Erro de Truncamento:

Utilizar “n” fatores finitos de infinitos termos.

𝑥2 𝑥3 𝑥4 𝑥𝑛
𝑒𝑥 = 1 + + + + ⋯+
2! 3! 4! 𝑛!
!: Fatorial.

Erro Absoluto (EA):

𝐸𝐴 = |𝑋𝑣 − 𝑋𝑎 |
Onde:
EA: Erro absoluto [unidade de medida de Xv e Xa deve acompanhar o resultado].
Xv: Valor verdadeiro.
Xa: Aproximação para Xv.

Erro Relativo (ER):

𝐸𝐴 |𝑋𝑣 − 𝑋𝑎 |
𝐸𝑅 = =
𝑋𝑣 𝑋𝑣
ER: Erro relativo [adimensional / multiplicar por 100 para porcentagem].
EA: Erro absoluto.
Xv: Valor verdadeiro.
Xa: Aproximação para Xv.

Erros Absolutos e Relativos de Operações

Matemáticas:
Operação Erro Absoluto (EA) Erro Relativo (ER)
𝐸𝑅(𝐴) ∙ 𝑋𝑎 (𝐴) + 𝐸𝑅(𝐵) ∙ 𝑋𝑎 (𝐵)
Soma 𝐸𝐴(𝐴+𝐵) = 𝐸𝐴(𝐴) + 𝐸𝐴(𝐵) 𝐸𝑅(𝐴+𝐵) =
𝑋𝑎 (𝐴) + 𝑋𝑎 (𝐵)
𝐸𝑅(𝐴) ∙ 𝑋𝑎 (𝐴) − 𝐸𝑅(𝐵) ∙ 𝑋𝑎 (𝐵)
Subtração 𝐸𝐴(𝐴−𝐵) = 𝐸𝐴(𝐴) − 𝐸𝐴(𝐵) 𝐸𝑅(𝐴−𝐵) =
𝑋𝑎 (𝐴) − 𝑋𝑎 (𝐵)
𝐸𝑅(𝐴) 𝐸𝑅(𝐵)
Multiplicação 𝐸𝐴(𝐴∙𝐵) = 𝑋𝑎 (𝐵) ∙ 𝐸𝐴(𝐴) + 𝑋𝑎 (𝐴) ∙ 𝐸𝐴(𝐵) 𝐸𝑅(𝐴∙𝐵) = +
𝑋𝑎 (𝐴) 𝑋𝑎 (𝐵)
𝑋𝑎 (𝐵) ∙ 𝐸𝐴(𝐴) + 𝑋𝑎 (𝐴) ∙ 𝐸𝐴(𝐵)
Divisão 𝐸𝐴(𝐴⁄𝐵) = 2 𝐸𝑅(𝐴⁄𝐵) = 𝐸𝑅(𝐴) − 𝐸𝑅(𝐵)
(𝑋𝑎 (𝐵) )
Método da Bisseção:
𝑋𝑎 + 𝑋𝑏
𝑋𝑛 =
2
Tabela:
It Xa Xn Xb f(Xa) f(Xn) f(Xb) EA ou ER
1 -/-
2
3
OBS: Selecionar novo intervalo (Xa, Xn) ou (Xn, Xb), conforme o teorema acima.

Onde:
Xn: Nova raiz para o intervalo (a, b).
Xa: Início do intervalo.
Xb: Final do intervalo.
f(Xa): Função para Xa.
f(Xn): Função para Xn.
f(Xb): Função para Xb.

Método das Cordas ou Falsa Posição:

𝑋
𝑓(𝑋(𝑛−1) ) ∙ ( 𝑎 − 𝑋(𝑛−1) )
𝑋𝑏
𝑋𝑛 = 𝑋(𝑛−1) −
𝑋𝑎
𝑓 ( ) − 𝑓(𝑋(𝑛−1) )
𝑋𝑏
Tabela:
It X(Fixo) (Xa ou Xb) X(n-1) Xn f(Xfixo) f(X(n-1)) EA ou ER
1 -/-
2
3
OBS: Selecionar X(Fixo) (Xa ou Xb) procurando diminuir α.

Onde:
Xn: Nova raiz para o intervalo (a, b).
X(n-1): Raiz anterior / Raiz inicial.
Xa: Início do intervalo.
Xb: Final do intervalo.
f(Xfixo): Função para Xfixo.
f(X(n-1)): Função para X(n-1).
Método de Newton (Newton-Raphson):
𝑓(𝑋(𝑛−1) )
𝑋𝑛 = 𝑋(𝑛−1) −
𝑓′(𝑋(𝑛−1) )
Tabela:
It X(n-1) Xn f(X(n-1)) f’(X(n-1)) EA ou ER
1 -/-
2
3
OBS: Selecionar para raiz inicial Xa ou Xb , escolhendo a raiz com valor de f(X) mais próximo de zero.

Onde:
Xn: Nova raiz para o intervalo (a, b).
X(n-1): Raiz anterior / Raiz inicial.
f(X(n-1)): Função para X(n-1).
f’(X(n-1)):Função derivada para X(n-1).

Método da Secante:
𝑓(𝑋𝑛 ) ∙ (𝑋(𝑛−1) − 𝑋𝑛 )
𝑋(𝑛+1) = 𝑋𝑛 −
𝑓(𝑋(𝑛−1) ) − 𝑓(𝑋𝑛 )
Tabela:
It X(n-1) Xn X(n+1) f(X(n-1)) f(Xn) EA ou ER
1 -/-
2
3

Onde:
X(n+1): Nova raiz para o intervalo (a, b).
Xn: Nova anterior / 2ª Raiz inicial.
X(n-1): Raiz penúltima / 1ª Raiz inicial.
Eliminação de Gauss:
A partir de uma matriz inicial (quadrada, desconsiderando a coluna dos resultados), no método de Eliminação de
Gauss, em que cada coluna equivale a uma incógnita, busca-se a triangulação da matriz. Isto pode ser feito a partir
das seguintes operações:
 Troca de linhas.
 Troca de colunas, com exceção da coluna dos resultados.
 Somar a uma linha, outra linha multiplicada por um número qualquer não nulo.

Exemplo:

𝑥 𝑦 𝑧 𝑅 𝑥 𝑦 𝑧 𝑅
𝐴 4 3 2 960 𝐵 1 3 1 510
→ →
𝐵 [1 3 1 510] 𝐿1 ↔ 𝐿2 𝐴 [4 3 2 960] −4 ∙ 𝐿1 + 𝐿2
𝐶 2 1 3 610 𝐶 2 1 3 610 −2 ∙ 𝐿1 + 𝐿3

𝑥 𝑦 𝑧 𝑅 𝑥 𝑧 𝑦 𝑅
𝐵 1 3 1 510 𝑦↔𝑧 𝐵 1 1 3 510
→ →
𝐴 [0 −9 −2 −1080] 𝐶 [0 1 −5 −410 ]
𝐿2 ↔ 𝐿3
𝐶 0 −5 1 −410 𝐴 0 −2 −9 −1080 2 ∙ 𝐿2 + 𝐿3

𝑥 𝑧 𝑦 𝑅
𝑧 − 5 ∙ 𝑦 = −410 𝑥 + 𝑧 + 3 ∙ 𝑦 = 510
𝐵 1 1 3 510 −19 ∙ 𝑦 = −1900
→ 𝑧 − 5 ∙ (100) = −410 𝑥 + 90 + 3 ∙ 100 = 510
𝐶 [0 1 −5 −410 ] 𝑦 = 100
𝐴 0 0 −19 −1900 𝑧 = 90 𝑥 = 120
Método de Gauss-Jacobi:
Critérios de convergência:
 A matriz deve ser diagonal dominante. Ccaso não seja, trocar linhas e colunas até atingir, ou chegar mais
próximo dessa condição (dando preferência em ordem, do primeiro para o último termo da diagonal
dominante).
 Encontrar um fator α, somando os coeficientes de cada linha não pertencentes à diagonal principal
(desconsidera-se a coluna dos resultados) e dividir pelo coeficiente da diagonal principal da mesma linha. O
valor de α deve ser menor que 1.
OBS: Nem sempre será possível cumprir todos os critérios, mas quanto mais próximo disto, maiores as chances de
convergência.

Para uma matriz:

𝑎11 ∙ 𝑥1 𝑎12 ∙ 𝑥2 𝑎13 ∙ 𝑥3 ⋯ 𝑎1𝑛 ∙ 𝑥𝑛 𝑏1

𝑎21 ∙ 𝑥1 𝑎22 ∙ 𝑥2 𝑎23 ∙ 𝑥3 ⋯ 𝑎2𝑛 ∙ 𝑥𝑛 𝑏2
[ ⋮ ⋮ ⋮ ⋱ ⋮ ]
⋮
𝑎𝑚1 ∙ 𝑥1 𝑎𝑚2 ∙ 𝑥2 𝑎𝑚3 ∙ 𝑥3 ⋯ 𝑎𝑚𝑛 ∙ 𝑥𝑛 𝑏𝑚

Após considerados os critérios de convergência, faz-se:

𝑏1 − 𝑎12 ∙ 𝑥2 − 𝑎13 ∙ 𝑥3 − ⋯ − 𝑎1𝑛 ∙ 𝑥𝑛

𝑥1 =
𝑎11

𝑏2 − 𝑎21 ∙ 𝑥1 − 𝑎23 ∙ 𝑥3 − ⋯ − 𝑎2𝑛 ∙ 𝑥𝑛

𝑥2 =
𝑎22

𝑏3 − 𝑎31 ∙ 𝑥1 − 𝑎32 ∙ 𝑥2 − ⋯ − 𝑎3𝑛 ∙ 𝑥𝑛

𝑥3 =
𝑎33

𝑏𝑚 − 𝑎𝑚1 ∙ 𝑥1 − 𝑎𝑚2 ∙ 𝑥2 − ⋯ − 𝑎𝑚(𝑛−1) ∙ 𝑥(𝑛−1)

𝑥𝑛 =
𝑎𝑚𝑛

Até atingir o Erro Absoluto ou Erro Relativo para todas as variáveis.

 Para a primeira iteração, é feita uma estimativa inicial.

 Para cada iteração seguinte, são utilizados os valores encontrados na iteração anterior.

Tabela:
It x EA(x) ou y EA(y) ou z EA(z) ou ... n EA(n) ou
ER(x) ER(y) ER(z) ER(n)
1 -/- -/- -/- ... -/-
2
3
Método de Gauss-Seidel:
Critérios de convergência:
 A matriz deve ser diagonal dominante. Ccaso não seja, trocar linhas e colunas até atingir, ou chegar mais
próximo dessa condição (dando preferência em ordem, do primeiro para o último termo da diagonal
dominante).
 Encontrar um fator α, somando os coeficientes de cada linha não pertencentes à diagonal principal
(desconsidera-se a coluna dos resultados) e dividir pelo coeficiente da diagonal principal da mesma linha. O
valor de α deve ser menor que 1.
OBS: Nem sempre será possível cumprir todos os critérios, mas quanto mais próximo disto, maiores as chances de
convergência.

Para uma matriz:

𝑎11 ∙ 𝑥1 𝑎12 ∙ 𝑥2 𝑎13 ∙ 𝑥3 ⋯ 𝑎1𝑛 ∙ 𝑥𝑛 𝑏1

𝑎21 ∙ 𝑥1 𝑎22 ∙ 𝑥2 𝑎23 ∙ 𝑥3 ⋯ 𝑎2𝑛 ∙ 𝑥𝑛 𝑏2
[ ⋮ ⋮ ⋮ ⋱ ⋮ ]
⋮
𝑎𝑚1 ∙ 𝑥1 𝑎𝑚2 ∙ 𝑥2 𝑎𝑚3 ∙ 𝑥3 ⋯ 𝑎𝑚𝑛 ∙ 𝑥𝑛 𝑏𝑚

Após considerados os critérios de convergência, faz-se:

𝑏1 − 𝑎12 ∙ 𝑥2 − 𝑎13 ∙ 𝑥3 − ⋯ − 𝑎1𝑛 ∙ 𝑥𝑛

𝑥1 =
𝑎11

𝑏2 − 𝑎21 ∙ 𝑥1 − 𝑎23 ∙ 𝑥3 − ⋯ − 𝑎2𝑛 ∙ 𝑥𝑛

𝑥2 =
𝑎22

𝑏3 − 𝑎31 ∙ 𝑥1 − 𝑎32 ∙ 𝑥2 − ⋯ − 𝑎3𝑛 ∙ 𝑥𝑛

𝑥3 =
𝑎33

𝑏𝑚 − 𝑎𝑚1 ∙ 𝑥1 − 𝑎𝑚2 ∙ 𝑥2 − ⋯ − 𝑎𝑚(𝑛−1) ∙ 𝑥(𝑛−1)

𝑥𝑛 =
𝑎𝑚𝑛

Até atingir o Erro Absoluto ou Erro Relativo para todas as variáveis.

 Para a primeira iteração, é feita uma estimativa inicial.

 Para cada iteração, são utilizados os valores encontrados na própria iteração (para as variáveis ainda não
calculadas na iteração atual, são utilizados os valores encontrados na iteração anterior).

Tabela:
It x EA(x) ou y EA(y) ou z EA(z) ou ... n EA(n) ou
ER(x) ER(y) ER(z) ER(n)
1 -/- -/- -/- ... -/-
2
3
Regressão por Mínimos Quadrados
Dados “n” pontos, pode-se determinar a função da reta através dos seguintes procedimentos:

𝑦𝑐𝑖 = 𝑏0 + 𝑏1 ∙ 𝑥

𝑦𝑐𝑖 é 𝑜 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑦 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 𝑝𝑒𝑙𝑎 𝑒𝑞𝑢𝑎çã𝑜 𝑑𝑎 𝑟𝑒𝑡𝑎

∑ 𝑥𝑖 ∙ ∑ 𝑦𝑖 − 𝑛 ∙ ∑(𝑥𝑖 ∙ 𝑦𝑖 )
𝑏1 =
(∑ 𝑥𝑖 )2 − 𝑛 ∙ ∑(𝑥𝑖 2 )

∑ 𝑦𝑖 − 𝑏1 ∙ ∑ 𝑥𝑖
𝑏0 =
𝑛

𝑛 = 𝑛° 𝑑𝑒 𝑝𝑜𝑛𝑡𝑜𝑠 𝑑𝑎 𝑐𝑢𝑟𝑣𝑎 𝑐𝑜𝑙𝑒𝑡𝑎𝑑𝑜𝑠

A qualidade do ajuste linear é medida através do coeficiente de determinação 𝑅 2 e do erro padrão da estimativa 𝜎 2 ,
calculados como segue:

∑[(𝑦𝑖 − 𝑦𝑐𝑖 )2 ]
𝑅2 = 1 −
1
∑(𝑦𝑖 2 ) − ∙ (∑ 𝑦𝑖 )2
𝑛

(𝑝𝑖𝑜𝑟 𝑞𝑢𝑎𝑙𝑖𝑑𝑎𝑑𝑒) 0 < 𝑅 2 < 1 (𝑚𝑒𝑙ℎ𝑜𝑟 𝑞𝑢𝑎𝑙𝑖𝑑𝑎𝑑𝑒)

∑[(𝑦𝑖 − 𝑦𝑐𝑖 )2 ]
𝜎2 =
𝑛−2

Tabela:
𝑛= 𝑏1 = 𝑏0 = 𝑅2 = 𝜎2 =

𝑥𝑖 𝑦𝑖 (𝑥𝑖 ∙ 𝑦𝑖 ) 𝑥𝑖 2 𝑦𝑐𝑖 (𝑦𝑖 − 𝑦𝑐𝑖 ) 𝑦𝑖 2

∑= -/-
Dica: No Excel pode-se encontrar a mesma reta através de:
1. Insere-se o gráfico de dispersão com os pontos originais.
2. Clica-se com o botão direito do mouse sobre a curva gerada pelo gráfico através dos pontos, e após em
adicionar linha de tendência. Após, deve ser selecionada a opção linear.

Para os demais métodos a seguir, ao invés de linear, seleciona-se polinomial.

Interpolação (Ajuste de Curvas) por Resolução
de Sistema Linear
Dados “n” pontos, pode-se determinar a função interpoladora gn(x). Desse modo:

𝑔𝑛 (𝑥) = 𝑓(𝑥𝑛 ) 𝑝𝑎𝑟𝑎 𝑛 = 1, 2, 3, …

Assim: Graus da função interpoladora = número

de pontos da curva.
𝑔𝑛 (𝑥) = 𝑎0 + 𝑎1 ∙ 𝑥 + 𝑎2 ∙ 𝑥 2 + 𝑎3 ∙ 𝑥 3 + ⋯ + 𝑎𝑛 ∙ 𝑥 𝑛

Observa-se que o processo consiste na construção de um sistema linear para cada conjunto de pontos. Sua resolução
permite determinar os coeficientes “an”.

Ex: Para os dados abaixo, obter a função interpoladora.

x f(x)

{
𝑥0 → 1 2 ← 𝑓(𝑥0 ) 𝑎0 + 𝑎1 ∙ 𝑥0 + 𝑎2 ∙ 𝑥0 2 = 𝑓(𝑥0 )
𝑥1 → 2 2 ← 𝑓(𝑥1 ) 𝑎0 + 𝑎1 ∙ 𝑥1 + 𝑎2 ∙ 𝑥1 2 = 𝑓(𝑥1 )
𝑥2 → 3 4 ← 𝑓(𝑥2 ) 𝑎0 + 𝑎1 ∙ 𝑥2 + 𝑎2 ∙ 𝑥2 2 = 𝑓(𝑥2 )

N° de termos = número de pontos da

curva.

𝑎0 𝑎1 𝑎2 𝑓(𝑥) 𝑎0 𝑎1 𝑎2 𝑓(𝑥)
2 2 𝑅𝑒𝑠𝑜𝑙𝑣𝑒𝑟 𝑝𝑜𝑟
𝑥0 𝑎0 𝑎1 ∙ 𝑥0 𝑎2 ∙ 𝑥0 𝑓(𝑥0 ) 𝑥0 𝑎0 𝑎1 ∙ 1 𝑎2 ∙ 1 2 𝑎0 = 4
𝑥1 [ 𝑎0 → 𝑥1 [ 𝑎0 → 𝑒𝑙𝑖𝑚𝑖𝑛𝑎çã𝑜 →
𝑎1 ∙ 𝑥1 𝑎2 ∙ 𝑥1 2 𝑓(𝑥1 )] 𝑎1 ∙ 2 𝑎2 ∙ 22 2] 𝑎1 = −3
𝑥2 𝑎 𝑥2 𝑎 𝑑𝑒 𝐺𝑎𝑢𝑠𝑠
0 𝑎1 ∙ 𝑥2 𝑎2 ∙ 𝑥1 2 𝑓(𝑥2 ) 0 𝑎1 ∙ 3 𝑎2 ∙ 32 4 𝑎2 = 1

𝐸𝑞𝑢𝑎çã𝑜 𝑑𝑒 𝐼𝑛𝑡𝑒𝑟𝑝𝑜𝑙𝑎çã𝑜 → 𝑔𝑛 (𝑥) = 𝑎0 + 𝑎1 ∙ 𝑥 + 𝑎2 ∙ 𝑥 2 → 𝑔𝑛 (𝑥) = 4 − 3 ∙ 𝑥 + 𝑥 2

OBS: a curva da função encontrada deve obrigatoriamente passar por todos os pontos.
Interpolação por Lagrange
O polinômio interpolador de Lagrange é dado por:

𝑔𝑛 (𝑥) = 𝑓(𝑥0 ) ∙ 𝐿0 (𝑥) + 𝑓(𝑥1 ) ∙ 𝐿1 (𝑥) + 𝑓(𝑥2 ) ∙ 𝐿2 (𝑥) + 𝑓(𝑥3 ) ∙ 𝐿3 (𝑥) + ⋯ + 𝑓(𝑥𝑛 ) ∙ 𝐿𝑛 (𝑥)

Onde Lk(x) são os polinômios interpoladores de Lagrange.

Os polinômios são dados por:

(𝑥 − 𝑥0 ) ∙ (𝑥 − 𝑥1 ) ∙ (𝑥 − 𝑥2 ) ∙ … ∙ (𝑥 − 𝑥𝑛 )
𝐿𝑘 (𝑥) = 𝑘 = 0,1,2,3, … , 𝑛
(𝑥𝑘 − 𝑥0 ) ∙ (𝑥𝑘 − 𝑥0 ) ∙ (𝑥𝑘 − 𝑥0 ) ∙ … ∙ (𝑥𝑘 − 𝑥𝑛 )

𝑛 corresponde ao número de pontos da curva

Os termos (𝑥 − 𝑥𝑘 ) e (𝑥𝑘 − 𝑥𝑘 ) devem ser eliminados da expressão.

Ex: Para os dados abaixo, obter a função interpoladora.

x f(x)
𝑥0 → 1 2 ← 𝑓(𝑥0 )
𝑥1 → 2 2 ← 𝑓(𝑥1 )
𝑥2 → 3 4 ← 𝑓(𝑥2 )

(𝑥 − 𝑥0 ) ∙ (𝑥 − 𝑥1 ) ∙ (𝑥 − 𝑥2 ) (𝑥 − 2) ∙ (𝑥 − 3) 𝑥 2 − 5 ∙ 𝑥 + 6
𝐿0 (𝑥) = 𝑝𝑎𝑟𝑎 𝑘 = 0 → 𝐿0 (𝑥) = =
(𝑥𝑘 − 𝑥0 ) ∙ (𝑥𝑘 − 𝑥1 ) ∙ (𝑥𝑘 − 𝑥2 ) (1 − 2) ∙ (1 − 3) 2

(𝑥 − 𝑥0 ) ∙ (𝑥 − 𝑥1 ) ∙ (𝑥 − 𝑥2 ) (𝑥 − 1) ∙ (𝑥 − 3) 𝑥 2 − 4 ∙ 𝑥 + 3
𝐿1 (𝑥) = 𝑝𝑎𝑟𝑎 𝑘 = 1 → 𝐿1 (𝑥) = =
(𝑥𝑘 − 𝑥0 ) ∙ (𝑥𝑘 − 𝑥1 ) ∙ (𝑥𝑘 − 𝑥2 ) (2 − 1) ∙ (2 − 3) −1

(𝑥 − 𝑥0 ) ∙ (𝑥 − 𝑥1 ) ∙ (𝑥 − 𝑥2 ) (𝑥 − 2) ∙ (𝑥 − 3) 𝑥 2 − 3 ∙ 𝑥 + 2
𝐿2 (𝑥) = 𝑝𝑎𝑟𝑎 𝑘 = 2 → 𝐿2 (𝑥) = =
(𝑥𝑘 − 𝑥0 ) ∙ (𝑥𝑘 − 𝑥1 ) ∙ (𝑥𝑘 − 𝑥2 ) (1 − 2) ∙ (1 − 3) 2

𝑔2 (𝑥) = 𝑓(𝑥0 ) ∙ 𝐿0 (𝑥) + 𝑓(𝑥1 ) ∙ 𝐿1 (𝑥) + 𝑓(𝑥2 ) ∙ 𝐿2 (𝑥)

𝑥2 − 5 ∙ 𝑥 + 6 𝑥2 − 4 ∙ 𝑥 + 3 𝑥2 − 3 ∙ 𝑥 + 2
𝑔2 (𝑥) = 2 ∙ +2∙ +4∙
2 −1 2

𝑔2 (𝑥) = 𝑥 2 − 3 ∙ 𝑥 + 4

OBS: a curva da função encontrada deve obrigatoriamente passar por todos os pontos.
Polinômio Interpolador de Newton
Define-se o polinômio interpolador de Newton como:

𝑔𝑛 (𝑥) = 𝐷0 + 𝐷1 ∙ (𝑥 − 𝑥0 ) + 𝐷2 ∙ (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 𝐷3 ∙ (𝑥 − 𝑥0 ) ∙ (𝑥 − 𝑥1 ) ∙ (𝑥 − 𝑥2 ) + ⋯

Sendo 𝐷0, 𝐷1, 𝐷2, 𝐷3, ..., 𝐷𝑛 conhecidos como operadores diferenças divididas.

O operador diferenças divididas é dado por:

𝐷0 = 𝑓(𝑥0 )

𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝐷1 =
𝑥1 − 𝑥0

𝑓(𝑥 ) − 𝑓(𝑥 ) 𝑓(𝑥 ) − 𝑓(𝑥 )

( 𝑥2 − 𝑥 1 ) − ( 𝑥1 − 𝑥 0 )
2 1 1 0
𝐷2 =
𝑥2 − 𝑥0

𝑓(𝑥3 ) − 𝑓(𝑥2 ) 𝑓(𝑥2 ) − 𝑓(𝑥1 ) 𝑓(𝑥 ) − 𝑓(𝑥0 )

( )−( )−( 1 )
𝑥3 − 𝑥2 𝑥2 − 𝑥1 𝑥1 − 𝑥0
𝐷3 =
𝑥2 − 𝑥0

Ex: Para os dados abaixo, obter a função interpoladora.

x f(x)
𝑥0 → 1 2 ← 𝑓(𝑥0 )
𝑥1 → 2 2 ← 𝑓(𝑥1 )
𝑥2 → 3 4 ← 𝑓(𝑥2 )

𝐷0 = 𝑓(𝑥0 ) → 𝐷0 = 2

𝑓(𝑥1 ) − 𝑓(𝑥0 ) 2−2

𝐷1 = → 𝐷1 = =0
𝑥1 − 𝑥0 2−1

𝑓(𝑥 ) − 𝑓(𝑥 ) 𝑓(𝑥 ) − 𝑓(𝑥 ) 4−2 2−2 2

( 𝑥2 − 𝑥 1 ) − ( 𝑥1 − 𝑥 0 ) (3 − 2) − (2 − 1) −0
𝐷2 = 2 1 1 0
→ 𝐷2 = =1 =1
𝑥2 − 𝑥0 3−1 2

𝑔𝑛 (𝑥) = 𝐷0 + 𝐷1 ∙ (𝑥 − 𝑥0 ) + 𝐷2 ∙ (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )

𝑔2 (𝑥) = 2 + 0 ∙ (𝑥 − 1) + 1 ∙ (𝑥 − 1)(𝑥 − 2) → 𝑔2 (𝑥) = 2 + 𝑥 2 − 2 ∙ 𝑥 − 𝑥 + 2

𝑔2 (𝑥) = 𝑥 2 − 3 ∙ 𝑥 + 4
Segundo método para encontrar os operadores diferença dividida (MÉTODO NINJA):

A1 x B1 Ordem 1 C1 Ordem 2 D1 Ordem 3 E1 Ordem 4

A2 x0 B2 f(x0) C2 D2 E2
A3 B3 C3 =(B4-B2)/(A4-A2) D3 E3
A4 x1 B4 f(x1) C4 D4 =(C5-C3)/(A6-A2) E4
A5 B5 C5 =(B6-B4)/(A6-A4) D5 E5 =(D6-D4)/(A8-A2)
A6 x2 B6 f(x2) C6 D6 =(C7-C5)/(A8-A4) E6
A7 B7 C7 =(B8-B6)/(A8-A6) D7 E7
A8 x3 B8 f(x3) C8 D8 E8

Onde:
Célula B2= operador diferença dividida D0
Célula C3= operador diferença dividida D1
Célula D4= operador diferença dividida D2
Célula E5= operador diferença dividida E5

Integração Numérica
A principal ideia na utilização da integração numérica reside na aproximação da função integrando por um polinômio.
As equações de integração são somatórios cujas parcelas são valores da função f(x) calculadas em pontos e
multiplicados por pesos escolhidos.

Integração Numérica – Regra do Ponto Médio

Considere f(x) uma função do intervalo [a, b]. A regra do ponto médio, consiste em dividir o intervalo [a, b] em “n”
subintervalos. Assim:

𝑏−𝑎
∆𝑥 =
𝑛

n: Número de subintervalos.
 ∆𝑥
𝑥𝑚é𝑑𝑖𝑜,𝑖 = 𝑎 + ∙ (2 ∙ 𝑖 − 1)
2

Portanto a integral pode ser aproximada por:

𝑏
∫ 𝑓(𝑥) ∙ 𝑑𝑥 ≅ ∆𝑥 ∙ [𝑓(𝑥𝑚é𝑑𝑖𝑜,1 ) + 𝑓(𝑥𝑚é𝑑𝑖𝑜,2 ) + 𝑓(𝑥𝑚é𝑑𝑖𝑜,3 ) + ⋯ + 𝑓(𝑥𝑚é𝑑𝑖𝑜,𝑛 )]
𝑎

OBS: para o caso de intervalos ∆x variados, multiplicar cada ponto médio pelo seu ∆x correspondente.

3
Ex: Determinar a integral aproximada com 5 subintervalos de ∫1 𝑥 2 ∙ 𝑑𝑥 .

𝑏−𝑎 3−1
∆𝑥 = = = 0,4
𝑛 5

i 1 2 3 4 5
Xmédio,i 1,2 1,6 2,0 2,4 2,6
f(Xmédio,i) 1,44 2,56 4,0 5,76 7,84

3
∫ 𝑥 2 ∙ 𝑑𝑥 ≅ 0,4 ∙ [1,44 + 2,56 + 4 + 5,76 + 7,84] = 8,64 𝑢. 𝑎.
1

Integração Numérica – Regra do Trapézio

A regra do trapézio busca aproximar as áreas dos subintervalos a áreas de trapézios. Portanto, os trapézios terão suas
áreas definidas por:

1
𝐴𝑖 = ∙ [𝑓(𝑥𝑖 + 𝑥𝑖+1 )] ∙ ∆𝑥
2

Portanto:

𝑏
∫ 𝑓(𝑥) ∙ 𝑑𝑥 ≅ 𝐴1 + 𝐴2 + 𝐴3 + ⋯ + 𝐴𝑛
𝑎
 A1 A2 A3 An
𝑏
∆𝑥
∫ 𝑓(𝑥) ∙ 𝑑𝑥 ≅ ∙ [𝑓(𝑥0 ) + 𝑓(𝑥1 ) + 𝑓(𝑥1 ) + 𝑓(𝑥2 ) + 𝑓(𝑥2 ) + 𝑓(𝑥3 ) + ⋯ + 𝑓(𝑥𝑛−1 ) + 𝑓(𝑥𝑛 )]
𝑎 2

Coef. 1 no primeiro e último termo

𝑏
∆𝑥
∫ 𝑓(𝑥) ∙ 𝑑𝑥 ≅ ∙ [𝑓(𝑥0 ) + 2 ∙ 𝑓(𝑥1 ) + 2 ∙ 𝑓(𝑥2 ) + 2 ∙ 𝑓(𝑥3 ) + ⋯ + 2 ∙ 𝑓(𝑥𝑛−1 ) + 𝑓(𝑥𝑛 )]
𝑎 2

Coef. 2 em cada termo do meio,

para não ter que reescrever

3
Ex: Determinar a integral aproximada com 5 subintervalos de ∫1 𝑥 2 ∙ 𝑑𝑥 .

𝑏−𝑎 3−1
∆𝑥 = = = 0,4
𝑛 5

i xi f(xi) Coef. f(xi).Coef

0 1,0 1,0 1 1,0
1 1,4 1,96 2 3,92
2 1,8 3,24 2 6,48
3 2,2 4,84 2 9,68
4 2,6 6,76 2 13,52
5 3,0 9,0 1 9,0
Σ -/- -/- -/- 43,6

𝑏
∆𝑥 0,4
∫ 𝑓(𝑥) ∙ 𝑑𝑥 ≅ ∙ ∑[𝑓(𝑥𝑖 ) ∙ 𝐶𝑜𝑒𝑓] = ∙ 43,6 = 8,72 𝑢. 𝑎.
𝑎 2 2