- um número em aritmética de ponto flutuante está normalizado se

unesp CAMPUS DE GUARATINGUETÁ d1 ≠ 0

Computação e Cálculo Numérico
Prof. G.J. de Sena - Depto. de Matemática – Ed. 2005.
CAPÍTULO 1
- o número máximo de dígitos da mantissa (t) é definido em termos do
comprimento da palavra do computador
- dado um número N, sua representação em aritmética de ponto
flutuante de t dígitos é efetuada por truncamento ou arredondamento.

ARITMÉTICA DE PONTO FLUTUANTE - erros decorrentes da impossibilidade de se representar um número

dado:
1.1. Representação de Números num Sistema de Aritmética de "OVERFLOW" SE e > M
Ponto Flutuante
"UNDERFLOW" SE e < m
O Sistema Computacional de Aritmética de Ponto Flutuante é
utilizado por calculadoras e computadores na representação dos
Preservamos o máximo de exatidão normalizando todos os resultados.
números e execução das operações. Um número qualquer na base β
em aritmética de ponto flutuante de t dígitos tem a forma:
Ex.:
t = 3 m= −4
± (.d d ...d ) × β e β = 10 M= 4
1 2 t β

onde REPRESENTAÇÃO
(. d1d 2 ... d t ) é a mantissa , 0 ≤ dj ≤ β - 1, j = 1, ... t x ARREDONDAMENTO TRUNCAMENTO

e é um expoente no intervalo [m, M] 1,25 0.125 x 10 0.125 x 10

2.71828 0.272 x 10 0.271 x 10
-238.15 -0.238 x 103 -0.238 x 103
Observações: 0.000007 - -
- m, M dependem da máquina utilizada 718235.82 - -

1
Uma representação com t dígitos na mantissa é dada estar em precisão
simples. Um sistema de precisão dupla é um sistema de aritmética de
Ex.:
ponto flutuante com aproximadamente o dobro de dígitos disponíveis
para a mantissa x = 2112 .9
EAx 01
.
⇒ ER x = < ≅ 4,7 x 10 −5
x 2112.9
1.2. ERROS ABSOLUTOS E RELATIVOS
EAx < 01
.

ERRO ABSOLUTO: É a diferença entre o valor exato de um número y = 5. 3

x e seu valor aproximado x :
EAy 0.1
EA X = x − x ⇒ ERy = < ≅ 0.02
y 5.3
Ex.: π ∈ ( 314 . ) , π um valor tomado dentro deste intervalo,
. , 315
EAy < 0.1
EAπ = π − π < 0.01 (limitante superior p/ o módulo do erro)
Ex.:
∴ o erro relativo fornece uma indicação do grau de precisão da
x = 2112 .9 representação.
⇒ x ∈ ( 2112 .8, 2113)
EAx < 01
.
1.3. ERROS DE ARREDONDAMENTO E TRUNCAMENTO
y =5.3
⇒ y ∈ (5.2 , 5.4 ) EM UM SISTEMA DE ARITMÉTICA DE PONTO
EAy < 0.1 FLUTUANTE

Se um dado número x não tem representação finita na base numérica

ERRO RELATIVO: É o quociente do erro absoluto pelo valor empregada numa máquina, ou se o comprimento da palavra não
aproximado: comporta x, uma aproximação será obtida por arredondamento ou por
truncamento. Seja um sistema de aritmética de ponto flutuante de t
dígitos (base 10); x pode ser escrito na forma:
EAx x−x
ER x = =
x x

2
x = f x ×10e + g x × 10e − t onde 0.1 ≤ f x < 1 e 0 ≤ g x < 1.  1
 f x ×10 , se g x < 2
e

x=
Exemplo:  f ×10e +10e − t , se g ≥ 1

x x
t = 4, x = 234.57 2
x = 0.2345 × 103 + 0.7 × 10 −1
1
⇒ f x = 0.2345 e g x = 0.7 Se g x < :
2

1
TRUNCAMENTO: EAx = x − x = g x ×10e − t < x10e − t
2
O termo
g x × 10e − t é despreza do EAx g x ×10e − t 1 2 ×10e − t 1
ERx = = < = ×10 − t +1
x f x ×10e 0.1×10 e
2
∴ x = f x × 10e
Se g x ≥1 2 :

EAx = x − x = g x × 10e − t < 10e − t (pois | g x |< 1)

( ) (
EAx = x − x = f x ×10e + g x x10e − t − f x ×10e +10e − t )
EAx g x ×10e − t 10e − t
ERx = = < = 10 − t +1
x f x ×10e 0.1×10e = g x ×10e − t −10e − t

(pois 0.1 é o valor mínimo que f x pode ter)

1
= (g x −1) × x10e − t ≤ ×10e − t
2
ARREDONDAMENTO:
EAx 1 2 ×10e − t 1 2 ×10e − t 1 2 ×10e − t 1
Arredondamento simétrico: ERx = ≤ < < = ×10− t +1
x f x ×10e +10e − t f x ×10e 0.1×10e 2

3
RESUMO Para o caso de arredondamento:

TRUNCAMENTO ARREDONDAMENTO ( x + y) − ( x + y) 0.938272 − 0.9383 1

ERx + y = = = 2.9841x10 − 5 < 10 − t +1
EAx < 10 e − t 1 x+ y 0.9383 2
EAx < × 10e − t
2 1
ERx < 10 − t +1 1 = 10 − 4 + 1 = 5 x10 − 4
ERx < × 10 − t +1 2
2

Exemplo: Ex.:
x = 0.937 × 104 x1 = 01246
. x 10
x 2 = 0.3290 x 10 −1
x+ y =?
y = 0.1272 ×10 2 x1 + x2 = .1246 ×101 + .3290 ×10−1 = (.1246 + .003290 ) x101
=.1278×101 ∴ x1 + x2 = .1278 ×101 (truncamento)

Solução
A mantissa do número de menor expoente deve ser deslocada para a Exemplo:
direita de um número de casas igual à diferença entre os dois x.y = ?
expoentes.
Solução:
x. y = (0.937 x104 ) × (0.1272 x10 2 )
x = 0.937 x10 4 y = 0. 001272
{ x10 4
4−2 =(0.937 x0.1272) × 106
∴ x + y = (0.937 + 0.001272) x10 4 = 01
.938272
44244 x10
3
4
= 0.1191864 × 106
resultado exato

∴ truncamento x. y = 0.1191 × 106

Sistema com t = 4
arredondamento x. y = 0.1192 × 106
truncamento = x + y = 0.9382 x10 4

arredondamento = x + y = 0.9383x104

4
O zero em ponto flutuante é, em geral, representado com o menor (b) Subtração (x-y)
expoente possível da máquina. O exemplo a seguir ilustra a razão EAx − y = EAx − EAy
desta necessidade.
 x   y 
Exemplo: ERx − y = ERx   − ER y . 
x − y x − y
x = 0.0000 x10 4
y = 01234
. x10 2
⇒ x + y = ( 0.0000 + 0.001234) x10 4 = 0.001234 x10 4
⇒ x + y = 0.0012 x10 4 (c) Multiplicação: (x.y)

∴ Exemplo de zero de ponto flutuante: 0.0000 x10 −50 x. y = ( x + EAx ).( y + EAy ) = xy + xEAy + yEAx +

1.4. PROPAGAÇÃO DE ERRO

∴ ERx .y = x . EAy + y . EAx

Obtenção de expressões para os erros absoluto e relativo no resultado

de cada uma das quatro operações aritméticas, como funções de seus x . EAy + y . EAx EAx EAy
ER x . y = = +
operandos e de seus erros. x. y x y
∴ ERx . y = ERx + ERy
(a) Adição (x+y)
x + y = ( x + EAx ) + ( y + EAy ) = ( x + y ) + ( EAx + EAy )
∴EAx + y = EAx + EAy (d) Divisão (x/y)
EAx + y EAx  x  EAy  y 
ER x + y = = . +  =
x+y x x + y y x + y x x + EAx x + EAx 1 x + EAx  EAy 
−1

= = . = 1 + 
 x   y  y y + EAy y  EAy  y  y 
⇒ ER x + y = ER x   + ER y .  1 + 
x + y x + y  y 

5
aproximaç ão do binômio t=4 x = 0.7237 × 10 4 
(1 + r ) n ≅ 1 + nr , p / r << 1 β = 10 
y = 0.2145 × 10 − 3 nú meros exatamente representados
z = 0.2585 × 101 
x x + EAx  EAy 
∴ ≅ .1 −  Efetuar as operações e obter o erro relativo no resultado
y y  y  (arredondamento)
(a) x + y + z (d) (x y)/z
x xEAy EAx
= − + − (b) x - y -z (e) x . (y/z)
y y2 y (c) x/y

x x EAx x . EAy Solução de (b)

∴ ≅ + −
y y y y2 w={
x− y−z
EAx x . EAy 14
s1
24
3
∴ EAx / y ≅ − s2
y y2
y . EAx − x . EAy s1 = x − y = (0.7237 − 0.00000002) × 10 4
∴ EAx / y =
y2 = 0.72369998 × 10 4
∴ s1 = 0.7237 × 10 4
y . EAx − xEAy y EAx EAy
ER x / y = . = −
y2 x x y

EAx EAy
∴ ER x / y = − ∴ ERx/ y = ERx − ERy
x y

Exemplo:
1 1
Sistema de aritmética de ponto flutuante ∴ ERs1 < × 10 − 4 +1 = × 10 − 3
2 2
s2 = s1 − z = (0.7237 − 0.0002585) × 10 4 = 0.7234415 × 10 4

∴ s2 = 0.7234 × 10 4

6
 que o limite do erro relativo de u = 3 x - y é menor que o limite do
erro relativo de w= ( x + x + x ) − y .
 s   z 
ERs 2 = ERs1 . 1  −   + RA Respostas:
 s1 − z   s1 − z 
7
ER u < 2 x10− t +1 ER w < x10− t +1
3
1 0.7237 1
∴ ERs2 < x10 − 3 × + × 10− 4 +1
2 0.7234 2
Exemplo:
ERs2 < 1.0002 × 10 −3
Solução do item (d) do exemplo anterior:
∴ x − y − z = 0.7234 × 104
w = ({
x. y ) / z
ERx − y − z < 1.0002 × 10− 3
1s124
3
s2

s1 = x. y = (0.7237 × 0.2145 x10 4 − 3 = 0.152336 × 101

Exercício:
Supondo que x é representado num computador por x , onde x é ∴ s1 = 0.1552 × 101
obtido por arredondamento, obtenha os limites superiores para os
erros relativos de u=2 x e w= x + x .
Respostas:
ERu < 10 − t +1
ERw < 10 − t +1
1 1 1
∴ ERs1 < × 10 − t +1 = 10 − 4 +1 = × 10 − 3
Exercício: 2 2 2
Idem para u 3 x e w = x + x + x 1
∴ ERs1 < 10 − 3
Respostas: 2
4
ERu < 10 − t +1 e ERw < x10 − t +1 s2 = s1 z = (0.1552 0.2585) × 101−1
3
= 0.6003868
Exercício: ∴ s2 = 0.6004
Sejam x e y as representações de x e y obtidas por arredondamento
em um computador. Deduza expressões de limite de erro para mostrar

7
 ∴( x. y ) / z = 0.6005
−3
ERx. ( y / z ) < 10
1 1
∴ ERs2 < 10−3 + 10−3 = 10−3
2 2 Ex.: implementação com dígito de proteção ou dígito de guarda:
∴( x. y ) / z = 0.6004 (imediatamente à direita da mantissa do número de menor expoente).
−3
ER( x. y ) / z < 10
x1 = .1064 ×103
Solução do item (e): x2 = − .3173×10 2
w = x. ( y / z )
123 x1 + x2 = (.1064 − .03173)×103 = .07467 ×103
12
4 s4 1
3
s2

s1 = y z = (0.2145 0.2585) × 10−3−1 = 0.8297872 × 10 4 com dígito de guarda: x1 + x 2 =.7467 x 10 2

s1 = 0.8298 × 10− 4 sem digito de guarda: x1 + x 2 =.7460 x 10 2

Exemplo:
x1 = .2631×102 x2 = .1976×102
x1 + x2 =.0655× x102 ∴ x1 + x2 =.6550×101
↑
s2 = x.s1 = (0.7237 × 0.8298) x104 − 4 = 0.6005262
este zero não é significativo!
∴ s2 = 0.6005
Exemplo:
1 1
ERs2 = ERs1 + RA ∴ ERs2 < 10−3 + 10−3 x1 =.999 × 10 x2 = .999 × 1099
2 2 1424 3
Supor que é o maior valor possível na representação da máquina:
⇒ ERs2 < 10 −3

8
∴x1 + x 2 = 1 .9998 ×10 99 ⇒ " Overflow " de ponto flutuante Optando-se por (a):
(interrupção). 0.9375 × 2 =1.875
0.875 × x 2 =1.75 

0.75 × 2 =1.50 0.1110
1.5. REPRESENTAÇÕES EM DIFERENTES SISTEMAS DE 
NUMERAÇÃO 0.5 × 2 =1.0

0× 2 = 0 
1 1 1 1
a) decimal flutuante Notação utilizada: 0.1111 → + + + = 0.9375
2 4 8 16
x = f . 10 e  f : mantissa
1 e: característica
 Optando-se por (b):
≤ f < 1
10
0.467875 x 2 = 0.9375
.
ERx < 10− t +1 truncamento 1o dígito = 0
1
ERx < 10 − t +1 arredondamento
2 ER x < 2 − t arredondamento
ER x < 2 − t +1 truncamento

b) máquina binária
c) sistema
x = f . 2e hexadecimal
1
≤ f < 1 x = f . 16 e
2
1 1
Porquê f ≥ para base 2? ≤ f < 1
2 16

Ex.: Considere-se o decimal 30: ERx < 8 x16− t arredondamento

30 = 0.9375 × 25 (a )
ERx < 16 x16− t truncamento
ou 30 =0.46875× 26 (b)

9
Exercício: obter as expressões dos erros relativos para os sistemas Apêndice ao capítulo: breves considerações sobre sistemas de
binário e hexadecimal. numeração

A tabela a seguir sumariza algumas das características de algumas

Diz-se que um computador digital tem uma precisão de t dígitos se há bases de sistemas de numeração:
t dígitos na mantissa no número de ponto flutuante. A precisão está
relacionada com o número de algarismos significativos. Também se BASE DÍGITOS DENOMINAÇÃO
diz que um computador tem t dígitos significativos se, quando os
2 0,1 binário
números são truncados, o limite do erro relativo é 10− t +1 .
8 0,1,2,...,7 octal
10 0,1,2,...,7,8,9 decimal
Exemplo: IBM 360 e 370 16 0,1,2,...,9,A,B,C,D,E,F, hexadecimal
mantissa com 6 dígitos hexadecimais
p = ? (dígitos significativos) Considere-se inicialmente o número 2526 (base 10), denotado aqui
por 252610 Este número pode ser escrito em termos de potências da
sist. decimal = 10− td +1 = 10− p +1
base como:
sist. hexadecimal = 16 x16 − th = 16 x16 −6 = 16 −5
2526 10 = 2 x 10 3 + 5 x 10 2 + 2 x 10 1 + 6 x 10 0
∴ 10 − p+1 = 16 −5
(− p + 1)ln 10 = −5 ln16
Mudança de uma base para outra
− 5 ln 16
− p +1 =
ln 10 Para conversão de um número da base 10 para qualquer uma das
5 ln 16 outras bases, divide-se o número pela base, anotando-se o quociente e
p = 1+ ⇒ p≅7
ln 10 o resto. Caso o quociente seja diferente de zero, este deverá ser
dividido pela base, anotando-se os novos valores de quociente e resto.
O processo deve ser continuado até que se obtenha um quociente igual
Exercício: computador binário com 27 bits na mantissa; p = ?
a 0. O número, na base de interesse, terá como dígitos os restos
(dígitos decimais significativos).
obtidos, justapostos em ordem contrária à de geração.

10
Exemplo: Converter 29 10 para os sistema binários, octal e
hexadecimal. Ex.: mostrar como são convertidos as representações 111012 ,
358 e 10 16 para base 10

29 2 111012 = ( 1x 2 4 + 1x 2 3 + 1x 2 2 + 0 x 2 1 + 1x 2 0 ) 10 = 29 10
(1) 14 2 29 10 = 111012 358 = ( 3x81 + 5x8 0 ) = 29 10
1016 = ( 1x161 + 13x16 0 ) = 29 10
(0) 7 2
(1) 3 2 Para conversão da representação na base 2 para as bases 8 e 16, basta
(1) 1 2 agrupar os bits da representação binária em conjuntos de
3 ( 2 3 = 8) e 4 ( 2 4 = 16) bits, respectivamente, como ilustrado no
(1) 0 exemplo a seguir.

29 8 Ex.: obter as representações nas bases 8 e 16 para o número 111012

(5) 3 8 29 10 = 358
011101
{{
(3) 0 ⇒ 111012 = 358
22 + 2 0 = 5
21 + 2 0 = 3
0001 1101
29 16 123 123
29 10 = 1D16 ⇒ 111012 = 1D16
(13) 1 16
2 3 + 2 2 + 2 0 = 13
(1) 0 20 = 1

Os exemplos a seguir ilustra a conversão de números fracionários, de

base 10 para base 2.
Para conversão da representação nas bases 2, 8 e 16, para a base 10,
basta utilizar a representação do número em termos de potência das
bases, como ilustrado no exemplo a seguir.

11
Ex.: obter a representação, na base 2, do número 0.687510 CAPÍTULO 2

0.6875 x 2 = 1. 375 RESOLUÇÃO NUMÉRICA DE EQUAÇÕES

0.375 x 2 = 0. 75
0.75 x 2 = 1. 50 INTRODUÇÃO
0.50 x 2 = 1. 00
0.00 x 2 = 0. 00 Em muitos problemas de Ciência e Engenharia há a necessidade de se
determinar um número ρ que anule uma determinada função F(x), isto
é, F(ρ ) = 0. Este número ρ é chamado de raiz da equação F(x) = 0
∴ 0.678510 = 01011
. 2
ou zero da função y= F(x).
Observar que a conversão para a base 10 segue o mesmo esquema
Classificação:
apresentado para inteiros, ou seja:
01011
. 2
= ( 1x 2 −1 + 0 x 2 −2 + 1x 2 −3 + 1x 2 −4 ) 10 = 0.687510 (i) eq. algébricas: Ex.: x 4 − 5x 3 + 6 x 2 + 4 x − 8 = 0
(ii) eq. transcendentes: Ex.: x sen x + ( x 2 + 4)e x = cos x

Ex.: obter a representação, na base 2, do número 0.110 Etapas no cálculo de uma aproximação para a raiz:
0.1 x 2 = 0.2
0.2 x 2 = 0.4 (i) isolamento da raiz: determinação de um intervalo [a,b] o menor
0.4 x 2 = 0.8 possível contendo uma e somente uma raiz da equação F(x) = 0
0.8 x 2 = 1.6 (ii) melhoramento do valor da raiz aproximada até o grau de exatidão
0.6 x 2 = 1.2 requerido.
0.2 x 2 = 0.4
0.4 x 2 = 0.8
EQUAÇÕES TRANSCENDENTES
0.8 x 2 = 1.6
0.6 x 2 = 1.2 2.1.1 ISOLAMENTO DE RAÍZES - MÉTODO GRÁFICO
.
. 10 = 0.00011001100...
01
Uma raiz real de uma equação F(x) = 0 é a abscissa de qualquer ponto
Notar que o número 01
. 10 não tem representação exata na base 2. no qual a função y = F(x) intercepta o eixo 0x:

12
 ⇒ g(x0) - h(x0) = F(x0) = 0
⇒ ρ = x0
Ex.: seja y = F(x) = ex - senx - 2

1
Exemplo: isolar todas as raízes da equação
0.5 F ( x) = x 2 − sen x − 1
= {x 2 − (sen x + 1)
g ( x)
1424 3
-2 -1 1 2 3 4 h( x)

-0.5 Gráfico de g ( x) = x 2 :
4

-1
3

Como se observa, para esta equação, ρ ≅ 1.06 .

2

Pode-se também identificar duas funções g(x) e h(x) a partir da 1

função F(x), impondo-se a condição de que F(x) = g(x) - h(x).
Constroem-se os gráficos de y1 = g(x) e de y2 = h(x). Estes se -2 -1 1 2
interceptam num ponto cuja abscissa é x = x0:

13
Gráfico de h(x) = sen x + 1: a)4 cos( x) − e 2 x = 0
2 b) x 3 − 9 x + 3 = 0
1.5
c) x log x − 1 = 0
x
1
d ) − tg x = 0
2
0.5 e) 2 x − 3 x = 0

-2 -1 1 2

2.1.2 GRAU DE EXATIDÃO DA RAIZ

Gráficos de g(x) e h(x) superpostos: Uma vez isolada uma raiz num intervalo [a,b] passa-se a calculá-la
através de métodos numéricos. Estes métodos fornecem uma
seqüência {xi}de aproximações cujo limite é a raiz exata ρ.
4

3
TEOREMA: Seja ρ uma raiz isolada exata e ρ uma raiz aproximada
2 da equação F(x)=0, com ρ e ρ pertencentes ao intervalo [a,b] e
F ' ( x) ≥ m > 0, para todo x no intervalo [a, b] .
1
Então a seguinte desigualdade se verifica:
-2 -1 1 2

F (ρ )
ρ−ρ ≤
m
Como se observa, há duas raízes reais, localizadas nos seguintes
intervalos:
ρ ∈ ( −1,0) e ρ ∈ (1, 2) .
1 2 Exemplo: Sendo F ( x) = x 2 − sen( x) − 1 , delimitar o erro cometido
com ρ = 1.4 no intervalo [1,0,1,5].
Exercício:
Localize, graficamente, as raízes das equações abaixo: Resolução:

14
F ( x) = x 2 − sen( x) − 1 ⇒ F ' ( x) = 2 x − cos( x ) xn − xn −1
( i ) F ( xn ) ≤ L (ii ) xn − xn −1 ≤ L (iii ) ≤L
xn
Designando y1 = 2 x e y2 = cos( x ), sobrepondo-se os gráficos destas
duas funções, obtém-se: Observações:
4 (a)
3

0.5 1 1.5 2

Observa-se que o menor valor (m) de F’(x) no intervalo [1,1.5] ocorre

em x = 1.0, ou seja:
m = (2)(1) – cos(1) = 1.460
(b)
F (ρ )
F (1,4) 0,025
∴ ρ−ρ ≤ = = = 0,017
m 1,460 1,46
∴ ρ − ρ = 1,4 − ρ ≤ 0,017 ⇒ 1.383 ≤ ρ ≤ 1,417

Observa-se que o cálculo de m é difícil de ser efetuado na maioria dos

casos. Por esta razão, no cálculo de uma aproximação para uma raiz
exata ρ de uma equação F(x) = 0, a cada aproximação obtida, xn,
utiliza-se um dos critérios abaixo para comparação do resultado obtido
com uma tolerância L prefixada:

15
O MÉTODO DA BISSECÇÃO

Seja y = F(x) uma função contínua num intervalo [a,b] e F(a). F(b) < 0

Interpretação geométrica:

Construção de uma seqüência { xi } = x 0 , x1 ,..., x n −1 , x n , tomando-se

ρ = x n quando algum critério escolhido dentre os anteriores, por
exemplo, x n − x n −1 ≤ L , for satisfeito:

Sob as hipóteses do teorema anterior, se h = F'(x) existe e preserva o

sinal em (a, b), então este intervalo contém um único zero de y = F(x).

Na aplicação do método, a cada xi obtido, (i ≥ 1), calcula-se

∈i = x i − x i −1 e verifica-se ∈i satisfaz alguma condição especificada.

Teorema:
Seja y = F(x) uma função contínua num intervalo [a,b]. Se
F ( a).F (b) < 0 então existe pelo menos um ponto x = ρ entre a e b
que é zero de y = F(x).
F ' ( x) > 0, ∀x ∈ [ a, b] F ' ( x) < 0, ∀x ∈ [ a, b] .

16
 Algoritmo
Aplicação do método da bisseção:
Início
 Defina F(x) = x^2-sen(x)-1
 Solicite os extremos do intervalo, a e b
( a, b) (a, xi ) se F (a).F ( xi ) < 0 Leia a, b
 Solicite a precisão P
F (a).F (b) < 0 ou
Leia P
xi = ponto médio ( xi , b) se F ( xi ).F (b) < 0 Xm=(a+b)/2
123
int
novo Repita
ervalo
Se f(a)*f(xm) < 0
Então b=xm
Senão se f(a)*f(xm) > 0
Exemplo: Então a=xm
Determinar, usando o método da bisseção uma aproximação para a Senão
raiz da equação Escreva ‘raiz = ‘, xm
Pare
F ( x) = x − 5e − x = 0 no intervalo (1,2), com ε ≤ 0.01 Fim Se
Fim Se
Resolução: Xma=xm
Até que |xm-xma| ≤ P
i a b xi F(a) F(b) F(xi) ε i = x i − x i −1
Escreva ‘aproximação ‘, (xm+xma)/2
0 1 2 1.5 -0.8 0.7 0.1 ε = x − x = 0.25 Fim
i 1 0

1 1 1.5 1.25 -0.8 0.1 -0.3

ε = x − x = 013
2
.
2 1
2 1.25 1.5 1.38 -0.3 0.1 -0.08
ε = x − x = 0.06
3 3 2
2.1.4 MÉTODO DA ITERAÇÃO LINEAR (MIL)
3 1.38 1.5 1.44 -0.08 0.1 0.02
ε = x − x = 0.03
4 1.38 1.44 1.41 -0.08 0.02 -0.03
4 4 3
O MIL consiste em transformar a equação F(x) = 0 na equação x = ϕ
ε = x − x = 0.02 (x), tal que F ( x ) = x − ϕ ( x ) = 0 , onde ϕ ( x ) é chamada de função de
5 1.41 1.44 1.43 -0.03 0.02 -0.0007 5 5 4

6 1.43 1.44 1.44 -0.0007 0.02 0.02

ε = x − x = 0.01
6 6 5
iteração.

Assume-se para aproximação da raiz o último valor obtido para xi, ou Suponha que xo corresponda a uma primeira aproximação de ρ;
seja, ρ = 1.44 . geramos uma seqüência do seguinte modo:

17
 xo
x1 = ϕ (xo) (c ) x 2 − sen x = 0
x2= ϕ (x1) x/ 2 − sen x − x/ 2 = − x 2
xn+1= ϕ (xn) sen x = x 2
Se {xn} é uma seq. convergente, então ∃ ρ tal que x = arc sen x 2
lim x n = ρ ∴ϕ 3 ( x ) = arc sen x 2
n →∞

Como ϕ é contínua:
ρ = lim x n = lim ϕ ( x n −1 ) = ϕ (lim x n−1 ) = ϕ ( ρ ) Exemplo:
n →∞ n →∞ n→∞ Determinar uma aproximação para a raiz da equação
Portanto, quando n → ∞, x n +1 = ϕ ( x n ) → ρ = ϕ ( ρ ). Ou seja, ρ = ρ . F ( x ) = x 2 − sen x − 1 = 0 no intervalo [1.0, 1.5], com grau de exatidão
∈≤ 10 −3 usando o M.I.L.
Exemplo:
Solução:
Seja F ( x) = x 2 − sen( x) = 0 . Obter funções de iteração para esta
equação. Função de iteração:
F ( x ) = x 2 − sen x − 1 = 0
Solução: ⇒ x 2 = sen x + 1
(a) x2 - sen x = 0 ⇒ x = sen x + 1
x + x2 - sen x = x ∴ϕ (x ) = sen x + 1
∴ϕ1 ( x ) = x + x − sen x
2

Processo Iterativo:
xn +1 = ϕ (xn ) ⇒ xn +1 = sen ( xn ) + 1 ε n = xn − xn −1 ≤ 10 − 3
(b ) x 2 − sen x = 0
xo = 1.3
x 2 − sen x + sen x = sen x
x1 = ϕ ( xo ) = sen (1.3) + 1 = 1.4013
x = ± senx
ε1 = x1 − xo = 1.4013 − 1.3 = 0.1013 > 0.001
∴ϕ 2 (x ) = sen x

18
x2 = ϕ ( x1 ) = sen (1.4013) + 1 = 1.4091 x3 = ϕ ( x2 ) =
5
= 3.333
ε 2 = x2 − x1 = 1.4091 − 14013 = 0.0078 > 0.001 1.5
5
x3 = ϕ ( x2 ) = sen (1.4091) + 1 = 1.4096 ∴ xn +1 = ϕ ( xn ) = não converge para a raiz da equação
xn
ε 3 = x3 − x2 = 1.4096 − 14091 = 0.0005 < 0.001
F(x ) = x 2 − a = 0
∴ ρ = 14096
.
(b) tentativa com uma função de iteração mais trabalhada:
com grau de exatidão ≤ 10 −3 a
()
Obs.: F ρ = (1.4096 ) − sen (1.4096 ) − 1 = −6.38 x10 −5 .
2 x2 − a = 0 ⇒ x2 = a ⇒ x =
x
a 1 a
x + x = + x ∴x =  x + 
x 2 x
Exemplo:
1 a
Seja determinar, iterativamente, uma aproximação para 5 . xn +1 = ϕ ( xn ) ∴ xn +1 =  xn + 
2 xn 
(a) tentativa com a função de iteração simplificada:
x2 − a = 0 a = 5 1 a
 xn +1 =  xn + 
(função de iteração : x = ϕ(x))  x0 = 1.5 2 xn 
x2 = a
a
x=
a ϕ ( x) =
x
x TOLERÂNCIA : ε ≤ 10-3
a = 5 a cada passo : ε n = xn − xn −1

 x0 = 1.4
xn +1 = ϕ ( xn ) x0 = 1.5
 1 5  1 5 
∴x0 = 1.5  x1 = ϕ ( x0 ) =  x0 +  = 1.5 +  = 2.417
 2 x0  2  1.5 
5 
x1 =ϕ ( x0 ) = ϕ (1.5) = = 3.333 ε1 = 2.417 − 1.5 = 0.917
1.5
5
x2 = ϕ ( x1 ) = = 1.5
3.333
19
 1 5 
 x2 = ϕ ( x1 ) =  2.417 +  = 2.243
2 2.417 
 F (x ) = 0
ε = 2.443 − 2.417 = 0.174  x = ϕ (x )
 2

 1 5   x0
M .I .L.
 x3 = ϕ ( x2 ) =  2.243 +  = 2.236
 2 2.243   x1 = ϕ ( x0 )
ε = 2.236 − 2.243 = 0.007  x2 = ϕ (x1 )
 3 
 x3 = ϕ ( x2 )
 1 5 
 x4 = ϕ ( x3 ) =  2.236 +  = 2.236
 2 2.236 
ε = 2.236 − 2.236 < 10− 3
 4
x = ϕ (x ) ⇒ x − ϕ (x ) = 0 xn → ρ pela direita
∴ ρ = 2.236 ⇒ ρ ≅ 2.236
F ( x ) = g ( x ) − h(x ) = 0 y = g (x ) é bissetriz!
Obs.: 5 = 2.2360679 K onde : g(x ) = x (g ' (x ) = 1)
h (x ) = ϕ ( x )

Convergência no M.I.L.
∴ ϕ '( x ) < 1 numa vizinhança de ρ.
Para o caso da equação x = 5 , com x o = 1.5, observamos que:
Observe-se agora a situação ilustrada na figura a seguir:
5
ϕ1 ( x ) = não converge
x
1 5
ϕ 2 ( x ) =  x +  converge
2 x
Por quê? Para concluir sobre isto, basta verificar o comportamento do
M.I.L. geometricamente. Observe-se inicialmente a situação ilustrada
na figura a seguir:

20
 Teorema da Convergência de M.I.L.:

Seja xo uma aproximação para a raiz ρ da equação F(x) = 0 numa

vizinhança I = [ρ − δ , ρ + δ ]. Seja ϕ uma função de iteração para a
equação F(x) = 0 e suponha-se que ϕ e ϕ ' sejam contínuos em I.
Então, se ϕ ' ( x ) < 1, ∀x ∈ I , a sequência gerada por
xn +1 = ϕ ( xn ), n = 0,1,2,3, K converge para ρ.

Observação: como o valor de ρ é desconhecido, substitui-se o valor de

xo na derivada para se concluir sobre a convergência.

Esboço da demonstração:
ϕ ' ( x) > 1 numa vizinhança de ρ .
M.I.L.
A figura a seguir ilustra a situação de “convergência alternada”. xn − ρ = ϕ ( xn − 1 ) − ϕ ( ρ )

Teorema do valor médio:

ϕ ' ( x) < 1

∴ xn − ρ = ϕ ( xn −1 ) − ϕ ( ρ ) = ϕ ' (ε ) xn −1 − ρ

21
Seja L o valor máximo de ϕ ' ( x ) no intervalo I, ou seja, ϕ ' ( x ) ≤ L no
(b ) ϕ 2 (x ) = 1  x + a 
intervalo I. 2 x
∴ xn − ρ ≤ L xn −1 − ρ 1 a 
ϕ 2' ( x ) = 1 − 
Do mesmo modo 2 x2 
1 5  1
xn −1 − ρ ≤ L xn − 2 − ρ ⇒ xn − ρ ≤ L2 xn − 2 − ρ ϕ 2' ( x0 ) = 1 −  = (1 − 2.222 ) = 0.611 < 1
2  1.96  2
continuando
∴ xn − ρ ≤ Ln x0 − ρ ϕ 2 converge para ρ
Se L 〈 1 em todo intervalo, ∀ x0 ε I , n aumentando ⇒ xn → ρ

∴ ϕ ' (x ) 〈 1 o processo converge  Observações:

∀ x ε I (1) A maior dificuldade de M.I.L. está em encontrar uma função
ϕ ' (x ) 〉 1 o processo diverge 
de iteração ϕ satisfazendo o critério de convergência.
(2) O teste ϕ ' ( x0 ) < 1 pode levar a um engano se xo não estiver
suficientemente próximo da raiz.
Exemplo: estudar a convergência das funções de iteração do exemplo
anterior. (3) A velocidade de convergência dependerá de ϕ ' ( ρ ) : quanto
menor este valor, mais rapidamente o processo convergirá.
Resolução:
F (x ) = x 2 − a = 0 a=5 x0 = 1.5 Exemplo:

(a )ϕ1 (x ) = a F (x ) = x 2 − a = 0
x a
a ϕ (x ) =
ϕ1' (x ) = − x
x2 a = 5
a 5 5  (ρ ≅ 2.2360679)
ϕ1' ( x0 ) = 2 = = = 2.222 > 1  x0 = 3
x0 (1.5) 2
2.25
a 5
ϕ1 não converge para ρ ϕ ' ( x0 ) = − 2
= = 0.555 < 1
x0 9

22
 1
ϕ 3' (x ) = ⋅ 2x
Aplicação: 1 − x4
x0 = 3 No ponto x 0 = 0.9 :
5
x1 = ϕ ( x0 ) = = 1.667 ϕ1' ( x0 ) = ϕ1' (0.9 ) = 2 ⋅ (0.9 ) + 1 − cos(0.9) = 2.178 > 1
3
cos(0.9) 0.622
5 ϕ 2' ( x0 ) = ϕ 2' (0.9 ) = = = 0.351 < 1
x2 = ϕ ( x1 ) = = 2.999 2 sen (0.9 ) 2.0885
1.667
2.0.9
x3 = ϕ (x2 ) =
5
= 1.667 não converge! ϕ 2' ( x0 ) = ϕ 2' (0.9 ) = = 3.069 > 1
1 − (0.9)
4
2.999

Exemplo: estudar a convergência das funções de iterações obtidas ∴ Somente ϕ 2 (x ) deverá convergir.
anteriormente para a equação
F ( x ) = x 2 − sen x = 0 para x0 = 0.9 , Isolamento da raiz:
obter uma aproximação para a raiz da equação. F ( x ) = x 2 − sen x
= g (x ) − h(x )onde g ( x ) = x 2 e h( x ) = sen x.
Sol.:
ϕ1 ( x ) = x 2 + x − sen x 

ϕ 2 ( x ) = sen x  funções de iteração

ϕ 3 ( x ) = arc sen x 2 

Derivadas:
ϕ1' ( x ) = 2 x + 1 − cos x
1
ϕ 2' ( x ) = ⋅ cos x Aplicação de M.I.L x0 = 0.9 e ϕ ( x ) = ϕ 2 ( x ) = sen x ε 〈 10 −3
2 sen x

23
x0 = 0.9 Adaptado para determinar uma aproximação para a raiz da equação
x1 = ϕ ( x0 ) = sen (0.9 ) = 0.885 ε1 = 0.015 F ( x ) = x 2 − sen x − 1 = 0 , usando a função de iteração:
ϕ ( x ) = sen x + 1
x2 = ϕ (x1 ) = sen (0.885) = 0.879 ε 2 = 0.006
x3 = ϕ ( x2 ) = sen (0.879) = 0.878 ε 3 = 0.001 Início (* MIL*)
Defina Fi(x) = sen x + 1
x4 = ϕ ( x3 ) = sen (0.878) = 0.877 ε 4 = 0.001 Solicite a aproximação inicial (x0)
x5 = ϕ ( x4 ) = sen (0.877 ) = 0.877 ε 5 〈 10-3 Leia Xv
Solicite a precisão (E)
ρ = 0.877 é uma aproximação para ρ Leia E
Solicite o limite de iterações (N)
Obs.: Leia N
()
F ρ = F (0.877 ) = (0.877 ) − sen (0.877 ) = 3.051x10 −4
2 Para i de 1 até N
Faça
Xn = Fi(Xv)
Se |Xn – Xv| ≤ E
Exercícios: Então
Escreva “aprox “,Xn,“
(1) Calcular a raiz da equação F ( x ) = x 2 + ln x = 0 com ε ≤ 0.01. com “,i,“ iteracoes”
Saia da repetição
(
Usar o M.I.L. R : ρ = 0.65 ) Senão
(2) Calcular a raiz da equação F (x ) = x 3 − 10 = 0 com ε ≤ 0.01. Xv=Xn
(
Usar o M.I.L. R : ρ = 2.15 ) Fim Se
Fim para
(3) Calcular a raiz da equação F ( x ) = x 2 + e3 x − 3 = 0 , Se |Xn – Xv| > E
Então
com ε ≤ 10-3 , usando o M.I.L. ( R: ρ = 0.3521) Escreva “Aplicação não converge ou “
Escreva “grau de exatidão não”,
“ pode ser alcançado com “,
Algoritmo: N, “ iterações”
Fim Se
Fim (* MIL *)

24
MÉTODO DE NEWTON - RAPHSON (N-R)
Resolução:
Descrição
y = F ( x) = x 2 − sen x − 1
Seja I um intervalo contendo a raiz ρ da equação F(x) = 0. Suponha-se y ' = F ' ( x) = 2 x − cos x
que F'(x) ≠ 0 ∀x ∈ I .
F ( x) F ( x) F ( x) Equação para iteração:
F(x) = 0 ⇒− =0 ⇒ x− = x ∴ϕ ( x) = x −
F ' ( x) F ' ( x) F ' ( x)  xk 2 − sen xk − 1
F ( xk )
xk +1 = xk − ∴ xk +1 = xk −  
F ( xn ) ( N − R) F ' ( xk )  2 xk − cos xk 
∴ xn +1 = xn −
F ' ( xn ) n = 0,1,2,...
x0 = 1.3

 (1.3) 2 − sen(1.3) − 1   − 0.2736 

Como no M.I.L., o objetivo é gerar uma seqüência {xn} a partir de x1 = 1.3 −   = 1.3 −   = 1.4173
uma aproximação inicial xo:  2(1.3) − cos(1.3)   2.3325 
F ( x0 ) −3
x1 = ϕ ( x0 ) = x0 − ε1 = x1 − x0 = 1.4173 − 1.3 = 0.1173 > 10
F ' ( x0 )
F ( x1 )  (1.4173) 2 − sen(1.4173) − 1  0.0205
x2 = ϕ ( x1 ) = x1 − x2 = 1.4173 −   = 1.4173 − = 1.4097
F ' ( x1 )  2.(1.4173) − cos(1.4173)  2.6817
M M ε 2 = x2 − x1 = 1.4097 − 1.4173 = 0.0076
F ( xn )
xn +1 = ϕ ( xn ) = xn −  (1.4097 ) 2 − sen(1.4097 ) − 1  2.02 x10
−4
F ' ( xn ) x3 = 1.4097 −   = 1.4097 − = 1.4096
Encontra-se portanto uma aproximação xn+1 de ρ.  2.(1.4097 ) − cos(1.4097 )  2.6590
−3
ε 3 = x3 − x2 = 1.4096 − 1.4097 = 0.0001 < 10

Exemplo: ∴ ρ = 1.4096

Seja calcular uma aproximação para a raiz da eq. F(x) = x2 - senx - 1 Interpretação Geométrica
= 0 no intervalo [1.0, 1.5], com grau de exatidão ε ≤ 10−3 , utilizando
o método de N-R e adotando x0 = 1.3 .

25
 Obtenção da fórmula de N-R a partir do desenvolvimento de
y= f(x) em série de Taylor

Fórmula de Taylor :
 f " ( x ) .( x − x0 ) 2 + ...
f(x) = f(x 0 ) + f ′( x0 )( x − x0 ) + 0

 2!
F ( xn +1 ) = F ( xn ) + F ′( xn )( xn +1 − xn ) = 0 n = 0,1,2...
⇒ F ( xn ) + F ′( xn )( xn +1 − xn ) = 0
F ( xn )
⇒ + xn +1 − xn = 0
F ′( xn )
F ( x1 ) − 0 F ( x0 ) − 0
tgβ = = F ′( x1) tgα = = F ′( x0 )
x1 − x2 x0 − x1 F ( xn )
⇒ xn +1 = xn − n = 0,1,2...
⇒ F ( x0 ) = F ′( x0 ) ( x0 − ( x1 )
F ′( xn )
⇒ F ′( x1 ) ( x1 − x2 ) = F ( x1 )
F ( x1 ) F ( x0 )
⇒ −( x1 − x2 ) = − ⇒− = x1 − x0
F ′( x1 ) F ′( x0 )
SOBRE A CONVERGÊNCIA DO MÉTODO
F ( x1 ) F ( x0 )
⇒ x2 = x1 − ⇒ x1 = x0 − Para que um processo iterativo x = ϕ( x ) seja convergente, devemos ter
F ′( x1 ) F ′( x0 )
ϕ ′( x) < 1, ∀ x ∈ I 0 , onde I0 é uma vizinhança da raiz ρ da equação
F(x)=0.
O método de N-R é conhecido como método das tangentes. F ( x)
ϕ ( x) = x −
F ′( x )
2 2
F ( xn ) ( N − R) [ F ′( x ).F ′( x ) − F ( x ).F " ( x )] ( F ′( x )) − ( F ′( x )) + F ( x ).F " ( x )
∴ xn +1 = xn − ⇒ ϕ ′( x ) = 1 − =
2 2
F ' ( xn ) n = 0,1,2,... ( F ′( x )) ( F ′( x ))
F ( x ).F " ( x )
=
2
( F ′( x))

Portanto, o processo será convergente se

26
 F ( x).F " ( x) Resolução:
ϕ ′( x) = <1
[ F ′( x)]2
(a) M.I.L
Observe-se que: 1 cos x
ϕ ( x) = sen x + 1 ∴ϕ ′( x) = . cos x =
x = ρ ⇒ F (ρ) = 0 2 sen x + 1 2 sen x + 1
F ( ρ ).F " ( ρ ) cos(1.3)
ϕ ′( ρ ) = = 0 <1 ϕ ′( x0 ) = = 0.954 < 1
[ F ′( ρ )]2 2 sen(1.3) + 1 1424 3
∴ se x 0 estiver suficientemente próximo da raiz, a aplicação do
Se F’ e F’’ são contínuos em I, ϕ’ é contínua em I e, portanto, desde
que ϕ ′ (ρ) = 0 , existe uma vizinhança I′ ⊂ I tal que ϕ ′( x) < 1 ∀x ∈ I '. método deverá ser convergente.

(b) método de N-R

F ( x).F " ( x)
ϕ ′( x) =
F ′( x) 2
F ( x) = x 2 − sen x − 1, F ′( x) = 2 x − cos x, F " ( x) = 2 + sen x

∴ ϕ ′( x0 ) =
F ( x0 ).F " ( x0 ) [
=
]
(1.3) 2 − sen(1.3) − 1 [2 + sen(1.3)]
F ′( x0 ) 2 [ 2.(1.3) − cos(1.3) 2]
= 0.1490 < 1
14243
∴ se x 0 estiver suficientemente próximo da raiz, a aplicação do
Conclusão: o método de N-R, quando pode ser aplicado, é sempre
convergente. A dificuldade está em determinar este método deverá ser convergente.
subintervalo I´ onde seguramente ϕ′ ( x ) < 1 .
APLICABILIDADE DO MÉTODO N-R (Teorema de Fourier)
Exemplo:
Para o problema de se determinar uma aproximação para a raiz da eq. É condição suficiente para a convergência do método de N-R que
F( x ) = x 2 − sen x − 1 = 0 no intervalo [1.0, 1.5], com x 0 = 1. 3 , estudar F´(x) e F"(x) não se anulem e mantenham sinais constantes numa
quanto à convergência as funções de iterações utilizadas nos métodos vizinhança I de uma raiz ρ da equação F(x)=0 e que o processo se
M.I.L. e N.R. inicie num ponto x0 ∈ I tal que F ( x0 ).F " ( x0 ) > 0 .

27
Exemplo: 2
(b ) F ( x0 ) = F ( 0.9) = (0.9) − sen(0.9) = 0.03
Calcular a raiz da equação F ( x) = x 2 − sen x = 0 usando o método de
F " ( x0 ) = F " (0.9) = 2 + sen(0.9) = 2.783
N-R ( x0 = 0.9;∈< 10 −3 )
F ( x0 ).F " ( x0 ) > 0
Resolução:
 x 2 − sen xn 
F ( xn ) 2
F ( x) = x − sen x xn +1 = xn −  n 
xn + 1 = xn −  2 xn − cos xn 
 
F ′( xn ) F ′( x) = 2 x − cos x
x0 = 0.9
2
( x − sen xn )
⇒ xn + 1 = xn − n
2 xn − cos xn x1 = 0.9 −
2
[
(0.9) − sen(0.9)
= 0.9 −
]0.0267
= 0.8773
2.(0.9) − cos( 0.9) 1.1784
ε1 = 0.8773 − 0.9 = 0.0227

Condições para convergência:

x2 = 0.8773 −
[(0.8773)2 − sen(0.8773] = 0.8773 − 6.395 x10−4 =
(a) F ′( x) = 2 x − cos x 2.(0.8773) − cos( 0.8773) 1.1154
F " ( x) = 2 + sen x = 0.8767
−3
ε 2 = 0.8767 − 0.8773 = 0.0006 < 10

Conclui-se, pelo método grãfico, que ρ ∈( 0.5,1) com relação a F´(x): ∴ ρ = 0.8767

Exemplo:
∴ ∀x ∈ (0.5,1.0) Calcular a raiz da equação F(x) = 2x - cos x usando o método de N-R
F ′( x) = 21x4
−4cos
24 >30
x4 (
∈< 10 −4 )
.preserva sinal
.não se anula
Resolução:

Com relação a F"(x):

∀x ∈ (0.5,1.0), F " ( x) = 2 + sen x > 0.

28
 (b) F ( x0 ).F " ( x0 ) > 0
x0 = 0
F ( x0 ) = 2.0 − cos 0 = −1 < 0
F " ( x0 ) = cos 0 = 1 > 0
F(x) = g(x)
{ - h(x)
{ ⇒ F ( x0 ).F " ( x0 ) < 0
2x cos x

x0 = 0.5
F ( x0 ) = 2.(05)-cos(0.5) = 1 - 0.878 = 0.12 > 0
∴ ρ ∈ [0,0.5] F " ( x0 ) = cos(0.5) = 0.878 > 0
⇒ F ( x0 ).F " ( x0 ) > 0
Função de iteração
Aplicação do método de N-R
F ( xn )
xn + 1 = x n − n = 0,1,2... (2 xn − cos xn )
F ′( xn ) xn + 1 = x n −
2 + sen xn
F ( x) = 2 x − cos x (2 xn − cos xn )
⇒ xn + 1 = xn − x0 = 0.5
F ′( x) = 2 − sen x 2 + sen xn
x1 = 0.5 −
[2.(0.5) − cos(0.5)] = 0.5 − 0.1224 = 0.4506
(2 x − cos x)
∴ϕ ( x ) = x − 2 + sen 0.5 2.4794
2 + sen x
ε1 = x1 − x 0 = 0.4506 − 0.5 = 0.0494

x2 = 0.4506 −
[2.(0.4506) − cos(0.4506)] = 0.4506 − 1.014 x10− 3
Condições para convergência (suficientes)
2 + sen(0.4506) 2.4355
F ′( x) = 2 + sen x = 0.4502
ρ ∈ [0,0.5]
F " ( x) = cos x ε 2 = x2 − x1 = 0.4502 − 0.4506 = 0.0004
∀ x ∈ [0,0.5]
x3 = 0.4502 −
[2.(0.4502) − cos(0.4502)] = 0.4502 − 3.99 x10 − 5
F ′( x) > 0 
não se anulam e preservam o sinal na vizinhança. 2 + sen(0.4502) 2.4355
F " ( x) > 0
= 0.4502

29
∴ ε 3 = x3 − x2 < 10 −4
Início (* N-R *)
∴ ρ = 0.4502 Defina F(x) = 2x-cos(x)
Defina DF(x) = 2 + sen(x)
Solicite a aproximação inicial (x0)
Exercício Leia Xv
Dada a função: Solicite a precisão (E)
F(x) = x ln x - 1 = 0 Leia E
pede-se calcular uma aproximação para a sua raiz usando o método de Solicite o limite de iterações (N)
Leia N
N-R com ∈≤10 −4 (ρ = 1.763) Para i de 1 até N
Faça
Xn = xv – F(xv)/DF(xv)
Exercício: Se |Xn – Xv| ≤ E
Usando o método de N-R determine a menor raiz positiva das Então
equações abaixo. Escreva “aprox “,xn,“
x com “,i,“ iteracoes”
(a ) − tgx = 0 (ρ = 4.2748) Saia da repetição
2 Senão
(b)2 cos x = e x / 2 (ρ = 0.754) Xv=Xn
Fim Se
(c ) x 5 − 6 = 0 (ρ = 1.43097 ) Fim para
−4
Considere ε ≤10 . Se |Xn – Xv| > E
Então
Escreva “Aplicação não converge ou “
Exercício: Escreva “grau de exatidão não”,
” pode ser alcançado com “,
Seja F(x) = ex - 4x2 . Obter uma aproximação para ρ com ε ≤10 −4 N, “ iterações”
usando o método de N-R ( ρ = 0. 7148 ) Fim Se
Fim (* N-R *)

Algoritmo:

Adaptado para determinação de uma aproximação para a raiz da eq.

F(x) = 2x - cos(x) = 0 através do método de N-R.

30
 P" ( x ) = 12 x 2 − 30 x + 12
2.2 ESTUDO DAS EQUAÇÕES ALGÉBRICAS
⇒ P" (2) = 12.2 2 − 30.2 + 12 = 48 − 60 + 12 = 0
2.2.1 INTRODUÇÃO P' ' ' ( x ) = 24 x − 30
⇒ P' ' ' (2 ) = 48 − 30 = 18 ≠ 0
Seja uma equação algébrica (polinomial) de grau n(n ≥ 1) : ∴ ρ = 2 é raiz e tem multiplicidade 3.
P(x ) = an x n + an −1 x n −1 + an − 2 x n − 2 + ... + a1 x + a0 = 0
onde os coeficientes ai são números reais e a n ≠ 0 2.2.2 VALOR NUMÉRICO DE UM POLINÔMIO

Dado um polinómio P( x ) , um problema que se coloca é o de calcular

TEOREMA FUNDAMENTAL DA ÁLGEBRA o valor numérico de P( x ) para x = x0 , ou seja, P( x0 ) . Observe-se que
Todo eq. algébrica de grau n, n ≥ 1, tem exatamente n raízes, que n(n + 1)
podem ser reais ou complexas, e não necessariamente distintas. o cálculo de P( x0 ) requer n adições e multiplicações. De
2
fato:
Uma raiz ρ da equação P( x ) = 0 é dita ter multiplicidade m se:
P( ρ ) = ρ ' ( ρ ) = P" ( ρ ) = ... = P ( m −1) ( ρ ) = 0 e P( x0 ) = an x0n + an −1 x0n −1 +...+ a1 x0 + a0
{ 1 424 3 {
P (m ) (ρ ) ≠ 0 n n −1 1

produtos produtos produto

Exemplo: n(n + 1)
n + (n − 1) + (n − 2 ) + ... + 2 + 1 =
Mostrar que ρ = 2 é raiz da equação algébrica 2
P(x ) = x 4 − 5 x 3 + 6 x 2 + 4 x − 8 = 0
com multiplicidade m = 3 n.(a1 + an )
P. A. : S n =
2
Solução: com a1 = n, an = 1, número de termos = n.
P(2 ) = 2 4 − 5.2 3 + 6.2 2 + 4.2 − 8 = 16 − 40 + 24 + 8 − 8 = 0
P' (x ) = 4 x 3 − 15 x 2 + 12 x + 4 Então, se o grau n do polinômio for elevado (digamos, n ≥ 20 ), o
cálculo de P( x0 ) , além de se tornar muito laborioso, é também
⇒ P' (2) = 4.2 3 − 15.2 2 + 12.2 + 4 = 32 − 60 + 24 + 4 = 0
ineficiente do ponto de vista computacional.

31
Exemplo: an x n + an −1 x n −1 + L + a1 x + a0 =
Dado o polinômio
P( x ) = 3 x 9 + 2 x8 − 10 x 7 + 2 x 6 − 15 x 5 − 3 x 4 + 2 x 3 − 16 x 2 + 3 x − 5
(b x
n
n −1
)
+ bn −1 x n − 2 + L + b2 x + b1 ( x − c ) + r

seja determinar P(2 ) . = bn x n + (bn −1 − cbn )x n −1 + (bn − 2 − cbn −1 )x n − 2 +

L + (b2 − cb3 )x 2 + (b1 − cb2 )x − cb1 + r
Resolução:
P(2 ) = 3.29 + 2.28 − 10.27 + 2.26 − 15.25 − 3.2 4 + 2.23 − 16.22 + 3.2 − 5 Obtém-se, da redução a termos semelhantes:
bn = an
⇒ P(2 ) = 321
bn −1 = c.bn + an −1
bn − 2 = c.bn −1 + an − 2
2.2.3 MÉTODO DE BRIOT-RUFFINI M
b1 = c.b2 + a1
Dado o polinômio P( x ) = an x n + an −1.x n −1 + K + a1 x + a0 ,
r = c.b1 + a0
dividindo-se P ( x ) pelo binômio (x − c ) , obtém-se a igualdade:

Ou, equivalentemente,
P(x ) = (x − c ) Q
{ (x ) + {r bn = an
polinômio resto da
quociente divisão
bn − k = c.bn − k +1 + an − k 1 ≤ k ≤ n − 1 (algoritmo de Briot - Ruffini)
r = c.b1 + a0
onde Q( x ) é da forma:

Q (x ) = bn x n −1 + bn −1.x n − 2 +L + b2 x +b1
EXEMPLO: Seja dividir
Como determinar os coeficientes bi , i = 1,L,n e o resto r? P(x ) = x 3 − 7 x 2 + 16 x − 10
pelo binômio (x − 2 ) , usando o método de Briot-Ruffini
P( x ) = Q (x )(x − c ) + r
P( x ) = an x n + an −1 x n −1 + L + a1 x + a0 Solução:
Q (x ) = bn x n −1
+ bn −1 x n−2
+ L + b2 x + b1 P( x ) = ( x − 2).Q( x ) + r
Q( x ) = b3 x 2 + b2 x + b1

32
Cálculo dos bi's i = 1, 2 , 3 ∴ Q( x ) = x 2 − 10 x + 46
b3 = a3 = 1 R = −148
b2 = c.b3 + a2 = 2.1 + (− 7 ) = −5
b1 = c.b2 + a1 = 2.(− 5) + 16 = 6 Observe-se que: P(− 3) = (− 3) − 7.(− 3) + 16(− 3) − 10 = − 148
3 2

Cálculo do resto:
r = cb1 + a0 = 2.6 + (− 10 ) = 2 Teorema: o valor numérico de P ( x ) em x = c é igual ao resto da
∴ Q (x ) = x − 5 x + 6
2
divisão de P(x ) por (x − c )
r=2 Demonstração:

Usando o dispositivo prático de Briot-Ruffini: P ( x ) = ( x − c )Q ( x ) + r

ai 's44444448
644444447 x=c
⇒ P (c ) = (c − c ).Q (c ) + r
1 −7 16 -10
⇒ P (c ) = r
2 2 − 10 12
1 −5 6 2
144
42444
3 {
bi 's r Exemplo:
Dado o polinômio
P( x ) = 3 x 9 + 2 x8 − 10 x 7 + 2 x 6 − 15 x 5 − 3 x 4 + 2 x 3 − 16 x 2 + 3 x − 5, seja
Exemplo: Seja dividir calcular P (2 ) usando o dispositivo prático de Briot-Ruffini.

P(x ) = x 3 − 7 x 2 + 16 x − 10
Resolução:
Pelo binômio (x + 3) , usando o dispositivo prático de Briot-Ruffini.
3 2 -10 2 -15 -3 2 -16 3 -5
Resolução:
2 6 16 12 28 26 46 96 160 326
1 −7 16 -10 3 8 6 14 13 23 48 80 163 321
-3 −3 30 -138
1 − 10 46 -148 ∴P(2 ) = 321

33
 ∴ P (2 ) = −10 e P ' (2) = −16
Teorema: o valor numérico da derivada de P (x ) para x = c é igual ao
resto da divisão de Q( x ) por ( x − c ) , onde Q ( x ) é o polinômio Observe-se que:
quociente da divisão de P (x ) por (x − c ) . P( x ) = x3 − 2 x 2 − 20 x + 30
( )
⇒ P(x ) = x 2 − 2 x − 20 x + 30 = (( x − 2 )x − 20 )x + 30
Demonstração: ∴ P (2 ) = ((2 − 2 ) ⋅ 2 − 20 )2 + 30 = −40 + 30 = −10
P ( x ) = ( x − c ).Q (x ) + r
cons tan te P' ( x ) = 3 x 2 − 4 x − 20 = (3x − 4 )x − 20
P ' (x ) = Q( x ) + Q ' ( x )( x − c ) ⇒ P ' (2 ) = (3.2 − 4 ) ⋅ 2 − 20 = 4 − 20 = −16
para x = c, temos :
P ' (c )= Q(c )+ Q ' (c ).(c − c )= Q(c )
⇒ P ' (c ) = Q(c ) 2.2.4 MÉTODO DE HORNER

P( x ) = an x n + an −1 x n −1 + L + a2 x 2 + a1 x + a0
Pelo teorema anterior sabemos que Q(c ) é igual ao resto da divisão de (
= an x n −1 + an −1 x n − 2 + L + a2 x + a1 x + a0 )
Q( x ) pelo binômio (x − c ) . = ((a x n−2
+ an −1 x n −3
)
+ L + a2 x + a1 )x + a0
n

M
Exemplo: = ({
(L(an x + an −1 ) x + L + a2 )x + a1 )x + a0
Dado o polinômio P( x ) = x 3 − 2 x 2 − 20 x + 30 = 0
n −1

seja calcular P ' (2 ) usando o dispositivo prático de Briot-Ruffini.

Exemplo:
Resolução: Dado P( x ) = 2 x 4 − 5 x3 − 2 x 2 + 4 x − 8 , calcular P(3) (Horner).

1 -2 -20 +30
Resolução:
2 2 0 -40
P(x ) = 2 x 4 − 5 x3 − 2 x 2 + 4 x − 8
1 0 -20 -10
2 2 4
(
= 2 x3 − 5x 2 − 2 x + 4 x − 8 )
1 2 -16 = ((2 x 2
− 5 x − 2 )x + 4 )x − 8
= (((2 x − 5)x − 2 )x + 4 )x − 8

34
∴P(3) = (((2.3 − 5) ⋅ 3 − 2 ) ⋅ 3 + 4 ) ⋅ 3 − 8 ⇒ P(3) = 13 2.2.5 MÉTODO DE BIRGE-VIETA

O algorítmo obtido quando usamos os resultados dos teoremas

Exemplo: anteriores para aplicar o método de N-R é chamado de método de
Dado P( x ) = 3 x 9 + 2 x8 − 10 x 7 + 2 x 6 − 15 x 5 − 3 x 4 + 2 x 3 − 16 x 2 + 3x − 5, Birge-Vieta:
calcular P(2 ) pelo método de Horner.
P( xn )
xn +1 = xn − n = 0,1,2,...
P' ( xn )
Resolução:
onde:
P( x ) = 3 x 9 + 2 x 8 − 10 x 7 + 2 x 6 − 15 x 5 − 3 x 4 + 2 x 3 − 16 x 2 + 3 x − 5
( )
= 3 x8 + 2 x 7 − 10 x 6 + 2 x 5 − 15 x 4 − 3 x 3 + 2 x 2 − 16 x + 3 x − 5 P( xn ) é o resto da divisão de P( x ) por (x − xn ) P' (xn ) é o resto da
= ((3 x + 2 x − 10 x + 2 x − 15 x − 3x + 2 x − 16 )x + 3)x − 5
7 6 5 4 3 2
divisão do quociente obtido quando do cálculo da divisão de P( xn )
= (((3x + 2 x − 10 x + 2 x − 15 x − 3 x + 2 )x − 16 )x + 3)x − 5
6 5 4 3 2
pelo binômio (x − xn ) .
= ((((3 x + 2 x − 10 x + 2 x − 15 x − 3)x + 2 )x − 16 )x + 3)x − 5
5 4 3 2

= (((((3x + 2 x − 10 x + 2 x − 15)x − 3)x + 2 )x − 16 )x + 3)x − 5

4 3 2

Exemplo:
= ((((((3 x + 2 x − 10 x + 2 )x − 15)x − 3)x + 2 )x − 16 )x + 3)x − 5
3 2
Calcule uma aproximação ρ para a raiz ρ de
= (((((((3 x + 2 x − 10)x + 2 )x − 15)x − 3)x + 2 )x − 16 )x + 3)x − 5
2

= ((((((((3 x + 2 )x − 10)x + 2)x − 15)x − 3)x + 2 )x − 16)x + 3)x − 5 p( x ) = 3 x3 − 76 x 2 + 163 x − 46 no intervalo (20,25) tal que ε < 10−2 ,
usando o método de Brige-Vieta. Assumir x 0 = 22 . 5 como
aproximação inicial da raiz.
∴ P(2 ) = ((((((((3 ⋅ 2 + 2 ) ⋅ 2 − 10 )2 + 2 )2 − 15)2 − 3)2 + 2 )2 − 16)2 + 3)2 − 5 = 321

Resolução:
Observe-se que é possível obter a forma fatorada final diretamente,
Cálculo de x1 :
em um único “passo”:
P( x0 ) P(22.5)
P( x ) = −5 + 3 x − 16 x 2 + 2 x 3 − 3 x 4 − 15 x 5 + 2 x 6 − 10 x 7 + 2 x8 + 3 x9 x1 = x0 − = 22.5 −
P' ( x0 ) P' (22.5)
= −5 + x(3 + x(− 16 + x(2 + x(− 3 + x(− 15 + x(2 + x(− 10 + x(2 + 3 x ))))))))

Dispositivo prático de Briot-Ruffini:

35
 3 -76 +163 -46 p ( x2 ) P(23)
x3 = x2 − = 23 −
22.5 67.5 -191.25 -635.63 p ' ( x2 ) P' (23)
3 -8.5 -28.25 -681.63
22.5 67.5 1.327,5 Dispositivo prático de Briot-Ruffini:
3 59 1.299,25 = P'(22.5)
3 -76 +163 -46
− 681.63 23 69 -161 46
⇒ x1 = 22.5 − = 23.02
1.299,25 3 -7 2 0 = p(23)
ε1 = x1 − x0 = 23.02 − 22.5 = 0.52 < 10-2
∴ ρ = ρ = x2 = 23
Cálculo de x2 :

P( x1 ) P(23.02) 2.2.6 NÚMERO DE ZEROS REAIS DE UM POLINÔMIO COM

x2 = x1 − = 23.02 −
P' ( x1 ) P' (23.02) COEFICIENTES REAIS

Regras de Sinais de Descartes:

Dispositivo prático de Briot-Ruffini:
O número de raízes reais posistivas n+ de uma equação algébrica é
3 -76 +163 -46 igual ao número de variações de sinais na seqüência dos coeficientes,
23.02 69.06 -159.76 +74.61 ou menor que este número por um inteiro, par, não negativo, sendo
3 -6.94 +3.24 +28.61 que uma raiz de multiplicidade m é contada como m raízes e que
23.02 69.06 1.430.00 coeficientes iguais a zero não são considerados.
3 61.12 1.433.24 = P'(23.02) Para se determinar o número e raízes reais negativas, n-, aplica-se a
regra anterior a P(-x).
28.61
⇒ x2 = 23.02 − = 23.00
1433.24 Exemplos:
ε 2 = x2 − x1 = 23.00 − 23.02 = 0.02
(a ) P(x ) = x 4 − 5 x3 + 7 x 2 + 29 x + 30 = 0
Cálculo de x3 : + −
123 − +
123 +

n+ = 2 ou 0 raízes reais positivas

36
 P(− x ) = x 4 + 5 x 3 − 7 x 2 − 29 x + 30
+ + −
123 − +
123 2.2.7 LIMITAÇÃO DAS RAÍZES REAIS DE UMA EQUAÇÃO
ALGÉBRICA: MÉTODO DE LAGUERRE
n- = 2 ou 0 raízes reais negativas
Limitar as raízes de uma equação F(x)=0 é determinar um intervalo
(b ) P(x ) = 2 x5 − 3x 4 − 4 x3 + x + 1 onde estão todas as raízes da equação.
+
12−
3 − + +
123

n+ = 2 ou 0 raízes reais positivas O MÉTODO DE LAGUERRE

P(− x ) = −2 x 5 − 3 x 4 + 4 x 3 − x + 1
− − + 123
− 123
+
Seja determinar um número real Ls tal que, dada a função polinomial
123
y = P(x), P(x) > 0 ∀ x ≥ L > 0 .Diz-se que Ls é um limitante superior
n- = 3 ou 1 raízes reais negativas para as raízes da equação algébrica P(x) = 0.

(c ) P(x ) = 4 x5 − x3 + 4 x 2 − x − 1 Para se determinar Ls divide-se sucessivamente P(x) por (x - xk), xk

= 1, 2, ... até que para um particular valor de x, digamos xL, tem-se
+
{{− +{− −
todos os coeficientes do quociente e o resto da divisão positivos.
n+ = 3 ou 1 raízes reais positivas
Dividindo-se P(x) pelo binômio (x - Ls) obtém-se:
P(− x ) = −4 x 5 + x 3 + 4 x 2 + x − 1
P( x ) = ( x − LS )Q( x ) + R
− +
123 + + −
123
onde Q( x ) é da forma:
n- = 2 ou 0 raízes reais negativas
bn x n −1 + bn −1x n −1 + L + b2 x + b1
(d ) P(x ) = x 7
+1
+ +
123 Obviamente:
n+ = 0 raízes reais positivas Se x ≥ LS > 0, bi > 0, i = 1,2,L, n, e R > 0 então P( x ) > 0.
P(− x ) = − x 7 + 1
− +
123
Exemplo:
n- = 1 raíz real negativa Seja o polinômio:

37
P( x ) = x 4 − 5 x 3 − 7 x 2 + 29 x + 30 . 1 -5 -7 +29 +30
Encontrar um limitante superior para os seus zeros. 7 7 14 49 546
1 2 7 78 576
Resolução:
Dispositivo prático de Briot-Ruffini: ∴ LS = 7é um limitante superior para os zeros da função
polinomial y = P(x).
1 -5 -7 29 30
1 1 Para se determinar um limitante inferior, Li, para as raízes reais não
1 −4 < 0 positivas da eq. algébrica P(x) = 0, procede-se como indicado a seguir.
Seja n o grau da equação algébrica P(x) = 0. Então:
1 -5 -7 29 30 (a) se n é par, determina-se o limitante superior Ks de y=P(-x) e
2 2 toma-se Li=Ks.
1 −3< 0 (b) se n é ímpar, determina-se o limitante superior Ks de y=-P(-x) e
toma-se Li=-Ks.
1 -5 -7 29 30
3 3
1 −2 < 0 Graficamente:
Caso (a):
1 -5 -7 29 30
4 4
1 −1

1 -5 -7 29 30
5 5 0
1 0 −7 < 0

1 -5 -7 29 30
6 6 6
1 1 −1< 0

38
Caso (b):

Exemplo:
Determinar um limitante inferior para os zeros do polinômio do
exemplo anterior.

Solução:
P( x ) = x 4 − 5 x3 − 7 x 2 + 29 x + 30
n = 4, par ⇒ Li = - Ks
onde Ks limit sup. para P( -x)

Determinação de Ks:
P(− x ) = x 4 + 5 x 3 − 7 x 2 − 29 x + 30

39
Dispositivo prático de Briot-Ruffini:
(a ) P(x ) = 3x5 − x 4 − x3 + x + 1 = 0
1 5 -7 -29 30 + −
123 − +
123 +
1 1 6 1 1

1 6 -1 < 0 n+ = 2 ou 0 raízes reais positivas

1 5 -7 -29 30 (b )P(− x ) = −3x 5 − x 4 + x 3 − x + 1 = 0

2 2 14 14 − − + 123 −
123 +
123
1 1 1
1 7 7 -15 < 0 n- = 1 ou 3 raízes reais negativas
1 5 -7 -29 30 (c)
3 3 24 51 66 ⇒ ks = 3 3 -1 -1 0 1 1
1 8 17 22 96 1 3 2 1 1 2 ⇒ Ls = 1
3 2 1 1 2 3
∴ Li = −k s = −3 é um limitante inferior para os zeros da função
polinomial y = P(x). (d) n = 5 ⇒ Li = - Ks Ks limitante superior de -P( -x)

Observação: as raízes da equação x 4 − 5 x 3 − 7 x 2 + 29 x + 30 = 0 são: P(− x ) = −3 x 5 − x 4 + x 3 − x + 1

ρ1 = −2, ρ 2 = −1, ρ 3 = 3, ρ 4 = 5, − P(− x ) = 3 x 5 + x 4 − x 3 + x −1
∴ ρ i ∈ (− 3,7 ) , i = 1,2,3,4 3 1 -1 0 1 -1
1 3 4 3 3 4
3 4 3 3 4 3
Exemplo completo: ⇒ Li = - Ks = -1 ∴ L i = −1
Dada a equação algébrica: P( x ) = 3 x 5 − x 4 − x 3 + x + 1 = 0
pede-se determinar: De (c ) e (d ) : ∀ρ ∈ ℜ : P( ρ ) = 0 ⇒ ρ ∈ (− 1,1)
(a) o número de raízes reais positivas
(b) o número de raízes reais negativas (e) P(xi ) = ? xi ∈(-1, 1)
(c) um limitante superior para as raízes reais Do item (c) : P( 1 ) = 3 > 0
(d) um limitante inferior para as raízes reais P(0) = 1 > 0
(e) um intervalo contendo no mínimo uma raiz real. P( -1) = ?
(f) a raiz isolada usando o método de Birge-Vieta. Do item (d): - P ( -1) = 3 ⇒ P( -1 ) = -3
40
Separação das raízes Método de Birge-Vieta:

( i ) raízes positivas (?) P ( xn )

xn +1 = xn − , n = 0,1,2,L
P' ( xn )
P( 0 ) = 1 > 0 P( 1 ) = 3 > 0
x0 = −0.6 (arbitrado)
P( 0.5) = ?

3 -1 -1 0 1 1 Verificação quanto à convergência:

0.5 1.5 0.25 -0.3753 -0.188 0.407
3 -1 -1 0 1 1
3 0.5 -0.75 -0.375 0.813 1.407
-0.6 -1.8 1.68 -0,41 0.25 -0.75
⇒ P(0.5) = 1.407 > 0
3 -2.8 0.68 -0.41 1.25 0.25 = P ( -0.6)
-0.6 -1.8 2.76 -2.06 1.48
Nada se pode concluir sobre as raízes positivas a partir dos valores
obtidos. 3 -4.6 3.44 -2.47 2.73 = P' ( - 0.6)
-0.6 -1.8 3.84 -4.368
( ii ) raízes negativas (?) 3 -6.4 7.28 -6.838 ⇒ P''(-0.6)=-13.676

P( x0 ).P" ( x0 ) (0.25)(−13.676)
ϕ ′( x0 ) = 2
= = 0.459 < 1
P( 0 ) = 1 > 0 P′( x0 ) (2.73) 2
P( -1) = -3 < 0 ∃ ρ real ; ρ ∈ (− 1,0 )
P( -0,5) = ? ∴ haverá convergência se x 0 estiver suficientemente próximo de ρ .

Cálculo de x1 :
3 -1 -1 0 1 1
- 0.5 -1.5 1.25 -0.125 0.0625 -0.531
P(x0 ) P(− 0.6 )
3 -2.5 0.25 -0.125 1.0625 0.469 x1 = x0 − ⇒ x1 = −0.6 −
P' ( x0 ) P' (− 0.6 )
⇒ P(-0..5) = 0.469 > 0 0.25
⇒ x1 = −0.6 - ⇒ x1 = −0.69
∃ ρ real; ρ ∈ (− 1, - 0.5) 2.73
ε1 = x1 − x0 = − 069 − (− 0.6 ) = 0.09 > 10 −2
(f) determinação da raiz real negativa

41
Cálculo de x2 : (d) um limitante inferior para as raízes reais
(e) a forma obtida da aplicação do método de Honer.
P( x1 ) P(− 0.69 ) (f) o valor numérico de P(x) nos pontos -5 e 4.
x2 = x1 − = −0.69 −
P' (x1 ) P' (− 0.69)
Exercício:
Dada a equação algébrica:
3 -1 -1 0 1 1
P( x ) = x 3 − 6 x 2 − x + 30 = 0
-0.69 -2.07 2.12 -0.77 0.53 -1.06
pede-se determinar:
3 -3.07 1.12 -0.77 1.53 -0.06 = P ( -0.69)
(a) o número de raízes reais positivas
-0.69 -2.07 3.55 -3.22 2.75
(b) o número de raízes reais negativas
3 -5.14 4.67 -3.99 4.28 = P' ( - 0.6)
(c) um limitante superior para as raízes reais
(d) um limitante inferior para as raízes reais
− 0.06
⇒ x2 = −0.69 − = −0.68 (e) a forma obtida da aplicação do método de Honer.
4.28 (f) o valor numérico de P(x) nos pontos -2 e 99. usando a expressão
ε 2 = x2 − x1 = − 0.68 − (− 0.69 ) = 0.01 obtida no item interior.
∴ ρ = −0.68
Exercício:
Dada a equação algébrica:
()
Pρ =? P( x ) = x 4 − 6 x 3 + 10 x 2 − 6 x + 9 = 0
pede-se determinar:
3 -1 -1 0 1 1
(a) o número de raízes reais positivas e negativas.
-0.68 -2.04 2.07 -0.73 0.50 -1.02
(b) um limitante superior e um limitante inferior para as raízes reais.
3 -3.04 1.07 -0.73 1.50 0.02 = P ( -0.68)
(c) a forma obtida da aplicação do método de Honer.

Exercício: Exercício:
Dada a equação algébrica: Dada a equação algébrica:
P( x ) = x 5 − 9 x 4 + 7 x 3 + 185 x 2 − 792 x + 1040 = 0 P(x ) = 2 x 3 + x 2 − 2 = 0
pede-se determinar: Pede-se determinar:
(a) o número de raízes reais positivas (a) o número de raízes positivas
(b) o número de raízes reais negativas (b) o número de raízes negativas
(c) um limitante superior para as raízes reais (c) um limitante superior para as raízes reais

42
(d) um limitante inferior para as raízes reais Resolução:
(e) um intervalo contendo no mínimo uma raiz real positiva
()
(f) uma raiz real positiva ρ no intervalo identificado no item (a) seqüência {g i (x )}
anterior (Birge-Vieta) g 0 ( x ) = P( x ) ⇒ g 0 ( x ) = x 4 − 2.4 x 3 + 1.03 x 2 + 0.6 x − 0.32
(g) o valor numérico de P ρ . () g1 ( x ) = P' (x ) ⇒ g1 ( x ) = 4 x 3 − 7.2 x 2 + 2.06 x + 0.6 (÷ 4 )
g1 ( x ) = x 3 − 1.8 x 2 + 0.515 x + 0.15
Obs.: tomar ε ≤ 10−3
g 2 ( x ) = −resto(g 0 ( x ) g1 ( x ))
Resp.: ρ = 0.8581
x 4 − 2.4 x 3 + 1.03 x 2 + 0.6 x − 0.32 x 3 − 1.8 x 2 + 0.515 x + 0.15
2.2.9 MÉTODO DAS SEQÜÊNCIAS DE STURM − x 4 + 1.8 x 3 − 0.515 x 2 − 0.15 x x − 0.6
− 0.6 x 3 + 0.515 x 2 + 0.45 x − 0.32
Seqüência de funções {gi (x )}: g o (x ), g1 (x ),L, g n (x ) construída do
0.6 x 3 − 1.08 x 2 + 0.309 x + 0.09
seguinte modo:
g o (x ) = P(x ) − 0.565 x 2 + 0.759 x − 0.23
g1 ( x ) = P' ( x )
∴ g 2 (x ) = +0.565 x 2 − 0.759 x + 0.23 (÷ 0.565)
g k ( x ), k ≥ 2 , é igual ao simétrico do resto da divisão de g k − 2 por g k −1
⇒ g 2 (x ) = x 2 − 1.343x + 0.4071
O número de zeros da função y = P( x ) no intervalo (a,b) é a diferença
g 3 (x ) = −resto( g1 ( x ) g 2 ( x ))
entre o número de variações de sinal da seqüência
g 0 , (a ), g1 (a ),L, g n (a ) e da seqüência g 0 (b ), g1 (b ),L, g n (b ) . x 3 − 1.8 x 2 + 0.515 x + 0.15 x 2 − 1.343 x + 0.4071
− x 3 + 1.343 x 2 − 0.4071 x − 0.457
Exemplo − 0.457 x 2 + 0.1079 x + 0.15
Aplicar o método das seqüências de Sturm para localizar todas as + 0.457 x 2 − 0.613 x + 0.1860
raízes reais de: − 0.5059 x + 0.336

P( x ) = x 4 − 2.4 x 3 + 1.03 x 2 + 0.6 x − 0.32 = 0 ∴ g 3 ( x ) = 0.5059 x − 0.336 (÷ 0.5059 )

⇒ g 3 (x ) = x − 0.6642

43
g 4 ( x ) = −resto( g 2 ( x ) g 3 (x )) Tabela:
2
x − 1.343 x + 0.4071 x − 0.6642
x g0 g1 g2 g3 g4 VARIAÇÃO
− x 2 + 0.6642 x x − 0.6788
− 0.6788 x + 0.4071 -1 + - + - + 4
+ 0.6788 x − 0.4509 0 - + + - + 3
− 0.0438 1 - - + + + 1
∴ g 4 ( x ) = 0.0438
2 + + + + + 0
3 + + + + + 0
(b) Tabela de sinais:
Ls = ? Observações sobre a construção da tabela acima:
g0(3) = P(3) = 26.95 > 0
1 -2.4 1.03 0.6 -0.32 g1(3) = ? g1(x) = x3 - 1.8 x2 + 0.515x + 0.15
g1(3) = 12.495 > 0
3 3.0 1.8 8.49 27.27 ∴ LS = 3
g2(3) = ? g2(x) = x2 - 1.343 x + 0.4071
1 0.6 2.83 9.09 26.95 =P(3) g2(3) = 5.3781
g3(3) = ?
g3(x) = x - 0.6642 ⇒ g3(3) > 0
LI = ? g4(3) > 0
P( x) = x 4 − 2.4 x 3 + 1.03 x 2 + 0.6 x − 0.32
P(− x) = x 4 + 2.4 x 3 + 1.03 x 2 − 0.6 x − 0.32 (c) Interpretação:

1 2.4 1.03 -0.6 -0.32 Seja v(xi) o número de variações de sinal da seqüência {gi (x)} em
x = xi.
1 1 3.4 4.43 3.83 L I = −1

1 3.4 4.43 3.83 3.51 = P(-1)

44
v(−1) = 4 Observação quanto às raízes isoladas:
⇒ ρ1 ∈ (−1,0)
v ( 0) = 3
(i) verificação dos intervalos:
v ( 0) = 3
⇒ ρ 2 , ρ 3 ∈ (0,1)
v(1) = 1 P(−1) = 3.51 > 0 
v(1) = 1  ρ1 ∈ (−1,0)
⇒ ρ 4 ∈ (1,2) P(0) = −0.32 < 0
v ( 2) = 0

P(1) = −0.09 < 0

(d) continuação da aplicação do método de Sturm:  ρ 4 ∈ (1,2)
P(2) = 1.8 > 0 
g0(0.6) = 0.022 > 0
g1(0.6) = ?
∴P(−1)>0
g1(0.6) = 0.027 ∴ρ 1 ∈ (−1,0)
g2(0.6) = ? P ( 0) < 0
∴ρ 2 ∈ (0,0.6)
g2(0.6) = 0.0387 P(0.6)>0
g3(0.6) = 0.6 - 0.6642 = -0.0642 < 0 P(1)<0 ∴ρ 3 ∈ (0,6,1)
g4(0.6) > 0 P(2)>0 ∴ρ 4 ∈ (1,2)

∴ 0 - + + - + 3 (ii) raízes da equação P (x) = 0:

0.6 + + - - + 2 ρ1 = −0.5, ρ 2 =0.5, ρ 3 = 0.8, ρ 4 = 1.6
1 - - + + + 1
Exemplo completo:
∴ v ( 0) = 3
⇒ ρ 2 ∈ (0,0.6)
v(0.6) = 2 Dada a equação algébrica
v(0.6) = 2 P( x ) = x 3 + 0.4 x 2 − 4.45 x + 2 = 0, determinar aproximações para as
⇒ ρ3 ∈ (0.6,1)
v(1)=1 suas raízes utilizando o método de Birge-Vieta (ε ≤ 0.01)

45
Resolução:
1 -0.4 -4.45 -2
(a) Regra de sinais de Descartes (número de raízes) 1 1 0.6
P( x ) = x 3 + 0.4 x 2 − 4.45 x + 2 1 0.6 -3.85
+ + 123 − − 1424 3 +
1 -0.4 -4.45 -2
n+ = 2 ou 0 raízes reais positivas 2 2 3.2
1 1.6 -1.25
P(− x ) = − x + 0.4 x + 4.45 x + 2
3 2

1 -0.4 -4.45 -2
−
123 + +
1424 +
3 3 3 7.8 10.05 ∴ LI= -3
n- = 1 raiz real negativa 1 2.6 3.35 8.05

(b) Limitantes para as raízes

(c) Isolamento das raízes
Método de Laguerre
Ls = ? (c.1) Método das seqüências de Sturm:

1 0. 4 − 4. 45 2 (c.1.1) Seqüência {g i (x)}:

1 1 1. 4
1 1. 4 - 3.05 g 0 ( x) = x 3 + 0.4 x 2 − 4.45 x + 2

1 0.4 -4.45 2
2 2 4.8 0.7 ∴ Ls = 2 g1 ( x) = 3x 2 + 0.8 x − 4.45 (÷3)
1 2.4 0.35 2.7 g1 ( x) = x 2 + 0.267 x − 1.483

LI= ?
g 2 ( x) = - resto (g 0 ( x) / g1 ( x) )
P( x ) = x 3 + 0.4 x 2 − 4.45 x + 2
P(− x ) = − x 3 + 0.4 x 2 + 4.45 x + 2
− P(− x ) = x 3 − 0.4 x 2 − 4.45 x − 2

46
x 3 + 0.4 x 2 − 4.45 x + 2| x 2 + 0.267 x − 1.483 x g0 g1 g2 g3 VARIAÇÃO

− x 3 − 0.267 x 2 +1.483 x x + 0.133

-3 - + - + 3
-2 + + - + 2 Qρ1 ∈( −3, −2)
2
/ 0.133 x − 2.967 x + 2 1 + - - + 2
− 0.133 x 2 − 0.036 x +0.197 0 + - - + 2 ρ 2 ∈ ( 0 , 1)
1 - - + + 1
/ − 3.003x + 2.197 2 + + + + 0 ρ 3 ∈ ( 1, 2 )

∴g 2 ( x) = 3.003x − 2.197
(c.2) Briot-Ruffini
∴g 2 ( x) = x − 0.732
P( x ) = x 3 + 0.4 x 2 − 4.45 x + 2

1 0.4 -4.45 2
g 3 ( x) = - resto (g1 ( x) / g 2 ( x) ) 2.0 2.0 4.8 0.7
1 2.4 0.35 2.7 = P (2.0) > 0
1 0.267 -1.483
0.732 0.732 0.731 1 0.4 -4.45 2
1 0.999 -0.752 1.0 1.0 1.4 -3.05
1 1.4 -3.05 -1.05 = P (1.0) < 0

∴g3 ( x) = 0.752
∴ ρ1 ∈ (1.0,2.0)

P (0) = 2 > 0 ⇒ ρ 2∈ (0,1)

(c.1.2) Tabela de sinais

LI = -3, Ls = 2 1 0.4 -4.45 2

-1.0 -1.0 +0.6 3.85
1 -0.6 -3.85 5.85 = P (-1.0) > 0

P (−2) = 4.5 > 0 

 ρ 3 ∈ (−3.0,− 2.0)
P (−3) = −8.05 < 0

47
(d) Verificação quanto à convergência (e.1) Cálculo de ρ1 ( ρ1 ∈ (1.0,2.0))
x0 = 1.5 (arbitrado) P( x k )
xk +1 = xk −
P' ( x k )
P ( x0 ).P" ( x0 ) xo = 1.5
ϕ ' ( x0 ) =
[P' ( x0 )]2 P(1.5)  − 0.4 
x1 = 1.5 − = 1.5 −   = 1.61
P' (1.5)  3.5 
1 0.4 -4.45 +2 ε1 = x1 − x0 = 1.61 − 1.5 = 0.11 > 10−2
1.5 1.5 2.85 -2.4 P(1.61)
x2 = 1.61 −
1 1.9 -1.60 -0.4 = P(1.5) P' (1.61)
1.5 1.5 5.1
1 3.4 3.5 = P'(1.5) 1 0.4 -4.45 +2
1.5 1.5 1.61 1.61 3.2361 -1.9544
1 4.9 = P" (1.5) / 2 ⇒ P" (1.5) = 9.8 1 2.01 -1.2139 0.0456 = P(1.61)
1442443
1.61 1.61 5.8282
O resto da terceira aplicação do método
de Briot-Ruffini é igual à metade da 1 3.62 4.6143 = P'(1.61)
derivada segunda de P(x) no ponto
considerado. 0.0456
∴ x2 = 1.61 − = 1.60
4.6143
(−0.4)(9.8) ε 2 = x2 − x1 = 1.60 − 1.61 = 0.01
∴ ϕ ' ( x0 ) = = 01
.32
4 24<31
(3.5) 2
Portanto, xo suficientemente próximo da raiz implicará na ∴ ρ1 = 1.60
convergência da aplicação do método.

Verificação:
(e) Cálculo das raízes
P(1.60) = ?
48
 1 0.4 -4.45 2 P( x ) = an x n + an −1 x n −1 + L + a1 x + a0
1.60 1.60 3.20 -2
1 2.0 -1.25 0.0 = P(1.60) em x=c (ou seja, P(c)). Deve ser utilizado o esquema a seguir:

Exercício: obter aproximações para as demais raízes usando Birge- bn = an

Vieta
bn − k = c.bn − k +1 + an − k 1 ≤ k ≤ n − 1 (algoritmo de Briot - Ruffini)
r = c.b1 + a0
Exercício:
Dada a equação algébrica: através do qual são obtidos os coeficientes do polinômio quociente:

Q(x ) = bn x n −1 + bn −1 x n − 2 + L + b2 x + b1
3 2
P ( x ) = x + 2 x + 10 x − 20 = 0

pede-se:
A seguir apresenta-se um esquema para o cálculo da derivada de um
(a) o número de raízes reais positivas (n+) e negativas (n-); polinômio:
(b) os limitantes superior (Ls) e inferior (LI) para as raízes reais;
(c) um intervalo com extremos inteiros contendo exatamente uma raiz
real positiva, usando o método das sequüências de Sturm; bn bn-1 bn-2 … b2 b1
(d) verificar se o ponto médio do intervalo identificado em (c) satisfaz
o critério de convergência do método de Newton; c dn-1*c dn-2*c … d2*c d1*c
(e) calcular uma aproximação para a raiz isolada usando o método de bn bn-1+dn-1*c bn-2+dn-2*c b2+d2*c b1+d1*c
Birge-Vieta com ∈< 10 −2 .
dn-1 dn-2 dn-3 d1 resto
Resposta: ρ = 1.3688

∴ dn-1 = bn;
Algoritmo para o cálculo do valor numérico de um polinômio: dn-k-1 = bn-k + dn-k*c, k =1,2,...n-2;
Seja o problema de se calcular o valor numérico de um polinômio resto = b1+d1*c (valor numérico da derivada do polinômio).
P(x) da forma:

49
SEJAM CAPÍTULO 3
A: VETOR DOS COEFICIENTES DO POLINÔMIO: A(0:N)
B: VETOR DOS COEF. DO POL. QUOCIENTE: B(1:N) SISTEMAS DE EQUAÇÕES LINEARES
D: VETOR COEF. POL. P/ CÁLC. DE P’(C): D(1:N-1)
! 3.1. INTRODUÇÃO
! INICIO ALGORITMO
! DADOS
SOLICITAR O GRAU DO POLINÔMIO
Um problema de grande interesse prático é a resolução numérica de
LER N um sistema S n de n equações lineares com n incógnitas.
SOLICITAR OS COEFICIENTES
LER (A(I),I=0,...,N) a11x1 + a12 x2 + ... + a1n xn = b1 ou
SOLICITAR C  n
S n : a21x1 + a22 x2 + ... + a2 n xn = b2 S n : ∑ aij x j = bi , i = 1,2,..., n
LER C
a x + a x + ... + a x = b j =1
!  n1 1 n 2 2 nn n n
! APLICAÇÃO DO ALGORITMO DE BRIOT-RUFFINI: P(C)
B(N)=A(N)
PARA K DE 1 ATÉ N-1 Onde:
FAÇA aij : coeficientes , x j : var iáveis, bi : cons tan tes (i, j = 1,2,...n).
B(N-K)=C*B(N-K+1)+A(N-K)
FIM PARA
! VALOR NUMÉRICO DO POLINÔMIO Sob a forma matricial S n pode ser representado como: AX = b
VNP = C*B(1) + A(0) onde:
ESCREVA ‘P(‘,C,’)=’, VNP
a11 a12 ... a1n   x1 
!
a a22 ... a2 n  x 
! APLICAÇÃO DO ALGORITMO BRIOT-RUFFINI: P’(C)  21  2
D(N-1)=B(N) ⋅ ⋅ 
⋅  ⋅ 
PARA K DE 1 ATÉ N-2 A=  X = 
FAÇA ⋅ ⋅ ⋅  ⋅ 
D(N-K-1)=C*D(N-K)+B(N-K) ⋅ ⋅ ⋅  ⋅ 
FIM PARA    
! VALOR NUMÉRICO DERIVADA P’(C) an1 an 2 ... ann   xn 
VNDP = C*D(1)+B(1) é a matriz dos coeficientes. é o vetor das variáveis
ESCREVA ‘D/DX(P(‘,C,’))=’,VNDP
! FIM ALGORITMO

50
 b1  2 x1 + 3x2 − x3 = 5
b  
 2 S3 : 4 x1 + 4 x2 − 3x3 = 3
⋅   2 x − 3 x + x = −1
e b =   é o vetor cons tan te ou vetor dos termos cons tan tes.  1 2 3

⋅ 
⋅  pede-se:
 
bn  (a) escrevê-lo sob a forma matricial
(b) identificar a sua matriz completa
(c) mostrar que o vetor
A matriz 1 
 
a11 a12 ....a1n b1  x = 2 
  3 
a11 a12 ....a1n b1   
  é o vetor solução para o sistema
[ A : b] =  ⋅ ⋅ ⋅ 
⋅ ⋅ ⋅ 
⋅ ⋅ ⋅  Solução
 
an1 an 2 .... ann bn  (a) forma matricial
2 3 − 1   x1  5 
4 4 − 3    
é chamada matriz aumentada ou matriz completa do sistema. A    x2  =  3  (que é da forma AX = b)
resolução de um sistema linear consiste em calcular os valores de 2 − 3 1  x  − 1
{ 3 {
x j , ( j = 1,..., n ) , caso existam, satisfazendo as n equações 1424 3
matriz dos coeficientes vetor vetor dos
( A) de termos
simultaneamente. var iáveis
(X )
cons tan tes
(b )

(b) matriz completa

Exemplo:
2 3 − 1 5 
Dado o sistema linear S3 : [A : b] = 4 4 − 3 3 
2 − 3 1 − 1

51
(c)
2 3 − 1 1  2.1+ 3.2 − 1.3   5  Exemplo:
     
AX = 4 4 − 3  2 = 4.1+ 4.2 − 3.3 =  3  = b Encontrar o vetor solução do sistema linear S 4 :
2 − 3 1 3  2.1− 3.2 + 1.3  − 1
3x1 + 4 x2 − 5 x3 + x4 = −10 (1)
 x2 + x3 − 2 x4 = −1 (2)

S4 :
SISTEMAS TRIANGULARES  4 x3 − 5 x4 =3 (3)
 2 x4 = 2 (4)
Um sistema linear S n : AX = b é chamado triangular superior se a matriz
A = (a ij ) é tal que aij = 0 se j < i, (i, j = 1,2,..., n ) , ou seja: Resolução:

a11 x1 + a12 x2 + ... + a1n xn = b1 eq. (4):

 a22 x2 + ... + a2 n xn = b2 2 x4 = 2 ⇒ x4 = 1

Sn : 
 M substituições retroativas
 ann xn = bn
eq. (3):
Um sistema linear Sn = AX = b é chamado triangular inferior se a 4 x3 − 5 x4 = 3 ⇒ 4 x3 − 5 = 3 ⇒ x3 = 2
matriz A = (aij ) é tal que a ij = 0 para j > i, ( j = 1,2,..., n ) , ou seja:
eq. (2):
x2 + x3 − 2 x4 = −1 ⇒
a11x1 = b1 x 2 + 2 − 2 = −1 ⇒ x 2 = −1
a x + a x = b2

Sn :  21 1 22 2 eq. (1):
M M
an1 x1 + an 2 x2 + ... + ann xn = bn 3x1 + 4 x2 − 5 x3 + x4 = −10
⇒ 3x1 + 4(− 1) − 5.2 + 1 = −10
⇒ 3x1 = 3 ⇒ x1 = 1
Observe-se que os sistemas triangulares em que aii ≠ 0, (1,..., n ) , são
facilmente resolvidos por substituição retroativa ou progressiva.

52
 1 
− 1 Exemplo:
 
∴o vetor solução é X =   Seja resolver o sistema:
2 
 1 
2 x1 + 3x2 − x3 = 5 (1)(0 )

S3 : 4 x1 + 4 x2 − 3x3 = 3 (2)(0 )
Métodos Numéricos de Resolução: 
2 x1 − 3x2 + x3 = −1 (3)(0 )
Métodos diretos:
são métodos que determinam a solução exata (X) de um sistema linear Resolução:
com um número finito de operações aritméticas elementares.
Triangularização do sistema original:
Métodos iterativos
são métodos que permitem obter uma solução aproximada X para ( ) Passo 1: eliminação de x1 das equações (2 )( 0) e (3)(0 ) :
um sistema linear, utilizando-se de um método iterativo para gerar (0 )
a21 4 (0 )
a31 2
uma seqüência de aproximações sucessivas X (1) , X (2 ) ,... a partir de m2(1) = (0 ) = =2 m3(1) = (0 ) = =1
a11 2 a11 2
uma aproximação inicial escolhida X (0 ) . Quando um critério de
parada é satisfeito, o último vetor de aproximação X (k ) da seqüência é
tomado para X .
2 x1 + 3x2 − x3 = 5 (1)(1) = (1)(0 )

S3(1) :  − 2 x2 − x3 = −7 (2)(1) = (2)(0 ) − 2 * (1)(0 )

3.2. MÉTODOS DIRETOS  − 6 x2 − 2 x3 = −6 (3)(1) = (3)(0 ) − 1 * (1)(0 )

3.2.1. MÉTODO DE ELIMINAÇÃO DE GAUSS

Passo 2: eliminação de x 2 da equação (3)(1) :
(1)
3.2.1.1. CARACTERIZAÇÃO GERAL a32 −6
m2( 2 ) = (1) = =3
a22 − 2
O método da Eliminação de Gauss consiste em transformar o
sistema linear original num sistema linear equivalente triangular
superior.

53
 2 x1 + 3x2 − x3 = 5 (1)(2 ) = (1)(1)
 Exemplo:
S3(2 ) :  − 2 x2 − x3 = −7 (2)(2 ) = (2)(1)
 (2 ) (1) (1)
Resolver o sistema:
 5 x3 = 15 (3) = (3) − 3 * (2)
 x1 + 2 x2 + 3 x3 + 4 x4 = 10 (1)(0 )

Resolução do sistema triangularizado:  2 x + x + 2 x3 + 3 x4 = 7
S4 :  1 2
(2)(0 )
determinação do vetor X por substituições retroativas:  3 x1 + 2 x2 + x3 + 2 x4 = 6 (3)(0 )
 4 x + 3x + 2 x + x = 5
 1 2 3 4 (4)(0 )
2 x1 + 3x2 − x3 = 5 (1)(2 )

S3(2 ) :  − 2 x2 − x3 = −7 (2)(2 ) Resolução:
 (2 )
 5 x3 = 15 (3)
Triangularização do sistema original:
(2 )
eq. (3) : 5 x3 = 15⇒ x3 = 3 Passo 1: eliminação de x1 das equações (2 ) ,(3) e (4 ) :
(0 ) (0 ) (0 )
(2 )
eq. (2 ) : − 2 x2 − x3 = −7⇒2 x2 = 7 − 3⇒ x2 = 2 (0 )
a21 2 (0 )
a31 3 (0 )
a41 4
m2(1) = (0 ) = m3(1) = (0 ) = = 3 m4
(1)
= (0 ) = =4
eq. (1)(2 ) : − 2 x1 + 3x2 − x3 = 5⇒2 x1 = 5 + 3 − 6⇒ x1 = 1 a11 1 a11 1 a11 1
1 
 
∴ X = 2   x1 + 2 x2 + 3 x3 + 4 x4 = 10 (1)(1)

3 
 

S 4(1) : 
− 3 x2 − 4 x3 − 4 x4 = −13 (2)(1) (0 )
= (2 ) − (1) * 2
(0 )

 − 4 x2 − 8 x3 − 10 x4 = −24 (3)(1) (0 )
= (3) − (1) * 3
(0 )

Cálculo do determinante de A: 
 − 5 x2 − 10 x3 − 15 x4 = −35 (4)(1) (0 )
= (4 ) − (1) * 4
(0 )

2 3 − 1 2 3 − 1 Passo 2: eliminação de x 2 das equações (3)(1) e (4)(1)

A = 4 4 − 3 A (2 )
= 0 − 2 − 1 (1)
a32 −4 4 (1)
a42 −5
2 − 3 1  0 0 5  m2(3) = (1) = = = 1.333 m4(2 ) = (1) = = 1.667
a22 − 3 3 a22 − 3

det (A (2 ) ) = 2 * (− 2) * 5 = −20

54
  x1 + 2 x2 + 3x3 + 4 x4 = 10 (1)(2 ) = (1)(1) x1 + 2 x2 + 3x3 + 4 x4 = 10
 ⇒ x1 + (2)(0.999) + (3)(0.002) + (4)(1.999) = 10
(2 )  − 3 x2 − 4 x3 − 5 x4 = −13 (2)(2 ) = (2)(1)
S4 :  (2 ) (1) (1) ⇒ x1 = 10 − 7.996 − 0.006 − 1.998 ⇒ x1 = 0
 2.668 x3 − 3.335 x4 = − 6.671 (3) = (3) − 1.333 * (2)
 (2 ) (1) (1)
 − 3.332 x3 − 6.665 x4 = −13.329 (4) = (4) − 1.667 * (2) 0 
0.999
 
∴x =  
Passo 3: eliminação de x 3 da equação (4 )(2 ) : 0.002
(2 ) 1.999 
a43 − 3.332
m4(3 ) = (2 ) = = 1.249
a33 − 2.668

3.2.1.2. ALGORITMO PARA A ELIMINAÇÃO GAUSSIANA

 x1 + 2 x2 + 3x3 + 4 x4 = 10 (1)(3) = (1)(2 )

(3 )  − 3 x2 − 4 x3 − 5 x4 = −13 (2)(3) = (2)(2 )
S4 :  (3 ) (2 ) Seja S n : AX = b, A = (aij ), b = (bi ),1 ≤ i, j ≤ n , um sistema de n
 − 2.668 x3 − 3.335 x4 = −6.671 (3) = (3)
 (3 ) (2 ) (2 ) equações lineares a n incógnitas.
 − 2.500 x4 = −4.997 (4) = (4) − 1.249 * (3)
Para k = 1,..., n − 1
/* k − esimo passo * /
Determinação do vetor solução X por substituições retroativas:
(3 ) Para i = k + 1,..., n
eq. (4) : − 2.5 x4 = −4.997 ⇒ x4 = 1.999
aik(k −1)
eq. (3) :
(3 ) mi( k ) =
akk(k −1)
− 2.668 x3 − 3.335 x4 = −6.671 ⇒ − 2.668 x3 − (3.335)(1.999) = −6.671
bi( k ) = bi(k −1) − mi(k )bk(k −1)
⇒ x3 0.002
Para j = 1,..., n
(3 ) aij( k ) = aij(k −1) − mi(k )akj( k −1)
eq. (2) :
− 3x2 − 4 x3 − 5 x4 = −13 fim para
fim para
⇒ − 3x2 − (4)(0.002) − (5)(1.999) = −13 ⇒ x2 = 0.999 fim para

eq. (1)(3 ) :

55
3.2.1.3 ESTRATÉGIAS DE PIVOTEAMENTO - ELIMINAÇÃO máx ai1 = 3 = a21 ∴ permutação das linhas 1 e 2
GAUSSIANA:
i = 1,2,3 (i ≥ 1)
Estágio k: eliminação de xk das equações (k + 1), ..., n, para
1 ≤ k ≤ ( n − 1) . 
 − 3x1 − 5 x2 + 7 x3 = 7 (1)( 0)

PIVÔ DO ESTÁGIO K: akk (k = 1, ..., n - 1)  1 1
S3( 0) :  x1 + 0 x2 + 3x3 = 6 (2)( 0) m2(1) = = − = −0.333
 −3 3
(A) PIVOTEAMENTO PARCIAL  ( 0) 2 2
 2 x1 + 4 x2 + 0 x3 = 15 (3) m3(1) = = − = −0.667
−3 3
Escolhe-se um novo pivô para cada estágio k utilizando o algoritmo:
 − 3x1 − 5 x2 + 7 x3 = 7 (1)(1) = (1)(0 )
identifica-se: 
máx aik = ark S3(1) :  / (−1.665) x2 + 5.331x3 = 8.331 (2)(1) = (2)( 0 ) − (1)( 0) * (−0.333)
 (1) (0 ) ( 0)
i≥k  / 0.665 x2 + 4.669 x3 = 19.669 (3) = (3) − (1) * (−0.667)
se r = k entao nao ha permutacao
senao
as linhas r e k sao permutadas entre si (ii) eliminação de x2 da equação (3)(1):
fim se
Estratégia de pivoteamento parcial:
máx ai 2 = 1.665 = a22 ∴ não há permutaçao de linha .
Ex.: i = 2, 3 (2 = 2)

 x1 + 0 x2 + 3x3 = 6 (1)
 0.665
S3 : − 3x1 − 5 x2 + 7 x3 = 7 (2) m3( 2 ) = = −0.399
− 1.665
 2 x + 4 x + 0 x = 15 (3)
 1 2 3

 − 3 x1 − 5 x 2 + 7 x 3 = 7 (1) ( 2) = (1) (1)

(i) eliminação de x1 das equações (2) e (3): ( 2) 
∴ S3 :  − 1.665 x 2 + 5.331x 3 = 8.331 (2) ( 2) = (2) (1) − (1) ( 0) * (−0.333)

Estratégia de pivoteamento parcial:  6.796 x 3 = 22.993 (3) ( 2 ) = (3) (1) − (2) (1) * (−0.399)

56
 Exemplo
22.993
eq.(3)( 2) = x3 = ⇒ x3 = 3.383
6.796  x1 + 0 x2 + 3 x3 = 6 (1)
eq(2) ( 2)
= −1.665 x2 + (5.331)(3.383) = 8.331 
S3 : − 3 x1 − 5 x2 + 7 x3 = 7 (2)
 2 x + 4 x + 0 x = 15 (3)
⇒ x2 = 5.528  1 2 3

Resolução:
eq(1) ( 2 ) = −3x1 − (5)(5.828) + (7)(3.383) = 7

x1 = −4.153 Passo 1: (k = 1)
⇒
máx aij = máx aij = 7 = a23
(B) PIVOTEAMENTO COMPLETO ∀i , j ≥ k ∀i , j ≥ 1

De acordo com esta estratégia, no início do estágio k é escolhido para  permutar linhas (1) e (2);
pivô o elemento de maior módulo dentre todos os elementos que ainda a11 ← a23 ∴ 
atuam no processo de eliminação: permutar colunas (1) e (3).

Algoritmo: 7 x3 − 5 x2 − 3 x1 = 7 (1)( 0)
identifica-se: 
S3 : 3 x3 + 0 x2 + x1 = 6 (2)( 0)
máx aij = ars  ( 0)
0 x3 + 4 x2 + 2 x1 = 15 (3)
∀i , j ≥ k
casos: Eliminação de x3 das equações 2( 0) e 3( 0) :
r = k e s = k : ok; (não há permutação a efetuar)
r = k e s ≠ k : permutar colunas s e k; (1)
a21 3 (1)
a31 0
r ≠ k e s = k : permutar linhas r e k; m2(1) = (1)
= = 0. 429 m3
(1)
= (1)
= =0
a11 7 a11 7
permutar linhas r e k;
r ≠ k es ≠ k: 
permular colunas s e k;
fim casos.

57
 7 x3 − 5 x2 − 3 x1 = 7 (1)(1) = (1)( 0) 7 x3 − 5 x2 − 3 x1 = 7 (1)( 2 ) = (1)(1)
 
S3(1) :  2.145 x2 + 2.287 x1 = 2.997 (2)(1) =(2)( 0) − 0.429 * (1)( 0) ∴ S3( 2 ) :  4 x2 + 2 x1 = 15 (2)(2 ) = (2)(1)
 (1) ( 0) ( 0) 
 4 x2 + 2 x1 = 15 (3) = (3) − 0 * (1)  1.215 x1 = −5.043 (3)( 2 ) = (3)(1) − 0.536 * (2)(1)

Passo 2: (k = 2) Determinação do vetor X por substituições retroativas

7 x3 − 5 x2 − 3 x1 = 7 eq.(3) ( 2) = x1 = −4.151
(1) 
S3 :  2.145 x2 + 2.287 x1 = 2.997 eq.(2) ( 2) = x2 = 5.825
 4 x + 2 x = 15
 2 1 eq.(1) ( 2) = x3 = 3.382

max aij = max aij = 4 = a32

Exemplo: [RUGGIERO, LOPES: 1996]
∀i , j ≥ k ∀i , j ≥ 2
0.0002 x1 + 2 x2 = 5
a22 ← a32 {permutar linhas 2 e 3 S2 : 
2 x1 + 2 x2 = 6
(sistema de aritmética de ponto flutuante de 3 dígitos (t = 3))
7 x3 − 5 x2 − 3x1 = 7 (1)(1)

∴ S3(1) :  4 x2 − 2 x1 = 15 (2)(1) Resolução

 2.145 x2 + 2.287 x1 = 2.997 (3)
(1)
(A) Sem pivoteamento:

Eliminação de x2 da equação 3(1) :

0.2 × 101
m2(1) = −3
= 1 × 104 = 0.1 × 105
(1) 0.2 × 10
a32 2.145
m3( 2) = (1)
= = 0.536
a22 4
0.2 × 10−3 x1 + 0.2 × 101 x2 = 0.5 × 101 (1)(1) = (1)(0 )
(1) 
S 2 :  − 0.2 × 105 x = − 0.5 × 105 (2)(1) = (2)( 0) − (1)(0 ) * m
 14=2 43 2 14243 2
 (1) = ( 2)

58

= 0.2 × 10 −3 x1 + 0.2 × 101 x2 = 0.5 × 101 (1)
= 0.2 × 101 − (0.2 × 101 )(0.1 × 105 ) = 0.2 × 101 − 0.2 × 105 = S2 : 
0.2 × 101 x1 + 0.2 × 101 x2 = 0.6 × 101 (2)
0.00002 × 105 − 0.2 × 105 = −0.2 × 105
(I) eliminando-se x1 da eq. (2)
=
= 0.6 × 101 − (0.1 × 105 )(0.5 × 101 ) = 0.6 × 101 − 0.5 × 105 Estratégia de pivoteamento parcial
5 5 5
= 0.00006 × 10 − 0.5 × 10 = −0.5 × 10
máx aik = máx aik = 0.2 × 101 = a21
i ≥ k i ≥1
Vetor solução: ∴ permutar linhas (1) e (2)

eq. (2) (1) :

0.2 × 101 x1 + 0.2 × 101 x2 = 0.6 × 101 (1)( 0)
− 0.2 × 105 x2 = −0.5 × 105 ⇒ x2 = 0.25 × 10 ∴ S3 : 
0.2 × 10 − 3 x1 + 0.2 × 101 x2 = 0.5 × 101 (2)( 0)

eq. (1) (1) :

0.2 × 10−3
0.2 × 10−3 x1 + (0.2 × 101 )(0.25 × 101 ) = 0.5 × 10 m2(1) = = 0.1 × 10 − 3
144424443 0.2 × 101
0.05 x10 2
0.5 x10

0  0.2 × 101 x1 + 0.2 × 101 x2 = 0.6 × 101 (1)(1) = (1)( 0)

⇒ x1 = 0 ∴X =   
2.5  0.2 × 101 x2 = 0.5 × 101 (2)(1) = (2)( 0) − (1)( 0) * m2
∴ S3(1) :  14243
 0.2×101 −1 ( 0.2×10 −3 −)2× (0.2×101 ) =
Observação:  == 00..22××10
10 − 0.04×10 =
1
− 0.000 4×101 = 0.2×101
Substituindo-se na equação (2) ( 0) , obtém-se:
2 x1 + 2 x2 = 2 × 2.5 = 5 ≠ 6 eq. (2) (1) :
0.5 × 101
0.2 × 101 x2 = 0.5 × 101 ⇒ x2 = = 0.25 × 10
0.2 × 101
(B) Com pivoteamento (parcial)
eq. (1) (1) :

59
0.2 × 101 x1 + (0.2 × 101 )(0.25 × 101 ) = 0.6 × 101 2 3 − 1  5
144424443  
0.05×10 2 
A = 4 
4 − 3 b =  3
0.5×101
2 − 3 1 − 1
0.5  
⇒ x1 = 0.5 ∴X = 
2.5 Matriz aumentada:
 647A
48 } B 6 47
I
8
4
2 3 − 1 5 1 0 0 (1)( 0)
Obs.: Substituindo nas eq. (1) e (2), obtém-se:  
[ A : b : I ] = 4 4 − 3 3 0 1 0 (2)( 0)
(2)2 x1 + 2 x2 = 2.(0.5) + 2.(2.5) = 6 2 − 3 1 − 1 0 0 1 (3)( 0)
 
(1)(0.2 x10− 3 )(0.5) + (0.2 x101 )(0.25 x10) =0.1x10 − 3 + 0.05 x102
= 0.05 x10 2 = 0.5 x10 = 5 Passo 1:
(1) (0)
1 1.5 − 0.5 2.5 0.5 0 0 (1) = (1) / 2
0 − 2.0 − 1.0 − 7 − 2.0 1 0 ( 2)(1) = −4 * (1) (1) + ( 2)( 0)
3.2.2. O MÉTODO DE ELIMINAÇÃO DE GAUSS-JORDAN 0 − 6.0 2.0 − 6 − 1 0 1 (1) (1) (0)
  (3) = −2 * (1) + (3)
3.2.2.1. CARACTERIZAÇÃO GERAL
Passo 2:
Dada a matriz aumentada ( 2) ( 2) (1)
[A : b : I] 1 0 − 1.25 − 2.75 − 1.0 0.75 0 (1) = −1.5 * ( 2) + (1)
0 1 0.5 ( 2) (1)
3.5 1 − 0.5 0  ( 2) = ( 2) /( −2.0)
0 0 5.0 15 5

− 3 1  (3) ( 2) = 6 * ( 2)( 2) + (3)(1)
As transformações elementares para se obter uma matriz identidade a 
partir de A quando aplicados a b e a I conduzem, respectivamente, a
X, vetor solução do sistema, e a A-1, inversa de A, ou seja Passo 3:
[A : b : I]  transformações → [I : X : A-1]  
elementares 1 0 0 1 0.25 0 0.25 (1) (3) = 1.25 * (3)(3) + (1)( 2)
 
0 1 0 2 0.5 − 0.2 − 0.1 ( 2) (3) = −0.5 * (3) (3) + ( 2) ( 2)
0 0 1 (3) ( 2)
Exemplo: 3{ 1 − 0.6 0.2  (3) = (3) / 5
1424 3 14442444 3
 I X A−1 

60
 1  0.25 0 0.25  w + 2 x − 12 y + 8 z = 27
   5w + 4 x + 7 y − 2 z = 4
−1 
∴ X = 2 e A = 0.5 − 0.2 − 0.1 
3  S4 : 
  1 − 0.6 0.2  − 3w + 7 x + 9 y + 5 z = 11
 6 w − 12 x − 8 y + 3 z = 49

3.2.2.2. ALGORITMO PARA O MÉTODO DE JORDAN Pede-se:

a) Determinar o seu vetor solução (X) e a inversa da matriz dos
coeficientes (A-1 ) usando o método de Jordan;
SEJA C A MATRIZ AUMENTADA [A : b : I] b) Determinar o seu vetor solução (X) e o determinante da matriz
PARA I DE 1 ATE N FACA (* PASSO I *) dos coeficientes usando o método de eliminação de Gauss;
PIVOT = C(I,I) Resp.:
(* ELEMENTO DA DIAGONAL PRINCIPAL = 1 *)
PARA J DE 1 ATE (2 * N + 1) FACA
C(I,J) = C(I,J)/PIVOT  3  0.0356 0.1345 − 0.0249 0.0362 
FIM PARA − 2  −1  0.0590 0.0566 − 0.0289 − 0.0715
X =  A = − 0.0506 0.0098 0.0652 0.0329 
(* DEMAIS ELEMENTOS NA COLUNA I IGUAIS A 0 *)  1  
PARA K DE 1 ATÉ N  5  0.0299 − 0.0163 0.1081 0.0626 
SE K <> I ENTAO (* NÃO É LINHA DO PIVOT *)
ENTÃO
FMULT = -C(K,I)
PARA J DE 1 ATE (2 * N + 1) FACA Exercício: determinar a inversa da matriz de Wilson
C(K,J) = C(K,J) + FMULT*C(I,J)
FIM PARA 10 7 8 7 
FIM SE 7
FIM PARA 5 6 5 
A= utilizando o método de Jordan
FIM PARA 8 6 10 9 
 
7 5 9 10
Exercício:
Dado o sistema linear Resp.:
 25 − 41 10 − 6
−1  − 41 68 − 17 10 
A = 
 10 − 17 5 −3

 − 6 10 − 3 2
61
  5 − 10 10 − 5 1 
Exercíçio:  − 10 30 − 35 19 − 4
determinar o vetor solução e a inversa da matriz dos coeficientes do 
−1
sistema abaixo: A =  10 − 35 46 − 27 6 
 
 −5 19 − 27 17 − 4
 x1 + 2 x2 + 3 x3 + 4 x4 = 10  1 − 4 6 − 4 1 
2 x + x + 2 x + 3 x = 7
 1 2 3 4

3 x1 + 2 x2 + x3 + 2 x4 = 6 3.3. MÉTODOS ITERATIVOS
4 x1 + 3 x2 + 2 x3 + x4 = 5

Resp.: 3.3.1. GERAL

− 3,28 x 10−7  Um sistema linear é dito ser esparso quando a matriz A dos
  − 0.4 0.5 0 0.1
 1.0   0.5 − 1.0 0.5 0 
coeficientes possui uma grande porcentagem de elementos nulos. Para
−1
X = A =  tais sistemas o emprego do método da Eliminação de Gaus para a sua
−7  0.5 − 1.0
 2.09 x 10   0 0.5
 resolução não é aconselhável, dado que este método não preserva
 2.0   0.1 0 0.5 − 0.4
esparsidade, ou seja, durante o processo de eliminação muitos
 
elementos nulos poderão se tornar não nulos. Observe-se que sistemas
lineares de grande porte são em geral esparsos.
Exercício: Inverter a matriz de Pascal
Os métodos iterativos preservam a esparsidade de A, pois os
1 1 1 1 1 elementos desta matriz não são alterados. Apresentam ainda uma
1 outra vantagem sobre o método da Eliminação de Gauss dada pelo
 2 3 4 5 
fato de que são métodos relativamente insensíveis ao crescimento de
A = 1 3 6 10 15  erros de arredondamento.
 
1 4 10 20 35
1 5 15 35 70 A idéia central dos métodos iterativos é generalizar o M.I.L. utilizado
na busca de raízes de uma equação, estudado anteriormente.
Resp.: Considere um sistema linear da forma:

62
Sn : AX=b: 3.3.2 MÉTODO DE GAUSS-JACOBI:

a11 x1 + a12 x2 + ... + a1n xn = b1 (1) 3.3.2.1 CARACTERIZAÇÃO

a x + a x + ... + a x = b (2)

S n :  21 1 22 2 2n n 2
Suponha-se que:
M
an1 x1 + an 2 x2 + ... + ann xn = bn (n) xi( k ) designa a aproximação de ordem k de xi;

Obtém-se a partir de Sn as equações:

( )T
X ( k ) = x1( k ) , x2( k ) ,..., xn( k ) designa o vetor de aproximação de ordem k
1 do vetor solução do sistema (k = 0, 1, 2,...).
x1 = (b1 − a12 x2 − a13 x3 − ... − a1n xn )
a11
Calculam-se os vetores aproximativos X(1), X(2), ..., a partir de um
1 vetor de aproximação inicial X(0), utilizando-se do esquema:
x2 = (b2 − a21x1 − a23 x3 − ... − a2 n xn )
a22
M 1 i −1 n 
xi( k +1) =  bi − ∑ aij x (jk ) − ∑a x (k )

aii  
ij j
1 j =1 j = i +1 
xn = (bn − an1 x1 − an 2 x2 − ... − an , n −1 xn −1 )
ann i = 1,2,..., n k = 0,1,2,...

ou, equivalentemente,
Exemplo: (Método Iterativo de Gauss-Jacobi)
1
xi = (bi − ai1 x1 − ... − ai ,i −1 xi −1 − ai ,i +1 xi +1... − ain xn ) Seja resolver o sistema linear:
aii
1 i −1 n  10 x1 + 2 x 2 + x3 = 7
⇔ xi =  bi − ∑ aij x j − ∑a x , i = 1,2,..., n 
aii  
ij j
j =1 j = i +1   x1 + 5 x 2 + x3 = −8
 2 x + 3 x + 10 x = 6
 1 2 3

 0.7 
( 0)  
Pelo método iterativo de Gauss-Jacobi, com X = − 1.6 e ε ≤ 0.05
 0.6 
 

63
 Cálculo de ε1 :
Resolução:  0.96 −0.70   0.26 
(1) ( 0)    
Obtenção da forma iterativa:
X −X = − 1.86 − (−1.6) = − 0.26
 0.94 − 0.6   0.34 
   
1 1
x1 =
10
(7 − 2 x2 − x3 ) ⇒ x1( k +1) =
10
(
7 − 2 x2( k ) − x3( k )) ⇒ max xi(1) − xi(0 ) = 0.34 > 0.05
1≤ i ≤ 3
1 1
x2 = (−8 − x1 − x3 ) ⇒ x2( k +1) = (−8 − x1( k ) − x3( k ) )
5 5 Cálculo de X ( 2 ) :
1 1
x3 = (6 − 2 x1 − 3 x2 ) ⇒ x3( k +1) =
10 10
(
6 − 2 x1( k ) − 3 x2( k ) ) x1( 2) =
1
( 1
)
7 − 2 x2(1) − x3(1) = (7 − 2.(−1.86) − 0.94) = 0.98
10 10
k = 0,1,2,... 1 1
x2( 2) ( )
= − 8 − 2 x1(1) − x3(1) = (−8 − 2 − 0.96 − 0.94) = − 1.98
5 5
1 1
Aplicação do método: x3( 2) =
10
( 10
)
6 − 2 x1(1) − 3 x2(1) = (6 − 2.(0.96) − 3(−1.86)) = 0.97

Cálculo de X (1) :
 0.98 
1 1  
x(1)
1 =
10
( )
7 − 2.x2( 0) − x3( 0) = (7 − 2(−1.6) − 0.6) = 0.96
10
∴X ( 2)
= − 1.98
 0.97 
1 1  
x2(1) ( )
= − 8 − x1(0 ) − x3( 0) = (−8 − 0.7 − 0.6) = −1.86
5 5
Cálculo de ε 2
1 1
x(1)
3 = ( )
6 − 2 x1( 0) − 3 x2( 0) = (6 − 2.(0.7) − 3(−1.6)) = 0.94
10 10  0.98 − 0.96   0.02 
( 2) (1)    
X −X = − 1.98 − (−1.86) = − 0.12
 0.97 − 0.94   0.03 
 0.96     
(1)  
∴X = − 1.86
 0.94  ⇒ max xi( 2) − xi(1) = 0.12 > 0.05
  1≤ i ≤ 3

64
Cálculo de X (3) : 1 
 
1 1 X = − 2 
x1(3) =
10
( )
7 − 2 x2( 2) − x3( 2 ) = (7 − 2.(−1.98) − 0.97) = 0.999
10 1 
 
1 1
x2(3) ( )
= − 8 − 2 x1( 2) − x3( 2 ) = (−8 − 0.98 − 0.97) = −1.99
5 5
1 1 3.3.2.2 MÉTODO ITERATIVO DE GAUSS-JACOBI - UM
x3(3) =
10
( )
6 − 2 x1( 2 ) − 3 x2( 2) = (6 − 2.(0.98) − 3(−1.98)) = 0.998
10 CRITÉRIO DE CONVERGÊNCIA

O teorema a seguir estabelece uma condição suficiente para a

 0.999 convergência do método iterativo de Gauss-Jacobi.
 
∴ X ( 3) = − 1.99 
 0.998
  TEOREMA (critério das linhas)

Cálculo de ε 3 : Seja o sistema linear S n : AX = b e seja

 0.999 − 0.98  0.019  n

( 3) (1)     α k = ( ∑ akj ) / akk

X −X = − 1.99 − (−1.98) = − 0.01 j =1
 0.998 − 0.97  0.028  j≠k
   
⇒ max xi(3) − xi( 2 ) = 0.028 < 0.05 Se α = máx α k < 1 então o método iterativo de Gauss-Jacobi gera uma
1≤ i ≤ 3 1≤ k ≤ n
seqüência {X ( k ) } convergente para a solução do sistema dado,
 0.999 é a solução do sistema linear, independentemente da escolha da aproximação inicial, X ( 0) .
 
⇒ X = − 1.99  com e ≤ 0.05, obtida pelo
 0.998 método iterativo de Gass - Jacobi.
  Exemplo:
Estude o sistema do exemplo anterior quanto a convergência.
Observação: a solução exata é o vetor:
Resolução:

65
Matriz dos coeficientes:  1 3 1
10 2 1 A = 5 2 2
A =  1 5 1 0 6 8
 2 3 10
Cálculo de α k , k = 1,2,3 :
Cálculo de α k , k = 1,2,3 : 3 +1
α1 = = 4 >1
1
2 +1 1+1 2+3
α1 = = 0.3 < 1 α2 = = 0.4 < 1 α 3 = = 0.5 < 1
10 5 10 Permutando-se a primeira equação com a segunda obtém-se o sistema
linear equivalente:
∴ α = max α k < 1 ⇒ seqüência{X ( k ) }será convergente.
1≤ k ≤ 3
5 x1 + 2 x2 + 2 x3 = 3
(1) 
S 3 :  x1 + 3 x2 + x3 = −2
Exemplo:  6 x + 8 x = −6
 2 3
Estudar o sistema
cuja matriz dos coeficientes é:
 x1 + 3 x2 + x3 = −2
 5 2 2
S3 : 5 x1 + 2 x2 + 2 x3 = 3
 6 x + 8 x = −6 A (1)
= 1 3 1 
 2 3
0 6 8 
quanto a convergência.
Cálculo de α k , k = 1,2,3 :
Resolução:
2+2 1+1 0+6
Matriz dos coeficientes: α1 = = 0 .8 < 1 α2 = = 0 .7 < 1 α 3 = = 0 .75 < 1
5 3 8

{ }
∴ α = máx α k = 0.8 < 1 ⇒ seqüência X ( k ) será convergente.
1≤ k ≤ 3

66
3.3.3 MÉTODO DE GAUSS-SEIDEL Obtenção da forma iterativa

3.3.3.1. CARACTERIZAÇÃO 1 (k +1) 1  (k ) (k )

x1 = (7 − 2 x2 − x3 ) ⇒ x1 =  7 − 2 x2 − x3 
10 10  
Os vetores aproximativos são obtidos através do esquema: 1 (k +1) 1  (k +1) (k ) 
x2 = (−8 − x1 − x3 ) ⇒ x2 =  − 8 − x1 − x3 
5 5 
(k +1) 1  i −1 (k +1) n (k ) 
xi = bi − ∑ aij x j − ∑ aij x j  1 (k +1) 1  (k +1) (k +1) 
aii  j =1 j =i +1  x3 = (6 − 2 x1 − 3 x2 ) ⇒ x3 =  6 − 2 x1 − 3 x2 , k = 0,1,2,...
 10 10  
i = 1,2,..., n k = 0,1,2,...

Observa-se que, no processo iterativo de Gauss-Seidel, no momento Aplicação do método:

de se calcular xi( k +1) , são usados os valores de x1( k +1) ,..., xi(−k1+1) , que já
foram calculados, e os valores xi(+k1) ,..., xn( k ) restantes. Cálculo de X (1) :

(1) 1 (0) (0) 1

x1 = (7 − 2 x2 − x3 ) = (7 − 2.(−1.6) − 0.6 ) = 0.96
Exemplo: Resolver o sistema linear: 10 10
(1) 1 (1) (0) 1
x2 = (−8 − x1 − x3 ) = (− 8 − 0.96 − 0.6 ) = −1.912
10 x1 + 2 x2 + x3 = 7 5 5
 (1) 1 (1) (1) 1
 x1 + 5 x2 + x3 = −8 x3 = (6 − 2 x1 − 3 x2 ) = (6 − 2.(0.96) − 3(−1.912)) = 0.9816
 2 x + 3 x + 10 x = 6 10 10
 1 2 3

 0.96 
usando o método iterativo de Gauss-Seidel, com: (1)  
∴X = − 1.912 
 0.9816
 0.7   
(0)  
X = − 1.6 e ε ≤ 0.05
 0.6  Cálculo de ε1 :
 

Resolução:

67
  0.96 − 0.7   0.26  (3) 1 (2) (2) 1
(1) ( 0)     (1) ( 0) x1 = (7 − 2 x2 − x3 ) = (7 − 2.(−1.9932) − 1.0011) = 0.9985
X −X = − 1.912 − ( −1.6)  = − 0.31 ⇒ máx xi − xi = 0.38 > 0.05 10 10
 0.9816 − 0.6   0.38  1≤i ≤3 (3) 1 (3) ( 2) 1
    x2 = (−8 − x1 − x3 ) = (− 8 − 0.9985 − 1.0011) = −1.9999
5 5
Cálculo de X ( 2 ) : (3) 1 (3) (3) 1
x3 = (6 − 2 x1 − 3x2 ) = (6 − 2.(0.9985) − 3(−1.9999)) = 1.0003
10 10
(2) 1 (1) (1) 1
x1 = (7 − 2 x2 − x3 ) = (7 − 2.(−1.912) − 0.9816) = 0.9842
10 10
Cálculo de ε 3 :
(2) 1 (2) (1) 1
x2 = (−8 − x1 − x3 ) = (− 8 − 0.9842 − 0.9816 ) = −1.9932
5 5
( 2) 1 ( 2) ( 2) 1  0.9985 − 0.9842  0.01 
x3 = (6 − 2 x1 − 3 x2 ) = (6 − 2.(0.9842 ) − 3(−1.9932)) = 1.0011 (3) (2)    
10 10 X −X = − 1.9999 − (−1.9932) = 0.0067 
 1.0003 − 1.0011  0.0008 
 0.9842     
( 2)  
∴X = − 1.9932  
 3  
 2 
 1.0011  ⇒ max xi − xi = 0.01 < 0.05
  1≤i≤3

Cálculo de ε 2 :
⇒ a solução X do sistema linear, com ε ≤ 0.05 , obtida pelo método
iterativo de Gauss-Seidel, é dada por:
 0.9842 − 0.96   0.02 
( 2)  (1)   
X −X = − 1.9932 − (−1.912) = − 0.08,
 1.0011 − 0.9816   0.02   0.9985 
    (3)  
( 2) (1) X =X = − 1.9999
⇒ máx xi − xi = 0.08 > 0.05  1.0003 
1≤i ≤3  

Cálculo de X (3) :
(Note-se que, de fato, a solução obtida satisfaz o critério ε ≤ 0.01 )

68
3.3.3.2. ESTUDO DA CONVERGÊNCIA DO MÉTODO DE  2 x1 + x2 − 0.2 x3 + 0.2 x4 = 0.4
GAUSS-SEIDEL 
 0.6 x1 + 3 x2 − 0.6 x3 − 0.3 x4 = − 7.8
S4 = 
− 0.1x1 − 0.2 x2 + x3 + 0.2 x4 = 1.0
(A) CRITÉRIO DE SASSENFELD  0.4 x + 1.2 x + 0.8 x + 4 x = −10.0
 1 2 3 4
O "critério de Sassenfeld" propicia uma condição suficiente para a
convergência do método iterativo de Gauss-Seidel. Resolução:

Teorema: Cálculo dos β k ,1 ≤ k ≤ 4 :

Seja Sn : AX = b um sistema linear de ordem n com
aii ≠ 0, i = 1,2,..., n e sejam 1 1
β1 = (1 + 0.2 + 0.2) = 0.7 β 3 = (0.1x 0.7 + 0.2 x0.44 + 0.2) = 0.358
2 1
1  n  1 1
β1 = ∑ a1 j  β2 = (0.6 x 0.7 + 0.6 + 0.3) = 0.44 β4 = ( 0.4 x 0.7 + 1.2 x 0.44 + 0.8 x 0.358) = 0.2736
a11  j = 2 

3 4

1  i −1 n 
 i = 2,3,..., n
⇒ M = máx β i = 0.7 < 1
βi = ∑ aij β j + ∑ aij 1≤ i ≤ 4
aii  j =1 j =i +1 

M = max βi { }
⇒ a seqüência X ( k ) gerada pelo método iterativo de Gauss-Seidel
1≤i ≤ n será convergente.

{ }
A condição M < 1 é suficiente para que a seqüência X ( k ) gerada
pelo método de Gauss-Seidel seja convergente independentemente da Exemplo:
aproximação inicial X ( 0) . Além disto, quanto menor for β mais rápida estudar o sistema linear seguinte quanto a convergência segundo
será a convergência. critério de Sassenfeld:
2 x + x + 3 x = 9
 1 2 3
Exemplo: S3  − x2 + x3 = 1
Estudar o sistema linear seguinte quanto à convergência segundo o 
"critério de Sassenfeld":  x1 + 3 x3 = 3

69
Resolução:
(B) CRITÉRIO DAS LINHAS
1
β1 = (1 + 3) = 2 > 1
2 O critério das linhas diz que se α = máx α k < 1 , onde
1≤ k ≤ n
n
Permutando-se entre si as equações (1) e (3), obtém-se: α k = (∑ akj ) / akk ,
j =1
j ≠k
 x1 + 3 x3 = 3 (1)' então o método de Gauss-Seidel gera uma seqüência convergente.
' 
S =  − x2 + x3 = 1 (2)'
3
2 x + x + 3 x = 9 (3)'
 1 2 3
Exemplo:
1
β1 = (0 + 3) = 3 > 1
1 Estudar o sistema linear:
Permutando-se entre si a 1a e a 3a colunas de S '3 obtém-se: 3 x + x = 3
 1 3
S3 =  x1 − x2 = 1
3 x3 + x1 = 3 
''  3 x1 + x2 + 2 x3 = 9
S =  x3 − x2 = 1
3
3 x + x + 2 x = 9 quanto à convergência segundo os critérios de Sassenfeld e das linhas.
 3 2 1

Resolução:
1 1 1 
β1 = (0 + 1) = 1 / 3 β 2 = 1 × + 0  = 1 / 3
3 1 3  (a) Critérios das linhas:
1 1 1
β3 =  3 × + 1×  = 2 / 3 0 +1 1 
2 3 3 α1 = =
3 3 

2 1+ 0 
M = máx β i = <1 α2 = = 1  ⇒ o critério das linhas não é satisfeito.
1 
1≤ i ≤ 3 3
3 +1 
α3 = = 2 < 1
{ }
⇒ a seqüência X ( k ) gerada pelo método iterativo de Gauss-Seidel 2 
para o sistema S''3 será convergente.

70
(b) Critério de Sassenfeld Exercício:
Usando o "critério de Sassenfeld", verifique para que valores de k se
 tem a garantia de que o método de Gauss-Seidel vai gerar uma
0 +1 1  seqüência convergente para a solucão do sistema.
β1 = = <1 
3 3 
1 × (1 / 3) + 0 1  kx + 3 x + x = 1
β2 = = < 1 ⇒ o critério de Sassenfeld é satisfeito
1 3   1 2 3
1 1  S3 = kx1 + 6 x2 + x3 = 2
3 × + 1× 
3 3= 2   x1 + 6 x2 + 7 x3 = 3
β3 = < 1
2 3 

Exercício: Exercício:
Resolva o sistema abaixo pelo método de Gauss-Seidel. Considere
Dado o sistema linear: X ( 0) = (0,0,0)T e uma precisão ε < 10 −3 .

 4 −1 0 0  x1  1  1 1 − 1  x1   2
− 1 4 − 1 0  x  1     
S3 =  2 4 2  x2  =  6
S4    2  =  
 0 − 1 4 − 1  x3  1 − 2 − 1 4  x3  − 3
 
 0 0 − 1 4  x4  1
Resp.:
Pede-se: X = (1.9,0.4,0.3)T
(a) Verificar se o critério de Sassenfeld é satisfeito
(b) Resolver por Gauss-Seidel, se possível, considerando
X (0 ) = (0,0,0,0)T e uma precisão ε < 10 −2 . Algoritmo: Método Iterativo de Gauss-Seidel

Resp.:
(a) M = 0.3821 (b) X = ( 0. 364 0. 455 0. 455 0. 364 ) T

71
Início (* Gauss-Seidel *) Então
Solicite o número de equações (N) M=1
Leia N Fim se
(* leitura dos elementos: matriz a e vetor b Fim Para (* k *)
*) Fim enquanto
Para i de 1 até N Para k de 1 até N
Faça Faça
Solicite b(i) Escreve “x(“,k,”) = “, x(k)
Leia b(i) Fim para
Para j de 1 até N Fim (* Gauss-Seidel *)
Faça
Solicite a(i,j)
Leia a(i,j) Agradecimento:
Fim para
Fim para Ao Polo Computacional do Campus da UNESP - Guaratinguetá, em
Solicite a precisão (E) particular à equipe de digitação, cujo apoio foi essencial para a
Leia E produção do presente trabalho.
(* inicialização *)
Para k de 1 até N faça x(k) = 0;
M = 1 (* auxiliar: número de iterações *)
Enquanto M <> 0 BIBLIOGRAFIA
Faça
Para k de 1 até N 1. RUGGIERO, M.A.G. & LOPES, V.L.R. Cálculo Numérico
faça Aspectos Teóricos e Computacionais. São Paulo: MAKRON
Tmp = x(k) Books, 1996.
S = 0
Para j de 1 até n 2. DORN, W.S. & MAcCRACKEN, D.D. Cálculo Numérico
Faça com Estudo de Casos em Fortran IV. Campus, 1978
Se (k <> j)
Então 3. BARROSO, L.C. & outros. Cálculo Numérico (com
S = S + a(k,j)* x(j) aplicações). Editora Harbra Ltda, 1987
Fim Se
Fim para (* j *)
X(k) = (b(k)-S)/a(k,k)
Se |x(k) – tmp| > E

72