You are on page 1of 46

Universidade Federal do Paraná

Departamento de Informática
CI-202

MÉTODOS
NUMÉRICOS

Prof. Ionildo José Sanches
Prof. Diógenes Cogo Furlan

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

CURITIBA
2007

5.2 MÉTODOS DIRETOS (ALGORITMOS DIRETOS) ....................................................................................... 39
SUMÁRIO 5.2.1 Regra de Cramer..........................................................................................................................................39
5.2.2 Método da Eliminação de Gauss .................................................................................................................40
5.2.3 Método de Jordan ........................................................................................................................................42
1 INTRODUÇÃO........................................................................................................................................... 1 5.2.4 Exemplos ......................................................................................................................................................42
5.3 FATORAÇÃO LU.................................................................................................................................... 43
2 CONCEITO DE ERRO.............................................................................................................................. 2 5.3.1 Cálculo dos Fatores L e U ...........................................................................................................................44
2.1 INTRODUÇÃO........................................................................................................................................... 2 5.4 MÉTODOS ITERATIVOS (ALGORITMOS ITERATIVOS).............................................................................. 46
2.2 ERROS NA FASE DE MODELAGEM ............................................................................................................ 2 5.4.1 Método de Gauss-Jacobi ( Algébrico ) ........................................................................................................46
5.4.2 Método de Gauss-Jacobi ( Matricial ) .........................................................................................................48
2.3 ERROS NA FASE DE RESOLUÇÃO ............................................................................................................. 2
5.4.3 Método de Gauss-Seidel ( Algébrico ) .........................................................................................................50
2.4 ERROS ABSOLUTOS E RELATIVOS ........................................................................................................... 2 5.4.4 Método de Gauss-Seidel ( Matricial )..........................................................................................................52
2.5 ERRO DE ARREDONDAMENTO ................................................................................................................. 3
2.6 ERRO DE TRUNCAMENTO ........................................................................................................................ 4 6 INTERPOLAÇÃO.................................................................................................................................... 54
3 REPRESENTAÇÃO DOS NÚMEROS REAIS....................................................................................... 6 6.1 INTRODUÇÃO......................................................................................................................................... 54
6.1.1 Conceito de Interpolação.............................................................................................................................54
3.1 INTRODUÇÃO........................................................................................................................................... 6 6.2 INTERPOLAÇÃO LINEAR ........................................................................................................................ 55
3.2 SISTEMA DE NUMERAÇÃO ....................................................................................................................... 7 6.2.1 Obtenção da Fórmula ..................................................................................................................................55
3.2.1 Sistema de Numeração Decimal ....................................................................................................................7 6.2.2 Exemplos ......................................................................................................................................................56
3.2.2 Sistema de Numeração Binário......................................................................................................................7 6.3 INTERPOLAÇÃO QUADRÁTICA ............................................................................................................... 57
3.3 ARITMÉTICA DE PONTO FLUTUANTE ..................................................................................................... 10 6.3.1 Obtenção da Fórmula ..................................................................................................................................57
3.4 PROPAGAÇÃO DE ERROS ....................................................................................................................... 12 6.3.2 Exemplos ......................................................................................................................................................57
4 ZEROS DE EQUAÇÕES TRANSCENDENTES E POLINOMIAIS ................................................. 14 6.4 INTERPOLAÇÃO DE LAGRANGE.............................................................................................................. 59
6.4.1 Obtenção da Fórmula ..................................................................................................................................60
4.1 INTRODUÇÃO......................................................................................................................................... 14 6.4.2 Exemplos:.....................................................................................................................................................61
4.1.1 Derivada de uma função num ponto ............................................................................................................14 6.5 INTERPOLAÇÃO PARABÓLICA PROGRESSIVA ......................................................................................... 62
4.1.2 Tipos de Métodos .........................................................................................................................................14 6.6 INTERPOLAÇÃO DE NEWTON COM DIFERENÇAS DIVIDIDAS .................................................................. 63
4.1.3 Isolamento de Raízes....................................................................................................................................16 6.6.1 Diferenças Divididas....................................................................................................................................63
4.1.4 Classificação dos métodos ...........................................................................................................................16 6.6.2 Propriedade do Operador Diferenças Divididas.........................................................................................64
4.2 MÉTODO DA BISSEÇÃO ......................................................................................................................... 17 6.6.3 Exemplos ......................................................................................................................................................64
4.2.1 Estimativa do Número de Iterações .............................................................................................................17 6.7 INTERPOLAÇÃO DE GREGORY-NEWTON ................................................................................................ 66
4.2.2 Considerações Finais...................................................................................................................................18 6.7.1 Diferenças Ordinárias ou Finitas ................................................................................................................67
4.2.3 Exemplos ......................................................................................................................................................18 6.7.2 Relação entre diferenças divididas e diferenças ordinárias........................................................................67
4.3 MÉTODO DA FALSA POSIÇÃO ................................................................................................................ 19 6.7.3 Gregory-Newton usando Diferenças Ordinárias.........................................................................................67
4.3.1 Casos especiais ............................................................................................................................................20 6.7.4 Exemplos ......................................................................................................................................................67
4.3.2 Considerações finais ....................................................................................................................................21
4.3.3 Exemplos ......................................................................................................................................................21 7 AJUSTE DE CURVAS............................................................................................................................. 69
4.4 MÉTODO DA ITERAÇÃO LINEAR ............................................................................................................ 22 7.1 MÉTODO DOS QUADRADOS MÍNIMOS.................................................................................................... 70
4.4.1 Casos de convergência.................................................................................................................................23 7.1.1 Ajuste Linear Simples...................................................................................................................................71
4.4.2 Considerações finais ....................................................................................................................................24 7.1.2 Ajuste Polinomial.........................................................................................................................................73
4.4.3 Exemplos ......................................................................................................................................................24
4.5 MÉTODO DE NEWTON-RAPHSON OU MÉTODO DAS TANGENTES ........................................................... 25 8 INTEGRAÇÃO NUMÉRICA ................................................................................................................. 77
4.5.1 Considerações finais ....................................................................................................................................26 8.1 INTRODUÇÃO......................................................................................................................................... 77
4.5.2 Exemplos ......................................................................................................................................................26 8.1.1 Fórmulas de Newton-Cotes..........................................................................................................................78
4.5.3 Condições de Newton-Raphson-Fourier......................................................................................................27 8.2 REGRA DOS RETÂNGULOS ..................................................................................................................... 79
4.6 MÉTODO DA SECANTE........................................................................................................................... 29 8.2.1 Exemplos ......................................................................................................................................................80
4.6.1 Exemplos ......................................................................................................................................................30 8.3 REGRA DOS TRAPÉZIOS ......................................................................................................................... 81
4.7 MÉTODO MISTO .................................................................................................................................... 31 8.3.1 Regra do Trapézio Repetida.........................................................................................................................82
4.7.1 Exemplos ......................................................................................................................................................31 8.3.2 Exemplos ......................................................................................................................................................82
4.8 MÉTODO PARA EQUAÇÕES POLINÔMIAIS .............................................................................................. 32 8.4 REGRA DE SIMPSON............................................................................................................................... 83
4.8.1 Introdução....................................................................................................................................................32 8.4.1 Regra de Simpson Repetida .........................................................................................................................84
4.8.2 Localização de Raízes..................................................................................................................................32 8.4.2 Exemplos ......................................................................................................................................................84
4.8.3 Determinação das Raízes Reais ...................................................................................................................34
4.8.4 Método de Newton para Zeros de Polinômios.............................................................................................35
5 SISTEMAS LINEARES........................................................................................................................... 38
5.1 INTRODUÇÃO......................................................................................................................................... 38
5.1.1 Classificação Quanto ao Número de Soluções ............................................................................................38
ii iii

1 2

1 Introdução 2 Conceito de Erro
Cálculo Numérico é a obtenção da solução de um problema pela aplicação de método numérico; a
solução do problema será caracterizada, então, por um conjunto de números, exatos ou aproximados. 2.1 Introdução
A noção de erro está presente em todos os campos do Cálculo Numérico. De um lado, os dados,
Método Numérico é um algoritmo composto por um número finito de operações envolvendo em si, nem sempre são exatos e, de outro lado, as operações sobre valores não exatos propagam esses
apenas números (operações aritméticas elementares, cálculo de funções, consulta a uma tabela de valores, erros a seus resultados. Finalmente, os próprios métodos numéricos, freqüentemente métodos
consulta a um gráfico, arbitramento de um valor, etc.). aproximados, buscam a minimização dos erros, procurando resultados o mais próximo possível do que
seriam valores exatos.
Problema Modelagem Modelo Resolução
Físico Matemático
Solução Erro é a diferença entre o valor exato e o valor apresentado.

No próximo capítulo, sobre representação de números reais, iremos analisar várias situações em
Modelagem é a fase de obtenção do modelo matemático que descreve o comportamento do sistema que ocorrem erros, quando utilizamos o computador para realizar os cálculos. A seguir, analisaremos os
físico. erros que ocorrem durante as fases de modelagem e resolução e também sobre erros de arredondamento e
Resolução é a fase de obtenção da solução através da aplicação de métodos numéricos (este é o erros de truncamento.
objetivo de estudo do Cálculo Numérico).
2.2 Erros na Fase de Modelagem
Ao se tentar representar um fenômeno do mundo físico por meio de um método matemático,
raramente se tem uma descrição correta deste fenômeno. Normalmente, são necessárias várias
simplificações do mundo físico para que se tenha um modelo.

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

d = do + vo * t + 1/2 * α * t2
onde:
d : distância percorrida
do : distância inicial
vo : velocidade inicial
t : tempo
α : aceleração

Determinar a altura de um edifício com uma bolinha de metal e um cronômetro: 3s
d = 0 + 0 * 3 + 1/2 * 9.8 * 32 = 44.1m

Este resultado é confiável?
1. Fatores não considerados:
• resistência do ar
• velocidade do vento, etc.
2. Precisão dos dados de entrada:
• Se o tempo fosse 3,5s → d = 60.025m
• Variação de 16,7% no cronômetro → 36% na altura.

2.3 Erros na Fase de Resolução
Para a resolução de modelos matemáticos muitas vezes torna-se necessária a utilização de
instrumentos de cálculo que necessitam, para o seu funcionamento, que sejam feitas certas aproximações.
Tais aproximações podem gerar erros, tais como: conversão de bases, erros de arredondamento e erros de
truncamento.

2.4 Erros Absolutos e Relativos
Erro absoluto (EA) é a diferença entre o valor exato de um número N e o seu valor aproximado
N’:

3 4

N = N’ + EAN (N > N’ → EAN > 0 O uso deste critério limita o erro a meia unidade da última casa conservada:
N < N’ → EAN < 0)
E= 2 − 1.41 = 1.41421 ... − 1.41 = 0.00421 < 0.005
EAN = N − N’ Erro absoluto
Os valores aproximados obtidos podem ser inferiores (valor aproximado por falta) ou superiores
Por exemplo, sabendo-se que π ∈ (3.14, 3.15) tomaremos para π um valor dentro deste intervalo e (valor aproximado por excesso) aos exatos; 1.41 é o valor aproximado, por falta, de 2 ; 1.26 é o valor de
teremos, então, |EAπ| = |π - π‘| < 0.01. 3
2 , aproximado por excesso.
Erro Relativo é definido como o erro absoluto dividido pelo valor aproximado: Para concluir este item de erro de arredondamento, deve-se ressaltar a importância de se saber o
número de dígitos significativos do sistema de representação da máquina que está sendo utilizada para
EAN N − N' que se tenha a noção da precisão do resultado obtido.
ER N = = Erro Relativo
N' N'
Além da precisão decimal, o cálculo do chamado Épsilon da máquina nos dá uma idéia da
É claro que EAN só poderá ser determinado se N for exatamente conhecido; como isso é raro, em exatidão da máquina.
cálculos numéricos costuma-se trabalhar com uma limitação máxima para o erro, ao invés do próprio
(indicando-se, então, | E | < ε, onde ε é o limite). O ε da máquina é o menor número de ponto flutuante, tal que: 1 + ε > 1. Alguns métodos para
cálculo de ε não dão seu valor exato, mas isto nem sempre é necessário, pois o que importa é a sua ordem
Por exemplo, se α = 3876.373 e só desejamos a parte inteira α’, o erro absoluto será: de grandeza.
∆α = | α − α' | = 0.373
O programa abaixo, escrito na linguagem C, calcula uma aproximação do ε da máquina:
Se fizermos o mesmo com o número β = 1.373, teremos:
∆β = | β − β' | = 0.373 #include <stdio.h>
int main()
{
Obviamente, o efeito de aproximação de β é muito maior do que em α, mas o erro absoluto é o float Eps=1.0;
mesmo nos dois casos. O erro relativo, entretanto, pode traduzir perfeitamente este fato, pois: while (Eps + 1 > 1)
0,373 0,373 Eps = Eps / 2.0;
δα = ≅ 0,000096 < 10-4 δβ = ≅ 0,373 < 5*100 printf("A maquina acha que %1.25f vale zero!\n", Eps);
3876 1 return 0;
}
2.5 Erro de Arredondamento
Ao se aplicar um método numérico, os erros devidos aos valores iniciais, intermediários e finais O programa acima, executado num Pentium, obteve a seguinte resposta:
conduzem a um erro global (diferença entre o exato e o obtido) também chamado de arredondamento.
A maquina acha que 0.0000000000000000000542101 vale zero!
Erros iniciais são os cometidos no arredondamento dos dados iniciais. Os erros intermediários são
decorrentes dos erros cometidos durante a aplicação do método numérico e os erros finais decorrentes da Logo, o número de dígitos significativos é 19.
apresentação final do resultado.
2.6 Erro de Truncamento
Os tipos de arredondamentos mais conhecidos são: São erros provenientes da utilização de processos que deveriam ser infinitos ou muito grandes
• Arredondamento para baixo ou por falta; para a determinação de um valor e que, por razões práticas, são truncados.
• Arredondamento para cima ou por excesso;
• Arredondamento para o numero de maquina mais próximo. Estes processos infinitos são muito utilizados na avaliação de funções matemáticas, tais como,
exponenciação, logaritmos, funções trigonométricas e várias outras que uma máquina pode ter.
Critério de Arredondamento: no cálculo manual, ao registrar um valor aproximado, costuma-se
usar a seguinte regra: Exemplo: Uma máquina poderia calcular a função seno(x) e exponencial(x) utilizando as seguintes
técnicas:
3 5 7
1. somar meia unidade após a última casa decimal a conservar;
seno(x) = x − x + x − x + ...
2. desprezar as demais casas. 3! 5! 7!

Assim, com 2 números significativos tem-se: x2 x3
ex = 1 + x + + + ...
2! 3!
2 = 1.414 ... ≅ 1.41 (1.414 ... + 0.005 = 1.419 ... → 1.41)
3
2 = 1.259 ... ≅ 1.26 (1.259 ... + 0.005 = 1.264 ... → 1.26) Fazendo truncamento:

uma vez que π é um número irracional. + {{ 2! 3! n! Complexos (2+3√-1 ) A solução é a de interromper os cálculos quando uma determinada precisão é atingida.1 Introdução ex ≅ 1 + x + + + . Fracionários Decimais (-3. Em cada um deles foi obtido um resultado diferente. Qualquer que seja a circunferência.. 0. e as operações todas serão efetuadas neste sistema. A base decimal é a que mais empregamos atualmente. 3 Se desejássemos calcular a área de uma circunferência de raio 100m. √2 ) { { De uma maneira geral. por exemplo. Além disso. um número pode ter representação finita em uma base e não-finita em outras bases. 1 Exemplos: 2. 3.92654 m2 Como justificar as diferenças entre os resultados? É possível obter o valor exato desta área? Os erros ocorridos dependem da representação dos números na máquina utilizada.1416 e 3. obteríamos os seguintes resultados: a) A = 31400m2 b) A = 31416 m2 c) A = 31415. A representação de um número depende da base escolhida ou disponível na máquina em uso e do número máximo de dígitos usados na sua representação. toda esta informação é convertida para o sistema binário. qualquer cálculo que envolva números que não podem ser representados através de um número finito de dígitos não fornecerá como resultado um valor exato. 3. não pode ser representado através de um número finito de dígitos decimais. 1/3) erro de arredondamento será dominante. Um computador opera normalmente no sistema binário.) Algumas das propriedades básicas da aritmética real não valem mais quando executadas no computador. não faz sentido diminuir-se mais. O número π. Quanto maior o número de dígitos utilizados. pois uma palavra de memória é finita e a própria memória também. enquanto na matemática alguns números são representados por infinitos dígitos. a sua área nunca será obtida exatamente. 2) ficar da ordem do erro de arredondamento.. pois.141592654 respectivamente nos casos (a). + ( −1)n 3 Representação dos Números Reais 3! 5! 7! n! x2 x3 xn 3. no computador isso não é possível. a melhor aproximação para o valor da área da circunferência é aquela obtida no caso (c). 5 6 seno(x) ≅ x x3 x5 x7 xn − + − + . a partir desse ponto..14.. No exemplo mostrado acima. Por isso. Números Irracionais (π. maior será a precisão obtida. (b) e (c). Os resultados finais .. Como neste exemplo. pode-se dizer que o erro de truncamento pode ser diminuído até chegar a Reais Inteiros (-1004.33. o número π foi escrito como 3. pois o Racionais Ordinários (32/7.. π e . Observe o que acontece na interação entre o usuário (ou dados do programa) e o computador: os dados de entrada são enviados ao computador pelo usuário no sistema decimal.15. e o erro neste caso depende exclusivamente da aproximação escolhida para π.

iremos estudar os processos de conversão de números do sistema decimal para 1 4 2 o sistema binário e vice-versa. existem β dígitos e o maior é β – 1..12510 3..62510 número tem significado numérico calculado como: 3. 7 8 serão convertidos para o sistema decimal e. 0. d2... Todo este processo 19 2 de conversão é uma fonte de erros que afetam o resultado final dos cálculos. os dígitos individuais representam os coeficientes Se rk+1 = 0. usamos dez dígitos 0. BInary digiT).2.125 = 0. mas representação infinita no sistema Notamos que um número é expresso como uma soma de potências de 10 multiplicadas por binário.1 Conversão do Sistema Binário para Decimal Passo 2: Faça rk+1 = 2rk− dk Quando um número é escrito no sistema binário.d1d2. Em um sistema numérico com base β. 0 1 2 1 0 3.12510 maior que 9 é representado usando uma convenção que atribui significado à posição ou lugar ocupado por um dígito.dj. Os dígitos binários d1. caso contrário. dj. são obtidos através do seguinte algoritmo: 3. De um modo geral.125.005 = 0. dentre os quais destacam-se o sistema decimal (base 10). k = 1 computador apresentam 2 estados possíveis. Caso contrário: pois este arranjo de dígitos binários significa: Passo 3: k = k + 1. finalmente.. 19(10) = 10011(2) Em um sistema numérico com base β.)2 sua representação no sistema binário.4 Conversão de Números Decimais Fracionários em Binários 2015 = 2*103 + 0*102 + 1*101 + 5*100 = 2000 + 0 + 10 + 5 = 2015 Consideremos agora a conversão de um número fracionário da base 10 para a base 2.2.2 Sistema de Numeração Binário No sistema binário existem apenas 2 dígitos: 0 e 1. Estudaremos também a forma de armazenamento feita pelos computadores 0 2 2 digitais. 10011 = 1*24 + 0*23 + 0*22 + 1*21 + 1*20 = 16 + 0 + 0 + 2 + 1 = 19 Volte ao passo 1.2..2. .3 Conversão de Números Binários Fracionários em Decimais Com esta representação. 9.2. o maior sendo 9.a2a1a0)β. No caso geral. podemos facilmente converter um número representado em qualquer Consideremos agora a conversão de um número fracionário binário (base 2) para um número sistema para o sistema decimal. Para r = A conversão de um número decimal para binário é feita da seguinte forma: (0.5 + 0 + 0.. Existem 10 dígitos.02 + 0. . convencionou-se chamar o estado desligado de 0 e o estado ligado de 1.1012 = 0*20 + 1*2-1 + 0*2-2 + 1*2-3 = 0 + 0. em virtude das posições ocupadas pelos dígitos individuais no número 2015. ajβ + aj-1β +.2. Cada dígito de um número representado no sistema binário é denominado bit (contração de Passo 1: Calcule 2rk. o número decimal 19 é escrito em representação binária como 10011.125)10 teremos: r1 = 0.2. 3. faça: dk = 0 3.. pare..2 Conversão do Sistema Decimal para Binário Observar que o algoritmo pode ou não terminar após um número finito de passos.25 ⇒ d1 = 0 r2 = 0.0012 = 0*20 + 0*2-1 + 0*2-2 + 1*2-3 = 0 + 0 + 0 + 0. Como os circuitos eletrônicos usados no Passo 0: r1 = r.12510 = 0*100 + 1*10-1 + 2*10-2 + 5*10-3 = 0. j. decimal (base 10). área de informática.2. serão transmitidos ao usuário.2 Sistema de Numeração Existem vários sistemas numéricos. faça: dk = 1. .. o conjunto de 4 bits é denominado nibble e o de 8 bits de byte. 2. 0 ≤ ak ≤ (β – 1). Um número real entre 0 e 1 pode ter representação finita no sistema decimal.. este 0. (ajaj-1.2. k = 1.. de potências de 2. k = 1 2r1 = 0..25 − d1 = 0. existem β dígitos e o maior é β -1..2..25 k = 2 2r2 = 0. 1.+ a2β + a1β + a0β 3. seja r um número entre 0 e 1 no sistema decimal e (0. No sistema decimal. Um número 0. LSB 1 9 2 Na próxima seção.1 Sistema de Numeração Decimal No sistema de numeração usual.. 10 é a base do sistema. coeficientes apropriados.1 + 0.5 ⇒ d2 = 0 .. um número na base β. termo bastante utilizado na Se 2rk = 1.. pode ser escrito na forma polinomial: O bit menos significativo de um número binário recebe a notação de LSB (Least Significant Bit) e j j-1 2 1 0 o bit mais significativo de MSB (Most Significant Bit). . o MSB octal (base 8) e o hexadecimal (base 16).125 = 0. Por exemplo.. o sistema decimal. Por exemplo.

sendo portanto a representação binária finita. float x=0.2 = r2 e: representa o expoente de β e assume valores entre I ≤ e ≤ S.4 ⇒ d2 = 0 r3 = 0. e esta  1 0. 1 1010 = 10102 = 0. t. tem-se: Um computador que opera no sistema binário irá armazenar uma aproximação para (0. portanto.2 Usa-se. rotineiramente. comumente chamado de precisão da máquina.510 é. I.6 ⇒ d4 = 1 r5 = 0. teremos: r1 = 0.1)10 não tem  β2 β3 β t  representação binária finita. Quando essa somatória é efetuada utilizando o computador o valor é: 99. A forma normalizada é utilizada nas operações envolvendo ponto flutuante em computadores digitais.8 x=±   d1 β 1 + d2 β2 + d3 β3 + . 2.1)10 seriam realizadas com esta aproximação.20f". tem-se: dígitos na mantissa. respectivamente. Como r6 = r2. .2 e assim indefinidamente.0 ⇒ d3 = 1 return 0.31415 • 101 =  1  10 + 102 1 + 4 103 + 1 104 + 5  105  .1). k = 2 2r2 = 0. o número (0. printf("x = %.i<=1000. assim representado: int i. o número 2510 e 3. duas formas para fazer o armazenamento dos números em máquinas: ponto fixo (para valores inteiros) e ponto flutuante (para valores reais). Exemplo 1: No sistema de base β = 10 (decimal). O fato de um número não ter representação finita no sistema binário pode acarretar a ocorrência de erros aparentemente inexplicáveis em cálculos efetuados em sistemas computacionais binários. + dt  βt  .. teremos que os resultados para k de 2 e 5 se repetirão e então: r10 = r6 = r2 = 0. βe k = 4 2r4 = 1.1 * 23 = 2 * 23 #include <stdio.101 • 24 =  1 + 2 0 2 2 + 1  23  . o número x é representado na forma: k = 3 2r3 = 0..0012. representa um número real no sistema denominado aritmética de ponto flutuante. x). Supondo uma máquina digital que trabalhe com apenas 9 No sistema de base β = 2 (binário). isto é.)2 e. t = 10.1 Se trocarmos o tipo float para double (maior precisão) o resultado será 99. ou um computador digital. os seus dígitos significativos e t é o número de dígitos significativos do sistema de representação. a mantissa é um valor entre 0 e 1. 10 1 1000 S= ∑ 01. não é obtido corretamente num computador.3 Aritmética de Ponto Flutuante r2 = 0.. k = 1 2r1 = 0. portanto. o número (0.1)10 seria armazenado como (0. i++) x = x + 0.5 for (i=1. Não se pode. I = −15 { e S = 15.12510 = 0. Podemos agora entender melhor por que o resultado da operação:  3 3. k = 5 2r5 = 1... para a variação do expoente. . + é chamada de mantissa e é a parte do número que representa Concluímos que: (0.99999999999859310000.099609375)10.1)10.. d1 d2 d3 dt   β1 + + + . Neste sistema.. 9 10 r3 = 0. S: limite inferior e limite superior.8 ⇒ d3 = 0 r4 = 0.141510 = 0. todas as operações que envolvem (0.1.. r4 = 0 } Temos então 0. i = 1.1)10 = (0. 10 0 aproximação será usada para realizar os cálculos.4 Uma máquina de calcular. r6 = 0. uma vez que possui uma quantidade fixa de posições para guardar os dígitos de mantissa de um número.h> int main() Exemplo 2: Numa máquina de calcular cujo sistema de representação utilizado tenha β=2.2 ⇒ d5 = 1 di: são números inteiros contidos no intervalo 0 ≤ di ≤ (β . Portanto. esperar um resultado exato.12510 =  1  10 + 2 102 + 5  103  .00011001100110011.99904632568359380000. .6 onde: β: é a base em que a máquina opera. k = 3 2r3 = 1.2 4 1000 1 O programa a seguir permite calcular ∑ 01.. n=1 Os números assim representados estão normalizados.2 ⇒ d1 = 0 3. Veremos na próxima seção a representação de números em aritmética de ponto flutuante com o objetivo de se entender melhor a causa de resultados imprecisos em operações numéricas. sendo 100 o valor exato dessa somatória. Já para r = 0. i=1 410 = 1002 = 0.000110011)2 e este número representa exatamente (0.110. d1 ≠ 0.

345*10-7. portanto. [−32736. 3. Através desses exemplos pode-se concluir que o conjunto dos números representáveis neste sistema é um subconjunto dos números reais. x = 0. É importante observar que os 0.1 * 2-15 = 0. 0 ≤ dj ≤ 9.4E−38 3.  1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10  * 2 2 2 2 2 2 2 2 2 2 2  Os números serão representados da seguinte forma nesse sistema: ou.7E+308 long double 80 3. em valor absoluto. x = 0. e ∈ [-5. | x | > M: por exemplo. x será representado por 0. representado nesta máquina é: Mantissa expoente m = 0.875*109. Esta é uma situação em que a máquina acusa a ocorrência E o menor valor seria: −0. 5] 1100100000 0101 O menor número (m).000015289 intervalos de ponto flutuante.5]. 16 bits. uma máquina que opera no sistema: 1 1 0 0 1 0 0 0 0 0 101 β = 10. 32736]. o tempo de execução e requerimento de memória aumentam de forma significativa.4 Propagação de Erros Durante as operações aritméticas de um método.4E+4932 0 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 O tipo long double é o tipo de ponto flutuante com maior precisão. os números que podem ser representados nesta máquina estariam contidos no intervalo a ocorrência de overflow.236*103. o valor zero seria representado por: dupla.1111111111 * 21111 = 3273610 2. d1 ≠ 0. e ∈ [−5.235*103 e.4E−4932 3. neste 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 caso. x será representado por 0. na base decimal. que. nesta máquina são utilizados 10 bits para a mantissa. esta variável será representada no sistema de aritmética de ponto flutuante da máquina. 11 12 2510 = 110012 = 0. por exemplo. de uma forma mais compacta: 0. x ∈ G: por exemplo. 3. 3. no total.4E+38 O subsequente seria: double 64 1. dentro do intervalo mostrado anteriormente.100 * 10-5 = 10-6 Cada dígito é chamado de bit. mas os números podem assumir valores tanto positivos quanto negativos.d1d2d3 * 10e. Este número não pode ser representado nesta máquina porque o expoente e é menor que −5. estão indicados em faixa de expoente. é: o sinal do expoente. Neste caso. x = 235. t = 3. tem o seguinte valor: 0.235*103 e 0. mas com aproximadamente o dobro de dígitos disponíveis na mantissa.23589 * 103. resultando.1000000001 * 2-15 = 0. Algumas linguagens de programação permitem que as variáveis sejam declaradas em precisão Nesta máquina. Na próxima seção.999 * 105 = 99900 2510 = 0 1 1 0 0 1 0 0 0 0 0 0 0 1 0 1 Valor da Mantissa Expoente Considere o conjunto dos números reais R e o seguinte conjunto: Sinal da Mantissa Sinal Exp. estudaremos o truncamento e o arredondamento. se bit=1 negativo) e um bit para e o maior número (M). várias situações poderão ocorrer: 0 1 1 1 0 0 0 0 0 0 0 0 0 0 1 0 1.11001 * 25 = 0.7E−308 1. Neste caso o expoente e é maior que 5 e a máquina acusa Logo. O próximo número positivo representado seria: O C fornece três tipos para números de ponto flutuante.11001 * 2101 Considere. Se for usado o truncamento.89 = 0. que são assim representados: M = 0. É importante observar que.111 * 210 G = {x ∈ R | m ≤ | x | ≤ M} Dado um número real x. | x | < m: por exemplo. ainda. sobre erros. os erros dos operandos produzem um erro no . Observe que este número possui 5 dígitos na O maior valor representado por esta máquina descrita no exemplo 2 seria: mantissa.1111111111 * 21111 = − 3273610 de underflow.236*103. 4 para o expoente e mais um bit para o sinal da mantissa (se bit=0 positivo. se for usado o 0 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 arredondamento. em valor absoluto. Estão representados exatamente nesta máquina os números: 0. Cada tipo tem um intervalo e uma precisão especificada: 0 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 Tipo Nº de bits Intervalo 0.510 = 0. na tabela acima.000015259 Inicio Fim float 32 3.

na maioria das vezes.1.0000 4. Este tipo de método. 2a PROGRAM Baskara. os erros dos operandos. x2 : REAL. cujo resultado tem 8 dígitos.2345*100 tem-se: (x2 + x1) − x1 = (0.1 Derivada de uma função num ponto x2 + (x1 − x1) = 0. Exemplo: Suponha-se que as operações abaixo sejam processadas em uma máquina com 4 dígitos significativos e fazendo-se: x1 = 0. 13 14 resultado da operação. em que o valor obtido a cada passo depende de valores obtidos em passos anteriores. b os valores exatos e aproximados. x1. 2}. mas sim uma solução aproximada dentro de uma faixa de erro considerada aceitável.1. quando não deveriam ser. Esta raiz é exata. b]. como mostra a figura abaixo. b. delta : INTEGER.2345 ∆y f ( x ) − f (a ) f ( a + ∆x ) − f ( a ) Os dois resultados são diferentes.3491*104 − 0.2345*100 + 0. B. b := -3.2345 + 0.4*a*c. IF delta >= 0 THEN BEGIN x1 := (-b + SQRT(delta)) / (2*a). o limite é chamado derivada de f no ponto a.3491*104) − 0. a. e Ea e Eb. Quando f é derivável em a.3491*104 e x2 = 0.SQRT(delta)) / (2*a). c := 2. que terá como conjunto solução {1. Vejamos através de um exemplo.3491*104 a 0 b x ξ = 0.x1). BEGIN a := 1.3491*104 − 0. pois a adição é uma operação lim = lim = lim ∆x →0 ∆x x →a x−a ∆x→0 ∆x distributiva. a menos de erros de arredondamento.1 Introdução A − B = (a + Ea) − (b + Eb) = a − b + Ea − Eb ∴ EAA-B = Ea − Eb Seja F(x) uma função real definida num intervalo [a. WRITELN('x2 = '. VAR a. Exemplo: Seja F(x) = x2 − 3x + 2.2 Tipos de Métodos de arredondamento. {f(x) = x^2 .3491*104) A função ƒ : A → R diz-se derivável no ponto de acumulação a ∈ A quando existe e é finito o = 0.3*x + 2} delta := b*b . b) tal que F(ξ) = 0. sendo A. os menos significativos foram desprezados. END ELSE WRITELN('Nao possui raizes reais'). Pode-se dizer que são dois os métodos para se achar a(s) raiz(es) de uma equação: Método direto: quando fornece solução em apenas um único passo.2345*100 + (0.0000 limite: = 0.3491*104 = 0. recursivo. Ao se utilizar máquinas de calcular deve-se estar atento a essas particularidades causadas pelo erro 4. A causa desta diferença foi um arredondamento feito na adição (x2 + x1). respectivos. b] A * B = (a + Ea) (b + Eb) = ab + aEb + bEa + Eb*Ea ∴ EAA*B = aEb + bEa + Eb*Ea a todo ξ (csi) ∈ (a. WRITELN('x1 = '. não só na adição mas também nas outras operações. END. como os erros descritos anteriormente podem influenciar o y f(x) desenvolvimento de um cálculo. não obtém solução exata para as raízes. .x2). Método iterativo ou indireto: é um processo de cálculo infinito. Como a máquina só armazena 4 dígitos. x2 := (-b . Chama-se raiz(es) desta função em [a. c : INTEGER. 4 Zeros de Equações Transcendentes e Polinomiais A + B = (a + Ea) + (b + Eb) = a + b + Ea + Eb ∴ EAA+B = Ea + Eb 4. A solução direta pode ser obtida através da fórmula de Baskara com a − b ± b2 − 4ac expressão: X = .

Dependendo da escolha do ponto de quebra do intervalo. entre tantas outras. um número ξ ∈ (a. que ainda termos. devido a extensão de seu conteúdo. estes métodos devem fornecer uma seqüência {xi} de aproximação.3 Isolamento de Raízes É importante salientar. x0 = 1). Teorema: Se uma função f(x) contínua num intervalo [a.1. com um erro tolerável. b). representadas no computador. b): Como vimos anteriormente. localização e separação Essas equações. Não faremos maiores considerações sobre este importante tópico. obtendo assim uma melhor um importante teorema da álgebra. achar um intervalo [a. o serão de forma aproximada. até que os erros sejam aceitáveis. estamos interessados em obter esses valores. ou seja. valores exatos. colocada sob a forma ax2 + bx + c = 0. . neste momento. para serem 4. que normalmente. 2. podemos salientar que o problema de isolar raízes constitui-se da enumeração. uma raiz da equação f(x) = 0.F(b) > 0. com uma a raiz exata ξ. necessariamente. demonstram os exemplos abaixo: • Se F(a). a não ser em casos particulares. Na seção anterior vimos como delimitar as raízes reais de F(x) = 0.4 Classificação dos métodos x ' = lim xi i →∞ Métodos de quebra: Os métodos de quebra são os mais intuitivos geometricamente. pois na pratica não calcularemos infinitos que contenha uma raiz da função. precisão. usa-se freqüentemente executados em um computador que permite agilizar os cálculos matemáticos. • Método da Bisseção. | f(xn) | ≤ ε ( abordagem pelo eixo y) Para se calcular uma raiz duas etapas devem ser seguidas: | xn − xn-1 | ≤ ε (abordagem pelo eixo x) • Isolar a raiz. o cálculo das duas raízes de uma equação do segundo grau. são os que convergem mais lentamente.1 Número de Raízes Reais x x n =  n −1  . então existe um número impar de raízes reais (contando suas uma expressão em que apareça uma equação transcendente.3. por não ser o objeto de estudo tão comum em diversas áreas da engenharia. então existe um número par de raízes reais (contando suas multiplicidades) ex + x = 0 ou não existe raízes reais no intervalo (a. 15 16 4. Como veremos adiante. b) tal que f(ξ) = 0. Entretanto. Mesmo um polinômio de grau maior que três já não tem uma solução algébrica simples como a da equação do segundo grau. e por merecer um trabalho a parte. passa-se a calculá-la através de métodos numéricos.1. Em cada aproximação xn. A verificação. cos(x) – x = 0 ln(x) + x – 2 = 0 A determinação do número de raízes de equações transcendentes geralmente é quase impossível. para n = 1. b]. b]. pode ser feita de dois modos Os métodos numéricos a serem apresentados. em geral. f(b) < 0. nos levam a raízes reais não racionais que. sem a pretensão de obter resultado com a tolerância ε pré-fixada. contudo. assim.. são facilmente obtidas pela fórmula de Baskara. pelas razões já expostas no capítulo anterior.3. pois algumas equações podem ter um número infinito de raízes. Depois de isolar a raiz no intervalo [a. em outras palavras haverá.F(b) < 0. Agora iremos verificar quantas 2 raízes existem no intervalo delimitado. no mínimo.  x   + xn −1  4.1. os métodos iterativos são mais precisos quando Nesta fase é feita uma análise teórica e gráfica da função f(x). das ciências. de que xn está "suficientemente" próxima da raiz. para a maioria dos problemas práticos encontrados. refiná-la até o grau de exatidão requerido. se colocarmos • Se F(a). mas apenas o suficiente para atingirmos a exatidão desejada. buscam diferentes (que podem levar a resultados diferentes): aprimorar esses valores. b] assume valores de sinais opostos nos Exercício: Calcular 4 e de 2 usando o Método de Newton definido por: pontos extremos deste intervalo. Os métodos a seguir dão uma boa indicação sobre o número de onde: x: o número a ser calculado a raiz raízes do intervalo. da física. diminuindo os erros. isto é. dos valores das raízes procuradas. da economia.. tendo em vista que necessitariam de infinitos dígitos. com algumas casas decimais. partindo de valores inicialmente propostos. Isso é mais do que suficiente. então o intervalo conterá. que contenha uma e somente uma raiz da equação f(x) = 0. Vamos analisar como enfrentar esse problema. com enorme freqüência. essas raízes. da raiz exata ξ. b). o menor possível. Entretanto. Teorema de Bolzano: Seja F(x) = 0 uma equação algébrica com coeficientes reais e x ∈ (a. em suas mantissas. Estes métodos são assim chamados porque a partir de um intervalo Além disto. x0: uma atribuição inicial qualquer diferente de zero (por exemplo. como multiplicidades) no intervalo (a. cujo limite é Além disso. f(a).2 Refinamento representadas. contenham a raiz.1. podendo-se garantir que sejam erros inferiores a valores pré-definidos. Para tal fim. ao serem das mesmas. usa-se um destes critérios e compara-se o determinada precisão. isto é. 3. a solução já não é tão simples. no mínimo. Com a | x n − xn −1 | abordagem iterativa precisamos determinar um intervalo inicial para construirmos a seqüência ≤ε {xi} e teremos que a raiz x' será dada por: | x n −1 | 4. Observa-se que dependendo dos números envolvidos é aconselhável usar os testes de erro relativo: • Melhorar o valor da raiz aproximada. poderemos ter diferentes métodos. tais como. . temos que estipular critérios de parada. aproximando-se. vai-se particionando este intervalo em outros menores.

0625 0. havendo.2. pois se o intervalo inicial é tal que b0 − a0 >> ε e se ε for muito pequeno.. Vimos que: Métodos de ponto fixo: Nos métodos de ponto fixo começamos de uma aproximação inicial x0 e bk −1 − a k −1 b0 − a 0 bk − a k = = construímos a seqüência {xi} na qual cada termo é dado por xi+1 = ζ(xi). deste método. o numero de iterações (k) tende a ser muito grande.41810 2. • Método da Iteração Linear. senão f(a).2 contida no intervalo [2. a raiz estará no subintervalo onde a 4.ln(x) − 3. 3]. então teremos b = xn. Exemplo: • Método da Secante.96875 3 −0. 3] a+b xn = . b0 − a0 b0 − a 0 Métodos de múltiplos pontos: Os métodos de múltiplos pontos constituem uma generalização do <ε < 2k 2k ⇒ ε método anterior. então ξ = x1. Interpretação geométrica do método da bisseção • A convergência é muito lenta. obtém-se x1.125 0.9375 2. log(2) b). com erro ≤ 10-2. f(x1) < 0 então ξ ∈ [a.875 3 −0. caso contrário. Portanto. quantas iterações serão efetuadas pelo método da bisseção até que se obtenha | b − a | ≤ ε. sendo que ξ ∈ (a. xi-1. . se f(a).90927 0.03467 2. (dzeta) teremos diferentes métodos de ponto fixo. b].41810 0. • Pode ser difícil encontrar um intervalo [a. temos: b) Escolha do intervalo: f(2) = −1. ao final da iteração k teremos o intervalo [a.81371 f(3) = 0. tal que f(ξ) = 0. b] e seja ξ uma raiz desta função. a priori.875 2.75 3 −0.2. a+b a) Algoritmo: x n = O processo se repete até que se obtenha uma aproximação para a raiz exata ξ.16385 0.03467 0. para n = 1. log(b0 − a0) − log(ε) < k * log(2) 4. em equações com raízes de f(a) multiplicidade par ou muito próximas. ou seja. f(b) < 0..2 Considerações Finais • As iterações não envolvem cálculos laboriosos. no momento em que a máquina avalia o sinal do ponto 0 x4 x x2 3 b x médio. Se f(x1) = 0.16385 −0.09584 Algoritmo: ξ ∈ [2. Deve-se obter o valor de k tal que bk − ak < ε.03467 −0. tal que f(a). Então.03467 0. poderemos ter um intervalo que efetivamente não contém uma raiz.96875 −0. f(x1) > 0 e ξ ∈ [x1.015625 0.00217 Considerando uma precisão ε e um intervalo inicial [a.. b] ao meio.9375 2. ou seja.16385 Restrição: É necessário conhecer um intervalo que contenha o valor desejado ξ.81371 −0.2.03125 0. • Apesar de teoricamente seguro. f(xn) < 0. b]. x1] e [x1. senão a = xn. mesmo que pequeno. 2.03042 0. a ser considerados.5 2. por indução.2 Método da Bisseção log(b0 − a 0 ) − log(ε ) <k Seja f(x) uma função contínua no intervalo [a.5 0. Se ocorrer um erro de a x1 ξ arredondamento. o método pode ter falhas. ou seja. onde ζ é uma função de iteração. • Deve ser utilizado apenas para diminuir o intervalo que contém a raiz. 3. tais como. . [a. Exemplo 1: Encontrar a raiz da função f(x) = x.1 Estimativa do Número de Iterações 2. usando o algoritmo e) Resposta: . pois. 2. 17 18 • Método da Falsa Posição. xi-p..9375 3 −0. se k satisfaz a relação acima. onde para determinar um ponto xi+1 utilizamos vários pontos anteriores: xi.75 2. b] que contem a y raiz ξ. f(x) f(b) 4. • Método de Newton-Raphson. x1].. Dividindo o intervalo [a. que o 2 critério de parada seja satisfeito.25 0.3 Exemplos função tem sinais opostos nos pontos extremos.90927 −0. b] é possível saber.00217 0. c) Valor do erro: 2 erro ≤ 10-2 Se f(a).5 3 −1.03042 4. dois subintervalos. b]. d) Iterações: Critério de Parada: f ( xn ) ≤ erro a Xn b f(a) f(xn) | xn − a | ε = | f(xn) | 2 2.90927 ou | b − a | ≤ erro 2.41810 −0.953125 2. 2 2k Conforme for ζ.

b] e seja ξ uma raiz desta função. que f(x2). Se f(a). 4. determinamos o ponto x2 e verifica-se. a f ( b) + b f ( a ) x = . b].f(x1) < 0. A figura abaixo mostra graficamente os quatro casos que podem ocorrer: . contida no intervalo [1. a segunda derivada existe em [a. senão a = x1. Este caso especial também é chamado de Método das Cordas. o método da falsa posição toma a média aritmética ponderada entre a e b com pesos | f(b) | e | f(a) |. xn é obtido através da média aritmética entre os extremos a e b: = ∴ = 1 ∴ x1 − a = ∴ a+b x1 − a − f (a ) f (b) − f ( a ) − f ( a ) f (b) − f ( a ) xn = 2 Na maioria das vezes a raiz está mais próxima de um dos extremos do intervalo.59375 Representação geométrica do método da falsa posição 4. Se partirmos do (b − a )( f ( a )) x1 = a − princípio de que a raiz deve estar mais próxima do ponto que apresenta o menor valor da função. 3. 2]. pontos (a. com erro ≤ 10 . b] e f”(x) não muda de sinal nesse intervalo. sendo que ξ ∈ (a.65625 a x2 0 ξ x1 b x -x -2 f(a) Exercício 3: Encontrar a primeira raiz positiva da função f(x) = e − sen(x). para n = 1. . b]. então.1 Casos especiais Se f(x) é contínua no intervalo [a. f(a)) e (b.. ou seja. agora. com erro ≤ 10-2.3 Método da Falsa Posição O algoritmo deste método também pode ser encontrado através da análise dos triângulos formados pela reta (a. caso contrário teremos a = x1.f(x1) < 0. na interseção da reta que une os Se f(a). senão a = xn.f(a) < 0. Critério de Parada: | xn − xn-1 | ≤ erro (x0 = a ou x0 = b) O método da falsa posição aplicado na figura abaixo mostra que f(x1). f(a)) e (b. respectivamente: Se f(a).953125 y f(b') f(b) f(x) 2 -2 Exercício 1: Encontrar a raiz de f(x) = x − 3. então. Escolhe-se então um novo subintervalo conforme for a variação do sinal da curva f.f(x1) < 0. . por indução temos: n f ( b) + f ( a ) Algoritmo: af (b) − bf ( a ) af (b) − bf ( a ) − af (a ) + af ( a ) (b − a ). Resposta: A raiz desejada é ξ = 0. x1) ou (x1. Se uma função é côncava ou convexa em [a. temos então: Então. devemos verificar. Pode ser usado também o critério: f ( xn ) ≤ erro Após encontrar o ponto x1. daí o processo se repete até que o critério de parada seja satisfeito.5. daí o processo segue tendo o intervalo (x1. pela Seja f(x) uma função contínua no intervalo [a. x =a− Para n = 1..f(b) < 0 então o método da falsa posição gera uma seqüência convergente. se a raiz está entre o Restrição: intervalo (a.3. com isso. f(b)) com o eixo x. f (a ) xn = f (b) − f ( a ) = f ( b) − f ( a ) = a− f ( b) − f ( a ) . b−a f (b) − f ( a ) b−a x −a (b − a )( − f ( a )) No caso do Método da Bisseção. b] com f(a). Resposta: A raiz desejada é ξ = 0. f ( a ) (b − a ). visto que f(a) e f(b) têm sinais opostos. este método procura particionar o intervalo [a. então teremos b = x1. f(b)) com o eixo x. x1). como no caso da bisseção. então teremos b = x1. Seja o triângulo f(a)x1a e o triângulo f(a)f(b)f(b’).. f ( b) − f ( a ) em vez de tomar a média aritmética entre a e b.. 2. então teremos b = xn. Continuando o processo. Este ponto é representado como xn. então no método da falsa posição teremos sempre uma das extremidades fixa. tal que f(ξ) = 0. 1]. 2. o novo intervalo que contém pelo menos uma raiz real é dado por (a. A partir daí o processo se repete até que o critério de parada seja satisfeito. 19 20 A raiz desejada é ξ = 2. A partir É necessário conhecer um intervalo que contenha o valor desejado ξ.f(xn) < 0. Resposta: A raiz desejada é ξ = 1.734375 Exercício 2: Encontrar a raiz da função f(x) = x2 + ln(x) contida no intervalo [0. com erro ≤ 10 . n f (b) − f ( a ) Graficamente. b). 3. x2). propriedade da semelhança de triângulos temos: b).

∴ a = x2 a ξ ( 2 − 1. (b − a ).58 y y ( f ( 2) − f (1. b é ponto fixo. portanto.58 | = 0.3. b). 0].51 − 1 | = 0. 4.(3. Exemplo 1: Determinar pelo método da falsa posição a menor raiz positiva da função de quarto grau f(x) = x4 − 26x2 + 24x + 21 até que o erro absoluto seja igual ou inferior a 0.4 Método da Iteração Linear f’(x) = 4x3 − 52x + 24 Seja f(x) uma função contínua no intervalo [a.51 − = 1. com o erro ≤ 0.49)( 3. f(a) > 0 e f(b) < 0.51 > erro f "( x ) < 0 f "( x ) < 0 f(a).2 Considerações finais ξ = 1.3.07 > erro f(a).f”(2) > 0 ∴ a concavidade não muda.001.58)) (0.58 − 1. pode-se transformar f(x) = 0 em duas funções que lhe sejam Em primeiro lugar.42)(0. − = 1.3 Exemplos Resposta: ξ = −0.58) = 2. Exercício 1: Calcular a raiz aproximada para a equação f(x) = cos(x) + x.58)( f (1. pode ser mais lento que a bisseção. a) Algoritmo: x =a− f (b) − f ( a ) n f(x) = x4 − 26x2 + 24x + 21 4.10 x2 ξb x 3 = 1.59 é a primeira raiz positiva do polinômio.5677 é a raiz procurada da equação. deve-se procurar o intervalo onde possivelmente esteja a primeira raiz equivalentes. Sabe-se que a raiz efetuados com 2 casas decimais e com arredondamento. o método tem boa convergência. y f(x) y temos f”(x) < 0. f (a ) Resposta: ξ = −0.51 | = 0.51 − = 151 .58 − = 1.3858 > 0.  y = g (x) c) Valor inicial: . sendo ξ ∈ (a.7391 é a raiz procurada da equação.58 − = 1.01. f”(x) = 12x2 − 52 tal que f(ξ) = 0. Os cálculos devem ser Exercício 2: Calcular a raiz negativa para a função f(x) = ex + x.58 − = 1. está contida no intervalo [−1.f(x2) = (1.01 < erro Método da falsa posição com uma das extremidades fixa f) Resposta: 4.f(x1) = (20).51). positiva.16) −22.24 f(a) f(b) | x3 − x2 | = | 1.55) x 2 = 1.2 > 0.51)( f (1. b] e seja ξ uma raiz desta função.59 − 1.24) 0.16) = 63. f(b) f(a) d) Valor do erro: erro ≤ 10-2 e) Iterações: f(x) a x1 x2 x1 b ( 2 − 1)( f (1)) (1)( 20) 20 0 x2 ξ b x 0 a ξ x x1 = 1 − = 1− = 1− = 1. • Se o ponto fixo existir e for razoavelmente próximo da raiz. b) Escolha do intervalo: Por um artifício algébrico.24) −19. 2) existe uma raiz positiva. entre (1. logo. f(2) = −19. f(1) = 20.(1.58)) −19 − (0. portanto a raiz está no intervalo (x1.51)) (0.51 ( f ( 2) − f (1)) ( −19 − 20) −39 f(a) f(b) | x1 − a | = | 1. com ε ≤ 0.51)) −19 − ( 3. então a = x1 ⇒ a é ponto fixo ⇒ b é ponto fixo f ( a ) < 0 e f ( b) > 0 f (a ) > 0 e f ( b) < 0 ( 2 − 1. b).16 f(x) f(a) f(b) f(x) | x2 − x1 | = | 1.01.16) (1.59 0 x1 b x 0 a x1 x2 x ( f ( 2) − f (1. 21 22 f "( x ) > 0 f "( x ) > 0 a=1 b=2 ⇒ b é ponto fixo ⇒ a é ponto fixo f ( a ) < 0 e f ( b) > 0 f (a ) > 0 e f ( b) < 0 f”(1) = −40 f”(2) = −4 → f”(1). caso contrário. Através da análise do valor da função nos primeiros pontos do eixo dos x temos que: y = x f(x) = 0 →  f(0) = 21.

Empiricamente. Critério de Parada: 4. com um erro ≤ 10-4. calcula-se g(x0). y y=x y y=x y y=g(x) y=x y=g(x) y=g(x) 0 0 x0 x1 x2 ξ x x0 x x ξ x3 x1 x 2 4 f(x) 0 ξ x Divergência monotônica Divergência oscilante g’(x) > 1 g’(x) < −1 y y=g(x) y=x y y=x Interpretação geométrica do método da iteração linear Sendo x0 a primeira aproximação da raiz ξ. senão x0 = b. x3 = g(x2) e assim sucessivamente. 5.2 Considerações finais | xn − xn-1 | ≤ erro • A maior dificuldade neste método é encontrar uma função de iteração que satisfaça à condição de convergência. 3. .4. Faz-se então. xn − ξ | ≤ erro. 2. y=g(x) Então. A velocidade de convergência dependerá de | g'(ξ) |: quanto menor este valor maior será a O extremo mais rápido para iniciar o método é aquele para o qual o módulo da primeira convergência. por indução.. x1 = g(x0). Convergência monotônica Convergência oscilante 0 < g’(x) < 1 −1 < g’(x) < 0 a) Algoritmo: x n = g ( xn −1 ) b) Escolha da função de iteração: y=x .4. sabe-se que o método tem sucesso quando | g'(x) | < 1 em todo intervalo..4. conforme vemos na figura abaixo: 4. pelo MIL.3 Exemplos para a escolha. derivada é menor. Exemplo 1: Dada a função f(x) = x2 + 3x − 40. obter sua raiz contida no intervalo [4. temos: 0 0 Algoritmo: x2 x1 x0 ξ x x4x2x0 ξ x1x3 x x n = g ( x n −1 ) Convergência no método da iteração linear para n = 1.5].5.1 Casos de convergência y y=x Seja f(x) = x3 − 5x + 3. 23 24 onde g(x) é chamada de função de iteração. Vamos observar graficamente o problema e verificar que há funções g(x) que não são indicadas 4. • Devemos observar que o teste de erro ( | xn − xn-1 | ≤ erro ) não implica necessariamente que | Se | g'(a) | < | g'(b) | então x0 = a. Possíveis g(x): x3 + 3 g(x) = (5 x − 3) 1 g(x) = 3 5 5x − 3 −3 y=g(x) g(x) = g(x) = x2 x2 − 5 0 Como podemos ter várias funções g(x). x2 = g(x1). vamos estabelecer algumas condições para que os ξ xn xn-1 x resultados sejam satisfatórios. Melhor extremo: • Teste de | g'(x) | < 1 pode levar a um engano se x0 não estiver suficientemente próximo da raiz.

f ( x n −1 ) Resposta: A raiz desejada é ξ = 0. Exemplo 1: Calcular a raiz positiva da equação f(x) = 2x − sen(x) − 4 = 0. b] e seja ξ uma raiz desta função. f''(xi) > 0 Para i = {extremos do intervalo} x9 = 5. 3] f(x1) c) Melhor extremo (valor inicial): a ξ β α b=x0 f(2) = −0.9093 f''(3) = 0.2 Exemplos Exercício 1: Dada a função f(x) = x2 + 3x − cos(x) − 2.99599 Melhor extremo: x5 = 5. b) a iniciar o método.5. 1].14782 Restrição: x2 = 4. que é obtido com base no −3 f ( x1 ) y= 40 − 3x y' = → convergência oscilante mesmo raciocínio anterior: x 2 = x1 − .5) = −0. obter sua raiz contida no intervalo [0.. 2 40 − 3x f ' ( x1 ) Se x 2 − x1 ≤ erro .9093 f(3) = 1.5.99964 qual dos extremos possui função e segunda derivada com mesmo sinal: x7 = 5. então x2 é a raiz desejada.3094 ∴ x0 = 4.00003 < erro 4.00011 x8 = 4.01335 x4 = 4.99997 f(xi).. sendo ξ ∈ (a. Então temos: f ( x0 ) f ( x0 ) 40 − 40 tgα = f ' ( x0 ) ∴ f ' ( x0 ) = ∴ x1 = x0 − y= y' = → convergência oscilante x0 − x1 f ' ( x0 ) x+3 ( x + 3) 2 Se x1 − x 0 ≤ erro .. tal f(x) = 2x − sen(x) − 4 que f(ξ) = 0 e f’(x) ≠ 0. .5 Método de Newton-Raphson ou Método das Tangentes Seja f(x) uma função contínua no intervalo [a. com erro ≤ 10-3. 3. x3 = 5.1 Considerações finais f) Resposta: • Requer o conhecimento da forma analítica de f '(x)..00000 | x9 – x8 | = 0.5) = −0..00120 Para decidir qual o melhor extremo do intervalo (a.2914 y'(5.8161 a) Algoritmo: x n = x n −1 − f ' ( x n −1 ) 4.95546 É necessário conhecer um intervalo que contenha o valor desejado ξ.45. mas sua convergência é extraordinária.5 x n = x n −1 − . para n = 1. senão deve-se calcular x3. temos: y= 40 − 3 x → y' = − 2 * 40 − 3x Algoritmo: f ( x n −1 ) y'(4. f(3) < 0 → ξ ∈ [2. A raiz desejada é ξ = 5. então x1 é a raiz desejada. método de NR. com um erro ≤ 10-2.9093 f(3) = 1. 25 26 x 2 − 40 − 2x Interpretação geométrica do método de Newton y= y' = → divergência oscilante −3 3 Tomemos x0 = b. senão deve-se calcular x2.8589 0 x2 x1 x'1 x f''(2) = 0. f ' ( x n −1 ) d) Valor do erro: erro ≤ 10-4 Critério de Parada: x n − x n −1 ≤ erro e) Iterações: x1 = 5. xn. usando o pelo MIL. .1411 ∴ x0 = 3 f(a) d) Valor do erro: .5.00000 4. 2. Então. f´(x) = 2 − cos(x) f''(x) = sen(x) y b) Escolha do intervalo: f(x) f(2) = −0.8589 f(x0) f(2). por indução. até que c) Melhor extremo (valor inicial): 3 x n − x n −1 ≤ erro . basta verificar x6 = 4. b).

f(9) = 4 f'(x) = 3x2 f''(x) = 6x f(8). 27 28 erro ≤ 10-3 1ª) Se f(a). Os cálculos devem ser realizados com 4 decimais com arredondamento e erro não superior a 0. bastaria que o intervalo | x3 − x2 | = | 8.3783 − = 2.3543 | = 0. 4ª) Se f'(a).3783) 0.9900 no intervalo (a.3542 f ' ( 2. 9] c) Melhor extremo (valor inicial): Resposta: A raiz desejada é ξ = 1. | x3 − x2 | = | 2. b) (Teorema de Bolzano). f"(b) > 0. f(b) > 0.6217 > erro crescente ou apenas decrescente.3543) 0.5001 f ' (8. f (3) 1.5001 − = 8.3783 f ' (3) 2. 9]. f'(8) = 6.5294) 7. então a função terá o comportamento de ora crescer ora decrescer.5 f”(x) = 2 Exercício 1: Obter a raiz cúbica de 5.5x + 8.5.5294 | = 0.5001 − 8. sabendo-se x 1 =9− =9− = 8.0001 < erro f ( x n −1 ) a) Algoritmo : x n = x n −1 − f ' ( x n −1 ) f) Resposta: f(x) = x2 − 9. b) Escolha do intervalo: f(x) = x3 − 5 f(8) = −3.5001 | = 0.001.5 arredondamento e erro não superior a 0. Com isso.7058 Exemplo 2: Seja a função f(x) = x2 − 9.7100 f(8) = −3.5000 4.5x + 8.1416 f (8.8589 2ª) Se f(a). haverá convergência à uma raiz no intervalo (a. f"(b) > 0.7226 Portanto.3 Condições de Newton-Raphson-Fourier f ' (8. f'(a). f(b) < 0. f'(b) < 0.3542 − 2.0002 x 3 = 2. com erro ≤ 10 .5 f(9) = 4 f(8). obter a raiz contida no intervalo [8. então a concavidade não muda no intervalo em análise. f′(9) > 0 f"(8) = 2 f"(9) = 2 f″(8). Raphson e Fourier concluíram que um intervalo pequeno é aquele que contém uma e somente uma raiz. para haver a convergência à uma raiz em seu método. f ( 2. f ( 2.5294 que está contida no intervalo (3.3543 − = 2. f″(9) > 0 f(x) = x3 − 5x2 + x + 3 ∴ x0 = 9 f´(x) = 3x2 − 10x + 1 d) Valor do erro: f''(x) = 6x − 10 erro ≤ 10-3 Resposta: A raiz desejada é ξ = −0.5. f'(b) > 0 e f"(a).3543 6ª) Se f"(a).5 A raiz desejada é ξ = 2.3783 − 3 | = 0.5 f′(8). | x1 − x0 | = | 8.5294 − = 8.f(b) < 0. então existe um número ímpar de raízes reais (contando suas multiplicidades) x1 = 3 − = 3− = 2.0293 > erro Resposta: A raiz desejada é ξ = 3. b) (Teorema de Bolzano). Deseja-se saber uma das raízes desta função.0008 x 3 = 8.5294 − 9 | = 0.5588 f''(x) = −sen(x) − 2sec2(x) tg(x) | x2 − x1 | = | 8.5001 − = 8. então o comportamento da função neste intervalo poderá ser apenas | x1 − x0 | = | 2.001. 3ª) Se f'(a).3542 f’(x) = 2x − 9.0653 5ª) Se f"(a). Todos os cálculos devem ser realizados com 4 casas decimais com f ' ( 9) 8.5 f'(9) = 8.3783) 2.3543 − = 2. então existe um número par de raízes reais (contando suas multiplicidades) ou e) Iterações: não existe raízes reais no intervalo (a.2214 f'(x) = cos(x) − sec2(x) x 2 = 8.4706 > erro f(x) = sen(x) − tg(x) f (8.5002 Segundo Newton. b) em análise fosse suficientemente pequeno. f'(b) > 0. f"(b) < 0.64575 e) Iterações: f ( 9) 4 Exercício 3: Seja a função f(x) = sen(x) − tg(x). Contudo. usando o método NR sendo o erro ≤ 10-3.5001) 7.5001) 0.0240 > erro f(a).3783 | = 0.3543 − 2.0001 < erro (a.5294) 0.5000 . x 2 = 2. f(9) < 0 → ξ ∈ [8. f(9) < 0 3 2 -4 Exercício 2: Calcular a raiz negativa de f(x) = x − 5x + x + 3. f ' ( 2. b) se e somente se: | x2 − x1 | = | 2. 4).5. então a concavidade muda no intervalo em análise.3783 − = 2. algumas condições foram f) Resposta: estabelecidas para que tal exigência fosse válida: A raiz desejada é ξ = 8.5294 − = 8.3543) 2.5000 − 8. e nunca os dois se alternando.

1798) = 1. A intersecção desta reta com o eixo x fornece o ponto x2. f ( xn) − f ( xn − 1) x3 = 2.9977 | = 0. pode ser mais lento que o método de Newton-Raphson. f (x1)). x1 = 2 e o erro ≤ 0. 10-3.7) = 1.0357) = 2..5.84 ( xn − xn − 1).6 Método da Secante Uma grande desvantagem do método de Newton é a necessidade de se obter a derivada f’(x) e Critério de parada: calcular o seu valor numérico a cada iteração.1798) | x4 − x3 | = | 2.0357).9977 − (1.0357) − f (1. sendo x0 = 0.05. É importante salientar também que a raiz não necessita estar Exercício 4: Calcular a raiz da equação f(x) = x3 − x + 1 = 0. sendo x0 = 1. 0 ξ x4 x1 x Exercício 1: Calcular a raiz da função f(x) = 3x − cos(x).5914 é a raiz procurada.7 | = 0.0357) − 0.0357 − 1.5 x1 = 1.. 3. f(x) = x3 − x + 1 A convergência deste método é mais rápido que o método da bisseção e o da falsa posição. x1 = 0. a função de iteração fica: c) Valor do erro: erro ≤ 10-2 f ( xn) xn + 1 = xn − f ( xn) − f ( xn − 1) d) Iterações: xn − xn − 1 x2 = 1.0000 − 1. sendo x0 = 1. | xn+1 − xn | ≤ erro Para contornar este problema podemos substituir o cálculo da primeira derivada f’(xn) pelo 4.0357 | = 0.282) = 2.0357 − (2. f’(x) = 3x2 − 1 contudo. f ( xn ) xn +1 = xn − f ( xn ) − f ( xn −1 ) .7 Substituindo o valor aproximado da derivada acima.7 − (1. f ( xn ) | x2 − x1 | = | 2.0115 − (0. Efetue os f(x0) cálculos com 5 casas decimais com arredondamento. f (x0)) e (x1. 4.7). Interpretação geométrica do método da secante Resposta: ξ = 0. 29 30 falsa posição que exige que f(xn).5) − 1.1798 − ( −1.31675 é a raiz procurada.1 Exemplos quociente das diferenças. f (1..0357 − (0. Neste método partimos das duas aproximações iniciais x0 e x1 e determinamos a reta que passa Exercício 2: Calcular a raiz da função f(x) = x3 − 4. para n = 1. x0 = 1. 3. f (x2)).9977 − 2. repete até que seja satisfeito o critério de parada.9977) = 1. . f(xn-1) < 0..5).2)( −1. x1 = 1.038)( −0. Observe que neste método não necessitamos da característica que é fundamental no método da . . usando assim.41) | x3 − x2 | = | 1. para n = 1.7) − f (1. pelos pontos (x0.0115) = 2. f (2.0023 < erro e) Resposta: xo x2 x3 ξ = 2.3357)(0.6. −1].0000 é a raiz procurada.41) = 1.25) 0.9977 Para iniciar o método necessitamos de duas aproximações (x0 e x1) para a raiz.7 − (0.7 − 1.038 > erro y x4 = 1. um modelo linear baseado nos dois valores calculados mais recentemente: Exemplo 1: Calcular a raiz da função f(x) = x2 + x − 6.3247 ( xn − xn −1 ).9977 − (−0. f (1. f ( 2.3357 > erro xn + 1 = xn − . f ( xn ) f ' ( xn ) ≈ a) Algoritmo : x n +1 = x n − x n − x n −1 f ( x n ) − f ( xn −1 ) b) Valor inicial: onde xn e xn-1 são duas aproximações para a raiz. contida no intervalo [−2.0357 − 1.7) 0.9977 − 2.7 e o erro ≤ 10-2. Em seguida é calculado uma nova aproximação para a raiz a partir dos pontos (x1.7 − ( −0.0000 f(x) f(x1) f (1. 2.5 e o erro ≤ 10-4.41 − ( −2. f”(x) = 6x Algoritmo: Resposta: A raiz desejada é ξ = −1.9977) − f ( 2. f(x1)) e (x2. com um erro ≤ entre as duas aproximações iniciais (x0 e x1). f ( x n ) − f ( x n −1 ) ( xn − xn −1 ).0357 f (1. 2. O processo se Resposta: ξ = 1.

7488) = (0. 2 e) Resposta: Critério de parada: 0.8078 − 0. f( x1N ) = f(0. semelhantes à fórmula para polinômios de grau 2. f(0.0155) * (0. .5) (0. 31 32 4. . 2. (0. ou f (1) ( −1.8078 polinômio.0008) < 0 tira-se a média aritmética simples do resultado da última iteração de ambos os métodos e obtém-se a ∴ a = 0. intervalo [0.8200 f"(x) = (−10)sen(x) – cos(x) 2 b) Valor do erro: 4.7488 − = 0.5).5) = 0.82 Resposta: ξ= = 0.7488 b = 0. determina-se qual valor dos extremos do intervalo será substituído ( f(a). para zeros de polinômios de grau 3 e 4.7488 − = 0.8078 complicadas.8 Método para Equações Polinômiais erro ≤ 0. consiste na aplicação seqüencial dos métodos NR e Falsa Posição.7643 | = 0. extremo à trocar: f(a).5).0450) seja.3557) Assim.2 Localização de Raízes x1F = 0. f( x1N ) < 0 ∴ a = 0.6718 f(1) = −1. com erro ≤ 10-3 e cálculos com 4 decimais com arredondamento. a raiz da função f(x) = 10sen(x) + cos(x) − 10x contida no método misto.8.6718) 4.7488) (0.5.7488 − 0.5.8078) = (0.8078 | = 0. sempre a partir do melhor extremo.45.6718)(0.5) = −5. x N + x mF f(x) = x2 + 3x − cos(x) − 2.6718) Vejamos alguns teoremas que serão úteis para efetuar a localização de raízes. mas bem mais x1N = 1 − = 1− = 0.7488 b = 0.1594) < 0 Muitos dos teoremas da álgebra são úteis na localização e classificação dos tipos de zeros de um ∴ a = 0. 3.7641 f (0. 1] pelo Exemplo 1: Determinar pelo método misto. | x1F – x1N | = | 0.4384) explícitas e somos forçados a usar métodos iterativos para encontrar os zeros dos polinômios. um polinômio de grau n é escrito na forma: Melhor extremo: f(0.6718)(−0.7643) = (0. Agora.7641 − 0.0521) utilizado na próxima iteração pelo método NR.5) = 0. para m = 1. 1].5 − = 0.5 b = 0.5) * f (0. Quando o critério de parada for satisfeito.7.5 − = 0. f ´(0..0450 Pn = a0 + a1 x + a 2 x 2 + K + a n x n para an≠0 f"(0. O resultado obtido em x mF será f (0.. para n ≥ 5.7643 resposta desejada.7488) (−3.0521) x mN + x mF | x 2F – x 2N | = | 0. f(0. obter sua raiz contida no intervalo [0. com tolerância de 2*10-4 e cálculos com 4 casas decimais com arredondamento.7488 f (0.0002 4.1594) − (0. (0.7488 − = 0.0521) Algoritmo: x 2F = 0. o fato de os polinômios aparecerem com tanta freqüência em aplicações faz com que seja dedicada uma atenção especial.1 Introdução c) Escolha do intervalo: Embora qualquer um dos métodos estudados anteriormente possam ser usados para encontrar zeros f(0.9550 ∴ x N 0 =1 Sabemos da álgebra elementar como obter os zeros de um polinômio do segundo grau P2(x).0590 > erro O método NR é aplicado no primeiro passo.45 a) Algoritmo: x m = m 2 f'(x) = 2x + 3+ sen(x) f"(x) = 2 + cos(x) f(x) = 10sen(x) + cos(x) − 10x f´(x) = 10cos(x) – sen(x) – 10 0. não existem fórmulas f ´(1) ( −5.5) (−0.7643 | x mF – x mN | ≤ erro ξ= = 0. O estudo será dividido em localização de raízes e determinação das raízes reais.8078 → b = x1N .7488).7488) * f (0. f(0.0521) > 0 resultado obtido x1N . Então. n = 2. d) Iterações: Normalmente.7 Método Misto O método misto.3078) * (0.7488) (0.0521)(−0.8. extremo à trocar: f(0. senão a = x1N ) e então aplica-se o método da Falsa Posição.8078) − f (0.7642 2 4. Existem fórmulas fechadas.6718 f(1) = −1.7488 − = 0.7643 parada. em geral.7643 − 0.0008) − (0.7643) − f (0.0002 ≤ erro xm = .6718 f"(1) = −8. nesta ordem.0450 de um polinômio de qualquer grau.82 + 0.7641 + 0.7488) (−0. com o novo extremo à trocar: f(0. seguem-se as iterações seguintes. por indução. mas antes é feito o teste do erro para verificar o critério de x 2N = 0.1 Exemplos Exercício 1: Dada a função f(x) = x2 + 3x − cos(x) − 2.

33 34 Teorema Fundamental da Álgebra: Se Pn(x) é um polinômio de grau n ≥ 1. ⇒ v = 3 ⇒ p:  ou  se v − p = 2. 4. basta fazer sucessivamente:  se v − neg = 2. − + + + − Para determinarmos o número de zeos reais de um polinômio com coeficientes reais. par e não negativo. o número de zeros reais positivos.3 Determinação das Raízes Reais + − + − − Estudaremos um processo para se calcular o valor numérico de um polinômio. a n reais ou complexos. neg = 0 Exemplos: Dados os polinômios a seguir. a 2 . o zero não é raiz e tem b) P5(x) = + 3x5 – 2x3 + 4x2 – x – 1 apenas uma raiz real negativa donde tem três raízes complexas conjugadas. Para determinar o número de raízes reais negativas.3.8. vimos que não existe zero positivo. ou seja. o Método de Newton. isto porque em qualquer dos métodos este cálculo deve ser feito uma ou mais vezes por iteração. p = 2 ⇒ v = 2 ⇒ p:  ou Neste caso. neg = 2 ainda que v – p é um número inteiro. v = se v − p = 2. não tem raiz real positiva.1 Método para Calcular o Valor Numérico de um Polinômio 7 Para exemplificar o método. Pn(x) = P5(–x) = – 3x5 + 2x3 + 4x2 + x – 1 a0 + a1 x + a 2 x 2 + K + a n x n . p = 1 4. p = 0 1 e neg: {v – neg = 0 ⇒ neg = 1}. tomamos Pn(–x) e usamos a mesma regra para raízes positivas: Temos então. Temos então que. Temos se v − neg = 0. neg. neg = 1 b4 = a4 b) P5(x) = + 3x5 – 2x3 + 4x2 – x – 1 b3 = a3 + b4c . determinar o número de raízes reais positivas: a) P5(x) = + 3x5 – 2x4 – x3 + 2x + 1 c) P7(x) = + x7 + 1 P7(x) = – x7 + 1 + − − + + − + 1 1 1 se v − p = 0. com an≠0. para a0 . estudaremos o processo analisando um polinômio de grau 4: c) P7(x) = + x + 1 + + P4(x) = a 4 x 4 + a3 x 3 + a 2 x 2 + a1 x + a 0 Este polinômio pode ser escrito na forma: 0 P4(x) = (((a4x + a3)x + a2)x + a1)x + a0 ⇒ v = 0 e p: {v – p ≤ 0 ⇒ p = 0}. conhecida como forma dos parênteses encaixados. que veremos a seguir. a cada iteração deve-se fazer uma se v − p = 0. a1 . Pn(x) = 0. ou seja. Temos ainda P7(0) = 1 ≠ 0. neg = 3 ⇒ v = 3 ⇒ neg:  ou Para se calcular o valor numérico de P4(x) em x = c. p = 3 avaliação do polinômio e uma de sua derivada. existe um número complexo ξ tal que Pn(ξ) = 0.8. que a) P5(x) = + 3x5 – 2x4 – x3 + 2x + 1 P4(x) = (((a4x + a3)x + a2)x + a1)x + a0 P5(–x) = – 3x5 – 2x4 + x3 – 2x + 1 b4 − − + − + b3 1 1 1 b2 : : se v − neg = 0. ou seja. podemos 1 1 fazer uso da regra de sinal de Descartes: Dado um polinômio com coeficientes reais. ⇒ v = 2 ⇒ neg:  ou se v − neg = 2. então Pn(x) tem pelo menos um zero. K . p. no caso de n = 4. desse polinômio não excede o número v de variações de sinal dos coeficientes. 1 1 1 Por exemplo.

71079) = 7..5) (-1.65 + 3. . .7862) (9.8 = 0.5 – = 1.5) = –4.2 + 1(1. P' ( x k ) b2 = –10.075(1.8 + 4.27842(1. os coeficientes cj.60065) Seja Pn(x) = a n x n + a n −1 x n −1 + L + a 2 x 2 + a1 x + a 0 uma aproximação inicial para a raiz procurada.7862 – 1.4x3 – 10.8x3 + 22. n – 1.52056 xk+1 = xk – para k = 0.99688(1.71079) = 4.72398 cj = bj + cj+1c j = n – 1. P’4(x) = b4 c + b3 c + b2 c + b1 P (1.71079) = –3.99688 c3 = 3. o Método de Newton consiste em desenvolver aproximações sucessivas para ξ a b5 = 1 c5 = 1 partir da iteração: b4 = –3.60065 Teremos então ⇒ P’(c) = c1.0625 = 4b4 c 3 − 3b4 c 3 + 3b3 c 2 − 2b3 c 2 + 2b2 c + b1 − b2 c P(1...7 + 1(1.98921 + 1(1. | x2 – x1 | = | 1.54707 Exemplo 1: Dada a equação polinomial x5 – 3. j = n.71079 – 1. 0 a5 = 1 e b0 será o valor de Pn(x) para x = c.8 bn = an ((((x – 3.02154(1.4)x – 10.1 c3 = 4.7862 P ' (1.98921(1.72398) x2 = x1 – = 1.8)x – 6.52056(1.1276(1. temos que: b0 = –6.075 P’4(x) = 4a 4 x 3 + 3a3 x 2 + 2a 2 x + a1 b1 = 10.71079) = 3.8 bj = aj + bj+1c j = n – 1. pois. 35 36 b2 = a2 + b3c P5(1) = –2. para Pn(x) de grau n qualquer.5) = 3.825 – 0.8 + 3.7 a3 = 7.8 + 4.7862) = 3.8x – 6. 1. j = n.0625) x1 = x0 – = 1.8 a0 = –6.27842 P( x k ) b3 = 7.7)x + 7.01667 b1 = 10.7862 – = 1.98921 c4 = –1.71079) = 2.5) (3.21228 + 3.5) = 3.7 + 1(1. a2 = –10.5) = –0.7 b3 = 7.4 – 1.75366 Calculamos.68812 c2 = –3.7862) = 0.4 – 2. sendo: P’(x) = 5x4 – 14..05 b2 = -10.7862) = 3.7862) = 9.825 c1 = 3.5) = –1.5 – (–0.8x2 + 10.1(1.7862) = 9.2862) = 1.71079) = 0.21228(1.7862) = –1.6 b0 = a0 + b1c Então.7 + 1(1.9138 c4 = –1.5) = 3. b2.06077(1.5 | = 0.8 P4(x) = a 4 x 4 + a3 x 3 + a 2 x 2 + a1 x + a 0 ⇒ P’4(x) = 4a 4 x 3 + 3a3 x 2 + 2a 2 x + a1 .8 – 4.98158 – 0.5) = –2.21228 c1 = 4.825(1.1276 b3 = 7.5) = 3. .8)x + 10.8 + 3. b1.65(1.9138(1. calculamos Pn(c) calculando as constantes bj. n – 2.98158 c3 = 3.2862 > ε c3 = b3 + c4c c2 = b2 + c3c b5 = 1 c5 = 1 c1 = b1 + c2c b4 = –3. .7x4 + 7.5) = –1. a4 = –3.71079) = –1.0625 e P'(1.1 b1 = a1 + b2c P5(2) = 3. temos: a1 = 10.96218(1.9138 + 1(1. n – 2.5 e considerando ε ≤ 0.7(1.7862) = –3.8 + 3.96218 c2 = –3. o Método de Newton para polinômios fornece: Portanto..71079 4..5) = –0.7862 | = 0.1 – 0. P (1.5) = 4..8 + 4.68812 + 3.02154 c1 = 4..68812(1.06077 b1 = 10. ⇒ P(c) = b0.7125) Aplicando o mesmo esquema anterior. .72398 e P'(1.2(1. existe uma raiz no intervalo (1.75366(1. 1 P(1.. 2.02154 + 2.7125 3 2 Assim.7862) = 3..8.2 c4 = -2.7862) = –0. 2).4 – 1. b3 e b4: b4 = –3. 1.99688 – 0. 0 sucessivamente.96218 + 3.7862 – (0.65 c2 = -4.4 Podemos calcular o valor de P’n(x) em x = c usando os coeficientes bj obtidos anteriormente.71079) = –0.02.4 Método de Newton para Zeros de Polinômios P' (1.05(1.7125 = 4b4 c 3 + 3(b3 − b4 c)c 2 + 2(b2 − b3 c)c + (b1 − b2 c) b0 = -6..60065 cn = bn b0 = –6.8 Tomando como exemplo o polinômio de grau 4.2x2 – 21.01667(1. Partindo de x0 = 1. teremos: c4 = b4 | x1 – x0 | = | 1.7862) = 0.8 – 3.7862) = 4. b5 = 1 c5 = 1 Usando os valores de aj do cálculo anterior e dado que já conhemos b0.8 – 3..07541 > ε Conforme vimos.7862) (0.71079) = 3.08001 . 1 da seguinte forma: b2 = –10.98158(1. 1..6x + 10.07541) = 1. n – 1..

.71079) (7.... o sistema linear pode ser representado por AX = B.. caso eles existam.......  .......71079 – = 1....0106 < ε equações lineares.....70019 a x + a x +L+ a x = b  11 1 12 2 1n n 1 Exercício 1: Calcular a raiz positiva do polinômio P(x) = 2x3 – 2x2 + 3x – 1.. n.....1..........54707 5 Sistemas Lineares P (1.01060) = 1.... Usando notação matricial. com erro <= 10-4....70019 P' (1.. e   M    x n  b1    B =  b2  é o vetor constante (termos independentes). pelo a21 x1 + a22 x 2 + L + a x n = b2  2n método de Newton para polinômios...... 2.. M    bm 5..... ...08001) x3 = x2 – = 1......... 1 ≤ j ≤ n xj : incógnitas j = 1. 2... 2................. j = 1.. 37 38 P(1........ . Um sistema linear com m equações e n incógnitas é escrito usualmente na forma: A raiz procurada é: 1..  P'(x) = 6x2 – 4x + 3 a m1 x1 + a m2 x 2 + L + a mn x n = bm onde A raiz procurada é: 0....1 Classificação Quanto ao Número de Soluções Um sistema linear pode ser classificado quanto ao número de soluções em: ... que satisfaçam as m equações simultaneamente...71079 | = 0.71079) = 0.1 Introdução Sistemas Lineares são sistemas de equações com m equações e n incógnitas formados por | x3 – x2 | = | 1.     a m1 a m2 L amn bn é chamada matriz completa ou matriz aumentada do sistema..71079) (0.08001 e P'(1...54707) 5.70019 – 1... .. m A resolução de um sistema linear consiste em calcular os valores de xj....     a m1 a m2 L a mn  x1   X =  x2 é o vetor das incógnitas. onde  a11 a12 L a1n b1    L a2 n b2  M =  a21 a22 .39661 aij : coeficientes 1 ≤ i ≤ m... n bi : constantes i = 1.  a11 a12 L a1n    L a2 n  A =  a21 a22  é a matriz dos coeficientes ..71079) = 7.....71079 – (0.

triangular superior. Dizemos que dois sistemas lineares são equivalentes quando possuem a mesma solução. . mediante uma seqüência de operações elementares nas linhas da matriz. n). o qual se resolve facilmente por substituições. Dxn os determinantes das matrizes obtidas trocando em M. . Aplicando sobre as equações deste sistema uma grandes. pois admitirá pelo menos a solução trivial (xj = A solução deste sistema é x : ( 0. x3.. 1. A aplicação da Regra de Cramer exige o cálculo de n + 1 determinantes ( det A e det Ai. . O Eliminação de Gauss (ou triangulação) e o Método de Jordan. São exemplos conhecidos a Regra de Cramer.1 Resolução de Sistemas Triangulares  1 2 3 Seja o sistema linear AX = B. sendo D o determinante da matriz A... . xn pela coluna dos termos Vamos calcular a solução de AX = B em três etapas: independentes. m... 5. seqüência de operações elementares escolhidas entre: 5.1 Regra de Cramer Com (n − 1) passos o sistema linear AX = B é transformado num sistema triangular equivalente: Seja um sistema linear com número de equações igual ao número de incógnitas (um sistema n x UX = C. x2 = D x 2 . e Dx1. 2 x1 − x 2 + x 3 = 0  x + 2x − x = 0 5. Com isso.. e x3 = D x 3 = e a solução do sistema é  D 7 D 7 D 7  =  ann xn bn  1 3 5 x :− . 1 ≤ i ≤ n). o Método da imediata.2 Método da Eliminação de Gauss 5.2.  T  7 7 7 Da última equação deste sistema temos: .  x1 + x 2 + x 3 = 1  obtemos um novo sistema UX = C e os sistemas AX = B e UX = C são equivalentes. i = 0. .  x1 + 2 x 2 + x 3 = 3 3x1 − x 2 − x 3 = −2  Quando todos os termos independentes forem nulos. solução de S é dada por: 2ª etapa: Triangulação x1 = D x1 . Escrevendo as equações deste sistema. Dx2 e Dx3 temos: diferentes de zero.. D ≠ 0. 39 40 determinado (o sistema linear tem solução única) Exercício 1: Resolva o sistema abaixo pela Regra de Cramer: • Compatível →  indeterminado (o sistema linear admite infinitas soluções) 2 x 1 + x 2 − x 3 = 0  • Incompatível → (o sistema linear não admite solução). a coluna dos coeficientes de x1. determinante de sistemas lineares equivalentes são iguais. 1)T 0. temos que: 1ª etapa: Matriz Completa O sistema S será compatível e terá solução única se. a regra de Cramer é inviável em função do tempo de computação para sistemas muito Teorema: Seja AX = B um sistema linear. isto é.. se bi = 0. .1. Dx3. x2. a partir da solução segundo levaria 3 x 105 anos para efetuar as operações necessárias. Todo sistema homogêneo é compatível. Neste caso a única Consiste em escrever a matriz completa ou aumentada do sistema linear original. x3 = D x 3 .2. com elementos da diagonal Calculando os determinantes D.. Dx1.2. e então substituirmos regressivamente nas equações anteriores. onde A: matriz n x n. x2 = D x 2 = ... .2. 5.2 Métodos Diretos (Algoritmos Diretos) O método da eliminação de Gauss consiste em transformar o sistema linear original num outro r Um método é dito direto quando a solução exata x do sistema linear é obtida realizando-se um sistema linear equivalente com matriz dos coeficientes triangular superior. 2. solução de AX = B. j = 0. x1 = D x1 = . temos: 1 1 1 1 1 1 1 1 1 1 1 1 a x + a x + a x + L + a x =b  11 1 12 2 13 3 1n n 1 D = 2 −1 1 = 7 Dx1 = 0 − 1 1 = −1 Dx2 = 2 0 1 = 3 Dx3 = 2 − 1 0 = 5  a22 x2 a23 x3 + L + + a x =b 2 1 2 −1 0 2 −1 1 0 −1 1 2 0  2n n  a33 x3 + L + a x =b 3  3n n −1 3 5 O M Então. x2. respectivamente. n).. Exemplo 1: Resolva o sistema abaixo pela Regra de Cramer: ii) Multiplicar uma equação do sistema por uma constante não nula. iii) Adicionar um múltiplo de uma equação a uma outra equação.. Assim. um computador que efetue cerca de 100 milhões de multiplicações por Consiste no cálculo dos componentes x1. xn.2... e somente se.1 Exemplos i) Trocar a ordem de duas equações do sistema. Dx2. 1. 1. do último componente (xn). pois estes são de resolução número finito de operações aritméticas.. para n = 20 o número total de operações efetuadas será 21 * 20! * 19 multiplicações mais um número 3ª etapa: Retro-substituição semelhante de adições. o sistema é dito homogêneo. .. xn = D xn D D D D Consiste em transformar a matriz A numa matriz triangular superior.

3x 2 + x 3 = 0. 1)T 5.   1x1 − 3 x 2 − 1x3 = 2 Se durante o escalonamento surgir equações do tipo: 0x1 + 0x2 + . A solução deste sistema é x : ( 0.1x 2 + x 3 = 0.  0 x1 + 1x 2 − 2 x3 = 0 ii) m < n → sistema compatível e indeterminado... 5.3 Método de Jordan Consiste em aplicar operações elementares sobre as equações do sistema linear dado até que se 5. ii) Se bm ≠ 0.. origina uma ampliação dos erros de arredondamento. 3.n n a n−1. 3ª etapa: Retro-substituição: O que acontece se o pivô for nulo? E se o pivô estiver próximo de zero? Da terceira linha temos: 3x3 = 3 ⇒ x3 = 1 Estes dois casos merecem atenção especial pois é impossível trabalhar com um pivô nulo. então conclui-se que o sistema é incompatível. n-1 E 2 ← E 2 − 2 E1 3  0 − 7 − 4 − 11 0 0 3 3  a kk a cada etapa k do processo.. E2 (segunda equação) e assim por diante. n. x2.4 Exemplos obtenha um sistema diagonal equivalente.3 Classificação do Sistema Triangular Seja U um sistema triangular superior escalonado de m equações e n incógnitas. E Substituindo x3 na segunda linha temos: −3x2 − 3(1) = −6 ⇒ x2 = 1 trabalhar com um pivô próximo de zero pode resultar em resultados totalmente imprecisos.01x1 + 0....2.49 entre os coeficientes: aik. 5. . Sendo o coeficiente akk chamado de pivô.5x 2 + x 3 = 0.  0. O componentes x indica o pivô. então eliminaremos a equação e continuamos o escalonamento.25 Esta estratégia consiste em:  i) no inicio da etapa k da fase de escalonamento. teremos as Exercício 2: Resolver o sistema abaixo pelo método de Gauss: seguintes possibilidades: i) m = n → sistema compatível e determinado. 1)T Para se contornar estes problemas deve-se adotar uma estratégia de pivoteamento.25x1 + 0.. e pivôs próximos Substituindo x3 e x2 na primeira linha temos: 1x1 + 2(1) + 1(1) = 3 ⇒ x1 = 0 de zero são origem a multiplicadores bem maiores que a unidade que. . i = k.n−1 3 − 1 − 1 − 2 e assim sucessivamente obtém-se xn-2.2. adotar Exercício 1: Resolver o sistema abaixo pelo método de Gauss: um processo de escolha da linha e/ou coluna pivotal. . 5. A solução deste sistema é x : ( 1. k + 1.2. Exemplo 1: Resolver o sistema abaixo pelo método de Gauss.. 2.2. então: − 1x + 4 x − 1x = −2  1 2 3 i) Se bm = 0.2..09 x1 + 0. 1.2 Estratégias de Pivoteamento O algoritmo para o método de eliminação de Gauss requer o cálculo dos multiplicadores: 1 2 1 3  1 2 1 3 E 3 ← E 3 − 3E 1   7 → 0 −3 −3 −6 → E3 = E3 − E2 → 0 −3 − 3 − 6 mik = .4 Exemplos  x1 + 2 x 2 + x3 = 3 Exemplo 1: Resolver o sistema linear pelo método de Jordan:  2 x1 + x 2 − x3 = 0 3x1 − x 2 − x3 = −2  . ou seja.. Isto porque em qualquer calculadora ou computador os cálculos são efetuados com precisão finita.aik i = k + 1. 0.2. 41 42 xn = bn 1ª etapa: Matriz completa: a nn xn-1 pode então ser obtido da penúltima equação: 1 2 1 3 b −a x M = 2 1 − 1 0  xn-1 = n−1 n−1.. escolher para pivô o elemento de maior módulo 0.81  ii) trocar as linhas k e i se for necessário. por sua vez. e finalmente x1: 2ª etapa: Triangulação: − − − L − a1n x n x1 = b1 a12 x 2 a13 x 3 a11 Iremos se referir as equações como: E1 (primeira equação). + 0xn = bm.2.. . n e k = 1.2. -2..

3.. 1)T triangular A. está apoiada na simplicidade de resolução de sistemas triangulares.unn. 2. Pivô = a11( 0 ) = 1 Seja o sistema linear Ax = b (0) (0) a 21 2 a31 1 Multiplicadores: m21 = = =2 m31 = = =1 O processo de fatoração para resolução deste sistema consiste em decompor a matriz A dos a11( 0 ) 1 a11( 0 ) 1 coeficientes em um produto de dois ou mais fatores e. isto é: E 3 ← E 3 − E1  0 − 4 2  A = LU (1) (1) Uma vez que os elementos a 21 e a31 são nulos. ou então. 1 ≤ i ≤ n. conhecidas L e U. o sistema Ax = b pode ser reescrito na forma LUx = b. fornecerá o vetor 2 x 1 − x 2 − x 3 = 0 procurado x. Ainda mais. Então. seja Ak a matriz constituída das primeiras k linhas e → 0 −3 −5 −8 → E3 = E3 − E2 → 0 −3 −5 −8  → E 3 ← E 3 − E1 3 0 1 1  colunas de A. com mii = 1. calculamos y que. (n – 1). Suponha que det(Ak) ≠ 0 para k = 1. temos: 5. E1 ← E1 1 2 − 1 (1)   Suponhamos que seja possível fatorar a matriz A dos coeficientes num produto de uma matriz E 2 ← E 2 − 2 E1 → A = 0 −1 0  triangular inferior com diagonal unitária L e uma matriz triangular superior U. o que representa um ganho substancial comparado com as operações do método da 3 1 1 2 4  eliminação de Gauss.  x 1 − x 2 − x 3 = −1  Dessa maneira..1 Cálculo dos Fatores L e U 1 −1 −1 −1 Os fatores L e U podem ser obtidos através de fórmulas para os elementos lij e uij. usando o processo de Gauss sem estratégia de pivoteamento parcial.. em seguida. . e uma única matriz truangular superior U = (uij) tais que LU = A. 1 1 2 4 1 1 2 4 E 2 ← E 2 − 2 E1   2   Dada uma matriz quadrada A de ordem n. Para A solução deste sistema é x : ( 1.. podem ser construídos usando a idéia básica do método da Eliminação de Gauss. podemos guardar os multiplicadores nestas Nestas condições. o que permite o posições. resolver uma sequência de sistemas Então: lineares que nos conduzirá a solução do sistema linear original. 2ª etapa: Diagonalização: Veremos a seguir como obter L e U através do processo de Gauss. 1. 1 0 1 4  E1 ← E1 − E 3 1 0 0 1 1 3 3 1 Exemplo 1: Resolver o sistema linear a seguir usando a fatoração LU: E1 ← E1 + E 2 → 0 −3 0 −3  → E 2 ← − E → 0 1 0 1 3  3 2   E 2 ← E 2 + 15E 3 0 0 1 1  0 0 1 1  x1 + 2 x 2 − x3 = 2  3 3 E 31 ← 3E 3  2 x1 + 3 x 2 − 2 x3 = 3 3ª etapa: Cálculo da solução do sistema:  x1 − 2 x 2 + x3 = 0  Da primeira linha temos: x1 = 1 1 2 − 1 Na segunda linha temos: x2 = 1 Seja A = 2 3 − 2 1 − 2 1  Na terceira linha temos: x3 = 1 Calculando os mij e uij. 43 44  x1 + x 2 + 2 x 3 = 4  Resolvendo o primeiro sistema. usado no segundo sistema. existe uma única matriz triangular  0 −2 −3 −5 0  3 3 inferior L = (mij). o sistema será resolvido com 2n2 operações (dois sistemas 1ª etapa: Matriz completa: 2n 3 triangulares). então: desmembramento em dois sistemas triangulares Ly = b e Ux = y .3 Fatoração LU Etapa 1: A base do método chamado Fatoração ou Decomposição LU. det(A) = u11u22. M =  2 −1 −1 0    5..

y3 = 2  y1 + 4 y 2 + y 3 = 0 a ≥ a + a + ...  y  =  3  . x1 = 1 a 22 0 0 2   x3   2  2 x 3 = 2 . 1)T E2 ← E2 −1 E 3 E 3 − 4E 2 ← 0 0 2  5. 0)T. uma das incógnitas. isola-se em cada uma das equações ordenadamente. –1. y = (2. + an −1n a ≥ a + a + .. isto é: a ≥ a + a + .4 Métodos Iterativos (Algoritmos Iterativos) 1 2 − 1 5... x n são as atribuições inicial do método. y2 = –1...− a2 n x n )    2   ou − x 2 = −1 ⇒ x3 = 1.. 3.  (1) 1 ( 0) ( 0) (0) A solução do sistema é x = (1.. com estes valores..    2   ou 2 y1 + y 2 = 3 ⇒ y1 = 2.. 1. + a Para resolvermos o sistema Ax = (2.. x . 45 46 1 2 − 1 3x1 + 2 x 2 + 4 x3 = 1  A(1) = 2 − 1 0   x1 + x 2 + 2 x3 = 2 1 − 4 2  4 x1 + 3 x 2 + 2 x3 = 3  Etapa 2: A solução do sistema é x = (–3.. 0)T (1) Pivô = a 22 = –1 Exercício 2: Resolver o sistema linear a seguir usando a fatoração LU: (1) a32 −4  x1 + x 2 + 2 x 3 = 4 Multiplicadores: m32 = = =4  (1) a 22 −1 2 x 1 − x 2 − x 3 = 0  x 1 − x 2 − x 3 = −1 Então:  E1 ← E1 1 2 − 1 → A(2) = 0 0  A solução do sistema é x = (1.1 Método de Gauss-Jacobi ( Algébrico ) A(2) = 2 − 1 0  Seja o sistema abaixo: 1 4 2  a x + a x +...... x2 = 1. + an1 a ≥a +a + . + a x = b 11 1 12 2 1n n 1 a x + a x +.  x  = − 1  x 2 = ( b2 − a21 x1 − a23 x3 −. 1)T x n = (bn − a n1 x1 − an 2 x 2 −.  2 1 0 ..4. 1.. calculamos x através de Ux = y (1) 1 ( 0) ( 0) ( 0) x 1 = (b1 − a12 x 2 − a13 x 3 −.. + a 2n 1 0 0  y1  2  y1 = 2 ..x 1 2 . + a 1 4 1  y 3  0  nn 1n 2n nn n1 n2 nn−1 Então..... + an2 ou a 22 ≥a 21 +a 23 + . então x n são as soluções do sistema. se o sistema estiver na forma diagonalmente 1 4 1 0 0 2  dominante... + a x = b 21 1 22 2 2n n 2 Os fatores L e U são: .− a nn−1 x n−1) a nn (0) (0) ( 0) Exercício 1: Resolver o sistema linear a seguir usando a fatoração LU: onde. 5. a x +a x n1 1 n2 2 + . .. resolvemos Ly = b 11 21 31 11 12 13 1n a 22 ≥ a 12 + a 32 + .− a1n x n ) a 11 1 2 − 1  x1   2   x1 + 2 x 2 − x3 = 2 (1) 1 (0) (0) ( 0) 0 − 1 0  . 2)T e..... Condições de Parada: ( j) ( j −1) ( j) Se para todo x n − xn ≤ erro .. + ann x n = bn 1 0 0 1 2 − 1 L = 2 1 0 e U = 0 − 1 0  Pode-se afirmar que o mesmo é convergente...

02. Portanto.9425 | z(5) . onde A = D + I + S.9592 ) = 2. no qual D é a matriz diagonal.1.x(4) | = 0.3042 nn n 8 (2) 1 Sendo A a matriz dos coeficientes. 0. 2.9371 Exemplo 1: Resolver por Gauss-Jacobi.2359. a expressão anterior poderá ser reescrita na forma: 5 B − (S+ I ) X (k ) ( k −1) 1 DX = x(3) = ( 7 + 2.9975.0498 + 2.9667 ) = 2. I a matriz z = ( 18 – 1..6 ) = 0. com 4 decimais com x= (7+y–z) arredondamento e erro menor ou igual a 0..1.9371 ) = 1. com 4 decimais com arredondamento e erro menor ou igual a 5 0.0501 | x(5) . 47 48 5. o método consiste na transformação do algoritmo em um sistema de d) Iterações: matriz.0498 ( k −1) 6 (k ) = +E 1 X J X y(4) = ( 16 – 1.0498 – 2. 1.1 Exemplos (4) 1 z = ( 18 – 1.9667 inferior e S a matriz superior.0562 6 1 Multiplicando ambos os termos pela matriz inversa da diagonal.4.0051.2379 – 2.2583 ) = 2.9425)T b) Isolamento das incógnitas: 1 Exercício 1: Dado o sistema.002 < erro a) Verificação da convergência: 8 6x – y + z = 7 (5) 1 z = ( 18 – 1.9592 5 ∴ X = − D (S + I ) X (k ) −1 ( k −1) −1 +D B 1 x(4) = ( 7 + 2.9 + 2.1667 xi = ( bi − ∑ aij x j ) (k) ( k −1) 6 6 a j =1 ii (1) 1 (0) (0) 1 j ≠i y = ( 16 – x + z ) = ( 16 .0054 < erro x + 8y – z = 16 5 x + y + 5z = 18 A solução deste sistema é: (1.2379 ) = 2.3042 ) = 2.0562 – 2. no algoritmo: 1 1 1 n x(1) = ( 7 + y(0) – z(0) ) = ( 7 + 0 – 0 ) = 1..3042 – 2. − ann −1 x n −1 ) y = ( 16 – 1.9667 ) = 1.1667 – 2 ) = 2.y(4) | = 0.0003 < erro 6 x + y+ 5z = 18 1 y(5) = ( 16 . 2. y(3) = ( 16 – 0.2583 – 2.0501.2 Método de Gauss-Jacobi ( Matricial ) Baseado no algoritmo anterior.z(4) | = 0. pede-se sua solução por Gauss-Jacobi.9 . − a1n x n ( k −1) ) 5 5 a x 11 1 (k ) ( k −1) ( k −1) ( k −1) a x 22 2 = ( b2 − a21 x1 − a23 x 3 − . 6 1 y = ( 16 – x + z ) 10x + y + z = 12 8 x + 5y+ 9z = 15 1 2x +8y – 4z = 6 z = ( 18 – x – y ) 5 A solução deste sistema é: (0.. 6 (k ) ( k −1) ( k −1) ( k −1) (2) 1 a x = ( bn − an1 x1 − an 2 x 2 − ..9 – 2. − a2 n x n ) (2) 1 x = ( 7 + 2 – 3.9916)T c) Atribuição inicial: x(0) = 0 y(0)=0 z(0)=0 5.2359 | y(5) ..2379 onde 8 .6 (k ) = ( b1 − a12 x 2 ( k −1) − a13 x 3 ( k −1) − .4..0562 + 2..9592 ) = 1.0 + 0 ) = 2 8 8 a mesma situação pode ser escrita na forma: (1) 1 (0) (0) 1 z = ( 18 – x – y ) = ( 18 – 0 – 0 ) = 3.1667 + 3.2583 8 D D X = D B − D (S + I ) X −1 (k ) −1 −1 ( k −1) 1 ∴ z(3) = ( 18 – 0.9371 ) = 2.6 ) = 2.01 o sistema abaixo: x + 8y – z = 16 1 6x – y + z = 7 x(5) = ( 7 + 2.

.3.083 3.4.483 ∴ ( 3) = 3.05..004 < erro − =  3. (k ) 1 (k ) (k ) (k ) (k ) 1 0 0   19  19  x n = (bn − an1 x1 − a n 2 x2 − an3 x3 − .003 obter a sua solução por Gauss-Jacobi Matricial com 3 decimais com arredondamento e erro menor ou igual a 0. − a2 n xn ) − 1 0 0  0 − 1 1   0 1 −1  a 22  4   4 4 1 −1 0  • 1 0 − 1 = − 1 1  (k ) (k ) (k ) ( k −1) ( k −1) J =  0 0 x = (b3 − a31 x1 − a32 x2 − a34 x4 − . 1. x = ) i a j =1 ( k − 1) → i < j  0 1 −1  19  ii j ≠i  4 4  4 X = − 13 1  • ( k −1) + 14  (k ) 0 X 3  6 3 5.0004..005 0.. .991. 5.. 49 50 J = − D (S+ I ) −1 d) Iterações: −1 E =D B 4.4.991   (6) ( 6) ( 5) x + 3y – z = 14 X X 0..750 5.020  2.002 x + y – 5z = -6 4.995 5..3 Método de Gauss-Seidel ( Algébrico ) Derivado do método de Gauss-Jacobi.9985)T 1 1 0 0 0 0  0 0 − 5 − 6 . A solução deste sistema é: (4.005 o sistema abaixo.998 0.005)T a) Verificação da convergência: Exercício 1: Dado o sistema abaixo: 4x – y + z = 19 x + 3y – z = 14 5x – y = 13 x + y – 5z = -6 2x + 4y = 14 b) Obtenção do Algoritmo: obter a solução por Gaus-Jacobi Matricial com 4 decimais com arredondamento e erro menor ou igual a 0 0 0 0 − 1 1  4 0 0   19  0.1 Exemplos X   X   X   X   X   Exemplo 1: Seja o sistema abaixo: 1. Admitir solução inicial nula. este método utiliza a cada iteração os valores já prontos na 1 0 0   4  própria iteração. − a3n xn ) 3  3 3 3  0 0 1  1 1 0   1 1 0  a 33 5  5 5  .057 ∴ ( 5) = 3. para tentar assegurar convergência mais rápida. x + 8y – z = 16 c) Atribuição inicial: 6x – y + z = 7 0  x + y+ 5z = 18 (0) =   X 0  0 a) Verificação da convergência: .951 5. = 1 0 0   = 0 3 0  =  14  I   S 0 0 − 1 = D B A solução deste sistema é: (3. 3. o algoritmo do método pode ser expresso por:  0 0 5     5  1 n (k ) → i > j ( bi − ∑ aij x j (k) Então. − a1n xn )  5  x 1 a 11 Então.934 3.667 ∴ ( 2) = 3.850  4. −1 1 D =  0 3 0   1 0 −1 (k ) ( k −1) ( k −1) ( k −1) ( k −1) 0 = (b1 − a12 x2 − a13 x3 − a14 x4 − . Admitir solução inicial nula.822  ∴ ( 4 ) = 4.005.031 (1) = 4.4..033 4x – y + z = 19 ∴ X =  3.1 Exemplos  15 1 5 0    5  Exemplo 1: Resolver por Gauss-Seidel. − ann−1 xn−1)  4     4 a nn = 0 1 0  •  14  = 14 3  E  3    6  − 1 −6 Portanto.2. com 4 decimais com arredondamento e erro menor ou igual a 0..200  3. (k ) 1 (k ) ( k −1) ( k −1) ( k −1) x 2 = (b2 − a21 x1 − a23 x3 − a24 x4 − . .998. . 3.617 4.. ou seja.

01 o sistema abaixo.2381 ) = 2.9958 ) = 2.0493 |x -x | = 0.4 Método de Gauss-Seidel ( Matricial ) x= (7+y–z) Seja o sistema abaixo. 51 52 6x – y + z = 7 x + 8y + z = 30 x + 8y – z = 16 2x – y + 5z = 21 x + y + 5z = 18 A solução deste sistema é: (2.2381 – 2. 6 1 y = ( 16 – x + z ) (k ) = b1 − a12 x 2 ( k −1) − a13 x 3 ( k −1) − .2381 Exemplo 1: Dado o sistema abaixo.9764 X = −( D + I ) S X + (D + I ) B 6 1 (k ) ( k −1) y(2) = ( 16 .. 7x + y – z = 13 .1.. Admitir nula a solução inicial.2524 ) =2. x = ( 7 + 2.0497 + 2..4..0.9542 ) = 2. S =  .y(3) | = 0.0015 < erro 5x – y = 19 8 1 x + 6y = -21 (4) z = ( 18 – 1. Então. − a1n x n ( k −1) 8 a x 11 1 1 a x (k ) = b2 − a21 x (k ) − a23 x ( k −1) − .. I =  . − a2 n x ( k −1) z = ( 18 – x – y ) 22 2 1 3 n 5 . 2.1 Exemplos y(3) = ( 16 . com 4 decimais com arredondamento e erro menor ou igual a 0 6  1 0 0 0  − 21 0. 2..0004 < erro 5 b) Obtenção do Algoritmo: T A solução deste sistema é: (1.0493.2366 | y(4) ..0001.0004 < erro 6 (4) 1 a) Verificação da convergência: y = ( 16 .9764 + 2. 4.4.0000)T b) Isolamento das incógnitas: 1 5. B =  Exercício 1: Resolver por Gauss-Seidel. 5 G = − ( D + I ) −1 S 1 F = ( D + I ) −1 B x(3) = ( 7 + 2.0493 – 2.8542 ) = 2. 3.9764 – 2.z(3) | = 0.1.4.8542 – 2.0497 6 1 5.2366. 8 1 x + 6y = -21 (3) z = ( 18 – 1..9424 ) = 1.9542 ) = 1.9958 5 (k ) −1 ( k − 1) −1 x(2) = 1 ( 7 + 1.8542 8 (k ) ( k −1) (1) 1 ( D + I ) −1 ( D + I ) X = ( D + I ) −1 B − ( D + I ) −1 S X z = ( 18 – 1. (k ) (k ) (k) (k ) c) Atribuição inicial: a xnn n = bn − an1 x1 − an 2 x 2 − .005.2366 ) = 2.9424 ) = 2.1667 – 1.9428 | z(4) .2524 X =G X +F 8 (2) 1 z = ( 18 – 0.1667 6 1 Multiplicando ambos os membros pela inversa de ( D + I ). temos: y(1) = ( 16 – 1.2524 – 2.0003.1667 + 0 ) = 1.0493 + 2.0497 – 2.9424 5x – y = 19 5 obter suas soluções por Gauss-Seidel Matricial com 3 decimais com arredondamento e erro inferior ou igual a (4) 1 (4) (3) 0.9542 onde. − ann −1 x n −1 x(0) = 0 y(0)=0 z(0)=0 que pode ser representado na forma matricial: d) Iterações: 1 DX (k ) = B −I X (k ) −S X ( k −1) ∴(D + I ) X (k ) = B −S X ( k −1) x(1) = ( 7 + 0 – 0 ) = 1.9958 ) = 0.9428) 5 0   0 0 0 − 1  19  D =  .

. Por outro lado. por exemplo..99818 0. A forma de interpolação de f(x) que veremos a seguir consiste em se obter uma determinada . ou em casos em que possuímos um conjunto de valores obtidos através de alguns experimentos.9998)T 6. sendo assim. b]. x2. x1. tais como: polinomiais. Nós iremos considerar apenas o estudo das funções polinomiais.99878 0. e os valores de f(x) nesses pontos: f(x0).99849 0.000 a) quando são conhecidos somente os valores numéricos da função por um conjunto de pontos A solução deste sistema é: (3. 0. que é uma aproximação da função tabelada.996 − 4. A função g(x) é então usada em substituição à função f(x). 1. -4)T (não dispondo de sua forma analítica) e é necessário calcular o valor da função em um ponto não tabelado (como é o caso do exemplo anterior). Admitir solução inicial nula. f(x2). para resolver (b).133 − 3. 53 54 − 1 0  0 − 1 0 1  G = 5 •  = 5  6 Interpolação  130 − 1 6  0 0  0 − 130 6. xn... determina-se o polinômio interpolador. x7) e x ≠ xi.1 Conceito de Interpolação Seja a função y = f(x). . deve-se realizar uma extrapolação.000  X =  ∴X =  ∴X =  ∴X =  Interpolar uma função f(x) consiste em aproximar essa função por uma outra função g(x). obter a solução por Gaus-Seidel Matricial com 4 decimais com arredondamento e erro menor ou igual a As funções que substituem as funções dadas podem ser de tipos variados. . trigonométricas.Calor específico da água. como. . dada pela tabela 1.. E. Exercício 1: Dado o sistema abaixo: b) quando a função em estudo tem uma expressão tal que operações como a diferenciação e a 5x – y = 13 integração são difíceis (ou mesmo impossíveis) de serem realizadas. F = 5 • =  5  − 130 1  − 21 − 62  a tabela abaixo que relaciona calor específico da água e temperatura: 6  15 Xi x0 x1 x2 x3 x4 x5 x6 x7 Logo..001 X − X =  < erro A necessidade de se efetuar esta substituição surge em várias situações.000 − 4.99852 0. A solução aproximada deste sistema é: (3. Deseja-se determinar f ( x ) . f(xn). 7 b) x ∉ (x0.99828 0.1 Introdução A interpolação é outra das técnicas bem antigas e básicas do cálculo numérico. sendo: a) x ∈ (x0..  30  15 A partir desses dados suponhamos que se queira calcular: c) Atribuição inicial: (0) 0  a) o calor específico da água a 32. chamados nós da interpolação. x7) Para resolver (a) tem-se que fazer uma interpolação. d) Iterações: A interpolação tem o objetivo de nos ajudar na resolução deste tipo de problema. Neste caso. 1. exponenciais e logarítmicas..001  ( 4)  3. 2.973  ( 3)  3. Muitas funções são  1 0   19   19  conhecidas apenas em um conjunto finito e discreto de pontos de um intervalo [a.005. i = 0. podemos procurar uma 2x + 4y = 14 outra função que seja uma aproximação da função dada e cujo manuseio seja bem mais simples. − 4..800  ( 2)  2.0004.1.99919 (k ) = 5  • ( k −1) +  5  X 0 − 1  X  − 62  Tabela 1 . ( 4) ( 3) 0.5° C X = 0 b) a temperatura para a qual o calor específico é 0. f(x1). (1)  3.99837. Consideremos (n + 1) pontos distintos: x0. 20 25 30 35 40 45 50 55 Temperatura (°C) 0 1   19  Calor específico 0.99826 0. como por exemplo: 0.99907 0.000 escolhida entre uma classe de funções definida a priori e que satisfaça algumas propriedades.

c) Polinômio interpolador: O polinômio interpolador é uma unidade menor que o número de pontos conhecidos. f(x5)) f(x) Exemplo 1: Seja a função y = f(x) definida pelos pontos (0. y0) e (x1. basta resolver o sistema linear abaixo: b) Erro de truncamento (ET) .35) e (1. os coeficientes a0 e a1 devem ser calculados de forma que tenha: O resultado obtido acima está afetado por dois tipos de erros: P1(x0) = f(x0) = y0 P1(x1) = f(x1) = y1 a) Erro de arredondamento (EA) . logo para pontos distintos o EA = −0.986 P1(0. f(x4)) aproximadamente o valor de f(0. y1). 55 56 função g(x) tal que: y1). 1.94). sempre que x0 ≠ x1.  x1 1 Polinômio interpolador: P1(x) = 2.2 Exemplos (x5. y1).2 Interpolação Linear b) Cálculo dos coeficientes: 6. y0) e (x1.1 Obtenção da Fórmula P1(0) = a1 • 0 + a0 = 1. f(x0)) (x3.15) e o erro absoluto cometido. Exercício 2: Calcular o calor específico aproximado da água a 32. pois a aproximação de uma função conhecida apenas através de dois pontos dados é feita por a 1 x 0 + a 0 = y 0 um polinômio de 1° grau.2) determinar P1(0. portanto estaremos aproximando a função f(x) por uma reta que passa pelos dois pontos conhecidos (x0. ou seja.2.1.35 → a0 = 1.73) = 2. isto é.94 → a1 = 1. O polinômio interpolador P1(x) = a1x + a0 tem como imagem geométrica uma reta.51 Para determiná-lo. Determinar (x4. 2. usando os valores da tabela 1. os dois pontos.15x + 0. o polinômio interpolador nesse caso terá grau 1.73). Usando as temperaturas 30° C e 35° C.73 + 1.00.35 (equação da reta que passa pelos pontos dados) sendo. Então 0 x0 x 1 x2 x3 x4 x5 x teremos: Interpretação geométrica para n = 5 a) Pontos utilizados: (0. g(x0) = f(x0) A figura abaixo mostra. geometricamente. d) Resposta: P1(x) = a1x + a0 P1(0. f(x3)) (x1.73) = 1.5° C. P1(x) = a1x + a0 é o polinômio interpolador de 1° grau que passa pelos pontos dados.2.00. deseja-se calcular o valor de P1(1) = a1 • 1 + a0 = 2.35 P1(0.35 Dados dois pontos distintos de uma função y = f(x) : (x0. . Assim P1(x) = 1.  onde a1 e a0 são as incógnitas e a1x1 + a 0 = y1 Exercício 1: Dada a função f(x) = 10x4 + 2x + 1 com os valores de f(0.0034375 sistema tem solução única.3085 O determinante da matriz A é diferente de zero.94) 6. g(x2) = f(x2) M M p1(x) g(xn) = f(xn) y1 Graficamente temos: y0 y g(x) 0 x0 x1 (x0. usando a interpolação polinomial. f(x2)) 6.59 y para um determinado valor de x entre x0 e x1.59 • 0. f(x1)) (x2.1) e f(0. y0) e (x1. 2. (x0.15) = 1.00.59x + 1.  x 0 1 A=   é a matriz dos coeficientes.é cometido durante a execução das operações e no caso de um resultado ser arredondado. e a reta que passa por g(x1) = f(x1) eles.é cometido quando a fórmula de interpolação a ser utilizada é escolhida.35) e (1.00.

vem: quadrática que se aproxima de f(x) = .3.2) = 0.617a 2 + 0. Logo. então o sistema terá solução única. dados pela tabela abaixo.524a1 = 0. 0. 57 58 Polinômio interpolador: P1(x) = −0. 0 ) ( π/6.328 ) ( π/4. y2).49 6. 0. poderá existir o erro de arredondamento.3 0. .25 0. (x1.25a 2 + 0. a1 e a0 é necessário resolver o sistema: Exemplo 2: Determinar o valor de f(0.1. Utilizar duas a2 x02 + a1x0 + a0 = y0 casas decimais. y2) são conhecidos.560 Se conhecermos três pontos distintos de uma função.99874 P1(32.(0.00 a1 = −2.328 dada é polinomial de 2° grau e.3 Interpolação Quadrática 0.560 ) Cálculo do erro absoluto: b) Cálculo dos coeficientes: EA = f(0.2 Exemplos  0. o sistema passa a ser: 6.3.1 Obtenção da Fórmula 0.1a1 + a 0 = 0.99822 Da primeira linha temos que a0 = 0.000016x + 0.452x (x0.49 ) ( 0.  4 () 4 ()  P 2( π ) = a 2 • π + a1 • π + a 0 = 0.274a 2 + 0.1 0.81  Exemplo 1: Utilizando os valores da função seno. 0. 0. determinar a função 2 sen2 x Resolvendo o sistema pelo método de Gauss. Isto ocorre porque a função () π 2 () π  P 2( 6 ) = a 2 • 6 + a1 • 6 + a 0 = 0.333 x 2 + 0.2) e o erro absoluto ocasionado pela aplicação da interpolação quadrática.328  6. consegue-se determiná-la sem erro.2) + 1 P2(0.09a 2 + 0.00 x sen(x) f(x) c) Polinômio interpolador: 0 0 0. no cálculo deste valor.81 A matriz dos coeficientes é: a) Pontos utilizados: 2 ( 0.5 0.81 )  x x 0 1 0   V =  x12 x1 1 b) Cálculo dos coeficientes:  x 22 x 2 1 P2(x) = a2x2 + a1x + a0 Como os pontos são distintos. y1) e (x2.2)2 − 2. 0. (x1.000 P2(x) = x2 − 2x + 1 π 1 0. 0.5) = 0.64 − 0.01a 2 + 0. c) Polinômio interpolador: portanto. x +1 a2 = 1.5a1 + a 0 = 0.25  0. y0). trabalhando com três casas decimais. a partir de três pontos da função. 0.49 onde a2.5.64 a) Pontos utilizados: ( 0. Para determinarmos os valores de a2.785a1 = 0.328 6 2 π 2 0. usando os valores tabelados da função f(x) = x2 − 2x + 1.560 2 4 Contudo. a2 x12 + a1x1 + a0 = y1 x f(x) a2 x 22 + a1x2 + a0 = y2 0.00 a0 = 1.64 EA = 0  P 2(0) = a 2 • 02 + a1 • 0 + a 0 = 0  π Podemos observar que o polinômio interpolador é igual a função dada.560 d) Resposta: 4 2 P2(0.452 a0 = 0 O polinômio P2(x) é conhecido como função quadrática cuja imagem geométrica é uma parábola.333 a1 = 0. a1 e a0 são as incógnitas e os pontos (x0.2) − P2(0. y1) e (x2.2) = (0.3. estaremos aproximando a função f(x) por uma parábola que passa pelos três pontos conhecidos P2(x) = 0.3a1 + a 0 = 0. então o polinômio interpolador será: Resolvendo o sistema acima encontraremos a solução aproximada: 2 P2(x) = a2x + a1x + a0 a2 = 0.2) P2(x) = a2x2 + a1x + a0 EA = 0.25 ) ( 0. y0).

. agora. 1 2 4 8  Teorema: Sejam (xi. x2 = 3 e x3 = 2.. dos coeficientes das incógnitas do sistema... determina-se o polinômio Pn(x).. i = 0. Como Pn(x) contém os pontos (xi.. Pn(x) é um polinômio de grau menor ou igual a n.. onde os polinômios Lk(x) são de grau n... x1 = 0. ( x − x 0)( x − x1).... an. isto é. assim..99826) e (40.. Para provar que tal polinômio é Como o numerador de Lk(x) é um produto de n fatores da forma: único. sabe-se que seu valor é dado por: n Pn(x) = ∑y Lk ( x ) ∏ ( x − x ) . para todo i... Para cada i. a1.. tal que P(xi) = yi. pode-se escrever que Pn(xi) = yi.... Podemos representar Pn(x) na Pn(x) = a0 + a1x + a2x2 + .... deve-se conhecer os valores de a0. .. n. vem que det(A) ≠ 0.. n Seja Pn(x) o polinômio de grau ≤ n que interpola f em x0. yi). + ynLn(x). n.... .... x1  A=  ...00318 P2(31) = 0..4. + ynLn(xi) = yi Com isso temos: A forma mais simples de se satisfazer esta condição é impor: a + a x + a x 2 +.. xn... . x n   0 0 2 0 n Além disso.. basta que se mostre que o determinante da matriz A.. .( xk − xk − 1)( xk − xk + 1).......... então Lk(x) é um polinômio de grau n e.. 2... . i = 0. O polinômio P(x) pode ser escrito na forma: Sejam x0.. 59 60 Exercício 1: Usando três pontos da Tabela 1.( x − xn )  + 2 n Lk = + +. (n + 1) pontos distintos e yi = f(xi).1 Obtenção da Fórmula único polinômio P(x) de grau menor ou igual a n... 1. xi ≠ xj para i ≠ j. + anxn ∑a x i ou Pn(x) = i =0 i forma Pn(x) = y0L0(x) + y1L1(x) + ..+ a n x n = y ( xk − x 0)( xk − x1).. n.... ou seja: P(x) é. da Álgebra Linear... para determiná-lo.. ... (30. 1 x x 2 ......... x1. onde Lk(x) = ∏ (x j =0 k − xj ) j≠ k Exemplo: Sejam os valores: x0 = 1. i ≠ k. x2..00000415x2 − 0...99907).. n temos:  1 x1 x1 . se an ≠ 0 e. i = 0. Pn(xi) = y0L0(xi) + y1L1(xi) + . i = 0. 1...... Vamos 1 3 9 27    estudar agora o polinômio interpolador de grau menor ou igual a n.. para x = xi. 0. ..+ a n x1 = y1  . no máximo.  n  2 1 x n x n ... xn. queremos que a condição Pn(xi) = yi seja satisfeita. .. P(x) é único. determinar o calor específico aproximado da água a 31° C = (−1)(2)(3)(1)(2)(−1) = 12 Pontos utilizados: (20........ i> j i j ∏ (x − x ) i> j i j = (x1 − x0) (x2 − x0) (x2 − x1) (x3 − x0) (x3 − x1) (x3 − x2) = . 0.... Determinar: ∏(x − x ) ..4 Interpolação de Lagrange   As interpolações vistas anteriormente são casos particulares da interpolação de Lagrange.99822 1 1 1 1  1 0 0 0  6... n.. Existe um 6. a dedução da fórmula de interpolação de Lagrange.( xk − xn) a0 a1 x n a2 x n n Resolvendo o sistema acima. Será mostrado.. 1. definimos Lk(x) por  0 1 0 2 2 0 n n 0 0 1 se k = i a0 + a1 x1 + a2 x1 +. Como xi ≠ xj para i ≠ j.. k det(A) = i j k =0 i> j n ( x − xj ) Logo. sendo dados n + 1 pontos distintos. é diferente de zero. x n n Pn(xi) = ∑y k =0 k Lk ( x i ) = yiLi(xi) = yi Mas o determinante da matriz A é conhecido como determinante das potências ou de Então... 0. a interpolação de Lagrange para o polinômio interpolador é: Vandermonde e. 1...( x − xk − 1)( x − xk + 1).99828) Este valor é igual ao determinante da matriz: Polinômio interpolador: P2(x) = 0. para isso....+ a x n = y 0 se k ≠ i Lk(xi) =  e.... yi). i = 0. de grau n... A matriz A é: (x − xi)..0002885x + 1....... n + 1 pontos distintos....

61 62   6. 2.35 (0 − 1) (1 − 0) que é a mesma expressão obtida no exemplo 1 de interpolação linear. f(x1)).(x − x0) + a2. temos que: Resposta: P2(0. temos dois pontos distintos: (x0.25 Pn(x0) = f(x0) Exercício 2: Determinar o polinômio interpolador de Lagrange para a função conhecida pelos pontos da Pn(x1) = f(x1) tabela abaixo: Pn(x2) = f(x2) M i xi yi Pn(xn) = f(xn) 0 −1 4 1 0 1 Validade: 2 2 1 3 3 16 x = x0 ∴ P0 ( x0) = a0 = f (x ) 0 P3(x) = x3 − 4x + 1 f (x ) − a f (x ) − P (x ) Resposta: x = x ∴ P (x ) = a + a (x − x ) = f (x )∴ a 1 0 1 0 1 1 1 1 0 1 1 0 1 = ∴a 1 = 1 x −x 1 0 x −x1 0 .. tomamos os pontos mais próximos.(x − x2) .  Polinômio grau 0  G0 →     a) Pontos utilizados:  CTE  (0.  Polinômio grau 0   Polinômio grau 1  Polinômio grau 2   G2 →  +   +  c) Polinômio interpolador:   passando por x 0 passando por x e por x ( x − 1) ( x − 0)  CTE       0 1  P1(x) = 1. do ponto que queremos. P2(x) = a0 + a1. + an.5)2 = 0.94 = −1. na hora de montar a k =0   tabela.35 + 2. (x − xn-1) 1 1 1 2 2 4 Impondo que Pn(x) passe por todos os n + 1 pontos da tabela.(x − x1) + .5 Interpolação Parabólica Progressiva n  n ( x − xj )  Na interpolação parabólica progressiva precisamos de n + 1 pontos. desejado.(x − x1) Exercício 1: Determinar o polinômio de interpolação de Lagrange para a função conhecida pelos pontos M tabelados abaixo e o resultado em P(0.94) P0(x) = a0 b) Cálculo dos coeficientes: P1(x) = y0L0(x) + y1L1(x)..(x − x0) + a2.00.4.35x + 1.00. visto anteriormente.59x + 1.(x − x0) ( x − x1) ( x − x 0) Assim.(x − x0).2 Exemplos: Polinômio de grau 0: Exemplo 1: No caso da interpolação linear..35) e (1.. f(x0)) e (x1.(x − x1).5) = (0. f(x0)) e (x1.(x − x0).94x = 1. é a fórmula da interpolação lagrangeana. 1. onde n é o grau do polinômio Pn(x) = ∑  y • ∏ (x k j =0 k − xj )  . P1(x) = y0 + y1 ( x 0 − x1) ( x1 − x 0 ) Polinômio de grau 2: que é exatamente a equação da reta que passa por (x0. Em seguida. f(x1)) com n igual a 1. onde Polinômio de grau 1: ( x − x1) L0(x) =  Polinômio grau 0   Polinômio grau 1 ( x 0 − x1) G1 →  + ( x − x 0)    passando por x 0  L1(x) =  CTE     ( x1 − x 0 ) P1(x) = a0 + a1.35 + 2.  j≠k  6.(x − x0).5): Polinômio de grau n: i xi yi 0 0 0 Pn(x) = a0 + a1.

Logo. x1. (x − x0) + f[x0.x2] = x 2 − x0 x0 −1 2 −1 1 0 0 M x1 0 1 1 1 0 f [ x1 ...x2. x1 . a expressão é : P1(x) = 2x + 2 + f[x0. .. ....x1.x1.... x2.(x − x1).x1] = = = f[x1.xn] − Exemplo 1: Dados os pares abaixo.xk] é a diferença dividida de ordem k da função f(x) sobre os k + 1 pontos.x2.x1] = = a) Cálculo dos coeficientes de Pn(x): x1 − x0 ( x1 − x0 ) f [ x1 . f (x ) − P (x ) x = x ∴ P ( x ) = a + a ( x − x ) + a ( x − x )( x − x ) = f ( x ) ∴ a 1 2 2 = 2 Conhecidos os valores que f(x) assume nos pontos distintos x0.xn] = an f (x ) − P (x ) 2 3 6−6 Pn(x) = a0 + a1.. x1.6 Interpolação de Newton com Diferenças Divididas 6.5) usando um polinômio interpolador de Newton do segundo grau (3 pontos)..x1.x2.x2] .xn-1] f[xn-2.x1] f[x0. xn] = xn − x0 x3 2 5 5 x4 3 10 .x3. (x − x1) + .. podemos construir a 2 2 0 1 2 0 2 2 0 2 1 2 2 ( x − x )( x − x ) 2 0 2 1 tabela: … xi Ordem 0 Ordem 1 Ordem 2 ..x1] = a1 x = x ∴ a = ( − )( − ) = (1 + 5)(1 + 3) = 0 2 2 2 ∴ P2 ( x ) = 2 x + 2 f[x0.x3] f[x2. x1 ] X Ordem 0 Ordem 1 Ordem 2 Ordem 3 Ordem 4 f[x0.x4] − a = ( − ). x 2 ] − f [ x 0 .x1. xn] x1 f[x1] f[x1..x1.(x − x0).x1..x1] . x 2 ..... Definimos o operador Considere a seguinte tabela: diferenças divididas por: xi −1 0 1 2 3 f[x0] = f(x0) F(xi) 2 1 2 5 10 f [ x1 ] − f [ x0 ] f ( x1 ) − f ( x0 ) f[x0. + an. 63 64 Dizemos que f[x0. determinar a expressão analítica destes mesmos: xn-1 f[xn-1] f[xn-1. xn] .x1.. Ordem n x = x ∴ P ( x ) = a + a ( x − x ) + .xn] − − xn f[xn] − − − xi −5 −3 1 2 f(xi) −8 −4 4 6 6. .( − ) n n x x x x n 0 n n −1 .(x − x0) + a2.x0] x1 − x0 x 0 − x1 f ( x ) − P ( x ) = −4 + 8 = 20 1 x = x ∴a 1 1 = 1 ∴ P1 ( x ) = −8 + 2( x + 5) = 2 x + 2 Pode-se provar que cada coeficiente an do polinômio interpolador de Newton corresponde ao x −x 1 −3 + 5 0 operador de grau n de diferenças divididas: 3ª Hipótese: f[x0] = a0 f (x ) − P (x ) 4−4 1 2 f[x0. (x − xn-1) x = x ∴a 3 3 = 3 ( x 3 − x0)( x 3 − x1)( x 3 − x 2) = ( 2 + 5)( 2 + 3)( 2 − 1) = 0 ∴ P3 ( x ) = 2 x + 2 Pn(x) = f[x0] + f[x0. . + a ( x − x ).(x − x0). (x − x2) .... Seja f(x) uma função tabelada em n + 1 pontos distintos x0. (x − x0) .... (x − x0) .x1.2 Propriedade do Operador Diferenças Divididas Pode-se provar que as diferenças divididas satisfazem a propriedade de ser simétrico nos 1ª Hipótese: argumentos..1 Diferenças Divididas Exemplo 1: Obter f(0..x2...x2] f[x1. x = x ∴ P ( x ) = −8 0 0 Exemplo: f [ x1 ] − f [ x0 ] f [ x0 ] − f [ x1 ] 2ª Hipótese: f[x0.(x − x1) + .x3] − f (x ) − P (x ) n −1 n x2 f[x2] f[x2.( x − x n n n 0 1 n 0 n n 0 n )= n −1 f (x ) ∴ n x0 f[x0] f[x0. xn. .6.6..x2] f[x0. (x − xn-1) 6..(x − x2) ..x1.x2] = a2 x x x x 2 0 2 1 M 4ª Hipótese: f[x0.. . .. xn-2 f[xn-2] f[xn-2...x n −1 ] x2 1 2 3 1 f[x0...x2... xn.3 Exemplos 6.6..x n ] − f [ x0 . ..x2 . x2..xn-1.... (x − x1) ..

x3] = = =1 c) Resposta: x 3 − x1 2−0 P3(40) = 0.375 − 0.47) usando um polinômio interpolador de Newton do segundo grau (3 pontos). x 2 . x 2 .25 P4(0.53906 Exemplo 2: Obter f(40) usando um polinômio interpolador de Newton de grau 3 (4 pontos).0112 f [ x4] − f [ x3] 10 − 5 f[x3. devemos escolher um novo conjunto de pontos: f [ x 2 ] − f [ x1] 2 − 1 f[x1. x1 .5) = (0. x 3] 1−1 xi 0. x 4] − f [ x1 .x4] = = =1 x4 − x2 3 −1 Exercício 1: Obter f(0.4) + 1.x3] = = =3 x1 35 0.27802 f[x0.7 Interpolação de Gregory-Newton seguinte tabela: Muitas vezes são encontrados problemas de interpolação cuja tabela de pontos conhecidos tem valores que são igualmente espaçados.5 0. x 2 ] 1 − 1 Considere a seguinte tabela: f[x0.16 0.0001(10)(5) − 0.02344 = 0. x1 . x 3] 0−0 P2(0.x4] = = =5 x3 55 0.29 0.0148(10) − 0.4 0. x1 ] 1 + 1 f[x0.32 0.0118 x3 50 0.x2. x4] − f [ x2 .766 0. x 3 .5) usando um polinômio interpolador de Newton do quarto grau (5 pontos).27 + 0.52) f [ x1 .27 0.x1.0001 −0.0625 − 0.5)2 + 1 = 1.819 x1 − x0 = x2 − x1 = x3 − x2 = . x 2 ] − f [ x 0 .6 0.574 0.0148(x − 30) − 0.0000002(x − 30)(x − 35)(x − 45) f [ x 2 .16667(x − 0.x3.52 0. x3 .x2] = = =1 x 2 − x0 1+1 P3(x) = 0.x2.5 0.5 + 0.x3.819 x 4 − x3 3− 2 b) Polinômio interpolador: f [ x1 .47) = 0.x2.x4] = = =0 − x 4 x0 3+1 Exercício 2: Obter f(0.34 0.64305 f[x2. ou seja: xi 30 35 45 50 55 F(xi) 0.5) = 1 − 0.041665(x − 0. x 2 .x2] = = =1 X Ordem 0 Ordem 1 Ordem 2 Ordem 3 x 2 − x1 1− 0 f [ x3] − f [ x2] 5 − 2 x0 30 0.x1] = = = = −1 x1 − x0 ( x1 − x0 ) 0 +1 Como o polinômio obtido não terá grau 3.0000002(10)(5)(−5) f [ x3 .x3. Considere a 6.0001(x − 30)(x − 35) − 0. = xn − xn-1 = h .0001 0 f[x3] = f(x3) = 5 x1 35 0.707 0.22 0. x4] = = =0 F(xi) 0. x 3] − f [ x1 . x3] 5 − 3 P3(40) = 0. b) Polinômio interpolador: Considere a seguinte tabela: P2(x) = 2 − 1(x + 1) + 1(x + 1)(x − 0) xi −1 0 1 2 3 P2(x) = 2 − (x + 1) + x (x + 1) F(xi) 1 1 0 −1 −2 P2(x) = 2 − x − 1 + x2 + x P2(x) = x2 + 1 Polinômio interpolador:  −1 1  −1 c) Resposta: P4(x) = 1 + 0.72 f[x1.. x 2 . f [ x1 .000105 x3 − x 2 2 −1 x2 45 0.707 0.766 f [ x1 ] − f [ x0 ] f ( x1 ) − f ( x0 ) 1 − 2 f[x0.5 + 0.x3] = = =0 x 3 − x0 2 +1 f [ x2 .0000002 f[x2.37 x 4 − x1 3− 0 Polinômio interpolador: P2(x) = 0. 65 66 a) Cálculo dos coeficientes de Pn(x): onde: Pegar os pontos mais próximos do ponto que desejamos: f[x0] = f(x0) = 2 f[x1] = f(x1) = 1 X Ordem 0 Ordem 1 Ordem 2 Ordem 3 f[x2] = f(x2) = 2 x0 30 0.0133 −0.0148 −0.707 0.(x + 1) +   (x + 1)(x) +   (x + 1)(x)(x − 1) +   (x + 1)(x)(x − 1)(x − 2) 2   6    24  P2(0..x1.0133 −0.4)(x − 0.x1.574 0. x 4] − f [ x 0 .0001 f[x4] = f(x4) = 10 x2 45 0.0148 −0.5 0. x 2] 3 −1 f[x1.574 0.x2. x 3] − f [ x0 .2 0.

03 0..25 1.(x − x1) + ..3863 x2). 1..2 Relação entre diferenças divididas e diferenças ordinárias P2(x) = 2 − x − 1 + x2 + x ∆n f ( x0 ) P2(x) = x2 + 1 Teorema: Se xj = x0 + j.05 0.(x − 1)(x − 2) + 0. + ..4 Exemplos Exemplo 1: Obter f(0..x2..6931 1. 67 68 Assim xi+1 − xi = h .7) = 1.07 ∆f ( x1 ) ∆f ( x0 ) F(xi) 1.(x − x0) + 2 .30225590 ∆f ( x0 ) ∆2 f ( x0 ) ∆n f ( x0 ) Pn(x) = f(x0) + .h.16 e por indução podemos mostrar que esta regra é valida para valores maiores que 2.x1. que é xi 1 2 3 4 Pn(x) = f[x0] + f[x0.(x − x1) + . para todo i.+ f[x0.x2] = = = x 2 − x0 2h 2h 2 Polinômio interpolador: P2(x) = 100x2 + 1 M P2(0. . xi −1 0 1 2 3 xi = xi-1 + h → xi = x0 + i * h f(xi) 2 1 2 5 10 6.7. sendo h uma constante. Ordem n x1 0 1 1 2 0 x0 f(x0) ∆1f(x0) ∆2f(x0) ∆nf(x0) x2 1 2 3 2 x1 f(x1) ∆1f(x1) ∆2f(x1) − x3 2 5 5 x2 f(x2) ∆1f(x2) ∆2f(x2) − x4 3 10 ...01 1. x1 ] h h ∆2 f ( x0 ) f[x0.. n...5) = (0.04) = 1. então f[x0..xn]. para j = 0.. n!h n Prova: d) Resposta: P2(0.(x − x0)..(x − x0).xn] = .5)2 + 1 = 1.01 0..(x − 1) − 0.x1..x2.(x − xn-1) Polinômio interpolador: P3(x) = 0.. Considere a seguinte tabela: Partindo da formula original do método de Newton..0986 1. xn-2 f(xn-2) ∆1f(xn-2) ∆2f(xn-2) − c) Polinômio interpolador: xn-1 f(xn-1) ∆1f(xn-1) − −  −1  2  P2(x) = 2 +   (x + 1) +  2  (x + 1)(x) xn f(xn) − − −  1   2 •1  P2(x) = 2 − (x + 1) + x (x + 1) 6.0283.7) usando um polinômio interpolador de Gregory-Newton do terceiro grau (4 6..(x − x0) + f[x0. ∆nf(x) = ∆n-1f(x + h) − ∆n-1f(x) X Ordem 0 Ordem 1 Ordem 2 Ordem 3 Ordem 4 x0 −1 2 −1 2 0 0 xi Ordem 0 Ordem 1 Ordem 2 ..6931.7. Considere a seguinte tabela: .(x − x0)..x1. 2. onde f(x) = ln(x).7.09 1.(x − x0).(x − 1)(x − 2)(x − 3) podemos derivar a nova formula que utiliza as diferenças ordinárias: P3(3..1438..x1] = = = = pontos).5) usando um polinômio interpolador de Gregory-Newton (G-N) do segundo grau (3 pontos). Exercício 2: Obter f(3... . . x 2 ] − f [ x 0 ..(x − h 2h n!h n x2).(x − x1).(x − xn-1) 6.. ...1 Diferenças Ordinárias ou Finitas a) Tamanho do intervalo: 0 ∆ f(x) = f(x) h=1 ∆1f(x) = f(x + h) − f(x) ∆2f(x) = ∆1f(x + h) − ∆1f(x) b) Cálculo dos coeficientes de Pn(x): ...25 f[x0] = f(x0) Exercício 1: Obter f(0.x2]. Considere a seguinte tabela: x1 − x0 ( x1 − x0 ) h h xi 0.x1]. .(x − F(xi) 0 0..49 − f [ x1 .3 Gregory-Newton usando Diferenças Ordinárias pontos).(x − x1).04) usando um polinômio interpolador de Gregory-Newton do segundo grau (3 f [ x1 ] − f [ x0 ] f ( x1 ) − f ( x0 ) f ( x 0 + h) − f ( x 0 ) ∆f ( x0 ) f[x0.7..x1.

. aparecem linearmente. O problema é determinar qual parábola com equação αx2 se ajusta melhor ao primeiro gráfico e αn. V é f(x) ≅ ϕ(x) = α1g1(x) + α2g2(x) + . b].. vamos procurar valores para α1... . O problema do ajuste de curvas no caso em que temos uma tabela de pontos (x1. (x2. embora as funções g1(x). como por exemplo. f(x2)). . αn. f(x1)).6 1.5 0. f(xm)) com x1.. f(x1)). dada uma tabela de pontos (x1.. α2. Contudo. existe uma fundamentação teórica relacionando a corrente com a tensão V = Ri.. .5 Num outro exemplo. m.. contínuas em [a. passando pela origem. α2.. ou seja.1 Método dos Quadrados Mínimos O Método dos Quadrados Mínimos é provavelmente a técnica de aproximação mais usada na Exemplo: Seja a tabela: análise numérica e em problemas práticos. qual reta. α2 e α3 que tornam a função: 0 -1. + αngn(x) uma função linear de i. passa por uma resistência submetida a várias tensões. colocar estes pontos num gráfico cartesiano.5 0 0. Veremos que o método dos quadrados mínimos contempla a possível existência de erros nos xi –1. quando se quer extrapolar. ou seja. gn(x).1 1. f(xi) 2.0 dados a serem aproximados.. g2(x).. 69 70 7 Ajuste de Curvas Portanto. i0 iq i Genericamente. para i = 1. ou seja: 2.. x2. V Surge então a necessidade de se ajustar a estas funções tabeladas uma função que seja uma "boa Vq aproximação" para os valores tabelados e que permita extrapolar com certa margem de segurança. O gráfico resultante é chamado diagrama de dispersão. 2... α1. . 0. pertencentes a um intervalo [a. (xm..5 –0.5 ϕ(x) = α1 + α2x + α3x2 uma boa aproximação dos dados. isto é. onde as funções g1(x).5 0.. que ϕ(x) é uma reta. . deve-se. ... g1(x) = i e ϕ(i) = αg1(i) Dizemos que este é um modelo matemático linear porque os coeficientes a determinar.5 2. em geral. gn(x) possam ser funções não lineares de x. Veremos a Portanto. g2(x).2 0 0. estes valores poderão conter erros inerentes que. O critério de aproximação consiste em minimizar os resíduos. No O diagrama de dispersão será conforme mostrado abaixo: caso dos quadrados mínimos lineares. por exemplo. gn(x) temos de estabelecer o conceito de A escolha das funções pode ser feita observando o gráfico dos pontos conhecidos ou baseando-se proximidade entre as funções ϕ(x) e f(x) para obter as constantes α1..5 ϕ(x) = α1 + α2x 2 1. poderemos ter: porque. é natural escolher apenas uma função g1(x) = x2 e procurar então ϕ(x) = αx2 (equação Uma das formas de se trabalhar com uma função definida por uma tabela de valores é a geral de uma parábola passando pela origem). Isto se deve tanto à sua simplicidade quanto ao fato de que em geral.. xm. . consiste em: escolhidas n funções V0 g1(x)... b]. colocando os valores correspondentes de corrente e b) Os valores tabelados são resultados de algum experimento físico ou de alguma pesquisa.5 -1 -0. partimos da hipótese de que temos algumas informações sobre o comportamento de ϕ(x). . interpolação polinomial.1 0..5 1 1. α2. nestes casos. Poderíamos saber. escolhidas as funções g1(x)..3 1. .. No caso geral.5 A questão é encontrar qual é esta reta. obter n constantes α1. . Uma maneira é impor que o desvio (f(xi) – ϕ(xi)) seja mínimo. etc. gn(x) são preestabelecidas.25 0. não são previsíveis. g2(x). g3(x) = sen(x). a interpolação não é aconselhável quando: a) É preciso obter um valor aproximado da função em algum ponto fora do intervalo de Se considerarmos uma experiência onde foram medidos vários valores de corrente elétrica que tabelamento. em primeiro seguir o método conhecido como Método dos Quadrados Mínimos. f(x2)).25 0 0. melhor se ajusta ao segundo gráfico. Assim. g1(x) = ex. estaremos supondo que os dados serão aproximados por uma função do tipo: neste caso. . (xm.. em fundamentos teóricos do experimento que nos forneceu a tabela. no caso linear.. Através deste diagrama pode-se visualizar a curva que melhor se ajusta aos dados.. αn tais que a função ϕ(x) = α1g1(x) + α2g2(x) + . quais são os valores de α1 e α2 que ajustam os 1 pontos conhecidos. g2(x).0 –0.2 Chamaremos de f(x) a função que será convenientemente aproximada por outra função ϕ(x)... f(xm)). (x2. tensão em um gráfico. g2(x) = (x2 + 2)..75 –0. .. + αngn(x) se aproxime ao máximo de f(x).75 1...... buscamos aproximações para dados que são medidas obtidas experimentalmente com um certo grau i 1 2 3 4 5 6 7 8 9 de incerteza. lugar. 7.

2) + (5. e com Dada uma tabela com m valores (xi. f(xi)). esto é: a) Cálculo dos somatórios: ∂ ∂ <r. α2) e para cada x será r(α1. .6 m m − 2∑ ( f ( xi ) − α 1 − α 2 xi ) = 0 e − 2∑ ( f ( xi ) − α 1 − α 2 xi )xi = 0 5 i =1 i =1 ∑x i =1 i 2 = (1. r> = <r.1 6.6α 1 + 149.8) 2 + (8. r> = 0 m=5 ∂α 1 ∂α 2 5 ou ainda. f(xi) 2.0) 2 = 149. obtem-se α1 = 2. . (xm.0 5.4 5. que podem ser reescrito na forma: 5 ∑ f ( x ) = (2.. α2) = < f(x) – α1 – α2x.. m. estas duas equações formam um sistema linear com as incógnitas α1 e α2. m m m m  m  m ∑ x i f ( x i ) − ∑ x i ∑ f ( xi ) ∑ f ( x ) −  ∑ x α i i 2 Seja dk = f(xk) – ϕ(xk) o desvio em xk.0) = 24.1) + (5.2 3.8)(6.. r> temos: ∑x i =1 i = (1. αn tais que a função ϕ(x) = α1g1(x) + α2g2(x) + .3)(2..0)(5. f(xm)) e as n funções g1(x). g2(x).4) + (5.. x) = f(x) – α1 – α2x. Como o ajuste será feito por uma reta. pelo método dos quadrados mínimos devemos procurar α1 e α2 que minimizam a função: i 1 2 3 4 5 m xi 1. α2. tabelados.4)(5. Considerando que o número de pontos m. f(x2)).8) + (6.9 i =1 i m m m ∑ f ( x ) −∑ α − ∑ α i 1 2 xi = 0 5 ∑x i =1 i =1 i =1 i f ( xi ) = (1..3)2 + (3. no sentido dos quadrados mínimos. é sempre maior ou igual a n o número de funções escolhidas ou o número de coeficientes αi a se determinar..8) + (8. gn(x) α1 ∑ xi + α2 ∑ xi2 = ∑x i f ( xi ) i =1 i =1 i =1 escolhidas de alguma forma.8) = 22.8 6.1 Ajuste Linear Simples Assim.2) + (3. α2.5224..5α 2 = 127. m ∑ xi2 −  ∑ xi  i =1  i =1  7.1 5.8 2 <r. 71 72 m m m Sejam dados os pontos (x1.9  24.1. isto é: Como este método consiste em achar o mínimo de uma função quadrática..8 8. os valores de α1 e α2 da melhor reta (no sentido dos quadrados mínimos) são obtidos pelo sistema: m m mα1 + α2 ∑ xi = ∑ f (x ) i =1 i =1 i 5α 1 + 24.1) + (8. A solução deste sistema pode ser obtida pelo método da Eliminação de Gauss.0 ∑ ( f (x ) − α − α 2 xi ) . 2.. f(x) – α1 – α2x> = i 1 i =1 Usando os valores da tabela temos: Do Cálculo Diferencial sabe-se que a condição necessária do ponto crítico é que as derivadas nele se anulem. ..8) + (6. ajusta esta tabela. + αngn(x) se aproxime ao máximo de f(x). f(x1)). O conceito de proximidade é que dk seja mínimo para todo k α2 = i =1 i =1 i =1 e α1 = i =1 i =1 2 = 1. f(x) ≅ ϕ(x) = α1 + α2x Exemplo 1: Ajustar os dados da tabela abaixo a uma reta de modo que o resíduo seja o menor possível. ele é conhecido como método dos mínimos quadrados..3 3. . a solução do sistema de equações lineares é α1 e α2 dados pelas equações acima.5 Após o desenvolvimento. Através das substituições retroativas obtém-se: Nosso objetivo é encontrar os coeficientes α1. i = 1. r> (α1. tomaremos g1(x) = 1 e g2(x) = x. No método dos quadrados mínimos consiste em escolher os aj's de tal forma que a soma dos m  m  m quadrados dos desvios seja mínima.54 Resolvendo o sistema. queremos encontrar a reta que melhor estes valores os resíduos apresentam o seu menor valor.. m.1) + (6.1) 2 + (6.8) = 127.6α 2 = 22.0098 e α2 = 0. 2.4) 2 + (5.0) + (3. . Assim. O resíduo para cada par (α1.0) + (5.3) + (3. procedidas as respectivas derivações na expressão <r.....54 i =1 m m m ∑x i =1 i f ( xi ) − ∑ α 1 xi − ∑ α 2 xi2 = 0 i =1 i =1 b) Resolução do sistema: ou Assim. (x2. .1)(3.

1) = 2. Calcular a soma dos quadrados dos resíduos.9 − ( 24.2)4 + (3.4) = –6.1170 2.3 8.8) + (21.38900 i =1 i i =1 i i =1     i =1  m   m 2  4  m m Neste exemplo. neste caso.00 f(xi) 1.6787 a) Cálculo dos somatórios: m=6 Exercício 1: Considere o ajuste da tabela abaixo por uma reta.0  m m  α 1   m  f(xi) 2.5 –20.2840 1.78596 4.5)2 + (0)2 + (1)2 + (2.34 74. ϕ(x) = 2.8 21. torna-se: I 1 2 3 4 5 xi 1.039198 i =1 6 7.16 142.. + αn+1xn e as equações normais ficam: .75 1.5)4 + (0)4 + (1)4 + (2.5224  i =1 i i =1 i i =1 i i =1   i =1  m  m  2 (5)(149. A equação geral do ajuste 6 polinomial é dada por: ∑ f ( x ) = (–30. usando a equação.2)3 + (3.1 f(xi) –30.70784x.064 A soma dos quadrados dos resíduos é: ∑ r 2 ( xi ) = 0.7183 6 ∑x i =1 i 2 = (–2)2 + (–1.5 − 605.89968 + 1.2)2 + (3.1)2 = 21.4 5.6) 2 747.56212 6. que. α 3  = ∑ xi f ( xi )  n+ 2  2 i =1  i =1   i =1 i =1 i =1 i =1     i =1        M M M M M  M   M  m  m      m  ∑ f ( xi ) −  ∑ xi α 2  m m m m 2n     α1 = i =1  i =1  = 22.6)(0.5224) = 22.0000 1.8 8.5) + (0) + (1) + (2.5)3 + (0)3 + (1)3 + (2.7 − 563.36  ∑x ∑x 2 ∑x 3 L ∑ xin +1  α 2   ∑ xi f ( xi )  α2 = i =1 i =1 i =1 = = = = 0.8 xi 0 0.2) + (3.2 Ajuste Polinomial ∑x i =1 i 4 = (–2)4 + (–1. Calcular a soma dos quadrados dos resíduos.68892 3.1)4 = 137.34  m m m m    m  m∑ xi2 −  ∑ xi   ∑x 2 i ∑x 3 i ∑x 4 i L ∑ xi . 73 74 Usando as fórmulas de α1 e α2 temos:  m m m  α 1   m   m ∑x i ∑x 2 i L ∑x n i     ∑ f ( xi )  m m m  i =1 i =1 i =1    m i =1  m ∑ x i f ( x i ) − ∑ x i ∑ f ( xi ) m m m m (5)(127.6)(22.67404 5.18900  m i =1 m i =1 m    m i =1   x xi3 . é: Exemplo 1: Ajustar os pontos da tabela abaixo à equação ϕ(x) = α1 + α2x + α3x2.9 16.3 3.2 –3. a melhor reta que passa pelos pontos. i 1 2 3 4 5 6 c) Cálculo do quadrado dos resíduos: xi –2 –1.1)3 = 30.7 Resposta: ϕ(x) = 0.2 3.2) + (–3.53788 –0.9) + (16. a soma dos quadrados dos resíduos é: ∑ xi2 ∑x 3 ∑ xi  α  ∑ xi f ( xi )  i =1 i =1 i i =1   3   i =1  5 ∑r i =1 2 ( xi ) = 3.5) + (–20. 6 i 1 2 3 4 5 ∑x i =1 i = (–2) + (–1.68892 1.9 − 12.54) − (24.8402 O ajuste linear simples é um caso especial do ajuste polinomial.5) − (24.25 0..0098 + 0.2 3.851 = 2.1 6.0 5.1 5.6487 2.9) 637.9 i =1 i ϕ(x) = α1 + α2x + α3x2 + .5224x. 6 5 ∑x i =1 3 i = (–2)3 + (–1.α 2  =  ∑ xi f ( xi )  ∑ ∑x ∑ 2 r(xi) –0.1.41404 –0.5 0 1 2.87404 0.8 6.3) + (8.5 0.0098  ∑x i n ∑x n +1 i ∑x i n+2 L ∑ x i   ∑ i i   α n   i =1 x n f ( x ) m 5 5 i =1 i =1 i =1 i =1 Então.8  m ∑x ∑x i 2 i     ∑ f ( xi )  ϕ(xi) 2.4 Os valores de ϕ(xi) e os respectivos resíduos (r(xi) = f(xi) – ϕ(xi)) estão na tabela abaixo: O vetor α é a solução do sistema acima.

1 0.05) + (0.2 0 0.2 0.05) = 5.018 + 11.5  m ∑x ∑ xi2   0   ∑ f ( xi )  i =1 i i    m i =1 m i =1 m     mi =1   x 3  x f (x )  ∑ ∑x ∑    ∑ 2 x .588) f(xi) –30.3 0 0.416 m i =1 i =1 m i =1 m    m i =1  i =1 ∑ xi2 ∑x 3 ∑ xi4  α  ∑ xi2 f ( xi )  i =1 i =1 i i =1    3    i =1  b) Resolução do sistema: ou seja.3 8.5 0.0 –0.0642x2 é a parábola que melhor se aproxima.05 1.2) (16.19352 0.1 ∑x i =1 i 2 f ( xi ) = (2.2 2.81 –0.2 –3.128) + (0.0642 2. i 1 2 3 4 5 6 7 8 9 10 11 I 1 2 3 4 5 6 7 xi –1.α 2  =  203. ϕ(x) = 0.7  α 1   − 6.6 1.4) = 128.26666x2.008) + (0. no sentido dos quadrados 6 mínimos.250952 . ϕ(x) = –2. O sistema é: m m ∑x i =1 i 2 α3 = ∑ f (x ) i =1 i  6 2. ou seja.512 1.2 3. ∑r i =1 2 ( xi ) = 5.8756 ⇒ α3 = = 2.934 1.018 α2 = 11.5 –0.5) + (–1.064 137.3164) + (0.5 0 0.1296) + (0.5 0 1 2.7 1 xi –0.096) + (0.01429x + 2.75 f(xi) 2.8 21.8) + (3. da função tabelada.5 a partir do diagrama de dispersão.25 0.652312337 Exercício 1: Ajustar os pontos da tabela abaixo à equação ϕ(x) = α1 + α2x + α3x2.75 –0.75 –0.1)(21.03842 5.7625 –2.9) + (2.8756 ϕ(xi) –29.4 + (2.9 16.4 0.2 0.8402 α 3  128. 0  = 6 i i i i i  ∑x i 2 2 2 2 2 2 2 f ( xi ) = (–2) (–30.6486) + (0. f(x) Resposta: = ϕ(x) = α3x2 (neste caso temos apenas uma função g(x) = x2 e α1 = 0 e α2 = 0).09 16.8756 Assim. 75 76 6  m m   m  ∑x f ( xi ) = (–2)(–30.5)(–20. a nossa equação é 2.0081) + (0) + (0.8 21.0625) + c) Cálculo do quadrado dos resíduos: (0.36158 r(xi) –0.5 –20.153 0.3) + (1) (8. Calcular a soma dos Exemplo 2: Considerando a função tabelada abaixo quadrados dos resíduos.05 f(xi) 1.5  ∑x 3 α3 = ∑x f ( xi )  i =1 i i =1 i 21.6 0.2) + (0)(–3.7 30.3) + (1)(8.17619 – 0.5 0.018 8.5 0.222x2.8464α3 = 5. deve ser ajustada por uma parábola passando pela origem. 7 Temos então o sistema abaixo: A soma dos quadrados dos resíduos é: ∑r i =1 2 ( xi ) = 0.2401) + (1) = 2.33x – 1.33 m = 11 α3 = –1.6 –0.2)(16.45 0.0016) + (0.5) + (–1.99352 21.5) (–20.8) + (3.1) (21.222 11 Portanto.5 –0.1) + (0.4) = 203. ∑x i =1 i 4 = (1) + (0.566 –21.25 0 0.8 21 .5625 –1. ϕ(x) = 2.8464 11 1 2 3 4 5 6 i xi –2 –1.0256) + (0.145) + (0) + (0.3 1.0625) + (0.9  m m  2.282 0.416 m m ∑x i =1 i 4 α3 = ∑x i =1 i 2 f ( xi ) A solução deste sistema é: Tomando a última equação temos: α1 = –2.8464 A soma dos quadrados dos resíduos é: Portanto.2) + (0) (–3.4 0.9) + (2. 7 30.064 .162) + (0.

A integração numérica pode trazer ótimos resultados quando outros y métodos falham. com F’(x) = A f(x). A= ∫ f ( x )dx a Quando não conseguirmos calcular a integral por métodos analíticos. b]. ... xn = b e b xn n ∫ f ( x )dx = ∫ f ( x )dx ≅ A0 f(x0) + A1 f(x1) + . não se aplicam a alguns tipos de integrandos f(x). num intervalo [a. c b b 0 a x ∫ a f ( x )dx = F ( b) − F ( a ) A c b b tais métodos. [xi. a b representa uma boa aproximação para ∫ f ( x )dx . Em algumas situações. possui uma primitiva que não o é. y=f(x) Sabemos do Cálculo Diferencial e Integral que se f(x) é uma função contínua em [a. 77 78 y 8 Integração Numérica y=f(x) 8. 8. mecânicos ou gráficos. b]. Assim xi+1 − xi = h = (b − a)/n. de comprimento h. b]. como mostra a figura abaixo: As fórmulas fechadas de Newton-Cotes são fórmulas de integração do tipo xo = a. + An f(xn). para tais casos..1 Fórmulas de Newton-Cotes a b Nas fórmulas de Newton-Cotes a idéia de polinômio que aproxime f(x) razoavelmente é que este polinômio interpole f(x) em pontos de [a. regra dos trapézios e regra de Simpson. demostra-se que. se não possuirmos a expressão analítica de f. também.. para o cálculo da área. xn = b e ∆xi = | xi – xi-1 |. b] igualmente espaçados. onde xi ∈ [xi-1. apenas em alguns pontos. e para aqueles em que a obtenção da primitiva. xi ∈ [a. sendo f(x) não negativa em [a. i = 0. embora viável. x = b e y = f(x). Consideremos a partição do intervalo Convém lembrar.. . que podem ser utilizadas na prática. Quando f(x) não for somente positiva. então esta função tem uma primitiva neste intervalo. numericamente. no intervalo [a. b].1 Introdução Do ponto de vista analítico existem diversas regras. é a c a muito trabalhosa. n-1. 1. b].. ou através de um gráfico. pode-se considerar f(x) em módulo. a área da figura delimitada por y = 0. que. pois f(x) = 1/x. usar conforme figura abaixo: outro método que não o numérico. que é uma função algébrica racional. o que é trivial de se fazer.1. A embora tenhamos resultados básicos e importantes para as técnicas de integração analítica. i=0 sendo os coeficientes Ai a x0 determinados de acordo com o grau do polinômio aproximador. polinômios. a b n Lembrando que ∫ f ( x )dx = lim ∑ f ( xi ) ∆xi (Riemann). Por exemplo. para n suficientemente grande e ∆xi suficientemente pequeno. xi+1]. a sua primitiva é a função ln(x) que é b transcendente. i = 0. xi] partes de [a. podem-se empregar métodos para o cálculo do valor numérico aproximado de b A idéia básica da integração numérica é a substituição da função f(x) por um polinômio que a aproxime razoavelmente no intervalo [a. em hipótese nenhuma. nem sempre podemos resolver todos os casos. x = a. Analisaremos a seguir algumas das fórmulas fechadas de Newton-Cotes como regra dos retângulos. . Assim o problema fica resolvido pela integração de ∫ a f ( x )dx . ∫ f ( x )dx a representa... não podemos. não sendo conhecidas A= ∫ f ( x ) + ∫ | f ( x )| dx ou A = ∫ | f ( x )| dx suas primitivas F(x). b]. n. Contudo.. ou seja. só podemos usar o método numérico. 1. [a. Não podemos 0 a b x sequer dizer que para uma função simples a primitiva também será simples. existe F(x) tal que ∫ f(x) dx = F(x) + C. b]. embora variados.. b] em subintervalos. A solução numérica de uma integral simples é comumente chamada de quadratura. como o Teorema Fundamental do Cálculo Integral. com As fórmulas que deduziremos terão a expressão abaixo: n→∞ i =1 a n b x0 = a. + An f(xn) = ∑ Ai f ( xi) . ∑ f ( x )∆xi i =1 i ∫ f ( x )dx ≈ A0 f(x0) + A1 f(x1) + . Com este raciocínio podemos deduzir fórmulas para aproximar b A aplicação de tais métodos é obviamente necessária no caso em que o valor de f(x) é conhecido ∫ f ( x )dx . então podemos recorrer ao método algorítmico.

1467 2 (0. 8.6 + 0.15 0. b] em n subintervalos.2. [xi. figura (a).4) = 0. Seja f uma função contínua ou simplesmente Riemann i =0 2 integrável. pela regra dos retângulos. b).(3.8 + 0. temos h = . R(hn) = h∑ f i  i =0  2  com xo e xn ∈ (a.hi .35 0. no segundo caso é f(xi+1)•hi e no último f((xi + xi+1)/2) • hi.4800 Subdividindo o intervalo [a.4569 7 (0.hi i=0 i .34699 R(hn) = ∑ f (x i=0 i +1 ). xi+1].4993 n −1 Σ − 3.1) = h ∑ f ( x i ) = (0.85 0. a) Número de intervalos: n = 10 b) Tamanho do intervalo b−a R1 R2 R3 R1 R2 R3 R1 R2 R3 h= = (1 − 0) / 10 = 0.7 + 0.0499 1 (0.8) = 0. com x0 = a e xn = b e hi = xi+1 − xi. R(hn) = h∑ f ( xi ) .3 + 0. ter-se-ia: Como hi é constante.9) = 0.45 0. é dada pelas fórmulas: 9 (0.4223 ∫ f ( x )dx . ou n −1  xi + xi +1  d) método analítico: R(hn) = ∑ f  2 .1 Exemplos Nosso objetivo é calcular ∫ f ( x )dx pelo método da área dos retângulos.2 Regra dos Retângulos Em geral.3742 5 (0.1 i =0 n ou c) iterações: . Tais retângulos podem 1 x a ser considerados de diversas maneiras.2) = 0. ou n −1 R(0.6) = 0. conforme for tomado o caso (a) ou (b) ou (c) da figura acima. Seja o intervalo finito [a.55 0.4935 por R(h). para o cálculo b−a anterior.1 n c) iterações: i xi f( xi ) (a) (b) (c) 0 (0 + 0. conforme mostra as figuras abaixo: Exemplo 1: Calcular ∫ 1+ x 0 2 dx .7) = 0.5 + 0.5) = 0. 79 80 n −1  x + xi +1  Existem ainda as fórmulas abertas de Newton-Cotes.05 0.3) = 0.34657 . a área de cada retângulo é f(xi) • hi. que será indicado 8 (0.hi  1 x 1 1 1 i=0 ∫0 1 + x2 dx = 2 ln(1 + x2) 0 = 2 (ln(2) − ln(1)) = 0.25 0. Considere n = 10 e 4 casas decimais com arredondamento. construídas de maneira análoga às fechadas. Em qualquer caso a soma das áreas dos retângulos será uma aproximação para 3 (0.65 0.1) = 0. Exemplo 2: Quando não for possível conhecer f(xi) pode-se usar f( xi ) = (f(xi-1) + f(xi))/2.75 0.3118 b 4 (0.4 + 0.9 + 1) = 0.2353 No primeiro caso.2 + 0.4699 R(hn) = ∑ f ( x ). sendo xi = i . quando utilizarmos a regra dos retângulos iremos efetuar os cálculos através do caso (c). Então : n n −1 a) Número de intervalos: R(hn) = h∑ f ( xi ) n = 10 i =0 ou b) Tamanho do intervalo: n −1 R(hn) = h∑ f ( xi +1 ) b−a h= = (1 − 0) / 10 = 0.1 + 0.4699) = 0.95 0.1). cuja integral não é conhecida. a 6 (0. b 8. b] no eixo x que é particionado em n subintervalos igualmente espaçados n −1 x + xi +1 ou seja.

(0. n=6 Numericamente: A regra dos trapézios é obtida aproximando-se f por um polinômio interpolador do 1º b) Tamanho do intervalo: grau (ao invés de zero.3 Regra dos Trapézios decimais com arredondamento.. 1 3.182345 xi xi+1 2 Interpretação geométrica da regra dos trapézios . para n = 8.1 o polinômio p1(x) que interpola f(x) em x0 e x1 temos: n b b = x1 x1  ( x − x1 ) ( x − x0 )  c) iterações: ∫ f ( x)dx ≈ ∫x p ( x)dx = x∫  a a= 0 1 0 − h f ( x0 ) + h f ( x1 )dx = IT  i xi f(xi) ci ci. que é a área do trapézio de altura h = x1 − x0 e bases f(x0) e f(x1).3333 1 0.5714 f(xi) P 1(x) 6 3.4574) = 0.3226 2 0. A soma destas áreas será uma aproximação para b 0 0. 4  4 4 3.34574 n −1 f ( xi ) + f ( xi +1 ) 1 T (hn ) = h∑ ( ) 2 Exercício 1: Calcular ∫ x dx .5000 0.0990 0.6250 3 3. pela regra dos trapézios.1).3333 h Assim. + 2 f ( xn−1 ) + f ( xn )] R(0.4206 indicado por T(h). conforme mostra a figura abaixo: 4 3.4000 0..6060 Geometricamente: Podemos ver.4412 0.4 0. + 2 f ( x5 ) + f ( x6 )] 2 0. 0 8.4878 0.3030 2 0.3448 0.1457 ∫ f ( x )dx . Seja f uma função contínua ou simplesmente Riemann a) Número de intervalos: integrável.2941 2 0. como na regra dos retângulos).1 T(0.1923 0.1) = (3.0) / 6 = 0.5882 f(xi+1) 5 3. com x0 = a e xn = b e hi = xi+1 − xi. IT = [ f ( x0 ) + f ( x1 )] .2778 1 0.hi i =0 2 9 0.6469) = 0.0000) = 0.4574 b−a Como hi é constante.2778 Σ − − − 3.2338 3 0.4555 7 0.4972 0. que será 5 0.6452 2 2 3. analiticamente.1) = h ∑ f ( xi ) = (0.0000 2 1 x4 1 1 1 8. cuja integral não é conhecida. b] no eixo x que é particionado em n subintervalos igualmente espaçados [xi. f(xi) 0 3.6 0.3724 Dividindo o intervalo [a.3. depois.3100 8.25).25) = h ∑ f ( xi ) = (0.4788 n −1 f ( xi ) + f ( xi +1 ) 8 0. a 2 0. −1 3 i=0 ou h T (hn ) = [ f ( x0 ) + 2 f ( x1 ) + 2 f ( x2 ) + . Considere n = 6 e 4 casas −1 −1 Exemplo 1: Calcular 3. 81 82 i f(xi) f( xi ) −1 0 − A área de cada trapézio é (f(xi) + f(xi+1))/2 • hi.1 0. temos h = ..2752 0.3 0.0 0.3. 6 1 ∫ x dx pela regra dos trapézios e.(3.2 0. o resultado.5 0. Seja o intervalo finito [a.6 − 3.2857 2 0. b] em n subintervalos.2 Exemplos método analítico: ∫ x3 dx =  = − = 0. xi+1].4925 T (hn ) = ∑ ( ).4698 0.1 Regra do Trapézio Repetida 4 0.. é dada pela fórmula: 6 0. Então : n R(0. Se usarmos a fórmula de Lagrange para expressar b−a h= = (3.4986 Σ − 3.3125 2 0.0495 1 0.6469 f(x) h T ( h6 ) = [ f ( x0 ) + 2 f ( x1 ) + 2 f ( x2 ) + .

1 Regra de Simpson Repetida 0.6507 Interpretação geométrica da regra de Simpson simples 2 8. 2 x1.5 h h T(0.25) = (5.1 1. x A regra de Simpson é obtida aproximando-se f por um polinômio interpolador de 2° grau. f(xi) 0 0. conforme mostra a figura abaixo: p2(x) Como a regra dos trapézios aproxima por uma reta e a função integranda é f(x) = 2x + 3 (uma reta).63629436 1 1 8.1 n ( x − x1)( x − x 2 ) ( x − x 0)( x − x 2 ) ( x − x 0 )( x − x1) p 2( x ) = f ( x 0) + f ( x1) + f ( x 2) ( − h)( −2h) ( h)( − h) ( 2h)( h) c) iterações: Assim. .25 T(0.5) = (2.4. ou seja. 1 T(1) = (1. e n é par (isto é condição necessária pois cada parábola utilizará três pontos consecutivos). xn]. Considere n = 1 e 4 h x0 0 casas decimais com arredondamento.6399 Aplicando a regra de Simpson repetidas vezes no intervalo [a.125 T(0.0) = 0. b] = [x0.. Seja p2(x) o polinômio que b) Tamanho do intervalo: interpola f(x) nos pontos x0 = a.125) = (10. 83 84 b x2 x2 d) método analítico: ∫ f ( x )dx = x∫ f ( x )dx ≈ x∫ p ( x )dx = 2 3. x1 = x0 + h e x2 = x0 + 2h = b: b−a h= = (1 − 0) / 10 = 0. h = xi+1 − xi. depois.0 = ln(3. f 2 Exercício 2: Calcular ∫ x ln( x)dx 1 pela regra dos trapézios.6932 2 x0=a x1 x2=b 0. analiticamente.1052 4 4. Vamos supor que x0. Resolvendo as integrais obtemos a regra de Simpson: x2 1 ∫ f ( x )dx ≈ 3 [ f ( x ) + 4 f ( x ) + f ( x )] = Is T(1) = (8) = 4 h 0 1 2 2 x0 1 ] 1 método analítico: ∫ (2 x + 3)dx = 0 x 2 + 3x 0 = 1 + 3 − (0 + 0) = 4 Geometricamente: Podemos ver.4. depois. o valor da integral obtido é exato. a) Número de intervalos: n = 10 Numericamente: Novamente podemos usar a fórmula de Lagrange para estabelecer a fórmula de integração resultante da aproximação de f(x) por um polinômio de grau 2.6372 2 b h ∫ f ( x )dx ≅ S ( hn ) = [ f ( x0 ) + 4 f ( x1 ) + 2 f ( x2 ) + 4 f ( x3 ) + 2 f ( x4 ) + .1191) = 0.4 Regra de Simpson Exemplo 1: Calcular uma aproximação para ∫ e dx usando a regra de Simpson com n = 10.. analiticamente.6) − ln(3.0 x dx = ln(x)]3. xn são pontos igualmente espaçados. 6 ∫3.18232156 x2 x2 x2 f ( x 0) f ( x1) f ( x 2) 2 h2 x∫0 ( x − x1)( x − x 2)dx − 2 ∫ ( x − x 0)( x − x 2 )dx + 2 h2 x∫0 1 ( x − x 0)( x − x1)dx Exercício 1: Calcular ∫ (2 x + 3) dx pela regra dos trapézios e. 6 a 0 0 1 3.. i xi f(xi) ci ci..6027) = 0.. Assim teremos: 0.4208 .0 1 1 1 1 0.2 Exemplos 1 8. + 4 f ( xn−1 ) + f ( xn )] 2 3 2 x ln( x ) x 2 2 ln( x ) − x 2 ] = 2x 2 2 a método analítico: ∫ x ln( x)dx = 2 − 4 1 4 ] = = 0. 0 uma parábola.3863) = 0. considerando diversos valores para n e.1951) = 0.

2255 2 4. 0..1 0.(arctg(1) − arctg(0)) = 3.33333. 2 + 4 e0.5) = [1 + 4(1.5 4 S (0. 85 86 2 0.25) + 2] = = 1.71829 3 d) método analítico: 1 1 ∫ e dx = e ] = e − e 0 x x 0 1 0 = 2.8 + 4 e0. considerando n = 10.8 2.6442 valor da integral obtido é exato independente do número de subintervalos utilizado no cálculo.5 1.63629583 3 2 x 2 ln( x ) x 2 2 2 x 2 ln( x ) − x 2 2 método analítico: ∫ x ln( x)dx = − ]1 = ]1 = = 0.4510 9 0.. depois. 0 3 3 3 3 4 0.7 2.0 2.7182818 1 1 Exercício 1: Calcular o valor de π.33333.9836 5 0. 7 0.+2 f ( x 8) + 4 f ( x 9) + f ( x10)] = 3.8221 2 3.3 1.2711) = 0.4428 1 x3 1 3 1 3 0 4 3 0.+2 e0.7183 1 2.9 2. 3 3 . considerando diversos valores para n e.25) = (15.3499 4 5..1 + 2 e0.2 1.5) = (3.7183 Σ − − − 51..14157 3 1 1 1 método analítico: 4∫ 2 dx = 4( arctg (x)] ) = 4.5487 0.63629436 1 2 4 4 1 Exercício 3: Calcular uma aproximação para ∫x 0 2 + 1 dx usando Simpson com n = 2.0 S ( h10) = [ e + 4 e0.8191) = 0.1 S ( h10) = [ f ( x 0) + 4 f ( x1) + 2 f ( x 2) + 4 f ( x 3) +. 3 +.6 1..6365 3 0. 0 1 + x2 0.7182818 − 1 = 1. analiticamente.25) = (7.8384 10 1..3996 método analítico: ∫x 2 + 1 dx = + x ]0 = ( + 1) − ( + 0) = = 1.6487 4 6.25 S(0.4596 4 9.0552 8 0.0] = 1.2214 2 2.5 S(0.4 1.4918 2 2. 0.0138 4 8.5948 Como a regra de Simpson se aproxima por uma parábola e. sendo f(x) = x2 + 1 uma parábola. o 6 0.63629167 3 0..14159265 0 1 + x 0 2 Exercício 2: Calcular ∫ x ln( x)dx 1 pela regra de Simpson..125 S(0.6355) = 0. 9 + e1. dado pela expressão 4 ∫ dx .

Curso de Cálculo Numérico. 4a edição. Leônidas C. Apostila de Cálculo Numérico. Atlas. M. São Paulo. Cálculo Numérico (com Aplicações). 2a edição. W. Atlas. et. Editora Harbra. [3] SANTOS. UFPR. LOPES. 1996. al. A. 1ª edição. ..... G. Dalcidio M. C. Makron Books. 1982. Vera Lúcia R. São Paulo. [2] CLAUDIO. J.. Jussara M. [5] CAMPOS. 1987. 1978 [6] CAMARGO.. LTC. R. Cálculo Numérico Computacional. 87 Referências Bibliográficas [1] BARROSO. [4] RUGGIERO. 1994.. B. Departamento de Informática.. Cálculo Numérico Básico. 2a edição. Cálculo Numérico: Aspectos Teóricos e Computacionais. Márcia A. Vitoriano R. MARINS. 2a edição.