c )
2 6

h3 "
E T  f ( c ) com c ( a , b ) (04)
12
ou

h3
| E T | max | f " ( x )| (05)
12 x[ a ,b ]
OBS. 18:
b
b  x 3 ax 2 bx 2  ( a  b) 3 (b  a )3
a ( x  a x  b x  a b ) dx      abx   
2
.
 3 2 2 a 6 6

9
1. Calcular 1 6x  5 dx , usando a regra dos trapézios.

Resolução:

9
1 6x  5 dx  IT  .......... .......... .

Lauro / Nunes
Cálculo Numérico Integração Numérica 6-3
O erro cometido será, no máximo:

Logo, | E T | .......... .......... .

6.1.2 Regra dos Trapézios repetida

y

f (x )

0 a= x0 x1 x2 x3 x n -1 b= xn x
h  x1  x 0  x 2  x1  x 3  x 2    x n  x n 1
ba
h , com n sendo o número de subdivisões do intervalo [ a , b ].
n
b
a f ( x)dx  A1  A2  A3  An tal que Ai área do trapézio i , com i 1,2,, n .
h
Ai  [ f ( x i 1 ) f ( x i )]
2

n 1
h
f ( x )dx  [ f ( x 0 ) f ( x n )2  f ( x i ) ]
b
a 2 i 1
(06)

Estimativa para o Erro

(b  a ) 3
| E TR | 2
max | f " ( x )| (07)
12n x[ a ,b ]

9
2. Calcular 1 6x  5 dx empregando o método dos trapézios com 8 repetições.
Determine uma aproximação para o erro cometido.
Resolução:

Lauro / Nunes
Cálculo Numérico Integração Numérica 6-4

x x 0  ....... x1  ....... x 2  ....... x 3  ....... x 4  ....... x 5  ....... x 6  ....... x 7  ....... x 8  .......

f (x)

9
1 6x  5 dx  .......... .......... .
Erro cometido será, no máximo:

| E TR |  .......... .......... .
Neste caso em particular, f ( x ) pode ser integrada de forma exata:

9
1 6x  5 dx  .......... .......... .

1
3. Seja I   e x dx . Calcule uma aproximação para I usando 10 subintervalos e a regra
0
dos trapézios repetida. Estimar o erro cometido.
Resolução:

1 x
0 e dx  .......... .......... .
Erro cometido será, no máximo:

| E TR |  .......... .......... .

1
4. Seja I   e x dx . Qual o número mínimo de subdivisões, para a regra dos trapézios
0
repetida aplicada em I , de modo que o erro seja inferior a 103?
Resolução:

n  .......... .......... .

6.1.3 Regra 1/3 de Simpson

É obtida aproximando-se a função f ( x ) da equação (01) por um por um polinômio
interpolador de 2o grau, p2 ( x ), que é dado pela fórmula de Lagrange:
p2 ( x ) L0 ( x ) f ( x0 ) L1 ( x ) f ( x1 ) L2 ( x ) f ( x2 )

Lauro / Nunes
Cálculo Numérico Integração Numérica 6-5
2 (x  x j )
tal que Li ( x )  , com i 0,1,2.
j  0 ( xi  xj)
j i

y
f (x )
f ( x 0) p2(x )
f ( x 2)
f ( x 1)

0 a= x0 m= x 1 b= x2 x
h h
x0  a , x1  m e x2  b
ab
m  x1 
2
ba
h
2
x0  x1  h , x0  x2 2 h ,
x1  x0  h , x1  x2  h ,
x2  x0 2 h , x2  x1  h .
( x  x1 )( x  x 2 ) ( x  x 0 )( x  x 2 ) ( x  x 0 )( x  x1 )
p 2 ( x ) f ( x 0 ) f ( x1 ) f ( x2 )
( h)(2h) ( h)( h) ( 2h)( h)
b x2 x2
a f ( x)dx  x 0
f ( x )dx   p2 ( x )dx
x0
f ( x0 ) x2 f ( x1 ) x2 f ( x2 ) x2

2h 2 x
0
( x  x1 )( x  x2 ) dx 
h 2  x 0
( x  x0 )( x  x2 )dx 
2h 2 x ( x  x0 )( x  x1 )dx
0

h
 [ f ( x 0 )4 f ( x1 ) f ( x2 )]. Logo:
3

b x2 h
a f ( x )dx   f ( x )dx  [ f ( x 0 )4 f ( x1 ) f ( x2 )] (08)
x0 3

Estimativa para o Erro

x2 x2 x2
x 0
f ( x )dx   p2 ( x )dx   R 2 ( x )dx
x0 x0

b b f ''' ( x )
ES   R 2 ( x )dx   ( x  x0 )( x  x1 )( x  x2 ) dx (09)
a a 3!

Lauro / Nunes
Cálculo Numérico Integração Numérica 6-6
Mudança de Variável
x  x0 x0  x 0
z  x  hz  x 0 x  x0  a  z   z 0
h h
x2  x 0 2h
x  x2  b  z    z 2
h h
dx
dz   dx  h dz
h
h  f ''' ( z ) 2
ES 
6 0 hz ( hz  h )( hz 2 h ) dz
h 4  f ''' ( z ) 2 h 4 ''' 2
ES 
6  0
z ( z 1)( z 2) dz 
6
f ( z )  ( z 3  3z 2  2 z ) dz
0
2
h 4 '''  z4  h 4 '''
ES  f ( z )    z 3  z 2   f ( z ) 0  0.
6  4  6
0
0
Logo, ES 0. Isso quer dizer que ES não depende de R2 (resíduo de 2o grau).
Então:
b b f 4 ( x )
ES   R3 ( x )dx   ( x  x0 )( x  x1 )( x  x2 )( x  x3 ) dx
a a 4!
h5  f 4 (  z ) 2 h5 4 2 4
ES 
24 0
z ( z 1)( z 2)( z 3) dz 
24
f (  z ) 0
( z  6 z 3  11z 2  6 z )dz

4

15

h5 4
ES   f () com ( a  b ).
90

h5
| ES |   max | f 4 (x ) | (10)
90 x[ a ,b ]
ba 5 (b  a )
5
Considerando h   h  , tem-se:
2 32

(b  a )5
| ES |   max | f 4 (x ) | (11)
2880 x[ a ,b ]

Lauro / Nunes
Cálculo Numérico Integração Numérica 6-7

6.1.4 Regra 1/3 de Simpson repetida

f (x )

0 a= x0 x1 x2 x3 x4 x5 x6 xm -2 xm -1 b = x m x
h
ba
Na figura, tome h   h  xi  xi 1 ( i 1,2, m ), para m 2 n  m é par.
2n
Aplica-se a regra de Simpson repetidas vezes no intervalo [ a , b ][ x0 , xm ].
x0 , x1 ,, xm são pontos igualmente espaçados.
Então:
n
h
 3 [ y 2i  2 4 y 2i 1  y 2i ]
b xm
a f ( x ) dx   x0 f ( x ) dx 
i 1
h h h
 [ y 0 4 y1  y2 ] [ y2 4 y 3  y4 ] [ ym  2 4 y m 1  ym ]
3 3 3
b h
a f ( x)dx  3 [ y 0  ym 2( y2  y4  ym2 )4( y1  y 3  y m1 )]
1 m m
h  2 2 
f ( x )dx   y 0  ym 2  y2i 4  y2i 1 
b
a 3  i 1 i 1 
(12)

Estimativa para o erro: ESR

h5
ESR  n   max | f 4 (x ) |
90 x[ a ,b ]

h5
ESR  n   max | f 4 (x ) | (13)
90 x[ a ,b ]
ba (b  a )5
Considerando h   h5  , tem-se:
2n 32n5

(b  a )5
ESR   max | f 4 (x ) |
4 x[ a ,b ]
(14)
2880n

Lauro / Nunes
Cálculo Numérico Integração Numérica 6-8

1
5. Seja I   e x dx . Calcule uma aproximação para I usando a regra 1/3 de Simpson com
0
m 10. Estime o erro cometido.
Resolução:

1 x
0 e dx  .......... .......... .......... .......... ......... .
Estimativa do erro:

ESR  .......... .......... .......... .......... ......... .

Observe que ESR  .......... .......... .......... .......... ......... e ETR  .......... .......... .......... .......... ......... .

1
6. Seja I   e x dx . Para que valor de m teríamos erro inferior a 103?
0

Resolução:

m  .......... ..........  Para um erro inferior a 103 seriam necessários .......... subintervalos.
Obs: na regra dos trapézios com repetição são necessários .......... intervalos.

10
7. Seja I   log xdx . Aproxime I com a regra dos trapézios com 8 repetições. Estime o
6
erro cometido.
Resolução:

h  .......... .......... .......... .......... .........  h  .......... .......... .

i 0 1 2 3 4 5 6 7 8
xi

f ( xi )

Lauro / Nunes
Cálculo Numérico Integração Numérica 6-9
10
6 log xdx  .......... .......... .......... .......... ......... .
Estimativa do erro:

 ETR  .......... .......... .......... .......... ......... .

10
8. Seja I   log xdx . Aproxime I com a regra de Simpson com 8 subintervalos. Estime
6
o erro cometido.
Resolução:

h  .......... .......... .......... .......... .........  h  .......... .......... . m  .......... e n  .......... .

i 0 1 2 3 4 5 6 7 8
xi

f ( xi )

10
6 log xdx  .......... .......... .......... .......... ......... .
Estimativa do erro:

 E SR  .......... .......... .......... .......... ......... .

Lauro / Nunes
Cálculo Numérico Solução numérica de equações diferenciais ordinárias 7-1

7 Solução numérica de equações diferenciais

ordinárias
7.1 Introdução
Se uma equação diferencial tem apenas uma variável independente, então ela é uma
equação diferencial ordinária.
 EXEMPLOS:
dy
 x  y ; y ,  x 2  y 2 ; y ,, (1 y 2 ) y ,  y 0.
dx
Se uma equação diferencial envolve mais que uma variável independente, então ela é
equação diferencial parcial.
 EXEMPLO:
 2u  2u
 0, com u  u ( x , y ).
x 2 y 2
A ordem de uma equação diferencial é a mais alta ordem de derivação que aparece na
equação.
Se, dada uma equação diferencial de ordem n , a função, assim como suas derivadas
até ordem n 1, são especificadas em um mesmo ponto, então temos um problema de valor
inicial (PVI).
Se, em problemas envolvendo equações diferenciais ordinárias de ordem n , n 2, as
n condições fornecidas não são dadas todas num mesmo ponto, então temos um problema de
valor de contorno (PVC).

dy
1. Resolver a seguinte EDO:  xy .
dx
Resolução:

 y  .......... .......... , para k . Que representa uma família de curvas em 2.

2. Para a mesma EDO anterior, y ,  xy , resolva considerando uma condição inicial

y ( x0 ) y0 , com x0 0 e y0 1.
Resolução:

y  .......... .......... .

Lauro / Nunes
Cálculo Numérico Solução numérica de equações diferenciais ordinárias 7-2

7.2 Problema de valor inicial (PVI)

Uma equação diferencial de ordem n se apresenta da seguinte forma:

y (n )  f ( x , y , y , , y ,, , y (3) , y (4 ) ,, y ( n 1) ) (01)

onde
dl y
y  l , l =1,2,, n , x [ a , b ] e y :[ a , b ].
(l )
dx
Associadas a Eq 01, podem existir condições cujo número coincide com a ordem da
EDO. Se tais condições se referem a um único valor x , tem-se um PROBLEMA DE VALOR
INICIAL – PVI. Caso contrário, tem-se um problema de valores de contorno.

7.2.1 Solução numérica de um PVI de primeira ordem

ba
Toma-se m subintervalos de [ a , b ], ( m 1), e faz-se x j  x0  j h onde h  ,
m
j 0,1,2,, m , x j [ a , b ].
I h { x0 , x1 ,, xm } é denominado REDE ou MALHA de [ a , b ]. A solução numérica
ym ( x ) é a função linear por partes.

y (xm )

Solução
Exata ym

y (x3)
y (x2) Solução
y (x1) y3 Numérica
y (x0)
y (x0) = y0 y2
y0 y1

x0 x1 x2 x3 xm-1 xm
 NOTAÇÃO: y ( x j ) y j significa que y j é aproximação para y ( x j ), x j  I h .

 NO GRÁFICO: y ( x j )  valor exato;

 y j  valor aproximado; j 1,2,, m .

7.2.2 Método de Euler

Seja o PVI de primeira ordem definido por:


 y  f ( x, y )
,
 (02)

 y( x0 )  y0  , sendo  um número dado.

Lauro / Nunes
Cálculo Numérico Solução numérica de equações diferenciais ordinárias 7-3
Para se aproximar y j para as soluções exatas y ( x j ), com j 1,2,, m , procura-se
inicialmente y1 .
T
y1
e1
y (x1) y (x )

y (x0) = y0

x0 x1
Traça-se a tangente T à curva y ( x ) no ponto ( x0 , y ( x0 )), cuja equação é:

y ( x ) y ( x0 )( x  x0 ) y , ( x0 ) (03)
Fazendo x  x1 e lembrando que y ( x0 ) y0 , x1  x0  h , y , ( x0 ) f ( x0 , y ( x0 )) e
y1  y ( x1 ), tem-se:

y1  y0  h  f ( x0 , y ( x0 )) (04)

Erro cometido
e1  y1  y ( x1 ).

Aproximação e erro de yj de forma geral

 y j 1  y j  h  f ( x j , y j )

 , com j 0,1,2,, m 1 (05)

e j  1  y j 1  y ( x j 1 )
O método de Euler consiste em calcular RECURSIVAMENTE a seqüência { y j }
através das fórmulas:

( A) y0  y( a )  
 , com j 0,1,2,, m 1 (06)
( B ) y j 1  y j  h  f ( x j , y j )

 y,  x  y  2
3. Achar aproximações para a solução do PVI  na malha de [0,1] com
 y ( 0 )  2
h 0,1.
Resolução:
1 0
x0 0, y0 2, a 0, b 1, m   m 10.
0,1
Usar 0 para j 0,1,2,,9.
 j 0:

Lauro / Nunes
Cálculo Numérico Solução numérica de equações diferenciais ordinárias 7-4

 j 1:

 TABELA:
j xj yj y ( xj ) y j  y ( x j ) e j
0 0 2 2
1 2,004837
2 2,018731
3 2,040818
4 2,07032
5 2,106531
6 2,148812
7 2,196585
8 2,249329
9 2,30657
10 2,367879
Na pratica, não se dispõe da solução exata y ( x j ) do PVI. Daí a necessidade de se
determinar uma expressão matemática para o erro. Usa-se a fórmula de Taylor para
desenvolver y ( x ), solução teórica do PVI, em torno de x0 :

x  x0 , ( x  x0 )2 ,, ( x  x0 )3 ,, ,
y ( x ) y ( x0 ) y ( x0 ) y ( x0 ) y ( x0 ) (07)
1! 2! 3!
Fazendo x  x1 e lembrando que y ( x0 ) y0 , x1  x0  h , y , ( x0 ) f ( x0 , y ( x0 )) e
y1  y ( x1 ), toma-se os dois primeiros termos da equação (07):
y1  y0  h  f ( x0 , y0 ). Generalizando-se, tem-se equação (05).

Erro local de truncamento - ELT

O erro no método de Euler quando se calcula y1 é obtido a partir do resto da fórmula
( x  x0 )2 ,, h 2 ,,
de Taylor, que é: y (), x0  x1 , ou e1  y (), para h  x1  x0 .
2! 2!
Numa etapa j dos cálculos, tem-se:

h 2 ,,
ej  y (), x j 1  x j , (08)
2!
que é o ERRO LOCAL DE TRUNCAMENTO – ELT.
Na prática, procura-se estabelecer COTAS ou ESTIMATIVAS para que se possa
conduzir o cálculo do erro com segurança.

Lauro / Nunes
Cálculo Numérico Solução numérica de equações diferenciais ordinárias 7-5

Toma-se k  y ,, (), constante, e h suficientemente pequeno para ser tomado como

parâmetro do ELT. Diz-se que ELT é da ordem de h 2 e se escreve ( h 2 ).

7.2.3 Métodos de Runge-Kutta

Métodos de passo simples
Um método para resolver o PVI é de passo simples se a aproximação y j 1 depende
apenas do resultado y j da etapa anterior.
Forma geral para métodos de passo simples:

y j 1  y j  h ( x j , y j ; h ), para j 0,1,2,, m 1. (09)

Onde  é a função incremento e h o comprimento do passo.
OBS. 19: Para o método de Euler, a função incremento é ( x j , y j ; h ) f ( x j , y j ). Um
caso especial de Runge-Kutta.

Métodos com Derivadas

O método de Euler possui ordem um pois, foi obtido da fórmula de Taylor com
desenvolvimento até o termo em h .
Ao fazer o mesmo desenvolvimento até o termo em h 2 , obtém-se o método de passo
simples e ordem dois.

h 2 ,,
y j 1  y j  h y , ( x j ) y ( x j ), para j 0,1,2,, m 1. (10)
2!

ELT – Erro local de truncamento

h3 ,,,
e j 1  y (), x j  x j 1 . (11)
3!
OBS. 20: Em (10), y , ( x j ) f ( x j , y j ).
y ,, ( x j )? Regra da cadeia de f em relação a x j :
f f x f y
(x j , y j ) ( x j , y j ) (x j , y j )  ( x j , y j ) (x j , y j )
x x
 x y
 x

 y ,, ( x j ) 1  f (x j ,y j )

f f
y ,, ( x j ) ( x j , y j ) ( x j , y j ) f ( x j , y j )
x y

Lauro / Nunes
Cálculo Numérico Solução numérica de equações diferenciais ordinárias 7-6

 y,  x  y  2
4. Achar aproximações para a solução do PVI  na malha [0,1] com h =0,1
 y ( 0 )  2
usando o método da equação (10).
Resolução:
1 0
x0 0, y0 2, a 0, b 1, m   m 10.
0,1
Usar equação (10) para j 0,1,,9.
 j 0:

 j 1:

 TABELA:
j xj yj y ( xj ) y j  y ( x j ) e j
0 0 2 2
1 2,004837
2 2,018731
3 2,040818
4 2,07032
5 2,106531
6 2,148812
7 2,196585
8 2,249329
9 2,30657
10 2,367879

Lauro / Nunes
Cálculo Numérico Solução numérica de equações diferenciais ordinárias 7-7
7.2.4 Método de Euler Aprimorado (Método de Runge-Kutta de Segunda
Ordem)
Retomando a equação (09): y j 1  y j  h ( x j , y j ; h ), para j 0,1,2,, m 1.
1
Fazendo-se ( x j , y j ; h ) ( k1  k2 ) e substituindo na equação, tem-se:
2

h
y j 1  y j  ( k1  k2 ), para j 0,1,2,, m 1 (12)
2
onde k1  f ( x j , y j ) e k2  f ( x j  h , y j  h k1 ).

 dy
   xy
5. Achar aproximações para a solução do PVI  dx na malha [0,1] com h =0,5
 y(0)  1
usando o método de Euler Aprimorado.
Resolução:
y ( x j ) e x / 2 | y j  y ( x j )|
2
j xj yj k1 k2
0 0 1
1
2

7.2.5 Fórmulas de Runge-Kutta de Quarta Ordem

Estas fórmulas são normalmente as mais utilizadas.

h
y j 1  y j  ( k1 2 k2 2 k3  k4 ), para j 0,1,2,, m 1 (13)
6
onde k1  f ( x j , y j ),
h h
k2  f ( x j  , y j  k1 ),
2 2
h h
k3  f ( x j  , y j  k 2 ) e
2 2
k4  f ( x j  h , y j  h k3 ).

Erro local de truncamento: ETL

h 5 (5)
ej  y (), x j 1  x j (14)
5!

Lauro / Nunes
Cálculo Numérico Solução numérica de equações diferenciais ordinárias 7-8

 dy
   xy
6. Calcular a solução do PVI  dx com h =0,1, no interior do intervalo [0,1], pelo
 y(0)  1
método de Runge-Kutta de quarta ordem.
h
Resolução: y j 1  y j  ( k1 2 k2 2 k3  k4 ), para j 0,1,2,,9.
6
k1  .......... .......... .......... .......... .......... .......... .......... .......... .........
k2  .......... .......... .......... .......... .......... .......... .......... .......... .........
k3  .......... .......... .......... .......... .......... .......... .......... .......... .........
k4  .......... .......... .......... .......... .......... .......... .......... .......... .........
j xj yj k1 k2 k3 k4
0 0 1
1
2
3
4
5
6
7
8
9
10

 y,  x  y  2
7. Achar aproximação para a solução do PVI  na malha [0,1] com h =0,1
 y ( 0)  2
usando o método de Runge-Kutta de segunda ordem (Euler aprimorado).
1 0
Resolução: x0 0, y0 2, a 0, b 1, m   m 10.
0,1
0,1
y j 1  y j  ( k1  k2 ), para j 0,1,2,,9.
2
k1  .......... .......... .......... .......... .......... .......... .......... .......... ......... e k2  .......... .......... .......... .......... .......... .......... .......... .......... .........
j xj yj k1 k2
0 0 2
1
2
3
4
5
6
7
8
9
10

Lauro / Nunes
Cálculo Numérico Referências Bibliográficas 8-1

8 Referências Bibliográficas
1 ALBRECHT, P. Análise numérica: um curso moderno. Rio de Janeiro: LTC - Livros
Técnicos e Científicos: UNIVERSIDADE DE SÃO PAULO – USP, 1973.
2 JACQUES, I.; JUDD, C. Numerical analysis. London: Chapman and Hall, 1987.
3 SANTOS, V. R. B. Curso de cálculo numérico. São Paulo: USP, 1982.
4 BARROSO, L. C. Cálculo numérico (com aplicações). São Paulo: Harbra Editora
Ltda., 1987.
5 BURDEN, R. L.; FAIRES, D. Análise Numérica. São Paulo: Thomson/Pioneira,
2008.
6 MIRSHAWKA, V. Cálculo numérico. São Paulo: Nobel, 1981.
7 RUGGIERO, M. A. G. e LOPES, V. L. R. Cálculo numérico: aspéctos teóricos e
computacionais. São Paulo: Makron Books, 1997.
8 SPERANDIO, D.; MENDES, J. T.; SILVA, L. H. M. e. Cálculo numérico:
características matemáticas e computacionais dos dos métodos numéricos. São Paulo:
Prentice Hall, 2003.

Lauro / Nunes