CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA

CELSO SUCKOW DA FONSECA – CEFET/RJ

CÁLCULO NUMÉRICO

Resolução de Lista Proposta para Composição da Nota

Rio de Janeiro

2017
Questão 01) Existe uma terceira forma de interpolação polinomial que não foi comentada
em sala. Esta se chama Forma de Newton ou Diferenças Divididas. Explique como é tal
método e dê um exemplo.

RESPOSTA:
Dado um conjunto com n pontos o método das diferenças divididas de
Newton consiste em construir o polinômio interpolador da forma

Como i = 1, 2, ... , n, os coeficientes ai satisfazem o seguinte sistema

triangular inferior:

Resolvendo de cima para baixo, obtemos

Note que os coeficientes são obtidos por diferenças das ordenadas divididas por
diferenças das abscissas dos pontos dados. Para vermos isso mais claramente,
introduzimos a seguinte notação:
Chamamos f [xj] de diferença dividida de ordem zero (ou primeira diferença dividida),
f [xi,xj+1] de diferença dividida de ordem 1 (ou segunda diferença dividida) e assim por
diante.

Sejam os pontos base:

O Polinômio de Newton de grau n é dado por:

Onde são operadores de diferenças divididas de ordem k

entre os pontos base.

Operador de Diferença Dividida: Seja a função y = f(x) que passa pelos pontos (xi, yi), i = 0,
1, 2, ..., n. O operador de diferença dividida ∆ é definido como sendo:

Tabela de Diferenças Divididas: Tabela utilizada para auxiliar o processo de construção do

Polinômio de Newton. Note que cada diferença dividida de ordem n é gerada a partir de
pares de diferenças divididas de ordem n - 1. A notação entre colchetes ajuda a identificar
quais são os xi que se subtraem no denominador (ou seja, em [xi, xi+1, ..., xk] sempre
subtrai-se xk – xi no denominador.

Teorema: Se y = f(x) for um polinômio de grau n então suas diferenças divididas de ordem
n+1 são identicamente nulas, isto é: [x, x0,x1, ..., xn] = 0 Ɐ x.

Fórmula Geral de Newton:

Essa fórmula geral se traduz para a fórmula que apresentamos no início deste documento,
ou seja:

Note que:
• Cada termo contém um operador de diferença dividida, sempre referente a y0. As
demais diferenças divididas não aparecem na fórmula, mas são importantes, pois
entram no cálculo da diferença dividida referente a y0.
• Os termos variam de diferença dividida de ordem 0 até a diferença dividida de
ordem n (mesma ordem do polinômio).
• A cada termo, os pontos base aparecem subtraídos do valor a ser interpolado,
aumentando-se um ponto a cada termo. Note que o ponto base xn não entra na
fórmula, pois o n-ésimo termo termina com (x -xn-1). Isso não quer dizer que xn não
seja importante, pois ele é usado no cálculo das diferenças divididas.
Exemplo 1: Verificar o teorema para a função y = x2+x -1, no intervalo [0,3].

Exemplo 2: Calcular P1 (1,0) e P2 (1,0) usando a tabela de diferenças divididas abaixo.

Para P1 (1,0) temos:

Para P2 (1,0) temos:

Podemos concluir que:

Isso demonstra uma vantagem do Método de Newton em relação aos demais: Para
aumentar o grau do polinômio interpolado, basta aumentar um novo termo em vez de
montar todo o polinômio novamente, como nos Métodos baseados em Sistemas Lineares
e no Método de Lagrange.
Exemplo 03:

Questão 02) Qual é a fórmula do erro para o problema da interpolação polinomial?

Demonstre a fórmula apresentada.
RESPOSTA:

Ao se aproximar uma função f(x) por um polinômio interpolador de grau ≤ n, comete-se

um erro, ou seja:
En (x) = f(x) - pn (x) para todo x no intervalo [x0, xn]

O estudo do erro é importante para sabermos quão próximo f(x) está de Pn(x).

Como por exemplo para interpolação linear, o mesmo polinômio P1(x) interpola f1(x) e
f2(x) em x0 e x1 :

Contudo, o erro E11 (x) = f1(x) - P1(x) é maior que E12 = f2(x) – P1(x), Ɐ x ϵ (x0, x1).

Observamos ainda que o erro, neste caso, depende da concavidade das curvas, ou seja,
de f1”(x) e f2”(x).

A expressão exata do erro quando aproximamos f(x) por Pn (x), para n qualquer:

Teorema 1:

Sejam x0 < x1 < x2< … < xn, (n + 1) pontos.

Seja f (x) com derivadas até a ordem (n + 1) para todo x pertencente ao intervalo
[x0, xn].

Seja Pn (x) o polinômio interpolador de f (x) nos pontos x0, x1, ..., xn.

Então, em qualquer ponto x pertencente ao intervalo [x0, x1], o erro é dado por:
𝑓(𝑛+1) (𝜉𝑥 )
En (x) = f(x) - Pn (x) = (x – x0) (x – x1) (x – x2) ... ( x - xn ) (𝑛+1)!
onde 𝜉 x ϵ (x0, x1)
Demonstração

Seja G(x) = (x-x0) (x-x1)… (x-xn), Ɐ x ϵ [x0, xn ]. Então, para x = xi temos f(xi) = pn(xi), pois G(xi)
= 0  En (xi) = 0, donde a formula do erro está correta para x = xi, i=0,...n.
Para cada x ϵ (x0, xn), x ≠ xi, i=0, …, n, seja H(t) uma função auxiliar, definida por:

H(t) = En (x) G(t) - En (t) G(x), t ϵ [x0, xn].

H(t) = possui derivadas até ordem n+1, pois:

f(t) possui derivada até ordem n+1, por hipótese e
pn(t) possui derivadas até ordem n+1; então
En (t) = f(t) - pn (t) possui derivadas até ordem n+1.

G(t) possui derivadas até ordem n+1, pois é polinômio de grau n+1.

Assim, En (x) G(t) - En (t) G(x) = H(t) possui derivadas até ordem n+1.

Verificaremos, a seguir, que H(t) possui pelo menos (n+2) zeros no intervalo [x 0, xn].

Para t=xi, i=0, ... , n temos que En (t) =0 e G(t) = 0, onde H(xi) = En (x) G(xi) - En (xi) G(x) = 0,
i=0, 1, ... ,n e, para t = x, H(x) = En (x) G(x) - En (x) G(x) = 0

Assim, x0, x1, ..., xn, x são zeros de H(t).

Concluindo, temos que a função H(t):

i. Está definida no intervalo [x0, xn];

ii. possui derivadas até ordem n+1 nesse intervalo
iii. possui pelo menos n+2 zeros nesse intervalo.

Portanto, podemos aplicar sucessivamente o Teorema de Rolle a H(t), H’(t), ... , H(n)(t), a
saber:
H’(t) possui pelo menos n+1 zeros em (x0, xn);

H’’(t) possui pelo menos n zeros em (x0, xn);

.
.
.
H(n+1)(t) possui pelo menos um zero em (x0, xn).

Mas, H(t) = En(x) G(t) – E(t) G(x) H(n+1)(t) = En(x) G(n+1)(t) – En(n+1) (t) G(x)

Agora, En(n+1) (t) = f (n+1)(t) - pn(n+1) (t) = f (n+1) (t) (pn (t) tem grau n)

G(t) = (t – x0) (t – x1) ... (t – xn) G(n+1)(t) = (n+1)

Assim, H(n+1)(t) = En(x) (n+1)! - f (n+1)(t) G(x). Sendo 𝜉𝑥 um zero de H(n+1)(t),

H(n+1)( 𝜉𝑥 ) = (n+1)! En(x) - f (n+1) (𝜉𝑥 ) G(x) = 0

 𝒇 (n+1) (𝜉𝑥)
En(x) = G(x)
(n+1)!

𝒇 (n+1) (𝜉𝑥)
En(x) = (x – x0) (x – x1) ... (x – xn)
(n+1)!
, 𝜉𝑥 ∈ (x0, xn).

Observamos que, ao aproximarmos f (x) por um polinômio de interpolação de grau ≤ n, o

erro cometido está relacionado com a derivada de ordem (n+1) de f(x).

Teorema 2:

𝒇 (n+1) (𝜉𝑥 )
f(x0, x1, ..., xn, x) = , ∈ (x0, xn) e 𝜉𝑥
(n+1)!

Demonstração:

Seja pn(x) o único polinômio que interpola f(x) em x0, x1, ..., xn. Do teorema 2 temos que:

𝒇 (n+1) (𝜉𝑥)
En(x) = f(x) - pn(x) = (x – x0) (x – x1) ... (x – xn)
(n+1)!
, 𝜉𝑥 ∈ (x0, xn). (1)

Da dedução da formula de newton para pn(x) temos:

En(x) = f(x) - pn(x) = (x – x0) (x – x1) ... (x – xn) f(x0, x1, ..., xn, x), x ∈ (x0, xn) (2)

Assim, (1) = (2) implica que :

𝒇 (n+1) (𝜉𝑥 )
= f(x0, x1, ..., xn, x)
(n+1)!

Este teorema mostra claramente a relação entre a diferença dividida de ordem (n+1) e a
derivada de ordem (n+1) da função f(x).

Limitante para o erro

A fórmula para o erro:

𝑓 (n+1) (𝜉𝑥)
En(x) = (x – x0) (x – x1) ... (x – xn) , 𝜉𝑥 ∈ (x0, xn)
(n+1)!

Tem uso limitado na prática, dado que serão raras as situações em que conheceremos
f (n+1)(x) , e o ponto 𝜉𝑥 nunca é conhecido.
A importância da fórmula exata para En(x) é teórica, uma vez que é usada na obtenção
das estimativas de erro para as fórmulas de interpolação, diferenciação e integração
numérica.

Relacionando o erro com um limitante de f (n+1)(x) contínua em I = [x0, xn] :

Mn+1 existe pois, por hipótese, f (n+1)(x) contínua em [x0, xn], e então:

Se além das hipóteses anteriores os pontos forem igualmente espaçados, ou seja, x1 – x0

= x2 – x1 = ... = xn – xn-1 = h, então

Observe que o majorante acima independe do ponto x considerado, ∈ [x0, xn].

Se a função de f (x) é dada na forma de tabela, o valor absoluto do erro |En (x)| só pode
ser estimado. Isso porque, neste caso, não é possível calcula Mn+1, podemos usar o maior
𝑀𝑛+1
valor (em módulo) destas diferenças como uma aproximação para
(𝑛+1)!
no intervalo
[x0, xn].
Neste caso, dizemos que

| En(x) | = |(x – x0) (x – x1) ... (x – xn)| (máx / diferenças divididas de ordem n+1).
Questão 3) Dê a definição de funções splines para interpolação. Apresente o caso da
spline linear e dê um exemplo.

Para uma função f(x) tabelada em n pontos, a aproximação para um polinômio de grau
(n - 1) pode não ser a melhor opção, devido a sua discrepância com relação à função. A
fim de contornar essa situação podem ser usadas as funções splines, aproximando f(x)
em cada intervalo dado por um polinômio de grau p, de acordo com a seguinte
definição:

“Considerando f(x) tabelada nos pontos x0<x1<...<xn, uma função Sp(x) é denominada
spline de grau p com nós nos pontos xi, i=0,1,...,n, se satisfaz as seguintes condições:
a) Em cada subintervalo [xi,xi+1], i=0,1…, (n-1), Sp(x) é um polinômio de grau p:Sp(x)
b) Sp(x) é contínua e tem derivada contínua até ordem (p – 1) em [a, b].”

Se, além disto, Sp(x) também satisfaz a condição Sp(xi) = f(xi), i = 0, 1, ..., n, então será
denominada spline interpolante.

Spline linear interpolante: A função spline linear interpolante de f(x), S 1(x), nos nós x0, x1,
..., xn pode ser escrita em cada subintervalo [xi–1, xi], i = 1, 2, ..., n como

Exemplo
Seja f(x) tabelada da seguinte maneira:

Então a função spline linear interpolante é dada da seguinte maneira:

Questão 4) Mostre que o erro na aplicação da regra dos trapézios para integração
numérica é O(h3), sendo h o definido em sala de aula.

Sejam x0<x1<...<xn, (n+1) pontos f(n) tem derivadas até ordem (n+1) ∀ x ∈ [x1, xn].
Se pn(x) é o polinômio interpolador de x0,x1,...,xn, então ∀ x ∈ [x1, xn] o erro é dado por:

Da interpolação polinomial temos que:

Integrando:
Chamando g(x) = (x-x0)(x-x1)

∀ x ∈ (x0, x1), g(x)<0, e como f’’ (cx) (∈ f’’(x)) é contínua em [x0, x1] existem m e M
tais que m ≤ f’’(x) ≤ M e como g(x)≤0, ∀ x ∈ [x0, x1] temos que:

Existe A tal que f’’(x)=A

Logo:
Fazendo uma subdivisão do intervalo de integração e aplicando a regra dos trapézios em
cada subintervalo, temos que o erro será proporcional ao número de subdivisões feitas.
Seja um intervalo dividido em m partes iguais, temos que xi+1-xi = h, i=0,1,...,m-1.
portanto o erro será dado da seguinte forma:

Quanto mais divisões forem feitas no intervalo, menor ficará a subintervalo h. Dividindo
o intervalo de forma que o h fique tão pequeno que se aproxime de zero, o limite do
erro também tende a zero, o que faz a integração numérica através desse método tenda
ao próprio valor da integral da função:
Questão 5) Faça uma dissertação (escrever sobre, não tem que ter introdução, desenvolvimento
e conclusão) sobre o método de Euler para problemas de valor inicial:

O Método de Euler é um método numérico para a solução de edo’s onde, a partir de um valor
inicial e da derivada da função, são encontrados pontos próximos à curva dessa função. Dessa
forma, o método de Euler leva à uma aproximação da curva.

Tendo uma edo:

y’= f(x,y)
y(x0) = y0

Com a derivada y’, o ponto inicial (x0,y0) e com h escolhido, encontramos os pontos (x1,y1),
(x2,y2), (x3,y3) próximos a curva.

Tomando:

y1=y0+hy’(x0)
y2=y1+hy’(x1)
y3=y2+hy’(x2)
yn =yn-1+hy’(xn-1)

O gráfico a seguir exemplifica um pouco a aplicação do método, e como o erro (dado pela
distância do ponto (x1,y1), por exemplo, para o ponto (x1,y) pertencente à curva) é proporcional
ao passo h, como é mostrado mais na frente, na questão 8.

Questão 6) Qual a relação do método de Euler com as séries de Taylor estudadas em sala de
aula?

O método de Euler consiste, então, em calcular recursivamente a sucessão {yj} através das
fórmulas:
y0 = y(a) = η
yj+1 = yj + (hf(xj,yj), j=0, ... , m-1

Expandindo a solução y(x) em série de Taylor em torno do ponto xj,

Truncando a série após o termo em h e identificando y(xj) com yj obtém-se a igualdade

pretendida, ou seja, o método de Euler.

Questão 7) Dê uma interpretação geométrica para o método de Euler:

Consideremos o problema de valor inicial de primeira ordem

x’(t) = f(t, x(t))

x(t0) = x0

Em vermelho, ilustramos os pontos da solução exata ψ(t) do P.V.I. Dando início ao método pela
condição inicial (t0, ψ(t0)) = (t0, x0), é traçada a reta tangente ao gráfico de ψ por este ponto com
inclinação dada pela derivada informada no problema de valor inicial, x’(t0) = f(t0, x0). Na Figura,
a reta tangente está em azul. Essa primeira reta tangente nos fornecerá o valor x(t1), onde t1 = t0
+ h. Em seguida é traçada a reta tangente pelo ponto (t1, x1) com inclinação x’(t1) = f(t1, x1), que
também está representada em azul, e essa nova reta nos fornecerá o valor de x(t2), onde t2 = t0 +
2h. E assim o método segue sucessivamente. Essa interpretação geométrica serve para enfatizar
que o erro vai se acumulando durante o processo. Para o método de Euler ser aplicado é preciso
tomar um passo h e saber o tempo final t para dar início às iterações utilizando a fórmula
abaixo:

xn+1 = xn + hf(tn, xn),

sendo xn = x(tn) e tn = t0 + nh.
Questão 8) Resolva dois exercícios quaisquer selecionados por vocês utilizando o Método de
Euler para problemas de valor incial.

Aplicando o método de Euler em dois P.V.I.’s

Exemplo 1: Problema de valor inicial

x‘(t) = kx(t)
x(0) = 2

com k sendo uma constante positiva. Vimos que a solução exata deste problema é a função ψ(t)
= 2ekt. Consideremos k = 1 e calculemos os valores aproximados x(t) de ψ(t) para t ∈ [0, 0.9],
utilizando o método de Euler (fórmula (2.7)). Para aplicarmos o método, tomemos h = 0.3. Pelo
que foi visto anteriormente, o número de passos necessários para chegar até t = 0.9 é 3. Para n
= 0, temos

t0 = 0
x0 = 2.

Para n = 1, temos

t1 = t0 + h = 0.3 ;
x1 = x0 + hf(t0, x0) = 2 + 0.3 ∗ 2 = 2.6.

Para n = 2, temos

t2 = t0 + 2h = 0.6 ;
x2 = x1 + hf(t1, x1) = 2.6 + 0.3 ∗ 2.6 = 3.38.

A tabela a seguir contém as iterações e o valor do erro de aproximação em cada iteração.

Note que o erro é excessivo por conta do passo h selecionado em relação aos valores da função.
Aplicando o método para h = 0.1, encontraremos valores mais próximos da solução exata:

Exemplo 2:

Dado o P.V.I. a seguir, e sua solução exata, utilizaremos o Método de Euler com h = 0.1 e com h
= 0.05 para comparar os resultados. Consideraremos o tempo final t = 1.

x’(t) = e−t − 2x
x(0) = 3

é a função ψ(t) = e−t + 2e−2t . Para encontrar a solução numérica, começaremos as iterações
utilizando a fórmula.

Para n = 0, temos
 t0 = 0
x0 = 3.

Para n = 1, temos

t1 = t0 + h = 0.1
x1 = x0 + hf(t0, x0) = 3 + 0.1(e−0 − 2 ∗ 3) = 2.5.

Para n = 2, temos

t2 = t0 + 2h = 0.2
x2 = x1 + hf(t1, x1) = 2.5 + 0, 1(e−0.1 − 2 ∗ 2.5) = 2.0904.

Desse modo continuamos o processo até t10 = 1. Veja a Tabela do Exemplo 2 com os valores
resultantes das iterações do método de Euler, utilizando h = 0.1. Na última coluna, temos o erro
absoluto que é dado pelo módulo da diferença entre a solução exata ψ(t) e a aproximação xn.

Pode-se notar que os pontos da solução aproximada estão bem próximos da solução exata, pelo
método de Euler. Iterando com h = 0.05, o erro sofrerá uma redução. Teremos um total de 20
iterações até o tn chegar a 1. Para encurtar a tabela, foram colocadas somente as iterações pares
e a iteração 0.
Vemos que o tamanho do passo h influencia drasticamente o erro da aproximação. Ao
diminuirmos o tamanho do passo, o erro diminui, no entanto, o número de cálculos pode
aumentar substancialmente. Neste exemplo, ao diminuirmos o passo pela metade, o número de
iterações, ou seja, de cálculos, dobrou.