Métodos Numéricos

Escola Superior de Tecnologia e Gestão
Instituto Politécnico de Viana do Castelo

Índice

1. Erros Numéricos
1.1. Introdução --------------------------------------------------------------------------------- 2
1.2. Representação de números -------------------------------------------------------------- 3
1.3. Sistemas de ponto flutuante ------------------------------------------------------------- 4
1.4. Erro, erro absoluto e erro relativo ------------------------------------------------------ 5
1.5. Algarismos significativos e casas decimais ------------------------------------------- 9
1.6. Regras de arredondamento -------------------------------------------------------------- 11
1.7 Propagação de erros ----------------------------------------------------------------------- 14
1.8 Condicionamento e estabilidade --------------------------------------------------------- 17
Quadro resumo --------------------------------------------------------------------------------- 18

2. Resolução Numérica de Equações
2.1. Introdução --------------------------------------------------------------------------------- 18
2.2. Localização das raízes ------------------------------------------------------------------- 19
2.3. Critérios de paragem --------------------------------------------------------------------- 21
2.4. Estimativa para o erro ------------------------------------------------------------------- 22
2.5. Condicionamento ------------------------------------------------------------------------ 22
2.6. Métodos numéricos ---------------------------------------------------------------------- 23
Quadro resumo -------------------------------------------------------------------------------- 32

3. Resolução de Sistemas Lineares
3.1. Introdução -------------------------------------------------------------------------------- 32
3.2. Condicionamento e equilibragem ----------------------------------------------------- 33
3.3. Métodos iterativos ----------------------------------------------------------------------- 40
Quadro resumo -------------------------------------------------------------------------------- 50

4. Interpolação Numérica
4.1. Introdução -------------------------------------------------------------------------------- 51
4.2. Funções spline em interpolação ------------------------------------------------------- 51
Quadro resumo -------------------------------------------------------------------------------- 66

5. Integração Numérica
5.1. Introdução --------------------------------------------------------------------------------- 67
5.2. Fórmulas de Newton-Cotes ------------------------------------------------------------- 68
5.3. Erros de integração ----------------------------------------------------------------------- 77
5.4. Erros de arredondamento ---------------------------------------------------------------- 81
5.5. Regras compostas ------------------------------------------------------------------------ 83
5.6. Integração com splines ------------------------------------------------------------------ 93
Quadro resumo -------------------------------------------------------------------------------- 95

6. Integração Numérica de Equações Diferenciais
6.1. Introdução --------------------------------------------------------------------------------- 96
6.2. Problemas de valor inicial -------------------------------------------------------------- 100
6.3. Problemas de valor fronteira ----------------------------------------------------------- 118
Quadro resumo -------------------------------------------------------------------------------- 124

Bibliografia ----------------------------------------------------------------------------------- 126

Francisco Miranda 1

1. Erros Numéricos

1.1. Introdução

Um dos aspectos importantes que deve ser tratado aquando a resolução de um problema
utilizando métodos numéricos é o erro por eles provocados, quer seja intrínseco ao
método ou de arredondamento. O objectivo é tentar diminuir da melhor maneira
possível e de diversas formas esse erro, dado que a sua origem não é única. Por isso a
importância de começarmos por estudar este capítulo.
No esquema em baixo, podemos visualizar os passos a dar na resolução numérica de um
problema real.

Problema real Levantamento de dados

Construção do Escolha do método Implementação
modelo numérico adequado computacional deste
matemático método

Análise dos Se necessário, reformular o modelo
resultados obtidos matemático e/ou escolher novo método
numérico

Um passo muito importante é o da análise dos resultados, pois eles são valores não
exactos (providos de erro), e se o erro ultrapassar os limites delineados por nós devemos
reformular o modelo matemático e/ou escolher um novo método numérico.
Como já foi dito, os erros podem ser originários de diversos momentos na resolução
numérica do problema:

 Erros iniciais (dados e parâmetros do problema)
 Erros de truncatura (obtidos pelo método numérico)
 Erros de arredondamento (obtidos na computação)

Criação do método numérico

Erros iniciais Erros de truncatura

Implementação computacional
do método numérico

Erros de arredondamento

Francisco Miranda 2

Um pequeno erro inicial pode provocar grandes erros nos resultados. Vejamos se o nosso dedo fosse 0. Representação de números A representação de um número depende:  Base escolhida ou disponível na máquina em uso  Número máximo de dígitos utilizados Exemplos de bases:  Nos cálculos aritméticos quotidianos Base 10 (decimal)  Na Antiguidade Base 12 Base 60 .5 2  60. A precisão de leitura do tempo pelo cronómetro pode não ser a correcta. Então. etc.Exemplo 1. Teríamos: 1 d  0  0  3. 1.1 Suponhamos que pretendemos saber a altura de um edifício. Se utilizarmos um cronómetro para contabilizar o tempo que a bola demora a percorrer a distância do ponto mais alto do edifício até ao chão. 2 para calcular a altura do edifício. iremos introduzir nas duas secções seguintes alguns conceitos importantes. podemos utilizar o conhecido t  3s método matemático: 1 d  d 0  v0 t  at 2 .5 segundos mais lento a parar o cronómetro quando a bola batesse no chão ( t  3. Consideremos que a bola demora 3 segundos. onde a é a aceleração gravitacional. No modelo matemático falta considerar a resistência do ar. temos 1 d  0  0  3   9. (Erros iniciais).2.associada à actual contagem de tempo Francisco Miranda 3 .025 m 2 Valor muito diferente do anterior. por isso é muito importante termos uma noção do erro obtido na resolução numérica de um problema real.5s ).1 m 2 O resultado obtido não é de confiança.5   9. porque foram cometidos diferentes erros. Antes do estudo dos erros. a velocidade do vento.8  32  44.8  3.

dizemos que Francisco Miranda 4 . e finito.98 . e2  designa o sistema de representação em ponto flutuante de base b. 0  d i  b  1.2 Exemplos de representação de números: 347.43211023  FP10. interrompendo os cálculos ou o programa. e1 . Sempre que o valor absoluto do resultado de uma operação exceda o número máximo. FPb. Sistemas de ponto flutuante Definição 1.  Nos computadores Base 2 (binária) – é a mais usual Base 8 (octal) e base 16 (hexadecimal) .1 Um número real em ponto (vírgula) flutuante é um número representado na forma  . t . i  2.510  3 10 2  4 101  7 100  5 10 1 101112  1 2 4  0  23  1 2 2  1 21  1 20  2310 1.FP(10.2) designa o sistema de ponto flutuante de base 10. dizemos que se atingiu uma condição de overflow.6. Sempre que o valor absoluto do resultado de uma operação for inferior ao número mínimo.d1d 2  d t b  b n onde: b é a base (inteira) ≥ 2 do sistema de numeração utilizado. Exemplo 1.4.. devendo o instrumento de cálculo afixar uma mensagem avisadora. .d1d 2  d t b . t é o número de algarismos da mantissa m  .variantes da base 2 Exemplo 1. discreto.3. 0  d1  b  1 .99. cuja mantissa possui 6 dígitos e cujo expoente pode variar entre -99 e 99.3 . t . cuja mantissa ocupa t digitos (base b) e cujo expoente é um inteiro pertencente ao intervalo fechado com extremos e1 e e2. n é o expoente.0. Os sistemas de ponto flutuante são limitados.

y  0.23450  10 1  y  x   x  0.34915  10 4  0.5 Suponhamos que as operações abaixo são processadas por uma máquina com cinco dígitos na mantissa.6. A necessidade de arredondamentos nos sistemas de ponto flutuante faz com que as propriedades associativa e distributiva não sejam válidas nesta aritmética. x  0.34915  10 4  0.00000  10 4  0.-99. não provocando interrupção.4. Exemplo 1. abc pode ser diferente de a  b  c  abc pode ser diferente de a  b  c  a  b  c  pode ser diferente de ab  ac Exemplo 1.34915  10 4  0. passemos. No sistema FP(10.2 Seja x 0 um valor aproximado de x.4 No sistema FP(10. então. sendo assumido como 0 (zero). Erro.23450  10 1 Como podemos ver.98).34915  10 4 . ao estudo dos erros.estamos numa situação de underflow. 1.23450  10 1  0.321456  10 105 está na zona de underflow. indicado e assumido normalmente como 0 (zero).23450  10 1  0.34915  10 4   0. Depois de sabermos que um número pode ter diferentes representações e que os sistemas de ponto flutuante têm as suas limitações. o número 0.34915  10 4  0.23450  10 1  0.00000  10 4  y   x  x   0. a associatividade da adição não se verifica nessa máquina.98). erro absoluto e erro relativo Definição 1. isto é. o número 0. A diferença x0  x  x0 Francisco Miranda 5 .321456  10100 está na zona de overflow.-99.6.34915  10 4   0.

então. Exemplo 1. 0. portanto o erro absoluto também não o é.667     .14 de .14159265…. O erro absoluto da aproximação é 2 2 667 1 1 x0   0.5 ou ainda 527 são limites superiores do erro absoluto da aproximação. A aproximação de x por x 0 diz-se por defeito se x0  0 e por excesso se x0  0 . levados a procurar um limite superior desse erro. podemos assegurar que 0. Francisco Miranda 6 . Exemplo 1. x não é conhecido. Definição 1. 3 3 1000 3000 3000 Geralmente.0016.7 Consideremos o valor aproximado 3.4 Um limite superior (majorante) do erro absoluto é um número não negativo  que satisfaz a condição x  x0    x0    x  x0    x  x0   . x0   . que abreviadamente é habitual escrever x  x0   .002. Como  = 3. 0.3 Seja x 0 um valor aproximado de x.chama-se erro de x 0 . Definição 1.667 . Somos. pois qualquer destes valores não é inferior a   3.14 .6 Consideremos a fracção x  2 3 e um seu valor aproximado x0  0. A expressão x0  x  x0 chama-se erro absoluto de x 0 .

667 é 1 3000 . o erro relativo também é. temos Francisco Miranda 7 . x0   . geralmente. só por si.x0 x chama-se erro relativo com que x 0 representa x. o erro absoluto é 1/3000. qualquer número maior do que  é ainda um limite superior daquele erro.667 como valor aproximado da fracção 2/3. Contudo. O erro absoluto com que um número x 0 representa a medida x de uma certa grandeza não dá.Portanto fica claro que se  for um limite superior do erro absoluto com que x 0 representa x. Definição 1. qualquer ideia sobre o rigor com que a medição foi feita. normalmente. A expressão x  x0 Er  . assim o erro relativo da aproximação 0. e denota- se por x0 . é conveniente escolher o limite superior mínimo. Exemplo 1. 2 3 Tal como o erro absoluto. Vejamos: Aproximação grosseira – x são poucos centímetros Erro de 1 cm Aproximação rigorosa – x são vários quilómetros Definição 1.8 Já vimos que tomando 0. inacessível e ter-se-á de procurar um limite superior.5 O limite superior mínimo do erro absoluto chama-se erro absoluto máximo.6 Seja x 0 um valor aproximado de x. x  x0    x  x0   x  x0   x0  x  x0  x0   . Como.

Definição 1. |y| é pelo menos dez vezes menor do que |z|. dizem-se da mesma ordem de grandeza e escreve-se |y|  |z| se 0. x  x0   . Definição 1. ou seja.1.66.8 Seja x 0 um valor aproximado de x.10 Seja x = 73 ± 2. |y| \ |z| ≤ 0. 2.9 Dois números não nulos y e z tais que |y| ≤ |z|. (limite superior (majorante) para o erro relativo) x x0   Definição 1. Exemplo 1.66 são da mesma ordem de grandeza.1< |y| \ |z| ≤ 1. porque Francisco Miranda 8 . Exemplo 1.5  2. x0  0 x0 chama-se estimativa do erro relativo com que x 0 representa x. entendendo-se que 73 é um valor aproximado de x e 2 um limite superior do erro da aproximação. isto é.7 O mínimo do conjunto dos limites superiores do erro relativo. multiplicando os valores respectivos por 100 (percentagem de erro). e escreve-se |y| << |z|. pelo contrário. 73 Um limite superior para o erro relativo será  2 2   .11 Os números 2. x0   73  2 71 Estimativas e limites superiores do erro relativo podem ser apresentados em percentagem. Se.5 e 2. A expressão  . então diz-se que y é menosprezável relativamente a z. Uma estimativa para o erro relativo do valor aproximado é 2 Er  . chama-se erro relativo máximo.

Os números 2. sendo o algarismo 1 (ordem 10 4 ) o mais relevante. que é representado por 0. porque 2. Algarismos significativos e casas decimais Comecemos por introduzir as três seguintes definições. Os conceitos anteriores de algarismos posicionais e relevantes. se a representação decimal for finita.0070. 2.5/2.0.66 = 250/266 < 1.66/26. temos um número real.13 Dividindo a unidade em quatro partes iguais e tomando três delas.11 Algarismos relevantes. todos os algarismos são relevantes. facilmente generalizáveis a qualquer sistema de numeração numa base b (número inteiro.3 (base 4).005608  5  10 3  6 10 4  0 10 5  8  10 6 . mais à direita. No número 35. sendo.75 (base 10) e 0. o algarismo situado mais à direita (o de menor ordem) é o menos relevante. são todos os algarismos não posicionais. Exemplo 1.12 O algarismo relevante colocado mais à esquerda (o de maior ordem) na representação decimal de um número real é chamado o mais relevante.66 e 26. ou seja. tal que 0  x  1 .7. são os zeros utilizados para fixar a vírgula decimal na referida representação.12 No número 0.1 < 2. Ambas as representações. a sua representação decimal não tem algarismos posicionais.1. Exemplo 1. (ordem 10 4 ) o menos relevante.66 << 26. os três primeiros zeros são posicionais e os restantes algarismos são relevantes. porém. todos os números são relevantes. sendo o algarismo 3 (ordem 101 ) o mais relevante e o 0. No número 12300. Definição 1. Se |x| ≥ 1 ou x = 0.7 = 266/2670 < 0. na representação decimal de um número real. com b ≥ 2). Definição 1. foram introduzidos com as representações decimais de números reais. Definição 1.10 Algarismos posicionais da representação decimal de um número real x.5. sendo o algarismos 5 (ordem 10 3 ) o mais relevante e o 8 (ordem 10 6 ) o menos relevante.7 não são da mesma ordem de grandeza. do Francisco Miranda 9 . 1.

5 10 2 e 0.5. em si. o algarismo da ordem 10 k é algarismo significativo de x 0 . pois  = 0.O algarismo 0.5  10 k .005  0. Se   0. k  Z. com 6 algarismos relevantes.5  10 k . Se   0. logo é algarismo significativo de x 0 . em x 0 . que tem algarismos relevantes ou posicionais.5  0. se  (um majorante do erro absoluto da aproximação x 0 ) não exceder (menor ou igual) meia unidade da ordem decimal do algarismo relevante. Portanto a aproximação x 0 = 1.5  0.5  1 = 0. da ordem 10 2  0.01 . tem 3 algarismos significativos (os mais relevantes). enquanto a representação decimal tem dois algarismos relevantes.13 Um algarismo relevante de um valor aproximado x 0 de x é algarismo significativo do valor aproximado x 0 .03789. k  Z. a representação na base 4 tem apenas um algarismo relevante. .14 Seja x = 1.004 < 0.004 < 0. mas.mesmo número.004 < 0. pois  = 0. caso seja relevante. assim como os algarismos relevantes de ordem inferior também não são significativos. o algarismo de ordem 10 2 é o algarismo menos relevante que é significativo. É extremamente importante perceber que na realidade não é o número. como se segue. .5  10 3 . o algarismo da ordem 10 k não é algarismo significativo de x 0 . Ou seja.0005  0.1 = 0.05.5  0. Como 0. ainda é algarismo significativo de x 0 . sendo significativo esse e todos Francisco Miranda 10 .0005. Exemplo 1.004  0.001 .O algarismo 7. começando pelo seu algarismo mais relevante. já não é algarismo significativo de x 0 .03789. têm um algarismo posicional. também é algarismo significativo de x 0 .001 = 0.004 > 0.O algarismo 3. pois  = 0. Definição 1.004. que tem seis algarismos relevantes.005.O algarismo 1 é o da ordem 10 0  1 . da ordem 10 1  0. Determinemos quais os algarismos significativos da aproximação x 0 = 1. . mas sim as suas representações. da ordem 10 3  0.03789  0.004  0. pois  = 0. . Podemos resolver este problema de uma maneira mais simples.1.01 = 0.

15 Os números 0. o mais relevante é chamado o mais significativo e o menos relevante o menos significativo. Definição 1. algarismos significativos. 1. Exemplo 1.6.000005 como limite superior mínimo do erro absoluto.15 De todos os algarismos significativos. Definição 1.01358 e 57. Quando se apresenta um valor aproximado x 0 .5  10 4 como limite superior mínimo do erro absoluto.30001 têm. Regras de arredondamento Quando algarismos menos significativos (ou menos relevantes) (mais à direita) de x 0 tiverem de ser suprimidos. e não o número em si. o último algarismo que pretendemos conservar. despreza-se o algarismo da ordem 10 k 1 e os situados à sua direita e. multiplica-se por 10 k o número obtido.os relevantes à sua esquerda. isto é. 0 casas decimais e 0. 4 e 7 algarismos significativos e têm ambos 5 casas decimais. Francisco Miranda 11 . e tomar  como meia unidade da ordem do algarismo menos significativo de x 0 (   x0 ). ou não.00  10 4 tem 3 algarismos significativos. deve assumir-se que todos os algarismos relevantes de x 0 são significativos.005  10 4 como limite superior mínimo do erro absoluto.  Se a k 1  5 arredonda-se por “defeito”. a representação de um número é que tem. 2 casas decimais e 0.14 Diz-se que um valor aproximado x 0 de x tem n casas decimais se for n o número de algarismos à direita do ponto decimal. Seja a k 1 o algarismo da ordem 10 k 1 . caso k > 0. respectivamente. o último algarismo a conservar deve ser arredondado de acordo com as seguintes regras: Seja o algarismo da ordem 10 k . Tal como se passava com os algarismos relevantes. Portanto o valor aproximado x 0 = 1. Ambos os números têm 0.03789 tem exactamente três algarismos significativos (os mais relevantes). 2  10 4 tem 1 algarismo significativo. sem indicação explícita do limite superior do erro absoluto . k  Z. 2.

3201 à ordem 10 1 .  Erro relativo da aproximação x 0 : Francisco Miranda 12 .2501 à ordem 10 1 . Exemplo 1.14159…) Casas decimais e erro absoluto Torna-se evidente que o erro absoluto de uma representação decimal x 0 de um número real x está associado ao número de casas decimais de x 0 . obtemos 27.255 ≤ x < 3. tendo-se 0. ao número obtido.16 Arredondando simetricamente o número 27. obtemos 14. logo o erro absoluto máximo é 5  10 21  5  10 3 . m'  IR. Se x for conhecido.9012 à ordem 10 2 . Logo  m  m'  0.5  10  n . Tomemos x0  m'10 p . face às regras de arredondamento simétrico. adiciona-se uma unidade da ordem 10 k se o número for positivo e subtrai-se uma unidade da ordem 10 k se o número for negativo. como um valor aproximado de x com n algarismos significativos. Algarismos significativos e erro relativo Seja x  m  10 p . Se a k 1  5 arredonda-se por “excesso”.26 aproxima um número exacto x (desconhecido) tal que 3. Arredondando simetricamente o número 14. (Exemplo:  0  3.3 Arredondando simetricamente o número -45678.44.  Erro absoluto da aproximação x 0 : x0  x  x0  0. sendo  = 3. como já vimos.5  10  n  10 p . Este arredondamento é conhecido por arredondamento simétrico ou usual. efectua-se o arredondamento por “defeito” e.17 A aproximação x 0 = 3.6  10 3 . com p número inteiro e m número real. Segundo este conjunto de regras o número x 0 = 3. Arredondando simetricamente o número -1.1 ≤ |m| ≤ 1. x0  1.437 à ordem 10 2 .14 .26 tem 2 casas decimais. obtemos -457  10 2 . um número com n casas decimais deve sempre considerar-se afectado de um erro absoluto máximo de 5 10n1 .3. uma vez que. Exemplo 1. isto é. obtemos -1.265. Conclui-se assim que x0  5  10 3 (sendo desta forma todos os algarismos significativos). o erro absoluto máximo poderá ser indicado com maior precisão.

relativamente à estimativa. o erro absoluto máximo duplica.0005  0.85 Utilizando a relação anterior.5  10  n  10 p Er     0. conhecendo o número de algarismos significativos de uma aproximação. Exemplo 1. e portanto x0  10 2 . podemos encontrar um limite superior para o erro relativo dessa aproximação. Um majorante de erro apresenta-se normalmente com um. Um limite superior do erro absoluto da aproximação é 0. 35. confirmando-se a majoração.005 e uma estimativa do erro relativo será 0. para o erro relativo de uma aproximação x 0 . A eliminação de dígitos menos significativos na representação de um número pode ainda decorrer por truncatura (arredondamento por corte).85 (4 algarismos significativos).005 Er   0.19 Seja x0  3.00014.26 ≤ x <3. fixando um limite superior  > 0.5  101n x m  10 p 0.27.5  1014  0. podemos encontrar um número mínimo de algarismos significativos para x 0 que garanta Er   .1  10 p Desta forma. x0 0. Definição 1. multiplica-se por 10 k o número obtido.5  10  n  10 p 0. caso k > 0. De facto.00014. Exemplo 1. podemos determinar um limite superior para o erro relativo de x 0 : Er  0. ou no máximo dois algarismos relevantes e os eventuais arredondamentos deverão ser sempre efectuados por excesso. Francisco Miranda 13 . Contudo.16 Arredondamento por corte ou truncatura assenta unicamente na eliminação do algarismo da ordem 10 k 1 e os situados à sua direita e. Estes conceito facilmente se generaliza para qualquer base b ≥ 2. Inversamente. Então 3.26 uma aproximação de um número x. o erro absoluto máximo nesta situação aumenta significativamente.18 Seja x 0 = 35.5  10 3  0.

considerando significativos todos os algarismos da aproximação. Propagação de erros Um problema fundamental na teoria dos erros é o seguinte: Seja f: X  IR  IR uma função real. de variável real. Tomando y 0 = f( x 0 ) como valor aproximado de y = f(x). onde f ' x  M representa um majorante do módulo da derivada no intervalo I. Sejam x  X. e tomemos 2.x. x  IR. x 0 + x]  X. dy y  x Fórmula Fundamental do Cálculo (Propagação) de Erros . Francisco Miranda 14 . isto é. Sendo a derivada f’ limitada no intervalo I e majorando o 2º membro. Admitindo que a função é regular no intervalo I = [ x 0 .7  0. Ora daqui temos: f x   f x0   f ' c  x  x0   y0  f ' c  x0 .7. existe pelo menos um ponto c.7 como um valor aproximado de x.FFCE dx M Estimativa do erro absoluto da aproximação y 0 : dy y 0  x dx x  x0 Utilizando a estimativa de y 0 . entre x e x 0 . y  f ' x  M x. x 0 um valor aproximado de x e x um limite superior do erro da aproximação de forma que [ x 0 . ou. Exemplo 1. pelo Teorema de Lagrange. pretende-se determinar um limite superior.x. Assim. tal que f x   f x0   f ' c x  x0 . vem y0  f ' x  M x. x 0 + x]  X.1.20 Seja f x   3x 2  1 . nada nos garante que se obtenha um majorante do erro y 0 . x = 2. sendo x o verdadeiro valor da aproximação x 0 . utilizando a sugestiva notação de Leibnitz para a derivada. para o erro absoluto (erro propagado) da aproximação y 0 . temos que x  I e.05.

aplicando FFCE. xn  . xn.7  1  22.6875| = 0. confirmando-se a correcção do majorante encontrado.8025  y0  0.05. xn ..75  1  23. y0  3  2. x = 2.0 . vem dy y0  x  6  2. x2.8175 .81 não excede o erro máximo 0.0675 .87 – 22.05  0. i 1 xi M desde que as derivadas parciais sejam contínuas no domínio considerado. Vejamos a importância da majoração do módulo da derivada:   y max  3  2. pois 0. i 1 xi  x1 .05]. por um factor multiplicativo relacionado com a derivada da função numa vizinhança de 2.6875 2 f crescente em I e y min  3  2.2.0  xi e y  y0  y ..Assim. 0  Francisco Miranda 15 . obtemos: y  6 x M x  6  2. temos.0675| = 0.. Utilizando a estimativa de y 0 . com xi  xi .87 2 e como I  [2.81.87  0.65  1  22. Então.87 – 23. dx x  x0 que não é um majorante do erro de y 0 .7.0 . que não efectua a referida majoração.7  0.7+0.7  0. x2 . 2  Como |22.8175. xn  x1. tomando y0  f x1.8175 ≤ 0. Uma estimativa do erro absoluto de y 0 será dada por n f y 0   x .8175 e |22.7  0. pois 0. Generalização Sendo y  f x1 . temos FFCE dada por n f y   xi .7-0.0 . Um majorante do erro de arredondamento da variável x foi “propagado” para a variável y. 0 .83.05  0.83.05 implica y = 22.83 .05  0..

3  0.3  0. O algarismo menos significativo é o das dezenas.92.67 e f f z  x  y x M y M  y  2 x M Δx  x M Δy  15. Aplicação da FFCE às operações elementares  Adição: z = x + y z z z  x  y  z  1  0 M x  0  1 M y x M y M  z  x  y.21 Sejam z  f x.67 tem apenas um algarismo significativo.3  2  2. donde o valor aproximado 32.3  15. Temos. y   xy  x 2  3 .02 e y = 15.67  0.02   0.  Multiplicação: z = xy z z z  x  y  z  y M x  x M y x M y M Francisco Miranda 16 .3  0.Exemplo 1.3. z 0  f x0 .32  3  32.92. para dois algarismos relevantes. onde o valor de z foi arredondado por excesso.02  0.2  2.3  0.02  2.2  0. e escrevemos z  32. x = 2. y0   2.2  0.  Subtracção: z = x – y z z z  x  y  z  1  0 M x  0  1 M y x M y M  z  x  y.

se a solução apresentar fraca sensibilidade às variações dos dados.17 Um problema numérico diz-se mal condicionado.333333x  0. Divisão: z = x/y. Um algoritmo estável produz bons resultados em problemas bem condicionados. aumentando a estabilidade quando aumenta a precisão do sistema. (1. o problema diz-se bem condicionado.1) 3 36 cujas raízes são x1  x2  1 6 .y. isto é.027778  0. Definição 1. quando diminui a unidade de arredondamento: a passagem da precisão simples (na base 2 utiliza 23 bits para a mantissa . Exemplo 1.2) são aproximações dos correspondentes coeficientes da Francisco Miranda 17 .22 Consideremos a equação 1 1 x2  x   0. Definição 1.18 Um algoritmo numérico diz-se instável se a acumulação e propagação dos erros de arredondamento influenciar fortemente o resultado. Condicionamento e estabilidade O condicionamento diz respeito ao problema numérico. Um algoritmo estável aplicado a um problema mal condicionado.disponibiliza 24 bits) para a dupla (na base 2 utiliza 52 bits para a mantissa .disponibiliza 53 bits) tende a aumentar a estabilidade de um algoritmo. (1. y  0 (0  [y0 . se o resultado apresentar fraca sensibilidade aos referidos erros. y0 + y]) z z 1 x z  x  y  z  x   y x M y M y M y2 M 1. o algoritmo diz-se estável. A equação x 2  0. dificilmente levará a um resultado fiável. A unidade de arredondamento (majorante para o erro relativo das representações num sistema) do sistema de ponto flutuante utilizado vai influenciar a estabilidade do algoritmo. enquanto a estabilidade está ligada aos algoritmos que resolvem um problema bem condicionado.8. mas um algoritmo instável pode levar a maus resultados no mesmo problema. se pequenas variações nos dados implicarem fortes variações na solução do problema.2) não tem raízes reais! Os coeficientes da equação (1.

o que provoca um claro acréscimo no erro relativo do resultado face aos erros relativos dos argumentos. xn  . Esta necessidade esbarrou sempre com algumas equações com resolução bastante complexa e mesmo impossível de resolver Francisco Miranda 18 .0  Estimativa do erro absoluto de y 0 (valor n f y 0   x aproximado de y  f x1 .. Introdução Desde sempre temo-nos debatido com a necessidade de resolver equações de todos os tipos.1. para y0  f x1. xn.1) num sistema de vírgula flutuante dum computador. 0 .Subtrair dois números muito próximos acarreta a queda de algarismos significativos que vimos estarem relacionados com o erro relativo. Aqui. x2 . xn  x1.0  xi e y  y0  y . xn  ) i 1 xi  x1 .equação (1. x2.. onde i 1 xi M y  f x1 .. com o intuito de resolver problemas importantes relacionados com o mundo que nos rodeia.5  10 6 . Note-se que a “diferença” existente entre o primeiro problema e o segundo é mais ou menos a induzida pela representação de (1. com Fórmula Fundamental do Cálculo (Propagação) de Erros xi  xi .0 . lineares e não lineares. Resolução Numérica de Equações 2.x0 x Limite superior (majorante) do erro relativo  . 0  2.   x  x0 de x 0 (valor aproximado de x ) x0   Estimativa do erro relativo de x 0 (valor  . Quadro resumo Erro absoluto de x 0 (valor aproximado de x ) x0  x  x0 Limite superior (majorante) do erro absoluto   0 : x  x0   de x 0 (valor aproximado de x ) x  x0 Erro relativo de x 0 (valor aproximado de x ) Er  .23 Operações instáveis: .1) com erros absolutos inferiores a 0.. Exemplo 1. x0  0 aproximado de x ) x0 n f y   xi . xn . uma pequena variação nos coeficientes da equação originou uma grande variação na solução.A divisão por números muito pequenos aumenta o erro relativo do resultado. . x2 ..0 .

Assim. uma adequada localização e separação intervalar das raízes da equação a resolver. Método dos números de Rolle Seja f(x) uma função real de variável real.2.  .  . . obtemos Francisco Miranda 19 . convergente para x. . naqueles números. o mesmo sinal ou sinais contrários.f(x) é continua e derivável em IR.  3 3 Por fim. uma raiz daquela equação. Exemplo 2. Localização das raízes Determinar uma raiz x de uma dada equação f(x) = 0 por via iterativa é construir. depois de ordenados.analiticamente. a partir de um valor aproximado x 0 de x. geralmente. gozam da seguinte propriedade: Entre dois números de Rolle consecutivos existe. 3 Logo os números de Rolle da equação dada são: 2 2  . surgiu a resolução numérica de equações. ou há uma e uma só. quando muito. Os pontos fronteira de D e os zeros de f’(x) constituem os números de Rolle da equação f(x) = 0. consoante f(x) tenha. Não há raiz nenhuma. Tais números. que veio colmatar a falta de mecanismos e instrumentos analíticos. uma sucessão xn nIN .1 Consideremos a equação f x   x3  2 x  5  0. O uso de métodos iterativos exige. contínua e derivável no seu domínio D  IR.f ' x   3x 2  2  0  x   2 . 2.

tais como x = f(x).f   0   3   2 2 x   .2 Tomando x3  5 x3  2x  5  0  x  2   e fazendo y1  x e y 2  x 3  5 2 . mas é frequentemente mais vantajoso dar aquela equação outras formas equivalentes. f1 x   f 2 x  . ou mais geralmente.  : f x   0  3 3   2 . e facilmente se reconhece 12 que 2 < x < 3. um e um só zero x  2 3 .  : f x   0  3  2 .lim f x    x   2 x    . Exemplo 2.f  0   3   2  1 x   .. esboçar os gráficos de f 1 e de f 2 e separar as abcissas dos pontos de intersecção daqueles gráficos. f ' x   0 x   3    A função f tem. obtemos os seguintes gráficos: Francisco Miranda 20 . coincidem com os zeros de f.. evidentemente. as quais. Método gráfico A separação das raízes da equação f(x) =0 pode obter-se através de um esboço do gráfico de f.lim f x    e x   . portanto. : f x   0  3   2  .

Critério de paragem: f xk    Francisco Miranda 21 . Critérios de paragem Consideremos agora o problema da definição de paragem de processos iterativos para calcular uma raiz x* de f(x) = 0.3. Critério de paragem: xk  xk 1   (paragem por estimativa do erro absoluto)  Calcular um valor x k tal que f xk  é muito pequeno. x3  5 y2  2 y1  x Raiz Se fizermos f1 x   x 3 e f 2 x   2 x  5 . obtemos f1 x   x 3 f 2 x   2 x  5 Raiz 2. Existem duas interpretações computacionais possíveis para o problema posto com a equação f(x) = 0:  Calcular um valor x k muito próximo de x*.

onde c  min xk . tem-se f xk  x *  xk  . x *  I e f’(c)  0. Seja f x   f x    x  ~ onde  x   . Aplicando o Teorema do valor médio (de Lagrange) em f  C 1 I  . então. f ' c  Dado que o valor c não é conhecido em minxk . Se x* é zero simples da função f contínua numa vizinhança de x* contendo ~ x * . f não é representada exactamente no computador. ~ Tem-se f ~ x *   . x  I . x *. podemos escrever f xk  x *  xk  . Como f(x*) = 0. Estimativa para o erro Seja x1 . min f ' x  xI onde I designa a aderência do intervalo aberto I. x *. f ' x   0.2. e se f’ não se anula nessa vizinhança. x * . x2 . maxxk . obtidas utilizando um método iterativo. em geral. Neste caso o problema de calcular x* é mal condicionado. a conhecer o efeito de perturbações de f nos seus zeros. Se x* é uma raiz de multiplicidade m verifica-se Francisco Miranda 22 . maxxk . 2. f ' x * Assim. obtemos f xk   f x *  xk  x * f ' c . Seja x* raiz de f(x) = 0 e ~ x * a “correspondente” raiz de f x   0 . sendo I um intervalo aberto onde se localiza a raiz. ~  x * x *  . uma sequência de aproximações convergindo para uma raiz real x* de f(x) = 0 (tal que f’(x*)  0). Passemos. se |f’(x*)| é pequeno. então ~ x *  x * é grande.5.4. xk . Condicionamento Ao calcular uma raiz de f(x) = 0 utilizando um método numérico é importante recordar que.

k =1. b e I k  ak . x  x*  x  x * m isto é. e o algoritmo termina aqui. faz-se ak 1  xk 1 e bk 1  bk de tal modo que x*  I k 1  ak 1 .b]  f(a)f(b)<0  Algoritmo: Sejam I 0  a0 . u x  1 lim  . bk   a. b0   a. concluímos que o cálculo de raízes múltiplas é em geral mal condicionado.  f x *    Assim.2. x* é uma raiz simples de u(x) = 0. 2. 2  Se f xk 1   0  x*  xk 1 .(Recordemos o exemplo 1.20) Reformular o problema de cálculo de uma raiz múltipla Seja f  C m I  e x* uma raiz de multiplicidade m de f(x) = 0. 1    m!  m x *  x *   ( m) ~  . por causa do expoente 1/m.b] um intervalo contido no domínio de f e que contém a raiz a determinar. faz-se ak 1  ak e bk 1  xk 1 de tal modo que x*  I k 1  ak 1 . b. Defina-se u(x) = f(x)/f’(x). bk 1 .…  fórmula iteradora do processo: ak  bk xk 1  .  Se f ak  f xk 1   0 . Então. Métodos numéricos Método das bissecções sucessivas Seja [a. Francisco Miranda 23 .  Se f bk  f xk 1   0 .  Condição suficiente de convergência do método:  f contínua em [a. bk 1 .6.

00000000000000 2.00195434782654 11.00000000000000 2.10156250000000 2.62500000000000 2.09460449218750 0.09423828125000 -0. podemos parar o algoritmo quando ba ln b  a   ln   k 1    k  1  .00059169267297 Francisco Miranda 24 .06250000000000 2. Análise do erro: ba x *  xk 1  2k 1  Critério de paragem: Fixando previamente  > 0.09448242187500 2.00000000000000 3.12500000000000 2.09375000000000 2.00000000000000 2.00894165039063 6.10937500000000 2.00000000000000 2.09375000000000 -0.00000000000000 2.00000000000000 2.34570312500000 4.25000000000000 2.09472656250000 2. o algoritmo pára quando xk 1  xk   ou f xk 1    Como xk 1  x *  xk 1  xk .06250000000000 -0.25000000000000 1.10937500000000 0.00000000000000 2. produziu os seguintes resultados: Iteração a b x y 1.09472656250000 2.00000000000000 2.12500000000000 0.00000000000000 2.09765625000000 0.3 e   0.09570312500000 0.00000000000000 2.89062500000000 3.09472656250000 0.00000000000000 2.5  10 6 .50000000000000 5.09375000000000 2.09765625000000 2.00000000000000 2.09448242187500 -0.07856225967407 8.10156250000000 0.09472656250000 2.03471428155899 9.09375000000000 2. 2 ln 2 Exemplo 2.00077077520837 13.00000000000000 2.16683578491211 7.50000000000000 2.12500000000000 2.00000000000000 2.09423828125000 2.00000000000000 2.09375000000000 2.35131835937500 5. onde I 0  2.00000000000000 2.00000000000000 2.09570312500000 2.09375000000000 2.3 O método das bissecções sucessivas aplicado à equação x3  2 x  5  0.12500000000000 2.00349514919799 12.01286233216524 10.09375000000000 2.

 x  [a.09455871582031 2. f x   x 3  2 x  5 Portanto x*  2.00000000000000 2.00000441006773 18.00000091211957 O método das bissecções sucessivas é convergente. Método da falsa posição Seja [a.09455108642578 -0.09455108642578 2.00008074527209 17.2.09455299377441 2.… Francisco Miranda 25 .00000000000000 2.09454345703125 -0. b0   a. bk   a.b] um intervalo contido no domínio de f e que contém a raiz a determinar.5110 6 .09448242187500 2.09454345703125 2.00000000000000 2.09455490112305 0.09455204010010 0.09455108642578 2.00000000000000 2. k =1.00008956467605 15.00001687869864 20.09455108642578 2.09454345703125 2.09455156326294 0. b e I k  ak . 14.09457397460938 0.09455299377441 0.00025105814629 16.  Condição suficiente de convergência do método:  f contínua em [a.b]  Algoritmo: Sejam I 0  a0 .00000000000000 2.00000000000000 2.09457397460938 2.09455490112305 2.09455108642578 2.00003816751074 19.09455156  0.b]  f(a)f(b)<0  f’’(x)  0.00000623430974 21. b.00000000000000 2.09455204010010 2.09460449218750 2.00000000000000 2.09455871582031 2.09460449218750 2.09454345703125 2.09455871582031 0.

4 O método da falsa posição aplicado à equação x3  2 x  5  0. e o algoritmo termina aqui. k  0. faz-se ak 1  xk 1 e bk 1  bk de tal modo que x*  I k 1  ak 1 .39079991858335 Francisco Miranda 26 .  fórmula iteradora do processo: a k f bk   bk f a k  xk 1  .b  x *  xk 1  x *  w x *  xk . Para evitar este inconveniente pode usar-se uma modificação (empregar os pontos ak .00000000000000 3.00000000000000 2. se imobiliza (por exemplo ak  ak 1  ak 2 ).  Se f bk  f xk 1   0 . onde I 0  2. f bk   f a k   Se f xk 1   0  x*  xk 1 . bk 1 .3 I0 = [2.b  onde w é o extremo fixado desde a 1ª iteração.3] e   0. f bk  . 2 min f ' x  xa . f ak  e bk . Exemplo 2. produziu os seguintes resultados: Iteração a b x y 1. a k ou bk . bk 1 .  Se f ak  f xk 1   0 . f ak  2 e bk . f bk  para traçar a secante em vez dos pontos ak . o algoritmo pára quando xk 1  xk   ou f xk 1    Método da falsa posição modificado O método da falsa posição tende a desenvolver uma convergência lenta quando um dos extremos.05882352941176 -0.  Controlo do erro: 1 xmáx f ' ' x  a .  Critério de paragem: Fixando previamente  > 0.5  10 6 . faz-se ak 1  ak e bk 1  xk 1 de tal modo que x*  I k 1  ak 1 .00000000000000 2.

00000002794085 7.08126365984502 3. x* = g(x*) então x* é zero de f.00000000000000 2.05882352941176 3. 2.00000000000000 2.08963921009085 3. x  g x  : g x   x  tf x .09581889274962 2. ou seja. então f x   0  0  tf x   x  x  tf x .09454797134618 -0.b] Francisco Miranda 27 .09455148154054 -0. isto é. o que sempre é possível e de infinitas maneiras. Facilmente se constata que se x* é ponto fixo de f.00000000000000 2.08963921009085 2.00000000000000 2.14720405955375 3.09581889274962 0.  Condição suficiente de convergência do método:  f contínua em [a. Método iterativo simples Dada a equação f(x) = 0 com raiz em [a.00003917875829 6.5110 6 .09455147903899 2. sendo t  0 um parâmetro arbitrário.00000000001993 O método da falsa posição é convergente.01415622692999 5.09454797134618 2. pois.00000000000000 2.09455147903899 -0.00000000000000 2.00000000000000 2.05467650327329 4.09581889274962 2.09455148  0. f x   x 3  2 x  5 Portanto x*  2.08126365984502 -0. comecemos por lhe dar a forma x = g(x).09581889274962 2.00000000000000 2.b].08963921009085 -0.00000000000000 2.

b e max g ' x   1.b   Critério de paragem: Fixando previamente  > 0. xa .b  Algoritmo: Valor inicial: x0  a. b .5 Apliquemos o método iterativo simples à equação x3  2 x  5  0.5  10 6 .00000000000000 5. x0  2.3]. 2 obtemos os seguintes resultados: Iteração x y 1.00000000000000 2.31250000000000 2. o algoritmo pára quando xk 1  xk   ou f xk 1    Exemplo 2. xa. Se considerarmos x3  5 g x   .b  x *  x k 1 1  max g ' x  1 0 xa .5 e   0.50000000000000 5.31250000000000 72.46643066406250 Francisco Miranda 28 .  fórmula iteradora do processo: xk 1  g xk .  f(a)f(b)<0  Escolher uma função g tal que f(x) = 0  g(x) = x com: g  C 1 a.  Análise do erro: k 1  max g ' x     x x . onde I = [2.

b : g ' x   1.09455159301747 2.09476054548540 4. Mas isto não indica nada acerca da convergência do método.10361202860239 2.09455630907113 2.b podemos dizer que o método é convergente.00072466430664 1.0e+015 * 0. Consideremos agora g  x   3 2 x  5.00000000000000 2. Francisco Miranda 29 .44425053621914 O método iterativo simples não é convergente.00000000000000 2. produzindo os seguintes resultados: Iteração x y 1.90272011798462 1.00000000000000 2.0e+005 * 0.09455221512892 2.10361202860239 2.09455159301747 8. Como a função g respeita a condição max g ' x   1 xa.09455149848199 9.00000000000000 2.09458325022543 2. visto que a condição max g ' x   1 xa.b é uma condição suficiente.00000000000000 2.00000000000000 2. mas não necessária. 1.00000000019027 3.00000000000000 2.09592740990288 2.09455630907113 6.09455221512892 7.09458325022543 5.00000000000000 0.09455148411646 O método iterativo simples é convergente.09476054548540 2.00003000000000 0.00000000000000 2.00000000000000 2.15443469003188 2. Como podemos verificar x  a.09592740990288 3.09455149848199 2.

5110 6 . b .09455150  0. Método de Newton Seja [a. f ' xk  Francisco Miranda 30 . onde c designa o extremo de [a.b]  |f(c)/ f’(c)| < b – a.  fórmula iteradora do processo: f xk  xk 1  x k  .b] um intervalo contido no domínio de f e que contém a raiz a determinar. É habitual tomar para x 0 o extremo de [a.  x  [a.b]  f’’(x) ≥ 0 ou f’’(x) ≤ 0 .b]  f(a)f(b)<0  f’(x)  0.  x  [a.b] onde |f’(c)| assume menor valor. f x   x 3  2 x  5 f x   x Portanto x*  2.b] em que f( x 0 )f’’( x 0 ) > 0.  Condição suficiente de convergência do método:  f contínua em [a.  Algoritmo: Valor inicial: x0  a.

00000000000000 2.36000000000000 3. pois x *  x0  b  a .00000000000000 2.00652662595369 4. f x   x 3  2 x  5 Francisco Miranda 31 .00000000000023 O método de Newton é convergente.00000000000000 2.b   2 k 1 2 k 1 onde podemos substituir x *  x0 por b  a .5  10 6 . Há que ter consciência que esta majoração pode ser bastante grosseira. o algoritmo pára quando xk 1  xk   ou f xk 1    Exemplo 2...6 O método de Newton aplicado à equação x3  2 x  5  0.09513603693363 0.37109984624720 3.42425600000000 2. k  0.3].00000000000000 2.. produziu os seguintes resultados: Iteração x y 1.09455148154235 0. onde I = [2.09455167382427 0.  2 min f ' x    xa .00000000000000 2.12719678015882 0.1. x0  3 e   0. Análise do erro: 2 k 1 1  max f ' ' x      1 xa .b  2 k 1 x *  x k 1 x *  x0 .  Critério de paragem: Fixando previamente  > 0.00000214614314 5.

2.1) pode escrever-se na forma matricial AX  B.b  2 k 1 1 f xk   max f ' ' x      x k 1  x k  1 xa .b  2 k 1 (2) Newton x *  x k 1 x *  x0 f ' xk   2 min f ' x    xa . incógnitas do sistema de modo que as n equações em (3. x  I . (3) O erro obtido em qualquer método numérico pode ser analisado utilizando a fórmula geral f x k  x *  xk  . O sistema (3.b  xk 1  x *  xk 1  x * w x *  xk (1) posição f bk   f a k  2 min f ' x  xa . xn . O problema é determinar x1 .….b  x *  x k 1 1  max g ' x  simples 1 0 xa .….b   (1) w é o extremo fixado desde a 1ª iteração (método da falsa posição modificado aplicado desde a 1ª iteração) 2 k 1 k 1 (2) Podemos substituir x *  x0 por b  a 2 .1) sejam satisfeitas simultaneamente.5110 6 .n) e os termos independentes bi (i = 1. min f ' x  xI 3. f ' x   0. Resolução de Sistemas Lineares 3. xa .2.b  k 1  max g ' x   xk 1  g xk  Iterativo   x x .Portanto x*  2.1)  a n1 x1  a n 2 x 2    a nn x n  bn onde os coeficientes a ij (i.2) Francisco Miranda 32 .1.09455148  0. x2 . (3. (3. Introdução Um sistema de n equações lineares em n incógnitas pode ser escrito na forma a11 x1  a12 x 2    a1n x n  b1 a x  a x    a x  b  21 1 22 2 2n n 2  . Quadro resumo Método Algoritmo Análise do erro(3) numérico ba x *  xk 1  Bissecções a k  bk 2k 1 x k 1  sucessivas ba ln b  a   ln      k  1  2 k 1 2 ln 2 a k f bk   bk f a k  1 xmáx f ' ' x  Falsa a .n) são constantes dadas. j = 1.

Diz-se que um sistema de equações lineares é possível determinado se tem solução única. isto é. 1. resulta numa igualmente pequena mudança na solução. temos AX  B .1 Consideremos o sistema de equações lineares  x  2 y  10  . Uma condição necessária e suficiente para que (2) seja possível determinado é que a matriz A seja invertível.y) é 10 2 1 10 10.1 Sistemas bem condicionados são aqueles em que uma pequena mudança em um ou mais coeficientes e/ou termos independentes.Sendo A  aij  a matriz dos coeficientes do tipo n  n.4 O determinante da matriz dos coeficientes é A  1 2  1.4 x 4 e y  3.4 2 1. resulta numa grande mudança na solução.2  0. isto é. o sistema é possível e determinado. 3.4 Matricialmente.05 2 Francisco Miranda 33 . 1. X   e B . 1.  1 2 A . Utilizando a regra de Cramer. Exemplo 3.1 2  y 10. Sistemas mal condicionados são aqueles em que uma pequena mudança em um ou mais coeficientes e/ou termos independentes. resulta que a solução (x. Ao longo deste capítulo assumiremos que os sistemas considerados têm solução única.1 10.1 2  0.2  0.1x  2 y  10.2 Seja.  0. |A|  0.2. agora. o que nos garante a existência e unicidade da solução. b  bi  o vector coluna dos termos independentes e x  xi  o vector coluna das incógnitas. onde  1 2  x  10  A . Condicionamento e equilibragem Definição 3.

05 2 Não há qualquer similaridade com as soluções dos sistemas anteriores: são sistemas mal condicionados.(diferença perfeitamente possível por questões de arredondamento. cujo determinante é Francisco Miranda 34 .05 2 1.4 x  8 e y   1. obtemos 10 2 1 10 10. Todas as soluções foram determinadas com aritmética exacta. temos a solução (x.1). que representa uma variação de 5% no referido coeficiente).8 1.y) = (1.1 1 2 1. 1 2  0.2 Consideremos o sistema linear x  y  0  . Exemplo 3. não havendo assim qualquer instabilidade ao algoritmo utilizado. x  y  2 O determinante da matriz dos coeficientes 1  1 A  1 1  é A  1 1  1 1  2  0. e aplicando a regra de Cramer. Utilizando novamente a regra de Cramer.  x  1.01y  2 com uma variação de 1% no coeficiente alterado tem 1  1  A  1 1. O sistema x  y  0  .4 2  0.05 10.01 como matriz dos coeficientes.

5).9950.3 Seja o sistema linear  x  2y  1  .01  0.4 x  2 y  10 As referidas variações podem mesmo colocar as rectas estritamente paralelas (sistema impossível).0.1x  2 y  10. 1.4 são as coordenadas do ponto de intersecção de duas rectas “quase paralelas”. Estes sistemas são bem condicionados. Considerando uma pequena variação no coeficiente a 22 .5% relativamente à do sistema não perturbado.05 x  2 y  1 que tem solução (x. 1. pelo que qualquer pequena variação nos declives ou nas ordenadas na origem pode afastar consideravelmente o eventual ponto comum às duas rectas. e a aplicação da regra de Cramer conduz à solução x = y  0. a qual tem uma variação de cerca de 0. Exemplo 3.01  1 1  2. Interpretação geométrica dos condicionamentos dos exemplos anteriores O conjunto solução do sistema mal condicionado  x  2 y  10  1.1x  2 y  10. A  1 1.y) = (0. Francisco Miranda 35 .

1. Francisco Miranda 36 . o conjunto solução são as coordenadas de qualquer ponto das rectas.05 x  2.0.y) = (0.1y  1.4 Seja o sistema linear  x  2y  1  . ainda.1y  1 As referidas variações podem. Exemplo 3. não tem solução. tem infinitas soluções.05 x  2 y  1 que tem solução (x.  x  2y  1  . colocar as rectas coincidentes (sistema possível indeterminado).  x  2y  1  .5). ou seja. ou seja.05 e obtemos um sistema possível indeterminado. ou seja.05 x  2. 1.05x  2. Considerando uma pequena variação no coeficiente a 22 e no termo independente b2 . x  2y 1 1. 1.1y  1 e obtemos um sistema impossível.

x y 2 x y 0 A perpendicularidade é uma situação óptima de bom condicionamento. pois o ponto de intersecção será pouco sensível a perturbações nos parâmetros das rectas. Francisco Miranda 37 . respectivamente. vemos que um determinante cujo módulo seja próximo de 0 (zero) parece indicar um sistema mal condicionado. ampliando qualquer pequena variação nos numeradores da mesma. o que se explica facilmente. pois esse valor surge em denominador na regra de Cramer. x  2 y  1  1.1y  1.05 O conjunto solução do sistema bem condicionado x  y  0  .1 e 3.05x  2. Observando os determinantes das matrizes dos coeficientes dos sistema dos exemplos 3.2. x  y  2 é o ponto (1.1) em que as duas rectas são perpendiculares. O exemplo seguinte pretende travar qualquer conclusão precipitada. Com declives 1 e -1.

Igualmente.0. bem condicionado. Tomando o sistema anterior e dividindo por 1000 ambos os membros da segunda equação.05 x  2 y  10. embora o determinante da matriz dos coeficientes A seja 1 1 A  1  0. vimos que o sistema linear x  y  0  x  y  2 é bem condicionado e o determinante da matriz dos coeficientes toma o valor 2. O exemplo anterior mostra a necessidade de eliminar o efeito de linhas com valores de ordem de grandeza muito diferente (problemas de escala).001  1  0. a partir do determinante da matriz dos coeficientes. para se poderem tirar conclusões indicativas sobre o condicionamento de um sistema de equações lineares.1 o determinante da matriz dos coeficientes.002.001x  0. 0. sendo . 0.5 Como vimos o sistema linear  x  2 y  10  1.001 0.001  0.4 é mal condicionado.Exemplo 3. Tomando o sistema anterior e multiplicando por 1000 ambos os membros da segunda equação. vem  x  2y  10  . 1050 x  2000 y  10400 sistema equivalente ao primeiro.001 bastante próximo de 0 (zero). 1050 2000 bem afastado de 0 (zero).001y  0. mal condicionado. vem  x  y  0  . Francisco Miranda 38 .002 sistema equivalente ao primeiro. embora o determinante da matriz dos coeficientes seja 1 2 A  2000  1  2  1050  100.

para todo o i.6 Para  1 2 A  1.55  1  0.2 Uma matriz real diz-se equilibrada ou escalada. em que E é uma matriz diagonal (n  n) com elementos diagonais 1 aij . Exemplo 3. temos que C e A são matrizes equivalentes.5  1  0. Exemplo 3. C  0. temos C  EA. quando o número 1 é elemento (entrada) de todas as linhas e os restantes elementos (entradas) têm módulo não superior a 1. pois a operação de equilibragem é feita com operações elementares sobre as linhas de uma matriz (multiplicação por uma constante real. o que sugere um mal condicionamento para qualquer sistema de equações lineares em que a matriz dos coeficientes seja equivalente a A. A definição anterior mostra-nos o caminho a seguir para proceder à equilibragem ou escalagem de uma matriz A.5 1 C .7 Para 1  1 A C 1 1  temos Francisco Miranda 39 .Definição 3.55 1 Desta forma. Sendo A matriz (n  n).1 2 temos  0. sem linhas nulas: sendo a ij um elemento de maior valor absoluto da linha i. diferente de 0). vamos multiplicar a linha i por 1 aij . Sendo C a matriz obtida por equilibragem da matriz A. 0.05.

3.  23 23   23 1   5  27 27  Desta forma. C  1.3)   a n1 x1  a n 2 x 2    a nn x n  bn com det(A)  0. Métodos iterativos Consideremos o sistema AX = B que se segue a11 x1  a12 x 2    a1n x n  b1 a x  a x    a x  b  21 1 22 2 2n n 2  . Exemplo 3.34. o que sugere um bom condicionamento para qualquer sistema de equações lineares em que a matriz dos coeficientes seja equivalente a A. C  1 1  1 1  2. Francisco Miranda 40 . 3. o que sugere um bom condicionamento para qualquer sistema de equações lineares em que a matriz dos coeficientes seja equivalente a A.8 Para 3 7 57  A  11 23  1  23  27 5  temos  3 7   57 1  57  11 1 C 1  . (3.

2. através da seguinte relação recursiva:  k 1  x1  1 a11  k  b1  a12 x 2    a1n x n k     k 1  x2  1  k  k  b2  a 21 x1  a 23 x3    a 2 n x n k    a 22 . obtemos X 1 ..…. X 2  .n e consideremos o sistema equivalente a (3.Objectivo: Gerar uma sucessão de vectores (matrizes colunas) X 1 . X k  .3):   x1  a b1  a12 x 2    a1n x n  1  11   x2  1 b2  a 21 x1  a 23 x3    a 2 n xn   a 22 .n 1 x n 1  1  nn  Fórmula iteradora do método: Dado o vector X 0  (aproximação inicial).n 1 x n 1 k    a nn ou seja. 1i  n Francisco Miranda 41 . . que convirja para a solução exacta X* do sistema linear. A distância entre X k 1 e X k  é aqui definida através de k 1 k  d k 1  max xi  xi .    k 1 1  n k   xi   bi   aij x j . Método de Jacobi Suponhamos que aij  0 . a partir de uma estimativa inicial da solução X 0   IR n . X k  . X 2  . n. i = 1.    k 1  xn  1  k  bn  a n1 x1    a n . aii  j 1   j i   Critério de paragem: O processo iterativo é repetido até que o vector X k 1 esteja suficientemente próximo do vector X k  . estudemos dois métodos iterativos. i  1.. . Para tal.     x n  a bn  a n1 x1    a n .

86 1i 3 Francisco Miranda 42 .7    x1  5 x2  x3   8.  1  x3  0. Estabelecida uma precisão  > 0 ou  > 0.34 temos 1 d 1 0.    k 1 1  x3  k  6  2 x1  3x 2 k    10 1ª iteração: k  0  x1 1  0.  2x  3x2  10 x3  6  0. max xi 1.94 Como 1 0  x1  x1  0. X 0    1.34 dr  1   0.   0. max xi 1i  n Exemplo 3. 1 0  x3  x3  0.26.9 Consideremos 10 x1  2 x2  x3  7  0.05.6.96  1  x 2  1.1828   .86. o vector X k 1 é escolhido como solução aproximada do sistema se  k 1 d k 1 d k 1   ou dr  k 1  .26 1 0  x2  x2  0.6   1 Fórmula iteradora:  k 1 1  x1  10 k  7  2 x 2  x3  k     k 1 1  x2 k    8  x1  x3 5  k  .

independentemente da escolha da aproximação inicial X 0  . . Então. obtida pelo método de Jacobi.  2   x3  0. X 2  . com estimativa do erro relativo inferior a 0.1 (Critério das linhas) Dado um sistema AX = B. a solução do sistema linear acima. i  1.98 3ª iteração: k  2  x1 3   0.05. convergente para a solução do sistema dado. n.9984 .9994  3   x 2  1.9984 onde 3  dr  0.98.12 dr   0.9994.  Convergência do método: Teorema 3. 1. seja n a j 1 ij j i i  . é o vector X 3  0. aii Se   max  i  1. Francisco Miranda 43 .1.2ª iteração: k  1  x1 2   0.966 onde 2  0..9888.0606   .0.  3   x3  0.0163   .9888.2.978  2   x 2  1. X k  . 1i  n então o método de Jacobi gera uma sucessão X 1 .

1.96000000000000 -1.99975880000000 -2.00000000000000 1.00028400000000 6. O teorema do critério das linhas apenas fornece uma condição suficiente para a convergência.00000000000000 0. e temos portanto a garantia da convergência do método de 1i 3 Jacobi.00001466240000 O método de Jacobi converge. 5 23 3   0. Graficamente. temos Francisco Miranda 44 .00005744000000 -1.99840000000000 4.10 Consideremos a matriz dos coeficientes do sistema linear do exemplo anterior.98000000000000 0.99792000000000 -1.Exemplo 3.   max  i  1.00000000000000 0.96600000000000 3.00005.86000000000000 0.99996775200000 -2.98880000000000 0.99987848000000 1. mas não necessária. Obtemos os seguintes resultados: Iteração x1 x2 x3 . 2 1 1   0.00000000000000 0.00023600000000 -1. 10 2 1  A   1 5 1 .99998396160000 1.00007944000000 8. novamente.94000000000000 2..97800000000000 -1.5  1 10 Assim.99676000000000 5.00010400000000 0. mas desta vez seja  = 0.00002737600000 0.00000000000000 1.99893600000000 1..99940000000000 -1.00000000000000 0.4  1.99963360000000 7.00000000000000 0. o mesmo sistema linear.11 Consideremos.00000000000000 0.00001026960000 -1.  2 3 10 Desta forma. 3  1 10 11 2   0.99956000000000 0..99995205600000 9. Exemplo 3.00000000000000 1.

. X 2  . X k  .     x n  a bn  a n1 x1    a n . i = 1.n e consideremos o sistema equivalente a (3.Método de Gauss-Seidel Suponhamos que aij  0 . através da seguinte relação recursiva:  k 1  x1  1 a11  k  b1  a12 x 2    a1n x n k     k 1  x2  1  b2  a 21 x1  k 1 k   a 23 x3    a 2 n x n k    a 22 .…. obtemos X 1 .    k 1  xn  1  bn  a n1 x1  k 1    a n .n 1 x n 1   k 1  a nn Francisco Miranda 45 .n 1 x n 1  1  nn  Fórmula iteradora do método: Dado o vector X 0  (aproximação inicial).3):   x1  a b1  a12 x 2    a1n x n  1  11   x2  1 b2  a 21 x1  a 23 x3    a 2 n xn   a 22 .

05.  ij  aii  j 1 j i 1   Critério de paragem: O processo iterativo é repetido até que o vector X k 1 esteja suficientemente próximo do vector X k  .2. max xi 1i  n Exemplo 3. ou seja. o vector X k 1 é escolhido como solução aproximada do sistema se  k 1 d k 1 d k 1   ou dr  k 1  .12 Consideremos 10 x1  2 x2  x3  7  0.   0.96  1  x 2  1.  1  x3  0. k 1 1  i 1 n k   xi   bi   aij x j k 1  a xj .6   1 Fórmula iteradora:  k 1 1  x1  10  k  7  2 x 2  x3 k     k 1 1  x2    8  x1 5  k 1  x3 k  .912. i  1. 0   2x  3x2  10 x3  6  0..    k 1 1  x3  6  2 x1  k 1  3x2  k 1   10 1ª iteração: k  0  x1 1  0. 1i  n Estabelecida uma precisão  > 0 ou  > 0. A distância entre X k 1 e X k  é aqui definida através de k 1 k  d k 1  max xi  xi .9816 Como Francisco Miranda 46 .6. X   1.7    x1  5x2  x3   8. n.

98424.3816 temos 1 d 1 0.1996   . max xi 1.993168. obtida pelo método de Gauss-Seidel.993168 Então.  2   x3  1. Seja   maxi .0011024 .i 1  i 1  ai . 1i  n Francisco Miranda 47 .993168. 1 0  x1  x1  0. aii para i = 2.2 (Critério de Sassenfeld) Dado um sistema AX = B.98424  2   x 2  1.912 1i 3 2ª iteração: k  1  x12   0.  Convergência do método: Teorema 3.1. com estimativa do erro relativo inferiro a 0.0407   . 1 0  x3  x3  0.081168 dr   0.n.26 1 0  x2  x2  0. sejam a12  a13    a1n 1  a11 e ai1 1    ai . a solução do sistema linear acima.312. 1.i 1    ain i  .1.3816 dr  1   0.05. é o vector X 2   0.….0011024 onde 2  0.

qualquer que seja o vector inicial X 0  .Se  < 1.3  1 10 1 0. permutamos as equações do sistema ou mesmo a posição das incógnitas de modo a tentar combater o problema. 2 1 1   0.26 3   0. 2 x1  x2  3x3  9    x2  x3  1.14 Consideremos o seguinte sistema de equações lineares. obtendo  x1  3x3  3    x2  x3  1.26  1. 10 2 1  A   1 5 1 .138  1 10 Assim.   max i  1. 5 2  0. então o método de Gauss-Seidel gera uma sequência convergência. Como no critério das linhas. mas não necessária. e temos portanto a garantia da convergência do método de 1i 3 Gauss-Seidel.  2 3 10 Desta forma. mais rápida será a convergência. permutamos as 1ª e 3ª equações. o critério de Sassenfeld fornece uma condição suficiente.3  3  0.3  1 2   0. 1  0  3 1  3  1. Se existir algum  i  1 . para a convergência. x  3x3  3  1 Como 1  1  3 2  2  1. Exemplo 3. Aliás. Podemos fazer o mesmo no critério das linhas. quanto menor for . obtendo Francisco Miranda 48 . Permutamos as 1ª e 3ª colunas. Exemplo 3. 2 x  x  3x3  9  1 2 Mesmo assim.13 Consideremos a matriz dos coeficientes do sistema linear do exemplo anterior.

6. como de seguida se exemplifica. (3. e temos portanto a garantia da convergência do método de 1i 3 Gauss-Seidel aplicado ao sistema (3. 3x  x2  2 x3  9  1 o critério das linhas não é satisfeito. X   1. O teorema do critério das linhas apresentado no método de Jacobi pode ser aplicado no estudo da convergência no método de Gauss-Seidel.7    x1  5x2  x3   8.   0. 3x3  x1  3   x3  x2  1.   max i  1. Exemplo 3.6   1 Francisco Miranda 49 .15 No sistema 3x1  x3  3   x1  x2  1.4) 3x  x2  2 x1  9  3 Deste modo 1 1   1 3 1 0 3 1 2    1. ao passo que o critério de Sassenfeld é verificado. se o critério das linhas é verificado. De facto. o critério de Sanssenfeld pode ser satisfeito mesmo que o critério das linhas não o seja. então o critério de Sassenfeld também é verificado. 0   2x  3x 2  10 x3  6  0.4).00005. No entanto. 1 3 1 1 3  3  3 3  2 1 2 3 Assim. pois 1  1  1 3  1 e  2  1 1  1 . dado que 2  1 3  1 e  3  3  1 3  1 3 2  2 3  1 . Exemplo 3.16 Consideremos 10 x1  2 x2  x3  7  0.

Obtemos os seguintes resultados: Iteração x1 x2 x3 ..91200000000000 0.00000000000000 0.00000699582656 -2.00110240000000 3.00027287360000 4. .98160000000000 2. n Francisco Miranda 50 .00000035788771 O método de Gauss-Seidel converge. Fórmula  ij   aii j 1   aii j 1 j i 1  iteradora  j i  i  1. 1. temos Quadro resumo Método Jacobi Gauss-Seidel numérico    k 1  1 n k    k 1  1i 1 n k   xi  bi   aij x j ..00000000000000 0.00000000000000 1.00000585684339 1.00000000000000 0..99992515200000 1.00000000000000 0.2.  xi  bi   aij x j k 1   a xj .99995774304000 -2.00002228839040 5.96000000000000 -1.99316800000000 1. n i  1. Graficamente. .2.99852336000000 -1.00004612332800 1.98424000000000 -1.

i 1    ain i  .1 (“fenómeno de Runge” – 1901) f x   . Introdução Um problema com que muitas vezes nos deparamos é: dados alguns pontos do referencial cartesiano XOY obter outros que estão relacionados com os pontos dados. Só assim será possível conhecer novos pontos. É aqui que se aplica a interpolação numérica. dado que são funções bastante regulares e portanto fáceis de estudar e compreender.1. i  1. a12  a13    a1n 1i  n onde 1  onde a11 Convergência n do método a ij e j 1 j i ai1 1    ai . em pontos equidistantes Francisco Miranda 51 . x   1. Critério de max xi 1i  n paragem k 1 k 1 k  onde d  max xi  xi 1i  n   max i   1. Exemplo 4. aii aii i  2. Quando o ponto que pretendemos conhecer tem a abcissa fora do intervalo dos pontos dados chamamos de extrapolação. n 4. Para tal precisamos de conhecer uma aproximação dessa função cuja representação gráfica contém os pontos dados.1]. . utilizando polinómios de grau 2n. O erro de interpolação diminui quando aumentamos o grau do polinómio.i 1  i 1  ai . Na interpolação numérica recorresse muitas vezes à interpolação polinomial. a função a construir será da família dos polinómios. Funções spline em interpolação A interpolação polinomial é um processo simples de aproximar uma dada função por polinómios num certo intervalo. 4. n i  . o polinómio interpolador tende para a função interpolada num certo intervalo.2. através de uma função. Interpolemos esta função no 1 Consideremos a função 1  25 x 2 intervalo [-1.1 . isto é. Este comportamento é por vezes referido como denunciando a rigidez dos polinómios para acompanhar a função. pois á medida que n aumenta o polinómio p n x  pode desenvolver oscilações cada vez mais acentuadas o que aumenta o erro de interpolação. nem sempre tal sucede. 1i  n   max  i  1. Interpolação numérica 4.2. k 1 k 1 d k 1 d   ou d r  k 1  . isto é. quando n  ? De facto.

obtemos p30 x  p20 x  f x   y 1 1  25 x 2 p10 x  x Observa-se que.0. reside na utilização de “polinómios contínuos por partes” (de facto verifica-se. talvez com alguma surpresa. designados splines. que um excesso de regularidade das funções interpoladoras pode ser prejudicial à convergência). nan . Uma forma de explicar as oscilações que se verificam ao interpolar com polinómios de grau elevado é a seguinte: se o polinómio interpolador for pn x   a0  a1 x    an1 x  an x . portanto. à medida que n aumenta.. Francisco Miranda 52 .1. uma solução a este entrave. p 2 n x  não converge para a função f(x) que está a ser interpolada. O que acabamos de ver desfaz qualquer ideia que porventura pudéssemos ter de que a interpolação polinomial produziria automaticamente polinómios que aproximassem tão bem quanto fosse preciso qualquer função contínua. n Graficamente.1. o polinómio p 2 n x  desenvolve oscilações cada vez mais acentuadas. computacionalmente atractivos.. Como os polinómios são. dada a sua simplicidade. em geral maiores (em valor absoluto) que os coeficientes de p n x  . n.. em todo o caso. então os coeficientes das suas derivadas são n 1 n a1 . pelo que f x   p2 n x  não tende para zero e. i  n. tornando assim possíveis variações e oscilações importantes. n  1an1 . i xi  .

b . xi  . relativo aos pontos a  x0  x1    xn  b .1]. contínua em cada intervalo xi 1 . 1  25 x 2 Vamos interpolar a função de Runge por um spline de grau zero. com um polinómio de grau ≤ m. ou seja.2.. n e em que y i é o valor do spline no subintervalo xi 1 .. xi  .Definição 4.  1  x   3 1 2  S 2 x   9 .  2  x   1   S x  13 3 3.  S é diferenciável até à ordem m – 1 e as derivadas são contínuas. i  1. i = 1. 9 2  x 1  13 3 Graficamente. temos Francisco Miranda 53 . xi  com um polinómio Si  de grau zero e é contínua por partes em x0 ... Exemplo 4. numa malha uniforme com 7 pontos no intervalo [-1.…. 1i  n Splines de grau zero A função spline S coincide em cada subintervalo xi 1 . xi  . se verificar as seguintes propriedades:  S coincide em cada subintervalo xi 1 .1 Uma função S é um spline polinomial de grau m  IN 0 . xn   a.      S6 x   .n.2 Consideremos a função de Runge f x   1 . Desta forma. É óbvio que Si x   yi . temos  S1  x   26 . xi 1  x  xi . Notação: hi  xi  xi 1 e h  max hi .

i.. ai  xi 1  xi  2 . Se o spline interpolar uma função f  C 1 a. xi  e fazer S i x   f ai  . Se majr a xb f x   L1 .…. ou o extremo direito. ai  xi . Para construir este spline é preciso tomar uma opção relativamente à escolha dos valores dos y i ’s. ai  xi 1 (utilizado no exemplo anterior).n. i.1 Seja f  C 1 a. Teorema 4. e. b e S um spline interpolador de f de grau zero. então max f x   S x   L1  h x0  x  xn ou max f x   S x   L1  h. ou o ponto médio. Os casos mais vulgares são tomar o extremo esquerdo do subintervalo. i = 1. e. estes splines têm grande interesse teórico (basta recordar que o conceito de integral à Riemann recorre a este tipo de funções) e prático.. S 4 x  y f x   1 1  25 x 2 S3  x  S5 x  S1 x  S 2 x  S6 x  x Apesar do seu aspecto singelo. respectivamente. Francisco Miranda 54 . x0  x  xn 2 no caso de os pontos de interpolação coincidirem com os extremos dos subintervalos ou com os pontos médios dos subintervalos. i. e.. b podemos escolher pontos ai  xi 1 . A escolha afecta naturalmente o erro de interpolação.2.

076. temos  1  2 3 x 9 x 1  S1  x   26 1 3  109 1 3 . Então f  0.1].2..4 Consideremos.7   max f ' x  x 1. 1  25 x 2 Vamos interpolar a função de Runge por um spline linear.Exemplo 4.0.  x S x    2 109 1 3 34 1 3 3 3. n hi hi onde yi  f xi  .0758. 26 Splines de grau um (lineares) A função spline S coincide em cada subintervalo xi 1 .  2    0.. xn   a. Desta forma. numa malha uniforme com 7 pontos no intervalo [-1. xi  com um polinómio Si  de grau  1 e é contínua em x0 .7   S  0. 2 1  x   3  S  x   9  1 3  x 9 x  2 3 2 1  . temos Francisco Miranda 55 . novamente a função de Runge f x   1 .     9 1 x 1 x  2 3  S6 x   2  .  x 1  109 1 3 26 1 3 3 Graficamente.7   1  0.3 Consideremos a função de Runge e x = . É óbvio que xi  x x  xi 1 S i x   yi 1  yi .7. 1   3 3  Donde escrevemos f  0. Exemplo 4. b .. xi 1  x  xi . Esta expressão assegura a continuidade de S. i  1..

 2  1     0. 5668 Francisco Miranda 56 .013. 8   3   3 Donde escrevemos f  0. Então 2 1 f  0.7   S  0.7   max f ' ' x  x 1. 1 x0  x  xn 8 Exemplo 4. b e S um spline interpolador de f de grau um.7   443  0. Se majr a xb f x   L2 . então max f x   S x   L2  h 2 .0.0127.7.5 Consideremos a função de Runge e x = . S3  x  S 4 x  y S 2 x  S5 x  f x   1 S1 x  1  25 x 2 S6 x  x Teorema 4.2 Seja f  C 2 a.

Como em cada subintervalo xi 1 . a assumir um determinado valor.2) hi que permite obter os M i ’s a partir dos mi ’s. i  1.1) 2 em que recorremos à seguinte notação mi  S ' xi .Splines de grau dois (quadráticos) A função spline S coincide em cada intervalo xi 1 . A expressão (4.. a de obrigar a primeira derivada num dos pontos extremos. xn1 dá mais n – 1 equações. o que é insuficiente. É fácil visualizar este spline quadrático como formado por troços de parábolas que se ligam de modo contínuo e com tangentes também contínuas. Para que o spline interpole o valor y i em x i devemos ter Francisco Miranda 57 . n (4. Para especificar de forma única este spline torna-se necessário impor uma condição suplementar que pode ser. xn   a. por exemplo. b . . e o requisito de continuidade da primeira derivada nos pontos interiores x1 . xn fornece 2n equações. . A condição de que o spline interpola nos nós x0 . por conseguinte. no total.1. xi  .1) assegura que o spline quadrático assume para xi 1 o valor y i 1 .. x1 . x 0 digamos. xi  o spline coincide com um polinómio de grau ≤ 2.. i  0. Convém notar que esta forma de representação garante à partida a continuidade da derivada do spline nos pontos interpoladores. são precisos 3 coeficientes para definir este polinómio neste subintervalo e. Ficamos a dispor. i  1. Como Si ' x   mi 1  M i x  xi 1  temos mi  Si ' xi   mi 1  M i hi donde se retira a relação mi  mi 1 Mi  . xi  com um polinómio Si  de grau ≤ 2 e é continuamente diferenciável em x0 . Podemos escrever Si x   yi 1  mi 1 x  xi 1   x  xi 1 2 Mi (4. Seja S i o polinómio de grau ≤ 2 com o qual o spline quadrático S coincide em cada subintervalo xi 1 . n. de 3n -1 equações lineares para 3n incógnitas. n M i  Si ' ' x . um total de 3n coeficientes.

os splines cúbicos.1]. que iremos estudar. e. Na utilização de splines quadráticos surgem por vezes dificuldades relacionadas com um comportamento algo instável (podemos verificar isto no exemplo a seguir). fazendo m0  0 . temos Francisco Miranda 58 .3) hi Assim.  3  x   3. Exemplo 4. m2 . 1  25 x 2 Vamos interpolar a função de Runge por um spline quadrático. 1 1125 2   1  x   26 2834 3  2 375  2  6290098425  2 S  x   S 2 x   109  1417  x  3   7441236634  x  3  . 2   x 1  3 Graficamente. numa malha uniforme com 7 pontos no intervalo [-1. os valores dos parâmetros M i .2). 2 Combinando esta expressão com (4. i  1. novamente a função de Runge f x   1 . Si xi   yi 1  mi 1hi  Mi 2 hi  yi . podemos obter através de (4. (4. n.2). havendo uma alternativa fácil e mais utilizada. Fica deste modo completamente definida a expressão de S i . se m0 for dado. obtemos yi  yi 1 mi  2  mi 1 .3) os valores das derivadas m1 .17 Consideremos.. por meio de (4. Desta forma. temos  S1  x   x  12 .  9 2 1         S 6 x    .

d i  yi  M i i .1. b . xi  . Aos parâmetros M i costuma designar-se por momentos. obtemos xi  x 3 x  xi 1 3 xi  x x  xi 1 S i x   M i 1  Mi  ci  di . 6 6 Francisco Miranda 59 . Integrando  duas vezes S i x  . i = 0. assim podemos escrever xi  x x  xi 1 Si ' ' x   M i 1  Mi .n. Este ponto de partida assegura a continuidade das 2ª derivadas. S 4 x  S3  x  S6 x  y S 2 x  f x   1 S1 x  1  25 x 2 S5 x  x Splines de grau três (cúbicos) A função spline S coincide em cada intervalo xi 1 . xi  com um polinómio S i de grau ≤ 3 e possui derivadas contínuas até à 2ª ordem em x0 . xi  . hi hi  onde M i  S i xi   S xi  . É óbvio que a segunda derivada S i x  é um polinómio de grau ≤ 1 em xi 1 . Assim 2 2 hi h ci  yi 1  M i 1 . 6hi 6hi hi hi onde c i e d i são constantes de integração. xn   a. que se determinam impondo as condições de interpolação: S i xi 1   yi 1 e S i xi   yi .…. Seja S i o polinómio de grau ≤ 3 com o qual o spline cúbico S coincide em cada  subintervalo xi 1 .

como é evidente) o que deve ser tido em consideração. temos de impor duas condições suplementares. em que os momentos M 0 . isto é. n  1. onde y 0 e y n são constantes dadas. b  x0 ..Desta forma. M 1 .. (4. Francisco Miranda 60 . temos xi  x 2 x  xi 1 2 yi  yi 1 h S i ' x    M i 1  Mi   M i  M i 1  i .  yn  yn1  hn  hn M n1 6  hn M n 3  y'n . M 1 .      Si ' xi  Si 1 ' xi .  ' x    y  yi  hi 1  hi 1M i 3  hi 1M i 1 6 . M n são as incógnitas.2..4) e agrupando termos. S1 x0   y0 e S n xn   y n . Impondo a condição de continuidade da 1ª derivada nos pontos de interpolação. i  1. i  1. Estas condições são ditadas pela finalidade a que se destina o spline.5) 2hi 2hi hi 6 e desta forma. sendo mais vulgares as seguintes:  Spline completo: corresponde à situação em que a 1ª derivada nos extremos do intervalo a. Então.5). obtemos   Si ' xi   yi  yi 1  hi  hi M i 1 6  hi M i 3 .  Si 1 i i 1 Substituindo estas relações em (4. vem hi h  hi 1 h y  yi yi  yi 1 M i 1  i M i  i 1 M i 1  i 1  . n  1..2. Contudo. as condições suplementares são facilmente extraídas de (4. M n . 6 3 6 hi 1 hi Este conjunto de igualdades formam um sistema de n–1 equações.  Spline natural: na ausência de qualquer informação específica nos extremos do intervalo é frequente optar pelas condições: S1x0   M 0  0 e S nxn   M n  0 .4) Derivando o S i x  encontrado. a imposição destas condições artificiais reduz a precisão do spline (a menos que f x0   f xn   0 . (4. vindo  y1  y0  h1  h1M1 6  h1M 0 3  y'0 . xn  é conhecida. Como há n + 1 incógnitas e n – 1 equações. xi  x 3 x  xi 1 3  hi  xi  x  2 hi  x  xi 1 2 S i x   M i 1  Mi    yi 1  M i 1     h   yi  M i 6  h . 6hi 6hi  6  i   i Para concluir a construção do spline cúbico falta determinar os valores M 0 .

hi 1 hi i  .  Spline completo: o sistema apresenta-se matricialmente do seguinte modo:  2 0 0  0   M 0   b0   2 1  0   M 1   b1   1             . vem Francisco Miranda 61 . hi  hi 1  hi 1 hi  Exemplo 4. obtemos um sistema linear de n + 1 incógnitas e n + 1 equações.n – 1. i   1  i . numa malha uniforme com 7 pontos no intervalo [-1. bn   y 'n  n  hn  hn  e. b0    y '0  h1  h1  6 y  yn 1   n  1.Em qualquer um dos casos. 1  25 x 2 Vamos interpolar a função de Runge por um spline completo. A matriz dos coeficientes é estritamente diagonal dominante e consequentemente o sistema é possível determinado. hi  hi 1 hi  hi 1 6  yi 1  yi yi  yi 1  bi    .       0   n 1 2 n 1   M n 1  bn 1   0  0  n 2   M n   bn  onde 6  y1  y0  0  1. para i =1.…. Arredondando os M i ’s à ordem 10 4 .6 Consideremos. novamente a função de Runge f x   1 .1]. onde y0  f  1 e y1  f 1 .

  2. Francisco Miranda 62 . para i =1.2644    109 54  1 3       S6 x    .n – 1.…. 6574  2 2   1 1   2 3 x 2     1.      2 3  x 3  2.       0   n 1 2 n 1   M n 1  bn 1   0  0 0 1   M n   0  onde.6574  .1  x     26 54  1 3 3  S x     9 1  x 1 . temos S3  x  S 4 x  y f x   1 1  25 x 2 S1 x  S 2 x  S5 x  S6 x  x  Spline natural: o sistema apresenta-se matricialmente do seguinte modo: 1 0 0  0  M 0   0        1 2 1  0   M 1   b1              .2644 x  13  1S x 1. 2   x 1 3 Graficamente.

hi 1
i  ,
hi  hi 1
hi
i   1  i ,
hi  hi 1
6  yi 1  yi yi  yi 1 
bi    .
hi  hi 1  hi 1 hi 

Exemplo 4.7

Consideremos, novamente a função de Runge

f x  
1
.
1  25 x 2

Vamos interpolar a função de Runge por um spline natural, numa malha uniforme com
7 pontos no intervalo [-1,1]. Arredondando os M i ’s à ordem 10 4 , vem

  x  1
3
1 2 3 x  9 1  x 1
S1 x   1.8181
2
   1.8181  ,1  x  
 2 26 1 3  109 54  1 3 3

S x    .
  

S 6 x    ,
2
  x 1
3

Graficamente, temos

Francisco Miranda 63

S3  x  S 4 x 

y

f x  
1
1  25 x 2
S1 x  S 2 x  S5 x  S6 x 

x

As boas propriedades do spline cúbico, nomeadamente a ausência de oscilações
espúrias, encontram justificação teórica no seguinte teorema.

Teorema 4.3 (Holladay)

Sejam dados os pontos a  x0  x1    xn  b e as suas imagens y0 , y1 ,, y n .
Então, de todas as funções f  C 2 a, b que interpolam estes valores, o spline cúbico
natural é a única função que torna mínimo o valor de

J  f     f ' ' x  dx.
b 2

a

Interpretação: Tendo em conta que o valor de f’’(x) é um indicador da curvatura da
função f, o valor de J(f) representa uma espécie de ‘curvatura média’ de f no intervalo
[a,b]. O enunciado diz-nos que o spline cúbico natural é, de todas as curvas
interpoladoras com derivadas contínuas até à segunda ordem, aquela que é mais
‘direita’.

Erro de interpolação

Teorema 4.4

Seja f  C 4 a, b e S um spline cúbico satisfazendo qualquer das condições
suplementares referidas anteriormente. Se majr a xb f 4  x   L4 , então

Francisco Miranda 64

max f  x   S  x  
5
L4  h 4
x0  x  x n 384
 3 1 
max
d
x0  x  xn dx
 f  x   S  x      L4  h 3
 216 24 

max
d2
2
 f x   S x    1  1 h  L4  h 2
x0  x  x n dx  12 3 h 
1   h  
2
d3
max  f  x   S  x   1    L4  h,
x0  x  x n dx 3 2   h  

em que
h  min hi.
1i  n

Exemplo 4.8

Consideremos a função de Runge e x = 0.7. Então

4
1
f  0.7   S  0.7   max f 4  x   2 
5
    0.0047.
384  3 x 1,  
 3

Comparação dos splines (linear, quadrático e cúbico natural) na interpolação da função
de Runge

y

x
Na figura anterior, utilizamos 7 pontos de interpolação uniformemente distribuídos no
intervalo [-1,1]. Os resultados da figura anterior, permitem extrair algumas conclusões:

 O spline linear, apesar da sua modéstia, acompanha o andamento geral de f.

 O spline quadrático, obtido com m0  0 , tem um comportamento razoável no
intervalo [-1,0], mas desenvolve oscilações violentas no intervalo [0,1],
confirmando a alusão feita atrás quanto à sua propensão para a instabilidade.

 O spline cúbico, construído como sline natural, tem o melhor comportamento, como
seria de esperar, embora exiba ainda ligeiras oscilações.

Francisco Miranda 65

11 pontos de interpolação uniformemente distribuídos no intervalo  1. A escala do gráfico não consegue fazer a distinção entre o spline cúbico e a função f..2. y x O aumento do número de pontos de interpolação para 11.Utilizemos. agora. n Pontos de interpolação coincidem com os pontos médios dos subintervalos: max f x   S x   L1  h. Quadro resumo Método Polinómio interpolador Erro de tuncatura numérico Pontos de interpolação coincidem com os extremos dos subintervalos: max f x   S x   L1  h S i x   yi . xi 1  x  xi .2. max f x   S x   Spline de grau 1 hi hi L2  h 2 1 x0  x  xn 8 xi 1  x  xi . confirma estas conclusões..1 ... i  1.. x0  x  xn 2 xi  x x  xi 1 S i x   yi 1  yi ... x0  x  xn Spline de grau 0 i  1. n Si xi   yi 1  mi 1hi  i hi  yi onde Spline de grau M 2 2 2 Francisco Miranda 66 ..

mi  mi 1 Mi  .... i   1  i hi  hi 1 hi  hi 1 6  yi 1  yi yi  yi 1  bi     hi  hi 1  hi 1 hi  para i  1. Si  x   M i 1 xi  x 3  M x  xi 1 3 i 6hi 6hi  h  x x 2   yi 1  M i 1 i  i  6  hi Spline de grau  hi  x  xi 1 2    yi  M i  3 natural  h  6  i tal que 1 0 0  0  M 0   0   2   0   M   b   1 1  1   1              . n. n hi e yi  yi 1 mi  2  mi 1 .       0   n 1 2 n 1   M n 1  bn 1   0  0 0 1   M n   0  Francisco Miranda 67 . bn   y 'n  n  hn  hn  max f x   S x   e 5 L4  h 4 hi 1 hi x0  x  xn 384 i  . n  1 . i  1. b0    y '0  h1  h1  6 y  yn 1   n  1. hi Si  x   M i 1 xi  x 3  M x  xi 1 3 i 6hi 6hi  h  x x 2   yi 1  M i 1 i  i  6  hi  h  x  xi 1 2   yi  M i i   6  hi tal que  2 0 0  0   M 0   b0   2   0   M 1   b1   1 1             .      Spline de grau  0   n 1 2 n 1   M n 1  bn 1   0  0  n 2   M n   bn  3 completo onde 6  y1  y0  0  1. i  1.

1. a.b]. Nomeadamente. hi  hi 1 hi i   1  i . sob certas condições. Assim. 5. b b a a em que g é uma função que “aproxima” f. b  I  f  pn . a. provém normalmente de uma das seguintes situações:  A expressão analítica de f não é conhecida – é o que acontece quando esta função é dada por tabelas ou obtida por medições de grandezas físicas. ou é demasiado complexa e. um valor aproximado de I[f. num certo sentido. b Francisco Miranda 68 . b a A necessidade de se recorrer a métodos numéricos para calcular I(f. e cuja primitiva seja fácil de calcular. a. a. a. ou seja. seja p n o polinómio interpolador de grau ≤ n da função f nos pontos a  x0  x1    xn  b . b   f x dx. A ideia base da integração numérica é a aproximação I  f .b]). a forma usual de determinação do integral não é viável. a forma usual de determinação do integral não se revela económica. b seja.  A expressão analítica de f é dada. onde hi 1 i  . n  1 . mas a primitiva desta função não é conhecida e. o erro de truncatura cometido neste processo é Etr  f . Integração Numérica 5. portanto. a. É razoável esperar que o valor I  pn . por exemplo. hi  hi 1 6  yi 1  yi yi  yi 1  bi     hi  hi 1  hi 1 hi  para i  1. formas de calcular aproximações de I  f . Introdução Neste capítulo. Este objectivo é conseguido recorrendo. abordaremos processos de obtenção de valores aproximados do integral de uma função (integrável) no intervalo [a. b  I  f . a polinómios interpoladores de f.[a.b]). a.[a. b   f x dx   g x dx. portanto.. b  I  pn .

x0 . Se f  C n1 a. temos  f xdx   pn x dx. xn . 5. b 0 0 1 1 n n (5. b n a Desta forma. x0 . Fórmulas de Newton-Cotes A estratégia no desenvolvimento das fórmulas de Newton-Cotes é tomar como função g aproximada de f o polinómio de grau ≤ n interpolador de f em n + 1 pontos igualmente espaçados do intervalo [a. onde os li x  são os polinómios de Lagrange associados a estes pontos. f x   pn x   Rn x .b].em que a última passagem se justifica pela linearidade do operador de integração. Integrando (5. b b a a ou  f xdx  A f x   A f x     A f x . b a com um erro de integração (truncatura) igual a  R x dx. (5.. xn  . maxx. e f n1   Rn x   x  x0 x  x1 x  xn . o valor de pn x dx b a é uma aproximação para o valor de  f x dx .1) tais que pn x   l0 x  f x0   l1 x  f x1     ln x  f xn .2. n  1! onde   minx.1) entre a e b.2) a Francisco Miranda 69 . b então. Como vemos. obtemos f x dx   pn x dx   Rn x dx. b b b a a a Assim.. o erro depende da maior ou menor aproximação do polinómio p n a f e adiante veremos estimativas desta importante grandeza.

obtemos a regra do rectângulo à esquerda I  f . Por este motivo estas fórmulas de integração são conhecidas por regras do rectângulo. justifica que se introduza o seguinte conceito. Como veremos oportunamente.. b a O valor exacto do integral foi deste modo substituído pelo valor da área de um rectângulo de lado b – a e altura f x0  . Consoante o valor de n se obtêm diferentes regras de integração.2) quando os pesos são calculados pela expressão (5. n. i  0. o do polinómio de grau n = 0 que interpola a função f no ponto x 0 . b (5. Vamos deduzir alguns casos particulares de regras de integração. x0  a . Então. correspondentes a diferentes escolhas de polinómios interpoladores. isto é.  n. O emprego de polinómios interpoladores para construir regras de integração. p0 x   f x0  e. portanto. a.sendo Ai   li x dx.2) costuma designar-se por regra de integração de Newton-Cotes ou fórmula de quadratura de Newton-Cotes. b   f x0 dx  b  a  f x0 . Regras dos rectângulos Comecemos pelo caso mais simples. a. Exemplo 5.1. I  f .1 Uma regra de integração diz-se de grau (de exactidão) n se integrar exactamente todos os polinómios de grau ≤ n e existir pelo menos um polinómio de grau n+1 que não é por ela integrado exactamente.1 Suponhamos que pretendemos calcular um valor aproximado para Francisco Miranda 70 . Se fizermos coincidir x 0 com o extremo esquerdo do intervalo. b  I  p0 . Uma conclusão imediata é a de que o grau de exactidão da fórmula (5. a.3) a A expressão (5. Como vemos.3) é. o cálculo exacto do integral foi substituído pelo cálculo de uma soma ponderada de valores da função integranda. b  b  a  f a . Definição 5. o grau de uma regra de integração está intimamente relacionado com a sua precisão. e os Ai ’s por coeficientes ou pesos dessa regra. por construção.

 2  sen2 x dx. temos p0 x   f 1 I  p0 . b  b  a  f b.[1. Obtemos Regra do rectângulo à direita I(p0.[1.54648713412841 -6. temos Francisco Miranda 71 .6]) erro 5.6   f x   2  sen 2 x Se tomarmos x0  b . teremos naturalmente a regra do rectângulo à direita I  f .36300792646568 Graficamente.2 Suponhamos que pretendemos calcular um valor aproximado para  2  sen2 x dx. Obtemos Regra do rectângulo à esquerda I(p0. 6 1 utilizando a regra do rectângulo à direita. 1. a.6]) erro 14. 6 1 utilizando a regra do rectângulo à esquerda.09669140550720 Graficamente. Exemplo 5.08678780215553 3.

Regra do ponto médio Uma outra escolha natural. será fazer x0  a  b 2 .6]) erro 7. obtendo-se a regra do ponto médio ab I  f .[1. 1.00695870173426 Graficamente. p0 x   f 6   f x   2  sen 2 x I  p0 . a.  2  Exemplo 5.17652050592846 1. temos Francisco Miranda 72 . b  b  a  f  .3 Suponhamos que pretendemos calcular um valor aproximado para  2  sen2 x dx.6 Ambas estas regras do rectângulo possuem grau zero. Obtemos Regra do ponto médio I(p0. 6 1 utilizando a regra do ponto médio.

obtemos a regra do trapézio ba I  f . e a outras fórmulas de Newton- Cotes.6   f x   2  sen 2 x Esta regra é de grau um. Alerta-se para o facto de que o grau de exactidão de uma regra de integração não tem de coincidir necessariamente com o grau do polinómio interpolador utilizado na sua construção. a. Regra do trapézio Se passarmos aos polinómios interpoladores de grau n ≤ 1 cuja forma de Lagrange é p1 x   l0 x  f x0   l1 x  f x1  temos p1 x dx  A0 f x0   A1 f x1 . x1 x0 onde x  x1 x  x0 A0   l 0 x dx   x1 x1 dx  1 x0 x0 x0  x1 2 e x  x0 x  x0 A1   l1 x dx   x1 x1 dx  1 . 2 Note-se que podemos chegar à regra dos trapézios. 1. b   f a   f b. embora esteja com ele naturalmente relacionado. integrando o polinómio interpolador na forma de Newton. x0 x0 x1  x0 2 Escolhendo x0  a e x1  b .5 I  p0 . Francisco Miranda 73 . p0 x   f 3.

x 2 x  x 0 x  x 1 .6   f x   2  sen 2 x O grau desta regra é um. x 1 x  x 0   f x 0 .[1. x 1 . 6   2   Francisco Miranda 74 . temos p1 x   3. b]   f a   4 f    f b . Regra de Simpson Continuando a aumentar o grau do polinómio interpolador.b]. x1 .63315826047924 Graficamente.2877  0.3784 x I  p1 . x1  a  b 2 . passamos agora ao caso n ≤ 2.6]) erro 9. vem ba ab  I  f .Exemplo 5. Obtemos Regra do trapézio I(p1. 6 1 utilizando a regra do trapézio.4 Suponhamos que pretendemos calcular um valor aproximado para  2  sen2 x dx.81663746814197 -1. [a. Tomando x0  a . 1. x 2 é p 2 x   f x 0   f x 0 . x2  b e integrando este polinómio em [a. O polinómio interpolador na forma de Newton em diferenças divididas da função f nos pontos x 0 .

[1. situação que.6 Suponhamos que pretendemos calcular um valor aproximado para 2  1    1  25x   0. Exemplo 5.5 Suponhamos que pretendemos calcular um valor aproximado para  2  sen2 x dx.7946  0. mas é possível verificar que este é de facto três.9698x  0. Exemplo 5. não é geral. 1.6]) erro 8.05655949333297 0. No exemplo anterior. Obtemos Regra de Simpson I(p2. embora frequente. 6 1 utilizando a regra de Simpson.12691971432976 Graficamente. Obtemos Francisco Miranda 75 . 2 2 utilizando a regra do trapézio e a regra de Simpson.6   f x   2  sen 2 x A sua construção garante que o respectivo grau é pelo menos dois.Esta fórmula constitui a célebre regra de integração de Simpson. como se verá adiante. temos p2 x   3. a aproximação pela regra de Simpson conduziu a uma melhor aproximação que a regra dos trapézios.1 dx.0845x 2 I  p2 . como se exemplifica a seguir.

Regra do trapézio

I(p1,[-2,2]) erro

0.43960396039604 -0.45920988138418

Regra de Simpson

I(p2,[-2,2]) erro

3.07986798679868 -3.09947390778682

Graficamente, temos

p2 x   1.1  0.2475x 2
I  p2 ,  2,2

f x  
1
1  25x 2   0.1
p1 x   0.1099

I  p1 ,  2,2

O erro obtido na utilzação da regra de Simpson é maior do que na regra do trapézio.

As regras de Newton-Cotes podem ser deduzidas de forma sistemática e constituem a
família de regras de Newton-Cotes. A tabela seguinte reúne algumas destas regras.

Fórmulas de Newton-Cotes

ba n 
I  f , a, b    ai f xi 
d  i 0 
xi  a  ih , i = 0,1,…,n, h = (b – a)/n, Nota: ani  ai
n d a0 a1 a2 a3 a4
1 2 1
2 6 1 4
3 8 1 3

Francisco Miranda 76

4 90 7 32 12
5 288 19 75 50
6 840 41 216 27 272
7 17280 751 3577 1323 2989
8 28350 989 5888 -928 10496 -4540

Como podemos observar, a partir das regras com n = 8 aparecem pesos com sinais
positivos e negativos. Do ponto de vista do efeito dos erros de arredondamento, esta
característica é nociva já que promove o aparecimento de cancelamento subtractivo. Por
esta razão, as fórmulas de Newton-Cotes de grau elevado não são muito aconselháveis.

5.3. Erros de integração

Para podermos escolher qual a regra de integração a utilizar num dado caso concreto é
conveniente dispor de estimativas do erro cometido que possam orientar essa escolha.
Como vimos, o polinómio interpolador satisfaz a relação

f x   pn x   f x0 , x1 ,, xn , xx  x0 x  xn .

Então, o erro de integração (truncatura) é dado por

Etr  f , a, b   f x0 , x1 ,, xn , xx  x0 x  xn dx.
b
(5.4)
a

Há duas situações típicas e com interesse prático em que esta expressão pode sofrer uma
simplificação notável, as quais passamos a descrever.
A primeira é quando o polinómio x  x0 x  xn  não muda de sinal no intervalo
[a,b]. Neste caso, invocando o teorema do valor médio para integrais, podemos dizer
que

Etr  f , a, b  f x0 , x1 ,, xn ,   x  x0 x  xn dx,
b

a

com   ]a,b[. Admitindo que f  C n1 a, b , vem que

f n1 c  b
Etr  f , a, b  x  x0 x  xn dx,
n  1! a
(5.5)

com c  ]a,b[.

Uma conclusão imediata que podemos extrair desta expressão é a de que o grau de
exactidão das respectivas regras de integração é igual a n, coincidente, portanto, com o
grau do polinómio interpolador utilizado na sua construção.

A segunda situação a que aludimos acima verifica-se quando

 x  x x  x dx  0.
b
0 n (5.6)
a

Francisco Miranda 77

Neste caso estamos impedidos de recorrer ao teorema do valor médio para simplificar a
expressão (5.4). Todavia, tendo em atenção a definição e a propriedade de simetria das
diferenças divididas, podemos empregar a identidade

f x0 , x1 ,, xn , x  f x0 , x1 ,, xn , xn1   f x0 , x1 ,, xn , xn1 , xx  xn1 ,

em que x n 1 é um ponto arbitrário cuja especificação será feita mais adiante.
Introduzindo esta relação em (5.4), temos que

Etr  f , a, b   f x0 , x1 , , x n , x n 1 x  x0  x  x n dx
b

a

  f x0 , x1 , , x n , x n 1 , xx  x0  x  x n x  x n 1 dx
b

a

e, tendo em atenção a hipótese (5.6),

Etr  f , a, b   f x0 , x1 ,, xn , xn1 , xx  x0 x  xn1 dx.
b

a

Se for possível escolher x n 1 de modo a que x  x0 x  xn1  possua um único sinal
em [a,b], podemos novamente aplicar o teorema do valor médio ao integral no segundo
membro da expressão acima, vindo

Etr  f , a, b  f x0 , x1 ,, xn , xn1 ,   x  x0 x  xn1 dx.
b

a

Se f  C n2 a, b , então podemos concluir que

f n 2  c  b
Etr  f , a, b  x  x0 x  xn1 dx.
n  2! a
(5.7)

O grau de exactidão da fórmula é agora igual a n + 1, uma unidade superior ao do grau
do polinómio utilizado na construção da regra de integração, o que pode ser considerado
um bónus inesperado.
Apliquemos estas estimativas de erro às regras de integração mais usuais

Regras do rectângulo

Para a regra do rectângulo à esquerda x–a não muda de sinal em [a,b], pelo que
podemos aplicar a expressão (5.5), vindo

Etr  f , a, b  f ' c  x  a dx  f ' c b  a  .
b 1 2
a 2

Para a regra do rectângulo à direita x–b não muda de sinal em [a,b], pelo que podemos
aplicar a expressão (5.5), vindo

Francisco Miranda 78

6523. 1 3 24 A regra do ponto médio tem. 6  3  5 1  cos 2  2sen2  3. b 1 2 a 2 Para a regra do ponto médio x – (a + b)/2 muda de sinal no intervalo [a.6  x x1. b  f ' ' c b  a  .7).b]. 1. pois. Escolhendo x1  x0 .6  6  13 majr f ' ' x  x1.7 Determinemos um majorante para o módulo do erro de integração das aproximações de  2  sen2 x dx. estamos em condições de aplicar a expressão (5. b  ab   x  a dx  0. Logo. 6  regras do ponto médio Etr  f . resulta que x  x0 x  x1    x  a  b  2  2  que é de sinal único (positivo) no intervalo [a. a. Exemplo 5. Contudo. a. 1. grau de exactidão igual a um. 6   majr  8.b]. 6 1 obtidas pelas regras dos rectângulos. regras do rectângulo à esquerda e à direita 6  12 majr f ' x  52 cos 2  Etr  f . 6   53 majr    cos 2 x  2 x sen 2 x   3 24 24 2x 2 x1. 2  pelo que podemos tentar a segunda variante da análise do erro apresentada atrás. 2 2 x x1. Etr  f .5. 24 2 Francisco Miranda 79 . b  f ' c  x  b dx   f ' c b  a  . vindo Etr  f .

a.b] e  x  a x  bdx   12 b  a  . 1. Etr  f . mas  ab  x  a  x  x  b dx  0.8 Determinemos um majorante para o módulo do erro de integração das aproximações de  2  sen2 x dx. 2 resulta que x  x0 x  x1 x  x2 x  x3   x  a  x  a  b  x  b 2  2  é uma função com sinal único (negativo) no intervalo [a. Francisco Miranda 80 .6  6  1 3 majr f ' ' x  x1. Exemplo 5.b]. 1 3 12 Assim.Regra do trapézio Para a regra do trapézio (x – a)(x – b) não muda de sinal em [a. b   f ' ' c b  a  .b]. 12 12 2 Regra de Simpson Para a regra de Simpson (x – a)(x – (a + b)/2)(x – b) muda de sinal em [a. tal como a do ponto médio. Então.6  53 1  cos 2  2sen2  7. b a 2  Fazendo ab x3  x1  . 6 1 obtida pela regra do trapézio. a regra do trapézio é de grau um. b 1 3 a Resulta que Etr  f .3045. efectuando os cálculos necessários.

Etr  f . dependendo da exactidão com que são calculados os valores f xi  da função integranda e completamente independente do erro de truncatura já estudado. que pode ser avaliado usando a fórmula fundamental da propagação dos erros. b   f 4  c b  a  . b   Ai x  f xi . 1. i 0 Francisco Miranda 81 . b a Este erro é inerente à fórmula usada. ao calcular a aproximação do integral definido. vindo n E arr  f .4. b . Sendo f xi  o majorante do erro de arredondamento de cada aproximação f xi  . vamos introduzir um erro de arredondamento. três. a.6  6  1 5 majr f 4  x   55 1 9 cos 2  22sen2  3. 2880 x1. portanto. ab 2  a x  a  x  2  x  bdx   120 b  a  b 1 5 E. por uma fórmula de Newton-Cotes n f x dx  A0 f x0   A1 f x1     An f xn    Ai f xi .9 Determinemos um majorante para o módulo do erro de integração das aproximações de  2  sen2 x dx. a. 6  2880 8 5. Exemplo 5. Erros de arredondamento Vamos agora estudar o problema do erro de arredondamento introduzido ao calcular o valor aproximado dum integral definido. 6 1 obtida pela regra de Simpson. b a i 0 em que Ai   li x dx. 1 5 2880 O grau de exactidão da regra de Simpson é.2213. por conseguinte. Etr  f . Earr  f . a. uma unidade acima do grau do polinómio usado na sua construção.

a. i 0 No caso das fórmulas em que os coeficientes são todos positivos. pouco utilizadas na prática. b  f  Ai x   f   li x dx  f    li x dx. temos n n b n  E arr  f . deve-se aplicar a relação geral n E arr  f . b a ou seja. isto é. a.No caso frequente de todos os valores da função integranda estarem avaliados com a mesma exactidão. b  f  Ai x . 6 1 obtidas através das regras estudadas. a. Determinemos o valor absoluto do erro total cometido na aproximação obtida pelo Francisco Miranda 82 . o erro de arredondamento é majorado pelo produto da amplitude do intervalo de integração pelo majorante do erro de arredondamento dos valores da função integranda. a. b  f  1dx  b  a f .6  6  1f  5  0. b  f  Ai x  i 0 devido á existência de coeficientes negativos nestas regras.5  10 14  2. trabalhando com 14 casas decimais. i = 0. o que se verifica até à regra com 7 subintervalos (n = 7). i 0 i Exemplo 5.n. b i 0 i 0 a a  i 0  e atendendo a que n  l x   1.…. i 0 i vem Earr  f . Earr  f . 1.5  10 14. Para regras com uma partição do intervalo de integração com mais de 7 subintervalos. vem n E arr  f .10 Determinemos um majorante para o erro de arredondamento das aproximações de  2  sen2 x dx.1. f xi   f . vindo n  A x   1.

uma redução do comprimento do intervalo tenderá a reduzir o erro de truncatura. têm coeficientes positivos e negativos. com i = 1. a N  b . cujo princípio passamos a expor. A utilização de fórmulas deduzidas aproximando a função integranda por polinómios interpoladores de grau superior pode não produzir melhores resultados. verificamos que em todas elas este depende de uma certa potência do comprimento b – a do intervalo de integração [a. 1. Então.…. Neste caso a fórmula resultante é óbvia. b   hf ai 1   h f ai 1 . considerando que se utilizou 14 casas decimais nos arredondamentos.  As regras de Newton-Cotes. e aplicar em cada um destes subintervalos uma das regras de integração deduzidas atrás. partir da propriedade do integral N f x dx    f x dx b ai a i 1 ai 1 e calcular cada um dos N integrais do segundo membro por integração numérica. vindo N N I  p0 . a precisão desejada. A exploração desta ideia conduz às regras compostas que consistem basicamente em subdividir o intervalo [a. Vejamos alguns dos casos mais utilizados. a partir de n = 8.b]. supondo que os subintervalos são todos de igual amplitude h = (b – a)/N. originando erros de truncatura apreciáveis. O caso de malhas não-uniformes não oferece dificuldade de maior. muitas vezes. ai  .2214. i 1 i 1 Francisco Miranda 83 .6  3.6  Earr  f . Regras compostas Aproximações obtidas pelas regras de Newton-Cotes introduzidas atrás não têm.  Para efectuar uma majoração do erro de truncatura há necessidade de calcular e majorar módulos de derivadas de ordem elevada. Etot  f .b] em N subintervalos ai 1 . Observando as expressões do erro de truncatura das várias fórmulas.método de Simpson. isto por várias razões:  Os polinómios de grau elevado podem tornar-se fortemente oscilantes. o que provoca aumentos nos erros de arredondamento do resultado das fórmulas. a. a0  a .6  Etr  f . 5. reside no emprego das chamadas regras compostas.5. 1.N. Regras do rectângulo compostas Consideremos a regra do rectângulo à esquerda composta. Uma alternativa às fórmulas de alto grau de exactidão. 1. ou seja.

para N = 10 (10 subintervalos).11 Suponhamos que pretendemos calcular um valor aproximado para  2  sen2 x dx. pelo que temos N h2 N Etr  f .00000000000000 0.00000000000000 1.69712387008451 8.53838366345688 10.79102944110931 -0. 2 i 1 2 2 com c  ]a.O erro de truncatura cometido é a soma dos erros de truncatura cometidos em cada subintervalo. Exemplo 5.50000000000000 8. 6 1 utilizando a regra do rectângulo à esquerda composta.71428571428571 8.00000000000000 2.17234171171886 -0.67802461236571 3.60755023344658 9.6]) erro 1.[1.55555555555556 8. b e invocando o teorema do valor médio para somatórios de valores duma função.b[.72186287111961 -0.88701211457119 -1.66666666666667 9.00000000000000 5.00000000000000 1.48336032410845 Graficamente. Mas.00000000000000 0.86150382002844 -2.88060307774724 -0.66683953177118 -0.25000000000000 9. i i 1 2 i 1 onde ci  ai 1 .25095987698473 5. b   Etr  f .81771593175417 7.00000000000000 0.00119513941690 -0.43443908464745 -1.70353290690846 4. ai 1 .50000000000000 10.36300792646568 2.54648713412841 -6. b   f ' ci   Nf ' c   f ' c h. ai  .00000000000000 0.00000000000000 0. podemos escrever que h2 N h2 ba Etr  f . a. a. temos Francisco Miranda 84 .62500000000000 8. admitindo que f  C 1 a.00000000000000 14. Obtemos Regra do rectângulo à esquerda composta N h I(p0.00000000000000 1.83333333333333 9.98886250405613 6.00000000000000 9. ai    f ' c .

a. 6 1 utilizando a regra do rectângulo à direita composta.85. as quais são N N I  p0 . a.5 majr   cos 2 x  0. b   f ' c h.6 Um majorante para o valor absoluto do erro de truncatura. considerando 10 subintervalos. i 1 i 1 ba Etr  f .6 x   f 3. 1. 2 com c  ]a. 1. leva-nos a obter as expressões equivalentes para a regra do rectângulo à direita composta.12 Suponhamos que pretendemos calcular um valor aproximado para  2  sen2 x dx. Exemplo 5. Obtemos Francisco Miranda 85 . 6  Um raciocínio totalmente semelhante.b[.5   f x   2  sen 2 x I  p0 .1 x   f 1 p0. 2 x x1.6  5  0. b   hf ai   h f ai . p0. é Etr  f .

75890062357464 7.51269404009566 10.08678780215553 3.66666666666667 6.09669140550720 2.[1.00000000000000 1. Francisco Miranda 86 .00000000000000 0.90307736233844 6. Regra do rectângulo à direita composta N h I(p0.55555555555556 7. para N = 10 (10 subintervalos). então estas regras de integração produzem um erro que tende para zero com h. 6  Pelas expressões dos erros de truncatura.25000000000000 7.6  5  0.00000000000000 5.71428571428571 7.67078516756707 0. podemos concluir que.50000000000000 7.5 majr cos 2 x    0.65426174876875 8.6 x   f 4   f x   2  sen 2 x I  p0 .00000000000000 1.00000000000000 2. temos p0.6 Um majorante para o valor absoluto do erro de truncatura.00000000000000 0.57491218305003 9.52921745889397 0. b .83333333333333 7.00000000000000 0.00000000000000 1. 2 x x1.50000000000000 6. 1.72086959857389 0.00000000000000 0.06951425165424 1.44970020374917 4.13165415404200 2.46260960908884 Graficamente.28040184532429 0.1 x   f 1.11396495600849 5. 1.73377900391356 1.00000000000000 5.00000000000000 0.00000000000000 7. é Etr  f .05182505362073 3.62500000000000 7.5 p0.6]) erro 1.85.60856702461270 0. se f  C 1 a.42457858408808 0. considerando 10 subintervalos.

a. b  f ' ' c h 2 .11537816426261 0.13 Suponhamos que pretendemos calcular um valor aproximado para  2  sen2 x dx.00737434926648 0.71428571428571 8. Exemplo 5.Regra do ponto médio composta A regra do ponto médio composta também não oferece dificuldade.16842863970697 0.[1. 6 1 utilizando a regra do ponto médio composta.16133735182349 0.00000000000000 7.25000000000000 8. temos Francisco Miranda 87 .00695870173426 2.00000000000000 0.00000000000000 0.00000000000000 1.17698490141748 0.17652050592846 1.17257234083612 0.50000000000000 8.66666666666667 8.17520579866462 0.01505056795576 7.00523524529463 Graficamente.02214185583924 6.83333333333333 8.00000000000000 0.00649430624524 10.00000000000000 0.00000000000000 0.00000000000000 8.50000000000000 8. Obtemos Regra do ponto médio composta N h I(p0.01090686682660 8. para N = 10 (10 subintervalos).55555555555556 8.b[. i 1  2 ba Etr  f .00000000000000 1.00827340899811 9. 24 com c  ]a.6]) erro 1. a. N  h I  p0 .17824396236809 0.03585941009157 5.00000000000000 2.06810104340012 4.17610485839625 3.00000000000000 1.62500000000000 8. b  h f  ai 1  .00000000000000 5.14761979757116 0. pelo que nos limitamos a apresentar as fórmulas finais.

Francisco Miranda 88 . 6  5  0. N N 1 I  p1 .0366.5 1 2   cos 2  2sen2  0. considerando 10 subintervalos.1 x   f 1. a.5 2 majr    cos 2 x  2 x sen 2 x   3 24 2x 2 x1. 1. 1. daqui resultando uma importante economia computacional. b   h i 1 2 2 i 1 2  A circunstância de esta regra utilizar valores de integranda nos extremos dos subintervalos faz com que o valor à direita dum subintervalo coincida com o valor à esquerda do subintervalo seguinte.75 I  p0 . p0.25 p0. 24 2 A convergência desta regra é quadrática em h para funções f  C 2 a.6 x   f 3. b .6   f x   2  sen 2 x Um majorante para o valor absoluto do erro de truncatura. é Etr  f . Regra do trapézio composta Neste caso temos que  f ai 1   f ai   h 1 f a    f ai   1 f b.6  5  0.

66666666666667 8.00000000000000 5.01284481168061 10.00000000000000 0.19979823286100 -0.[1.83333333333333 8.00000000000000 1. Obtemos Regra do trapézio composta N h I(p1.00000000000000 0.20491026832061 -0. a.25000000000000 8.21288686175249 -0. temos Francisco Miranda 89 .63315826047924 2.00000000000000 0.50000000000000 8.31039555924237 -0.22637177852158 -0.14 Suponhamos que pretendemos calcular um valor aproximado para  2  sen2 x dx.71428571428571 8.02940765408976 7.00000000000000 9.O erro de truncatura vem agora dado por ba Etr  f .b[.19632401934334 -0.04289257085885 6.25197666815085 -0.81663746814197 -1.19385456517253 -0. Exemplo 5.00000000000000 1. 12 com c  ]a. para N = 10 (10 subintervalos).49657898703522 -0.02143106065788 8.00000000000000 0.31309977937249 3.01037535750980 Graficamente. b   f ' ' c h 2 .06849746048812 5.62500000000000 8.00000000000000 1. 6 1 utilizando a regra do trapézio composta.50000000000000 8.55555555555556 8.12691635157965 4.6]) erro 1.00000000000000 2.00000000000000 0.01631902519827 9.00000000000000 8.

5 x   I  p1 . 12 2 Regra de Simpson composta Obtemos as seguintes expressões h N 1 N  h  I  p 2 . a. 6 i 1 i 1  2  b  a 4  Etr  f . Agora. é Etr  f .3 x  p1. 6  5  0. 1. p1. 4 x  p1.0731.6  5  0. uma convergência bastante rápida. b . considerando 10 subintervalos.5 2 1   cos 2  2sen2  0.6   f x   2  sen 2 x Um majorante para o valor absoluto do erro de truncatura. a. b   f c h 4 . b   f a   f b   2 f a i   4 f  ai 1  . 2 x  p1. 2880 com c  ]a. Francisco Miranda 90 . portanto.5 2 majr    cos 2 x  2 x sen 2 x   3 12 2x 2 x1.1 x  p1. 1. o erro de truncatura tende para zero com h 4 . se a função f  C 4 a.b[.

00012755766511 8.6]) erro 1.01303664580667 3. 6 1 utilizando a regra de Simpson composta.00023116060725 7. 4 x  p1.71428571428571 8.18038396258920 0.66666666666667 8.00000000000000 1.00000000000000 0.00107378656501 5. para N = 10 (10 subintervalos).25000000000000 8. 1. Obtemos Regra de Simpson composta N h I(p2.6   f x   2  sen 2 x Francisco Miranda 91 .00000000000000 2.18343127405944 0.5 x   I  p2 .[1.05655949333297 0.18335164999762 0.83333333333333 8.00007593093265 9.18301549405618 0.50000000000000 8.17044256185606 0.00000000000000 0.00309524507353 4.00000000000000 1.15 Suponhamos que pretendemos calcular um valor aproximado para  2  sen2 x dx.50000000000000 8.00000000000000 1.00004793360329 10.00000000000000 5. temos p1.55555555555556 8.00000000000000 8.18240542109772 0.3 x  p1. 2 x  p1.12691971432976 2.00000000000000 0.18324804705547 0.1 x  p1.00003171102649 Graficamente.00000000000000 0.Exemplo 5.00000000000000 8.18344749663624 0.00000000000000 0.18340327673008 0.62500000000000 8.00046371360655 6.

decorre de podermos escolher previamente a partição do intervalo de integração (valor N). considerando 10 subintervalos. a. 1. estão todos calculados com arredondamento simétrico à mesma ordem decimal f xi   f (i =0.001 Portanto. No limite.6  9 cos 2  22sen2  3. temos Etr  f . 6 1 utilizando a regra de Simpson composta. 2880  0. 2880 8 Observando a expressão do erro de truncatura de qualquer das regras compostas. 1. o majorante do módulo do erro de truncatura diminui e o erro de arredondamento mantém-se constante. b    f  b  a f .001. b  0. podemos majorar o erro de arredondamento por N ba E arr  f . Erro de arredondamento Supondo que os valores da função. Determinemos uma partição do intervalo de integração de modo a garantir que o módulo do erro de truncatura não exceda 0. de modo a que o módulo do erro de truncatura não exceda um dado número positivo. quando N  .5 4 1 Etr  f . Etr  f . a.16 Suponhamos que pretendemos calcular um valor aproximado para  2  sen2 x dx. ficando o erro total reduzido ao erro de arredondamento.…. i 1  N  resultado idêntico ao achado para as regras simples. Francisco Miranda 92 . Aumentando o número de pontos da partição.2213  10 4.6   N 5 5 4 1 9 cos 2  22sen2  0.5336. mostrando a independência do majorante em relação à partição escolhida. f xi  . de coeficientes positivos. Exemplo 5. vemos que uma aplicação extrema interessante destas regras.N) e n ≤ 7.001 2880 8 1 9 cos 2  22sen2  55 8  N4   N  7.Um majorante para o valor absoluto do erro de truncatura. fazemos N = 8. é 5  0.

vem 3 hi S i x dx   yi 1  yi   hi M i 1  M i . No entanto. 5.17 Suponhamos que pretendemos calcular um valor aproximado para  2  sen2 x dx.25000000000000 8. obtemos um valor aproximado de I(f. Tomemos. consiste em recorrer a splines em vez de polinómios de classe C  a.[a. 6 1 utilizando um spline cúbico natural. os splines de ordem superior dão origem a regras diferentes.b]). a.63315826047924 2. permite obter as várias fórmulas do rectângulo.01691484090420 3. varia a ordem da derivada na expressão do erro de truncatura.81663746814197 -1. b i 1  2 24  a Interpolando a função f por um spline e aplicando a expressão acima.[a. O erro de arredondamento pode ser controlado.[a. calculando os valores da função com um elevado número de algarismos significativos.[1. Integrando em xi 1 . xi  .01359067367775 Francisco Miranda 93 .16656436675853 0. De facto.02370783931032 4. e o spline de grau um reproduz a regra do trapézio composta.15977136835241 0. xi  .00000000000000 9.00000000000000 1. Integração com splines Um processo de obter fórmulas de integração com aspecto semelhante ao das fórmulas compostas. 6hi 6hi  6  hi  6  hi para x  xi 1 . a utilização do spline de grau zero. Exemplo 5. Obtemos Regra do Spline cúbico natural n h I(S. chegamos à expressão  hi n 3  I S . b   S x dx     yi 1  yi   hi M i 1  M i . b . fazendo I(f.b]). xi  xi 1 2 24 Somando as contribuições de cada subintervalo xi 1 . consoante a posição escolhida para os pontos de interpolação.00000000000000 2.66666666666667 8.00000000000000 5. o spline cúbico xi  x 3 x  xi 1 3  h x x  2 h  x  xi 1 2 S i x   M i 1  Mi   yi 1  M i 1 i  i   yi  M i i  .16988853398498 0. xi  .b])  I(S.00000000000000 1.6.Note-se que esta conclusão não pode ser tirada com as fórmulas simples pois.50000000000000 8. quando n aumenta. para exemplificar.6]) erro 1.

18 Suponhamos que pretendemos calcular um valor aproximado para  2  sen2 x dx. para n = 10 (10 subintervalos). 1.00000000000000 0.62500000000000 8.00000000000000 5.00839428633868 6. 6 1 utilizando um spline cúbico completo.66666666666667 8.00138210076559 Graficamente.00000000000000 8.83333333333333 8.50000000000000 8.00253889693754 9. com y0  cos2 e y n  cos 2 6   6 .00000000000000 8.00000000000000 2.18163285315493 0.19653425361445 -0.00000000000000 1.00536251307302 7.00000000000000 1.00000000000000 0.00361589035914 8.17986331730359 0.00000000000000 0.60840650982796 2.6   f x   2  sen 2 x Exemplo 5.[1.01305504595173 Francisco Miranda 94 .71428571428571 8.00184635450780 10.24039104937239 -0.00000000000000 0.50000000000000 8. Obtemos Regra do Spline cúbico completo n h I(S. temos S1 x  S 2 x  S3  x  S 4 x  S5 x   I S .6]) erro 1.17811669458971 0.18094031072519 0.17508492132405 0.18209710689714 0.79188571749069 -0. 5.00000000000000 0.05691184170967 3.55555555555556 8.

18360704766602 -0.25000000000000 8. a.00000000000000 0.00000000000000 0. trapézio 2 12 Francisco Miranda 95 .00012784000329 Graficamente.18442153534551 -0.18792968373514 -0. a.00000000000000 0.00094232768278 7. a. b  L1 b  a  1 2 Earr  f .00000000000000 1. temos S1 x  S 2 x  S3  x  S 4 x  S5 x   I S . 4.55555555555556 8.00019355549973 10.50000000000000 8.83333333333333 8. a.18399696728691 -0.00000000000000 0. b  b  a  f a  Etr  f . b  L1 b  a  1 Simples 2 rectângulo à módulo do erro 2 de direita arredondamento ab I  f .00000000000000 1.18378648675708 -0. a.00000000000000 0.00030727909435 9. b  b  a f . a.00445047607241 5. para n = 10 (10 subintervalos).18538170849552 -0.00000000000000 8. b  1 L2 b  a  3 f  xi  .00051775962418 8. 1. rectângulo à esquerda 2 sendo f o Regra do majorante do I  f . a. a. a. b  ba  f a   f b Etr  f .6   f x   2  sen 2 x Quadro resumo Método Fórmula Erro de tuncatura(1) Erro total numérico Regra do I  f .18367276316246 -0.00190250083280 6. b  Regra do ponto 1 L2 b  a   3 de cada médio  2  24 aproximação Regra do I  f .71428571428571 8. b  b  a  f b Etr  f .62500000000000 8. b  b  a  f  Etr  f .

b   hf ai 1   h f ai 1  L1 h i 1 i 1 2 esquerda Regra do N N ba rectângulo à I  p 0 . xa . mas podemos procurar um limite superior para o módulo do erro de truncatura. [a. b  L2 h 2 médio i 1  2 24 1  ba Etr  f .  Cv' t   f v   i  V i.  Li' t   E  Ri  v  I i. a. b  N N rectângulo à I  p0 . a. a.1 O seguinte sistema é composto de duas equações diferenciais. como por exemplo. b  L1 h i 1 i 1 2 Composta direita N  h ba Regra do ponto I  p0 . fluxo de calor. biologia. v   . chamam-se equações diferenciais. reacções químicas e nucleares. b  Regra de 6 i 1 i 1  2  L4 h 4 Simpson 2880 I S .1. b  h  f a    f ai   f b  1 L2 h 2 trapézio 2 i 1 2  12 h N 1 N  h  I  p2 . a. Definição 6. a. a. v  Definição 6. Introdução Equações diferenciais aparecem com grande frequência em modelos que descrevem quantitativamente fenómenos em diversas áreas. b]  f a   4 f    f b  5 Simpson 6   2   2880 Regra do ba Etr  f . b  N 1 Regra do I  p1 . a. a. b  h f  ai 1   Etr  f . mecânica de fluidos. Integração Numérica de Equações Diferenciais 6. b  L4 b  a  1 I  f . Exemplo 6. vibrações. b   S x dx b Diferenciação a com splines nh h 3  cúbicos    i  y i 1  y i   i M i 1  M i  2 i 1  24  (1) Não é possível calcular o erro de truncatura. a. economia.1 Equações envolvendo derivadas de funções. Regra de ba a b  Etr  f . b   f a   f b  2  f ai   4 f  ai  1    ba Etr  f . etc. a. a.b  6. a. b   hf a i   h f a i  Etr  f . onde Lk  majr f k  x  .2 Se uma equação diferencial tem apenas uma variável independente Francisco Miranda 96 .

Exemplo 6.y).3 Se uma equação diferencial envolve mais que uma variável independente  y y n y  f  x1  xn . como solução.2 São exemplos de equações diferenciais ordinárias: y '  y  x. b) y’’’ = 0 é satisfeita para yx   p2 x . então ela chama-se equação diferencial ordinária.   f x. k  IR. k1   0. ..   y ' ' 1  y 2 y ' y  0. Isto ilustra um facto bem geral: uma equação diferencial possui uma família de soluções e não apenas uma. Definição 6. Francisco Miranda 97 . onde p 2 x  é qualquer polinómio de grau 2. Os gráficos seguintes mostram-nos uma família de soluções de y’ = y e de y’ = . a) y’ = y tem yx   kex . então chama-se equação diferencial parcial. Exemplo 6.3 É exemplo de uma equação diferencial parcial: 2 z 2 z   0. y' x  y n  x   0. Serão este tipo de equações diferenciais que iremos estudar.   x1 xn x1  xn n k  Onde k1   k n  n . Assim. . x 2 y 2 com z  z(x.y. . yx . yx1  xn . y'  x 2  y 2 . Uma solução de uma equação diferencial ordinária é uma função da variável independente que satisfaça a equação.

5 Uma equação diferencial ordinária é dita linear se a função e suas derivadas aparecem linearmente na equação. ao passo que a do exemplo b) é de 3ª ordem. Francisco Miranda 98 . Definição 6. y n   g1 x y n1   g n y  r x . y'  y  yx   kex y'   y  yx   ke x A equação do exemplo a) é de primeira ordem.4 Uma equação diferencial ordinária diz-se de ordem n se a n-ésima derivada da variável dependente em relação à variável independente é a derivada de maior ordem na equação. temos Definição 6. Assim.

5 A equação   x 2 y' ' ' xy ' x 2  1 y  0 é linear homogénea e y' '4 y  e x senx  é linear não homogénea. em particular. uma equação de ordem n requer n condições adicionais a fim de ter uma única solução. Os métodos analíticos de resolução de equações diferenciais. isto é. Problema de valor inicial (PVI) Francisco Miranda 99 . métodos que visem a obtenção da expressão analítica da função solução. Definição 6. nas equações diferenciais não lineares.Exemplo 6. xy '  x  y é linear e   y' ' 1  y 2 y' y  0 é não linear. Já que. uma equação diferencial não possui solução única. Exemplo 6. Deste modo. iremos abordar alguns métodos numéricos de resolução de equações diferenciais ordinárias. Em geral. como ilustram os exemplos a) e b).4 Assim.  Condições fronteira: devem ser satisfeitas para mais do que um valor da variável independente. variam muito de acordo com as características da equação. Estas condições podem ser de dois tipos:  Condições iniciais: devem ser satisfeitas para um mesmo valor da variável independente. em muitas situações ainda não se conhecem métodos de resolução. distinguimos dois tipos de problemas: 1. temos de impor condições suplementares. vemos que para individualizar uma solução. De facto. Desta forma.6 Uma equação diferencial ordinária linear é homogénea se r(x) = 0.

y) e f/y são contínuas numa região R do plano que contém o ponto x0 .. analiticamente. A razão mais forte de introduzirmos métodos numéricos para aproximar soluções de PVI é a dificuldade de se encontrar.…. o cálculo das derivadas totais envolvidas é extremamente complicado. 2. mas não sabemos qual é a expressão analítica desta. estamos a utilizar um passo variável. xi 1  xi  h  x0  i  1h . y x  .2. para nós serão igualmente espaçados. No caso de y i ser obtido a partir de mais de uma aproximação anterior. i =1. o método diz-se de passo múltiplo. que.1 Se f(x. neste caso dizemos que se utiliza passo constante ou uniforme. y0  y0 . do ponto de vista computacional. utilizando informações anteriores. Métodos de Runge-Kutta Os métodos que usam o desenvolvimento em série de Taylor de y(x) teoricamente fornecem solução para qualquer equação diferencial. x0  h .y) e a condição inicial yx0   y0 .7 y x   Dy x   Ey x   hx . a teoria nos garante existência e unicidade de solução.y). yi 2 . as soluções da equação. y 0  v0 . yi r . Desta forma existem os Francisco Miranda 100 . Problemas de valor inicial Os métodos que estudaremos baseiam-se em: dado o PVI y ' x   f x. yi 1 . yL   y L . 0  x  L . Se xi 1  xi  hi . que satisfaz a equação diferencial y’ = f(x.2. y x0   y0 construímos x1 . Teorema 6. embora não necessariamente. e calculamos as aproximações yi  yxi  nestes pontos. os métodos de série de Taylor de ordem mais elevada são considerados inaceitáveis pois. h  IR  . Em muitos casos. com hi  hi  . então existe uma só função y = y(x) definida em x0  h. Problema de valor fronteira (PVF) Exemplo 6. y0  y0 . Quando para calcular y i usamos apenas y i 1 o método numérico diz-se de passo simples. (r  2). Ao valor h chamamos passo e.6 Ay x   By x   Cyx   g x  . Exemplo 6. No entanto. ou seja. x2 . y0  . a menos de uma classe restrita de funções f(x. 6.

métodos de Runge-Kutta que aproveitam as qualidades dos métodos de série de
Taylor, mas eliminam o seu maior defeito que é o cálculo de derivadas de f(x,y).

Podemos dizer que os métodos de Runge-Kutta de ordem p se caracterizam pelas três
propriedades:

 São de passo simples;

 Não exigem o cálculo de qualquer derivada de f(x,y). Pagam, por isso, o preço de
calcular f(x,y) em vários pontos;

 Após expandir f(x,y) por Taylor para função de duas variáveis em torno de xn , y n 
e agrupar os termos semelhantes, sua expressão coincide com a do método de série
de Taylor de mesma ordem.

Método de Runge- Kutta de 1ª ordem - método de Euler

Um método numérico que podemos aplicar à solução aproximada de um PVI

y ' x   f x, y x 
,
y x0   y0

é o método de Euler, o qual consiste em: como conhecemos x 0 e y0  yx0  , então
sabemos calcular y x0   f x0 , y0  . Assim, a recta que passa por x0 , y0  com
coeficiente angular y x0  , r(x), é conhecida:

r x   yx0   x  x0  y ' x0 
 r x   y0  x  x0  f x0 , y0 

Escolhido h > 0, sejam xk 1  xk  h  x0  k  1h , k = 0,1,2,…. Então, fazemos

yx1   y1  r x1   y0  hf x0 , y0 .

O raciocínio é repetido em x1 , y1  e obtemos y 2  y1  hf x1 , y1  e assim
sucessivamente. Deste modo, o método de Euler estabelece-se através da forma
recursiva

y k 1  y k  hf xk , y k , k  0,1,2

Exemplo 3.8

Seja xy’ = x – y e y(2) = 2. Determinemos valores aproximados de y(2.1) para alguns
valores de h, utilizando o método de Euler.

Francisco Miranda 101

Método de Euler

h y_(2.1) erro

0.10000000000000 2.00000000000000 0.00238095238095

0.01000000000000 2.00215311004785 0.00022784233311

0.00100000000000 2.00235826584088 0.00002268654008

0.00010000000000 2.00237868469928 0.00000226768167

0.00001000000000 2.00238072562253 0.00000022675842

Graficamente, para h = 0.00001, temos

x2  4
yx  
2x

 2.002381
r x   1.906126  0.046515x

2.1

Erro de truncatura

Ao calcular y n como aproximação de yxn  , na sequência do processo iterativo do
método de Euler, cometemos um erro de truncatura

En  yxn   yn ,

chamado erro de truncatura global da aproximação y n .
Admitindo a hipótese de y  C 2 a, b , com x0 , x1 ,  a, b, xn1  xn  h , e
lembrando que y xn   f xn , yxn  , temos

h2
yxn 1   yxn   hf xn , yxn   y ' ' cn ,
2

Francisco Miranda 102

com c n entre x n e x n 1 .
O termo

h2
Tn  y ' ' cn 
2

é chamado o erro de truncatura local e sendo y’’(x) contínua num intervalo fechado
[a,b] é limitada nesse intervalo, isto é, existe M > 0 tal que

y' ' x   M , x  a, b,

donde
M 2
Tn  h  Ch 2 ,
2

sendo a constante real C = M2 independente do passo h, o que permite concluir que o
erro de truncatura local, Tn , é de ordem 2 e escrever Tn  Oh 2  .
O erro de truncatura global surge como um acumulado dos erros de truncatura locais,
propagados de iteração em iteração.

Teorema 6.2

Seja y n a solução aproximada de

y ' x   f x, y x 
y x0   y0

obtida pelo método de Euler. Se a solução exacta y(x) do problema anterior possui uma
derivada de segunda ordem contínua no intervalo [a,b], e se nesse intervalo as
desigualdades

f yx, y   L,

y' ' x   M ,

forem satisfeitas para constantes positivas L e M, o erro En  yxn   y n do método de
Euler, num ponto xn  x0  nh , é majorado da seguinte maneira:

En 
2L
e 
hM L  xn x0 
1 . 

Este resultado permite retirar duas conclusões importantes:

Francisco Miranda 103

Sendo E arr o erro de arredondamento associado ao erro de truncatura global E n e Etotal  En  Earr o erro total da aproximação. Majorante para o erro de truncatura local: Tn  1 0. Determinemos majorantes para os erros de truncatura local e global cometidos no cálculo do valor aproximado de y(2. ficando demonstrada a convergência h0 h0 h0 do método de Euler. mostrando assim que o erro de truncatura global do método é O(h).563555 107. os quais se propagam e acumulam. 2   Erros de arredondamento No estudo anterior não se teve em conta os erros de arredondamento. lim En  lim yxn   yn  0  lim yn  yxn .00001  12 2.  En  Ch. Seguindo um raciocínio perfeitamente análogo ao acabado de efectuar.    então o erro de truncatura global é O h p . se o erro de truncatura local é O h p 1 . teremos lim Etotal  lim En  Earr  0. 4 Majorante para o erro de truncatura global: 0. utilizando o método de Euler. Exemplo 6. com C 2L e M L  xn x0   1  0 e independentemente de h. aumentando quando h diminui por aumentarem o número de passos.00001.1) para h = 0. num método de passo simples.9 Seja xy’ = x – y e y(2) = 2.12   En  e  1  2. h0 h0 mostrando que não tem interesse a diminuição indefinida do passo. inevitáveis pela precisão finita de cada iteração.000012  2. Métodos de Runge-Kutta de 2ª ordem Os métodos de Runge-Kutta de 2ª ordem são definidos da seguinte forma: Francisco Miranda 104 . poderíamos  concluir que.5 1011.

yk .01000000000000 2.00010000000000 2.00238095238095 0. não linear. mas sim uma família de métodos dependendo do valor da incógnita (incógnita arbitrária) fixado previamente.1. yk 1  yk  h A1 K1  A2 K 2 . yk  hf xk . k  0.00100000000000 2. y k . de três equações e quatro incógnitas. onde temos quatro constantes a determinar. Método de Euler aperfeiçoado h y_(2. Determinemos valores aproximados de y(2. a1  b11  1 O método de Euler aperfeiçoado fica assim definido por y k 1  y k  h  f xk .10000000000000 2.1) para alguns valores de h. utilizando o método de Euler aperfeiçoado.00000000000000 0.  2  1  A2b11  2 que é um sistema.00000000000000 Francisco Miranda 105 . 2 Exemplo 6.1) erro 0.00238095238095 0. K1  f xk . yk  b11K1h .00238095238095 0.10 Seja xy’ = x – y e y(2) = 2. o sistema é possível e indeterminado.00000000000000 0. Método de Runge-Kutta de 2ª ordem – método de Euler aperfeiçoado Para este método fixamos A2  1 2 . K 2  f xk  a1h. k  0. Assim.1. yk   f xk  h. Para haver concordância com o método de série de Taylor até aos termos em h 2 é preciso que   A1  A2  1   1  A2 a1  . donde se conclui que não há apenas uma versão do método de Runge-Kutta de 2ª ordem.00238095238095 0 0. vindo  1  A1  A2   2.

yk  h b js K s . 0.002381 r x  2. i 1 K1  f  xk . m  1.  j  K j 1  f  xk  a j h.00001. temos x2  4 yx   2x  2.   s 1  Vejamos por último.1 Qualquer método de Runge-Kutta de 2ª ordem tem um erro de truncatura local O h 3 . o caso particular dos métodos de Runge-Kutta de 4ª ordem. para h = 0. .00001000000000 2.00000000000001 Graficamente. j  1. yk . Métodos de Runge-Kutta de 4ª ordem Os métodos de Runge-Kutta de 4ª ordem são definidos da seguinte forma: Francisco Miranda 106 .00238095238096 -0. Métodos de Runge-Kutta de ordem m Os métodos de Runge-Kutta de ordem m são definidos da seguinte forma: m yk 1  yk  h Ai K i . O     erro de truncatura global será O h 2 .

yk  1 2 K 2 h . y k  b21K 1 h  b22 K 2 h . A versão clássica. K1  f  xk . Método de Runge-Kutta de 4ª ordem h y_(2.10000000000000 2.00238095238095 0. y k .01000000000000 2. K 4  f  x k  a3 h. yk . K 2  f  x k  a1 h. utilizando o método de Runge-Kutta de 4ª ordem. k  0. que se apresenta em seguida.00000000000000 0.1. temos Francisco Miranda 107 .00238095238096 -0. y k 1  y k  h A1 K 1  A2 K 2  A3 K 3  A4 K 4 . Determinemos valores aproximados de y(2.11 Seja xy’ = x – y e y(2) = 2.00001. K 3  f  xk  h 2 .00010000000000 2. é a mais popular dos métodos de Runge-Kutta. yk  K 3 h . Exemplo 6. para h = 0.00100000000000 2. y k  b11K1 h .00000000000000 0.1) erro 0. yk 1  yk  h 6 K1  2 K 2  2 K 3  K 4 .00238095238095 0.1) para alguns valores de h. pelo que há necessidade de fixar arbitrariamente três incógnitas para determinar univocamente as restantes dez. yk  1 2 K1h .00001000000000 2. K 1  f  x k .00238095238095 0.00000000000001 Graficamente.00238095238095 0 0. havendo disponíveis apenas dez equações. y k  b31K 1 h  b32 K 2 h  b33 K 3 h  Há necessidade de calcular treze constantes. K 3  f  x k  a 2 h. K 4  f xk  h.00000000000000 0. K 2  f xk  h 2 .

y' x  y n1 x  .12 y ' '4 y '3 y  x  0 y 0  4 9 . Equações de ordem superior (sistemas de equações diferenciais de 1ªordem) Em vários problemas de valor inicial. ou seja. y ' 0  7 3 Francisco Miranda 108 . yx . em que o modelo é descrito por uma equação diferencial mas de ordem superior a um. x2  4 yx   2x  2. com condições iniciais: y  x0   y0 y '  x0   y '0 .  y n 1  x0   y 0n 1 Exemplo 6.1 Qualquer método de Runge-Kutta de 4ª ordem tem um erro de truncatura local O h 5 .     O erro de truncatura global é O h 4 .002381 r x  2. o modelo matemático pode ser descrito por mais do que uma equação diferencial. Outros casos há porém. é comum encontrarmos equações diferenciais de ordem n escritas na forma:   y n  x   f x.

yn 1  x0   y0n 1 yn  x0   y0n Francisco Miranda 109 . y2 . podemos então. . fazemos  y'  z  . z1 . y2 . y1 . . . y1 .  z n x0   y n 1  x0   y 0n 1 Exemplo 6.  z '  y n 1  z  n 1 n  z 'n  y  f x. yn     . y2 . yn   y 'n  f n x. z 2 .  y 'n 1  f n 1 x. z n   n  com condições iniciais: z1  x0   y x0   y0 z 2  x0   y ' x0   y '0 . yn  com as condições iniciais y1  x0   y01  . z 0  y ' 0  7 3 De um modo mais geral. .13 Para o exemplo anterior. y1 . ter um problema de valor inicial dado por um sistema de n equações diferenciais:  y '1  f1 x.É fácil transformar uma equação de ordem n deste tipo num sistema de n equações de ordem 1.  z'  y' '  4 z  3 y  x com as condições iniciais y0  4 9 . assim:  z1  y   z '1  y '  z 2   .

z k  Yk 1  Yk  hF xk . f n dão respectivamente y1 x . y. o PVI toma a forma:   y '1   f1  x. Yk    k 1 . y  n   . x1 . z 0  4 Na forma matricial. y n  .…e  . Y    z '   g x. Y  Y            y '   n  n  f  x .  y '  f x.  z k 1  z k  hg xk . y 0  6  . y k . z   . Y x    y  0 Y  0  z0  0    Método de Euler:  y  y k  hf xk . y n x  de funções diferenciáveis que quando substituídas em f1 ..Exemplo 6.  . z k  Francisco Miranda 110 .. Seja xk 1  xk  h . y1 . k =0.. é obtida com base em qualquer um dos métodos de Runge-Kutta. Uma solução numérica num conjunto discreto de pontos x0 . y. apresentar os métodos de Runge-Kutta estudados para o caso de um sistema de duas equações diferenciais de 1ª ordem. y n x  e que satisfazem as condições iniciais indicadas. y1 . Vamos. y k .1. Facilmente se deduzem para qualquer sistema com n equações diferenciais de 1ª ordem.  z '  3 y  2 z.   y 1 0  Y  x       Y  0   0   n  y0  Uma solução deste sistema é um vector  y1 x . em seguida.14 Um exemplo de um PVI composto de duas equações diferenciais de 1ª ordem é o que se segue:  y '  y  2 z. z  Y        F  x. .      F  x.

z   Yk   F x k . z k  hg1  Método de Runge-Kutta de 4ª ordem:  y k 1  y k  h 6  f1  2 f 2  2 f 3  f 4   z  z  h 6 g  2 g  2 g  g   k 1 k 1 2 3 4 Yk 1  Yk  h 6 K 1  2 K 2  2 K 3  K 4   f1  f x k . Y  1 2 K h   f  f x  h 2 . Como já vimos. y k  hf 3 . este PVI é equivalente a:  y'  z  . z k .  z'  y' '  4 z  3 y  x Francisco Miranda 111 . y k . z k  h 2 g1    K 2  F x k  h 2 . Yk  h Y k    . z k  hg 3  Exemplo 6. y k . z k  h 2 g1  K  F x  h 2 . z k  K  F x . Yk   F  x k  h. y ' 0  7 3 Determinemos valores aproximados de y(0. Y    1 k k  f 2  f x k  h 2 .15 Seja y ' '4 y '3 y  x  0 y 0  4 9 . y . z k   f 2  f x k  h.Método de Euler aperfeiçoado:  y k 1  y k  h 2  f1  f 2   z  z  h 2 g  g   k 1 k 1 2 h     1f  f  x . z k  hg1    g 2  g x k  h. y k  hf1 . Yk  K 3 h   g 3  g xk  h 2 . k k k Yk 1 2    g1  g x k . y k  h 2 f1 . c) O método de Runge-Kutta de 4ª ordem.1) para alguns valores de h. b) O método de Euler aperfeiçoado. y  h 2 f . y k  hf1 . y k . z k  hg 3   g 4  g x k  h. g1  g  x k . y k  h 2 f1 . utilizando: a) O método de Euler. z k  h 2 g 2    f 4  f x k  h. y k  h 2 f 2 . y k  hf 3 . Yk  1 2 K 1 h    g 2  g x k  h 2 . z  h 2 g   3 k k 2  3 k k 2 k 2  K 4  F x k  h.

com as condições iniciais y0  4 9 .1) erro 0.72209131853024 0.00100000000000 0.722091 0.25044367825099 0.10000000000000 0.00100000000000 0.01295682020267 0. z 0  y ' 0  7 3 Método de Euler: Método de Euler h y_(0.72209671244712 0.1 Método de Euler aperfeiçoado: Método de Euler aperfeiçoado h y_(0.04431894006756 3.01000000000000 0.1) erro z_(0.00000161618996 0.01000000000000 0.26613177486048 0.00015837867553 0.1) erro 0.67777777777778 0.00016194702449 0.00053874507511 3.00000000539822 3.72204392495349 0.00000001619466 Francisco Miranda 112 .01584647528502 0.1) erro z_(0.00161623522532 0.00001000000000 0.71777777777778 0.72204273550384 0.26627395559071 0.00528215842834 3.13295682020267 0.00000053872999 3.00001.13333333333333 0.26629013734135 0.71681455941700 0.25333333333333 0.00001619794530 Graficamente. temos  4  3x  8e3x yx   9 r x   0.10000000000000 0.72155797277023 0.00010000000000 0.26628853734605 0.26467391831069 0.26612820651152 0.00431894006756 3.00010000000000 0.00000539931510 3.72209617911535 0.00005398234149 3. para h = 0.00005279289184 3.

00000000710933 0.26629015353599 0.72209671779135 0.00000000000001 Graficamente.1) erro z_(0. 0.00000000000073 0.10000000000000 0.722097 0.00000000236978 3.00001.00000000016195 Graficamente.26629014642668 0.72209671547556 0.00001000000000 0.00100000000000 0.72209671784534 -0.00000000000000 3.1 Método de Runge-Kutta de 4ª ordem: Método de Runge-Kutta de 4ª ordem h y_(0.1) erro 0.00000000005399 3.72209671784534 -0.72209671784509 0. para h = 0.00010000000000 0.00001000000000 0. para h = 0. temos Francisco Miranda 113 .72207777777778 0.26629015337405 0.00005682020267 0.00000000000024 3.01000000000000 0.26629015353528 0.26623333333333 0.00000000000000 3.00001. temos  4  3x  8e3x yx   9 r x   0.00000000000000 0.26629015353601 -0.00001894006756 3.

00000000000000 0.00000000000000 2.00012266497586 2.00060975609756 -0.00007413427910 2.16 Seja xy’ = x – y e y(2) = 2. Método de Runge-Kutta de 4ª ordem h=0.00000000000000 2.07000000000000 2.00118357487923 -0.b]. mostrando-nos desta forma uma aproximação do comportamento da solução do PVI nesse intervalo.00022167487685 -0.00087378640777 -0. Exemplo 6.00238095238095 h=0.06000000000000 2.01000000000000 2.03000000000000 2.00017048198590 2.b].00039215686274 -0.00026403031021 2.  4  3x  8e3x yx   9 r x   0.00000000000000 0.1 x y erro 2.02000000000000 2.04000000000000 2.00021759923482 2. interessa-nos determinar a solução numérica num intervalo [a. Geralmente.00002487562189 -0.1].10000000000000 2. utilizando alguns valores de h.00238095238095 -0.00000000000000 2.1 Nos exemplos anteriores.01 x y erro 2. considerando para tal um número finito de pontos em [a. através do método de Runge-Kutta de 4ª ordem.05000000000000 2.00030978847146 Francisco Miranda 114 . A solução numérica num intervalo dá-nos um número finito de aproximações das verdadeiras soluções do PVI nesse intervalo.2.722097 0.00000000000000 2. determinamos um valor aproximado para a solução do PVI num ponto x.00002487562189 2. Determinemos valores aproximados de y no intervalo [2.00009900990099 -0.

01. através do método de Runge-Kutta de 4ª ordem.  z'  y' '  4 z  3 y  x com as condições iniciais Francisco Miranda 115 .00044315333789 Graficamente.00153846153846 -0.0.00193779904306 -0. temos x2  4 yx   2x Exemplo 6. este PVI é equivalente a:  y'  z  .00238095238095 -0.17 Seja y ' '4 y '3 y  x  0 y 0  4 9 . 2.09000000000000 2.00035488665923 2. Como já vimos. para h = 0.08000000000000 2.1].10000000000000 2. utilizando alguns valores de h.00039933750460 2. y ' 0  7 3 Determinemos valores aproximados de y no intervalo [0.

05666439550083 -0.76489131088256 -0.67332493516972 -0.09000000000000 0.01.02907617344832 2.49274359655638 -0.09435498393283 0.01000000000000 0.03006318964984 3.10000000000000 0.1 x y erro z erro 0.10324079488895 0.08121209000000 0.33333333333333 0.44444444444444 0.26629014642668 -0.08623396403079 0.08886017862249 0.44444444444444 0.02000000000000 0.02718879111252 2. z 0  y ' 0  7 3 Método de Runge-Kutta de 4ª ordem h=0.08000000000000 0.93290000000000 h=0. temos  4  3x  8e3x yx   9 Francisco Miranda 116 .00000000000000 0.00000000000000 2.09722852034495 0.68996839858201 -0.01 x y erro z erro 0.33333333333333 0.08368536579310 0.02811832797761 2.02456178859770 2.65888813183361 -0.03108026496298 3.00000000000000 2.04000000000000 0.51815491827280 -0.85924629787492 -0.41454542333333 -0.26623333333333 -0.57163043696085 -0. para h = 0.02628672620750 2.02373736333333 2.00000000000000 0.03000000000000 0.10638494447135 Graficamente.54444164505657 -0.62882494066770 -0.49823078966915 -0.72207777777778 -0.15990519574603 -0.00000000000000 0.05000000000000 0.03212831482378 3.95647482200311 -0.09156637333756 0.07000000000000 0. y0  4 9 .10018956894951 0.46818180777778 -0.58446475481842 -0.02541132134360 2.59974876595830 -0.06000000000000 0.27763333333333 3.00000000000000 0.10000000000000 0.72209671547556 -0.

o problema y '  10 y  10 x  1.5  10 6 . y0  0 cuja solução é y = x.582….5 106  0 Este é um exemplo dum PVI mal condicionado. Note-se que y(2.Condicionamento O efeito de variações nas condições iniciais na solução do problema é crucial quando se pretende resolver numericamente um PVI.0) = 2. Exemplo 6. tem-se y(2. Tomando por exemplo   0. x0 . Francisco Miranda 117 .   0. a solução exacta é então y  e10x  x . Porém.5  10 6 na condição inicial ‘corresponde uma variação de cerca de 242 unidades na solução para x = 2. Se a condição inicial é ‘substituída’ por y0   .18 Consideremos o problema definido por y '  10 y  10 x  1. x0 . y0  1 é bem condicionado. Assim a uma variação de 0.) = 244.

as condições de fronteira tomam a forma seguinte. (6. então diz-se que o PVF é linear. 2 2 Com frequência. x  a.2).1) com condições de fronteira a1 y a   a2 y ' a    . (6. (6.1)–(6. utilizamos o chamado método de shooting. Neste capítulo assumiremos que condições que garantem existência e unicidade de solução do PVF em estudo são satisfeitas. ya    .3) Se a equação diferencial e as condições de fronteira forem lineares. Problemas de valor fronteira Daremos especial enfâse à importante classe de problemas definidos pela equação de segunda ordem y' '  f x.2) (ou (6. b1 y b   b2 y ' b    . y. Para resolver este tipo de problemas. Existem dois teoremas que estabelecem a existência e unicidade da solução do PVF (6.3)) definem um problema linear de segunda ordem com condições de fronteira. sendo os valores de y especificados para x = a e x = b. y'.5 106  1 6. Francisco Miranda 118 . x  a.3. e (6.2) a1  a2  0. no caso de ser linear e não linear. 2 2 b1  b2  0.   1  0. b. yb   . b. Assim y' '  px y'qx y  r x .

00000000000000 1.00010000000000 1.00000000000001 0.01m 2 e Ta  20º C .68381732060686 -0. T 10  200. onde T(x) é uma função que mede a temperatura de uma vara de 10m.68381732045970 0. Exemplo 6.0e+002 * 0. O procedimento é ilustrado através do seguinte exemplo. Método de Runge-Kutta de 4ª ordem h T_(10) erro z_(10) erro 1.0e+002 * 0. h  0.00000000001224 1.17781208735440 -0. seguindo alguma “intuição física”) o valor de z(0). Obtemos.17781208735440 -0. para obtermos uma aproximação para T(10).4) dx T 0   40.00100000000000 1. 2) Escolhe-se “à sorte” (se possível. z 0   ? A resolução deste sistema impõe que se escolha um valor inicial para z(x) = T’(x).00000100000000 1.17781208735440 0.68381732060683 0.00000000000002 0.00000000014715 0. dx 2 T 0  40. Utilizemos o método de Runge-Kutta de 4ª ordem. dz (6.00000000000000 0.68381732060685 -0.17781208734216 0.Método de shooting O método de shooting baseia-se na conversão do PVF dado num PVI equivalente. 1) Começa-se por transformar a equação de 2ª ordem no sistema de equações de 1ª ordem:  z  x . para diferentes valores de h. Façamos z(0) = 10.00000000000000 Francisco Miranda 119 .00000000000000 1.0e+002 * 0.19 Consideremos o seguinte PVF d 2T  h' Ta  T   0.0e+002 * 0.00001000000000 1. dT dx  h' Ta  T .

Assim. Este valor pode então ser usado para determinar uma solução apropriada do PVF inicial.00000000000000 1.00000000000000 1.00000000027493 0.02063486142102 Francisco Miranda 120 .0e+002 * 0.00000000001485 1.00000000000001 Assim. teremos de “adivinhar” de novo o valor de z(0). através da resolução de (6.85901851425062 0.33212015081400 0.00000000000003 0.00000000000005 0.85901851425066 -0.00000000000002 0.33212015083592 0.0e+002 * 0. 285.00000000000000 0.00000000000000 1. Método de Runge-Kutta de 4ª ordem h T_(10) erro z_(10) erro 1.690456 .00100000000000 2.27006675909333 -1.21932799287863 0 1.0e+002 * 0.00000000000001 Assim.00000003087144 0.00000003087141 0.00000000000000 0.1 x y erro z erro 0.901851  168.0e+002 * 0.0e+002 * 0.00000000000000 12. fazendo 20  10 z 0  10  200  168.0e+002 * 0.381732 que difere substancialmente do valor T(10) = 200.71109086142102 -0.00010000000000 2. T(10)  168.21932799287862 0.00000003068993 0.85901851425059 0.00001000000000 2.21932799286378 0.00000003087147 -0.00000000000000 40.00000100000000 2.10000000000000 41.381732  12. obtemos: Método de Runge-Kutta de 4ª ordem h T_(10) erro z_(10) erro 1.00000100000000 2.69045600000000 0. Vamos agora utilizar a interpolação linear de modo a obter um valor mais adequado de z(0).381732 Desta forma.00000000018153 0.33212015083593 -0.00100000000000 2.00000000000001 0.00000000000001 0.21932799287862 0. Deste modo.0e+002 * 0.00000000000006 0. T(10)  285.00001000000000 2.901851 que ainda está longe do valor T(10) = 200. Consideremos agora z 0  20 .4): Método de Runge-Kutta de 4ª ordem h=0.00000000002193 1.00010000000000 2.27006675909333 12.000003.85901851397572 0.33212015083592 0. T(10)  200.0e+002 * 0.

27219378338825 12.60000000000000 47.02573299338553 0.28197640295990 12.45228e0.30000000000000 43.75617613391506 -0. 0.86167467634952 -0.02184316390327 0.37287738373497 -1.02166534673807 0.20000000000000 42.00176730945125 1.97815686660841 -0.21932799286378 -0.00174573210978 1. Francisco Miranda 121 .02829698891978 … 1.02701364045948 0.81670857092055 -1.40000000000000 45.21577161985866 -0.21753892932411 -0.09353828995779 -1.0e+002 * 0. temos T x   20  53.78063105355289 -0.10000000000000 2. Todavia.50000000000000 46.1x 3) Para PVF’s não lineares.27933909335185 12. A alternativa consiste em proceder a três “tentativas” para z(0) e usar a interpolação polinomial quadrática no sentido de estimar o pretendido valor inicial.80636404694643 -0.00000003068993 -0.0e+002 * 0. Este método torna-se árduo para equações de ordens elevadas. o que impõe.0e+002 * 0.02148969612556 0.09800000000000 1.27682971871880 12.28474191127614 12.02190598109788 0.09900000000000 1.65485378722758 -1.02445491963215 0.02317929139089 0.54226054258735 -1.00178906352514 Graficamente.45228e0.95649151969532 -0.83337768741645 -0. não é seguro que tal abordagem nos conduza à resposta exacta.27444802812128 12. eventualmente novas iterações.1x  73.70000000000000 48.73299684252059 -0. a interpolação linear poderá não resultar numa boa estimativa do valor inicial que nos permita chegar a uma aproximação da solução.93959569914426 -1.

y '. Resolver o PVI y ' '  f x. b  yb   . para um dado  > 0. 2. de x = a até x = b. y. 1. Transformando este problema num PVI de 1ªordem. Repetir os passos 2 e 3 até y k . 2 y 0  1. y k . b   y k 1. y b   yb . y 1  2. b  designa a solução obtida em x = b. Seja  k uma aproximação do valor inicial desconhecido y’(a). y. y a   ya .De um modo geral. obtemos Francisco Miranda 122 . y k . consideremos o PVF y ' '  f x. y a   ya . Reduzir este problema a um PVI exige conhecer y’(a). sumariamente. b  4. b   k 1   k 1   k   k 1  . y ' a    k . Exemplo 6. y '. O método de shooting enceta-se na escolha de dois valores  0 e  1 para o valor inicial y’(a). de acordo com o seguinte algoritmo. usando um dos métodos anteriormente estudados (métodos RK). 3.20 Consideremos o seguinte PVF yy ' '1   y '  0. O procedimento decorre. Obter a seguinte aproximação através da interpolação linear yb  y k 1 .

90560880885045 0.99999999897914 O valor mais adequado para y’(0) é 2.01.06000000000000 1. Método de Runge-Kutta de 4ª ordem alpha_(0) y_(0.01 x y erro z erro 0.9983.01763181484119 1.05000000000000 1.02000000000000 1.1) 2.74470590263736 0. então.7071.01726800499552 1.03000000000000 1.03553620992080 Francisco Miranda 123 . y'  z.01000000000000 1.11193524625315 -0.04115274078226 0.00000000000000 0.03724958066396 0.07000000000000 1.41421356089932 alpha_(2) y_(1.00000000000000 2.99829334071749 1.01883721008430 1.70710678507518 1.12920325490893 -0.01801350440341 1.05787522671314 -0.1) 1.1) 1. Os resultados patentes a seguir foram obtidos através do método de Runge- Kutta de 4ª ordem combinado com a interpolação linear. 1 z 2 z'  .04000000000000 1.82107065391640 0. para   1 10 8 .86222339107305 0.5 e 1  1.03911518001115 0.00000000000000 1.03903801503261 -0.84775905952974 alpha_(3) y_(1.99999045829768 1.99999999976202 alpha_(1) y_(1.01975487164285 -0.99999521580399 alpha_(6) y_(2.04338542045447 0.01841469206001 1.95144936506977 0.1) 1.78195547829441 0.00000000000000 0. determinar uma solução apropriada do PVF inicial. onde z(0) = 2: Método de Runge-Kutta de 4ª ordem h=0.09430342816931 -0.95540967903400 1.01928314252648 1.04855063493023 0.00000000000000 0.1) 1.97757915377960 alpha_(4) y_(1. Após as três primeiras iterações a convergência poderia ter sido acelerada através do uso de interpolação quadrática. Podemos.9554.70916969822544 0.50000000000000 0.1) 1. y y 0   1.00000002463707 1.99914647494028 alpha_(5) y_(2.07628992099771 -0.1) 0.0 para o valor de z(0) = y’(0).01975487164285 1. através da resolução do PVI equivalente.04584055771095 0.00000000000000 1. z 0   ? Tomemos como escolhas iniciais  0  0. Seja h = 0.5.

49999999277164 0.00627362167785 Graficamente. x  a. Euler y k 1  y k  h  f xk .99496865816662 -0.. Eq. k  0. b e e C  M 2. temos yx   1  4 x  x 2 Quadro resumo Método Erro de tuncatura Erro de tuncatura Fórmula numérico local global Tn  M 2 h  Ch 2 . onde Euler y' ' x   M . y k   f xk  h. diferencial de 1ª ordem 2 2L onde y k 1  y k  hf xk .1..00632156785428 1.98471659133405 -0.00503131522740 0.51896577243028 0. 2 Aperfeiçoado k  0. y k . y k .2.99999998666061 -0.98987435469978 -0.00000000000000 1. … 0. En  e hM L  xn x0   1. y k  hf xk .00642078342619 0.1.50627360722691 0. f y x.00637061177819 0.00522170626867 0.51259516786407 0. Francisco Miranda 124 .00515775024462 0.98000000000000 1. b y' ' x   M .97000000000000 1.99000000000000 1. x  a. y   L .00509429027301 0.

z k  h 2 g 2 . yk 1  yk  h 6 K1  2 K 2  2 K 3  K 4 . Euler Aperfeiçoado f 2  f  x k  h. K 4  f xk  h. y k  h 2 f 1 . z k 1  z k  h 6  g 1  2 g 2  2 g 3  g 4 . z k .1. y k  hf1 . Sistemas de duas eq. z k  hg1 . k  0. f 2  f x k  h 2 . y k .1. yk  K 3 h . y k . y k . y k 1  y k  h 2  f 1  f 2 . f 1  f  x k . g 1  g  x k . k  0. g 4  g  x k  h.1. diferenciais de 1ª ordem z k 1  z k  h 2  g1  g 2 . f1  f  x k . z k . yk . z k . z k . y k . y k . z k . y k  h 2 f 1 . g1  g  x k . yk  1 2 K1h . y k  h 2 f 2 . RK4 K 2  f xk  h 2 . g 2  g  x k  h 2 . z k  h 2 g 2 . y k . z k  hg1 . z k  hg 3 .  Francisco Miranda 125 . k  0. K 3  f  xk  h 2 .2. y k  hf1 . f 4  f x k  h. Euler z k 1  z k  hg x k . yk  1 2 K 2 h . y k 1  y k  hf x k .1. k  0.2. y k  h 2 f 2 .2. y k  hf 3 . g 3  g  x k  h 2 . RK4 f 3  f x k  h 2 . z k  h 2 g 1 . g 2  g  x k  h. z k . y k 1  y k  h 6  f 1  2 f 2  2 f 3  f 4 . z k  hg 3 . y k  hf 3 . K1  f  xk . z k  h 2 g 1 .

Métodos Numéricos. J. [2] Conte. R. R. G.I.. [4] Pina. H. Aplicação e Programação. [6] Ruggiero. Cálculo Numérico. Prentice-Hall International Editions.. M.. F. I. McGraw-Hill.. Ed. C. D. V. Fundamentos de Análies Numérica. S. 2003. 1980. Francisco Miranda 126 .. M.. S.. [7] Santos. Métodos Numéricos. Lopes. Ed. [5] Rodrigues. Canale. 1990. 1995. 1997. 1992.. McGraw-Hill. Elementary Numerical Analysis – An Algorithmic Approach.C. Edições Sílabo. Métodos Numéricos – Introdução. Numerical Methods for Engineers with Programming and Software Applications. de Boor. Numerical Methods for Mathematics.N.Bibliografia [1] Chapra.. Edições Sílabo.. C. [8] Valença. H. Science and Engineering. P. C. 2002. [3] Mathews. 2002. J. Ed.. R.. McGraw-Hill. A. Ed. Makron Books.