You are on page 1of 101

Notas de Aul as

O conteúdo deste materi al é baseado em l i vros de
vári os autores e é desti nado somente como apoi o aos
al unos do curso de graduação.
Agosto 2012
Cl audi r Ol i vei ra
As notas conti das nesta
aposti l a correspondem a
um gui a ao curso de
Cál cul o Numéri co,
portanto, as abordagem
são si mpl i fi cadas. Fi cam
ausentes quai squer
demostração de teoremas
e defi ni ções. Esses temas
serão abordados em sal a
de aul as ou o l ei tor pode
veri fi car os l i vros
mensi onados nas
referênci as.
Entre os assuntos
abordados estão: Matri zes
e Si stema de Equações
Li neares, Sol uções de
Equações Não-Li neares,
Interpol ação e Aj ustes de
Curvas, Integração e
Di ferenci ação Numéri ca e
Sol ução Numéri ca de
Equações Di ferenci ai s
Ordi nári as.
As l i stas de exercíci o e
os respecti vos códi gos
podem ser obti dos em
www.educmath.com.br
Nota
Cál cul o Numéri co
Cálculo Numérico
Prof.
Claudir Oliveira
Notas de aula vs 2.
Graduação - UERJ
Curso de Engenharia da Computação
Universidade do Estado do Rio de Janeiro
Nova Friburgo-RJ
Agosto-2012
SUMÁRIO 1
Sumário
1 Interpolação e Ajuste de Curvas 3
1.1 Interpolação Polinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Polinômio Interpolador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Forma Lagrangeana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Forma de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1 Construção do Polinômio . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Cálculo do Erro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6 Escolha dos Pontos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7 Interpolação Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.8 Ajuste de Curvas: Mínimos Quadrados . . . . . . . . . . . . . . . . . . . . . . 18
1.9 Interpolação por splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2 Matrizes e Sistemas de Equações lineares 27
2.1 Métodos Diretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.1 Sistema Triangular Superior . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.2 Método de Eliminação de Gauss . . . . . . . . . . . . . . . . . . . . . 28
2.1.3 Pivotamento Parcial . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1.4 Matriz Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2 Métodos Iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2.1 Critério de Convergência . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.2.2 Método Iterativo de Gauss-Jacobi . . . . . . . . . . . . . . . . . . . . 40
2.2.3 Critérios das Linhas . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2.4 Método Iterativo de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . 45
2.2.5 Critério de Sassenfeld . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.3 Observações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3 Solução de Equações não-lineares 55
3.1 Raiz aproximada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.2 Método da Bisseção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.2.1 Critério de parada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.2.2 Critério de convergência . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.2.3 Estimativa do número de iterações . . . . . . . . . . . . . . . . . . . . 57
3.3 Método da Falsa Posição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3.1 Critério de Parada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3.2 Critério de Convergência . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.3.3 Função de Iteração . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.4 Método de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.4.1 Critério de Parada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.4.2 Critério de convergência . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.5 Método da Secante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.6 Sistemas de Equações Não-Lineares . . . . . . . . . . . . . . . . . . . . . . . 71
3.6.1 Método iterativo de Newton . . . . . . . . . . . . . . . . . . . . . . . 71
4 Diferenciação Numérica 79
4.1 Aproximação da derivada por diferenças finitas . . . . . . . . . . . . . . . . . 79
4.1.1 Aproximacão usando Lagrange . . . . . . . . . . . . . . . . . . . . . 80
4.1.2 Aproximação da segunda derivada. . . . . . . . . . . . . . . . . . . . 82
5 Integração Numérica 84
5.1 Integração numérica via interpolação polinomial . . . . . . . . . . . . . . . . . 84
5.2 Regra do Trapézio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.3 Regra de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.4 Regra de Simpson com exatidão crescente . . . . . . . . . . . . . . . . . . . . 91
5.5 Mudança do intervalo de integração . . . . . . . . . . . . . . . . . . . . . . . 92
5.6 Quadratura Gaussiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.7 Integração de funções mal comportadas . . . . . . . . . . . . . . . . . . . . . 96
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 3
1 Interpolação e Ajuste de Curvas
Polinômios são utilizados como meios básicos de aproximação em quase todas as áreas
da análise numérica. Eles são utilizados na solução de equações e na aproximação de funções,
de derivadas e integrais, etc.
Por esta razão, a representação e avaliação dos polinômios é um tópico básico em análise
numérica. Discutimos esse assunto no presente capítulo no contexto de interpolação polino-
mial, o mais simples e, certamente, a técnica mais utilizada para a obtenção de aproximações
polinomiais.
Destacamos também que a forma usual de descrever um polinômio pode nem sempre ser
a melhor forma de cálculos, e propor alternativas, nomeadamente a forma de Newton.
1.1 Interpolação Polinomial
Um polinômio p
n
(x) de grau ≤ n é, por definição, uma função da forma
p
n
(x) = a
0
+ a
1
x + a
2
x
2
+ ... + a
n
x
n
(1.1)
com certos coeficientes a
0
, a
1
, ..., a
n
. Este polinômio possui grau n no caso dos seus principais
coeficiente a, é diferente de zero. A forma de uso da Eq.(1.1) é a forma padrão de especificar um
polinômio nas discussões matemáticas. É uma forma muito conveniente para a diferenciação
ou a integração de um polinômio. Mas, em diversos contextos específicos, outras formas são
mais convenientes.
Exemplo:
Dados os pontos (x
0
, f(x
0
)),(x
1
, f(x
1
)), ..., (x
n
, f(x
n
)), pontos, deseja-se interpolar
f(x) por um polinômio p
n
(x), de grau ≤ n, tal que
f (x
k
) = p
n
(x
k
), k = 0, 1, ..., n
Representa-se p
n
(x) pela Eq. (1.1). Portanto, obter p
n
(x) significa obter os coeficientes
a
0
, a
1
, ..., a
n
. Da condição f(x
k
) = p
n
(x
k
) para k = 0, 1, ..., n, monta-se o seguinte sistema
linear:
_
¸
¸
¸
¸
_
¸
¸
¸
¸
_
a
0
+ a
1
x
0
+ a
2
x
2
0
+ ... + a
n
x
n
0
= f(x
0
)
a
0
+ a
1
x
1
+ a
2
x
2
1
+ ... + a
n
x
n
1
= f(x
1
)
.
.
.
.
.
.
.
.
.
a
0
+ a
1
x
n
+ a
2
x
2
n
+ ... + a
n
x
n
n
= f(x
n
)
(1.2)
com n + 1 equações e n + 1 variáveis: a
0
, a
1
, ..., a
n
. A matriz dos coeficientes é uma
matriz de Vandermonde
1
,
_
¸
¸
¸
¸
_
1 x
0
x
2
0
. . . x
n
0
1 x
1
x
2
1
x
n
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 x
n
x
2
n
x
n
n
_
¸
¸
¸
¸
_
(1.3)
a qual admite inversa desde que os pontos nodais x
0
, x
1
, ..., x
n
sejam distintos.
O problema desta técnica de determinação dos coeficientes é a sua tendência de propagar
os erros de arredondamento à medida que os pontos nodais se aproximam uns dos outros, pois
1
Em um determinante de Vandermonde cada linha (coluna) é uma progressão geométrica com o primeiro
elemento igual a 1.
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 4
o determinante de Vandermonde tende a zero nestas situações, gerando um sistema de equações
mal condicionado
2
.
Exemplo 1.1. Encontre o polinômio de grau menor ou igual a 2 que interpola os pontos da
tabela
x -1 0 2
f(x) 4 1 -1
Resolução:
Tem-se que p
2
(x) = a
0
+ a
1
x + a
2
x
2
e portanto,
p
2
(x) =f(x
0
) =⇒ a
0
−a
1
+ a
2
= 4
p
2
(x
1
) =f(x
1
) =⇒ a
0
= 1
p
2
(x
2
) =f(x
2
) =⇒ a
0
+ 2a
1
+ 4a
2
= −1
Resolvendo o sistema linear, obtém-se a
0
= 1, a
1
= −
7
3
, a
1
=
2
3
. Assim,
p
2
(x) = 1 −
7
3
x +
2
3
x
2
é o polinômio que interpola f(x) em x
0
= −1, x
1
= 0 e x
2
= 2.
Uma característica importante da interpolação polinomial é que o polinômio interpolador
é único:
1.2 Polinômio Interpolador
Teorema 1.2. (Existência e Unicidade): Se x
0
, x
1
, ..., x
n
são números reais, distintos, então
para números arbitrários y
0
, y
1
, ..., y
n
, existe um polinômio único p
n
, de grau máximo n, tal que
p
n
(x
i
) = y
i
, 0 ≤ i ≤ n.
Prova:
Unicidade: Suponha dois polinômios p
n
e q
n
; então o polinômio p
n
q
n
tem a propriedade
(p
n
q
n
)(x
i
) = 0 para 0 ≤ i ≤ n. Como o grau de p
n
q
n
é no máximo n, esse polinômio pode
ter no máximo n raízes se ele não é o polinômio nulo. Como, por hipótese, os x
i
são distintos,
p
n
q
n
tem n + 1 zeros - logo ele deve ser nulo, de onde p
n
≡ q
n
.
Existência: (por indução) Para n = 0, obviamente existe uma função constante p0 (de
grau 0) que pode ser escolhida tal que p
0
(x
0
) = y
0
. Suponha, agora, que tenhamos obtido um
polinômio p
k−1
de grau menor ou igual a k1, tal que p
k−1
(x
i
) = y
i
, 0 ≤ i ≤ k − 1. A partir
desse, queremos construir um p
k
na forma
p
k
(x) = p
k−1
(x) + c(x −x
0
)(x −x
1
)...(x −x
k−1
) (1.4)
pois p
k
(x
i
) = p
k1
(xi) = y
i
, para 0 ≤ i ≤ k − 1. Para determinarmos o coeficiente c,
fazemos p
k
(x
k
) = y
k
, de onde y
k
= p
k1
(x) + c(x −x
0
)(x −x
1
)...(x −x
k−1
) a qual apresenta
solução única pois os termos multiplicadores de c não são nulos..
2
Sistema onde uma pequena diferença num coeficiente causa uma grande mudança nos resultados. Seu deter-
minante é muito pequeno quando comparado a seus elementos
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 5
Em outras palavras podemos definir o teorema da seguinte forma: Dadoo conjunto de
n + 1 pontos distintos (x
k
, f
k
), k = 0, 1, ..., n. Isto é, x
k
= x
j
para k ,= j. Existe um único
polinômio p(x) de grau menor ou igual a n, tal que p(x
k
) = f
k
para k = 0, 1, ...n.
Prova: Seja p
k
(x) = a
0
+ a
1
x + a
2
x
2
+ ... + a
n
x
n
. Para obter os a
i
usamos a condição
de interpolação f
k
= p(x
k
) para k = 0, 1, ..., n. Logo,segue que:
f
0
= p(x
0
) = a
0
+ a
1
x
0
+ a
2
x
2
0
+ ... + a
n
x
n
0
f
0
= p(x
1
) = a
0
+ a
1
x
n
+ a
2
x
2
1
+ ... + a
n
x
n
1
.
.
.
f
0
= p(x
n
) = a
0
+ a
1
x
n
+ a
2
x
2
n
+ ... + a
n
x
n
n
(1.5)
Que corresponde ao sistema linear da forma
_
_
_
_
_
_
_
_
_
1 x
0
x
2
0
x
n
0
1 x
1
x
2
1
x
n
1
1 x
2
x
2
2
x
n
2
.
.
.
.
.
.
.
.
.
.
.
.
1 x
n
x
2
n
. . . x
n
n
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
0
a
1
a
2
.
.
.
a
n
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
f
0
f
1
f
2
.
.
.
f
n
_
_
_
_
_
_
_
_
_
A matriz A, associada ao sistema, é uma matriz de Vandermonde, cujo o determinante é
dado por
Det(A) =
n

l=1
l−1

j=0
(x
l
−x
j
) (1.6)
Como x
l
= x
j
para l ,= j, segue que o determinante da matriz A é diferente de zero e
portanto o sistema admite uma única solução..
Exemplo 1.3.
Encontre uma aproximação para f(0, 3) usando o polinômio interpolador dos dados abaixo.
x
k
0,0 0,2 0,4
f
k
4,00 3,84 3,76
Como temos, três pontos (n + 1 = 3) o grau do polinômio será menor ou igual a dois.
Logo
p(x) = a
0
+ a
1
x + a
2
x
2
Impondo acondição f
k
= p(x
k
) obtemos:
f
0
= 4, 00 = p(0) = a
0
+ a
1
0 + a
2
0
2
f
0
= 3, 84 = p(0, 2) = a
0
+ a
1
0, 2 + a
2
0, 2
2
f
0
= 3, 76 = p(0, 4) = a
0
+ a
1
0, 4 + a
2
0, 4
2
Que equivale ao sistema linear na forma matricial
_
_
_
1 0 0
1 0, 2 0, 04
1 0, 4 0, 16
¸
¸
¸
¸
¸
¸
¸
4, 00
3, 84
3, 76
_
_
_
A solução deste sistema é a
0
= 4, a
1
= −1 e a
2
= 1, obtendo assim
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 6
p(x) = x
2
−x + 4
Desta forma
f(0, 3) ≈ p(0, 3) = 3, 79
Existem outras formas de encontrar o polinômio interpolador que a resolução de sistemas.
Teoricamente estes procedimentos resultam no mesmo polinômio p
n
(x). A escolha de uma ou
outra forma depende dos dados que devemos interpolar.
Exemplo 1.4.
Obtenha p
3
(x) que interpola f(x) nos pontos x
0
, x
1
, x
2
e x
3
de acordo com a tabela a
seguir:
x 0,1 0,2 0,3 0,4
f(x) 5 13 -4 -8
O sistema lenar resultante para esta tabela é
a
0
+ 0, 1a
1
+ 0, 01a
2
+ 0, 001a
3
= 5
a
0
+ 0, 2a
1
+ 0, 04a
2
+ 0, 008a
3
= 13
a
0
+ 0, 3a
1
+ 0, 09a
2
+ 0, 027a
3
= −4
a
0
+ 0, 4a
1
+ 0, 16a
2
+ 0, 064a
3
= −8
Usando aritimética de ponto flutuante comtrês digitos e o método de eliminação de Gauss,
o resultado é
p
3
(x) = 0, 66 10
2
+ (0, 115 10
4
)x −(0, 505 10
4
)x
2
+ (0, 633 10
4
)x
3
e para x = 0, 4, obtém-se
p
3
(x) = −9 ,= −8 = f(0, 4)
onde podemos observar obviamente que esta errado.
Esse exemplo mostra que nem sempre se pode utilizar o sistema (1.2) para determinar o
polinômio interpolador e, usualmente, utilizam-se outras técnicas, como as formas de Newton e
de Lagrange, dentre outras.
1.3 Forma Lagrangeana
Vamos considerar o conjunto de n + 1 pontos (x
k
, f
k
), k = 0, 1, ..., n distintos e o polinômio
representado por
p
n
(x) = f
0
L
0
(x) + f
1
L
1
(x) + ... + f
n
L
n
(x) =
n

k=0
f
k
L
k
(x) (1.7)
onde
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 7
L
k
(x) =
n

j=0,j=k
x −x
j
x
k
−x
j
, k = 1, ..., n (1.8)
é um polinômio de grau ≤ n que sastifaz a relação
L
k
(x
j
) =
_
0 se k ,= j
1 se k = j
Com isto temos que
p
n
(x) = f
0
L
0
(x
j
) + f
1
L
1
(x
j
) + ... + f
j
L
j
(x
j
) + ... + f
n
L
n
(x
j
) = f
j
(1.9)
Logo p
n
(x) é o polinômio interpolador de f(x) nos pontos x
0
, x
1
,...,x
n
. Os polinômios
L
k
(x) são chamados de polinômios de Lagrange e estes são obtidos da forma:
L
k
(x) =
(x −x
0
)(x −x
1
)...(x −x
k−1
)(x −x
k+1
)...(x −x
n
)
(x
k
−x
0
)(x
k
−x
1
)...(x
k
−x
k−1
)(x
k
−x
k+1
)...(x
k
−x
n
)
(1.10)
Exemplo 1.5. Vamos considerar a tabela de pontos do exemplo anterior
x
k
0,0 0,2 0,4
f
k
4,00 3,84 3,76
Calculando os L
k
(x) temos
L
0
(x) =
(x −x
0
)(x −x
2
)
(x
0
−x
1
)(x
0
−x
2
)
=
(x −0, 2)(x −0, 4)
(0 −0, 2)(0 −0, 4)
=
1
0, 08
(x
2
−0, 6x + 0, 08)
L
1
(x) =
(x −x
0
)(x −x
2
)
(x
1
−x
0
)(x
1
−x
2
)
=
(x −0)(x −0, 4)
(0, 2 −0)(0, 2 −0, 4)
=
1
0, 04
(x
2
−0, 4x)
L
2
(x) =
(x −x
0
)(x −x
1
)
(x
2
−x
0
)(x
2
−x
1
)
=
(x −0)(x −0, 2)
(0, 4 −0)(0, 4 −0, 2)
=
1
0, 08
(x
2
−2, 6x)
Assim temos que
p(x) = x
2
−x + 4
Observe que polinômio é o mesmo obtido pela resolução de sistema.Isto já era eesperado,
pois o polinômio interpolador é único.
Exemplo 1.6. Seja y = f(x) uma função dada nos pontos a seguir. Utilize o método de
Lagrange para determinar o polinômio que a interpola. Retenha nos cálculos quatro casas deci-
mais.
i 0 1 2 3
x
i
0 1 2 4
y
i
4 11 20 44
Solução:
O polinômio interpolador é: L(x) = y
0
L
0
(x) + y
1
L
1
(x) + y
2
L
2
(x) + y
3
L
3
(x)
Seja, então, a obtenção de L
i
(x), i = 0, 1, 2, 3
L
0
(x) =
(x −x
1
) (x −x
2
) (x −x
3
)
(x
0
−x
1
) (x
0
−x
2
) (x
0
−x
3
)
=
(x −1) (x −2) (x −4)
−8
=
x
3
−7x
2
+ 14x −8
−8
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 8
L
0
(x) = −0, 125x
3
+ 0, 875x
2
−1, 75x + 1
L
1
(x) =
(x −x
0
) (x −x
2
) (x −x
3
)
(x
1
−x
0
) (x
1
−x
2
) (x
1
−x
3
)
=
(x −0) (x −2) (x −4)
3
=
x
3
−6x
2
+ 8
3
L
1
(x) = 0, 3333x
3
−2x
2
+ 2, 6667x
L
2
(x) =
(x −x
0
) (x −x
1
) (x −x
3
)
(x
2
−x
0
) (x
2
−x
1
) (x
2
−x
3
)
=
(x −0) (x −1) (x −4)
−4
=
x
3
−5x
2
+ 4x
−4
L
2
(x) = −0, 25x
3
+ 1, 25x
2
−x
L
3
(x) =
(x −x
0
) (x −x
1
) (x −x
2
)
(x
3
−x
0
) (x
3
−x
1
) (x
3
−x
2
)
=
(x −0) (x −1) (x −2)
24
=
x
3
−3x
2
+ 2x
24
Obtém-se então, que
L(x) = 0, 0011x
3
+ x
2
+ 5, 9989x + 4
Em virtude de erros de arredondamento o resultado L(x) = x
2
+ 6x + 4 não pode ser
encontrado.
Exemplo 1.7. Sendo y = f(x) uma função conhecida nos pontos:
i 0 1 2
x
i
0,9 1 1,1
y
i
0,6216 0,5403 0,4536
Estime o valor de y para x = 1, 07 utilizando o método de Lagrange.
Solução:
O polinômio interpolador é:
L(x) = y
0
L
0
(x) + y
1
L
1
(x) + y
2
L
2
(x)
Logo,
L(1, 07) = y
0
L
0
(1, 07) + y
1
L
1
(1, 07) + y
2
L
2
(1, 07)
Tem-se que
L
0
(x) =
(x −x
1
) (x −x
2
)
(x
0
−x
1
) (x
0
−x
2
)
=
(x −1) (x −1, 1)
(0, 9 −1) (0, 9 −1, 1)
⇒L
0
(1, 07) = −0, 1050
L
1
(x) =
(x −x
0
) (x −x
2
)
(x
1
−x
0
) (x
1
−x
2
)
=
(x −0, 9) (x −1, 1)
(1 −0, 9) (1 −1, 1)
⇒L
1
(1, 07) = −0, 5100
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 9
L
2
(x) =
(x −x
0
) (x −x
1
)
(x
2
−x
0
) (x
2
−x
1
)
=
(x −0, 9) (x −1)
(1, 1 −0, 9) (1, 1 −1)
⇒L
2
(1, 07) = −0, 5950
Portanto
L(1, 07) = (0, 6216) (−0, 1050) + (0, 5403) (0, 5100) + (0, 4536) (0, 5950)
L(1, 07) = 0, 4802
Exemplo 1.8. Dada a tabela
x
i
1 2 3 4
f(x
i
) 4 15 40 85
determine uma aproximação para f(1, 5), usando interpolação cúbica.
Resolução: Temos que
l
0
(x) =
(x −2)(x −3)(x −4)
(−1)(−2)(−3)
= −
1
6
(x −2)(x −3)(x −4)
l
1
(x) =
(x −1)(x −3)(x −4)
(1)(−2)(−3)
=
1
2
(x −1)(x −3)(x −4)
l
2
(x) =
(x −1)(x −2)(x −3)
(2)(1)(−3)
= −
1
2
(x −1)(x −2)(x −4)
l
3
(x) =
(x −1)(x −2)(x −3)
(3)(3)(1)
=
1
6
(x −1)(x −2)(x −3)
Assim
P
3
(x) =
3

i=0
f(x
i
)L
i
(x) = ... = 1 + x + x
2
+ x
3
.
Atendendo à fórmula de Lagrange podemos utilizar um algoritmo (não abordado aqui)
para calcular o valor de P
n
(x), sendo P
n
o polinômio interpolador de f nos n + 1 pontos
distintos x
0
, x
1
, ..., x
n
.
1.4 Forma de Newton
A forma de Newton do polinômio interpolador é baseada nos operadores de diferenças
divididas. Seja f(x) uma função tabelada em n + 1 pontos x
0
, x
1
,...,x
n
. Definimos o operador
de diferença dividida de ordem zero em x
k
por:
f[x
k
] = f(x
k
) (1.11)
Ooperador de diferença dividida de ordemum, nos pontos x
k
, x
k+1
, é definido na seguinte
forma:
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 10
f[x
k
, x
k+1
] =
f[x
k
] −f[x
k+1
]
x
k
−x
k+1
(1.12)
Este valor pode ser interpretado como uma aproximação para a primeira derivada de f(x),
emx
k
. O operador de diferença dividida de ordem dois, nos pontos x
k
, x
k+1
,..., x
k+2
, é definido
sa seguinte forma:
f[x
k
, x
k+1
, x
k+2
] =
f[x
k
, x
k+1
] −f[x
k+1
, x
k+2
]
x
k
−x
k+2
(1.13)
Análogamente, definimos o operador diferença dividida de ordem n, nos pontos x
k
,
x
k+1
,..., x
k+n
, da seguinte forma:
f[x
k
, x
k+1
, ..., x
k+n
] =
f[x
k
, x
k+n−1
] −f[x
k+1
, x
k+n
]
x
k
−x
k+n
(1.14)
Note que a forma de cálculo desses operadores é construtiva, no sentido de que para obter
a diferença dividida de ordem n necessitamos das diferenças divididas de ordem n −1, n −2,
1, 0. Um esquema prático para o cálculo desses operadores é dado pela tabela abaixo
Exemplo 1.9. Dados os pontos tabulados abaixo, obtenha o polinômio interpolador na forma
de Newton.
i 0 1 2 3
x
i
5 -7 -6 0
y
i
1 -23 -54 -954
Solução:
x y Coeficientes
5 1 f [x
0
, x
1
] = 2 f [x
0
, x
1
, x
2
] = 3 f [x
0
, x
1
, x
2
, x
3
] = 4
-7 -23 f [x
1
, x
2
] = −31 f [x
1
, x
2
, x
3
] = −17
-6 -54 f [x
2
, x
3
] = −150
0 -954
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 11
onde os coeficientes foram obtidos da seguinte forma:
f[x
0
, x
1
] =
f[x
1
] −f[x
0
]
x
1
−x
0
=
−23 −1
−7 −5
= 2
f[x
1
, x
2
] =
f[x
2
] −f[x
1
]
x
2
−x
1
=
−54 −(−23)
−6 −(−7)
= −31
f[x
2
, x
3
] =
f[x
3
] −f[x
2
]
x
3
−x
2
=
−954 −(−54)
0 −(−6)
= −150
f[x
0
, x
1
, x
2
] =
f[x
1
, x
2
] −f[x
0
, x
1
]
x
2
−x
0
=
−31 −2
−6 −5
= 3
f[x
1
, x
2
, x
3
] =
f[x
2
, x
3
] −f[x
1
, x
2
]
x
3
−x
1
=
−150 −(−31)
0 −(−7)
= −17
f[x
0
, x
1
, x
2
, x
3
] =
f[x
1
, x
2
, x
3
] −f[x
0
, x
1
, x
2
]
x
3
−x
0
=
−17 −3
0 −5)
= 4
O polinômio interpolador pode ser escrito, então, como
p
3
(x) =f[x
0
] + f[x
0
, x
1
](x −x
0
)+
f[x
0
, x
1
, x
2
](x −x
0
)(x −x
1
)+
f[x
0
, x
1
, x
2
, x
3
](x −x
0
)(x −x
1
)(x −x
2
) =
=1 + 2(x −5) + 3(x −5)(x + 7) + 4(x −5)(x + 7)(x + 6)
o qual é idêntico ao polinômio interpolador de Newton mostrado na Eq. (1.20); porém,
com o esquema de diferenças divididas, ele é facilmente obtido.
1.4.1 Construção do Polinômio
Vamos considerar o conjunto de pontos x
0
, x
1
, ...,x
n
, onde conhecemos os valores dafunção
f(x), dados por f
0
, f
1
, ..., f
n
. Calculando a diferença dividida de ordem dois entre os pontos x,
x
0
, x
1
temos
f[x, x
0
, x
1
] =
f[x, x
0
] −f[x
0
, x
1
]
x −x
1
(1.15)
Isolando a diferença de ordem um em 1.15 que depende de x temos
f[x, x
0
] = f[x
0
, x
1
] + (x −x
1
)f[x, x
0
, x
1
] (1.16)
Aplicamos a definição de diferença de ordem um no primeiro termo da Eq. (1.16), temos
f(x) −f(x
0
)
x −x
0
= f[x
0,
x
1
] + (x −x
1
)f[x, x
0
, x
1
] (1.17)
e isto implica que
f(x) = f(x
0
) + (x −x
0
)f[x
0
, x
1
] + (x −x
0
)(x −x
1
)f[x, x
0
, x
1
] = p
1
(x) + E
1
(x) (1.18)
Ou seja a função f(x) é igual a um polinômio de grau um, p
1
(x), mais uma função E
1
(x)
que depende da diferença dividida de ordem dois. Desta forma podemos dizer que a função
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 12
f(x) é aproximada por p
1
(x) com erro de E
1
(x). O polinômio p
1
(x) é o polinômio interpolador
de f(x), nos pontos x
0
, x
1
, pois,
A diferença dividida de ordem 3 é dada por
f(x) = f(x
0
)+(x−x
0
)f[x
0
, x
1
]+(x−x
0
)(x−x
1
)f[x
0
, x
1
, x
2
]+(x−x
0
)(x−x
1
)(x−x
2
)f[x, x
0
, x
1
, x
2
]
Continuando o desenvolvimento de f[x, x
0
, x
1
, x
2
], chega-se a
p
n
(x) = f(x
0
) + (x −x
0
)f[x
0
, x
1
] + (x −x
0
)(x −x
1
)f[x
0
, x
1
x
2
]+
+(x −x
0
)(x −x
1
)(x −x
2
)f[x
0
, x
1
, x
2
, x
3
] + ... + (x −x
0
)(x −x
1
)...(x −x
n−1
)f[x
0
, x
1
, ..., x
n
]+
+(x −x
0
)(x −x
1
)...(x −x
n
)f[x, x
0
, x
1
, ...x
n
]
Assim podemos calcular a diferença dividida de ordem n, sobre os pontos x, x
0
, x
1
,...,
x
n
, escrevendo
f(x) = p
n
(x) + E
n
(x) (1.19)
onde
p
n
(x) = f(x
0
) + (x −x
0
)f[x
0
, x
1
] + (x −x
0
)(x −x
1
)f[x
0
, x
1
x
2
] + ...+
(x −x
0
)(x −x
1
)...(x −x
n−1
)f[x
0
, x
1
, ..., x
n
]
(1.20)
E
n
(x) = (x −x
0
)(x −x
1
)...(x −x
n
)f[x, x
0
, x
1
, ...x
n
] (1.21)
Considerando que p
n
(x) é um polinômio de grau n, então por definição [23] resulta que
f[x, x
0
, x
1
, ...x
n
] = 0.
Assim podemos aproximar f(x) por p
n
(x), sendo que o erro é dado por E
n
(x). O polinô-
mio p
n
(x) é o polinômio interpolador de f(x) sobre os pontos x
0
, x
1
, ..., x
n
, pois p(x
j
) = f(x
j
),
para j = 0, 1, ..., n.
Exemplo 1.10. Consideremos a função f(x) tabelada abaixo.
x
k
0 0, 5 1 1, 5
f(x) 0, 0000 1, 1487 2, 7183 4, 9811
Montando a tabela das diferenças divididas temos
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 13
Através da Eq. (1.20) podemos notar que as diferenças divididas que necessitamos são as
primeiras de cada coluna. Logo o polinômio interpolador é dado por
p(x) = f(x
0
)+(x−x
0
)f[x
0
, x
1
]+(x−x
0
)(x−x
1
)f[x
0
, x
1
, x
2
]+(x−x
0
)(x−x
1
)(x−x
2
)f[x
0
, x
1
, x
2
, x
3
]
= 0 + (x −0)2, 2974 + (x −0)(x −0, 5)0, 8418 + (x −0)(x −0, 5)(x −1, 0)0, 36306
= 2, 05803 + 0, 29721x
2
+ 0, 36306x
3
Exemplo 1.11. Seja o conjunto de pontos a seguir:
x
k
−1 0 1 2 3
f(x) 1 1 0 −1 −2
Solução:
Utilizando a definição das diferenças divididas escrevemos a tabela:
f[x
0
] = f(x
0
) = 1
f [x
0
, x
1
] =
f [x
1
] −f [x
0
]
x
1
−x
0
=
1 −1
1
= 0
f [x
1
, x
2
] =
f [x
2
] −f [x
1
]
x
2
−x
1
=
0 −1
1 −0
= −1
f [x
0
, x
1
, x
2
] =
f [x
1
, x
2
] −f [x
0
, x
1
]
x
2
−x
0
=
−1 −0
1 + 1
= −
1
2
.
.
.
f [x
1
, x
2
, x
3
] =
f [x
2
, x
3
] −f [x
1
, x
2
]
x
3
−x
1
=
−1 + 1
2 −0
= 0
.
.
.
f [x
0
, x
1
, x
2
, x
3
] =
f [x
1
, x
2
, x
3
] −f [x
0
, x
1
, x
2
]
x
3
−x
0
=
0 + 1/2
2 + 1
=
1
6
x Ordem 0 Ordem 1 Ordem 2 Ordem 3 Ordem 4
-1 1
0
0 1 −
1
2
-1
1
6
1 0 0 −
1
24
-1 0
2 -1 0
-1
3 -2
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 14
Com a tabela das diferenças divididas encontramos facilmente qualquer polinômio inter-
polador P
n
(x) onde n ≤ 4 que ajusta os pontos.
Exemplo 1.12. Consideramos o problema de se obter ln(3, 7) por interpolação linear, onde
ln(x) está tabelado abaixo:
x
i
1 2 3 4
ln(x) 4 0,6931 1,0986 1,3863
Como x = 3, 7 ∈ (3, 4), escolhemos x
0
= 3 e x
1
= 4 e pela forma de Newton, temos:
p
1
=f(x
0
) + (x −x
0
)f [x
0
, x
1
] = 1, 0986 + (x −3)
(1, 3863 −1, 0986)
4 −3
p
1
=1, 0986 + (x −3)(0, 2877) =⇒p
1
(3, 7) = 1, 30
Dado que, com quatro casas decimais ln(3, 7) = 1, 3083, o erro cometido é E
1
(3, 7) =
ln(3, 7) −p
1
(3, 7) = 1, 30831 −1, 3 = 0, 0083 = 8, 3 10
−3
.
1.5 Cálculo do Erro
A Eq. (1.21) representa o erro cometido na interpolação sobre os pontos x
0
, ..., x
n
. Se apro-
ximamos f(¯ x) ≈p
n
(¯ x) o erro será dado por E
n
(¯ x). Porém este depende da diferença dividida
f[¯ x, x; x
1
, ..., x
n
], que por sua vez, depende do valor de f(¯ x). Como a função f(x) é tabelada,
não temos como calcular este valor. Estimativas para o erro podem ser obtidas se conhecemos
algumas propriedades da função.
Teorema 1.13. Seja I um intervalo ([x
0
, x
n
]) contendo os n + 1 pontos interpoladores x
0
, x
1
,
..., x
n
. Seja f(x) uma função contínua e que possua derivadas contínuas de ordemn+1 ∀ ¯ x∈ I.
Seja p(x) o polinômio que interpola nos pontos x
0
, x
1
, ..., x
n
. Assim, em qualquer ponto ¯ x∈ I,
o erro é dado por
E
n
(¯ x) = f(¯ x) −p
n
(¯ x) = (¯ x −x
0
)(¯ x −x
1
)...(¯ x −x
n
)
f
n+1
(ξ)
(n + 1)!
(1.22)
com ξ ∈ I.
Prova: Seja G(x) = (x −x
0
)(x −x
1
)...(x −x
n
), logo G(x) = 0 para i = 0, 1, ...n.
Seja H(t) = E
n
(x)G(t) −E
n
(t)G(x), logo H sastifaz
1) H(t) possui derivadas até ordemn+1, pois Ge E
n
possuem derivadas até esta oordem.
2) H(t) possui pelo menos (n + 2) zeros em I, pois para t = x
i
temos
H(x
i
) = E
n
(x)G(x
i
) −E
n
(x
i
)G(x) = 0 (1.23)
e para t = x temos H(x) = E
n
(x)G(x) −E
n
(x)G(x) = 0.
3) Aplicando o Teorema de Rolle a H(t) e suas derivadas até ordem n + 1, temos
H(t) tem n+2 zeros em I
H

(t) tem n+1 zeros em I
H”(t) tem n zeros em I
.
.
. tem 1 zeros em I
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 15
Por outro lado temos que
H
(n+1)
(t) = E
n
(x)G
(n+1)
(t) −E
n+1
n
(t)G(x) (1.24)
onde,
E
(n+1)
n
(t) = f
(n+1)
(t) −p
(n+1)
n
(t)
G
(n+1)
(t) = (n + 1)!
Como o polinômio p
n
é de grau n temos que p
(n+1)
n
(t) = 0. Reescrevendo a Eq. (1.24)
temos
H
(n+1)
(t) = E
n
(x)(n + 1)! −f
(n+1)
(t)G(x) (1.25)
A função H
(n+1)
(t) possui um zero em I que vamos chamar de ξ. Substituindo na Eq.
(1.25) temos que
E
n
(x) = (x −x
0
)(x −x
1
)...(x −x
n
)
f
(n+1)
(ξ)
(n + 1)!
. (1.26)
Na prática usamos um limitante para o erro, sendo
[ E
n
(x) [≤[ (x −x
0
)(x −x
1
)...(x −x
n
) [ max
x∈I
f
(n+1)
(x)
(n + 1)!
, (1.27)
onde temos que ter alguma informação sobre a função que permita limitar sua derivada
de ordem n + 1.
Exemplo 1.14. Calcular um limite para o erro na interpolação linear.
O polinômio interpolador linear, satifazendo os pontos (x
0
, f
0
) e (x
1
, f
1
) é
p(x) =
(x
1
−x)f
0
−(x
0
−x)f
1
x
1
−x
0
A Eq. (1.26) fornece então a fórmula do erro
E
1
(x) = (x −x
0
)(x −x
1
)
f”(ξ)
2!
Caso estivemos interpolando num ponto x entre x
0
e x
1
e se soubermos que [ f” [< M
neste intervalo, então
[ E
1
(x) [≤
¸
¸
¸
¸
¸
(x −x
0
)(x −x
1
)
2
¸
¸
¸
¸
¸
M
Agora, o valor máximo de (x −x
0
)(x −x
1
) ocorre em x =
1
2
(x
0
+ x
1
) onde ele assume
o valor (x
1
−x
0
)
2
4
. Portanto, o erro máximo para o polinômio interpolador num ponto x entre
x
0
e x
1
é
(x
1
−x
0
)
8
M.
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 16
1.6 Escolha dos Pontos
Uma das características da interpolação é que esta pode fornecer uma aproximação local, sem a
necessidade de usar todos os dados disponíveis. Como exemplo, consideremos a tabela abaixo
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
Vamos achar uma aproximação para f(0, 44), usando um polinômio de grau 2. Neste
caso, necessitamos de 3 pontos e o ideal é escolher aqueles que estão mais próximos do valor
que desejamos aproximar. Logo a melhor escolha será x
0
= 0, 34, x
1
= 0, 4 e x
2
= 0, 52. Isto
se justifica pela fórmula do erro, pois
[ E
n
(0, 44) [≤[ (0, 44 −0, 34)(0, 44 −0, 4)(0, 44 −0, 52) [ max
x∈[x
0
,x
2
]
[ f
(n+1)
(x) [
(n + 1)!
=
= 0, 00032 max
x∈[x
0
,x
2
]
[ f
(n+1)
(x) [
(n + 1)!
Se tivéssemos escolhido x
0
= 0, 2 e x
2
= 0, 72, o erro estaria limitado por
[ E
n
(0, 44) [≤ 0, 00268 max
x∈[x
0
,x
2
]
[ f
(n+1)
(x) [
(n + 1)!
Para encontrar f(0, 44) usando um polinômio de grau 3, obviamente necessitariamos de
4 pontos a saber: 0, 4 e 0, 52 uma vez que o ponto a ser interpolado está entre eles. O outro
ponto seria 0, 34, uma vez que 0, 44 − 0, 34 < 0, 6 − 0, 44. O próximo ponto seria 0, 6 pois
0, 44 −0, 2 > 0, 6 −0, 44.
1.7 Interpolação Inversa
Considere o seguinte problema:
Dada uma tabela de pontos (x
k
, f
k
) e um número y ∈ [f
0
, f
n
]. Desejamos achar o valor
de x de tal forma que f(x) = y.
Temos duas formas de resolver o problema: Obter o polinômio interpolador de f(x) e
resolver a equação p
n
(x) = y. Em geral a equação p
n
(x) = y tem mais de uma solução e se
o grau do polinômio for maior que 2, não temos um procedimento analítico que determine as
soluções. A outra forma de se achar x é fazer uma interpolação inversa. Se f(x) é inversível
num intervalo contendo y, então interpolamos a função inversa, isto é consideramos o conjunto
de dados x = f
−1
(y) e achamos o polinômio interpolador de f
−1
(y).
A condição para que a função seja inversível é que esta seja monótona crescente ou
decrescente. Em termos dos pontos tabelados isto significa que os pontos devem satisfazer
f
0
< f
1
< ... < f
n
ou f
0
> f
1
> ... > f
n
.
Exemplo 1.15. Dado a tabela de pontos
x 0, 2 0, 3 0, 4 0, 5 0, 6 0, 7 0, 8
f(x) 0, 587 0, 809 0, 951 1, 000 0, 951 0, 809 0, 587
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 17
Vamos procurar uma aproximação de x de tal forma que f(x) = 0, 9, usando uma inter-
polação quadrática na forma de Newton.
Em primeiro lugar devemos determinar em que intervalo pode ocorrer f(x) = 0, 9. Neste
exemplo temos duas possibilidades, para x ∈ [0, 3; 0, 4] ou x ∈ [0, 6; 0, 7]. Em segundo lugar
devemos verificar se a função f(x) admite inversa. Para o primeiro caso temos que a função
f(x) é crescente no intervalo [0, 2; 0, 5]. Logo esta admite inversa neste intervalo. No segundo
caso a função admite inversa no intervalo [0, 5; 0, 8], pois esta é decrescente neste intervalo.
Como desejamos uma interpolação quadrática temos que ter no mínimo três pontos e nos
dois casos temos quatro pontos. Portanto t’e posst’ıvel achar as duas aproximações. Vamos nos
concentrar no primeiro caso. Montando a tabela da função inversa temos
y 0, 587 0, 809 0, 951 1, 000
f
−1
(y) 0, 2 0, 3 0, 4 0, 5
Como desejamos um polinômio de grau 2, devemos escolher três pontos e a melhor esco-
lha são os pontos que estão mais próximos do valor a ser aproximado, y = 0, 9 (x
0
= 0, 809;
x
1
= 0, 951 e x
2
= 1, 000). Calculando as diferen¸cas divididas temos
y f
−1
ordem 1 ordem 2
0, 809 0, 3
0,704
0,951 0,4 6,999
2,040
1,000 0,5
e consequentemente o polinômio é dado por
p(y) = 0, 3 + (y −0, 809)0, 704 + (y −0, 951)(y −0, 809)6, 999
= 5, 115 −11, 605y + 6, 994y
2
Portanto o valor de x tal que f(x) = 0, 9 é aproximado por x = f
−1
(0, 9) ≈ p(0, 9) =
0, 3315.
Exercício 1.16. 1) A tabela abaixo fornece o número de habitantes do Brasil (em milhoes) de
1900 a 1970.
ano 1900 1920 1940 1950 1960 1970
Hab. 17.4 30, 6 41.2 51, 9 70.2 93, 1
a)Encontre uma aproximação para a população no ano de 1959 usando o polinômio inter-
polador de grau 2 na forma de Lagrange.
b)Estime, com o menor erro possível, em que ano a população ultrapassou os 50 milhoes,
usando a interpolação quadrática na forma de Newton.
2) Considere a função f(x) =

x e os pontos x
0
= 16, x
1
= 25 e x
2
= 36. Com que
precisão podemos calcular

20, usando interpolação sobre estes pontos?
3) Dado a tabela abaixo.
x -0,2 -0.1 0,1 0,15 0,35
f(x) 0,980 0,995 0,996 0,988 0, 955
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 18
a) Quando possível, ache uma aproximação para f(−0, 25) e f(0) , usando o polinômio
interpolador na forma de Newton, com o menor erro possível.
b) Se tivéssemos usado o polinômio interpolador na forma de Lagrange sobre os mesmos
pontos obteríamos melhor resultado? Justifique.
1.8 Ajuste de Curvas: Mínimos Quadrados
Experimentos em laboratório geralmente geram uma enorme quantidade de dados que de-
vem ser analisados para a criação de um modelo. Obter uma função matemática que represente
os dados permite fazer simulações do processo de forma confiável, reduzindo assim repetições
de experimentos que podem ter um custo alto. Nesta seção vamos analisar o esquema dos
Mínimos Quadrados, que fornece uma função que melhor represente os dados.
Vamos nos limitar a nossa discussão apenas ao método dos mínimos quadrados discretos.
A forma de mínimos quadrados discretos do problema é baseada em m pontos interpolados
(x
i
, y
i
) para i = 0, 1..., M − 1. A função mais comum usado no método dos mínimos qua-
drados é a função linear P(x) = a
0
+ a
1
x, que é bom o suficiente para muitas aplicações.
Ocasionalmente, algumas aplicações exigem também polinômios quadráticos ou cúbicos.
Dado um conjunto de pontos (x
i
; f(x
i
)), i = 0, 1, 2, ..., m. O problema de ajuste de
curvas consiste em encontrar uma função g(x) tal que o desvio em cada ponto i, definido por
d
i
= f(x
i
) −g(x
j
i
) (1.28)
seja mínimo, onde g(x) é uma combinação linear de funções contínuas, escolhidas de acordo
com os dados do problema. Isto é
g(x
j
i
) = a
0
x
0
1
+ a
1
x
1
2
+ ... + a
n
x
n
m
(1.29)
com i = 1, ..., m e j = 0, 1, ..., n.
O Método dos Mínimos Quadrados consiste em determinar os coeficientes a
j
de tal forma
que a soma dos quadrados dos desvios em seja mínimo, isto é: Achar os a
j
que minimizam a
função
F (a
1
, a
2
, ..., a
n
) =
m

i=1
_
f (x
k
) −ϕ(x
j
i
)
_
2
(1.30)
Para o caso linear a
0
+ a
1
x, devemos determinar os parâmetros a
0
e a
1
da reta de modo
que a soma dos quadrados em cada ponto seja mínima, ou seja min(F(a
1
, a
2
)). Para que isso
seja possível é necessário que a
∂F
∂a
0
= 0 e
∂F
∂a
1
= 0. Para o caso geral,
∂F
∂a
i
¸
¸
¸
¸
¸
(a
1,...a
n
)
= 0 i = 1, ..., m (1.31)
A função F é limitada inferiormente, portanto possui um ponto de mínimo, que satisfaz
F(a) ≥ 0∀a ∈ R
m
. Este ponto pode ser determinado pelo teste da 1
a
derivada. Desenvolvendo
o caso linear temos,
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 19
∂F
∂a
0
= 2
m

i=1
(y
i
−a
0
+ a
1
x
i
) (−1) = 0
∂F
∂a
1
= 2
m

i=1
(y
i
−a
0
+ a
1
x
i
) (−x
i
) = 0
Organizando as condições acima tem-se
_
¸
¸
¸
¸
_
¸
¸
¸
¸
_
m

i=0
y
i
=
m

i=0
a
0
+
m

i=0
a
1
x
i
m

i=0
x
i
y
i
=
m

i=0
+
m

i=0
a
1
x
2
i
denominado de sistema normal.
Seguindo a forma linear, no caso quadrático tem-se
∂F
∂a
i
= −2
m

i=1
x
k
i
_
y
i
−(a
0
+ a
1
x + a
2
x
2
)
_
= 0 (1.32)
∂F
∂a
i
= 0 :
m

i=1
_
y
i
−(a
0
+ a
1
x + a
2
x
2
)
_
x
k
i
= 0
onde, para cada k = 0, 1, ..., m, pois

∂a
K
_
_
n

j=0
a
j
x
j
i
_
_
=

∂a
k
_
a
0
+ a
1
x
i
+ ... + a
k
x
k
i
+ ... + a
m
x
m
i
_
= x
k
i
(1.33)
A Eq. (1.32) pode ser reescrita como
n

i=1
m

j=0
a
j
x
j+k
i
=
n

i=1
f
i
x
k
i
(1.34)
m

j=0
_
n

i=1
x
i+k
i
_
a
j
=
n

i=1
f
i
x
k
i
(1.35)
Dessa forma temos um sistema de m + 1 equações onde as incógnitas são os m + 1
coeficientes a
j
da Eq. (1.29).
O sistema de equações (1.35) pode ser convenientemente descrito na seguinte forma ge-
neralizada:
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
n−1

i=0
1
n−1

i=0
x
i

n−1

i=0
x
n−1
i
n−1

i=0
x
m
i
n−1

i=0
x
i
n−1

i=0
x
2
i

n−1

i=0
x
m
i
n−1

i=0
x
m+1
i
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
n−1

i=0
x
m
i
n−1

i=0
x
m+1
i

n−1

i=0
x
2m−2
i
n−1

i=0
x
2m−1
i
n−1

i=0
x
m+1
i
n−1

i=0
x
m+2
i

n−1

i=0
x
2m−1
i
n−1

i=0
x
2m
i
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
_
¸
¸
¸
¸
¸
¸
¸
_
a
0
a
1
.
.
.
a
m−1
a
m
_
¸
¸
¸
¸
¸
¸
¸
_
=
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
n−1

i=0
y
i
n−1

i=0
y
i
x
i
.
.
.
n−1

i=0
y
i
x
m−1
i
n−1

i=0
y
i
x
m
i
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
(1.36)
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 20
Este sistema tem uma única solução se os vetores formados por ¯ x
j
i
forem linearmente
independentes. A matriz A associada ao sistema é uma matriz simétrica, ou seja a
ij
= a
ij
.
Logo, para um sistema n n, será necessário calcular (n
2
−n) /2 elementos.
Exemplo 1.17. Utilize os dados da tabela abaixo e ajuste-os por uma parábola.
x 0,10 0,20 0,50 0,65 0,70 0,80 0,90 1,10 1,23 1,35 1,57 1,70 1,75 1,80 1,94
f(x) 0,19 0,36 0,75 0,87 0,91 0,96 0,99 0,99 0,94 0,87 0,67 0,51 0,43 0,36 0,11
Para isto vamos tomar g
1
(x) = 1, g
2
(x) = x e g
3
(x) = x
2
. Calculando cada uma das
funções nos pontos x
i
temos.
g
1
(x) 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
g
2
(x) 0,10 0,20 0,50 0,65 0,70 0,80 0,90 1,10 1,23 1,35 1,57 1,70 1,75 1,80 1,94
g
3
(x) 0,01 0,04 0,25 0,42 0,49 0,64 0,81 1,21 1,51 1,82 2,46 2,89 3,89 3,06 3,76
Calculando os elementos da matriz e o vetor dos termos independentes temos
a
11
=
15

i=1
g
1
(x
i
) ∗ g
1
(x
i
) = 15
a
12
=
15

i=1
g
1
(x
i
) ∗ g
2
(x
i
) = 16, 29 = a
21
a
13
=
15

i=1
g
1
(x
i
) ∗ g
3
(x
i
) = 22, 62 = a
31
a
22
=
15

i=1
g
2
(x
i
) ∗ g
2
(x
i
) = 22, 62
a
23
=
15

i=1
g
2
(x
i
) ∗ g
3
(x
i
) = 34, 92 = a
32
a
33
=
15

i=1
g
3
(x
i
) ∗ g
3
(x
i
) = 57, 09
b
1
=
15

k=1
f(x
i
) ∗ g
1
(x
i
) = 9, 91
b
2
=
15

k=1
f(x
i
) ∗ g
2
(x
i
) = 10, 28
b
3
=
15

k=1
f(x
i
) ∗ g
3
(x
i
) = 12, 66
Obtendo assim um sistema linear que pode ser resolvido por um esquema numérico estu-
dado no Capítulo 2. A solução do sistema é dado por
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 21
a
1
= 0, 00, a
2
= 1, 99, a
3
= −0, 99
Portanto a função ϕ é dada por ϕ(x) = 1, 99x − 0, 99x
2
. A figura 3 compara a função
ϕ(x) com o gráfico dos pontos.
Figura 1: Comparação entre os gráficos
Exemplo 1.18. Determine o ajuste de mínimos quadrados para um polinômio p(x) de segundo
grau que aproxima os pontos (x
k
, y
k
) = ¦(−1, 2) , (0, 3) , (2, −1) , (5, 1)¦.
Solução:
Neste problema, o número de pontos é m = 4, considerando que o grau do polinômio é
n = 2. O polinômio quadrático é P
2
(x) = c
0
+c
1
x+c
2
x
2
, e o objetivo aqui é encontrar o valor
de c
0
, c
1
e c
2
. Da Eq. (1.36), um sistema de equação 3 3 é produzido, como segue:
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
3

i=0
1
3

i=0
x
i
3

i=0
x
2
i
3

i=0
x
i
3

i=0
x
2
i
3

i=0
x
3
i
3

i=0
x
2
i
3

i=0
x
3
i
3

i=0
x
4
i
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
_
¸
_
c
0
c
1
c
2
_
¸
_ =
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
3

i=0
y
i
3

i=0
y
i
x
3

i=0
y
i
x
2
i
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
dai obtemos
_
¸
_
4 6 30
6 30 134
30 134 642
_
¸
_
_
¸
_
c
0
c
1
c
2
_
¸
_ =
_
¸
_
5
1
23
_
¸
_
Resolvendo o sistema de equação linear acima, nos obtemos c
0
= 1, 339713, c
1
=
−1, 698565 e c
2
= 0, 327751. Portanto, a aproximação polinomial é P
3
(x) = 1, 339713 −
1, 698565x + 0, 327751x
2
.
1.9 Interpolação por splines
Splines são funções formadas por diferentes polinômios de grau menor ou igual a um m,
definidos para cada intervalo entre os pontos de interpolação de modo que em cada ponto de
interpolação o spline é contínuo, assim como todas as derivadas até ordem m - 1 [1].
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 22
S
1
(x)
S
2
(x)
S
n−2
(x)
S
n−1
(x)
x
1
x
2
x
3
x
n−2
x
n−1
x
n
Figura 2: Interpolação Spline
Assim, em vez de aproximar uma função por um único polinômio num dado intervalo,
podemos encontar vários polinômios de menor grau n (n ≤ 3), formando uma função contínua
afim de obter poucas oscilações. Em cada subintervalo [x
i−1
, x
i
], k = 1, 2, 3, ..., n, a função
será aproximada pelos polinômios do tipo:
S
i
(x) = d
i
+ c
i
(x −x
i
) + b
i
(x −x
i
)
2
+ a
i
(x −x
i
)
3
Estes coeficientes a
i
, b
i
, c
i
, d
i
são dados pelas fórmulas:
a
i
=(M
i+1
−M
i
/6h
i
)
b
i
=M
i/2
c
i
=(y
i+1
−y
i
)/h
i
−[(M
i+1
+ 2M
i
)h
i
/6] (1.37)
d
i
=y
i
onde, h
i
= x
i+1
−x
i
para i = 1, 2, .., n. e M
i
= S”(x
i
), i = 1, 2, .., n.
Os valores de M
i
(segunda derivada), são obtidos da solução do seguinte sistema de equa-
ções lineares Ax = b, formado apartir da Eq. (1.38),
M
n−2
+ 4M
n−1
+ M
n
= 6
_
y
n−2
−2y
n−1
+ y
n
h
2
_
(1.38)
ou, em formato matricial,
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
1 4 1 0 0 0 0 0
0 1 4 1 0 0 0 0
0 0 1 4 0 0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0 4 1 0 0
0 0 0 0 1 4 1 0
0 0 0 0 0 1 4 1
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
M
1
M
2
M
3
.
.
.
M
n−2
M
n−1
M
n
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
=
6
h
2
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
y
1
−2y
2
+ y
3
y
2
−2y
3
+ y
4
y
3
−2y
4
+ y
5
.
.
.
y
n−4
−2y
n−3
+ y
n−2
y
n−3
−2y
n−2
+ y
n−1
y
n−2
−2y
n−1
+ y
n
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
(1.39)
Isto é um sistema linear de n − 2 equações nas n incógnitas M
1
, M
2
, ...M
n
. Assim, nos
ainda precisamos de duas equações adicionais para determinar M
1
, M
2
, ..., M
n
univocamente.
A razão disto é que há uma infinidade de curvas splines que interpolam os pontos dados, de
modo que simplesmente não temos condições suficientes para determinar uma curva spline cú-
bica única passando pelos pontos. Em seguida discutimos três maneiras possíveis de especificar
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 23
as duas condições adicionais requeridas para obter uma curva spline cúbica única (Álgebra
Linearcom Aplicações - Anton & Rorres).
A Splines Natural, possui duas condições matemáticamente simples impostas que são:
M
1
= M
n
= 0, (segunda derivada é igual a zero nas extremidades). Tem-se um sistema deter-
minado e que tende a achatar a curva interpoladora nos estremos, o que pode ser indesejável.
Na forma matricial da Eq. (1.38), eliminamos então M
1
e M
n
por conveniência obtemos
_
¸
¸
¸
¸
¸
_
4 1 0 0 0 0
1 4 1 0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 4 1
0 0 0 0 1 4
_
¸
¸
¸
¸
¸
_
_
¸
¸
¸
¸
¸
_
M
2
M
3
.
.
.
M
n−2
M
n−1
_
¸
¸
¸
¸
¸
_
=
6
h
2
_
¸
¸
¸
_
y
1
−2y
2
+ y
3
y
2
−2y
3
+ y
4
.
.
.
y
n−2
−2y
n−1
+ y
n
_
¸
¸
¸
_
. (1.40)
A spline parabólica, possui as seguintes restrições adicionais impostas: M
1
e M
n
, deve
ser igual a M
2
e M
n−1
, respectivamente (segunda derivada nos extremos). Assim,
M
1
=M
2
M
n
=M
n−1
O resultado destas restrições é que a curva torna-se uma parábola na extremidade uma
vez que não há termos cúbicos na fórmula para splines nos intervalos extremos. A equação
matricial para este tipo de spline é,
_
¸
¸
¸
¸
¸
_
5 1 0 0 0 0
1 4 1 0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 4 1
0 0 0 0 1 5
_
¸
¸
¸
¸
¸
_
_
¸
¸
¸
¸
¸
_
M
2
M
3
.
.
.
M
n−2
M
n−1
_
¸
¸
¸
¸
¸
_
=
6
h
2
_
¸
¸
¸
_
y
1
−2y
2
+ y
3
y
2
−2y
3
+ y
4
.
.
.
y
n−2
−2y
n−1
+ y
n
_
¸
¸
¸
_
, (1.41)
onde podemos determinar os valores de M
1
e M
n
apartir dos valores de M
2
e M
n−1
encontrados.
Na Spline Cúbica Emendada impõem-se duas restrições:
M
1
=2M
2
−M
3
(1.42)
M
N
=2M
N−1
−M
N−2
(1.43)
Usa-se estas duas equações para eliminar M
1
e M
n
em Eq. (1.38), obtendo-se então um novo
sistema linear Ax = b em que sua diagonal é modificada em relação a Eq. (1.41). Temos então
_
¸
¸
¸
¸
¸
¸
¸
_
6 1 0 0 0 0
1 4 1 0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 4 1
0 0 0 0 1 6
_
¸
¸
¸
¸
¸
¸
¸
_
_
¸
¸
¸
¸
¸
¸
¸
_
M
2
M
3
.
.
.
M
n−2
M
n−1
_
¸
¸
¸
¸
¸
¸
¸
_
=
6
h
2
_
¸
¸
¸
¸
_
y
1
−2y
2
+ y
3
y
2
−2y
3
+ y
4
.
.
.
y
n−2
−2y
n−1
+ y
n
_
¸
¸
¸
¸
_
,
Uma vez resolvido esse sistema, usamos as condições para determinar M
1
e M
2
. Essa
condição gera uma uma única curva cúbica nos dois primeiros e dois útimos intervalos.
Exemplo 1.19. A tabela
3
a seguir apresenta a densidade da água emg/cm
3
para cinco tempera-
turas igualmente espaçadas no intervalo de 10
o
C a 130C. Interpole com uma spline parabólica
emendada e descubra a densidade máxima da água neste intervalo encontrando o valor máximo
nesta curva spline cúbica.
3
Obtida do livro Handbook of Chemistry and Physics
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 24
Tempperatura (
o
C) Densidade (g/cm
3
)
-10 0,99815
0 0,99987
10 0,99973
20 0,99823
30 0,99567
Solução:
Fazendo
x
1
= −10, y
1
= 0, 99815
x
2
= −10, y
2
= 0, 99987
x
3
= −10, y
3
= 0, 99973
x
4
= −10, y
4
= 0, 99823
x
5
= −10, y
5
= 0, 99567
Então
6 [y
1
−2y
2
+ y
3
] /h
2
= −0, 0001116
6 [y
2
−2y
3
+ y
4
] /h
2
= −0, 0000816
6 [y
3
−2y
4
+ y
5
] /h
2
= −0, 0000636
e o sistema linear para a spline parabólica emendada é
_
¸
_
5 1 0
1 4 1
0 1 5
_
¸
_
_
¸
_
M
2
M
3
M
4
_
¸
_ =
_
¸
_
−0, 0001116
−0, 0000816
−0, 0000636
_
¸
_
Resolvendo este sistema, obtemos
M
2
=−0, 00001973
M
3
=−0, 00001293
M
4
=−0, 00001013
Usando (1.42) e (1.43), obtemos
M
1
= M
2
= −0, 00001973
M
5
= M
4
= −0, 00001013
Resolvendo em termos dos coeficientes a
i
, b
i
, c
i
e d
i
para i = 1, 2, ..., n −1,
das Eqs (1.37) obtemos.
d
i
c
i
b
i
a
i
0,99815 0,000270667 -9,86667e-06 0
0,99987 7,33333e-05 -9,86667e-06 1,13333e-07
0,99973 -9e-05 -6,46667e-06 4,66667e-08
0,99823 -0,000205333 -5,06667e-06 0
Onde podemos escrever na forma d + c(x −x
i
) + b(x −x
i
)
2
+ a(x −x
i
)
3
. Assim
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 25
P(x
1
) =0, 99815 + 0, 000270667(x + 10)
1
−0, 000009866(x + 10)
2
+ 0(x + 10)
3
P(x
2
) =0, 99987 + 0, 000073333(x −0)
1
−0, 0000098666(x −0)
2
+ 0, 00000000113(x −0)
3
P(x
3
) =0, 99973 −0, 00009(x −10)
1
−0, 0000064666(x −10)
2
+ 0, 00000004666(x −10)
3
P(x
4
) =0, 99823 −0, 000205333(x −20)
1
−0, 0000050666(x −20)
2
+ 0(x −20)
3
Sendo
P(x
1
) −10 ≤ x ≤ 0
P(x
3
) 0 ≤ x ≤ 10
P(x
4
) 10 ≤ x ≤ 20
P(x
5
) 20 ≤ x ≤ 30
A Spline está esboçada na Figura 2.
Figura 3: Representação gráfica da Spline
Para encontrar o máximo, colocamos S

(x) igual a zero no intervalo [0, 10], Eq. (1.44).
A partir desta figura acima, observemos que o máximo é atingido então nesse intervalo.
S

(x) = 0, 000000339x
2
−0, 0000197x + 0, 0000733 = 0 (1.44)
A raiz da Eq. (1.44) no intervalo [0, 10] é x = 3, 99 (considerando 3 dígitos) e, para este
valor de x, temos S(3, 99) = 1, 00001. Assim, a densidade máxima experimental é 1, 00001
g/cm
3
aos 3, 99
o
C.
Exercício 1.20. Faça a interpolação dos pontos da tabela do exemplo acima utilizando a Spline
natural.
Exercício 1.21. Faça a interpolação dos pontos da tabela do exemplo acima utilizando Spline
cúbica Emendada
1 INTERPOLAÇÃO E AJUSTE DE CURVAS 26
Exercícios
Questão 1 - Seja o conjunto de pontos ¦x
i
, f
i
¦
5
i=1
:¦(2, 0), (1, 1), (0, 2), (1, 1), (2, 0) vamos
determinar o ajuste de mínimos quadrados para um polinômio de segundo grau p(x) = a
0
+
a
1
x + a
2
x
2
.
Questão 2 Dado P
2
(0.1) = 1.211, P
1
(0.8) = 4.953 e P
1
(0.6) = 3.320. Encontre o
polinômio e calcule P
2
(0.2) a partir dos pontos abaixo através de Lagrange.
Questão 3- Encontre a e b que sastifaça f(x) = axe
bx
dado f(1.0) = 0, 398, f(0.5) =
0, 541, f(1.5) = 0, 232, f(2.0) = 0, 106 e f(2.5) = 0, 052 usando mínimos quadrados.
Questão 4 -Uma hidroelétrica tem capacidade máxima de 60 MW, a qual é determinada
por três geradores de respectivamente 30 MW, 15 MW e 15 MW. A demanda de energia varia
num ciclo de 24 h e é em função dela que o engenheiro operacional distribui as tarefas dos
geradores. Sabe-se que a demanda (D) mínima ocorre entre 1 a 4h da manhã e a demanda
máxima entre 15 e 17h da tarde.
T(h) 2 3 4 15 16 17
D/(MW) 16,4 15,2 14,9 43,0 34,0 31,2
Determine a forma D L
i
(h) (somente) usando Lagrange para as demandas mínimas e
máximas. Note, não é necessário determinar o polinômio geral.
Questão 5 - Obter por interpolação de Lagrange os coificientes a
i
do polinômio P
2
(x) =
2

i=0
a
i
x
i
= 0 e o gráfico que passa pelos pontos f(2.0)= -6.0, f(3.0)=-1.0 e f(4.0)=6.0.
Questão 6 - Um fabricante de peças, desejando determinar o preço de venda que maximizaria
o seu lucro, quer expressar as suas vendas mensais y (em milhares de peças) como uma função
linear do preço x (em reais por peça), y = a + bx. Com este objetivo em mente, ele realizou
vendas experimentais das peças em quatro cidades semelhantes, tento obtido os seguintes
resultados:
Cidade 1 Cidade 2 Cidade 3 Cidade 4
x 6.25 6.75 8.00 8.75
y 6.03 5.62 4.78 4.34
a) Determine o sistema indeterminado que a e b devem sastifazer.
b) Determine a e b que melhor se ajustam aos dados, no sentido dos mínims quadrados.
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 27
2 Matrizes e Sistemas de Equações lineares
A resolução de sistemas lineares surge em diversas áreas do conhecimento. O caso geral
em que o sistema linear envolve m equações com n incógnitas, o sistema pode apresentar uma
única solução, infinitas soluções ou não admitir solução. Este tipo de problema é tratado na
Álgebra Linear usando o processo de escalonamento. Neste capítulo vamos analisar esquemas
numéricos para soluções de sistemas lineares de n equações com n incógnitas, isto é
_
¸
¸
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
¸
¸
_
a
11
x
1
+ a
12
x
2
+ a
13
x
3
a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ a
23
x
3
a
2n
x
n
= b
2
a
31
x
1
+ a
32
x
2
+ a
33
x
3
a
3n
x
n
= b
3
.
.
.
.
.
.
.
.
.
a
n1
x
1
+ a
n2
x
2
+ a
n3
x
3
a
nn
x
n
= b
n
(2.1)
onde a
ij
são os coeficientes, x
j
são as incógnitas e os b
j
são as constantes. Este sistema pode
ser escrito na forma matricial Ax = b com A ∈ R
n×n
e x, b ∈ R
n
. Analisaremos duas classes
de esquemas numéricos: Métodos Diretos e Métodos Iterativos.
2.1 Métodos Diretos
Os Métodos Diretos são aqueles que após um número finito de operações fornecem a so-
lução exata do sistema, a menos dos erros de arredondamentos. Estes métodos são baseados no
processo de escalonamento estudado em Álgebra Linear. São eficientes para sistemas de pe-
queno porte (não mais que 50 equações) e para sistemas de bandas, como por exemplo sistemas
tridiagonais (ver Ex. 3.3). Primeiramente vamos considerar os sistemas lineares triangulares.
2.1.1 Sistema Triangular Superior
Um Sistema Triangular Superior é aquele em que a matriz associada ao sistema t’e uma matriz
triangular superior, isto é a
ij
= 0 para i > j.
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
a
11
x
1
+ a
12
x
2
+ a
13
x
3
a
1n
x
n
= b
1
a
22
x
2
+ a
23
x
3
a
2n
x
n
= b
2
a
33
x
3
a
3n
x
n
= b
3
.
.
.
.
.
.
.
.
.
a
nn
x
n
= b
n
(2.2)
Este sistema admite uma única solução se a
ii
,= 0 para i = 1, 2, ...n, sendo,
x
n
=
b
n
a
nn
x
n−1
=
1
a
n−1,n−1
(b
n−1
−a
n−1,n
x
n
)
x
n−2
=
1
a
n−2,n−2
(b
n−2
−a
n−2,n−1
x
n−1
−a
n−2,n
x
n
)
.
.
.
.
.
.
x
k=
1
a
kk
_
_
b
k

n

j=k+1
a
kj
x
j
_
_
(2.3)
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 28
e assim sucessivamente. Com isto obtemos o esquema numérico para solução de sistema trian-
gular superior dado pelo algoritmo abaixo
Algoritmo 1 Retro-Solução
Imput: Matriz triangular superior A ∈ R
n×n
e b ∈ R
n
x
n
←b
n
/a
nn
for k = n −1, n −2, ...1, faça
x
k

1
a
kk
_
b
k

n
j=k+1
a
k,j
x
j
_
fim para
Output:x ∈ R
n
: Solução do sistema
2.1.2 Método de Eliminação de Gauss
Dois sistemas lineares são ditos ser equivalentes se estes tem a mesma solução. A estraté-
gia do Método de Eliminação de Gauss é transformar um sistema linear Ax = b em um sistema
triangular superior equivalente Sx =
˜
b, cuja a solução é facilmente obtida pela Retro-Solução.
Esta transformação é realizada através das operações elementares.
(I) Trocar duas equações.
(II) Multiplicar uma equação por uma constante não nula.
(III) Adicionar a uma equação uma outra multiplicada por uma constante não nula.
Aplicando qualquer sequência dessas operações elementares num sistema Ax = b ob-
temos um novo sistema
˜
Ax =
˜
b de tal forma que estes serão equivalentes. Para descrever o
Método de Eliminação de Gauss vamos considerar o sistema linear (2.1), onde det(A) ,= 0, isto
é, o sistema admite uma única solução. Um sistema linear pode ser representado na forma de
matriz estendida (A
0
[ b
0
), ou seja
_
_
_
_
_
_
_
_
_
_
a
(0)
11
a
(0)
12
a
(0)
13
a
(0)
1n
a
(0)
21
a
(0)
22
a
(0)
23
a
(0)
2n
a
(0)
31
a
(0)
32
a
(0)
33
a
(0)
3n
.
.
.
.
.
.
.
.
.
.
.
.
a
(0)
n1
a
(0)
n2
a
(0)
n3
a
(0)
nn
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
b
(0)
1
b
(0)
2
b
(0)
3
.
.
.
b
(0)
n
_
_
_
_
_
_
_
_
_
_
(2.4)
onde o índice superior indica a etapa do processo.
Etapa 1: Eliminar a incógnita x
1
das equações k = 2, 3, ..., n. Sendo a
(0)
11
,= 0, usaremos
a operação elementar (III) e subtraímos da linha k a primeira linha multiplicada por
m
k1
=
a
(0)
k1
a
(0)
11
(2.5)
Os elementos m
k1
são chamados de multiplicadores e o elemento a
(0)
11
é chamado de pivo
da Etapa 1. Indicando a linha k da matriz entendida por L
(0)
k
esta etapa se resume em
L
(1)
1
= L
(0)
1
L
(1)
k
= L
(0)
k
−m
k1
L
(0)
1
, k = 2, 3, ..., n (2.6)
Ao final desta etapa teremos a matriz
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 29
_
_
_
_
_
_
_
_
_
_
a
(1)
11
a
(1)
12
a
(1)
13
a
(1)
1n
0 a
(1)
22
a
(1)
23
a
(1)
2n
0 a
(1)
32
a
(1)
33
a
(1)
3n
.
.
.
.
.
.
.
.
.
.
.
.
0 a
(1)
n2
a
(1)
n3
a
(1)
nn
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
b
(1)
1
b
(1)
2
b
(1)
3
.
.
.
b
(1)
n
_
_
_
_
_
_
_
_
_
_
(2.7)
que representa um sistema linear equivalente ao sistema original, onde a incógnita x
1
foi elimi-
nada das equações k = 2, 3, ..., n.
Etapa 2: Eliminar a incógnita x
2
das equações k = 3, 4, ..., n. Supondo que a(1) 2;2 6= 0,
vamos tomar este elemento como piv^o desta etapa e desta forma os multiplicadores sáo dados
por
m
k2
=
a
(1)
k2
a
(1)
22
(2.8)
A eliminação se procede da seguinte forma:
L
(2)
1
= L
(1)
1
L
(2)
2
= L
(1)
2
L
(2)
k
= L
(1)
k
−m
k2
L
(1)
2
, k = 3, 4, ..., n (2.9)
obtendo ao final da etapa a matriz
_
_
_
_
_
_
_
_
_
_
a
(2)
11
a
(2)
12
a
(2)
13
a
(2)
1n
0 a
(2)
22
a
(2)
23
a
(2)
2n
0 0 a
(2)
33
a
(2)
3n
.
.
.
.
.
.
.
.
.
.
.
.
0 0 a
(2)
n3
a
(2)
nn
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
b
(2)
1
b
(2)
2
b
(2)
3
.
.
.
b
(2)
n
_
_
_
_
_
_
_
_
_
_
(2.10)
Com procedimentos análogos ao das etapas 1 e 2 podemos eliminar as incógnitas x
k
das
equações k + 1, k + 2, ..., n e ao final de n −1 etapas teremos a matriz
_
_
_
_
_
_
_
_
_
_
a
(n−1)
11
a
(n−1)
12
a
(n−1)
13
a
(n−1)
1n
0 a
(n−1)
22
a
(n−1)
23
a
(n−1)
2n
0 0 a
(n−1)
33
a
(n−1)
3n
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 a
(n−1)
nn
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
b
(n−1)
1
b
(n−1)
2
b
(n−1)
3
.
.
.
b
(n−1)
n
_
_
_
_
_
_
_
_
_
_
(2.11)
Esta matriz representa um sistema triangular superior equivalente ao sistema original.
Logo a solução deste sistema, obtido pela Retro-Solução, é solução do sistema original.
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 30
Algoritmo 2 Método de Eliminação de Gauss
Imput: Matriz A e b ∈ R
n
# Eliminação
for k = 1, 2, ..., n −1, faça
for i = k + 1, ..., n faça
m ←
a
ij
a
kk
for j = k + 1, ..., n, faça
a
ij
←a
ij
−m∗ a
kj
end for
b
i
←b
i
−m∗ b
k
end for
end for
# Retro-Solução
x
n
←b
n
/a
nn
for k = n −1, n −2, ...1, faça
x
k

1
a
kk
_
b
k

n
j=k+1
a
k,j
x
j
_
fim para
Output:x ∈ R
n
: Solução do sistema
Exemplo 2.1. Vamos considerar o sistema linear abaixo
_
¸
¸
_
¸
¸
_
3x
1
+ 2x
2
−x
3
= 1
7x
1
−x
2
−x
3
= −2
x
1
+ x
3
= 1
Solução:
Escrevendo na forma de matriz estendida teremos
_
_
_
3 2 −1
7 −1 −1
1 0 1
¸
¸
¸
¸
¸
¸
¸
1
−2
1
_
_
_
Etapa 1: Eliminar x
1
das linhas 2 e 3.
L
(1)
1
= L
(0)
1
L
(1)
2
= L
(0)
2
−m
21
L
(0)
1
, onde m
21
=
a
(0)
21
a
(0)
11
=
7
3
L
(1)
3
= L
(0)
3
−m
31
L
(0)
1
, onde m
31
=
a
(0)
31
a
(0)
11
=
1
3
e com isto obtemos a matriz
_
_
_
_
_
_
3 2 −1
0 −
17
3
4
3
0 −
2
3
4
3
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
1

13
3
12
3
_
_
_
_
_
_
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 31
Etapa 2: Eliminar x
2
da linha 3
L
(2)
1
= L
(1)
1
L
(2)
2
= L
(1)
2
L
(2)
3
= L
(1)
3
−m
32
L
(1)
2
, onde m
32
=
a
(1)
32
a
(1)
22
=
2
17
obtendo assim a matriz
_
_
_
_
_
_
3 2 −1
0 −
17
3
4
3
0 0
20
17
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
1

13
3
20
17
_
_
_
_
_
_
Retro-Solução: Encontrar a solução do sistema triangular superior.
x
3
=
b
3
a
33
= 1
x
2
=
1
a
22
(b
2
−a
23
x
3
) = 1
x
1
=
1
a
22
(b
1
−a
12
x
2
−a
13
x
3
) = 0
Logo a solução do sistema é dado por x = (0, 1, 1)
T
.
A solução encontrada é a solução exata, pois mantivemos os números resultantes na forma
de fração. Porém máquinas digitais representam estes números na forma de ponto flutuante
finita e erros de arredondamento podem ocorrer. Em sistemas lineares de grande porte estes
erros vão se acumulando e prejudicando a solução do sistema.
Exemplo 2.2. Vamos considerar o sistema linear, representado pela matriz extendid
_
_
_
1 3 2
2 1 2
−3 2 1
¸
¸
¸
¸
¸
¸
¸
3
4
−2
_
_
_
Etapa 1: Escolha do pivô:
2.1.3 Pivotamento Parcial
Em cada etapa k da elimina¸c~ao temos o ct’alculo do multiplicador
m
kj
=
a
(k−1)
kj
a
(k−1)
kk
(2.12)
Se o pivô [ a
(k−1)
kk
[≤, ou seja este é próximo de zero teremos problemas com os erros
de arredondamento, pois operar números de grandezas muito diferentes aumenta os erros. A
estratégia de pivotamento parcial é baseada na operação elementar (I). No início de cada etapa
k escolhemos como pivô o elemento de maior módulo entre os coeficientes a
k−1
ik
para i =
k, k + 1, ..., n.
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 32
Exemplo 2.3. Vamos considerar o sistema linear, representado pela matriz extendida
_
_
_
1 3 2
2 1 2
−3 2 1
¸
¸
¸
¸
¸
¸
¸
3
4
−2
_
_
_
Passo 1: Escolha do pivô:
max
1≤i≤3
[ a
i1
[=[ a
31
[
Trocamos a linha L
1
com a linha L
3
, obtendo,
_
_
_
−3 2 1
2 1 2
1 3 2
¸
¸
¸
¸
¸
¸
¸
−2
4
3
_
_
_
Eliminamos x
1
das linhas 2 e 3.
L
(1)
1
= L
(0)
1
L
(1)
2
= L
(0)
2
−m
21
L
(0)
1
, onde m
21
=
2
3
L
(1)
3
= L
(0)
3
−m
31
L
(0)
1
, onde m
31
=
1
3
e com isto obtemos a matriz
_
_
_
_
_
_
−3 2 1
0
7
3
8
3
0
11
3
7
3
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
−2
8
3
7
3
_
_
_
_
_
_
Passo 2: Escolha do pivô:
max
2≤i≤3
[ a
i1
[=[ a
32
[
Trocamos a linha L
2
com a linha L
3
, obtendo,
_
_
_
_
_
_
−3 2 1
0
11
3
7
3
0
7
3
8
3
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
−2
7
3
8
3
_
_
_
_
_
_
Eliminamos x
2
da linha 3.
L
(2)
1
= L
(1)
1
L
(2)
2
= L
(1)
2
L
(2)
3
= L
(1)
3
−m
32
L
(1)
2
, onde m
32
= −
7
11
obtendo dessa forma a matriz
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 33
_
_
_
_
_
_
−3 2 1
0
11
3
8
3
0 0
13
11
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
−2
8
3
13
11
_
_
_
_
_
_
Retro-Solução: Encontrar a solução do sistema triangular superior:
x
3
=
b
3
a
33
= 1
x
2
=
1
a
22
(b
2
−a
23
x
3
) = 0
x
1
=
1
a
11
(b
1
−a
12
x
2
−a
13
x
3
) = 1
Logo a solução do sistema é dado por x = (1, 0, 1)
T
.
Na prática a troca de linhas não é realizada. O controle é feito por um vetor de inteiros n-
dimensional, onde inicialmente na posição k está armazenado k, ou seja trc = [1, 2, ..., s, ..., n].
Se, por exemplo, trocamos a linha 1 pela linha s o vetor passa a ser trc = [s, 2, ..., 1, ..., n].
2.1.4 Matriz Inversa
Supomos que desejamos resolver os sistemas lineares Ax = b
1
, Ax = b
2
, ..., Ax = b
k
,
onde a matriz A é a mesma para todos os sistemas. A matriz triangular superior, resultante do
processo de eliminação, não depende do vetor b e portanto será a mesma em qualquer um dos
sistemas. Assim podemos resolver estes sistemas num único processo de eliminação usando a
matriz estendida
_
A [ b
1
[ b
2
[ ... [ b
k
_
e aplicando a Retro-Solução para cada vetor b
k
.
O Cálculo da inversa de uma matriz é um caso particular do esquema acima. A inversa de
uma matriz A ∈ R
n×n
, denotada por A
−1
, é uma matriz n n tal que
AA
−1
= A
−1
A = I (2.13)
Como exemplo vamos considerar uma matriz A de dimensão 3 3
_
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
_ (2.14)
cuja a inversa A
−1
é dado por
_
_
_
x
11
x
12
x
13
x
21
x
22
x
23
x
31
x
32
x
33
_
_
_ (2.15)
logo temos que
_
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
_
_
_
_
x
11
x
12
x
13
x
21
x
22
x
23
x
31
x
32
x
33
_
_
_ =
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_ (2.16)
Portanto cada coluna k da inversa da matriz A é solução de um sistema linear, onde o
vetor dos termos independentes é a k-ésima coluna da matriz identidade, isto é
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 34
_
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
_
_
_
_
x
11
x
21
x
31
_
_
_ =
_
_
_
1
0
0
_
_
_ (2.17)
_
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
_
_
_
_
x
21
x
22
x
23
_
_
_ =
_
_
_
0
1
0
_
_
_ (2.18)
_
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
_
_
_
_
x
31
x
32
x
33
_
_
_ =
_
_
_
0
0
1
_
_
_ (2.19)
Em resumo, se temos uma matriz n n, podemos achar a inversa resolvendo n sistemas
lineares, representados pela matriz estendida (A [ b
1
[ b
2
[ ... [ b
n
), onde os vetores b
k
são os
vetores unitários (1 na posição k e zeros nas demais posições).
Exemplo 2.4. Vamos achar a inversa da matriz abaixo, usando o método de Elinação de Gauss.
_
_
_
4 1 −6
3 2 −6
3 1 −5
_
_
_
Solução:
Para o processo de eliminação consideremos a matriz estendida
_
_
_
4 1 −6
3 2 −6
3 1 −5
¸
¸
¸
¸
¸
¸
¸
1
0
0
¸
¸
¸
¸
¸
¸
¸
0
1
0
¸
¸
¸
¸
¸
¸
¸
0
0
1
_
_
_
Passo 1: Eliminar x
1
das linhas 2 e 3.
L
(1)
1
= L
(0)
1
L
(1)
2
= L
(0)
2
−m
21
L
(0)
1
, onde m
21
=
3
4
L
(1)
3
= L
(0)
3
−m
31
L
(0)
1
, onde m
31
=
3
4
e com isto obtemos a matriz
_
_
_
_
_
_
4 1 −6
0
5
4

3
2
0
1
4

1
2
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
1

3
4

1
2
¸
¸
¸
¸
¸
¸
¸
0
1
0
¸
¸
¸
¸
¸
¸
¸
0
0
1
_
_
_
_
_
_
Passo 2: Eliminar x
2
da linha 3.
L
(2)
1
= L
(1)
1
L
(2)
2
= L
(1)
2
L
(2)
3
= L
(1)
3
−m
32
L
(1)
2
, onde m
32
=
1
5
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 35
obtendo assim a matriz
_
_
_
_
_
_
4 1 −6
0
5
4

3
2
0 0 −
1
5
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
1

3
4

3
5
¸
¸
¸
¸
¸
¸
¸
¸
0
1

1
5
¸
¸
¸
¸
¸
¸
¸
0
0
1
_
_
_
_
_
_
Retro-Solução: Encontrar a solução do sistema triangular superior.
• Primeira coluna da inversa.
x
31
=
b
1
3
a
33
= 3
x
21
=
1
a
22
_
b
1
2
−a
23
x
3
_
= 3
x
11
=
1
a
11
_
b
1
1
−a
12
x
2
−a
13
x
3
_
= 4
• Segunda coluna da inversa.
x
32
=
b
2
3
a
33
= 1
x
22
=
1
a
22
_
b
2
2
−a
23
x
3
_
= 2
x
12
=
1
a
11
_
b
2
1
−a
12
x
2
−a
13
x
3
_
= 1
• Terceira coluna da inversa.
x
33
=
b
3
3
a
33
= −5
x
23
=
1
a
22
_
b
3
2
−a
23
x
3
_
= −6
x
13
=
1
a
11
_
b
3
1
−a
12
x
2
−a
13
x
3
_
= −6
Logo a matriz inversa s é dada por
_
_
_
4 1 −6
3 2 −6
3 1 −5
_
_
_
Note que no exemplo acima temos que a inversa da matriz A é a própria A. Este tipo de
matriz é usado como matriz teste para verificar a eficiência dos métodos numéricos.
Problema 1. Equações algébrica linear podem surgir quando deseja-se modelar sistemas dis-
tribuídos. A Fig. (4) mostra uma haste longa e fina posicionada entre duas paredes que são
mantidas em temperaturas constantes.
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 36
Figura 4: Representação de uma haste uniforme não isolada posicionada entre duas paredes de
temperatura constante, porém diferentes.
O calor flui através da haste, bem como entre a haste e o ar circundante. Para o caso de
estado estacionário, a equação diferencial com base na conservação de calor pode ser escrita
para um sistema deste tipo, como
d
2
T
dx
2
+ h

(T
a
−T) = 0 (2.20)
onde T é a temperatura (C), x é distância ao longo das haste (m), h

é o coeficiente de transfe-
rência de calor entre a haste e o ar circundante (m
−2
) e T
a
é a temperatura do ar (C).
Valores dados para o parâmetro, funções força e condições de contorno, o cálculo pode
ser utilizado para desenvolver uma solução analítica. Por exemplo, se h

= 0, 001, T
a
= 20,
T(0) = 40 e T(10) = 200, a solução é
T = 73, 4523e
0,1x
−53, 4523e
−0.1x
+ 20 (2.21)
Embora aqui forneça uma solução, o cálculo não funciona para todos os problemas desta
natureza. Em tais casos, os métodos numéricos proporcionam uma alternativa valiosa. Neste
estudo de caso, será usado diferenças finitas para transformar esta equação diferencial no sis-
tema triadiagonal de equações algébricas, que pode ser facilmente resolvido usando os métodos
numéricos já descritas neste capítulo.
Solução:
A Eq. (2.20) pode ser transformada em um conjunto de equações algébricas lineares, pois
concebe uma barra composta de uma série de nós. A haste da Fig. (4) está dividida em seis nós
equidistantes. Uma vez que a haste tem um comprimento igual a 10, o espaçamento entre os
nós portanto é ∆x = 2.
O cálculo necessário para resolver a Eq. (2.20) inclui uma na segunda derivada. O método
de aproximações por diferença finita pode fornecer um meio para transformar as derivadas em
forma algébrica.
Queremos diferenciar o termo da temperatura. Referindo-se à malha unidimensional ilus-
trado na figura a seguir
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 37
podemos escrever
_
dT
dx
_
=
T
3
−T
1
2∆x
A segunda derivada em cada nó pode ser aproximada adicionando as duas equações juntas
_
d
2
T
dx
2
_
=
T
i+1
+ T
i−1
−2T
i
∆x
2
onde T
i
é a temperatura a nó i. Fazendo a substituição na Eq. (2.20)
T
i+1
+ T
i−1
−2T
i
∆x
2
−h

(T
a
−T
i
) = 0
Coletando os termos e substituindo os parâmetros têm-se
−T
i−1
+ 2, 04T
i
−T
i+1
= 0, 8 (2.22)
Assim, a Eq. (2.20) é transformada a partir de uma equação diferencial em uma equação
algébrica. A Eq. (2.22) pode agora ser aplicado a cada um dos nós internos
−T
0
+ 2, 04T
1
−T
2
= 0, 8
−T
1
+ 2, 04T
2
−T
3
= 0, 8
−T
2
+ 2, 04T
3
−T
4
= 0, 8
−T
3
+ 2, 04T
4
−T
5
= 0, 8
As temperaturas fixas T = 40 e T = 200 são substituídas e depois é expressa na forma de
matriz. O resultados são quatro equações com quatro incógnitas expressas na seguinte forma
_
¸
¸
¸
_
2, 04 −1 0 0
−1 2, 04 −1 0
0 −1 2, 04 −1
0 0 −1 2, 04
_
¸
¸
¸
_
_
¸
¸
¸
_
¸
¸
¸
_
T
1
T
2
T
3
T
4
_
¸
¸
¸
_
¸
¸
¸
_
=
_
¸
¸
¸
_
¸
¸
¸
_
40, 8
0, 8
0, 8
200, 8
_
¸
¸
¸
_
¸
¸
¸
_
A equação diferencial original foi convertida em um sistema equivalente de equações
algébricas lineares e agora pode ser resolvida para encontrar as temperaturas que são: T =
65, 96; 93, 78; 124, 54; 159, 48.
2 4 6 8 10
20
40
60
80
100
120
140
160
180
200
0
x
T
Analítico
Numérico
Figura 5: Gráfico da temperatura em função da distância ao longo de uma barra de aquecimento.
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 38
2.2 Métodos Iterativos
Muitos Sistemas de Equações são grandes para serem resolvidas pelos métodos diretos ba-
seados no Método de Gauss. Para estes sistema, os métodos iterativos são os indicados.
Um método é dito iterativo quando a soulução ¯ x é obtida como limite de uma sequência
de aproximação sucessivas ¯ x
0
, ¯ x
1
, ¯ x
2
, .... Em outras palavras consiste em, partindo de uma
aproximação inicial x
0
para uma solução ¯ x do problema, gerar uma sucessão de valores x
k+1
=
g(x
k
), k = 0, 1, 2, ....
Vamos considerar um sistema linear Ax = b, onde A ∈ R
n×n
e x, b ∈ R
n
. Os métodos
iterativos seguem um esquema semelhante aos métodos para o cálculo de zeros de funções. O
sistema linear é escrito na forma
x = Bx + b (2.23)
onde B ∈ R
n×n
é chamada matriz de iteração. Dessa forma montamos o processo iterativo:
Dado x
0
x
k+1
= Bx
k
+ b (2.24)
Sendo um processo iterativo, necessitamos de um critério de parada. E para isto temos
que ter uma medida entre as aproximações x
k+1
e x
k
. Para isto vamos usar o conceito de norma
de matrizes, definida abaixo.
Definição 2.5. Uma norma emR
n×n
é uma aplicação | . |: R
n×n
→Rque sastifaz as seguintes
propriedades:
P
1
) | αA |=[ α [| A | , ∀α ∈ R e ∀A ∈ R
n×n
P
2
) | A |≥ 0 e | A |= 0 ⇐⇒A = 0, ∀A ∈ R
n×n
P
3
) | A + B |≤| A | + | B |, ∀A, B ∈ R
n×n
As normas matriciais mais usadas são
| A |
1
= max
1≤j≤m
_
n

i=1
[ a
ij
[
_
Norma do Maximo das Colunas (2.25)
| A |

= max
1≤i≤j
_
m

i=1
[ a
ij
[
_
Norma do Maximo das Linhas (2.26)
| A |
2
=
_
_
n

i=1
m

j=1
[ a
ij
[
2
_
_
1
2
Norma Euclidiana (2.27)
A norma vetorial pode ser vista como um caso particular da norma matricial, onde um
vetor x ∈ R
n
é equivalente a uma matriz de ordem n 1. Com isto temos as normas de vetores
dadas por
| A |
1
=
n

i=1
[ x
i
[ Norma da Soma
|x|

= max
1≤i≤n
[ x
i
[ Norma do Maximo
| x |
2
=
_
n

i=1
[ x
i
[
2
_1
2
Norma Euclidiana
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 39
O conceito de norma nos permite definir convergência de uma sequência de vetores
_
x
k
_
.
Dizemos que x
K
→ ¯ x se
lim
k→∞
| x
k
→ ¯ x |= 0 (2.28)
Com isto podemos definir os critérios de parada. Dado um ε > 0
| x
k+1
−x
k
|≤ ε Erro Absoluto
| x
k+1
−x
k
|
| x
k
|
≤ ε Erro Relativo
| b −Ax
k
|≤ ε Teste do Residuo
As normas em (2.25), (2.25) e (2.27) sastifazen as seguintes propriedades:
P
4
=| Ax |≤| A || x |
P
5
=| AB |≤| A || B |
2.2.1 Critério de Convergência
Dependendo da forma da matriz B a sequência gerada pelo processo iterativo pode ou não
convergir para a solução do sistema. Seja ¯ x a solução do sistema Ax = b, logo ¯ x satisfaz
¯ x = B¯ x + b (2.29)
Com isso temos que
x
k+1
− ¯ x = B
_
x
k+1
− ¯ x
_
(2.30)
Sendo o erro ε em cada iteração dado por ε
k
= x
k
−¯ x e usando as propriedades de norma
P
4
e P
5
tem-se que
| e
k
|≤ | B || e
k−1
|
| e
k
|≤ | B || e
k−2
|
.
.
.
.
.
.
| e
k
|≤ | B |
k
| e
0
| (2.31)
Dessa forma a sequência
_
x
k
_
converge para a solução do sistema ¯ x se
lim
k→∞
| e
K
|= lim
k→∞
| B || e
0
|= 0 (2.32)
e isso ocorre se e somente se a matriz B sastifaz a condição
| B |< 1 (2.33)
Observer que o critério de convergência não depende do vetor inicial x
0
. A escolha de x
0
influência no número de iterações necessárias para atingir a precisão desejada. Quanto menor
for | x
0
− ¯ x | menos iterações serão necessárias.
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 40
2.2.2 Método Iterativo de Gauss-Jacobi
Consideremos o sistema linear Ax = b em (2.1), onde os a
ii
,= 0 para i = 1, 2, ..., n. Em
cada equaçã i podemos isolar a incógnita x
i
obtendo as seguintes relações
x
1
=
1
a
11
(b
1
−a
12
x
2
−a
13
x
3
− −a
1n
x
n
)
x
2
=
1
a
22
(b
2
−a
21
x
1
−a
23
x
3
− −a
2n
x
n
)
x
3
=
1
a
33
(b
3
−a
31
x
1
−a
32
x
2
− −a
3n
x
n
)
.
.
.
.
.
.
.
.
.
x
n
=
1
a
nn
(b
n
−a
n1
x
1
−a
n2
x
2
− −a
nn−1
x
n−1
) (2.34)
Na forma matricial estas equações são equivalentes à
_
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
.
.
.
x
n
_
_
_
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
_
_
_
_
0 −
a
12
a
11

a
13
a
11

a
1n
a
11

a
21
a
22
0 −
a
23
a
22

a
2n
a
22

a
31
a
33

a
32
a
33
0 −
a
3n
a
33
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

a
n1
a
nn

a
n2
a
nn

a
n3
a
nn
0
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
.
.
.
x
n
_
_
_
_
_
_
_
_
_
_
_
_
_
+
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
b
1
a
11
b
2
a
22
b
3
a
33
.
.
.
b
n
a
nn
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
(2.35)
Desta forma temos o sistema linear na forma x = Cx + b e assim montamos o processo
iterativo conhecido como Método Iterativo de Gauss Jacobi:
Dado x
0
x
k+1
1
=
1
a
11
_
b
1
−a
12
x
k
2
−a
13
x
k
3
− −a
1n
x
k
n
_
x
k+1
2
=
1
a
22
_
b
2
−a
21
x
k
1
−a
23
x
k
3
− −a
2n
x
k
n
_
x
k+1
3
=
1
a
33
_
b
3
−a
31
x
k
1
−a
32
x
k
2
− −a
3n
x
k
n
_
(2.36)
.
.
.
.
.
.
.
.
.
x
k+1
n
=
1
a
nn
_
b
n
−a
n1
x
k
1
−a
n2
x
k
2
− −a
nn−1
x
k
n−1
_
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 41
Algoritmo 3 Método Iterativo de Gauss-Jacobi
Imput: Matriz A ∈ R
n×n
, b, x
0
∈ R
n
e ε > 0
Enquanto | k
k+1
−k
k
|> ε faça:
for m = 1, 2, ..., n, faça
x
k+1
m

1
a
mm
_
b
m

n
j=1,j=k
a
m,j
x
k
j
_
end for
end enquanto
Output: x ∈ R
n
: Solução do sistema
2.2.3 Critérios das Linhas
Como critério de convergência, vimos que a matriz de iteração B deve satisfazer a condi-
ção | B |< 1. Usando a Norma do Máximo das Linhas sobre a matriz B em temos o seguinte
critério de convergência para o Método de Gauss-Jacobi.
Teorema 2.6. Dado o sistema linear Ax = b. Seja os α
k
de tal forma que:
α
k
=
1
[ a
kk
[
n

j=1,j=k
[ a
kj
[< 1 para k = 1, 2, ..., n (2.37)
Então o método de Gauss-Jacobi gera uma sequência
_
x
k
_
que converge para a solução
do sistema.
Este critério fornece uma condição necessária, mas não suficiente. Isto é, o critério pode
não ser satisfeito e o método ainda pode convergir. Outros critérios podem ser obtidos usando
outras normas. Por exemplo, podemos obter o chamado critério das colunas aplicando a Norma
do Máximo das Colunas na matriz em (2.36).
Exemplo 2.7. Dado o sistema linear
_
¸
_
¸
_
−7x
1
+ 3x
2
+ 2x
3
= −2
x
1
+ 3x
2
− x
3
= 3
x
1
+ x
2
− 3x
3
= −1
procuramos uma aproximação da solução, com precisão ε = 0.1 na Norma do Máximo usando
o Método de Gauss-Jacobi tomando como condição inicial o vetor x
0
= (0.5, 0.5, 0.5)
T
.
Solução:
O primeiro passo é verificar se o critério de convergência é satisfeito. Calculando os α
k
temos
α
1
=
1
[ a
11
[
([ a
12
[ + [ a
13
[) =
5
7
< 1
α
2
=
1
[ a
22
[
([ a
21
[ + [ a
23
[) =
2
3
< 1
α
3
=
1
[ a
33
[
([ a
31
[ + [ a
32
[) =
2
3
< 1
Logo o critério das linhas é satisfeito e com isto temos garantia que o Método de Gauss-
Jacobi converge. Montando o processo iterativo temos
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 42
x
k+1
1
=−
1
7
_
−2 −3x
k
2
−2x
k
3
_
x
k+1
2
=
1
3
_
3 −x
k
1
+ x
k
3
_
x
k+1
3
=−
1
3
_
−1 −x
k
1
−x
k
2
_
Assim para k = 0 segue que
x
1
1
=−
1
7
(−2 −3 0, 5 −2 0, 5) = 0, 642
x
1
2
=
1
3
(3 −0, 5 + 0, 5) = 1, 000
x
1
3
=−
1
3
(−1 −0, 5 −0, 5) = 0, 666
Verificando o critério de parada temos
x
1
−x
0
=
_
_
_
0, 642 −0, 500
1, 000 −0, 500
0, 666 −0, 500
_
_
_ =
_
_
_
0, 142
0, 500
0, 166
_
_
_ ⇒| x
1
−x
0
|

= 0, 500 > ε
Para k = 1 temos
x
2
1
=−
1
7
(−2 −3 1, 000 −2 0, 666) = 0, 904
x
2
2
=
1
3
(3 −0, 642 + 0, 666) = 1, 008
x
2
3
=−
1
3
(−1 −0, 642 −1) = 0, 880
Verificando o critério de parada temos
x
2
−x
1
=
_
_
_
0, 904 −0, 642
1, 008 −0, 1000
0, 880 −0, 666
_
_
_ =
_
_
_
0, 262
0, 008
0, 214
_
_
_ ⇒| x
2
−x
1
|

= 0, 262 > ε
Devemos continuar as iterações até que o critério de parada seja satisfeito.
Exemplo 2.8. Resolva o sistema linear abaixo pelo método de Gauus-Jacobi com x
(0)
=
_
_
_
0, 7
−1, 6
0, 6
_
_
_ e ε = 0, 05.
_
¸
_
¸
_
10x
1
+ 2x
2
+ x
3
= 7
x
1
+ 5x
2
+ x
3
= −8
2x
1
+ 3x
2
+ 10x
3
= 6
O processo iterativo é o seguinte:
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 43
_
¸
¸
¸
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
¸
¸
¸
_
x
(k+1)
1
=
1
10
_
7 −2x
(k)
2
−x
(k)
3
_
= 0x
(k)
1

2
10
x
(k)
2

1
10
x
(k)
3
+
7
10
x
(k+1)
2
=
1
5
_
−8 −x
(k)
1
−x
(k)
3
_
= −
1
5
x
(k)
1
+ 0x
(k)
2

1
5
x
(k)
3
+
8
5
x
(k+1)
3
=
1
10
_
6 −2x
(k)
1
−3x
(k)
2
_
= −
2
10
x
(k)
1

3
10
x
(k)
2
+ 0x
(k)
3
. ¸¸ .
+
6
10
.¸¸.
Na forma matricial x
(k+1)
= Ax
(k)
+ b temos
A =
_
_
_
_
_
_
_
_
_
0 −
2
10

1
10

1
5
0 −
1
5

1
5

3
10
0
_
_
_
_
_
_
_
_
_
e b =
_
_
_
_
_
_
_
_
_
7
10

8
5
6
10
_
_
_
_
_
_
_
_
_
Assim (k = 0) temos
_
¸
¸
_
¸
¸
_
x
(1)
1
= −0, 2x
(0)
2
−0, 1x
(0)
3
+ 0, 7 = −0, 2(1, 6) −0, 1 +0, 6 + 0, 7 = 0, 96
x
(1)
2
= −0, 2x
(0)
1
−0, 2x
(0)
3
−1, 6 = −0, 2 0, 7 −0, 2 +0, 6 −1, 6 = −1, 86
x
(1)
3
= −0, 2x
(0)
1
−0, 3x
(0)
2
+ 0, 6 = −0, 2 0, 7 −0, 3(−1, 6) + 0, 6 = 0, 94
Ou ainda
x
(1)
= Ax
(0)
+ b =
_
_
_
0, 96
−1, 86
0, 94
_
_
_
Calculando d
(1)
r
, temos:
[ x
(1)
1
−x
(0)
1
[= 0, 26
[ x
(1)
2
−x
(0)
2
[= 0, 26 =⇒
0, 34
max
1≤i≤3
[ x
(1)
i
[
=
0, 34
1, 86
= 0, 1828 > ε
[ x
(1)
3
−x
(0)
3
[= 0, 34
Prosseguindo com as iterações temos:
Para k=1:
x
(2)
=
_
_
_
0, 978
−1, 98
0, 966
_
_
_ =⇒d
(2)
r
=
0, 12
1, 98
= 0, 0606 > ε
Para k=2:
x
(2)
=
_
_
_
0, 9994
−1, 988
0, 9984
_
_
_ =⇒d
(3)
r
=
0, 0324
1, 988
= 0, 0163 > ε
Então, a solução x

do sistema lnear acima, com ε < 0, 05, obtida pelo método de Gauss-
Jacobi é,
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 44
x

= x
(3)
=
_
_
_
0, 9994
−1, 988
0, 9984
_
_
_
Neste exemplo tomamos x
(0)
=
_
_
_
0, 7
−1, 6
0, 6
_
_
_ =
_
_
_
b
1
/a
11
b
2
/a
22
b
3
/a
33
_
_
_. No entanto, o valor de x
(0)
é arbitrário, pois a convergêngia ou não de um método iterativo para a solução de um sistema
linear de equações é independente da aproximação inicial escolhida.
Exemplo 2.9. Obtenha uma aproximação para a solução do sistema de equações algébricas
lineares empregando o método de Gauss-Jacobi
2x
1
− 2x
2
− 10x
3
= −52
3x + x
2
− 2x
3
= 4
2x
1
+ 8x − 2x = 18
Utilize as estimativas iniciais para x
0
1
= x
0
2
= x
0
3
= 0 e apresente os valores das estimati-
vas para x
1
, x
2
e x
3
nas cinco primeiras iterações do algoritimo.
Ao aplicar o método de Gauss-Jacobi, verificamos se temos garantia de convergência
do método através do critério de linha. O critério de convergência é então dado por α
i
=

n
j=1j=i
[a
ij
[
[a
ii
[
. Se α = max
1≤i≤n
α
i
< 1, então o método de Gauss-Jacobi gera uma sequência conver-
gente.
Para o sistema acima temos
[ −2[ +[ −10[
[2[
= 6 > 1,
[3[ +[ −1[
[1[
= 4 > 1 e
[2[ +[8[
[ −2[
=
5 > 1 , não sastifazendo então o critério das linhas. Contudo se pemutarmos a 1
a
linha com a
3
a
e logo após a 2
a
linha com a 1
a
linha, obtemos um novo sistema Eq. (2.38)
3x
1
+ x
2
− x
3
= 4
2x
1
+ 8x
2
− 2x
3
= 18
2x
1
− 2x
2
− 10x
3
= −52
(2.38)
equivalente a Eq. (??), com dominância na diagonal e com o critério das linhas sastifeito,
garantindo assim a convergência do método.
O processo iterativo para o método de Gauss-Jacobi é dado então pela Eq.(2.39).
_
¸
¸
_
¸
¸
_
x
(k+1)
1
= (4 − x
(k)
2
+ x
(k)
3
)/3
x
(k+1)
2
= (18 − 2x
(k)
1
+ 2x
(k)
3
)/8
x
(k+1)
3
= −(−52 − 2x
(k)
1
+ 2x
(k)
2
)/10
(2.39)
Para x
0
1
= x
0
2
= x
0
3
= 0, temos os valores das estimativas para as cinco primeiras itera-
ções:
_
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
_
x
(1)
1
=
1
3
(4 − x
(0)
2
+ x
(0)
3
)
x
(1)
2
=
1
8
(18 − 2x
(0)
1
+ 2x
(0)
3
)
x
(1)
3
= −
1
10
(−52 − 2x
(0)
1
+ 2x
(0)
2
)
=⇒x
(1)
=
_
¸
¸
_
¸
¸
_
1.33
2.55
5.2
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 45
_
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
_
x
(2)
1
=
1
3
(4 − x
(1)
2
+ x
(1)
3
)
x
(2)
2
=
1
3
(18 − 2x
(1)
1
+ 2x
(1)
3
)
x
(2)
3
= −
1
10
(−52 − 2x
(1)
1
+ 2x
(1)
2
)
=⇒x
(2)
=
_
¸
¸
_
¸
¸
_
3.31
3.21
5.01
_
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
_
x
(3)
1
=
1
3
(4 − x
(2)
2
+ x
(2)
3
)
x
(3)
2
=
1
3
(18 − 2x
(2)
1
+ 2x
(2)
3
)
x
(3)
3
= −
1
10
(−52 − 2x
(2)
1
+ 2x
(2)
2
)
=⇒x
(3)
=
_
¸
¸
_
¸
¸
_
1, 93
2, 92
5, 02
_
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
_
x
(4)
1
=
1
3
(4 − x
(3)
2
+ x
(3)
3
)
x
(4)
2
=
1
3
(18 − 2x
(3)
1
+ 2x
(3)
3
)
x
(4)
3
= −
1
10
(−52 − 2x
(3)
1
+ 2x
(3)
2
)
=⇒x
(4)
=
_
¸
¸
_
¸
¸
_
2, 03
3, 02
5, 0
_
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
_
x
(5)
1
=
1
3
(4 − x
(4)
2
+ x
(4)
3
)
x
(5)
2
=
1
3
(18 − 2x
(4)
1
+ 2x
(4)
3
)
x
(5)
3
= −
1
10
(−52 − 2x
(4)
1
+ 2x
(4)
2
)
=⇒x
(5)
=
_
¸
¸
_
¸
¸
_
1, 99
2, 99
5, 0
A tabela 1 mostra as soluções com as iterações para a convergência do método.
k(iteraçoes) x
k
1
x
k
2
x
k
3
Erro
0 0 0 0
1 1,33333 2,25 5,2 5.031
2 2,31667 3,21667 5,01667 1.951488
3 1,93333 2,925 5,02 0.4817390
4 2,03167 3,02167 5,002 0.1390677
5 1,99333 2,9925 1,99869 3.0036963
6 2,00317 3,00217 5,00017 3.00151170
7 1,99933 2,99925 5,0002 0.00482419
8 2,00032 3,00022 5,00002 0.0013976
9 1,99993 2,99993 5,00002 0.0010316
Tabela 3: Estimativas para x
1
, x
2
e x
3
= 0.
Podemos observar que as iterações estão se aproximando da solução exata (2, 3, 5)
t
a
medida que k cresce.
2.2.4 Método Iterativo de Gauss-Seidel
A cada iteração x
k
se aproxima da solução do sistema. Baseado nesta observação vamos
modificar o Método de Gauss-Jacobi com o objetivo de acelerar a convergência. Numa iteração
k + 1, o Método de Gauss-Jacobi calcula o elemento s pela equação
x
k+1
m
=
1
a
mm
_
_
b
m

m−1

j=1
a
m,j
x
k
j

n

j=m+1
a
m,j
x
k
j
_
_
(2.40)
Neste ponto os elementos x
k+1
1
, x
k
2
+1, ..., x
k+1
m−1
, já foram calculados e espera-se que estes
estejam mais próximos da solução que os elementos x
k
1
, x
k
2
,...,x
k
m−1
. Assim vamos substituir os
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 46
elementos da iteração k, que aparecem no primeiro somatório de (2.40), pelos correspondentes
elementos da iteração k + 1, isto é
x
k+1
m
=
1
a
mm
_
_
b
m

m−1

j=1
a
m,j
x
k+1
j

n

j=m+1
a
m,j
x
k
j
_
_
(2.41)
Como estamos usando valores mais próximos da solução, o cálculo de x
k+1
m
será mais pre-
ciso. Este procedimento é conhecido como Método Iterativo de Gauss-Seidel, cujo o algoritmo
é dado a seguir.
Algoritmo 4 Método Iterativo de Gauss-Seidel
Imput: Matriz A ∈ R
n×n
, b, x
0
∈ R
n
e ε > 0
Enquanto | k
k+1
−k
k
|> ε faça:
for m = 1, 2, ..., n, faça
x
k+1
m

1
a
mm
_
b
m

m−1
j=1
a
m,j
x
k+1
j

n
j=m+1
a
m,j
x
k
j
_
end for
end enquanto
Output: x ∈ R
n
: Solução do sistema
2.2.5 Critério de Sassenfeld
O Método de Gauss-Seidel também pode ser representado na forma matricial x
k+1
= Bx
k
+b e
critérios de convergência podem ser obtidos impondo a condição [ B [< 1. Aplicando a Norma
do Máximo das Linhas obtemos o seguinte critério de convergência:
Teorema 2.10. Dado o sistema linear Ax = b. Seja os β
k
de tal forma que:
β
k
=
1
[ a
kk
[
_
_
k−1

j=1
[ a
kj
[ β
j
+
n

j=k+1
[ a
kj
[
_
_
< 1 para k = 1, 2, ..., n
Então o Método de Gauss-Seidel gera uma sequência
_
x
k
_
que converge para a solução
do sistema.
Exemplo 2.11. Dado o sistema linear
_
¸
_
¸
_
−7x
1
+ 3x
2
+ 2x
3
= −2
x
1
+ 2x
2
− x
3
= 2
x
1
+ x
2
− 2x
3
= 0
vamos procurar uma aproximação da solução, com precisão ε = 1 na norma do máximo, usando
o Método de Gauss-Seidel. Vamos tomar como condição inicial o vetor x
0
= (0, 5; 0, 5; 0, 5)
T
.
Solução:
O primeiro passo é verificar se o critério de convergência é satisfeito. Calculando os β
k
temos
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 47
β
1
=
1
[ a
11
[
([ a
12
[ + [ a
13
[) =
5
7
< 1
β
2
=
1
[ a
22
[
([ a
21
[ β
1
+ [ a
23
[) =
6
7
< 1
β
3
=
1
[ a
33
[
([ a
31
[ β
1
+ [ a
32
[ β
2
) =
11
14
< 1
Logo o critério de Sassenfeld é satisfeito e com isto temos garantia que o Método de
Gauss-Seidel converge. Observe que se aplicarmos o critério das linhas obtemos α
2
= α
3
= 1,
ou seja, o critério das linhas não é satisfeito. Este é um exemplo em que não temos a garantia
de convergência do Método de Gauss-Jacobi.
Montando o processo iterativo temos
x
k+1
1
=−
1
7
_
−2 −3x
k
2
−2x
k
3
_
x
k+1
2
=
1
2
_
2 −x
k+1
1
+ x
k
3
_
x
k+1
3
=−
1
2
_
0 −x
k+1
1
−x
k+1
2
_
Assim para k = 0 segue que
x
1
1
=−
1
7
(−2 −3 0, 5 −2 0, 5) = 0, 642
x
1
2
=
1
2
(2 −0, 642 + 0, 5) = 0, 929
x
1
3
=−
1
2
(0 −0, 642 −0.929) = 0, 785
Verificando o critério de parada temos
x
1
−x
0
=
_
_
_
0, 642 −0, 500
0, 929 −0, 500
0, 785 −0, 500
_
_
_ =
_
_
_
0, 142
0, 429
0, 285
_
_
_ ⇒| x
1
−x
0
|

= 0, 429 > ε
Para k = 1 temos
x
2
1
=−
1
7
(−2 −3 0, 0929 −2 0, 785) = 0, 908
x
2
2
=
1
2
(2 −0, 908 + 0, 785) = 0, 938
x
2
3
=−
1
2
(0 −0, 908 −0, 938) = 0, 923
Verificando o critério deparada temos
x
2
−x
1
=
_
_
_
0, 908 −0, 642
0, 938 −0, 929
0, 923 −0, 785
_
_
_ =
_
_
_
0, 266
0, 009
0, 138
_
_
_ ⇒| x
2
−x
1
|

= 0, 266 > ε
Devemos continuar as iterações até que o critério de parada seja satisfeito.
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 48
Exemplo 2.12. Resolver o sistema
_
¸
_
¸
_
5x
1
+ x
2
+ x
3
= 5
3x
1
+ 4x
2
− x
3
= 6
3x
1
+ 3x
2
+ 6x
3
= 0
pelo método de Gauss-Seidel com < 10
−2
.
Solução:
A matriz dos coeficientes não é estritamente diagonalmente dominante. Assim, por esse
critério, nada podemos afirmar sobre a convergência do processo de Gauss-Seidel.
Dividindo cada equação pelo correspondente elemento da diagonal principal obtemos:
_
¸
_
¸
_
x
1
+ 0, 2x
2
+ 0, 2x
3
= 1
0, 75x
1
+ x
2
+ 0, 25x
3
= 1, 5
0, 5x
1
+ 0, 5x
2
+ x
3
= 0
Observe que se matriz dos coeficientes não for estritamente diagonalmente dominante
então o critério das linhas também não será satisfeito. Mas, por se tratar de exemplo, calculemos
(Critério das Linhas).
Assim:
[ a

12
[[ a

13
[= [ 0, 2 [ + [ 0, 2 [= 0, 4,
[ a

12
[[ a

13
[= [ 0, 75 [ + [ 0, 25 [= 0, 1,
[ a

12
[[ a

13
[= [ 0, 5 [ + [ 0, 5 [= 0, 1,
max
1≤i≤n
3

j=1
j=i
[ a
ij
[=1
e portanto por esse critério não podemos garantir convergência.
Aplicando o critério de Sassenfeld, temos:
β
1
= [ 0, 2 [ + [ 0, 2 [= 0, 4
β
2
= [ 0, 75 [ (0, 4)+ [ 0, 25 [= 0, 3 + 0, 25 = 0, 55
β
3
= [ 0, 5 [ (0, 4) + [ 0, 5 [ (0, 55) = 0, 2 + 0, 275 = 0, 475
max
1≤i≤n
β
i
=0, 55 < 1
logo temos o critério de Sassenfeld satisfeito e portanto podemos garantir que o processo de
Gauss-Seidel converge.
Temos que as iterações são definidas por:
_
¸
_
¸
_
x
k+1
1
= 0, 2x
k
2
− 0, 2x
k
3
+ 1
x
k+1
2
= −0, 75x
k+1
1
− 0, 25x
k
3
+ 1, 5
x
k+1
3
= −0, 5x
k+1
1
− 0, 5x
k+1
2
e a partir de x
0
= (0, 0, 0)
t
, obtemos para x
1
os seguintes valores:
_
¸
_
¸
_
x
1
1
= 0, 2x
0
2
− 0, 2x
0
3
+1 = −0, 2(0) −0, 2(0) + 1 = 1
x
1
2
= −0, 75x
1
1
− 0, 25x
0
3
+1, 5 = −0, 75(1) −0, 25(1) + 1, 5 = 0, 75
x
1
3
= −0, 5x
1
1
− 0, 5x
1
2
= 0, 5(1) −0, 5(0, 75) = −0, 875
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 49
Continuando as iterações obtemos a tabela:
k 0 1 2 3 4
x
1
0 1 1,025 1,0075 1,0016
x
2
0 0,75 0,95 0,9913 0, 9987
x
3
0 -0,875 -0,9875 -0,9994 -1,0002
Agora, desde que:
x
4
−x
3
=
_
_
_
−0, 0057
0, 0074
0, 00075
_
_
_
e portanto
| x
4
−x
3
|

|x
4
|

=
0, 0074
1, 0016
· 0, 0074 < 10
−2
segue que a solução do sistema, com < 10
−2
é:
x =
_
_
_
1, 0016
0, 9987
−1, 0002
_
_
_
Exemplo 2.13. Obtenha uma aproximação para a solução do sistema de equações algébricas
lineares empregando o método de Gauss-Seidel.
4x
1
+ 6x
2
+ 2x
3
= 14
8x
1
+ 4x
2
+ 2x
3
= 16
2x
1
+ 4x
2
+ 8x
3
= 22
Utilize as estimativas iniciais para x
0
1
= x
0
2
= x
0
3
= 3 e apresente os valores das estimati-
vas para x
1
, x
2
e x
3
nas cinco primeiras iterações do algoritimo.
Antes de aplicar o método de Gauss-Seidel, testamos se temos garantia de convergência
do método verificando se o sistema possui dominância na diagonal, caso isso não ocorra o
sistema pode não convergir.
Dizemos que uma matriz possue dominância na diagonal se:
[a
ii
[ ≥

n
j=1j=i
[a
ij
[, i = 1, 2, ..., n
e para pelo menos uma linha
[a
ii
[ >

n
j=1j=i
[a
ij
[
Para o sistema dado temos [4[ ≥ [6[ +[2[ e [4[ ≥ [8[ +[2[ que não sastifazem a condição.
Fazendo a troca da primeira linha com a segunda no sistema temos
8x
1
+ 4x
2
+ 2x
3
= 16
4x
1
+ 6x
2
+ 2x
3
= 14
2x
1
+ 4x
2
+ 8x
3
= 22
(2.42)
obtemos um novo sistema Eq. (2.42) equivalente ao sistema dado, com dominância na diagonal
que pode garantir a convergência do método.
As equações de iterações para o método de Gauss-Seidel são dadas por
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 50
_
¸
¸
_
¸
¸
_
x
(k+1)
1
= (16 − 4x
(k)
2
− 2x
(k)
3
)/8
x
(k+1)
2
= (14 − 4x
(k+1)
1
− 2x
(k)
3
)/6
x
(k+1)
3
= (22 − 2x
(k+1)
1
− 4x
(k+1)
2
)/8
(2.43)
Para x
0
1
= x
0
2
= x
0
3
= 3, temos os valores das estimativas para as cinco primeiras itera-
ções:
_
¸
¸
_
¸
¸
_
x
(1)
1
= (16 − 4x
(0)
2
− 2x
(0)
3
)/8
x
(1)
2
= (14 − 4x
(1)
1
− 2x
(0)
3
)/6
x
(1)
3
= (22 − 2x
(1)
1
− 4x
(1)
2
)/8
=⇒x
(1)
=
_
¸
¸
_
¸
¸
_
−0, 25
1, 5
2, 062
_
¸
¸
_
¸
¸
_
x
(2)
1
= (16 − 4x
(1)
2
− 2x
(1)
3
)/8
x
(2)
2
= (14 − 4x
(2)
1
− 2x
(1)
3
)/6
x
(2)
3
= (22 − 2x
(2)
1
− 4x
(2)
2
)/8
=⇒x
(2)
=
_
¸
¸
_
¸
¸
_
0, 734
1, 344
1.988
_
¸
¸
_
¸
¸
_
x
(3)
1
= (16 − 4x
(2)
2
− 2x
(2)
3
)/8
x
(3)
2
= (14 − 4x
(3)
1
− 2x
(2)
3
)/6
x
(3)
3
= (22 − 2x
(3)
1
− 4x
(3)
2
)/8
=⇒x
(3)
=
_
¸
¸
_
¸
¸
_
0.924
1.054
1.991
_
¸
¸
_
¸
¸
_
x
(4)
1
= (16 − 4x
(3)
2
− 2x
(3)
3
)/8
x
(4)
2
= (14 − 4x
(4)
1
− 2x
(3)
3
)/6
x
(4)
3
= (22 − 2x
(4)
1
− 4x
(4)
2
)/8
=⇒x
(4)
=
_
¸
¸
_
¸
¸
_
0.975
1.019
1.996
_
¸
¸
_
¸
¸
_
x
(5)
1
= (16 − 4x
(4)
2
− 2x
(4)
3
)/8
x
(5)
2
= (14 − 4x
(5)
1
− 2x
(4)
3
)/6
x
(5)
3
= (22 − 2x
(5)
1
− 4x
(5)
2
)/8
=⇒x
(5)
=
_
¸
¸
_
¸
¸
_
0.991
1.007
1.998
A tabela 2 mostra as soluções com as iterações para a convergência do método. O critério
de parada usado é dado por ξ < 1 10
−5
com ξ =
_

n
i=1
_
x
(k)
i
−x
(k−1)
i
_
2
.
k(iteraçoes) x
k
1
x
k
2
x
k
3
Erro
0 3 3 3
1 -0.25 1.5 2.0625 3.70019
2 0.734375 1.15625 1.98828 1.04531
3 0.924805 1.05404 1.99178 0.216156
4 0.975037 1.01938 1.99655 0.0612121
5 0.991172 1.00704 1.99869 0.020429
6 0.99681 1.00256 1.99952 0.00724379
7 0.998839 1.00094 1.99982 0.00261999
8 0.999577 1.00034 1.99994 0.000953596
9 0.999846 1.00012 1.99998 0.000347766
10 0.999944 1.00005 1.99999 0.000126905
11 0.999979 1.00002 2 4.63182e-05
Tabela 4: Estimativas para x
1
, x
2
e x
3
em cinco iterações
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 51
2.3 Observações Finais
A escolha do método, que deve ser aplicado a um determinado problema, deve ser orientada
nas características de cada método que apresentamos nesta seção.
Os métodos diretos apresentam a solução de qualquer sistema linear não singular, porém
não temos um controle sobre a precisão da solução. Aplicados em sistemas de grande porte e
matriz cheia (dimensão acima 5050 e poucos elementos a
ij
= 0) apresentam grandes erros
de arredondamentos. Os métodos iterativos permitem um controle sobre a precisão da solução,
porém estes não se aplicam a qualquer sistema. O sistema deve satisfazer certas condições de
convergência para que determinado método seja aplicado.
O Método de Gauss-Jacobi é indicado para processamento paralelo ou vetorial, pois os
elementos no passo k + 1 dependem somente dos elementos no passo k. Se T for o tempo que
uma máquina sequencial toma para executar uma iteração. Numa máquina paralela este tempo
cai para [T/Np], onde Np é o número de processadores.
O Método de Gauss-Seidel não é indicado para processamento paralelo, pois o cálculo de
x
k+1
m
depende de x
k+1
1
, x
k+1
2
,..., x
k+1
m−1
. Porém este converge mais rapidamente que o Método de
Gauss-Jacobi, quando ambos são executado em processamento sequencial. Além disso, todo
sistema que satisfaz o Critério das Linhas também satisfaz o Critério de Sassenfeld. Ou seja,
todo sistema em que podemos aplicar o Método de Gauss-Jacobi, automaticamente podemos
aplicar o Método de Gauss-Seidel.
Exercícios
Questão 1 - Obtenha uma aproximação para a solução do sistema de equações lineares algébri-
cas lineares empregando o método de Gauss-Jacobi.
x
1
+ 2x
2
+ x
3
=0
3x
1
+ x
2
−x
3
=0
x
1
−x
2
+ 4x
3
=3
Utilize as estimativas iniciais para x
0
1
= x
0
2
= x
0
3
= 1 e apresente os valores das estimativas
para x
1
, x
2
, x
3
nas quatro primeiras iterações considerando ε = 1 10
−3
.
Questão 2 - Resolver o sistema a seguir usando fatoração LU.
2x
1
−x
2
+ x
3
= −1
3x
1
+ 3x
2
+ 9x
3
= 0
3x
1
+ 3x
2
+ 5x
3
= 4
Questão 3 - A lei de Tensão de Kirchoff diz que a soma das quedas de tensão ao redor de
qualquer circuito fechado na rede em uma determinada direção é zero. Quando este princípio é
aplicado ao circuito mostrado na figura abaixo,
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 52
obtemos o seguinte sistema de equações lineares
(R
1
+ R
3
+ R
4
)I
1
+ R
3
I
2
+ R
4
I
3
= E
1
R
3
I
1
+ (R
2
+ R
3
+ R
5
)I
2
−R
5
I
3
= E
2
R
4
I
1
−R
5
I
2
+ (R
4
+ R
5
+ R
6
)I
3
= 0
Resolva usando PA = LU para as correntes I
1
, I
2
e I
3
se R
1
= 1, R
2
= 1, R
3
= 2,
R
4
= 1, R
5
= 2, R
6
= 4 e E
1
= 23, E
2
= 29.
Questão 4 - Seja k um número inteiro, positivo, considere:
kx
1
+ x
2
= 2
kx
1
+ 2x
2

k
5
x
3
= 3
kx
1
− x
2
+ 2x
3
= 2
a) Verifique para que valores de k, a convergência do Método de Gauss-Jacobi pode ser
garantida.
b) Verifique para que valores de k, a convergência do Método de Gauss-Seidel pode ser
garantida.
c) Utilize um método iterativo adequado para calcular a aproximação da solução deste
sistema de equações considerando:
i) x
0
= (1.0, 1.0, 1.0)
T
e ε = 1 10
−3
.
ii) Escolha k como o menor inteiro que satisfaça as condições de convergência.
iii) Faça duas iterações e calcule o erro absoluto cometido, usando a norma do máximo.
Questão 5 - Uma consideração importante no estudo da transferência de calor é a de
se determinar a distribuição de temperatura numa placa, quando a temperatura nas bordas é
conhecida. Supomos que a placa da figura represente um seção transversal de uma barra de
metal, com fluxo de calor desprezível na direção perpendicular à placa. Sejam T
1
, T
2
,..., T
6
as
temperaturas nos seis vértices interiores do reticulado da figura. A temperatura num vértice é
aproximadamente igual à média dos quatro vértices vizinhos mais próximos (à esquerda, acima,
à direita e abaixo).
T1 = (10 + 20 + T2 + T4)/4
a) Escrever o sistema de seis equações, cuja solução fornece estimativas para as tempera-
turas T
1
, T
2
,...,T
6
.
b) Resolver o sistema utilizando um software ou desenvolva um programa em linguagem
qualquer.
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 53
Questão 6 - Considere a matriz A =
_
¸
_
1 a b
a 1 c
−b c 1
_
¸
_, a, b, c ∈ R
1. Encontre a relação entre a, b e c para que o sistema Ax = b tenha uma única solução.
(Considere esta relação nos seguintes itens)
2. Encontre a relação entre a, b ec que garante a convergência do Método de Gauss- Jacobi
aplicado ao sistema Ax = b.
3. Considerando b = 0, verifique em que casos os Métodos de Gauss-Jacobi e Gauss-
Seidel convergem simultâneamente.
Questão 7 - Num experimento num túnel de vento, a força sobre um projétil devido à
resistência do ar foi medida para velocidades diferentes.
v 0 2 4 6 8 10
f 0 2.90 14.8 39.6 74.3 119
Expressar a força como função da velocidade aproximando-a a um polinômio de quinto
grau:
f(v) = a
0
+ a
1
v + a
2
v
2
+ a
3
v
3
+ a
4
v
4
+ a
5
v
5
Verificar a validade de f(v) encontrada e obter uma estimativa para a força sobre o projétil
quando ele estiver se deslocando a uma velocidade de 1, 3, 5, 7 e 9 unidades de velocidade.
Questão 8 - Se A não é uma matriz Diagonal Dominante então os métodos de Gauss-
Jacobi e Gauss-Seidel não geram uma sequência convergente para a solução . Justifique verifi-
cando o que acontece com
a)
_
_
_
x + y = 3
x −3y = −3
b)
_
_
_
x −3y = −3
x + y = 3
Questão 9 - Qual o Resíduo produzidp pela solução aproximada x = [x, 4, 0]
T
_
¸
¸
_
¸
¸
_
0, 24x
1
+ 0, 36x
2
+ 0, 12 = 0, 84
0, 12x
1
+ 0, 16x
2
+ 0, 24x
3
= 0, 52
0, 15x
1
+ 0, 21x
2
+ 0, 25x
3
= 0, 64
Questão 10 - Seja
2 MATRIZES E SISTEMAS DE EQUAÇÕES LINEARES 54
A =
_
¸
_
a c 0
c a c
0 c a
_
¸
_ e B =
_
¸
_
0 b 0
b 0 b
0 b 0
_
¸
_
Dê as condições necessárias e suficientes sobre a, c ∈ R para a convergência dos métodos
de Gauss-Jacobi e Gauss-Seidel.
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 55
3 Solução de Equações não-lineares
Sendo conhecida uma função não linear
y = f(x) = 0, (3.1)
procuramos obter valores x

para os quais tem-se y = f(x

) = 0.
A função f(x) pode ser representada explecitamente por exemplo como um polinômio
em x ou uma função transcedente.
Em alguns casos f(x) pode ser conhecida somente implicitamente, isto é, seja determi-
nada uma regra para calcular f(x) para qualquer argumento, mas seja desconhecida a sua forma
explícita. Em poucos casos é possível obter as raízes exatas da Eq. (3.1), como ocorre por
exemplo, supondo-se que f(x) seja um polinômio fatorável. Em geral, podemos desejar obter
somente soluções aproximadas empregando alguma técnica computacional. Lançamos mãos
então de métodos iterativos para a determinação de aproximações de raízes ou zeros da Eq.
(3.1). Geometricamente, conforme mostra a Figura 1, estes valores são os pontos de interseção
do gráfico de y = f(x) com o eixo Ox.
x
1
x
2
x
3
f(x)
Figura 6: Raízes de uma equação
3.1 Raiz aproximada
Sendo ε uma precisão desejada, diz-se que um valor x
k
é uma aproximação para uma raiz ξ
de uma equação f(x) = 0 se satisfizer as condições a seguir.
1. [ f(x
k
) [< ε
2. [ x
k
−ξ [< ε
Conforme mostrado na fig. (5), estas duas condições não são equivalentes.
f(x)
f(x
k
)
ξ
x
k
f(x)
f(x
k
)
x
k
ξ
Figura 7: Representação gráfica das condições 1 e 2.
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 56
3.2 Método da Bisseção
Seja y = f(x) uma função contínua em um intervalo [a, b] que contém uma, e só uma, raiz, ξ,
da equação f(x) =0. A idéia do Método da Bisseção é reduzir o intervalo [a, b] que contém a
raiz ξ dividindo-o, de forma sucessiva, ao meio. Para verificar se a raiz está contida na primeira
ou na segunda metade do intervalo inicial, é utilizado o teorema de Bolzano. Em seguida, o
processo é repetido para aquela metade que contém a raiz de f(x) = 0, ou seja, aquela em que
a função, y = f(x), tem valores numéricos com sinais opostos nos seus extremos. A figura 3
ilustra o processo.
Figura 8: Método da Bisseção
3.2.1 Critério de parada
O processo iterativo é finalizado quando se obtém um intervalo cujo tamanho é menor ou
igual a uma precisão pré-estabelecida e, então, qualquer ponto nele contido pode ser tomado
como uma estimativa para a raiz; ou quando for atingido um número máximo de iterações
previamente estabelecido
3.2.2 Critério de convergência
Assumimos que f(x) seja uma função de valor real e que x é uma variável real. Supo-
nhamos que y = f(x) é contínua no intervalo a ≤ x ≤ b e f(a)f(b) < 0, então o método da
Bisseção gera uma sequência que converge para uma raiz de f(x) = 0.
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 57
As figuras representam se f(x) é contínua e possui uma solução entre os pontos x = a e
x = b, e portanto f(a) > 0 e f(b) < 0 ou f(a) < 0 e f(b) > 0 (f(a)f(b) < 0).
Figura 9: Solução de f(x) = 0 entre x = a e x = b
3.2.3 Estimativa do número de iterações
O método da Bisseção permite que seja estimado, a priori, o número mínimo de iterações para
calcular uma raiz ξ com uma precisão ε a partir de um intervalo [a, b]. As iterações geram uma
sequência de intervalos encaixados da forma
¦[a, b] , [a
1
, b
1
] , [a
2
, b
2
] , [a
2
, b
2
] , ..., [a
k
, b
k
]¦ (3.2)
Considerando que cada intervalo gerado, tem amplitude igual à metade da do intervalo
anterior e estes valores são sempre positivos, tem-se que:
b
1
−a
1
=
b −a
2
1
, b
1
−a
1
=
b
1
−a
1
2
, logo b
2
−a
2
=
b −a
2
2
b
3
−a
3
=
b
2
−a
2
2
, então b
3
−a
3
=
b −a
2
Tendo em vista estes resultados, chega-se a b
k
− a
k
=
b −a
2
. Como se deseja obter tal
que b
k
−a
k
≤ ε, então:
b −a
2
k
≤ ε ⇒k ≥
log(b −a) −log(ε)
log(2)
(3.3)
Portanto, se k sastifaz a relação na Eq. 3.3, ao final da iteração k, será obtido um intervalo
[a, b], que contém a raiz ξ, tal que ∀ x ∈ [a, b] ⇒[ x −ξ [≤ b −a ≤ ε.
Exemplo 3.1. Dada a equação f(x) = x
5
−2x
4
−7x
3
+ 9x
2
−6 = 0, pode-se:
(a) Isole as suas raízes reais.
(b) Considere o intervalo que contéma menor raiz positiva e estime o número de iterações,
k, necessário para calculá-la utilizando o método da bisseção com precisão 0, 040.
(c) Utilizando o método da bisseção, calcule a sua menor raiz positiva com precisão 0, 040
e um máximo de (k + 1) iterações.
Solução
Todas as possíveis raízes positivas desta equação estão no intervalo (0, 8) (Vide exemplo
anterior) e as possíveis raízes negativas estão no intervalo (−4, 0). Esta equação tem duas raízes
negativas e três positivas.
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 58
a) Isolamento de raízes reais
Raízes negativas
x -4 -3 -2 -1 0
f(x) -982 -165 6 -1 -6
Raízes positivas
x 0 1 2 3 4 5 6 7 8
f(x) -6 3 -10 -9 234 1.259 4.038 10.095 21.628
Verifica-se, então, que cada intervalo, a seguir, contém uma raiz: (−3, −2), (−2, −1),
(0, 1), (1, 2) e (3, 4).
b) Estimativa do número de iterações necessário para calcular a menor raiz positiva
utilizando o método da Bisseção com precisão 0, 040.
k ≥
log(1 −0) −log(0, 040)
log(2)
⇒k ≥ 4, 6 ⇒k = 5
c) Cálculo da menor raiz positiva
i x
i
f(x
i
) b −a
0,000 -6,000 —
1,000 3,00 1,000
01 0,500 -0,719 0,500
02 0,750 1,714 0,250
03 0,625 0,5597 0,125
04 0,563 -0,042 0,062
05 0,594 0,282 0,031
Exemplo 3.2. A concentração de uma bactéria poluente em um lago é descrita por
C = 70e
−1,5t
+ 2, 5e
−0,075t
Utilize o Método Bisseção, com precisão 0, 050 e um máximo de 5 iterações, para estimar
o tempo t, em segundos, para que esta concentração seja reduzida para 9.
Solução:
O problema consiste em determinar o tempo t para o qual
C = 70e
−1,5t
+ 2, 5e
−0,075t
= 9
Para isto deve ser resolvida a equação
f(t) = 70e
−1,5t
+ 2, 5e
−0,075t
−9 = 0
A figura 5 apresenta o gráfico da função que dá origem à equação acima. Como pode ser
observado há uma única raiz situada no intervalo (1,5; 2) segundos.
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 59
Figura 10: Gráfico da equação acima
Aplicando o método da Bisseção são obtidos os resultados apresentados a seguir.
i x
i
f(x
i
) b −a intervalo
1,5 0,612
2,000 -3,363 0,500 [5; 5, 5]
1 1,750 -1,737 0,250 [1, 5; 1, 75]
2 1,625 -0,670 0,125 [1, 5; 1, 625]
3 1,563 -0,059 0,063 [1, 5; 1, 563]
4 1,531 0,269 0,032 [1, 531; 1, 563]
Para a precisão estabelecida, qualquer valor do intervalo [1, 53; 11, 563] pode ser tomado
como uma estimativa para o tempo.
Exemplo 3.3. A figura a seguir mostra um recipiente na forma de um cilindro circular reto
que deve ser construído para conter 1000cm
3
. O fundo e a tampa, conforme é mostrado na fig.
5.a, devem ter um raio 0, 25cm maior que o raio do cilindro, de modo que o excesso possa ser
utilizado para formar um lacre com a lateral. A chapa do material usado para confeccionar a
lateral do recipiente, como apresentado na fig. 5.b, deve ser, também, 0,25cm maior para que o
lacre possa ser formado.
Utilize o método da Bisseção, com precisão 0.040 e um máximo de 10 iterações, para
determinar a quantidade mínima de material a ser utilizada para construir o recipiente.
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 60
Figura 11: Fig. 5.a e 5.b respectivamente
Modelagem da Resolução
O volume de um cilindro é dado por V = πr
2
h, no caso deste problema tem-se que
V = πr
2
h = 1000 ⇒h =
1000
πr
2
(3.4)
A área total do recipiente é dada pela soma da área lateral com a tampa e fundo, sendo
assim
A
T
= 2πrh + 0, 25h + 2π(r + 0, 25)
2
(3.5)
Substituindo (3.4) em (3.5)
A
T
= (2πr + 0, 25)
_
1000
πr
2
_
+ 2πr
2
+ πr + 0, 125π (3.6)
Desenvolvendo a Eq. (3.6) tem-se
A
T
=
2000
r
+
250
πr
2
+ 2πr
2
+ πr + 0, 125 = f(r) (3.7)
Para determinar a quantidade mínima de material a ser utilizada, basta calcular o valor de
r para o qual a área total é mínima. Derivando (3.7), em relação a r, tem-se:
f

(r) = −
2000
r
2

500
πr
3
+ 4πr + π (3.8)
Multiplicando a Eq. (3.8) por r
3
(uma vez que r ,= 0) e igualando a zero, é obtida a
equação polinomial:
f

(r) = 4πr
4
+ πr
3
−2000r −
500
π
= 0 (3.9)
Que resolvida dá o valor de r para o qual a área é minima.
Solução:
Considerando 3 casas decimais, tem-se, a partir da Eq. (3.9), a seguinte equação a ser
resolvida:
f

(r) = 12, 566r
4
+ 3, 142r
4
−2000r −159, 160 = 0 (3.10)
Limite superior positivo
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 61
Seja, então, a determinação do limite superior positivo utilizando o Teorema de Lagrange.
L = 1 + n −
k
¸
¸
¸
_
M
a
n
Tem-se que n = 4, a
4
= 12, 566, k = 1, M = 2000. Portanto L = 6, 4. Toma-se então
L=7.
Enumeração das raízes positivas
Utilizando a regra dos sinais de Descartes, verifica-se que 4.8 possui somente uma raiz
positiva, o que era de se esperar tendo em vista a natureza do problema.
Utilizando o Teorema de Cauchy-Bolzano, verifica-se, por meio da tabela de pontos a
seguir, que a raiz está no intervalo (5; 6).
r 0 1 2 3 4 5 6
f(r) -159,16 -2.143,45 -3.932,92 -5.056,21 - 4.740,28 - 4.740,28 4.809,8
Cálculo da raiz
i x
i
f(x
i
) b −a intervalo
5,000 -1.910,410
6,000 4.809,800 1,000
1 5,500 862,266 0,500 [5; 5,5]
2 5,250 - 658,221 0,250 [5,25; 5,5]
3 5,375 67,193 0,125 [5,25; 5,375]
4 5,313 - 304,022 0,062 [5,313; 5,375]
5 5,344 - 227,228 0.031 [5,344; 5,375]
Para a precisão estabelecida, qualquer ponto do intervalo [5, 344; 5.375] pode ser tomado
como uma estimativa para a raiz.
Tomando r = 5, 375cm obtém-se A
T
= 573, 651cm
2
. Observe-se que r = 5, 375cm é
abscissa de ponto de mínimo da Eq. (3.7), uma vez que
f

(r) = 50, 264r
3
+ 9, 426r
2
−200
é maior que zero no intervalo [5, 344; 5.375].
O seguinte algoritmo descreve com maior detalhe todos os passos. A entrada do programa
consiste nos extremos do intervalo inicial [a, b], a função f, os parâmetros de exatidão, ε
1
e ε
2
e o número máximo aceitável de passos, N. A saída pode ser mensagens de erro, o intervalo
mínimo (de comprimento ε
1
) onde a solução se encontra (se não for possível obter a exatidão
pretendida, ε
2
) ou a solução x

com exatidão dada pelo parâmetro ε
2
.
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 62
Algoritmo 5 Método da Bisseção
Input: ¦a, b, f, ε
1
, ε
2
, N¦
x
0
←a; x
1
←b; f
0
←f(x
0
); f
1
←f(x
1
); i ←1
If f
0
f
1
> 0, então
Output: “Saída de Erro”; fim
While [ f
0
[> ε
2
e [ f
1
[> ε
2
e i < N
a) If [ x
0
−x
1
[< ε
1
então:
Output: ¦x
0
, x
1
¦ ; fim
b) x
2
←0, 5 (x
0
+ x
1
) ; f
2
←f(x
2
)
c) If f
2
f
0
< 0, então: x
1
←x
2
; f
1
←f
2
,
Else x
0
←x
2
; ,f
0
←f
2
d) i ←i + 1;
If i > N, então
Output: {”Não atingiu a exatidão exigida em“, N,” passos.”}; fim
If f
0
≤ ε
2
então
Output ¦x
0
¦; vá para: fim,
else: Output:¦x
1
¦; vá para: fim
fim: termina o programa.
3.3 Método da Falsa Posição
O método da falsa posição é uma modificação do método da bisseção. É baseado na
interpolação linear entre dois pontos para aproximar a raiz. O Método consiste em dividir,
de forma sucessiva, o intervalo [a
0
, b
0
] no ponto em que a reta que passa por [a
0
, f(a
0
), ] e
[b
0
, f(b
0
)] intercepta o eixo das abscissas. A figura a seguir 6 ilustra o processo.
Figura 12: Método da Falsa Posição
3.3.1 Critério de Parada
O processo iterativo é finalizado quando se obtém x
i
, i = 0, 1, 2, ...; tal que [f(x
i
)[ seja menor
ou igual a uma precisão pré-estabelecida e, então, x
i
é tomado como uma estimativa para a raiz;
ou quando for atingido um número máximo de iterações previamente estabelecido.
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 63
3.3.2 Critério de Convergência
Se y = f(x) for contínua em [a, b] e f(a).f(b) < 0, então o método da Falsa Posição gera uma
sequência que converge para a raiz.
3.3.3 Função de Iteração
Para determinar a função de iteração, basta considerar que a equação da reta que passa pelos
pontos [a
1
, f(a
1
)] e [b
1
, f(b
1
)] é obtida resolvendo-se o seguinte determinante:
¸
¸
¸
¸
¸
¸
¸
x f(x) 1
a f(a) 1
b f(b) 1
¸
¸
¸
¸
¸
¸
¸
= 0 (3.11)
Cujo resultado é a Eq. (3.12):
xf(a) + bf(x) + af(b) −bf(x) −xf(b) = 0 (3.12)
Em cada iteração é gerado um ponto [x
i
, f(x
i
)] , i = 1, 2, ...; que pertence a Eq. (3.12),
tal que f(x
i
) = 0. Sendo assim da Eq. (3.12) temos que:
x
i
f(a) + bf(x
i
) + af(b) −bf(a) −af(x
i
) −x
i
f(b) = 0
x
i
f(a) + af(b) −bf(a) −x
i
f(b) = 0
x
i
[−f(b) + f(a)] + af(b) −bf(a) = 0 (3.13)
Sendo assim:
x
i
=
−af(b) + bf(a)
−f(b) + f(a)
(3.14)
Multiplicando o numerador e o denominador por (-1) obtém-se a função de iteração do
método Eq. (3.15):
x
i
=
af(b) −b(a)
f(b) −f(a)
, i = 1, 2, ... (3.15)
Observe-se que o Método da Falsa Posição procura gerar, em cada iteração, uma aproxi-
mação, x
i
, i = 0, 1, ...; para a raiz ξ cuja imagem seja a menor possível, isto é, uma aproximação
tal que [f(x
i
)[ ≤ ε, sem se preocupar com a diminuição da amplitude, (ba), do intervalo [a, b]
que contém a raiz.
No caso do Método da Bisseção, em cada iteração é feita a média aritmética dos extremos
a e b. Por outro lado, o Método da Falsa Posição parte do princípio de que a raiz deve estar
mais próxima do ponto que apresenta o menor valor da função, sendo assim, ao invés de fazer a
média aritmética entre a e b, faz a média aritmética ponderada entre ambos, conforme pode ser
observado na Eq. (3.15).
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 64
Algoritmo 6 Método da Falsa Posição
Dado f(x) = 0, ε and the initial end points [a
0
, b
0
] where f(a
0
)f(b
0
) < 0;
Dado max = N max de iteração;
for i = 0 to max faça
c
i

a
i
f(b
i
) −b
i
f(a
i
)
f(b
i
)f(a
i
)
;
if f(a
i
)f(c
i
) < 0 faça
b
i+1
←c
i
e a
i+1
←a
i
;
endif
if f(a
i
)f(c
i
) > 0 faça
a
i+1
←c
i
e b
i+1
←b
i
;
endif
if [c
i
c
i1
[ < ε
Solução←c
i
;
Stop iteração;
endif
endfor
3.4 Método de Newton-Raphson
O método de Newton é um procedimento genérico que pode ser aplicado em inúmeras si-
tuações. Quando temos como problema buscar o zero de uma função real, ele é chamado de
método de Newton-Raphson. Esse método é um dos mais conhecidos e usados na determina-
ção de aproximações numéricas de raízes de equações não lineares, contudo, nem sempre é o
melhor método.
Para encontrar a aproximação da raiz é necessário que a estimativa inicial esteja dentro de
um intervalo de convergência. Porém, a sua simplicidade e ordem de convergência quadrática
faz com que seja o primeiro método a ser tentado. A Eq. (3.16) descreve o cálculo das novas
estimativas a cada iteração k e será aqui repetida usando uma contagem a partir de zero (Silva
Neto e Haroldo C. Velho), ou seja
x
k+1
= x
k

f(x
k
)
f

(x
k
)
, k = 0, 1, 2, ... (3.16)
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 65
Figura 13: Método de Newton-Raphson
Fazendo uma expansão de Taylor em torno do ponto x = x
k
+´x
k
,
f(x) = f (x
k
+´x
k
) = f(x
k
) + (x −x
k
)f

(x
k
) +
(x −x
k
)
2
2
f

(x
k
) +O
_
´x
3
k
_
(3.17)
Tomando um valor ξ entre x
k
e x, a Eq. (3.17) é reescrita como
f(x) = f(x
k
) + (x −x
k
)f

(x
k
) +
(x −x
k
)
2
2
f

(ξ) (3.18)
Para x = x

, obtém-se f(x

) = 0 ou seja,
0 = f(x
k
) + (x −x
k
)f

(x
k
) +
(x −x
k
)
2
2
f

(ξ) (3.19)
com ξ
k
entre x
k
e x

.
Da Eq. (3.19) obtém-se
(x

−x
k
) f

(x
k
) = −f (x
k
) −
(x

−x
k
)
2
2
f


k
) (3.20)
Logo,
x

= x
k

f(x
k
)
f

(x
k
)

(x

−x
k
)
2
2
f


k
)
f

(x
k
)
(3.21)
Combinando as Eqs. (3.16) e (3.21),
x

−x
k+1
= −
(x

−x
k
)
2
2
f


k
)
f

(x
k
)
(3.22)
Uma sequência de iterações ¦x
k
[
x≥1
¦ é dita convergente com ordemp ≥ 1 para um ponto
x

se
[x

−x
k
[ ≤ c [x

−x
k−1
[
p
, k ≥ 1 (3.23)
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 66
onde a constante c é a taxa de convergência linear de x
k
para x

(c ≥ 0). Se p = 1 a
sequência converge linearmente para x

. Neste caso é requerido c < 1 e se p = 2 a convergência
é quadrática.
Comparando as Eq. (3.22) e (3.23) é confirmada a ordem quadrática de convergência.
Para a aplicação do método é necessário o cálculo da derivada da função, f

(x). Rara-
mente este cálculo pode ser feito analiticamente. Usualmente é feita, portanto, uma aproxima-
ção numérica para o cálculo da derivada (Silva Neto e Haroldo C. Velho)
f

i
(x) =
f(x +´x
i
) −f(x −´x
i
)
2´x
i
(3.24)
usando o algoritmo:
1) Definir uma pequena variação ´x
i
, inicialmente com i = 0;
2) Calcular f(x +´x
i
) e f(x −´x
i
);
3) Calcule f

i
(x) com a Eq. (3.24);
4) Faça i = i + 1 e ´x
i
=
´x
i−1
2
;
5) Se i = 1 volte para o passo 2. Se i > 1 verifique se o critério de convergência
[ f

(x) −f

i−1
(x) [
f

i−1
(x)
< ε, onde ε é uma tolerância definida a priore, é satisfeito.
6) Se o critério estiver satisfeito interrompa o procedimento iterativo. Se não estiver
satisfeito volte para o passo 2.
3.4.1 Critério de Parada
O processo iterativo é finalizado quando é obtido x
k
, k = 1, 2, ...; tal que [x
K
− x
k−1
[ ou
[f(x
k
)[ for menor ou igual a uma precisão ε estabelecida e, então, x
k
é tomado como uma
estimativa para a raiz; ou quando for atingido um número máximo de iterações estabelecido.
3.4.2 Critério de convergência
Se f(a) f(b) < 0, f

(x) e f

(x) são não nulas e preservam o sinal em [a, b] e x
0
∈ [a, b] é
tal que f(x
0
) f

(x
0
) > 0, então o Método de Newton, gera uma sequência de aproximações
x
k
, k = 1, 2, ...; que converge para uma raiz de f(x) = 0.
Em geral, afirma-se que o método gera uma série convergente desde que x
0
seja escolhido
“suficientemente próximo” da raiz. Para tanto, é necessário que o intervalo [a, b] considerado
seja suficientemente pequeno, o que contribui para diminuir a possibilidade de variação de sinal
de f

(x) e f

(x).
A seguir é descrito o algoritmo para o método de Newton:
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 67
Algoritmo 7 Método de Newton
Escolha uma estimativa inicial x
0
;
Contador de iteração k ←1;
Calcule f (x
k−1
) e f

(x
k−1
) analiticamente ou com o algoritmo anterior;
If [f (x
k−1
) < ε[, faça
Solução ←x
k−1
fim
If f

(x
k−1
) ←0
Output: Mensagem de erro (Derivada nula)
fim
x
k
←x
k−1

f(x
k−1
)
f

(x
k−1
)
;
If [ x
k
−x
k−1
[≤ ε;
Solução←x
k
;
fim
k ←k + 1;
If k ≤max iteração
Ir para o passo 4;
If k >max iteração
Output: Erro(Não convergiu)
break;
fim
A principal desvantagem é a falta de garantia de convergência assim como a dificuldade
de se encontrar a f

(x). Uma das maneiras de modificar o método, de modo a eliminar esta
necessidade, consiste em substituir a derivada pela aproximação
f

(x) =
f(x + h) −f(x)
h
(3.25)
O método de Newton-Raphson, quando modificado desta maneira, é conhecido como
Método das Secantes (Secção.3.5).
Em alguns casos a convergência poderá ser obtida se ao invés da Eq. (3.16) for realizada
uma subrelaxação (Silva Neto, Haroldo C. Velho),
x
k
= x
k−1
−η
f(x
k−1
)
f

(x
k−1
)
(3.26)
onde 0 < η < 1, e varia com o problema que está sendo tratado.
Exemplo 3.4. Um objeto de massa m é solto de uma altura s
0
, em relação ao solo. Após t
segundos a sua altura é dada pela expressão
S(t) = S
0

mg
k
t +
m
2
g
k
2
_
1 −e

kt
m
_
(3.27)
Onde k é o coificiente de resistência do ar e g a aceleração da gravidade.
Sendo m = 1kg, S
0
= 30m, k = 0, 5kg/s e g = 9, 8m/s
2
, estime o tempo que o objeto
leva para chegar ao solo utilizando o método de Newton, com precisão 0,001 e um máximo de
5 iterações.
Solução:
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 68
Resolver este problema consiste em determinar o tempo t para o qual S(t) = 0.
Efetuando as substituições na Eq. (3.27) tem-se a equação
S(t) = 30 −
9, 8
0, 5
t +
9, 8
0, 5
2
_
1 −e
−0,5t
_
(3.28)
Simplificando a Eq. (3.28) obtemos a equação que resolvida tem-se
S(t) = 69, 2 −19, 6t −39, 2e
−0,5t
= 0 (3.29)
Sejam as funções
g(t) = 69, 2 −19, 6t e h(t) = 39, 2e
−0,5t
A figura a seguir apresenta os gráficos destas duas funções. Como pode ser observado, a
Eq. (3.29) possui duas raízes, sendo que, para o problema, a raiz negativa não tem sentido.
−3 −2 −1 1 2 3
20
40
60
80
100
0
39.2e
−0.5t
69.2 −19.6t
Figura 14: Representação gráfica das funções
Observando a figura acima, verifica-se que a raiz que interessa está intervalo (3, 4). De
fato, S(3) = 1, 653 e S(4) = −14, 505. Para este problema, o método de Newton assume a
forma
t
i
= t
i−1

S(t
i−1
)
S

(t
i−1
)
Sendo
S

(t) = 19, 6(e
−0,5
−1) (3.30)
e
S

(t) = −9, 8e
−0,5t
(3.31)
Verifica-se que a Eq. (3.31) é menor que zero qualquer que seja o valor de t, então, con-
siderando o critério de convergência, toma-se t
0
= 4. Os resultados obtidos estão apresentados
no quadro a seguir
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 69
i t
i
S(t
i
) S

(t
i
) [ t
i
−t
i−1
[
0 4,000 - 14,505 - 16,947
1 3,144 - 0,561 - 15,530 0,856
2 3,108 - 0,004 - 15,457 0,036
3 3,108 0,000
Para a precisão estabelecida, t

= 3, 108s é uma estimativa para o tempo que o objeto leva
para chegar ao solo.
3.5 Método da Secante
Neste método procura-se evitar o cálculo da derivada da função da função f

(x). Em alguns
casos isto pode ser uma economia computacional significativa. O problema é a convergência
mais lenta do que a obtida com o método de Newton.
Vamos considerar dois pontos x
0
e x
1
, calculamos o valor da função nestes pontos, ou seja
f(x
0
) e f(x
1
). Tracemos uma reta pelos pontos (x
i−1
, f (x
i−1
)) e (x
i
, f (x
i
)) com i = 1, 2, ... e
determinamos o ponto x
2
em que a reta intercepta o eixo x.
0
(x
1
, f(x
1
)
x
0 x
2
˙ x
x
1
(x
0
, f(x
0
))
(x
2
, f(x
2
))
x
3
Figura 15: Representação gráfica do método da secante
Podemos observar na Fig. 7 que
f (x
1
) −f (x
0
)
x
1
−x
0
=
f(x
1
) −0
x
1
−x
2
(3.32)
Da Eq. (3.32) obtém-se
x
2
= x
1
−f (x
1
)
x
1
−x
0
f(x
1
) −f(x
0
)
(3.33)
Tomando agora os pontos (x
2
, f(x
2
)) e (x
1
, f(x
1
)) escreve-se
f (x
1
) −f (x
2
)
x
1
−x
2
=
f (x
1
)
x
1
−x
3
0 −f (x
2
)
x
3
−x
2
(3.34)
de onde se obtém
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 70
x
3
= x
2
−f (x
2
)
x
2
−x
1
f (x
2
) −f(x
1
)
(3.35)
O método prossegue usando os pontos (x
2
, f(x
2
)) e (x
3
, f(x
3
)) para obter o ponto x
4
e
assim sucessivamente.
Das Eqs. (3.33) e (3.35) escrevemos a fórmula de recorrência,
x
i+1
= x
i
−f(x
i
)
x
i
−x
i−1
f(x
i
) −f(x
i−1
)
, i = 1, 2, ... (3.36)
Observe que devem ser disponíveis duas aproximações iniciais, antes da Eq. (3.36) possa
ser usada. Após, as duas últimas aproximações são usadas para se obter a aproximação seguinte.
Geometricamente, o método da secante consiste em considerar, como a aproximação seguinte,
a interseção da curva que une os pontos (x
i−1
, f (x
i−1
)) e (x
i
, f (x
i
)) com o eixo x (Ver Fig. 7).
A seguir é apresentado um algoritmo para o método da Secante.
Algoritmo 8 Método da Secante
Escolha duas aproximações iniciais x
0
e x
1
, tais que f(x
0
)f(x
1
) < 0;
Contador de iteração i ←1;
Calcule f (x
i−1
) e f (x
i
);
x
i+1
←x
i
−f(x
i
)
x
i
−x
i−1
f(x
i
) −f(x
i−1
)
;
Se [x
i+1
−x
i
[ < ε
1
, ou se [x
i+1
−x
i−1
[ < ε
2
, com ε
1
e ε
2
dado
Solução ←x
i+1
fim
Se f(x
i+1
)f(x
i−1
) < 0 faça
x
1
←x
2
, manter x
0
inalterado, e calcule x
i+1
;
Else x
0
←x
2
, manter x
1
inalterado, e calcule x
i+1
;
fim
A convergência é mais rápida do que no método da Bisseção e da Falsa Posição, mas,
pode ser mais lenta do que no método de Newton.
As generalizações do Método da Secante são bastante utilizadas para resolver sistemas de
equações não lineares.
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 71
3.6 Sistemas de Equações Não-Lineares
Neste capítulo, apresentaremos o método de Newton para sistemas de equações não-lineares,
i.e., procuramos determinar a solução x

= (x

1
, ...x

n
) do sistema de n equaçõs em n incógnitas
que sastifaça
F(x) = 0 (3.37)
onde F : R
n
→R
n
, i.e,
_
¸
¸
¸
¸
_
¸
¸
¸
¸
_
f
1
(x
1
, x
2
, ..., x
n
) = 0
f
2
(x
1
, x
2
, ..., x
n
) = 0
.
.
.
f
n
(x
1
, x
2
, ..., x
n
) = 0
(3.38)
Pode-se afirmar que todas as considerações apresentadas na secção 3.4 para o método de
Newton-Raphson são também válidas para esse caso. No entanto, a solução da Eq. (3.37) pode
ser mais difícil processos analíticos, requerendo uma série de cuidados adicionais. Nesse caso
temos necessidade de recorrer a métodos numéricos no sentido de obter uma solução aproxi-
mada.
3.6.1 Método iterativo de Newton
Como visto na seção 3.4, o método de Newton-Raphson é uma linearização da função f(x)
no ponto x = x
k
. Essa idéia deve ser estendida para o presente caso, como veremos a seguir.
Considerando então o sistema (3.37), podemos escrever as expansões em Taylor (apenas até os
termos de primeira ordem) de cada função f
i
em (3.38) como
_
¸
¸
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
¸
¸
_
0 = f
1
(x
1
+ h
1
, x
2
+ h
2
, ..., x
n
+ h
n
) ≈ f
1
(x
1
, x
2
, ..., x
n
) + h
1
∂f
1
∂x
1
+ h
2
∂f
2
∂x
2
+ ... + h
n
∂f
1
∂x
n
.
.
.
0 = f
n
(x
1
+ h
1
, x
2
+ h
2
, ..., x
n
+ h
n
) ≈ f
n
(x
1
, x
2
, ..., x
n
) + h
1
∂f
n
∂x
1
+ h
2
∂f
n
∂x
2
+ ... + h
n
∂f
n
∂x
n
(3.39)
Em termos matriciais temos
_
¸
¸
_
f
1
(x
1
, x
2
, ..., x
n
)
.
.
.
f
n
(x
1
, x
2
, ..., x
n
)
_
¸
¸
_
+
_
¸
¸
_
∂f
1
∂x
1

∂f
1
∂x
n

.
.
.

∂f
n
∂x
1

∂f
n
∂x
n
_
¸
¸
_
_
¸
¸
_
h
1
.
.
.
h
n
_
¸
¸
_
=
_
¸
¸
_
0
.
.
.
0
_
¸
¸
_
(3.40)
o qual podemos reescrever na forma
F(x) + J(x)h = 0 (3.41)
onde J(x) é a matriz Jacobiana (de tamanho n n onde seus elementos é dado por
∂f
i
∂x
j
) de
F(x). Para obtermos o vetor h = (h
1
, h
2
, ..., h
n
), devemos resolver o sistema de equações
lineares
J(x)h = −F(x) (3.42)
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 72
o que exige, obviamente, que J(x) seja não-singular. Então, se x ≡ x(k) (i.e., x é uma estima-
tiva para a solução de (3.37) na iteração k), podemos obter uma nova estimativa (possivelmente
melhor) através de
_
¸
¸
_
x
(k+1)
1
.
.
.
x
(k+1)
n
_
¸
¸
_
_
¸
¸
_
x
(k)
1
.
.
.
x
(k)
n
_
¸
¸
_
=
_
¸
¸
_
h
(k)
1
.
.
.
h
(k)
n
_
¸
¸
_
(3.43)
Reescrevendo a Eq. temos
x
(k+1)
= x
(k)
+ h
(k)
=⇒h
(k)
= x
(k+1)
−x
(k)
(3.44)
Note as similaridades com o método de Newton-Raphson: naquele, a correção é escrita
como x
k+1
= x
k
+ h
k
, onde h
k
= f(x)/f

(x), o que é equivalente à Eq. (3.42).
Ao se resolver o sistema (3.42), pode-se utilizar qualquer um dos métodos vistos no Ca-
pítulo 2, usualmente, utiliza-se a fatoração LU, mas métodos iterativos são indicados quando a
matriz J é esparsa. De qualquer forma, no entanto, a matriz J pode se tornar quase singular, o
que dificulta bastante a solução da Eq. (3.37).
Outro problema relacionado ao método de Newton é na obtenção da matriz J(x). Cabe
notar que apenas para problemas com n muito pequeno é factível calcular-se de forma explícita
a matriz J; logo, J deve ser calculada de forma aproximada.
O método de Newton para sistemas de equações não-lineares pode, então, ser descrito
conforme o algoritmo a seguir, onde τ
r
e τ
a
são duas tolerâncias pré-estabelecidas.
Algoritmo 9 Método de Newton para sistemas de equações não-lineares
Imput: x
0
, τ
r
τ
a
;
Contador de iteração k
max
;
Output: x
k+1
, k;
F
0
←[ F(x
0
) [;
for k = 0, 1, ...,k
max
faça
Calcule J(x
(k)
)
If det
_
J(x
(k)
)
_
= 0 break;
Resolva o sistema J(x
(k)
)h
(k)
←−F(x
(k)
)
x
(k+1)
←x
(k)
+ h
(k)
k ←k + 1;
If [ F(x
(k)
) [≤ τ
r
F
0
+ τ
a
[[ ou k = k
max
;
break;
endif
Calcule F(x
(k+1)
);
endfor
fim
Exemplo 3.5. Determine uma aproximação para a solução de
F(x) = 0 ⇐⇒
_
x
2
1
+ x
2
2
−1 = 0
x
1
x
2
+ x
1
= 0
diferente de (1, 0) fazendo duas iterações do método de Newton. Indique uma estimativa para
o erro cometido.
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 73
Seja x

= (x

1
, x

2
) a solução pretendida. Como vimos, a aproximação inicial pode ser
dada por (x
1
, x
2
)
(0)
= (1, 1).
Consideremos (x
1
, x
2
)
(k)
= (x
k
, y
k
) com k = 0, 1, .... Como
J
F
(x
k
, y
k
) =
_
2x
k
2y
k
y
k
+ 1 x
k
_
temos que
det (J
F
(x
k
, y
k
)) ,= 0 ⇐⇒x
2
k
−y
2
k
−y
k
,= 0
Aplicando o método de Newton temos,
• 1
a
iteração
Como x
2
0
−y
2
0
−y
0
= −1 ,= 0 podemos efetuar a primeira iteração do método. Assim
_
2x
0
2y
0
y
0
+ 1 x
0
_ _
h
0
1
h
0
2
_
= −
_
x
2
0
+ y
2
0
−1
x
0
y
0
+ x
0
−1
_

_
2 2
2 1
_ _
h
0
1
h
0
2
_ _
−1
−1
_
Daqui obtemos
_
h
0
1
h
0
2
_
=
_
−0, 5
0
_
assim como
_
x
1
y
1
_
=
_
−0, 5
1
_
• 2
a
iteração
Como x
2
1
−y
2
1
−y
1
= −1, 75 ,= 0 podemos efetuar a segunda iteração do método. Obtemos
assim
_
1 2
2 + 1 0, 5
_ _
h
1
1
h
1
2
_
= −
_
−0, 25
0
_
Dai obtemos
_
h
1
1
h
1
2
_
=
_
1/28
−1/7
_
Assim como,
_
x
2
y
2
_
=
_
15/28
6/7
_
Temos assim
x


_
15
28
,
6
7
_
= (0, 5357; 0, 8571) ,
sendo uma estimativa para o erro cometido dado por
[ x

−x
(2)
[

≈[ x
(2)
−x
(1)
[

= max
_
1
28
,
1
7
_
=
1
7
= 0, 1429
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 74
Exemplo 3.6. Determine os pontos de interseção entre o círculo x
2
1
+ x
2
2
= 3 e a hipérbole
x
1
x
2
= 1.
Solução: A equação para ser resolvida é:
f
1
(x
1
, x
2
) =x
2
1
+ x
2
2
−3 = 0 (3.45)
f
2
(x
1
, x
2
) =x
1
x
2
−1 = 0 (3.46)
A matriz Jacobiana é
J(x
1
, x
2
) =
_
¸
¸
¸
_
∂f
1
∂x
∂f
1
∂y
∂f
2
∂x
∂f
2
∂y
_
¸
¸
¸
_
=
_
2x
1
2x
2
x
2
x
1
_
(3.47)
Assim a equação linear J(x)´x = −f(x) associado com o método de Newton-Raphson
é
_
2x
1
2x
2
x
2
x
1
_ _
´x
1
´x
2
_
=
_
−x
2
1
−x
2
2
+ 3
−x
1
x
2
+ 1
_
(3.48)
Para representar o círculo e a hipérbole, nós
Plotando o círculo e da hipérbole, vemos que há quatro pontos de intersecção. É, porém,
suficiente para encontrar apenas um destes pontos, enquanto os outros podem ser deduzidas a
partir de simetria. Apartir do gráfico tambémobter uma estimativa aproximada das coordenadas
de um ponto de interseção: x
1
= 0, 5, x
2
= 1, 5, que usamos como os valores iniciais.
Para os cálculos é feito então o seguinte:
1
a
iteração
Substituindo x
1
= 0, 5 x
2
= 1, 5 na Eq. (3.48), nos temos
_
1, 0 3, 0
1, 5 0, 5
_ _
∆x
1
∆x
2
_
=
_
0, 50
0, 25
_
cuja solução é x
1
= x
2
= 0, 125. Portanto, as coordenadas melhoradas do ponto de intersecção
são
x
1
=0, 5 + 0, 125 = 0, 625
x
2
=1, 5 + 0, 125 = 1, 625
2
a
iteração
Repetindo o procedimento usando os últimos valores dos x
1
e x
2
, é obtido
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 75
_
1, 250 3, 250
1, 625 0, 625
_ _
∆x
1
∆x
2
_
=
_
0, 031250
0, 015625
_
que produz x
1
= x
2
= 0, 00694. Assim,
x
1
=0, 625 −0, 00694 = 0, 61806
x
2
=1, 625 −0, 00694 = 1, 61806
3
a
iteração
Fazendo a substituição de x
1
e x
2
into Eq. (3.48) produz
_
1.23612 3.23612
1.61806 0.61806
_ _
∆x
1
∆x
2
_
=
_
−0.000116
−0.000058
_
A solução é x
1
= x
2
= 0, 00003, de modo que
x
1
=0, 61806 −0, 00003 = 0, 61803
x
2
=1, 61806 −0, 00003 = 1, 61803
Iterações subsequentes não mudaria os resultados dentro de cinco algarismos significati-
vos. Portanto, as coordenadas dos quatro pontos de intersecção são
±(0.61803, 1.61803) e ±(1.61803, 0.61803)
Solução alternativa
Se houver apenas algumas equações, pode ser possível eliminar todas menos uma das
incógnitas. Em seguida, seria deixado com uma equação simples que pode ser resolvido pelos
métodos descritos aqui. Neste problema, obtemos da Eq. (3.46)
y =
1
x
o qual após int substituição Eq. (3.45) produz x
2
+ 1/x
2
3 = 0, ou
x
4
3x
2
+ 1 = 0
A solução dessa equação biquadrada é: x = ±0, 61803 e ±1, 61803 que concorda com o
resultado obtido pelo método de Newton–Raphson.
Exemplo 3.7. Sejam as equações
f(x, y) =sin(y)e
−x
−x
2
g(x, y) =cos(y)e
−x
−x
3
Calcule o ponto de intersecção entre ambas as curvas usando o método de Newton.
Solução: Se construirmos o gráfico das funções f e g podemos perceber que a solução é,
aproximadamente, (0, 7; 1, 0).
Escrevendo na notação apropriada, temos
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 76
F =
_
f(x, y) = sin(y)e
−x
−x
2
g(x, y) = cos(y)e
−x
−x
3
_
é a matriz Jacobiana é dada, explicitamente, por
F =
_
−sin(y)e
−x
−2x
−cos(y)e
−x
−3x
cos(y)e
−x
−sin(y)e
−x
_
Assim, utilizando como estimativa inicial o vetor x
0
= (x, y) = (0, 0)
T
, obtemos a
seguinte sequência de valores para o método de Newton, conforme o algoritmo 5.2.1:
F
0
=
_
0
1
_
j
0
=
_
0 1
−1 0
_
h
0
= −J
−1
0
F
0
=
_
1
0
_
x
1
= x
0
+ h
0
=
_
1
0
_
F
1
=
_
−1
−0, 6321
_
J
1
=
_
−2 −0, 3679
−3, 3679 0
_
h
1
=−J
−1
1
F
1
=
_
−0, 1877
1, 6979
_
x
2
= x
1
+ h
1
=
_
0, 18123
1, 6979
_
F
2
=
_
−2, 2196
−0, 5923
_
J
2
=
_
−2, 0649 −0, 0563
−1, 9233 −0, 4403
_
h
2
=−J
−1
2
F
2
=
_
−0, 0791
−0, 9966
_
x
3
= x
2
+ h
2
=
_
0, 7332
0, 6982
_
F
4
=
_
−0, 0144
−0, 0320
_
J
4
=
_
−1, 7756 0, 2692
−1, 6172 −0, 4350
_
h
4
=−J
−1
4
F
4
=
_
−0, 0123
−0, 0279
_
x
5
= x
4
+ h
4
=
_
0, 6588
0, 9888
_
F
5
=10
−3
_
−0, 3810
−0, 2395
_
J
5
=
_
−1, 7487 0, 2847
−1, 5837 −0, 4926
_
h
5
=−J
−1
5
F
5
= 10
−3
_
−0, 1930
0, 1529
_
x
6
= x
5
+ h
5
=
_
0, 6578
0, 9889
_
F
6
=10
−7
_
−0, 2585
−0, 8432
_
ou seja, após 6 iterações, o valor de F(x
6
) é considerado pequeno o suficiente, e x = 0, 6578
e y = 0, 9889 - próximos da estimativa para a solução conforme o gráfico na figura 5.1. Ob-
viamente, poderíamos ter acelerado consideravelmente o processo utilizando como estimativa
inicial o vetor x
0
= (0, 7; 1).
Exercício 3.8. A concentração, C, de uma bactéria poluente num lago decresce de acordo com
a expressão
C = 80e
−2t
+ 20e
−0,1t
onde t representa o tempo. Determine o tempo necessário para que a concentração de bactérias
fique a 10.
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 77
Exercício 3.9. Utilize o mesmo método para a solução do exemplo 3.2.
Exercício 3.10. A velocidade v de um pára-quedista caindo é dada pela
v =
mg
c
_
1 −e
−(c/m)t
_
onde g = 9.81 m/s
2
. Para um pára-quedista com um coeficiente de resistência c = 14kg/s,
calcule a massa m de modo a que a velocidade v = 35m/s no tempo t = 7s. Utilizar os
métodos da Bissecção e Falsa Posição para determinar m para um nível de ε = 0, 1. Compare
o desempenho dos métodos.
Exercício 3.11. Uma partícula é arremessada verticalmente, a partir do solo, com uma velo-
cidade inicial v
0
. Desprezando a resistência do ar, supomos que a posição p partícula é dada
por:
S(t) = v
0
t −
g
2
t
2
onde g é aceleração da gravidade. Determinar a altura máxima atingida pela partícula e o
instante em que ocorreu.
Exercício 3.12. Uma corrente oscilante num circuito elétrico é descrita por I = 9e
−t
sen(2πt).
Determinar todos os valores positivos de t (em segundos) para os quais I = 3.5.
Exercício 3.13. O deslocamento de uma estrutura está definido pela seguinte equação
D = 8e
−kt
cos(wt)
onde k = 0.5 e w = 3.
a) Determinar graficamente uma estimativa inicial do tempo necessário para o desloca-
mento decrescer para 4.
b) Usar o método de Newton-raphson para determinar essa raiz
Exercício 3.14. A velocidade de ascensão de um foguete é determinada pela seguinte
expressão:
V = u ln
_
m
0
m
0
−qt
_
+ g t
onde V = 100m/s, u = 200m/s, m
0
= 1600Kg, g = 9, 8m/s
2
,q = 27Kg/s. Determine
tempo aproximado com 6 iterações no intervalo [6; 8] através do método da secante.
Exercício 3.15. Um cabo suspenso entre dois postes tem um peso de α Kg/m (força-linear). A
tensão no meio do cabo é obtida pela resolução da seguinte equação:
2
α
sinh
_
αL
2
_
= S
onde, S é o comprimento do cabo; L é a distância entre os postes. Encontre uma aproximação
através do método da falsa posição com 8 iterações para achar a tensão a partir das seguintes
condições: S = 32m, L = 30m α = 0, 1Kgf , tol = 1 10
−2
e intervalo [2; 3].
Exercício 3.16. Utilize o método da bisseção com 4 iteração para encontrar o valor de mínimo
da função f(x) = x
2
/2 + x(ln(x) −1) no intervalo inicial [0, 6; 1, 5]. Como critério de parada
adote a diferença entre aproximações consecutivas menor que 1 10
−3
.
3 SOLUÇÃO DE EQUAÇÕES NÃO-LINEARES 78
Exercício 3.17. Um cocho de comprimento L tem uma seção transversal no formato de um
semi- círculo com raio r de acordo com figura a seguir.
α
r
h
d
Quando cheio de água até uma distância h do topo, o volume V da água é:
V = L
_
0, 5πr
2
−r
2
arcsen(h/r) −h

r
2
−h
2
_
Suponha que L = 10ft , r = 1ft e V = 12, 4ft
3
.Encontre a profundidade da água no cocho
com precisão de 0, 001ft usando o método da bisseção no intervalo 0 e 0,5.
4 DIFERENCIAÇÃO NUMÉRICA 79
4 Diferenciação Numérica
Nesta seção vamos desenvolver métodos para estimar a derivada de uma função f calculada
em um ponto x

, f

(x∗), a partir de valores conhecidos de f em pontos próximos ao ponto x

.
Uma possível abordagem para encontrar a derivada em um ponto x

consiste em determi-
nar uma interpolação p(x) a partir dos valores de f em pontos próximos a x

e então estimar
f

(x

) a partir de p

(x

). Essa abordagem é a mais indicada quando estamos interessados no
valor da derivada para diversos pontos ou quando os pontos utilizados para construir a interpo-
lação p não estão igualmente espaçados.
Na situação em que a função f é conhecida em uma sequência igualmente espaçada de
pontos dispomos de outras técnicas como o cálculo da derivadas a partir de operações de dife-
rença finita. A seguinte definição será muito útil.
4.1 Aproximação da derivada por diferenças finitas
A partir da definição da função f

(x) através do limite
f

(x) = lim
h→0
f (x + h) −f (x)
h
(4.1)
introduzimos a operação de diferença finita D
+,h
, a partir da qual obtemos uma segunda função
g
h
≡ (D
+,h
, f):
g
h
(x) = (D
+,h
, f) (x) =
f (x + h) −f(x)
h
(4.2)
No limite recuperamos a função derivada de f, lim
h→0
g
h
(x) = lim
h→0
(D
+,h
, f) (x) =
f

(x). É importante notar que a definição de derivada a partir de limites não é única, podemos
definir a mesma função derivada de f a partir de outros limites (e assim, determinar outras
operações de diferença finita), por exemplo
f

(x) = lim
h→0
f(x) −f(x −h)
h
(4.3)
ou ainda
f

(x) = lim
h→0
f(x + h) −f(x −h)
2h
(4.4)
A cada uma dessas definições podemos associar naturalmente uma operação de diferença
finita. A partir dos dois últimos limites, associamos as operações D
−,h
e D
0,h
:
(D
−,h
)(x) =
f(x) −f(x −h)
h
(4.5)
(D
0,h
)(x) =
f(x + h) −f(x −h)
2h
(4.6)
As funções que resultam da ação das duas primeiras operações, D
,h
e D
,h
, sobre uma
função f podem ser prontamente identificadas, respectivamente, com a derivada da interpolação
de uma reta a partir dos pontos (x, f(x)), (x + h, f(x + h)) no primeiro caso e (x, f(x)),
(xh, f(xh)), no segundo.
Já a função que resulta da operação D
0,h
sobre uma função f, pode ser entendida como a
derivada da parábola interpolada a partir dos pontos (xh, f(xh)), (x, f(x)) e (x +h, f(x +h)).
Verifique esse fato utilizando a interpolação de Lagrange ou Newton.
4 DIFERENCIAÇÃO NUMÉRICA 80
4.1.1 Aproximacão usando Lagrange
Seja f ∈ C
n+1
([a, b]) conhecida num conjunto de pontos da partição uniforme
a = x
0
< x
1
< ... < x
n
= b (4.7)
com x
1
− x
i−1
= h, i = 1, ..., n. Queremos aproximar a derivada de f num dos pontos x
k
,
k ∈ ¦0, 1, ...n¦, da partição (4.7). Usando a fórmula interpoladora de Lagrange temos que, para
x ∈ (a, b),
f(x) =
n

i=0
f(x
i
)L
i
(x) +
f
(n+1)
(ξ)
(n + 1)!
ω(x), (4.8)
onde ω(x) é representador por
n

j=0
(x −x
j
) (4.9)
e sendo L
i
, i = 0, ..., n, os polinômios de Lagrange dados por (1.8) e ξ ∈ (a, b). Derivando esta
expressão obtemos
f

(x) =
n

i=0
f (x
i
) L

(x) +
_
f
(n+1)
(ξ)
(n + 1)!
ω(x)
_
(4.10)
Podemos, assim, considerar a aproximação
f

(x) ≈
n

i=0
f (x
i
) L

(x) (4.11)
com erro dado por
e(x) :=
_
f
(n+1)
(ξ)
(n + 1)!
ω(x)
_
=
_
f
(n+1)
(ξ)
_
(n + 1)!

ω(x) +
ω

(x)
(n + 1)!
f
(n+1)
(ξ) (4.12)
Como se sabe,
ω

(x) =
n−1

l=0
n−1

j=0,j=l
(x −x
j
) (4.13)
a diculdade está no fato de não sabermos como calcular
_
f
(n+1)
(ξ)
_
e assim não conseguimos
estimar o erro cometido. No entanto, para um ponto x = x
k
, k ∈ ¦0, 1, ..., n¦, da particão (4.7)
temos que w(x
k
) = 0 e como tal
f

(x
k
) ≈
n

i=0
f (x
i
) L

i
(x
k
) +
f
(n+1)
(ξ)
(n + 1)!
ω

(x) (4.14)
Como x
k
−x
j
= (k −j) h temos que
f

(x
k
) ≈
n

i=0
f (x
k
+ (i −k)h) L

i
(x
k
) (4.15)
sendo o erro cometido dado por
4 DIFERENCIAÇÃO NUMÉRICA 81
e(x
k
) = h
n
f
(n+1)
(ξ)
(n + 1)!
n−1

l=0
n−1

j=0,j=l
(k −j) (4.16)
Podemos então concluir que
[ e(x
k
) [≤ Ch
n
onde C e um valor que não depende de h. Por isso dizemos que a formula usada para aproximar
a derivada da funcão é de ordem n. É também usual usar a notacão e(x
k
) = O(h
n
).
Fórmulas com dois pontos
Temos que, para x ∈ [x
k
, x
k+1
] com ξ ∈ (x
k
, x
k+1
)
f(x) = f(x
k
) +
f(x
k
) −f(x
k+1
)
h
(x −x
k
) +
f

(ξ)
2
(x −x
k
)(x −x
k+1
)
Derivando sai que
f

(x
k
) =
f(x
k
) −f(x
k+1
)
h
−h
f

(ξ)
2
e
f

(x
k+1
) =
f(x
k
) −f(x
k+1
)
h
+ h
f

(ξ)
2
,
Obtemos assim duas fórmulas de diferenças finitas de primeira ordem para aproximar a
primeira derivada. A eq. (4.17)
f

(x
k
) =
f(x
k
) −f(x
k+1
)
h
(4.17)
é usual chamar fórmula de diferenças progressivas (ou forward ou forwind) e a eq. (4.18)
f

(x
k
) =
f(x
k−1
) −f(x
k
)
h
(4.18)
chamamos de fórmula de diferenças regressivas (ou upward ou upwind).
Fórmulas com três pontos
Para obter fórmulas mais precisas para aproximar a primeira derivada de uma função, po-
demos pensar em aumentar o numero de pontos da interpolação. A seguir são apresentadas as
formulas de diferenças progressivas, centradas e regressivas com três pontos.
Provar que:
• f

(x
k
) =
1
2h
[−3f(x
k
) + 4f (x
k+1
) −f (x
k+2
)] +
h
2
3
f


0
) ;
• f

(x
k
) =
1
2h
[−f(x
k−1
) + f (x
k+1
)] −
h
2
6
f


1
) ;
• f

(x
k
) =
1
2h
[f(x
k−2
) + 4f (x
k+1
) + 3f(x
k
)] −
h
2
3
f


2
) ;
4 DIFERENCIAÇÃO NUMÉRICA 82
Exemplo 4.1. Considere os seguintes valores da função f(x) = xe
x
.
x
i
1,8 1,9 2,0 2,1 2,2
f(x
i
) 10,889365 12,703199 12,703199 12,703199 12,703199
Aproxime o valor de f

(2, 0) = 22, 167168 usando as fórmulas de diferencas finitas dadas
e compare os erros cometidos.
Solução:
• Fórmula progressiva de segunda ordem com h = 0, 1.
f

(2, 0) ≈
1
0, 2
[−3f(2, 0) + 4f(2, 1) −f(2, 2)] = 22, 032310
O erro cometido é aproximadamente 1, 35 10
−1
.
• Fórmula regressiva de segunda ordem com h = 0, 1.
f

(2, 0) ≈
1
0, 2
[f(1, 8) + 4f(1, 9) −3f(2, 0)] = 22, 054525
O erro cometido é aproximadamente 1, 13 10
−1
.
• Fórmula centrada de segunda ordem com h = 0, 1.
f

(2, 0) ≈
1
0, 2
[f(2, 1) −f(1, 9)] = 22, 228790
O erro cometido é aproximadamente −6, 16 10
−2
.
Observer que o erro cometido quando se usa a fórmula de diferenças centradas e aproxi-
madamente metade do erro cometido com as outras fórmulas.
4.1.2 Aproximação da segunda derivada.
Seja f ∈ C
n+1
([a, b]) conhecida num conjunto de pontos da partição uniforme (4.8), com
x
i
− x
i−1
= h, i = 1, ..., n. Queremos aproximar a segunda derivada de f num dos pontos
x
k
, k ∈ ¦0, 1, ..., n¦, da partição (4.8). Poderíamos, assim como para a primeira derivada, usar
o polinômio interpolador na dedução das fórmulas para a segunda derivada. A obtenção de
estimativas para o erro é, no entanto, mais complicada. Um processo alternativo para a dedução
das fórmulas de derivação (e respectivo erro) faz uso da série de Taylor da função.
Desenvolvendo f em serie de Taylor em torno do ponto x
k
temos:
f (x
k+1
) = f (x
k
) +f

(x
k
) h +
h
2
2
f

(x
k
) +
h
3
6
f

(x
k
) +
h
4
24
f
4

1
), ξ
1
∈ (x
k
, x
k+1
) ; (4.19)
f (x
k−1
) = f (x
k
) −f

(x
k
) h +
h
2
2
f

(x
k
) −
h
3
6
f

(x
k
) +
h
4
24
f
4

2
), ξ
2
∈ (x
k−1
, x
k
) ; (4.20)
Se adicionarmos estas duas expressões (4.19) e (4.20) obtemos a Eq. (4.21).
4 DIFERENCIAÇÃO NUMÉRICA 83
f

(x
k
) =
1
h
2
[f(x
k−1
) −2f(x
k
) + f(x
k+1
)] −
h
4
24
_
f
4

1
) + f
4

2
)
_
(4.21)
Admitindo que f
(4)
e contínua em [x
k−1
, x
k+1
], o Teorema de Bolzano permite concluir
que existe um ξ ∈ (x
k−1
, x
k+1
) tal que
f
(4)
(ξ) =
1
2
(f (ξ
1
) + f (ξ
2
))
Assim
f

(x
k
) =
1
h
2
[f(x
k−1
) −2f(x
k
) + f(x
k+1
)] −
h
2
12
f
(4)
(ξ) (4.22)
Esta fórmula é conhecida como fórmula de diferencas centradas de segunda ordem para
aproximar a segunda derivada. Por um raciocínio semelhante poderiam ser obtidas outras fór-
mulas de diferencas finitas para aproximar a segunda derivada, não só centradas como também
progressivas e regressivas.
Exemplo 4.2. Considere, de novo, os valores da função f(x) = xe
x
dados na tabela do Exer-
cício 5.1 Aproxime o valor de f

(2, 0) = 29, 556224 usando a fórmula de diferenças finitas
centradas de segunda ordem.
Resolução:
Temos que
f

(2, 0) ≈
1
0, 01
[f (1, 9) −2f (2, 0) + f (2, 1)] = 29, 593200
O erro cometido é aproximadamente −3, 7 10
−2
.
Exercícios
Questão 1 - Obter por interpolação de Lagrange os coificientes a
i
do polinômio P
2
(x) =
2

i=0
a
i
x
i
= 0 e o gráfico que passa pelos pontos f(2.0)= -6.0, f(3.0)=-1.0 e f(4.0)=6.0.
Questão 2 - Foram feitas as seguintes observações sobre o movimento dos mares em um porto.
t/hrs 0 2 4 6 8 10 12
H(t) 1 1.6 1.4 0.6 0.2 0.8 1
Aproxime H(t) por uma função adequada considerando que H(t) é do tipo
h
0
+ asen
_
1
6
πt
_
+ bcos
_
1
6
πt
_
Encontre a e b.
5 INTEGRAÇÃO NUMÉRICA 84
5 Integração Numérica
A integração numérica é o processo computacional capaz de produzir um valor numérico para
a integral de uma função sobre um determinado conjunto. Ela difere do processo de antidi-
ferenciação, aprendido em Cálculo, na medida em que não se procura uma função F tal que
F

= f; aqui, vamos procurar substituir f por uma outra função, g, tal que f · g, mais amena
à integração (por exemplo, g é um polinômio). Nesse caso, a solução numérica de
b
ˆ
a
f(x)dx (5.1)
será obtida calculando-se
b
ˆ
a
g(x)dx, g · f (5.2)
Veremos, a seguir, o processo de integração numérica via interpolação polinomial e os
diferentes métodos daí derivados.
5.1 Integração numérica via interpolação polinomial
Suponha a integral (6.1) podemos selecionar um conjunto de nós x
0
, x
1
, ..., x
n
no intervalo
[a, b] e interpolar a função f(x) através dos polinômios de Lagrange, os quais são expressos
como
p(x) =
n

i=0
f(x
i
)l
i
(x) (5.3)
onde
l
i
(x) =
n

j=0j=i
x −x
j
x
i
−x
j
, i = 0, 1, ..., n (5.4)
Agora, substituímos f(x) por p(x), de tal forma que
b
ˆ
a
f(x)dx ·
b
ˆ
a
p(x)dx =
n

i=0
f(x
i
)
b
ˆ
a
l
i
(x)dx (5.5)
a qual pode ser usada para calcular a integral de qualquer função. A Eq. acima pode ser reescrita
na forma (eq 9.5)
b
ˆ
a
f(x)dx ≈
n

i=0
A
i
f(x
i
) (5.6)
onde
A
i
=
b
ˆ
a
l
i
(x)dx (5.7)
a qual é conhecida como a forma de Newton-Cotes, se os pontos x
i
foremigualmente espaçados.
A partir da Eq. (9.5), pode-se derivar várias regras de integração, dependendo do grau do
polinômio de Lagrange.
5 INTEGRAÇÃO NUMÉRICA 85
5.2 Regra do Trapézio
Se tomarmos n = 1, e usarmos como nós os pontos extremos do intervalo, i.e. x
0
= a, x
1
=
b, obtemos a chamada regra do trapézio. Nesse caso, os polinômios interpoladores são
l
0
(x) =
b −x
b −a
, l
1
(x) =
x −a
b −a
de onde
A
0
=
b
ˆ
a
l
0
(x)dx =
1
2
(b −a) =
b
ˆ
a
l
1
(x)dx = A
1
Assim, escrevendo a Eq. (9.5) para esse caso particular, temos a Eq. (9.6)
b
ˆ
a
f(x)dx ≈
b −a
2
(f(a) + f(b))
a qual define a regra do trapézio. Essa fórmula é exata para qualquer polinômio degrau igual a
1, no máximo; o erro associado a essa aproximação é dado por (9.7)

1
12
(b −a)
3
f”(ξ), a < ξ < b
Ao usarmos a regra do trapézio, estamos substituindo a função f por uma reta, no inter-
valo [a, b], conforme a Fig. (16). É claro que essa aproximação pode ser bastante crua, se [b−a[
é grande (o contrário também é verdade).
0
Figura 16: Representação gráfica da Regra do Trapézio
Exemplo 5.1. Calcule a integral abaixo usando a regra do trapézio.
A =
2
ˆ
1
(x
2
+ 3x)dx
Solução:
Usando a fórmula (9.6), temos
A =
2 −1
2
(4 + 10) =
14
2
= 7
Como a antiderivada F(x) =
x
3
3
+
3x
2
2
é conhecida, podemos avaliar o erro. Calculando
a integral definida temos
5 INTEGRAÇÃO NUMÉRICA 86
2
ˆ
1
(x
2
+ 3x)dx =
x
3
3
+
3x
2
2
¸
¸
¸
¸
¸
¸
2
1
= 6, 8333
de onde podemos calcular o erro como sendo igual a 6, 8333−7 = −0, 1667. Usando a fórmula
(9.7), com f” = 2, obtemos o valor

1
12
(2 −1)
3
2 = −
1
6
= −0, 1667
o qual é igual ao calculado anteriormente.
Podemos, evidentemente, obter uma melhor aproximação se subdividirmos o intervalo [a,
b], calculando os nós x
0
, x
1
, ..., x
n
satisfazendo
a = x
0
< x
1
< ... < x
n
= b
e aplicando a regra do trapézio a cada subintervalo (não necessariamente de mesmo tamanho).
Essa estratégia nos leva à regra composta do trapézio (9.8),
b
ˆ
a
f(x)dx =
n

i=1
x
i
ˆ
x
i−1
f(x)dx
=
1
2
n

i=1
(x
i
−x
i−1
)(f(x
i−1
) + f(x
i
))
A regra composta do trapézio nos leva à aproximação da função f(x) por um conjunto de
retas unindo cada um dos nós x
i
, dois a dois, conforme a Fig. (17a). Se o espaçamento entre os
nós é igual, i.e. x
i
= a +ih, h =
b −a
n
, então obtemos a regra composta uniforme do trapézio
(9.9),
T(f, h) =
b
ˆ
a
f(x)dx ≈
h
2
_
f(a) +
_
2
n−1

i=1
f(a + ih)
_
+ f(b)
_
conforme a figura (17b).
a)
1 2 3 4 5 6 7 8 9
1
2
3
4
0
5 INTEGRAÇÃO NUMÉRICA 87
b)
1 2 3 4 5 6 7 8 9
1
2
3
4
0
Figura 17: A regra do trapézio composta: (a) subintervalos de qualquer tamanho, (b) subinter-
valos de tamanhos iguais.
O erro de truncamento E(f, h) associado a essa aproximação é estimado por
E(f, h) ≤
h
2
12
(b −a) max
x∈[a,b]
[ f”(x) [
Exemplo 5.2. Calcule a integral a seguir usando as regras composta e composta uniforme do
trapézio.
A =
2
ˆ
1
(x
2
+ 3x)dx
Solução:
1) Usando a fórmula (9.8) para n = 2 e usando x
0
= 1, x
1
= 1, 1 e x
2
= 2 temos
A =
1
2
[(1, 1 −1) (4 + 4, 51) + (2 −1, 1) (4, 51 + 10)] = 6, 9550
e o erro, comparado com o valor da integral definida (= 6, 8333), é de −0, 1217.
2) Usando a fórmula (9.9) para n = 2 e usando x
0
= 1,x
1
= 1, 5 e x
2
= 2, temos
A =
1
2
[(1, 5 −1) (4 + 6, 75) + (2 −1, 5) (6, 75 + 10)] = 6, 8750
e o erro, comparado com o valor da integral definida (= 6, 8333), é de −0, 0417.
Note que, em ambos os casos, a aproximação com a regra composta é melhor do que
usando a regra simples do trapézio.
Exemplo 5.3. Considere a tabela abaixo, que fornece a velocidade (km/h) de um certo objeto
em função do tempo e determine qual é a distância percorrida pelo objeto ao final de 2 h.
t 0,00 0,25 0,50 0,75 1,00 1,25 1,50 1,75 2,00
v(t) 6,0 7,5 8,0 9,0 8,5 10,5 9,5 7,0 6,0
5 INTEGRAÇÃO NUMÉRICA 88
Solução:
Como a distância percorrida (d) é calculada como
d =
2
ˆ
0
v(t)dt
pode-se empregar a regra dos trapézios com n = 8, h = 0, 25 de forma que
A =
0, 25
2
[6 + 2(7, 5 + 8, 0 + 9, 0 + 8, 5 + 10, 5 + 9, 5 + 7, 0) + 6]
Portanto, uma aproximação para a distância total percorrida no intervalo de tempo [0, 2]
é
d ≈ A = 16, 5km
Exemplo 5.4. Considere as integrais definidas (1) e (2) respectivamente
3
ˆ
1
x
1 +x
2
dx e
3
ˆ
1
dx
7 −2x
As tabelas a seguir mostram as aproximações obtidas usando a regra dos trapézios com
n = 1, 2, 4, 8, 16, 32 subintervalos e o erro na aproximação. Note que,à medida que n cresce, h
é sucessivamente dividido por 2 e cada erro é aproximadamente
1
4
do erro anterior.
Tabela 5: Aproximações para as integrais respectivamente
5 INTEGRAÇÃO NUMÉRICA 89
Algoritmo 10 Integração Método do Trapézio
Dados iniciais: f(x),a,b, n
h = (b-a)/n;
f=’f(x)’;
I
1
=0
for j = 1 até n+1 faça
i=j-1;
if (i==0) | (i==n) então
c=1;
else
c=2
fim
x=a+i*h;
y=eval(f);
I
1
= I
1
*c*y;
fim
IR
1
=(h/2)*(I
1
);
Exibir IR
1
;
5.3 Regra de Simpson
A regra de Simpson é obtida a partir do método dos coeficientes a determinar, generalizada
para um intervalo de integração [a, b] qualquer. Ela é obtida a partir da integral de um po-
linômio interpolador de segundo grau p
2
(x) que passa por três pontos igualmente espaçados,
(a, f(a)), (m, f(m)) e (b, f(b)), onde m = (a + b)/2. Assim, tomando h =
b −a
2
, tem-se
b
ˆ
a
p
2
(x)dx =
b
ˆ
a
_
f (a) + (x −a)
∆f(a)
h
+ (x −a)(x −m)

2
f(a)
2h
2
_
Para facilitar o cálculo, faz-se a mudança de variável x(α) = a +αh. Assim, enquanto x
percorre o intervalo [a, b], α percorre o intervalo [0, 2] e dx = hdα. Desta maneira,
b
ˆ
a
p
2
(x)dx =
2
ˆ
0
_
f(a) + α∆f(a) + α(α −1)

2
f(a)
2
_
hdx
=
h
3
[f(a) + 4f(m) + f(b)]
de onde a fórmula de Simpson pode ser escrita como (9.13)
b
ˆ
a
f(x)dx ≈
h
3
[f(a) + 4f(m) + f(b)] =
b −a
6
_
f (a) + 4f
_
a + b
2
_
+ f(b)
_
a qual é exata para polinômios de grau n ≤ 2 (conforme visto na seção anterior) e, inesperada-
mente, também para n ≤ 3. O erro associado à regra de Simpson é

1
90
(b −a)
5
f
4
(ξ) , a < ξ < b
5 INTEGRAÇÃO NUMÉRICA 90
Usando a mesma estratégia da regra composta uniforme do trapézio, podemos obter a
regra composta uniforme de Simpson, para um número n par
4
de subintervalos. Nesse caso,
temos
b
ˆ
a
f(x)dx =
x
2
ˆ
x
0
f(x)dx +
x
4
ˆ
x
2
f(x)dx + ... +
x
n
ˆ
x
n−2
f(x)dx
=
n
2

i=1
x
2i
ˆ
x
2i−2
f(x)dx
de onde, aplicando a regra de Simpson a cada um dos subintervalos, obtemos
S(f, h) =
b
ˆ
a
f(x)dx ≈
h
3
_
_
f (x
0
) + 2
n
2

i=2
f (x
2i−2
) + 4
n
2

i=1
f (x
2i−1
) + f (x
n
)
_
_
O erro associado é

1
180
(b −a) h
4
f
(4)
(ξ) , a < ξ < b
Obs.: A maior desvantagem da regra de Simpson é a necessidade do intervalo [a, b] ser
dividido num número par de subintervalo.
Exemplo 5.5. Calcular a integral
A =
2
ˆ
1
_
x
2
+ 3x
_
dx
usando a regra de Simpson.
Solução:
Usando a fórmula (9.13) temos
A =
2 −1
6
[4 + 4 6, 75 + 10] = 6, 8333
e o erro é nulo, comparado com o valor da integral definida (= 6, 0833). Note que, para a
função em questão, f
(4)
= 0 e, portanto, a aproximação da integração pela regra de Simpson
deve ser exata.
Exemplo 5.6. Use a fórmula de Simpson para encontrar a área sob a curva y = f(x) que passa
sob os três pontos (0, 2), (1, 3) e (2, 2).
Solução:
Como n = 1 e h = 1, calcula-se
´
Area ≈ S (f, h) =
h
3
[f(0) + 4f(1) + f(2)] =
1
3
[2 + 12 + 2] =
16
3
4
É necessária essa restrição devido à forma como a regra de Simpson foi definida.
5 INTEGRAÇÃO NUMÉRICA 91
5.4 Regra de Simpson com exatidão crescente
Esta regra calcula uma aproximação por Simpson com uma combinação linear de fórmulas dos
trapézios, ¦T(J)¦. Para J ≥ 1, divide-se o intervalo [a, b] em 2n = 2
J
subintervalos de igual
espaçamento h =
b −a
2
J
e usa-se os pontos a = x
0
< x
1
< ... < x
2n
= b, x
k
= a + hk
para k = 0, 1, ..., 2
n
. A regra dos trapézios T(f, h) e T(f, 2h) para espaçamentos h e 2h,
respectivamente, obedece a relação (9.17)
T(f, h) =
T (f, 2h)
2
+ h
n

k=1
f (x
2k−1
)
Definindo T(0) =
h
2
(f (a) + f (b)), então para qualquer inteiro positivo J define-se
T(J) = T(f, h) e T(J −1) = T(f, 2h), o que permite escrever a fórmula acima como (9.18)
T(J) =
T(J −1)
2
+ h
n

k=1
f (x
2k−1
) , J = 1, 2, ...
Assim, a regra de Simpson S(J) = S(f, h) para 2
J
subintervalos é obtida de T(J) e de
T(J −1) pela fórmula
S(J) =
4T(J) −T(J −1)
3
, J ≥ 1
Exemplo 5.7. Use a regra de Simpson comexaidão crescente para calcular aproximações S(1),
S(2) e S(3) para
5
ˆ
1
1
x
dx
Solução:
Neste caso, a = 1, b = 5 e f(x) =
1
x
.
1. Cálculo de S(1): Para calcular a primeira aproximação, S(1), é preciso conhecer T(0)
e T(1):
a) Cálculo de T(0): se J = 0, consequentemente h = ba = 4. Logo,
T(0) = 4
1
1
+
1
5
2
= 2, 4
b) Cálculo de T(1): se J = 1, consequentemente n = 1 e h =
b −a
2
1
= 2. Logo, com
x
1
= a + h = 3,
T(1) =
T(0)
2
+ hf(x
1
) =
2, 4
2
+ 2
1
3
= 1, 86666
Assim,
S(1) =
4T(1) −T(0)
3
= 1, 68888
5 INTEGRAÇÃO NUMÉRICA 92
2. Cálculo de S(2): como T(1) já é conhecido, calcula-se apenas T(2) com n = 2, h =
b −a
2
2
= 1, x
1
= a + h = 2 e x
3
= a + 3h = 4:
T(2) =
T(1)
2
+
2

k=1
[f(x
1
) + f(x
3
)]
=
1, 86666
2
+
_
1
2
+
1
4
_
=1, 63333
de forma que
S(2) =
4T(2) −T(1)
3
= 1, 62222
3. Cálculo de S(3): como T(2) já é conhecido, calcula-se T(3) com n = 4, h =
b −a
2
3
= 0, 5,
x
1
= a + h = 1, 5, x
3
= a + 3h = 2, 5, x
5
= a + 5h = 3, 5 e x
7
= a + 7h = 4, 5:
T(3) =
T(2)
2
+
4

k=1
[f(x
1
) + f(x
3
) + f(x
5
) + f(x
7
)]
=
1, 68333
2
+ 0, 5
_
1
1, 5
+
1
2, 5
+
1
3, 5
+
1
4, 5
_
=1, 628968
ou seja,
S(3) =
4T(3) −T(2)
3
= 1, 610846
5.5 Mudança do intervalo de integração
Algumas regras de integração são definidas em termos de um intervalo de integração fixo - por
exemplo, [1, 1]. Caso se deseje utilizar uma dessas regras para se resolver a integral (9.1), pode-
se proceder a uma mudança linear de variáveis. Suponha uma regra de integração numérica
dada por (9.20)
d
ˆ
c
f(t)dt ≈
n

i=0
A
i
f(t
i
)
a qual é exata para polinômios de grau igual ou inferior a m. Considere, agora, que o intervalo
de integração desejado é [a, b]; para usarmos a fórmula (9.20), devemos definir uma função λ(t)
que associe c a a e d a b. Essa função pode ser dada por
λ(t) =
b −a
d −c
t +
ad −bc
d −c
, c ≤ t ≤ d
Escrevendo, agora, x = λ(t), temos dx = λ

(t)dt = (b −a)(d −c)
−1
dt, de onde escreve-
mos a integral (9.1) como
5 INTEGRAÇÃO NUMÉRICA 93
b
ˆ
a
f(x)dx =
b −a
d −c
λ
−1
(b)=d
ˆ
λ
−1
(a)=c
f(λ(t
i
))dt

b −a
d −c
n

i=0
A
i
f(λ(t
i
))
de onde
ˆ
b
a
f(x)dx ≈
b −a
d −c
n

i=0
A
i
f
_
b −a
d −c
t
i
+
dc −bc
d −c
_
A função de tranformação λ(t) deve ser linear de forma que f(λ(t)) seja polinomial e de
mesmo grau que f.
5.6 Quadratura Gaussiana
As regras de integração vistas nas seções anteriores são todas baseadas na determinação de
coeficientes A
i
tal que a aproximação da função integranda f é exata para polinômios de grau
igual ou inferior a n. No entanto, é possível escolher outros nós que levem a uma redução
no volume de cálculo necessário. Por exemplo, se A
i
= c, ∀0 ≤ i ≤ n, então a forma de
Newton-Cotes (9.5) pode ser escrita como (9.23)
b
ˆ
a
f(x)dx ≈ c
n

i=0
f(x
i
)
o que elimina n multiplicações no processo de integração numérica.
As formas de quadratura de Chebyshev são um exemplo da equação (9.23); elas existem
apenas para n = 0, 1, 2, 3, 4, 5, 6 e 8. Outras formas de quadratura existem, como, por exemplo,
as de Hermite e as de Gauss. A regra de integração de Gauss é expressa para o caso geral como
(9.24)
b
ˆ
a
f(x)w(x)dx ≈
n

i=0
A
i
f(x
i
)
onde w é uma função positiva de ponderação. Assumindo que (9.24) é exata para qualquer
função polinomial de grau menor ou igual a n, isso nos leva a determinar os coeficientes A
i
como
A
i
=
b
ˆ
a
w(x)
n

j=0
j=i
x −x
j
x
i
−x
j
dx
Carl Friedrich Gauss (1777-1855) mostrou que é possível determinar-se esses coeficientes de
tal forma que a aproximação para f seja exata para polinômios de grau igual ou inferior a
2n + 1, mas com apenas n avaliações. As fórmulas de Gauss para a integração de f são exatas
para polinômios de grau menor ou igual a 2n + 1, de forma que a determinação dos pontos
x
0
, x
1
, ..., x
n
em que é necessário conhecer o valor de f(x) será função do grau do polinômio
interpolador e da fórmula específica a ser considerada. Estas formulas são do tipo (9.25)
5 INTEGRAÇÃO NUMÉRICA 94
b
ˆ
a
f(x)dx = w
0
f(x
0
) + w
1
f(x
1
) + ... + w
n
f(x
n
)
Para construir a fórmula da quadratura gaussiana para n = 1 é necessário determinar w
0
,
w
1
, x
0
e x
1
tais que
b
ˆ
a
f(x)dx = w
0
f(x
0
) + w
1
f(x
1
)
seja exata para polinômios de grau menor ou igual a 3. Para simplificar os cálculos, determina-se
esta fórmula considerando [a, b] = [1, 1]. No caso de um intervalo [a, b] genérico efetua-se a
mudança de variáveis: para t ∈ [1, 1] corresponde x ∈ [a, b] onde
x =
1
2
[a + b + t(b −a)] e dx =
b −a
2
dt
de forma que (9.27)
b
ˆ
a
f(x)dx =
b −a
2
1
ˆ
−1
F(t)dt
onde F(t) = f(x(t)).
Dizer que a fórmula é exata para polinômios de grau menor ou igual a 3 equivale a dizer
que a fórmula é exata para
g(t) ≡ 1, g(t) ≡ t, g(t) ≡ t
2
e g(t) ≡ t
3
, ou seja,
1
ˆ
−1
1dt = w
0
g(t
0
) + w
1
g(t
1
) = w
0
+ w
1
= 2
1
ˆ
−1
tdt = w
0
g(t
0
) + w
1
g(t
1
) = w
0
t
0
+ w
1
t
1
= 0
1
ˆ
−1
t
2
dt = w
0
g(t
0
) + w
1
g(t
1
) = w
0
t
2
0
+ w
1
t
2
1
= 2/3
1
ˆ
−1
t
3
dt = w
0
g(t
0
) + w
1
g(t
1
) = w
0
t
3
0
+ w
1
t
3
1
= 0
Desta forma, obtém-se o seguinte sistema não linear:
_
¸
¸
¸
_
¸
¸
¸
_
w
0
+ w
1
= 2
w
0
t
0
+ w
1
t
1
= 0
w
0
t
2
0
+ w
1
t
2
1
= 2/3
w
0
t
3
0
+ w
1
t
3
1
= 0
cuja solução fornece
t
0
= −

3
3
t
1
=

3
3
w
0
= w
1
= 1
5 INTEGRAÇÃO NUMÉRICA 95
Assim, a fórmula gaussiana para n=1 é
−1
ˆ
1
F(t)dt = F
_


3
3
_
+ F
_√
3
3
_
mesmo procedimento pode ser usado para determinar a fórmula geral (9.25). Supondo que F(t)
represente os polinômios especiais t
k
para k = 0, 1, ..., 2n + 1, observa-se que
1
ˆ
−1
t
k
dt =
_
¸
_
¸
_
0 se k ´ e impar
2
k + 1
se k ´ e par
e a solução do sistema não linear que se origina destas equações é bastante complicada. Usando
ent~ao a teoria dos polinômios ortogonais, pode ser visto que os t
k
são as raízes de polinômios
de Legendre (Ver referência) e os coeficientes wk devem ser obtidos pela solução do sistema de
equações. Alguns dos valores de t
k
e w
k
são mostrados na tabela abaixo; para quadraturas de
maior ordem, pode-se recorrer aos valores tabelados em vários livros de referência.
Tabela 6: Pesos e nós da quadratura Gaussiana, para n = 1, 2, 3, 4.
O erro associado à quadratura Gaussiana é dado pela fórmula
f
(2n)
(ξ)
(2n!)
b
ˆ
a
q
2
(x)w(x)dx, q(x) =
n−1

i=0
(x −x
i
), a < ξ < b
Exemplo 5.8. Integrar f(t) = t
4
+1 no intervalo (1, 1) usando quadratura gaussiana para n = 2.
I =
1
ˆ
−1
(t
4
+ 1)dt = w
0
f(t
0
) + w
1
f(t
1
) + w
2
f(t
2
)
Solução:
Da tabela 5.6, sabe-se que
t
0
= −0, 77459667 w
0
= 0, 55555555
t
1
= 0, 00000000 w
1
= 0, 88888888
t
2
= 0, 77459667 w
2
= 0, 55555555
5 INTEGRAÇÃO NUMÉRICA 96
Logo,
I =0, 55555556((−0, 77459667)
4
+ 1)
+ 0, 88888889((0, 00000000)
4
+ 1)
+ 0, 55555556((0, 77459667)
4
+ 1)
=2, 4
Exemplo 5.9. Use a quadratura gaussiana com três pontos para aproximar a integral
5
ˆ
1
1
x
dx
Solução:
Como o intervalo é I = [1, 5], é preciso fazer mudança de variável. Por isto, calcula-se a
integral desejada como
5
ˆ
1
1
x
dx =
b −a
2
1
ˆ
−1
F(t)dt
com a mudança devariável
x = t
_
b −a
2
_
+
b −a
2
= t
_
5 −1
2
_
+
5 −1
2
= 2t + 3
5
ˆ
1
1
x
dx ≈
5 −1
2
[w
0
F(t
0
) + w
1
F(t
1
) + w
2
F(t
2
)]

5 −1
2
_
0, 55555556
1
2t
0
+ 3
+ 0, 88888889
1
2t
1
+ 3
+ 0, 55555556
1
2t
2
+ 3
_
≈ 1, 602694
onde t
0
= −0, 77459667, t
1
= 0, 00000000 e t
2
= 0, 77459667
5.7 Integração de funções mal comportadas
Funções mal comportadas (ou mal condicionadas) são aquelas que possuem algum tipo de ca-
racterística especial e que, portanto, requerem cuidados especiais quando se quer integrá-las.
Exemplo 5.10. Calcule a integral de
1
ˆ
0
e
x

x
dx
Solução:
Como esta função tem uma singularidade, é preciso fazer uma mudança de variável que
elimine. Neste caso, pode-se fazer x = u
2
e dx = 2udu de forma que
5 INTEGRAÇÃO NUMÉRICA 97
1
ˆ
0
e
x

x
dx = 2
1
ˆ
0
e
u
2
u
du
= 2
1
ˆ
0
e
u
2
du
Como o integrando agora é uma função bem comportada, pode-se escolher um dos méto-
dos estudados para calcular esta última integral.
Exercícios
Questão 1 - Um objeto será deformado a uma força axial, como mostrado na curva de tensão-
deformação na figura (a). A área sob a curva de zero até ao ponto de ruptura é chamado o
módulo de resistência. Ele fornece uma medida da energia por unidade de volume, necessária
para causar a raptura do material. Como tal, é representativo da capacidade do material para
resistir a uma carga de impacto. Observe atentamente a tabela e a figura e use simpson para
calcular o módulo de resistência para curva mostrado na figura a seguir.
0.1 0.2 0.3
10
40
60
Raptura
Módulo de Resistência
e
s
s
0,02 40
0,05 37
0,01 43
0,15 52
0,20 60
0,25 55
Questão 2 - A integral representa a soma do produto da concentração vezes o fluxo para
se obter a massa total que entra ou sai de t
1
e t
2
, onde t
1
e t
2
é o tempo inicial e final, respecti-
vamente. Se a vazão é constante, Q pode ser deslocado fora da integral, dessa forma,
M = Q
t
2
ˆ
t
1
c dt
Use a regra de trapézio para avaliar esta equação para os dados listados abaixo. Note-se que
Q = 4m
3
/min.
5 INTEGRAÇÃO NUMÉRICA 98
t, (min) 0 10 20 30 40
c, mg/m
3
10 35 55 52 60
Questão 3 - A taxa de resfriamento de um corpo (Figura a seguir) pode ser expressa como
dT
dt
= −k(T −T
0
),
onde T = temperatura do corpo (graus Celsius), T
0
= Temperatura do meio circundante
(graus Celsius), e k = a proporcionalidade constante (por minuto). Se uma bola de metal aque-
cido a 90
o
C é jogado na água, que é mantida constante em T
0
= 20
o
C, a temperatura da bola
muda, como mostrado na tabela abaixo em
t (min) 0 5 10 15 20 25
T,
o
C 90 49,9 33,8 28,4 26,2 25,4
1 - Use diferenciação numérica com 3 pontos para aproximar dT/dt nos momentost = 0
e t = 25.
2 - Empregue regressão liner e calcule a proporcionalidade constante para esses pontos.
Questão 4 - A altura q(t) atingida no tempo t por um uido contido num reservatório
cilíndrico retilíneo de raio R = 1m tendo na sua base um orifício circular de raio r = 0, 1m,
foi medida em cada 5s, tendo-se registado os seguintes valores:
t 0 0,5 1,0 1,5 2,0
q(t) 0,6350 0,4410 0,4410 0,3572 0,2822
1. Utilize os dados da tabela para aproximar com a maior precisão possível a velocidade de
esvaziamento q

(t).
2. Compare os resultados obtidos na alínea anterior com velocidade prevista pela lei de
Torricelli: q

(t) = −γ (r/R)
2
_
2gq(t) , onde g = 10m/s
2
e γ = 0, 6 é um fator de
correcção.
REFERÊNCIAS 99
Referências
[1] S. D. Conte e C de Boor, Elementary Numerical Analisis, 3
a
Edtion, McGraw, 1980.
[2] S. D. Conte, Elementos de Análise Numerica, 3
a
Edtion, 1977.
[3] ANTON, Howard & RORRES, Chris. Álgebra linear com aplicações.
[4] JACQUES, I.; JUDD, C. - Numerical Analysis. Chapman and Hall, Ltd., 1987.
[5] BARROSO - Cálculo Numérico - Ed. Harper & How do Brasil
[6] KNOPP, P.J. - An Introduction Linear Algebra.
[7] LAMBERT, J.D., - Computational Methods in Ordinary Differential Equations , John Wi-
ley and Sons.
[8] LINHARES, O. D., - Cálculo Numérico B. Apostila publicada pelo Departamento de
Ciências de Computação e Estatítica do ICMSC, 1969.
[9] LIPCHUTZ, S. - Algebra Linear (Coleção Schaum).
[10] OSTROWSKI, A. M. - Solution of Equations and Systems of Equations. Academic Press,
Inc., 1966.
[11] HENRICE, P. - Elements of Numerical Analysis, John Wiley, 1964.
[12] SCHEID, F. - Numerical Analysis (Coleção Schaum).
[13] SCHWARZ, H.R., RUTISHAUSER, H. STIEFEL, E.- Numerical Analysis of Symmetric
Matrices. Prentice-Hall, Inc., 1973.
[14] STROUD, A.H., SECREST, D. - Gaussian Quadrature Formulas.
[15] SILVA NETO, A. J.; CAMPOS VELHO, H.F. Fundamentos de Métodos Numéricos com
Aplicações em M. Computacional.
[16] Guidi F. L. - Notas da disciplina Cálculo Numérico - Porto Alegre - RS
[17] ENNINGS, W. - First Course in Numerical Methods
[18] CHAPRA/CARRALE - Numerical Methods for Engineers. Ed. McGrawHill
[19] RUGGIERO/LOPES - Cálculo Numérico. Makron Books
[20] CONTE - Elementos de Análise Numérica. Ed. Globo
[21] MARCELO G. MUNHOZ- Apostila de Cálculo Numérico - FACENS
[22] S. Sallen, A. Y. Zomara, S. A. Bakar - Computing Numerical Methods Using Visual C++
[23] Frederico Ferreira Campos Filho. Algoritmos Numéricos. LTC, 2nd edition, 2007. ISBN
978-85-216-1537-8.