Notas de Aula 1

Cálculo Numérico
Notas de Aulas
Prof. MSc. Rômulo Lima da Gama

2019
1 de junho de 2021
Sumário
1 Revisão de Cálculo 4
1.1 Estudo de funções: Continuidade, Diferenciabilidade e Integração . . . . . . . . . 4
1.1.1 Teorema de Rolle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Teorema do Valor Médio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.3 Teorema do Valor Extremo . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.4 Teorema do Valor Intermediário . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.5 Teorema de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Sistemas Numéricos 9
2.1 Sistemas de numeração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.1 Sistemas Decimal e Binário . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2 Exercı́cios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3 Aritmética de Ponto Flutuante e Erros 15

3.1 Números de máquina decimais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2 Tipos de Erros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3 Aritmética com número finito de dı́gitos/algarismos . . . . . . . . . . . . . . . . . 16
4 Introdução a Algoritmos e Convergência 19

4.1 Algoritmos Estáveis e Instáveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.2 Convergência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5 Solução de Sistemas Lineares 22

5.1 Métodos Diretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.1.1 Eliminação de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.1.2 Estratégias de Pivotamento . . . . . . . . . . . . . . . . . . . . . . . . . . 26
5.1.3 Fatoração de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2
SUMÁRIO 3
6 Técnicas Iterativas Para Resolução de Sistemas Lineares 33

6.1 Métodos Iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
6.1.1 Método de Gauss-Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
6.1.2 Método de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
6.1.3 Convergência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
7 Soluções de Equações com uma Variável 41

7.1 Método da Bissecção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
7.2 Critérios de parada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
7.3 Estimativa de Número de Iterações . . . . . . . . . . . . . . . . . . . . . . . . . . 45
7.4 Método da Posição Falsa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
7.5 Método do Ponto Fixo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
8 Interpolação e Aproximação Polinomial 48

8.1 Interpolação Polinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
8.2 Interpolador de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
8.3 Interpolação Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
8.4 Forma de Newton-Gregory para o polinômio interpolador . . . . . . . . . . . . . . 51
8.5 Método dos mı́nimos quadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
8.5.1 Método dos mı́nimos quadrados . . . . . . . . . . . . . . . . . . . . . . . . 54
Capı́tulo 1
Revisão de Cálculo
1.1 Estudo de funções: Continuidade, Diferenciabilidade

e Integração
1.1.1 Teorema de Rolle
Suponha que f ∈ C[a, b] e que f seja diferenciável em (a, b). Se f (a) = f (b), então existe um
número c ∈ (a, b) tal que f 0 (c) = 0.
yy
f(x)=y
f(x)=y
f’(x)=y
f’(x)=y
f’(c)=0
f’(c)=0
f(a)=f(b)
f(a)=f(b)
xx
aa cc b
b
1.1.2 Teorema do Valor Médio
Suponha que f ∈ C[a, b] e f seja diferenciável em (a, b), então existe c ∈ (a, b) tal que
f (b) − f (a)
f (c) = .
b−a
4
1.1. ESTUDO DE FUNÇÕES: CONTINUIDADE, DIFERENCIABILIDADE E INTEGRAÇÃO5
yy Retas
Retas paralelas
paralelas
Inclinação
Inclinação f’(c)
f’(c)
f(x)=y
f(x)=y
Inclinação
Inclinação
f(b)-f(a)
f(b)-f(a)
b-a
b-a
xx
aa cc b
b
1.1.3 Teorema do Valor Extremo
Se f ∈ C[a, b], então existem c1 , c2 ∈ [a, b] com f (c1 ) ≤ f (x) ≤ f (c2 ), para todo x ∈ [a, b].
Além disso, se f for diferenciável em (a, b), então os números c1 , c2 ocorrem nas extremidades de
[a, b] ou nos pontos para os quais f 0 for zero.
yy
f(x)=y
f(x)=y
xx
aa cc22 cc11 b
b
1.1.4 Teorema do Valor Intermediário
Se f ∈ C[a, b] e k é qualquer número entre f (a) e f (b), então existe um número c em (a, b)
para o qual f (c) = k.
6 CAPÍTULO 1. REVISÃO DE CÁLCULO
f(x)=y
f(x)=y
yy
f(a)
f(a)
kk
f(b)
f(b)
xx
aa cc b
b
Exemplo 1: Mostre que as seguintes equações possuem pelo menos um zero nos intervalos dados.
i) x cos −2x2 + 3x − 1 = 0, [0.2, 0.3] e [1.2, 1.3]
ii) (x − 2)2 − ln(x) = 0, [1, 2] e [e, 4]
Exemplo 2: Mostre que f 0 (x) tem pelo menos um zero no intervalo dado:
π
i) f (x) = 1 − ex + (e − 1) sin x , [0, 1]
2
ii) g(x) = (x − 1) tan(x) + x sin(πx), [0, 1]
1.1.5 Teorema de Taylor
Suponha que f ∈ C n [a, b], que f (n+1) exista em [a, b] e que x0 ∈ [a, b]. Para todo x ∈ [a, b],
existe um número (x) entre x0 e x com
f (x) = Pn (x) + Rn (x)
onde Pn (x) é o polinômio de grau menor ou igual à n e Rn é o Resto ou erro de truncamento.
f 00 (x0 )(x − x0 )2 (x − x0 )n
Pn (x) = f (x0 ) + f 0 (x0 )(x − x0 ) + + · · · + f (n) (x0 )
2! n!
n
X f (i) (x0 )(x − x0 )i
=
i=0
i!
1.1. ESTUDO DE FUNÇÕES: CONTINUIDADE, DIFERENCIABILIDADE E INTEGRAÇÃO7
e
f (n+1) ((x))
Rn (x) = (x − x0 )(n+1)
(n + 1)!
A série infinita obtida pelo limite de Pn (x) quando n → ∞ é chamada Série de Taylor de
f em x0 . No caso de x0 = 0, o polinômio de Taylor é frequentemente chamado polinômio de
Maclaurin e a série de Taylor é geralmente chamada Série de Maclaurin.
Exemplo 3: Considere a função f (x) = cos(x) e x0 = 0. Determine.
i) Encontre o polinômio de Taylor de ordem 2 em torno de x0 = 0

Solução:
0 f 00 (x0 )(x − x0 )2
P2 (x) = f (x0 ) + f (x0 )(x − x0 ) +
2!
Assim, temos
f 0 (x) = − sin(x), f 00 (x) = − cos(x)
cos(0)(x)2 x2
P2 (x) = cos(0) − sin(0)(x) − =1−
2! 2
yy
y=P
y=P22=1-x
=1-x22
2
2
y=cos(x)
y=cos(x)
1
1
−π π
2 2
xx
-π
-π -π
-π
ii) Encontre R2 (0, 5)
iii) Calcule o erro entre P2 (0, 5) e f (0, 5)
iv) Encontre P2 (x) em x0 = 1
v) Determine R2 (0, 5) em torno de x0 = 1.

8 CAPÍTULO 1. REVISÃO DE CÁLCULO
vi) Use o P2 e R2 em torno de x0 = 1 para aproximar
Z 0,1
x3 dx
0
Capı́tulo 2
Sistemas Numéricos
A resolução de problemas envolve várias fases que podem ser estruturadas assim:
Os resultados obtidos dependem também:
Da precisão dos dados de entrada;
Da forma com estes dados são representados no computador;
Das operações numéricas efetivadas.
Os dados de entrada contêm uma imprecisão inerente, isto é, não há como evitar que ocorram,
uma vez que representam medidas obtidas usando equipamentos especı́ficos, como, por exemplo,
no caso de medidas de corrente e tensão num circuito elétrico.
9
10 CAPÍTULO 2. SISTEMAS NUMÉRICOS
2.1 Sistemas de numeração
2.1.1 Sistemas Decimal e Binário
Considere os números (347)10 e (10111)2 . Estes números podem ser assim escritos:
(347)10 = 3 × 102 + 4 × 101 + 7 × 100
(10111)2 = 1 × 24 + 0 × 23 + 1 × 22 + 1 × 21 + 1 × 20
De modo geral, seja x um número na base β
x = (aj aj−1 · · · a2 a1 a0 )β (2.1)
com 0 ≤ ak ≤ β − 1 e k = 0, 1, 2, 3, · · · , j.
Escrito na forma polinomial:
x = aj β j + aj−1 β j−1 + aj−2 β j−2 + · · · + a2 β 2 + a1 β 1 + a0 β 0 (2.2)
Para converter um número de base 2 para a base decimal, fazemos:
(10111)2 = 1 × 24 + 0 × 23 + 1 × 22 + 1 × 21 + 1 × 20 = (16 + 4 + 2 + 1) = (23)10
.
O processo de conversão do número (347)10 para a base binária, temos
347 = 2 × 173 + 1
173 = 2 × 86 + 1
86 = 2 × 43 + 0
43 = 2 × 21 + 1
21 = 2 × 10 + 1
10 = 2 × 5 + 0
5=2×2+1
2=2×1+0
1=2×0+1
2.1. SISTEMAS DE NUMERAÇÃO 11
Considerando os restos das divisões, temos que
(347)10 = (101011011)2
Podemos observar outros sistema numéricos:
a. Sistema ternário: 0, 1, 2
Exemplo: (1022)3 = 1 × 33 + 0 × 32 + 2 × 31 + 2 × 30
b. Sistema quartenário: 0, 1, 2, 3
Exemplo: (301)4 = 3 × 42 + 0 × 41 + 1 × 40
c. Sistema octal: 0, 1, 2, 3, 4, 5, 6, 7
Exemplo: (1353)8 = 1 × 83 + 3 × 82 + 5 × 81 + 3 × 80
d. Sistema Hexadecimal: 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, A, B, C, D, E, F
Exemplo: (E2A)1 6 = E × 162 + 2 × 161 + A × 160
Conversão de números decimais.
x = (aj aj−1 · · · a2 a1 a0 , a−1 a−2 · · · )β (2.3)
Parte inteira:
xint = aj β j + aj−1 β j−1 + aj−2 β j−2 + · · · + a2 β 2 + a1 β 1 + a0 β 0
Parte fracionada:
xf rac = a−1 β −1 + a−2 β −2 + a−3 β −3 + · · ·
Exemplo: Converter o número (9, 625)10 em um número em base 2.
(9)10 = 1 · 23 + 0 · 22 + 0 · 21 + 1 · 20
(0, 625)10 = 1, 25 · 2−1 ⇒ (1 + 0, 25) · 2−1 = 1 · 2−1 + (0, 25) · 2−1
⇒ 1 · 2−1 + (0, 5 · 2−1 ) · 2−1 = 1 · 2−1 + ((1 · 2−1 ) · 2−1 ) · 2−1
⇒ 1 · 2−1 + 0 · 2−2 + 1 · 2−3
(9, 625)10 = (1001, 101)2

Um número real entre 0 e 1 pode ter representação finita no sistema decimal, mas representaçao
infinita no sistea binário. No caso geral, seja r um número entre 0 e 1 no sistema deciaml e
(0, d1 d2 d3 · · · dj · · · ) sua representação no sistema binário.
Os dı́gitos d1 , d2 , d3 , · · · , dj , · · · são obtidos através do seguinte algorı́tmo:
// Convertendo número decimal para base 2

r_1 = r; k=1
Calcule 2r_k
Se 2r_k >= 1, faça d_k =1,
caso contrário, faça
d_k =0
Faça r_{k+1}= 2r_k - d_k
Se r_{k+1} =0,
pare.
Caso contrário
k=k+1
Calcule 2r_{k+1}
(repita o processo)
Exemplo: Converter (0, 1)10 para base 2.
k = 1 ⇒ 2r1 = 0, 2 ⇒ d1 = 0 e r2 = 0, 2
k = 2 ⇒ 2r2 = 0, 4 ⇒ d2 = 0 e r3 = 0, 4
k = 3 ⇒ 2r3 = 0, 8 ⇒ d3 = 0 e r4 = 0, 8
k = 4 ⇒ 2r4 = 1, 6 ⇒ d4 = 1 e r5 = 0, 6
k = 5 ⇒ 2r5 = 1, 2 ⇒ d5 = 1 e r6 = 0, 2
k = 6 ⇒ 2r6 = 0, 4 ⇒ d6 = 0 e r7 = 0, 4
k = 7 ⇒ 2r7 = 0, 8 ⇒ d7 = 0 e r8 = 0, 8
k = 8 ⇒ 2r8 = 1, 6 ⇒ d8 = 1 e r9 = 0, 6
..
.
Como r6 = r2 = 0, 2, temos que o resultados para k de 2 a 5 se repetião, isto é: r2 = r6 = r10 =

r14 = · · · = r4P +2 = · · · = 0, 2 para P ∈ N. Logo, temos
(0, 1)10 = (0, 0001100110011 · · · )2
Como vemos, o número (0, 1)10 não tem representação finita em base binária.
2.1. SISTEMAS DE NUMERAÇÃO 13
O fato de um número não ter representação finita no sistema binário pode acarretar a ocorrência
de erros aparentemente inexplicáveis em cálculos efeetuados em sistemas computacionais binários.
Um computador que opera no sistema binário irá armazenar uma aproximação para (0, 1)10 ,
uma vez que possui uma quantidade fixa de posições para guardar os dı́gitos da mantissa de
um número, e esta aproximação será usada para realizar os cálculos. Não se pode, portanto,
esperar um resultado exato.
A conversão de um número em base binária, entre 0 e 1, para base decimal é dada da seguinte
maneira:
// Convertendo número de base 2 para decimal entre 0 e 1

r_1 =r, k=1
Calcule w_k = (1010)_2 x r_k
Seja z_k a parte inteira de w_k
b_k é a convers~
ao de z_k para a base 10.
Faça r_{k+1}= w_k - z_k
Se r_{K+1}=0,
pare.
k=k+1
(repita o processo)
Exemplo: Converter (0, 000111)2 para base 10.
r1 = 0, 0001111
k = 1 ⇒ w1 = (1010)2 × r1 = 1, 00011 ⇒ b1 = 1 r2 = 0, 00011
k = 2 ⇒ w2 = (1010)2 × r2 = 0, 1111 ⇒ b2 = 0 r3 = 0, 1111
k = 3 ⇒ w3 = (1010)2 × r3 = 1001, 011 ⇒ b3 = 9 r4 = 0, 011
k = 4 ⇒ w4 = (1010)2 × r4 = 11, 11 ⇒ b4 = 3 r5 = 0, 11
k = 5 ⇒ w5 = (1010)2 × r5 = 111, 1 ⇒ b5 = 7 r6 = 0, 1
k = 6 ⇒ w1 = (1010)2 × r6 = 101 ⇒ b6 = 5 r 2 = 0
Portanto (0, 000111)2 = (0, 109375)10 .

2.2 Exercı́cios:
Exercı́cio 2.1. Converta para um número decimal cada um dos seguintes números:
a. (100)2
Solução: (100)2 = 1 × 22 + 0 × 21 + 0 × 20 = (4)10
b. (12)5
c. (100)3
d. (AA)16
e. (7, 1)8
Exercı́cio 2.2. Escreva cada número para a base indicada.
a. (45)8 ⇒ base 2
Solução: (45)8 = 4 × 81 + 5 × 80 = 22 × 23 + (22 + 1) × 1 = 25 + 22 + 20 = (100101)2
b. (21)8 ⇒ base 16
c. (1001)2 ⇒ base 8
d. (1001)2 ⇒ base 16
Capı́tulo 3
Aritmética de Ponto Flutuante e Erros
3.1 Números de máquina decimais
Devido as dificuldades computacionais no uso da representação binária, consideraremos agora,

por simplicidade, que os números de máquina sejam representados na forma normalizada de ponto
flutuante decimal
±0, d1 d2 d3 · · · × 10n (3.1)
onde 1 ≤ d1 ≤ 9 e 0 ≤ di ≤ 9 para i = 2, · · · , k. Esses números são chamados de números de

máquina decimais de k algarismos.
A forma em ponto flutuante de um número y, denotada por f l(y), é obtida terminando a

mantissa de y em k algarismos decimais. Para isso existe duas formas:
Truncamento: “cortar” (truncar) os algarismos dk+1 dk+2 · · ·
Arredondamento: adiciona 5 × 10n−(k+1) a y e então trunca o resultado; modo prático:
– se dk+1 ≥ 5, resulta em 1 + dk ;
– se dk+1 < 5, retornamos para o simples truncamento.
Exemplo 3.1.1. Usando truncamento e arredondamento determine π ∈ Qc com cinco

dı́gitos/algarismos.
π ≈ 3, 14159265 · · ·
Na forma normaliza, temos:

π = 0, 3141559265 · · · × 101
15
16 CAPÍTULO 3. ARITMÉTICA DE PONTO FLUTUANTE E ERROS
Por truncamento: f l(π) = 0, 31415 × 10 = 3, 1415

Por arredondamento: f l(π) = (0, 31415 × 101 ) + (10−5 × 101 ) = 3, 1416
3.2 Tipos de Erros

Definição 3.2.1. Considere x∗ uma aproximação de x, o erro real é dado por x − x∗. O erro
absoluto é
|x − x ∗ |
E o erro relativo é determinado por
|x − x ∗ |
com x 6= 0.
|x|
Definição 3.2.2. Um limitante do erro é um número não negativo maior do que o erro absoluto.
Ele é as vezes obtido pelos métodos do cálculo para determinar o valor absoluto máximo de
uma função. Esperamos encontrar o menor limitante superior para o erro para obter uma
estimativa do erro real que seja tão precisa quanto possı́vel.
Definição 3.2.3. Diz-se que o número x∗ aproxima x até t dı́gitos/algarismos significativos

(ou posições) se t for o maior natural para qual
|x − x ∗ |
≤ 5 × 10−t
|x|
Exemplo 3.2.1. Para x = 0, 1 o menor limitante superior do erro absoluto para t = 4 é
|x − x ∗ | ≤ 5 × 10−4 × |10−1 | = 0, 00005
3.3 Aritmética com número finito de dı́gitos/algarismos

Suponha que as representações em ponto flutuante f l(x) e f l(y) sejam dadas para os números
reais x e y e que os sı́mbolos ⊕, , ⊗ e represente, as operações de máquina. Consideraremos
uma aritmética com um número finito de algarismos dada por
x ⊕ y = f l(f l(x) + f l(y))
x y = f l(f l(x) − f l(y))
x ⊗ y = f l(f l(x) × f l(y))

3.3. ARITMÉTICA COM NÚMERO FINITO DE DÍGITOS/ALGARISMOS 17
x y = f l(f l(x) ÷ f l(y))
5
Exemplo 3.3.1. Dados os números reais x = 7
e y = 13 , use truncamento, com 5 dı́gitos, para
calcular x ⊕ y, x y e x ⊗ y.
Truncando os valores, temos:
f l(x) = 0, 71428 × 100 e f l(y) = 0, 33333 × 100
Temos
x ⊕ y = f l(1, 04761 × 100 ) = 0, 10476 × 101
Exemplo 3.3.2. As raı́zes de ax2 + bx + c = 0, quando a 6= 0, podem ser determinadas da forma

√ √
−b + b2 − 4ac −b − b2 − 4ac
x1 = e x2 =
2a 2a
Considere a equação x2 + 62, 10x + 1 = 0, cujas raı́zes aproximadas são:
x1 = −0, 01610723 e x2 = −62, 08390
Usando aritmética de ponto flutuante normalizado com arredondamento para 4 dı́gitos, temos que
as raı́zes são:
√ p
b2 − 4ac = (−0, 6210 × 102 )2 − (0, 4 × 101 ) × (0, 1 × 101 ) × (0, 1 × 101 )
p p
= (0.3856 × 104 ) − 0, 4 × 101 = 0, 3852 × 104 = 0, 6206 × 102
−0, 6210 × 102 + 0, 6206 × 102 −0, 4 × 10−1
f l(x1 ) = f l( ) = f l( ) = f l(−0, 002 × 10)
0, 2 × 101 0, 2 × 10
f l(x1 ) = −0, 2 × 10−1
Calculando o erro relativo temos,
| − 0, 1610 × 10−1 − (−0, 2 × 10−1 )|

Er = = 0, 242236
| − 0, 610 × 10−1 |
gera um erro grande de 24%.

No caso de x2 , temos
−0, 6210 × 102 − 0, 6206 × 102 −1, 2416 × 102

f l(x2 ) = f l( ) = f l( )
0, 2 × 10 0, 2 × 10
18 CAPÍTULO 3. ARITMÉTICA DE PONTO FLUTUANTE E ERROS
−0, 1242 × 103

= f l( ) = −0, 621 × 102
0, 2 × 10
Calculando o erro relativo, temos
| − 0, 6208 × 102 − (−0, 621 × 102 )|

Er = = 0.0003
| − 0, 6208 × 102 |
gera um erro grande de 0, 03%.

Podemos obter um resultado mais próximo para x1 usando uma forma racionalizada da fórmula
de Bhaskara.
−2c
x1 = √
b + b2 − 4ac
Para x1 temos
−0, 2 × 10
f l(x1 ) = 2 2
= f l(−0, 1610825 × 10−1 ) = −0, 1611 × 10−1
0, 621 × 10 + 0, 6206 × 10
Que gera um pequeno erro de aproximadamente 0, 062%. Já para x2 ,
−2c
x2 = √
b − b2 − 4ac
Porém, a resultante não é satisfatória, pois x2 = −0, 5 × 102 , que gera um erro de aproximanda-
mente 19%.
Exercı́cio 3.1. Usando uma série de Maclaurin de ordem 6 para aproximar a função arco tan-
gente, calcule o erro absoluto e o erro relativo nas seguintes aproximações de π usando o
polinômio em vez da função.

1 1
i) 4 arctan + arctan
2 3

1 1
ii) 16 arctan + 4 arctan
5 239
Utilize 5 dı́gitos significativos e erro de arredondamento.
Capı́tulo 4
Introdução a Algoritmos e Convergência
Em Análise Numérica (Burden and Fares), um algoritmo é um procedimento que descreve,

sem ambiguidades, uma sequência finita de passos a serem feitos em uma ordem especı́fica. O
objetivo do algoritmo é implementar um procedimento para resolver um problema ou aproximar
uma solução do problema.
Os sı́mbolos (.) e (;) são usados em algoritmos para indicar o término de um passo (etapa) e
separar tarefas dentro de um passo, respectivamente.
Os laços são empregamos das seguintes formas:
i) Por contadores, por exemplo:
Para i = 1, 2, 3, · · · , n
Faça xi = ai + i + h
ii) Por condicionais, como:
Quando i < N faça os Passos 3-6
As formas de condicionais padronizadas são:
Se ... então ou Se...então; senão
19
20 CAPÍTULO 4. INTRODUÇÃO A ALGORITMOS E CONVERGÊNCIA
Pn
Exemplo 4.0.1. Algoritmo para calcular i=1 xi
ENTRADA n, x1 , x2 , x3 , · · · , xn .
SAÍDA Sum = ni=1 xi .
P
Passo 1 Faça Sum = 0. (inicializar acumulador)

Passo 2 Para i = 1, 2, 3, · · · , n; faça Sum = Sum + xi . (A soma propriamente)
Passo 3 SAÍDA Sum; PARE
4.1 Algoritmos Estáveis e Instáveis

Definição 4.1.1. Um algoritmo é dito estável, quando as alterações realizadas nos dados iniciais
produzem alterações diretamente proporcionais nos resultados finais. Caso contrário, o algoritmo
é dito instável.
Alguns algoritmos são estáveis para certos dados iniciais, esses são chamados de algoritmos
condicionalmente estáveis.
Definição 4.1.2. Suponha que em alguma etapa dos cálculos seja introduzido um erro E0 > 0 e
que En represente o módulo do erro após n operações.
i) Se En ≈ CnE0 , onde C é constante, então dizemos que o crescimento do erro é linear;
ii) Se En ≈ C n E0 , para C > 1, então o crescimento do erro é exponencial.
Figura 4.1: Comparação entre o crescimento do Erro linear e exponencial no algoritmo.
Exemplo 4.1.1. Considere a equação recursiva
10
pn = pn−1 − pn−2 , n = 2, 3, ...
3
4.2. CONVERGÊNCIA 21
1
onde c1 e c2 são constantes arbitrárias e p0 = 1 e p1 = .
3
i) Mostre que n
1
p n = c1 + c2 3n
3
é solução da equação.
ii) Usando aritmética de ponto flutuante normalizado de cinco dı́gitos com arredondamento,
determine os termos de p1 , p2 e p3 . Use c1 = 0, 1 × 101 e c2 = −0, 12500 × 10−5 .
iii) Determine o erro relativo para os três termos.
4.2 Convergência
Em geral, os métodos numéricos iterativos são dados por sequências as quais devem conver-
gir para a solução exata, pelo menos é o esperado. Logo usa-se um critério para testar esta
convergência.
Definição 4.2.1. Dadas as sequências βn e αn , suponha que:
lim βn = 0 e lim αn = α.
n→∞ n→∞
Se existir uma constante k > 0 tal que
|αn − α| ≤ k|βn |,
para n suficientemente grande, então dizemos que αn converge para α com a taxa ou ordem de
convergência O(βn ).
Exemplo 4.2.1. Sejam

n+1 n+3
αn = 2
e αn =
n n3
Temos
n+1 n+n 1
|αn − 0| = ≤ = 2 = 2βn
n2 n2 n
n+3 n + 3n 1
|αn − 0| = 3
≤ 3
= 4 2 = 4βn
n n n
Assim, segue
1 1
αn = 0 + O( ) e αn = 0 + O( 2 )
n n
Capı́tulo 5
Solução de Sistemas Lineares
5.1 Métodos Diretos
Métodos diretos são aqueles que fornecem a “solução exata” após um número finito de operações.
5.1.1 Eliminação de Gauss
Definição 5.1.1. Consiste em transformar o sistema original em um sistema triangular superior

por operações elementares.



 a11 x1 + a12 x2 + · · · + an xn = b1


a x + a22 x2 + · · · + an xn = b2


 21 1


...





 ...


 a x + a x + ··· + a x = b

n1 1 n2 2 nn n n
Ainda,
Ax = b
Ou na forma matricial
    
    
 A  x  =  b 
    
    
22
5.1. MÉTODOS DIRETOS 23
Considere a matriz aumentada:
.
 
a11 a12 · · · a1n .. a1,n+1
 
.
 
a21 a22 · · · a2n .. a2,n+1
   
   
 AB =
.. .. .. .. .. ..

   
   . . . . . . 
..
 
an1 an2 · · · ann . an,n+1
Método de eliminação de Gauss se resume em duas etapas sendo elas:

Etapa 1: Zerar todos os elementos abaixo da diagonal principal da matriz A. Seja a11 6= 0,
Li , i = 1 : n são as linhas. Onde o processo de Eliminação é dado por:

aij
Lj ← Lj − · Li “Nova Linha” .
aii
Para a11 6= 0, temos:

aj1
Lj ← Lj − · L1
a11
j = 2, 3, 4, ..n, para eliminar os coeficientes de x1 , logo,
..
 
a11 a12 · · · a1n . a1,n+1
 
..
 
a22 · · ·
   
   0 a2n . a2,n+1 
 AB =
.. .. .. .. .. ..

   
   . . . . . . 
..
 
0 0 ··· ann . an,n+1
Etapa 2: Substituição retroativa:

1
1o x1 = · [a1,n+1 − (a12 ∗ x2 + a13 ∗ x3 + ... + a1n xn )]
a11
1
2o x2 = · [a2,n+1 − (a23 ∗ x3 + ... + a2n xn )]
a22
..
.
an,n+1
no xn =
ann
Exemplo 5.1.1.



 x1 − 3x2 + 2x3 = 11

−2x1 + 8x2 − x3 = −15


− 6x2 + 5x3 = 29

 4x
1
24 CAPÍTULO 5. SOLUÇÃO DE SISTEMAS LINEARES
    
1 −3 2 x1 11
    
 −2 8 −1   x2  =  −15 
    
    
4 −6 5 x3 29
   
   1 −3 2 | 11 
 
 AB = −2 8 1 | −15 

  
   
4 −6 5 | 29




 ( −2 8 1 −15 )
−2 
L2 ← L2 − · L1 ⇒ + Nova L2 = (0 2 3 7)
1 

−6 4

 ( 2 22 )




 ( 4 −6 5 29 )
−4 
L3 ← L3 − · L1 ⇒ + Nova L3 = (0 6 − 3 − 15)
1 

−4 12 −8 −44 )

 (




 ( 0 6 −3 −15 )
6 
L3 ← L3 − · L2 ⇒ + Nova L3 = (0 0 − 12 − 36)
2 

0 −6 −9 −21 )

 (
   
1 −3 2 | 11
   
 AB  =  0 |
   
2 3 7 
   
0 6 −3 | −15
   
1 −3 2 | 11
   
 AB  =  0 2 3 | 7
   

   
0 0 −12 | −36
logo,
−36
x3 = =3
−12
1
x2 = [7 − (3 ∗ x3 )] = −1
2
x1 = [11 − (−3 · (−1) + 2 · 3)] = 2
Assim, a solução do sistema é x = (2 − 1 3)t . Abaixo um exemplo de algoritmo da eliminação de

gauss feito no programa Scilab.
// Criando a funç~
ao Eliminaç~
ao de Gauss x=x(A,b)
function x=Eliminacao_de_Gauss(A,b)
// Determinando o tamanho da Matriz A
[m,n]=size(A)
// Mensagem de erro caso a matriz A n~
ao seja de ordem nxn
if m~=n, then
error(’A matriz A deve ser quadrada’)
end
// Definindo a matrzi aumentada [A b]
Au=[A b]
// A matriz aumentada tem uma coluna a mais que a matriz A, logo n_coluna_Au=n+1
n_coluna_Au = n+1
// Estrutura de repetiç~
ao para realizar a Eliminaç~
ao de Gauss na matriz Au
// k => colunas
for k=1:n-1
// i => linhas
for i=k+1:n
// Definindo os multiplicadores que ser~
ao usados para a eliminaç~
ao.
mult=Au(i,k)/Au(k,k)
// Atualizando as linhas da matrzi Au
Au(i,k:n_coluna_Au)=Au(i,k:n_coluna_Au)-mult*Aug(k,k:n_coluna_Au)
end
end
// Criando o vetor soluç~
ao de zeros que será preenchido
x=zeros(n,1)
// Soluç~
ao x(n)
x(n)=Au(n,n_coluna_Au)/Au(n,n)
ao para calcular as demais entradas do vetor x
for i=n-1:-1:1
x(i)=(Au(i,n_coluna_Au)-Aug(i,i+1:n)*x(i+1:n))/Aug(i,i)
end
endfunction
5.1.2 Estratégias de Pivotamento
Quando um dos pivôs na eliminação de Gauss é zero, fazemos a troca de linhas, isto é
Lk ↔ Lp
onde p é o menor inteiro maior que k com apk 6= 0.

Para reduzir os erros de arredondamento, frequentemente é realizada a mudança (troca) de linhas,
mesmo quando os elementos dos pivôs não são iguais a zero.
Exemplo 5.1.2.

 0.003x + 59, 14x = 59, 17 (L1 )
1 2
 5, 291x − 6, 13x = 46, 78 (L2 )
1 2
1ª Solução:
−46, 78 + 5, 291 · x1
L 2 : x2 = (5.1)
6, 13

5, 291x1 − 46, 78
L1 : 0, 003x1 + 59, 14 · = 59, 17 (5.2)
6, 13

312, 90974x1 2766, 5692
0, 003x1 + − = 59, 17 (5.3)
6, 13 6, 13
0, 003x1 + 51.045635x1 − 451.31635 = 59, 17 (5.4)
59, 17 + 451.31635 510.48635
x1 = = = 10 (5.5)
51.048635 51.048635
x1 = 10 (5.6)
−46, 78 + 5, 291 · 10 6, 13
x2 = = =1 (5.7)
6, 13 6, 13
Portanto,
 
10
x= 
1
2ª Solução: Usando Eliminação de Gauss
5, 291
L2 − L1 ⇒ L2 − (1763, 66) · L1
0, 003
Arredondando para o número “grande” 1764 e arredondando os demais, temos:

 
0, 003 59, 14 59, 17
 
0 −104300 −104400
Com isso, obtemos que:
x2 ∼
= 1, 001
59, 17 − 59, 14(1, 001) ∼
x1 = = −10
0, 003
Portanto,  
−10
x∼
= 
1.001
Isto arruı́na a aproximação do valor real x1 = 10.

Esse problema acontece porque o pivô akk é pequeno em relação as entradas aij , para k ≤ i ≤ n
e k ≤ j ≤ n. Para evitar, o pivotamento é realizado selecionando-se um elemento maior apq para
o pivô, trocando a k-ésima e a p-ésima linhas, seguindo-se a mudança entre k-ésima e q-ésima
colunas, quando necessário.
A escolha do pivô consiste em selecionar o maior elemento em módulo da coluna, cujos ele-
mentos serão eliminados.
Agora, vamos mostrar um algoritmo da eliminação de gauss com pivotamento.
// Criando a funç~
ao Eliminaç~
ao de Gauss com pivotamento parcial x=x(A,b)
function x=Eliminacao_de_Gauss_com_Pivotamento(A,b)
disp(A) // Comando para mostrar a matriz "A"
disp(b) // Comando para mostrar o vertor "b"
Au=[A b] // Concatenaç~
ao da matriz "A" com o vetor "b" (Matriz aumentada)
[n h]=size(Au) // n-lindas e h-colunas de "Au"
ao para iniciar a escolha do piv^
o e eliminaç~
ao
for coluna= 1:n-1
disp("Coluna:") // Coluna que se encontra o cálculo
disp(coluna) // Mostra a coluna
pivo=Au(coluna,coluna) // Primeiro piv^
o
for linha= coluna + 1 : n // Laço para examinar o pivotamento
if abs(Au(linha,coluna))>abs(pivo) then // condicional
Linha_do_pivoteamento = linha // linha do novo piv^
o
pivo = Au (linha,coluna) // novo piv^

o
// (Au_auxiliar => matriz auxiliar)
Au_auxiliar = Au(coluna,:) // seleciona a linha do pivo
Au(coluna,:)=Au(Linha_do_pivoteamento,:) // troca de pivos
Au(Linha_do_pivoteamento,:) = Au_auxiliar //troca de linhas
end
end
disp("Matriz aumentada com pivotamento pacial:")
disp(Au) // mostra a matriz com pivotamento parcial
disp("Pivo:")
disp(pivo) // mostra o piv^
o
//Iniciando o processo de escalonamento
for linha = coluna+1:n
m=Au(linha,coluna)/pivo
for j= 1:n+1
Au(linha,j)=Au(linha,j)-m*Au(coluna,j)
end
end
disp("A matriz escalonada é:")
disp(Au)
end
disp("A matriz escalonada é:")
disp(Au)
//realizando a retrossubstituiçao//
Au_auxiliar = 0
x(1,n)=Au(n,n+1)/Au(n,n);
for i= n-1:-1:1
for k=n :-1:1
Au_auxiliar= Au_auxiliar +x(1,k) * Au(i,k);
end
x(1,i)=(Au(i,n+1)-Au_auxiliar)/Au(i,i);
Au_auxiliar=0
end
//exibe resultado final
disp("Soluç~
ao do sistema é:")
disp(x’)
endfunction
5.1.3 Fatoração de Matrizes
A fatoração é útil pra resolvermos sistemas lineares do tipo AX = b, onde a matriz A será
desmembrada no produto LU , em que L é uma matriz triangular inferior e U é triangular supe-
rior. Embora nem todas as matrizes tenham este tipo de representação, muitas das que ocorrem
frequentemente no estudo de técnicas numéricas o têm.
Etapas
a. Suponha que A = LU . Então, podemos determinar “x” mais facilmente usando o seguinte
processo.
(a) Primeiro fazemos (LU )x = b e resolvemos Ly = b para y. Como L é triangular inferior,

determinar y exige apenas θ(n2 ) operações.
(b) Uma vez que y seja conhecido, o sistema triangular superior U x = y exige somente
θ(n2 ) operações adicionais para determinar x.
Teorema 5.1. Se a eliminação de Gauss puder ser realizada no sistema Ax = b sem trocas de
linhas, então a matriz A pode ser fatorada no produto de uma matriz triangular inferior L e uma
aij
matriz triangular superior U , A = LU em que mij =
aii
 
  1
a11 a12 · · · a1n  
 m21 1 −0−
   

a22 · · ·
 
 a2n   
U = L =  m31
 
. ..

 −0− ..
  
. a1n   ..
 

   . 
a1n  
mn1 ··· 1
Exemplo 5.1.3.



 x1 + x2 + 3x4 = 8


− x3

 2x
1 + x2 + x4 = 7
 3x1

 − x2 − x3 + 2x4 = 14


 −x

+ 2x2 + 3x3 − x4 = −7
1
Daı́, temos que:
   
1 1 0 3 1 1 0 3
   
1 −1 1   0 −1 −1 −5 
   
 2
A= ∼ 
 3 −1 −1 2   0 −4 −1 −7 
   
   
−1 2 3 −1 0 3 3 0
Para obter esta segunda matriz fazemos:
a. L2 ∗ → L2 − m21 L1 .
b. L3 ∗ → L3 ∗ − m31 L1 .
c. L4 ∗ → L4 − m41 L1 .
onde, m21 = 2; m31 = 3; m41 = −1.

Agora, para obter a matriz triangular superior, fazemos:
a. L3 ∗∗ → L3 ∗ − m32 L2 ∗ .
b. L4 ∗∗ → L4 ∗ − m342 L2 ∗
Disso, obtemos as matrizes

   
1 1 0 3 1 0 0 0
   
 0 1 −1 5
   
  2 1 0 0 
U =


 L=



 0 0 3 13   3 4 1 0 
   
0 0 0 −13 −1 −3 0 1
A seguir um exemplo de algoritmo da Fatoração LU feito para ser executado pelo programa
Octave.
function [L,U]=Fatoracao_LU(A) % Funç~

ao que fatora a matriz quadrada A em L e U;
n=size(A,1) % n <- tamanho da matriz A;
L=eye(n,n) % Define uma matriz identidade de ordem n;
for j=1:n-1 % Inicı́o da estrutura de repetiç~
ao para j colunas;
for i=j+1:n % Inicı́o da estrutura de repetiç~
ao para i linhas;
L(i,j)=A(i,j)/A(j,j) % Valores da Matriz L;
A(i,j+1:n)=A(i,j+1:n)-L(i,j)*A(j,j+1:n) % Valores atualizados da Matriz A;
A(i,j)=0 % Zerando os demais termos de A;
end % Fim do for para i;

end % Fim do for para j;
L % Matriz triangular inferior L;
U=A % Matrzi triangular superior U;
endfunction % Fim da Funç~
ao
O próximo passo é determinar o vetor y auxiliar para encontrar a solição do sistema x.
     
1 0 0 0 y1 8
     
      Falta fazer
 2 1 0 0 y 7 
· 2 =
   
Ly = b ⇒ 
    


 3 4 1 0   y3   14 
     
−1 −3 0 1 y4 −7
Na forma de equações, segue:



 y1 + 0 + 0 + 0 = 8



 2y
1 + y2 + 0 + 0 = 7


 3y1 + 4y2 + y3 + 0 = 14


 −y

− 3y2 + 0 + y4 = −7
1
Logo, temos que:
 
y1 = 8
 
y2 = 7 − 2 · 8 = −9
 
 
y= 
 y3 = 14 − [3 · 8 + 4 · (−9)] = 26
 

 
y4 = −7 − [−8 − 3 · (−9)] = −26
Assim, para encontrar o vetor solução temos:

     
1 1 0 3 x 8
   1   
 0 1 −1 5   x2   −9 
     
Ux = y ⇒ 

·
 
=
 


 0 0 3 13   x3   26 
     
0 0 0 −13 x4 −26
Na forma de equações, segue:




 x1 + x2 + 0 + 3x4 = 8


+ x2 − x3 = −9

 0 + 5x4


 0 + 0 + 3x3 + 13x4 = 26


− 0 − 13x4 = −26

 0 + 0
A solução do sistem é:  

3
 
 −1 
 
x=



 0 
 
2
Capı́tulo 6
Técnicas Iterativas Para Resolução de

Sistemas Lineares
6.1 Métodos Iterativos
Considere o sistemas Ax = b. A ideia é escrever o mesmo da forma
x = Cx + G
onde:
x → vetor n × 1
C → matriz n × n
x → vetor n × 1
G → matriz n × 1
Podemos considerar a função iteração:
φ(x) = Cx + G.
Assim para cada k-ésima solução temos:
φ(xk ) = Cxk + G = xk+1 .
Para encontrar a solução do sistema partimos de uma solução inicial (“chute”) x0 , que pode
ser qualquer vetor da mesma ordem da solução, porém existirá alguns critéios de escolha, pois
33
34CAPÍTULO 6. TÉCNICAS ITERATIVAS PARA RESOLUÇÃO DE SISTEMAS LINEARES
implicará na convergência do método:
k = 0 ⇒ φ(x0 ) = Cx0 + G = x1
k = 1 ⇒ φ(x1 ) = Cx1 + G = x2
k = 2 ⇒ φ(x2 ) = Cx2 + G = x3
..
.
k = n ⇒ φ(xn ) = Cxn + G = xn+1
Assim temos uma sequência de solução X : {x1 , x2 , x3 , ..., xk , ...}, com
lim xk = x
k→∞
6.1.1 Método de Gauss-Jacobi
Para um sistema 3 × 3:

 a x + a12 x2 + a13 x3 = b1 (1)
 11 1


S: a21 x1 + a22 x2 + a23 x3 = b2 (2)



 a x + a x + a x =b
31 1 32 2 33 3 1 (3)
O processo inicia isolando as componentes do vetor solução na forma das equações abaixo:
b1 [a12 x2 + a13 x3 ]
(1) x1 = −
a11 a11
b2 [a21 x1 + a23 x3 ]
(2) x2 = −
a22 a22
b3 [a31 x1 + a32 x2 ]
(3) x3 = −
a33 a33
Na forma matricial, segue:
−a12 −a13  b1
  
0
a11 a11     a11
  
    
x1   x1  
   

 
  −a21 −a23    b2
  
 x2  = 

0 · x2 +

 a22 a22 
 
  a22
 
     
 
x3 


 x3  
 −a  
31 −a32   b3 
0
a33 a33 a33
6.1. MÉTODOS ITERATIVOS 35
      
xk+1
1 x1 k
      
 k+1
 =  C   x2 k + G 
     
 x2
      
xk+1
3 x3 k
O vetor inical é dado por:

 
x1 0
 
k = 0 → X 0 =  x2 0
 

 
x3 0
O primeiro processo iterativo é dado por:
x1 1 = Cx1 0 + G
x2 1 = Cx2 0 + G
x3 1 = Cx3 0 + G
A solução gerada a partir do valor inicial é:

 
1
x
 1 
X 1 =  x2 1
 

 
x3 1
  
x1 2 = Cx1 1 + G 

 x1 2
  
2
k = 1 ⇒ x2 = Cx2 + G
2 1 ⇒ X =  x2 2
 


  
x 2 = Cx 1 + G  x3 2

3 3
O critério de parada será estabelecido a partir do número de iterações ou tolerância (erro).

Existem outros ainda que podem ser aplicados, mas iremos enfatizar esses mencionados anterior-
mente mais a frente.
Exemplo 6.1.1. Resolva usando Gauss-Jacobi com 3 iterações




 10x1 + 3x2 − 2x3 = 57 (1)

S: 2x1 + 8x2 + x3 = 20 (2)


+ x2 + 5x3 = −4 (3)

 x
1
Escrevendo as funções iterativas, temos:

(1) Isolando x1 na 1ª equação
57 [3x2 k − 2x3 k ]
x1 k+1 = −
10 10
20 [2x1 k + x3 k ]
x2 k+1 = −
8 8
4 [x1 k + x2 k ]
x3 k+1 = − −
5 5
Para k = 0, temos (“chute inicial para a solução”):
 
0
 
X0 =  0 
 
 
0
57 [3 · 0 − 2 · 0]
(1) x1 1 = − = 5, 7
10 10
20 [2 · 0 − 0]
(2) x2 1 = − = 2, 5
8 8
4 [0 + 0]
(3) x3 1 = − − = −0, 8
5 5
 
5, 7
 
X 1 =  2, 5
 

 
−0, 8
Para k = 1, temos:
57 [3 · (2, 5) − 2 · (−0, 8)]
(1) x1 2 = − = 4, 79
10 10
20 [2 · (5, 7) + 0, 8]
(2) x2 2 = − = 0, 975
8 8
−4 [5, 7 + 2, 5]
(3) x3 2 = − = −2, 44
5 5
 
4, 79
 
X 2 =  0.975 
 
 
−2, 44
Para k = 2, temos:
57 [3 · (0, 975) − 2 · (−2, 44)]

(1) x1 3 = − = 4, 9195
10 10
20 [2 · (4, 79) + 2, 44]
(2) x2 3 = − = 0, 9971
8 8
4 [4, 79 + 0, 975]
(3) x3 3 = − − = −1, 983
5 5
 
4, 9195
 
X 3 =  0, 9975
 

 
−1, 983
Uma boa aproximação para a solução do sistema, calculado por software Octave, é
 
4, 8187
 
X =  1, 5547
 

 
−2, 0747
Se calcularmos os erros relativos entre as soluções, temos
|X i − X 3 |
Eri =
|X i |
|4, 8187 − 4, 9195|

⇒ Er1 = = 0, 020926 = 0, 20926 × 10−1 ≈ 2%
4, 8187
|1, 5547 − 0, 9975|
⇒ Er2 = = 0, 35838 ≈ 35%
|1, 5547|
| − 2, 0747 + 1, 983|
⇒ Er3 = = 0, 044184 ≈ 4%
| − 1, 983|
6.1.2 Método de Gauss-Seidel
Assim como no método de Gauss-Jacobi, o método de Gauss-Seidel o sistema linear Ax = b é

escrito da forma Cx + G.
Para um sistema 3 × 3, sem perda de generalidade, temos:
b1 [a12 x2 k +a13 x3 k ]
(1) x1 k+1 = a11
− a11
b2 [a21 x1 k+1 +a23 x3 k ]

(2) x2 k+1 = a22
− a22
b3 [a21 x1 k+1 +a22 x2 k+1 ]

(3) x3 k+1 = a33
− a33
No processo, no momento de calcular xj k+1 usamos todos os valores x1 k+1 , x2 k+1 , x3 k+1 , ..., xj−1 k+1
que já foram calculados os valores xj+1 k , ..., xn k restantes.
Exemplo 6.1.2.



 10x1 + 3x2 − 2x3 = 57 (1)

S: 2x1 + 8x2 + x3 = 20 (2)


 x + x + 5x = −4 (3)

1 2 3
Resolva S usando Gauss-Seidel com 3 iterações.
Critério de Parada
Nº de iterações
Tolerância (Erro)
Assim, vejamos como calcular o erro:
dk = max ||xi k − xi k−1 ||

1≤i≤n
dk
dR k =
max{||xi k ||, 1 ≤ i ≤ n}
Se > 0 , como tolerância, então o processo iterativo para em
dR k <
Exemplo 6.1.3.



 10x1 + 2x2 + x3 = 7 (1)

x1 + 5x2 + x3 = −8 (2)



 2x + 3x + 10x = 6 (3)
1 2 3
Gauss-Jacobi
– = 5 × 10−1
7 [2x2 k +x3 k ]
(1) x1 k+1 = 10
− 10
−8 [x1 k+1 +x3 k ]

(2) x2 k+1 = 5
− 5
6 [2x1 k+1 +3x2 k+1 ]

(3) x3 k+1 = 10
− 10
 
x1 0
 
0
K = 0 → X =  x2 0
 

 
x3 0
x1 1 = 0, 7
x2 1 = −1, 6
x3 1 = 0, 6
 
0, 7
 
X 1 =  −1, 6
 

 
0, 6
d1 = max{|0, 7 + 0|, | − 1, 6 − 0|, |0, 6 − 0|} = 1, 6

1, 6
dR 1 = =1>
1, 6
Para k = 1, temos:
7 [2.(−1,6)+0,6]
x1 2 = 10
− 10
= 0, 96
−8 [0,7)+0,6]
x2 2 = 5
− 5
= −1, 86
6 [2(0,7)+3(−1,6)]
x3 2 = 10
− 10
= 0, 94
 
0.96
 
X 2 =  −1, 86
 

 
0, 94
d1 = max{|0, 96 − 0, 7|, | − 1, 86 − 1, 6|, |0, 94 − 0, 6|} = 0, 34

0, 34
dR 1 = = 0, 1828 >
1, 86
Para k = 2, temos:
7 [2.(−1,86)+0,94]
x1 3 = 10
− 10
= 0, 9994
−8 [0,96+0,94]
x2 3 = 5
− 5
= −1, 9888
6 [2(0,96)+3(−1,86)]
x3 3 = 10
− 10
= 0, 9984
 
0, 9994
 
2
X =  −1, 9888
 

 
0, 9984
d1 = max{|0, 9994 − 0, 96|, | − 1, 9888 + 1, 86|, |0, 9984 − 0, 941|} = 0, 0324

0, 0324
dR 1 = = 0, 0163 <
1, 9888
6.1.3 Convergência
Ax = b
n
X |aij |
αi =
j=1,j6=i
|aii |
α = max αi
1≤i≤n
x̃ → x
Exemplo 6.1.4.
 
10 2 1
 
A= 1 5 1
 

 
2 3 10
|2| + |1|
α1 = = 0, 3
|10|
|1| + |1|
α2 = = 0, 4
|5|
|2| + |3|
α3 = = 0, 5
|10|
Portanto,
α = max{0.3, 0.5, 0.4} = 0.5 < 1
Capı́tulo 7
Soluções de Equações com uma Variável
Considere o problema de encontrar a raiz (ou solução) de uma equação da forma f (x) = 0.
Essa raiz também é chamada de zero da função f . Numericamente, iremos utilizar técnicas para
aproximar esse valor.
7.1 Método da Bissecção

Este método é baseado no Teorema do Valor Intermediário. Suponha que f é uma função
contı́nua no intervalo [a, b], com f (a) e f (b) de sinais opostos. De acordo com o teorema, existe um
valor c ∈ [a, b] tal que f (c) = 0. O método requer repetidas divisões na metade de subintervalos
de [a, b] e, a cada passo, a localização da metade contendo c. O processo é dado da seguinte forma:
a. Definimos a1 = a e b1 = b e considere c1 o ponto médio de [a, b].
a1 + b 1
c1 =
2
b. se f (c1 ) = 0, então o c1 é o zero da função.
c. se f (c1 ) 6= 0, então temos os seguintes casos:
(a) se f (c1 ) e f (a1 ) têm sinais iguais, então definimos c ∈ [c1 , b1 ] com a2 = c1 e b2 = b1 .
(b) se f (c1 ) e f (a1 ) têm sinais opostos, então definimos c ∈ [a1 , c1 ] com a2 = a1 e b2 = c1 .
Método da Bissecção
Entrada a, b; número máximo de iterações N0 .
Saı́da um zero da função f .
Passo 1 Faça i = 1;
41
42 CAPÍTULO 7. SOLUÇÕES DE EQUAÇÕES COM UMA VARIÁVEL
F A = f (a).
Passo 2 Enquanto i ≤ N0 , execute os Passos 3 a 6.
Passo 3 Faça c = (a + b)/2;
F C = f (c).
Passo 4 Se F C = 0, então
Saı́da c;
senão
Passo 5 Faça i = i + 1.
Passo 6 Se F A ∗ F C > 0, então faça a = c;
FA = FC
senão faça b = c;
Passo 7 Saı́da (”O procedimento falhou”);
Pare.
Exemplo 7.1.1. Use o método da bissecção para determinar uma aproximação da raiz de f (x) =
x3 + 4x2 − 10, no intervalo [1, 2] para 10 iterações.
Solução:
43
n a b f(a) f(b) c=(a+b)/2 fc

1 1 2 -5 14 1.5 2.375
2 1 1.5 -5 2.375 1.25 -1.796875
3 1.25 1.5 -1.796875 2.375 1.375 0.162109375
4 1.25 1.375 -1.796875 0.162109375 1.3125 -0.848388671875
5 1.3125 1.375 -0.848388671875 0.162109375 1.34375 -0.350982666015625
6 1.34375 1.375 -0.350982666015625 0.162109375 1.359375 -9.6408843994140625E-2
7 1.359375 1.375 -9.6408843994140625E-2 0.162109375 1.3671875 3.2355785369873047E-2
8 1.359375 1.3671875 -9.6408843994140625E-2 3.2355785369873047E-2 1.36328125 -3.2149970531463623E-2
7.1. MÉTODO DA BISSECÇÃO
9 1.36328125 1.3671875 -3.2149970531463623E-2 3.2355785369873047E-2 1.365234375 7.2024762630462646E-5

10 1.36328125 1.365234375 -3.2149970531463623E-2 7.2024762630462646E-5 1.3642578125 -1.6046690754592419E-2
O método da Bissecção apresenta alguma desvantagens, a principal é a sua convergência lenta

(isto é, N0 pode crescer muito antes que |x − x ∗ | se torne pequeno o suficiente) e uma boa
aproximação intermediária pode ser descartada de modo inadvertido. Entretanto, o método tem
a propriedade importante de sempre convergir para uma solução e, por isso, é utilizado muitas
vezes como o iniciador de métodos mais eficientes.
7.2 Critérios de parada
Outro ponto que deve ser destacado, são os critérios de parada. No exemplo anterior, foi estabe-
lecido apenas um número de iterações, porém existem outros critérios para interromper o processo
iterativo. Por exemplo, podemos selecionar um tolerância > 0 e gerar x1 , x2 , x2 , · · · , xN até
que uma das condições a seguir seja satisfeita:
|xN − xN −1 |
|xN − xN −1 | < , < , |f (xN )| < . (7.1)
|xN |
Quando um computador é utilizado para gerar aproximações, é boa prática definir um limite
superior para o número de iterações. Isso elimina a possibilidade da ocorrência de um laço infinito,
uma situação que pode ocorrer quando a sequência diverge (e também quando a codificação do
programa é incorreta). Agora vejamos o algoritmo com a tolerância como critério de parada
também.
Método da Bissecção
Entrada a, b; tolerância TOL; número máximo de iterações N0 .
Saı́da um zero da função f .
Passo 1 Faça i = 1;
F A = f (a).
Passo 2 Enquanto i ≤ N0 , execute os Passos 3 a 6.
Passo 3 Faça c = (a + b)/2;
F C = f (c).
Passo 4 Se F C = 0 ou (b − a)/2 < T ol, então
Saı́da c;
senão
Passo 5 Faça i = i + 1.
Passo 6 Se F A ∗ F C > 0, então faça a = c;
FA = FC
7.3. ESTIMATIVA DE NÚMERO DE ITERAÇÕES 45
senão faça b = c;
Passo 7 Saı́da (”O procedimento falhou”);
Pare.
Iremos refazer o exemplo anterior usando como critério de parada um erro relativo inferior a
0.0001
Exemplo 7.2.1. Use o método da bissecção para determinar uma aproximação da raiz de f (x) =
x3 + 4x2 − 10, no intervalo [1, 2], que tenha precisão de pelo menos 10−4 .
7.3 Estimativa de Número de Iterações

Dada uma precisão > 0 e um intervalo inicial [a, b], é possı́vel saber, a priori, quantas iterações
serão efetuadas pelo método da Bissecção até que se obtenha |b − a| < .
Sabemos que
bk−1 − ak−1 b 0 − a0
bk − ak = =
2 2k
Devemos obter o valor de k tal que |bk − ak | < , isto é,
b 0 − a0 log(b0 − a0 ) − log()
< ⇒ k ≥
2k log(2)
Exemplo 7.3.1. O zero da função f (x) = x log(x) − 1, no inetrvalo [2, 3] com precisão = 10−2 ,
é aproximado com k ≥ 7, pois:
log(3 − 2) − log(10−2 )
k≥ ≈ 6, 64.
log(2)
7.4 Método da Posição Falsa

Seja f (x) contı́nua no intervalo [a, b] e tal que f (a)f (b) < 0.
Vamos supor que o intervalo (a, b) contenha uma única raiz da equação f (x = 0).
Em vez de tomar a média aritmética entre a e b, como no método da bisseção, o método da
posição falsa toma a média aritmética ponderada entre a e b com pesos |f (b)| e |f (a)|, respectiva-
mente:
a|f (b)| + b|f (a)| af (b) − bf (a)
x= =
|f (b)| + |f (a)| f (b) − f (a)
visto que f (a) e f (b) têm sinais opostos.
Exemplo 7.4.1. Encontrar uma raiz da função f (x) = x3 − 9x + 3, no intervalo I = [0, 1] com
erro = 5 × 10−4 , usando o método da falsa posição. Temos a0 = −0.3979 < 0
7.5 Método do Ponto Fixo

Um ponto fixo de uma função é um número cujo valor de uma função não é alterado pela
aplicação da função, isto é,
f (ε) = ε. (7.2)
O processo para aproximar uma raiz da equação f (x) = 0 é posto da seguinte forma:
Dada a equação f (p) = p, podemos definir funções g como um ponto fixo em p de diversas
formas, exemplo:
g(x) = x − f (x) ou como g(x) = x + 3f (x).
Reciprocamente, se a função g tiver um ponto fixo em p, então a função definida por
f (x) = x − g(x)
terá um zero em p
Exemplo 7.5.1. Dado a função g(x) = x2 − 2, os seus pontos fixos são:
p = g(p) = p2 − 2 ⇒ 0 = p2 − p − 2 ⇒ p = −1 e p = 2.
Teorema 7.1. Existência e Unicidade
i) Se g ∈ C[a, b] e g(x) ∈ [a, b], então g terá um ponto fixo em [a, b].
ii) Além disso, se g 0 (x) existe em (a, b) e existir uma constante k < 1 com |g 0 (x)| ≤ k para todo
x ∈ (a, b), então o ponto fixo em [a, b] será único.
7.5. MÉTODO DO PONTO FIXO 47
Figura 7.1: Gráficos das funções e os pontos fixos.

Capı́tulo 8
Interpolação e Aproximação Polinomial
8.1 Interpolação Polinomial
Considere ua função definida em x0 , x1 , x2 , ..., xn pontos distintos em um intervalo [a, b] e

y1 = f (x1 ), y2 = f (x2 ), ..., yn = f (xn ).
Interpolar f consiste em aproximar esta função por um polinômio de gru menor ou igual a n, tal
que
P (x1 ) = f (x1 ) = y1
P (x2 ) = f (x2 ) = y2
..
.
i=1:n
Teorema 8.1. Seja f definida em n + 1 pontos distintos no intervalo [a, b] então existe um po-
linômio de grau menor ou igual a n tal que P (xi ) = f (xi )
Espera-se que P (x) = f (x), isto é,
E(x) = f (x) − P (x) → erro
48
8.2. INTERPOLADOR DE LAGRANGE 49
8.2 Interpolador de Lagrange
n
X
P (x) = yk Lk
k=0
onde,
n
Y (x − xj )
Lk (x) =
j=0
(xk − xj )
j6=k
Exemplo 8.2.1.
x0 = 0 → y1 = f (x0 ) = 1, 3
x1 = 0, 5 → y2 = f (x1 ) = 2, 5
x2 = 1 → y3 = f (x2 ) = 0, 9.
Estimar f (0, 8)
(x − x1 )(x − x2 ) (x − 0, 5)(x1 )
L0 (x) = =
(x0 − x1 )(x0 − x2 ) (0 − 0, 5)(0 − 1)
(x − x0 )(x − x2 ) (x − 0)(x − 1)
L1 (x) = =
(x1 − x0 )(x1 − x2 ) (0, 5 − 0)(0, 5 − 1)
(x − x0 )(x − x1 ) (x − 0)(x − 0, 5)
L2 (x) = =
(x2 − x0 )(x2 − x1 ) (1 − 0)(1 − 0, 5)
x2 − 15x + 0, 5
L0 (x) =
0, 5
x2 − x
L1 (x) =
−0, 25
x2 − 0, 5x
L2 (x) =
0, 5
Temos que:
P (x) = y0 L0 + y1 L1 + y2 L2 .
Portanto,
P (x) = 1, 3L0 (x) + 2, 5L1 (x) + 0, 9L2 (x) = −5, 6x2 + 5, 2x + 1, 3
Logo,
f (0.8) = P (0, 8) = 1, 8760
Teorema 8.2. Seja f (x) definida em (n+1) pontos distintos e diferenciável em [a, b]. Se P(x)
50 CAPÍTULO 8. INTERPOLAÇÃO E APROXIMAÇÃO POLINOMIAL
interpola f (x) nestes pontos, então o erro E(x) é dado por:
ϕ(x) n+1
E(x) = f (x) − p(x) = f (ξ)
n+1
em que
n
Y
ϕ(x) = (x − xi )
i=0
onde ξ ∈ [a, b].
8.3 Interpolação Inversa
Dado y ∈ f (x0 , f (xn) ), obter x, tal que f (x) = y
Exemplo 8.3.1.
x0 = 0, 5 → y0 = f (x0 ) = 1, 62
x1 = 0, 6 → y1 = f (x1 ) = 1, 82
x2 = 0, 7 → y2 = f (x2 ) = 2, 01
x3 = 0, 8 → y3 = f (x3 ) = 2, 23
x4 = 0, 9 → y4 = f (x4 ) = 2, 46
x5 = 1, 0 → y5 = f (x5 ) = 2, 72
Determine x0 tal que:
(1) f (x) = 2
x → y = f (x)
x0 = 0, 6 → y0 = f (x0 ) = 1, 82
x1 = 0, 7 → y1 = f (x1 ) = 2, 01
Onde,
P (x) ∼
= f (x) = y0 ∗ L0 + y1 ∗ L1
8.4. FORMA DE NEWTON-GREGORY PARA O POLINÔMIO INTERPOLADOR 51
Neste caso, iremos fazer uma interpolação inversa, logo:
x = x0 ∗ L0 (y) + x1 ∗ L1 (y)
Em que L0 , L1 são polinômios de Lagrange tal que:
(y − y1 ) (y − 2, 01) (y − 2, 01)
L0 (y) = = =
y0 − y1 1, 82 − 2, 01 (−0, 19)
(y − 1, 82) (y − 1, 82)
L1 (y) = =
2, 01 − 1, 82 0, 19
(y − 2, 01) (y − 1, 82)
x = x0 ∗ L0 + x1 ∗ L1 = (0, 6) ∗ + (0, 7) ∗
(−0, 19) (0, 19)
x = −3, 1578y + 6, 3473 + 3, 6842y − 6, 7052
x = 0, 5264y − 0, 3579
Logo,
⇒ 0, 5264 · (2) − 0, 3579 = 0, 6929
8.4 Forma de Newton-Gregory para o polinômio interpo-

lador
Definição 8.4.1. Seja f(x) uma função contı́nua no intervalo [a,b] e sejam x0 , x1 , ...,xn os
(n+1) pontos de [a,b] que se sucedem com passo h, isto é xj = x0 + h. Chamamos de operador de
diferenças ordinárias:
∆0 f (x) = f (x)
∆1 f (x) = ∆0 f (x + h) − ∆0 f (x)
∆2 f (x) = ∆1 f (x + h) − ∆1 f (x)
..
.
∆n f (x) = ∆n−1 f (x + h) − ∆n−1 f (x)
Desde que conhecemos f (x) e seu valores sejam conhecidos em x0 , x1 , ...,xn podemos construir
uma tabela de diferenças ordinárias:
Teorema: Seja f(x) uma função contı́nua e diferenciável em um intervalo [a,b].
Sejam x0 , x1 , ...,xn os (n + 1) pontos distintos e igualmente em [a, b]. Então:
Tabela 8.1: Tabela de Diferenças Ordinárias
x ∆0 f (x) ∆1 f (x) ∆2 f (x) ∆3 f (x)

x0 f [x0 ]
f [x0 , x1 ] = f [x1 ] − f [x0 ]
x1 f [x1 ] f [x0 , x1 , x2 ] = f [x1 , x2 ] − f [x0 , x1 ]
f [x1 , x2 ] = f [x2 ] − f [x1 ] f [x0 , x1 , x2 , x3 ] = f [x1 , x2 , x3 ]
x2 f [x2 ] f [x1 , x2 , x3 ] = f [x2 , x3 ] − f [x1 , x2 ] −f [x0 , x1 , x2 ]
f [x2 , x3 ] = f [x3 ] − f [x2 ]
x3 f [x3 ]
∆n f (xn )
f [x0 , x1 , ..., xn ] =
n!hn
Por indução chegaremos na fórmula:
∆1 f (x0 ) ∆2 f (x0 ) ∆n f (x)

Pn (x) = f (xo )+(x−x0 ) +(x−x 0 )(x−x 1 ) +...(x−x 0 )(x−x 1 )...(x−x n−1 )
1!h1 2!h2 n!hn
Exemplo 8.4.1.
x → f (x) = y
x0 = 1 → y0 = f (x0 ) = 0, 0000
x1 = 2 → y1 = f (x1 ) = 0, 6931
x2 = 3 → y2 = f (x2 ) = 1, 0986
x3 = 4 → y3 = f (x3 ) = 1, 3863
Determine: P1 (x), x ∈ (2, 3), com x0 = 2 e x1 = 3
∆1 f (x0 ) f (x1 ) − f (x0 )

P1 (x) = ∆0 f (x) + (x − x0 ) 1
= f (x0 ) + (x − x0 )[ ]
1!h x − x0
1, 0986 − 0, 6931
P1 (x) = 0, 6931 + (x − 2)
3−2
Portanto,
P1 (x) = 0, 4055x − 0, 1179
8.4. FORMA DE NEWTON-GREGORY PARA O POLINÔMIO INTERPOLADOR 53
x
Exemplo 8.4.2. Seja f (x) = x+1
com
x → f (x) = y
x0 = 0 → y0 = f (x0 ) = 0
1
x1 = 1 → y1 = f (x1 ) =
2
2
x2 = 2 → y2 = f (x2 ) =
3
Determine: f (1, 3) e P2 (1, 3). Determine o erro relativo entre f(1,3) - P(1,3)
∆0 ∆1 ∆2
1 −1
0 0 2 3
1 12 1
6
2 23
Temos,
∆1 f (x0 ) ∆2 f (x0 )
P2 (x) = ∆0 f (x0 ) + (x − x0 ) + (x − x 0 )(x − x 1 )
1!h1 2!h2
1 −1
P2 (x) = 0 + (x − 0) + (x − 0)(x − 1)
2 6
x x − x2
P2 (x) = +
2 6
2 1
P2 (x) = x − x2
3 6
P2 (1, 3) = 0, 586
e
1, 3
f (1, 3) = = 0, 5652
1, 3 + 1
Logo, o erro relativo será:
x−x ∼
Er = = 2%
x
Para intervalo não igualmente espaçado

x ordem 0 ordem 1 ordem 2 ordem 3

x0 f [x0 ]
f [x1 ]−f [x0 ]
f [x0 , x1 ] = x1 −x0
f [x1 ,x2 ]−f [x0 ,x1 ]
x1 f [x1 ] f [x0 , x1 , x2 ] = x2 −x0
f [x2 ]−f [x1 ] f [x1 ,x2 ,x3 ]−f [x0 ,x1 ,x2 ]
f [x1 , x2 ] = x2 −x1
f [x0 , x1 , x2 , x3 ] = x3 −x0
f [x2 ,x3 ]−f [x1 ,x2 ]
x2 f [x2 ] f [x1 , x2 , x3 ] = x3 −x1
f [x3 ]−f [x2 ]
f [x2 , x3 ] = x3 −x2
x3 f [x3 ]
8.5 Método dos mı́nimos quadrados
8.5.1 Método dos mı́nimos quadrados
Caso discreto
Considere f(x) definida em m pontos.
xi → f (xi )
x1 → f (x1 )
x2 → f (x2 )
x3 → f (x3 )
..
.
xn → f (xn )
Seja g(x) uma função que possui o comportamento de uma reta.
g(x) = a1 g1 (x) + a2 g2 (x) = a1 x + a2
Problema
Encontrar a1 e a2 que melhor ajusta a função g(x) com os dados da tabela.

8.5. MÉTODO DOS MÍNIMOS QUADRADOS 55
Critério
Definimos e(xi )=f (xi )–g(xi ) como o erro ou desvio cometido em uma operação “i”. Desse
modo, desejamos que
e(xi ) → 0
Neste caso, é tentador que a soma dos erros ( m

P
i=1 e(xi )) seja mı́nima. Porém, isso não significa
que a aproximação para g(x) seja ”boa”.
Tarefa
- Implementar/Resolver o método dos mı́nimos quadrados.
- Usar Scilab/Matlab.
- Plotar gráficos: Solução e pontos discretos.
- Usar a tabela.
B(1,i) , B(2,i)
B=
xi -2 -1 0 1 2 3
yi 19,01 3,99 -1 4,01 18,99 45
Caso 1:
f (x) ∼
= g(x) = ax + b → g(x) = ag1 (x) + bg2 (x)
f (x) ∼
= ax + b
g1 (x) = x; g2 (x) = 1
Caso 2:
f (x) ∼
= g(x) = ax2 + bx + c
xi 0 1 2 3 4
fi 0,98 -3,01 -6,99 -11,01 -15
Exemplo 8.5.1.
4
X
i) xi = 10
i=0
4
X
ii) x2i = 30
i=0
4
X
iii) f ixi = −110, 02
i=0
4
X
iv) f i = −35, 03
i=0

 10a + 30a = −110, 02
2 1
 5a + 10a = −35, 03
2 1
a1 = −3, 996x
a2 = 0, 986
Reta: r1 : −3, 996x + 0, 986
4
X 4
X
e2i = (f i − gi)2
i=0 i=0
i)(f (0) − g(0))2 = (0, 00)2 = 0, 000036

Notas de Aula 1

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Notas de Aula 1

Uploaded by

Copyright:

Available Formats

Cálculo Numérico

Prof. MSc. Rômulo Lima da Gama

3 Aritmética de Ponto Flutuante e Erros 15

4 Introdução a Algoritmos e Convergência 19

5 Solução de Sistemas Lineares 22

6 Técnicas Iterativas Para Resolução de Sistemas Lineares 33

7 Soluções de Equações com uma Variável 41

8 Interpolação e Aproximação Polinomial 48

1.1 Estudo de funções: Continuidade, Diferenciabilidade

1.1.1 Teorema de Rolle

1.1.2 Teorema do Valor Médio

1.1.3 Teorema do Valor Extremo

1.1.4 Teorema do Valor Intermediário

i) x cos −2x2 + 3x − 1 = 0, [0.2, 0.3] e [1.2, 1.3]

ii) (x − 2)2 − ln(x) = 0, [1, 2] e [e, 4]

ii) g(x) = (x − 1) tan(x) + x sin(πx), [0, 1]

1.1.5 Teorema de Taylor

f (x) = Pn (x) + Rn (x)

onde Pn (x) é o polinômio de grau menor ou igual à n e Rn é o Resto ou erro de truncamento.

i) Encontre o polinômio de Taylor de ordem 2 em torno de x0 = 0

ii) Encontre R2 (0, 5)

iii) Calcule o erro entre P2 (0, 5) e f (0, 5)

iv) Encontre P2 (x) em x0 = 1

v) Determine R2 (0, 5) em torno de x0 = 1.

vi) Use o P2 e R2 em torno de x0 = 1 para aproximar

Os resultados obtidos dependem também:

 Da precisão dos dados de entrada;

 Da forma com estes dados são representados no computador;

 Das operações numéricas efetivadas.

2.1 Sistemas de numeração

2.1.1 Sistemas Decimal e Binário

 (347)10 = 3 × 102 + 4 × 101 + 7 × 100

De modo geral, seja x um número na base β

x = (aj aj−1 · · · a2 a1 a0 )β (2.1)

x = aj β j + aj−1 β j−1 + aj−2 β j−2 + · · · + a2 β 2 + a1 β 1 + a0 β 0 (2.2)

Para converter um número de base 2 para a base decimal, fazemos:

(10111)2 = 1 × 24 + 0 × 23 + 1 × 22 + 1 × 21 + 1 × 20 = (16 + 4 + 2 + 1) = (23)10

Considerando os restos das divisões, temos que

Podemos observar outros sistema numéricos:

Conversão de números decimais.

x = (aj aj−1 · · · a2 a1 a0 , a−1 a−2 · · · )β (2.3)

xint = aj β j + aj−1 β j−1 + aj−2 β j−2 + · · · + a2 β 2 + a1 β 1 + a0 β 0

Exemplo: Converter o número (9, 625)10 em um número em base 2.

(0, 625)10 = 1, 25 · 2−1 ⇒ (1 + 0, 25) · 2−1 = 1 · 2−1 + (0, 25) · 2−1

⇒ 1 · 2−1 + (0, 5 · 2−1 ) · 2−1 = 1 · 2−1 + ((1 · 2−1 ) · 2−1 ) · 2−1

⇒ 1 · 2−1 + 0 · 2−2 + 1 · 2−3

(9, 625)10 = (1001, 101)2

// Convertendo número decimal para base 2

Exemplo: Converter (0, 1)10 para base 2.

Como r6 = r2 = 0, 2, temos que o resultados para k de 2 a 5 se repetião, isto é: r2 = r6 = r10 =

(0, 1)10 = (0, 0001100110011 · · · )2

// Convertendo número de base 2 para decimal entre 0 e 1

Exemplo: Converter (0, 000111)2 para base 10.

Portanto (0, 000111)2 = (0, 109375)10 .

Exercı́cio 2.2. Escreva cada número para a base indicada.

Aritmética de Ponto Flutuante e Erros

3.1 Números de máquina decimais

Devido as dificuldades computacionais no uso da representação binária, consideraremos agora,

onde 1 ≤ d1 ≤ 9 e 0 ≤ di ≤ 9 para i = 2, · · · , k. Esses números são chamados de números de

A forma em ponto flutuante de um número y, denotada por f l(y), é obtida terminando a

 Truncamento: “cortar” (truncar) os algarismos dk+1 dk+2 · · ·

 Arredondamento: adiciona 5 × 10n−(k+1) a y e então trunca o resultado; modo prático:

– se dk+1 < 5, retornamos para o simples truncamento.

Da precisão dos dados de entrada;

Da forma com estes dados são representados no computador;

Das operações numéricas efetivadas.

(347)10 = 3 × 102 + 4 × 101 + 7 × 100

Truncamento: “cortar” (truncar) os algarismos dk+1 dk+2 · · ·

Arredondamento: adiciona 5 × 10n−(k+1) a y e então trunca o resultado; modo prático:

x ⊕ y = f l(f l(x) + f l(y))

x y = f l(f l(x) − f l(y))

x ⊗ y = f l(f l(x) × f l(y))

x y = f l(f l(x) ÷ f l(y))